Situación de Aprendizaje: "Detectives de la IA"

---

1. Título

🕵️ Detectives de la IA: ¿Podemos enseñar a pensar a una máquina?

2. Alumnado

● Etapa: Educación Secundaria Obligatoria.

● Curso: 1.º Año

3. Área, materia o ámbito

● Materia principal: Tecnología y Digitalización.

● Vinculación transversal: Valores Éticos (reflexión sobre sesgos).

4. Descripción y finalidad de los aprendizajes

Esta situación de aprendizaje nace de la necesidad de desmitificar la Inteligencia Artificial. A menudo, el alumnado puede percibir la IA como "magia". La finalidad de esta actividad es demostrar que la IA funciona mediante entrenamiento con datos. Los estudiantes crearán su propio modelo de Machine Learning (Aprendizaje Automático) capaz de reconocer gestos visuales. A través de la práctica, comprenderán conceptos abstractos como "datos de entrenamiento", "clasificación" y "sesgo algorítmico" (qué pasa si entrenamos mal a la máquina), promoviendo un uso crítico y ético de la tecnología.

5. Metodología

Se aplicarán los siguientes enfoques metodológicos:

● Aprendizaje Basado en la Indagación: El alumnado formulará hipótesis (por ejemplo: "¿Si hago este gesto, me reconocerá?") y experimentará para comprobarlas.

● Aprendizaje Cooperativo: Trabajo en pequeños grupos donde cada miembro tiene un rol (entrenador, verificador, documentador).

● Pensamiento Computacional: Abstracción y reconocimiento de patrones sin necesidad de código.

6. Actividad

Duración estimada: 50 minutos, más cierre, evaluación y reflexión.

Descripción detallada del proceso:

● Fase 1: El reto (10 min): El docente lanza una pregunta: "¿Cómo sabe el filtro de TikTok o Instagram dónde está vuestra cara?". Se introduce brevemente la herramienta Google Teachable Machine explicando que enseñaremos al ordenador a distinguir entre dos cosas sin escribir código.

● Fase 2: El entrenamiento (25 min):

○ Los alumnos se organizan en grupos de 3-4 con un ordenador y webcam.

○ Misión: Entrenar a la IA para distinguir dos estados. Ejemplo sencillo: "Clase Atenta" (alumnos mirando a cámara) vs. "Clase Distraída" (alumnos mirando al techo o tapándose la cara).

○ Capturan al menos 50-100 imágenes para la "Clase 1" y otras tantas para la "Clase 2" usando el botón de grabar de la herramienta.

○ Pulsan "Preparar modelo" y esperan a que la IA aprenda.

● Fase 3: La Prueba y el Error (15 min):

○ Una vez entrenado, prueban el modelo en tiempo real. ¿Funciona bien?

○ Desafío de Sesgo: Se les pide que intenten engañar a la IA. Ejemplo: Si uno se pone gafas o cambia la iluminación, ¿sigue reconociéndolo? Esto sirve para explicar que si los datos son incompletos, la IA falla (sesgo).

● Fase 4: Reflexión Final (cierre): Debate grupal. "Si nuestra IA falló al reconocer una cara con gafas, ¿qué peligro tendría una IA que decida quién entra en un estadio o quién recibe un préstamo bancario?".

7. Recursos

Se enumeran los recursos necesarios:

● Tecnológicos: Ordenadores con conexión a internet y cámara web. Proyector para la demostración inicial.

● Software: Navegador web para acceder a Teachable Machine de Google (es gratuito y no requiere registro).

● Espaciales: Aula de informática o aula materia con portátiles.

8. Productos evaluables

Al finalizar, el alumnado deberá presentar:

a. El Modelo Funcional: Demostración práctica de que su IA reconoce las dos categorías propuestas.

b. El "Diario de Detectives" (Informe): Un breve documento (digital o papel) donde responden:

○ ¿Qué categorías eligieron?

○ ¿Cuántas fotos usaron?

○ ¿En qué momento falló la IA y por qué creen que pasó?

9. Instrumentos de evaluación

Para evaluar se utilizarán técnicas variadas:

● Lista de Cotejo (Checklist) - Heteroevaluación: Para verificar si el modelo funciona (¿Distingue A de B? Sí/No).

● Rúbrica analítica - Evaluación del producto: Para evaluar la calidad del "Diario de Detectives" (Calidad de la reflexión sobre los fallos de la IA).

● Diana de autoevaluación: Al final de la clase, cada alumno pinta en una diana su nivel de implicación y comprensión del tema.