# 6. Experimentar con herramientas de IA. Propuestas didácticas. Segundo y tercer ciclo

# Propuestas de aula enchufadas: aprender haciendo paso a paso.

En este bloque aprenderemos cómo entrenar modelos con imágenes, sonidos o gestos, y cómo conectar esos modelos a proyectos tangibles con materiales como los que aporta el programa **código Escuela 4.0 (placas programables de Echidna o Micro:bit**), de modo que la IA cobre vida en la robótica educativa, con una idea clave como punto de partida: **la seguridad y la protección de datos es una parte importante del diseño de la actividad**. Este enfoque práctico permite no solo experimentar con la tecnología, sino también reflexionar sobre la responsabilidad que implica entrenar una IA y sobre la importancia de detectar y cuestionar posibles sesgos.

Este enfoque práctico y experimetal nos ayudará a desmitificar la IA, promoviendo una actitud científica, ética y reflexiva. Porque cuando los estudiantes entienden cómo aprende una máquina, también aprenden a pensar mejor sobre su propio aprendizaje y sobre el impacto social de la tecnología que utilizan.  
  
De esta manera las propuestas que encontrarás a continuación combinan dos elementos inseparables: una dinámica clara (que harán los alumnos y para qué) y una configuración responsable.

El objetivo es que puedas trabajar la IA de manera sencilla y práctica teniendo en cuenta que datos conviene usar, cuales evitar, qué ajustes aplicar y que alternativas existen cuando el centro necesita trabajar sin conexión o con recurso limitados. Vas a ver actividades guiadas "paso a paso" con herramientas accesibles y conocidas del entorno educativo como **Teachable machine, Scratch offline**, así como opciones complementarias para enriquecer los proyectos como **Machine Learning for Kids, Google Labs, Quickdraw (muy útil en infantil) o Code IA.**

[![portada-guia-IA-3647822891.jpg](https://libros.catedu.es/uploads/images/gallery/2026-01/scaled-1680-/portada-guia-ia-3647822891.jpg)](https://intef.es/Noticias/guia-sobre-el-uso-de-la-inteligencia-artificial-en-el-ambito-educativo/)

A lo largo de los apartados posteriores trabajaremos con un enfoque muy docente:

- **Qué se pretende aprender** (adaptado a la etapa y áreas a trabajar).
- **Cómo se entrena y se prueba un modelo** con ejemplos cotidianos (sonidos, objetos, palabras clave, imágenes, dibujos).
- **Cómo evaluar el resultado** con mirada crítica (errores, sesgos, mejoras posibles).

En definitiva, este bloque está diseñado para que puedas decir: *“lo entiendo, lo puedo aplicar y sé hacerlo de forma segura” a través de distintas actividades planteadas.*

 Aquí empieza el trabajo más visible: **convertir la IA en una experiencia educativa significativa, responsable y adaptada a tu aula**

[![trabajo_ia_en_el_aula_sin_pie.png](https://libros.catedu.es/uploads/images/gallery/2026-01/scaled-1680-/trabajo-ia-en-el-aula-sin-pie.png)](https://libros.catedu.es/uploads/images/gallery/2026-01/trabajo-ia-en-el-aula-sin-pie.png)

Ilustración 1 Imagen generada con ChatGPT (OpenAI). 2026

# La placa Echidna Shield Black y la plataforma EchidnaLM

<div id="bkmrk-"></div>#### 1. Introducción: hardware y software para la robótica educativa con IA

La integración de la programación, la robótica educativa y la inteligencia artificial en el aula requiere herramientas que sean accesibles para el profesorado y el alumnado, pero que al mismo tiempo permitan desarrollar proyectos con un cierto nivel de complejidad. Dentro de este contexto surge el ecosistema Echidna, un proyecto educativo de hardware y software abierto diseñado específicamente para facilitar la enseñanza de la programación y el pensamiento computacional en Educación Primaria y Secundaria.

Este ecosistema está formado principalmente por dos elementos:

- Hardware educativo, representado por placas como Echidna Black o la Echidna Shield.
- Software educativo, como EchidnaML y su módulo de aprendizaje automático LearningML.

La combinación de ambos elementos permite trabajar en el aula desde actividades muy básicas de programación por bloques hasta proyectos avanzados que integran sensores, actuadores y modelos de inteligencia artificial.

En el contexto del programa Escuela 4.0, estas herramientas adquieren especial relevancia ya que permiten desarrollar competencias relacionadas con la programación, la robótica y la inteligencia artificial de forma práctica y contextualizada.

#### 2. La placa Echidna Shield Black

##### 2.1 Qué es Echidna Black

La Echidna Black es una placa electrónica educativa basada en la arquitectura de Arduino. A diferencia de otras placas que requieren múltiples componentes externos, esta integra en un único dispositivo varios sensores y actuadores que permiten comenzar a programar y experimentar sin necesidad de realizar cableados complejos.

Esta característica la convierte en una herramienta especialmente adecuada para el entorno educativo, ya que reduce las dificultades técnicas iniciales y permite centrarse en el aprendizaje de la programación y el diseño de proyectos.

Una de las principales diferencias respecto a la Echidna Shield es que la versión Black incorpora su propio microcontrolador (basado en Arduino Nano), por lo que funciona de forma autónoma y no necesita una placa adicional.

---

##### 2.2 Sensores y actuadores integrados

Uno de los elementos más interesantes de esta placa es la integración de diferentes sensores y actuadores directamente en el hardware. Esto permite desarrollar proyectos interactivos desde el primer momento.

Entre los sensores integrados se encuentran:

- Pulsadores digitales, que permiten introducir eventos o interacciones del usuario.
- Joystick analógico, con control en los ejes X e Y.
- Sensor de luz (LDR) para medir la intensidad luminosa del entorno.
- Sensor de temperatura que permite registrar cambios térmicos.
- Micrófono, que capta variaciones de sonido.
- Acelerómetro, capaz de detectar movimiento o inclinación.

En cuanto a los actuadores, la placa incorpora:

- LEDs de estado.
- LED RGB, que permite representar diferentes colores.
- Salida de audio mediante zumbador o jack.

Además, dispone de ocho entradas tipo Makey Makey, lo que permite utilizar objetos cotidianos como interfaces de entrada (por ejemplo plastilina, frutas o materiales conductores).

Esta integración de componentes facilita enormemente el trabajo en el aula, ya que evita errores de conexión y reduce el tiempo necesario para preparar las prácticas.

---

##### 2.3 Conectividad y ampliación

La placa también permite ampliar sus posibilidades mediante diferentes conexiones externas.

Entre sus características técnicas destacan:

- Compatibilidad con Arduino Nano y Arduino UNO.
- Conectividad Bluetooth para comunicación inalámbrica.
- Pines de entrada y salida para conectar sensores y actuadores externos.
- Configuración de alimentación para conectar pequeños motores o servos.

Estas posibilidades permiten evolucionar desde actividades sencillas hasta proyectos más complejos de robótica o automatización.

#### 3. Programación de la placa

La programación de Echidna Black puede realizarse utilizando diferentes entornos, tanto mediante programación textual como mediante programación por bloques.

Entre las opciones más habituales encontramos:

- Arduino IDE, utilizando lenguaje basado en C++.
- Entornos gráficos basados en Scratch.
- Plataformas educativas específicas del ecosistema Echidna.

En educación primaria y en los primeros cursos de secundaria suele utilizarse la programación por bloques, ya que permite centrarse en la lógica del programa sin necesidad de dominar la sintaxis de un lenguaje de programación.

Este enfoque facilita el desarrollo de habilidades relacionadas con el pensamiento computacional, como la descomposición de problemas, el uso de algoritmos o el reconocimiento de patrones.


#### 4. EchidnaML y LearningML

##### 4.1 Un entorno de programación educativo

Para facilitar el uso de estas placas en el aula, el proyecto Echidna incluye su propio entorno de programación: EchidnaML.

Este entorno está basado en programación por bloques similar a Scratch, lo que permite a estudiantes sin experiencia previa crear programas que controlen sensores y actuadores de la placa.

Una de las características más interesantes de este entorno es que puede utilizarse en local, lo que significa que puede instalarse en los equipos del centro educativo y utilizarse sin necesidad de conexión a internet. Esto resulta especialmente útil en contextos educativos donde la conectividad es limitada o donde se desea trabajar con datos de forma local.

---

##### 4.2 Introducción a la inteligencia artificial con LearningML

Dentro del entorno EchidnaML se integra el módulo LearningML, que permite trabajar conceptos básicos de aprendizaje automático.

LearningML es una plataforma diseñada para introducir la inteligencia artificial en educación de forma accesible. Permite crear modelos sencillos de aprendizaje automático utilizando datos generados por el alumnado.

El proceso de trabajo suele seguir tres fases:

1. Recogida de datos  
    El alumnado recopila datos utilizando sensores, imágenes, sonidos u otras fuentes.
2. Entrenamiento del modelo  
    El sistema utiliza esos datos para generar un modelo de clasificación o predicción.
3. Uso del modelo  
    El modelo puede integrarse en un programa que controle dispositivos físicos.

Por ejemplo, se pueden crear proyectos como:

- Sistemas que detecten diferentes gestos utilizando el acelerómetro.
- Clasificadores de sonido usando el micrófono.

# Teachable Machine en el aula: entrenar con ejemplos (imagen, sonido y postura)

[![LOGO TEACHABLE MACHINE.jpeg](https://libros.catedu.es/uploads/images/gallery/2026-01/scaled-1680-/logo-teachable-machine.jpeg)](https://libros.catedu.es/uploads/images/gallery/2026-01/logo-teachable-machine.jpeg)

Teachable Machine es una herramienta gratuita y muy intuitiva de Google que permite **crear modelos de Inteligencia Artificial sin programar**. Dicho de forma sencilla: sirve para “enseñarle” a un ordenador a **reconocer** algo a partir de ejemplos, igual que hacemos en clase cuando el alumnado aprende a diferenciar colores, sonidos o animales por repetición y comparación.

Con Teachable Machine puedes entrenar modelos de tres tipos:

- **Imágenes**: por ejemplo, que reconozca “lápiz” vs. “goma”, o gestos como “mano arriba” vs. “mano abajo”.
- **Sonidos**: como “aplauso” vs. “silencio”, o “voz” vs. “ruido”.
- **Posturas**: movimientos del cuerpo captados por la cámara (ideal para juegos de psicomotricidad o dinámicas de aula).

### ¿Qué tipo de herramienta es?

Es una herramienta de **aprendizaje automático supervisado**: el docente (o el alumnado) crea **clases o categorías** (por ejemplo “sí / no”, “animal / planta”), aporta **ejemplos** para cada clase y la herramienta aprende patrones para poder **predecir** a qué clase pertenece un ejemplo nuevo. No “piensa” ni “entiende” como una persona: **clasifica** según lo que ha visto durante el entrenamiento.

### ¿Qué proceso sigo en su utilización?

El proceso es muy parecido a una rutina didáctica:

1. **Elegir el tipo de proyecto** (imagen, sonido o postura).
2. **Crear categorías** (clases) con nombres claros.
3. **Recoger ejemplos** para cada categoría (con cámara, micrófono o archivos).
4. **Entrenar el modelo** (la herramienta “aprende” con esos ejemplos).
5. **Probarlo** con casos nuevos para ver si acierta.
6. **Mejorarlo**: añadir más ejemplos, equilibrar categorías y corregir errores.
7. **Usarlo o compartirlo**: se puede exportar y utilizar en actividades, juegos o proyectos (por ejemplo, conectándolo con Scratch).

### ¿Qué utilidad nos ofrece?

Porque permite trabajar la IA de forma **muy visual y práctica**, ayudando a comprender conceptos clave como **datos, entrenamiento, prueba, error, sesgo y mejora**, y además se adapta muy bien a Infantil y Primaria: se aprende “haciendo”, con ejemplos cotidianos del aula.

[![Infografia_TeachableMachine_Pros_Contras_v3_page-0001.jpg](https://libros.catedu.es/uploads/images/gallery/2026-01/scaled-1680-/s7yinfografia-teachablemachine-pros-contras-v3-page-0001.jpg)](https://libros.catedu.es/uploads/images/gallery/2026-01/s7yinfografia-teachablemachine-pros-contras-v3-page-0001.jpg)

# Teachable Machine vs EchidnaML: ¿cuál elegir según tu aula?

A continuación, presentamos distintas plataformas para trabajar el machine learning o aprendizaje supervisado.

<table border="1" id="bkmrk-learning-ml-%28echidna"><colgroup><col></col><col></col><col></col><col></col></colgroup><thead><tr><td>  
</td><td>Learning ML (Echidna en local)</td><td>Learningml 2.0</td><td>Teachable machine</td></tr></thead><tbody><tr><td>Uso</td><td>Local</td><td>https://learningml.org/lml-editor/</td><td>https://teachablemachine.withgoogle.com/</td></tr><tr><td>Tipo de herramienta</td><td>Aplicación de escritorio integrada</td><td>Plataforma web de Machine Learning educativo</td><td>Plataforma web de aprendizaje automático</td></tr><tr><td>Conexión a internet</td><td>No necesaria</td><td>Necesaria</td><td>Necesaria</td></tr><tr><td>Programación</td><td>Programación por bloques basada en Scratch (EchidnaBlocks)</td><td>Integración con Scratch/EchidnaScratch</td><td>No incluye entorno de programación propio</td></tr><tr><td>Integración con Hardware</td><td>Directa con placas Echidna</td><td>Sí, mediante herramientas web y enlace con la placa</td><td>No directa (solo exportación a otros sistemas)</td></tr><tr><td>Tipos de modelos de IA</td><td>Texto, imágenes y datos numéricos</td><td>Texto, imágenes y datos numéricos</td><td>Imágenes, audio y poses (movimiento corporal</td></tr><tr><td>Entrenamiento de modelos</td><td>En el propio ordenador</td><td>En la plataforma web</td><td>En el navegador del usuario</td></tr><tr><td>Privacidad y datos</td><td>Los datos se procesan localmente en el ordenador</td><td>Los datos se procesan en servidores web</td><td>Procesamiento principalmente en el navegador (modelo Cliente)\*</td></tr><tr><td>Integración con robótica</td><td>Muy alta</td><td>Alta</td><td>Baja</td></tr></tbody></table>

<p class="callout info">**Acerca de la privacidad de teachable machine:**  
Los modelos creados en Teachable Machine se entrenan localmente en el navegador del usuario y pueden alojarse en Google Drive o en los servidores de Google (mediante una URL pública) al exportarlos. Respecto a la privacidad, las imágenes de entrenamiento no se comparten ni se suben a servidores por defecto durante el proceso de entrenamiento.   
  
**¿Dónde se alojan los modelos?**  
Entrenamiento (Local): Todo el proceso de entrenamiento ocurre dentro de la pestaña de tu navegador (client-side) utilizando TensorFlow.js.  
Almacenamiento del proyecto: Puedes guardar tus proyectos (clases e imágenes) en tu cuenta personal de Google Drive.  
Publicación/Alojamiento: Al hacer clic en "Upload my model" (subir mi modelo), Google aloja el modelo entrenado en sus servidores y genera una URL compartible.  
Descarga: Puedes descargar el modelo entrenado (como TensorFlow.js, TensorFlow o TensorFlow Lite) para usarlo de manera totalmente local.   
  
**¿Se comparten las imágenes de entrenamiento?**  
Privacidad por defecto: Las imágenes de tu webcam o los archivos que subes no abandonan tu ordenador durante el entrenamiento.  
Guardado en Drive: Si eliges guardar tu proyecto en Google Drive, las imágenes se guardan allí, pero siguen siendo de tu propiedad.  
Publicación de modelo: Cuando publicas el modelo para obtener una URL, **solo se sube el modelo matemático (el programa que predice), no las imágenes de ejemplo que utilizaste para entrenarlo.**   
  
En resumen, Teachable Machine es seguro y diseñado para la privacidad, manteniendo los datos de entrenamiento en tu equipo a menos que decidas explícitamente guardarlos en la nube.   
</p>

#### CreateAI: la IA de micro:bit para reconocer movimiento

**CreateAI** es una herramienta web del ecosistema de la placa **<span class="hover:entity-accent entity-underline inline cursor-pointer align-baseline"><span class="whitespace-normal">BBC micro:bit</span></span>** que permite crear modelos de **aprendizaje automático basados en movimiento**.

La idea principal es utilizar el **acelerómetro de la micro:bit** para recoger datos de movimiento y entrenar un modelo capaz de reconocer patrones físicos.

##### Cómo funciona

El proceso de trabajo sigue tres fases principales:

1. **Recoger datos (Collect data)**  
    El alumnado realiza movimientos con la micro:bit (por ejemplo: aplaudir, saludar o saltar). El acelerómetro registra los datos.
2. **Entrenar el modelo (Test model)**  
    La herramienta utiliza esos datos para entrenar un modelo de aprendizaje automático que aprende a distinguir los movimientos.
3. **Programar con el modelo (Code)**  
    El modelo se integra en el entorno **MakeCode** mediante bloques específicos de Machine Learning.

---

##### Qué tipo de proyectos permite

Con CreateAI el alumnado puede crear proyectos como:

- un interruptor que enciende luces cuando detecta un aplauso,
- un temporizador que reconoce actividades físicas,
- un contador de pasos o movimientos,
- juegos que responden a gestos.

En esencia, el sistema permite que la placa **interprete el movimiento del cuerpo humano como una entrada inteligente**, convirtiendo gestos físicos en eventos programables.

---

##### Valor educativo

CreateAI es especialmente interesante en el aula porque:

- introduce el **concepto de entrenamiento de modelos de IA**,
- trabaja **datos reales recogidos por sensores**,
- conecta **inteligencia artificial y computación física**,
- y permite comprender la importancia de **los datos de entrenamiento**.

Esto lo convierte en una herramienta muy potente para enseñar **machine learning de forma tangible**, ya que el alumnado puede ver cómo la máquina aprende directamente de sus propios movimientos.

# Actividad 1. Vivo o no vivo: entrenamos un clasificador con objetos del aula

[![vivo:no vivo.png](https://libros.catedu.es/uploads/images/gallery/2026-01/scaled-1680-/vivono-vivo.png)](https://libros.catedu.es/uploads/images/gallery/2026-01/vivono-vivo.png)

Ilustración 1 Imagen generada con ChatGPT (OpenAI). 2026.

## Vivo / No vivo con objetos del aula 

###  Justificación 

Esta actividad acerca la IA al aula de forma manipulativa: el alumnado “enseña” a una máquina con fotos de objetos reales. Comprenden que la IA aprende con ejemplos (datos) y que puede equivocarse si los datos son pocos o poco variados. Además, refuerza la clasificación científica básica y el pensamiento crítico (“¿por qué falla?”).

###  Datos de la actividad

- Curso: 1.º Primaria (6 años)
- Área: Ciencias
- Tipo TM: Proyecto de imagen (clasificación)
- Tiempo: 35–50 min (recomendable realizar en 2 sesiones)
- Agrupación: Equipos + asamblea final
- Producto: Clasificador VIVO vs NO VIVO

### Objetivo didáctico

Entrenar y probar un modelo de IA que clasifique objetos como VIVO o NO VIVO, entendiendo que el acierto depende de las fotos usadas para aprender, detectando errores y mejorándolo con nuevos ejemplos.

###  Vinculación Curricular

Esta actividad une el área de **Conocimiento del Medio** (clasificación de seres vivos e inertes) que nos permite trabajar la **Competencia Digital** en el aula con nuestro alumnado. Al entrenar un modelo con sus propias fotos, el alumnado descubre de forma práctica que la IA no es 'magia', sino que aprende de los datos que nosotros le damos. Esto desarrolla el pensamiento computacional y la actitud crítica desde 1.º de Primaria, transformando a los niños de simples usuarios en creadores de tecnología capaces de detectar errores y mejorar el aprendizaje de la máquina.

###  Materiales

- Objetos “vivos o relacionados”: hoja, flor, fruta, ramita, planta…
- Objetos “no vivos”: piedra, goma, lápiz, clip, borrador…
- Carteles o cajas: VIVO / NO VIVO
- Dispositivo con webcam + Teachable Machine (y monitor/proyector si se usa en gran grupo)
- Tabla/registro (con ✅/❌ )

###  Desarrollo de la actividad 

#### 1. Pregunta detonante 

“¿Creéis que una máquina puede aprender a decir si algo está VIVO o NO VIVO solo mirando fotos? ¿Qué necesita para aprender?”

Este debate inicial nos sirve como introducción para dar paso a la actividad.

#### 2. Organización

Roles sencillos (elegibles):

- **Fotógrafo/a**: acerca el objeto a la cámara
- **Ayudante de orden:** coloca objetos en VIVO/NO VIVO
- **Portavoz**: dice el resultado (“ha dicho VIVO”)
- **Observador/as**: detecta errores (“se ha confundido”)
- 

#### 3. Pasos en Teachable Machine 

**a) Crear proyecto y clases**

- Proyecto de imagen —&gt; Modelo de imagen estándar

![](https://libros.catedu.es/uploads/images/gallery/2026-02/embedded-image-tvpr061m.png)

*Teachable machine*. (s. f.). <span class="url">https://teachablemachine.withgoogle.com/</span>

- Clases: VIVO y NO VIVO

[![image.png](https://libros.catedu.es/uploads/images/gallery/2026-02/scaled-1680-/pN9image.png)](https://libros.catedu.es/uploads/images/gallery/2026-02/pN9image.png)

*Teachable machine*. (s. f.). <span class="url">https://teachablemachine.withgoogle.com/</span>

**b) Recoger datos (fotos)**

- Tomar 10 ejemplos por clase.
- Variar objetos, ángulos, distancia y fondo (para que aprenda mejor)

**c) Entrenar y probar**

- Preparación del modelo.
- Probar con objetos nuevos (no usados en las fotos iniciales)

![](https://libros.catedu.es/uploads/images/gallery/2026-02/embedded-image-hur2q5mr.png)![](https://libros.catedu.es/uploads/images/gallery/2026-02/embedded-image-pxytdzmr.png)

*Teachable machine*. (s. f.). <span class="url">https://teachablemachine.withgoogle.com/</span>

**d) Mejorar**  
7\. Cuando falle, añadir fotos de “lo difícil” (hoja seca, piedra distinta, fruta cortada…)  
8\. Re-entrenar y volver a probar.

DUA (representación):

- Apoyos visuales: pictogramas “VIVO/NO VIVO”, ejemplo real en mano, carteles grandes.
- Lenguaje claro y repetido: “La máquina aprende con muchas fotos”.

##### 4. Reto de comprobación (objeto sorpresa)

- Cada equipo trae un objeto sorpresa.
- Lo muestran a la cámara y observan predicción
- El portavoz dice: “La máquina ha dicho…” y el grupo decide: “¿Estamos de acuerdo?”

<p class="callout info">El "**Objeto Trampa**": El docente saca un objeto que "engaña" a los sentidos (ej. una flor de plástico o un peluche de animal).Lo prueba: y el alumnado comprobar qué dice la IA. Si dice "VIVO", abrimos el debate: "¿Por qué se ha equivocado si tiene pétalos/ojos?". **Conclusión**: Ayuda a entender que la IA solo compara formas y colores y a veces necesita nuestra ayuda para mejorar.</p>

DUA (acción y expresión): Se puede explicar de 3 formas:

- Oral: “se ha confundido porque…”
- Señalando: “por el color / por la forma / por la luz” (tarjetas)
- Con dibujo rápido: “nuestro objeto” + carita (acierta/falla)

#### 5. Opciones de mejora propuestas por el alumnado

Se pueden pedir 2 ideas por equipo o como ayuda al alumnado podemos plantear o darle un “menú de mejoras” visual para que todos puedan elegir.(pueden elegir con tarjetas):

- “Más fotos”
- “Fotos desde otros lados”
- “Cambiar el fondo”
- “Cambiar la luz”
- “Meter objetos nuevos parecidos” (casos límite)

Luego eligen 1 para aplicar.

#### 6. Comprobar mejoras (segunda ronda)

En esta segunda ronda el alumnado a través de la mejora propuesta comprobará si el modelo ha cambiado y como lo ha hecho.

- Re-entrenar y repetir 3 pruebas:
1. objeto fácil, 2) objeto difícil, 3) objeto sorpresa

- Comparar en voz alta: “Antes fallaba / ahora acierta más”.

#### 7. Debate final (asamblea breve)

En este punto se trata de crear debate con el alumnado y que aporte su propia visión sobre la actividad realizada a través de distintas preguntas que planteemos como por ejemplo:

- **¿La máquina acertó mucho o poco?**
- **Cuando se equivocó, ¿qué creéis que miró?**
    
    
    - “Color” / “Forma” / “Fondo” / “Luz”
- **¿Qué le ayudó a mejorar?**
    
    
    - “Más fotos” / “Fotos diferentes” / “Objetos nuevos”

<p class="callout info">Cierre (El Espejo): "Si yo le enseño a la IA solo fotos de manzanas rojas y luego le enseño una manzana verde... ¿sabrá qué es?". Esto refuerza la idea de que la IA solo sabe lo que nosotros le enseñamos (dependencia de datos). Cierre para el aula:</p>

<p class="callout danger">“La IA no entiende ‘vida’ como nosotros: aprende patrones con las fotos que le damos.”</p>

#### 8. Evaluación final por grupos: Semáforo 

Semáforo del equipo (con tarjeta o dibujo)

Cada grupo elige un color y completa una frase (con apoyo del docente):

- 🟢 VERDE: “Nuestro modelo acertó muchas veces.”
- 🟡 AMARILLO: “Nuestro modelo a veces acierta, a veces falla.”
- 🔴 ROJO: “Nuestro modelo falló bastante.”

El grupo marca o dice una causa :

- “Necesitábamos más fotos”
- “Necesitábamos fotos diferentes”
- “El fondo engañó”
- La luz era mala
- “Nuestro objeto era nuevo/diferente”

Podemos hacer una previsión e respuestas y que el alumnado pueda elegir o crear su propia respuesta a partir de las que hemos preparado.

Evidencia rápida (para el docente)

<div align="left" dir="ltr" id="bkmrk-criterios-de-%C3%89xito-e"><table border="1" style="width: 82.97619%; border-collapse: collapse; border-style: solid;"><colgroup><col style="width: 32.281205%;" width="210"></col><col style="width: 14.634146%;" width="95"></col><col style="width: 13.48637%;" width="88"></col><col style="width: 12.482066%;" width="94"></col><col style="width: 12.482066%;" width="84"></col><col style="width: 14.634146%;" width="80"></col></colgroup><tbody><tr><td>Criterios de Éxito

</td><td>Equipo 1

</td><td>Equipo 2

</td><td>Equipo 3

</td><td>Equipo 4

</td><td>Equipo 5

</td></tr><tr><td>1\. Calidad de Datos: Aportó fotos variadas a ambas clases (V/NV).

</td><td>  
</td><td>  
</td><td>  
</td><td>  
</td><td>  
</td></tr><tr><td>2\. Generalización: Probó el modelo con al menos 2 objetos nuevos.

</td><td>  
</td><td>  
</td><td>  
</td><td>  
</td><td>  
</td></tr><tr><td>3\. Iteración: Propuso y aplicó 1 mejora (más fotos, luz, fondo...).

</td><td>  
</td><td>  
</td><td>  
</td><td>  
</td><td>  
</td></tr><tr><td>4\. Pensamiento Crítico: Explicó un error (color, forma, luz, fondo).

</td><td>  
</td><td>  
</td><td>  
</td><td>  
</td><td>  
</td></tr><tr><td>Puntuación Final (Semáforo)

</td><td>🟢 🟡 🔴

</td><td>🟢 🟡 🔴

</td><td>🟢 🟡 🔴

</td><td>🟢 🟡 🔴

</td><td>🟢 🟡 🔴

</td></tr></tbody></table>

</div>

# Actividad 2. Radar Sonoro: entrenamos un clasificador de sonidos del entorno

###  

[![Radar sonoro.png](https://libros.catedu.es/uploads/images/gallery/2026-01/scaled-1680-/radar-sonoro.png)](https://libros.catedu.es/uploads/images/gallery/2026-01/radar-sonoro.png)

Ilustración 1 Imagen generada con ChatGPT (OpenAI). 2026.

## **Radar Sonoro: IA en modo escucha**

Esta actividad usa Teachable Machine (proyecto de audio) para entrenar un clasificador de sonidos del entorno (aves, trafico y agua). El alumnado comprende que **la IA no entiende el mundo:** **aprende patrones** a partir de ejemplos, puede confundirse y mejora cuando ampliamos y equilibramos los datos.

### Datos de la actividad

- Curso: 5.º Primaria (10-11 años)
- Área: Conocimiento del medio natural, social y cultural
- Tipo TM: IProyecto de sonido
- Tiempo: 55-60 min (recomendable realizar en 2 sesiones)
- Agrupación: Equipos + asamblea final
- Producto: Clasificador de sonidos
- Objetivo general

<div class="WordSection1" id="bkmrk-etapa-5%C2%BA-de-primaria"></div>### Objetivo didáctico

Con esta actividad se pretende que el alumnado construya un modelo sencillo que reconozca sonidos y aprenda a trabajar con el ciclo: definir clases - recopilar datos - entrenar - probar - mejorar. La actividad enfatiza pensamiento critico: que registren errores, expliquen por que ocurren y decidan que datos faltan para mejorar.

### Vinculación curricular

La situación de aprendizaje **'Radar Sonoro'** se integra de forma transversal en el currículo de 5º de Primaria, vinculándose directamente con el área de **Conocimiento del Medio Natural, Social y Cultural** y la **Competencia Digital (CD)**. A través del diseño y entrenamiento de un modelo de aprendizaje supervisado, el alumnado trabaja el **Criterio de Evaluación 3.2**, orientado al diseño de soluciones tecnológicas para problemas del entorno, y la **Competencia Específica 5**, que promueve el uso crítico, ético y responsable de la tecnología. La actividad nos permite igualmente el trabajo del **pensamiento computacional** y la alfabetización de datos, permitiendo que el alumnado identifique los sesgos y limitaciones de los algoritmos de IA.

### Materiales

• Monitor interactivo o proyector + ordenador (portatil) con navegador.

• Micrófono (el del portatil suele valer; mejor microfono externo si el aula es ruidosa).

• Tres colecciones de sonidos (20-40 clips por clase): aves, tráfico, agua. Preferible grabados por el docente o del centro, sin voces identificables.

• Altavoces para reproducir los clips durante la prueba.

• Hoja de registro por equipo (incluida al final del documento).

• Opcional: rincón silencioso para grabación; cartel visual de normas de audio (no nombres, no conversaciones).

### Desarrollo de la actividad

#### 1. Pregunta detonante 

• Si cierro los ojos, puedo saber si oigo un pajaro, un coche o agua. Como crees que lo haria una IA?

• ¿Qué necesita para aprender a distinguir sonidos?

• ¿Crees que se equivocara? ¿Qué podemos hacer si falla?

#### 2. Organización y roles 

• Equipo de 4:

- - **Operador/a** (usa TM),
    - **Gestor/a de datos** (elige y etiqueta clips),
    - **Probador/a** (lanza pruebas),
    - **Anotador/a** (registra resultados).

<p class="callout danger">Norma de privacidad: no grabar voces ni nombres; si hay voces en un clip, se descarta.</p>

#### 3. Preparación de datos 

• Cada clase debe tener cantidad similar de clips (por ejemplo 20/20/20).

• Variedad: aves distintas, trafico cercano y lejano, agua en fuente/lluvia/agua corriente.

• Calidad: clips cortos y claros (1-2 s) con el menor ruido posible.

• Se recomienda usar una carpeta con clips preparados (recomendado para la primera vez). Podría utilizarse un micrófono conectado pero no se recomienda para esta actividad.

<p class="callout info">Puedes usar y descargar sonidos desde este enlace **[INTEF](https://procomun.intef.es)**</p>

#### 4. Pasos en Teachable Machine 

• Entrar en Teachable Machine y elegir **proyecto de audio.**

• Renombrar clases: AVES, TRAFICO, AGUA (opcional: RUIDO MIXTO).

• Para cada clase, subir o grabar clips hasta llegar a la meta acordada.

• Entrenar: pulsar **preparar modelo**.

• Prueba inicial: reproducir clips nuevos (no usados) y anotar prediccion y porcentaje.

#### 5. Reto de comprobación 

• Reto por equipos: cada equipo selecciona 6 clips sorpresa (2 por clase) y los prueba en el modelo del aula.

• Se registra: clip, prediccion, porcentaje, acierto/fallo.

• Pregunta clave: en que sonidos se equivoca mas? (por ejemplo, agua fuerte vs trafico lejano).

#### 6. Mejora guiada y segunda ronda 

El grupo decide una mejora basada en evidencias y repite el ciclo una vez:

• Si confunde agua con trafico: anadir mas ejemplos de agua con diferentes intensidades y fondos.

• Si el aula tiene ruido: crear clase RUIDO MIXTO y meter ejemplos parecidos para que el modelo no los etiquete como aves/trafico/agua.

• Equilibrar datos: si una clase tiene menos clips, completarla antes de reentrenar.

• Reentrenar y repetir la prueba con los mismos 6 clips sorpresa para comparar.

#### 7. Cierre y debate final 

• Que ha mejorado tras anadir datos?

• Que limites tiene este modelo (ruido, sonidos mezclados, microfono, distancia)?

• En que situaciones reales seria util un clasificador de sonidos? En cuales seria peligroso confiar sin supervision?

<p class="callout info">No te preocupes si el modelo falla. De hecho, **es mejor que falle**. Un modelo perfecto no genera debate; un modelo que confunde un grifo con un motor de coche es la oportunidad perfecta para explicar que la IA no tiene sentido común, solo matemáticas.</p>

#### 8. Accesibilidad e inclusión (DUA aplicado)

• **Representación: apoyo visual** de categorías con pictogramas; ejemplos de sonido etiquetados (tarjetas AVES/TRAFICO/AGUA).

• **Acción y expresión**: participar grabando, anotando, decidiendo en equipo o explicando oralmente; opción de responder señalando.

• **Implicación**: roles rotatorios y retos graduados (2 clases al inicio; 3 clases para extension; clase RUIDO MIXTO para avanzado).

• **Apoyos**: plantillas de registro con iconos, tiempo extra para quien lo necesite y espacio mas silencioso para grabar.

#### 9. Evaluación

#### Instrumentos de registro (para llevar a la practica)

<p class="callout info">Puedes utilizar esta rubrica y plantilla de registro para cada equipo. Sirve para registrar entrenamiento, pruebas y mejoras.</p>

Rubrica rapida por equipo

<table border="1" cellpadding="0" cellspacing="0" class="TableNormal" id="bkmrk-indicador-en-proceso"><tbody><tr><td valign="top" width="113">Indicador

</td><td valign="top" width="170">En proceso

</td><td valign="top" width="170">Logrado

</td><td valign="top" width="166">Avanzado

</td></tr><tr><td valign="top" width="113">Datos

</td><td valign="top" width="170">Pocos clips o conruido/mezcla

</td><td valign="top" width="170">Clips suficientes y claros

</td><td valign="top" width="166">Variedad alta y datos equilibrados

</td></tr><tr><td valign="top" width="113">Analisis

</td><td valign="top" width="170">Describe aciertos sin explicar

</td><td valign="top" width="170">Explica errores conuna causa

</td><td valign="top" width="166">Relacionacausas y propone mejoras precisas

</td></tr><tr><td valign="top" width="113">Mejora

</td><td valign="top" width="170">Reentrena sin cambiar datos

</td><td valign="top" width="170">Cambia datos ycompara

</td><td valign="top" width="166">Itera 2 veces y documenta evidencias

</td></tr></tbody></table>

Plantilla de registro (pruebas)

Sugerencia: realiza 12 pruebas (4 por clase) antes y despues de la mejora. Marca acierto y anota el porcentaje.

<table border="1" cellpadding="0" cellspacing="0" class="TableNormal" id="bkmrk-%23-clip-%28descripcion%29" style="width: 84.404762%;"><tbody><tr><td style="width: 5.050505%;" valign="top" width="30">\#

</td><td style="width: 26.767677%;" valign="top" width="159">Clip (descripcion)

</td><td style="width: 19.023569%;" valign="top" width="113">Prediccion

</td><td style="width: 7.070707%;" valign="top" width="42">%

</td><td style="width: 12.457912%;" valign="top" width="57">Acierto

</td><td style="width: 29.62963%;" valign="top" width="193">Nota / causa del error

</td></tr><tr><td style="width: 5.050505%;" valign="top" width="30">1

</td><td style="width: 26.767677%;" valign="top" width="159"></td><td style="width: 19.023569%;" valign="top" width="113"></td><td style="width: 7.070707%;" valign="top" width="42"></td><td style="width: 12.457912%;" valign="top" width="57"></td><td style="width: 29.62963%;" valign="top" width="193"></td></tr><tr><td style="width: 5.050505%;" valign="top" width="30">2

</td><td style="width: 26.767677%;" valign="top" width="159"></td><td style="width: 19.023569%;" valign="top" width="113"></td><td style="width: 7.070707%;" valign="top" width="42"></td><td style="width: 12.457912%;" valign="top" width="57"></td><td style="width: 29.62963%;" valign="top" width="193"></td></tr><tr><td style="width: 5.050505%;" valign="top" width="30">3

</td><td style="width: 26.767677%;" valign="top" width="159"></td><td style="width: 19.023569%;" valign="top" width="113"></td><td style="width: 7.070707%;" valign="top" width="42"></td><td style="width: 12.457912%;" valign="top" width="57"></td><td style="width: 29.62963%;" valign="top" width="193"></td></tr><tr><td style="width: 5.050505%;" valign="top" width="30">4

</td><td style="width: 26.767677%;" valign="top" width="159"></td><td style="width: 19.023569%;" valign="top" width="113"></td><td style="width: 7.070707%;" valign="top" width="42"></td><td style="width: 12.457912%;" valign="top" width="57"></td><td style="width: 29.62963%;" valign="top" width="193"></td></tr><tr><td style="width: 5.050505%;" valign="top" width="30">5

</td><td style="width: 26.767677%;" valign="top" width="159"></td><td style="width: 19.023569%;" valign="top" width="113"></td><td style="width: 7.070707%;" valign="top" width="42"></td><td style="width: 12.457912%;" valign="top" width="57"></td><td style="width: 29.62963%;" valign="top" width="193"></td></tr><tr><td style="width: 5.050505%;" valign="top" width="30">6

</td><td style="width: 26.767677%;" valign="top" width="159"></td><td style="width: 19.023569%;" valign="top" width="113"></td><td style="width: 7.070707%;" valign="top" width="42"></td><td style="width: 12.457912%;" valign="top" width="57"></td><td style="width: 29.62963%;" valign="top" width="193"></td></tr><tr><td style="width: 5.050505%;" valign="top" width="30">7

</td><td style="width: 26.767677%;" valign="top" width="159"></td><td style="width: 19.023569%;" valign="top" width="113"></td><td style="width: 7.070707%;" valign="top" width="42"></td><td style="width: 12.457912%;" valign="top" width="57"></td><td style="width: 29.62963%;" valign="top" width="193"></td></tr><tr><td style="width: 5.050505%;" valign="top" width="30">8

</td><td style="width: 26.767677%;" valign="top" width="159"></td><td style="width: 19.023569%;" valign="top" width="113"></td><td style="width: 7.070707%;" valign="top" width="42"></td><td style="width: 12.457912%;" valign="top" width="57"></td><td style="width: 29.62963%;" valign="top" width="193"></td></tr><tr><td style="width: 5.050505%;" valign="top" width="30">9

</td><td style="width: 26.767677%;" valign="top" width="159"></td><td style="width: 19.023569%;" valign="top" width="113"></td><td style="width: 7.070707%;" valign="top" width="42"></td><td style="width: 12.457912%;" valign="top" width="57"></td><td style="width: 29.62963%;" valign="top" width="193"></td></tr><tr><td style="width: 5.050505%;" valign="top" width="30">10

</td><td style="width: 26.767677%;" valign="top" width="159"></td><td style="width: 19.023569%;" valign="top" width="113"></td><td style="width: 7.070707%;" valign="top" width="42"></td><td style="width: 12.457912%;" valign="top" width="57"></td><td style="width: 29.62963%;" valign="top" width="193"></td></tr><tr><td style="width: 5.050505%;" valign="top" width="30">11

</td><td style="width: 26.767677%;" valign="top" width="159"></td><td style="width: 19.023569%;" valign="top" width="113"></td><td style="width: 7.070707%;" valign="top" width="42"></td><td style="width: 12.457912%;" valign="top" width="57"></td><td style="width: 29.62963%;" valign="top" width="193"></td></tr><tr><td style="width: 5.050505%;" valign="top" width="30">12

</td><td style="width: 26.767677%;" valign="top" width="159"></td><td style="width: 19.023569%;" valign="top" width="113"></td><td style="width: 7.070707%;" valign="top" width="42"></td><td style="width: 12.457912%;" valign="top" width="57"></td><td style="width: 29.62963%;" valign="top" width="193"></td></tr></tbody></table>

<p class="callout success">Cierre recomendado: cada equipo comparte 1 error frecuente y 1 mejora que funciono. Asi la clase construye un 'manual de buenas practicas' para futuros modelos.</p>

## Recomendaciones finales

• **Respetar la privacidad**: sin voces, sin nombres, sin conversaciones en los clips.

• **Equilibrar ejemplos** por clase y explica por que es importante.

• **Registrar resultados** (predicción, porcentaje, acierto) y detecta patrones de error.

• **Proponer al menos una mejora** basada en evidencias y comprueba si mejora el rendimiento.

•  **Explicar con lenguaje propio que la IA no entiende:** predice según ejemplos.

# Actividad 3. Entrenar con datos sesgados: cuando la IA aprende “mal"

En esta propuesta, además de **afianzar como funciona el aprendizaje supervisado**, tiene como objetivo comprender cómo pueden llegar a **formarse sesgos** en las respuestas de la IA ya sean de un modo voluntario o involuntario.

Si el alumnado aun está interiorizando esta clase de conceptos, se recomienda realizar la [propuesta didáctica de primer ciclo ](https://libros.catedu.es/books/aplicacion-de-la-ia-en-el-aula-educacion-infantil-y-primaria-O34/page/actividad-2-la-maquina-aprende-con-ejemplos-peces-y-no-peces)

##### Entrenando a nuestra IA con sesgos

**Objetivos:**

- Comprender que los sistemas de IA aprenden de los datos que les damos
- Reconocer que si los datos están sesgados, la IA puede tomar decisiones injustas o incorrectas.
- Desarrollar pensamiento crítico sobre la tecnología.

**Recursos materiales:**

- Ordenadores con cámara web o tablets, con acceso a [EchidnaML (local)](https://echidna.es/a-programar/echidnaml/)
- [Cartulinas o tarjetas con imágenes de diferentes especies](https://drive.google.com/drive/folders/1Duc4EduSmwAm6JFEnzKNd9f3Oo2-L3Pv?usp=drive_link), en este caso perros blancos, perros marrones, primates y perros negros.
- [Ficha de reflexión](https://drive.google.com/file/d/15xz4b2WJ7qSBIAchBYyRp-CPP_vPubJz/view?usp=drive_link)

**Temporalización:** 60 minutos

##### Introducción 

En primer lugar, explicaremos brevemente qué es una Inteligencia Artificial y cómo aprende, lo que viene a ser el aprendizaje supervisado. Por ejemplo podríamos decirles que *"la IA es como un robot que aprende viendo muchos ejemplos, igual que vosotros y vosotras aprendéis a reconocer animales viendo fotos o videos".*

Una vez llegado a este punto, introduciremos el concepto de sesgo: "*si le damos al robot solo fotos de gatos blancos, puede pensar que todos los gatos son blancos. Eso es un sesgo.*"

##### Preparando el experimento

Para comenzar con el experimento, haremos agrupaciones de 4-5 alumnos. Cada uno de los grupos se encargará de entrenar a una IA para clasificar animales según especie como la que hemos incluido en el apartado recursos. La mitad de los grupos de alumnos recibirá un set de cartas, la otra mitad otro.

- **SET A:** Perros blancos, perros marrones y primates.
- **SET B:** Perros, blancos, perros marrones, **<span style="text-decoration: underline;">perros negros </span>**y primates.

<p class="callout warning">**Importante:** la mitad de los grupos recibirán datos sesgados a propósito (por ejemplo, sólo animales de un tipo) y otros datos más variados (SET A vs SET B)</p>

##### Alimentando a la IA

Los grupos, cargarán sus imágenes en LearningML.

Para ello, abriremos EchidnaML y entraremos en su apartado LearningML (para esta práctica no es necesaria la placa echidna).

[![image.png](https://libros.catedu.es/uploads/images/gallery/2026-01/scaled-1680-/Al1image.png)](https://libros.catedu.es/uploads/images/gallery/2026-01/Al1image.png)

Escogemos el entrenamiento de imágenes

[![image.png](https://libros.catedu.es/uploads/images/gallery/2026-01/scaled-1680-/nnwimage.png)](https://libros.catedu.es/uploads/images/gallery/2026-01/nnwimage.png)

Entrenan el modelo con las categorías en función de las cartas recibidas: PERRO BLANCO, PERRO MARRÓN, PRIMATE y si es el caso, PERRO NEGRO.

[![image.png](https://libros.catedu.es/uploads/images/gallery/2026-01/scaled-1680-/FaGimage.png)](https://libros.catedu.es/uploads/images/gallery/2026-01/FaGimage.png)

Escogemos un nombre para esta categoría, por ejemplo “PERRO BLANCO” y ahora tenemos dos opciones para alimentarla, o bien activar la webcam para capturar las tarjetas impresas o bien subir las imágenes en formato digital directamente.

[![image.png](https://libros.catedu.es/uploads/images/gallery/2026-01/scaled-1680-/9Ovimage.png)](https://libros.catedu.es/uploads/images/gallery/2026-01/9Ovimage.png)

Una vez están subidas las imágenes de esa categoría, crearíamos una nueva categoría y repetiríamos el proceso.

<p class="callout info">**NOTA**\*: En ocasiones es recomendable crear una categoría en la que no haya ningún elemento a aprender, sobre todo cuando se utiliza la opción webcam para evitar confusiones. Se puede llamar a esta categoría como "NADA" para que todo lo que no identifique con las otras categorías vaya ahí.</p>

Cuando hemos terminado el entrenamiento (es decir, hemos terminado de alimentar a la IA con imágenes), es el momento de hacerle que aprenda el modelo:

[![image.png](https://libros.catedu.es/uploads/images/gallery/2026-01/scaled-1680-/hEximage.png)](https://libros.catedu.es/uploads/images/gallery/2026-01/hEximage.png)

Finalmente, observamos cómo la IA clasifica nuevas imágenes de prueba.

Para ello, nos vamos a **PROBAR** y tenemos dos opciones, subirle nuevas imágenes o mostrárselas a la webcam.

[![image.png](https://libros.catedu.es/uploads/images/gallery/2026-01/scaled-1680-/Gqfimage.png)](https://libros.catedu.es/uploads/images/gallery/2026-01/Gqfimage.png)

En este caso vamos a subir una imagen de un perro negro (categoría que no ha sido creada, pues era un set de tarjetas del grupo A).

[![image.png](https://libros.catedu.es/uploads/images/gallery/2026-01/scaled-1680-/18Jimage.png)](https://libros.catedu.es/uploads/images/gallery/2026-01/18Jimage.png)

Aquellos grupos que hayan recibido tarjetas de perros negros y hayan decidido crear la categoría perro negro, obtendrán respuestas acertadas mientras que aquellos que únicamente recibieron fotografías de perros blancos, marrones y primates pero no de perros negros, interpretará a estos como primates (por similitud -color-)

##### Observación y discusión (10-15 min)

1. Cada grupo prueba su IA con imágenes fuera de su conjunto de entrenamiento.
2. Comparan los resultados:
- ¿Qué pasó cuando las imágenes de prueba eran diferentes de las que entrenaron?
- ¿La IA acertó siempre? ¿Falló? ¿Por qué creen que pasó eso?

4. Reflexionan sobre sesgos:
- “Si entrenamos solo con fotos de perros blancos, ¿la IA reconocerá a los perros negros?”
- ¿Por qué uno de los grupos fallaba?
- ¿Cómo se puede solucionar este problema?

# Actividad 4. IA + robótica con Echidna: la barrera inteligente (reconocimiento y acción)

##### Justificación

En educación primaria solemos aprender primero haciendo y después pensando sobre lo que hemos hecho. Sin embargo, cuando trabajamos con machine learning e inteligencia artificial aplicada a la robótica en el tercer ciclo de primaria, en este capítulo se propone hacerlo al revés: empezar por entender la idea y acabar en la acción del robot.

La inteligencia artificial funciona a partir de cosas que no se ven directamente, como aprender con datos, reconocer patrones o decidir entre varias opciones. Si el alumnado solo ve lo que hace el robot, puede pensar que “funciona solo” o que es magia. Por eso es importante que antes entiendan, de forma sencilla, qué está pasando por dentro.

Cuando esas ideas se llevan al robot y este actúa, el aprendizaje se vuelve mucho más claro y cercano. Ver cómo el robot hace exactamente lo que se ha entrenado permite conectar la teoría con algo real, haciendo que el aprendizaje sea más significativo, comprensible y motivador.

A continuación, veremos una propuesta didáctica del curso de aularagon de Echidna, que cumple con estas premisas.

##### Propuesta didáctica con Echidna

{{@13447}}

# Actividad 5. La lámpara inteligente: entrenamos un modelo de texto (enciende/apaga) y lo mejoramos con sinónimos

{{@12651}}