Skip to content
Justicia, Legalidad y Ética Social · Periodo 3

Justicia Restaurativa: Enfoque Ético y Social

Los estudiantes diferencian entre el castigo y la reparación del daño en el contexto de la justicia restaurativa, analizando su potencial ético para la convivencia y la reconciliación.

Preguntas Clave

  1. ¿Es más justo castigar al culpable o reparar a la víctima en el contexto de la justicia restaurativa?
  2. ¿Qué condiciones son necesarias para que el perdón sea un acto ético y no solo político?
  3. ¿Cómo ayuda la justicia restaurativa a reconstruir el tejido social y la confianza?

Derechos Básicos de Aprendizaje (DBA)

DBA Ética: Grado 9 - Modelos de Justicia y ReparaciónDBA Ética: Grado 9 - Ética de la Justicia Restaurativa
Grado: 9o Grado
Asignatura: Educación Ética y Valores
Unidad: Justicia, Legalidad y Ética Social
Período: Periodo 3

Acerca de este tema

La ética y los sesgos en algoritmos son temas cruciales para formar ciudadanos responsables en la era digital. Este contenido aborda cómo los prejuicios humanos (de género, raza, clase social) pueden filtrarse en los sistemas automatizados, generando discriminación. En el marco de los DBA sobre responsabilidad social digital, los estudiantes de noveno grado aprenden a auditar críticamente la tecnología que los rodea.

En Colombia, un país con gran diversidad étnica y social, este tema es especialmente relevante para evitar que la tecnología profundice las desigualdades existentes. Los estudiantes analizan casos donde algoritmos de selección de personal o de crédito han fallado por sesgos en sus datos de entrenamiento. El objetivo es fomentar una mentalidad de diseño inclusivo, donde los futuros creadores de tecnología se pregunten siempre: ¿a quién estamos dejando por fuera? Este aprendizaje se beneficia de debates estructurados y análisis de casos de la vida real.

Ideas de aprendizaje activo

Cuidado con estas ideas erróneas

Idea errónea comúnLos algoritmos son objetivos porque son matemáticos.

Qué enseñar en su lugar

Los algoritmos son creados por humanos y entrenados con datos históricos que ya contienen prejuicios. El análisis de resultados sesgados ayuda a los estudiantes a entender que la neutralidad tecnológica es un mito que debe ser vigilado.

Idea errónea comúnEl sesgo solo ocurre en otros países.

Qué enseñar en su lugar

Los sesgos afectan a todas las sociedades. En Colombia, puede manifestarse en el reconocimiento facial que no identifica bien ciertos tonos de piel o en algoritmos que excluyen zonas rurales. Usar ejemplos locales hace el tema más cercano y urgente.

¿Listo para enseñar este tema?

Genera una misión de aprendizaje activo completa y lista para el salón de clases en segundos.

Preguntas frecuentes

¿Por qué usar debates para enseñar ética algorítmica?
La ética no tiene respuestas únicas de 'verdadero o falso'. Los debates obligan a los estudiantes a investigar, argumentar y, lo más importante, a escuchar perspectivas diferentes. Este proceso activo es fundamental para desarrollar la empatía y el juicio crítico necesarios para identificar injusticias invisibles en el código y proponer soluciones más equitativas.
¿Qué es un sesgo algorítmico?
Es un error sistemático en un sistema informático que crea resultados injustos, como privilegiar a un grupo de personas sobre otro debido a prejuicios presentes en los datos de entrenamiento.
¿Cómo se filtran los prejuicios en una IA?
Principalmente a través de los datos históricos. Si una IA aprende de decisiones humanas pasadas que fueron discriminatorias, el algoritmo simplemente replicará y escalará esa discriminación.
¿Qué podemos hacer para reducir los sesgos?
Usar bases de datos más diversas, incluir equipos de desarrollo multiculturales y realizar auditorías constantes a los resultados de los algoritmos antes y después de su lanzamiento.

Explorar currículo por país

AméricasUSCAMXCLCOBR
Asia y PacíficoINSGAU