Legibilidad musical y aprendizaje computacional: comparación de ordenamientos de dificultad en música escrita para los niveles de estudios en flauta transversa

Autores/as

DOI:

https://doi.org/10.22201/fesa.26832917e.2026.7.2.463

Palabras clave:

Legibilidad musical, complejidad musical, partituras, aprendizaje computacional, flauta transversa

Resumen

La legibilidad es una evaluación subjetiva sobre la dificultad de lectura en los textos. En el ámbito musical estas decisiones pueden optimizarse mediante la sistematización de elementos cuantificables. El Índice de Legibilidad Musical (ÍLeMus) es una herramienta desarrollada en el Posgrado de Cognición Musical de la UNAM que, basada en la experimentación cognitiva sobre lectura musical, analiza diversos factores: la extensión de un fragmento, la cantidad de tinta, el promedio de alteraciones en las claves, la entropía, la similitud entre eventos y su relación con el tempo, además de la indicación metronómica. En este texto se reporta un experimento con dos intervenciones, cuyo objetivo es evaluar la capacidad del ÍLeMus para generar ordenamientos de dificultad en partituras para flauta transversa. Para ello, se tomó como referencia el ordenamiento del International Music Score Library Proyect (IMSLP), y se comparó con uno nuevo, construido con base en los indicadores del ÍLeMus. Para evaluar la efectividad del índice en esta tarea, se empleó otro modelo de complejidad, proveniente del aprendizaje computacional (AC): el árbol de regresión, utilizado para organizar las partituras de un corpus específico según su grado de dificultad. Esta estrategia permite ofrecer información cuantitativa sobre los indicadores mencionados y un orden sugerido de legibilidad, útil para profesores, investigadores o compositores que deseen fundamentar con mayor rigor sus decisiones subjetivas.

Descargas

Los datos de descarga aún no están disponibles.

Biografía del autor/a

  • Patricio F. Calatayud, Universidad Nacional Autónoma de México

    Compositor musical con mención honorífica por la Universidad Nacional Autónoma de México con una investigación sobre el concepto de intención en la composición. Es maestro en Tecnología Musical con mención honorífica por la Universidad Nacional Autónoma de México con una investigación en nuevas formas de escritura musical en computadoras. Actualmente cursa el doctorado en Cognición Musical en el posgrado de la UNAM. Es profesor Definitivo en la Facultad de Música en el área del LIMME y también ha dado cursos en el INBA, CENART y TEC de Monterrey. Su línea de investigación gira en torno a la musicografía dinámica, cognición musical y matemáticas en música.

    Con su obra se ha presentado en museos, galerías y numerosos espacios de experimentación sonora en Latinoamérica. Sus más recientes composiciones se dedican a la interpretación de musicografía dinámica.

  • Pablo Padilla-Longoria, Universidad Nacional Autónoma de México. Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas

    Cursó las licenciaturas en Matemáticas (medalla Gabino Barreda) y Física en la Universidad Nacional Autónoma de Mexico (UNAM) y Piano en el Conservatorio Nacional de Música. Obtuvo la maestría en Ciencias (M.Sc.) y el doctorado en Ciencias (Ph.D.) del Instituto Courant de Ciencias Matemáticas de la Universidad de Nueva York, así como el diploma en piano del Mannes College of Music, en donde también estudio clavecín, composición e improvisación. Ocupó una posición posdoctoral en el Instituto Politécnico Federal de Suiza en Zürich (ETH) y continuó estudios de clavecín en la Escuela Superior de Música de la misma ciudad con la maestra Carmen Schibli. Ha sido profesor visitante en diferentes universidades, incluyendo la Universidad de Oxford, la Escuela de Altos estudios en Ciencias Sociales (EHESS, París) y la Universidad de Cambridge.

    Ha dado conferencias en varias instituciones, incluyendo la Universidad Complutense de Madrid, la Universidad de Granada, el Instituto Coreano de Estudios Avanzados (KIAS), la Escuela Normal de Ingenieros de Túnez (ENIT), las Universidades de Roma, Chile, Keio (Japón), el Instituto Superior Técnico de Lisboa, la Universidad de Harvard, el Instituto Isaac Newton de Cambridge, etc. Actualmente es profesor Titular C del Departamento de Matemáticas y Mecánica del Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas (IIMAS) de la UNAM e imparte clases en la Facultad de Ciencias y en la Facultad de Música, también de la UNAM.

  • María del Mar Galera-Núñez, Universidad de Sevilla

    Doctora en Ciencias de la Educación, titulada superior de las especialidades de Piano, Música de Cámara y Solfeo y Teoría de la Música; licenciada en Historia del Arte por la Universidad de Sevilla; experta en Métodos y Recursos de Educación Musical por la Universidad de la Laguna. Es miembro del Grupo de Investigación Didáctica (GID).

    Sus principales líneas de investigación están relacionadas con los lenguajes artísticos en la educación, la tecnología musical y la formación musical del profesorado de infantil. Ha participado en calidad de directora e investigadora en diferentes proyectos de investigación relacionados con la enseñanza de la música y ha sido miembro del comité científico de diferentes congresos educativos, así como revisora en revistas relacionadas con la educación musical y artística: LEEME, Educación XX1, Pedagogía Social, Electronic Journal of Research in Educational Psychology, entre otras. Tiene casi un centenar de trabajos publicados entre comunicaciones, artículos de revistas, capítulos y libros relacionados con la educación musical.

  • Gabriela Pérez-Acosta, Universidad Nacional Autónoma de México

    Pianista y maestra en Cognición Musical. Egresada de la licenciatura en Piano de la Facultad de Música de la Universidad Nacional Autónoma de México (UNAM). Continúa sus estudios como intérprete en L’École Normale de Musique de Paris Alfred Cortot. En agosto de 2008 obtiene el grado de maestra en Música en el área de Cognición Musical. Ha presentado sus trabajos de investigación en varias conferencias nacionales e internacionales en México, Italia, Brasil, Argentina, Austria, Finlandia, Grecia, Israel e Inglaterra.

    Es profesora de Carrera de Tiempo Completo de la Facultad de Música de la UNAM y de 2011 a 2014 desempeñó el cargo de Secretaria Académica en dicha entidad. Desde el año 2012 pertenece también al banco de tutores y profesores invitados del Posgrado en Ciencias Cognitivas de la Universidad Autónoma del Estado de Morelos y desde enero del 2015 es investigadora del Centro Nacional de Investigación, Documentación e Información Musical “Carlos Chávez”. Actualmente cursa los estudios de doctorado en el área de Cognición Musical en el Programa de Posgrado en Música de la UNAM y durante el primer semestre de 2017 realizó una estancia de investigación con el grupo Music, Mind & Brain de la Goldsmiths University en Londres, Inglaterra.

Referencias

ABSM. 2025. Homepage ABRSM. https://www.abrsm.org/en-mx

Abdallah, Samer y Mark Plumbley. 2009. “Information Dynamics: Patterns of Expectation and Surprise in the Perception of Music”. Connection Science 21, no. 2–3: 89–117. https://doi.org/10.1080/09540090902733756.

Angeler, David. 2020. “Biodiversity in Music Scores”. Challenges 11, no. 1: 7. https://doi.org/10.3390/challe11010007.

Aurnhammer, Christoph, y Stefan Frank. 2019. “Evaluating Information-Theoretic Measures of Word Prediction in Naturalistic Sentence Reading”. Neuropsychologia 134 (November): 107198. https://doi.org/10.1016/j.neuropsychologia.2019.107198.

Baddeley, Alan David. 2003. “Working Memory: Looking Back and Looking Forward”. Nature Reviews Neuroscience 4, no. 10: 829–839.

Bailin, Alan, y Ann Grafstein. 2016. Readability: Text and Context. England: Springer.

Bressan, Glaucia., De Azevedo, Beatriz., & Lizzi, Elisangela. (2017). “A Decision Tree Approach for the Musical Genres Classification.” Applied Mathematics & Information Sciences 11, no. 6: 1703-1713. https://doi.org/10.18576/amis/110617

Calatayud, Patricio Federico. 2024. El ÍleMus (Índice de Legibilidad Musical): Un nuevo modelo cognitivo matemático para la medición de la legibilidad en música escrita. Tesis doctoral, Universidad Nacional Autónoma de México. https://tesiunam.dgb.unam.mx/F/ETSSVY2CKLLUFADI52AQF9PL46F972LM1ANH2D711KTTL3GSAU-18903?func=find-b&local_base=TES01&request=%C3%8DLeMus&find_code=WRD&adjacent=N&filter_code_2=WYR&filter_request_2=&filter_code_3=WYR&filter_request_3=

Chase, Ivan. 2006. “Music Notation: A New Method for Visualizing Social Interaction in Animals and Humans”. Frontiers in Zoology 3, no. 1: 18. https://doi.org/10.1186/1742-9994-3-18.

Chang, Ting-Yun, y Isabel Gauthier. 2021. “Domain-Specific and Domain-General Contributions to Reading Musical Notation”. Attention, Perception, & Psychophysics, advance online publication, 83 (January 2):2983-2994.https://doi.org/10.3758/s13414-021-02349-3.

Drai-Zerbib, Véronique y Thierry Baccino. 2014. “The effect of expertise in music reading: Cross-modal competence”. Journal of Eye Movement Research 6, no. 5 (January): 1-10. https://doi.org/10.16910/jemr.6.5.5

Eden Ünlü, Seda, y Ahmet Serkan Ece. 2019. “Reading notation with Gestalt perception principles: Gestalt algı ilkeleri ile notasyon okuma”. Journal of Human Sciences 16, no. 4: 4. https://www.j-humansciences.com/ojs/index.php/IJHS/article/view/5822/3325

Endestad, Tor, Rolf Inge Godøy, Markus Handal Sneve, Thomas Hagen, Agata Bochynska, y Bruno Laeng. 2020. “Mental Effort When Playing, Listening, and Imagining Music in One Pianist’s Eyes and Brain”. Frontiers in Human Neuroscience 14 (October):1-23. https://doi.org/10.3389/fnhum.2020.576888.

Flute pieces by level. IMSLP. (s.f.). Recuperado el 1 de enero de 2023, desde https://imslp.org/wiki/Special:DiffPage/DiffMain/4

Flesch, Rudolph. 1948. “A New Readability Yardstick.” Journal of Applied Psychology 32, no. 3: 221-233. https://psycnet.apa.org/record/1949-01274-001?doi=1

Friston, Karl. 2010. “The Free-Energy Principle: A Unified Brain Theory?” Nature Reviews Neuroscience 11, no. 2: 127–138. https://doi.org/10.1038/nrn2787.

Gao, Hong, Zijian Lu, Vera Demberg, y Enkelejda Kasneki. 2021. “The Index of Cognitive Activity Predicts Cognitive Processing Load in Linguistic Task”. En Proceedings of the EMICS workshop at CHI’21.

Goldsmiths, Universidad de Londres. “Learn to play:computational Assessment of Musical Playability for Users´Practice”. Revisado el 9 de noviembre, 2025. https://gtr.ukri.org/projects?ref=AH%2FP013287%2F1.

Guo, E. W., y Project Petrucci. 2006. IMSLP: Free Sheet Music PDF Download”. Revisado el 9 de noviembre 2025, https://imslp.org/.

Hattie, John. 2010. Visible Learning: A Synthesis of over 800 Meta-Analyses Relating to Achievement. Reprinted. London: Routledge. https://inspirasifoundation.org/wp-content/uploads/2020/05/John-Hattie-Visible-Learning_-A-synthesis-of-over-800-meta-analyses-relating-to-achievement-2008.pdf.

IMSLP / Petrucci Music Library. 2025. “Free Sheet Music PDF Download.” IMSLP: https://imslp.org/

IMSLP / Petrucci Music Library. 2025. “Flaute Pieces by Level.” IMSLP: https://imslp.org/wiki/Special:DiffPage/DiffMain/4

Janurik, Márta, Noémi Surján, y Krisztián Józsa. 2022. “The Relationship between Early Word Reading, Phonological Awareness, Early Music Reading and Musical Aptitude”. Journal of Intelligence 10, no. 3: 50. https://doi.org/10.3390/jintelligence10030050.

Loh, Wei‐Yin. 2011. “Classification and Regression Trees”. WIREs Data Mining and Knowledge Discovery 1, no. 1: 14-23. https://doi.org/10.1002/widm.8.

Malbrán, Silvia. 2007. El oído de la mente. Ciudad de México: Akal.

Marín, Cristina, Ma Puy Pérez Echeverría, & Susan Hallam. 2012. “Using the musical score to perform: A study with Spanish flute students.” British Journal of Music Education 29, no. 2: 193-212. https://doi.org/10.1017/S0265051712000046

Music Information Retrival (MIR). 2025. https://musicinformationretrieval.com/intro.html

New York State School Music Association (NYMSSA). 2025. NYSSMA - New Yor State School Music Association. https://www.nyssma.org/

Ogura, Hiroshi, Hiromi Amano, y Masato Kondo. 2013. “Gamma-Poisson Distribution Model for Text Categorization”. ISRN Artificial Intelligence 4, no. 6 (April): 1–17. https://doi.org/10.1155/2013/829630.

Sancho Guinda, Carmen. 2002. “Punctuation as readability and textuality factor in technical discourse.” Ibérica, Revista de la Asociación Europea de Lenguas para Fines Específicos 4: 75–94. https://www.redalyc.org/articulo.oa?id=287026292005.

Sayood, Khalid. 2018. “Information Theory and Cognition: A Review”. Entropy 20, no. 9. https://doi.org/10.3390/e20090706.

Scot, Brian. 2025. “Learn About the Flesch Reading Ease Formula.” ReadabilityFormulas.com. https://readabilityformulas.com/learn-about-the-flesch-reading-ease-formula/

Sheridan, Heather, y Abigail L Kleinsmith. 2021. “Music Reading Expertise Affects Visual Change Detection: Evidence from a Music-Related Flicker Paradigm”. Quarterly Journal of Experimental Psychology 75, no. 9 (November).

Shiffman, Daniel. 2024. The Nature of Code: Simulating Natural Systems with JavaScript. New York: No Starch Press.

Sprevak, Mark. 2020. “Two Kinds of Information Processing in Cognition”. Review of Philosophy and Psychology 11, no. 3: 591–611. https://doi.org/10.1007/s13164-019-00438-9.

Tiffin School Music Departament. 2025. GCSE Performing Difficulty Levels. https://sites.google.com/tiffin.kingston.sch.uk/music/curricular-music/gcse-music/gcse-performing/gcse-performing-difficulty-levels

W3C. 2021. The Element MusicXML 4.0. Última modificación en junio de 2021. https://www.w3.org/2021/06/musicxml40/musicxml-reference/elements/fifths/

Xenakis, Iannis. 1992. Formalized music: thought and mathematics in composition. Rev. ed. Harmonologia series, no. 6. Stuyvesant, NY: Pendragon Press.

Yang, Yi-Hsuan, Yu-Ching Lin, Ya-Fan Su, & Homer H. Chen. 2008. “A regression approach to music emotion recognition.” IEEE Transactions on Audio Speech and Language Processing 16, no. 2: 448–457. https://doi.org/10.1109/tasl.2007.911513

  • Resumen 0
  • PDF 0
  • Visor XML 0
  • ePub 0

Publicado

01.03.2026

Número

Sección

Perspectivas / Artículos de investigación

Cómo citar

“Legibilidad Musical Y Aprendizaje Computacional: Comparación De Ordenamientos De Dificultad En Música Escrita Para Los Niveles De Estudios En Flauta Transversa”. 2026. FIGURAS REVISTA ACADÉMICA DE INVESTIGACIÓN 7 (2): 8-33. https://doi.org/10.22201/fesa.26832917e.2026.7.2.463.

Metrics