Avance de la evaluación de la dislexia en niños a través de pruebas computarizadas

Resumen

La Batería Multimedia para la Evaluación de las Habilidades de Dominio General y Dominio Específico en Lectura es una batería multimedia fiable y válida diseñada para evaluar las habilidades cognitivas y básicas de lectura. Permite generar un perfil cognitivo y de rendimiento lector completo, que es particularmente beneficioso para los niños con dislexia.

Resumen

La adquisición de habilidades de lectura es un proceso intrincado que exige el cultivo de varias habilidades de dominio general y específico del dominio. En consecuencia, no es sorprendente que muchos niños luchen por mantener la competencia al nivel de su grado, particularmente cuando se enfrentan a desafíos que abarcan múltiples habilidades en ambos dominios, como se observa en individuos con dificultades de lectura. Sorprendentemente, a pesar de que las dificultades de lectura se encuentran entre los trastornos del neurodesarrollo más prevalentes que afectan a los niños en edad escolar, la mayoría de las herramientas de diagnóstico disponibles carecen de un marco integral para evaluar el espectro completo de habilidades cognitivas relacionadas con la dislexia, con opciones computarizadas mínimas. En particular, actualmente hay herramientas limitadas con estas funciones disponibles para los niños de habla hispana. El objetivo de este estudio fue delinear el protocolo para el diagnóstico de niños hispanohablantes con dificultades lectoras utilizando la batería multimedia Sicole-R. Esta herramienta para los grados de primaria se enfoca en evaluar las habilidades cognitivas que están asociadas con la dislexia según lo prescrito por la literatura científica. En concreto, se centra en evaluar una serie de capacidades cognitivas que los estudios han demostrado que están relacionadas con la dislexia. Este enfoque se basa en la observación de que las personas con dislexia suelen presentar déficits en varias de las áreas cognitivas evaluadas por esta herramienta digital. Se demostró la robusta consistencia interna y la estructura interna multidimensional de la batería. Esta batería multimedia ha demostrado ser una herramienta adecuada para el diagnóstico de niños con dificultades de lectura en educación primaria, ya que ofrece un perfil cognitivo completo que es valioso no solo para fines diagnósticos, sino también para adaptar planes didácticos individualizados.

Introducción

La dislexia es un trastorno del neurodesarrollo caracterizado por dificultades en el reconocimiento preciso y/o fluido de palabras y malas habilidades de ortografía y decodificación, y se caracteriza por una dificultad inesperada y persistente para adquirir habilidades de lectura eficientes a pesar de la instrucción convencional, la inteligencia adecuada y la oportunidad sociocultural¹. Este trastorno neurobiológico a menudo se manifiesta como desafíos en la lectura, la ortografía y la escritura, principalmente debido a déficits fonológicos ^2,3. "No se puede exagerar la importancia de la identificación temprana de la dislexia, ya que permite una intervención y un apoyo oportunos ^4,5. Cuando un estudiante no progresa más allá del Nivel 3 en un modelo de respuesta a la intervención, se vuelve esencial realizar una evaluación más completa de las habilidades generales y específicas del dominio asociadas con la dislexia, como lo destaca la literatura científica. El desarrollo de la técnica que aquí se presenta se basa en la necesidad de realizar evaluaciones exhaustivas para garantizar que se proporcionen las intervenciones y el apoyo adecuados. Además, estudios previos subrayan la utilidad de las herramientas de cribado basadas en la tecnología, como las aplicaciones web y los juegos de ordenador, para facilitar procesos de cribado eficaces ^6,7. Estos estudios destacan colectivamente la naturaleza multifacética de la dislexia, enfatizando la necesidad de una evaluación integral y estrategias de intervención para abordar los diversos perfiles cognitivos de las personas con dislexia. A pesar de la prevalencia de la dislexia entre los niños en edad escolar, la mayoría de las herramientas de diagnóstico disponibles carecen de un marco que evalúe de manera integral las habilidades generales y específicas del dominio. Además, hay opciones computarizadas mínimas, particularmente para las poblaciones de habla hispana. Esta batería multimedia aborda estas brechas aprovechando la tecnología para facilitar una evaluación detallada de las habilidades cognitivas relacionadas con la dislexia.

Perspectivas teóricas y déficits cognitivos en la Dislexia
Diversos modelos teóricos, entre los que se incluyen las teorías fonológica, del procesamiento auditivo rápido, visual, magnocelular y cerebeloso, tienen como objetivo explicar las causas de la dislexia e informar las intervenciones (véase para una revisión)⁸. La teoría fonológica atribuye la dislexia a las dificultades en el procesamiento de los sonidos del lenguaje⁹, mientras que la teoría del procesamiento auditivo rápido vincula la dislexia con déficits en la percepción de sonidos que cambian rápidamente¹⁰. La teoría visual destaca los aspectos visuales de las dificultades de lectura, y la teoría magnocelular señala deficiencias en las vías de procesamiento visual y auditivo¹¹. La teoría cerebelosa sugiere que la dislexia surge de deficiencias cerebelosas que afectan el control motor y las funciones cognitivas¹². El marco de Nicolson y Fawcett Delayed Neural Commitment (DNC) postula que la adquisición más lenta de habilidades y el retraso en el desarrollo de redes neuronales son fundamentales para la dislexia. Modelos recientes, como el modelo de déficit múltiple, proponen que la dislexia es un trastorno complejo influenciado por factores genéticos, cognitivos y ambientales 13,14,15. Por ejemplo, Ring y Black¹⁴ apoyan el modelo de déficit múltiple, mostrando que tanto los déficits fonológicos como los de procesamiento cognitivo contribuyen a la heterogeneidad de la dislexia. Soriano-Ferrer et ^al.15 realizaron un estudio con niños hispanohablantes con dislexia del desarrollo (DD) y encontraron deficiencias significativas en la velocidad de denominación, la memoria de trabajo verbal y la conciencia fonológica (AP). Del mismo modo, Zygouris et ^al.16 y Rauschenberger et ^al.6 subrayan la importancia de las herramientas de cribado cognitivo en la identificación de estos déficits, ya que los individuos disléxicos obtienen sistemáticamente puntuaciones más bajas que sus compañeros de rendimiento habitual.

Examinando los enfoques tecnológicos en la detección de la dislexia: perspectivas de los estudios de investigación
La investigación sobre el cribado de la dislexia ha evolucionado con tres enfoques principales: estrategias de detección precoz, métodos de cribado multifacéticos que combinan varias evaluaciones y tecnología integradora para mejorar la eficiencia¹⁷. La¹⁸ revisión sistemática reciente de Politi-Georgousi destaca un cambio hacia más aplicaciones para intervenir en los síntomas de la dislexia en lugar de procesos de detección, alineándose con la integración de la tecnología para mejorar las habilidades de lectura en estudiantes disléxicos. Existen varias herramientas, como el Toothslexia Early Screening Test (DEST) de Fawcett y Nicolson, que evalúa la velocidad, las habilidades fonológicas, las habilidades motoras, la función cerebelosa y el conocimiento¹⁹. "Las herramientas informáticas han avanzado, incluyendo una aplicación web que evalúa las habilidades cognitivas y de lectura en niños griegos²⁰ y herramientas de Hautala et ^al.21 y Rauschenberg et ^al.6 que utilizan juegos y aprendizaje automático para la identificación temprana de la dislexia. Ahmad et al. integraron juegos con redes neuronales, logrando una precisión del 95% en la detección²². Los estudios de diferentes ortografías subrayan la importancia de la conciencia fonológica y la nomenclatura rápida y automatizada en la identificación de la dislexia^23,24.

Perspectivas sobre la dislexia entre los niños de habla hispana
El estudio de la dislexia en niños de habla hispana ha avanzado significativamente mediante el uso de la tecnología Sicole-R. Jiménez et al. demostraron su efectividad en la evaluación de la dislexia en todos los grupos de edad, particularmente en la distinción entre los lectores disléxicos y los lectores típicamente exitosos basados en el procesamiento fonológico y sintáctico durante los primeros años de la primaria²⁵. Guzmán et al. investigaron los déficits de velocidad de denominación en niños disléxicos con desafíos fonológicos, destacando las interacciones entre la dislexia y la velocidad de denominación medida a través de tareas como letra-RAN y número-RAN²⁶. Otros estudios de Jiménez et al. exploraron los déficits de conciencia fonológica en diferentes estructuras silábicas²⁷, mientras que Ortiz et al. investigaron los déficits de percepción del habla entre niños españoles con dislexia, revelando deficiencias en el desarrollo de la percepción del habla independientemente del contraste fonético o de la unidad lingüística ^28,29. Jiménez et al. investigaron la hipótesis del doble déficit de la dislexia³⁰, seguida de análisis de los procesos cognitivos y las disparidades relacionadas con el género en la prevalencia de la dislexia ^31,32. Rodrigo et al. exploraron el acceso léxico entre niños disléxicos españoles³³, y Jiménez et al. examinaron los déficits de procesamiento sintáctico³⁴. Finalmente, Jiménez et al. estudiaron los procesos fonológicos y ortográficos en los subtipos disléxicos, destacando las diferencias en la eficiencia de la ruta ortográfica³⁵. Estos estudios mejoran colectivamente nuestra comprensión de los desafíos cognitivos y lingüísticos de la dislexia en las poblaciones de habla hispana.

Los estudios realizados comparten varias características comunes en cuanto a la edad y antecedentes de los niños participantes. Los niños incluidos en estos estudios tenían edades comprendidas entre los 7 y los 14 años. La mayoría de los estudios se centraron en niños de primaria con edades comprendidas entre los 7 y los 12 años, excepto aquellos que incluyeron a niños de hasta 14 años, proporcionando una muestra que abarca desde los primeros años escolares hasta la preadolescencia^31,32. Los niños participantes procedían principalmente de las Islas Canarias en España. Además, algunos estudios incluyeron muestras de otras regiones de España y Guatemala^31,32. Los participantes fueron reclutados de escuelas públicas y privadas cuyos antecedentes incluían áreas urbanas y suburbanas. Los niveles socioeconómicos representados en estos estudios van desde la clase media-baja hasta la clase media y trabajadora.

En conjunto, estas investigaciones avanzan significativamente nuestra comprensión de las complejidades de la dislexia, contribuyendo al campo de la investigación de la dislexia. Adaptada para su uso en múltiples países iberoamericanos, incluidos España, Guatemala, Chile y México, la herramienta facilita la evaluación de la exactitud y precisión diagnóstica en una muestra diversa de habla hispana para este estudio.

Este estudio tuvo como objetivo delinear un protocolo para el diagnóstico de niños hispanohablantes con dificultades de lectura utilizando una batería multimedia especializada. El objetivo principal es proporcionar una herramienta de evaluación integral que evalúe las habilidades generales y específicas del dominio asociadas con la dislexia.

Descripción general de la configuración experimental
El SICOLE-R se programó en la plataforma Java 2 Standard Edition (J2SE). El motor de base de datos HSQL se utiliza como base de datos. El software incluye 6 módulos principales a evaluar: 1) procesamiento perceptivo, que incluye las tareas de sonorización, colocación y forma de articulación; 2) procesamiento fonológico, que incluye tareas de aislamiento de fonemas, eliminación de fonemas, segmentación de fonemas y combinación de fonemas; 3) velocidad de denominación, que incluye las tareas de velocidad de denominación en números, letras, colores e imágenes; 4) procesamiento ortográfico, que incluye tareas de comprensión morfológica de lexemas y sufijos y comprensión homófona; 5) procesamiento sintáctico, incluyendo tareas de género, números, palabras funcionales y estructura gramatical; y 6) el procesamiento semántico, que influye en las tareas de comprensión lectora a través de textos informativos y narrativos. Las instrucciones para cada tarea, acompañadas de una o dos pruebas (dependiendo de la tarea) y una demostración, son entregadas por un agente pedagógico antes del inicio de la fase de prueba. Aquí se ilustra el protocolo de aplicación para cada tarea.

Antes de administrar la batería multimedia a la muestra de estudio, se realizaron adaptaciones a la modalidad del idioma español para cada país (es decir, México, Guatemala, Ecuador y Chile), incluyendo ajustes en el vocabulario, las imágenes y otros contenidos relevantes. Las condiciones de administración fueron las mismas en todos los países de América Latina. El ambiente de administración tenía que ser tranquilo dentro de la escuela y libre de ruido, distracciones e interrupciones. La duración de la administración de la batería multimedia osciló entre 3-4 sesiones de 30 minutos cada una, dependiendo de la capacidad y la edad del estudiante. Debido a su compatibilidad de base de datos con la mayoría de las hojas de cálculo y sistemas de procesamiento de datos estadísticos, el evaluador puede analizar los resultados de cada niño y cada tarea. En cuanto a la recolección de datos, se emplearon dos tipos de tareas distintas: 1) tareas en las que el examinador registra el rendimiento oral de los estudiantes, anotando los éxitos y errores utilizando un mouse externo, y 2) tareas que requieren que los estudiantes seleccionen opciones de forma independiente haciendo clic en ellas.

Protocolo

Este protocolo se llevó a cabo siguiendo las directrices del Comité de Ética de la Investigación y Bienestar Animal (CEIBA) de la Universidad de La Laguna (ULL). Los datos se recogieron en diferentes momentos según el currículo de cada país, capturando información exclusivamente de los estudiantes cuyas administraciones educativas, escuelas y padres dieron su consentimiento. La batería de ensayos utilizada en este estudio está registrada como propiedad intelectual y se puede acceder a ella a través de un acuerdo de cesión con la ULL. Para más información sobre cómo obtener la batería de ensayos, los interesados pueden ponerse en contacto con la Oficina de Transferencia del Conocimiento (OTRI) de la ULL.

1. Instalación y preparación de SICOLE-R

1. Utilizar el siguiente criterio de inclusión para la aplicación de esta herramienta: estudiantes de segundo a sexto grado. Utilice el siguiente criterio de exclusión: no incluya al alumnado con necesidades educativas especiales, refiriéndose a aquellos que necesitaron apoyo y atención educativa específica por discapacidad sensorial o problemas neurológicos adquiridos, entre otros factores.
   NOTA: La evaluación se realiza con los estudiantes individualmente en un espacio tranquilo con acceso a una computadora y buena iluminación. Será necesario disponer de auriculares con micrófono adaptado para facilitar la recepción de las instrucciones de las tareas y aumentar el rendimiento del alumno.
2. Para instalar el software en una computadora, ejecute el archivo como administrador y haga clic en el icono para abrir la herramienta. Al abrir la aplicación, aparece una interfaz inicial que muestra varias opciones operativas.
3. Complete la información de los estudiantes que realizarán las tareas antes de comenzar la evaluación. Una vez introducidos sus datos, anótalos en una lista de alumnos, y su información podrá ser modificada posteriormente.
4. Cada vez que se agregue un nuevo estudiante, aparecerá una pantalla de prueba antes de comenzar las tareas. En esta pantalla, pida al alumno que toque el arranque que aparecerá en la pantalla.
   NOTA: El objetivo de este minijuego es establecer una línea de base para evaluar el control motor de los estudiantes. Permite el control de las diferencias individuales en la velocidad del motor, ya que el software registra las respuestas pulsando las teclas del teclado. Este minijuego solo aparece una vez.
5. Antes de comenzar la evaluación, pida al examinador que le dé las siguientes instrucciones: Ahora, entrará en un entorno de circo virtual con diferentes puertas. Cada puerta conduce a actividades divertidas en las que participará. Un payaso te guiará a través de estas puertas y te explicará qué hacer en cada actividad. Siéntese al lado del examinador y escuche atentamente las instrucciones. Asegúrate de dar lo mejor de ti en cada tarea. ¡Disfruta explorando y completando estas actividades!
6. Comience las tareas seleccionando el estudiante programado para la evaluación y haciendo clic en la sección Inicio . El menú principal incluye 5 puertas de colores, cada una correspondiente a uno de los módulos a evaluar.
7. Cada tarea comienza con una instrucción introductoria, pida a los estudiantes que presten atención a esto. Los estudiantes son informados sobre la naturaleza del juego e instruidos sobre cómo jugarlo, facilitados por un agente pedagógico. Asegúrese de que el agente entregue instrucciones verbales para cada tarea, ejemplificando el procedimiento a través de un modelo y presentando ejemplos para que los estudiantes los emulen.
8. Después de completar los ejemplos, asegúrese de que el agente pedagógico proporcione la retroalimentación correspondiente, permitiendo a los estudiantes rehacer el ejemplo si se ejecutó incorrectamente, y comienza la evaluación.
   NOTA: El agente pedagógico es un personaje virtual diseñado para guiar al estudiante a través de las tareas. Esta función requiere que el agente tenga un discurso claro y comprensible y la capacidad de proporcionar orientación instructiva, modelado de tareas y comentarios basados en las respuestas de los estudiantes. El agente pedagógico debe estar programado para responder de manera consistente y precisa de acuerdo con los aportes del estudiante durante las tareas.

2. Tareas de SICOLE-R

1. Yellow Door: Módulo de procesamiento perceptivo mediante una tarea de percepción del habla
   1. Abra el programa en la computadora. Navegue hasta la puerta amarilla dentro de la interfaz del programa. Haga clic en una de las subtareas disponibles para iniciar la tarea: (1) voz, (2) forma de articulación y (3) colocación.
   2. Permitir que el agente pedagógico brinde orientación instruccional y modelado de tareas al estudiante. El agente debe decir: Ahora escucharemos pares de sílabas. Si las sílabas son idénticas, presione el botón azul; Si son diferentes, presione el botón rojo. Mira cómo lo hago. Ahora te toca a ti con estos ejemplos.
   3. Presente dos ejemplos de ítems al estudiante:/ba/-/pa/;/ja/-/ka/. Indique nuevamente a los estudiantes que seleccionen el círculo azul si los pares son idénticos y el botón rojo si son distintos.
   4. Una vez finalizada la tarea, asegúrese de que el agente pedagógico proporcione una retroalimentación basada en las respuestas del estudiante en los ejemplos. Una vez que los ejemplos estén completos, permita que el agente instruya al estudiante para iniciar la tarea.
   5. El procedimiento de selección de círculos (azul o rojo) se mantendrá constante a lo largo de la tarea, registrando los aciertos y errores. Si el estudiante necesita volver a escuchar el par de sílabas, haga clic en el icono del altavoz para volver a reproducirlo una vez más. Tenga en cuenta que solo se permite una reproducción adicional por elemento.
2. Pink Door: Módulo de conciencia fonológica
   1. Tarea de segmentación de fonemas
      1. Abra el programa en la computadora. Navegue hasta la puerta rosa dentro de la interfaz del programa. Elija Segmentación de fonemas para seleccionar la tarea.
      2. Permitir que el agente pedagógico brinde orientación instructiva al estudiante. El agente debe decir: Ahora nos centraremos en la segmentación de fonemas. Observa cómo demuestro. A continuación, verá dos elementos de ejemplo.
      3. Presente dos elementos de ejemplo al alumno. Pida al alumno que exprese sus respuestas en voz alta para cada palabra.
      4. Utilice el ratón externo para hacer clic en el botón azul para las respuestas correctas y en el botón rojo para las respuestas incorrectas. Asegúrese de que el agente pedagógico ofrezca comentarios basados en las respuestas del estudiante a los ejemplos.
      5. Después de los ejemplos, asegúrese de que el agente pedagógico instruya al estudiante para comenzar la tarea.
   2. Tarea de fusión de fonemas
      1. Ingrese el programa en la computadora. Navegue hasta la puerta rosa dentro de la interfaz del programa. Elija Fusión de fonemas para seleccionar la tarea.
      2. Permitir que el agente pedagógico brinde orientación instructiva al estudiante. El agente dice: Ahora nos centraremos en la síntesis de fonemas. Observa cómo demuestro. A continuación, verá dos elementos de ejemplo.
      3. Presente dos elementos de ejemplo al alumno. Pida al alumno que articule sus respuestas en voz alta para cada palabra.
      4. Utilice el mouse externo para hacer clic en el botón azul para respuestas precisas y en el botón rojo para respuestas inexactas. Asegúrese de que el agente pedagógico proporcione comentarios basados en las respuestas del estudiante a los ejemplos.
      5. Después de los ejemplos, permita que el agente pedagógico dirija al estudiante para iniciar la tarea. El procedimiento se mantiene coherente a lo largo de la ejecución de la tarea, registrando respuestas precisas e inexactas.
      6. Si el estudiante necesita volver a escuchar una palabra, haga clic en el icono del loro para repetirla. Ten en cuenta que solo se permite una repetición por artículo.
   3. Tarea de aislamiento de fonemas
      1. Abra el programa en la computadora. Navegue hasta la puerta rosa dentro de la interfaz del programa. Haga clic en Aislamiento de fonemas para seleccionar la tarea.
      2. Permitir que el agente pedagógico brinde orientación instruccional y modelado de tareas al estudiante. El agente debe decir: Ahora nos centraremos en aislar los fonemas. Observa cómo demuestro. A continuación, verá dos elementos de ejemplo. Su tarea es hacer clic en las imágenes cuyo nombre comienza con el mismo sonido que la palabra objetivo.
      3. Presente dos elementos de ejemplo al alumno. Observe si el estudiante hace clic en las imágenes que comienzan con el mismo sonido que la palabra objetivo.
      4. Asegúrese de que el agente pedagógico ofrezca comentarios basados en las respuestas del estudiante a los ejemplos. Después de los ejemplos, asegúrese de que el agente guíe al estudiante para comenzar la tarea.
      5. El procedimiento se mantiene uniforme a lo largo de la tarea, documentando tanto los aciertos como los errores. Si el estudiante requiere escuchar una palabra adicional, haga clic en el icono del altavoz para reproducirla. Ten en cuenta que solo se permite una repetición por artículo.
   4. Tarea de eliminación de fonemas
      1. Abra el programa en la computadora. Navegue hasta la puerta rosa dentro de la interfaz del programa. Seleccione Eliminación de fonemas para elegir la tarea.
      2. Permitir que el agente pedagógico brinde orientación instructiva y demuestre la tarea al estudiante. El agente debe decir: Ahora nos centraremos en la eliminación de fonemas. Observa cómo demuestro. A continuación, verá dos elementos de ejemplo.
      3. Presente dos elementos de ejemplo al alumno. Pida al alumno que diga su respuesta en voz alta para cada palabra.
      4. Haga clic con el ratón externo en el botón azul para las respuestas correctas y en el botón rojo para las respuestas incorrectas. Asegúrese de que el agente pedagógico proporcione comentarios basados en las respuestas del estudiante a los ejemplos.
      5. Después de los ejemplos, asegúrese de que el agente pedagógico instruya al estudiante para iniciar la tarea. El procedimiento se mantiene coherente a lo largo de la ejecución de la tarea, registrando tanto las respuestas correctas como las incorrectas.
      6. Si el estudiante necesita volver a escuchar una palabra, haga clic en el icono del altavoz para repetirla. Ten en cuenta que solo se permite una repetición por artículo.
3. Orange Door: Velocidad de nomenclatura y módulos ortográficos
   1. Tarea rápida de nomenclatura automatizada (RAN)
      1. Acceda al programa en la computadora. Diríjase a la puerta naranja dentro de la interfaz del programa. Elija Velocidad de nomenclatura para seleccionar la tarea.
      2. Permitir que el agente pedagógico brinde orientación didáctica y demuestre la tarea. Presente un ejemplo de la subtarea de la letra RAN del módulo de velocidad de nomenclatura.
      3. Pida a los alumnos que expresen sus respuestas en voz alta. Si la respuesta del ejemplo es correcta, seleccione el botón azul en la pantalla. Si es incorrecto, haga clic en el botón rojo.
      4. Asegúrese de que el agente pedagógico proporcione comentarios basados en las respuestas del estudiante. Después del ejemplo, asegúrese de que el agente pedagógico inicie la tarea.
      5. Inicie la tarea haciendo clic con el botón izquierdo del ratón para comenzar a cronometrar. Durante la tarea, aparecerá una matriz de elementos en la pantalla, dependiendo de la subtarea.
      6. Pida al alumno que nombre en voz alta y, en orden, los elementos de la matriz. Al mismo tiempo, documente cualquier error cometido por el estudiante.
      7. Para cada error, utilice el botón derecho del ratón externo para registrar el número de errores. Una vez que el estudiante haya terminado de nombrar los elementos, presione el botón izquierdo nuevamente para concluir el tiempo y completar la tarea para esa subtarea. Al finalizar la primera subtarea (letra RAN), aparece automáticamente la siguiente subtarea (número RAN), siguiendo el mismo procedimiento. Este proceso continúa para las subtareas restantes (RAN de color y RAN de objeto).
   2. Tarea Lexema y Sufijos
      1. Acceda al programa en la computadora. Navegue hasta la puerta naranja dentro de la interfaz de la plataforma y haga clic en Lexemas y sufijos para seleccionar la tarea.
      2. Permitir que el agente pedagógico ofrezca orientación instructiva y modelado de tareas al estudiante, incluido un elemento de ejemplo en el que el estudiante usa un mouse externo para seleccionar una imagen correspondiente a la palabra objetivo.
      3. Asegúrese de que el agente pedagógico proporcione comentarios basados en la respuesta del estudiante al ejemplo y luego instruya al estudiante para que comience la tarea.
      4. Mantener la coherencia procedimental a lo largo de la ejecución de la tarea, solicitando al estudiante que seleccione una imagen correspondiente a la palabra objetivo para cada elemento presentado y registrando tanto los aciertos correctos como las respuestas perdidas.
   3. Tarea de comprensión homófona
      1. Acceda al programa en la computadora. Navegue hasta la puerta naranja dentro de la interfaz de la plataforma. Haga clic en Comprensión homófona para seleccionar la tarea.
      2. Permitir que el agente pedagógico ofrezca orientación instruccional y modelado de tareas al estudiante. Presente un elemento de ejemplo, solicitando al estudiante que use un mouse externo para seleccionar una imagen correspondiente a la palabra objetivo.
      3. Asegúrese de que el agente pedagógico proporcione comentarios basados en la respuesta del estudiante al ejemplo e instruya al estudiante para que comience la tarea siguiendo la presentación del ejemplo.
      4. Mantenga la coherencia en los pasos del procedimiento a lo largo de la ejecución de la tarea. Pida al estudiante que seleccione una imagen que corresponda a la palabra objetivo para cada elemento presentado.
      5. Registre tanto las visitas correctas como las respuestas perdidas durante la ejecución de la tarea.
4. Green Door: Módulo de procesamiento sintáctico
   1. Tarea de género
      1. Abra el programa en la computadora. Navegue hasta la puerta verde dentro de la interfaz del programa. Haga clic en Género para seleccionar la tarea.
      2. Permitir que el agente pedagógico proporcione al estudiante instrucciones y modelado de tareas. Presente dos ejemplos para que los estudiantes los complete, pidiéndoles que hagan clic en las palabras correspondientes en cada oración de acuerdo con su acuerdo de género usando un mouse externo.
      3. Asegúrese de que el agente pedagógico proporcione comentarios basados en la respuesta del estudiante a los ejemplos. Después de la presentación del ejemplo, asegúrese de que el agente pedagógico guíe al estudiante para comenzar la tarea.
      4. A lo largo de la ejecución de la tarea, mantenga la coherencia en el procedimiento. Pida al estudiante que haga clic en las palabras correspondientes en cada oración de acuerdo con su acuerdo de género.
      5. Recopile las respuestas correctas e incorrectas durante la ejecución de la tarea.
         NOTA: A diferencia del español, el inglés no distingue género en su gramática.
   2. Tarea numérica
      1. Abra el programa en la computadora. Navegue hasta la puerta verde dentro de la interfaz del programa. Haga clic en Número para seleccionar la tarea.
      2. Permitir que el agente pedagógico proporcione al estudiante instrucciones y modelado de tareas. Presente dos ejemplos para que el estudiante los complete, pidiéndoles que hagan clic en las palabras correspondientes en cada oración de acuerdo con su concordancia numérica usando un mouse externo.
      3. Asegúrese de que el agente pedagógico proporcione comentarios basados en la respuesta del estudiante a los ejemplos. Después de la presentación del ejemplo, asegúrese de que el agente pedagógico guíe al estudiante para comenzar la tarea.
      4. A lo largo de la ejecución de la tarea, mantenga la coherencia en el procedimiento. Pida al estudiante que haga clic en las palabras correspondientes en cada oración de acuerdo con su concordancia numérica.
      5. Recopile aciertos y errores durante la ejecución de la tarea.
         NOTA: A diferencia del español, el inglés no distingue números en su gramática.
   3. Tarea de palabras funcionales
      1. Abra el programa en la computadora. Navegue hasta la puerta verde dentro de la interfaz del programa. Haga clic en Palabras funcionales para seleccionar la tarea.
      2. Permitir que el agente pedagógico proporcione al estudiante instrucciones y modelado de tareas. Presente dos ejemplos para que el estudiante los complete, pidiéndoles que hagan clic en las palabras de función correspondientes en cada oración de acuerdo con el contexto de la oración usando un mouse externo.
      3. Asegúrese de que el agente pedagógico proporcione comentarios basados en la respuesta del estudiante a los ejemplos. Después de la presentación del ejemplo, asegúrese de que el agente pedagógico guíe al estudiante para comenzar la tarea.
      4. A lo largo de la ejecución de la tarea, mantenga la coherencia en el procedimiento. Pida al estudiante que haga clic en las palabras de función correspondientes en cada oración de acuerdo con el contexto de la oración.
      5. Recopile las respuestas correctas e incorrectas durante la ejecución de la tarea.
   4. Tarea de estructura gramatical
      1. Abra el programa en la computadora. Navegue hasta la puerta verde dentro de la interfaz del programa. Seleccione Estructura gramatical para elegir la tarea.
      2. Permitir que el agente pedagógico proporcione al estudiante instrucciones y demostraciones de tareas. Presente dos ejemplos para que el estudiante los complete, pidiéndoles que hagan clic en la oración apropiada para cada imagen usando un mouse externo.
      3. Asegúrese de que el agente pedagógico proporcione comentarios basados en la respuesta del estudiante a los ejemplos. Después de la presentación del ejemplo, asegúrese de que el agente pedagógico guíe al estudiante para comenzar la tarea.
      4. A lo largo de la ejecución de la tarea, mantenga la coherencia en el procedimiento. Pida al estudiante que haga clic en la oración apropiada para cada imagen usando un mouse externo.
      5. Capture las respuestas correctas e incorrectas durante la ejecución de la tarea.
5. Blue Door: Módulo de procesamiento semántico mediante tarea de comprensión lectora
   1. Abra el programa en la computadora. Diríjase a la puerta azul dentro de la interfaz del programa. Elige Los Frutos para el texto informativo o La escapada de Tino para el texto narrativo.
   2. Permitir que el agente pedagógico proporcione al estudiante instrucciones para la tarea. Una vez elegido el tipo de texto, visualiza el texto en la pantalla.
   3. El alumno debe leer el texto y memorizar la información más relevante. Después de terminar de leer, pida al estudiante que haga clic en la flecha de la pantalla con el mouse externo para indicar la finalización de la lectura y continúe con la siguiente sección.
   4. Permitir que el agente pedagógico instruya al estudiante para leer las preguntas y seleccionar la respuesta correcta usando el mouse externo. El estudiante lee las preguntas y selecciona la respuesta correcta en consecuencia.

3. Análisis de datos

1. Para evaluar la validez de constructo y la precisión diagnóstica de la batería multimedia en una población de habla hispana, se utilizó el análisis factorial confirmatorio (CFA) y el análisis de la curva de características operativas del receptor (ROC).
2. Realice CFA para validar la estructura factorial subyacente de la batería multimedia. Este análisis permite probar la hipótesis de que los datos se ajustan a una estructura predefinida basada en expectativas teóricas.
3. Evalúe el ajuste del modelo utilizando varios índices de ajuste, incluidos el índice de ajuste comparativo (CFI), el índice de Tucker-Lewis (TLI), el error cuadrático medio de aproximación (RMSEA) y el residuo cuadrático medio estandarizado (SRMR). Un buen ajuste del modelo se indica mediante valores de CFI y TLI superiores a 0,90, valores de RMSEA inferiores a 0,08 y valores de SRMR inferiores a 0,08.
4. Para determinar la precisión diagnóstica de la batería multimedia, realice un análisis de la curva ROC. Este método permite evaluar la capacidad de la prueba para clasificar correctamente a los individuos con y sin dificultades de lectura. El área bajo la curva ROC (AUC) proporciona una medida de la precisión general de la prueba. Un AUC de 0,5 indica que no hay capacidad diagnóstica, mientras que un AUC de 1,0 indica una capacidad diagnóstica perfecta.
5. Identifique los puntos de corte óptimos para la batería mediante el análisis de la sensibilidad y la especificidad en varios niveles de umbral.
6. Mediante el empleo de análisis de curvas CFA y ROC, realizar una evaluación integral de la batería multimedia, confirmando su validez de constructo y precisión diagnóstica en una población de habla hispana.

Resultados

Ejemplo de estudio
La muestra incluyó 881 participantes de España (N = 325), México (N = 169), Guatemala (N = 227) y Chile (N = 160), todos ellos hablantes nativos de español. La muestra se dividió en dos grupos: 451 en el grupo de discapacidad lectora (RD) y 430 en el grupo de lectura de rendimiento normal (NAR). Se excluyó a los niños con necesidades educativas especiales, aquellos que requieren apoyo y atención educativa específica debido a discapacidades sensoriales, problemas neurológicos u otras afecciones, porque estos factores se utilizan típicamente como criterios excluyentes para las discapacidades de aprendizaje o los trastornos graves del comportamiento, ya sea temporalmente o durante la duración de su escolaridad. Los participantes en el grupo de RD se seleccionaron en función de criterios como un coeficiente intelectual igual o superior a 80, un percentil de medición del tiempo de lectura de palabras por encima del percentil 75, un percentil de medición del tiempo de lectura de pseudopalabras por encima del percentil 75 o un percentil de medición de la precisión de lectura de pseudopalabras por debajo del percentil 25. Del mismo modo, el grupo NAR se seleccionó en base a criterios comparables, con la adición de un percentil de la tarea de comprensión PROLEC³⁶ por encima del percentil 25. Todos los percentiles se determinaron de acuerdo con los niveles de grado de los participantes. La clasificación de los participantes en estos grupos se basó en tareas de lectura de palabras y lectura de pseudopalabras, cada una de las cuales comprendía bloques separados. En ambos bloques, se instruyó a los participantes para que leyeran en voz alta los estímulos verbales presentados lo más rápido posible. El bloque de lectura de palabras incluyó 32 estímulos, mientras que el bloque de lectura de pseudopalabras contenía 48 estímulos. La familiaridad de las palabras se controló con los criterios delineados por Guzmán y Jiménez³⁷. Se registraron medidas de aciertos, errores y tiempos de latencia, con tiempos de latencia medidos desde la aparición de cada elemento hasta el inicio de la respuesta vocal del estudiante. El bloque de lectura de palabras demostró una alta consistencia interna (α = .89), mientras que el bloque de lectura de pseudopalabras exhibió una consistencia interna aún mayor (α = .91). La distribución de los estudiantes con RD y NAR en los diferentes niveles de grado fue la siguiente: En el segundo grado, había 30 estudiantes NAR y 27 estudiantes RD. En la transición al tercer grado, se observaron 100 NAR junto con 88 estudiantes de RD. El cuarto grado incluyó a 100 estudiantes NAR y 116 RD. En quinto grado, había 100 estudiantes NAR y 116 RD, mientras que en sexto grado, había 100 estudiantes NAR y 104 RD. Para evaluar las diferencias de edad en la muestra total y dentro de cada nivel de grado, se realizaron pruebas de ANOVA de un factor. Los resultados no revelaron diferencias significativas, con todos los valores de p superiores a 0,05. Del mismo modo, se examinó la distribución de la variable sexo mediante la prueba de chi-cuadrado, con todos los valores de p también superiores a 0,05.

Estadística descriptiva
En la Tabla 1 se presentan los estadísticos descriptivos (media y desviación estándar) para la edad y las medidas de evaluación. Los datos se clasifican por género, distinguiendo entre los lectores que logran normalmente y los que tienen discapacidades de lectura en varios países. Los resultados mostraron correlaciones positivas y estadísticamente significativas entre un gran número de medidas de evaluación (véase la Tabla 2). La tabla muestra las correlaciones entre las medidas, que van de débil a fuerte. Las correlaciones inferiores a 0,3 se consideran débiles, mientras que las superiores a 0,5 se clasifican como fuertes. Se proporcionan valores de correlación específicos junto con sus respectivas clasificaciones de resistencia. Por ejemplo, las correlaciones débiles (r < 0,3) incluyeron las de combinación-segmentación (r = 0,354) y la comprensión homófona de deleción (r = 0,270). Se observaron correlaciones moderadas (0,3 ≤ r < 0,5) entre la estructura gramatical-número (r = 0,463) y la estructura gramatical funcional de las palabras (r = 0,512). Son evidentes fuertes correlaciones (r ≥ 0,5) para el número-género (r = 0,642) y la imagen RAN-Color RAN (r = 0,442).

Tabla 1: Estadísticos descriptivos de las medidas. Esta tabla proporciona la media, la desviación estándar y otros estadísticos descriptivos para las diversas medidas incluidas en la herramienta digital. EDAD: Edad; NAR: Lectores que normalmente logran; RD: Discapacidad para la lectura; SEG: Segmentación; BLN: Mezcla; ISO: Aislamiento de fonemas; DEL: Supresión de fonemas; HOM: Comprensión homófona; R&S: raíz y sufijos; GEN: Género; NUM: Número; FW: Palabras funcionales; GRS: Estructura gramatical; EXT: Texto Expositivo ; NAT: Texto Narrativo ; VOC: Voz de la articulación; MOA: Forma de articulación; POA= Lugar de articulación; DIG: Dígito RAN; LET: Letra Corrida; COL: Color RAN; PIC: Foto RAN Por favor, haga clic aquí para descargar esta tabla.

Tabla 2: Coeficientes de correlación de las medidas. Esta tabla muestra los coeficientes de correlación entre las diferentes medidas de la herramienta digital, indicando la fuerza y la dirección de las relaciones entre estas medidas. SEG: Segmentación; BLN: Mezcla; ISO: Aislamiento de fonemas; DEL: Supresión de fonemas; HOM: Comprensión homófona; R&S: raíz y sufijos; GEN: Género; NUM: Número; GRS: Estructura gramatical; FW: Palabras funcionales; EXT: Texto Expositivo ; NAT: Texto Narrativo ; VOC: Voz de la articulación; MOA: Forma de articulación; POA= Lugar de articulación; DIG: Dígito RAN; LET: Letra Corrida; COL: Color RAN; FOTO: Foto RAN. Haga clic aquí para descargar esta tabla.

Análisis factorial confirmatorio
Se llevó a cabo un CFA para evaluar la estructura factorial propuesta de la batería multimedia. El modelo incluye un factor de segundo orden y seis variables latentes, cada una de las cuales representa distintos módulos de la batería multimedia. Estos constructos incluyen la conciencia fonológica (que incluye tareas de segmentación fonémica, aislamiento, combinación y eliminación), el módulo morfoortográfico (que incluye tareas de raíz y sufijos y comprensión homófona), la sintaxis (que comprende tareas de género, número, estructura gramatical y palabras funcionales), percepción del habla (que incluye tareas de sonoridad, forma de articulación y lugar de articulación), comprensión lectora (que abarca tareas de comprensión de texto expositivo y texto narrativo) y tareas rápidas de comprensión de texto tareas de nomenclatura automatizada (letras, colores, dígitos e imágenes de la tarea RAN). Para garantizar la coherencia en todas las tareas de la batería multimedia (que van de 0 a 1), utilizamos la estimación de la proporción de escalado máximo (POMS). Se calcularon las puntuaciones POMS para las tareas basadas en el tiempo (raíces y sufijos)³⁸.

Los análisis estadísticos y las presentaciones gráficas se realizaron utilizando R versión 4.3.1³⁹, empleando los paquetes lavaan⁴⁰, semTools⁴¹ y ggplot2⁴² . El ajuste del modelo se evaluó mediante varios índices de bondad de ajuste. Aunque la bondad de ajuste de chi-cuadrado fue significativa, χ²(df) = 632.01, p < .001, lo que sugiere una discrepancia entre el modelo hipotético y los datos observados, es importante señalar que la prueba de chi-cuadrado es sensible al tamaño de la muestra⁴³. Por lo tanto, se consideraron índices de ajuste adicionales.

El índice de ajuste comparativo (CFI) arrojó un valor de 0,961, superando el umbral comúnmente aceptado de 0,95 e indicando un buen ajuste a los datos. El error cuadrático medio de aproximación (RMSEA) fue de 0,038, lo que indica un ajuste cercano del modelo a los datos. El residuo cuadrático medio estandarizado (SRMR) fue de 0,034, por debajo del valor recomendado de 0,05, lo que sugiere un ajuste ideal. Las cargas factoriales para los ítems oscilaron entre 0,36 y 0,81, lo que indica cargas significativas en sus respectivos factores. La varianza media total extraída (EAV) superó los 0,50, lo que sugiere una adecuada validez convergente, y la fiabilidad compuesta total (RC) estuvo por encima de 0,80, lo que indica una buena fiabilidad de la consistencia interna.

En conclusión, los resultados del AFC respaldaron la estructura factorial propuesta, demostrando un buen ajuste del modelo, validez convergente y confiabilidad. Consulte la representación gráfica del modelo en la Figura 1.

Figura 1: Análisis factorial confirmatorio. Esta figura ilustra los resultados del análisis factorial confirmatorio realizado en la herramienta digital, destacando las cargas factoriales y las relaciones entre diferentes medidas de procesamiento cognitivo. Abreviaturas: SIC= Sicole-R; PA= Conciencia fonológica; SEG= Segmentación; BLN= Mezcla; ISO= Aislamiento; DEL= Deleción; MO= Procesamiento morfológico; HOM= Comprensión homófona; R&S= Raíz y sufijos; SYN= Procesamiento sintáctico; GEN= Género; NUM= número; GRS= Estructura gramatical; FW= Palabras funcionales; RC= Comprensión lectora; EXT= Texto expositivo; NAT= Texto narrativo; SP= Percepción del habla; VOC= Voz de la articulación; MOA= Forma de articulación; POA= Lugar de articulación; RAN= Nomenclatura Rápida Automatizada; NUM= Número RAN; LET= Letra RAN; COL= Color RAN; PIC= Imagen RAN. Haga clic aquí para ver una versión más grande de esta figura.

Se utilizaron análisis de invarianza de medida para probar si la estructura factorial de la batería multimedia era estable en todos los géneros. Las pruebas de invarianza de medida consisten en una serie de comparaciones de modelos que definen restricciones de igualdad cada vez más estrictas⁴⁴. Llevamos a cabo los análisis estadísticos y seguimos los mismos criterios del modelo de ajuste del CFA anterior. Restringimos sucesivamente los parámetros que representan las estructuras configural, métrica (cargas), escalar (intersecciones) y estricta (residuales)⁴⁵. Un mal ajuste en cualquiera de estos modelos sugiere que el aspecto que se está restringiendo no opera de manera consistente para los diferentes grupos. El grado de invarianza se determinó conjuntamente cuando χ²_D fue >0.05 y ΔCFI fue <0.01. En la Tabla 3 se muestra un resumen de los resultados de los índices de los modelos y las diferencias entre ellos.

Tabla 3: Índices de ajuste del modelo de invarianza. Esta tabla presenta los índices de ajuste para probar la invarianza de género del modelo, evaluando qué tan bien la herramienta digital mantiene la consistencia en su estructura y propiedades de medición en grupos masculinos y femeninos. Estos índices garantizan la fiabilidad y validez de la herramienta al confirmar su capacidad para medir los procesos cognitivos de forma coherente en diversos grupos de género. Haga clic aquí para descargar esta tabla.

El modelo configural, que restringió solo la configuración relativa de las variables en el modelo para que fuera la misma en ambos grupos, tuvo un ajuste adecuado a los datos: χ²(292) = 745.970, p<.001, CFI = .964, SRMR = 0.034, RMSEA = .036, IC 90% (.033, .038). El modelo de invarianza métrica restringió la configuración de las variables y todas las cargas factoriales para que fueran constantes en todos los grupos. Los índices de ajuste fueron comparables a los del modelo configural: χ²(310) = 768.56, p<.001, CFI = .963, SRMR = .037, RMSEA = .036, IC 90% (.033, .038). La invarianza de las cargas factoriales fue apoyada por las pruebas de diferencias no significativas que evaluaron la similitud del modelo: χ²_D (18) = 26.30, p = .09; ΔCFI = 0,001. En el modelo de invarianza escalar, la configuración, las cargas factoriales y las medias/intersecciones del indicador se restringieron para que fueran las mismas para cada grupo. Los índices de ajuste fueron menos que ideales: χ²(322) = 787,50, p<.001, CFI = .963, SRMS = .038, RMSEA = .035 (IC 90% = .032, .038). Las pruebas de diferencias que evaluaron la similitud del modelo sugirieron que hubo invarianza factorial: χ²_D(12)=13.00, p = .369; ΔCFI = 0,001. Finalmente, en el modelo de invarianza estricta, la configuración, las cargas factoriales, las medias/intersecciones del indicador y los residuos se restringieron para que fueran los mismos para cada grupo. Los índices de ajuste fueron menos que ideales: χ²(341) = 798.20, p<.001, CFI = .961, SRMS = .039, RMSEA = .0035 (IC del 90% = .032, .038). La invarianza estricta fue respaldada por las pruebas de diferencias no significativas que evaluaron la similitud del modelo: χ²_D(11) = 25.81, p<.001; ΔCFI = 0,002

Precisión diagnóstica
Para evaluar la precisión y la capacidad discriminativa de la batería multimedia, se realizaron análisis de las características de funcionamiento del receptor (ROC). El análisis ROC ayuda a determinar el umbral óptimo (valor de corte) para una prueba de evaluación a escala continua, equilibrando la sensibilidad (capacidad de identificar correctamente los verdaderos positivos) y la especificidad (capacidad de identificar correctamente los verdaderos negativos). Además, se utilizó el análisis ROC para evaluar la capacidad de la prueba para discriminar entre los grupos RD y NAR. Para llevar a cabo el análisis, se calcularon las puntuaciones Z por nota para cada tarea de la batería multimedia. La puntuación ómnibus consistió en la suma de las puntuaciones zeta. Los análisis estadísticos y las presentaciones gráficas se llevaron a cabo utilizando R versión 4.3.1⁴¹. Se utilizaron los paquetes pROC⁴⁶ y ggplot2⁴² . En términos de precisión diagnóstica, la batería multimedia mostró un área bajo la curva (AUC) de 9439,8 [IC 95%: 93,31%-96,24% (DeLong)] y una sensibilidad de 91,0 (Figura 2). Las curvas ROC por ley mostraron los siguientes índices: 2° ley, AUC= 96.195% [IC: 91.54%-100% (DeLong)], Se= .96, Sp=.90; 3° grado, AUC= 95,3, [IC 95%: 92,43%-98,18% (DeLong)], Se=75,70, Sp= 72,34; 4° grado, AUC=93.4 [IC 95%: 90.2%-96.66% (DeLong)], Se=.92, Sp=.84; 5° grado, AUC=95.9 [IC 95%: 93.11%-98.75% (DeLong)], Se=.90, Sp=.95; 6° grado, AUC=94.4 [IC 95%: 91.11%-97.69% (DeLong)], Se=.92, Sp=.91.

Figura 2: Análisis de la curva ROC. Esta figura presenta el análisis de la curva ROC, que muestra la precisión diagnóstica de la herramienta digital al trazar la tasa de verdaderos positivos frente a la tasa de falsos positivos en varias configuraciones de umbral. Las unidades para el eje x de la curva ROC son la especificidad y las unidades para el eje y son la sensibilidad. Abreviaturas: ROC= curva característica de funcionamiento del receptor; AUC= área bajo la curva. Haga clic aquí para ver una versión más grande de esta figura.

Discusión

En este estudio, se empleó el análisis factorial confirmatorio (AFC) para evaluar la estructura factorial de la batería Sicole-R, compuesta por un factor de segundo orden y seis variables latentes que representan diferentes módulos. Los resultados indicaron un buen ajuste del modelo, validez convergente y confiabilidad, lo que confirma la eficacia de la batería para evaluar un conjunto completo de habilidades cognitivas y de lectura que son críticas para las personas con dislexia. Es importante destacar que el rendimiento constante de la herramienta digital en diversos grupos demográficos en España, México, Guatemala y Chile sugiere su utilidad potencial en entornos educativos y clínicos en varias regiones de habla hispana.

Este estudio contribuye a la literatura al demostrar cómo se pueden usar las baterías multimedia para identificar de manera efectiva déficits cognitivos específicos asociados con la dislexia. La capacidad de la batería para identificar áreas específicas de dificultad, como la conciencia fonológica, la percepción del habla, la velocidad de denominación, el procesamiento ortográfico, el procesamiento sintáctico y la comprensión lectora, permite intervenciones personalizadas para abordar las necesidades individuales de los estudiantes de manera efectiva. Además, la coherencia demostrada de la batería en todos los géneros subraya su utilidad para promover prácticas de evaluación equitativas, apoyando así las iniciativas de educación inclusiva destinadas a brindar igualdad de oportunidades para todos los estudiantes.

A pesar de que herramientas previas con características similares fueron diseñadas para su uso en el idioma inglés, como el Dyslexia Early Screening Test (DEST) propuesto por Fawcett y Nicolson¹⁷, que evalúa múltiples dominios, este estudio demostró la aplicabilidad y efectividad de la batería multimedia en un contexto lingüístico diferente. A lo largo del análisis, se llevaron a cabo varios pasos críticos dentro del protocolo para garantizar la precisión y validez de los resultados. Estos pasos incluyeron el preprocesamiento de datos, la especificación del modelo y la estimación de parámetros, alineándose con estudios como el de Hautala et ^al.19 que han demostrado la fiabilidad de las herramientas informáticas para identificar a los estudiantes con dificultades de lectura. Además, otros estudios, como los de Protopapas et ^al.20 y Pennington et ^al.12, han explorado la implementación de herramientas de cribado informáticas para la identificación de la dislexia, subrayando la importancia de aprovechar la tecnología para mejorar las estrategias de evaluación. Además, el estudio actual se alinea con los avances recientes en la investigación de la dislexia y la evaluación psicométrica, enfatizando la relevancia de la batería en contextos contemporáneos. Los estudios realizados por Jiménez et ^al.23 y Guzmán et ^al.24 han puesto de manifiesto la necesidad crítica de contar con herramientas de evaluación robustas y adaptadas a diversos orígenes lingüísticos, lo que subraya la eficacia de Sicole-R para llenar este vacío dentro de las poblaciones de habla hispana. Por otra parte, la integración de las tecnologías digitales en la evaluación de la dislexia, tal y como comentan Rauschenberg et ^al.6, refuerza el rigor metodológico demostrado en el enfoque de este estudio sobre el análisis factorial y la validación.

A pesar del rigor metodológico empleado en este estudio, es importante reconocer ciertas limitaciones inherentes al análisis. Una limitación se refiere a la generalización de los hallazgos, ya que la muestra consistía en un grupo demográfico específico, lo que podría limitar la aplicabilidad de los resultados a poblaciones más amplias. Además, si bien se hicieron esfuerzos para garantizar la invarianza de la medición entre géneros, otros factores demográficos, como la edad o el nivel socioeconómico, no se tuvieron en cuenta explícitamente en el análisis, lo que puede haber influido en los resultados.

Las futuras líneas de investigación podrían explorar su adaptación a diferentes dialectos del español y su integración en marcos educativos más amplios para mejorar las estrategias de identificación. En el futuro, las investigaciones futuras deben apuntar a abordar las limitaciones identificadas en este estudio, como explorar la utilidad de la batería multimedia en diversas poblaciones e investigar su validez longitudinal y validez predictiva en la predicción de resultados educativos a largo plazo. Además, en una reciente revisión de Jin et ^al.47 se ha destacado una prometedora línea de investigación futura, que sugiere la incorporación de la tecnología neurobiológica. Realizaron una revisión exhaustiva de bases de datos científicas, seleccionando estudios publicados entre 2018 y 2023. Sus hallazgos sugieren que la evaluación de la tecnología neurobiológica está emergiendo como una tendencia prometedora para avanzar en el diagnóstico de la dislexia.

En conclusión, los hallazgos de este estudio destacan la batería multimedia como una herramienta valiosa para los educadores, ya que en última instancia facilita un apoyo más efectivo y mejores resultados para los estudiantes con dislexia. Al incorporar estos conocimientos contemporáneos, los hallazgos contribuyen a la evolución del discurso sobre la evaluación de la dislexia, ofreciendo a los profesionales e investigadores perspectivas actualizadas sobre marcos de estrategia de diagnóstico efectivos. Hasta donde sabemos, este estudio es uno de los primeros en validar una batería multimedia completa diseñada específicamente para poblaciones de habla hispana, llenando un vacío crítico en las herramientas de diagnóstico actuales disponibles para la dislexia.

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Sicole-R	Universidad de La Laguna	TF-263- 07