Simplificación manual
La simplificación de textos surgió en el ámbito angloparlante como un proceso editorial orientado a reducir la complejidad lingüística de un texto, procurando preservar su contenido y significado originales. Numerosos manuales de estilo clásico sistematizaron recomendaciones dirigidas a la simplificación y clarificación de la prosa, tales como la reducción de nominalizaciones, la preferencia por estructuras sintácticas más directas y la eliminación de redundancias (Gowers, 1954; Lanham, 1987; Scott Rice, 1993; Strunk, 1920; Williams, 2010). Con el tiempo, las técnicas de simplificación se diversificaron y complejizaron, incorporando no solo transformaciones léxicas y sintácticas, sino también intervenciones de carácter conceptual, discursivo y explicativo (Crossley, Allen y McNamara, 2012; Vecchiato, 2022). Este proceso puede implicar la introducción de redundancias estratégicas, la incorporación de ejemplos o la explicitación de información mediante títulos o reformulaciones, lo que lo aproxima más a una explicación que a una mera reformulación del contenido original (Srikanth y Li, 2021).
Por otra parte, la simplificación puede asumir la forma de un resumen, en el que se eliminan o reducen elementos considerados secundarios o menos relevantes. En este sentido, suele establecerse una distinción entre la simplificación lingüística —centrada en la forma del texto—, el resumen —orientado a la condensación informativa— y la modificación elaborativa o reelaboración, que implica transformaciones más profundas en la organización, explicitación y presentación del contenido (Siddharthan, 2014; Srikanth y Li, 2021).
En cualquiera de sus variantes, el objetivo fundamental de la simplificación de textos es facilitar el acceso a la información, especialmente para personas con niveles bajos de alfabetización o con dificultades de comprensión lectora.
A medida que un lector avanza por un texto, codifica información textual explícita y la combina con el conocimiento de los significados de las palabras y las convenciones del lenguaje, el conocimiento sobre la forma de los textos y el conocimiento general relacionado con el contenido (Perfetti, 1985). La comprensión lectora puede entenderse como un proceso dinámico en el que el lector construye y actualiza continuamente una representación mental del texto. Para ello, debe identificar cada nueva unidad de información e integrarla con lo ya leído, estableciendo relaciones coherentes entre ambos (Clark, Haviland y Freedle, 1977). Este proceso implica no solo conectar la información nueva con la previamente presentada en el texto, sino también vincularla con los conocimientos que el lector ya posee. En otras palabras, la comprensión depende de la articulación entre información textual previa, información nueva y conocimiento externo.
Cuando estas conexiones no se establecen adecuadamente, la comprensión se ve afectada. Esto puede deberse, en primer lugar, a limitaciones del propio lector. La dificultad para activar el conocimiento pertinente puede originarse en un dominio insuficiente del vocabulario (Beck, McKeown y Omanson, 1987; Omanson et al., 1984), en la falta de conocimientos sobre el tema del texto (Beck, Omanson y McKeown, 1982; Pearson, Hansen y Gordon, 1979) o en la incapacidad de reconocer qué conocimientos previos resultan relevantes para interpretar el texto (Anderson et al., 1977).
No obstante, los obstáculos para la comprensión no dependen únicamente del lector, sino también de las características del propio texto. Ciertos rasgos discursivos pueden dificultar la construcción de conexiones coherentes, como el uso de referencias ambiguas, distantes o implícitas (Cirilo, 1981; Kintsch y van Dijk, 1978; Lesgold, Roth y Curtis, 1979). Asimismo, la ausencia de información contextual puede impedir la activación de esquemas adecuados (Anderson, 1978; Bransford y Johnson, 1973; Kieras, 1985). A esto se suman la falta de vínculos explícitos entre eventos (Black y Bower, 1980; Kintsch y Kozminsky, 1977), la inclusión de información irrelevante (Schank, 1975; Trabasso, Secco y van den Broek, 1984) y una alta densidad conceptual (Kintsch et al., 1975; Kintsch y Keenan, 1973).
En este marco, resulta particularmente relevante analizar aquellos recursos lingüísticos que, aun siendo característicos del discurso académico, pueden intensificar estas dificultades de procesamiento. Entre ellos, las nominalizaciones ocupan un lugar central, ya que condensan procesos en entidades abstractas, de modo que incrementan la densidad informativa y reducen la explicitación de relaciones entre acciones y agentes. En este sentido, diversos estudios experimentales sobre el efecto de las nominalizaciones en la comprensión lectora de textos técnicos y académicos han mostrado su incidencia en los procesos de recuerdo y construcción de sentido (Isakson y Spyridakis, 1995, 2003; Spyridakis e Isakson, 1998). Estos antecedentes permiten comprender de qué manera ciertas elecciones gramaticales contribuyen a obstaculizar —o eventualmente facilitar, según el caso— la construcción de sentido por parte del lector. Del mismo modo, estos problemas justifican el desarrollo de estrategias de simplificación textual orientadas a hacer más explícitas las relaciones discursivas y a reducir la carga cognitiva, especialmente en lectores con menor experiencia.
La investigación de Kintsch y Keenan (1973) mostró que la dificultad de un texto no depende únicamente de variables superficiales, como la longitud de palabras u oraciones, sino de su estructura semántica. En particular, evidenció que el tiempo de lectura y el recuerdo aumentan en función del número de proposiciones que componen el texto, y que las proposiciones jerárquicamente superiores son recordadas con mayor facilidad que las subordinadas. Posteriormente, Kintsch et al. (1975) demostraron que la comprensión y el recuerdo de textos no dependen únicamente del número de proposiciones que contienen, sino también de la cantidad de conceptos distintos involucrados en ellas. Textos con mayor diversidad conceptual requieren más tiempo de procesamiento y se recuerdan peor, aun cuando se controla la cantidad total de información. Asimismo, la repetición de conceptos y su organización jerárquica favorecen la retención, y así consolidan la importancia de la estructura semántica en la comprensión. Estos resultados sugieren que la densidad proposicional y conceptual constituyen dimensiones importantes de la complejidad textual, con implicancias directas para el estudio de la legibilidad y las estrategias de simplificación.
Mason y Kendall (1978) demostraron que dividir oraciones complejas en estructuras más cortas mejora la comprensión en lectores menos hábiles, ya que reduce la carga sobre la memoria de trabajo sintáctica y libera recursos para el procesamiento semántico. En la misma línea, diversos estudios evidencian que la simplificación manual favorece la comprensión cuando se facilita el lenguaje (McNamara et al., 1996) o se explicitan las relaciones discursivas (Beck et al., 1991). Se observó que la revisión textual puede elevar el rendimiento de lectores con baja capacidad.
Por otra parte, Linderholm et al. (2000) mostraron que reformular relaciones causales beneficia a lectores con dificultades, especialmente cuando poseen escasa experiencia en el dominio (McNamara et al., 1996).
Asimismo, el orden de la información influye en la comprensión, ya que estructuras sintácticas que presentan información nueva antes de la dada pueden incrementar la carga de procesamiento, especialmente en lectores menos expertos (Clark, Haviland y Freedle, 1977; Just y Carpenter, 1992; Perfetti, 1985). En este sentido, formulaciones más directas o lineales tienden a facilitar la comprensión (Beck et al., 1991; McNamara et al., 1996).
En general, la evidencia indica que la simplificación mejora la comprensión mediante estrategias como sustituir vocabulario complejo, dividir oraciones, explicitar relaciones y presentar la información en orden causal.
Más allá de los estudios experimentales, el lenguaje simplificado aparece en contextos naturales, como el lenguaje materno. Este se caracteriza por ajustes sistemáticos —reducción de longitud, complejidad sintáctica y variedad léxica— que disminuyen la carga cognitiva (Hayes y Ahrens, 1988). Estos fenómenos se relacionan con principios como el “peso final” (Behaghel, 1930) acerca del orden de los constituyentes en la oración.
La manera en que se ordenan los constituyentes influye en la facilidad de procesamiento. Por este motivo, los constituyentes más extensos o complejos tienden a ubicarse en posiciones posteriores. Desde una perspectiva cognitiva, este fenómeno podría explicarse, por ejemplo, por el tipo de organización más compatible con las demandas del procesamiento incremental del lenguaje y con el principio de orden causal lineal o icónico, según el cual la comprensión se ve facilitada cuando la secuencia textual reproduce la secuencia causal de los acontecimientos (Noordman y Vonk, 1998; Noordman y De Blijzer, 2000; Demberg, Keller y Koller, 2013). La información presentada antes del verbo debe mantenerse activa hasta que este permita integrarla en una estructura sintáctica coherente. En consecuencia, la presencia de material preverbal extenso incrementa la carga cognitiva, especialmente en lectores menos expertos. Por el contrario, la ubicación de los elementos más complejos en posición posverbal —fenómeno conocido como end-weight— facilita el procesamiento al reducir la demanda de almacenamiento temporal y favorecer la integración progresiva de la información. Estas observaciones resultan consistentes con los modelos de comprensión que enfatizan el rol de la memoria de trabajo en la construcción del significado (Just y Carpenter, 1992).
Por otra parte, los lenguajes controlados, desarrollados en ámbitos industriales, buscan reducir la ambigüedad más que simplificar en sentido estricto. Sistemas como EasyEnglish (Bernth, 1998) guían la redacción mediante reglas léxicas, sintácticas y pragmáticas (O’Brien, 2003), con el fin de promover claridad y consistencia. Sin embargo, la simplificación léxica puede generar ambigüedad, ya que las palabras más frecuentes tienden a ser más polisémicas.
La simplificación también ha sido aplicada a poblaciones específicas, como aprendices de segunda lengua. Si bien numerosos estudios muestran que facilita la comprensión (Long y Ross, 1993), existe debate sobre su impacto en la adquisición lingüística. En este contexto, algunos autores proponen la elaboración en lugar de la simplificación, ya que mantiene la riqueza del input sin comprometer la comprensión.
Finalmente, la simplificación automática de textos se ha consolidado como un campo relevante dentro del procesamiento del lenguaje natural. Desde enfoques iniciales centrados en reglas (Chandrasekar, Doran y Bangalore, 1996) hasta modelos híbridos actuales (Siddharthan, 2014), la investigación destaca la necesidad de equilibrar accesibilidad y coherencia discursiva, especialmente al adaptar textos a distintos perfiles de lectores.
Procesamiento automático del lenguaje y comprensión textual
En paralelo a las iniciativas más populares orientadas a la accesibilidad discursiva —como el lenguaje claro y la lectura fácil (Inclusion Europe, 2009; Maaß, 2020; Schriver, 2017)—, la inteligencia artificial ha abordado el problema de la comprensión textual mediante el desarrollo de herramientas capaces de analizar y generar lenguaje comprensible para usuarios humanos. Este conjunto de desarrollos da lugar al campo del Procesamiento del Lenguaje Natural (PLN), cuyo objetivo general consiste en modelar computacionalmente distintos aspectos del lenguaje humano (Manning, 1999; Mitkov, 2022; Russell y Norvig, 1995).
De manera general, las técnicas de PLN pueden organizarse en dos grandes grupos: aquellas orientadas al análisis del lenguaje y aquellas destinadas a su generación. Las primeras buscan identificar patrones lingüísticos, semánticos y discursivos en textos producidos por humanos, abarcando dimensiones léxicas, sintácticas y conceptuales. Las segundas se centran en la producción automática de textos, ya sea mediante la generación de contenido nuevo o la reformulación de textos existentes, como ocurre en tareas de paráfrasis, resumen o adaptación del discurso (Mitkov, 2022).
Históricamente, estos desarrollos han evolucionado desde enfoques basados en reglas explícitas hacia modelos guiados por datos entrenados sobre grandes corpus textuales. Este cambio ha permitido capturar regularidades complejas del lenguaje, aunque también ha introducido nuevos desafíos en términos de control, interpretabilidad y adecuación a contextos específicos (Manning, 1999; Russell y Norvig, 1995).
En los últimos años, los modelos de lenguaje de gran escala (LLM) han ampliado significativamente las capacidades del PLN. Estos modelos, entrenados con grandes volúmenes de texto, pueden generar producciones lingüísticas coherentes y contextualmente pertinentes, así como adaptar el registro y estilo del discurso según distintas consignas (Brown et al., 2020; OpenAI, 2023). Asimismo, permiten automatizar la generación de ejemplos y reformulaciones, lo que resulta especialmente relevante en contextos educativos y de divulgación (Gao et al., 2020). Sin embargo, su aplicación a la mejora de la comprensión textual plantea limitaciones importantes, entre ellas la dependencia de datos de entrenamiento, la variabilidad de los usuarios y la falta de criterios robustos de evaluación centrados en la comprensión efectiva (Saggion, 2024).
Desde el campo de la psicología, el procesamiento automático de textos ha sido utilizado principalmente con fines analíticos, orientados a identificar patrones lingüísticos asociados a variables cognitivas, afectivas y sociales. Herramientas como Linguistic Inquiry and Word Count (LIWC) permiten cuantificar dimensiones del discurso vinculadas con procesos como la causalidad, el insight o la regulación emocional (Pennebaker et al., 2015; Tausczik y Pennebaker, 2010). Estos enfoques han sido aplicados en diversos dominios, incluyendo el análisis de narrativas, la toma de decisiones y el razonamiento jurídico (Macbeth y Razumiejczyk, 2019, 2024; Macbeth y Razumiejczyk, 2019, 2022; Macbeth y Yuan, 2025).
Asimismo, el uso de herramientas de análisis lingüístico automatizado en contextos específicos —como CLAN, desarrollado en el marco del proyecto CHILDES— ha sido ampliamente documentado en trabajos de síntesis sobre el estudio del lenguaje infantil, que integran datos de corpus y análisis computacionales del discurso (MacWhinney, 2000). Estos enfoques han permitido el análisis sistemático de producciones infantiles, incluyendo narrativas, y la articulación de metodologías cuantitativas y cualitativas.
No obstante, existe una divergencia importante entre los enfoques del PLN y los aportes de la psicología cognitiva. Mientras que los primeros han priorizado la modelización formal y la generación automática del lenguaje, los segundos han desarrollado abundante evidencia empírica sobre los procesos de comprensión, aprendizaje y memoria. Esta falta de integración se refleja también en el campo de la accesibilidad textual: una revisión reciente muestra que las recomendaciones ampliamente difundidas —como las del easy language— cuentan aún con escasa validación empírica sistemática y generalizable (González-Sordé y Matamala, 2024).
En este contexto, se vuelve necesario avanzar hacia enfoques interdisciplinarios que articulen el desarrollo tecnológico del PLN con modelos cognitivos del lector, integrando evidencia empírica sobre comprensión textual. Esta articulación resulta clave para el diseño de estrategias de reformulación que no solo modifiquen superficialmente los textos, sino que contribuyan efectivamente a mejorar su comprensión.
En este marco, la simplificación automática de textos puede entenderse como un punto de convergencia entre las capacidades generativas del PLN y las preocupaciones empíricas de la psicología sobre la comprensión. Mientras que el PLN ha desarrollado múltiples estrategias para transformar textos —principalmente orientadas por criterios formales o estadísticos—, la evidencia psicológica sugiere que la comprensión depende de factores más complejos, vinculados con la estructura conceptual, la carga cognitiva y las características del lector. Esta tensión entre transformación formal y comprensión efectiva resulta especialmente relevante al analizar los antecedentes en simplificación automática, ya que permite identificar tanto los logros como las limitaciones de los enfoques existentes. En particular, como se verá a continuación, muchas de estas propuestas han privilegiado operaciones generales sobre la estructura sintáctica o el léxico, sin atender de manera específica a ciertos fenómenos lingüísticos que pueden afectar de forma sistemática la comprensión del discurso especializado.
Simplificación automática de textos
La simplificación automática de textos es un área de investigación que busca transformar textos complejos en versiones más fáciles de entender, manteniendo su significado original. En los últimos años, este campo ha crecido notablemente, en parte gracias al desarrollo de enfoques inspirados en la traducción automática. En este contexto, suele hablarse de una división entre sistemas basados en reglas, diseñados manualmente por expertos, y sistemas basados en datos, que aprenden a simplificar a partir de grandes corpus de textos. Sin embargo, esta distinción no es tan clara en la práctica, ya que desde sus inicios muchos sistemas han combinado ambos enfoques y han explorado distintas formas de representar el lenguaje para llevar a cabo la simplificación.
Existen dos tipos principales de simplificación: la sintáctica y la léxica. La simplificación sintáctica se centra en modificar la estructura de las oraciones, por ejemplo, dividiendo oraciones largas, eliminando subordinadas o transformando construcciones complejas en otras más simples. Este tipo de simplificación suele prestarse mejor a la creación de reglas manuales, ya que las estructuras gramaticales posibles son relativamente limitadas. En cambio, la simplificación léxica implica sustituir palabras difíciles por otras más simples o añadir explicaciones, lo que resulta mucho más complejo de abordar mediante reglas, debido a la gran cantidad de vocabulario y contextos posibles. Por esta razón, los enfoques basados en datos resultan especialmente útiles en este nivel.
Los primeros sistemas de simplificación automática ya reflejaban esta diversidad de enfoques. Por ejemplo, el trabajo de Chandrasekar propuso tratar la simplificación como un proceso en dos etapas: primero analizar la oración y luego transformarla (Chandrasekar, Doran y Bangalore, 1996). Inicialmente, utilizó reglas creadas manualmente para simplificar estructuras, como las oraciones de relativo o las coordinadas. Posteriormente, exploró la posibilidad de aprender estas reglas automáticamente a partir de ejemplos. Sin embargo, estos enfoques enfrentaron dificultades importantes, sobre todo porque simplificar correctamente requiere resolver ambigüedades sintácticas, algo que no siempre es posible sin un análisis profundo del lenguaje.
Otro aporte fundamental fue el de Dras, quien amplió el concepto de simplificación al de paráfrasis, es decir, la reformulación del texto bajo ciertas restricciones, como la longitud o la legibilidad (Dras, 1999). Dras introdujo el uso de gramáticas síncronas para modelar las transformaciones entre distintas versiones de una oración, así como técnicas de optimización matemática para seleccionar las mejores transformaciones posibles. Una de sus ideas más relevantes fue que la simplificación no debe evaluarse solo a nivel de oraciones individuales, sino considerando el texto completo, ya que factores como la coherencia y la variedad estructural dependen del conjunto del discurso.
El proyecto PSET representó uno de los primeros intentos de aplicar estas ideas en un contexto práctico, con el objetivo de ayudar a personas con dificultades lingüísticas, como aquellas que padecen afasia (Canning y Tait, 1999; Carroll et al., 1999). Este sistema combinaba simplificación sintáctica, sustitución de pronombres y simplificación léxica. Aunque logró algunos avances, sus resultados fueron limitados debido a la simplicidad de las reglas empleadas y a las dificultades del análisis sintáctico en oraciones complejas.
Más adelante, el trabajo de Siddharthan puso de relieve un aspecto clave que había sido en gran medida ignorado: la importancia de la coherencia y la cohesión textual. La simplificación no solo implica modificar estructuras gramaticales, sino también preservar las relaciones entre las ideas del texto. Por ejemplo, dividir una oración puede generar ambigüedades en el uso de pronombres o alterar el orden de la información de manera que el texto resulte confuso. Por ello, Siddharthan propuso modelos que tienen en cuenta tanto la estructura del discurso como el estado de atención del lector, con el fin de mantener la claridad y la coherencia tras la simplificación (Siddharthan, 2004, 2006).
En los sistemas contemporáneos, la simplificación de textos se aborda frecuentemente como un problema de traducción automática monolingüe, donde el texto original se “traduce” a una versión más simple del mismo idioma. Este enfoque ha sido impulsado por la disponibilidad de corpus como la Wikipedia en inglés simple. Los modelos basados en traducción automática estadística, especialmente los basados en frases, permiten aprender correspondencias entre expresiones complejas y simples (Coster y Kauchak, 2011; Specia, 2010; Wubben, van den Bosch y Krahmer, 2012). No obstante, estos modelos tienen limitaciones importantes, ya que son más adecuados para operaciones como la eliminación o la sustitución de palabras, pero menos eficaces para transformaciones estructurales complejas, como la división de oraciones o el reordenamiento sintáctico.
Por otro lado, los sistemas basados en sintaxis utilizan representaciones estructurales más profundas, como árboles de análisis sintáctico, lo que les permite realizar transformaciones más complejas (Woodsend y Lapata, 2011; Zhu, Bernhard y Gurevych, 2010). Sin embargo, estos sistemas suelen requerir herramientas de análisis lingüístico avanzadas y no siempre manejan adecuadamente aspectos como la morfología. Los sistemas basados en reglas manuales, en cambio, pueden controlar con precisión estas transformaciones, pero tienen la desventaja de no escalar bien, especialmente en lo que respecta a la simplificación léxica. Como resultado, en la actualidad existe un creciente interés en los sistemas híbridos, que combinan reglas para la sintaxis con métodos automáticos para el léxico (Siddharthan y Mandya, 2014).
La simplificación léxica constituye un área de investigación en sí misma. Puede abordarse mediante la adición de definiciones para términos complejos o mediante la sustitución de palabras por sinónimos más sencillos. Este proceso plantea desafíos importantes, como la ambigüedad de las palabras o la necesidad de considerar el contexto. Algunos enfoques utilizan recursos como WordNet (Miller, 1995), estadísticas de frecuencia o corpus paralelos para determinar qué palabras son más simples o más adecuadas en cada caso.
La evaluación de los sistemas de simplificación sigue siendo un problema abierto. Los métodos automáticos, como las métricas BLEU o NIST, comparan las salidas del sistema con versiones de referencia, pero no capturan adecuadamente la calidad de la simplificación (Coster y Kauchak, 2011; Zhu, Bernhard y Gurevych, 2010). Las métricas de legibilidad, por su parte, se basan en características como la longitud de las palabras o las oraciones (Flesch, 1948), pero no reflejan necesariamente la comprensión real del texto. Por ello, muchos investigadores recurren a evaluaciones humanas, aunque estas suelen basarse en juicios de lectores expertos y no de las poblaciones objetivo.
En cuanto a sus aplicaciones, la simplificación de textos se utiliza principalmente en tecnologías de asistencia, con el objetivo de facilitar el acceso a la información a personas con dificultades de lectura, como aquellas con dislexia, afasia o autismo. También se emplea en tareas como el resumen automático y la extracción de información, donde simplificar el texto puede mejorar el rendimiento de otros sistemas de procesamiento del lenguaje (Jonnalagadda et al., 2009; Siddharthan, 2011).
A pesar de los avances logrados, persisten desafíos importantes, especialmente en lo que respecta a la evaluación de los sistemas y al desarrollo de herramientas que mejoren efectivamente la comprensión de los usuarios finales. El objetivo último no consiste solo en producir textos más breves o aparentemente más simples, sino en hacerlos verdaderamente accesibles desde el punto de vista conceptual.
Por otra parte, deben considerarse las limitaciones propias de la producción automática mediante PLN. Si bien los modelos lingüísticos de gran tamaño (LLM) han mostrado progresos significativos en los últimos años, la generación automatizada de textos que resulten genuinamente comprensibles sigue siendo un problema no resuelto. Las herramientas actuales pueden producir paráfrasis de carácter superficial, pero no garantizan de manera consistente la preservación de la estructura conceptual del contenido ni su adecuación a requerimientos cognitivos específicos (Saggion, 2024).
