Científicos de Aalto University crean un modelo de IA de lectura para AR y personalización de textos

Investigadores de Aalto University (Finlandia), junto con socios internacionales, han creado el modelo computacional de lectura humana más preciso hasta la fecha. El nuevo sistema utiliza aprendizaje por refuerzo, un tipo de IA procedente de la robótica, para reproducir y explicar las decisiones que toma el lector mientras avanza por el texto.

¿Por qué es tan difícil modelar la lectura «a la manera humana»?

Los movimientos oculares durante la lectura figuran entre los procesos cognitivos más difíciles de modelar: en un solo segundo, una persona toma decenas de decisiones inconscientes. Los investigadores reprodujeron tres tipos clave de estos movimientos: sacadas (desplazamientos rápidos de la mirada entre palabras), fijaciones (pausas para procesar la información) y regresiones (retrocesos cuando el lector no entiende un fragmento).

Los modelos anteriores se basaban en estadísticas y en reglas fijas de la psicolingüística, y manejaban mal las diferencias individuales entre lectores. El agente de RL funciona de otro modo: aprende por ensayo y por la retroalimentación que recibe, y va formando poco a poco una estrategia adaptativa sensible al contexto: la longitud y la frecuencia de la palabra, la complejidad sintáctica y el objetivo del lector.

• Desarrollador: Aalto University (Finlandia) junto con socios internacionales
• Método: reinforcement learning (aprendizaje por refuerzo)
• Objeto: sacadas, fijaciones y regresiones oculares durante la lectura
• Resultado: el modelo computacional de lectura más preciso a agosto de 2026
• Aplicaciones: personalización de textos, realidad aumentada, accesibilidad y diagnóstico

«El nuevo modelo utiliza aprendizaje por refuerzo, un tipo de IA

procedente de la robótica, para explicar y reproducir las decisiones que toman los lectores mientras avanzan por el texto», señala la descripción de la investigación de Aalto University.

¿Para qué se usará el nuevo modelo?

Personalización del contenido: si el sistema sabe cómo percibe el texto un lector concreto, puede ajustar de forma dinámica la longitud de las frases, el formato y la colocación de los énfasis. En las plataformas educativas, esto influye en la asimilación del material; en los medios, en la profundidad de la lectura y en la retención del lector.

Realidad aumentada: las gafas y los cascos de AR deben saber hacia dónde mira el usuario en cada momento para superponer la información justo en el foco, sin retraso ni desplazamiento. Los eye trackers de hardware son precisos, pero caros y de alto consumo energético. Un modelo predictivo a nivel de software reduce la dependencia de hardware especializado.

Accesibilidad y diagnóstico: en las personas con dislexia o con déficit de atención, las estrategias de lectura difieren de forma sistemática de la norma. Un modelo preciso puede detectar esas diferencias y ayudar a diseñar interfaces de texto que resulten más fáciles de leer para estos usuarios.

Según la descripción de la investigación de Aalto University, la aplicación del RL ha permitido por primera vez reproducir el propio mecanismo de toma de decisiones durante la lectura, y no un patrón promedio de movimientos oculares extraído de un conjunto de datos.

Qué significa esto

Los modelos académicos de lectura existen desde los estudios psicolingüísticos clásicos de la década de 1980. El paso al enfoque de RL cambia su naturaleza: de descriptivos pasan a ser explicativos y, potencialmente, adaptables a cada individuo. Para los desarrolladores de interfaces de AR, las plataformas de EdTech y los editores, es una nueva herramienta de personalización sin sensores costosos. La cuestión abierta es hasta qué punto el modelo generaliza a distintos idiomas, sistemas de escritura y tipos de texto.

Preguntas frecuentes

¿Qué es el aprendizaje por refuerzo en el contexto de la lectura?

El aprendizaje por refuerzo (reinforcement learning) es un método de IA en el que un agente aprende por ensayo y error, recibiendo retroalimentación del entorno. La misma tecnología se emplea en robótica y en el entrenamiento de agentes de juegos; los investigadores de Aalto University la han aplicado a modelar cómo toma decisiones el lector al avanzar por el texto.

¿En qué se diferencia el nuevo modelo de los anteriores?

Los modelos anteriores ofrecían predicciones promedio basadas en estadísticas y en reglas fijas. El nuevo reproduce un mecanismo adaptativo de toma de decisiones, dependiente del contexto y más cercano al comportamiento de una persona concreta que al de un grupo promedio de sujetos.