# Actividad 2. Radar Sonoro: entrenamos un clasificador de sonidos del entorno ### [![Radar sonoro.png](https://libros.catedu.es/uploads/images/gallery/2026-01/scaled-1680-/radar-sonoro.png)](https://libros.catedu.es/uploads/images/gallery/2026-01/radar-sonoro.png) Ilustración 1 Imagen generada con ChatGPT (OpenAI). 2026. ## **Radar Sonoro: IA en modo escucha** Esta actividad usa Teachable Machine (proyecto de audio) para entrenar un clasificador de sonidos del entorno (aves, trafico y agua). El alumnado comprende que **la IA no entiende el mundo:** **aprende patrones** a partir de ejemplos, puede confundirse y mejora cuando ampliamos y equilibramos los datos. ### Datos de la actividad - Curso: 5.º Primaria (10-11 años) - Área: Conocimiento del medio natural, social y cultural - Tipo TM: IProyecto de sonido - Tiempo: 55-60 min (recomendable realizar en 2 sesiones) - Agrupación: Equipos + asamblea final - Producto: Clasificador de sonidos - Objetivo general

### Objetivo didáctico Con esta actividad se pretende que el alumnado construya un modelo sencillo que reconozca sonidos y aprenda a trabajar con el ciclo: definir clases - recopilar datos - entrenar - probar - mejorar. La actividad enfatiza pensamiento critico: que registren errores, expliquen por que ocurren y decidan que datos faltan para mejorar. ### Vinculación curricular La situación de aprendizaje **'Radar Sonoro'** se integra de forma transversal en el currículo de 5º de Primaria, vinculándose directamente con el área de **Conocimiento del Medio Natural, Social y Cultural** y la **Competencia Digital (CD)**. A través del diseño y entrenamiento de un modelo de aprendizaje supervisado, el alumnado trabaja el **Criterio de Evaluación 3.2**, orientado al diseño de soluciones tecnológicas para problemas del entorno, y la **Competencia Específica 5**, que promueve el uso crítico, ético y responsable de la tecnología. La actividad nos permite igualmente el trabajo del **pensamiento computacional** y la alfabetización de datos, permitiendo que el alumnado identifique los sesgos y limitaciones de los algoritmos de IA. ### Materiales • Monitor interactivo o proyector + ordenador (portatil) con navegador. • Micrófono (el del portatil suele valer; mejor microfono externo si el aula es ruidosa). • Tres colecciones de sonidos (20-40 clips por clase): aves, tráfico, agua. Preferible grabados por el docente o del centro, sin voces identificables. • Altavoces para reproducir los clips durante la prueba. • Hoja de registro por equipo (incluida al final del documento). • Opcional: rincón silencioso para grabación; cartel visual de normas de audio (no nombres, no conversaciones). ### Desarrollo de la actividad #### 1. Pregunta detonante • Si cierro los ojos, puedo saber si oigo un pajaro, un coche o agua. Como crees que lo haria una IA? • ¿Qué necesita para aprender a distinguir sonidos? • ¿Crees que se equivocara? ¿Qué podemos hacer si falla? #### 2. Organización y roles • Equipo de 4: - - **Operador/a** (usa TM), - **Gestor/a de datos** (elige y etiqueta clips), - **Probador/a** (lanza pruebas), - **Anotador/a** (registra resultados).

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

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

\#	Clip (descripcion)	Prediccion	%	Acierto	Nota / causa del error
1
2
3
4
5
6
7
8
9
10
11
12

Cierre recomendado: cada equipo comparte 1 error frecuente y 1 mejora que funciono. Asi la clase construye un 'manual de buenas practicas' para futuros modelos.

## Recomendaciones finales • **Respetar la privacidad**: sin voces, sin nombres, sin conversaciones en los clips. • **Equilibrar ejemplos** por clase y explica por que es importante. • **Registrar resultados** (predicción, porcentaje, acierto) y detecta patrones de error. • **Proponer al menos una mejora** basada en evidencias y comprueba si mejora el rendimiento. • **Explicar con lenguaje propio que la IA no entiende:** predice según ejemplos.