Estimación de la comprensibilidad en paneles de museos

• Jorge Morato ^[1] ; Sonia Sánchez-Cuadrado ^[1] ; Paolo Gimmelli ^[2]
  1. [1] Universidad Carlos III de Madrid

     Universidad Carlos III de Madrid

     Madrid, España

     
  2. [2] Universidad de Castilla-La Mancha

     Universidad de Castilla-La Mancha

     Ciudad Real, España

     
• Localización: Profesional de la información, ISSN-e 1699-2407, ISSN 1386-6710, Vol. 27, Nº 3, 2018 (Ejemplar dedicado a: Indicadores II / Libro electrónico), págs. 570-581
• Idioma: español
• Títulos paralelos:
  • Measuring the readability of exhibit panels in museums
• Enlaces
  • Texto completo
• Dialnet Métricas: 3 Citas
• Resumen
  • español

    Se evalúa la comprensibilidad de textos en español en paneles de museos, considerando que están dirigidos a todos los públicos y escritos en lenguaje estándar. Se recopilan los indicadores propuestos en la bibliografía científica sobre la comprensibilidad y se analiza su aplicación a los paneles de museos. Se ha construido un corpus con los textos de paneles de seis museos y se evalúa la dificultad de los paneles mediante las métricas clásicas y tests sobre la percepción del usuario. Con métodos de aprendizaje automático se analiza la capacidad de estas métricas clásicas para pronosticar la dificultad para el usuario. Se han añadido indicadores lingüísticos y de familiaridad del término para mejorar la precisión del pronóstico. Lo más eficaz para predecir el grado de comprensibilidad es un modelo híbrido de indicadores clásicos, lingüísticos y de familiaridad con los términos.

  • English

    The objective of this paper is the assessment of the comprehensibility in museum panels, considering that they are addressed to all audiences and written in standard language. The indicators proposed in the scientific bibliography on comprehensibility are compiled. Subsequently, their application to the museum panels is analyzed. A corpus is built with the texts of panels from six museums and the difficulty of the panels is evaluated by means of classical metrics and tests on users’ perception. The ability of these classic metrics to predict the difficulty for the user is computed with automatic learning methods. Linguistic and term familiarity indicators have been added to improve the accuracy of the assessment. The most effective way to predict the degree of comprehensibility is a hybrid model of classical, linguistic and term familiarity indicators.