Tecnología · 3o de Preparatoria

Ideas de aprendizaje activo

Diseño de Bases de Datos Relacionales y Normalización

El diseño de bases de datos relacionales y la normalización son conceptos abstractos que requieren interiorizar la lógica de organización de la información para evitar redundancias y errores. La enseñanza activa permite a los estudiantes manipular ejemplos concretos, lo que facilita la comprensión de reglas que, de otro modo, podrían parecer arbitrarias o demasiado teóricas.

Aprendizajes Esperados SEPSEP EMS: Sistemas de Gestión de Bases de DatosSEP EMS: Lenguaje de Consulta Estructurado
25–45 minParejas → Toda la clase3 actividades

Actividad 01

Juego de Simulación35 min · Toda la clase

Juego de Simulación: Entrenamiento Humano

La mitad del grupo actúa como 'algoritmo' y la otra como 'datos'. Los 'datos' muestran fotos de perros y gatos; el 'algoritmo' debe intentar adivinar la regla de clasificación sin que se la digan, ajustando su criterio con cada error.

¿Cómo la normalización reduce la redundancia y mejora la integridad de los datos?

Consejo de FacilitaciónDurante la Simulación: Entrenamiento Humano, asegúrate de que los estudiantes registren cada paso de su proceso de clasificación para que luego puedan compararlo con los algoritmos de ML.

Qué observarPresentar a los estudiantes una tabla de datos simple con redundancias evidentes (ej. información de cliente repetida en cada registro de pedido). Pedirles que identifiquen las redundancias y expliquen por qué son problemáticas, sugiriendo cómo podrían eliminarse mediante la normalización.

AplicarAnalizarEvaluarCrearConciencia SocialToma de Decisiones
Generar Clase Completa

Actividad 02

Círculo de Investigación45 min · Grupos pequeños

Círculo de Investigación: Cazadores de Sesgos

Los equipos analizan casos reales donde la IA falló (ej. reconocimiento facial que no detecta ciertas etnias). Deben identificar si el problema estuvo en los datos de entrenamiento y proponer cómo mejorarlo.

¿De qué manera cada forma normal aborda problemas específicos en el diseño de bases de datos?

Consejo de FacilitaciónEn la Collaborative Investigation: Cazadores de Sesgos, asigna roles específicos (ej. observador de datos, analista de patrones) para evitar que algunos estudiantes asuman todo el trabajo.

Qué observarEntregar a cada estudiante una tarjeta con el nombre de una Forma Normal (1FN, 2FN, 3FN). Deben escribir una breve explicación de qué problema específico de diseño de bases de datos resuelve esa forma normal y dar un ejemplo simple.

AnalizarEvaluarCrearAutogestiónAutoconciencia
Generar Clase Completa

Actividad 03

Pensar-Emparejar-Compartir25 min · Parejas

Pensar-Emparejar-Compartir: IA en mi Comunidad

Las parejas proponen un uso del Machine Learning para mejorar algo en su escuela o colonia (ej. predecir fugas de agua o clasificar basura). Discuten qué datos necesitarían recolectar.

¿Por qué la desnormalización puede ser útil en ciertos escenarios de rendimiento?

Consejo de FacilitaciónEn el Think-Pair-Share: IA en mi Comunidad, pide a los estudiantes que traigan ejemplos de bases de datos locales (ej. listas de precios de tiendas) para hacer la actividad más relevante.

Qué observarPlantear la siguiente pregunta para debate en pequeños grupos: '¿Cuándo podría ser aceptable desnormalizar una base de datos a pesar de los riesgos de redundancia?'. Los grupos deben justificar su respuesta basándose en escenarios de rendimiento o análisis específicos.

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

La experiencia indica que los estudiantes aprenden mejor cuando parten de problemas reales y no de definiciones teóricas. Evita comenzar con las formas normales: primero plantea una tabla con datos redundantes y pide a los estudiantes que identifiquen los errores antes de introducir los conceptos formales. La investigación colaborativa y la simulación ayudan a internalizar que la normalización no es un fin en sí mismo, sino una herramienta para garantizar eficiencia y precisión en el manejo de datos.

Al finalizar las actividades, los estudiantes deben ser capaces de identificar anomalías en tablas no normalizadas, justificar el uso de cada forma normal y proponer soluciones basadas en casos reales. La participación activa y el intercambio de ideas en grupo reforzarán su capacidad para aplicar estos conceptos en contextos tecnológicos.

Cuidado con estas ideas erróneas

  • Durante la Simulación: Entrenamiento Humano, algunos estudiantes pueden pensar que los algoritmos de ML 'piensan' como humanos o tienen conciencia.

    Usa la comparación entre el proceso humano de clasificación y el de un algoritmo para destacar que ambos siguen reglas, pero el segundo lo hace mediante modelos matemáticos. Pide a los estudiantes que describan los pasos que ellos siguieron y compárenlos con el código de un algoritmo simple.

  • Durante la Collaborative Investigation: Cazadores de Sesgos, algunos pueden creer que más datos siempre mejoran la calidad del análisis.

    En el momento que identifiquen datos irrelevantes o repetidos, enfatiza cómo estos afectan los resultados. Usa la actividad para mostrar ejemplos de 'datos sucios' y cómo la limpieza mejora la precisión, no la cantidad.

Metodologías usadas en este resumen

Más en Análisis de Datos e Inteligencia Artificial

Introducción a Bases de Datos y Modelado de Datos

Los estudiantes comprenden los conceptos de bases de datos, sistemas de gestión de bases de datos (DBMS) y el modelado entidad-relación.

2 methodologies

Consultas SQL Básicas: SELECT, FROM, WHERE

Los estudiantes escriben consultas SQL para seleccionar, filtrar y recuperar datos de una o varias tablas.

2 methodologies

Consultas SQL Avanzadas: JOINs, Agregación y Subconsultas

Los estudiantes utilizan JOINs para combinar datos de múltiples tablas, funciones de agregación y subconsultas para resolver problemas complejos.

2 methodologies

Introducción a la Inteligencia Artificial y Machine Learning

Los estudiantes distinguen entre IA, Machine Learning y Deep Learning, comprendiendo sus aplicaciones y limitaciones.

2 methodologies

Tipos de Aprendizaje Automático: Supervisado y No Supervisado

Los estudiantes exploran los paradigmas de aprendizaje supervisado (regresión, clasificación) y no supervisado (clustering), y sus casos de uso.

2 methodologies