Validación de una aplicación móvil basada en aprendizaje automático y lógica neutrosófica para el cribado de dificultades prelectoras en estudiantes de primer grado.
DOI:
https://doi.org/10.5281/zenodo.21435234Palabras clave:
dificultades prelectoras, cribado educativo, aprendizaje automático, Random Forest, lógica neutrosófica, pre-reading difficulties, educational screening, neutrosophic logic, machine learningResumen
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.
Descargas
Referencias
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
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, 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
