Clasificación automática de la calidad de lectura oral para la evaluación del dominio lector en estudiantes de Chile de educación básica: caso TeacHear

Abstract

La evaluación de la calidad de lectura oral constituye una herramienta fundamental para monitorear el desarrollo lector de estudiantes de educación básica. Sin embargo, su aplicación requiere tiempo y la participación de evaluadores capacitados. En este contexto, esta memoria aborda el problema de la clasificación automática de la calidad de lectura oral en estudiantes chilenos a partir de registros de audio. Se propone evaluar la factibilidad de utilizar técnicas de aprendizaje automático para clasificar la calidad lectora según categorías definidas en instrumentos utilizados en el contexto educativo nacional. Para ello, se construyó un conjunto de datos compuesto por grabaciones de estudiantes de educación básica y se compararon distintos enfoques de clasificación basados en características acústicas tradicionales y embeddings extraídos mediante modelos preentrenados de procesamiento de voz. La evaluación se realizó mediante validación cruzada estratificada y el análisis de métricas de desempeño y matrices de confusión. Los resultados muestran que es posible identificar patrones asociados a distintos niveles de calidad lectora pese al tamaño reducido del conjunto de datos. Asimismo, se identificaron limitaciones relacionadas con la variabilidad entre clases y el riesgo de sobreajuste. Estos hallazgos constituyen una base para el desarrollo de herramientas de apoyo a la evaluación lectora.

Oral reading quality assessment is a fundamental tool for monitoring the reading development of elementary school students. However, its application is time-consuming and requires trained evaluators. In this context, this thesis addresses the problem of automatically classifying oral reading quality in Chilean students using audio recordings. The objective of this work is to evaluate the feasibility of applying machine learning techniques to classify reading quality according to categories defined by assessment instruments used in the Chilean educational context. To this end, a dataset composed of audio recordings from elementary school students was constructed, and different classification approaches based on traditional acoustic features and embeddings extracted from pre-trained speech processing models were compared. The proposed approach was evaluated using stratified cross-validation, performance metrics, and confusion matrix analysis. The results show that it is possible to identify patterns associated with different levels of reading quality despite the limited size of the dataset. Furthermore, limitations related to class variability and the risk of overfitting were identified. These findings provide a foundation for the development of tools to support reading assessment.