Software en el proceso de enseñanza aprendizaje de
lengua de señas: una revisión sistemática y bibliométrica
Software in the sign language teaching and learning process:
A systematic and bibliometric review
Recibido: 20/08/2025 - Aceptado: 15/12/2025
Lourdes del Pilar Quevedo-Sánchez
https://orcid.org/0000-0001-5886-7043
dquevedosa12@ucvvirtual.edu.pe
Universidad César Vallejo. Trujillo, Perú
Gutember Peralta-Eugenio
https://orcid.org/0000-0002-1177-6088
gperaltae@ucvvirtual.edu.pe
Universidad César Vallejo. Chimbote, Perú
Lizbeth Morales-Perez
https://orcid.org/0000-0001-7737-8384
lmoralespe@ucvvirtual.edu.pe
Universidad César Vallejo. Huaraz, Perú
Jorge Enrique Quevedo-Sánchez
https://orcid.org/0000-0001-7406-5905
jorgeri.one.song@gmail.com
Universidad César Vallejo. Trujillo, Perú
Resumen
El objetivo de esta revisión sistemática y bibliométrica fue analizar el impacto del software en el proceso de
enseñanza-aprendizaje de la lengua de señas. Para ello, se revisaron publicaciones entre 2010 y 2023, aplicando
el método PRISMA y una búsqueda estructurada en Scopus y Web of Science. De los 628 estudios identificados,
16 cumplieron los criterios de inclusión. Los artículos seleccionados evaluaron herramientas tecnológicas
diversas, como redes neuronales convolucionales, realidad aumentada, avatares animados, reconocimiento de
voz y sistemas de visión computacional. Los resultados revelan que estas tecnologías fomentan un aprendizaje
más accesible y eficiente, especialmente para personas con discapacidad auditiva y usuarios oyentes en
formación. Además, se concentró la mayor producción científica en países como India, Arabia Saudita y Egipto.
En conclusión, los hallazgos destacan el potencial de estas herramientas para potenciar la comunicación y
promover la inclusión educativa.
Palabras clave: aprendizaje, enseñanza, software.
Abstract
The objective of this systematic and bibliometric review was to analyze the impact of software on the teaching and
learning process of sign language. To this end, publications from 2010 to 2023 were reviewed using the PRISMA
method and a structured search in Scopus and Web of Science. Of the 628 studies identified, 16 met the inclusion
criteria. The selected articles evaluated diverse technological tools, such as convolutional neural networks,
augmented reality, animated avatars, speech recognition, and computer vision systems. The results reveal that
these technologies foster more accessible and efficient learning, especially for people with hearing impairments
and hearing learners. Furthermore, the greatest scientific output was concentrated in countries such as India,
Saudi Arabia, and Egypt. In conclusion, the findings highlight the potential of these tools to enhance
communication and promote educational inclusion.
2
Keywords: learning, teaching, software.
Introducción
En el mundo, más de 400 millones de personas presentan algún grado de discapacidad auditiva
(Organización Mundial de la Salud, 2025). Estas personas conforman una comunidad con lengua y cultura propias
(Falvo et al., 2020). No obstante, estas diferencias suelen pasar desapercibidas, y la sociedad a menudo ignora
que su forma de percibir y relacionarse con el entorno difiere notablemente de la de las personas oyentes (Saksiri
& Ruenwongsa, 2010).
En el Perú, por ejemplo, se ha documentado que, en una población superior al millón de habitantes, más
de 100 000 personas padecen algún tipo de discapacidad (Instituto Nacional de Estadística e Informática [INEI],
2017). Además, el Ministerio de Educación (2020) registra 430 sedes de educación básica especial (CEBE)
destinadas a apoyar la inclusión de niños con discapacidad auditiva. Por otro lado, la Federación de Sordos
agrupa a más de 72 millones de miembros, con el objetivo de integrarlos en los niveles de educación básica
regular (EBR) y básica alternativa (EBA) mediante la enseñanza de la lengua de señas peruanas (LSP). Sin
embargo, este esfuerzo enfrenta limitaciones graves, ya que faltan profesionales capacitados e instrumentos
tecnológicos adecuados para facilitar su aprendizaje (Defensoría del Pueblo, 2020).
En el sistema educativo, se evidencia una clara carencia de programas o softwares que permitan a
educadores y estudiantes comprender la lengua de señas (Alaín et al., 2020; Hepp et al., 2015). Por ello, el uso
de las Tecnologías de la Información y las Comunicaciones (TIC) para diseñar estos softwares representa un
paradigma pluricultural esencial (Labrada-Pérez et al., 2015). En consecuencia, dado que existen pocos sistemas
virtuales como herramientas para entender e incluir a personas con discapacidad auditiva (Yeh & Tseng, 2020),
estos softwares resultan indispensables en el proceso de enseñanza-aprendizaje.
Considerando las dificultades en este proceso para estudiantes con discapacidad auditiva, resulta
necesario promover aplicativos tecnológicos que faciliten la comprensión de los contenidos (Cheah & Lee, 2015).
De esta manera, se fomenta el desarrollo autónomo e individual, junto con el aprendizaje cooperativo, con el fin
de evitar el aislamiento de estas personas y lograr una socialización adecuada mediante las TIC y la enseñanza
inclusiva (Brow et al., 2015).
Por otra parte, la investigación sobre la lengua de señas (LS) despierta un interés constante en lingüística
y en el proceso de enseñanza-aprendizaje, reconociendo que enseñar y aprender LS es altamente complejo
(Naranjo-Zeledón et al., 2021). Además, se ha observado que la tecnología abre nuevas formas de comunicación,
lo que beneficia el intercambio y hace imprescindible reforzar programas que profundicen el conocimiento de la
LS (Costa et al., 2017).
Por ello, esta investigación se centra en revisar estudios primarios sobre el diseño de softwares que
optimicen el proceso de enseñanza-aprendizaje de la lengua de señas, dado que los dispositivos en plataformas
prácticas facilitan notablemente su comprensión (Li et al., 2022). Estos sistemas integran entornos artificiales con
experiencias del mundo físico, un enfoque que ha demostrado alta efectividad en la práctica (Mohd & Boilis, 2021).
Además, los softwares que van más allá del mero contenido educativo —incorporando elementos estimulantes—
permiten a los estudiantes asimilar la información de manera más profunda, tanto en el plano cognitivo como
emocional (Antunes et al., 2018). En consecuencia, este estudio analiza artículos empíricos sobre el uso de estos
softwares en la enseñanza de la lengua de señas, junto con las co-ocurrencias más relevantes en autores, países
y estructuras conceptuales de los documentos seleccionados.
Metodología
Esta metodología detalla el enfoque sistemático empleado para examinar el impacto del software en el
proceso de enseñanza-aprendizaje de la lengua de señas. Se fundamenta en una revisión exhaustiva de literatura
científica, guiada por el método PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses),
asegurando rigor, transparencia y reproducibilidad en la selección, extracción y análisis de estudios relevantes
(Liberati et al., 2009; Moher et al., 2007). Por ello, se adoptó un diseño teórico de revisión sistemática para
recopilar información resumida y estructurada sobre la problemática, integrando diversas fuentes bibliográficas
clave (Ato et al., 2013; Siddaway et al., 2019).
La búsqueda bibliográfica se realizó en revistas de alto impacto indexadas en Scopus y Web of Science,
abarcando el período de 2010 a 2023. Estas publicaciones documentan la necesidad de software para optimizar
dicho proceso educativo.
3
En concreto, la búsqueda se ejecutó en estas dos bases de datos principales. En Scopus, se aplicó la
ecuación: TITLE-ABS-KEY(“sign language” OR “deaf Communication” OR “Gestural language” OR “hand
language”) AND TITLE-ABS-KEY(“software” OR “assistive technology” OR “devices”) AND TITLE-ABS-
KEY(“learning”). En Web of Science, fue: (TS=(sign language OR deaf Communication OR gestural language OR
hand language) AND TS=(software OR assistive technology OR devices) AND TS=(learning)), obteniendo 628
artículos en total.
Criterios de selección de los estudios
Para minimizar sesgos en la selección, se aplicaron criterios rigurosos de inclusión y exclusión. Entre los
criterios de inclusión se consideraron: 1) Artículos que exploran softwares para el aprendizaje de lengua de señas;
2) Estudios con grupos sociales sin déficits cognitivos. Se excluyeron revisiones teóricas y artículos enfocados
en la validación o diseño de instrumentos.
En Scopus se identificaron 230 documentos y en Web of Science 398, eliminándose 113 duplicados para
quedar en 515 registros cribados. Posteriormente, tras leer títulos y resúmenes, se descartaron 349 por título y
89 por resumen por no relacionarse con el tema. De los 77 textos completos recuperados, se depuraron 52 que
no cumplían los criterios, dejando 25 publicaciones. De estas, no se accedió a 9 artículos completos, por lo que
se analizaron finalmente 16. Los datos se extrajeron sistemáticamente según el objetivo del estudio, organizados
bajo los siguientes encabezados: autor(es), año de publicación, país, título, sistema utilizado y resultados. La
Figura 1 ilustra el flujo completo del proceso de selección.
Figura 1
Diagrama del método PRISMA
Fuente. Elaboración propia
Resultados
Se examinaron dieciséis estudios publicados entre 2013 y 2023, cuyos resúmenes se presentan en la
Tabla 1. La mayoría de estas investigaciones se desarrollaron en India, aunque se identificó un número
significativo de aplicaciones transculturales. Predominaron el uso de software informático y aplicaciones móviles
en la mayoría de los casos.
Los documentos seleccionados provienen de diversos países, destacando India, España, Arabia Saudita,
Japón, Egipto, Lituania, Polonia, Brasil, Malasia, Indonesia, Jordania y Estados Unidos. En conjunto, estos
Inclusión
Publicaciones cuyo acceso completo
no fue posible obtener (n = 9)
Elegibilidad
Cribado
Archivos eliminados por duplicado (n = 113)
Búsqueda
Scopus (n = 230)
Registros recuperados (n = 628)
Estudios excluidos por título (n = 349)
y resumen (n = 89)
Registros cribados (n = 515)
Web of Science (n = 398)
Publicaciones para análisis (n = 25)
Publicaciones para elegibilidad
(n = 77)
Artículos seleccionados (n = 16)
Publicaciones eliminadas porque incumplen
criterios de inclusión (n= 52)
4
hallazgos revelan la aplicación de múltiples tecnologías y enfoques en el proceso de enseñanza-aprendizaje de
la lengua de señas.
Entre las tecnologías más empleadas sobresalen el machine learning y los dispositivos de captura de
movimiento. Por ejemplo, Saleem et al. (2023) desarrollaron un sistema dúplex basado en aprendizaje automático
y dispositivos Leap Motion, capaz de traducir gestos de lenguas de señas (ASL, PSL, SSL) a mensajes de audio
comprensibles para oyentes. De manera similar, Lu et al. (2023) implementaron guantes de datos con sensores
de flexión para capturar movimientos manuales con alta precisión, optimizando el reconocimiento de señas.
Por su parte, las redes neuronales convolucionales (CNN) han demostrado eficacia en el reconocimiento
de gestos de lenguas de señas árabe y americana, alcanzando mayor precisión en la traducción (Alshomrani et
al., 2021; Shanableh, 2023). Además, la realidad aumentada y los avatares animados han ganado relevancia,
como el avatar que traduce en tiempo real del árabe hablado y escrito a señas (Mosa et al., 2023), o el software
LEARNSIGN, que integra realidad aumentada y reconocimiento de voz para mejorar la interacción con personas
con discapacidad auditiva (Mohd & Boilis, 2021).
Las aplicaciones móviles y juegos educativos también se posicionan como herramientas efectivas para
el aprendizaje autónomo y lúdico. En este sentido, Joy et al. (2019, 2020) presentaron SignQuiz y SignDict para
el aprendizaje independiente de la lengua de señas india, resaltando el valor de los diccionarios móviles.
Siguiendo esta línea, Pontes et al. (2020) crearon MatLIBRAS Racing, un juego educativo que enseña números
en lengua de señas brasileña mientras fomenta la interacción social y el aprendizaje lúdico.
Finalmente, los modelos de aprendizaje profundo aportaron evidencias significativas. Fadlilah et al. (2022)
desarrollaron un traductor basado en Raspberry Pi y redes neuronales para identificar letras y palabras en lengua
de señas indonesia, mientras que Duwairi y Holloush (2022) aplicaron el modelo VGGNet para el reconocimiento
automático de alfabetos en lengua de señas árabe.
Tabla 1
Estudios que analizan los softwares en el proceso de enseñanza aprendizaje de lengua de señas
Autor/Año
País
Titulo
Sistema Utilizado
Saleem et al.
(2023)
España
A Machine
Learning Based
Full Duplex
System
Supporting
Multiple Sign
Languages for the
Deaf and Mute
Sistema de
comunicación
dúplex (Machine
Learning y
dispositivo Leap
Motion)
Alshomrani et al.,
2021
Arabia
Saudita
Arabic and
American Sign
Languages
Alphabet
Recognition by
Convolutional
Neural Network
Red neuronal
convolucional
(CNN)
Joy et al., 2019
India
SignQuiz: A Quiz
Based Tool for
Learning
Fingerspelled
Signs in Indian
Sign Language
Using ASLR
SignQuiz
5
Lu et al., 2023
Japón
Data Glove with
Bending Sensor
and Inertial
Sensor Based on
Weighted DTW
Fusion for Sign
Language
Recognition
Sign-Glove
Mosa et al., 2023
Egipto
A Real-Time
Arabic Avatar for
Deaf–Mute
Community Using
Attention
Mechanism
Avatar animado en
2D
Vaitkevičius et al.,
2019
Lituania y
Polonia
Recognition of
American Sign
Language
Gestures in a
Virtual Reality
Using Leap
Motion
Leap Motion
Joy et al., 2020
India
Developing a
Bilingual Mobile
Dictionary for
Indian Sign
Language and
Gathering Users'
Experience with
SignDict
SignDict
Kothadiya et al.,
2023
India,
Arabia
Saudita y
Estados
Unidos.
SIGNFORMER:
DeepVision
Transformer for
Sign Language
Recognition
Vision Transformer
Shanableh (2023)
Emiratos
Árabes
Unidos
Two-Stage Deep
Learning Solution
for Continuous
Arabic Sign
Language
Recognition Using
Word Count
Prediction and
Motion Images
Redes neuronales
convolucionales
(CNN)
Pontes et al., 2020
Brasil.
An Educational
Game to Teach
Numbers in
Brazilian Sign
Language While
Having Fun
MatLIBRAS Racing
6
Mohd & Boilis
(2021)
Malasia
Sign Language
Communication
through
Augmented
Reality and
Speech
Recognition
(LEARNSIGN)
Software Unity y
lenguaje de
programación C#
Sahoo (2021)
India
Indian Sign
Language
Recognition Using
Machine Learning
Techniques
Clasificadores k-
Nearest Neighbor y
Naive Bayes
Fadlilah et al.,
(2022)
Indonesia
y Malasia
Modelling of Basic
Indonesian Sign
Language
Translator Based
on Raspberry Pi
Technology
Tecnología
Raspberry Pi y
redes neuronales
convolucionales
Wang et al., (2006)
Estados
Unidos
American Sign
Language
Recognition Using
Multi-Dimensional
Hidden Markov
Models
Cyberglove y o
Flock of Birds
Duwairi & Halloush
(2022)
Jordania
Automatic
Recognition of
Arabic Alphabets
Sign Language
Using Deep
Learning
Modelo VGGNet
Biju et al., (2023)
-
Glove Based
Wearable Devices
for Sign
Language—
GloSign
GloSign
Fuente. Elaboración propia
Parcela de tres campos
La Figura 2 presenta una parcela de tres campos que integra tres componentes principales: revistas (SO),
autores (AU) y palabras clave (DE). Estos elementos, representados por rectángulos cuyo tamaño refleja la
cantidad de artículos asociados, se conectan mediante líneas grises que ilustran sus relaciones
interdependientes. De esta forma, se visualiza cómo publicaciones específicas en ciertas revistas se vinculan con
autores particulares, quienes a su vez se centran en descriptores temáticos relevantes para el estudio del software
aplicado a la enseñanza de la lengua de señas.
Por ejemplo, los artículos publicados en IEEE Access provienen principalmente de autores como Bhatt C.
y Balakrishnan K., quienes han explorado temas relacionados con deep learning y la lengua de señas árabe.
7
Además, los estudios recientes revelan una tendencia clara hacia el uso de tecnologías avanzadas de inteligencia
artificial para optimizar el acceso y la enseñanza de lenguas de señas.
Figura 2
Parcela de tres campos
Ley de Bradford
La Figura 3 clasifica las revistas según su productividad (fuente y número de artículos), revelando cómo
la literatura sobre software para la enseñanza de lengua de señas se concentra en pocas publicaciones clave,
conforme a la Ley de Bradford. Esta ley bibliométrica establece que los artículos se distribuyen en tres zonas de
igual producción: un núcleo central (Zona 1) con revistas altamente especializadas, una zona de transición (Zona
2) con n veces más publicaciones, y una zona de dispersión (Zona 3) con n² revistas menos productivas.
En este análisis, IEEE Access lidera con 3 documentos, seguida de Applied Sciences-Basel con 2,
consolidándose como el núcleo central (Zona 1) del conocimiento principal en esta área. Por ello, esta
clasificación no solo visualiza la distribución desigual de la producción científica, sino que también ofrece una
perspectiva precisa sobre la influencia dominante de estas fuentes en la investigación sobre tecnologías para
lenguas de señas.
Figura 3
Ley de Bradford
8
Producción científica según autores
La Figura 4 visualiza las contribuciones individuales de los autores al tema del software para la
enseñanza-aprendizaje de lengua de señas entre 2013 y 2023. Cada línea horizontal representa a un autor
específico, mientras que los círculos posicionados sobre ellas indican las publicaciones anuales; el tamaño de los
círculos refleja proporcionalmente el número de artículos publicados ese año, y su color —de tonos claros a
oscuros— corresponde al número de citas recibidas en ese período.
Entre los autores más prolíficos destacan Joy J. y Balakrishnan K., con múltiples publicaciones
concentradas en 2019 y 2020. Además, 2023 registra un aumento notable en la producción científica, impulsado
por contribuciones recientes de autores como Amino S., Bhatt C. y Biju S., identificados en el análisis bibliométrico
general de las bases de datos consultadas —aunque no incluidos en el análisis detallado de esta revisión
sistemática—.
Figura 4
Producción de los autores a lo largo del tiempo
Red de colaboración por autores
La Figura 5 representa la red de colaboración según la producción científica de los autores. Balakrishnan
K. y Joy J. destacan en el Clúster 1 (color rojo) por su mayor centralidad de intermediación y de cercanía,
posicionándolos como nodos clave que facilitan la conexión dentro de su grupo y hacia la red global.
Por su parte, los autores del Clúster 2 (color azul) —Essa R., Lotfy A., Mosa D., Nasef N. y Salem A.—
presentan métricas de intermediación moderadas, pero su alta cercanía sugiere una colaboración estrecha e
intensa dentro del grupo. Finalmente, los autores del Clúster 4 (color morado) — Blažauskas R., Maskeliunas R.,
Taroza M., Vaitkevicius A. y Wozniak M.— muestran interacciones moderadas en términos de cercanía
colaborativa, lo que indica trabajo conjunto, pero sin actuar como puentes cruciales en la red global.
En conjunto, Balakrishnan K. y Joy J. no solo coordinan su clúster, sino que ejercen influencia significativa
en la estructura colaborativa total.
9
Figura 5
Red de colaboración por autores
Colaboración según países
La Figura 6 presenta un mapa mundial donde el color azul gradúa la productividad científica por país,
siendo tonos más intensos indicativos de mayor frecuencia de publicaciones. India lidera con 12 estudios,
representados en azul profundo, seguida de Arabia Saudita con 5 publicaciones. Egipto y España registran 4
contribuciones cada uno, visualizadas en tonos azules moderados. Por su parte, países con frecuencias menores
aparecen en gradaciones más claras, revelando una concentración geográfica notable en Asia Occidental y el
Sur Asiático en el desarrollo de software para lenguas de señas.
Figura 6
Mapa mundial de producción científica por países
Frecuencia de términos utilizados y estructura conceptual
La Figura 7 analiza la frecuencia de las palabras clave de los autores, revelando que "deep learning" y
"sign language" dominan con un 20% cada una, lo que evidencia un enfoque predominante en técnicas de
aprendizaje profundo para el reconocimiento y traducción de lenguas de señas. Además, términos como "assistive
technology" y "gesture recognition", con un 10% cada uno, subrayan la relevancia de las tecnologías de apoyo y
el reconocimiento de gestos en este campo de investigación.
10
Figura 7
Palabras clave del autor
Co-ocurrencia de palabras clave del autor
La Figura 8 revela las redes de co-ocurrencia entre palabras clave de los autores. "deep learning" destaca
por su alta frecuencia (4 ocurrencias) y fuerza de enlace (16), evidenciando su rol central en el desarrollo de
tecnologías avanzadas para el reconocimiento de lenguas de señas. Le sigue "sign language" (6 ocurrencias,
fuerza de enlace 11), consolidándose como tema pivotal en la creación de herramientas de apoyo educativo.
Además, "gesture recognition" (3 ocurrencias, fuerza de enlace 15) subraya el interés creciente en
tecnologías para interpretar gestos, elemento esencial de la comunicación en señas. Esta configuración sugiere
una interconexión robusta entre "deep learning", "sign language" y "gesture recognition", promoviendo un enfoque
interdisciplinario para futuras investigaciones colaborativas.
Figura 8
Co-ocurrencia de palabras clave del autor
11
Mapa temático
La Figura 9 organiza los temas en cuatro cuadrantes según su desarrollo y relevancia. Los temas motores
(cuadrante superior derecho) —"deep learning", "gesture recognition" y "assistive technologies"— destacan por
su alto desarrollo y relevancia, posicionándose como indicadores centrales de la investigación actual sobre
software para lenguas de señas.
Por su parte, "sign language" se ubica en los temas básicos (cuadrante inferior derecho), esencial y
altamente relevante, aunque poco desarrollado en los estudios seleccionados. Esta configuración revela
oportunidades significativas para profundizar en investigaciones tecnológicas específicas sobre lenguas de
señas.
Finalmente, "Arabic sign language" aparece en los temas nicho (cuadrante superior izquierdo), con
desarrollo considerable pero menor relevancia global, lo que sugiere potencial para expansión estratégica en
futuras líneas de investigación.
Figura 9
Mapa temático
Discusión
Esta revisión sistemática evidencia el impacto positivo del software en el proceso de enseñanza-
aprendizaje de la lengua de señas. Tras una búsqueda exhaustiva de publicaciones entre 2010 y 2023, se
seleccionaron 16 estudios transculturales, predominantemente desarrollados en India (Joy et al., 2019, 2020;
Kothadiya et al., 2023; Sahoo, 2021). Estos trabajos demuestran que dispositivos y aplicaciones virtuales resultan
fundamentales para desarrollar esta habilidad tanto en personas con discapacidad auditiva (DA) como en oyentes.
Por ello, resulta alarmante la escasez de sistemas virtuales diseñados específicamente para facilitar la
comprensión e inclusión de personas con DA en entornos educativos (Yeh & Tseng, 2020). En este contexto,
herramientas como SignDict promueven la alfabetización mediante diccionarios interactivos de lengua de señas
(Joy et al., 2020), mientras que otros sistemas predicen la cantidad de palabras por oración e interpretan su
significado en LS (Shanableh, 2023). Estas tecnologías no solo optimizan la absorción del aprendizaje, sino que
también facilitan interacciones fluidas, especialmente mediante realidad aumentada (RA) y reconocimiento de
voz, beneficiando tanto a la comunidad sorda como a los oyentes (Mohd & Boilis, 2021; Sahoo, 2021).
12
Además, la escasez de instructores especializados en LS representa un desafío crítico, haciendo
imprescindibles mecanismos de apoyo autónomo. Herramientas como SignQuiz permiten aprender LS de forma
independiente, sin asistencia externa, mediante tecnologías innovadoras que fomentan un aprendizaje profundo
(Joy et al., 2019; Duwairi & Halloush, 2022).
La mayoría de los estudios se centra en dispositivos para reconocer e interpretar gestos en tiempo real,
utilizando sistemas de captura de imágenes con redes neuronales convolucionales (CNN) para convertir señas
en audio, letras o palabras (Alshomrani et al., 2021; Pontes et al., 2020; Vaitkevicius et al., 2019; Wang et al.,
2006). En consecuencia, estos avances mitigan barreras comunicativas entre sordos y oyentes (Biju et al., 2023;
Fadlilah et al., 2022; Saleem et al., 2023).
A diferencia de revisiones previas, este análisis destaca innovaciones como avatares animados 2D para
traducir lenguaje hablado/escrito a señas (Mosa et al., 2023), guantes de datos Sign-Glove para capturar
movimientos precisos (Lu et al., 2023), y sistemas Vision Transformer para gestos estáticos (Kothadiya et al.,
2023).
Por otra parte, el creciente interés interdisciplinario en LS —que abarca lingüística, informática y
educación— subraya la complejidad inherente a su enseñanza. Aunque los dispositivos prácticos combinan
entornos artificiales con experiencias físicas para mejorar la comprensión de LS, persisten oportunidades y
desafíos en la implementación de tecnologías de inteligencia artificial.
Sin embargo, esta revisión también revela limitaciones prácticas, como la falta de profesionales
capacitados e instrumentos tecnológicos adecuados en contextos educativos reales. Entre las limitaciones
metodológicas del estudio se encuentran la variabilidad en la calidad de los artículos revisados y la ausencia de
evaluaciones uniformes sobre la efectividad de los softwares. Además, al centrarse la mayoría en contextos
específicos, los resultados presentan restricciones para su generalización a otras poblaciones y entornos
educativos diversos.
Conclusiones
Las nuevas tecnologías —principalmente dispositivos Android, software de deep learning y aplicaciones
virtuales— facilitan un aprendizaje acelerado y accesible de la lengua de señas, como evidencian los 16 estudios
revisados. India lidera la producción científica (12 publicaciones), seguida de Arabia Saudita y Egipto,
concentrando esfuerzos en herramientas como redes neuronales convolucionales (CNN), realidad aumentada y
sistemas de captura de gestos (Leap Motion, guantes sensoriales). Estos recursos resultan indispensables tanto
para personas con discapacidad auditiva como para oyentes, promoviendo interacciones fluidas, absorción
óptima del conocimiento y una inclusión educativa efectiva.
Por ello, el estudio interdisciplinario de las lenguas de señas genera un interés creciente en lingüística,
informática y educación, donde términos como "gesture recognition" y "assistive technology" dominan las redes
conceptuales. Sin embargo, persisten desafíos significativos: escasez de instructores especializados, limitaciones
en la generalización transcultural y necesidad de evaluaciones uniformes sobre efectividad. En consecuencia,
resulta esencial expandir mecanismos de apoyo tecnológico autónomo —como SignQuiz y SignDict— que
optimicen este proceso inclusivo, especialmente en contextos educativos con recursos limitados como el Perú.
Esta revisión no solo valida el potencial transformador del software, sino que identifica oportunidades
prioritarias para futuras investigaciones que cierren estas brechas y potencien la comunicación universal.
Referencias
Alaín, L., Gallego, J. L., Navarro, A., & Rodríguez, A. (2020). Evaluation for teachers and students in higher
education. Sustainability, 12(10), Artículo 4078. https://doi.org/10.3390/su12104078
Alshomrani, S., Aljoudi, L., & Arif, M. (2021). Arabic and American sign languages alphabet recognition by
convolutional neural network. Advances in Science and Technology Research Journal, 15(4), 136–
148. https://doi.org/10.12913/22998624/142012
Antunes, B. R., Abreu, F. D. L., Rodrigues, S. C. M., Silva, D. P., Bonini, L. M. M., & Bissaco, M. A. S. (2018).
Computerized method for teaching the Brazilian Sign Language. En Costa-Felix, R., Machado, J.,
Alvarenga, A. (Eds.) XXVI Brazilian Congress on Biomedical Engineering. IFMBE Proceedings, Vol. 70/2.
Springer, Singapore. https://doi.org/10.1007/978-981-13-2517-5_101
Ato, M., López, J., & Benavente, A. (2013). Un sistema de clasificación de los diseños de investigación en
psicología. Anales de Psicología, 29(3), 1038–1059. https://doi.org/10.6018/analesps.29.3.178511
13
Biju, S. M., Al-Khatib, O., Sheikh, H. Z., & Oroumchian, F. (2023). Glove based wearable devices for sign
language—GloSign. IAES International Journal of Artificial Intelligence (IJ-AI), 12(4), 1666–
1676. https://doi.org/10.11591/ijai.v12.i4.pp1666-1676
Brow, B., Dressler, R., Eaton, S. E., & Jacobsen, M. (2015). Practicing what we teach: Using action research to
learn about teaching action research. The Canadian Journal of Action Research, 16(3), 61–
78. https://journals.nipissingu.ca/index.php/cjar/article/view/228
Cheah, H. M., & Lee, L. L. (2015). Teaching and learning in an ICT-enhanced environment: Automating the
assessment of 21st century skills. Advances in the Scholarship of Teaching and Learning, 2(1), 1–15.
Costa Machado, M., Diniz Gomes, C. A., Graciano Leal dos Santos, G., Dias de Sousa, L., & Borcard Cancela, L.
(2017). Inclusao social de deficientes auditivos por meio de tecnologias assistivas. Anais do Encontro
Virtual de Documentação em Software Livre e Congresso Internacional de Linguagem e Tecnologia
Online, 6(1), 1–
6. http://www.periodicos.letras.ufmg.br/index.php/anais_linguagem_tecnologia/article/view/12091
Defensoría del Pueblo. (24 de septiembre de 2020). Defensoría del Pueblo: Debe facilitarse el aprendizaje de la
lengua de señas peruana y promover la identidad lingüística y cultural de las personas sordas. Defensoría
del Pueblo. https://www.defensoria.gob.pe/defensoria-del-pueblo-debe-facilitarse-el-aprendizaje-de-la-
lengua-de-senas-peruana-y-promover-la-identidad-linguistica-y-cultural-de-las-personas-sordas/
Duwairi, R. M., & Halloush, Z. A. (2022). Automatic recognition of Arabic alphabets sign language using deep
learning. International Journal of Electrical and Computer Engineering (IJECE), 12(3), 2996–
3004. https://doi.org/10.11591/ijece.v12i3.pp2996-3004
Fadlilah, U., Prasetyo, R. A. R., Mahamad, A. K., Handaga, B., Saon, S., & Sudarmilah, E. (2022). Modelling of
basic Indonesian Sign Language translator based on Raspberry Pi technology. Scientific and Technical
Journal of Information Technologies, Mechanics and Optics, 22(3), 574–
584. https://doi.org/10.17586/2226-1494-2022-22-3-574-584
Falvo, V., Scatalon, L., & Francine, E. (2020). The role of technology to teaching and learning sign languages: A
systematic mapping. Proceedings - Frontiers in Education Conference, FIE, 1-
9. https://doi.org/10.1109/FIE44824.2020.9274169
Hepp, K., Prats, P., A, M., & Holgado, J. (2015). Formació d'educadors: La tecnologia al servei del
desenvolupament d'un perfil professional innovador i reflexiu. RUSC. Universities and Knowledge Society
Journal, 12(2), 30–43. https://doi.org/10.7238/rusc.v12i2.2458
Instituto Nacional de Estadística e Informática. (2017). Perú: Perfil sociodemográfico informe nacional. Censos
Nacionales 2017: XII de Población, VII de Vivienda y III de Comunidades Indígenas. INEI.
https://www.inei.gob.pe/media/MenuRecursivo/publicaciones_digitales/Est/Lib1539/libro.pdf
Joy, J., Balakrishnan, K., & Madhavankutty, S. (2020). Developing a bilingual mobile dictionary for Indian Sign
Language and gathering users experience with SignDict. Assistive Technology, 32(3), 153–
160. https://doi.org/10.1080/10400435.2018.1508093
Joy, J., Balakrishnan, K., & Sreeraj, M. (2019). SignQuiz: A quiz based tool for learning fingerspelled signs in Indian
sign language using ASLR. IEEE Access, 7, 28363–
28371. https://doi.org/10.1109/ACCESS.2019.2901863
Kothadiya, D. R., Bhatt, C. M., Saba, T., Rehman, A., & Bahaj, S. A. (2023). SIGNFORMER: DeepVision
Transformer for Sign Language Recognition. IEEE Access, 11, 4730–
4739. https://doi.org/10.1109/ACCESS.2022.3231130
Labrada-Pérez, M., Fuentes-Rodríguez, H., & Jiménez-Peña, Y. (2015). Procedimientos para la enseñanza-
aprendizaje de la lengua de señas. Revista Electrónica Trimestral de la Universidad de Holguín, 14, 37–
46. https://www.redalyc.org/pdf/5891/589165732005.pdf
Li, J., Zhang, P., Chang, J., & Cai, S. (2022). Design and effect of AR sign language teaching software based on
natural interaction. 30th International Conference on Computers in Education Conference, ICCE 2022 –
Proceedings, 1, 402–409. https://library.apsce.net/index.php/ICCE/article/view/4513
Liberati, A., Altman, D. G., Tetzlaff, J., Mulrow, C., Gøtzsche, P. C., Ioannidis, J. P. A., Clarke, M., Devereaux, P.
J., Kleijnen, J., & Moher, D. (2009). The PRISMA statement for reporting systematic reviews and meta-
analyses of studies that evaluate health care interventions: Explanation and elaboration. PLoS
Medicine, 6(7), Artículo e1000100. https://doi.org/10.1371/journal.pmed.1000100
Lu, C., Amino, S., & Jing, L. (2023). Data glove with bending sensor and inertial sensor based on weighted DTW
fusion for sign language recognition. Electronics, 12(3), Artículo
613. https://doi.org/10.3390/electronics12030613
14
Ministerio de Educación. (2020). Orientaciones para la atención educativa de estudiantes con discapacidad
auditiva. Dirección General de Educación Básica
Especial. http://www.minedu.gob.pe/minedu/archivos/a/002/05-bibliografia-para-ebe/6-orientaciones-
para-la-atencion-educativa-de-estudiantes-con-discapacidad-auditiva.pdf
Mohd, S. N., & Boilis, B. I. (2021). Sign language communication through augmented reality and speech
recognition (LEARNSIGN). International Journal of Engineering Trends and Technology - IJETT, 69(4),
125–130. https://doi.org/10.14445/22315381/IJETT-V69I4P218
Moher, D., Tetzlaff, J., Tricco, A. C., Sampson, M., & Altman, D. G. (2007). Epidemiology and reporting
characteristics of systematic reviews. PLoS Medicine, 4(3), Artículo
e78. https://doi.org/10.1371/journal.pmed.0040078
Mosa, D. T., Nasef, N. A., Lotfy, M. A., Abohany, A. A., Essa, R. M., & Salem, A. (2023). A real-time Arabic avatar
for deaf–mute community using attention mechanism. Neural Computing and Applications, 35(29),
21709–21723. https://doi.org/10.1007/s00521-023-08858-6
Naranjo-Zeledón, L., Chacón-Rivas, M., Peral, J., Ferrández, A., & Gil, D. (2021). Improvement of a sign language
learning reinforcement tool through phonological proximity. Springer Proceedings in Complexity, 9, 99–
107. https://orion.tec.ac.cr/en/publications/improvement-of-a-sign-language-learning-reinforcement-tool-
throug/
Organización Mundial de la Salud. (26 de febrero de 2025). Sordera y pérdida de la audición. OMS.
https://www.who.int/es/news-room/fact-sheets/detail/deafness-and-hearing-loss
Pontes, H. P., Furlan Duarte, J. B., & Pinheiro, P. R. (2020). An educational game to teach numbers in Brazilian
Sign Language while having fun. Computers in Human Behavior, 107, Artículo
105825. https://doi.org/10.1016/j.chb.2018.12.003
Sahoo, A. K. (2021). Indian Sign Language Recognition Using Machine Learning Techniques. Macromolecular
Symposia, 397(1), Article 2000241. https://doi.org/10.1002/masy.202000241
Saksiri, B., & Ruenwongsa, P. (2010). Effects of a virtual sign animated pedagogical agent on ICT learning. The
International Journal of Learning: Annual Review, 17(3), 37–50. https://doi.org/10.18848/1447-
9494/CGP/v17i03/46931
Saleem, M. I., Siddiqui, A., Noor, S., Luque-Nieto, M. A., & Nava-Baro, E. (2023). A machine learning based full
duplex system supporting multiple sign languages for the deaf and mute. Applied Sciences, 13(5), Artículo
3114. https://doi.org/10.3390/app13053114
Shanableh, T. (2023). Two-stage deep learning solution for continuous Arabic Sign Language recognition using
word count prediction and motion images. IEEE Access, 11, 126823–
126833. https://doi.org/10.1109/ACCESS.2023.3332250
Siddaway, A. P., Wood, A. M., & Hedges, L. V. (2019). How to do a systematic review: A best practice guide for
conducting and reporting narrative reviews, meta-analyses, and meta-syntheses. Annual Review of
Psychology, 70, 747–770. https://doi.org/10.1146/annurev-psych-010418-102803
Vaitkevičius, A., Taroza, M., Blažauskas, T., Damaševičius, R., Maskeliunas, R., & Woźniak, M. (2019).
Recognition of American Sign Language gestures in a virtual reality using Leap Motion. Applied
Sciences, 9(3), Artículo 445. https://doi.org/10.3390/app9030445
Wang, H., Ming, C., Leu, & Cemil, O. (2006). American Sign Language recognition using multi-dimensional Hidden
Markov Models. Journal of Information Science and Engineering, 22, 1109–
1123. https://www.researchgate.net/publication/243788237
Yeh, H.-C., & Tseng, S.-S. (2020). Enhancing multimodal literacy using augmented reality. Language Learning &
Technology, 24(1), 27–37. https://doi.org/10125/44706
CONTRIBUCIÓN DE LA AUTORÍA
1. Conceptualización: Lourdes del Pilar Quevedo-Sánchez; Jorge Enrique Quevedo-Sánchez.
2. Curación de datos: Gutember Peralta-Eugenio.
3. Análisis formal: Gutember Peralta-Eugenio.
4. Adquisición de fondos: No aplica.
5. Investigación: Lizbeth Morales-Perez; Gutember Peralta-Eugenio; Lourdes del Pilar Quevedo-Sánchez.
6. Metodología: Gutember Peralta-Eugenio.
7. Dirección del proyecto: Lizbeth Morales-Perez; Gutember Peralta-Eugenio.
8. Software: Gutember Peralta-Eugenio.
15
9. Supervisión: Gutember Peralta-Eugenio.
10. Validación: Lourdes del Pilar Quevedo-Sánchez; Jorge Enrique Quevedo-Sánchez.
11. Visualización: Lourdes del Pilar Quevedo-Sánchez; Jorge Enrique Quevedo-Sánchez.
12. Redacción - borrador original: Lizbeth Morales-Perez; Gutember Peralta-Eugenio; Lourdes del Pilar Quevedo-
Sánchez, Jorge Enrique Quevedo-Sánchez.
13. Redacción - corrección de pruebas y edición: Lizbeth Morales-Perez; Gutember Peralta-Eugenio; Lourdes del
Pilar Quevedo-Sánchez, Jorge Enrique Quevedo-Sánchez.