Tecnología e Informática · 8o Grado

Ideas de aprendizaje activo

Sesgos en los Datos y Algoritmos

La comprensión de sesgos en datos y algoritmos requiere un enfoque práctico porque los estudiantes necesitan experimentar cómo se introducen y perpetúan estas distorsiones en sistemas reales. Analizar datos o simular procesos algorítmicos les permite ver, no solo escuchar, las consecuencias de decisiones automatizadas.

Derechos Básicos de Aprendizaje (DBA)DBA Tecnologia e Informatica: Grado 8 - Tecnologia y SociedadDBA Tecnologia e Informatica: Grado 8 - Etica y Responsabilidad Digital
30–50 minParejas → Toda la clase4 actividades

Actividad 01

Sillas Filosóficas45 min · Grupos pequeños

Análisis Grupal: Dataset Sesgado

Proporcione un conjunto de datos ficticio sobre contrataciones laborales con subrepresentación de mujeres y regiones rurales. En grupos, identifiquen sesgos, calculen porcentajes y discutan impactos. Presenten hallazgos en un gráfico simple usando herramientas como Google Sheets.

¿Cómo se originan los sesgos en los conjuntos de datos?

Consejo de FacilitaciónEn el Análisis Grupal, pida a los estudiantes que comparen dos datasets reales para que identifiquen brechas en representación demográfica.

Qué observarPresente a los estudiantes un escenario hipotético: 'Una empresa en Bogotá quiere usar IA para predecir el éxito de nuevos empleados. ¿Qué posibles sesgos podrían existir en los datos que usen para entrenar el modelo y cómo podrían afectar a los candidatos?' Guíe la discusión hacia la identificación de sesgos en la muestra y las consecuencias de un algoritmo sesgado.

AnalizarEvaluarAutoconcienciaConciencia Social
Generar Clase Completa

Actividad 02

Juego de Simulación30 min · Parejas

Juego de Simulación: Juego de Algoritmo Clasificador

Creen tarjetas con perfiles diversos; pares actúan como algoritmo para clasificar candidatos a becas basados en reglas sesgadas. Cambien reglas para mitigar sesgos y comparen resultados. Registren decisiones en una tabla compartida.

¿Qué consecuencias sociales y éticas tienen los algoritmos sesgados?

Consejo de FacilitaciónEn la Simulación: Juego de Algoritmo Clasificador, limite el tiempo de procesamiento para que experimenten la frustración de resultados injustos.

Qué observarEntregue a cada estudiante una tarjeta. Pídales que escriban dos formas en que un sesgo puede introducirse en un conjunto de datos y una estrategia que se podría usar para mitigar ese sesgo en un sistema de recomendación de música.

AplicarAnalizarEvaluarCrearConciencia SocialToma de Decisiones
Generar Clase Completa

Actividad 03

Sillas Filosóficas50 min · Toda la clase

Debate Estructurado: Consecuencias Éticas

Dividan la clase en equipos para debatir casos reales como reconocimiento facial sesgado. Cada equipo prepare argumentos a favor y en contra de su uso, con evidencia. Voten y concluyan con propuestas de mitigación.

¿Cómo se puede mitigar el impacto de los sesgos en el diseño de sistemas de IA?

Consejo de FacilitaciónDurante el Debate Estructurado, asigne roles específicos (ej. persona afectada, ingeniero) para que todos participen activamente.

Qué observarMuestre a los estudiantes dos conjuntos de datos simplificados sobre el uso de transporte público en Medellín. Un conjunto de datos podría estar desequilibrado (ej. solo datos de ciclistas). Pregunte: '¿Cuál de estos conjuntos de datos es más probable que genere un algoritmo de planificación de rutas sesgado y por qué?'

AnalizarEvaluarAutoconcienciaConciencia Social
Generar Clase Completa

Actividad 04

Sillas Filosóficas35 min · Individual

Auditoría Individual: App Cotidiana

Estudiantes elijan una app común, investiguen sesgos reportados en noticias o foros. Documenten origen, consecuencias y una solución en un informe corto. Compartan en foro clase.

¿Cómo se originan los sesgos en los conjuntos de datos?

Consejo de FacilitaciónEn la Auditoría Individual, proporcione ejemplos reales de apps con sesgos conocidos para guiar su análisis crítico.

Qué observarPresente a los estudiantes un escenario hipotético: 'Una empresa en Bogotá quiere usar IA para predecir el éxito de nuevos empleados. ¿Qué posibles sesgos podrían existir en los datos que usen para entrenar el modelo y cómo podrían afectar a los candidatos?' Guíe la discusión hacia la identificación de sesgos en la muestra y las consecuencias de un algoritmo sesgado.

AnalizarEvaluarAutoconcienciaConciencia Social
Generar Clase Completa

Algunas notas para enseñar esta unidad

Los profesores deben evitar presentar los sesgos como problemas abstractos o culpa de programadores. En su lugar, enfóquese en cómo los datos históricos reflejan desigualdades sociales y cómo los algoritmos las amplifican. La investigación muestra que los estudiantes comprenden mejor cuando trabajan con ejemplos cercanos, como recomendaciones de redes sociales o evaluaciones crediticias, y cuando se les da espacio para proponer soluciones locales.

Los estudiantes demostrarán su comprensión al identificar fuentes concretas de sesgo en datasets o algoritmos, y propondrán estrategias claras para mitigarlos en contextos cotidianos. El éxito se mide por la precisión de sus análisis y la pertinencia de sus propuestas éticas.

Cuidado con estas ideas erróneas

  • Durante el Análisis Grupal: Dataset Sesgado, algunos estudiantes pueden creer que los sesgos solo ocurren por errores intencionales de programadores.

    Durante el Análisis Grupal, entregue dos datasets sobre el mismo tema (ej. acceso a educación) donde uno incluya más datos de grupos privilegiados y otro sea más equilibrado. Pida a los estudiantes que comparen los resultados de un clasificador entrenado con cada uno y observen cómo el primero reproduce desigualdades sin que nadie lo haya ordenado.

  • Durante la Simulación: Juego de Algoritmo Clasificador, algunos pueden pensar que más datos siempre eliminan sesgos en algoritmos.

    Durante la Simulación, use un dataset pequeño pero desequilibrado (ej. solo datos de hombres para predecir salarios) y pídales que aumenten el tamaño del dataset agregando más datos similares. Luego, muestre cómo el algoritmo sigue siendo injusto y guíelos a discutir por qué la diversidad de datos es clave.

  • Durante el Debate Estructurado: Consecuencias Éticas, algunos pueden argumentar que mitigar sesgos complica demasiado el diseño de IA.

    Durante el Debate, proponga ejemplos simples de mitigación, como auditar periódicamente los datos o añadir pesos a grupos subrepresentados. Luego, pida a los estudiantes que evalúen cuánto esfuerzo requiere cada solución y cómo podrían implementarse en proyectos locales.

Metodologías usadas en este resumen

Más en El Poder de la Información: Datos y Análisis

Introducción a los Datos: Tipos y Fuentes

Los estudiantes identifican diferentes tipos de datos (numéricos, textuales, categóricos) y sus fuentes, comprendiendo la importancia de la recolección de datos.

2 methodologies

Estructuras de Datos y Colecciones

Los estudiantes utilizan listas y arreglos para organizar grandes volúmenes de información de manera eficiente en programas.

2 methodologies

Almacenamiento y Gestión de Datos

Los estudiantes exploran diferentes métodos de almacenamiento de datos, desde archivos locales hasta bases de datos simples, y comprenden su organización.

2 methodologies

Procesamiento Básico de Datos

Los estudiantes realizan operaciones básicas con datos como filtrado, ordenamiento y agregación, utilizando herramientas de hoja de cálculo o programación simple.

2 methodologies

Visualización y Narrativa de Datos

Los estudiantes transforman datos crudos en gráficos e infografías que faciliten la comprensión de fenómenos sociales o científicos.

2 methodologies