Tecnología · 3o de Secundaria

Ideas de aprendizaje activo

Tipos de Aprendizaje Automático

Los tipos de aprendizaje automático son conceptos abstractos que cobran sentido cuando los estudiantes los experimentan activamente. Trabajar con simulaciones, juegos y casos reales permite que los estudiantes internalicen las diferencias entre los paradigmas, especialmente porque cada uno resuelve problemas distintos en contextos distintos.

• Aprendizajes Esperados SEP
• SEP NEM Fase 6: Ética, Naturaleza y Sociedades, Contenido: Las revoluciones científicas y tecnológicas y sus impactos en las formas de vida y la organización social
• SEP NEM Fase 6: Saberes y Pensamiento Científico, Contenido: Procesos técnicos

• 20–35 min
• Parejas → Toda la clase
• 4 actividades

Actividad 01

• Juego de Simulación
• 30 min · Grupos pequeños

Juego de Simulación: Entrenamiento Supervisado

Entrega tarjetas con imágenes de animales etiquetadas (perro, gato). Los grupos 'entrenan' a un compañero clasificando 10 ejemplos. Luego, prueban con imágenes sin etiqueta y discuten aciertos. Registra precisión en una tabla compartida.

¿Cómo se diferencia el aprendizaje supervisado del no supervisado en la forma en que las máquinas aprenden?

Consejo de Facilitación

Durante la Simulación: Entrenamiento Supervisado, pida a los estudiantes que identifiquen en qué momento el modelo comete errores y discutan cómo las etiquetas incorrectas afectan el rendimiento.

Qué observar

Entregue a cada estudiante una tarjeta con una breve descripción de un problema tecnológico (ej. clasificar correos electrónicos, agrupar noticias, entrenar un robot para caminar). Pida que identifiquen el tipo de aprendizaje automático más adecuado y justifiquen su elección en una oración.

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

Actividad 02

• Rompecabezas
• 25 min · Parejas

Clustering: Agrupación No Supervisada

Proporciona datos de frutas (color, tamaño, forma en tarjetas). Los pares agrupan sin etiquetas previas y justifican clusters. Compara con agrupaciones reales y discute patrones emergentes. Crea un mapa visual de resultados.

¿Qué aplicaciones prácticas tiene el aprendizaje por refuerzo en la robótica o los videojuegos?

Consejo de Facilitación

En la Clustering: Agrupación No Supervisada, observe si los grupos que forman coinciden con las características reales de los datos y guíelos a ajustar el número de clusters según patrones observados.

Qué observar

Presente tres escenarios breves en pantalla: 1) Un sistema que identifica spam. 2) Un algoritmo que agrupa clientes por hábitos de consumo. 3) Un robot que aprende a jugar ajedrez. Pregunte a los estudiantes: ¿Qué tipo de aprendizaje se usa en cada caso? Solicite que levanten la mano o usen tarjetas de colores para indicar su respuesta.

• Comprender
• Analizar
• Evaluar
• Habilidades de Relación
• Autogestión

Actividad 03

• Juego de Simulación
• 35 min · Grupos pequeños

Juego de Simulación: Agente por Refuerzo

Dibuja un laberinto simple en papel. Un estudiante es el agente que se mueve con dados, ganando puntos por llegar al tesoro y perdiendo por obstáculos. Registra decisiones en rondas y ajusta estrategia. El grupo analiza mejoras.

¿Cómo identificar el tipo de aprendizaje automático más adecuado para un problema específico?

Consejo de Facilitación

Durante el Juego: Agente por Refuerzo, observe si los estudiantes ajustan las recompensas y penalizaciones para mejorar el aprendizaje del agente y discutan cómo estos ajustes impactan el comportamiento final.

Qué observar

Plantee la siguiente pregunta al grupo: 'Si tuvieras que diseñar un sistema para detectar fraudes en transacciones bancarias, ¿qué tipo de aprendizaje automático considerarías usar y por qué? ¿Qué tipo de datos necesitarías recolectar para entrenarlo?' Guíe la discusión para que comparen las ventajas y desventajas de cada paradigma.

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

Actividad 04

• Rompecabezas
• 20 min · Parejas

Selección: Problemas Reales

Presenta casos (predicción de ventas, recomendación de películas). En parejas, clasifican el paradigma adecuado y justifican. Discute en plenaria y vota la mejor opción por grupo.

¿Cómo se diferencia el aprendizaje supervisado del no supervisado en la forma en que las máquinas aprenden?

Consejo de Facilitación

En la Selección: Problemas Reales, asegúrese de que los grupos exploren al menos dos tipos de aprendizaje antes de justificar su elección para evitar decisiones apresuradas.

Qué observar

Entregue a cada estudiante una tarjeta con una breve descripción de un problema tecnológico (ej. clasificar correos electrónicos, agrupar noticias, entrenar un robot para caminar). Pida que identifiquen el tipo de aprendizaje automático más adecuado y justifiquen su elección en una oración.

• Comprender
• Analizar
• Evaluar
• Habilidades de Relación
• Autogestión

Algunas notas para enseñar esta unidad

Este tema se enseña mejor con un enfoque basado en proyectos y discusiones guiadas. Evite explicar los tres tipos de forma aislada; en su lugar, use ejemplos concretos y luego sistematice las diferencias. La investigación sugiere que los estudiantes retienen mejor los conceptos cuando participan en actividades que requieren aplicar el conocimiento en lugar de memorizar definiciones. También es clave corregir la idea de que 'todos los problemas se resuelven igual' mediante debates que revelen las limitaciones de cada paradigma.

Al finalizar las actividades, los estudiantes podrán diferenciar claramente los tres tipos de aprendizaje automático, seleccionar el adecuado para problemas concretos y explicar por qué es el más efectivo. También desarrollarán habilidades para analizar datos, ajustar parámetros y justificar sus decisiones.

---

Cuidado con estas ideas erróneas

• Durante la Clustering: Agrupación No Supervisada, algunos estudiantes pueden pensar que 'sin etiquetas no hay aprendizaje'.

  Utilice la actividad para mostrar que durante el clustering los estudiantes identifican patrones por sí mismos, sin necesidad de datos etiquetados, y compárenlo directamente con los resultados de la simulación supervisada para resaltar las diferencias.

• Durante el Juego: Agente por Refuerzo, es común creer que este método solo sirve para videojuegos.

  En el juego, pida a los estudiantes que reflexionen sobre cómo las recompensas y penalizaciones podrían aplicarse en otros contextos, como la optimización de rutas en logística o la gestión de inventarios en una tienda.

• Durante la Selección: Problemas Reales, algunos estudiantes pueden asumir que un tipo de aprendizaje es mejor que los otros para cualquier problema.

  Use los casos prácticos para guiar una discusión donde los grupos presenten las limitaciones de cada paradigma, por ejemplo, por qué el aprendizaje supervisado requiere datos etiquetados costosos y el no supervisado puede ignorar patrones relevantes.

---

Metodologías usadas en este resumen

• Juego de Simulación
• Rompecabezas