DIGILEC Revista Internacional de Lenguas y Culturas
* Email institucional: leire.fernandeza@ehu.eus
** Email institucional: irune.ibarra@ehu.eus
*** Email institucional: mikel.iruskieta@ehu.eus
Digilec 13 (2026), pp. 82-99
Fecha de recepción: 17/04/2026
Fecha de aceptación: 29/06/2026
Fecha de publicación: 31/07/2026
DOI: 10.17979/digilec.2026.13.13509
e-ISSN: 2386-6691
HTR y evaluación de un corpus de educación primaria de textos
manuscritos en Euskera
HTR and assessment of a handwritten Basque text corpus from primary
education
Leire FERNÁNDEZ-ATORRASAGASTI *
Institución: Universidad del País Vasco / Euskal Herriko Unibertsitatea
Orcid: https://orcid.org/0000-0002-3838-7795
Irune IBARRA LIZUNDIA **
Institución: Universidad del País Vasco / Euskal Herriko Unibertsitatea
Orcid: https://orcid.org/0000-0002-6655-4327
Mikel IRUSKIETA ***
Institución: Universidad del País Vasco / Euskal Herriko Unibertsitatea
Orcid: https://orcid.org/0000-0002-6121-3902
Resumen
Las pruebas en Educación Primaria (EP) para la realización de la Evaluación Diagnóstica
(ED) del Sistema Educativo Vasco en materia de lengua se recopilan en textos
manuscritos. Si dichos textos pudieran digitalizarse, sería posible analizarlos tanto
manualmente como con técnicas de Procesamiento del Lenguaje Natural (PLN) para su
análisis. El objetivo de este estudio es crear un modelo de Reconocimiento de Texto
Manuscrito (HTR) para la digitalización de textos manuscritos en euskera producidos por
alumnado de 4.º de Educación Primaria, así como crear un corpus digitalizado de dichos
textos. Aunque existen modelos de HTR en euskera de estudiantes con mayor edad, se
desarrolló uno adaptado a las particularidades escriturales del alumnado. Se compilaron
870 textos manuscritos facilitados por el Instituto Vasco de Evaluación e Investigación
Educativa (ISEI-IVEI) y se utilizó la plataforma Transkribus usando técnicas avanzadas
de Inteligencia Artificial (IA) para la creación de modelos. La evaluación se realizó de
forma manual y se llevó a cabo un análisis cualitativo de los errores del modelo mediante
DIGILEC Revista Internacional de Lenguas y Culturas 83
Digilec 13 (2026), pp. 82-99
un sistema de codificación. Los resultados muestran una tasa de error entre el 5% y el
7%, lo que representa un avance en la digitalización de texto de escritura infantil.
Finalmente, se prevé poner a disposición de la comunidad científica y educativa tanto el
modelo de HTR como el corpus, facilitando futuras investigaciones en este ámbito.
Palabras clave: reconocimiento de texto manuscrito; evaluación diagnóstica; escritura
manuscrita; educación primaria
Abstract
The Primary Education (EP) test for the Diagnostic Evaluation (ED) of the Basque
Educational System within the specific domain and field of language are collected as
handwritten textual productions. If these texts were digitized, they could be analyzed both
manually by experts and automatically with Natural Language Processing (NLP)
techniques. The principal objective of this study is to develop a Handwritten Text
Recognition (HTR) model for the digitization of handwritten texts in Basque produced
by 4th grade Primary Education students, as well as to create a digitized corpus of these
texts. Although Handwritten Text Recognition (HTR) models in Basque exist for older
students, a model was developed specifically adapted to the young students’ writing
characteristics. A total of 870 handwritten texts provided by the Basque Institute of
Educational Evaluation and Research (ISEI-IVEI) were collected, and the Transkribus
platform was used, applying advanced Artificial Intelligence (AI) techniques to train the
models. The evaluation process was carried out manually, and a qualitative analysis of
the model’s errors was conducted using a coding system. The results show an error rate
between 5 % and 7 %, representing an advance in the digitization of children’s
handwritten texts. Finally, both the Handwritten Text Recognition (HTR) model and the
corpus are expected to be made available to the scientific and educational community,
facilitating future research in this area.
Keywords: handwritten text recognition; diagnostic assessment; handwriting; primary
education
DIGILEC Revista Internacional de Lenguas y Culturas 84
Digilec 13 (2026), pp. 82-99
1. INTRODUCCIÓN
La escritura es una de las formas de expresión más utilizadas en la escuela y
constituye un código de comunicación fundamental en los procesos educativos. Según
González (2003), escribir es un proceso complejo que demanda un esfuerzo considerable,
ya que requiere coordinar aspectos gramaticales, léxicos, ortográficos y estructurales,
entre otros. En Educación Primaria (EP), la escritura manual representa un desafío
particular, puesto que implica formar letras, números y otros caracteres mientras se
coordinan simultáneamente procesos cognitivos y habilidades motoras, tanto finas como
gruesas (Dinehart, 2015). Los autores Adak et al. (2017), en ese mismo año, destacaron
que se había escrito mucho sobre las propiedades que afectan a la legibilidad en la
escritura a mano, pero no tanto sobre la legibilidad en el reconocimiento de escritura a
mano. Fogel et al. (2022) mencionaban que la formación de letras contribuye de manera
significativa a la legibilidad de las muestras escritas, más que cualquier otra propiedad.
Butler (2003) afirmaba que históricamente la legibilidad era el término que describía el
efecto de los aspectos espaciales de un texto en su comprensibilidad y se veía afectada
por diversas propiedades gráficas, como la forma o formación de las letras y de las
palabras; el espaciado entre letras, palabras y líneas; la longitud de línea y tamaño de
letra; y el contraste de las palabras respecto a la página. Siendo la forma una de las
propiedades de la legibilidad, es una buena práctica la enseñanza de las letras agrupadas
en familias (Ibarra et al., 2020; Government of South Australia, 2007).
Las pruebas en EP para la realización de la Evaluación Diagnóstica (ED) del
Sistema Educativo Vasco en materia de lengua se recopilan en textos manuscritos. En
este contexto, la competencia lingüística se concibe como la capacidad para utilizar textos
escritos de manera eficaz y adecuada en contextos diversos, respetando la diversidad
lingüística. En el ámbito educativo, esta competencia se evalúa mediante la ED,
establecida por la Ley Orgánica 2/2006, de 3 de mayo, de Educación, que se aplica en 4º
de Primaria y 2º de ESO con el objetivo de diagnosticar el desarrollo de las competencias
básicas del alumnado. En la Comunidad Autónoma Vasca, la ED es gestionada por el
Instituto Vasco de Evaluación e Investigación Educativa (ISEI-IVEI), que evalúa la
competencia lingüística a través de la comprensión y la producción escrita, esta última
recogida en EP mediante textos manuscritos (ISEI-IVEI, 2025). En relación con la
producción escrita en euskera, Ibarra (2016) analizó textos de 174 estudiantes de 4º de
Primaria escritos en 15 minutos y observó una gran variabilidad en la cantidad de palabras
producidas, que oscilaba entre 32 y 136.
El carácter manuscrito de estos textos impide tanto el etiquetado lingüístico manual
como su análisis automático mediante herramientas de Procesamiento del Lenguaje
Natural (PLN), ya que ambos procesos requieren la digitalización previa del texto. Dicha
digitalización puede realizarse mediante mecanografiado o mediante el uso de sistemas
de reconocimiento de texto manuscrito, conocidos como Handwritten Text Recognition
(HTR, por sus siglas en inglés). El HTR es el proceso automatizado de convertir texto
escrito a mano en texto digital. Mediante una combinación de procesamiento de imágenes
y sistemas de reconocimiento, los modelos HTR permiten decodificar caracteres y
DIGILEC Revista Internacional de Lenguas y Culturas 85
Digilec 13 (2026), pp. 82-99
palabras escritas a mano. Actualmente, estos sistemas se basan en técnicas de aprendizaje
automático y los modelos eficaces requieren conjuntos de datos de entrenamiento
diversos (Rakesh et al., 2024). El HTR constituye en la actualidad una de las principales
aplicaciones de la IA en el ámbito de las Humanidades Digitales (Stokes y Kiessling,
2024). Estos sistemas son capaces de tender puentes entre el mundo analógico y el digital
y se han utilizado principalmente en bibliotecas y archivos, facilitando tanto la búsqueda
de texto completo como el análisis de textos históricos a gran escala. De este modo, los
contenidos manuscritos se vuelven más accesibles, explorables y reutilizables en una
amplia gama de investigaciones y aplicaciones. Por ello, la investigación y el desarrollo
en este campo resultan necesarios y ofrecen grandes oportunidades para mejorar el
rendimiento del reconocimiento de texto manuscrito (Mahadevkar et al., 2024).
El reconocimiento es más preciso cuando los textos manuscritos han sido creados
por adultos, mediante tareas de copia y cuando los textos son organizados y limpios (Nisa
et al., 2023). Según los mismos autores, los textos escritos a mano en una situación de
examen contienen muchos errores (tachones, texto añadido después, ‘ruido de fondo’,
etc.) que obstaculizan un reconocimiento eficaz. Así, tras recoger muestras de más de 500
estudiantes universitarios en un simulacro de examen, presentan una forma de anotar los
errores de forma sistemática en su Students Messy Handwritten Dataset (SMHD). Con
respecto al reconocimiento de escrituras manuscritas de estudiantes noveles o en edad
escolar, la literatura científica es todavía muy limitada y no se han identificado estudios
que analicen de manera específica este tipo de escritura en contextos educativos
obligatorios, ya que la investigación existente se concentra mayoritariamente en
manuscritos históricos y contextos patrimoniales (Nockels et al., 2022).
Para crear modelos de HTR, la plataforma Transkribus
(https://www.transkribus.org/) se ha consolidado como una de las herramientas
fundamentales y de fácil manejo. Aunque su origen se encuentra en el reconocimiento y
la transcripción automatizada de textos históricos (Muehlberger et al., 2019), actualmente
se ha convertido en una herramienta clave para investigadores en Humanidades Digitales.
Son varios los retos que hay que solventar en HTR, entre ellas: la precisión obtenida, los
diseños de layout, la variedad de estilos de escritura y la limitación de datos (dataset).
Así, en cuanto a la precisión (accuracy), es el total de palabras correctamente reconocidas
dividida entre el total de palabras del corpus *100 (Mahadevkar et al, 2024). Según la
plataforma Transkribus, un sistema que alcanza un CER (tasa de error de caracteres) igual
o menor al 10% se considera altamente eficaz para la transcripción automática y un CER
adecuado para el texto manuscrito (Transkribus, 2025). Según Jaipukar et al (2025) hay
diferencias en los estilos de escritura, las formas y el espaciado individuales. En esa
plataforma se han publicado dos modelos de HTR para el euskera: i) HABE_All GT 24
con un CER de 2,9% basado en un corpus de 323.776 palabras con textos de persona de
todas las edades a partir de secundaria y entrenado en 2,737 páginas con el identificador
Model ID59603. ii) El Contemporary Basque Student Handwritten con un CER de 6.07%
basado en un corpus de 51,195 palabras con textos de alumnado de secundaria y entrenado
en 525 páginas con el identificador Model ID185185. En el presente estudio los textos
analizados corresponden a alumnado de EP.
DIGILEC Revista Internacional de Lenguas y Culturas 86
Digilec 13 (2026), pp. 82-99
Una vez digitalizados, los textos pueden organizarse en corpus lingüísticos, que
reflejan el uso auténtico del lenguaje y permiten estudiar la evolución del lenguaje desde
múltiples factores, tales como el contexto de comunicación y la tipología textual. Hasta
la fecha, no se ha desarrollado un corpus específico que analice la escritura manuscrita de
estudiantes en la educación obligatoria, lo que representa una oportunidad para futuras
investigaciones en este campo (Durrant, 2022).
El objetivo de este estudio es crear un modelo de HTR para digitalizar textos
manuscritos de estudiantes de 4º de EP en euskera. Esta labor puede responder a las
necesidades del Sistema Educativo Vasco. Para conseguir dicho objetivo, se plantean
varios objetivos secundarios: 1.1. digitalizar textos manuscritos en euskera, combinando
corrección manual con modelos automatizados de layout y transcripción automática
(HTR); 1.2. crear un corpus digitalizado (texto legible por las máquinas e imágenes de
texto) en el mismo idioma que sirva para investigar y evaluar la escritura de los
estudiantes dentro del Sistema Educativo Vasco en la etapa de EP; 1.3. evaluar la eficacia
y precisión de los modelos HTR de euskera creados en la plataforma Transkribus y
analizar los resultados obtenidos en la digitalización de textos en euskera.
Para conseguir el objetivo principal, el procedimiento ha sido el siguiente: la
obtención de los datos mediante ISEI-IVEI, garantizando el anonimato de los estudiantes.
A continuación, se utilizó la plataforma Transkribus para el reconocimiento automático
de plantillas y texto, entrenando modelos de IA adaptados a las características específicas
de los documentos. Después, se corrigieron manualmente todos los textos para garantizar
la fiabilidad de los textos digitales. Luego, se realizó un análisis comparativo entre las
transcripciones automáticas y manuales para identificar y clasificar los errores del sistema
de reconocimiento de texto. Acto seguido, se obtuvieron datos cuantitativos y cualitativos
sobre la evaluación del modelo, así como información sobre los factores que influyeron
en su rendimiento y optimizar el proceso de digitalización de textos en euskera.
Finalmente, los resultados indican que es posible el reconocimiento de los textos de EP
con una tasa de error entre 5%-7% y se ha procedido a publicar los modelos de HTR en
la plataforma Transkribus (https://www.transkribus.org/public-models). En un futuro se
depositará el corpus en infraestructuras europeas de Humanidades Digitales, como
CLARIN-ERIC.
En cuanto al resto del artículo, este está compuesto por las siguientes secciones: la
Sección 2, donde se describe en detalle el método empleado para la recogida de datos, el
proceso de digitalización y la creación del modelo de HTR; la Sección 3, que presenta los
resultados obtenidos en términos de precisión, errores y validación manual de las
transcripciones; y, por último, la Sección 4, dedicada a la discusión de los resultados y a
las conclusiones, en la que se reflexiona sobre las aportaciones del modelo, las
limitaciones encontradas y las futuras líneas de investigación orientadas a la mejora de la
evaluación de la competencia lingüística y a la creación de recursos digitales en euskera.
2. MÉTODO
Este trabajo se enmarca en un estudio metodológico aplicado, de diseño
descriptivo-analítico, orientado a la evaluación del rendimiento de un sistema de
DIGILEC Revista Internacional de Lenguas y Culturas 87
Digilec 13 (2026), pp. 82-99
reconocimiento de texto manuscrito (HTR) en un contexto educativo real. En este
apartado se detalla la metodología empleada para el análisis de textos manuscritos en
euskera producidos por estudiantes de EP, incluyendo la recogida indirecta de datos, la
caracterización de los participantes, la selección y uso de herramientas para digitalizar y
transcribir los textos, el entrenamiento y evaluación de los modelos HTR, y la creación
de un sistema de codificación desarrollado para categorizar los errores del modelo HTR.
2.1. Recogida indirecta de datos
En este estudio, se dispone de una muestra significativa de 870 textos escritos por
estudiantes de 4ª de EP del Sistema Educativo Vasco. Estos textos han sido facilitados
por el ISEI-IVEI, organismo encargado de realizar las ED en la Comunidad Autónoma
Vasca.
2.2. Participantes
En el marco de la ED organizada por el ISEI-IVEI en Euskadi, los alumnos de 4.º
de EP participan en una evaluación a mitad de etapa. Como se ha descrito en la
introducción, este proceso tiene como objetivo valorar el nivel de desarrollo de las
competencias clave y específicas adquiridas hasta ese momento, en este caso, la
competencia en comunicación lingüística. Los participantes, con edades comprendidas
entre los 9 y 10 años, representan una muestra diversa del alumnado vasco, incluyendo
estudiantes de centros públicos y concertados, así como de los diferentes modelos
lingüísticos (A, B y D). Esta evaluación considera la diversidad del alumnado, incluyendo
aquellos con necesidades educativas especiales, para quienes se realizan las adaptaciones
necesarias en las pruebas. La ED de este grupo de edad permite una intervención temprana
y efectiva en el proceso educativo.
2.3. Herramientas
Para llevar a cabo la metodología se emplearon tres herramientas principales:
Transkribus, una hoja de cálculo y sistema de codificación de errores. Mediante la
plataforma Transkribus, una plataforma de reconocimiento automático de plantillas y
hojas en imágenes, que utiliza técnicas de IA especializadas, se ha realizado la
digitalización y la creación de modelos. Además, el proceso ha permitido entrenar
modelos de IA adaptados a las características específicas de los documentos analizados,
optimizando así la precisión del reconocimiento textual. Con la hoja de cálculo, se ha
llevado a cabo una evaluación exhaustiva de los resultados generados por los modelos de
HTR. La evaluación se realizó de forma manual, comparando el texto transcrito
automáticamente por nuestros modelos creados en Transkribus con el texto transcrito
manualmente (ground truth). Esta comparación permitió un análisis cualitativo de las
diferencias y similitudes entre ambas versiones y de esa forma se pudo comprobar la
eficacia del modelo de HTR entrenado. Mediante el sistema de codificación de errores,
se desarrolló una categorización de los diferentes tipos de errores para optimizar este
DIGILEC Revista Internacional de Lenguas y Culturas 88
Digilec 13 (2026), pp. 82-99
proceso. Esta categorización se diseñó a partir de la comparación sistemática entre las
transcripciones automáticas y las transcripciones manuales, agrupando los errores según
los patrones observados en estas discrepancias. De este modo, se identificaron las
inexactitudes presentes en las transcripciones automáticas y, al mismo tiempo, se
extrajeron datos estadísticos generales, proporcionando una visión global de la precisión
y eficacia del modelo HTR empleado.
2.4. Proceso
El proceso seguido se ha compuesto de cuatro pasos: primero, ha habido un proceso
de digitalización automática. Después, se han revisado las transcripciones y se ha creado
ground truth. A continuación, se han creado y optimizado los modelos layout y HTR y
finalmente, se ha llevado a cabo la evaluación manual del modelo HTR y sistema de
codificación (ver Figura 1):
Figura 1
Proceso de creación y evaluación del modelo HTR para textos en euskera de
estudiantes de EP
• Identificar el diseño de la hoja (layout): mediante el uso de técnicas avanzadas de
IA, se ha desarrollado un modelo de diseño que permite extraer solo el texto
manuscrito de la plantilla original y detectar automáticamente las líneas que
contienen el texto manuscrito por los estudiantes, además de numerar las líneas
correspondientes.
● Transcripción de textos: se han empleado modelos de reconocimiento de texto
manuscrito (HTR) previamente desarrollados en proyectos anteriores,
combinados con técnicas de IA.
● Revisión de transcripciones y creación de ground truth: las transcripciones
generadas automáticamente han sido revisadas y corregidas manualmente,
asegurando que reflejen fielmente el texto escrito por los estudiantes, para reducir
al máximo la tasa de error que pueda presentar el modelo automático.
● Creación y optimización de modelos layout y HTR: se han entrenado nuevos
modelos de IA para layout y HTR basados en los textos corregidos manualmente
(ground truth). Este proceso iterativo ha optimizado los modelos existentes,
reduciendo significativamente las tasas de error en la plataforma Transkribus.
● Evaluación manual del modelo HTR y sistema de codificación: se ha realizado un
análisis comparativo del corpus de evaluación (10% del corpus total: 43
transcripciones automáticas de manuscritos) con las versiones corregidas
manualmente, con el fin de identificar y clasificar los errores del sistema de
reconocimiento de texto.
DIGILEC Revista Internacional de Lenguas y Culturas 89
Digilec 13 (2026), pp. 82-99
De esta manera, se organizaron y analizaron los datos manualmente, mediante la
comparación de las transcripciones automáticas con sus respectivas versiones corregidas
manualmente. Este procedimiento permitió analizar los errores que había en las
transcripciones automáticas. Los errores se clasificaron según un sistema de codificación
creado ad hoc, con el objetivo de obtener indicadores cuantitativos y cualitativos sobre el
rendimiento del sistema. A continuación se puede apreciar cuál fue la codificación de los
diversos tipos de errores (ver Tabla 1):
Tabla 1
Codificación de la evaluación según tipos de errores
Concepto
Código
Descripción
Confusión de letras
O
Errores en la detección de
letras que no pertenecen a las
familias de letras establecidas
Confusión entre las
familias de letras
LF
Errores clasificados en seis
grupos según la forma de las
letras minúsculas o
interrupciones en el trazo:
LF1 (o, a, d, g, c, q); LF2 (e,
l, b, f, h); LF3 (m, n, ñ, p);
LF4 (r, s, x, z); LF5 (u, y, v,
w); LF6 (i, j, k, t). Errores en
las letras según pertenezcan a
una de las seis familias de
letras
Omisión de letra
ELI
Errores donde la transcripción
automática no identifica una
letra presente en el texto
original, ya sea al inicio, en
medio o al final de una
palabra
Comisión de letra
LID
Errores en los que la
transcripción automática
añade una letra inexistente en
el texto original, ya sea al
inicio, en medio o al final de
una palabra
Mayúscula/Minúscula
A
Errores de confusión de
mayúsculas y minúsculas, es
decir, confusión de alógrafos,
ya sea de la misma letra o
entre familias de letras
Puntuación
P
Incluye confusiones entre
diferentes signos de
puntuación, como detectar
DIGILEC Revista Internacional de Lenguas y Culturas 90
Digilec 13 (2026), pp. 82-99
una coma en lugar de un
punto o viceversa. También
abarca la Puntuación No
Identificada (PEI), donde la
transcripción automática no
detecta un signo de
puntuación existente, y la
Puntuación Identificada (PID)
erróneamente, donde se
detecta un signo de
puntuación inexistente
Números
ZO
Errores en la identificación de
números, incluyendo
confusiones entre diferentes
números, o entre números y
letras en ambas direcciones
Tachadura
Z
Errores relacionados con la
detección o no detección de
tachaduras, como “xxx”.
Puede ocurrir que la
transcripción automática
detecte una tachadura
inexistente o no detecte una
existente
● Publicación de los modelos de HTR: Transkribus permite la publicación de
modelos de HTR que alcanzan un rendimiento excepcional. Estos modelos se
consideran óptimos cuando su tasa de error se mantiene por debajo del umbral
crítico, que oscila entre el 5% y el 7%. Los modelos que cumplen con este estricto
criterio de precisión son elegibles para ser compartidos públicamente en la
plataforma.
2.5. Declaración ética
Para llevar a cabo esta investigación, el acceso a los textos se ha realizado bajo
estrictas medidas de confidencialidad y protección de datos, cumpliendo con las
normativas vigentes de protección de datos personales. El ISEI-IVEI garantizó el
anonimato completo del alumnado, utilizando los datos únicamente con fines de
investigación.
3. Resultados
3.1. Análisis del corpus
El resultado principal ha sido obtener un corpus digitalizado de 4º de Primaria que
permite su análisis automático y el desarrollo de modelos HTR. Así, el conjunto de datos
consta de 792 textos, que en total suman 68.652 palabras, de las cuales 11.132 son únicas.
La extensión de los documentos varía considerablemente: los más extensos contienen
DIGILEC Revista Internacional de Lenguas y Culturas 91
Digilec 13 (2026), pp. 82-99
entre 160 y 175 palabras, mientras que los más breves pueden contener de 5 a 10 palabras.
Se puede observar que los textos de los alumnos de 4º de primaria, en general, han sido
bastante variables en cuanto a la extensión del texto. En definitiva, aunque algunos textos
son extensos, muchos otros son bastante reducidos, lo que refleja la diversidad en el
proceso de aprendizaje. El análisis preliminar de los textos se desarrolla en las siguientes
subsecciones.
3.1.1. Categorías gramaticales y errores ortográficos
Al examinar las palabras que aparecen con mayor frecuencia en el corpus,
especialmente los sustantivos y verbos más comunes, se puede inferir que el tema
principal de estos textos gira en torno a las vacaciones familiares. Esto se evidencia no
solo en los ejemplos mencionados anteriormente, sino también en el análisis de frecuencia
de palabras realizado. Cabe destacar que la elección de los temas para la evaluación es
responsabilidad del ISEI-IVEI, que selecciona cuidadosamente textos y propuestas
relevantes y cercanas al contexto de los estudiantes. Este proceso busca garantizar que los
materiales sean representativos de situaciones comunicativas reales, contribuyendo así a
una evaluación más auténtica y significativa de la comprensión escrita.
Por otro lado, el análisis del corpus ha revelado una alta incidencia de errores
ortográficos (ortografía funcional) (véase Gráfico 1 y Gráfico 2). Un caso notable es el
de las palabras ‘ondartza’ (playa) y ‘artu’ (agarrar), que en euskera se escriben
correctamente con "h" inicial: ‘hondartza’ y ‘hartu’. Sin embargo, se ha observado que,
en aproximadamente la mitad de las ocasiones, los alumnos han omitido esta letra. Este
tipo de equivocaciones, junto con otros errores similares, pueden tener un impacto en los
resultados del análisis de frecuencia de palabras, alterando ligeramente las estadísticas
obtenidas.
Gráfico 1
Lemas de sustantivos y sus frecuencias en el corpus
DIGILEC Revista Internacional de Lenguas y Culturas 92
Digilec 13 (2026), pp. 82-99
Gráfico 2
Lemas de verbos y sus frecuencias en el corpus
3.2. Análisis de los modelos de layout y HTR
Con el fin de interpretar los resultados obtenidos del modelo de layout y HTR (véase
Tabla 2), se realizó el entrenamiento de modelos de IA orientados tanto al layout como al
HTR. Este proceso comenzó con la preparación y segmentación cuidadosa del corpus,
permitiendo que los modelos pudieran identificar correctamente las distintas regiones de
los documentos, como encabezados, párrafos, notas al margen y otros elementos
estructurales relevantes. Una vez generadas las primeras transcripciones automáticas
mediante estos modelos, se procedió a una fase crucial de corrección manual. En esta
etapa, se revisaron minuciosamente los textos producidos por el sistema, identificando y
corrigiendo errores tanto en la interpretación de la estructura del documento como en la
transcripción del contenido manuscrito. Gracias a la combinación de la corrección manual
y las técnicas avanzadas de aprendizaje automático, se logró una mejora continua en el
rendimiento de los modelos. Cada ciclo de corrección y reentrenamiento permitió reducir
progresivamente la tasa de error, optimizando tanto el reconocimiento del layout como la
precisión en la transcripción de textos manuscritos.
Analizando los resultados de este estudio, se observa que el modelo de
identificación de layout con ID 77229, entrenado en un conjunto de 714 páginas,
demostró una alta precisión, alcanzando una tasa de error en letras de tan solo el 2,28%
en el corpus de evaluación. En cuanto al modelo de Reconocimiento de Texto Manuscrito
(HTR) con ID 77829, entrenado en un conjunto ligeramente mayor de 749 páginas, se
obtuvo una tasa de error en letras del 6,04%.
DIGILEC Revista Internacional de Lenguas y Culturas 93
Digilec 13 (2026), pp. 82-99
Tabla 2
Resultados de los modelos de layout y HTR
Páginas entrenadas
Tasa de error en letras
Layout
714
2,28%
HTR
749
6,04%
El corpus de evaluación de HTR, con el 10% de los estudiantes contiene 43
documentos con 4.005 total de palabras y 1.638 palabras únicas. La extensión de los
documentos varía considerablemente: los más extensos contienen entre 117 y 133
palabras, mientras que los más breves contienen de 72 a 75 palabras.
3.3. Análisis de los errores del sistema
El presente análisis compara los errores de escritura del 10%, según Transkribus la
muestra más grande, categorizando y cuantificando los tipos de errores más frecuentes.
Los resultados del análisis de errores de escritura entre las transcripciones automáticas y
las transcripciones corregidas manualmente, en total, se han identificado 1202 errores,
distribuidos en las categorías mencionadas que ofrecen una visión detallada de los errores
más frecuentes.
El error más frecuente, con una marcada diferencia, es la confusión de letras,
categorizado como "O" en el estudio (véase Tabla 3). Este tipo de error representa casi la
mitad de todos los casos observados, con 587 erratas, lo que equivale al 48,84% del total.
Con respecto al segundo tipo de error más común se relaciona con las familias de letras,
agrupadas en las categorías LF1 a LF6. En conjunto, estos errores suman 219 casos,
representando el 18,22% del total. Es interesante notar la distribución desigual dentro de
esta categoría: LF1 muestra la mayor frecuencia con 87 casos, seguida por LF4 con 44
casos, mientras que LF3 y LF6 presentan 32 casos cada una. LF2 tiene 24 casos, y
notablemente, LF5 no registra ningún error. Los errores de puntuación, categorizados
como "P", ocupan el tercer lugar en frecuencia con 172 casos, constituyendo el 14,31%
del total. Un análisis más detallado de esta categoría revela tres subcategorías específicas:
Puntuación No Identificada (PEI) con 73 casos, Puntuación Identificada (PID) con 27
casos, y 72 casos adicionales que implican confusión entre diferentes tipos de signos de
puntuación. Estos últimos casos se refieren a situaciones donde, por ejemplo, la
transcripción automática ha detectado una coma cuando en realidad era un punto, o
viceversa. En cuanto a la omisión de letras (ELI) y la comisión de letras (LID) representan
el 7,24% y 5,74% de los errores respectivamente, con 87 y 69 casos. Sobre los errores en
el uso de mayúsculas y minúsculas (A) son menos frecuentes, con 43 casos que
representan el 3,58% del total. Finalmente, en relación con las categorías con menor
incidencia son las tachaduras (Z) y los errores relacionados con números (ZO), que
representan el 1,25% y 0,83% respectivamente, con 15 y 10 casos.
DIGILEC Revista Internacional de Lenguas y Culturas 94
Digilec 13 (2026), pp. 82-99
Tabla 3
Resultados de la evaluación del sistema de codificación
Código
Concepto
K
Porcentaje
Total
O
Confusión de letras
587
48,84%
587
LF
Familia de letras
219
18,22%
219
LF1
87
7,24%
LF4
44
3,66%
LF3
32
2,66%
LF6
32
2,66%
LF2
24
2,00%
LF5
0
0,00%
P
Puntuación
172
14,31%
172
PEI
Puntuación No Identificada
73
42,44%
PID
Puntuación Identificada
27
15,70%
ELI
Omisión de letra
87
7,24%
87
LID
Comisión de letra
69
5,74%
69
A
Mayúscula/Minúscula
43
3,58%
43
Z
Tachadura
15
1,25%
15
ZO
Números
10
0,83%
10
Errores en total
100%
1202
Teniendo en cuenta el análisis realizado, y sin extraer conclusiones definitivas, se
ha evaluado el rendimiento del modelo automático HTR en la transcripción de textos
manuscritos en euskera. Los datos de valoración, obtenidos a partir de un 10% del corpus
total, muestran una tasa de error del 6,04% en letras para el modelo HTR. Dada la
relevancia de este dato (el 48% de los errores del 6,04% corresponden a confusión de
letras), se continúa investigando para optimizar el modelo, respetando en todo momento
la naturaleza exploratoria de este análisis.
4. DISCUSIÓN
Los resultados de este estudio ponen de manifiesto las dificultades inherentes al
reconocimiento automático de escritura manuscrita infantil, estrechamente vinculadas al
propio proceso de adquisición de la escritura. En las primeras etapas educativas, la
producción escrita se caracteriza por una notable variabilidad en la forma de las letras, en
la regularidad del trazo y en la organización del texto, aspectos que han sido descritos en
investigaciones previas desde una perspectiva cognitiva y neurolingüística (Berninger y
Richards, 2010). Esta inestabilidad gráfica constituye un reto añadido para los sistemas
de Reconocimiento de Texto Manuscrito (HTR), que generalmente alcanzan mejores
resultados cuando se enfrentan a escrituras más homogéneas y normalizadas.
En este contexto, la tasa de error en letras del 6,04% obtenida por el modelo HTR
puede considerarse un resultado satisfactorio. Estudios previos han demostrado que,
incluso con arquitecturas avanzadas basadas en redes neuronales profundas, el
DIGILEC Revista Internacional de Lenguas y Culturas 95
Digilec 13 (2026), pp. 82-99
reconocimiento de escritura manuscrita no restringida continúa presentando dificultades
cuando se trabaja con corpus heterogéneos (Graves et al., 2009; Ingle et al., 2019). Por
tanto, el rendimiento alcanzado en este trabajo se sitúa en una línea coherente con los
resultados descritos en la literatura y refuerza la validez del enfoque metodológico
adoptado.
El análisis detallado de los errores muestra que la confusión de letras constituye la
principal fuente de error del sistema. Este patrón coincide con lo descrito en estudios
anteriores, que señalan la similitud visual entre grafías y la ambigüedad de determinados
trazos manuscritos como factores clave en los errores de reconocimiento automático
(Fischer et al., 2012). En el caso de la escritura infantil, estas dificultades se ven
acentuadas por la falta de consistencia en la representación de las letras, característica
propia de las etapas iniciales del aprendizaje de la escritura (Berninger y Richards, 2010).
De manera similar, los errores agrupados en familias de letras reflejan limitaciones
del sistema a la hora de discriminar grafemas con rasgos gráficos próximos. Este tipo de
errores ha sido documentado tanto en enfoques clásicos como en modelos más recientes
de HTR, lo que sugiere que la variabilidad gráfica sigue siendo un factor determinante en
el rendimiento de estos sistemas, independientemente de la técnica empleada (Fischer et
al., 2012; Ingle et al., 2019).
En relación con los errores de puntuación, su presencia resulta coherente con
investigaciones que indican que los signos de puntuación suelen presentar mayores
dificultades para los sistemas automáticos, debido a su reducido tamaño y a la diversidad
de formas manuscritas que pueden adoptar (Graves et al., 2009). Por el contrario, los
errores relacionados con mayúsculas, números y tachaduras presentan una incidencia
menor en el conjunto de errores analizados, lo que concuerda con trabajos que sitúan los
principales desafíos del HTR en la identificación de grafías y en la variabilidad del trazo,
más que en elementos gráficos aislados (Fischer et al., 2012).
Finalmente, el uso de la plataforma Transkribus para el entrenamiento y la
evaluación de los modelos ha resultado adecuado para los objetivos de este estudio.
Investigaciones previas han destacado su utilidad para la creación de modelos de HTR
adaptados a corpus específicos y a documentos con características particulares (Kahle et
al., 2017). En línea con lo señalado por Ingle et al. (2019), los resultados obtenidos
indican que la combinación de corrección manual, ampliación progresiva del corpus y
reentrenamiento iterativo constituye una estrategia eficaz para mejorar el rendimiento de
los sistemas de reconocimiento, especialmente en contextos complejos como el de la
escritura manuscrita infantil.
5. CONCLUSIONES, LÍMITES Y FUTURO TRABAJO
En el presente estudio se ha digitalizado una colección de 870 textos manuscritos
de estudiantes de EP del Sistema Educativo Vasco. Para ello, se han desarrollado modelos
de detección automática del layout y del texto manuscrito o HTR en la plataforma
Transkribus, utilizando textos manuscritos de alumnos de EP. Dado que actualmente no
existen modelos específicos para este nivel educativo, se han desarrollado modelos
adaptados a las características de la escritura de los estudiantes de EP. Así, el layout ha
DIGILEC Revista Internacional de Lenguas y Culturas 96
Digilec 13 (2026), pp. 82-99
alcanzado una precisión del 97.72% en la identificación de líneas en el conjunto de
evaluación, mientras que la precisión del modelo HTR ha sido de 93.96% en CER. Por lo
tanto, los resultados obtenidos en este proyecto demuestran un nivel de precisión notable,
ya que su tasa de error se sitúa entre el 5% y el 7% CER, indicando un avance significativo
en la adaptación y eficacia de estos modelos para el contexto educativo específico. Es un
logro importante para la comunidad educativa en general y los órganos de evaluación
como el ISEI-IVEI en particular. Además, haberlo conseguido en un idioma en el que
escasean los datos también es destacable.
El desarrollo de modelos para la digitalización de textos manuscritos de EP es
complejo. Por un lado, los estilos caligráficos son muy heterogéneos; por otro lado, los
textos tienden a ser breves y, por último, la presencia de errores ortográficos es una
dificultad añadida. De todas maneras, nuestra tarea no ha sido la de corregir los errores
ortográficos, sino más bien la de preservarlos. Que haya errores ortográficos en las
muestras del alumnado provoca que la capacidad del modelo sea limitada, tanto para que
el sistema aprenda el léxico como para que el sistema aplique las correcciones
automáticas. La alta frecuencia de errores encontrados podría atribuirse a varios factores,
como la variabilidad en la caligrafía de los estudiantes, la similitud visual entre ciertas
letras, o las limitaciones en los algoritmos de reconocimiento. Este resultado destaca la
necesidad de incrementar los datos de entrenamiento para distinguir sutilezas en la
formación de letras individuales, especialmente en el contexto de la escritura en desarrollo
de los estudiantes. La aplicación de la plataforma Transkribus, basada en IA, para el
reconocimiento automatizado de plantillas y texto en imágenes, ha sido adaptada y
optimizada para el euskera. Este proceso implicó el desarrollo de modelos de layout y de
reconocimiento de texto manuscrito (HTR) específicos, que han demostrado mejorar la
precisión y la eficiencia de la transcripción automática.
Adicionalmente, se diseñó un sistema de codificación personalizado para clasificar
los errores en las transcripciones, lo que facilita la identificación de áreas de mejora y la
optimización de los algoritmos de reconocimiento de texto. El error más común, la
confusión de letras, de este modelo representa casi la mitad de todos los casos (48,84%).
Este hallazgo sugiere que el modelo es altamente efectivo para su propósito, pero la
reducción de la confusión entre letras similares constituye una oportunidad clara de
mejora. Abordar este aspecto podría elevar aún más la precisión. Sin embargo, los errores
relacionados con las familias de letras, que representan el 18,22% del total, revelan
patrones específicos de confusión entre grupos de letras similares. Este hallazgo sugiere
que ciertas familias de letras son más propensas a la confusión como, por ejemplo, lo que
podría informar el desarrollo de estrategias de reconocimiento más específicas y eficaces.
Además, la ausencia de errores en la familia LF5 (u, v, w, y) merece una investigación
más profunda para entender qué características de estas letras las hacen más fácilmente
reconocibles por el sistema HTR, teniendo en cuenta que, en euskera, en este caso, no se
utilizan las letras v, w e y. Centrando en los errores de puntuación, que constituyen el
14,31% del total, revelan un área de mejora significativa para los sistemas HTR. La
distribución de estos errores en subcategorías (puntuación no identificada, puntuación
identificada incorrectamente, y confusión entre diferentes tipos de signos de puntuación)
proporciona una visión detallada en este ámbito. Estos resultados sugieren que los
DIGILEC Revista Internacional de Lenguas y Culturas 97
Digilec 13 (2026), pp. 82-99
sistemas HTR actuales tienen dificultades no solo para detectar la presencia de signos de
puntuación, sino también para distinguir entre diferentes tipos de signos. Este hallazgo es
importante, ya que la puntuación juega un papel crucial en las herramientas de
procesamiento del lenguaje natural que analizan la complejidad del lenguaje. En muchas
métricas, se tiene en cuenta la estructura de la oración y otros elementos relacionados con
la puntuación, lo que subraya su importancia en la comprensión y análisis del texto. Esta
información es fundamental no solo para mejorar la precisión de los sistemas HTR en la
captura de la estructura y el significado completo de los textos manuscritos, sino también
para el desarrollo de herramientas de análisis lingüístico más sofisticadas.
No obstante, la mayor frecuencia de errores de omisión de letras (7,24%) en
comparación con la comisión de letras (5,74%) sugiere que el sistema tiende más a no
reconocer letras existentes que a añadir letras inexistentes. Este hallazgo podría estar
relacionado con la sensibilidad del sistema a la variabilidad en la escritura manuscrita,
donde las letras pueden ser difíciles de distinguir o estar mal formadas, como se ha podido
observar en nuestros textos, las letras como a u o mal formadas, o la s y r.
El relativamente bajo porcentaje de errores en el uso de mayúsculas y minúsculas
(3,58%) indica un buen rendimiento del sistema en este aspecto. Sin embargo, este
resultado también sugiere que, aunque los sistemas HTR son capaces de distinguir entre
mayúsculas y minúsculas con cierta precisión, aún existen áreas de mejora, especialmente
en contextos donde la caligrafía es menos clara o está en desarrollo.
Los resultados detallados de este análisis de errores proporcionan una base sólida
para mejorar los algoritmos de HTR, especialmente en el contexto de la escritura
manuscrita de estudiantes. La identificación precisa de los tipos de errores más comunes
puede informar el desarrollo de estrategias de reconocimiento más eficaces y
personalizadas para este grupo específico de usuarios.
Para finalizar, centrando en los límites y posibles futuros trabajos, hay que enfocar
en las categorías con menor incidencia (tachaduras y errores relacionados con números)
y las categorías adicionales (PEI y PID) que señalan áreas específicas para futuras
investigaciones y mejoras en los sistemas HTR. Estos errores, aunque menos frecuentes,
indican que posiblemente se necesiten más datos para poder concluir mejor sobre el tema.
6. AGRADECIMIENTOS
Agradecemos a ISEI-IVEI la cesión de los datos anónimos utilizados en esta
investigación.
7. FINANCIACIÓN
Este trabajo ha sido posible gracias a la beca predoctoral del Gobierno Vasco/Eusko
Jaurlaritza (Ref. PRE-2024_1_0273), a la financiación de la Diputación de Gipuzkoa a
través del PROYECTO IDATZIZ: análisis de muestras de escritura en euskera mediante
herramientas tecnológicas en 5 centros (P17) y CLARIAH-EUS-gArA (2024-CIE2-
000003-01).
DIGILEC Revista Internacional de Lenguas y Culturas 98
Digilec 13 (2026), pp. 82-99
REFERENCIAS
Adak, C., Chaudhuri, B. B. y Blumenstein, M. (2017). Legibility and aesthetic analysis
of handwriting. In 2017 14th IAPR International Conference on Document Analysis
and Recognition (ICDAR) (Vol. 1, pp. 175-182). IEEE. doi:
10.1109/ICDAR.2017.37.
Berninger, V. W. y Richards, T. L. (2010). Inter-relationships among behavioral markers,
genes, brain, and treatment in dyslexia and dysgraphia. Future Neurology, 5(4),
597–617. https://doi.org/10.2217/fnl.10.22
Butler, T. S. (2003). Human interaction with digital ink: legibility measurement and
structural analysis [Tesis de Doctorado]. University of Hertfordshire.
http://hdl.handle.net/2299/14158
Dinehart, L. H. (2015). Handwriting in early childhood education: Current research and
future implications. Journal of Early Childhood Literacy, 15, 97–118. DOI:
https://doi.org/10.1177/1468798414522825
Durrant, P. (2022). Studying children's writing development with a corpus. Applied
Corpus Linguistics, 2(3), 100026. https://doi.org/10.1016/j.acorp.2022.100026
Fischer, A., Frinken, V., Bunke, H. y Fornés, A. (2012). Lexicon-free handwritten word
spotting using character HMMs. Pattern Recognition Letters, 33(7), 934–942.
https://doi.org/10.1016/j.patrec.2011.09.009
Fogel, Y., Rosenblum, S. y Barnett, A. L. (2022). Handwriting legibility across different
writing tasks in school-aged children. Hong Kong journal of occupational therapy:
HKJOT, 35(1), 44–51. https://doi.org/10.1177/15691861221075709
González, R. M. (2003). Propuesta de intervención en los procesos cognitivos y
estructuras textuales en niños con DAE. Psicothema, 15(3), 458-463.
Government of South Australia, Department of Education and Children’s Services
(2007). Handwriting in the South Australian Curriculum (2nd ed.; G. Groves, Ed.).
Hyde Park Press.
https://www.australianschoolfonts.com.au/assets/resources/handwriting-2nd-ed-
2007-sa.pdf
Graves, A., Liwicki, M., Fernández, S., Bertolami, R., Bunke, H. y Schmidhuber, J.
(2009). A novel connectionist system for unconstrained handwriting recognition.
IEEE Transactions on Pattern Analysis and Machine Intelligence, 31(5), 855–868.
https://doi.org/10.1109/TPAMI.2008.137
Ibarra, I. (2016). Esku-idazketa eta testu eleanitzen arteko loturak. [Tesis de Doctorado].
Universidad del País Vasco/Euskal Herriko Unibertsitatea (UPV/EHU).
https://addi.ehu.eus/bitstream/handle/10810/26312/TESIS_IBARRA_LIZUNDIA
_IRUNE.pdf?sequence=1&isAllowed=y
Ibarra, I., Ortube, M., eta Muxika, I. (2020). Letra xeheak, bai! Booktegi. Recuperado de
https://www.booktegi.eus/liburuak/letra-xeheakbai/
Ingle, R., Fujii, Y., Deselaers, T., Baccash, J. y Popat, A. (2019). A scalable handwritten
text recognition system. Proceedings of ICDAR 2019, 17–24.
https://doi.org/10.48550/arXiv.1904.09150
DIGILEC Revista Internacional de Lenguas y Culturas 99
Digilec 13 (2026), pp. 82-99
Instituto Vasco de Evaluación e Investigación Educativa (ISEI-IVEI). (2025). Evaluación
diagnóstica de mitad de etapa. Competencia en comunicación lingüística. Gobierno
Vasco. https://isei-ivei.euskadi.eus/es/
Jaipukar, P.B., Pal V.S., Varade, S.M. y Mendhule, S.P. (2025). Interpreting Handwriting
Text Recognition. International Journal of Progressive Research in Engineering
Management and Science (IJPREMS) (Int Peer Reviewed Journal), 5(8), 1745-
1748.
https://www.ijprems.com/uploadedfiles/paper//issue_8_august_2025/43592/final/f
in_ijprems1756717555.pdf
Kahle, P., Colutto, S., Hackl, G. y Mühlberger, G. (2017). Transkribus—A service
platform for transcription, recognition and retrieval of historical documents.
Proceedings of ICDAR 2017, 19–24. https://doi.org/10.1109/ICDAR.2017.307
Ley Orgánica 2/2006, de 3 de mayo, de Educación. (BOE núm. 106, de 4 de mayo de
2006, pp. 1-112).
Mahadevkar, S., Patil, S. y Kotecha, K. (2024). Enhancement of handwritten text
recognition using AI-based hybrid approach. MethodsX, 12, 1-11. DOI:
https://doi.org/10.1016/j.mex.2024.102654
Muehlberger, G., Seaward, L., Terras, M., Ares Oliveira, S., Bosch, V., Bryan, M.,
Colutto, S., Déjean, H., Diem, M., Fiel, S., Gatos, B., Greinoecker, A., Grüning, T.,
Hackl, G., Haukkovaara, V., Heyer, G., Hirvonen, L., Hodel, T., Jokinen, M., ...
Zagoris, K. (2019). Transforming scholarship in the archives through handwritten
text recognition: Transkribus as a case study. Journal of Documentation, 75(5),
954-976. https://www.emerald.com/insight/content/doi/10.1108/jd-07-2018-
0114/full/html
Nisa, H., Thom, J., Ciesielski, V. y Tennakoon, R. (2023). Student Messy Handwritten
Dataset (SMHD). RMIT University. Dataset.
https://doi.org/10.25439/rmt.24312715.v1
Nockels, J., Gooding, P., Ames, S., & Terras, M. (2022). Understanding the application
of handwritten text recognition technology in heritage contexts: a systematic review
of Transkribus in published research. Archival science, 22(3), 367–392.
https://doi.org/10.1007/s10502-022-09397-0
Rakesh, S., Kushal Reddy, P., V. Prashanth, V. y Srinath Reddy, K. (2024). Handwritten
text recognition using deep learning techniques: A survey. MATEC Web of
Conferences, 392(01126), 1-8. DOI:
https://doi.org/10.1051/matecconf/202439201126
Stokes, P., y Kiessling, B. (2024). Sharing Data for Handwritten Text Recognition (HTR).
Digital Humanities in Practice. ffhal-04444641ff
Transkribus. (2025). Character Error Rate and Learning Curve. Transkribus Help
Center. https://help.transkribus.org/character-error-rate-and-learning-curve,
