Puedes consultar este y otros marcos en el curso 1 de este itinerario. Pulsa [aquí ](https://libros.catedu.es/books/ia-en-educacion-etica-y-responsabilidad-en-la-practica-docente/page/14-alfabetizacion-ia)para acceder.
[](https://libros.catedu.es/uploads/images/gallery/2026-01/AB9image.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). # ¿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. [](https://libros.catedu.es/uploads/images/gallery/2026-01/w8bimage.png) # 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: - **Quizizz (modo en directo)** - **Kahoot! (modo clásico en vivo)** - **Blooket (modo clase en directo)** > 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 - **Etapa:** Educación Primaria - **Curso:** 6.º de Primaria - **Área:** Ciencias Sociales - **Saberes básicos:** Acontecimientos y procesos históricos relevantes en la historia del mundo desde la Prehistoria a la actualidad, el papel representado por los sujetos históricos (individuales y colectivos), acontecimientos y procesos. - **Duración estimada:** - Preparación docente: 45–60 minutos - Uso en el aula: 1 sesión (o más, según dinámica) - **Agrupación en el aula:** pequeños grupos (3–5 alumnado) ### 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 - **Generador de texto con IA:** Copilot, ChatGPT u otro similar. - **Plantilla de trivial imprimible:** (tablero y tarjetas) [https://www.imageneseducativas.com/super-plantilla-para-fabricar-tu-propio-trivial-en-pdf-tablero/](https://www.imageneseducativas.com/super-plantilla-para-fabricar-tu-propio-trivial-en-pdf-tablero/) - **Opción interactiva:** Quizizz / Kahoot! / Blooket. ## 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:** > > - Azul – Paleolítico: 12 preguntas > - Rosa – Neolítico: 12 preguntas > - Amarillo – Edad de los Metales: 12 preguntas > - (...) *Según tus clases* > > **Formato de cada pregunta (trivial manipulativo):** > > - Pregunta clara y directa. > - Una única respuesta correcta, breve y unívoca (una palabra o una frase corta). > - Sin opciones múltiples. > - Sin explicación adicional (formato Trivial Pursuit). > > **Requisitos pedagógicos:** > > - Lenguaje claro, respetuoso e inclusivo. > - Nivel adecuado a alumnado de 11–12 años. > - Evitar preguntas ambiguas o con varias posibles interpretaciones. > - Priorizar comprensión frente a memorización literal. > - No incluir datos personales ni referencias sensibles. > > ### 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: > > - **Pregunta**: la misma del trivial. > - **Opciones de respuesta**: 3 o 4 alternativas. > - **Respuesta correcta**: una sola opción válida. > - **Sin explicación automática** (la explicación se realiza oralmente por parte del docente tras cada pregunta o al final del juego). > > > 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. [](https://libros.catedu.es/uploads/images/gallery/2026-01/tEvimage.png) # 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):** - **Mediación consciente**: cuando se use tecnología, que sea con tareas acotadas, lenguaje claro y protección de datos; y, si se introduce IAG, que sea **siempre mediada** (UNESCO recomienda umbral mínimo de 13 años para conversaciones independientes). - **Aprendizaje por “situaciones”**: planificar situaciones de aprendizaje donde el alumnado movilice competencias, no solo “haga actividades sueltas” (Real Decreto 95/2022, de 1 de febrero; Real Decreto 157/2022, de 1 de marzo). - **DUA desde el inicio**: ofrecer opciones de acceso, participación y demostración del aprendizaje (no como adaptación final, sino como diseño base), alineado con el principio normativo de DUA en Infantil y Primaria (Real Decreto 95/2022, de 1 de febrero; Real Decreto 157/2022, de 1 de marzo). - **Competencia digital y pensamiento computacional como puente**: en Primaria, la competencia digital incluye alfabetización en información y datos, creación de contenidos (incluida programación), seguridad y bienestar digital, ciudadanía digital, resolución de problemas y pensamiento computacional y crítico (Real Decreto 157/2022, de 1 de marzo). 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.**
# Aprender para y sobre la IA En estas edades conviene trabajar dos líneas complementarias: - **Aprender para la IA**: capacidades y hábitos que ayudan al alumnado a convivir con tecnología con criterio (lenguaje, lógica, verificación, seguridad, cooperación). - **Aprender sobre la IA**: comprender ideas básicas (reglas, ejemplos/datos, errores, límites, sesgos) y su impacto en la vida cotidiana. 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: - Secuenciar, clasificar, reconocer patrones, anticipar consecuencias, regularse, comunicarse y cooperar. **Qué hace el profesorado** - Diseña juegos breves con pasos visibles (pictos), objetos reales y diálogo. - Asegura participación con DUA: ver/tocar/escuchar; responder señalando/moviendo/hablando (Ley Orgánica 3/2020; Real Decreto 95/2022). ### B) Aprender **sobre** la IA Una idea central, segura y comprensible: **“las máquinas siguen reglas y ejemplos; no adivinan”**. Se trabaja con: - “Robot humano” (instrucciones claras), - Juegos de clasificación (reglas), - Detección de errores (depuración), - “Objeto sorpresa” (cuando la regla falla).**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** - Enseña rutinas de verificación: *“¿Cómo lo compruebo?” “¿Qué evidencia tengo?”* - Propone actividades donde el alumnado toma decisiones con datos simples (tablas, conteos, comparaciones). - Diseña desde DUA: apoyos (ejemplos resueltos, plantillas, vocabulario) + reto (preguntas de por qué, casos nuevos) (Ley Orgánica 3/2020; Real Decreto 157/2022). ### B) Aprender **sobre** la IA Aquí sí ponemos palabras, siempre con ejemplos comprensibles: - **Datos**: ejemplos que “alimentan” una decisión. - **Modelo**: la “regla aprendida” a partir de ejemplos. - **Error**: cuándo falla y por qué. - **Sesgo**: cuando los ejemplos no representan bien y el resultado se vuelve desigual. **Tecnología (si se usa)** - IA generativa solo en modo demostración y con tareas cerradas: el aprendizaje está en **preguntar, contrastar y razonar**, no en “la respuesta” (UNESCO, 2023). - Como brújula de competencias, AILit ayuda a concretar qué significa alfabetización en IA en etapas escolares (AI Literacy Framework, s. f.).**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 # 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): - **Algoritmo** = “pasos” para lograr algo: recorridos en el suelo, “robot humano”, recetas visuales con tarjetas de acciones. - **Datos** = “ejemplos”: objetos reales (tapones, figuras, imágenes) para clasificar por un criterio (color, tamaño, forma). - **Modelo** = “la regla” que construimos: “si tiene… entonces va aquí”. - **Sesgo (semilla)** = cuando la regla falla porque faltan ejemplos o están desequilibrados: si solo clasificamos objetos rojos, después no sabemos qué hacer con otros colores. 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](https://moodle.catedu.es/mod/url/view.php?id=31940)” (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: - un **algoritmo** es una secuencia clara (y depurable) de pasos; - los **datos** son ejemplos que “alimentan” una decisión; - un **modelo** es la regla que “aprende” a partir de esos ejemplos; - y el **sesgo** aparece cuando los datos no representan bien la realidad o cuando la regla se construye con un conjunto limitado de casos. 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). # 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/](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](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](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”](https://studio.code.org/courses/oceans/units/1?lang=es-MX) **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 ](https://aula-ia.com/el-sesgo-algoritmico/?utm_source=chatgpt.com "El sesgo algorítmico - 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. # 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. # 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 - **Etapa:** Educación Infantil (3–6 años) - **Duración:** 35–45 minutos (recomendable repetir en 2 sesiones cortas) - **Agrupación:** pequeños grupos (4–6) + asamblea final - **Espacio:** Rincones - **Formato:** manipulativo y desenchufado (sin pantallas) ### 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: - seguir **pasos** **claros** (secuencia) ayuda a que algo “funcione” (base de *algoritmo*). - los **ejemplos** importan para decidir (base de *datos*), si usamos **muchos ejemplos** aprende mejor. - la **regla** que inventamos puede funcionar o fallar (base de *modelo*), - y que si solo usamos algunos ejemplos, la regla se vuelve “injusta” o se equivoca (sesgo, sin decir la palabra) ### Materiales - 2–3 cajas o aros en el suelo. - Pegatinas o pictos para etiquetar cajas (por ejemplo: 🟩 “sí”, 🟥 “no”; o “va aquí / no va aquí”). - Tarjetas/objetos variados (20–30): animales, alimentos, juguetes, prendas, formas, colores... - Un “objeto sorpresa” (no previsto) para provocar reflexión (p. ej., murciélago si el criterio era “vuela = pájaro”). - Opcional DUA: tarjetas con pictos grandes, objetos reales (tamaño manipulable), panel visual de “pasos”. ## 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): - “¿Qué necesita la caja para saber dónde va cada cosa?” - “¿Y si nos equivocamos… qué podemos hacer?” *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: - “¿En qué paso estás?” - “¿Qué pista has visto?” *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. - El o la docente (o un grupo) clasifica **5 objetos** en silencio (ejemplos). - El resto observa y propone: “Creo que la regla es…” - Probamos con 3 objetos nuevos. 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: - “¿Qué ha pasado?” - “¿La regla sirve siempre?” - “¿Qué ejemplos nos faltaban para no equivocarnos?” 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): - “Hemos seguido **pasos**.” - “Hemos usado **ejemplos**.” - “Hemos inventado una **regla**.” - “Y cuando faltaban ejemplos, la regla **fallaba**.” *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: - **Representación:** usar objetos reales + pictos grandes; apoyos visuales de pasos. - **Acción/expresión:** permitir responder señalando, moviendo el objeto o explicando oralmente; turnos flexibles. - **Implicación:** ofrecer roles rotatorios (“quien observa”, “quien coloca”, “quien comprueba”), y opción de reto (“inventa una regla nueva”). La meta es reducir barreras y aumentar oportunidades de participación, coherente con una mirada inclusiva de la innovación educativa. ## Evaluación *Checklist* rápido (docente): - Sigue una secuencia de pasos con ayuda. - Justifica con una pista (“porque es rojo”, “porque tiene ruedas”). - Acepta corregir y volver a probar sin frustración excesiva. - Propone cambios cuando la regla falla (“necesitamos más ejemplos”, “la regla no vale para todos”). # 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: - "¿Cómo créeis que aprende la máquina a reconocer peces?" - "Si le damos muchas decisiones correctas, ¿creéis que aprenderá más rápido?" - "Si nos equivocamos mucho, ¿qué pasará con la máquina?" **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](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 [](https://libros.catedu.es/uploads/images/gallery/2026-01/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. - *¿Qué diferencia hay entre los grupos que alimentaron más veces a la máquina y los que lo hicieron menos?* - *¿Qué grupo creéis que obtuvo mejores resultados? ¿Por qué?* - *Si damos muchos ejemplos correctos, ¿cómo cambia el aprendizaje de la máquina?* - *Si damos pocos, o los damos incorrectos... ¿qué pasa con los resultados?* **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 # 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. # 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](https://drive.google.com/file/d/1tk3Ve3uHO37iBIaZDYuzeKU9NLmMnLcR/view?usp=share_link) (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: - **ESCRIBIR**: lápiz, boli, rotulador, tiza - **CORTAR**: tijeras, cúter de cartón (solo imagen) - **SUJETAR**: clip, pinza, goma elástica, celo, grapadora(tarjeta)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: - “¿Sirve para hacer marcas o letras?” - “¿Tiene filo o corta?” (si se usan tarjetas, no objetos peligrosos) - “¿Sirve para sujetar/juntar cosas?” - “¿Se usa con las manos para apretar?” **Reglas del juego (para que sea claro):** - Máximo **3 preguntas** antes de llegar a un destino - Cada pregunta debe poder responderse **SÍ o NO** - Cada objeto debe poder “viajar” por el caminoAquí 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: - regla (¿es para medir o para dibujar?) - pegamento (¿juntar = sujetar?) - estuche (¿sirve para…?) - goma de borrar (¿es escribir o corregir?) - botella (ninguna categoría: obliga a revisar) **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: - Añadir 2–3 ejemplos nuevos (datos) y rehacer una pregunta - Cambiar el orden de preguntas - Crear una “salida extra”: **OTROS** donde se puedan clasificar los objetos más "conflictivos" 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** - “¿Qué ayudó más: cambiar preguntas o añadir ejemplos?” - “¿Puede un modelo dar errores si solo ve algunos casos?” - “¿Qué harías para que el modelo fuese más fiable?” #### **DUA (ADAPTACIONES)** · **Representación**: uso de pictos ([arasaac](https://arasaac.org/)) 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. # 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** - **Curso:** 5º Primaria (10–11 años) - **Tiempo:** 55–70 min ((recomendable realizar en 2 sesiones)) - **Agrupación:** equipos de 4–5 + puesta en común - **Espacio:** aula (mesas) #### **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 - **Diseñador/a del modelo** (escribe reglas/puntos) - **Entrenador/a de datos** (analiza ejemplos) - **Probador/a** (aplica el modelo a nuevos casos) - **Auditor/a de sesgo** (revisa a que casos perjudica y por qué) - (Opcional) **Portavoz** **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** - Respeta turnos - Cuida el material - Trabaja bien en equipo - Respeta la fila - Ayuda a ordenar **NEGATIVOS** - Interrumpe - No cuida el material - Le cuesta trabajar en equipo - Olvida los materiales - Se enfada cuando no gana 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](https://drive.google.com/file/d/1PvJxZxJBvS_juq3bFIfYr9js0ECsO0zz/view?usp=share_link)"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](https://docs.google.com/document/d/14cczHXYHRrxZRwYT9_KW8SIj5eio7mVY/edit?usp=sharing&ouid=100220292844088148566&rtpof=true&sd=true)” (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: - ¿Qué rasgos aparecen mucho en los “SÍ”? - ¿Qué rasgos aparecen mucho en los “NO”?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: - +2 "respeta los turnos" - +1 "ayuda a ordenar" - −2 “interrumpe” - −1 "olvida los materiales" 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: - 3 o más puntos **→ SÍ** - Menos de 3**-> NO**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: - Casos con rasgos “mixtos” que no aparecían en entrenamiento (“no sigue las instrucciones” o "escucha con atención") - Casos con un rasgo que el modelo penaliza demasiado (“lInterrumpe”) El auditor responde en la hoja: - ¿Qué tipo de caso recibe más “NO”? - ¿Ese rasgo estaba poco representado en los datos? - ¿La regla está exagerando una pista?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): - **Mejora de datos:** añadir 2 tarjetas de entrenamiento que faltaban (más variedad de casos) - **Mejora de reglas:** bajar rasgos de No (−2 → −1), subir un criterio positivo, o añadir “NO SÉ” si está en zona gris - **Mejora de prueba:** crear una regla de “revisión humana” para casos límite, en este caso la decisión final es tomada por el grupo. Como ejemplo se puede crear el siguiente **modelo mejorado** teniendo en cuenta solo la puntuación: - 3 o más puntos ->**SÍ** - 1 o 2 puntos -> **REVISAR/ NO SÉ o DECISIÓN HUMANA** - 0 o menos puntos ->**NO** 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) ** - **Representación:** tarjetas con iconos/pictos ([arasaac](https://arasaac.org/)) y colores por categorías lo que reduce la carga lectora y mejora la comprensión. - **Acción/expresión:** para construir el modelo por puntos, usad fichas: una ficha = 1 punto (o fichas dobles para +2). Así el alumnado “ve” la suma y puede demostrar el aprendizaje aunque escriba menos; después explican el resultado oralmente o con un mini-esquema “si suma ≥ 3 → SÍ”. - #### **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. |
**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 # 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.** [](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** [](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 #### 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) [](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. [](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.| 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: - 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 [](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 —> Modelo de imagen estándar  *Teachable machine*. (s. f.). https://teachablemachine.withgoogle.com/ - Clases: VIVO y NO VIVO [](https://libros.catedu.es/uploads/images/gallery/2026-02/pN9image.png) *Teachable machine*. (s. f.). https://teachablemachine.withgoogle.com/ **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)  *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): - 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?”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: - 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”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): - 🟢 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)| 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) | 🟢 🟡 🔴 | 🟢 🟡 🔴 | 🟢 🟡 🔴 | 🟢 🟡 🔴 | 🟢 🟡 🔴 |
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](https://procomun.intef.es)**
#### 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 |
| \# | 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. # 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, **perros negros **y primates.**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). [](https://libros.catedu.es/uploads/images/gallery/2026-01/Al1image.png) Escogemos el entrenamiento de imágenes [](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. [](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. [](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.**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: [](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. [](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). [](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}} # Referencias # Referencias - AI Literacy Framework. (s. f.). *AILit Framework: Marco de alfabetización en IA (versión en español)*. - Center for Applied Special Technology (CAST). (2018/2023). *Pautas del Diseño Universal para el Aprendizaje (DUA): Versión 2.2 (traducción y revisión)*. - Ley Orgánica 3/2020, de 29 de diciembre, por la que se modifica la Ley Orgánica 2/2006, de 3 de mayo, de Educación. *Boletín Oficial del Estado*, núm. 340. - Real Decreto 95/2022, de 1 de febrero, por el que se establece la ordenación y las enseñanzas mínimas de la Educación Infantil. *Boletín Oficial del Estado*. - Real Decreto 157/2022, de 1 de marzo, por el que se establecen la ordenación y las enseñanzas mínimas de la Educación Primaria. *Boletín Oficial del Estado*. - García Calderón, M. A., Hinojosa Garcés, N. A., y Espinales, J. V. (2023). Diseño Universal de Aprendizaje y herramientas de gamificación como recurso de educación inclusiva en los niños de 3 a 5 años. En *Memorias INPIN 2023*. - Instituto Nacional de Tecnologías Educativas y de Formación del Profesorado (INTEF). (s. f.). *Competencia digital del alumnado*. - López Proaño, A. A., y Abad Arroyo, A. A. (2025). Impacto de la IA en el desarrollo de habilidades y competencias del siglo XXI. *Ciencia y Reflexión: Revista Científica Multidisciplinaria, 4*(2), 801–832. - Mayorga Villegas, V. H., Hinojosa León, E. M., Benalcázar Chavarria, D. L., Lozano León, W. M., Barrera Vizhña, R. M., Yanez Viracucha, D. A., y Morocho Chulca, L. P. (2025). Inteligencia Artificial en aplicaciones educativas: ¿Cómo promueve el aprendizaje fundacional en niños de 6 a 9 años? *LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, 6*(2), 60–85. doi:10.56712/latam.v6i2.3605 - Mejía Chiriboga, C. A., Quinteros Chamorro, N. M., Montenegro Salazar, J. A., Viscaino Yapud, A. J., Quelal Coral, D. del C., y Moreno Ruiz, D. F. (2025). Aplicación de la inteligencia artificial en la personalización del aprendizaje: Un enfoque adaptativo para mejorar la experiencia educativa. *Revista Latinoamericana de Calidad Educativa, 2*(3), 201–207. - Medina Gaite, V. (2017). Combinando el método científico y el trabajo por proyectos para alcanzar la alfabetización científica en educación infantil. *Tabanque, 30*, 53–74. doi:10.24197/trp.30.2017.53-74 - Ministerio de Educación, Formación Profesional y Deportes. (s. f.). *Competencia digital (LOMLOE – Educación Primaria)*. - Restrepo Pineda, A. F. (2024). Conectando mentes y máquinas: Neuroeducación e IA en la era del pensamiento computacional. *Plumilla Educativa, 33*(1), 1–15. - UNESCO. (2023). *Guidance for generative AI in education and research*. UNESCO. - Vega Maldonado, J. D., Vázquez Padilla, N. V., y Moscoso Chávez, M. A. (2023). Inteligencia artificial e inclusión educativa. En *Memorias INPIN 2023: VIII Congreso Internacional de Investigación para la Innovación en las Ciencias (INPIN)* (pp. 246–251). Universidad Laica Vicente Rocafuerte de Guayaquil. # Créditos **Autores:** - David Cañete Gracia - Juan José Mejías Abad - Francisco Perez Ibarro 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](https://catedu.es/soporte-catedu/) Los contenidos se distribuyen bajo licencia **Creative Commons** tipo **BY-NC-SA** excepto en los párrafos que se indique lo contrario. [](https://libros.catedu.es/uploads/images/gallery/2022-03/image-1648462225402.gif) [](https://libros.catedu.es/uploads/images/gallery/2022-03/image-1648462299882.png) [](https://libros.catedu.es/uploads/images/gallery/2022-03/image-1648462361893.png)