Esta tesis se centra en la generación y secuenciación de listas de lectura automáticas para usuarios no expertos que buscan adentrarse en nuevos campos de conocimiento. Se abordan preguntas fundamentales como “¿Dónde debería empezar un usuario no experto cuando se introduce a un nuevo tema?”, y “¿Por dónde debería continuar su lectura después de cada documento?”. Para responder a estas cuestiones, se propone un modelo que evalúa y secuencia las lecturas considerando las relaciones de prerrequisito entre los documentos y poniendo especial énfasis en las características intrínsecas de los documentos, como la coherencia, la legibilidad, el contenido textual y la polaridad. La tarea de secuenciación de documentos se formula como un problema de optimización combinatoria que busca encontrar el conjunto óptimo de caminos de lectura que maximicen la efectividad del aprendizaje. Los contenidos de los documentos se representan mediante modelado de tópicos y modelos basados en Transformer. Estas representaciones se combinan con algoritmos genéticos y de colonia de hormigas para generar secuencias óptimas de lectura que consideren la relevancia y las relaciones entre los documentos. La validación de los enfoques propuestos se realiza mediante experimentos empíricos que respaldan la eficacia del modelo propuesto en entornos de aprendizaje abiertos y no supervisados. Los resultados demuestran que la representación de documentos y la generación de secuencias de lectura basadas en las características intrínsecas de los documentos pueden ser efectivas para proporcionar recomendaciones de lectura personalizadas y significativas. Aunque cada enfoque tiene sus ventajas y desventajas, el estudio subraya la relevancia de considerar tanto la generalidad como la relevancia temática de los documentos en la generación de listas de lectura.