Legibilidad musical y aprendizaje computacional: comparación de ordenamientos de dificultad en música escrita para los niveles de estudios en flauta transversa
DOI:
https://doi.org/10.22201/fesa.26832917e.2026.7.2.463Palavras-chave:
Legibilidad musical, complejidad musical, partituras, aprendizaje computacional, flauta transversaResumo
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.
Downloads
Referências
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. DOI: https://doi.org/10.1080/09540090902733756
Angeler, David. 2020. “Biodiversity in Music Scores”. Challenges 11, no. 1: 7. https://doi.org/10.3390/challe11010007. DOI: 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. DOI: 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. DOI: https://doi.org/10.1038/nrn1201
Bailin, Alan, y Ann Grafstein. 2016. Readability: Text and Context. England: Springer. DOI: https://doi.org/10.1057/9781137388773
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 DOI: 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. DOI: 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. DOI: 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 DOI: 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 DOI: https://doi.org/10.14687/jhs.v16i4.5822
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. DOI: 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 DOI: https://doi.org/10.1037/h0057532
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. DOI: 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. DOI: 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. DOI: 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 DOI: 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. DOI: 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. DOI: 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). DOI: https://doi.org/10.1177/17470218211056924
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. DOI: 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 DOI: https://doi.org/10.1109/TASL.2007.911513
-
Resumo 104
-
PDF (Espanhol) 69
-
Visor XML (Espanhol) 15
-
ePub (Espanhol) 21
Publicado
Edição
Seção
Licença
Copyright (c) 2026 Patricio F. Calatayud, Pablo Padilla-Longoria, María del Mar Galera-Núñez, Gabriela Pérez-Acosta

Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Todos los trabajos publicados en la revista FIGURAS REVISTA ACADÉMICA DE INVESTIGACIÓN están sujetos a una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional(by-nc-sa) Los autores continúan como propietarios de sus textos y pueden volver a publicar sus artículos en otro medio, siempre y cuando lo comuniquen a los editores e indiquen que fueron publicados originariamente en FIGURAS REVISTA ACADÉMICA DE INVESTIGACIÓN
















