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.

• 8o Básico
• Tecnología
• 4 actividades
• 20 min–45 min

Objetivos de Aprendizaje

1. Comparar el aprendizaje humano con el aprendizaje automático, identificando las diferencias en el procesamiento de información y la toma de decisiones.
2. Analizar cómo la calidad y el tamaño de los conjuntos de datos de entrenamiento impactan la precisión y el sesgo de un modelo de IA.
3. Explicar el concepto de 'entrenamiento' en Machine Learning utilizando ejemplos concretos de predicción o clasificación.
4. Evaluar el impacto potencial de la automatización impulsada por IA en profesiones específicas del mercado laboral chileno.

Círculo de Investigación

⏱ 30 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.

Preparación y detalles

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

Consejo de Facilitación: Para 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.

Setup: Grupos en mesas con acceso a fuentes de investigación

Materials: Colección de materiales fuente, Hoja de trabajo del ciclo de indagación, Protocolo de generación de preguntas, Plantilla de presentación de hallazgos

• Analizar
• Evaluar
• Crear
• Autogestión
• Autoconciencia

Círculo de Investigación

⏱ 45 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.

Preparación y detalles

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

Consejo de Facilitación: En 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.

Setup: Grupos en mesas con acceso a fuentes de investigación

Materials: Colección de materiales fuente, Hoja de trabajo del ciclo de indagación, Protocolo de generación de preguntas, Plantilla de presentación de hallazgos

• Analizar
• Evaluar
• Crear
• Autogestión
• Autoconciencia

Círculo de Investigación

⏱ 40 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.

Preparación y detalles

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

Consejo de Facilitación: Durante 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.

Setup: Grupos en mesas con acceso a fuentes de investigación

Materials: Colección de materiales fuente, Hoja de trabajo del ciclo de indagación, Protocolo de generación de preguntas, Plantilla de presentación de hallazgos

• Analizar
• Evaluar
• Crear
• Autogestión
• Autoconciencia

Círculo de Investigación

⏱ 20 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.

Preparación y detalles

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

Consejo de Facilitación: Para 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.

Setup: Grupos en mesas con acceso a fuentes de investigación

Materials: Colección de materiales fuente, Hoja de trabajo del ciclo de indagación, Protocolo de generación de preguntas, Plantilla de presentación de hallazgos

• Analizar
• Evaluar
• Crear
• Autogestión
• Autoconciencia

Enseñando Este Tema

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.

Qué Esperar

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

Idea errónea común

Durante la Simulación en Parejas: Entrenamiento Básico de ML, observa a los estudiantes que antropomorfizan la IA al describirla como si 'entendiera' los datos.

Qué enseñar en su lugar

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.

Idea errónea común

Durante las Estaciones Rotativas: Componentes de IA, observa las suposiciones de que más datos siempre llevan a mejores resultados.

Qué enseñar en su lugar

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.

Idea errónea común

Durante el Debate Grupal: Impacto Laboral de IA, observa las afirmaciones que presentan la IA como neutral o perfecta en sus decisiones.

Qué enseñar en su lugar

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.

Ideas de Evaluación

Boleto de Salida

Después de la Simulación en Parejas: Entrenamiento Básico de ML, pide a cada estudiante que escriba en una tarjeta cómo la máquina 'aprendió' a hacer una predicción y qué pasaría si los datos de entrenamiento tuvieran errores (ej: etiquetas mezcladas). Recolecta las tarjetas para identificar comprensiones clave y confusiones comunes.

Pregunta para Discusión

Durante las Estaciones Rotativas: Componentes de IA, usa la pregunta 'Si una IA se entrena con datos de Santiago, ¿cómo podría fallar en Arica?' para guiar la discusión hacia generalización y sesgo. Escucha las respuestas para evaluar si los estudiantes reconocen la importancia de la representatividad de los datos.

Verificación Rápida

Después del Debate Grupal: Impacto Laboral de IA, presenta dos escenarios breves y pide a los estudiantes que usen emojis (👍/👎) para indicar cuál IA creen que es más confiable y expliquen su elección basándose en la calidad de los datos. Registra las respuestas para identificar patrones de razonamiento crítico.

Extensiones y Apoyo

• Desafío: Pide a los estudiantes que propongan un proyecto donde diseñen un conjunto de datos pequeño para entrenar una IA que ayude a resolver un problema de su comunidad (ej: reciclaje, horarios de transporte).
• Apoyo: Para estudiantes que luchan con la abstracción, usa tarjetas con imágenes (ej: fotos de frutas) y pide que clasifiquen manualmente según características antes de pasar a datos numéricos.
• Exploración más profunda: Invita a los estudiantes a investigar casos reales de sesgos en IA (ej: algoritmos de selección de personal que discriminan por género) y a proponer soluciones éticas concretas.

Vocabulario Clave

Inteligencia Artificial (IA)	Campo de la informática enfocado en crear sistemas capaces de realizar tareas que normalmente requieren inteligencia humana, como el aprendizaje, la resolución de problemas y la toma de decisiones.
Machine Learning (ML)	Una subdisciplina de la IA que permite a los sistemas aprender de los datos sin ser programados explícitamente. Identifica patrones para hacer predicciones o tomar decisiones.
Conjunto de datos de entrenamiento	La colección de información organizada que se utiliza para enseñar a un modelo de Machine Learning a reconocer patrones y realizar predicciones.
Algoritmo	Un conjunto de reglas o instrucciones paso a paso que una computadora sigue para realizar una tarea o resolver un problema, como aprender de los datos.
Sesgo (en IA)	Una tendencia sistemática en los resultados de un modelo de IA que puede deberse a datos de entrenamiento incompletos, inexactos o que reflejan prejuicios sociales.