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.

• 3o de Preparatoria
• Tecnología
• 3 actividades
• 25 min–45 min

Objetivos de Aprendizaje

1. Analizar tablas de datos para identificar redundancias y anomalías en esquemas de bases de datos no normalizadas.
2. Comparar las ventajas y desventajas de la Primera, Segunda y Tercera Forma Normal (1FN, 2FN, 3FN) en el diseño de bases de datos relacionales.
3. Diseñar un esquema de base de datos relacional normalizado hasta 3FN para un sistema de gestión de inventario o de biblioteca.
4. Evaluar la efectividad de la normalización en la reducción de la inconsistencia y la mejora de la integridad de los datos.

Juego de Simulación

⏱ 35 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.

Preparación y detalles

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

Consejo de Facilitación: Durante 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.

Setup: Espacio flexible para estaciones de grupo

Materials: Tarjetas de rol con metas/recursos, Moneda de juego o fichas, Marcador de rondas

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

Círculo de Investigación

⏱ 45 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.

Preparación y detalles

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

Consejo de Facilitación: En 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.

Setup: Grupos en mesas con acceso a fuentes de investigación

Materials: Colección de materiales fuente, Hoja de trabajo del ciclo de indagación, Protocolo de generación de preguntas, Plantilla de presentación de hallazgos

• Analizar
• Evaluar
• Crear
• Autogestión
• Autoconciencia

Pensar-Emparejar-Compartir

⏱ 25 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.

Preparación y detalles

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

Consejo de Facilitación: En 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.

Setup: Disposición estándar del salón: los estudiantes se giran hacia un compañero

Materials: Consigna de discusión (proyectada o impresa), Opcional: hoja de registro para parejas

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

Enseñando Este Tema

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.

Qué Esperar

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

Idea errónea común

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

Qué enseñar en su lugar

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.

Idea errónea común

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

Qué enseñar en su lugar

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.

Ideas de Evaluación

Verificación Rápida

Después de la Simulación: Entrenamiento Humano, presenta a los estudiantes una tabla con información de clientes y pedidos donde la dirección del cliente se repite en cada pedido. Pídeles que identifiquen las redundancias y expliquen por qué son problemáticas, sugiriendo cómo podrían eliminarse mediante la normalización.

Boleto de Salida

Después del Think-Pair-Share: IA en mi Comunidad, entrega 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.

Pregunta para Discusión

Durante el Think-Pair-Share: IA en mi Comunidad, plantea 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.

Extensiones y Apoyo

• Challenge: Pide a los estudiantes que diseñen una base de datos normalizada para un sistema de reservas de un restaurante, incluyendo tablas para mesas, clientes, pedidos y menú, garantizando que no haya redundancias.
• Scaffolding: Proporciona a los estudiantes una tabla con datos ya parcialmente normalizados y pide que identifiquen qué forma normal falta aplicar y por qué.
• Deeper: Invita a los estudiantes a investigar cómo se aplica la normalización en bases de datos NoSQL y compara con los enfoques relacionales.

Vocabulario Clave

Entidad	Un objeto o concepto del mundo real sobre el cual se almacena información, como 'Cliente' o 'Producto'.
Atributo	Una propiedad o característica de una entidad, como 'Nombre' o 'Precio' para la entidad 'Producto'.
Clave Primaria	Uno o más atributos que identifican de manera única cada registro (fila) en una tabla.
Dependencia Funcional	La relación entre dos atributos donde el valor de un atributo determina el valor de otro.
Redundancia	La repetición innecesaria de datos en una base de datos, lo que puede llevar a inconsistencias.