Actividad 2: Laboratorio de sesgos: ¿Es justo nuestro modelo?

JustificaciónTITULO “Actividad 3. ¡Crea una IA justa! El laboratorio de datos y sesgos

 

EXPLICACIÓN Y ETAPA Y DATOS DE LA ACTIVIDAD 

Esta actividad hace visible 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. Esta actividad Integra pensamiento crítico, convivencia y lenguaje de IA sin usar pantallas.

Datos de la actividad

• Curso: 5º Primaria (10–11 años)

• Tiempo: 55–70 min (RECOMENDADO EN 2 SESIONES)

• Agrupación: equipos de 4–5 + puesta en común

• Espacio: aula (mesas)

   

---

RELACION

ObjetivoCURRICULAR general

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 GENERAL 

Construir y evaluar un modelo sencillo (reglas/puntuación) para tomar una decisión, usando datos de ejemplo, y comprobar cómo aparece el sesgo por representación y por “reglas mal diseñadas”. 

---

DESARROLLO 

Materiales

1)   Pregunta detonante

“Si quisiéramos una ‘máquina’ que eligiera a quién elegir como el Robot ayudante del aula… ¿cómo le enseñaríamos a decidir?” 

2)   Organización 

Roles:

• 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 quién perjudica y por qué)
• (Opcional) Portavoz 

Materiales
• 30 “fichas de caso” (tarjetas) con Robots y rasgos neutros del aula (sin datos 
sensibles):

o

• Ej.: “Trae deberes 4/5 días”, “Ayuda a un compañero”, “Se distrae a 
  veces”, “Llega puntual”, “Interrumpe”, “Trabaja en equipo”…

  
  •

3 sobres: ENTRENAMIENTO (datos) / PRUEBA / DIFÍCILES

•

Plantilla “Nuestro modelo” (tabla de puntos o reglas)

•

Hoja de registro: 12 predicciones ✅/❌

•

Post-its: DATOS / ALGORITMO / MODELO / SESGO / PRUEBA

Nota: Los “personajes” pueden ser animales o robots para hacerlo más lúdico. 

Desarrollo de la actividad

1) Pregunta detonante (4 min)

“Si quisiéramos una ‘máquina’ que eligiera a quién elegir como el Robot ayudante del aula… ¿cómo le enseñaríamos a decidir?”

2) Organización (3 min)

Roles:

• 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 quién perjudica y por qué)

• (Opcional) Portavoz

3)   Datos (entrenamiento) (10–12 min)

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

• “SÍ es elegido”

• “NO es elegido”

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) (12–15 min)

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

• +2 si “ayuda a compañeros”

• +2 si “respeta turnos”

• +1 si “trae material”

• −2 si “interrumpe”

• −1 si “llega tarde a veces”
  Regla final: si suma ≥ 3 puntos → SÍ, si no → 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 (10–12 min)

Se entrega el sobre PRUEBA con 8 tarjetas nuevas (sin etiqueta).
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 (12–15 min)

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

Ejemplos:

• Casos con rasgos “mixtos” que no aparecían en entrenamiento (“ayuda mucho pero se pone nervioso y habla rápido”)

• Casos con un rasgo que el modelo penaliza demasiado (“llega tarde a veces” por motivo ajeno, sin entrar en realidades personales)

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 (6–8 min)

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 un castigo (−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

Se repiten las 4 tarjetas DIFÍCILES y se comparan resultados. 

8)   Debate final                              (5–7 min)

• ·       “¿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 iconosiconos/pictos (manoarasaac) ayudando,y relojcolores puntual,por bocacategorías hablando),lo lecturaque compartida.

  reduce la carga lectora y mejora la comprensión.

• Acción/expresión: para cálculoconstruir enel grupomodelo conpor fichas/puntos, explicaciónusad oralfichas: 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 esquema.

  un mini-esquema “si suma ≥ 3 → SÍ”.
  

• Implicación: rolDale al Auditor/a de auditorsesgo una misión clara: revisar en DIFÍCILES “qué tipo de casos recibe más NO y por qué” y proponer 1 mejora (misión),cambiar debatedatos cono ejemplosreglas). concretos,Para mantener el enganche y evitar decisiones forzadas, incorporad la opción “NO SÉ”.

Evaluación final 

Semáforo por equipo

• 🟢para “Definimoszona datos/algoritmo/modelo/sesgogris” y mejoramos el modelo con una razón.”

• 🟡decidir “Lorevisión entendemos pero nos cuesta explicar el sesgohumana” o justificar“necesitamos lamás mejora.”

• 🔴 “Necesitamos apoyo para construir reglas y ver el sesgo.”

  datos”.

ChecklistEVALUACIÓN docente

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

Describe algoritmo como reglas/pasos.

Indicador (5criterios) ítems)	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 datospartes comodel ejemplosproceso etiquetados.con ayuda, con algunos errores.	Explica con claridad: datos → reglas/modelo como→ laprueba tabla→ final.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 sesgodesequilibrios/ausencias (aen quiénlos perjudicadatos y porpropone qué).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 contraargumentos, 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 razonadaconcreta, (datospero poco viable o reglas).poco relacionada con el sesgo.	Propone mejoras concretas y viables(mejorar datos, ajustar reglas, revisión humana) y las justifica.	Propone varias mejoras, prevé efectos y define cómo comprobar si el sistema es más justo.

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

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

·       Observación del debate (Indicador 3)

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

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