Tecnología · 8o Básico

Ideas de aprendizaje activo

Introducción a la Inteligencia Artificial y Machine Learning

Los conceptos de Inteligencia Artificial y Machine Learning pueden parecer abstractos para estudiantes de 8° básico, pero al transformar la teoría en experiencias prácticas y colaborativas, los estudiantes comprenden mejor cómo funcionan en la vida real. La participación activa, especialmente mediante simulaciones y debates, ayuda a concretar ideas complejas y a generar curiosidad sobre el impacto tecnológico en la sociedad.

Objetivos de Aprendizaje (OA)OA TEC 8oB: Tecnologías Emergentes e Inteligencia Artificial
20–45 minParejas → Toda la clase4 actividades

Actividad 01

Círculo de Investigación30 min · Parejas

Simulación en Parejas: Entrenamiento Básico de ML

Los estudiantes usan una herramienta en línea gratuita como Teachable Machine para recolectar datos de gestos con la cámara. Entrenan un modelo clasificador y prueban su precisión con datos nuevos. Discuten en parejas cómo mejorar los datos para reducir errores.

¿En qué se diferencia el aprendizaje de una máquina del aprendizaje humano?

Consejo de FacilitaciónPara la simulación en parejas, proporciona a cada equipo una tabla de datos concreta y sencilla (como predicciones de clima o notas escolares) para que manipulen manualmente y observen patrones antes de usar herramientas digitales.

Qué observarEntrega a cada estudiante una tarjeta con una pregunta: 'Describe un ejemplo de cómo una máquina aprende de los datos y qué podría pasar si los datos de entrenamiento son de mala calidad.' Pide que respondan en 2-3 frases.

AnalizarEvaluarCrearAutogestiónAutoconciencia
Generar Clase Completa

Actividad 02

Círculo de Investigación45 min · Grupos pequeños

Estaciones Rotativas: Componentes de IA

Prepara cuatro estaciones: datos (clasificar imágenes), entrenamiento (simular con tarjetas), predicción (juego de adivinanza) y decisión (evaluar sesgos). Los grupos rotan cada 10 minutos, registrando observaciones en una hoja compartida.

¿Cómo afecta la calidad de los datos de entrenamiento a las decisiones de una IA?

Consejo de FacilitaciónEn las estaciones rotativas, asigna un rol específico a cada estudiante (ejecutor, observador, registrador) para asegurar participación equitativa y evidencia escrita de lo que aprenden en cada estación.

Qué observarPlantea la siguiente pregunta al grupo: 'Si una IA se entrena solo con datos de ciudades grandes, ¿cómo podría afectar esto sus decisiones al operar en una zona rural de Chile?'. Guía la discusión hacia conceptos como sesgo y generalización.

AnalizarEvaluarCrearAutogestiónAutoconciencia
Generar Clase Completa

Actividad 03

Círculo de Investigación40 min · Grupos pequeños

Debate Grupal: Impacto Laboral de IA

Divide la clase en equipos para investigar profesiones afectadas por automatización. Cada equipo presenta argumentos a favor y en contra, usando ejemplos chilenos como minería. Vota la clase y concluye con reflexiones éticas.

¿Qué impacto tiene la automatización basada en datos en el mercado laboral actual?

Consejo de FacilitaciónDurante el debate laboral, asigna roles opuestos (a favor/en contra de la IA) y pide a los estudiantes que respalden sus argumentos con ejemplos reales de noticias o casos conocidos en Chile o Latinoamérica.

Qué observarPresenta dos escenarios breves: uno donde una IA toma una decisión basada en datos completos y otro donde la decisión se basa en datos limitados. Pide a los estudiantes que levanten la mano (o usen un emoji) si creen que la IA del segundo escenario es más confiable, y explica por qué.

AnalizarEvaluarCrearAutogestiónAutoconciencia
Generar Clase Completa

Actividad 04

Círculo de Investigación20 min · Individual

Individual: Mapa Conceptual de ML

Cada estudiante crea un mapa conectando datos, entrenamiento, predicción y sesgos. Incluye ejemplos personales. Comparte con un compañero para retroalimentación mutua y ajustes.

¿En qué se diferencia el aprendizaje de una máquina del aprendizaje humano?

Consejo de FacilitaciónPara el mapa conceptual de ML, proporciona una lista de términos clave y conectores para guiar su organización, pero deja espacio para que propongan relaciones propias que reflejen su comprensión.

Qué observarEntrega a cada estudiante una tarjeta con una pregunta: 'Describe un ejemplo de cómo una máquina aprende de los datos y qué podría pasar si los datos de entrenamiento son de mala calidad.' Pide que respondan en 2-3 frases.

AnalizarEvaluarCrearAutogestiónAutoconciencia
Generar Clase Completa

Plantillas

Plantillas que acompañan estas actividades de Tecnología

Úsalas, edítalas, imprímelas o compártelas.

Algunas notas para enseñar esta unidad

Enseñar IA y ML requiere un equilibrio entre la simplicidad y la precisión técnica. Evita comparaciones antropomórficas que generen confusiones, como decir que las máquinas 'piensan' o 'aprenden como humanos'. En su lugar, enfócate en ejemplos cotidianos donde los estudiantes reconozcan patrones estadísticos, como predecir el clima o recomendar música. La investigación en pedagogía STEM sugiere que usar datos locales (ej: resultados de PSU, precios de productos en mercados) aumenta el interés y la relevancia cultural. También es clave modelar el pensamiento crítico al cuestionar fuentes de datos y posibles sesgos desde el inicio.

Al finalizar estas actividades, los estudiantes podrán distinguir entre el aprendizaje humano y el de las máquinas, identificar los componentes básicos de un sistema de IA y reconocer la importancia de la calidad de los datos en las predicciones de ML. La evidencia de aprendizaje se verá en sus discusiones, mapas conceptuales y simulaciones, donde aplicarán estos conceptos de manera crítica.

Cuidado con estas ideas erróneas

  • Durante la Simulación en Parejas: Entrenamiento Básico de ML, watch for students who anthropomorphize la IA al describirla como si 'entendiera' los datos.

    Detén la simulación y pide a los equipos que expliquen cómo la máquina 'sabe' que un patrón es correcto, guiándolos a identificar que solo reconoce similitudes estadísticas en los datos proporcionados.

  • Durante las Estaciones Rotativas: Componentes de IA, watch for assumptions de que más datos siempre llevan a mejores resultados.

    En la estación de datos, muestra dos conjuntos: uno completo pero irrelevante (ej: colores de autos en Santiago) y otro incompleto pero relevante (ej: notas de matemáticas sin incluir lenguaje). Pide a los estudiantes que predigan qué IA funcionará mejor y expliquen por qué.

  • Durante el Debate Grupal: Impacto Laboral de IA, watch for statements que presenten la IA como neutral o perfecta en sus decisiones.

    Al introducir el debate, proporciona ejemplos de sesgos en decisiones automatizadas (ej: sistemas de salud que priorizan a hombres sobre mujeres en diagnósticos). Pide a los estudiantes que identifiquen las fuentes de estos sesgos usando los ejemplos dados.

Metodologías usadas en este resumen

Más en Datos, Análisis y Toma de Decisiones

Conceptos Fundamentales de Datos

Los estudiantes exploran qué son los datos, su importancia en la sociedad actual y los diferentes tipos de datos (cualitativos, cuantitativos).

2 methodologies

Recolección y Limpieza de Datos

Los estudiantes aplican métodos para obtener datos de calidad y prepararlos para un análisis riguroso, identificando y corrigiendo errores.

2 methodologies

Organización de Datos en Hojas de Cálculo

Los estudiantes utilizan hojas de cálculo para organizar, filtrar y ordenar datos, aplicando funciones básicas para su procesamiento.

2 methodologies

Visualización y Comunicación de Hallazgos

Los estudiantes transforman datos crudos en gráficos e infografías que faciliten la comprensión y comunicación de patrones y tendencias.

2 methodologies

Análisis Básico de Datos y Tendencias

Los estudiantes interpretan gráficos y tablas para identificar tendencias, correlaciones y anomalías en conjuntos de datos simples.

2 methodologies