Tecnología · 1o de Preparatoria

Ideas de aprendizaje activo

Introducción a la Ciencia de Datos

La ciencia de datos requiere que los estudiantes comprendan la intersección entre teoría y práctica, donde los conceptos abstractos cobran sentido solo al aplicarlos. Las actividades basadas en equipos, datos reales y roles profesionales demuestran la relevancia inmediata de la disciplina, aumentando la motivación intrínseca y la retención.

• Aprendizajes Esperados SEP
• SEP EMS: Inteligencia Artificial y Tecnologías Emergentes

• 30–45 min
• Parejas → Toda la clase
• 4 actividades

Actividad 01

• Pensar-Emparejar-Compartir
• 45 min · Grupos pequeños

Roleo: Equipo de científicos de datos

Asigna roles como analista, programador y comunicador a cada grupo. Proporciona un dataset simple de ventas locales; limpian datos, generan gráficos y presentan recomendaciones. Discute lecciones al final.

¿Cómo se diferencia la ciencia de datos de la estadística tradicional?

Consejo de Facilitación

Durante el roleo en equipo, asegúrate de asignar roles específicos con responsabilidades claras para que los estudiantes vivan la interdependencia de las habilidades técnicas, analíticas y comunicativas.

Qué observar

Presentar a los estudiantes una lista de tareas (ej. 'predecir el clima', 'calcular el promedio de calificaciones', 'diseñar un gráfico de barras'). Pedirles que identifiquen cuáles son más propias de la estadística tradicional y cuáles de la ciencia de datos, justificando brevemente su elección.

• Comprender
• Aplicar
• Analizar
• Autoconciencia
• Habilidades de Relación

Actividad 02

• Mapa Conceptual
• 30 min · Parejas

Mapa Conceptual: Metodologías clave

En parejas, crea un mapa que conecte recolección, limpieza, análisis y modelado. Usa ejemplos de industrias mexicanas como agricultura o turismo. Comparte y retroalimenta en plenaria.

¿Qué habilidades son esenciales para un científico de datos en el mercado laboral actual?

Qué observar

Plantear la pregunta: 'Si fueras un científico de datos para una empresa de transporte público, ¿qué tipo de datos recolectarías y qué problema intentarías resolver?'. Guiar la discusión hacia la identificación de datos relevantes (horarios, rutas, ocupación) y objetivos (optimizar rutas, reducir tiempos de espera).

• Comprender
• Analizar
• Crear
• Autoconciencia
• Autogestión

Actividad 03

• Pensar-Emparejar-Compartir
• 40 min · Toda la clase

Debate guiado: Habilidades laborales

Divide la clase en dos bandos: técnicas vs. blandas. Prepara argumentos basados en perfiles reales de LinkedIn. Vota y concluye con lista consensuada de competencias esenciales.

¿De qué manera la ciencia de datos impulsa la innovación en diversas industrias?

Qué observar

Entregar a cada estudiante una tarjeta con el nombre de una habilidad (ej. 'Programación en Python', 'Comunicación efectiva', 'Análisis estadístico'). Pedirles que escriban una oración explicando por qué esa habilidad es importante para un científico de datos.

• Comprender
• Aplicar
• Analizar
• Autoconciencia
• Habilidades de Relación

Actividad 04

• Pensar-Emparejar-Compartir
• 35 min · Individual

Exploración con Google Sheets: Datos locales

Individualmente, carga datos de población mexicana del INEGI. Calcula promedios, crea gráficos y responde: ¿qué insights impulsan innovación? Comparte hallazgos en galería.

¿Cómo se diferencia la ciencia de datos de la estadística tradicional?

Qué observar

Presentar a los estudiantes una lista de tareas (ej. 'predecir el clima', 'calcular el promedio de calificaciones', 'diseñar un gráfico de barras'). Pedirles que identifiquen cuáles son más propias de la estadística tradicional y cuáles de la ciencia de datos, justificando brevemente su elección.

• Comprender
• Aplicar
• Analizar
• Autoconciencia
• Habilidades de Relación

Algunas notas para enseñar esta unidad

Los profesores efectivos usan ejemplos cercanos y datos reales para humanizar la ciencia de datos. Evitan enfocarse demasiado en herramientas técnicas en esta etapa y priorizan la comprensión conceptual. La investigación muestra que los estudiantes retienen mejor cuando ven el impacto social de su trabajo, por lo que incorporan dilemas éticos y contextos culturales desde el inicio.

Los estudiantes distinguen claramente las diferencias entre estadística tradicional y ciencia de datos, reconocen las habilidades necesarias para cada fase del proceso y aplican estas ideas en contextos locales. Demuestran esto mediante explicaciones coherentes, trabajos colaborativos y conexiones con problemas reales.

---

Cuidado con estas ideas erróneas

• Durante el roleo en equipo, escucha afirmaciones que reducen la ciencia de datos a solo 'programar' o 'hacer gráficos'.

  Durante el roleo en equipo, aprovecha los momentos en que los estudiantes discuten sus roles para señalar cómo cada fase requiere múltiples habilidades: por ejemplo, el 'analista' no solo usa estadística, sino que debe comunicar hallazgos al 'comunicador' quien traduce los resultados para un público no técnico.

• Durante el debate guiado sobre habilidades laborales, algunos estudiantes pueden confundir estadística tradicional con ciencia de datos al dar ejemplos genéricos.

  Durante el debate guiado, usa casos concretos presentados en el mapa conceptual para pedir a los estudiantes que comparen: '¿Cómo cambiaría el análisis de datos de ventas mensuales si usáramos estadística tradicional versus algoritmos de machine learning?'

• Durante la exploración con Google Sheets usando datos locales, algunos estudiantes pueden ignorar preguntas éticas como el uso de datos personales.

  Durante la exploración con datos locales, introduce preguntas específicas en la hoja de trabajo: '¿Qué información personal podrían revelar estos datos? ¿Cómo garantizarías el anonimato si estos fueran datos reales de tu escuela?'

---

Metodologías usadas en este resumen

• Pensar-Emparejar-Compartir
• Mapa Conceptual