Tecnología · II Medio

Ideas de aprendizaje activo

Fundamentos del Machine Learning

Los estudiantes aprenden mejor cuando experimentan directamente los efectos del sesgo algorítmico, porque este tema conecta con su realidad inmediata. Al analizar ejemplos concretos y debatir en clase, los conceptos abstractos de objetividad y justicia en IA se vuelven tangibles y significativos.

• Objetivos de Aprendizaje (OA)
• OA TEC 2oM: Inteligencia Artificial y Automatización
• OA TEC 2oM: Pensamiento Computacional

• 45–60 min
• Grupos pequeños
• 3 actividades

Actividad 01

• Debate Formal
• 45 min · Grupos pequeños

Debate Formal: ¿Quién tiene la culpa?

Se presenta un caso donde una IA de crédito bancario rechaza a personas de zonas rurales de Chile. Los estudiantes debaten si la responsabilidad es del programador, de los datos históricos o de la empresa, proponiendo soluciones para corregir el sesgo.

¿En qué se diferencia el pensamiento humano del aprendizaje automático?

Consejo de Facilitación

Durante el debate estructurado, asigne roles específicos (ej. representante de empresa tecnológica, afectado por sesgo, experto en ética) para que los estudiantes adopten perspectivas diversas y profundicen en el análisis.

Qué observar

Entregue a cada estudiante una tarjeta con una descripción breve de un problema (ej. clasificar correos como spam/no spam, agrupar clientes por comportamiento de compra). Pídales que indiquen si es un problema de aprendizaje supervisado o no supervisado y por qué.

• Analizar
• Evaluar
• Crear
• Autogestión
• Toma de Decisiones

Actividad 02

• Círculo de Investigación
• 50 min · Grupos pequeños

Círculo de Investigación: Auditoría de Imágenes

En equipos, los estudiantes usan buscadores de imágenes para términos como 'doctor', 'jefe' o 'limpieza'. Analizan si los resultados reflejan estereotipos y discuten cómo estos sesgos visuales en los datos de entrenamiento afectan a las futuras IAs.

¿Cómo influye la calidad de los datos de entrenamiento en las predicciones de una IA?

Consejo de Facilitación

En la auditoría de imágenes, pida a los estudiantes que registren cada paso en una tabla comparativa para que identifiquen patrones de sesgo en los resultados.

Qué observar

Presente un escenario donde una IA toma una decisión importante (ej. aprobar o rechazar una solicitud de crédito). Formule la pregunta: ¿Cómo podríamos verificar si los datos utilizados para entrenar esta IA son justos y no introducen sesgos? ¿Qué pasos seguirían?

• Analizar
• Evaluar
• Crear
• Autogestión
• Autoconciencia

Actividad 03

• Juego de Roles
• 60 min · Grupos pequeños

Juego de Roles: El Comité de Ética

Los estudiantes asumen roles (ingeniero, sociólogo, ciudadano afectado, abogado) para evaluar el lanzamiento de una nueva IA de vigilancia. Deben decidir qué medidas de transparencia y equidad debe cumplir el sistema antes de ser aprobado.

¿Qué tareas son ideales para ser automatizadas mediante IA y cuáles no?

Consejo de Facilitación

En el role play del Comité de Ética, limite el tiempo de discusión por tema para mantener el enfoque y asegure que todos los estudiantes participen activamente.

Qué observar

Muestre a los estudiantes una lista de tareas (ej. predecir el precio de una casa, agrupar noticias por tema, reconocer objetos en fotos). Pídales que identifiquen qué tipo de aprendizaje (supervisado o no supervisado) sería más apropiado para cada tarea y justifiquen brevemente.

• Aplicar
• Analizar
• Evaluar
• Conciencia Social
• Autoconciencia

Algunas notas para enseñar esta unidad

Los profesores más efectivos guían a los estudiantes a cuestionar la neutralidad de los algoritmos usando ejemplos locales y actuales. Evite presentar la IA como un tema lejano: vincule cada actividad a situaciones que los estudiantes puedan reconocer en su entorno, como redes sociales o plataformas educativas. La investigación sugiere que el aprendizaje basado en proyectos con datos reales aumenta la retención de conceptos éticos.

Los estudiantes demuestran comprensión al identificar sesgos en sistemas de IA, proponer auditorías éticas y defender sus criterios con argumentos basados en datos. La participación activa en debates y la calidad de sus propuestas en las actividades colaborativas muestran el dominio del tema.

---

Cuidado con estas ideas erróneas

• Durante el debate estructurado '¿Quién tiene la culpa?', escuche declaraciones que afirmen que los algoritmos son inherentemente objetivos.

  Redirija la discusión pidiendo a los estudiantes que analicen la frase: 'Los algoritmos son matemáticos, por lo tanto, objetivos'. Guíelos a reconocer que los datos históricos que usan suelen reflejar injusticias sociales y que la neutralidad depende de cómo se diseñen y auditen.

• Durante la auditoría de imágenes, algunos estudiantes pueden argumentar que el sesgo algorítmico es un problema exclusivo de otros países o culturas.

  En la actividad, muestre ejemplos locales de sesgo en algoritmos de salud o educación (ej. imágenes de rostros latinoamericanos con baja representación en datasets de reconocimiento facial). Pida a los estudiantes que identifiquen cómo estos sesgos afectarían sus propias comunidades.

---

Metodologías usadas en este resumen

• Debate Formal
• Círculo de Investigación
• Juego de Roles