Se documenta el desarrollo y validación de una herramienta de tamizaje basada en IA que analiza patrones de latencia en la lectura en voz alta. El software utiliza procesamiento de lenguaje natural (NLP) para detectar errores sutiles en la segmentación fonémica que a menudo pasan desapercibidos en evaluaciones estandarizadas. El estudio, realizado con una muestra de 2,000 niños en etapa preescolar, demuestra una precisión del 92% en la detección de riesgo de dislexia. El modelo destaca la importancia de las intervenciones tempranas personalizadas antes de que el estudiante comience la educación formal primaria.
Este estudio investiga la capacidad de las redes neuronales recurrentes (RNN), específicamente arquitecturas LSTM, para predecir estados de sobrecarga cognitiva en estudiantes de secundaria que utilizan interfaces de realidad extendida. Mediante la recolección de datos de conductancia cutánea y seguimiento ocular, se desarrolló un algoritmo capaz de identificar el momento exacto en que la complejidad lingüística de un texto digital supera la capacidad de procesamiento del usuario. Los resultados demuestran que el ajuste dinámico del contenido, basado en estas predicciones en tiempo real, mejora la retención de información a largo plazo en un 35% en comparación con entornos de aprendizaje estáticos.
