Fundamentos de Inteligencia Artificial

Cuando los estudiantes interactúan directamente con conceptos de Inteligencia Artificial mediante actividades prácticas, transforman ideas abstractas en aprendizajes concretos. Esto es especialmente valioso en este tema, donde la teoría puede sentirse lejana pero los ejemplos cotidianos facilitan la conexión inmediata.

• 3o de Secundaria
• Tecnología
• 3 actividades
• 40 min–50 min

Objetivos de Aprendizaje

1. Clasificar los diferentes tipos de aprendizaje automático (supervisado, no supervisado, por refuerzo) basándose en ejemplos de aplicaciones.
2. Explicar el proceso general de cómo un algoritmo de aprendizaje automático aprende de los datos para realizar una tarea específica.
3. Analizar ejemplos de la vida real para identificar posibles sesgos humanos en sistemas de inteligencia artificial.
4. Evaluar las implicaciones éticas de la toma de decisiones automatizada en escenarios cotidianos.

Enseñanza entre Pares

⏱ 45 min·Grupos pequeños

Entrenando a una IA (Sin Código)

Usando tarjetas con imágenes, los alumnos actúan como un algoritmo de clasificación, aprendiendo a identificar patrones para separar 'frutas' de 'verduras' y discutiendo qué pasa si los datos son incorrectos.

Preparación y detalles

¿Puede una máquina ser realmente creativa o solo imita patrones existentes?

Consejo de Facilitación: Durante 'Entrenando a una IA', lleva a los estudiantes a reflexionar en voz alta sobre cómo sus decisiones al etiquetar datos afectan directamente el 'aprendizaje' del modelo que construyen.

Setup: Área de presentación al frente, o múltiples estaciones de enseñanza

Materials: Tarjetas de asignación de temas, Plantilla de planificación de lección, Formulario de retroalimentación entre pares, Materiales para apoyo visual

• Comprender
• Aplicar
• Analizar
• Crear
• Autogestión
• Habilidades de Relación

Debate Formal

⏱ 50 min·Toda la clase

Debate Formal: Sesgos en la Inteligencia Artificial

Los estudiantes analizan casos donde la IA ha discriminado a personas por su origen o género y proponen formas de hacer algoritmos más justos y transparentes.

Preparación y detalles

¿Cómo aprenden los asistentes de voz a entender nuestras instrucciones?

Consejo de Facilitación: En el debate sobre sesgos, asigna roles específicos (ej. desarrollador, afectado, regulador) para asegurar que todos participen activamente en la discusión.

Setup: Dos equipos frente a frente, asientos de audiencia para el resto

Materials: Tarjeta de proposición del debate, Resumen de investigación para cada lado, Rúbrica de evaluación para la audiencia, Temporizador

• Analizar
• Evaluar
• Crear
• Autogestión
• Toma de Decisiones

Círculo de Investigación

⏱ 40 min·Parejas

Círculo de Investigación: IA en México

Los alumnos investigan cómo se está usando la IA en México para resolver problemas como la predicción de sismos o la optimización del transporte público.

Preparación y detalles

¿Qué sesgos pueden introducir los humanos en los sistemas de inteligencia artificial?

Consejo de Facilitación: Para la investigación sobre IA en México, pide a los estudiantes que comparen fuentes locales con internacionales para identificar diferencias en el acceso y aplicación de estas tecnologías.

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

Enseñando Este Tema

Enseñar fundamentos de IA requiere equilibrar el asombro tecnológico con una mirada crítica. Evita presentarla como 'magia' o 'futurista'; en su lugar, enfócate en los datos y algoritmos que realmente la sustentan. Usa ejemplos locales para hacerla relevante, pero siempre pregunta: ¿quién se beneficia y quién podría quedar excluido? La investigación sugiere que los estudiantes comprenden mejor cuando ven fallas concretas en sistemas, no solo sus éxitos.

Qué Esperar

Los alumnos demostrarán comprensión al explicar procesos básicos de aprendizaje automático, identificar sesgos en datos o aplicaciones de IA, y discutir su impacto ético en la sociedad. Buscamos que relacionen algoritmos con situaciones reales y reconozcan la importancia de los datos en el funcionamiento de estas tecnologías.

Cuidado con estas ideas erróneas

Idea errónea común

Durante la actividad 'Entrenando a una IA', algunos estudiantes podrían pensar que la máquina 'entiende' las imágenes que clasifica.

Qué enseñar en su lugar

Aprovecha el momento para preguntar: '¿Qué decisiones toman ustedes al etiquetar? ¿Cómo saben que su etiqueta es correcta?' para guiarlos a entender que solo están estableciendo reglas basadas en patrones visibles, no en comprensión.

Idea errónea común

Durante el debate 'Sesgos en la Inteligencia Artificial', algunos podrían asumir que los sesgos son intencionales y solo ocurren en sistemas mal diseñados.

Qué enseñar en su lugar

Usa ejemplos de la actividad para señalar: 'Observen cómo los datos que ustedes eligieron para entrenar su modelo en la primera actividad podrían contener sesgos. ¿Cómo afectaría esto los resultados?'.

Ideas de Evaluación

Boleto de Salida

Después de 'Entrenando a una IA', entrega a cada estudiante una tarjeta con el nombre de una aplicación de IA (ej. filtro de fotos, traductor automático, videojuego). Pide que escriban una frase explicando qué tipo de 'aprendizaje' podría estar usando y un posible sesgo que podría presentar.

Pregunta para Discusión

Durante el debate 'Sesgos en la Inteligencia Artificial', plantea la siguiente pregunta al grupo: 'Si entrenamos un sistema de reconocimiento facial solo con imágenes de personas de una misma etnia, ¿qué problemas podríamos esperar al intentar que reconozca a personas de otras etnias?'. Guía la discusión hacia el concepto de sesgo en los datos.

Verificación Rápida

Después de la investigación 'IA en México', presenta 3 escenarios breves (ej. un coche autónomo decidiendo en una situación de emergencia, un sistema de contratación automática, un bot de atención al cliente). Pide a los alumnos que levanten la mano si creen que el escenario involucra aprendizaje automático y expliquen brevemente por qué.

Extensiones y Apoyo

• Challenge: Pide a los estudiantes que diseñen un experimento para probar cómo el tamaño del conjunto de datos afecta la precisión de un 'aprendizaje' básico (ej. reconocer figuras geométricas).
• Scaffolding: Para quienes luchen con conceptos, proporciona tarjetas con ejemplos simplificados de algoritmos (ej. 'si X, entonces Y') antes de la actividad práctica.
• Deeper: Invita a los estudiantes a explorar cómo se aplican técnicas de mitigación de sesgos en sistemas de IA reales, usando artículos técnicos accesibles.

Vocabulario Clave

Aprendizaje Automático (Machine Learning)	Un campo de la inteligencia artificial que permite a los sistemas aprender y mejorar a partir de la experiencia (datos) sin ser programados explícitamente para cada tarea.
Algoritmo	Un conjunto de reglas o instrucciones paso a paso que una computadora sigue para resolver un problema o realizar una tarea.
Conjunto de Datos (Dataset)	Una colección organizada de información, usualmente en formato tabular, que se utiliza para entrenar y probar modelos de aprendizaje automático.
Sesgo (Bias)	Una tendencia sistemática o prejuicio que puede ser introducido por los datos de entrenamiento o el diseño del algoritmo, llevando a resultados injustos o discriminatorios.
Entrenamiento (Training)	El proceso de alimentar un algoritmo de aprendizaje automático con un conjunto de datos para que aprenda patrones y relaciones.