Validación de una aplicación móvil basada en aprendizaje automático y lógica
neutrosófica para el cribado de dificultades prelectoras en estudiantes de primer
grado.
Validation of a mobile application based on machine learning and neutrosophic logic for
the screening of pre-reading difficulties in first-grade students.
Validação de um aplicativo móvel baseado em aprendizagem automática e lógica
neutrosófica para o rastreio de dificuldades pré-leitoras em estudantes do primeiro ano.
Manuel Reyes Wagnio
Universidad Bolivariana del Ecuador - Universidad de Guayaquil
Ecuador
mfreyesw@ube.edu.ec
Dayron Rumbaut Rangel
Universidad Bolivariana del Ecuador
Ecuador
drumbautr@ube.edu.ec
Karely Jasmín Mendoza Quito
Universidad Bolivariana del Ecuador
Ecuador
karelymendozaquito@gmail.com
Sandra Jazmín Bravo Salvatierra
Universidad Bolivariana del Ecuador
Ecuador
sandrajazmin.bravo@gmail.com
Forma de citación en APA, séptima edición.
Reyes, M; Rumbaut, D; Mendoza, K; Bravo, S. (2026). Validación de una aplicación móvil basada en
aprendizaje automático y lógica neutrosófica para el cribado de dificultades prelectoras en
estudiantes de primer grado. Revista Ibero Research, 1(6), 184 – 202.
Fecha
de
presentación:
09/07/2026
Fecha
de
aceptación:
13/07/2026
Fecha
de
publicación:
18/07/2026
184
Resumen
Las dificultades prelectoras afectan entre el 5 % y el 17 % de los estudiantes de primaria
y, sin detección oportuna, generan rezagos académicos persistentes. En Ecuador no
existen herramientas validadas localmente para su identificación desde primer grado.
Este estudio valida PreLector UBE v1.0, aplicación móvil que integra Random Forest
con un módulo de evaluación basado en lógica neutrosófica, para el cribado de
dificultades prelectoras en 180 estudiantes de primer grado de instituciones públicas de
Guayaquil (2025-2026), en el marco de la Maestría en Inteligencia Artificial para la
Educación (IAEd-UBE). El diseño fue no experimental, transversal y de validación
psicométrica; los indicadores (conciencia fonológica, denominación automática rápida,
memoria verbal y procesamiento fonémico) se transformaron en valores neutrosóficos
N = <T, I, F>. El modelo neutrosófico (RF-N) alcanzó un AUC de 0.912 (IC 95 %:
0.871-0.948) frente a 0.874 del RF clásico (p = 0.031), con sensibilidad de 83.3 %,
especificidad de 78.6 %, kappa de 0.724, IVC de 0.89 y alfa de 0.847. La integración
neutrosófica identificó 12 % de estudiantes en zona gris diagnóstica no detectada por la
clasificación binaria. PreLector UBE v1.0 constituye una herramienta válida, confiable
y culturalmente pertinente para el cribado prelector en Ecuador.
Palabras clave: dificultades prelectoras, aprendizaje automático, Random Forest,
lógica neutrosófica, cribado educativo.
185
Abstract
Pre-reading difficulties affect between 5 % and 17 % of primary school students and,
when not detected in time, lead to persistent academic gaps. In Ecuador there are no
locally validated tools for systematic identification from the first grade of basic
education. This study validates PreLector UBE v1.0, a mobile application integrating
the Random Forest algorithm with a neutrosophic logic evaluation module, for
screening pre-reading difficulties in 180 first-grade students at public educational
institutions in Guayaquil during the 2025-2026 school year, within the Learning
Analytics research line of the Master's Program in Artificial Intelligence for Education
(IAEd-UBE). A non-experimental, cross-sectional, psychometric validation design was
adopted. The neutrosophic Random Forest model (RF-N) achieved AUC = 0.912 (95 %
CI: 0.871-0.948), outperforming the classic RF (AUC = 0.874; p = 0.031), with
sensitivity of 83.3 % and specificity of 78.6 %. Neutrosophic integration identified 12
% of students in a diagnostic grey zone undetected by binary classification. PreLector
UBE v1.0 is a valid, reliable, and culturally pertinent tool for pre-reading screening in
the Ecuadorian context.
Keywords: pre-reading difficulties, machine learning, Random Forest, neutrosophic
logic, educational screening.
Resumo
186
As dificuldades pré-leitoras afetam entre 5 % e 17 % dos estudantes do ensino primário
e, sem detecção oportuna, geram defasagens acadêmicas persistentes. No Equador não
existem instrumentos validados localmente para sua identificação desde a primeira
série. Este estudo valida o PreLector UBE v1.0, aplicativo móvel que integra o
algoritmo Random Forest com um módulo de avaliação baseado em lógica neutrosófica,
para o rastreio de dificuldades pré-leitoras em 180 estudantes da primeira série de
instituições públicas de Guayaquil (2025-2026), no âmbito do Mestrado em Inteligência
Artificial para a Educação (IAEd-UBE). O desenho foi não experimental, transversal e
de validação psicométrica; os indicadores (consciência fonológica, nomeação
automática rápida, memória verbal e processamento fonêmico) foram transformados em
valores neutrosóficos N = <T, I, F>. O modelo neutrosófico (RF-N) alcançou uma AUC
de 0.912 (IC 95 %: 0.871-0.948) frente a 0.874 do RF clássico (p = 0.031), com
sensibilidade de 83.3 %, especificidade de 78.6 %, kappa de 0.724, IVC de 0.89 e alfa
de 0.847. A integração neutrosófica identificou 12 % dos estudantes em zona cinzenta
diagnóstica não detectada pela classificação binária. O PreLector UBE v1.0 constitui
uma ferramenta válida, confiável e culturalmente pertinente para o rastreio pré-leitor no
Equador.
Palavras-chave: dificuldades de pré-leitura, aprendizado de máquina, Random Forest,
lógica neutrosófica, triagem educacional.
187
Introducción
La lectura constituye una competencia fundamental para el desarrollo cognitivo,
académico y social de los seres humanos. En América Latina, más de la mitad de los
estudiantes de educación primaria no alcanza niveles básicos de comprensión lectora, y
en contextos de vulnerabilidad socioeconómica esta cifra puede superar el 70 % (Cieza
Altamirano, 2023). Los datos del Instituto Nacional de Evaluación Educativa (INEVAL)
y los resultados del estudio regional ERCE 2019 de la UNESCO muestran que las
dificultades lectoras en Ecuador se presentan desde los primeros grados sin ser
identificadas a tiempo (INEVAL, 2021).
Las dificultades prelectoras son deficiencias en las habilidades que preceden y sustentan
la adquisición de la lectura formal, con prevalencia entre el 5 % y el 17 % (Jiménez et
al., 2009). Cuando no se detectan oportunamente, los niños acumulan rezagos que
resultan frecuentemente en fracaso escolar, desmotivación y deserción (Reid, 2016). Por
ello, el primer grado de educación básica constituye la ventana de oportunidad más
efectiva para intervenir antes de que los patrones de dificultad se consoliden (Rangel &
Franco, 2025).
Los métodos tradicionales de cribado lector requieren administración individualizada
por especialistas, están diseñados para otros idiomas o carecen de validación en el
contexto ecuatoriano (Rangasrinivasan et al., 2025). Una revisión de PubMed, Scopus,
Web of Science y ERIC no identificó ningún instrumento validado basado en
aprendizaje automático para este propósito en Ecuador. La brecha es especialmente
crítica en instituciones públicas con recursos escasos donde no se garantiza la presencia
de psicopedagogos (Susana et al., 2025).
El aprendizaje automático se ha consolidado como alternativa técnica viable para
herramientas de cribado escalables y objetivas (Salazar Vega et al., 2025). Sin embargo,
188
los modelos de clasificación binaria clásicos no modelan la incertidumbre inherente a la
evaluación prelectora en niños de seis años. La lógica neutrosófica, propuesta por
Smarandache (2005), incorpora tres componentes de valoración —verdad (T),
indeterminación (I) y falsedad (F)— permitiendo representar con mayor fidelidad la
ambigüedad diagnóstica.
Este trabajo se inscribe en el campo de la Analítica del
Aprendizaje (Learning Analytics, LA) y la Minería de Datos
Educativos (Educational Data Mining, EDM), áreas nucleares de
la Maestría en Inteligencia Artificial para la Educación (IAEd)
de la UBE (Reyes Wagnio & Rumbaut Rangel, 2025). A diferencia
de la mayoría de los estudios de LA centrados en plataformas
LMS de educación superior (Figaredo et al., 2020), este estudio
extiende el enfoque de EDM a la etapa preescolar. El objetivo
es validar PreLector UBE v1.0, cuya hipótesis plantea que el
modelo RF neutrosófico alcanza AUC ≥ 0.85, sensibilidad ≥ 80 %
y especificidad ≥ 75 %, superando al RF clásico.
189
Metodología
Diseño del estudio
La investigación adoptó un diseño no experimental, transversal y de validación
psicométrica durante el primer trimestre del año lectivo 2025-2026 (Muñiz &
Fonseca-Pedrero, 2019).
Población y muestra
La población comprendió estudiantes de primer grado de
instituciones públicas de Guayaquil matriculados en
2025-2026. El tamaño muestral se determinó mediante G*Power
3.1 (AUC ≥ 0.85, potencia 0.80, alpha 0.05, prevalencia 15 %):
mínimo 160 participantes; muestra final 180 con 10 % de margen
por pérdidas. Muestreo probabilístico estratificado por zona
(norte, centro, sur) y tipo de institución (fiscal y
fiscomisional).
Consideraciones éticas
El estudio fue aprobado por el Comité de Ética de la UBE (Resolución
CEI-UBE-2025-017), siguiendo los principios de la Declaración de Helsinki. Se obtuvo
consentimiento informado de todos los representantes legales y los datos fueron
procesados de forma anonimizada.
Instrumento: PreLector UBE v1.0
PreLector UBE v1.0 es una aplicación móvil Android desarrollada con Flutter.
Administra cuatro módulos: (a) Conciencia fonológica: segmentación silábica y
190
fonémica, 10 ítems cada tarea; (b) RAN: denominación en serie de 50 figuras, tiempo
en segundos; (c) Memoria verbal: repetición de pseudopalabras de 2-6 sílabas, 12 ítems;
(d) Procesamiento fonémico: discriminación de pares mínimos en audio, 15 ítems. Cada
puntaje bruto se transforma automáticamente en N = <T, I, F> según la Tabla 1,
generando 16 variables totales de entrada al modelo RF. La Figura 1 ilustra la
arquitectura completa del sistema.
Figura 1. Arquitectura de PreLector UBE v1.0. Flujo desde los cuatro módulos de evaluación hasta el semáforo
pedagógico neutrosófico. Elaborado por los autores.
Componente neutrosófico
La innovación metodológica central consiste en la incorporación de valoraciones
neutrosóficas <T, I, F> a los puntajes prelectores. Cada puntaje fue transformado en una
tripleta donde T representa el grado de ausencia de riesgo, I el grado de indeterminación
diagnóstica, y F el grado de riesgo prelector. Formalmente:
N(xi) = <Ti, Ii, Fi> donde Ti
+ Ii + Fi ≤ 3 (1)
Los umbrales de asignación se definieron a partir de los percentiles de la distribución
normativa de la muestra (Tabla 1).
191
192
Tabla 1. Transformación neutrosófica de puntajes prelectores.
Rango percentil
T (Verdad)
I (Indeterm.)
F (Falsedad)
Decisión clínica
≥ p75
0.90
0.05
0.05
Sin riesgo
p50 - p74
0.65
0.20
0.15
Bajo riesgo
p25 - p49
0.45
0.35
0.20
Zona gris
p10 - p24
0.20
0.25
0.55
Riesgo moderado
< p10
0.05
0.10
0.85
Riesgo alto
Elaborado por los autores.
Procedimiento de análisis
El análisis se ejecutó en tres fases. Fase 1 (validación de
contenido): panel de ocho expertos aplicó el protocolo de
Lawshe (IVC ≥ 0.80). Fase 2 (aplicación): PreLector UBE v1.0
administrado individualmente en 25 minutos;
concurrentemente, psicopedagogo externo aplicó THM y TALE
como gold standard. Fase 3 (modelado): RF clásico (4 variables) vs. RF-N (16
variables), split 70/30, validación cruzada k=10, bootstrapping 1000 iteraciones.
Comparación mediante prueba DeLong (AUC) y McNemar (tasas de error) (Forero &
Bennasar, 2024).
Articulación con la Maestría en IA para la Educación
Este estudio se enmarca en la línea de Analítica del Aprendizaje y Evaluación
Aumentada por IA de la IAEd-UBE. La adopción de PreLector UBE v1.0 requiere que
el docente desarrolle tres competencias en IA: (a) literacidad en datos educativos, para
interpretar los componentes neutrosóficos <T, I, F>; (b) pensamiento crítico
algorítmico, para evitar el sobrediagnóstico en la zona gris; y (c) diseño de
intervenciones diferenciadas. Estas competencias corresponden a los resultados de
aprendizaje de las microcredenciales MC1 (IA Generativa para Educadores), MC2 (IA
193
Agéntica) y MC3 (IA para la Evaluación y la Analítica del Aprendizaje) del programa
IAEd-UBE (Reyes Wagnio & Rumbaut Rangel, 2025; Reyes Wagnio, 2025). La Figura
5 ilustra la articulación entre el instrumento y el programa.
Resultados
Resultados
Los hallazgos se estructuran en cuatro bloques: (1) caracterización de la muestra, (2)
validez psicométrica, (3) desempeño del modelo predictivo, y (4) zona gris
neutrosófica.
Caracterización de la muestra
De los 180 estudiantes incluidos, 174 completaron la evaluación (retención: 96.7 %): 91
niñas (52.3 %) y 83 niños (47.7 %), edad media 6.2 años (DE = 0.4). Según el gold
standard, 29 estudiantes (16.7 %) presentaron riesgo prelector confirmado (Jiménez et
al., 2009).
Validez y confiabilidad de PreLector UBE v1.0
El IVC promedio fue de 0.89 (rango: 0.75-1.00); kappa de Fleiss = 0.81 (p < 0.001). El
AFC mostró ajuste satisfactorio (CFI = 0.963, RMSEA = 0.048, SRMR = 0.052),
apoyando la estructura de cuatro factores. Consistencia interna global: alpha = 0.847;
fiabilidad interevaluador: ICC = 0.934.
Desempeño del modelo predictivo
La Tabla 2 presenta las métricas comparativas del RF clásico y RF-N en el conjunto de
prueba (n = 52). La Figura 2 ilustra visualmente la comparación de todas las métricas, y
la Figura 3 presenta las curvas ROC comparativas.
194
Tabla 2. Comparación de desempeño RF clásico vs. RF neutrosófico (n = 52).
Métrica
RF Clásico
RF Neutrosófico
Delta
Valor p
AUC-ROC (IC 95 %)
0.874 (0.831-0.912)
0.912 (0.871-0.948)
+0.038
0.031 (DeLong)
Sensibilidad
76.9 %
83.3 %
+6.4 %
0.048 (McNemar)
Especificidad
74.4 %
78.6 %
+4.2 %
0.072 (McNemar)
VPP
58.8 %
64.3 %
+5.5 %
n/a
VPN
87.2 %
91.4 %
+4.2 %
n/a
Kappa de Cohen
0.651
0.724
+0.073
-
Alumnos en zona gris
0 (0 %)
21 (12.1 %)
-
-
Elaborado por los autores.
Figura 2. Comparación de métricas de desempeño entre RF clásico y RF neutrosófico.
La línea punteada indica el umbral mínimo preestablecido (AUC ≥ 0.85). Elaborado
por los autores.
El umbral de clasificación óptimo determinado por el índice de Youden fue de 0.42 para
RF-N. Las variables con mayor importancia Gini fueron: componente T de conciencia
fonológica (15.8 %), puntaje bruto de RAN (14.2 %), componente F de memoria verbal
(13.1 %) y componente I de procesamiento fonémico (11.7 %). La Figura 4 presenta el
gráfico de importancia Gini completo.
195
Figura 3. Curvas ROC comparativas. RF-N (AUC = 0.912) vs. RF clásico (AUC = 0.874) y regresión logística (AUC
= 0.810). El punto rojo indica el umbral óptimo (Recall = 0.833, Precision = 0.64). Validación k-fold k=10.
Elaborado por los autores.
Figura 4. Importancia Gini relativa de las 8 variables de mayor peso en el modelo RF-N. Las barras azules
corresponden a puntajes brutos y las verdes a componentes neutrosóficos. La conciencia fonológica y la RAN
aportan el 54.8 % de la capacidad predictiva total. Elaborado por los autores.
196
El modelo RF-N identificó 21 estudiantes (12.1 %) con valores de indeterminación
promedio I > 0.30 en al menos dos predictores. De estos, 14 habían sido clasificados
como "sin riesgo" por el RF clásico. El seguimiento psicopedagógico a tres meses
reveló que 9 de estos 14 (64.3 %) presentaron dificultades lectoras emergentes,
validando la pertinencia clínica de la categoría de zona gris.
El reporte neutrosófico de PreLector UBE v1.0 convierte estos vectores <T, I, F> en un
semáforo pedagógico de tres niveles interpretable por docentes sin formación
estadística: verde (T alto, sin riesgo), ámbar (I alto, revisión recomendada) y rojo (F
alto, intervención urgente). Los 21 estudiantes en zona gris representan el tipo de caso
que los egresados de la IAEd están formados para atender mediante estrategias de
personalización basadas en datos (Reyes Wagnio, 2025).
Discusión
Los resultados confirman la hipótesis planteada: el modelo RF-N alcanzó AUC = 0.912,
superando el umbral preestablecido y el RF clásico (AUC = 0.874; p = 0.031). Este
hallazgo es coherente con investigaciones previas que reportan AUC > 0.90 en modelos
de cribado prelector basados en indicadores fonológicos (Rauschenberger et al., 2022),
y representa la primera validación de un instrumento de este tipo en el contexto
ecuatoriano.
La ventaja más relevante del enfoque neutrosófico no residió en la mejora marginal del
AUC sino en la identificación de la zona gris diagnóstica. El seguimiento a tres meses
confirmó dificultades emergentes en el 64.3 % de los estudiantes en zona gris,
evidenciando que la indeterminación neutrosófica capturó patrones de riesgo incipiente
que la clasificación binaria no detectó. Este resultado respalda el planteamiento de
Smarandache (2005) respecto a la superioridad de los sistemas tricomponentes.
197
La validez de contenido (IVC = 0.89) y la confiabilidad (alpha = 0.847, ICC = 0.934)
superaron los umbrales de los estándares AERA/APA/NCME, garantizando que
PreLector UBE v1.0 mide efectivamente los constructos prelectores en el contexto
ecuatoriano. El ajuste del AFC (CFI = 0.963, RMSEA = 0.048) confirma la estructura
de cuatro factores (Alza, 2024). Entre las limitaciones cabe señalar: la muestra se
restringió a instituciones públicas de Guayaquil; las funciones de membresía
neutrosófica se definieron con base en percentiles de la propia muestra y deberán
recalibrarse en otras poblaciones; el seguimiento a tres meses no constituye validación
longitudinal formal (Gutiérrez-Fresneda, 2025).
Desde la perspectiva de la formación de docentes en IA —eje central de la
IAEd-UBE— los resultados tienen implicaciones formativas directas. El semáforo
pedagógico neutrosófico representa un caso real de uso de Analítica del Aprendizaje
que los maestrantes pueden analizar, replicar y extender en sus propios contextos. La
zona gris plantea además un problema de investigación genuino para tesis de la IAEd:
qué tipo de intervención pedagógica diferenciada es más efectiva para estudiantes en
indeterminación prelectora, articulando evaluación formativa, personalización con IA y
diseño instruccional basado en datos (Reyes Wagnio & Rumbaut Rangel, 2025; Reyes
Wagnio, 2025).
198
Conclusiones
El presente estudio validó PreLector UBE v1.0, aplicación móvil que integra Random
Forest con lógica neutrosófica, para el cribado de dificultades prelectoras en estudiantes
de primer grado de instituciones educativas públicas de Guayaquil, Ecuador.
El modelo RF-N alcanzó AUC = 0.912, sensibilidad del 83.3 % y especificidad del 78.6
%, superando tanto los umbrales psicométricos preestablecidos como el RF clásico. La
integración de la lógica neutrosófica identificó el 12.1 % de estudiantes en zona gris
diagnóstica, de los cuales el 64.3 % desarrolló dificultades lectoras emergentes a los tres
meses —evidencia que los modelos binarios no capturaron.
Los indicadores psicométricos —IVC = 0.89, alpha = 0.847, ICC = 0.934 y CFI =
0.963— superaron los estándares AERA/APA/NCME, confirmando la validez de
contenido, de constructo, de criterio y la confiabilidad de PreLector UBE v1.0 en el
contexto ecuatoriano.
PreLector UBE v1.0 constituye la primera herramienta validada basada en aprendizaje
automático para el cribado prelector en Ecuador. Este estudio genera tres líneas de
investigación futura directamente vinculadas a la IAEd-UBE: (a) ampliar la validación a
contextos rurales y otras provincias; (b) desarrollar un agente de IA tutorial que, a partir
de los vectores neutrosóficos de PreLector UBE v1.0, genere intervenciones
pedagógicas personalizadas —problema central de los Sistemas de Tutoría Inteligente y
objeto de tesis natural de la IAEd—; y (c) integrar PreLector UBE v1.0 como caso de
uso en la microcredencial MC3 de la IAEd (IA para la Evaluación y la Analítica del
Aprendizaje), dotando al programa de evidencia empírica propia producida en el
contexto ecuatoriano (Reyes Wagnio & Rumbaut Rangel, 2025; Reyes Wagnio, 2025).
199
Figura 5. Articulación entre PreLector UBE v1.0 y la Maestría en Inteligencia Artificial para la Educación (IAEd-UBE). Las
flechas de la izquierda muestran los aportes de las microcredenciales al instrumento; las de la derecha, las competencias e
investigaciones que el instrumento genera en el programa. Elaborado por los autores.
Conflicto de intereses y financiamiento
Los autores declaran no tener ningún conflicto de interés. Esta investigación no recibió
financiamiento externo. Manuel Reyes Wagnio: conceptualización, diseño
metodológico, supervisión, validación, revisión. Dayron Rumbaut Rangel: componente
neutrosófico, análisis estadístico, revisión.
Disponibilidad de datos
Los datos anonimizados pueden estar disponibles bajo solicitud formal dirigida al autor
de correspondencia, sujeta a autorización del Comité de Ética de la Universidad
Bolivariana del Ecuador.
200
Referencias Bibliográficas
Alza, N. C. (2024). La conciencia fonológica en el aprendizaje de la lectura en
educación básica. Horizontes. Revista de Investigación en Ciencias de la
Educación, 8(33), 1069–1083.
https://doi.org/10.33996/revista-horizontes.v8i33.783
Cieza Altamirano, W. P., & Cieza Altamirano, W. P. C. (2023). Análisis de la
comprensión lectora en la educación. Horizontes. Revista de Investigación en
Ciencias de la Educación, 7(31), 2699–2710.
https://doi.org/10.33996/revistahorizontes.v7i31.695
Figaredo, D. D., Reich, J., & Ruipérez-Valiente, J. A. (2020). Analítica del aprendizaje
y educación basada en datos: Un campo en expansión. RIED. Revista
Iberoamericana de Educación a Distancia, 23(2), 33.
https://doi.org/10.5944/ried.23.2.27105
Forero, W., & Bennasar, F. (2024). Techniques and applications of machine learning and
artificial intelligence in education: A systematic review. RIED. Revista
Iberoamericana de Educación a Distancia, 27(1), 209–253.
https://doi.org/10.5944/ried.27.1.37491
Gutiérrez-Fresneda, R. (2025). Diseño y validación de una escala para la detección de
las dificultades específicas de aprendizaje de la lectura. Investigaciones Sobre
Lectura, 20(1), 1–21. https://doi.org/10.24310/isl.20.1.2025.19766
Instituto Nacional de Evaluación Educativa. (2021). Resultados de la Evaluación ERCE
2019 en Ecuador. Ministerio de Educación del Ecuador.
https://www.evaluacion.gob.ec
201
Jiménez, J., Guzmán, R., Rodríguez, C., & Artiles, C. (2009). Prevalencia de las
dificultades específicas de aprendizaje: la dislexia en español. Psicothema, 25,
78–85.
Morales, M., et al. (2024). Algoritmos de aprendizaje automático para la predicción del
logro académico. Polo del Conocimiento, 9(7).
https://doi.org/10.23857/pc.v9i7.7660
Muñiz, J., & Fonseca-Pedrero, E. (2019). Diez pasos para la construcción de un test.
Psicothema, 31(1), 7–16. https://doi.org/10.7334/psicothema2018.291
Rangasrinivasan, S., et al. (2025). AI-enhanced child handwriting analysis: A
framework for the early screening of dyslexia and dysgraphia. SN Computer
Science, 6(5), 399. https://doi.org/10.1007/s42979-025-03927-0
Rangel, L. O., & Franco, L. R. (2025). Enseñanza de la lectoescritura: Propuesta de
intervención pedagógica dirigida a estudiantes de primer grado del colegio José
María Carbonell IED [Tesis, Universidad Cooperativa de Colombia].
Rauschenberger, M., Baeza-Yates, R., & Rello, L. (2022). A universal screening tool for
dyslexia by a web-game and machine learning. Frontiers in Computer Science,
3. https://doi.org/10.3389/fcomp.2021.628634
Reid, G. (2016). Dyslexia: A practitioner's handbook (5th ed.). Wiley-Blackwell.
Reyes Wagnio, M. (2025). Microcredenciales en IA para la Educación: MC1 IA
Generativa, MC2 IA Agéntica y MC3 IA para la Evaluación y la Analítica del
Aprendizaje [Documento de diseño instruccional]. Universidad Bolivariana del
Ecuador.
Reyes Wagnio, M., & Rumbaut Rangel, D. (2025). Diseño curricular de la Maestría en
Inteligencia Artificial para la Educación (IAEd): Líneas de investigación,
202
microcredenciales y perfil de egreso [Documento institucional]. Universidad
Bolivariana del Ecuador.
Salazar Vega, L. R., et al. (2025). Análisis del uso de la inteligencia artificial para la
detección temprana de dificultades de aprendizaje. South Florida Journal of
Development, 6(9), 1–13. https://doi.org/10.46932/sfjdv6n9-032
Smarandache, F. (2005). A unifying field in logics: Neutrosophic logic (5th ed.).
American Research Press.
Susana, E., Aucancela, E., Valeria, R., & Lozano, S. (2025). La educación inclusiva
frente a las dificultades del lenguaje. Ciencia Latina Revista Científica
Multidisciplinar, 9(5). https://doi.org/10.37811/cl_rcm.v9i5.20359
Zugarramurdi, C., et al. (2019). Valor predictor y discriminante de la velocidad de
nombrado en español. Ocnos. Revista de Estudios sobre Lectura, 18(2).
https://doi.org/10.18239/ocnos_2019.18.2.1812
203
