Aplicación de la IA en el aula: Educación Infantil y Primaria

Tercer módulo perteneciente al itinerario formativo en alfabetización de la IA en el ámbito educativo, específico de cada perfil docente.

1.Ámbito docente: Materiales educativos

1.Ámbito docente: Materiales educativos

Del objetivo al recurso (con ayuda de IA)

Teachers cannot be coded

En primer lugar, veremos cómo utilizar la IA en y para nuestra aula como una herramienta al servicio del profesorado para preparar clases. Nos centraremos en la IA como apoyo para diseñar, adaptar y enriquecer materiales educativos: fichas, tarjetas, juegos, guiones de sesión, recursos visuales, variantes por nivel o microcontenidos (por ejemplo, instrucciones para una actividad), entre otros.
En este módulo lo abordaremos desde necesidades prácticas de Infantil y Primaria; los asistentes generales se desarrollarán con más amplitud en el Módulo 2 del Itinerario en IA, con un enfoque más transversal.

En educación conviene afirmarlo con claridad desde el inicio: la Inteligencia Artificial no sustituye al profesorado de ninguna forma. Puede apoyar, agilizar y ofrecer propuestas, pero no puede asumir lo que hace que el aprendizaje sea posible en el aula: la mirada profesional, el acompañamiento, la construcción de vínculos, la lectura del contexto, la toma de decisiones pedagógicas y el cuidado del bienestar del alumnado.

Cuando la usamos con intención educativa, la IA puede ayudarnos a arrancar materiales (un primer borrador), multiplicar versiones (refuerzo, nivel estándar y ampliación), ofrecer alternativas de formato (ficha, tarjetas, quiz, guion visual) o proponer ejemplos y enunciados. Sin embargo, el material que llega al alumnado debe pasar siempre por el filtro de quienes educan: revisar, corregir, contextualizar, ajustar el nivel lector, garantizar accesibilidad y atender a la diversidad. En otras palabras: la IA puede acelerar el proceso; la calidad pedagógica la asegura el profesorado.

Este enfoque se alinea con la orientación de UNESCO hacia una integración de la IA centrada en las personas, donde la tecnología debe reforzar capacidades humanas y preservar la agencia profesional de docentes y centros educativos. En la práctica, lo traducimos en un principio sencillo y proactivo para este módulo: la IA propone; el profesorado decide.

Además, marcos de alfabetización en IA como el AILit Framework (Comisión Europea + OCDE) promueven un uso crítico, práctico y contextualizado: comprender qué puede y qué no puede hacer la IA, valorar sus límites y tomar decisiones responsables en situaciones reales de aula. Pincha aquí.

Puedes consultar este y otros marcos en el curso 1 de este itinerario. Pulsa aquí para acceder.


image.png

Para este primer apartado del módulo, esto significa trabajar con una idea muy concreta: usar la IA para facilitar el diseño de materiales, pero manteniendo siempre el control pedagógico y el cuidado del alumnado en cada paso (claridad, accesibilidad, inclusión, y seguridad).

1.Ámbito docente: Materiales educativos

¿Cómo creamos materiales con IA? Elementos clave para su elaboración

Para que la IA aporte valor real (y no genere trabajo extra), es útil fijarse en estos elementos antes de crear cualquier recurso:

  1. Objetivo didáctico
    Qué aprendizaje queremos que el alumnado practique o consolide.

  2. Contexto del grupo
    Curso/edad, nivel lector, lengua, ritmo, apoyos (lectura fácil, pictos, menos ítems, más tiempo, etc.).

  3. Formato del recurso
    Fichas, tarjetas, trivial/quiz, ruleta, instrucciones visuales, guion de microvídeo…

  4. Calidad de las preguntas/ítems
    Enunciados claros, una sola respuesta correcta, sin trampas lingüísticas, progresión de dificultad y feedback breve.

  5. Accesibilidad e inclusión
    Lenguaje respetuoso y cercano, ejemplos diversos, opciones de apoyo y de reto para que todo el alumnado participe con seguridad. Es importante diseñarlos desde el Diseño Universal para el Aprendizaje (DUA), ofreciendo múltiples formas de acceso, de participación y de demostrar lo aprendido, de manera que el material no “se adapte al final”, sino que ya nazca accesible.

  6. Revisión docente (imprescindible)
    Comprobar exactitud, adecuación, claridad y posibles sesgos o ambigüedades.

  7. Privacidad y seguridad
    No introducir datos personales del alumnado ni material identificable. Trabajar con ejemplos ficticios y contenidos curriculares.

image.png

1.Ámbito docente: Materiales educativos

Creamos un trivial de aula con apoyo de IA

En esta tarea el profesorado utilizará un generador de texto con IA (por ejemplo, Copilot, ChatGPT u otro equivalente autorizado por el centro) para crear un banco de preguntas que posteriormente se trasladará a un trivial manipulativo y sin pantallas, listo para imprimir, recortar y jugar en el aula.

El valor principal de este formato es didáctico: al ser un juego tangible, favorece la conversación, la cooperación, el consenso y el aprendizaje a partir del error, reduciendo la sobreexposición a pantallas y facilitando la participación de todo el alumnado desde un entorno más calmado y accesible.

Como alternativa (o complemento), con el mismo banco de preguntas se puede crear también un trivial interactivo para jugar con toda la clase a la vez desde un monitor interactivo, usando herramientas como:

Idea clave: la IA ayuda a diseñar el contenido (preguntas y feedback); el juego final puede ser manipulativo (sin pantallas) o interactivo según el momento del aula.

Datos de la actividad

Objetivo general

Diseñar un juego de trivial sobre la Prehistoria, con preguntas organizadas por bloques temáticos, utilizando la IA como apoyo para la creación del contenido y aplicando criterios de claridad, inclusión, accesibilidad y rigor curricular.

Herramientas

Paso 1. Generación del banco de preguntas con IA

Para este bloque se generará un banco de preguntas base, pensado principalmente para el trivial manipulativo, siguiendo el modelo clásico de Trivial Pursuit. A partir de ese mismo banco, el contenido podrá adaptarse posteriormente a formatos digitales.

Prompt modelo (listo para copiar)

Actúa como docente de Ciencias Sociales de 6.º de Primaria.
Crea un banco de 36 preguntas tipo trivial sobre la Prehistoria, organizadas por bloques temáticos y colores.

Distribución por bloques:

Formato de cada pregunta (trivial manipulativo):

Requisitos pedagógicos:

Adaptación del banco a formatos digitales (Kahoot, Quizizz, Blooket…)

Una vez creado y revisado el banco base, las mismas preguntas pueden adaptarse fácilmente a herramientas interactivas para jugar en gran grupo desde el monitor.

En ese caso, el formato se ajustará así:

De este modo, el contenido se mantiene y lo que cambia es únicamente el formato de presentación, reforzando la idea de que la IA apoya la creación del material, pero el enfoque pedagógico lo define el profesorado.

Ambos formatos son complementarios y pueden usarse en momentos distintos del proceso de enseñanza y aprendizaje, siempre partiendo del mismo banco de preguntas creado con apoyo de IA y validado por el profesorado. El trivial manipulativo resulta especialmente adecuado para introducir o consolidar contenidos desde el diálogo, el razonamiento compartido y la cooperación, favoreciendo un clima de aula más calmado y accesible, con menor presencia de pantallas.

Por su parte, el formato interactivo proyectado en el monitor permite dinamizar repasos en gran grupo, recoger información rápida sobre qué conceptos están más consolidados y cuáles necesitan refuerzo, y ofrecer un cierre motivador a la sesión. Utilizados de forma complementaria, ambos formatos refuerzan la idea de que la tecnología está al servicio del aprendizaje y que el valor pedagógico reside en el diseño del material y en el acompañamiento docente, no en la herramienta en sí.

image.png

2. Enfoque pedagógico de la IA en Infantil y Primaria

2. Enfoque pedagógico de la IA en Infantil y Primaria

IA con enfoque educativo: desarrollo y marco curricular

Hablar de Inteligencia Artificial (IA) en Educación Infantil y Primaria no es poner al alumnado a “usar chatbots”, sino diseñar experiencias ajustadas a su desarrollo para que puedan comprender, con seguridad y curiosidad, cómo la tecnología influye en su vida cotidiana. En estas edades, el objetivo es construir base de pensamiento lógico, crítico y ético: aprender con tecnología y también sobre ella, cuidando la infancia y el derecho a una educación inclusiva.

En el marco LOMLOE, hablar de IA en la escuela tiene sentido solo si se integra en el currículo como parte del aprendizaje competencial: no es un contenido aislado, sino una forma de movilizar conocimientos, destrezas y actitudes para comprender el mundo digital con criterio.

Cuando diseñamos propuestas sobre IA en Infantil y Primaria no solo decidimos “qué contenido trabajamos”, sino cómo lo hacemos posible para todo el alumnado: qué apoyos ofrecemos, qué alternativas de participación damos, cómo cuidamos el lenguaje y la accesibilidad, y cómo conectamos la actividad con situaciones reales. Esa mirada —currículo + inclusión + metodología— es la que permite que la IA en el aula sea una oportunidad educativa y no una moda sin impacto.

El papel del profesorado: agencia, cuidado y diseño didáctico

La IA no debe guiar el aprendizaje: lo debe de guiar el equipo docente. La tarea profesional consiste en crear condiciones para que el alumnado explore, se equivoque sin miedo y construya sentido. El currículo de Primaria lo expresa con claridad cuando sitúa al profesorado como facilitador y guía, responsable de ofrecer pautas, estrategias y materiales didácticos, aprovechando el carácter manipulativo y vivencial para que el alumnado construya su aprendizaje y lo conecte con su entorno próximo (Real Decreto 157/2022, de 1 de marzo).

Orientaciones prácticas para enseñar IA (sin “adultificar” la etapa):

Estudios en neuroeducación y pensamiento computacional como los realizados por Restrepo (2024) subrayan que el papel docente evoluciona hacia el de guía, mediador/a y acompañante, creando un ambiente de aprendizaje enriquecedor donde también se cuidan la empatía, la comunicación y el bienestar socioemocional. Además, se insiste en que la integración de pensamiento computacional e IA puede potenciar experiencias de aprendizaje más activas y significativas si se orienta con criterios pedagógicos y ético.

Educación Infantil (0–5): bases cognitivas, juego y experiencias “desenchufadas”

En Infantil, el aprendizaje se apoya especialmente en la experimentación y el juego, en experiencias significativas y emocionalmente positivas, y en una interacción cercana con la persona adulta que conecta lo nuevo con lo vivido (Real Decreto 95/2022, de 1 de febrero).

Recuerda que el cerebro es altamente plástico y que, hacia los 5 años, alcanza aproximadamente el 90% del peso cerebral adulto, con un desarrollo muy ligado a la interacción con el entorno, el movimiento y la exploración. Esto refuerza que, en Infantil, la vía más coherente es la experiencia sensorial, manipulativa y social

Por eso, el trabajo “de IA” se traduce en fundamentos: secuencias (“primero–después”), clasificación (“¿en qué se parecen?”), patrones (“¿qué se repite?”) y depuración (“¿qué ha fallado y cómo lo arreglamos?”). Y, muy importante: el currículo recuerda la necesidad de cuidar la accesibilidad del material manipulativo, prevenir discriminación y garantizar participación y bienestar emocional (Real Decreto 95/2022, de 1 de febrero). 

Implicación docente en Infantil: seleccionar retos cortos, lenguaje sencillo, materiales grandes y táctiles, rutinas predecibles, tiempos de movimiento, y acompañamiento emocional. El objetivo es que el alumnado comprenda relaciones causa–efecto y desarrolle autocontrol y comunicación, no “entender IA” en términos técnicos.

Educación Primaria (6–12): comprensión progresiva, crítica y ciudadanía digital

En Primaria, la enseñanza puede ser más explícita: qué son reglas (algoritmos sencillos), qué son datos (ejemplos), por qué un “modelo” acierta o se equivoca, y cómo aparecen sesgos cuando los ejemplos no representan bien la realidad. Aquí, el Real Decreto de Primaria insiste en inclusión, atención personalizada, refuerzo temprano y aprendizaje significativo que promueva autonomía y reflexión (Real Decreto 157/2022, de 1 de marzo).

Además, establece que la competencia digital se trabaja transversalmente, y define su carácter seguro, saludable, sostenible, crítico y responsable (Real Decreto 157/2022, de 1 de marzo). 

En un estudio reciente sobre plataformas adaptativas con IA elaborado por Mejía et al (2025), se observó una percepción positiva respecto a su contribución a la autonomía, motivación y comprensión de contenidos, además de facilitar retroalimentación inmediata y apoyar decisiones pedagógicas basadas en datos, siempre que se sostenga un marco ético, pedagógico y de inclusión digital.

Implicación docente en Primaria: diseñar actividades con propósito y progresión (de lo concreto a lo conceptual), acompañar con preguntas y rutinas de verificación, y asegurar apoyos y reto (DUA) para que todo el alumnado participe. El objetivo es que el alumnado comprenda pasos, ejemplos y resultados (algoritmo–datos–modelo–sesgo) y desarrolle un uso seguro, crítico y responsable de la tecnología.


2. Enfoque pedagógico de la IA en Infantil y Primaria

Aprender para y sobre la IA

En estas edades conviene trabajar dos líneas complementarias:

Este enfoque encaja con la lógica de “situaciones de aprendizaje” y con una educación inclusiva basada en DUA (Real Decreto 95/2022; Real Decreto 157/2022; Ley Orgánica 3/2020).

Educación Infantil

A) Aprender para la IA

Aquí el objetivo es fortalecer capacidades previas a cualquier comprensión formal:

Qué hace el profesorado

B) Aprender sobre la IA

Una idea central, segura y comprensible: “las máquinas siguen reglas y ejemplos; no adivinan”.
Se trabaja con:

Regla de oro en Infantil: si hay tecnología, es puntual y mediada; el núcleo es el juego manipulativo y social. 

Educación Primaria (6–12)

A) Aprender para la IA

Se alinea con la competencia digital: búsqueda y evaluación de información, creación de contenidos, seguridad, bienestar digital, ciudadanía digital y pensamiento computacional/crítico (Real Decreto 157/2022, de 1 de marzo).

Qué hace el profesorado

B) Aprender sobre la IA

Aquí sí ponemos palabras, siempre con ejemplos comprensibles:

Tecnología (si se usa)

Regla de oro en Primaria: si hay tecnología, que sea acotada y mediada, con propósito claro y siempre acompañada de actividades activas; el foco debería ser aprender con un uso seguro, crítico y responsable

3. Conceptos fundamentales de IA adaptados a Infantil y Primaria

3. Conceptos fundamentales de IA adaptados a Infantil y Primaria

Conceptos fundamentales de IA adaptados a Infantil y Primaria

En este apartado el protagonismo es del alumnado: la meta es que niñas y niños puedan comprender con sentido (no memorizar) ideas que están detrás de la IA —algoritmo, datos, modelo y sesgo— a través de experiencias concretas, manipulativas y seguras. Planteamos propuestas donde el alumnado observa qué ocurre cuando sigue una secuencia, clasifica ejemplos, prueba una regla y detecta cuándo esa regla falla. Este enfoque conecta con metodologías activas en las que el aprendizaje se construye a partir de la curiosidad, la exploración, la comparación y la revisión de ideas previas, especialmente pertinentes en edades tempranas (Medina Gaite, 2017).

A la vez, cuidamos una perspectiva inclusiva: la IA y lo “algorítmico” pueden convertirse en una oportunidad para diseñar situaciones donde todo el alumnado participe con apoyos, andamiajes y diferentes formas de demostrar comprensión, reforzando la equidad en el aprendizaje (Vega Maldonado, Vázquez Padilla, & Moscoso Chávez, 2023).


Educación Infantil (3–6): construir los cimientos sin tecnicismos

En Infantil no buscamos explicar “qué es” la IA, sino fortalecer habilidades que la sostienen: secuenciación, causa–efecto, clasificación, reconocimiento de patrones, atención y una relación sana con el error. Las experiencias deben ser breves, lúdicas y tangibles, respetando ritmos y posibilidades de acción del grupo (Medina Gaite, 2017).

Aquí los conceptos se viven así (sin necesidad de nombrarlos siempre):

El valor educativo está en el lenguaje que acompaña y da seguridad: “¿Qué hicimos primero?” “¿Qué cambió?” “¿Qué necesitamos para que funcione con todas las tarjetas?”; así el error se convierte en una oportunidad para ajustar y aprender (Medina Gaite, 2017).

Como apoyo metodológico, puede consultarse el curso “Pensamiento computacional y actividades desenchufadas” (CATEDU), que desarrolla propuestas y recursos de aula para trabajar secuenciación, patrones, clasificación y depuración del error sin necesidad de introducir aún conceptos técnicos de IA. 

Educación Primaria (6–12): poner nombre, probar y pensar críticamente

En Primaria el alumnado ya puede nombrar los conceptos y, sobre todo, justificarlos con evidencias: comparar resultados entre grupos, registrar aciertos/errores y explicar por qué una regla “generaliza” bien o mal. Propondremos experiencias donde el alumnado entienda que:

Esta aproximación es coherente con la evidencia de que las herramientas basadas en IA pueden complementar métodos tradicionales y favorecer aprendizajes (especialmente si se integran con estrategias pedagógicas adaptadas), pero que el impacto educativo depende del diseño didáctico y del contexto (Mayorga Villegas et al., 2025).

En términos prácticos, trabajaremos con recursos manipulativos (tarjetas, cajas de clasificación, “casos sorpresa”) y pequeñas rutinas de pensamiento: “¿con qué ejemplos entrenamos?” “¿qué ejemplo faltaba?” “¿a quién deja fuera esta regla?”; así el alumnado aprende a detectar limitaciones y a proponer mejoras, un paso clave hacia un uso crítico y responsable (Vega Maldonado et al., 2023).


3. Conceptos fundamentales de IA adaptados a Infantil y Primaria

Propuestas didácticas para consolidar algoritmo – datos – modelo – sesgo

Para que estas ideas se asienten, no basta con “hacer una actividad”: conviene plantear micro-secuencias (10–20 minutos) que se repiten con variaciones. La lógica es siempre la misma y el grupo la reconoce: (1) observamos ejemplos, (2) proponemos una regla, (3) probamos, (4) detectamos fallos y (5) ajustamos. Esta rutina convierte el aula en un espacio seguro donde pensar y equivocarse forma parte del proceso, y donde el acompañamiento docente se concreta en preguntas que ayudan a verbalizar lo que sucede.

A nivel metodológico, suele funcionar muy bien usar material manipulativo y roles rotatorios: “quien aporta ejemplos” (datos), “quien propone la regla” (modelo), “quien comprueba” (pruebas) y “quien detecta casos problemáticos” (sesgo). Con esto se evita que la actividad se quede en un juego sin reflexión: cada rol obliga a justificar, comparar y revisar ideas previas.

Propuesta 1. La máquina que clasifica (datos → modelo → prueba)

Materiales: cajas o aros, tarjetas/imágenes/objetos, etiquetas con criterios (color, forma, tamaño, función, categoría).
Infantil (3–6): se presenta un conjunto de objetos (datos) y se propone construir una “máquina” que separe según un criterio acordado: “rueda/no rueda”, “suave/áspero”. Se prueba con 3–4 objetos y, después, se añaden casos sorpresa: ahí aparece el momento clave: ¿qué hacemos con el que no encaja? Ese caso permite vivir la “semilla” del sesgo: faltaban ejemplos o el criterio era demasiado estrecho.
Primaria (6–12): los equipos trabajan con el mismo conjunto de tarjetas. Cada equipo define su regla (modelo) y registra aciertos/errores cuando la prueba con una ronda nueva. Después comparan reglas entre equipos: ¿cuál generaliza mejor y por qué?

https://groklearning.com/hoc/activity/animal-classifier/lesson-plan/

Preguntas guía: “¿Con qué ejemplos empezamos?” “¿Qué regla estamos usando?” “¿Qué pasó con este caso?” “¿Qué cambiaríamos para que funcione con más tarjetas?”

Propuesta 2. Algoritmo depurable: instrucciones para un “robot humano” (algoritmo → error → depuración)

Materiales: tarjetas de acciones, cinta en el suelo, obstáculos.
Infantil: se construye una “receta de pasos” con imágenes: avanzar, girar, parar. Se ejecuta y se celebra la mejora: cuando falla, no es “mal”, es “todavía no”.

Ejemplo de actividad desenchufada ¡Salva al ratón!: https://drive.google.com/file/d/1AatcPi8Hij3-3JlY3wbSfTng1t0sDkYP/view

Primaria: se introducen instrucciones ambiguas (“avanza un poco”, “gira”) para que el grupo detecte que un algoritmo debe ser claro, ordenado y revisable. Se introduce la idea de depurar: localizar el paso que provoca el fallo y reescribirlo con más precisión.

Ejemplo de actividad ¡Somos robots!: https://robotizandolasole.blogspot.com/2024/03/somos-robots-actividad.html

Cierre reflexivo: “¿Qué parte de la secuencia fue clave?” “¿Qué pasaría si cambiamos un paso?” “¿Cómo comprobamos que funciona en más de una situación?”

Propuesta 3. Sesgo en el aula: cuando los datos no representan (sesgo → equidad → mejora)

Materiales: tarjetas con ejemplos “desbalanceados” (p. ej., frutas solo rojas, animales solo grandes, objetos solo de un tipo).
Infantil: se clasifica con pocos ejemplos y luego se añade uno diferente. El objetivo es hacer visible la limitación: “Nuestra regla no sabe qué hacer”. Se propone ampliar ejemplos y crear nuevas opciones. Los recursos que os dejamos podrían ubicarse también en la Propuesta 1 (datos → modelo → prueba), tanto para Infantil como para Primaria, ya que permite “entrenar” con ejemplos y comprobar aciertos/errores. No obstante, aquí se incluye en la Propuesta 3 porque, la idea es variar o limitar deliberadamente los ejemplos de entrenamiento, se hace especialmente visible cómo la falta de representatividad en los datos provoca errores y “deja fuera” casos. En definitiva, su valor depende de la intención didáctica: cambia según cómo se enmarque la actividad.

Code.org – “IA para los océanos”

Primaria: cada equipo “entrena” con un conjunto limitado (datos) y después recibe un conjunto más diverso (prueba). Se registra qué casos “deja fuera” la regla. Se conversa sobre cómo mejorar: añadir datos, revisar criterios, crear nuevas categorías o reconocer que esa regla no sirve para todos los casos. 

Rutina breve de pensamiento: “¿Con qué entrenamos?” “¿Qué faltaba?” “¿A quién o qué deja fuera esta regla?” “¿Qué haríamos para que fuera más útil y justa?”

En el curso de Aula IA se explica el sesgo algorítmico utilizando una metáfora muy visual: es como “mirar siempre en una dirección y perder otras opciones”. Esto significa que tanto las personas como las IA pueden centrarse solo en una parte de la información y dejar de lado otras posibilidades importantes, lo que conduce a decisiones incompletas o poco justas. Gracias a esta idea, se entiende que el sesgo no es solo un error técnico, sino una limitación en la forma de percibir la realidad. Esto puede ocurrir debido al entrenamiento del modelo con datos limitados; por ejemplo, cuando una IA se entrena únicamente con películas de acción, aprende que ese tipo de contenido es el único relevante o “bueno”. Como resultado, recomendará solo películas de acción y dejará de sugerir otros géneros como comedia o romántico. Esto muestra cómo los datos de entrenamiento influyen directamente en las decisiones de la IA y pueden generar recomendaciones sesgadas. Para ilustrar esta explicación, el curso menciona el documental “Sesgo codificado” (Coded Bias), que cuenta la historia de Joy Buolamwini y su investigación sobre los sesgos en sistemas de reconocimiento facial. Este ejemplo ayuda a comprender que el sesgo algorítmico no es solo teórico, sino que tiene consecuencias reales, especialmente cuando la IA afecta a diferentes grupos de personas de manera desigual.

Evaluación formativa rápida

Infantil: observación de acciones y lenguaje: secuencia correcta, clasificación consistente, participación con apoyos, aceptación del error como parte del aprendizaje.

Primaria: evidencias simples: tabla de aciertos/errores, explicación breve, “antes y después” de la regla.
En ambos casos, se recomiendan apoyos DUA: pictogramas, modelos de frase (“Nuestra regla dice…”, “Falló porque…”), y opciones de demostrar comprensión manipulando, dibujando o explicando.

4. Iniciarse en la IA desde los primeros cursos. Infantil y primer ciclo.


4. Iniciarse en la IA desde los primeros cursos. Infantil y primer ciclo.

Consideraciones previas para la etapa de Educación Infantil y primer ciclo de Educación Primaria.

Como ya hemos ido viendo en apartados anteriores, en Educación Infantil no trabajamos la Inteligencia Artificial de forma directa, porque los conceptos más complejos (modelos de aprendizaje, tratamiento de datos, etc.) requieren un nivel de abstracción que todavía excede las capacidades cognitivas propias de los niños y niñas de 0 a 6 años. A esta edad, el alumnado está desarrollando habilidades primitivas de pensamiento lógico, comprensión de secuencias y causa-efecto, así como la capacidad de resolver problemas sencillos, lo cual será una base para, más adelante, comprender la inteligencia artificial. Por ello, lo que se pretende en Infantil y primer ciclo de primaria no es enseñar la IA en sí misma, si no trabajar de manera intencionada los fundamentos que la sustentan.

Estos fundamentos incluyen la capacidad de ordenar y secuenciar acciones de manera lógica, reconocer patrones, clasificar objetos según criterios y comprender que las acciones tienen consecuencias. Actividades como guiar a un "robot" siguiendo instrucciones, clasificar tarjetas en función de atributos o corregir errores en secuencias, permiten al alumnado experimentar, de manera concreta y lúdica, los principios básicos en los que se basa el funcionamiento de la IA.

A través de estas experiencias, los niños y niñas aprenden que las máquinas no piensan por sí solas, sino que ejecutan lo que se les indica y que para que funcionen correctamente, es necesario dar instrucciones claras y coherentes.

El enfoque desenchufado

Hemos decidido utilizar este enfoque de manera deliberada para esta etapa, ya que el aprendizaje a través del juego físico y manipulativo es mucho más adecuado para su desarrollo cognitivo y socioemocional.

Trabajar con material tangible, como tableros, cartas o figuras que representan robots, permite que los niños y niñas puedan visualizar inmediatamente las consecuencias de sus acciones, experimentar con los errores de forma segura y desarrollar habilidades de planificación y anticipación. Además estas actividades fomentan la colaboración, la comunicación y el lenguaje oral, elementos esenciales  en esta etapa educativa, y evitan la sobreestimulación que podría producir el uso excesivo de pantallas o dispositivos electrónicos.

En este sentido, las actividades desenchufadas proporcionan una preparación fundamental para que, en cursos posteriores, puedan comprender con facilidad conceptos más avanzados como la clasificación de datos mediante ejemplos, el reconocimiento de patrones y la corrección de de errores o depuración. Así pues, aunque en Infantil no se enseñe IA directamente, se forma al alumnado para que pueda interactuar con ella en el futuro con comprensión y seguridad , contando ya con competencia cognitiva y metacognitiva para abordar estos conceptos.

En esta propuesta de aula, se utilizarán juegos desenchufados como Let's Go Code!  o Robot Turtles, que formarán parte (o actividades similares)  de las dotaciones de Escuela 4.0 que recibirán los centros. 

4. Iniciarse en la IA desde los primeros cursos. Infantil y primer ciclo.

Actividad 1. Detectives de reglas: la caja que aprende

En Infantil no buscamos “explicar IA”, sino ayudar a que el alumnado construya cimientos cognitivos y emocionales: secuenciar, clasificar, detectar patrones, anticipar consecuencias y vivir el error con seguridad. Este enfoque encaja con metodologías activas donde la curiosidad y la exploración guían el aprendizaje, y el error se entiende como parte natural del proceso.

Datos de la actividad

Objetivo general

Que el alumnado experimente, de forma lúdica y concreta, el alumnado “enseña” a una caja a decidir dónde van las cosas. La caja no piensa: solo sigue una regla. El alumnado descubre que:

 

Materiales

Desarrollo de la actividad

1) Asamblea de arranque (5–7 min): “¿Cómo decide la caja?”

Presentamos una caja como si fuera una “máquina” simpática: no piensa sola, decide según una regla que le damos.
Preguntas guía (lenguaje infantil):

Creamos clima seguro para probar y corregir; favorecer que expresen ideas sin miedo al error, como recomienda el trabajo por proyectos en Infantil..

2) Juego 1 (10–12 min): “Pasos claros” (base de algoritmo)

En el suelo colocamos una ruta de 3 pasos con pictos grandes:

  1. “Miro la tarjeta/objeto”

  2. “Busco la pista” (color/forma/parte del cuerpo/ruedas…)

  3. “Lo pongo en la caja que toca”

Objetivo:  que el alumnado vea que si sigo una secuencia, me equivoco menos.

El alumnado practica en turnos: cada niña/niño sigue los pasos para colocar un objeto. 

Lo importante: si hay dudas, no damos la respuesta; preguntamos:

Trabajamos secuenciación y autorregulación: “sigo pasos”, “me paro y reviso”.

3) Juego 2 (12–15 min): “Ejemplos para descubrir la regla” (base de datos y modelo)

Ahora el reto cambia: el grupo debe adivinar la regla de la caja solo mirando ejemplos.

Objetivo: que el alumnado descubra que una “máquina” necesita ejemplos para aprender.

Aquí aparece de forma natural la idea de modelo = regla: “la caja hace esto con lo que hemos visto”.

4) Momento clave (3–5 min): “El objeto sorpresa” (semilla de sesgo)

Introducimos un objeto que rompe la regla o la deja en evidencia (p. ej., si la regla parecía “los que vuelan van aquí”, metemos un avión o un murciélago).

Objetivo: que vean que la regla puede fallar si los ejemplos no eran variados.

Preguntas guía:

Aquí sembramos la idea de sesgo con lenguaje accesible: si la caja solo vio algunos ejemplos, luego se confunde con otros diferentes.

5) Cierre en asamblea (5–7 min): “Hoy hemos entrenado a la caja”

Construimos un mini-resumen oral (con apoyo visual si se desea):

Este cierre refuerza metacognición y lenguaje, y normaliza el error como parte del aprendizaje, tal como se destaca en propuestas activas en Infantil.

Accesibilidad e inclusión (DUA aplicado)

Para que participe todo el alumnado con seguridad:

La meta es reducir barreras y aumentar oportunidades de participación, coherente con una mirada inclusiva de la innovación educativa.

Evaluación

Checklist rápido (docente):

4. Iniciarse en la IA desde los primeros cursos. Infantil y primer ciclo.

Actividad 2. La máquina aprende con ejemplos: peces y no peces

Comprendiendo como funciona el Machine Learning con CODE.ORG

En esta actividad se va a recurrir a la plataforma CODE.ORG para, de un modo ágil y visual, comprender como el ser humano enseña y "alimenta" a la IA y como los resultados obtenidos dependen directamente de dicho entrenamiento.

Actividad: Clasificamos peces y no peces

Etapa: Primer ciclo de Educación Primaria.
Duración: 40 minutos
Objetivo general: Introducir a los alumnos y alumnas al concepto de aprendizaje supervisado en IA, mostrando cómo la cantidad y calidad de ejemplos afecta a los resultados

Inicio/Preparación (10 minutos)

Presentación del reto: Para ello, explicaremos al alumnado que van a "enseñar a una máquina" a diferenciar entre peces y otros objetos. Para comenzar, plantearemos varias preguntas al grupo/clase:

Exploración guiada del juego (20 minutos)
Acceso a la actividad:
Abrimos el siguiente enlace en PC, tablet u Monitor interactivo y accedemos al siguiente enlace:
https://studio.code.org/courses/oceans/units/1/lessons/1/levels/2

Explicamos las reglas:

  1. Alimentamos a la Inteligencia con peces correctos.
  2. Evitar resto de objetos

aiforoceans.png

Agrupaciones: 
Individualmente o en parejas, deciden si cada criatura es un pez o no, registrando las decisiones y observando cómo cambia la respuesta de la máquina en función de la cantidad de ejemplos que recibe.

Observación de resultados:
Pasado un tiempo prudencial, encontraremos alumnos o parejas que habrán alimentado en mayor o menor medida a la IA y habrán comprobado como, el nivel de precisión de su IA varía. 

Cada grupo comentará cuántos ejemplos dio y qué resultados obtuvo la máquina. Compararemos resultados entre unos y otros y veremos cómo actuó la máquina ante imágenes nuevas. Este es el momento de plantearles las siguientes preguntas.

Refuerzo del concepto de aprendizaje por ejemplo

Una vez llegados a este punto, remarcaremos que la máquina no sabe lo que es un pez, si no que aprende de lo que le enseñamos mediante paralelismos, repetición, patrones....

5. Comprender la IA desenchufados. ¿Cómo trabajarlo en el aula? Segundo y tercer ciclo


5. Comprender la IA desenchufados. ¿Cómo trabajarlo en el aula? Segundo y tercer ciclo

Consideraciones previas en segundo y tercer ciclo de primaria

En este capítulo, vamos a explorar cómo aprende una máquina y cómo podemos usar esa tecnología de manera creativa y responsable.

Esta pensado para alumnado de segundo y tercer ciclo de Primaria, que ya tiene capacidad de observar patrones, comprender relaciones de causa y efecto y hacerse preguntas sobre el mundo que les rodea debido a su mayor desarrollo madurativo y capacidad de abstracción con respecto al alumnado del anterior bloque.

En este capítulo, veremos propuestas de actividades desenchufadas para segundo y tercer ciclo, y en el capítulo siguiente aprenderemos de forma práctica cómo se entrenan los modelos de inteligencia artificial, de dónde vienen los datos que utilizan y cómo esos datos pueden influir en sus decisiones. 

¿Sabías que los sistemas reCAPTCHA de google se utilizaron para entrenar inteligencias artificiales? 
1. Digitalización de libros (Texto)
Los primeros reCAPTCHA pedían a los usuarios que descifraran dos palabras distorsionadas. 
Una palabra era una prueba de control, cuya respuesta ya se conocía, para verificar que el usuario era humano.
La otra palabra provenía de textos que estaban siendo escaneados y digitalizados (como libros y periódicos antiguos). El sistema no estaba seguro de la transcripción correcta de esta segunda palabra, por lo que utilizaba la entrada humana para validarla y mejorar los algoritmos de Reconocimiento Óptico de Caracteres (OCR).
2. Reconocimiento de imágenes (Visión por ordenador)
Con el tiempo, los CAPTCHA evolucionaron a la selección de imágenes con objetos específicos (semáforos, pasos de peatones, coches, etc.). Al igual que con el texto, algunas imágenes tenían respuestas conocidas, mientras que otras no estaban completamente definidas. Las respuestas humanas masivas y consistentes se utilizaron para crear grandes conjuntos de datos etiquetados, que son fundamentales para entrenar sistemas de visión por ordenador, como los utilizados en los coches autónomos.
3. Análisis de comportamiento
Los sistemas de reCAPTCHA más modernos, como reCAPTCHA v3 y reCAPTCHA "No soy un robot" (la casilla de verificación), también analizan el comportamiento del usuario en la página web, como la velocidad de los clics, el movimiento del cursor y el historial de navegación, para determinar si es un humano o un bot. Estos datos de comportamiento también ayudan a refinar los algoritmos y la detección de patrones humanos.
En resumen, los CAPTCHA convirtieron una tarea de seguridad en una forma eficiente de obtener millones de etiquetas de datos gratuitos y de alta calidad para entrenar modelos de machine learning a gran escala.

Este enfoque, nos permitirá desmitificar la IA de cara a nuestro alumnado, mostrando que no es magia, sino una herramienta creada por personas, y entender que siempre hay un punto de vista humano detrás de cada decisión de la máquina.
Con ejemplos cercanos y actividades experimentales, este capítulo no sólo busca despertar la curiosidad por la tecnología, sino también ayudar a nuestro alumnado a pensar de manera crítica, ética y reflexiva sobre cómo usamos la IA en nuestra vida cotidiana.

Lejos de ser magia, la inteligencia artificial se basa en procesos que pueden explicarse de forma sencilla y experimentarse en el aula con herramientas como Teachable Machine o LearningML. En este punto resulta clave comprender cómo se entrenan los modelos y cómo los datos influyen directamente en sus decisiones, ya que es precisamente en ese proceso donde se originan muchos de los sesgos de la IA.

5. Comprender la IA desenchufados. ¿Cómo trabajarlo en el aula? Segundo y tercer ciclo

Actividad 1: El camino de decisiones: construimos un algoritmo (tipo árbol) y vemos el sesgo

Actividad 1. “El camino de decisiones: construimos un algoritmo tipo árbol.”

 

JUSTIFICACIÓN 

 El alumnado entiende cómo “decide” una IA mediante un algoritmo en forma de preguntas (árbol de decisiones), usando objetos reales o a través de tarjetas. Comprende que el modelo es el árbol final construido con datos (ejemplos) y que aparece sesgo si los ejemplos no representan bien la realidad. Se trata de una actividad muy manipulativa y favorece el razonamiento del alumnado..

Datos de la actividad

·          Curso: 3º Primaria (8–9 años)

·          Tiempo: 45–60 min (recomendable realizar en 2 sesiones)

·          Agrupación: equipos de 4–5 y una puesta en común final.

·          Espacio: aula (suelo o mesas grandes para montar el “camino”)

·          Formato: manipulativa y sin pantalla.

VINCULACIÓN CURRICULAR

Esta actividad nos va a permitir realizar una vinculación no solo teniendo en cuenta su utilidad en el aprendizaje del funcionamiento de un modelo de IA, sino también en este caso con su utilidad para trabajar aspectos relacionados con el área de lengua como veremos a continuación.

AREA: Ciencias de la Naturaleza

·      CE.CN.3.Resolver problemas a través de proyectos de diseño y de la aplicación del pensamiento computacional, para generar o reelaborar cooperativamente un producto creativo e innovador que responda a necesidades concretas. (relacionada con el marco de proyecto + pensamiento computacional: diseñar un algoritmo, probarlo, evaluarlo y mejorarlo, sin necesidad de tecnología)

AREA: Lengua Castellana y Literatura

·      CE.LCL.3. Producir textos orales y multimodales con coherencia, claridad y registro adecuados para expresar ideas, sentimientos y conceptos; construir conocimiento; establecer vínculos personales; y participar con autonomía y una actitud cooperativa y empática en interacciones orales variadas.

·      CE.LCL.5. Producir textos escritos y multimodales, con corrección gramatical y ortográfica básicas, secuenciando correctamente los contenidos y aplicando estrategias elementales de planificación, redacción, revisión y edición para construir conocimiento y dar respuesta a demandas comunicativas concretas.

La vinculación con el área de Lengua Castellana y Literatura se considera adecuada ya que el algoritmo se construye a través de formulación de preguntas, se valida con explicaciones a través del debate grupal (“falló porque…”) y se cierra con exposicion oral y  texto escrito basada en las conclusiones y trabajo  durante el proceso de trabajo de la actividad.

OBJETIVO DIDÁCTICO

Construir un árbol de decisiones para clasificar objetos y comprender el proceso de aprendizaje seguido por la IA para crear un modelo; datos, algoritmo, modelo y sesgo, de esta manera entender como influyen en los aciertos y errores los datos aportados y las modificaciones que se realicen en el modelo.

DESARROLLO

1)    Pregunta detonante

“¿Podemos construir un camino de preguntas SÍ/NO para que una “máquina” clasifique objetos?”

2)    Organización y roles

Podemos utilizar los siguientes roles para el trabajo en equipo:

•       Ordenador/a: coloca preguntas y flechas.

•       Comprobador/a: pasa objetos por el camino y comprueba si funciona o no.

•       Detector de errores: registra fallos y causas.

•       Portavoz: explica el modelo al final.

3)    Datos iniciales

El docente entrega al equipo un set de TARJETAS DE OBJETOS (enlace para descargar) ya “etiquetados” en una de las 3 categorías elegidas, se pueden utilizar objetos reales para hacerlo más realista.
Podemos usar las siguientes apartados:

Aquí se introduce: DATOS = ejemplos con etiqueta (la respuesta correcta).

4)    Construcción del algoritmo

El equipo, en una cartulina va  creando un camino de preguntas SÍ/NO para llegar a una categoría.

Ejemplos de preguntas útiles:

Reglas del juego (para que sea claro):

 Aquí se nombra: ALGORITMO = secuencia de preguntas para decidir.

5)    El modelo

Cuando el camino funciona con los 12 ejemplos, se pega un cartel como que el modelo ya esta entrenado y listo para comprobar:

MODELO = nuestro árbol final de preguntas (lo aprendido con los datos).

6)    Reto de comprobación: objetos nuevos                 

El docente entrega objetos nuevos (no estaban en los 12 ejemplos) y el equipo los pasa por el modelo.
Registran si funciona el modelo o no.

Ejemplos de objetos “nuevos” que provocan pensamiento:

7)    Sesgo: faltaban ejemplos

Ahora el docente puede orientar sobre los posibles problemas con los objetos nuevos probados:

“Vuestros datos tenían muchos ejemplos de ESCRIBIR y muy pocos de SUJETAR (o faltaba ‘pegamento’, ‘goma’, etc.).”

Se repite una mini-prueba con algún objeto “conflictivos” de los utilizados para comprobar.
El equipo identifica posibles errores como:

•       ¿Qué tipo de ejemplo faltó?

•       ¿Qué pregunta está mal o no es clara?

Aquí se nombra: SESGO = cuando el conjunto de ejemplos no representa bien y el modelo aprende una idea incompleta.

8)    Mejora del modelo

Cada equipo aplica 1 mejora:

Este es un paso importante para entender como trabaja y mejora la IA cuando se encuentra con aspectos nuevos o corrige errores.

Vuelven a probar con los 4 objetos conflictivos.

9)    Cierre y puesta en común

DUA (ADAPTACIONES)

·      Representación: uso de pictos (arasaac) y colores por categorías lo que reduce la carga lectora y mejora la comprensión.

·      Andamiaje lingüístico: “banco de preguntas” (“¿Sirve para…?, ¿Se usa para…?”) o uso de frases guía (“Falló porque…, lo mejoramos cambiando…, faltaban ejemplos de…”). Elementos que facilitan la argumentación y elaboración de conclusiones en 2º Ciclo.

·      Función ejecutiva: Secuenciar por mini-retos. Dividimos en pasos visibles: 1) 3 preguntas, 2) probar con 3 objetos, 3) ajustar, 4) prueba de 10, 5) mejora.

EVALUACIÓN

Para la evaluación de esta actividad podemos realizarla a través de una lista de cotejo establecida para 4 momentos específicos a lo largo de la actividad:

·      Momento 1: Diseño del árbol (CE.CN.3)

·      Momento 2: Prueba del modelo y registro de resultados (CE.CN.3 + CE.LCL.5.)

·      Momento 3: Análisis y mejora del árbol (CE.CN.3)

·      Momento 4: Comunicación final (CE.LCL.3.)

Se pueden establecer varios ítems por cada momento y establecer 3 categorías (si, en parte, no) lo que nos permite evaluar la actividad en varios momentos distintos, así como el producto final. Este trabajo lo realizamos a través de un porcentaje que establezcamos de ítems con respuesta sí. De esta manera podemos observar cual es el momento o momentos que más problemas ha tenido el alumnado a la hora de llevarlo a cabo y poder actuar de forma más concreta.

Glosario rápido para explicarlo en clase

•    Datos: ejemplos con etiqueta (respuesta correcta).

•    Algoritmo: preguntas SÍ/NO que guían la decisión.

•    Modelo: el producto final, en este caso el árbol final que usamos para clasificar.

•    Sesgo: cuando el árbol falla más con ciertos objetos.

•    Prueba/validación: comprobar el modelo con casos nuevos.

5. Comprender la IA desenchufados. ¿Cómo trabajarlo en el aula? Segundo y tercer ciclo

Actividad 2: ¡Crea una IA justa! El laboratorio de sesgos

  ¡Crea una IA justa! El laboratorio de sesgos

JUSTIFICACIÓN

Esta actividad es útil para que el alumnado conozca que “aprender” en IA significa crear un modelo a partir de datos y luego probarlo con casos nuevos. El alumnado detecta sesgos cuando ciertos grupos quedan poco representados y entiende por qué eso puede ser injusto. En esta actividad se Integra pensamiento crítico, convivencia y conocer el lenguaje de IA sin usar pantallas.

Datos de la actividad

RELACION CURRICULAR 

La vinculación curricular de esta actividad, aunque trabajamos de forma desenchufada el funcionamiento de la IA, nos permite realizar la siguiente vinculación curricular: 

AREA: Educación en valores Cívicos y Éticos

·      CE.EVCE.1: Deliberar y argumentar sobre problemas de carácter ético referidos a sí mismo y su entorno, buscando y analizando información fiable y generando una actitud reflexiva al respecto, para promover el autoconocimiento y la autonomía moral. (Deliberar y argumentar sobre problemas éticos; construir posición moral autónoma, incluyendo cuestiones sobre el uso responsable y crítico de medios/redes)

·      CE.EVCE.2: Actuar e interactuar de acuerdo con normas y valores cívicos y éticos, reconociendo su importancia para la vida individual y colectiva, y aplicándolos de manera efectiva y argumentada en distintos contextos, para promover una convivencia democrática, justa, respetuosa y pacífica. (promover convivencia democrática y excluir arbitrariedad, injusticia y discriminación; analizar conflictos también en entornos virtuales y proponer medidas).

AREA: Ciencias de la Naturaleza (dimensión digital y de datos)

·      CE.CN.1: Utilizar dispositivos y recursos digitales de forma segura, responsable y eficiente, para buscar información, comunicarse, trabajar de manera individual, en equipo y en red y, para reelaborar y crear contenido digital de acuerdo a las necesidades digitales del contexto educativo. 

Esta actividad curricularmente nos permite en tercer ciclo combinar: el análisis crítico y la deliberación ética en contextos cercanos (IA y decisiones automatizadas) y el uso responsable de información y datos en el apartado digital. 

OBJETIVO DIDÁCTICO 

Construir y evaluar un modelo sencillo  para tomar decisiones, en este caso centrada en la toma de un solo tipo de decisión, usando datos de ejemplo, y comprobar cómo aparece el sesgo por representación y por “reglas mal diseñadas”. 

DESARROLLO 

1)   Pregunta detonante

“Si quisiéramos una ‘máquina’ que nos ayudará a decidir nuestro  Robot ayudante del aula… ¿cómo le enseñaríamos a decidir?” 

2)   Organización 

Materiales
• 30 “fichas de caso” con Robots y rasgos neutros del aula (sin datos
sensibles) que queramos que analicen, por ejemplo: respeta turnos, interrumpe explicaciones, cuida el material, etc...

En este caso como ejemplo, los rasgos elegidos serian los siguientes:

POSITIVOS

NEGATIVOS

A partir de estos datos, que en clase puede ser un trabajo previo donde el alumnado seleccione los rasgos que piensan, tanto positivos como negativos, que debería tener el robot ayudante de su clase. Se crean combinaciones  para crear las fichas que vamos a utilizar para desarrollar esta actividad.

Como ejemplo tenemos estas fichas "ROBOTS EJEMPLO"

Podemos determinar el nivel de dificultad de la tarea añadiendo mayor o menor número de rasgos a cada robot

• 3 tipos de sobres:

  1. Fichas de entrenamiento. estarían ya etiquetadas por el docente como Sí es elegido o NO es elegido.
  2. Fichas de prueba: Estas fichas irían sin etiqueta para el alumnado. El docente si tendría la solución elegida para comparar los resultados obtenidos por el alumnado.
  3. Fichas difíciles: Estas tarjetas promueven que se origine debate, como plantea la actividad: se trata de crear casos mixtos como por ejemplos 2 rasgos positivos y uno negativo, 2 negativos y 1 positivo o incluir rasgos no contemplados anteriormente. Aquí es donde puede aparecer el sesgo del modelo.

• Plantilla “Nuestro modelo” (tabla de puntos o reglas)
• Hoja de registro: 12 predicciones señalando CORRECTA/INCORRECTA
• Post-its: DATOS / ALGORITMO / MODELO / SESGO / PRUEBA de esta manera pueden ir identificando en cada momento el momento del proceso en el que se encuentran.

Nota: se puede utilizar en vez de robots, cualquier tipo de ejemplo que resulte más motivante al grupo como animales, superhéroes, personajes de dibujos, plantas, deportistas, Pokemons,... Imaginación al poder.

3)   Datos (entrenamiento) 

Cada equipo recibe 10 tarjetas del sobre ENTRENAMIENTO, ya etiquetadas por el docente:

El equipo analiza:

 Se nombra: DATOS = ejemplos con respuesta correcta. 

4)   Construcción del algoritmo (modelo por puntos) 

El equipo crea un algoritmo tipo “puntos” (muy manipulativo y fácil de aplicar)como por ejemplo:

Puede ser una decisión de equipo o de clase determinar los valores de cada rasgo. En este caso sería recomendable que fuera una decisión a nivel de clase ya que favorece la comprobación de la tarea de forma igualitaria por todos los grupos.

Finalmente se establece una Regla final por ejemplo: 

Se nombra: ALGORITMO = las reglas/pasos para sumar y decidir y MODELO = la tabla final de puntos (lo aprendido con los datos). 

5)   Prueba (validación) con datos nuevos 

Se entrega el sobre PRUEBA con 8 tarjetas nuevas (sin solución).
El equipo aplica su modelo, predice SÍ/NO y registra.

Después el docente revela la etiqueta real (o una hoja de soluciones común). 

6)   Mini-laboratorio de sesgos 

Ahora entra en juego el sobre DIFÍCILES con 4 tarjetas pensadas para mostrar el sesgo.

Ejemplos:

El auditor responde en la hoja:

 Se nombra: SESGO = cuando el modelo se equivoca más con ciertos casos porque los datos eran pobres o las reglas no eran justas. 

7)   Mejora del modelo 

Cada equipo elige UNA mejora (obligatorio justificarla):

Como ejemplo se puede crear el siguiente modelo mejorado teniendo en cuenta solo la puntuación:

Se repiten las 4 tarjetas DIFÍCILES y se comparan resultados. 

8)   Debate final                              

·       “¿Qué mejoró más: cambiar datos o cambiar reglas?”

·       “¿Cuándo sería peligroso usar este modelo sin revisar?”

·       “¿Qué significa que un modelo sea ‘justo’?” 

DUA (adaptaciones) 

EVALUACIÓN 

A modo de evaluación de la actividad proponemos como ejemplo la siguiente rúbrica. 

Indicador (criterios)

1 · Inicial

2 · En proceso

3 · Adecuado

4 · Avanzado

1) Comprensión del funcionamiento de la IA (desenchufada) (CE CN 1)

Confunde datos/reglas/resultados; necesita guía constante.

Identifica partes del proceso con ayuda, con algunos errores.

Explica con claridad: datos → reglas/modelo → prueba → errores/sesgo.

Además, relaciona causas del sesgo y anticipa cómo prevenirlo.

2) Uso y organización crítica de datos/información(CE EVCE 1)

Usa ejemplos/datos sin criterio; no justifica decisiones.

Organiza de forma básica; justifica poco o de manera confusa.

Selecciona y organiza datos con criterio; justifica decisiones de forma clara.

Detecta desequilibrios/ ausencias en los datos y propone cómo corregirlos con buena justificación.

3) Deliberación ética: justicia, igualdad y no discriminación (CE EVCE 1 y 2)

Opina sin razones; dificultad para escuchar y respetar turnos.

Aporta razones simples; escucha parcialmente; necesita recordatorios.

Argumenta con razones y ejemplos; escucha y dialoga con respeto.

Considera otros argumentos, ajusta su postura y ayuda a construir acuerdos justos.

4) Propuestas de mejora para una IA más justa y convivencia(CE EVCE 2)

Propone cambios vagos o irrelevantes; no concretas medidas.

Propone una mejora concreta, pero poco viable o poco relacionada con el sesgo.

Propone mejoras concretas y viables(mejorar datos, ajustar reglas, revisión humana) y las justifica.

Propone varias mejoras, prevé efectos y define cómo comprobar si el sistema es más justo.

 La asociación de los criterios con la actividad seria la siguiente: 

·       Registro de entrenamiento/prueba (Indicadores 1 y 2)

·       Observación del debate (Indicador 3)

·       Mini-informe “auditor/a de sesgo”: qué sesgo, a quién afecta, mejora propuesta (Indicador 4)

Aprender sobre la IA no es "usar pantallas", sino comprender como decide un sistema basado en datos y que riesgos éticos puede tener.


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


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

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

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

Ilustración 1 Imagen generada con ChatGPT (OpenAI). 2026

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

La placa Echidna Shield Black y la plataforma EchidnaLM

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:

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:

En cuanto a los actuadores, la placa incorpora:

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:

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:

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:

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

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

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:

¿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

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

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

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


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

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. 

CreateAI: la IA de micro:bit para reconocer movimiento

CreateAI es una herramienta web del ecosistema de la placa BBC micro:bit 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:

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:

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.

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

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

vivo:no 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

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

 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?”

2. Organización

Roles sencillos (elegibles):

3. Pasos en Teachable Machine 

a) Crear proyecto y clases 

Teachable machine. (s. f.). https://teachablemachine.withgoogle.com/

image.png

Teachable machine. (s. f.). https://teachablemachine.withgoogle.com/

b) Recoger datos (fotos)

c) Entrenar y probar


Teachable machine. (s. f.). https://teachablemachine.withgoogle.com/

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):

4. Reto de comprobación (objeto sorpresa)

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.

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


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):

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.

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:

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:

“La IA no entiende ‘vida’ como nosotros: aprende patrones con las fotos que le damos.”

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):

El grupo marca o dice una causa :

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)

Criterios de Éxito

Equipo 1

Equipo 2

Equipo 3

Equipo 4

Equipo 5

1. Calidad de Datos: Aportó fotos variadas a ambas clases (V/NV).




2. Generalización: Probó el modelo con al menos 2 objetos nuevos.




3. Iteración: Propuso y aplicó 1 mejora (más fotos, luz, fondo...).




4. Pensamiento Crítico: Explicó un error (color, forma, luz, fondo).




Puntuación Final (Semáforo)

🟢 🟡 🔴

🟢 🟡 🔴

🟢 🟡 🔴

🟢 🟡 🔴

🟢 🟡 🔴






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

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

 

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

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:

Norma de privacidad: no grabar voces ni nombres; si hay voces en un clip, se descarta.

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.

Puedes usar y descargar sonidos desde este enlace INTEF

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?

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.

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)

Puedes utilizar esta rubrica y plantilla de registro para cada equipo. Sirve para registrar entrenamiento, pruebas y mejoras.

Rubrica rapida por equipo

Indicador

En proceso

Logrado

Avanzado

Datos

Pocos clips o conruido/mezcla

Clips suficientes y claros

Variedad alta y datos equilibrados

Analisis

Describe aciertos sin explicar

Explica errores conuna causa

Relacionacausas y propone mejoras precisas

Mejora

Reentrena sin cambiar datos

Cambia datos ycompara

Itera 2 veces y documenta evidencias

Plantilla de registro (pruebas)

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

#

Clip (descripcion)

Prediccion

%

Acierto

Nota / causa del error

1

 

 

 

 

 

2

 

 

 

 

 

3

 

 

 

 

 

4

 

 

 

 

 

5

 

 

 

 

 

6

 

 

 

 

 

7

 

 

 

 

 

8

 

 

 

 

 

9

 

 

 

 

 

10

 

 

 

 

 

11

 

 

 

 

 

12

 

 

 

 

 

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.

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.

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

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

Entrenando a nuestra IA con sesgos

Objetivos:

Recursos materiales:

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.

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)

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

Escogemos el entrenamiento de imágenes

image.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

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

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

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.

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

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

image.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

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:

  3. Reflexionan sobre sesgos:


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

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

Vamos a desarrollar este proyecto de Jorge Lobo @Lobo_tic https://x.com/lobo_tic/status/1923996982516814064

—Antes, para salir del parking del supermercado, había que escanear el ticket de compra, pero ahora la barrera se abre sola como si supiera que ese coche puede salir.

—¿Queréis saber cómo lo sabe?

Así surge la idea de esta actividad con @EchidnaSTEAM y @_learningml_ 😃 pic.twitter.com/3Ew22WcURj

— Jorge Lobo (@lobo_tic) May 18, 2025
PRIMER PASO : MONTAJE

Ponemos un servo en D4 

FÍJATE QUE EL MARRÓN A MASA GND SIMBOLO G TAL COMO LA FOTO Y EL AMARILLO EN DATO Dx

2025-06-17 21_55_44-.png

SEGUNDO PASO : CREAR MÁQUINA IA DE RECONOCIMIENTO DE MATRICULAS
  1. Entramos en crear máquina de reconocer imágenes
  2. Creamos una clase que se llame NO
  3. Añadimos imágenes desde nuestra webcam
    1. Vamos enseñando matrículas que no queremos que se abra el parking de cada matrícula pulsamos una docena en diferentes posiciones (ligeros cambios)
    2. También añadimos varias imágenes que existe cuando no hay ninguna matrícula, pues queremos que cuando no hay coche que no se abra el parking.
  4. Añadimos la clase SI
    1. Repetimos el paso 3.1 con las matrículas que queremos que se abra el parking
  5. Le damos a aprender
  6. Probamos
  7. Nos fijamos que funciona perfectamente

reconocimientomatriculas.png

Detalle del paso 3.2

2025-06-17 21_54_31-EchidnaML.png

TERCER PASO : PROGRAMAR

Ahora entramos en la ventana de programación usando el modelo:

  1. En learningml arrastramos la instrucción de encender cámara
    1. curiosamente lo voltea, por lo tanto le decimos ON FLIPPED de lo contrario lee al revés las matrículas (curiosamente lo hace bien aunque a veces falla)
  2. Ponemos un bucle infinito para que siempre lea los sensores y funcionen los actuadores (típico en programas de robótica)
  3. Un condicional dentro del bucle si --- sino y en la condición que sea si LA MATRICULA ES DE LA CLASE SI pues que abra sino que la cierre
    1. Tiene dos instrucciones dentro de learningml uno que es que clasifique la imagen y otro que sea la imagen de la captura del vídeo
  4. Si es SI pues que abra con el servo 
  5. También que encienda la luz verde y apaque el rojo
  6. Esta espera es para que el coche pase tranquilamente además que nos permite que no haga contínuos aperturas y cierres de la barrera
  7. SINO pues que cierre la barrera
  8. Encienda rojo y apague verde

2025-06-17 21_42_52-EchidnaML.png

CUARTO PASO : JUGAR

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

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

Vamos a encender y apagar un objeto de luz usando texto predictivo con IA

Al arrancar EchidnaScratch nos vamos a LEARNING ML, nos vamos a entrenar y que entrene con la clase APAGA las palabras que se nos ocurra:

2024-12-08 00_02_05-EchidnaML.png

Y con la clase ENCIENDE otras tantas palabras

2024-12-08 00_04_31-EchidnaML.png

Pulsamos que entrene (tarda un poco) y cuando nos diga que esta listo para usar el modelo, vamos a comprobarlo, como vemos, la palabra MUCHA LUZ no aparece en las entrenadas, pero detecta que tiene más posibilidades que lo que queremos es apagar la luz

2024-12-08 00_06_34-EchidnaML.png

Acuerdate de grabarlo lo voy a grabar como enciende-apaga.json, se graba LOS DATOS DE ENTRENAMIENTO luego al volverlo a abrir, tienes que volver a crear el modelo

2024-12-08 10_19_53-EchidnaML.png

Ahora si !! vamos a EchidnaScratch y creamos este programa usando las instrucciones de Learning ML que se basan en el modelo aprendido anteriormente

2024-12-08 00_30_31-EchidnaML.png

Aquí lo tienes todos los procesos en vídeo :

CC-BY SA Fuente https://echidna.es/a-programar/echidnaml/como-empezar-con-machine-learning-y-echidna/

El programa en este repositorio: https://github.com/JavierQuintana/Echidna

El sprite lámpara lo he obtenido de https://scratch.mit.edu/projects/198689957/editor/

Mejoramos nuestro modelo pero con ayuda de ChatGPT

Agradecimientos a Fran Perez CP Ana Abarca de Bolea

Hacemos los mismos pasos, pero con pocos sinónimos, solo dos en cada clase, y lo guardamos. Si nos fijamos en el fichero .json (lo abres con un editor de texto, el bloc de notas por ejemplo) el fichero .json no es más que un fichero que almacena los datos de forma clasificada :

{"type":"text","data":{"Enciende":["Poca luz","On"],"Apaga":["Mucha luz","On"]}}

Le decimos a chatgpt que nos lo enriquezca con este prompt (u otro similar) con 20 sinónimos (y si quieres más, pues más):

quiero que insertes dentro del corchete [ ] de Enciende 20 sinónimos de órdenes para encender la luz y dentro del corchete de Apaga [ ] quiero que pongas 20 sinónimos de órdenes para apagar la luz no pongas saltos de línea, mantén el formato {"type":"text","data":{"Enciende":["Poca luz","On"],"Apaga":["Mucha luz","On"]}}

El chatgpt responde con este código:

{"type":"text","data":{"Enciende":["Enciende la luz","Prende la luz","Activa la luz","Ilumina","Dale luz","Pon la luz","Conecta la luz","Inicia la luz","Enciende iluminación","Prende iluminación","Activa iluminación","Enciende lámpara","Prende lámpara","Enciende bombilla","Prende bombilla","Dale corriente a la luz","Sube la luz","Ilumina la habitación","Activa el foco","Pon luz"],"Apaga":["Apaga la luz","Apaga todo","Desconecta la luz","Quita la luz","Apaga lámpara","Apaga bombilla","Corta la luz","Desactiva la luz","Oscurece","Quita iluminación","Apaga iluminación","Cierra la luz","Desconecta iluminación","Apaga el foco","Apaga la lámpara","Corta iluminación","Desactiva iluminación","Quita corriente a la luz","Apaga por completo","Baja la luz"]}}

lo metes en el bloc de notas y lo guardamos como loquequieras.json y lo importamos en LearningML ¡¡ tenemos ahora 20 textos en cada clase !!! nuestra máquina de IA ha mejorado !!!

2025-12-05 14_29_02-EchidnaML.png


Otro ejemplo pero con una cerveza ;)

 https://libros.catedu.es/books/robotica-educativa-con-mbot/page/maquina-educable-con-machine-learning-for-kids-y-scratch

Referencias

Referencias

Referencias

Créditos

Autores:

Nivel 2: Planificación y estructuración por IA por OpenAI. (2026). ChatGPT (Versión GPT-5.3) 

Cualquier observación o detección de error en soporte.catedu.es

Los contenidos se distribuyen bajo licencia Creative Commons tipo BY-NC-SA excepto en los párrafos que se indique lo contrario.

image-1648462225402.gif

image-1648462299882.png

image-1648462361893.png