Complejidad estructural en textos escolares descriptivo-expositivos: estudio de corpus

Criterios para medir la complejidad lingüística

La mayoría de investigaciones, tanto teóricas como aplicadas, usan criterios sintácticos y léxicos para medir la complejidad (Bulté y Housen, 2014; Kurdi, 2017; Pallotti, 2014). Los primeros a partir de medidas como: longitud de palabras, frases y oraciones; cantidad de palabras, frases y oraciones; tipos de oración (simples, compuestas), y complejidad de la oración (Lahuerta, 2017; Mancilla, Polat y Akcay, 2017); los segundos a partir de consideraciones como: diversidad léxica, frecuencia léxica (asiduidad de una palabra en la lengua) y la relación tipo/ token -variedad de palabras únicas (tipo) que aparecen en un texto en relación con el número total de palabras (tokens)-.Palloti (2014) incorpora, además, la complejidad morfológica, referida a la cantidad de formas que toman las palabras para marcar categorías gramaticales y funciones.

Pocos autores tienen en cuenta aspectos semánticos; sin embargo, la cohesión ha sido tenida en cuenta por algunos investigadores (p. ej., Plakans y Bilki, 2016; Solnyshkina, Zamaletdinov, Gorodetskaya y Gabitov, 2017) y también se han considerado aspectos pragmáticos (De Marneffe, Manning y Potts, 2012; Juola, 2008; Andrews y Lamb, 2017)

A propósito, el nivel semántico y el pragmático han sido tenidos en cuenta en programas informáticos que miden la complejidad textual, con miras a analizar la dificultad de los textos en los procesos de comprensión y producción. La mayoría de estos programas analizan preferentemente textos en inglés (cf. Lexile* Coh-Metrix*, Reader-Bench*, KoRpus: An R Package for Text Analysis*, s. f.).

De otro lado, investigaciones aplicadas en relación con la enseñanza de lenguas extranjeras también presentan criterios para medir la complejidad lingüística, como la longitud media de la oración y la cláusula (Lu, 2010; Cunningham et ál., 2012; Youn, 2014), subordinación (Youn, 2014; Mancilla et ál., 2017) y complejidad del SN (Lu, 2010; Youn, 2014; Schilk y Schaub, 2016); complejidad a nivel de la palabra, frecuencia y familiaridad (Cunningham et ál., 2012)

Un trabajo pionero en este ámbito es el presentado en el Plan curricular del Instituto Cervantes. Niveles de referencia para el español (Instituto Cervantes, 2006), en el que se señalan algunas características de los textos según los niveles A, B y C propuestos por el MOER (Marco Común Europeo de Referencia para las lenguas: aprendizaje, enseñanza, evaluación). De acuerdo con este Marco, en el nivel A, los textos tienen una estructura clara y sencilla; la información es concisa y explícita; formato accesible, preferiblemente están impresos. En el nivel B, tienen una estructura clara tanto en forma como contenido; la información es explícita, aunque puede aparecer implícita si resulta fácil desentrañar el sentido; además, están presentados en formato accesible con títulos y subtítulos. En el nivel C, los textos son largos, están dirigidos a un receptor con estudios especializados; tratan sobre temas abstractos; pueden ser literarios o no literarios; la información que contienen puede estar enunciada en clave de ironía y de humor, de manera que, para descifrar el contenido, puede necesitarse recurrir a referencias y conocimientos culturales compartidos entre el emisor y el receptor y puede ser necesario un esfuerzo para reconstruir su estructura; pueden abordar temas técnicos o especializados y emplear registros específicos fuera de lo habitual; los textos orales pueden contener coloquialismos, frases hechas o expresiones idiomáticas.

En lo referente a qué hace un texto más complejo que otro, Ochoa (2016) analiza textos usados en pruebas nacionales colombianas a partir de una serie de rasgos sintácticos, semánticos y pragmáticos, como longitud del texto, modos verbales, polisemia, vocabulario concreto vs. abstracto, marcas relacionadas con el emisor, receptor, propósito comunicativo. El análisis evidencia que factores como cantidad, variedad, explicitud son decisivos para determinar la complejidad.

Por su parte, Sheehan, Flor, Napolitano y Ramineni (2015) investigaron si los libros de texto pensados para niños de primer grado estadounidenses y producidos por una editorial específica durante los años 1962 y 2013 se han hecho más complejos o no. La medición se hizo con el software TextEvaluator. Los resultados muestran que la complejidad ha aumentado o se mantiene constante, debido a que han incluido una proporción creciente de pasajes informativos, cambio acompañado por las siguientes modificaciones específicas: a) aumento en la proporción de palabras que tienden a aparecer con menos frecuencia en el texto impreso; b) aumento en la proporción de palabras que son más características del texto académico como opuesto a la ficción o la conversación; c) niveles más bajos de cohesión referencial; d) niveles más bajos de narratividad, y e) menos instancias de un estilo interactivo/conversacional (p. 1).

En programas informáticos también se consideran criterios importantes si las palabras y estructuras son menos familiares o poco usuales (Coh-Metrix, s. f.), si se usan palabras abstractas (Coh-Metrix, s. f.) y si los textos son menos cohesivos o con pocas marcas de relación semántica (Coh-Metrix, s. f.; Ochoa, 2016).

Así mismo, se encuentra en la revisión bibliográfica que existen unos géneros discursivos más complejos que otros. El discurso argumentativo (Yang et ál., 2015; Meneses y Ow, 2016; Polio y Yoon, 2018) y el discurso académico aparecen como los más complejos, en tanto que el discurso cotidiano está en el lado opuesto (Nippold et ál., 2017); y el discurso narrativo, en medio (cfr. Nini, 2015). Para Meneses, Ow y Benítez (2012), "los textos narrativos orales son más largos y tienen una mayor diversidad léxica que los textos explicativos escritos" (p. 65). Pero a su vez los textos expositivos poseen mayores relaciones intraclausales "como una estrategia para condensar y empaquetar información dentro de la cláusula", además de que, en estos textos, predomina la hipotaxis.

Por su parte, Aravena y Hugo (2016) encuentran que el modo discursivo es un factor determinante en la complejidad, "dado que los textos explicativos reúnen la mayor proporción de relaciones interclausu-lares complejas, específicamente hipotácticas" (p. 9).

En cuanto a los criterios que determinan la complejidad de un tipo de texto, cabe señalar que Frantz, Starr y Bailey (2015, p. 389) parten de la hipótesis de que la variable asignatura podría determinar la complejidad. Ponen como evidencia estudios previos realizados por ellos mismos y por otros investigadores. Por ejemplo, en uno de 2007, usando el verbo como unidad de análisis, encontraron que hay una tendencia a la complejidad en los textos de ciencias.

En resumen, en la Tabla 1 se muestran los criterios empleados por distintos investigadores, programas informáticos y entidades gubernamentales para determinar la complejidad estructural.

Haciendo un balance de la literatura revisada se puede concluir que son preponderantes los estudios de corte sintáctico para medir la complejidad lingüística, aunque se han ido incorporando criterios semánticos y pragmáticos. Los programas informáticos resultan interesantes y completos, pues tienen en cuenta varios niveles de lengua, pero, desafortunadamente, la mayoría de ellos están creados para el análisis de textos en lengua inglesa, por tanto, la transposición al español resulta problemática.

Es necesario, entonces, incorporar criterios semánticos y pragmáticos, estudiar la complejidad en tipologías textuales específicas, validar los criterios y factores lingüísticos que permiten medir la complejidad, tareas que se pueden lograr a la luz de un modelo factorial estadístico que permita una mejor comprensión del problema.

Criterios de análisis

El corpus se analizó inicialmente de manera intuitiva y después con base en una serie de rasgos tomados de este primer análisis y de la revisión bibliográfica. Estos rasgos eran: número de: palabras, renglones, párrafos, oraciones, sustantivos solos, sustantivos con adjetivo(s), sustantivos con oración relativa, sustantivos con sintagma preposicional, sustantivos con apósitos, verbos utilizados, modos verbales, tiempos verbales, enunciadores, personas gramaticales, oraciones coordinadas, oraciones subordinadas, complementos circunstanciales, modo de la oración (afirmativa/negativa, etc.), voz (activa o pasiva); vocabulario concreto vs. abstracto, uso de las figuras literarias, polisemia, significado denotativo vs. connotativo, sustantivos nuevos o no repetidos, adjetivos nuevos, adverbios nuevos, verbos nuevos, deixis (personal, espacial, temporal), marcas del emisor (explícito o no), el receptor, el propósito comunicativo, la estructura textual, diversidad léxica (variabilidad y frecuencia de palabras en textos de la misma longitud), marcas de modalización y de cohesión. Asimismo, mediante el programa informático KoRpus", se midió la longitud promedio de la oración (número de palabras por oración), la longitud promedio de la palabra (número de caracteres por palabra), el número promedio de sílabas por palabra y la relación tipo-token (TypeToken Ratio (TTR): total de formas (token frente a total de formas distintas, tipo).

Como se ve, se tomaron criterios de los niveles morfosintáctico, semántico y pragmático, a partir de los cuales se construyó una matriz para el análisis, la cual se aplicó inicialmente a cuarenta textos.

La implementación de la matriz mostró que varios de los criterios no eran productivos en la medida en que no se encontraron en el corpus: la mayoría de textos estaban construidos en tiempo presente, modo indicativo, voz activa, modo afirmativo, significados connotativos, un solo enunciador, tercera persona; no había (o era muy escasa la presencia) sustantivos con apósitos, figuras literarias, polisemia. Eran textos sin explicitud (sin marcas) del emisor, receptor, propósito comunicativo, estructura textal y no había o era muy escasa la presencia de marcas de modalización. Este es un primer hallazgo que resulta significativo con miras a caracterizar el corpus analizado: textos descriptivos- expositivos escolares.

Con base en el resultado anterior, se usaron 25 criterios (rasgos):

• Nivel morfosintáctico. Oraciones totales, oraciones simples, oraciones coordinadas, sustantivos solos, sustantivos con adjetivos, sustantivos con oraciones relativas, sustantivo con sintagma preposicional, cantidad verbos (est), cantidad complementos verbales (est), longitud promedio de la oración, longitud promedio de la palabra, número promedio de sílabas.

• Nivel semántico. Cantidad de palabras, cantidad de renglones, cantidad de párrafos, variedad de elementos verbales (elementos), variedad de complementos verbales utilizados (elementos), sustantivos abstractos, sustantivos concretos, marcas de cohesión.

• Pragmático. Información nueva versus viej a: porcentaje de sustantivos nuevos, porcentaje de verbos nuevos, porcentajes de adjetivos nuevos, TTR, diversidad léxica.

Análisis cuantitativo

Antes de exponer la metodología estadística, es preciso señalar que el propósito principal de este artículo era identificar factores (dimensiones) no observables pero subyacentes a los datos, si estos existen, y clasificar los textos de la muestra según su nivel de complejidad lingüística. En esta vía, se consideró procedente implementar un análisis factorial exploratorio y, a partir de los resultados, construir un índice para asignar, a cada texto de la muestra, un puntaje que permitiera clasificarlos de acuerdo con su complejidad lingüística.

Análisis factorial exploratorio

En estadística multivariada (Peña, 2002), el análisis factorial exploratorio (AFE) es un método estadístico introducido para descubrir la estructura fundamental de un conjunto de variables relativamente grande; vale decir, busca identificar variables latentes o dimensiones no observables a partir de un conjunto de variables medidas por el investigador. A continuación, se exponen brevemente los aspectos más importantes en la implementación de un AFE.

Conveniencia

Este método parte del análisis de la matriz de correlación de las variables; para que sea apropiado, se espera, en general, un número importante de correlaciones significativamente grandes, mayores a 0,30. La revisión de las correlaciones cuando el número de variables es considerablemente grande, además de ser tedioso, puede llegar a ser complejo; si se cuenta con n variables, es necesario examinar n(n-1)/2 coeficientes. Así, por ejemplo, con 10 variables es necesario revisar 45 coeficientes, mientras que si el número de variables asciende a 25 los coeficientes a examinar son 300. Por consiguiente, resulta más conveniente analizar la matriz de correlación como un todo. Dos mecanismos estadísticos fueron usados para este efecto:

• El contraste de esfericidad de Bartlett. Esta es una prueba estadística que facilita probar la hipótesis de que no hay factores comunes extraíbles de los datos; en otros términos, equivale a probar que la matriz de correlación es la identidad, vale decir, que las variables en estudio son incorreladas.

• La medida de suficiencia muestral de Kaiser (MSA). Esta estadística permite cuantificar el grado de intercorrelación entre las variables; más precisamente, comparar los coeficientes de correlación observados con los coeficientes de correlación parcial, presentando un rango de variación entre 0 y 1. Una clasificación comúnmente aceptada para la evaluación de la adecuación del modelo factorial y su interpretación es (Kaiser 1974):

1,00 >= MSA > 0, 90 excelente

0, 90 >= MSA > 0, 80 bueno

0, 80 >= MSA > 0, 70 aceptable

0, 70 >= MSA > 0, 60 mediocre o regular

0, 60 >= MSA > 0, 50 malo

MSA <= 0, 50 Inaceptable o muy malo

Este indicador también se calcula de forma individual para cada variable, siguiendo los mismos parámetros de la medida global para su interpretación.

Estimación de un AFE

Dado el objetivo de la investigación, la estimación de factores pasa por el hecho de reemplazar los elementos de la diagonal de la matriz de correlación, por el coeficiente de determinación que resulta de regresar cada variable de análisis con respecto al resto de variables; por defini ción, el coeficiente de determinación mide la varianza que es compartida por las variables, base de un modelo de análisis factorial común. Los factores que se extraen de este análisis se basan únicamente en la varianza común.

Criterios para la determinación del número de factores a extraer. No existe en la actualidad una base cuantitativa precisa para establecer el número de factores a extraer. No obstante, se han desarrollado criterios aproximados para tal fin, los cuales se relacionan a continuación.

• Criterio de autovalores. Consiste en extraer tantos factores como autovalores mayores que 1.

• Criterio de proporción de varianza explicada. Radica en exigir que el número de factores a extraer acumulen una determinada proporción del total de varianza explicada; en general, se considera que un nivel satisfactorio puede ser del 75 % o el 80 %.

• El contraste de caída libre. El criterio para determinar cuántos factores extraer reside en identificar el cardinal del autovalor para el cual la pendiente de la gráfica de "trazado de sedimentación" se torna cercana a 0.

• Determinación a priori. En este criterio se asume que el investigador sabe antes de iniciar el análisis el número de factores a extraer.

Interpretación de los factores

La interpretación de los factores extraídos y la adopción de una solución factorial definitiva requieren, en general, implementar las siguientes etapas.

1. En un primer paso, se estima la matriz (inicial) de factores no rotados, procedimiento que además de indicar un número preliminar de factores a ser extraídos, ofrece una primera visión acerca de la estructura subyacente a los datos; la interpretación de dicha estructura (solución) se basa en las correlaciones (cargas factoriales) entre los factores y cada una de las variables originales. Para que la solución se considere adecuada, la matriz de cargas factoriales debe satisfacer las siguientes condiciones:

• Cada factor debe tener unos pocos pesos altos y los otros próximos a cero.

• Cada variable debe presentar una carga alta sobre un único factor.

• Los factores deben presentar distribuciones diferentes de cargas factoriales altas y bajas.

Así, puesto que hay más variables que factores comunes, cada factor tendrá una correlación alta con un grupo de variables y baja con las restantes. Por tanto, examinando las características de un grupo de variables asociado con un factor se pueden hallar rasgos comunes que permitan identificar el factor asignándole un nombre.

2. Si, como sucede por lo general en la práctica, la solución inicial no proporciona un patrón adecuado de las cargas factoriales, se hace necesario el uso de algún método de rotación para obtener una solución factorial más simple y teóricamente más significativa. Una rotación consiste simplemente en girar, en el origen, los ejes de referencia de los factores con el fin de obtener un determinado ángulo. Cuando los ejes se giran permaneciendo ortogonales (90 grados) se habla de una rotación ortogonal; cuando el ángulo de rotación es diferente la rotación se denomina oblicua.

3. Una tercera etapa se presenta cuando se plantea la necesidad de especificar nuevamente el modelo factorial debido a:

• Eliminación de variables.

• Aplicación de un método de rotación diferente.

• Extracción de un número diferente de factores.

• Uso de un método de extracción diferente.

Índice de complejidad lingüística

Con el propósito de clasificar los textos de acuerdo con las características observadas, se construyó un índice de complejidad lingüística, a partir de los resultados del AFE. Este proceso requirió los siguientes pasos:

a. Identificación de variables relacionadas con cada factor. A partir de la matriz de factores, seguramente rotada, se toman las variables originales cuyas cargas factoriales indiquen una asociación estadísticamente significativa con cada factor.

b. Construcción de un índice parcial para cada factor. Cada índice se estima como la suma de los valores de las variables identificadas como relacionadas con cada factor, dividida por el máximo de estas sumas. Esquemáticamente, si se extraen m factores, sean IPF. el índice parcial para el factor i (i=l, 2, m) y VF _U ,

VF _ni (n diferente para cada factor), las variables originales relacionadas al factor i, entonces:

IPF = Suma (YF, ,..., VF ) / Máximo (YF, ,

Por construcción, estos son índices estandarizados, ya que presentan un rango de variación entre 0 y l.

c. Estimación de un índice general. Este índice corresponde a una suma ponderada de los índices parciales, con pesos dados por la proporción de varianza explicada por cada factor con respecto a la varianza total explicada por los m factores extraídos; así, notando los pesos por p _l , ., p _m , se tiene:

IG= p IPF, + ... + p JPF (2)

Donde IG es un índice general variando entre 0 y l, con 0 indicando una complejidad más baja (mínima) y l una complejidad más alta (máxima), bajo el supuesto de que a mayores valores de las variables mayor complejidad lingüística del texto.

d. Estratificación en niveles de complejidad. Con el fin de establecer niveles de complejidad lingüística es necesario construir estratos o grupos de textos usando el índice general y la técnica estadística de análisis de clúster. Esta técnica emplea algoritmos para construir estratos (grupos) cuya característica es que sus elementos son homogéneos (muy parecidos entre sí) pero difieren en gran medida de los elementos de los demás estratos; esto es lo que en la literatura se encuentra como "grupos internamente homogéneos y externamente heterogéneos" (Hair, Anderson, Tatham y Black, 1999; Díaz y Morales, 2016).

Adecuacidad de los datos

El primer punto a tener en cuenta en el análisis de resultados es la verificación de la idoneidad del conjunto de datos disponible para la implementación de un AFE. De la Tabla 3, el valor general de la medida de Kaiser, 0, 83, indica que los datos disponibles sustentan de forma apropiada la aplicación de un análisis factorial; esta conclusión es apoyada por la significancia arrojada por la estadística de Bartlett (<0,000l), a partir de la cual se puede concluir que, para cualquiera de los niveles usuales de significancia (0,0l; 0, 05 y 0, l0) se rechaza la hipótesis de diagonalidad de la matriz de correlación, lo que implica que si existen relaciones significativas entre las variables y más de una dimensión subyacente en los datos.

Observando la medida de suficiencia muestral (MSA) para cada una de las variables (Tabla 3), se encuentra que esta no es significativa únicamente para la longitud promedio de la oración (0,45), por lo que esta variable es eliminada del análisis. Asimismo, se observa una comunalidad - varianza común o compartida con las demás variables- inicial estimada muy baja para el número promedio de sílabas (0,37), razón por la cual esta variable también es retirada del análisis. La supresión de estas variables, en modo alguno afecta la adecuacidad de los datos; su idoneidad es corroborada al recalcular la medida de suficiencia muestral y la prueba de esfericidad de Bartlett.

Número de factores a extraer

El uso del criterio de los autovalores indica que tres factores deben ser extraídos ( ver Tabla 4); estos explican un 85,4 % del total de la varianza, un porcentaje significativo, por lo que también se cumple a cabalidad el criterio de proporción de varianza. De acuerdo con el gráfico de sedimentación (Figura 1) se podría extraer un factor más que correspondería al cuarto autovalor, 0,7l, un valor no muy cercano a l, y que presenta, además, un aporte a la varianza no significativo (0,037). Por consiguiente, con el propósito de satisfacer el principio de parsimonia y facilitar la interpretación de los resultados se retienen tres factores.

Figura 1: Gráfica para aplicar el criterio de autovalores

Fuente: elaboración propia.

Modelo factorial de rotación

Como es común en este tipo de análisis, de los resultados obtenidos para el modelo factorial sin rotación no se observa una estructura simple. En primer lugar, ninguna variable esta correlacionada significativamente -carga factorial mayor a 0,5- con el factor 3; y, adicionalmente, la variable relación tipo token (TTR) tiene cargas estadísticamente significativas y de signos contrarios sobre los factores l y 2, -0,66257 y 0,57648, respectivamente. Esta falta de interpretabilidad llevó a la estimación de un modelo factorial con rotación¹ (Tabla 5), cuyos resultados satisfacen los requerimientos de una estructura factorial simple, es decir, cada variable cargando significativamente a un solo factor y las cargas en los otros factores no significativas mostrando, en general, valores pequeños; adicionalmente, los factores presentan distribuciones diferentes para las cargas altas y bajas. Puesto que las variables número de sustantivos con relación relativa y número de oraciones coordinadas no cargan significativamente a ningún factor no se reportan en la matriz de factores rotados.

Por último, siguiendo la metodología propuesta, es necesario anotar que se realizaron varios ejercicios en los cuales se aumentó o disminuyó el número de factores, se emplearon diferentes métodos de rotación (ortogonales y oblicuos) y se eliminaron variables sin obtenerse estructuras de factores más simples ni con interpretaciones más plausibles.

El factor l puede interpretarse como un factor de tamaño; donde, salvo relación tipo token (TTR), las variables muestran una relación directa (positiva) con el factor. Extraña, sin embargo, que la cantidad de verbos (número de verbos utilizados-estructura) y de complementos verbales (est) aparezcan en un segundo factor, los cuales se esperarían en el primer factor si este se asocia con cantidad. La mayoría de rasgos del segundo factor tiene que ver con el verbo y complementos verbales oracionales. Es interesante este hallazgo en tanto es sabido la importancia del verbo como núcleo generador no solo de estructuras sintácticas (valencias) sino de roles semánticos. La diversidad léxica y el rasgo de sustantivos concretos llaman la atención en este grupo. No obstante, el factor es unitario desde el principio de la prototipicidad: los textos descriptivos-explicativos escolares típicamente presenta un número importante de verbos y complementos verbales, variedad de ellos, sustantivos concretos (predominio en el corpus analizado) y diversidad léxica. El factor 3 resulta más unitario en tanto agrupa tres categorías y su relación con información nueva. En este grupo el único rasgo no esperable es la longitud promedio de la palabra, que podría asociarse más con la prototipicidad, como rasgo discriminatorio del tipo de texto. Sin embargo, la longitud promedio de la palabra de la muestra está por encima de 0,5, lo que da cuenta de palabras léxicas y no gramaticales (artículo, palabras de relación), es decir, palabras nocionales.

Un índice de complejidad lingüística

En la Tabla 6 se presentan las estadísticas básicas para el índice estimado, de acuerdo con lo expresado en la ecuación (2), según nivel de complejidad. El valor promedio del índice para el conjunto de textos es 0,344 con una desviación estándar de 0,l66. La distribución por nivel es asimétrica a derecha con 38 textos clasificados como de nivel muy bajo, 28 en nivel bajo, l0 en nivel medio y apenas 4 en nivel alto.

De otra parte, cuando se analiza la distribución por áreas y nivel de complejidad (Tabla 7), se encuentra que es el área de matemáticas la que presenta una mayor frecuencia de textos con un nivel muy bajo de complejidad, un total de l3, correspondientes al 32, 2 % de los textos en este nivel; ciencias con 9 textos, 32, l %, es el área con más textos de complejidad baja, mientras que sociales con el 40 % de los textos, es el área con más textos de complejidad media. En el nivel de complejidad alto solo clasifican textos del área de lenguaje.

Si se fija el área en la Tabla 7, se observa que, en general, el número de textos disminuye a medida que crece el nivel de complejidad; así, por ejemplo, en matemáticas las cifras ascienden a 13 (65 %), 6 (30 %) y 1 (5 %) para niveles de complejidad muy bajo, bajo y medio, respectivamente; el mismo patrón se presenta en el área de sociales. En lenguaje, la diferencia obedece a que esta área presenta los únicos textos con un nivel de complejidad alto; mientras que, en ciencias, el patrón varía ligeramente pues el número de textos es mayor en el nivel de complejidad bajo comparado con el nivel muy bajo. Es importante aclarar que los textos de lenguaje ubicados en el nivel alto son textos que describen movimientos literarios con bastante información relacionada con autores, fechas y lugares geográficos, es decir, densos semánticamente y de una longitud considerable. En el corpus analizado, los textos de matemáticas suelen ser cortos, lo que implica menos cantidad y variedad de información y de estructuras.

En la Tabla 8 se presenta la distribución por grados y nivel de complejidad. Se advierte, para el nivel muy bajo, que a medida que aumenta el grado disminuye de manera sistemática el número de textos, pasando de 14 (36, 8 %) en el grado 3.° a 1 (2, 6 %) en el grado 11.° ; esta tendencia se invierte en el nivel de complejidad bajo, donde el número de textos aumenta de 2 (7, 1 %) en el grado 3.° a 9 (32, 1 %) en el grado 11.° . Textos de nivel medio de complejidad se registran en los grados 7.°, 9.° y 11.° , mientras que los de complejidad alta solo aparecen en los grados 9.° y 11.° . Textos de nivel medio de complejidad se registran en los grados 7.° y 9.° con una participación de 18, 8 %, y, 11.° con una participación de 25 %; mientras que los de complejidad alta solo aparecen en los grados 9.° y 11.° , con idéntica participación, 12, 5 %.

Para finalizar, se observa, en la lectura vertical, que en los grados 7.°, 9.° y 11.° , los textos con mayor participación corresponden al nivel de complejidad bajo: 43, 8 %, 37, 5 % y 56, 3 %, respectivamente; en tanto que para los grados de básica primaria la mayor participación la tienen los textos clasificados en el nivel de complejidad muy bajo: 87, 5 % y 75 %.