Tecnología e Informática · 9o Grado

Ideas de aprendizaje activo

Responsabilidad y Transparencia en IA

La responsabilidad y transparencia en IA son conceptos abstractos que requieren discusión activa para internalizarse. Los estudiantes aprenden mejor cuando analizan casos reales y debaten en contextos específicos, transformando ideas complejas en argumentos concretos y aplicables.

• Derechos Básicos de Aprendizaje (DBA)
• DBA Tecnologia e Informatica: Grado 9 - Etica en el Uso de la Tecnologia
• DBA Tecnologia e Informatica: Grado 9 - Responsabilidad Social Digital

• 30–50 min
• Parejas → Toda la clase
• 4 actividades

Actividad 01

• Sillas Filosóficas
• 30 min · Parejas

Debate en Parejas: Responsables de Errores IA

Asigna roles: un estudiante defiende al desarrollador, el otro al usuario. Proporciona un caso real de error IA, como sesgo racial en reconocimiento facial. Cada pareja debate 5 minutos, luego rota roles y resume argumentos clave en una tabla compartida.

Evaluar la responsabilidad ética y legal de los desarrolladores y usuarios de sistemas de IA.

Consejo de Facilitación

Durante el debate en parejas, asigne roles claros (defensor y crítico) para evitar respuestas genéricas y fomentar el análisis profundo de responsabilidades.

Qué observar

Presente a los estudiantes un escenario: 'Un coche autónomo causa un accidente leve. ¿Quién es el principal responsable: el programador del software, el fabricante del vehículo, el propietario del coche o el propio sistema de IA?'. Pida a los estudiantes que discutan en grupos pequeños, justificando sus respuestas y considerando diferentes perspectivas éticas y legales.

• Analizar
• Evaluar
• Autoconciencia
• Conciencia Social

Actividad 02

• Sillas Filosóficas
• 45 min · Grupos pequeños

Estaciones de Análisis: Transparencia Algorítmica

Crea tres estaciones con ejemplos de IA opacas y explicables: chatbots, recomendaciones Netflix, modelos médicos. Grupos rotan cada 10 minutos, responden preguntas sobre confianza y proponen auditorías simples. Cierra con discusión plenaria.

Explicar la importancia de la transparencia en los algoritmos de IA para generar confianza.

Consejo de Facilitación

En las estaciones de análisis, coloque un caso por estación con preguntas guía escritas en tarjetas para que los grupos avancen sistemáticamente.

Qué observar

Entregue a cada estudiante una tarjeta. Pídales que escriban: 1) Una razón por la cual la transparencia en IA es crucial. 2) Un ejemplo de quién podría ser responsable si un sistema de IA de recomendación de música falla.

• Analizar
• Evaluar
• Autoconciencia
• Conciencia Social

Actividad 03

• Sillas Filosóficas
• 50 min · Grupos pequeños

Simulación de Auditoría: Equidad en IA

Divide la clase en equipos de auditores y desarrolladores. Proporciona datos sesgados de un algoritmo ficticio. Equipos auditan, identifican fallos y proponen correcciones, presentando hallazgos en 3 minutos por grupo.

Justificar la necesidad de auditar los sistemas de IA para asegurar su equidad y precisión.

Consejo de Facilitación

En la simulación de auditoría, proporcione una plantilla de informe con columnas específicas (ejemplo: 'Sesgo identificado', 'Posible causa') para guiar la observación estructurada.

Qué observar

Muestre dos titulares de noticias ficticios sobre fallos de IA. Uno dice 'IA de reconocimiento facial falla en identificar sospechoso'. El otro dice 'Algoritmo de IA predice exitosamente brote de enfermedad'. Pregunte a los estudiantes: '¿En cuál caso es más urgente investigar la transparencia y responsabilidad del algoritmo, y por qué?'

• Analizar
• Evaluar
• Autoconciencia
• Conciencia Social

Actividad 04

• Mapa Conceptual
• 35 min · Toda la clase

Mapa Conceptual: Responsabilidad IA

En clase completa, inicia un mapa digital o en pizarra con nodos centrales: error IA, responsables, transparencia. Estudiantes agregan ramas con ejemplos y justificaciones vía votación interactiva, refinando colectivamente.

Evaluar la responsabilidad ética y legal de los desarrolladores y usuarios de sistemas de IA.

Consejo de Facilitación

Para el mapa conceptual colaborativo, entregue post-its de colores para que cada integrante del grupo aporte una conexión nueva entre conceptos.

Qué observar

Presente a los estudiantes un escenario: 'Un coche autónomo causa un accidente leve. ¿Quién es el principal responsable: el programador del software, el fabricante del vehículo, el propietario del coche o el propio sistema de IA?'. Pida a los estudiantes que discutan en grupos pequeños, justificando sus respuestas y considerando diferentes perspectivas éticas y legales.

• Comprender
• Analizar
• Crear
• Autoconciencia
• Autogestión

Algunas notas para enseñar esta unidad

Enseñar estos temas exige equilibrar teoría y práctica. Evite solo discusiones abstractas; en su lugar, use casos reales y estructúrelos para que los estudiantes identifiquen cadenas de responsabilidad. La investigación sugiere que cuando los estudiantes experimentan con simulaciones de auditoría, comprenden mejor la importancia de la transparencia que con explicaciones teóricas aisladas.

Al finalizar las actividades, los estudiantes explican con ejemplos quiénes son responsables en un fallo de IA y cómo la transparencia fortalece la confianza. Usan evidencia de simulaciones y debates para justificar sus respuestas, demostrando pensamiento crítico y argumentación fundamentada.

---

Cuidado con estas ideas erróneas

• Durante el debate en parejas sobre 'Responsables de Errores IA', algunos estudiantes pueden afirmar que la IA es la única responsable de sus errores.

  El debate debe enfocarse en la cadena de responsabilidad: pida a los estudiantes que identifiquen quién diseñó, implementó y utilizó el sistema, y cómo cada actor pudo prevenir el error. Use ejemplos de casos reales como el de los coches autónomos para guiar la discusión hacia responsabilidades compartidas.

• Durante las estaciones de análisis sobre transparencia algorítmica, algunos pueden creer que revelar el código completo es la única forma de lograr transparencia.

  En cada estación, muestre ejemplos de algoritmos explicables (como LIME o SHAP) que usan visualizaciones o descripciones en lenguaje común. Pida a los grupos que comparen estos métodos con la idea de código abierto, destacando cómo la explicabilidad accesible protege la propiedad intelectual mientras genera confianza.

• Durante la simulación de auditoría sobre equidad en IA, algunos pueden insistir en que todos los algoritmos son 'cajas negras' imposibles de auditar.

  Proporcione herramientas simples como LIME en una interfaz visual (ejemplo: Google’s What-If Tool) y pida a los estudiantes que auditen un algoritmo en tiempo real. Observarán cómo las explicaciones locales revelan sesgos, corrigiendo esta idea al ver resultados concretos.

---

Metodologías usadas en este resumen

• Sillas Filosóficas
• Mapa Conceptual