EUVIMEDEUVIMED entdecken
Open Access · CC BY-NC 4.0

Algoritmos de aprendizaje automático (Machine Learning) para la detección temprana de riesgos de lectoescritura en Educación Básica Elemental: un modelo predictivo para el currículo ecuatoriano.

Mayra Rivera, Lina Valencia, Mireya Arias, Lidia Sánchez, David Espinosa, Ana Proaño

Revista Multidisciplinar de Estudios Generales · 19.05.2026 · 5 (2) · 1460-1476

DOI: 10.70577/reg.v5i2.620 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Revista Multidisciplinar de Estudios Generales, online erschienen am 19.05.2026. Verfasst von Mayra Rivera und 5 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-NC 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

La detección tardía de dificultades en la lectoescritura constituye la principal causa de rezago escolar y deserción en el sistema educativo ecuatoriano. Ante la limitación de las evaluaciones manuales, la Inteligencia Artificial surge como una herramienta disruptiva capaz de analizar patrones neurocognitivos con alta precisión. El objetivo de la presente revisión es, analizar y sintetizar la evidencia científica publicada entre 2021 y 2026 sobre el uso de algoritmos de IA para la detección temprana de riesgos de lectoescritura en el subnivel Elemental en Ecuador, identificando los modelos más eficaces y su alineación con los estándares pedagógicos nacionales. Se realizó una revisión bibliográfica de tipo sistemática bajo el enfoque PRISMA, seleccionando 5 artículos originales de bases indexadas: Scopus, IEEE, ScienceDirect, que cumplieran con un umbral de precisión superior al 85% y aplicación en el contexto nacional. Se empleó un paradigma pragmático para contrastar métricas de Machine Learning con la realidad del aula. Los hallazgos revelan que las Redes Neuronales Artificiales y las Máquinas de Vector de Soporte son las arquitecturas más robustas, alcanzando precisiones entre el 86.4% y el 94.7%. Se identificó a la conciencia fonológica y la denominación rápida automatizada (RAN) como los predictores claves con mayor peso estadístico. Además, el uso de herramientas como Dytective redujo los tiempos de cribado institucional en un 70%. Se concluye que la IA supervisada es una estrategia eficaz y viable para la realidad ecuatoriana, permitiendo una transición de modelos reactivos a proactivos. El estudio ratifica que estos algoritmos se alinean con los estándares del Ministerio de Educación, proporcionando diagnósticos precisos que facilitan la intervención oportuna y personalizada, garantizando así el derecho a una alfabetización de calidad en la etapa crítica del desarrollo infantil.

Zitieren

APA

Rivera, M., Valencia, L., Arias, M., Sánchez, L., Espinosa, D., & Proaño, A. (2026). Algoritmos de aprendizaje automático (Machine Learning) para la detección temprana de riesgos de lectoescritura en Educación Básica Elemental: un modelo predictivo para el currículo ecuatoriano. Revista Multidisciplinar de Estudios Generales, 5(2), 1460-1476. https://doi.org/10.70577/reg.v5i2.620

Vancouver

Rivera M, Valencia L, Arias M, Sánchez L, Espinosa D, Proaño A. Algoritmos de aprendizaje automático (Machine Learning) para la detección temprana de riesgos de lectoescritura en Educación Básica Elemental: un modelo predictivo para el currículo ecuatoriano. Revista Multidisciplinar de Estudios Generales. 2026;5(2):1460-1476. doi:10.70577/reg.v5i2.620

BibTeX
@article{Rivera2026,
  author = {Rivera, Mayra and Valencia, Lina and Arias, Mireya and Sánchez, Lidia and Espinosa, David and Proaño, Ana},
  title = {Algoritmos de aprendizaje automático (Machine Learning) para la detección temprana de riesgos de lectoescritura en Educación Básica Elemental: un modelo predictivo para el currículo ecuatoriano},
  journal = {Revista Multidisciplinar de Estudios Generales},
  year = {2026},
  volume = {5},
  number = {2},
  pages = {1460--1476},
  doi = {10.70577/reg.v5i2.620}
}
Kostenlos starten →