Tecnología · 2o de Preparatoria · Gestión y Análisis de Datos · IV Bimestre

Ética en el Manejo de Datos

Los estudiantes analizan las implicaciones éticas de la recolección, almacenamiento y uso de datos.

• Aprendizajes Esperados SEP
• SEP EMS: Ética en el Uso de la Información
• SEP EMS: Cultura Digital

Acerca de este tema

La ética en el manejo de datos examina las implicaciones morales de la recolección, almacenamiento y uso de información personal. En 2° de Preparatoria, los estudiantes analizan cómo el big data impulsa avances en salud, transporte y educación, pero genera riesgos como violaciones a la privacidad y discriminación algorítmica. Este tema se alinea con los estándares SEP de Ética en el Uso de la Información y Cultura Digital, fomentando debates sobre la Ley Federal de Protección de Datos Personales en Posesión de los Particulares.

En el contexto de la unidad de Gestión y Análisis de Datos, los alumnos exploran responsabilidades de los científicos de datos, como obtener consentimiento informado, minimizar recolección y auditar sesgos. Preguntas clave guían el aprendizaje: equilibrar beneficios con derechos individuales, promover equidad en sistemas y evitar discriminación. Desarrolla habilidades de pensamiento crítico y toma de decisiones éticas, esenciales para la ciudadanía digital.

El aprendizaje activo beneficia este tema porque involucra a los estudiantes en debates reales, análisis de casos y diseño de políticas, transformando conceptos abstractos en decisiones prácticas que conectan con su realidad cotidiana y preparan para dilemas profesionales.

Preguntas Clave

1. ¿Cómo se equilibran los beneficios del análisis de datos con los derechos individuales a la privacidad?
2. ¿Qué responsabilidades tienen los científicos de datos para asegurar un uso ético de la información?
3. ¿Cómo podemos diseñar sistemas de datos que promuevan la equidad y eviten la discriminación?

Objetivos de Aprendizaje

• Analizar casos reales para identificar dilemas éticos específicos en la recolección y uso de datos personales.
• Evaluar las implicaciones de la privacidad y la equidad en el diseño de algoritmos de análisis de datos.
• Criticar políticas de protección de datos existentes, como la Ley Federal de Protección de Datos Personales en Posesión de los Particulares, en relación con su efectividad.
• Diseñar un conjunto de directrices éticas básicas para la gestión de datos en un proyecto hipotético, considerando el consentimiento informado y la minimización de datos.

Antes de Empezar

Introducción a la Programación y Algoritmos Básicos

Por qué: Comprender cómo funcionan los algoritmos básicos ayuda a los estudiantes a visualizar cómo se procesan los datos y dónde pueden surgir sesgos.

Conceptos Fundamentales de Bases de Datos

Por qué: Es necesario tener una noción de cómo se almacena y organiza la información para discutir las implicaciones de su recolección y seguridad.

Ciudadanía Digital y Seguridad en Línea

Por qué: Los estudiantes deben estar familiarizados con los riesgos generales de la interacción en línea para comprender las implicaciones éticas más profundas del manejo de datos.

Vocabulario Clave

Consentimiento Informado	El acuerdo voluntario y explícito de una persona para que sus datos sean recolectados y utilizados, después de haber sido informada sobre el propósito y las implicaciones.
Privacidad de Datos	El derecho de los individuos a controlar la recolección, almacenamiento, uso y divulgación de su información personal.
Sesgo Algorítmico	Tendencias sistemáticas en los resultados de un sistema informático que generan resultados injustos o discriminatorios para ciertos grupos de personas.
Minimización de Datos	El principio de recolectar y almacenar solo la cantidad de datos estrictamente necesaria para un propósito específico, reduciendo riesgos de privacidad.
Transparencia de Datos	La práctica de ser abierto y claro sobre qué datos se recolectan, cómo se usan y quién tiene acceso a ellos, permitiendo la rendición de cuentas.

Cuidado con estas ideas erróneas

Idea errónea común

Los datos anonimizados eliminan todo riesgo ético.

Qué enseñar en su lugar

La anonimización no siempre previene reidentificación mediante cruces de datos. Actividades de análisis de casos ayudan a los estudiantes a descubrir vulnerabilidades reales, fomentando discusiones que corrigen esta idea y promueven prácticas como encriptación robusta.

Idea errónea común

La ética en datos solo aplica a grandes empresas tecnológicas.

Qué enseñar en su lugar

Cualquier manejo de datos personales implica responsabilidades éticas, desde apps escolares hasta redes sociales. Debates en parejas revelan impactos locales, ayudando a estudiantes a internalizar principios universales como equidad y transparencia.

Idea errónea común

Más datos siempre generan mejores decisiones sin sesgos.

Qué enseñar en su lugar

Datos sesgados perpetúan discriminación, como en algoritmos de contratación. Role-plays grupales simulan escenarios, permitiendo a estudiantes identificar y mitigar sesgos mediante auditorías colaborativas.

Ideas de aprendizaje activo

Debate en Parejas: Privacidad vs. Beneficios

Asigna a cada pareja un lado: beneficios del análisis de datos o derechos a la privacidad. Proporciona casos reales como apps de rastreo COVID. Cada pareja prepara argumentos en 10 minutos y debate frente a la clase, con votación final.

45 min·parejas

Análisis de Casos Grupales: Escenarios Éticos

Divide la clase en grupos pequeños. Entrega casos como discriminación en algoritmos de crédito o fugas de datos en redes sociales. Los grupos identifican violaciones éticas, proponen soluciones y presentan con evidencia de la LFPDPPP.

50 min·grupos pequeños

Diseño Colaborativo: Política de Datos Escolares

En clase completa, brainstormea principios éticos para un sistema de datos escolares. Vota opciones como anonimización y consentimiento. Redacta una política grupal y publícala en el aula virtual para retroalimentación.

40 min·clase completa

Role-Play Individual: Científico de Datos

Cada estudiante asume un rol: científico de datos, usuario o regulador. Simula una reunión sobre uso de datos biométricos. Registra decisiones éticas y reflexiona en un diario sobre trade-offs.

35 min·Individual

Conexiones con el Mundo Real

• Las empresas de redes sociales como Meta (Facebook, Instagram) enfrentan escrutinio constante sobre cómo utilizan los datos de sus usuarios para la publicidad dirigida y la personalización de contenido, lo que ha llevado a multas y debates sobre la regulación.
• Los sistemas de reconocimiento facial utilizados por algunas agencias de seguridad o en ciudades inteligentes plantean serias preocupaciones éticas sobre la vigilancia masiva y el potencial de identificación errónea o discriminación basada en características físicas.
• Los hospitales y centros de investigación médica utilizan grandes volúmenes de datos de pacientes para avanzar en tratamientos y diagnósticos. Deben implementar estrictos protocolos de anonimización y seguridad para proteger la información sensible y cumplir con normativas como la Ley General de Salud.

Ideas de Evaluación

Pregunta para Discusión

Presenta a los estudiantes un escenario: 'Una empresa de tecnología ha desarrollado una IA que predice el riesgo de abandono escolar basándose en datos de comportamiento en línea y rendimiento académico. ¿Qué preguntas éticas deberían hacerse antes de implementar este sistema? Discutan en grupos pequeños y compartan sus conclusiones.'.

Boleto de Salida

Pide a los estudiantes que escriban en una tarjeta: 'Nombra un beneficio del análisis de datos y un riesgo asociado a la privacidad. Luego, sugiere una medida concreta para mitigar ese riesgo.'.

Verificación Rápida

Durante la clase, muestra titulares de noticias sobre brechas de datos o usos controvertidos de la IA. Pregunta a los estudiantes: '¿Qué principio ético de manejo de datos se está violando o poniendo en riesgo en este titular? ¿Por qué es importante?'.

Preguntas frecuentes

¿Cómo equilibrar beneficios del análisis de datos con derechos a la privacidad?

Equilibra mediante principios como minimización de datos y consentimiento explícito, regulados por la LFPDPPP. Enseña a estudiantes evaluando casos donde datos mejoran servicios públicos sin invadir privacidad, priorizando anonimización y auditorías. Esto fomenta sistemas transparentes que respetan derechos individuales mientras maximizan beneficios sociales.

¿Cuáles son las responsabilidades de los científicos de datos en ética?

Incluyen obtener consentimiento informado, auditar sesgos, minimizar recolección y reportar riesgos. En aula, usa debates para que estudiantes practiquen estas obligaciones, conectando con estándares SEP y preparando para roles profesionales responsables en México.

¿Cómo diseñar sistemas de datos que eviten discriminación?

Incorpora diversidad en conjuntos de datos, algoritmos auditables y pruebas de equidad. Actividades colaborativas como diseño de políticas ayudan a identificar sesgos tempranos, promoviendo inclusión y alineación con cultura digital SEP.

¿Cómo ayuda el aprendizaje activo a entender la ética en manejo de datos?

El aprendizaje activo, como debates y role-plays, hace tangibles dilemas éticos abstractos. Estudiantes debaten casos reales, analizan sesgos en grupos y diseñan soluciones, fortaleciendo pensamiento crítico y empatía. Esto supera lecturas pasivas, conectando conceptos con experiencias personales y mejorando retención en 30-50% según estudios educativos.