El niño lee en voz alta durante un minuto. La herramienta escucha y devuelve cuántas palabras leyó bien por minuto, con cada palabra marcada: la misma medida que hoy toma un evaluador con cronómetro y una hoja de papel. Corre en un teléfono, sin internet y sin costo.
Acá abajo se puede escuchar un ejemplo y ver qué entendió la máquina, o leer uno mismo y probarla con la propia voz. Y está el asistente para el evaluador, que es la versión pensada para usar en el aula: graba, marca, y la persona corrige lo que la máquina erró.
Hasta segundo grado el niño aprende a leer. Desde tercero lee para aprender, en todas las materias. Si a los ocho años todavía tiene que descifrar cada palabra, gasta toda su atención en eso y no le queda nada para entender lo que dice el texto. A partir de ahí la brecha se ensancha sola.
Y conviene mirarlo lo antes posible. No con el pasaje, sino con las otras tareas del mismo protocolo: reconocer sonidos de letras, sílabas y palabras inventadas. El propio manual de EGRA señala que el conocimiento de las letras es altamente predictivo del rendimiento lector posterior, y esas tareas se pueden tomar desde inicial, antes de que el niño lea una sola oración. En Antioquia se midió ya en primer grado, donde cinco de cada seis estudiantes quedaron por debajo del nivel esperado.
Son además las tareas más tediosas de tomar a mano, y donde los evaluadores humanos menos coinciden entre sí: en palabras inventadas, apenas el 73% de las veces. Por eso el asistente toma las cinco subtareas y no solo el pasaje: sonidos de letras, sílabas, palabras, palabras sin sentido y el pasaje, cada una con su grilla, su consigna y la regla de corte del protocolo.
Y una advertencia que la propia app repite antes de mostrar el borrador: el reconocedor libre transcribe palabras, no sonidos sueltos. En letras y sílabas el borrador viene mal casi siempre y el evaluador corrige casi todo. Están incluidas para medir cuánto falta, no para simular que ya funcionan. Es la brecha que cierra un modelo de fonemas, que es justamente el camino que tomó el consorcio de Tanzania y Sudáfrica.
Banco Mundial y UIS, Peru Learning Poverty Brief, datos a mayo de 2021, con la privación de aprendizaje estimada a partir de 6.º grado. Ese número se mide a los 10 años, cuando el problema ya ocurrió. La fluidez en segundo grado es la señal que lo anticipa, y es justamente la que hoy no se puede tomar seguido porque cuesta un evaluador entrenado sentado con cada niño.
Los umbrales de final de segundo grado en la región convergen entre 70 y 84 palabras por minuto. Perú es el único de la lista sin una norma oficial verificable.
| País o jurisdicción | Umbral de 2.º | De dónde sale |
|---|---|---|
| Antioquia, Colombia | 74 | Metaanálisis sobre lectura en español, calibrado con datos de siete entidades territoriales colombianas |
| México, SEP | 60 a 84 | Estándares Nacionales de Habilidad Lectora, 2010 |
| Chile, MINEDUC | 70 | Tabla de velocidad lectora |
| El Salvador | 65 | Importado de un estándar estadounidense |
| Perú | 60 ? | Circula en material docente. No se encontró norma oficial |
En Antioquia la Secretaría de Educación aplicó EGRA en 2024 con el Banco Mundial a 3.127 estudiantes de 50 municipios, a mano y uno por uno:
| Grado | Media | Esperado | Resultado |
|---|---|---|---|
| 1.º | 28,9 | 50 | 5 de cada 6 no alcanza |
| 2.º | 56,4 | 74 | 3 de cada 4 no alcanza |
Los estudiantes de zona rural y con sobreedad quedan sistemáticamente por debajo. Fuente: Banco Mundial, Antioquia: análisis de resultados de la evaluación EGRA 2024.
Y en Mendoza se hace un censo de fluidez dos veces al año: entre abril y agosto el nivel crítico de 3.º grado bajó de 30% a 16%. Medir seguido sirve, y hoy cuesta un operativo entero cada vez. Eso es exactamente lo que un sistema automático abarataría.
El texto de abajo tiene 90 palabras. La grabación es voz sintetizada leyéndolo, y le inyectamos diez errores en posiciones que elegimos nosotros: tres palabras omitidas, tres sustituidas y cuatro leídas a medias. Por eso sabemos la respuesta correcta antes de medir, que es lo único que permite decir si el programa acierta.
Apretá grabar y leé el texto de abajo. El modelo se descarga mientras leés, así que no hay que esperar: cuando terminás, puntúa. Todo corre dentro de tu navegador, la grabación no se sube a ningún servidor ni queda guardada.
El modelo que corre acá es más chico que el de escritorio, porque tiene que caber en una descarga razonable, y corre uno solo en vez de dos. Su puntaje no se compara con los del ejemplo: son modelos distintos sobre grabaciones distintas.
Lo de arriba es el banco de pruebas. Esto es lo que un evaluador usaría mañana, y no necesita que el modelo sea bueno: necesita que sea útil. La máquina entrega un borrador marcado y la persona corrige lo que está mal con un toque. El puntaje que vale es siempre el del humano.
Un código anónimo, sin nombres, y una de las cinco subtareas: sonidos de letras, sílabas, palabras, palabras sin sentido o el pasaje.
Aparece la consigna y la grilla del evaluador. La hoja del estudiante es aparte, como en el papel, y se muestra en pantalla o se imprime: completa, que es el instrumento, o de a uno, que se lee mejor en un teléfono pero ya no se compara con las normas.
El pasaje vuelve ya marcado. Cada toque cambia una palabra de bien a mal, y el puntaje se recalcula solo. Cada corrección queda guardada.
Así se ve el paso 3 en una subtarea de palabras. Lo rojo es lo que la máquina dio por mal leído; el recuadro oscuro es lo que el evaluador ya corrigió.
La línea marca el final de los diez primeros ítems. Si no hay ningún acierto ahí, el protocolo manda descontinuar la prueba, y eso sí es un cero: se escuchó al chico intentar. Es lo contrario de un audio que no se pudo evaluar.
Se instala como app desde el navegador, sin tienda de aplicaciones, y funciona sin señal después de la primera vez. Todo queda en el teléfono: se exporta a CSV cuando hace falta, y nada se sube a ningún servidor.
Y lo que hace que esto valga la pena aunque el modelo todavía no sirva: cada corrección del evaluador es una etiqueta de entrenamiento, con el audio al lado. La herramienta que recoge los datos es la misma que después reemplaza el conteo manual.
Estos son los mejores resultados publicados de un programa puntuando lectura en voz alta.
| Estudio | Qué midió | Resultado |
|---|---|---|
| Ghana inglés, aula real, modelo sin afinar |
Palabras por minuto automáticas contra las del evaluador experto. Diferencia media por alumno de 5 ppm y sesgo de 3 | r = 0,964 |
| SARA español, Rep. Dominicana |
Acierto por ítem, contra 86,11% de acuerdo entre dos humanos | 91,97% |
| Tanzania kiswahili infantil |
Error de transcripción. La ficha del modelo no reporta acuerdo con evaluadores humanos | WER 16,8% |
Un evaluador humano no es la verdad: es una medición con su propio error. Dos personas calificando al mismo niño no coinciden, y en palabras inventadas coinciden apenas el 73% de las veces. La verdad se estima haciendo que varios evaluadores califiquen la misma grabación: su promedio es la mejor estimación del puntaje real, y lo que se dispersan entre ellos dice cuánto se equivoca una persona típica.
Con eso, todo se reduce a un solo número, en la misma unidad que el puntaje:
Y el objetivo, dicho en esa unidad: que la máquina no se desvíe más que una persona. Si un evaluador se aparta en promedio 4 palabras por minuto de la verdad y la máquina se aparta 4, la máquina ya es tan buena como la persona. Si se aparta 15, todavía no sirve.
| Quién puntúa | Se desvía del puntaje verdadero |
|---|---|
| Un evaluador humano típico contra esto hay que compararse |
por medir se obtiene con el panel de evaluadores |
| Ghana, la mejor máquina publicada contra un evaluador experto, no contra un panel |
5,0 ppm |
| Este prototipo nunca se comparó con una persona |
no medido 4,5 ppm contra una verdad sintética, que no es lo mismo |
No. Es una prueba más fácil, no un mejor resultado. Los dos números miden lo mismo pero sobre cosas incomparables:
Los 5,0 de Ghana son el promedio sobre cientos de niños reales leyendo en un aula, con titubeos, ruido de fondo y acentos regionales. Es el mundo entero, con toda su dificultad.
Los 4,5 nuestros son una sola grabación de voz sintetizada, que articula perfecto y no titubea, y cuyos errores pusimos nosotros. Es el caso más fácil que se puede construir.
Es como decir que un auto anda bien porque dio una vuelta a un estacionamiento vacío, y compararlo con otro que hizo mil kilómetros de ruta. El número más chico no significa mejor: significa prueba más fácil.
Y falta el dato que le daría sentido a los dos: cuánto se desvía un humano. Si un evaluador típico se aparta 2 palabras por minuto de la verdad, entonces 5 es más del doble del error humano y ni Ghana iguala a una persona. Si se aparta 6, Ghana ya la igualó. Sin esa fila, ninguno de los dos números significa nada.
Ninguna de las dos se midió contra un panel de evaluadores, que es lo que estimaría la verdad. Llenar la primera fila y volver a medir las otras dos en esa escala es exactamente el paso que falta, y para darlo hacen falta grabaciones de niños peruanos con la hoja del evaluador al lado.
Alcanza con que tres o más evaluadores califiquen una submuestra de unos 50 niños. Con 150 niños en total el intervalo de confianza de la comparación es de aproximadamente 0,02, y para saber si el sistema penaliza a hablantes de quechua o aimara alcanzan unos 30 a 40 por grupo, siempre que la muestra se estratifique a propósito.
Los dos modelos son de pesos abiertos, con licencias MIT y Apache 2.0, y corren en la propia computadora o en un teléfono. No hay clave de servicio, no hay tarifa por estudiante, no hay proveedor al que pagarle, y el audio no sale del dispositivo. Del orden de 460 horas de procesador por cada 100.000 estudiantes, en una máquina común y sin placa de video.
Lo que sí sigue costando, dicho de frente: el tiempo de quien se sienta con el niño, que es el que ya se gasta hoy y que con esto se gasta menos, porque el evaluador deja de cronometrar y de contar. Una vez, unas horas de máquina para ajustar el modelo. Y alguien que lo mantenga, porque un modelo abierto no se mantiene solo.
| Un audio que no se pudo evaluar no es un cero |
Si sale mudo, con ruido o muy corto, responde «no evaluable» con el motivo. Si no, mediría la calidad del micrófono y la llamaría fluidez. |
| El riesgo más serio, sin verificar |
Si penaliza el intercambio de vocales e/i y o/u de hablantes de quechua y aimara, estaría midiendo lengua materna y llamándolo fluidez. Se verifica antes que nada. |
Por qué hace falta grabar niños y no alcanza con imaginar los errores: en la primera grabación humana apareció que la palabra «a» tras otra terminada en «a», como en «camina a la escuela», desaparece del audio porque las vocales se funden al hablar. El programa la daba por no leída. No es un error del lector, es español bien hablado, y nadie lo habría previsto.
Los datos de Mendoza provienen de prensa que cita a la Dirección General de Escuelas. No se encontró el informe técnico oficial, así que el detalle metodológico no está verificado.