Evaluación automática de la legibilidad de textos educativos basada en aprendizaje por representación de grafos

Por qué importa para docentes y aprendices

Cuando los docentes eligen un pasaje para lectura, se enfrentan a un delicado ejercicio de equilibrio: el texto debe ser lo bastante desafiante para fomentar el progreso, pero no tan difícil que los alumnos abandonen. Este artículo presenta un nuevo método de inteligencia artificial que puede estimar la dificultad de un pasaje, especialmente en materiales educativos. Al mirar más allá de simples conteos de palabras y oraciones hacia la estructura más profunda del lenguaje, el sistema pretende ayudar a emparejar con mayor precisión el texto adecuado con el lector adecuado, con respecto a las fórmulas tradicionales de legibilidad.

Límites de las puntuaciones de legibilidad anticuadas

Durante décadas, las escuelas han confiado en fórmulas como Flesch–Kincaid que usan pistas superficiales—como la longitud de las oraciones y el recuento de sílabas—para juzgar la dificultad. Estos métodos son fáciles de calcular pero son ciegos a muchos aspectos de la complejidad real. Un breve párrafo de ciencia repleto de términos técnicos o una oración con una estructura enrevesada pueden seguir siendo etiquetados como “fáciles” porque sus palabras son cortas y sus oraciones breves. Como resultado, los docentes pueden asignar sin darse cuenta material que resulta demasiado denso para algunos estudiantes o excesivamente simple para otros, especialmente en materias ricas en contenido como ciencias y estudios sociales.

Mirando dentro de la oración

Los autores proponen un enfoque distinto que trata cada oración como una red. Cada palabra se convierte en un punto (o nodo), y los vínculos gramaticales entre palabras—como sujeto–verbo u objeto del verbo—se convierten en conexiones (aristas). De forma crucial, la fuerza de cada conexión depende no solo de la distancia en la oración sino también del tipo de palabras que se sitúan entre ellas. Un tramo largo lleno de palabras de contenido como nombres, verbos y adjetivos sugiere un salto mental exigente; un camino más corto o uno compuesto principalmente por palabras funcionales pequeñas indica un paso más fácil. La investigación psicolingüística muestra que esos desvíos largos y cargados de contenido tensionan la memoria de trabajo y ralentizan la comprensión, por lo que el modelo los utiliza como señales de mayor dificultad.

Enseñando a una red a leer la red

Para aprovechar esta idea de la oración-como-red, el estudio emplea un tipo de red neuronal diseñada para grafos, llamada Red de Convolución de Grafos (Graph Convolutional Network). Antes de que el modelo de grafo se ejecute, otro motor de IA (similar a sistemas muy usados como BERT) crea una representación numérica rica de cada palabra que refleja su significado en contexto. La red de grafos entonces transmite información a lo largo de las conexiones entre palabras, fusionando significado y estructura para formar una única representación resumen de todo el pasaje. Este resumen se alimenta a una capa final que produce una puntuación continua de legibilidad en lugar de una simple banda de grado, lo que permite distinciones más finas entre textos.

Para exprimir el mejor rendimiento del sistema, los autores usan optimización bayesiana, una estrategia que busca automáticamente buenos valores para muchos “mandos” a la vez. Esto incluye cuánto deben influir distintas categorías gramaticales en la fuerza de las conexiones, cuántas capas de grafo usar y la velocidad de aprendizaje del modelo. En lugar de ajustar estas elecciones manualmente, el procedimiento de optimización las prueba y refina sistemáticamente en función de los resultados de validación.

Qué tan bien funciona en la práctica

El modelo se prueba en el conjunto de datos CLEAR, una gran colección de aproximadamente 5.000 pasajes cortos con puntuaciones de legibilidad asignadas por expertos y clasificaciones de contenido al estilo de películas (G, PG, PG-13 y R). Usando un riguroso esquema de validación cruzada, el sistema explica alrededor del 97 % de la variación en estas puntuaciones, un nivel de precisión que supera tanto a los métodos clásicos basados en características como a potentes baselines modernos construidos solo sobre modelos transformer. El método también funciona bien cuando se aplica a un conjunto de datos en persa originalmente creado para clasificar textos en niveles fácil, medio y difícil: los pasajes dentro del mismo grupo de dificultad tienden a recibir puntuaciones predichas similares, lo que sugiere que lo que el modelo aprende sobre la estructura en inglés se traslada a otro idioma.

Qué significa esto para las aulas

Para educadores y diseñadores curriculares, la principal conclusión es que la legibilidad es más que palabras largas y oraciones largas. La forma en que la información se distribuye a lo largo de una oración—el número de desvíos y el tipo de palabras que los llenan—juega un papel importante en la facilidad con que los estudiantes pueden seguir el hilo. Al modelar los textos como redes de palabras conectadas y usar IA basada en grafos para leer esas redes, este estudio ofrece una herramienta más precisa y flexible para estimar la dificultad de lectura. Aunque no sustituye el juicio humano ni supone todas las sutilezas de la prosa literaria y de las ciencias sociales, puede servir como una potente ayuda para la toma de decisiones, ayudando a los docentes a seleccionar y adaptar textos que se ajusten mejor a las habilidades de sus alumnos y favorezcan un aprendizaje más inclusivo.

Cita: Zhang, L., Abhani, J., B, J. et al. Automatic text readability assessment for educational content based on graph representation learning. Sci Rep 16, 11308 (2026). https://doi.org/10.1038/s41598-026-41313-9

Palabras clave: evaluación de legibilidad, textos educativos, redes neuronales de grafos, procesamiento del lenguaje natural, dificultad de texto