Tecnología · 1o de Preparatoria

Ideas de aprendizaje activo

Fundamentos de Inteligencia Artificial y Machine Learning

Los estudiantes aprenden mejor los conceptos abstractos de IA y Machine Learning cuando experimentan con datos tangibles y situaciones cotidianas. Este enfoque activo les permite conectar la teoría con aplicaciones reales, haciendo visibles los procesos que suelen percibirse como misteriosos o inalcanzables.

Aprendizajes Esperados SEPSEP EMS: Inteligencia Artificial y Tecnologías Emergentes
25–45 minParejas → Toda la clase4 actividades

Actividad 01

Pensar-Emparejar-Compartir30 min · Parejas

Predicción Simple: Modelos con Datos Escolares

Proporciona datos ficticios de horas de estudio y calificaciones. En parejas, los estudiantes grafican puntos, trazan una línea de tendencia y predicen calificaciones futuras. Discuten precisión comparando predicciones con datos nuevos.

¿Cómo aprenden las máquinas a partir de los datos que generamos diariamente?

Consejo de FacilitaciónEn 'Predicción Simple', pida a los estudiantes que registren cada iteración de su modelo en una tabla para que visualicen cómo los patrones se ajustan con nuevos datos.

Qué observarEntregue a cada estudiante una tarjeta con el nombre de un tipo de algoritmo de Machine Learning (supervisado, no supervisado, por refuerzo). Pida que escriban una oración describiendo su función principal y un ejemplo de aplicación. Luego, solicite que identifiquen un posible sesgo que podría afectar a ese tipo de algoritmo.

ComprenderAplicarAnalizarAutoconcienciaHabilidades de Relación
Generar Clase Completa

Actividad 02

Pensar-Emparejar-Compartir45 min · Grupos pequeños

Detección de Sesgos: Análisis de Conjuntos de Datos

Entrega datasets con sesgos evidentes, como edades en recomendaciones laborales. Grupos identifican patrones sesgados, proponen datos correctivos y reentrenan un modelo simple en una hoja de cálculo. Comparten hallazgos en plenaria.

¿Qué sesgos pueden introducirse en un algoritmo de IA a través de los datos de entrenamiento?

Consejo de FacilitaciónDurante 'Detección de Sesgos', asigne roles específicos en el análisis grupal: un estudiante lee los datos, otro identifica patrones y otro propone alternativas para equilibrarlos.

Qué observarPresente a la clase un escenario hipotético (ej. un algoritmo que clasifica correos electrónicos como spam o no spam). Pregunte: '¿Qué tipo de datos necesitaríamos para entrenar este algoritmo? ¿Cómo podríamos asegurarnos de que los datos de entrenamiento no introduzcan sesgos contra ciertos remitentes o tipos de contenido?'

ComprenderAplicarAnalizarAutoconcienciaHabilidades de Relación
Generar Clase Completa

Actividad 03

Pensar-Emparejar-Compartir40 min · Toda la clase

Brainstorming Comunitario: IA para Problemas Locales

Clase entera genera problemas sociales de su comunidad, como tráfico o salud. Brainstormean aplicaciones de IA predictiva, votan las mejores y esbozan flujos de datos necesarios. Presentan una propuesta grupal.

¿En qué áreas de tu comunidad podría la IA resolver un problema social?

Consejo de FacilitaciónEn 'Brainstorming Comunitario', use post-its para que los grupos organicen sus ideas y prioricen problemas según criterios de impacto y viabilidad con IA.

Qué observarPlantee la siguiente pregunta para debate en pequeños grupos: 'Piensen en un problema social en su comunidad (ej. gestión de residuos, acceso a información educativa, seguridad vial). ¿Cómo podría un modelo predictivo de IA ayudar a resolverlo? ¿Qué datos se necesitarían y qué precauciones éticas deberíamos tomar?'

ComprenderAplicarAnalizarAutoconcienciaHabilidades de Relación
Generar Clase Completa

Actividad 04

Pensar-Emparejar-Compartir25 min · Individual

Simulación de Entrenamiento: Juego de Clasificación

Usa tarjetas con imágenes o descripciones. Individualmente, estudiantes clasifican basados en reglas iniciales, luego 'entrenan' ajustando reglas con datos nuevos. Reflexionan sobre iteraciones en un diario.

¿Cómo aprenden las máquinas a partir de los datos que generamos diariamente?

Consejo de FacilitaciónEn 'Simulación de Entrenamiento', limite el tiempo de cada ronda para que los estudiantes experimenten la presión de ajustar modelos rápidamente, simulando condiciones reales.

Qué observarEntregue a cada estudiante una tarjeta con el nombre de un tipo de algoritmo de Machine Learning (supervisado, no supervisado, por refuerzo). Pida que escriban una oración describiendo su función principal y un ejemplo de aplicación. Luego, solicite que identifiquen un posible sesgo que podría afectar a ese tipo de algoritmo.

ComprenderAplicarAnalizarAutoconcienciaHabilidades de Relación
Generar Clase Completa

Plantillas

Plantillas que acompañan estas actividades de Tecnología

Úsalas, edítalas, imprímelas o compártelas.

Algunas notas para enseñar esta unidad

Enseñar IA requiere equilibrar la simplicidad con la precisión. Evite comparaciones directas entre la inteligencia humana y la artificial, ya que pueden reforzar ideas erróneas. En su lugar, enfóquese en los procesos iterativos de prueba y error, destacando que los errores son parte esencial del aprendizaje de las máquinas. Utilice analogías con actividades cotidianas, como enseñar a un niño a reconocer frutas por su forma, para hacer accesible el concepto de entrenamiento de modelos.

Al finalizar estas actividades, los estudiantes podrán explicar con ejemplos concretos cómo aprenden las máquinas, identificar sesgos en datasets y proponer soluciones éticas usando modelos predictivos. Demuestran comprensión al vincular conceptos técnicos con problemas locales de su comunidad.

Cuidado con estas ideas erróneas

  • Durante la actividad 'Simulación de Entrenamiento', algunos estudiantes pueden pensar que la IA 'piensa' como los humanos.

    En esta actividad, pida a los estudiantes que comparen su propio proceso de clasificación con el del algoritmo. Por ejemplo, que describan en una hoja cómo decidieron agrupar imágenes y luego comparen con las reglas que programaron para la máquina.

  • Durante la actividad 'Detección de Sesgos', algunos pueden asumir que los algoritmos son siempre imparciales.

    Guíe a los estudiantes para que analicen un dataset concreto, como calificaciones escolares por género, y pregunten: '¿Qué grupo podría estar subrepresentado en estos datos?' Luego, propongan cómo equilibrar el dataset para reducir sesgos.

  • Durante la actividad 'Predicción Simple', parte de la clase podría creer que los modelos no necesitan muchos datos.

    En esta actividad, pida a los estudiantes que comparen la precisión de su modelo usando primero 10 datos y luego 50 datos del mismo tipo. Pídales que registren la diferencia en una tabla y expliquen por qué más datos mejoran los resultados.

Metodologías usadas en este resumen

Más en Datos, Información y Big Data

Conceptos Fundamentales de Datos e Información

Los estudiantes diferencian entre datos crudos e información procesada, comprendiendo su ciclo de vida.

2 methodologies

Sistemas de Almacenamiento de Datos

Los estudiantes exploran diferentes métodos y tecnologías para almacenar datos, desde archivos hasta sistemas distribuidos.

2 methodologies

Introducción a Bases de Datos Relacionales

Los estudiantes aprenden los principios de organización de datos estructurados en tablas, relaciones y claves.

2 methodologies

Consultas SQL Básicas

Los estudiantes practican la extracción y manipulación de datos de bases de datos utilizando sentencias SQL básicas.

2 methodologies

Big Data: Conceptos y Desafíos

Los estudiantes exploran el concepto de Big Data, sus características (volumen, velocidad, variedad) y los desafíos asociados.

2 methodologies