Blog sobre educación

Categoría: DUA (Página 1 de 2)

Cómo crear evaluaciones adaptativas con inteligencia artificial y el Diseño Universal para el Aprendizaje (DUA)

Serie EDUPROMPTS

📌 Recurso clave: Diseño de evaluaciones adaptativas basadas en el DUA

La evaluación es una parte fundamental del proceso educativo, pero con frecuencia se diseña de manera estándar sin considerar la diversidad de los estudiantes. El Diseño Universal para el Aprendizaje (DUA) ofrece un enfoque inclusivo que permite a los alumnos demostrar sus conocimientos a través de distintos formatos. Para facilitar esta tarea, el EduPrompt de diseño de evaluaciones adaptativas proporciona una guía estructurada para generar pruebas flexibles con la ayuda de la inteligencia artificial.

El enfoque del DUA en la evaluación

El DUA se basa en la idea de que no todos los estudiantes aprenden de la misma manera ni demuestran su conocimiento con los mismos métodos. Por ello, propone diseñar evaluaciones que contemplen múltiples formas de representación, acción y expresión. Aplicar este enfoque garantiza una mayor equidad y permite que cada estudiante tenga las mismas oportunidades de éxito.

El EduPrompt para diseñar evaluaciones adaptativas

Este EduPrompt (ver aquí) actúa como un asistente pedagógico que ayuda a los docentes a crear evaluaciones inclusivas según las necesidades de su alumnado. Mediante una serie de preguntas clave, la IA diseña pruebas flexibles y accesibles para todos los estudiantes.

Cómo funciona el EduPrompt

La IA sigue un proceso estructurado para recopilar información y generar una evaluación adaptada:

  1. Definición del contenido y contexto educativo
    • Pregunta al docente el tema o contenido a evaluar.
    • Identifica el curso y la edad de los estudiantes.
  2. Identificación de necesidades y recursos disponibles
    • Consulta si hay necesidades específicas o diversidades funcionales en el grupo.
    • Recolecta información sobre los recursos disponibles para llevar a cabo la evaluación (tecnologías, espacios, materiales).
  3. Generación de opciones de evaluación adaptativa
    • La IA diseña diferentes formatos de evaluación que permiten a los estudiantes demostrar su conocimiento según sus preferencias:
      • Proyectos escritos para quienes prefieren expresarse con textos.
      • Presentaciones orales para quienes destacan en la comunicación verbal.
      • Diagramas visuales para quienes aprenden mejor de manera gráfica.
      • Cuestionarios interactivos para evaluar conocimientos de manera dinámica.
      • Creación de videos para quienes prefieren exponer sus ideas en formato audiovisual.
  4. Propuestas de evaluación flexible
    • La IA sugiere criterios claros de evaluación asegurando que todas las opciones sean equivalentes en dificultad.
    • Se incluyen estrategias de apoyo, como textos simplificados, herramientas tecnológicas de accesibilidad y ajustes en los tiempos de evaluación.
  5. Revisión y ajustes finales
    • La IA pregunta al docente si las evaluaciones generadas cumplen con las expectativas y permite hacer modificaciones antes de su aplicación.

Ejemplo de uso

Un docente de Historia en 4º de ESO desea evaluar la Revolución Francesa con un enfoque inclusivo. El EduPrompt genera diferentes opciones:

  • Opción 1: Ensayo sobre el impacto de la Revolución en la sociedad actual.
  • Opción 2: Presentación en grupo sobre los personajes clave del proceso.
  • Opción 3: Línea del tiempo ilustrada con eventos clave.
  • Opción 4: Vídeo explicativo con un resumen de los hechos.

Cada estudiante elige el formato que mejor se adapta a su estilo de aprendizaje sin perder el rigor académico.

Ventajas del uso de IA en evaluaciones adaptativas

  • Equidad: Todos los estudiantes tienen oportunidades equivalentes para demostrar sus conocimientos.
  • Inclusión: Se tienen en cuenta las diversas necesidades y estilos de aprendizaje.
  • Rapidez: El uso de IA permite generar evaluaciones flexibles en minutos.
  • Personalización: Se adapta a distintos niveles educativos y asignaturas.

Conclusión

Gracias a este EduPrompt, los docentes pueden diseñar evaluaciones adaptativas de manera sencilla y efectiva, asegurando que cada estudiante tenga la posibilidad de demostrar su aprendizaje de la mejor manera posible.

Si deseas probar esta herramienta, accede al EduPrompt de diseño de evaluaciones adaptativas en el siguiente enlace: EduPrompt Evaluaciones Adaptativas y descubre cómo la inteligencia artificial puede transformar la forma en que evaluamos en el aula.

Preguntas Frecuentes sobre Evaluaciones Adaptativas con IA y DUA

  • ¿Qué es el Diseño Universal para el Aprendizaje (DUA) y cómo se aplica a la evaluación?
    El Diseño Universal para el Aprendizaje (DUA) es un enfoque educativo que reconoce que los estudiantes aprenden de diferentes maneras y demuestran su conocimiento a través de diversos métodos. En la evaluación, el DUA propone crear pruebas que ofrezcan múltiples formas de representación (cómo se presenta la información), acción y expresión (cómo los estudiantes interactúan con el contenido y demuestran lo aprendido). Esto asegura una mayor equidad, permitiendo que cada estudiante tenga las mismas oportunidades para demostrar su aprendizaje según su estilo y necesidades.
  • ¿Qué es un EduPrompt y cómo facilita la creación de evaluaciones adaptativas?
    Un EduPrompt es una herramienta que actúa como un asistente pedagógico impulsado por inteligencia artificial. Facilita a los docentes el diseño de evaluaciones inclusivas y adaptadas a las necesidades específicas de sus estudiantes. El EduPrompt guía a los docentes mediante una serie de preguntas clave sobre el contenido, las necesidades del alumnado y los recursos disponibles, para generar diferentes formatos de evaluación que se adapten a las diversas formas de aprendizaje.
    ¿Cómo funciona el proceso del EduPrompt para crear evaluaciones adaptativas?
    El EduPrompt sigue un proceso estructurado que incluye varios pasos. Primero, define el contenido y el contexto educativo preguntando al docente sobre el tema a evaluar, el curso y la edad de los estudiantes. Luego, identifica las necesidades específicas y los recursos disponibles, preguntando sobre diversidades funcionales y los materiales o tecnologías con los que se cuenta. Después, genera diferentes opciones de evaluación adaptativa (como proyectos escritos, presentaciones orales, diagramas visuales, cuestionarios interactivos o videos) que los estudiantes pueden elegir. Finalmente, el EduPrompt sugiere criterios claros de evaluación y estrategias de apoyo y permite la revisión y ajustes finales por parte del docente.
  • ¿Qué tipos de opciones de evaluación adaptativa puede generar el EduPrompt?
    El EduPrompt puede generar una variedad de opciones de evaluación adaptativa, que incluyen, entre otras: proyectos escritos para estudiantes que prefieren expresarse por escrito, presentaciones orales para aquellos que se destacan en la comunicación verbal, diagramas visuales para los que aprenden mejor de manera gráfica, cuestionarios interactivos para una evaluación dinámica, y creación de videos para quienes prefieren el formato audiovisual. Cada opción busca permitir a los estudiantes demostrar su conocimiento de la manera que mejor se adapte a sus preferencias.
  • ¿Qué ventajas ofrece el uso de la inteligencia artificial en la creación de evaluaciones adaptativas?
    El uso de la IA en evaluaciones adaptativas ofrece varias ventajas. Promueve la equidad al proporcionar oportunidades equivalentes para que todos los estudiantes demuestren sus conocimientos. Fomenta la inclusión al tener en cuenta las diversas necesidades y estilos de aprendizaje. Permite generar evaluaciones flexibles rápidamente. Y facilita la personalización, adaptándose a distintos niveles educativos y asignaturas, asegurando que la evaluación sea lo más relevante y accesible posible para cada estudiante.
  • ¿Cómo asegura el EduPrompt la equivalencia en dificultad de las diferentes opciones de evaluación?
    El EduPrompt sugiere criterios de evaluación claros y precisos que aseguran que todas las opciones de evaluación sean equivalentes en dificultad. Además, se proporcionan estrategias de apoyo, como textos simplificados, herramientas tecnológicas de accesibilidad y ajustes en los tiempos de evaluación, para garantizar que todos los estudiantes tengan las mismas oportunidades de éxito, independientemente de la opción de evaluación que elijan.
  • ¿Cómo se ejemplifica el uso del EduPrompt en un caso práctico como la evaluación de la Revolución Francesa?
    En un caso práctico, como evaluar la Revolución Francesa en 4º de ESO, el EduPrompt generaría diferentes opciones como un ensayo sobre el impacto de la Revolución en la sociedad actual, una presentación en grupo sobre los personajes clave, una línea del tiempo ilustrada con eventos clave o un video explicativo. Los estudiantes pueden elegir la opción que mejor se adapte a su estilo de aprendizaje, manteniendo el rigor académico, mientras la herramienta les permite demostrar su comprensión de manera más personal y significativa.
  • ¿Qué se debe hacer después de que el EduPrompt genere las evaluaciones adaptativas?
    Después de que el EduPrompt genera las opciones de evaluación, el docente debe revisarlas para asegurarse de que cumplen con sus expectativas y que se ajustan al contexto de su clase. El EduPrompt permite hacer modificaciones antes de la aplicación, lo que garantiza que la evaluación sea lo más adecuada y efectiva posible para todos los estudiantes. Una vez revisadas y ajustadas, las evaluaciones están listas para ser implementadas en el aula.

Este artículo tiene NIVEL 5 en el Marco para la integración de la IA generativa.

Otros artículos publicados de la categoría EDUPROMPTS:

Cargando artículos…

Barra de accesibilidad de eXeLearning

eXeLearning es una herramienta destinada a la edición y generación de materiales didácticos. Permite incorporar diversos elementos como texto, imágenes, vídeos, sonidos, juegos, y una amplia gama de actividades interactivas, todo ello en formato de página web. Una vez finalizado, el contenido puede ser exportado y distribuido de múltiples maneras: se puede integrar en plataformas de aprendizaje como Moodle, mediante formatos web o SCORM; publicarse en un sitio web; almacenarse en un dispositivo USB para su transporte físico; o compartirse a través de correo electrónico o dispositivos móviles.

Aumentando la accesibilidad del material didáctico

Desde la versión 2.9 se ha incorporado una barra de accesibilidad que está basada en una barra anterior llamada BatexeGo, y que ha servido como base para integrarla dentro del programa.

Esta barra de accesibilidad ofrece una importante ayuda para las personas con discapacidad visual, ya que dispone de fuentes especialmente accesibles, por ejemplo, OpenDyslexic para personas con dislexia. También incluye la posibilidad de aumentar o disminuir su tamaño sin afectar al resto de la página, un lector en voz alta de texto y un traductor que, si bien no está activado por defecto, puede incorporarse muy fácilmente.

Añadir la barra de accesibilidad a nuestro proyecto

Desde el editor de eXe, con la opción Modo avanzado activado (en la parte superior derecha) debemos pulsar en la pestaña Propiedades > Exportar y allí encontraremos la opción para activarla.

Activación de la barra de accesibilidad desde la pestaña Exportar

Al guardar el proyecto aparecerá un botón en la parte inferior que da acceso a la barra:

Al pulsar sobre este botón obtendremos:

Un cuadro desplegable permite seleccionar entre las tipografías accesibles y especialmente indicadas para personas con problemas visuales:

  • OpenDyslexic
  • Atkinson Hyperlegible
  • Montserrat

Los botones A+ y A- sirven par aumentar y disminuir el tamaño de la tipografía.

El botón con un altavoz y documento lee en voz alta el texto seleccionado.

Traductor de texto

BatexeGo lleva integrado por defecto el traductor de Google, pero debido a la política de privacidad de eXeLearning aquí se ha decidido no incluirlo de forma predeterminada, aunque afortunadamente es muy sencillo añadirlo.

Para activar el traductor debemos seguir los siguientes pasos:

  1. Primero nos aseguraremos que está activada la opción: Modo avanzado, que está en la parte superior derecha del editor.
  2. Pulsar en la pestaña Propiedades (subpestaña Paquete).
  3. En la sección Opciones avanzadas > Personaliza la opción HEAD pegamos el código: <script>$exe.options.atools.translator=true</script>
  4. Guardamos el proyecto y nos aparecerá la barra completa:

Al pulsar el botón para traducir el texto, aparecerá la barra de Google completa en la parte superior:

o bien, un pequeño menú desplegable en la esquina superior derecha para seleccionar el idioma de la traducción:

Pulsando de nuevo el botón de traducción desaparecerá cualquiera de estas barras.

Traducir proyectos completos

Un aspecto muy interesante de la traducción es que puede traducirse un proyecto completo de eXeLearning en tiempo récord, simplemente eligiendo el idioma, abriendo el iDevice que deseamos traducir y, cuando veamos que se ha traducido, lo cerramos, de este modo queda traducido de forma permanente.

Simplemente abriendo y cerrando iDevices con la barra de Google activada, podremos traducir proyectos completos, aunque hay que tener en cuenta que los títulos de los iDevices y los nombres de las páginas (nodos) no se traducen, en estos dos casos deberemos hacerlo manualmente.

Probar la barra de accesibilidad

Puedes examinar esta página donde la verás abajo a la izquierda, cambia la fuente, tamaño, traduce y lee sin reparos.

Diagramas MERMAID en educación y su aplicación al DUA a través de ChatGPT

Índice

Creado con ChatGPT + Mermaid

Introducción

Mermaid es una herramienta visual que ayuda a estructurar y organizar información de manera que sea más fácil de entender y recordar, permite crear gráficos y diagramas de manera sencilla y rápida. Funciona con JavaScript y lo único que se necesita es escribir texto en un formato específico. Esta herramienta convierte ese texto en un diagrama visual que se puede modificar fácilmente. Es como dibujar un diagrama, pero en lugar de usar un lápiz, se usan palabras y frases. Por este motivo es ideal para ser usado junto con ChatGPT.

Mermaid se utiliza en programación para explicar los conceptos relacionados con el desarrollo de programas y dispone de varios tipos de gráficos adaptados a esta tarea. No obstante, la facilidad con la que se pueden generar los diagramas lo hace aplicable y recomendable en el mundo educativo, ya sea para explicar conceptos o crear organigramas de distinto tipo, como mapas conceptuales, mapas mentales o gráficos de flujo, entre otros.

Mapa conceptual de la introducción producido con mermaid por ChatGPT. Pulsar encima para ver el código mermaid.

Diagramas gráficos

De los diferentes tipos que hace Mermaid, nos centraremos en el diagrama de flujo (graph o flowchart en la terminología mermaid), ya que es el que tiene un uso más inmediato para el mundo educativo por su versatilidad y porque con él se puede representar una gran cantidad de diagramas como los mapas mentales o conceptuales, entre otros.

Diagramas con ChatGPT y DUA

La creación de mapas conceptuales se vuelve un asunto trivial si utilizamos ChatGPT para que los elabore de forma automática.

El diseño universal para el aprendizaje (DUA) nos enseña a crear múltiples representaciones para los materiales que elaboramos. Por ejemplo, hacer una actividad, pegarla en ChatGPT y conseguir una representación gráfica de las instrucciones nunca ha sido tan sencillo. Otro ejemplo podría ser como apoyo con textos explicativos que pueden tener dificultad para ciertas personas.

En cualquier caso, basta con que peguemos un texto y le pidamos que nos haga un diagrama de mermaid.

Le hemos pedido un diagrama del texto de esta sección Diagramas con ChatGPT y DUA) utilizando el siguiente prompt:

Crea un diagrama de mermaid con el siguiente texto. Encierra los textos entre comillas:

Diagramas con ChatGPT y DUA

La creación de mapas conceptuales se vuelve un asunto trivial si utilizamos ChatGPT para que los elabore de forma automática. 

El diseño universal para el aprendizaje (DUA) nos enseña a crear múltiples representaciones para los materiales que elaboramos. Hacer una actividad, por ejemplo, pegarla en ChatGPT y conseguir una representación gráfica de las instrucciones nunca ha sido tan sencillo.

Basta con que peguemos un texto y le pidamos que nos haga un diagrama de mermaid.

Hemos indicado que encierre los textos entre comillas porque si hay determinados tipos de caracteres, el gráfico puede dar un error.

El resultado ha sido:

Como vemos nos lo da en una caja de código, solo tenemos que pulsar el botón Copy code y pegarlo en la parte izquierda de la web: https://mermaid.live:

Pulsando sobre Actions podremos elegir lo que queremos hacer con el gráfico:

Por ejemplo, podemos elegir COPY IMAGE TO CLIPBOARD, para pegarla en algún sitio o las opciones de PNG (bajar archivo o abrirlo en una ventana nueva).

Si el gráfico de ChatGPT no es de nuestro agrado debemos decirle cómo lo queremos.

Si queremos guardar el gráfico podemos guardar el texto con el que se ha hecho (por ejemplo en un documento de texto). Pero es más interesante guardar únicamente el enlace que tiene el gráfico en mermaid.live, ya que este contiene todas las especificaciones del gráfico.

La suma ChatGPT + Mermaid es una combinación perfecta que viene en ayuda del DUA.

¿Para qué usamos los diagramas mermaid?

Los diagramas Mermaid son una herramienta útil en el ámbito educativo. Aquí se presentan algunos de sus usos principales:

  1. Ilustración de Conceptos: Permiten representar visualmente conceptos complejos, facilitando su comprensión.
  2. Representación de Procesos: Son útiles para mostrar secuencias de pasos o procesos como las instrucciones de los trabajos.
  3. Creación de Mapas Mentales: Ayudan al alumnado a organizar y conectar ideas o conceptos.
  4. Resolución de Problemas: Los diagramas de flujo pueden ser utilizados para enseñar cómo abordar y resolver problemas de manera sistemática.
  5. Representación gráfica del texto. Ya se comentó anteriormente su uso en el DUA, como apoyo visual al texto.

Modificar o crear gráficos

Si nos queremos animar a crear nuestros propios gráficos o editar los que hace ChatGPT debemos conocer los aspectos básicos de Mermaid.

Trabajaremos siempre en https://mermaid.live.

Un gráfico de este tipo consta básicamente de conceptos (nodos) que son los que están recuadrados y de relaciones entre los conceptos, que son las líneas que los unen. Las relaciones pueden tener texto o no.

Para unir dos conceptos se utiliza, la flecha: -->

 graph
 A --> B

Si no queremos flecha pondremos A --- B

graph 
    A ---B

Podemos escribir lo que queramos en cada concepto y para referirnos a ellos fácilmente, se identifican con letras o letras y números:

 graph
 A[Célula]
 B[Núcleo]
 A --> B

Podemos escribir tantos conceptos como queramos y después unir su identificador (letras en este caso) por las flechas:

 graph
 A[Célula]
 B[orgánulos]
 C[citoplasma]
 D[núcleo]
 A --> B
 A --> C 
 B --> D

Si queremos podemos añadir palabras enlace que son típicas de los mapas conceptuales:

 graph
 A[Célula]
 B[orgánulos]
 C[citoplasma]
 D[núcleo]
 A --contiene--> B
 A --> C 
 B --el más importante--> D

Tipos de conectores

También podemos usar líneas de puntos (-.->):

 graph 
 A[Célula]
 B[orgánulos]
 C[citoplasma]
 D[núcleo]
 A --contiene--> B
 A --> C 
 B --el más importante--> D
 C -.-> D

Si queremos flechas más gruesas pondremos: ==>. En este ejemplo hacemos más gruesa la conexión A ==> C

graph 
 A[Célula]
 B[orgánulos]
 C[citoplasma]
 D[núcleo]
 A --contiene--> B
 A ==> C 
 B --el más importante--> D
 C -.-> D

Orientación del gráfico

El gráfico por defecto se dibuja de arriba abajo (equivale a poner: graph TB), pero podemos cambiar el orden poniendo al lado de graph: BT (de abajo a arriba), LR (de izquierda a derecha) y RL (de derecha a izquierda).

Por ejemplo, para hacerlo de izquierda a derecha pondríamos:

 graph LR
 A[Célula]
 B[orgánulos]
 C[citoplasma]
 D[núcleo]
 A --contiene--> B
 A --> C 
 B --el más importante--> D
 C -.-> D

Formas de las cajas de los nodos

Hay más opciones, como crear subgráficos, cambiar el color de los conceptos, las líneas o la forma de la caja de los conceptos:

  • [...] rectángulos,
  • (...) esquinas redondeadas,
  • [(...)] óvalos,
  • ((...)) círculos,
  • (((...))) dobles círculos,
  • {...} rombos,
  • {{…}} hexágonos,
  • [/...\] trapecios,
  • [\.../] trapecios invertidos.
  • [\...\] paralelogramo,
  • [/.../] otro paralelogramo.

En este ejemplo se ven algunos de ellos:

 graph LR
 A((Célula))
 B([orgánulos])
 C[/citoplasma\]
 D{núcleo}
 A --contiene--> B
 A --> C 
 B --> D

Colores

Podemos modificar el color de fondo de un solo nodo, podemos añadir style A fill:pink. En este caso sería para modificar el nodo A y ponerle color rosa. También podemos poner el color en hexadecimal, por ejemplo: style A fill:#ffb7c6:

 graph LR
 A((Célula))
 style A fill:pink
 B([orgánulos])
 C[/citoplasma\]
 style C fill:lightgreen
 D{núcleo}
 A --contiene--> B
 A --> C 
 B --> D

Para cambiar el color del texto deberemos usar class. Además, esto nos permitirá cambiar el color de varios nodos simultáneos. Ver el siguiente ejemplo, donde mi_estilo es el identificador del estilo, fill es el fondo y color es el color del texto. Primero se define el estilo con classDef y después se aplica a uno o más nodos con class. En este ejemplo se define el fondo azul y texto blanco para B, C, y D.

 graph LR
 A((Célula))
 style A fill:pink
 B([orgánulos])
 C[/citoplasma\]
 style C fill:lightgreen
 D{núcleo}
 A --contiene--> B
 A --> C 
 B --> D

 classDef mi_estilo fill:blue, color:white;
 class B,C,D mi_estilo

Recomendamos consultar la documentación de mermaid

Formato de texto

Se puede utilizar la sintaxis HTML. Por ejemplo;

  • Negrita: <b>...</b>
  • Cursiva: <i>...</i>
  • Subíndice: <sub>...</sub>
  • Superíndice: <sup>...</sup>
  • Subrayado: <u>...</u>
  • Salto de línea: <br>

Ver el siguiente ejemplo:

graph 
    A["Texto en <b>negrita</b>"]
    B["Texto en <i>cursiva</i>"]
    C["Subíndice: O<sub>2</sub>"]
    D["Superíndice: x<sup>3</sup>"]
    E["Subrayado: <u>importante</u>"]
    F["Salto de <br> línea"]
    A--> B --> C --> D --> E --> F

Renderizado

Puede cambiarse el renderizado por defecto y para gráficos complejos quizás sea mejor la alternativa: elk.

Mapa conceptual sobre DUA, renderizado por defecto (pulsar sobre la imagen para ver el código fuente).

Para cambiar el renderizado añadir en la primera línea, antes de graph:

%%{init: {"flowchart": {"defaultRenderer": "elk"}} }%%

El mismo mapa conceptual anterior con el renderizado elk (pulsar sobre la imagen para ver el código fuente).

Lo aconsejado es probar con los dos tipos y quedarnos con el mejor.

Conclusiones

  1. Mermaid, combinado con ChatGPT, es una herramienta destacada para la educación. Permite la creación rápida y sencilla de diagramas y gráficos que pueden ayudar a alumnado a entender y recordar conceptos complejos.
  2. Los diagramas Mermaid son versátiles y pueden ser utilizados para ilustrar conceptos, representar procesos, crear mapas mentales y resolver problemas. Esto los hace especialmente útiles en el ámbito educativo.
  3. La capacidad de ChatGPT, junto con Mermaid, para convertir texto en diagramas visuales es particularmente útil en el contexto del Diseño Universal para el Aprendizaje (DUA), que aboga por la creación de múltiples representaciones de los materiales de aprendizaje.
  4. Finalmente, la combinación de Mermaid y ChatGPT puede ser una valiosa adición a las herramientas disponibles para los educadores y los estudiantes. Esta combinación puede ayudar a facilitar el aprendizaje y a hacer que los conceptos complejos sean más accesibles y comprensibles.

Referencias

Mermaid

Análisis de la Riqueza y Complejidad Léxica de los Recursos de Texto

Entropía, Redundancia y Densidad Léxica

La riqueza y complejidad léxica de un texto son medidas importantes que pueden ayudar a los profesionales de la educación a adaptar y personalizar contenidos según las necesidades de los estudiantes. En este artículo, discutiremos las fórmulas utilizadas en nuestra herramienta de análisis de textos para calcular la entropía, redundancia y densidad léxica, así como su interpretación.

En este artículo presentamos la justificación de la herramienta:

Análisis de la riqueza y complejidad léxica de los recursos de texto: Calculadora de Entropía, Redundancia y Densidad del Léxico

Entropía (H)

La entropía es un concepto de la teoría de la información, que fue introducido por Claude Shannon en su artículo de 1948, «Una teoría matemática de la comunicación«. La entropía de Shannon es una medida cuantitativa de la incertidumbre o aleatoriedad en un conjunto de datos. En términos simples, describe la cantidad de información promedio que se necesita para identificar un resultado en un conjunto de posibles resultados.

En el contexto de la teoría de la información, la entropía se utiliza ampliamente para analizar y evaluar sistemas de comunicación, compresión de datos y criptografía. La entropía de Shannon se basa en la probabilidad de los diferentes símbolos (por ejemplo, palabras) en un mensaje o conjunto de datos. Cuanto más impredecible es la aparición de un símbolo, mayor es la entropía.

La fórmula para calcular la entropía es:

\( H = -\sum P_i \log_2(P_i) \)

Donde \( P_i \) es la probabilidad de cada palabra en el texto. Para calcular \( P_i \), se divide la frecuencia de cada palabra por el número total de palabras en el texto. La unidad de la entropía es el bit.

La entropía, en este contexto, mide la incertidumbre en el uso de palabras, reflejando la complejidad y riqueza del lenguaje en un texto. Valores altos de entropía indican mayor diversidad léxica y menor previsibilidad en las palabras, lo que sugiere un contenido más complejo y rico. Valores bajos señalan un contenido más simple y limitado, con mayor repetición y menor variabilidad en el vocabulario.

Redundancia (R)

La redundancia es una medida de la repetitividad en un texto. Cuanto mayor sea la redundancia, más repetitivas y menos informativas serán las palabras. La fórmula para calcular la redundancia es:

\( R = H_{max} – H \)

La entropía máxima \(( H_{max} )\) se calcula utilizando la fórmula:

\( H_{max} = \log_2(N) \)

Donde N es el número de palabras únicas en el texto. La unidad de R es el bit.

Densidad Léxica (DL)

La densidad léxica es una medida de la diversidad de palabras en un texto y también recibe el nombre de TTR (Type Token Ratio). Se calcula dividiendo el número de palabras distintas por el número total de palabras en el texto:

\(DL = \frac{Número \ de \ palabras \ distintas}{Número \ total \ de \ palabras} \)

No tiene unidades, ya que se trata de una proporción.

Densidad Léxica Estandarizada (DLE)

El método utilizado para calcular la Densidad Léxica Estandarizada proviene de la rarefacción, que es un método estadístico que se origina en la biología, donde se utiliza para evaluar la diversidad de especies en un ecosistema. En el estudio de la biodiversidad, la rarefacción es un método que permite comparar la riqueza de especies entre diferentes hábitats o comunidades, normalizando el tamaño de las muestras. De esta manera, es posible comparar la diversidad de especies en diferentes entornos sin que los resultados se vean afectados por el tamaño de la muestra.

En el análisis del lenguaje, la Densidad Léxica Estandarizada es una medida que hemos utilizado para evaluar la riqueza y diversidad léxica en un texto. Al igual que en la biología, el objetivo es obtener una medida de la diversidad léxica que sea comparable entre diferentes textos, independientemente de la cantidad de palabras en cada uno de ellos. Hemos usado la DLE como un método alternativo para hallar la densidad léxica.

La densidad léxica estandarizada es una medida que tiene en cuenta el tamaño del texto y proporciona una estimación de la densidad (diversidad) de palabras en una muestra de tamaño fijo.

El método para hallar la densidad léxica estandarizada se lleva a cabo de la siguiente manera:

  1. Se realizan 1000 muestreos, cada uno con 100 palabras seleccionadas al azar. Cada uno de estos 1000 muestreos es independiente de los demás, lo que significa que algunas palabras podrían aparecer en diferentes muestreos. No obstante, dentro de cada muestra individual de 100 palabras, no hay repeticiones.
  2. Para calcular la Densidad Léxica Estandarizada, se divide el número de palabras diferentes (únicas) en cada muestra por el total de palabras en esa muestra, que en este caso es 100. Al hacer esto, se obtiene un porcentaje que representa la diversidad léxica en una muestra específica.
  3. Después de calcular la DLE para cada una de las 1000 muestras, se hace la media de todas las DLE individuales. Este promedio representa la densidad léxica general en el texto, considerando la variación entre las diferentes muestras. Esta medida proporciona una estimación más precisa de cuán variado y enriquecido es el lenguaje utilizado en el texto completo.

La fórmula utilizada para calcular la densidad léxica estandarizada es la siguiente:

\( DLE = \frac{\displaystyle\sum_{i=1}^{1000} \frac{\text{Palabras Distintas en Muestra}_{i}}{100}}{1000} \)

Donde: \(\text{Palabra Distinta de Muestra}_{i}\) es el número de palabras distintas en cada muestra que está formada por 100 palabras

Este proceso permite estandarizar la diversidad léxica entre textos de diferentes longitudes y proporciona una medida más robusta de la densidad.

Dado que se toman muestras de 100 palabras, cuando el texto introducido tiene 100 o menos palabras, la DLE coincide con la densidad léxica. No tiene unidades, ya que se trata de una proporción.

Interpretación de los resultados

Los rangos seleccionados en la tabla de interpretación de entropía, densidad léxica estandarizada y redundancia están basados en observaciones generales y patrones identificados en diferentes tipos de textos y niveles educativos. Estos rangos tienen como objetivo proporcionar un marco de referencia para la interpretación de los resultados obtenidos al analizar un texto.

Para la entropía y la densidad léxica estandarizada, los rangos se han establecido teniendo en cuenta la complejidad del contenido y el vocabulario utilizado en textos de nivel primaria, secundaria y bachillerato o superiores. Estos rangos pueden variar según el tema y el estilo de escritura de cada autor, pero proporcionan una referencia aproximada para evaluar la complejidad y diversidad del contenido en función del nivel educativo.

En cuanto a la redundancia, los rangos se han determinado para ayudar a identificar el grado en el cual un texto presenta información nueva o conocimientos adicionales. Un porcentaje más bajo de redundancia indica una mayor cantidad de información nueva, mientras que un porcentaje más alto sugiere una mayor repetición de conceptos y menor cantidad de información nueva.

Estos rangos no son absolutos y pueden variar según el tema y el estilo de escritura de cada persona, así como el tipo de texto (por ejemplo, literatura, ensayos científicos, textos divulgativos, etc.). Además, proporcionan una referencia aproximada para la interpretación de las métricas y no deben ser considerados como límites estrictos.

Interpretación de la entropía y la densidad léxica estandarizada según niveles educativos

Redundancia

Interpretación de las métricas

Ejemplos con diferentes fuentes

Fuentes consultadas

Herramienta para el Análisis de Legibilidad de Recursos de Texto: Aplicación en la Creación de Contenido Didáctico y su uso junto con ChatGPT

Introducción

La legibilidad de un texto es un factor crucial en el ámbito de la educación y la creación de contenidos, dado que tiene un impacto directo en la comprensión y el aprendizaje de los lectores. La Calculadora de Legibilidad es una herramienta que permite evaluar la facilidad de lectura en diferentes idiomas, como el castellano, catalán, gallego e inglés. Este artículo aborda sus fundamentos, el funcionamiento, cómo utilizarla, cómo interpretar los resultados obtenidos, así como su uso junto con la inteligencia artificial ChatGPT. Además, se destaca la importancia del Diseño Universal para el Aprendizaje (DUA), que busca proporcionar a todos los alumnos, incluidos aquellos con discapacidades, un acceso equitativo a la información y a oportunidades de aprendizaje. La legibilidad y el DUA van de la mano, ya que ambos buscan mejorar la comprensión y el éxito educativo de los lectores con diferentes habilidades y necesidades.

Funcionamiento del Análisis de Legibilidad para Recursos de Texto

La herramienta se basa en índices de legibilidad, los cuales ofrecen un valor numérico que indica qué tan fácil es entender un texto. Estos índices no miden el significado de las palabras o ideas, sino que se basan en la longitud de las palabras y la cantidad de palabras en cada frase. A pesar de algunas limitaciones en la precisión de los índices debido a las diferencias lingüísticas, la Calculadora de Legibilidad resulta útil para obtener una evaluación rápida y aproximada de la legibilidad según el idioma seleccionado.

Pasos para utilizar el análisis

  1. Seleccionar el idioma del texto.
  2. Seleccionar el nivel de los destinatarios del texto.
  3. Cargar un archivo de texto o introducir el texto manualmente.
  4. Calcular legibilidad: La herramienta analizará el texto y mostrará el índice de legibilidad, una interpretación del nivel de dificultad y un semáforo que indica la accesibilidad del texto para el nivel seleccionado.

Exportar un proyecto en formato de texto en eXeLearning

Para aquellos usuarios de eXeLearning, es posible exportar un proyecto en formato de texto y analizarlo con la Calculadora de Legibilidad siguiendo estos pasos:

  1. Abrir el proyecto que se desea analizar.
  2. Activar el Modo avanzado en la parte superior derecha de eXeLearning.
  3. En el menú, seleccionar Archivo > Exportar > Fichero de texto plano.
  4. Guardar el archivo y analizarlo con la Calculadora de Legibilidad.

Índices de legibilidad empleados

La Calculadora de Legibilidad utiliza el Flesch Reading Ease Score para el inglés, el índice de Fernández Huerta para castellano y adaptaciones de este último para los demás idiomas. Las fórmulas empleadas son las siguientes:

  1. Castellano: ILFH = 206.84 – (1.02 * palabras por oración) – (60 * sílabas por palabra)
  2. Catalán: ILFC = 206.84 – (1.02 * palabras por oración) – (62 * sílabas por palabra)
  3. Gallego: ILFG = 206.84 – (1.02 * palabras por oración) – (61 * sílabas por palabra)
  4. Inglés: FRES = 206.835 – (1.015 * palabras por oración) – (84.6 * sílabas por palabra)

Las fórmulas de Flesch y de Fernández Huerta están plenamente respaldadas por la bibliografía. Sin embargo, las adaptaciones al catalán y al gallego, no. Estas dos fórmulas han sido propuestas por ChatGPT-4 como una modificación de la de Fernández Huerta. Hemos probado con diferentes textos y los resultados son más que aceptables. Así que para los propósitos de saber si un texto es legible o no, las hemos considerado adecuadas.

Interpretación de los resultados

Se basa en el índice de legibilidad obtenido, que ofrece una medida de la dificultad del texto. Los niveles de legibilidad para adultos, primaria y secundaria se dividen en cinco categorías: muy fácil, fácil, normal, difícil y muy difícil. Además, se proporciona información sobre el tiempo de lectura estimado en función del nivel de legibilidad y el grupo de edad del lector. La siguiente tabla muestra cómo interpretar los resultados:

Uso del Análisis de Legibilidad para Recursos de Texto con ChatGPT

ChatGPT es una herramienta de procesamiento del lenguaje natural que se puede utilizar para mejorar la legibilidad de los recursos escritos. Con su ayuda, los educadores y creadores de contenido pueden mejorar la legibilidad de los textos y adaptarlos a las necesidades de los destinatarios.

ChatGPT funciona mediante la generación de texto a partir de un prompt o instrucción dada por el usuario. En este caso, para disminuir el índice de legibilidad y hacer que el texto sea apto para un niño de 7 años, se puede utilizar el siguiente prompt: «Haz este texto más legible, apto para un niño de 7 años, haciendo aumentar el índice de legibilidad de Fernández Huerta».

La respuesta generada por ChatGPT dependerá del texto original y del nivel de legibilidad que se desee alcanzar. Por ejemplo:

Los hipopótamos, mamíferos semiacuáticos paquidérmicos herbívoros, exhiben características anatómicas y fisiológicas notoriamente peculiares. Inmersos en hábitats fluviales y lacustres, su gravitación terrestre es limitada, requiriendo sumersión prolongada para regular termohomeostáticamente su temperatura corporal. Ponderosamente robustos, sus muelas bunodontas propician eficientes procesos masticatorios, triturando vegetación fibrosa. Sus mandíbulas, impelidas por músculos potentes, confieren letalidad defensiva. Histológicamente, su epidermis pigmentada, secretora de hiposudorina sanguinolenta, brinda protección solar y antimicrobiana. Notablemente gregarios, exhiben marcadas conductas territoriales y comunicativas en sus agrupaciones sociales.

Tiene un índice de -7.1, por lo tanto, su legibilidad es Muy Difícil para un adulto. Después de utilizar el prompt anterior, obtenemos:

Los hipopótamos son animales grandes que viven en el agua y en la tierra. Les gusta estar en ríos y lagos. Aunque son muy grandes, pueden moverse fácilmente en el agua. Los hipopótamos comen plantas y tienen dientes especiales para masticarlas bien. Sus bocas son muy fuertes y pueden abrirse muy anchas para protegerse si están en peligro. Su piel es especial porque produce un líquido rojizo que los protege del sol y de los gérmenes. Los hipopótamos son animales muy sociales, les gusta estar juntos y hablan entre ellos para comunicarse.

Ahora el índice ha aumentado hasta 92 y está en la categoría: Muy Fácil de leer. ChatGPT no solo modifica la estructura del texto (frases y palabras más cortas) sino que también modifica los términos utilizados y los cambia por otros más sencillos.

Es posible que en determinados casos no nos interese simplificar demasiado el vocabulario. En este caso podremos utilizar un prompt de este tipo: «Haz este texto más legible, apto para un adulto con discapacidad, haciendo aumentar el índice de legibilidad de Fernández Huerta. No utilices vocabulario infantil».

(Para aquellos interesados en el uso de ChatGPT y la inteligencia artificial en educación, existe un grupo de Telegram al cual se puede unir: ChatGPT – IA – edu)

Consideraciones adicionales

La Calculadora de Legibilidad es una herramienta de apoyo en la creación de contenidos y no debe ser el único criterio a considerar al evaluar un texto. La legibilidad es solo una parte del proceso de creación y adaptación de materiales didácticos y contenidos accesibles. Otros aspectos importantes incluyen la claridad del mensaje, la organización de las ideas y la presentación visual del texto.

Los índices de legibilidad no tienen en cuenta el significado de las palabras, por lo que un texto «muy fácil» puede ser totalmente ininteligible para un niño.

Además, la legibilidad no es un factor fijo y puede variar según la audiencia y el contexto. Por lo tanto, es esencial considerar el propósito del texto y las características de los destinatarios al evaluar la legibilidad de un documento. Es posible que un texto que sea apropiado para un grupo de lectores no sea adecuado para otro grupo con distintos niveles de habilidades de lectura o conocimientos previos.

Conclusión

La Calculadora de Legibilidad es una herramienta esencial para educadores y creadores de contenido, ya que permite evaluar la legibilidad de los textos y adaptarlos a las necesidades de los destinatarios. A pesar de algunas limitaciones, la herramienta ofrece una evaluación rápida y aproximada de la legibilidad, facilitando la creación de materiales didácticos y contenidos accesibles para todos los lectores. Además, es crucial considerar el contexto y la audiencia al evaluar la legibilidad, y complementar la herramienta con otras estrategias y enfoques para asegurar la calidad y accesibilidad del contenido creado.

Fuentes:

Caicedo, J. C. L., Manrique-Abril, F. G., Morales, A. M. S., Sánchez, C. V. B., & Herrera-Amaya, G. M. (2017). Legibilidad gramatical del instrumento ECEETIC© en Colombia. Revista Salud, Historia y Sanidad, 12(1), 149-158.

Muñoz, Alejandro (2018). Legible. https://legible.es

OpenAI. (2023). ChatGPT – 4 (versión 23 de marzo) [Modelo de lenguaje grande]

Prueba de legibilidad de Flesch-Kincaid. (2023, 7 de febrero). Wikipedia, La enciclopedia libre. Fecha de consulta: abril 22, 2023 desde https://es.wikipedia.org/w/index.php?title=Prueba_de_legibilidad_de_Flesch-Kincaid&oldid=149133240.

« Entradas anteriores

© 2025 Bilateria

Tema por Anders NorenArriba ↑