Tecnología y Digitalización · 3° ESO

Ideas de aprendizaje activo

Sesgos Algorítmicos y Discriminación

Los sesgos algorítmicos son abstractos y lejanos hasta que los alumnos experimentan con datos reales, por lo que el aprendizaje activo con ejemplos tangibles y simulaciones les ayuda a entender conceptos complejos de forma concreta. La participación directa en el diseño de sistemas sesgados y su corrección les permite descubrir por sí mismos cómo la imperfección humana afecta a la tecnología que usan a diario.

• Competencias Clave LOMLOE
• LOMLOE: ESO - Ética y responsabilidad social
• LOMLOE: ESO - Digitalización y sociedad

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

Actividad 01

• Debate formal
• 45 min · Grupos pequeños

Análisis de Casos: Ejemplos Reales de Sesgos

Divide la clase en grupos pequeños. Cada grupo recibe un caso real, como el sesgo en reconocimiento facial de Amazon o en algoritmos de contratación. Analizan la fuente del sesgo, sus impactos y proponen una mejora. Comparten hallazgos en una presentación plenaria.

¿Cómo pueden los prejuicios humanos acabar integrados en el código de una IA?

Consejo de facilitación

En la actividad de análisis de casos, pida a cada grupo que destaque en el texto subrayado los datos, decisiones humanas y resultados discriminatorios para que todos identifiquen la cadena causal.

Qué observar

Presenta a los alumnos un titular de noticia sobre un caso de sesgo algorítmico (ej. un sistema de contratación automatizado). Pídeles que discutan en grupos pequeños: ¿Qué tipo de sesgo creen que estuvo presente? ¿Cómo pudo haberse introducido en el algoritmo? ¿Qué impacto tuvo en las personas afectadas?

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

Actividad 02

• Debate formal
• 35 min · Grupos pequeños

Debate Guiado: Algoritmos Justos vs. Sesgados

Forma dos bandos por grupo: uno defiende un algoritmo sesgado con argumentos realistas, el otro propone rediseños equitativos. Prepara tarjetas con datos y preguntas clave. Cada bando presenta 3 minutos y responde réplicas.

¿Qué ejemplos de sesgos algorítmicos podéis identificar en la sociedad actual?

Consejo de facilitación

En el debate guiado, asigne roles específicos (ej. desarrollador, afectado, regulador) para que los alumnos adopten perspectivas distintas y enriquezcan la discusión con testimonios reales.

Qué observar

Entrega a cada estudiante una tarjeta. Pídeles que escriban el nombre de un algoritmo o sistema de IA que conozcan y que describan brevemente una forma en que podría ser sesgado y generar discriminación. Deben incluir al menos un término del vocabulario clave.

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

Actividad 03

• Juego de simulación
• 50 min · Parejas

Juego de simulación: Entrenamiento con Datos Sesgados

Usa herramientas simples como Scratch o tarjetas para simular entrenamiento de IA. Grupos crean un clasificador con datos intencionalmente sesgados por género. Luego, prueban y corrigen añadiendo datos diversos, registrando cambios en precisión.

¿Cómo podríamos diseñar algoritmos más justos y equitativos?

Consejo de facilitación

En la simulación con datos sesgados, entregue plantillas con espacios para anotar hipótesis, resultados y reflexiones para que los alumnos documenten su proceso paso a paso.

Qué observar

Muestra a los alumnos dos conjuntos de datos hipotéticos para entrenar un algoritmo de recomendación de películas: uno equilibrado en cuanto a géneros y otro dominado por películas de acción dirigidas a hombres jóvenes. Pregunta: ¿Qué conjunto de datos probablemente generará un algoritmo más equitativo y por qué?

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

Actividad 04

• Debate formal
• 30 min · Toda la clase

Diseño Colaborativo: Checklist Anti-Sesgos

En clase entera, brainstormean una lista de verificación para algoritmos justos: diversidad datos, pruebas equidad, auditorías. Grupos aplican la lista a un ejemplo y refinan colectivamente mediante votación.

¿Cómo pueden los prejuicios humanos acabar integrados en el código de una IA?

Consejo de facilitación

Durante el diseño colaborativo, proporcione una tabla comparativa donde los alumnos registren qué elementos de su checklist podrían eliminar sesgos y cuáles solo los reducirían.

Qué observar

Presenta a los alumnos un titular de noticia sobre un caso de sesgo algorítmico (ej. un sistema de contratación automatizado). Pídeles que discutan en grupos pequeños: ¿Qué tipo de sesgo creen que estuvo presente? ¿Cómo pudo haberse introducido en el algoritmo? ¿Qué impacto tuvo en las personas afectadas?

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

Algunas notas para enseñar esta unidad

Los profesores guían la reflexión constante preguntando '¿quién se beneficia y quién se perjudica con este algoritmo?', evitando caer en la ilusión de neutralidad técnica. La clave está en conectar los conceptos con experiencias cotidianas, como publicidad dirigida o recomendaciones en redes sociales, para que los alumnos vean que la IA no es un concepto lejano, sino que ya está en su vida. La ética no se enseña como un tema aparte, sino como parte inherente del diseño tecnológico.

Los alumnos demuestran comprensión al identificar fuentes de sesgo en sistemas automatizados y proponer medidas para mitigarlos, usando el vocabulario técnico con precisión y participando en debates con argumentos basados en evidencia. La evidencia más sólida es cuando explican cómo corregirían un algoritmo concreto con datos reales.

---

Atención a estas ideas erróneas

• Durante la Simulación: Entrenamiento con Datos Sesgados, watch for alumnos que crean que los algoritmos son neutrales al no ver sesgos en sus propios resultados. Corrijan pidiendo que comparen datos de entrada y salida, destacando cómo la falta de diversidad en los datos produce patrones discriminatorios evidentes.

  Durante la Simulación: Entrenamiento con Datos Sesgados, redirija con preguntas como '¿Qué grupo de personas se beneficia más de tu algoritmo? ¿Qué grupo queda excluido?', para que identifiquen sesgos en sus propios diseños y entiendan que la neutralidad es una ilusión.

• Durante el Análisis de Casos: Ejemplos Reales de Sesgos, watch for alumnos que minimicen la relevancia de los sesgos en aplicaciones cotidianas. Corrijan mostrando cómo algoritmos como los de contratación o créditos afectan directamente a personas de su entorno.

  Durante el Análisis de Casos: Ejemplos Reales de Sesgos, pida a los alumnos que identifiquen cómo esos casos les afectan personalmente, por ejemplo, '¿Has visto que una red social te recomiende contenido basado en estereotipos?', para conectar la teoría con su realidad.

• Durante el Debate Guiado: Algoritmos Justos vs. Sesgados, watch for alumnos que crean que corregir sesgos es un proceso rápido y técnico. Corrijan mostrando que requiere datos diversos, pruebas iterativas y decisiones éticas continuas, no solo ajustes en el código.

  Durante el Debate Guiado: Algoritmos Justos vs. Sesgados, use ejemplos concretos como '¿Cómo decidirías qué datos incluir si un algoritmo de contratación histórica favorece a hombres?', para que vean que las soluciones son complejas y requieren diálogo interdisciplinar.

---

Metodologías usadas en este resumen

• Debate formal
• Juego de simulación