INVESTIGACIONES SOBRE LECTURA 2024 (VOLUMEN II)

INVESTIGACIONES SOBRE LECTURA

II 2024 INVESTIGACIONES SOBRE LECTURA ISL ISSN 2340-8685

Leer y escribir en una sociedad

multimodal/Leer y escribir en una

sociedad multimodal/ Reading and

Writing in a Multimodal Society, Saiz

Pantoja et al………………………1

Leer desde la biblioteca escolar /

Reading from the school library,

Engracia María Rubio Perea………7

Lectura inferencial mediante IA/ Using

AI tools to generate inferential reading,

de M. Teresa Mateo-Girona y Teresa

Gómez Sáenz de Miera…………..38

El libro ilustrado de no ﬁcción /

Nonﬁction picturebook, de Eva

Sánchez Arjona y Roberto Saiz Pantoja

…………………………………..62

Cuentos populares en segundas

lenguas /Reading folktales in second

language de Josep Ballester Roca y

Jerónimo Méndez

Cabrera…………………………88

Las prácticas de lectoescritura de

Raimunda Marques / Raimunda

Marques reading and writing de Arliene

Stephanie Menezes Pereira Pinto y Lia

Machado Fiuza Fialho………….112

¿Conocen los estudiantes el

vocabulario legal básico? /Do students

know basic legal vocabulary? Durga

Ramírez Miranda et al…………132

CONSEJO DE EDITORES/ EDITORIAL BOARD

Director/ Chief

 Pedro García Guirao, UMA, España

Editor jefe/ Editor in Chief

 Roberto Cuadros Muñoz, US, España

Editoras/ Editor

 Ester Trigo Ibáñez, UCA, España

 María Isabel de Vicente-Yagüe Jara, UM, España

Editores técnicos/ Technical editor

 Raúl Gutiérrez Fresneda, UA, España

Editora base/ Base editor

 Macarena Becerro Quero, UMA, España

Equipo editorial invitado/ Guest editorial team

 Antonio León Martín Ezpeleta, UV, España

 María Aurora García Ruiz, UMA, España

Editores versión en inglés/ Editor English version

 Pedro García Guirao, UMA, España

Secretaria/Secretary

 Inmaculada Santos Díaz, UMA, España

Comité Editorial/ Editorial committee

 Keishi Yasuda, U. Ryukoku, Japón

 Ruth Fine, The Hebrew University of Jerusalem, Israel

 Elizabeth Marcela Pettinaroli, Rhodes College, Estados

Unidos

 Abdellatif Limami, U. de Rabat, Marruecos

 Salvador Almadana López del Moral, Instituto Cervantes,

Praga, Chequia

 Yrene Natividad Calero Leo, Asociación Internacional de

Promotores de Lectura, Perú

 Mercedes Garcés Pérez, U. Marta Abreu, Las Villas,

Cuba

 Rubén Cristóbal Hornillos, Liceo XXII José Martí de

Varsovia, Polonia

 Victoria Rodrigo Marhuenda, Georgia State University,

Estados Unidos

 Antonio Gómez Yebra, UMA, España

 Pedro García, Guirao, UMA, España

 David Caldevilla Domínguez, U. Complutense de Madrid,

España

Comité Científico (Miembros)/ Scientific Committee

(Committee)

 Rocío Marivel Díaz Zavala, U. Nacional San Agustín de

Arequipa, Perú.

 Osbaldo Turpo Gebera, U. Nacional San Agustín de

Arequipa, Perú

 Almudena Barrientos Báez, U. Complutense de Madrid,

España

 Efrén Viramontes, E. N. Ricardo Flores Magón, México

 Marek Baran, U. de Lodz, Polonia

 Cacylia Tatoj, U. de Silesia, Polonia

 Leyre Alejaldre Biel, U. de Columbia, Estados Unidos

 Eva Álvarez Ramos, UV, España

 Hugo Heredia Ponce, UCA, España

 Fernando Azevedo, U. do Mihno, Portugal

 María Victoria Mateo García, UAL, España

 Marta Sanjuán Álvarez, U. de Zaragoza, España

 Xaquín Núñez Sabarís, U. do Minho, Portugal

 Sergio Arlandis López, UV, España.

 Emilia Smolak Lozano, UMA, España.

 Eugenio Maqueda Cuenca, UMA, España

 Ana Cea Álvarez, U. do Minho, Portugal

 Inmaculada Guisado Sánchez, UNEX, España

 María Auxiliadora Robles Bello, UJAEN, España

 Francisco Manuel Romero Oliva, UCA, España

 Magdalena López Pérez, UNEX, España

 Milagrosa Parrado Collantes, UCA, España

 Paula Rivera Jurado, UCA, España

 Begoña Gómez Devís, UV, España

 Carme Rodríguez, U. de Liverpool, Reino Unido

 Cristina Castillo Rodríguez, UMA, España

 Alba Ambrós Pallarés, UB, España

 Francisco García Marcos, UAL, España

 Pablo Moreno Verdulla, UCA, España

 Àngels Llanes Baró, U. Lérida, España

 Isabel García Parejo, UCLM, España

 Soraya Caballero Ramírez, ULPGC, España

 Carlos Acevedo, Fundación Apalabrar, Chile

 Paula Andrea Agudelo Palacio, I.E. Caracas de Medellín,

Colombia

 Graciela Baca Zapata, UAM, México

 Edgar Enrique Balanta Castilla, U. de Cartagena,

Colombia

 Raquel Benítez Burraco, US, España

 Hernán Bermúdez Ruiz, U. Nacional de Bogotá,

Colombia

 Alejandro Bolaños García-Escribano, U.C. L., R.U.

 Pablo Francisco Mora Venegas, U. del Atlántico,

Colombia

 Miryam Narváek Rivero, U. Peruana de Ciencias, Perú

 Erika Jossy Choke Vilca, U. Nacional de San Agustín de

Arequipa, Perú

 Carlos Brañez Mendoza, E. P. Don Bosco, Bolivia

 Manuel Cabello Pino, UHU, España

 Daniel Cardoso Jiménez, UAEM, México

 Williams Danilo Clemente Huanquis, IEP Claretiano,

Perú

 Rubén Cristóbal Hornillos, Liceo José Martí de Varsovia,

Polonia

 Julieta Fumagalli, U. de Buenos Aires, Argentina

 Enrique Gutiérrez Rubio, U. Palacký Olomouc, Chequia

 Brizeida Hernández Sánchez, U. de Salamanca, España

 Daniela Liberman, U. de Palermo, Italia

 Juan Cruz Ripoll Salceda, U. de Navarra, España

 Victoria Rodrigo Marhuenda, Georgia State University,

Estados Unidos

 Yudith Rovira Álvarez, U. de Pinar del Río, Cuba

 Carmen Toscano Fuentes, U. de Huelva, España

 Pedro Dono López, U. do Minho, Portugal

 Sebastián Molina Puche, UMU, España

 Virginia Calvo, U. de Zaragoza, España

 Marjana Sifrar Kalan, U. de Liubliana, Eslovenia

 Zósimo López Pena, USC, España

 María Teresa Santamaría Fernández, U. Internacional de

La Rioja, España

 Cristina Milagrosa Castillo Rodríguez, UMA, España

 Jorge Verdugo, U. de Nariño, Colombia

 Sergio Vera Valencia, U. Castilla La Mancha, España

 Antonio José de Vicente-Yagüe Jara, UMU, España

 María Remedios Fernández Ruiz, UMA, España

 Almudena Cantero Sandoval, UNIR, España

 Olivia López Martínez, UMU, España

Comité ético/ Ethics Committee

 Antonio Díez Mediavilla, U. de Alicante, España

 Natalia Martínez León, U. de Granada, España

 Juan de Dios Villanueva Roa, U. de Granada, España

 Antonia Bernabé Durán, Asociación Española de

Comprensión Lectora, España

 María Auxiliadora Robles Bello, UJAEN, España

 Juana María Morcillo Martínez, UJAEN, España

 Francisco Palacios Chávez, AECL, España

INDEXACIÓN/ INDEXING

EDITAN/ Published by

Asociación Española de Comprensión Lectora y

Universidad de Málaga

Investigaciones Sobre Lectura (ISL) es una revista

científica que se edita semestralmente

CONTACTO/ Contact

Apdo. 5050, 29003, Málaga

Edición: isl@comprensionlectora.es

Dirección: isl@uma.es

ISSN: 2340-8685

ESCI Clarivate

Scopus Elsevier

Latindex

Google Scholar

Dialnet

MIAR, DOAJ, Sherpa, CIRC,

Dulcinea, ERIH…

FECYT

INVESTIGACIONES SOBRE LECTURA, 19 (2º semestre) 2024 (2) Diciembre

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Generación de estrategias de lectura inferencial de textos

académicos mediante herramientas de IA. Investigaciones Sobre Lectura, 19(2), 38-61.

INVESTIGACIONES SOBRE LECTURA

ENG/ESP

ISSN: 2340-8665

Using AI tools to generate inferential reading

strategies for academic texts

M. Teresa Mateo-Girona

https://orcid.org/0000-0003-4149-1275

Universidad Complutense de Madrid, Spain

Teresa Gómez Sáenz de Miera

https://orcid.org/0000-0002-2133-0258

Colegio Palacio de Granada, Spain

https://doi.org/10.24310/isl.19.2.2024.19185

Reception: 01/03/2024

Acceptation: 08/10/2024

Contact: mtmateo@ucm.es

Abstract:

The present study focuses on providing inferential reading strategies for teachers to implement in the classroom to

improve students’ reading skills. For this purpose, different techniques of prompt engineering based on the use of the

NLP model are used. The purpose of this work is to extend the discourse on reading inferential strategies using three

Artificial Intelligence tools, with the aim of promoting the explicit teaching of inferential reading strategies to improve

comprehension of different types of texts, especially to promote the development of critical thinking and creativity of

students, through the interconnection of texts. To carry out this study, a representative set of texts on didactics is selected

and the inferential reading strategies used by chatbots to summarize these texts are identified. Subsequently, an analysis

of the inferences present in the identified intertexts is carried out. Finally, the results are interpreted in the context of

inferential comprehension strategies, and it is shown that chatbots can contribute to the development of inferential reading

which highlights the relevance of teaching and practicing reading strategies for any type of text in the classroom in order

to improve reading competence.

Keywords: Strategies, inferential reading, academic texts, IA, reading competence.

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Generación de estrategias de lectura inferencial de textos

académicos mediante herramientas de IA. Investigaciones Sobre Lectura, 19(2), 38-61.

Using AI tools to generate inferential

reading strategies for academic texts

INTRODUCTION

n an increasingly interconnected world, the ability to

interpret and relate multiple texts has become a

fundamental skill for academic and personal success.

However, recent reports from the Programme for

International Student Assessment (PISA) have shown a

significant decline in students’ reading comprehension

(Organisation for Economic Co-operation and

Development [OECD], 20-23). Specifically, the average

score of Spanish students (477) is lower than the OECD

average (487) and the European Union as a whole (489).

This decline raises the need to promote research on reading

comprehension in order to generate good educational

policies that promote literacy, especially reading skills.

To this end, the present research analyses the following

questions: (1) how can a Natural Language Processing

(NLP) system help to detect inferential reading strategies

in academic texts, and (2) how is it able to favour the use

of inference based on the analysis of the patterns of each

type of text?

Unlike the first stage of the reading comprehension process

(literal comprehension), inferential comprehension

involves the use of strategies such as formulating

questions, establishing relationships, or generating

hypotheses to understand the implicit meanings in texts.

These strategies have been studied extensively in the

reading comprehension literature with the goal of

providing tools for the reader. Previous research has

attempted to establish categorizations of the concept of

inference from different perspectives (Kintsch, 1998;

O'Brien et al., 2015; Hall, 2016; Ahmed et al., 2016;

Bogaerds-Hazenberg et al., 2020). Building on this

foundation, the present article extends the approach by

examining inferential reading strategies specifically in the

context of academic texts.

PISA reading literacy assessment framework

The Programme for International Student Assessment

(PISA), an initiative of the Organisation for Economic Co-

operation and Development (OECD), aims to assess the

ability of fifteen-year-old students to apply their

knowledge and skills in real-world contexts (OECD, 2002).

Its conceptual framework has been developed and modified

over nearly twenty years to adapt to socioeconomic,

cultural, and technological changes in order to assess

learners’ reading processes.

Today, reading is no longer seen as a skill acquired in the

early years of schooling, but as a set of strategies, skills,

and knowledge that are learned and constructed throughout

life in different contexts. Thus, from a cognitivist

perspective (Binkley et al., 1997; Kintsch, 1998;

McNamara and Magliano, 2009; Oakhill et al., 2003;

Zwaan and Singer, 2003), the reader –in order to construct

textual meaning- activates prior knowledge to locate

information, comprehend the text (van den Broek et al.,

2002), and evaluate the reliability of the information

(Richter and Rapp, 2014). Consequently, reading literacy,

which includes linguistic-cognitive and metacognitive

competencies (OECD, 2018), develops as readers interact

with different texts (continuous or discontinuous) in

different media (physical or digital) (Britt & Rouet, 2012).

According to the PISA theoretical framework, reading

literacy is defined as “understanding, using, evaluating,

reflecting on, and engaging with texts to achieve one's

goals, develop knowledge and personal potential, and

participate in society” (OECD, 2018, p. 10). As such, these

tests measure students’ reading processes (cognitive

processes) in relation to a text, “varying text dimensions

(the range of material read) and settings (the range of broad

contexts or purposes for which reading takes place) with

one or more thematically related texts” (OECD, 2018, p.

14).

Jiménez-Pérez (2015) argues that PISA tests are based on

psychoeducational premises, unlike other standardized

assessments that lack this foundation, such as the PROLEC

test (Cuetos et al., 2014). The latter presents a cognitive

model that focuses on the global comprehension of

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Generación de estrategias de lectura inferencial de textos

académicos mediante herramientas de IA. Investigaciones Sobre Lectura, 19(2), 38-61.

narrative and expository texts, to the exclusion of other

types of texts. Núñez Delgado (2015), for his part, takes the

indicators of the PISA tests as a tool for designing reading

comprehension activities, defending a formative

assessment integrated in the teaching processes.

Specifically, she uses the descriptors of the assessment

criteria as a basis for specifying the main elements that

make up reading comprehension. From these, she develops

six cores of comprehension indicators: literal, inferential,

evaluative, global, metacomprehension, and attitudes.

Jiménez-Pérez (2014, p. 71) reviews the concept of

“reading comprehension”, which refers to the individual’s

ability, as opposed to the concept that encompasses it,

“reading competence”, which refers to the broad

relationship of the individual who interprets in a specific

context of society. Thus, inference, as a contextualized

comprehension process, is included in the PISA tests with

questions on “elaborating an interpretation”, for which the

type of text, purpose and communicative situation must be

taken into account. The classification of descriptors for the

assessment of reading proficiency (Núñez Delgado, 2015,

pp. 121-125) can be treated as a set of strategies for

inferential reading, rather than just as a measure of reading

proficiency.

On the other hand, García García (1993) identifies five

types of cognitive strategies that are integrated in Kintsch

and Van Dijk’s (1978) processual model of reading

comprehension, together with their inferential model (Van

Dijk & Kintsch, 1983). The conceptualization of textual

information processing in interrelated stages, with their

respective reader, text, and context factors involved, allows

these strategies to be defined in an integral cognitive

model.

The reformulation and subclassification of these

descriptors into the five categories of strategies established

by García García (1993, p. 105) serves to order the

strategies that are the object of study of this research

integrated in the reading comprehension process. The five

types of strategies are:

1. Focusing Strategies: the reader focuses on the

information in the text that is most relevant to

them.

2. Organizing strategies: the reader can reorganize

the text to make it more meaningful and

understandable.

3. Problem-solving strategies: the reader uses

procedures to solve problems that arise during

reading.

4. Elaboration strategies: strategies that integrate

the information in the text with the reader's prior

knowledge in order to understand meaning more

deeply.

5. Verification strategies: these strategies aim to

verify the cohesion and coherence of the text, as

well as the consistency of the text with the reader's

prior knowledge.

This open classification allows us to obtain global

categories for the large number of inferential

comprehension strategies, which can be reformulated

based on the aforementioned classification of descriptors

(Núñez Delgado, 2015; Jiménez-Pérez, 2023). The

descriptors are formulated in the infinitive to obtain the

inferential comprehension (IC) strategies. Below, the

classification of inferential comprehension strategies by

Núñez Delgado (2015) is correlated with the macro

classification of cognitive strategies of reading

comprehension by García García (1993).

1. Focusing Strategies

2. Elaboration Strategies

 Integrate implicit information from the text.

 Infer non-explicit content through induction and

deduction processes (IC.1).

 Use text input to make hypotheses and predictions

while reading (IC.2).

 Identify implicit aspects of texts related to space

(places), time, and characters (relationships

between them) (IC.11).

 Identify the purposes or intentions implicit in

different parts of a text (IC.18).

 Determine the referents of anaphoric and

cataphoric elements (pronouns, synonyms,

adverbs, etc.) (IC.21).

 Integrate information from discontinuous text.

 Use discontinuous text that accompanies written

text to complete comprehension (IC.14).

 Identify the main elements of a discontinuous text

according to reading objectives (IC.15).

 Comprehend the information provided by

discontinuous texts in relation to the written text

they accompany (IC.16).

 Integrate information from outside the text.

 Use prior knowledge to make hypotheses and

predictions while reading (IC.3).

 Use intertextual knowledge to deepen text

comprehension (IC.13).

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Generación de estrategias de lectura inferencial de textos

académicos mediante herramientas de IA. Investigaciones Sobre Lectura, 19(2), 38-61.

 Deduce unknown meanings of words or phrases

from context or another prior knowledge (IC.17).

3. Organizing Strategies

 Distinguishing relevant aspects from secondary

aspects (plot, ideas, characters, etc.) (IC.4)

 Identify redundant information (paraphrasing,

repetition, etc.) (IC.5)

 Determine the hierarchy of the information read

(IC.6)

 Ordering temporal, numerical, etc. sequences

from inferences (IC.9)

 Sorting and ordering disordered information or

instructions logically (IC.10).

4. Problem Solving Strategies

 Contrast and relate what is expressed in the text to

other visions (IC.8).

 Identify information gaps, contradictions,

fallacies, etc. (IC.19).

 Find causes, motives, purposes, oppositions,

disjunctions, and other logical-semantic

relationships in the text (IC.12).

 Make logical inferences consistent with the

content and organization of the text (IC.22).

 Recognize and interpret metaphor, irony, and

ambiguity (IC.20).

5. Verification Strategies

 Anticipate possible outcomes consistent with the

text’s development (CI.7).

 Transfer content from context to other situations

to solve problems, generalize, or support

interpretation (IC.23).

This classification is used to discuss inferential reading

strategies according to the types of texts generated by AI

chatbots.

Using the prompt as a research tool in strategy

development

Prompt Engineering or Instruction Engineering is a

technique within the field of Artificial Intelligence related

to NLP and computational linguistics applications in

general. This technique focuses on the creation and

optimization of prompts or instructions given to an

artificial intelligence tool to induce towards research

results (Van Dis et al., 2023). Unlike a code or a language

generation algorithm, the prompt has the peculiarity of

being generated in an individualized way in order to take

full advantage of the capabilities of pre-trained models. In

this search for a careful formulation of the requests or

questions, a series of techniques can be applied that favour

the orientation of the answers. These are techniques for

generating reading strategies:

 Prompting of the pattern person: with the purpose

of making, it resort to its stored content related to

the field from which it is requested, it consists in

orienting the model towards a specific topic or

subject. The terms usually used are: “You are an

expert in (...)”.

 Emotional stimulation prompt: it aims at

manipulating the machine's feelings in order to

make it better elaborate the answer. The headings

are of the type: “This is a very important task for

me”.

 Explanation Prompt: once the answer has been

obtained, the aim is to look for additional

information to explain the answer obtained by the

chatbot itself. It is a way for it to explain its own

decision. The terms can be: “Evaluate your

previous answer”, “Explain what strategies you

used to give that answer”.

In the case of this research, the combination of the

described techniques was used to guide the model towards

a more accurate response, in line with the overall goal of

the article to formulate inferential comprehension

strategies for different types of texts.

METHODOLOGY

Corpus description and selection criteria

The design of the present research is framed within the

qualitative descriptive methodology (Creswell & Creswell,

2018; Dörnyei, 2007; Hernández-Sampieri et al., 2014;

Ivankova & Greer, 2018). The selected corpus consisted of

18 texts of academic use and reading-related content,

classified according to the conceptual framework of

reading in PISA (OECD, 2018). This defines four

dimensions of texts: “source (single or multiple);

organization and navigation (fixed, dynamic); format

(continuous, discontinuous, mixed); and type” (OECD,

2018, p. 20). However, the present study focuses on the last

dimension, which refers to the categorization of texts.

Although texts do not adhere to a static classification, the

different text typologies help to conduct a systematic

analysis of reading strategies. In the PISA 2018 model, the

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Generación de estrategias de lectura inferencial de textos

académicos mediante herramientas de IA. Investigaciones Sobre Lectura, 19(2), 38-61.

five text types are established according to Werlich’s

(1976) textual classification, and, in addition, a sixth type

is added, for which the term transactional is used to refer to

a text that aims to achieve a specific purpose (OECD,

2018):

 Description: this type of text provides information

about the characteristics of objects in space, from

a subjective (impressionistic descriptions) or

objective (technical descriptions) point of view.

For example, the description of the reading

process and its components, or the description of

a syntactic segment.

 Narration: This type of text narrates the

development of a series of events (real or

fictional) from an objective or subjective point of

view. An example would be the narration of a

news item in a newspaper about a tribute to a

famous editor of children’s stories, or the

announcement of the launch of a scientific journal

on didactics on the website of a university.

 Expository: This type of text presents information

in a clear, objective, and organized manner.

Expository texts take different forms, depending

on the audience (informative or specialized). They

include summaries of congresses or scientific

conferences, where objective information about

the presentations is given.

 Argumentative: In this type of text, arguments are

presented in order to convince or persuade an

audience of a certain position or idea.

Argumentative texts include essays, research

articles, reviews, and textual commentary,

especially in the academic field. An example

would be a popular article on reading

comprehension in an online newspaper.

 Instructional: This type of text tells you what to

do or how to do it. Examples include instructions

or manuals. For example, how to tell a story or

pragmatic rules for the processes of textualization

and revision of argumentative text comments.

 Transactional: This type of text focuses on

communication for a specific purpose (requesting,

organizing, or committing), usually of a personal

nature. These texts can be exchanged via email,

social networks or text messages. Another

example of this type of text would be an interview

with a person who specializes in literary

competence.

Research instruments and procedure

The selection of the corpus followed a carefully designed

procedure to ensure the validity and representativeness of

the sample. In the first phase, simple random sampling was

used to ensure a representative sample. Inclusion and

exclusion criteria were also established to refine the

selection. The inclusion criteria were the following:

relevance (the authors of the texts are researchers in the

field of language and linguistic didactics); quality (the

citation index of the texts is high) and diversity in textual

typology (according to the textual typology used in PISA).

The exclusion criteria were textual model (texts that did not

correspond prototypically to the characteristics of the

selected textual typology) and subject (content not related

to language and literature). These criteria minimize

possible biases in the results and guarantee a balanced

corpus. The bibliographical references of the texts used are

listed in the order shown in Table 1.

In order to verify the research questions, an initial text

production procedure was carried out with three chatbots:

OpenAI, Gemini and Bing. A brief description of the

artificial intelligence tools is given in Table 2 (Fernández-

Ferrer, 2023).

The total number of texts generated with NLP systems was

144: 126 of cognitive production and 18 of metacognitive

production (Table 3).

Table 4 details the three phases of the research procedure.

First, a representative set of academic texts is selected

according to criteria of relevance, quality and diversity of

textual typology. Second, Artificial Intelligence tools

(OpenAI, Gemini & Bing) are used to summarize the texts

and identify the inferential reading strategies employed

(Table 4). Finally, in the intertexts created by the AI tools

(Caro Valverde & de Amo Sánchez-Fortún, 2023), an

analysis of the inferences is performed using the prompts

generation explanation technique. Table 4 shows the

prompts used in the AI tools to obtain the texts generated

by NLP. Next, the results are shown in the context of

inferential comprehension strategies developed from

reading assessment models with cognitive and didactic

foundations.

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Generación de estrategias de lectura inferencial de textos

académicos mediante herramientas de IA. Investigaciones Sobre Lectura, 19(2), 38-61.

Tabla 2.

Breve descripción de los chatbots

Rasgos del

sistema PLN

Límite de la

entrada de la

información

(prompt)

Modelo GPT Plus de

pago alcanza 4096 tokens

de entrada (prompt) y no

tiene restricciones en la

salida (respuesta)

El límite de entrada es de 5000

caracteres (1000 palabras aprox.).

El límite de salida es de 20000

caracteres (4000 palabras aprox.)

El límite de caracteres de

entrada y salida es de 2000

caracteres

Versión

utilizada

De pago (modelo GPT-4)

Gratuita (con correo)

Gratuita (sin correo)

Característic

as destacadas

Mantiene la coherencia en

el contenido ofrecido

El contenido es pertinente

Respuestas concisas

Característic

as adicionales

Organiza la información

en párrafos y la presenta

con viñetas y negritas

Presenta la información

visualmente con viñetas y

negritas. Permite seleccionar una

respuesta entre tres opciones

Ofrece por defecto las

referencias empleadas con

enlaces directos a las

páginas web consultadas

Limitaciones

A veces, se inventa datos,

como es propio del PLN

A veces, repite respuestas y no las

modifica a pesar de los prompt

para que las cambie

No mantiene la

conversación si no se usa

durante un tiempo breve

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Generación de estrategias de lectura inferencial de textos

académicos mediante herramientas de IA. Investigaciones Sobre Lectura, 19(2), 38-61.

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Generación de estrategias de lectura inferencial de textos

académicos mediante herramientas de IA. Investigaciones Sobre Lectura, 19(2), 38-61.

Results

In Table 5, the strategies detected by the chatbots in their

metacognitive process are related to the descriptors of

inferential comprehension established by Núñez Delgado

(2015) for the assessment of reading competence. For the

macro level of classification, the reading comprehension

strategies of García García (1993) were considered.

CONCLUSIONS

irst of all, regarding the question of how an NLP

system can help to detect inferential reading

strategies in academic texts, a significant sample is

obtained to show that, among the strategies detected by the

AI tools, those of higher order stand out from those of

lower order. In terms of complex cognitive strategies, those

related to a critical approach are abundant, specifically the

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Generación de estrategias de lectura inferencial de textos

académicos mediante herramientas de IA. Investigaciones Sobre Lectura, 19(2), 38-61.

two strategies found related to “contrasting ideas to

highlight inconsistencies" and "questioning possible biases

or prejudices”, since they are not mentioned in the

reference classification (Núñez Delgado, 2015). Likewise,

it is striking that transfer strategies multiply with the use of

AI. Specifically, different strategies are obtained to

strengthen aspects of the tool's creativity, as can be seen in

the set of strategies that affect the generation of new ideas:

“contribute new ideas”, “seek new perspectives”, “analyse

information from different perspectives”, “generate

additional ideas”, and “propose alternative solutions”.

The recognition of these strategies by AI tools is a sign of

the high level of reasoning achieved by NLP systems. In

the educational domain, this can be a breakthrough for the

development of the same strategies, if the tools are used

pedagogically.

On the other hand, the omissions are equally striking. No

lower-order strategies were detected by the chatbots. There

were no strategies for focusing, organizing information, or

integrating implicit information from the text, such as

“using what is given in the text to make hypotheses and

predictions while reading (IC.2 )”, “to grasp implicit

aspects in texts related to space (places), time and

characters (relationship between them) (IC.11)”, “to grasp

the purposes or intentions implicit in the different parts of

the text (IC.18)”, or “to determine the referents of

anaphoric and cataphoric elements (pronouns, synonyms,

adverbs, etc.)? (IC.21)”. This may be due to the fact that

the lack of pragmatic information and context is one of the

shortcomings of languages generated by the NLP systems.

Finally, the absence of strategies for integrating

information from the discontinuous text can only be

explained by the fact that discontinuous texts were not used

in the generation of the chatbots’ texts.

In conclusion, the evaluation of the strategies generated by

the AI shows that they are of a higher order, in other words,

of greater complexity than the strategies that it did not

explicitly formulate, such as the identification of anaphoric

elements or the implicit meaning of difficult words. In this

sense, for the answer to the first research objective, it is

concluded that the use of the chatbot can help to detect

higher order inferential reading strategies in academic

texts.

Regarding the use of the chatbot by students, we have

identified two different profiles, based on the consideration

of the strategies that should be developed, taking into

account the following premises:

 Non-autonomous reader (with skills below the

level required by the activity): use the chatbot as

a support to use lower order strategies in a

repetitive way: focusing, elaboration and

organization strategies. In this way, by practicing

these strategies, they will be able to consolidate

them and reach the strategies of the level not

acquired.

 Autonomous reader (with skills corresponding to

the level required by the activity): expert use of

the chatbot, using higher order strategies: problem

solving and testing. In this way, they will be able

to progress and reach higher levels of inferential

comprehension.

With regard to the second research question, the analysis of

the strategies differentiated by text typology points to a

reading treatment capable of favouring the use of inference

based on the analysis of its patterns. As observed in the

analysis of the utterance of strategies by chatbots, these are

explained by the fact that they are strategies generated from

real texts. This represents an advance in the study of

reading strategies because they are contextualized.

In reviewing the literature on types of inference, it has often

been argued that the study of inferential reading should not

be based solely on cognitive approaches but should be

based on types of texts or with texts in their contexts. This

commitment to the study of inferential reading strategies

with different types of contextualized texts expands the

possibilities of progress in the generation of aids for the

development of the specific strategies detected.

Therefore, the chatbot has provided an extensive list of

strategies for the development of inferential reading in

academic texts based on their textual typology.

Specifically, it has shown strategies that favour the use of

inference with higher order levels of criticality and

creativity, also differentiated by text type. However,

because of the limited sample of texts, it cannot be

concluded that the strategies vary according to textual

typology, but these findings do point to the possibility that

each type of text has critical and creative reading strategies

related to its distinctive features. This will be an avenue for

further exploration using AI tools.

Reconocimiento-NoComercial-CompartirIgual 4.0

Internacional (CC BY-NC-SA 4.0)

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Generación de estrategias de lectura inferencial de textos

académicos mediante herramientas de IA. Investigaciones Sobre Lectura, 19(2), 38-61.

REFERENCES

Ahmed, Y., Francis, D. J., York, M., Fletcher, J. M., Barnes, M., & Kulesz, P. (2016). Validation of the direct and

inferential mediation (DIME) model of reading comprehension in grades 7 through 12. Contemporary Educational

Psychology, 44-45, 68-82. https://doi.org/10.1016/j.cedpsych.2016.02.002

Alonso-Cortés, M. D. (28 June 2023). ¿Por qué el alumnado español sigue sin progresar en comprensión lectora? The

conversation. https://theconversation.com/por-que-el-alumnado-espanol-sigue-sin-progresar-en-comprension-

lectora-206687

Bausela, E. (28 June 2023). Enseñar a leer y entender: estrategias para la comprensión lectora. The conversation.

https://theconversation.com/ensenar-a-leer-y-entender-estrategias-para-la-comprension-lectora-206803

Binkley, M., Rust, K., & Williams, T. (1997). Reading literacy in an international perspective. US Department of

Education.

Blecua, J. M. (2015). Lengua castellana y literatura. 1º ESO. SM

Bogaerds-Hazenberg, S., Evers-Vermeul, J., & Bergh, H. (2020). A Meta‐Analysis on the Effects of Text Structure

Instruction on Reading Comprehension in the Upper Elementary Grades. Reading Research Quarterly, 56(3), 435–

462. https://doi.org/10.1002/rrq.311

Britt, M. A., & Rouet, J. F. (2012). Learning with multiple documents: Component skills and their acquisition. In M. J.

Lawson & J. R. Kirby (Eds.), The quality of learning: Dispositions, instruction, and mental structures (pp. 276–

314). Cambridge University Press.

Caro Valverde, M. T. & de Amo Sánchez-Fortún, J. M. (2023). El comentario argumentativo de textos: multimodalidad

y transmodalización. Síntesis.

Caro, M. T. & González, M. (2018). Didáctica de la argumentación en el comentario de textos. Síntesis.

Investigaciones Sobre

Lectura (ISL) | 2024

Authors’ contribution

Conceptualization, MTMG;

methodology, TGSM; analysis statistic, MTMG;

research, TGSM; preparation of the original

manuscript, MTMG, TGSM; revision y edition,

MTMG, TGSM

Funding: Dk/Da

Note: Dk/Da

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Generación de estrategias de lectura inferencial de textos

académicos mediante herramientas de IA. Investigaciones Sobre Lectura, 19(2), 38-61.

Colomer, T. (2001). La lectura de ficción enseña a leer. El monitor de la educación. Revista del Ministerio de Educación

de la Nación 4, 12-17.

Creswell, J., & Creswell, J. D. (2018). Research Design: Qualitative, Quantitative and Mixed Methods Approaches (5.ª

ed.). Sage.

Cuetos, F., Rodríguez, B., Ruano, E. & Arribas, D. (2014). PROLEC-R. Batería de Evaluación de los Procesos Lectores,

Revisada (5.ª ed). TEA Ediciones.

Dörnyei, Z. (2007). Research Methods in Applied Linguistics. Oxford University Press.

El correo de Burgos. (10 September 2023). Saturnino Calleja: Instruir deleitando.

https://www.elcorreodeburgos.com/burgos/230910/187278/saturnino-calleja-instruir-deleitando.html

Fernández-Ferrer, M. (2023). Chatbots en educación. Tendencias actuales y desafíos futuros. LMI, Colección Transmedia

XXI.

Galbarini, P. & Alasio, M. S. (2022). Reflexión gramatical para mejorar la comprensión de textos [Resumen de

presentación de la conferencia]. VII Congreso Regional de Arte, Literatura y Sociedad-CORALISViedma. Río

Negro, Argentina.

García García, E. (1993). La comprensión de textos. Modelo de procesamiento y estrategias de mejora. Didáctica. lengua

y literatura, 5, 87-115.

Hall, C. (2016). Inference Instruction for Struggling Readers: a Synthesis of Intervention Research. Educational

Psychology Review, 28, 1-22. https://doi.org/10.1007/S10648-014-9295-X

Hernández-Sampieri, R., Fernández-Collado, C. & Baptista-Lucio, M. (2014). Metodología de la investigación (6ª ed.).

McGraw Hill Education.

Ivankova, N. & Greer, J. (2018). Mixed Methods Research and Analysis. En B. Paltridge & A. Phakiti (Eds.), Research

Methods in Applied Linguistics (pp. 60-74). Bloomsbury.

Jiménez-Pérez, E. (2023). Critical Thinking VS Critical Competence: Critical Reading. Investigaciones Sobre Lectura,

18(1), 1-26. https://doi.org/10.24310/isl.vi18.15839

Jiménez-Pérez, E. (2015). Evaluación de la competencia lectora: PISA, PIRLS y TECLE. In E. Jiménez-Pérez (Coord.),

La comprensión y la competencia lectoras (pp. 109-119). Editorial Síntesis.

Jiménez-Pérez, E. (2014). Comprensión lectora VS Competencia lectora: qué son y qué relación existe entre ellas.

Investigaciones Sobre lectura 1, 65-83. https://doi.org/10.24310/revistaisl.vi1.10943

Kintsch, W. (1998). Comprehension: A paradigm for cognition. Cambridge University Press.

Kintsch, W., & Van Dijk, T.A. (1978). Toward a model of text comprehension and production. Psychological Review,

85(5), 363-394. https://doi.org/10.1037/0033-295X.85.5.363.

López-Andrada, C. & Ocampo, A. (2018). Entrevista a Dra. Teresa Colomer sobre Fomento de la lectura y Educación

Lectora desde una perspectiva de educación inclusiva. Catalejos. Revista sobre lectura, formación de lectores y

literatura para niños 4(7), 127-138. https://fh.mdp.edu.ar/revistas/index.php/catalejos/article/view/3132/3051

McNamara, D. S., & Magliano, J. (2009). Toward a comprehensive model of comprehension. Psychology of Learning

and Motivation, 51, 297-384.

Núñez Delgado, P. (2015). La comprensión lectora: aspectos teóricos y didácticos. In J. Mata, P. Núñez Delgado y J.

Rienda Polo (Eds.), Didáctica de la lengua y la literatura (pp. 97-130). Pirámide.

Oakhill, J. V., Cain, K., & Bryant, P. E. (2003). The dissociation of word reading and text comprehension: Evidence from

component skills. Language and Cognitive Processes, 18, 443-468.

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Generación de estrategias de lectura inferencial de textos

académicos mediante herramientas de IA. Investigaciones Sobre Lectura, 19(2), 38-61.

O'Brien, E., Cook, A., & Lorch, J. (2015). Inferences during reading. Cambridge University Press.

https://doi.org/10.1017/CBO9781107279186

OCDE. (2018). Marco teórico de lectura. PISA 2018. OCDE.

OCDE. (24 February 2023). PISA. Programme for International Student Assessment. https://www.oecd.org/pisa/pisa-es/

Real Academia Española (2019). Glosario de términos gramaticales. Ediciones Universidad de Salamanca.

Richter, T., & Rapp, D. N. (2014). Comprehension and validation of text information: Introduction to the special issue.

Discourse Processes, 51, 1-6. https://doi.org/10.1080/0163853X.2013.855533

Universidad de Huelva (9 December 2022). La Universidad de Huelva pone en marcha una revista científica innovadora

sobre didáctica y lenguas. https://www.uhu.es/noticias/la-universidad-de-huelva-pone-en-marcha-una-revista-

cientifica-innovadora-sobre-didactica

Van den Broek, P., Virtue, S., Everson, M., Tzeng, Y., & Sung, Y. (2002). Comprehension and memory of science texts:

Infe- rential processes and the construction of a mental representation. In J. Otero, J. Leon & A. C. Graesser (Eds.),

The psychology of science text comprehension (pp. 131-154). Erlbaum.

Van Dijk, T., & Kintsch, W. (1983). Strategies of Discourse Comprehension. Academic Press.

Van Dis, E. A. M., Bollen, J., Zuidema, W., van Rooij, R., & Bockting, C. L. (2023). ChatGPT: five priorities for

research. Natur, 614, 224-226. https://doi.org/10.1038/d41586-023-00288-7

Werlich (1976). A text grammar of English. Quelle and Meyer.

Zwaan, R. A., & Singer, M. (2003). Text comprehension. In A. C. Graesser, M. A. Gernsbacher & S. R. Goldman (Eds.),

Handbook of discurso processes (pp. 83-122). Erlbaum.

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Using AI tools to generate inferential reading strategies for academic texts.

Investigaciones Sobre Lectura, 19(2), 38-61

INVESTIGACIONES SOBRE LECTURA

ENG/ESP

ISSN: 2340-8665

Generación de estrategias de lectura inferencial de

textos académicos mediante herramientas de IA

M. Teresa Mateo-Girona

https://orcid.org/0000-0003-4149-1275

Universidad Complutense de Madrid, España

Teresa Gómez Sáenz de Miera

https://orcid.org/0000-0002-2133-0258

Colegio Palacio de Granada, España

https://doi.org/10.24310/isl.19.2.2024.19185

Recepción: 01/03/2024

Aceptación: 08/10/2024

Contacto: mtmateo@ucm.es

Resumen:

El presente estudio se centra en proporcionar estrategias de lectura inferencial para que los docentes puedan

implementarlas en las aulas para mejorar la competencia lectora de los discentes. Para ello, se recurre a distintas técnicas

de la ingeniería de prompt basada en el uso del modelo del PLN. La finalidad de este trabajo es ampliar el discurso sobre

las estrategias de inferencia lectora mediante el empleo de tres herramientas de Inteligencia Artificial, con el objeto de

fomentar la enseñanza explícita de estrategias de lectura inferencial para mejorar la comprensión de distintos tipos de

textos, especialmente para promover el desarrollo del pensamiento crítico y la creatividad de los estudiantes, a través de

la interconexión de los textos. Para llevar a cabo este estudio, se selecciona un conjunto representativo de textos sobre

didáctica, y se identifican las estrategias de lectura inferencial utilizadas por los chatbots para resumir dichos textos.

Posteriormente, se realiza un análisis de las inferencias presentes en los intertextos identificados. Finalmente, se

interpretan los resultados en el contexto de las estrategias de comprensión inferencial y se evidencia que los chatbots

pueden contribuir al desarrollo de la lectura inferencial, lo que resalta la relevancia de enseñar y practicar en las aulas

estrategias de lectura para cada tipo de texto con el fin de mejorar la competencia lectora.

Palabras clave: Lectoescritura, Comprensión lectora, Autoconcepto, Educación Primaria, Emociones

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Using AI tools to generate inferential reading strategies for academic texts.

Investigaciones Sobre Lectura, 19(2), 38-61

Generación de estrategias de lectura

inferencial de textos académicos mediante

herramientas de IA

INTRODUCCIÓN

n un mundo cada vez más interconectado, la

capacidad para interpretar y relacionar múltiples

textos se ha convertido en una habilidad

fundamental para el éxito académico y personal. No

obstante, los recientes informes del Programa para la

Evaluación Internacional de Estudiantes (PISA) han

demostrado una notable disminución en la comprensión

lectora de los estudiantes (Organización para la

Cooperación y el Desarrollo Económicos [OCDE], 2023).

En concreto, la puntuación media de los discentes

españoles (477) es menor a la de la media de la OCDE

(487) y al total de la Unión Europea (489). Este declive

plantea la necesidad de fomentar la investigación en la

comprensión lectora con el fin de generar buenas políticas

educativas que fomenten la alfabetización, especialmente,

las habilidades de lectura.

Para tal fin, en la presente investigación se analizan las

siguientes preguntas: (1) ¿cómo un sistema de

procesamiento de lenguaje natural (PLN) puede ayudar a

detectar estrategias de lectura inferencial en textos

académicos?, y (2) ¿cómo es capaz de favorecer el uso de

la inferencia a partir del análisis de los patrones de cada

tipo de texto?

A diferencia del primer nivel del proceso de comprensión

lectora (compresión literal), la comprensión inferencial

implica el empleo de estrategias como la formulación de

preguntas, el establecimiento de relaciones o la ideación de

hipótesis para comprender los significados implícitos en

los textos. Dichas estrategias han sido ampliamente

exploradas en la literatura sobre comprensión lectora, con

la finalidad de ofrecer herramientas al lector. En

investigaciones previas, se ha buscado tratar de establecer

categorizaciones acerca del concepto de inferencia desde

múltiples perspectivas (Kintsch, 1998; O'Brien et al., 2015;

Hall, 2016; Ahmed et al., 2016; Bogaerds-Hazenberg et al.,

2020). A partir de esta base, el presente artículo amplía el

enfoque al examinar las estrategias de lectura inferencial

específicamente en el contexto de los textos académicos.

PISA reading literacy assessment framework

El Programa para la Evaluación Internacional de Alumnos

(PISA), iniciativa de la Organización para la Cooperación

y el Desarrollo Económicos (OCDE), tiene como objetivo

evaluar la capacidad de los estudiantes de quince años para

utilizar sus conocimientos y habilidades en contextos reales

(OCDE, 2023). Su marco conceptual se ha ido

desarrollando y modificando a lo largo de casi veinte años

para adaptarse a los cambios socioeconómicos, culturales y

tecnológicos, con el objetivo de evaluar los procesos

lectores de los discentes.

Actualmente, la lectura —más allá de ser considerada una

habilidad que se adquiere en los primeros años de

escolaridad— abarca múltiples estrategias, habilidades y

conocimientos que se van aprendiendo y construyendo a lo

largo de la vida en diversos contextos. Así pues, desde una

perspectiva cognitivista (Binkley et al., 1997; Kintsch,

1998; McNamara y Magliano, 2009; Oakhill et al., 2003;

Zwaan y Singer, 2003), el lector —para construir

significado textual— activa conocimientos previos para

localizar la información, comprender el texto (van den

Broek et al., 2002) y evaluar la fiabilidad de la información

(Richter y Rapp, 2014). Por consiguiente, la competencia

lectora, que incluye competencias lingüístico-cognitivas y

metacognitivas (OCDE, 2018), se va desarrollando a

medida que los lectores interactúan con diversos textos

(continuos o discontinuos) en diferentes soportes (físicos o

digitales) (Britt y Rouet, 2012).

La competencia lectora se define, según el marco teórico

de PISA, como la “comprensión, el uso, la evaluación, la

reflexión y el compromiso con los textos con el fin de

lograr objetivos propios, desarrollar el conocimiento y el

potencial personal y participar en la sociedad” (OCDE,

2018, p. 10). Así, estas pruebas miden los procesos de

lectura (procesos cognitivos) de los estudiantes con

relación a un texto, “variando las dimensiones del texto (el

rango de material que se lee) y los escenarios (el rango de

contextos amplios o fines para los que tiene lugar la lectura)

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Using AI tools to generate inferential reading strategies for academic texts.

Investigaciones Sobre Lectura, 19(2), 38-61

con uno o más textos temáticamente relacionados” (OCDE,

2018, p. 14).

Jiménez-Pérez (2015) sostiene que las pruebas PISA se

basan en premisas psicopedagógicas, a diferencia de otras

evaluaciones estandarizadas que carecen de este

fundamento, como el test de PROLEC (Cuetos et al.,

2014). Este último presenta un modelo cognitivo centrado

en las habilidades de comprensión global de textos

narrativos y expositivos, excluyendo otros tipos de textos.

Por su parte, Núñez Delgado (2015) retoma los indicadores

de las pruebas PISA como instrumento para diseñar

actividades de comprensión lectora, pues defiende una

evaluación formativa que se integre en los procesos de

enseñanza. En concreto, emplea los descriptores de los

criterios de evaluación como base para concretar los

principales elementos que integran la comprensión lectora.

A partir de estos, desarrolla seis núcleos de indicadores de

comprensión: literal, inferencial, valorativa, global,

metacomprensión y actitudes. Jiménez-Pérez (2014, p. 71)

revisa los conceptos de “comprensión lectora” referido a la

capacidad del individuo, frente al concepto que la engloba

de “competencia lectora”, referido a la relación amplia del

individuo que interpreta en un contexto concreto de la

sociedad. Así, la inferencia, como proceso contextualizado

de la comprensión, se incluye en las pruebas PISA con

preguntas sobre la “elaboración de una interpretación”,

para lo que hay que atender al tipo de texto, finalidad y

situación comunicativa. La clasificación de los descriptores

para la evaluación de la competencia lectora (Núñez

Delgado, 2015, pp. 121-125) puede ser tratada como un

conjunto de estrategias para la lectura inferencial, en vez de

tratarse únicamente como medidores de la competencia

lectora.

Por otro lado, García García (1993) estable cinco tipos de

estrategias cognitivas integradas en el modelo procesual de

comprensión lectora de Kintsch y Van Dijk (1978), junto

con su modelo inferencial (Van Dijk y Kintsch, 1983). La

concepción del procesamiento de la información textual en

fases interrelacionadas, con sus correspondientes factores

implicados relacionados con el lector, el texto y el contexto,

permite que estas estrategias sean definidas en un modelo

cognitivo integral.

La reformulación y subclasificación de estos descriptores

en las cinco categorías de estrategias establecidas por

García García (1993, p. 105) sirve para ordenar las

estrategias que son objeto de estudio de esta investigación

integradas en el proceso de comprensión lectora. Los cinco

tipos de estrategias son:

1. Estrategias de focalización: el lector concentra su

atención en las informaciones del texto que estima

más relevante.

2. Estrategias de organización: el lector puede

reestructurar de forma distinta el texto a fin de

hacerlo más significativo y comprensible.

3. Estrategias de resolución de problemas: el lector

emplea procedimientos para resolver los

problemas que encuentra durante la lectura.

4. Estrategias de elaboración: estrategias que

permiten integrar la información del texto con los

conocimientos previos del lector, afín de

comprender con más profundidad el significado.

5. Estrategias de comprobación: procuran constatar

la cohesión y coherencia del texto, así como la

consonancia del texto con los conocimientos

previos del lector.

Esta clasificación abierta permite obtener unas

categorías globales para el amplio número de

estrategias de comprensión inferencial, que se pueden

reformular a partir de la clasificación comentada de

descriptores (Núñez Delgado, 2015; Jiménez-Pérez,

2023). Los descriptores se formulan en infinitivo para

obtener las estrategias de comprensión inferencial. A

continuación, se muestra la clasificación de estrategias

de comprensión inferencial de Núñez Delgado (2015)

correlacionadas con la macro clasificación de

estrategias cognitivas de comprensión lectora de

García García (1993).

1. Estrategias de focalización

2. Estrategias de elaboración

 Integración de información implícita del texto

 Inferir contenidos no explícitos mediante

procesos de inducción y deducción (CI.1)

 Utilizar lo aportado por el texto para realizar

hipótesis y predicciones durante la lectura (CI.2)

 Captar en los textos aspectos implícitos relativos

al espacio (lugares), al tiempo y a los personajes

(relación entre ellos) (CI.11)

 Captar las finalidades o intenciones implícitas en

las distintas partes del texto (CI.18)

 Determinar los referentes de elementos anafóricos

y catafóricos (pronombres, sinónimos, adverbios,

etc.) (CI.21)

 Integración de información del texto discontinuo

 Recurrir a los textos discontinuos que acompañan

a los textos escritos para completar la

comprensión (CI.14)

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Using AI tools to generate inferential reading strategies for academic texts.

Investigaciones Sobre Lectura, 19(2), 38-61

 Identificar los elementos principales de un texto

discontinuo según los objetivos de la lectura

(CI.15)

 Captar la información que aportan los textos

discontinuos en relación con el texto escrito al que

acompañan (CI.16)

 Integración de información de fuera del texto

 Aplicar conocimientos previos para realizar

hipótesis y predicciones durante la lectura (CI.3)

 Utilizar el conocimiento intertextual para

profundizar en la comprensión de textos (CI.13)

 Deducir significados desconocidos de palabras o

expresiones utilizando el contexto u otros saberes

previos (CI.17)

3. Estrategias de organización

 Distinguir los aspectos relevantes de los

secundarios (tramas, ideas, personajes, etc.) (CI.4)

 Detectar información redundante (paráfrasis,

repeticiones, etc.) (CI.5)

 Establecer la jerarquía de la información leída

(CI.6)

 Ordenar secuencias temporales, numéricas, etc., a

partir de inferencias (CI.9)

 Clasificar y ordenar con lógica información o

instrucciones desordenadas (CI.10)

4. Estrategias de resolución de problemas

 Contrastar y relacionar lo expresado en el texto

con otras visiones propias o ajenas (CI.8)

 Detectar vacíos de información, contradicciones,

falacias, etc. (CI.19)

 Encontrar en el texto causas, motivos, finalidades,

oposiciones, disyuntivas y otras relaciones lógico-

semánticas (CI.12)

 Establecer conclusiones lógicas y congruentes

con el contenido y organización del texto (CI.22)

 Captar e interpretar metáforas, ironías y dobles

sentidos (CI.20)

5. Estrategias de comprobación

 Anticipar posibles desenlaces coherentes con el

transcurso del texto (CI.7)

 Transferir el contenido del contexto a otras

situaciones para resolver problemas, generalizar o

apoyar su interpretación (CI.23

This classification is used to discuss inferential reading

strategies according to the types of texts generated by AI

chatbots.

El uso del prompt como herramienta de investigación en la

generación de estrategias

El Prompt Engineering o la Ingeniería de la Instrucción

consiste en una técnica dentro del ámbito de la Inteligencia

Artificial referida a las aplicaciones de PLN y Lingüística

Computacional, en general. Esta técnica se focaliza en la

creación y optimización de prompts o instrucciones que se

le dan a una herramienta de Inteligencia Artificial para

inducir hacia resultados de investigación (Van Dis et al.,

2023). A diferencia de un código o de un algoritmo para

generar lenguaje, el prompt posee la particularidad de ser

generado de manera individualizada mayormente para

aprovechar al máximo las capacidades de los modelos

preentrenados. En esta búsqueda de una formulación

cuidadosa de las solicitudes o preguntas se pueden aplicar

una serie de técnicas que favorecen la orientación de las

respuestas. Estas son técnicas para poder generar

estrategias de lectura:

 Prompt de patrón persona: con la finalidad de que

recurra a su contenido almacenado referido al

ámbito del que se le solicita, consiste en orientar

al modelo hacia un tema o materia concreta. Los

términos que suelen emplearse son: “Eres un

experto en (...)”.

 Prompt de estimulación emocional: persigue la

manipulación de los sentimientos de la máquina,

con el objetivo de que elabore mejor la respuesta.

Los encabezamientos son del tipo: “es una tarea

muy importante para mí”.

 Prompt de explicación: una vez obtenida la

respuesta, se trata de buscar la información

adicional que explique la respuesta que se ha

obtenido por el propio chatbot. Es una manera de

que explique su propia toma de decisiones. Los

términos pueden ser: “Valora tu respuesta

anterior”, “Explica qué estrategias has empleado

para proporcionar esa respuesta”.

En el caso de esta investigación, se ha empleado la

combinación de las técnicas descritas para guiar al modelo

hacia una respuesta más acertada conforme al objetivo

general del artículo de formular estrategias de comprensión

inferencial para los distintos tipos de textos.

METODOLOGÍA

Descripción del corpus y criterios de selección

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Using AI tools to generate inferential reading strategies for academic texts.

Investigaciones Sobre Lectura, 19(2), 38-61

El diseño de la presente investigación se enmarca en la

metodología cualitativa-descriptiva (Creswell y Creswell,

2018; Dörnyei, 2007; Hernández-Sampieri et al., 2014;

Ivankova y Greer, 2018). El corpus seleccionado fueron 18

textos de ámbito de uso académico y de temática

relacionada con la lectura, clasificados según el marco

conceptual de lectura en PISA (OCDE, 2018). Este define

cuatro dimensiones de los textos: “fuente (simple o

múltiple); organización y navegación (fijo, dinámico);

formato (continuo, discontinuo, mixto); y el tipo” (OCDE,

2018, p. 20). No obstante, la presente investigación se

centra en la última dimensión, que se refiere a la

categorización de los textos. Aunque los textos no se ciñen

a una clasificación estática, las diferentes tipologías

textuales ayudan a realizar un análisis sistemático de las

estrategias lectoras. En el modelo de PISA 2018 se

establecen los cinco tipos de texto, según la clasificación

textual de Werlich (1976), y, además, se agrega un sexto

tipo para el que se emplea el término transaccional, con el

fin de mencionar un texto que pretende lograr un propósito

específico (OCDE, 2018):

 Descripción: este tipo de texto proporciona

información sobre las características de los

objetos en el espacio, desde un punto de vista

subjetivo (descripciones impresionistas) u

objetivo (descripciones técnicas). Por ejemplo, la

descripción del proceso de la lectura y sus

componentes, o la descripción de un segmento

sintáctico.

 Narración: este tipo de texto narra la evolución de

una secuencia de sucesos (reales o ficticios) desde

una perspectiva objetiva o subjetiva. Un ejemplo

sería la narración de una noticia en un periódico

sobre un homenaje a un célebre editor de cuentos

infantiles, o un anuncio de la puesta en marcha de

una revista científica sobre didáctica en la página

web de una Universidad.

 Exposición: en este tipo de texto, la información

se presenta de manera clara, objetiva y ordenada.

Los textos expositivos, en función del receptor

(divulgativo o especializado), adoptan diversas

formas. Entre ellas se encuentran los resúmenes

de congresos o jornadas científicas, donde se

proporciona información objetiva sobre las

ponencias.

 Argumentación: en este tipo de texto se presentan

argumentos con el propósito de convencer o

persuadir a una audiencia sobre una determinada

postura o idea. Entre los textos argumentativos se

encuentran los ensayos, los artículos de

investigación, las reseñas y los comentarios de

textos, especialmente en el ámbito académico. Un

ejemplo sería un artículo de divulgación sobre

comprensión lectora en periódicos en línea.

 Instrucción: este tipo de texto prescribe sobre qué

hacer o cómo realizar algo. Entre otros, se

encuentran: las guías o los manuales instructivos.

Por ejemplo, cómo contar un cuento o las reglas

pragmadialécticas para los procesos de

textualización y revisión de los comentarios de

textos argumentativos.

 Transaccional: este tipo de texto se centra en la

comunicación con un propósito específico

(solicitar, organizar o comprometerse), que suele

ser de carácter personal. Estos textos pueden ser

intercambios por correo electrónico, redes

sociales o mensajes de texto. Otro ejemplo de este

tipo de texto sería la entrevista a una persona

especialista en la competencia literaria.

Instrumentos y procedimiento de la investigación

La selección del corpus se llevó a cabo mediante un

procedimiento cuidadosamente diseñado para garantizar la

validez y representatividad de la muestra. En una primera

fase, se aplicó un muestreo aleatorio simple, lo que asegura

una muestra representativa. También se establecieron

criterios de inclusión y exclusión para afinar la selección.

Los criterios de inclusión fueron los siguientes: relevancia

(los autores de los textos son investigadores del ámbito de

la didáctica de la Lengua y la Lingüística); calidad (el

índice de citación de los textos es alto) y diversidad en la

tipología textual (según la tipología textual empleada en

PISA). Los criterios de exclusión fueron: modelo textual

(textos que no cumplían prototípicamente con las

características de la tipología textual seleccionada) y

temática (contenidos no relacionados con la Lengua y la

Literatura). Estos criterios permiten minimizar posibles

sesgos en los resultados y garantizar un corpus equilibrado.

Las referencias bibliográficas de los textos empleados se

detallan siguiendo el orden de la Tabla 1.

Para verificar las preguntas de investigación, se llevó a

cabo un procedimiento de producción textual inicial con

tres chatbots: OpenAI, Gemini y Bing. En la Tabla 2, se

proporciona una breve descripción de las herramientas de

Inteligencia Artificial (Fernández-Ferrer, 2023).

El número total de textos generados mediante sistemas de

PLN han sido 144: 126 de producción cognitiva y 18 de

producción metacognitiva (Tabla 3).

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Using AI tools to generate inferential reading strategies for academic texts.

Investigaciones Sobre Lectura, 19(2), 38-61

Tabla 2.

Breve descripción de los chatbots

Rasgos del

sistema PLN

Límite de la

entrada de la

información

(prompt)

Modelo GPT Plus de

pago alcanza 4096 tokens

de entrada (prompt) y no

tiene restricciones en la

salida (respuesta)

El límite de entrada es de 5000

caracteres (1000 palabras aprox.).

El límite de salida es de 20000

caracteres (4000 palabras aprox.)

El límite de caracteres de

entrada y salida es de 2000

caracteres

Versión

utilizada

De pago (modelo GPT-4)

Gratuita (con correo)

Gratuita (sin correo)

Característic

as destacadas

Mantiene la coherencia en

el contenido ofrecido

El contenido es pertinente

Respuestas concisas

Característic

as adicionales

Organiza la información

en párrafos y la presenta

con viñetas y negritas

Presenta la información

visualmente con viñetas y

negritas. Permite seleccionar una

respuesta entre tres opciones

Ofrece por defecto las

referencias empleadas con

enlaces directos a las

páginas web consultadas

Limitaciones

A veces, se inventa datos,

como es propio del PLN

A veces, repite respuestas y no las

modifica a pesar de los prompt

para que las cambie

No mantiene la

conversación si no se usa

durante un tiempo breve

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Using AI tools to generate inferential reading strategies for academic texts.

Investigaciones Sobre Lectura, 19(2), 38-61

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Using AI tools to generate inferential reading strategies for academic texts.

Investigaciones Sobre Lectura, 19(2), 38-61

Resultados

En la Tabla 5, se ponen en relación las estrategias

detectadas por los chatbots en su proceso de

metacognición, con los descriptores de la comprensión

inferencial establecidos por Núñez Delgado (2015) para la

evaluación de la competencia lectora. Para el nivel macro

de la clasificación, se han tenido en cuenta las estrategias

de comprensión lectora de García García (1993).

CONCLUSIONES

n primer lugar, acerca de la pregunta sobre cómo un

sistema de PLN puede ayudar a detectar estrategias

de lectura inferencial en textos académicos, se

obtiene una muestra significativa para evidenciar que, entre

las estrategias detectadas por las herramientas de IA

sobresalen las de orden superior frente a las de orden

inferior. En cuanto a las estrategias cognitivas complejas,

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Using AI tools to generate inferential reading strategies for academic texts.

Investigaciones Sobre Lectura, 19(2), 38-61

abundan las relacionadas con un enfoque crítico, en

concreto, las dos estrategias halladas referidas a “contrastar

ideas para resaltar incoherencias” y a “cuestionar posibles

sesgos o prejuicios”, ya que no se encuentran enunciadas

en la clasificación de referencia (Núñez Delgado, 2015).

Asimismo, llama la atención que las estrategias de

transferencia se multipliquen con el uso de la IA. En

concreto, se han obtenido estrategias variadas para reforzar

un aspecto de la creatividad de la herramienta, como se

puede ver en el conjunto de estrategias que inciden en la

creación de ideas nuevas: “aportar nuevas ideas”, “buscar

nuevas perspectivas”, “analizar la información desde

diferentes perspectivas”, “generar ideas adicionales”, y

“proponer soluciones alternativas”.

La detección por parte de las herramientas de IA de estas

estrategias es una señal de los altos niveles de razonamiento

logrados por los sistemas de PLN. En el ámbito educativo,

esto puede suponer un avance para el desarrollo de estas

mismas estrategias si se realiza un uso educativo adecuado

de las herramientas.

Por otra parte, igual de llamativas resultan las ausencias.

No se han detectado por parte de los chatbots ninguna

estrategia de orden inferior. No ha habido estrategias de

focalización, ni de organización de la información, ni de

integración de información implícita del texto, como

“utilizar lo aportado por el texto para realizar hipótesis y

predicciones durante la lectura (CI.2)”, “captar en los

textos aspectos implícitos relativos al espacio (lugares), al

tiempo y a los personajes (relación entre ellos) (CI.11)”,

“captar las finalidades o intenciones implícitas en las

distintas partes del texto (CI.18)”, o “determinar los

referentes de elementos anafóricos y catafóricos

(pronombres, sinónimos, adverbios, etc.) (CI.21)”. Esto

puede deberse a que la información pragmática y la falta de

contexto sea una de las carencias de los lenguajes

generados por sistemas de PLN.

Por último, la ausencia de estrategias de integración de

información del texto discontinuo se explica únicamente

por no haber sido empleados textos discontinuos en la

generación de los textos de los chatbots.

En conclusión, la valoración de las estrategias generadas

por la IA pone de manifiesto que son de orden superior, es

decir, de mayor complejidad que las estrategias que no ha

formulado de manera explícita, como la identificación de

elementos anafóricos o del significado implícito de

palabras difíciles. En este sentido, para la respuesta al

primer objetivo de investigación, se concluye que el

empleo del chatbot puede ayudar a detectar estrategias de

orden superior de lectura inferencial en los textos

académicos.

En cuanto al empleo del chatbot por parte de los

estudiantes, hemos identificado dos perfiles distintos,

basándonos en la consideración de las estrategias que

deberían ser desarrolladas, teniendo en cuenta las

siguientes premisas:

 Lector no autónomo (con habilidades inferiores al

nivel requerido en la actividad): recurrir al chatbot

como apoyo, para usar estrategias de orden

inferior de manera repetitiva: estrategias de

focalización, elaboración y organización. De esta

manera, mediante la práctica de dichas estrategias,

podrá afianzarlas y alcanzar las estrategias del

nivel no adquirido.

 Lector autónomo (con habilidades iguales al nivel

requerido en la actividad): usar el chatbot de

manera experta, con el empleo de estrategias de

orden superior: resolución de problemas y

comprobación. Así podrá avanzar y lograr niveles

superiores de comprensión inferencial.

En cuanto a la segunda pregunta de investigación, el

análisis de las estrategias diferenciadas por tipología

textual apunta hacia un tratamiento de la lectura capaz de

favorecer el uso de la inferencia a partir del análisis de sus

patrones. Como se observa en el análisis de la enunciación

de las estrategias por los chatbots, estas se explican por ser

estrategias generadas a partir de textos reales. Supone un

avance en la investigación sobre estrategias de lectura, pues

estas están contextualizadas.

La revisión de la literatura acerca de los tipos de inferencias

ha objetado en muchas ocasiones que el estudio de la

lectura inferencial no debía basarse únicamente en

enfoques cognitivos, sino que debía hacerse a partir de

tipos de textos o con textos en sus contextos. Esta apuesta

por el estudio de las estrategias de lectura inferencial con

diferentes tipos de textos contextualizados amplía las

posibilidades de avanzar en la generación de ayudas para el

desarrollo de las estrategias concretas detectadas.

Por tanto, el chatbot ha proporcionado un amplio listado de

estrategias para el desarrollo de lectura inferencial en textos

académicos a partir de su tipología textual. En concreto, ha

mostrado estrategias que favorecen el uso de la inferencia

con niveles de criticidad y creatividad de orden superior,

además, diferenciadas por tipos de textos. No obstante, por

ser una muestra de textos limitada, no se puede concluir

que las estrategias varíen en función de la tipología textual,

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Using AI tools to generate inferential reading strategies for academic texts.

Investigaciones Sobre Lectura, 19(2), 38-61

pero sí estos hallazgos apuntan a la posibilidad de que cada

tipo de texto tenga estrategias de lectura crítica y creativa

afines a sus rasgos distintivos. Será un camino para seguir

explorando con la ayuda de herramientas de IA.

Reconocimiento-NoComercial-CompartirIgual 4.0

Internacional (CC BY-NC-SA 4.0

REFERENCIAS

Ahmed, Y., Francis, D. J., York, M., Fletcher, J. M., Barnes, M., & Kulesz, P. (2016). Validation of the direct and

inferential mediation (DIME) model of reading comprehension in grades 7 through 12. Contemporary Educational

Psychology, 44-45, 68-82. https://doi.org/10.1016/j.cedpsych.2016.02.002

Alonso-Cortés, M. D. (28 June 2023). ¿Por qué el alumnado español sigue sin progresar en comprensión lectora? The

conversation. https://theconversation.com/por-que-el-alumnado-espanol-sigue-sin-progresar-en-comprension-

lectora-206687

Bausela, E. (28 June 2023). Enseñar a leer y entender: estrategias para la comprensión lectora. The conversation.

https://theconversation.com/ensenar-a-leer-y-entender-estrategias-para-la-comprension-lectora-206803

Binkley, M., Rust, K., & Williams, T. (1997). Reading literacy in an international perspective. US Department of

Education.

Blecua, J. M. (2015). Lengua castellana y literatura. 1º ESO. SM

Investigaciones Sobre

Lectura (ISL) | 2024

Contribución de los autores:

Conceptualización, MTMG; metodología,

TGSM; análisis estadístico, MTMG;

investigación, TGSM; preparación del

manuscrito, MTMG, TGSM; revisión y edición,

MTMG, TGSM.

Fondos: NS/NC

Nota: NS/NC

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Using AI tools to generate inferential reading strategies for academic texts.

Investigaciones Sobre Lectura, 19(2), 38-61

Bogaerds-Hazenberg, S., Evers-Vermeul, J., & Bergh, H. (2020). A Meta‐Analysis on the Effects of Text Structure

Instruction on Reading Comprehension in the Upper Elementary Grades. Reading Research Quarterly, 56(3), 435–

462. https://doi.org/10.1002/rrq.311

Britt, M. A., & Rouet, J. F. (2012). Learning with multiple documents: Component skills and their acquisition. En M. J.

Lawson & J. R. Kirby (Eds.), The quality of learning: Dispositions, instruction, and mental structures (pp. 276–

314). Cambridge University Press.

Caro Valverde, M. T. & de Amo Sánchez-Fortún, J. M. (2023). El comentario argumentativo de textos: multimodalidad

y transmodalización. Síntesis.

Caro, M. T. & González, M. (2018). Didáctica de la argumentación en el comentario de textos. Síntesis.

Colomer, T. (2001). La lectura de ficción enseña a leer. El monitor de la educación. Revista del Ministerio de Educación

de la Nación 4, 12-17.

Creswell, J., & Creswell, J. D. (2018). Research Design: Qualitative, Quantitative and Mixed Methods Approaches (5.ª

ed.). Sage.

Cuetos, F., Rodríguez, B., Ruano, E. & Arribas, D. (2014). PROLEC-R. Batería de Evaluación de los Procesos Lectores,

Revisada (5.ª ed). TEA Ediciones.

Dörnyei, Z. (2007). Research Methods in Applied Linguistics. Oxford University Press.

El correo de Burgos. (10 September 2023). Saturnino Calleja: Instruir deleitando.

https://www.elcorreodeburgos.com/burgos/230910/187278/saturnino-calleja-instruir-deleitando.html

Fernández-Ferrer, M. (2023). Chatbots en educación. Tendencias actuales y desafíos futuros. LMI, Colección Transmedia

XXI.

Galbarini, P. & Alasio, M. S. (2022). Reflexión gramatical para mejorar la comprensión de textos [Resumen de

presentación de la conferencia]. VII Congreso Regional de Arte, Literatura y Sociedad-CORALISViedma. Río

Negro, Argentina.

García García, E. (1993). La comprensión de textos. Modelo de procesamiento y estrategias de mejora. Didáctica. lengua

y literatura, 5, 87-115.

Hall, C. (2016). Inference Instruction for Struggling Readers: a Synthesis of Intervention Research. Educational

Psychology Review, 28, 1-22. https://doi.org/10.1007/S10648-014-9295-X

Hernández-Sampieri, R., Fernández-Collado, C. & Baptista-Lucio, M. (2014). Metodología de la investigación (6ª ed.).

McGraw Hill Education.

Ivankova, N. & Greer, J. (2018). Mixed Methods Research and Analysis. En B. Paltridge & A. Phakiti (Eds.), Research

Methods in Applied Linguistics (pp. 60-74). Bloomsbury.

Jiménez-Pérez, E. (2023). Critical Thinking VS Critical Competence: Critical Reading. Investigaciones Sobre Lectura,

18(1), 1-26. https://doi.org/10.24310/isl.vi18.15839

Jiménez-Pérez, E. (2015). Evaluación de la competencia lectora: PISA, PIRLS y TECLE. In E. Jiménez-Pérez (Coord.),

La comprensión y la competencia lectoras (pp. 109-119). Editorial Síntesis.

Jiménez-Pérez, E. (2014). Comprensión lectora VS Competencia lectora: qué son y qué relación existe entre ellas.

Investigaciones Sobre lectura 1, 65-83. https://doi.org/10.24310/revistaisl.vi1.10943

Kintsch, W. (1998). Comprehension: A paradigm for cognition. Cambridge University Press.

Kintsch, W., & Van Dijk, T.A. (1978). Toward a model of text comprehension and production. Psychological Review,

85(5), 363-394. https://doi.org/10.1037/0033-295X.85.5.363.

Mateo-Girona, M.T., y Gómez Sáenz de Miera, T. (2024). Using AI tools to generate inferential reading strategies for academic texts.

Investigaciones Sobre Lectura, 19(2), 38-61

López-Andrada, C. & Ocampo, A. (2018). Entrevista a Dra. Teresa Colomer sobre Fomento de la lectura y Educación

Lectora desde una perspectiva de educación inclusiva. Catalejos. Revista sobre lectura, formación de lectores y

literatura para niños 4(7), 127-138. https://fh.mdp.edu.ar/revistas/index.php/catalejos/article/view/3132/3051

McNamara, D. S., & Magliano, J. (2009). Toward a comprehensive model of comprehension. Psychology of Learning

and Motivation, 51, 297-384.

Núñez Delgado, P. (2015). La comprensión lectora: aspectos teóricos y didácticos. En J. Mata, P. Núñez Delgado y J.