Introducción a la Inteligencia Artificial

Aprender sobre inteligencia artificial en Segundo Medio exige más que teoría abstracta. Los estudiantes necesitan experimentar con datos reales para entender que el Machine Learning procesa patrones, no pensamientos. La combinación de simulaciones prácticas, investigación colaborativa y debates críticos hace tangible lo que podría parecer lejano o mágico.

• II Medio
• Tecnología
• 3 actividades
• 25 min–50 min

Objetivos de Aprendizaje

1. Clasificar las principales ramas de la Inteligencia Artificial (IA) según su funcionalidad y alcance.
2. Comparar las características de la inteligencia humana con las de la IA fuerte y débil.
3. Explicar la evolución histórica de la IA, identificando hitos clave y sus impulsores.
4. Evaluar el impacto de aplicaciones específicas de IA en la vida cotidiana, considerando beneficios y desafíos.

Juego de Simulación

⏱ 40 min·Grupos pequeños

Juego de Simulación: Entrenando a la Máquina

Los estudiantes actúan como un algoritmo de clasificación. Reciben tarjetas con fotos de frutas y deben crear 'reglas' para distinguirlas. Luego, el profesor introduce fotos ambiguas para ver cómo fallan sus reglas y cómo necesitan más datos para mejorar.

Preparación y detalles

¿Cómo podemos diferenciar entre la inteligencia humana y la inteligencia artificial?

Consejo de Facilitación: En la simulación Entrenando a la Máquina, circula entre los grupos para asegurar que todos registren sus predicciones antes y después de ajustar los datos.

Setup: Espacio flexible para estaciones de grupo

Materials: Tarjetas de rol con metas/recursos, Moneda de juego o fichas, Marcador de rondas

• Aplicar
• Analizar
• Evaluar
• Crear
• Conciencia Social
• Toma de Decisiones

Círculo de Investigación

⏱ 50 min·Grupos pequeños

Círculo de Investigación: IA en mi Entorno

En grupos, los estudiantes investigan tres aplicaciones de IA que se usen actualmente en Chile (ej. optimización de rutas de buses, detección de plagas). Deben identificar qué datos usa esa IA para aprender y qué predicción realiza.

Preparación y detalles

¿De qué manera la IA ha evolucionado desde sus inicios hasta la actualidad?

Consejo de Facilitación: Durante la investigación colaborativa IA en mi Entorno, asigna roles específicos (buscador, organizador, presentador) para evitar que algunos estudiantes acaparen el trabajo.

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

Pensar-Emparejar-Compartir

⏱ 25 min·Parejas

Pensar-Emparejar-Compartir: ¿Es Inteligente o es Estadística?

Se presenta un video de una IA jugando un videojuego. Los estudiantes reflexionan individualmente si eso es 'inteligencia' real, discuten sus criterios en parejas y luego debaten con el curso sobre las diferencias entre el aprendizaje humano y el de máquina.

Preparación y detalles

¿Cómo podemos evaluar el impacto de la IA en nuestra vida cotidiana?

Consejo de Facilitación: En el Think-Pair-Share ¿Es Inteligente o es Estadística?, escucha las respuestas de las parejas antes de guiar la discusión grupal para detectar malentendidos tempranos.

Setup: Disposición estándar del salón: los estudiantes se giran hacia un compañero

Materials: Consigna de discusión (proyectada o impresa), Opcional: hoja de registro para parejas

• Comprender
• Aplicar
• Analizar
• Autoconciencia
• Habilidades de Relación

Enseñando Este Tema

Enseñar IA requiere enfatizar que los algoritmos no son cajas negras inescrutables. Usa analogías cotidianas, como comparar el entrenamiento de un modelo con enseñarle a un niño a reconocer frutas: necesita muchos ejemplos, algunos incorrectos, antes de mejorar. Evita explicar la IA solo como 'tecnología avanzada'; conecta cada concepto con su impacto social y ético. La evidencia sugiere que integrar debates sobre sesgos en los datos aumenta la comprensión conceptual más que enfocarse únicamente en el funcionamiento técnico.

Qué Esperar

Al finalizar las actividades, los estudiantes explicarán con ejemplos concretos que la IA no 'piensa' sino que identifica correlaciones en datos. Usarán vocabulario preciso para distinguir entre IA fuerte y débil, y analizarán críticamente cómo los datos influyen en los resultados de un sistema de IA.

Cuidado con estas ideas erróneas

Idea errónea común

Durante la simulación Entrenando a la Máquina, watch for students assuming that the AI 'learns' like a human would after being shown the same data multiple times.

Qué enseñar en su lugar

Usa la etapa de ajuste manual de datos para mostrar que la IA no acumula 'conocimiento' acumulativo, sino que recalcula patrones cada vez. Pide a los estudiantes que anoten cómo cambian las predicciones al eliminar o modificar un solo dato.

Idea errónea común

Durante la actividad IA en mi Entorno, escucha comentarios que atribuyan agencia o intencionalidad a las aplicaciones de IA que investigan.

Qué enseñar en su lugar

En la presentación grupal, pide que cada equipo explique con ejemplos concretos cómo la IA solo sigue reglas matemáticas ocultas en los datos, usando casos como filtros de redes sociales o recomendaciones de música.

Ideas de Evaluación

Pregunta para Discusión

Después de la simulación Entrenando a la Máquina, presenta a los estudiantes un caso real de sesgo en un algoritmo de contratación. Pide que discutan en grupos pequeños: ¿Qué datos podrían haber causado este sesgo? ¿Cómo podría un equipo técnico evitarlo?

Verificación Rápida

Durante el Think-Pair-Share ¿Es Inteligente o es Estadística?, entrega a cada pareja una tarjeta con dos aplicaciones de IA (ej. asistente virtual vs. sistema de reconocimiento facial). Pídeles que escriban una diferencia clave entre ambas y compartan con la clase.

Boleto de Salida

Después de la investigación colaborativa IA en mi Entorno, solicita a los estudiantes que respondan en un papel: 1) Una forma en que los datos incompletos afectan a la IA. 2) Un ejemplo de IA débil en su vida diaria. 3) Una pregunta que aún tengan sobre cómo se entrenan los modelos.

Extensiones y Apoyo

• Challenge: Pide a los estudiantes que diseñen un experimento para entrenar un modelo simple con datos sesgados (ej. solo imágenes de gatos negros) y predigan cómo respondería la IA ante un gato blanco.
• Scaffolding: Para quienes luchan con la simulación, proporciona una tabla de datos pre-categorizados para que identifiquen patrones antes de ajustarlos manualmente.
• Deeper exploration: Invita a los estudiantes a investigar cómo se usan los datos sintéticos en IA y discute sus ventajas y limitaciones en comparación con datos reales.

Vocabulario Clave

Inteligencia Artificial (IA)	Campo de la informática dedicado a la creación de sistemas capaces de realizar tareas que normalmente requieren inteligencia humana, como el aprendizaje, la resolución de problemas y la toma de decisiones.
IA Fuerte (o General)	Tipo de IA hipotética que posee la capacidad de comprender, aprender y aplicar su inteligencia a cualquier problema, de manera similar a un ser humano.
IA Débil (o Estrecha)	Tipo de IA diseñada y entrenada para una tarea específica, como el reconocimiento de voz o la recomendación de productos. No posee conciencia ni autoconciencia.
Aprendizaje Automático (Machine Learning)	Subcampo de la IA que permite a los sistemas aprender de los datos sin ser programados explícitamente. Identifica patrones para realizar predicciones o tomar decisiones.
Redes Neuronales	Modelos computacionales inspirados en la estructura y función del cerebro humano, utilizados en el aprendizaje profundo para procesar información compleja y reconocer patrones.