Radar Sonoro: IA en modo escucha

 

Radar Sonoro: IA en modo escucha

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

Datos de la actividad

 

 

Objetivo general

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.

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 (5 min)

•     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 (3-5 min)

•     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.

•     Zona de grabación: 1-2 metros del micrófono, sin conversaciones de fondo.

3)  Preparación de datos (8-12 min)

•     Cada clase debe tener cantidad similar de clips (por ejemplo 30/30/30).

•     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.

•     Si no se puede grabar, usar una carpeta con clips preparados (recomendado para la primera vez).

4)  Pasos en Teachable Machine (10-15 min)

•     Entrar en Teachable Machine y elegir Audio Project.

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

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

•     Entrenar: pulsar Train Model.

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

5)  Reto de comprobación (8-10 min)

•     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 (8-12 min)

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. Cierre y debate final (5 min)

•     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?

Implementacion en monitor interactivo (pasos rapidos)

•     Conecta portatil al monitor (HDMI) y, si hay control tactil, conecta USB tactil.

•     Abre Techable Machine en pantalla completa y coloca el microfono en una zona estable.

•     Proyecta tambien la hoja de registro para que toda la clase vea como se anotan evidencias.

•     Usa un 'semáforo de ruido': si el aula esta ruidosa, se pausa la grabacion.

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.

Evaluación

Checklist rapido (docente) y evidencias por equipo:

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

•     Equilibra ejemplos por clase y explica por que es importante.

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

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

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

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.