Tipos de Aprendizaje Automático

La automatización y la IA generan curiosidad y hasta ansiedad en los estudiantes, ya que perciben su futuro laboral directamente afectado. El aprendizaje activo permite transformar esa incertidumbre en una oportunidad para explorar con rigor, utilizando debates y proyectos que conecten la teoría con sus propias proyecciones profesionales.

• II Medio
• Tecnología
• 3 actividades
• 25 min–60 min

Objetivos de Aprendizaje

1. Clasificar problemas de aprendizaje automático en supervisados, no supervisados y por refuerzo, justificando la elección con base en las características de los datos y el objetivo.
2. Comparar las metodologías y aplicaciones del aprendizaje supervisado (clasificación y regresión) y no supervisado (agrupamiento y reducción de dimensionalidad).
3. Identificar ejemplos concretos de la vida real donde se aplica cada tipo de aprendizaje automático, explicando el rol de los datos y el algoritmo.
4. Evaluar la idoneidad de un tipo de aprendizaje automático específico para resolver un problema práctico dado, considerando sus ventajas y limitaciones.

Debate Formal

⏱ 50 min·Grupos pequeños

Debate Formal: ¿Renta Básica Universal?

Ante la posible pérdida de empleos por la automatización, los estudiantes debaten sobre la implementación de una renta básica en Chile. Deben investigar argumentos económicos y sociales, considerando el impacto en la dignidad del trabajo y la economía nacional.

Preparación y detalles

¿Cómo podemos diferenciar entre un problema de clasificación y uno de regresión en el aprendizaje supervisado?

Consejo de Facilitación: Durante el debate estructurado, asigne roles específicos (moderador, defensor de la postura, experto en datos) para que todos participen activamente y no solo los más extrovertidos.

Setup: Dos equipos frente a frente, asientos de audiencia para el resto

Materials: Tarjeta de proposición del debate, Resumen de investigación para cada lado, Rúbrica de evaluación para la audiencia, Temporizador

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

Círculo de Investigación

⏱ 60 min·Grupos pequeños

Círculo de Investigación: Los Empleos del 2040

En grupos, los estudiantes eligen una profesión tradicional (ej. abogado, agricultor, profesor) e investigan cómo la IA la transformará. Deben crear un 'perfil de cargo' del futuro, destacando qué tareas hará la IA y qué habilidades humanas serán esenciales.

Preparación y detalles

¿De qué manera el aprendizaje no supervisado descubre patrones ocultos en datos sin etiquetas?

Consejo de Facilitación: En la investigación colaborativa sobre empleos del 2040, pida a los equipos que presenten sus hallazgos en un formato visual (infografía o mapa mental) para que la síntesis sea clara y accesible para todos.

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: Mi Habilidad Irreemplazable

Los estudiantes reflexionan sobre una habilidad personal que creen que una IA nunca podrá copiar. Comparten con un compañero por qué esa habilidad es valiosa y cómo podrían usarla en una carrera tecnológica o creativa.

Preparación y detalles

¿Cómo podemos evaluar la idoneidad de un tipo de aprendizaje automático para resolver un problema específico?

Consejo de Facilitación: Use la actividad de Think-Pair-Share para que los estudiantes primero reflexionen individualmente, luego compartan con un compañero y finalmente socialicen con el grupo, asegurando que todos tengan tiempo para procesar.

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

Este tema requiere equilibrar la información técnica con la reflexión crítica. Evite quedarse en definiciones abstractas de aprendizaje supervisado, no supervisado o por refuerzo. En su lugar, conecte cada tipo con ejemplos cotidianos y casos chilenos actuales, como sistemas de recomendación en supermercados o algoritmos de detección de plagas en la agricultura. Los estudiantes aprenden mejor cuando ven cómo la IA ya está presente en su entorno. Además, use preguntas abiertas que los obliguen a justificar sus respuestas, como '¿Qué datos necesitaríamos para entrenar este sistema?' o '¿Quién se beneficia y quién podría verse afectado por este cambio?'

Qué Esperar

Los estudiantes demostrarán comprensión de los tipos de aprendizaje automático al aplicarlos en contextos reales, evaluarán críticamente su impacto en las industrias y defenderán ideas con argumentos basados en datos y ejemplos concretos. El éxito se medirá en la claridad de sus explicaciones y la profundidad de sus reflexiones.

Cuidado con estas ideas erróneas

Idea errónea común

Durante el debate estructurado sobre Renta Básica Universal, algunos estudiantes podrían argumentar que 'la IA va a reemplazar todos los trabajos y no habrá nada que hacer'.

Qué enseñar en su lugar

Antes de la fase de argumentos, pida a los equipos que investiguen casos históricos de desempleo tecnológico y su relación con la creación de nuevos empleos, usando datos del INE o estudios de la OCDE. Durante la discusión, guíe con preguntas como '¿Qué industrias chilenas han crecido gracias a la automatización?'.

Idea errónea común

Durante la investigación colaborativa sobre los empleos del 2040, algunos podrían asumir que 'solo los programadores tendrán trabajo en el futuro'.

Qué enseñar en su lugar

En la fase de planificación, asigne a cada equipo investigar un sector económico chileno (minería, agricultura, salud, servicios) y pídales que identifiquen roles que requieran habilidades blandas o ética, como entrenadores de sistemas de IA o auditores de algoritmos. Durante la presentación, exija ejemplos concretos de estas habilidades.

Ideas de Evaluación

Verificación Rápida

Después de la investigación colaborativa sobre los empleos del 2040, presente a los estudiantes tres escenarios breves: 1) Un sistema que recomienda productos basados en compras anteriores. 2) Un programa que identifica si una imagen contiene un perro o un gato. 3) Un robot que aprende a caminar en un terreno desconocido. Pida a los estudiantes que identifiquen el tipo de aprendizaje automático predominante en cada escenario y expliquen por qué, usando un organizador gráfico.

Pregunta para Discusión

Durante la actividad de Think-Pair-Share sobre 'Mi habilidad irreemplazable', plantee la siguiente pregunta al grupo: 'Si tuvieran que desarrollar un sistema para predecir la demanda de un producto agrícola en Chile, ¿qué tipo de aprendizaje automático considerarían primero y por qué? ¿Qué datos necesitarían y cómo se clasificarían esos datos según el tipo de aprendizaje elegido?' Anote las respuestas en el pizarrón y pida que voten por la opción más convincente.

Boleto de Salida

Después de la actividad de Think-Pair-Share, entregue a cada estudiante una tarjeta con un término clave (supervisado, no supervisado, refuerzo). Pida que escriban una oración definiendo el término y un ejemplo específico de su aplicación en una industria chilena (ej. minería, agricultura, salud). Recoja las tarjetas para evaluar la precisión de las definiciones y la pertinencia de los ejemplos.

Extensiones y Apoyo

• Challenge: Pida a los estudiantes que diseñen un prototipo simple de aprendizaje automático utilizando herramientas como Scratch o Google Teachable Machine, aplicado a un problema local (ej. clasificación de residuos en su colegio).
• Scaffolding: Para estudiantes que se sienten abrumados, entregue tarjetas con ejemplos previos de cada tipo de aprendizaje automático y pídales que los clasifiquen antes de generar sus propios ejemplos.
• Deeper: Invite a un profesional del sector tecnológico o agrícola chileno a conversar con el grupo sobre cómo se implementan estos sistemas en la práctica y qué competencias valoran en sus equipos.

Vocabulario Clave

Aprendizaje Supervisado	Tipo de aprendizaje automático donde el algoritmo aprende de un conjunto de datos etiquetado, es decir, cada dato de entrada tiene una respuesta correcta asociada.
Aprendizaje No Supervisado	Tipo de aprendizaje automático que trabaja con datos sin etiquetar, buscando patrones, estructuras o relaciones ocultas en la información.
Aprendizaje por Refuerzo	Tipo de aprendizaje automático donde un agente aprende a tomar decisiones interactuando con un entorno y recibiendo recompensas o castigos por sus acciones.
Clasificación	Tarea de aprendizaje supervisado que consiste en asignar una categoría o clase a una instancia de datos, como identificar si un correo es spam o no.
Regresión	Tarea de aprendizaje supervisado que predice un valor numérico continuo, como estimar el precio de una casa basado en sus características.
Agrupamiento (Clustering)	Tarea de aprendizaje no supervisado que agrupa puntos de datos similares en clústeres o grupos, útil para segmentar clientes.