Resumen: Los estudiantes disléxicos utilizan cada vez más herramientas de inteligencia artificial (IA) para apoyar las tareas relacionadas con la lectura, la escritura, la organización y el estudio. Sin embargo, sus experiencias vividas con estas herramientas siguen sin examinarse en gran medida. Este artículo propone DysLexLens, un marco LLM de bajos recursos, diseñado para analizar la experiencia de los estudiantes disléxicos con la IA a través de foros de discusión en línea. DysLexLens está diseñado como una arquitectura de extremo a extremo, rastreable por evidencia, que transforma publicaciones ruidosas en redes sociales en corpus basados en diccionarios, proporciona razonamiento de preguntas basado en gráficos de conocimiento (KG), genera respuestas de consultas verificables y permite la evaluación de respuestas a través de una evaluación cuantitativa y basada en humanos. DysLexLens tiene cuatro características clave. En primer lugar, emplea un método de filtrado basado en diccionario para construir un corpus de Reddit más centrado en la dislexia y la IA, filtrando publicaciones ruidosas y débilmente relacionadas para mejorar la relevancia de los datos recopilados en contextos de foros de bajos recursos. En segundo lugar, integra el análisis semántico asistido por LLM con el razonamiento de consultas basado en KG para descubrir patrones significativos. En tercer lugar, cuenta con métricas de evaluación cuantitativa (RAGAS y Query Robustness) para medir el desempeño de las respuestas generadas por LLM. En cuarto lugar, proporciona directrices estructuradas de validación cualitativa para evaluar la calidad de la respuesta, con un enfoque específico en las alucinaciones y la alineación de la evidencia. Demostramos la eficacia de DysLexLens utilizando datos del foro de Reddit relacionados con la dislexia y 30 preguntas. Los resultados muestran su potencial generalización a otros contextos de datos de foros de bajos recursos. DysLexLens, datos de muestra, preguntas y resultados de evaluación están disponibles en Github para respaldar la reproducibilidad.
Publicado originalmente en export.arxiv.org el 28 de junio de 2026.
Ver fuente original
