1. Descripción y finalidad de los aprendizajes
Situación de partida
El alumnado de 6.º usa a diario aplicaciones con inteligencia artificial: el móvil que reconoce caras en la galería, el traductor, las recomendaciones de vídeos o los filtros de correo. Las usa, pero casi nunca se pregunta cómo aprenden. Muchas veces imagina la IA como algo mágico, que «lo sabe todo» y que no se equivoca.
Al mismo tiempo, en el punto de reciclaje del centro los residuos acaban a menudo en el contenedor equivocado. Proponemos al alumnado un reto con sentido para su comunidad:
Reto: «Vamos a enseñar a un ordenador a reconocer a qué contenedor va cada residuo. En la Feria del Reciclaje se lo presentaremos al alumnado de 3.º y 4.º para que aprenda a separar mejor… y para contarles en qué se equivoca la máquina y por qué».
Para ello, el alumnado pasa de usar la IA a crearla y moldearla. Entrena por sí mismo modelos de aprendizaje automático en EduTicTac Blocs, un entorno de programación por bloques compatible con Scratch. Blocs funciona en el navegador, no pide cuentas al alumnado y procesa las imágenes en el propio equipo: las fotos no se envían a ningún servidor.
Finalidad
Al acabar, el alumnado será capaz de:
- explicar con sus palabras que un modelo de IA aprende de ejemplos y no de reglas que alguien escribe;
- recoger y etiquetar datos, entrenar un modelo, probarlo con ejemplos que no ha visto y mejorarlo;
- interpretar la confianza (en %) de una predicción y el acierto de un modelo;
- reconocer que los errores y los sesgos de la IA nacen, muchas veces, de datos pocos o poco variados, y que detrás de cada modelo hay decisiones humanas;
- aplicar normas de privacidad al trabajar con imágenes (nada de caras ni datos personales);
- programar con bloques un pequeño proyecto con eventos, condicionales y bucles;
- representar los resultados de sus pruebas en gráficos de barras y usarlos para comparar el acierto esperado con el real y el antes con el después;
- comunicar a otras personas qué hace su modelo y cuáles son sus límites, justificándolo con evidencias;
- argumentar en qué decisiones puede ayudar una IA y en cuáles debe decidir siempre una persona.
Saberes básicos que se trabajan
Las dimensiones de la alfabetización en IA aparecen en este orden: interactuar (probar modelos ya hechos en las sesiones 2-4), crear y moldear (entrenar el propio clasificador en las sesiones 5-6) y gestionar (decidir qué datos usar, proteger la privacidad y comunicar los límites, sobre todo en las sesiones 4, 6 y 7). La sesión 8 lleva la experiencia a la reflexión ética: si nuestro clasificador, que solo separa basura, ya se equivoca, ¿qué pasa cuando una IA toma decisiones importantes sobre personas?
2. Referentes curriculares
Marco: Real Decreto 157/2022, de 1 de marzo, y, en la Comunitat Valenciana, Decreto 106/2022, de 5 de agosto, de ordenación y currículo de Educación Primaria.
| Elemento | Concreción |
|---|---|
| Competencias clave | CD (crear contenidos digitales, seguridad y privacidad, resolver problemas), STEM (método científico, datos), CCL (comunicación científica oral: explicar el modelo en la feria y justificar sus errores con evidencias), CPSAA (trabajo en equipo y aprender del error) y CC (uso ético y responsable de la tecnología). |
| Competencias específicas (Conocimiento del Medio) | Uso seguro, responsable y eficiente de dispositivos y recursos digitales; resolución de problemas mediante proyectos de diseño y pensamiento computacional; indagación científica (formular preguntas, probar, registrar y comunicar), y actitudes de cuidado del entorno. |
| Saberes básicos | Tecnología y digitalización: entorno personal de aprendizaje digital, proyectos de diseño y pensamiento computacional (descomposición, patrones, algoritmos), seguridad y privacidad. Sociedades y territorios: consumo responsable y gestión de residuos. |
| Conexiones con otras áreas | Matemáticas (sentido estocástico y numérico): recogida de datos, tablas de recuento, cálculo de porcentajes, gráficos de barras simples y dobles, e interpretación de gráficos para comparar el acierto esperado con el real y el antes con el después (sesión 6 y Anexo 3). Educación en Valores Cívicos y Éticos: responsabilidad en el uso de la tecnología, supervisión humana de las decisiones automatizadas y sostenibilidad (sesión 8 y Anexo 8). |
3. Metodología
- Aprendizaje basado en proyectos (ABP). Todo el proceso se dirige a un producto real, el clasificador de residuos, y a una audiencia real, el alumnado de 3.º y 4.º en la Feria del Reciclaje.
- Aprendizaje-servicio a pequeña escala. El producto se presenta al alumnado más pequeño para mejorar la separación de residuos del centro.
- Aprendizaje cooperativo. En parejas (sesiones 2-4) y en equipos de cuatro con roles rotatorios (sesiones 5-7): responsable de datos (recoge y etiqueta las fotos), programador/a (monta los bloques), probador/a (diseña las pruebas y rellena la hoja de registro) y portavoz (coordina y presenta). Los roles rotan en cada sesión del reto para que todo el equipo pase por todas las tareas.
- Indagación y aprendizaje por ensayo-error. Cada modelo se prueba, falla y se mejora. El error forma parte del contenido: «¿por qué se ha equivocado la máquina?» es la pregunta central de la situación.
- Actividades desenchufadas. La primera sesión se hace sin pantallas para construir la idea de «aprender de ejemplos» antes de tocar el ordenador.
- Pensamiento visible y metacognición. Rutinas «Veo, pienso, me pregunto» y «Antes pensaba… ahora pienso…», y un diario de aprendizaje breve al final de cada sesión.
- Andamiaje progresivo. De lo sencillo a lo complejo: números (dos medidas), texto (palabras), imágenes (cámara) y, por último, un proyecto propio.
4. Actividad: descripción del proceso sesión a sesión
Sesión 1 · La máquina que aprende (desenchufada)
- Activación (10 min). Se proyectan tres situaciones cotidianas: el móvil que agrupa fotos por caras, un traductor y un filtro de correo basura. Rutina Veo, pienso, me pregunto. Cada alumno o alumna responde de forma individual al cuestionario inicial de cinco preguntas (Anexo 7).
- Juego «La máquina que aprende» (25 min). Una pareja hace de «máquina» y sale del aula. El resto clasifica las tarjetas de criaturas (Anexo 1) en dos grupos inventados, zibs y zobs, según una regla secreta (por ejemplo: los zibs tienen antenas). La máquina vuelve, ve 8 ejemplos ya etiquetados y debe clasificar 6 tarjetas nuevas sin conocer la regla. Se repite con una regla más difícil y con solo 3 ejemplos.
- Reflexión (10 min). ¿Cómo lo ha conseguido la máquina sin saber la regla? ¿Qué pasa con pocos ejemplos? ¿Y si todos los ejemplos de zib eran azules? (Primera aparición de la idea de sesgo).
- Presentación del reto y diario (10 min). Se lanza el reto del clasificador de residuos y se forman los equipos. Primera entrada del diario de aprendizaje (Anexo 6).
Sesión 2 · Datos que se miden: ¿lápiz o rotulador?
- Primera predicción (10 min). En Blocs, Archivo → Plantillas… → ¿Lápiz o rotulador?. Pulsan la bandera, Entrenar e Investigar, y prueban dos objetos con la misma longitud y distinto grosor. ¿Qué medida ayuda a distinguirlos?
- Mirar la tabla (10 min). Abren Editar la tabla de datos: cada fila es un ejemplo y cada columna, una característica. Cambian un dato y observan que el modelo «deja de estar entrenado».
- Datos reales (20 min). Miden al menos tres lápices y tres rotuladores propios, los añaden con Enseñar, reentrenan y comparan la confianza antes y después.
- Puesta en común y diario (10 min). Vocabulario de la sesión: ejemplo, característica, clase, predicción, confianza.
Sesión 3 · Etiquetar es decidir: la mascota que escucha
- Enseñar a Pip (20 min). Cada pareja etiqueta 20 frases como alegría, tristeza, enfado o miedo y añade frases propias. Pip entrena e indica el acierto con frases nuevas.
- Romper el modelo (15 min). Prueban frases trampa: «no estoy nada contento», ironías o palabras que Pip no conoce. Comprueban que el modelo cuenta palabras y no entiende el sentido. Cuando la seguridad baja del 40 %, Pip avisa de que no está seguro.
- Debate (15 min). Dos parejas comparan cómo han etiquetado la misma frase. Si no coinciden, ¿quién tiene razón? Conclusión: el modelo aprende lo que le enseñamos, también nuestras dudas y nuestros prejuicios. Diario.
Sesión 4 · Ver con la cámara: piedra, papel o tijera
- Normas de privacidad (5 min). Solo se fotografían manos, nunca caras. Las fotos se quedan en el navegador y se borran al cerrar o con borra todos los datos. Se repasa el Anexo 4.
- Entrenar y jugar (20 min). Mantienen pulsado cada botón para hacer 10-20 fotos por gesto, más la clase nada, entrenan y juegan contra el ordenador.
- Experimentos guiados (15 min). ¿Qué ocurre si otra persona juega con el modelo que han entrenado con su mano? ¿Y con más o menos luz, o con otro fondo? Anotan qué cambia y por qué. Se descubre por qué hace falta la clase nada.
- Conclusión (10 min). «Los datos tienen que parecerse a lo que la máquina se encontrará de verdad». Esta idea guiará el reto. Diario.
Sesión 5 · Reto (I): construimos nuestro clasificador de residuos
- Planificación (10 min). Cada equipo decide sus clases. La propuesta base tiene cuatro: envases (amarillo), papel (azul), orgánico (marrón) y nada (la mesa vacía). Sobre el residuo orgánico se usan dibujos o fotos impresas, no comida real. Rellenan el plan de datos del Anexo 3: cuántas fotos, qué objetos, qué fondos y qué posiciones.
- Programación (20 min). Con la ficha del Anexo 2 montan el programa en un proyecto nuevo, añadiendo la extensión Aprendizaje automático: imágenes: un botón por clase, un botón Entrenar y un personaje que anuncia el contenedor.
- Recogida de datos (20 min). Al menos 15 fotos por clase, con objetos distintos, girados, cerca y lejos. Entrenan y anotan el acierto esperado que muestra Blocs. Guardan el proyecto (.sb3).
El personal docente pasa por los equipos con la lista de cotejo (Anexo 5.4) y plantea preguntas: «¿Por qué habéis elegido esos objetos? ¿Qué pasará con una lata aplastada?».
Riesgo organizativo: la recogida de fotos suele alargarse. Con alumnado real es habitual que se repitan fotos casi iguales, que falte variedad o que aparezcan fondos poco adecuados (otras personas, la pantalla o la mochila). Para evitarlo:
- Caja de reserva docente, preparada antes de la sesión, con unos 10 objetos por clase y muy distintos entre sí: latas, briks, botellas, bolsas y bandejas (envases); folios arrugados, cartón, revistas y hueveras de cartón (papel); y tarjetas impresas de cáscaras, restos de fruta, posos de café o servilletas usadas (orgánico). Se presta a cualquier equipo que llegue con pocos residuos o con residuos demasiado parecidos.
- Zona de fotos fija en cada mesa: cartulina de fondo neutro y una marca en la mesa para la distancia de la cámara.
- Regla de «cada 3 fotos, cambia algo»: girar el objeto, acercarlo o alejarlo, o cambiar de objeto. La persona responsable de datos lo controla con marcas en el plan de datos.
- Temporizador visible de 4 minutos por clase. Al terminar, el equipo abre ver los datos y borra las fotos repetidas o con fondos que no tocan.
- Plan B: si un equipo no llega a entrenar, empieza la sesión 6 con 10 minutos de recogida y su prueba cruzada se hace en segundo turno.
Sesión 6 · Reto (II): prueba cruzada, gráficos y mejora
- Prueba cruzada (15 min). Cada equipo prepara una bolsa con 10 residuos que el otro equipo no ha usado para entrenar y le hace la prueba. El equipo probador anota en la hoja de registro qué dijo el modelo, qué era en realidad y la confianza, y deja a la vez la coevaluación «dos estrellas y un deseo» (Anexo 5.3).
- Análisis matemático de los errores (15 min). Con la hoja de registro:
- cuentan aciertos y errores por categoría y dibujan un gráfico de barras de errores por categoría (Gráfico A): ¿qué residuo confunde más?;
- calculan el porcentaje de acierto real y lo comparan con el «acierto esperado» de Blocs en un gráfico de dos barras (Gráfico B): ¿coinciden? Si no, ¿por qué? (Las fotos de prueba de otro equipo son más «nuevas» que las de la validación interna);
- escriben, a partir de los gráficos, una hipótesis: «Creemos que confunde ___ porque ___».
- Mejora y segunda prueba (20 min). Deciden una mejora que responda a su hipótesis y la justifican en la hoja: más fotos de la categoría que falla, objetos más variados, otro fondo, quitar fotos dudosas o añadir un aviso cuando la confianza es baja. Reentrenan, repiten la prueba con la misma bolsa y completan el gráfico antes/después (Gráfico C). ¿Se ha confirmado la hipótesis?
- Diario (5 min).
Sesión 7 · Feria del Reciclaje
- Preparar la exposición (15 min). Guion de 3 minutos con cuatro partes: (1) qué hace el modelo; (2) cómo lo enseñamos; (3) en qué se equivoca y qué evidencia lo demuestra, señalando los gráficos A, B y C; y (4) un consejo de reciclaje para el alumnado pequeño. El equipo ensaya una vez ante otro equipo, que le hace una pregunta.
- Feria (30 min). Estaciones por equipos, con los gráficos en cartulina junto al ordenador. El alumnado visitante trae un residuo, el modelo lo clasifica y el equipo explica si ha acertado y por qué. Si el modelo falla en directo, el equipo debe explicar el error con sus datos: «Tiene pocas fotos de briks, mira el gráfico». El profesorado evalúa con la rúbrica, que incluye un criterio específico de comunicación científica: «Justifica con evidencias por qué cree que el modelo se equivoca».
- Ronda rápida (10 min). Cada equipo comparte el error más curioso que ha provocado el alumnado visitante. Se apuntan en la pizarra para la sesión 8.
Sesión 8 · ¿Quién decide? Ética de la IA y cierre
- Pregunta detonante (10 min). Partiendo de los errores de la feria y del acierto real de cada equipo: «Nuestro clasificador acierta, digamos, 7 de cada 10. Si el centro lo pusiera en el punto de reciclaje, ¿deberíamos dejar que decidiera solo?». Votación con tres opciones: decide solo, decide con una persona que lo revisa o no debería usarse. Cada opción se defiende con un argumento.
- Escalera de decisiones (20 min). Cada equipo recibe las tarjetas del Anexo 8 con usos reales de la IA, desde decisiones con poco impacto (recomendar un vídeo, separar basura) hasta decisiones importantes sobre personas (corregir un examen, conceder una beca, reconocer caras en la entrada del colegio, ayudar en un diagnóstico médico). Las ordenan de menor a mayor impacto y, para cada una, deciden si la IA puede decidir sola, si debe hacerlo con supervisión humana o si no debería usarse. Pregunta guía: «¿Qué ocurre cuando una IA que ha aprendido con datos poco variados toma decisiones sobre personas?», relacionándola con la ronda de sesgo de la sesión 1 (las criaturas azules).
- Decálogo (10 min). En gran grupo se redacta el «Decálogo de las personas entrenadoras de IA» con ideas como: «Una IA solo sabe lo que le enseñan», «Pruébala con cosas nuevas», «No le des datos personales», «Si no está segura, decide una persona» o «Cuanto más importante es la decisión, más tiene que intervenir una persona». Se cuelga junto al punto de reciclaje.
- Autoevaluación y cierre (15 min). Diana de autoevaluación, coevaluación de roles dentro del equipo, cuestionario final (las mismas preguntas que el inicial, para comparar) y rutina Antes pensaba… ahora pienso… en el diario.
5. Recursos
| Tipo | Recurso | Uso |
|---|---|---|
| Tecnológico | Un ordenador o tableta con cámara por pareja (sesiones 2-4) y por equipo (5-7), con navegador actualizado (Chrome o Edge) | Sesiones 2-7 |
| Tecnológico | EduTicTac Blocs: sin instalación ni cuentas del alumnado; plantillas con IA en Archivo → Plantillas… | Sesiones 2-7 |
| Tecnológico | Proyector o pantalla digital | Todas |
| Material | Tarjetas de criaturas zib/zob impresas, una copia por grupo (Anexo 1) | Sesión 1 |
| Material | Reglas, 3 lápices y 3 rotuladores por pareja | Sesión 2 |
| Material | Residuos limpios y seguros traídos de casa (envases, briks, latas sin bordes cortantes, papel, cartón) y dibujos o fotos impresas de residuo orgánico. Una bolsa de 10 objetos de prueba por equipo. | Sesiones 5-7 |
| Material | Caja de reserva docente: unos 10 objetos variados por clase y tarjetas impresas de residuo orgánico, para los equipos con pocos residuos o con residuos demasiado parecidos | Sesiones 5-6 |
| Material | Temporizador visible (de cocina o en pantalla) | Sesión 5 |
| Material | Papel cuadriculado, reglas y lápices de colores para los gráficos; cartulinas para exponerlos en la feria | Sesiones 6-7 |
| Impreso | Tarjetas de la escalera de decisiones, una copia por equipo (Anexo 8) | Sesión 8 |
| Material | Cartulina de fondo neutro por equipo y cartulinas de colores (amarillo, azul y marrón) para los carteles de la feria | Sesiones 5-7 |
| Impreso | Ficha del clasificador (Anexo 2), plan de datos y hoja de registro (Anexo 3), diario y autoevaluación (Anexos 5 y 6) | Sesiones 1-7 |
| Espacios | Aula ordinaria con mesas agrupables; zona con buena luz para las fotos; patio o vestíbulo para la feria | — |
| Humanos | Coordinación con las tutorías de 3.º y 4.º para la feria y, si lo hay, con el comité ambiental del centro | Sesión 7 |
6. Productos evaluables
| Producto | Agrupamiento | Momento |
|---|---|---|
| Diario de aprendizaje: tres preguntas al final de cada sesión y rutina «Antes pensaba… ahora pienso…» al final | Individual | Sesiones 1-8 |
| Plan de datos y hoja de registro de pruebas: clases, fotos por clase, resultados de la prueba cruzada, porcentaje de acierto, hipótesis y mejora justificada | Equipo | Sesiones 5-6 |
| Gráficos de resultados: errores por categoría (A), acierto esperado frente a real (B) y antes/después del reentrenamiento (C) | Equipo | Sesión 6 |
| Proyecto del clasificador (.sb3) funcionando: botones de clase, entrenamiento y aviso cuando la confianza es baja | Equipo | Sesiones 5-6 |
| Presentación en la Feria del Reciclaje: demostración y explicación de los límites del modelo, justificada con los gráficos | Equipo | Sesión 7 |
| Escalera de decisiones: tarjetas ordenadas y argumentadas sobre cuándo puede decidir una IA | Equipo | Sesión 8 |
| Decálogo de las personas entrenadoras de IA | Gran grupo | Sesión 8 |
7. Instrumentos y técnicas de evaluación
| Tipo | Instrumento | Quién evalúa | Qué evalúa | Peso orientativo |
|---|---|---|---|---|
| Heteroevaluación | Rúbrica del proyecto y de la exposición (Anexo 5.1) | Docente | Clasificador, hoja de registro, gráficos y presentación (incluida la justificación con evidencias) | 40 % |
| Heteroevaluación | Lista de cotejo de observación directa (Anexo 5.4) | Docente | Trabajo en equipo, uso responsable, privacidad y argumentación en el debate ético | 15 % |
| Heteroevaluación | Diario de aprendizaje (Anexo 6) | Docente | Comprensión de los conceptos y metacognición | 20 % |
| Coevaluación | «Dos estrellas y un deseo» en la prueba cruzada (Anexo 5.3) | Otro equipo | Funcionamiento del modelo y explicación | 10 % |
| Coevaluación | Valoración de roles dentro del equipo (Anexo 5.3) | Compañeros y compañeras de equipo | Contribución y cooperación | 5 % |
| Autoevaluación | Diana de autoevaluación (Anexo 5.2) | El propio alumno o alumna | Logro de los aprendizajes y actitud | 10 % |
| Evaluación inicial y final | Cuestionario de ideas previas, repetido al final (Anexo 7) | Docente y alumnado | Cambio conceptual (sin calificación) | — |
La evaluación es formativa: la prueba cruzada y la mejora posterior forman parte del aprendizaje, no son un examen. En la rúbrica se valora más la calidad de la explicación del error que el porcentaje de acierto.
8. Atención a la diversidad (DUA)
- Representación: fichas con imágenes de los bloques, vocabulario clave en un mural con pictogramas (ARASAAC) y demostración en pantalla antes de cada paso. Blocs se puede usar en castellano y en valenciano.
- Acción y expresión: los roles permiten contribuir desde fortalezas distintas (fotografiar, programar, registrar, explicar). El diario se puede hacer escrito, dibujado o grabado en audio.
- Implicación: reto con destinatarios reales y elección de las clases. Retos de ampliación para quien acabe antes: una quinta clase (vidrio), cambiar el disfraz del personaje según el contenedor o contar las predicciones.
- Accesibilidad: la versión de Blocs con más zoom y el trabajo en pareja facilitan el acceso al alumnado con dificultades motrices o visuales.
9. Anexos
La página está preparada para imprimirse con todos los anexos.
Anexo 1 · Tarjetas de criaturas zib/zob (sesión 1)
Se imprimen 14 tarjetas por grupo con criaturas dibujadas de forma sencilla. Cada una combina cuatro rasgos: antenas (sí/no), color (azul/naranja), patas (2/4) y forma (redonda/cuadrada).
| Ronda | Regla secreta | Ejemplos para la máquina | Tarjetas de prueba | Pregunta para el debate |
|---|---|---|---|---|
| 1 | Zib = tiene antenas | 8 (4 + 4) | 6 | ¿Cómo has descubierto la regla? |
| 2 | Zib = redonda y con 4 patas | 3 | 6 | ¿Por qué ahora te equivocas más? |
| 3 (sesgo) | Zib = antenas, pero todos los ejemplos de zib son azules | 8 | 6, incluidos zibs naranjas | ¿Qué ha aprendido la máquina en realidad? |
Anexo 2 · Ficha del alumnado: construye tu clasificador de residuos
Antes de empezar: abre blocs.edutictac.es/editor.html, pulsa el botón azul de abajo a la izquierda (Añadir extensión) y elige Aprendizaje automático: imágenes. Crea cinco objetos-botón (Envases, Papel, Orgánico, Nada y Entrenar) y un personaje, «Reci».
Escenario
al hacer clic en la bandera verde [enciende] cámara fija transparencia de la cámara a (0)Botón «Envases» (repite en Papel, Orgánico y Nada cambiando el nombre de la clase)
al hacer clic en este objeto añade la imagen de [cámara] a la clase [envases] decir (unir [Fotos: ] (número de ejemplos de [envases])) durante (1) segundosBotón «Entrenar»
al hacer clic en este objeto entrena el modelo decir (unir [Acierto esperado: ] (acierto con imágenes nuevas (%))) durante (2) segundos enviar [clasifica]Personaje «Reci»
al recibir [clasifica] por siempre si < (confianza para la imagen de [cámara] (%)) < (60) > entonces decir [No estoy seguro. ¿Me enseñas más?] si no decir (unir [Va al contenedor de ] (clase de la imagen de [cámara]))Cómo se usa: 1) Pulsa la bandera verde. 2) Pon un residuo delante de la cámara y haz clic en su botón; muévelo y gíralo entre clic y clic hasta tener al menos 15 fotos por clase. 3) En Nada, fotografía la mesa vacía. 4) Pulsa Entrenar. 5) Pon residuos nuevos y escucha a Reci. Si cambiáis los datos, hay que volver a pulsar Entrenar. Para revisar las fotos, en la categoría de la extensión, botón ver los datos.
Retos de ampliación: ★ Que Reci cambie de disfraz (amarillo, azul o marrón) según la clase. ★★ Añadir la clase vidrio. ★★★ Contar cuántas veces acierta con una variable y mostrar el porcentaje.
Guardad el proyecto con Archivo → Guardar en tu ordenador al final de cada sesión. Las fotos se guardan dentro del archivo .sb3: no fotografiéis caras ni nada que identifique a nadie.
Anexo 3 · Plan de datos y hoja de registro de pruebas
Plan de datos (sesión 5)
| Clase | Objetos que usaremos | N.º de fotos | Cómo variamos (posición, distancia, fondo) |
|---|---|---|---|
| Envases | |||
| Papel | |||
| Orgánico | |||
| Nada | Mesa vacía |
Hoja de registro de la prueba cruzada (sesión 6)
| N.º | Objeto | ¿Qué es en realidad? | ¿Qué ha dicho Reci? | Confianza (%) | ¿Acierto? ✔/✘ |
|---|---|---|---|---|---|
| 1 | |||||
| 2 | |||||
| … | |||||
| 10 |
Aciertos: ___ de 10 → ___ %. Acierto esperado que decía Blocs: ___ %. ¿Por qué son distintos? ______________________
Nuestra hipótesis: «Creemos que confunde ___ porque ___».
Nuestra mejora: ______________________. Segunda prueba: ___ de 10 → ___ %. ¿Se ha confirmado la hipótesis? ______
Gráficos de resultados (sesión 6)
En papel cuadriculado, con una cuadrícula por objeto o por 10 %, título y ejes con nombre. Ejemplo orientativo, con datos inventados:
Lectura: «Confunde sobre todo el papel».
Lectura: «Con objetos nuevos acierta menos de lo que decía Blocs».
Lectura: «Con más fotos de papel arrugado ha mejorado 20 puntos».
Preguntas para interpretar: ¿Qué barra es la más alta y qué significa? ¿Cuántos puntos hay de diferencia entre B-esperado y B-real? ¿La mejora del gráfico C se debe a nuestra hipótesis o a otra cosa? Ampliación: calcular el acierto por categoría en porcentaje.
Anexo 4 · Normas de privacidad y seguridad para el aula
- Solo fotografiamos manos y objetos. Nunca caras, nombres, uniformes con nombre ni pantallas con datos.
- Los residuos tienen que estar limpios y sin bordes cortantes. Lo orgánico se representa con dibujos o fotos impresas.
- Las fotos se quedan en nuestro ordenador. Antes de compartir un proyecto, revisamos ver los datos.
- Al acabar el curso, borramos los proyectos con fotos que no necesitemos.
- Si el modelo duda, decide una persona.
Anexo 5 · Instrumentos de evaluación
5.1 Rúbrica de heteroevaluación (docente)
| Criterio | Excelente (4) | Bien (3) | En proceso (2) | Inicial (1) |
|---|---|---|---|---|
| Datos de entrenamiento | Al menos 15 fotos variadas por clase, con la clase nada, y explican por qué las han elegido | Suficientes fotos, con poca variedad | Pocas fotos o falta alguna clase | Datos insuficientes para entrenar |
| Programa | Funciona completo, con aviso de confianza baja y una ampliación | Funciona completo | Funciona con ayuda o le falta una parte | No funciona |
| Prueba y mejora | Registran la prueba, calculan el %, justifican la mejora y comparan los dos resultados | Registran y mejoran, con una justificación breve | Registran sin analizar | No registran la prueba |
| Comprensión de la IA | Explican que el modelo aprende de ejemplos y relacionan sus errores con los datos | Explican cómo aprende, pero no relacionan los errores | Describen qué hace, pero no cómo aprende | Lo presentan como algo que «sabe» solo |
| Análisis matemático | Gráficos A, B y C correctos y legibles, y los usan para formular y comprobar una hipótesis | Gráficos correctos, con una interpretación breve | Gráficos incompletos o con errores de recuento o de escala | Sin gráficos |
| Comunicación en la feria | Clara, adaptada a 3.º y 4.º, con demostración y límites del modelo | Clara, pero sin hablar de límites | Poco organizada | No consiguen explicarlo |
| Justificación con evidencias (comunicación científica) | Justifica con evidencias por qué cree que el modelo se equivoca: cita sus datos o gráficos y propone una causa comprobable | Da una causa razonable, sin apoyarla en datos | Describe el error sin explicar la causa | Atribuye el error a la suerte o a que «la máquina es tonta» |
| Reflexión ética | Distingue decisiones de poco y de mucho impacto y argumenta cuándo es necesaria una persona, relacionándolo con los datos y el sesgo | Opina con algún argumento | Opina sin argumentos | No participa |
| Uso responsable | Cumplen todas las normas del Anexo 4 y las recuerdan al equipo | Cumplen las normas | Necesitan recordatorios | No respetan las normas |
5.2 Diana de autoevaluación (alumnado)
Cada alumno o alumna colorea de 1 (centro, poco) a 4 (borde, mucho) cada eje de la diana:
- Sé explicar cómo aprende una máquina a partir de ejemplos.
- Sé recoger datos variados y entrenar un modelo.
- Sé probar un modelo con ejemplos nuevos y entender sus errores.
- He cuidado la privacidad y la seguridad.
- He cumplido mi rol y he ayudado al equipo.
- He explicado bien nuestro proyecto en la feria.
Debajo, una frase: «Lo que más me ha costado ha sido… y lo he resuelto así…».
5.3 Coevaluación
Entre equipos (prueba cruzada): el equipo probador escribe en un pósit dos estrellas (dos cosas que funcionan bien del modelo o de su explicación) y un deseo (una mejora concreta). Se entrega junto con la hoja de registro.
Dentro del equipo: cada miembro valora a los demás de 1 a 3 en: «aporta ideas», «escucha y respeta», «cumple su rol» y «ayuda cuando alguien se atasca».
5.4 Lista de cotejo de observación directa (docente)
| Indicador | Sí | A veces | No |
|---|---|---|---|
| Usa el vocabulario: ejemplo, clase, entrenar, probar, confianza | |||
| Formula hipótesis sobre por qué falla el modelo | |||
| Prueba con ejemplos que el modelo no ha visto | |||
| Justifica con evidencias (datos o gráficos) por qué cree que el modelo se equivoca | |||
| En el debate ético, argumenta cuándo debe decidir una persona | |||
| Respeta las normas de privacidad | |||
| Ejerce su rol y rota según lo acordado |
Anexo 6 · Diario de aprendizaje
Al final de cada sesión, en 5 minutos:
- Hoy he aprendido que…
- La máquina se ha equivocado cuando… porque…
- Me pregunto…
Sesión 8: Antes pensaba que la inteligencia artificial… Ahora pienso que… y Una decisión que nunca dejaría tomar sola a una IA es… porque…
Anexo 7 · Cuestionario inicial y final
- ¿Cómo crees que un ordenador aprende a reconocer una imagen?
- ¿Puede equivocarse una inteligencia artificial? ¿Por qué?
- Si una IA ha aprendido con fotos de perros blancos, ¿qué pasará con un perro negro?
- ¿Qué significa que una IA esté «segura al 90 %»?
- ¿Qué datos no deberías dar nunca para entrenar una IA?
- ¿Debería una IA decidir sola si un alumno o alumna recibe una beca? ¿Por qué?
Anexo 8 · Escalera de decisiones (sesión 8)
Se imprime una tarjeta por situación. Cada equipo las ordena de menor a mayor impacto sobre las personas y coloca cada una en una de tres columnas: la IA decide sola, decide con una persona que la revisa o no debería usarse.
| Tarjeta | Situación | Pregunta para el equipo |
|---|---|---|
| 1 | Una IA recomienda el siguiente vídeo que vas a ver. | ¿Qué pasa si se equivoca? |
| 2 | Nuestro clasificador indica a qué contenedor va un residuo. | Si acierta 7 de cada 10, ¿lo dejaríamos solo? |
| 3 | Una IA corrige automáticamente un examen de respuestas cortas. | ¿Y si no entiende una respuesta correcta pero escrita de otra forma, como Pip con las frases trampa? |
| 4 | Una IA decide qué familias reciben una beca de comedor. | ¿Con qué datos habrá aprendido? ¿Y si casi todos eran de un solo barrio? |
| 5 | Una cámara con IA reconoce las caras en la entrada del colegio para pasar lista. | ¿Qué pasa con la privacidad? ¿Y si reconoce peor a algunas personas? |
| 6 | Una IA ayuda a un médico a detectar una enfermedad en una radiografía. | ¿Quién es responsable si se equivoca? |
| 7 | Un traductor automático traduce el aviso del colegio para las familias. | ¿Cuándo convendría que lo revisara una persona? |
Ideas que conviene que surjan en la puesta en común: cuanto mayor es el impacto sobre una persona, más necesaria es la supervisión humana; los errores de la IA no se reparten por igual si los datos no representan a todo el mundo (recordad las criaturas azules de la sesión 1); alguien tiene que poder explicar y corregir la decisión; y la persona afectada debería saber que ha intervenido una IA.
Anexo 9 · Enlaces y materiales de apoyo
- EduTicTac Blocs y su editor.
- Ficha docente «¿Lápiz o rotulador?» (sesión 2).
- Ficha docente «La mascota que escucha» y ficha del alumnado (sesión 3).
- Ficha docente «Piedra, papel o tijera» (sesión 4).
- Presentación de EduTicTac Blocs (blog de EduTicTac, en valenciano).
- LearningML, herramienta de referencia en el aprendizaje automático para el aula, como alternativa o ampliación.
- ARASAAC, pictogramas para el mural de vocabulario.
10. Autoría y declaración de uso de IA
Autor: Samuel Soriano. La plataforma EduTicTac Blocs, sus plantillas de aprendizaje automático y sus fichas docentes son desarrollos propios del autor.
Uso de inteligencia artificial: el diseño pedagógico de la situación (la etapa, el área, el enfoque de «crear y moldear», el reto del reciclaje, la secuencia que va de números a texto y a imágenes, y el uso de EduTicTac Blocs) es del autor. Se ha usado Claude (Anthropic) como apoyo para ordenar los apartados según la plantilla de la tarea, redactar el borrador y maquetar esta página web. El autor ha revisado, corregido y validado todo el contenido y asume la responsabilidad sobre él.
Licencia: CC BY-NC-SA 4.0.