# 4. Clasificación de herramientas y propuestas para su uso seguro en el aula
Configuración y propuestas ya creadas en las plataformas
# Página nueva
# Propuestas de aula con IA: aprender haciendo paso a paso.
En este bloque vamos a dar un paso a la parte práctica: pasamos de "entender" la IA a llevarla al aula con actividades reales, pensadas para la etapa de Infantil y Primaria, y con una idea clave como punto de partida: **la seguridad y la protección de datos es una parte importante del diseño de la actividad**.
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)
# TEACHEABLE MACHINE (Clasificación imagen y sonido)
[](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)
# Vivo/ No vivo
[](https://libros.catedu.es/uploads/images/gallery/2026-01/vivono-vivo.png)
## **Vivo / No vivo con objetos del aula**
#### **1) 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?”).
#### **2) Datos de la actividad**
- **Curso:** 1.º Primaria (6 años)
- **Área:** Ciencias
- **Tipo TM:** Image Project (clasificación)
- **Tiempo:** 35–50 min
- **Agrupación:** Equipos + asamblea final
- **Producto:** Clasificador **VIVO vs NO VIVO**
#### **3) Objetivo general**
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.
#### **4) 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 infantil (con ✅/❌ y % si lo anota el docente)
#### **5) Desarrollo de la actividad**
##### **A) Pregunta detonante**
**“¿Creéis que una máquina puede aprender a decir si algo está VIVO o NO VIVO solo mirando fotos? ¿Qué necesita para aprender?”**
(Alternativa corta) **“Si le enseño muchas fotos, ¿acertará?”**
**DUA:** ofrece dos opciones de respuesta inicial:
- **Con gesto** (pulgar arriba/abajo) o
- **Con tarjetas** VIVO/NO VIVO.
---
##### **B) 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/a:** detecta errores (“se ha confundido”)
**DUA (participación):** permitir elegir rol según fortalezas (hablar, mover objetos, mirar, ordenar).
---
##### **C) Pasos en Teachable Machine**
**1) Crear proyecto y clases**
1. Image Project → Standard Image Model
2. Clases: **VIVO** y **NO VIVO**
**2) Recoger datos (fotos)**
3\. Tomar **20-30 ejemplos por clase**
4\. Variar **objetos, ángulos, distancia y fondo** (para que aprenda mejor)
**3) Entrenar y probar**
5\. Train Model
6\. Probar con objetos nuevos (no usados en fotos)
**4) 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”.
---
##### **D) Reto de comprobación (objeto sorpresa)**
1. Cada equipo trae un **objeto sorpresa**.
2. Lo muestran a la cámara y observan predicción
3. El portavoz dice: **“La máquina ha dicho…”** y el grupo decide: **“¿Estamos de acuerdo?”**
**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)
---
##### **E) Opciones de mejora propuestas por el alumnado**
Se pueden pedir **2 ideas** por equipo (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.
**DUA:** dar un “menú de mejoras” visual para que todos puedan elegir.
---
##### **F) Comprobar mejoras (segunda ronda)**
- Re-entrenar y repetir 3 pruebas:
1. objeto fácil, 2) objeto difícil, 3) objeto sorpresa
- Comparar en voz alta: **“Antes fallaba / ahora acierta más”**.
---
##### **G) Debate final (asamblea breve)**
Con respuestas de una palabra, gestos o tarjetas:
1. **¿La máquina acertó mucho o poco?**
2. **Cuando se equivocó, ¿qué creéis que miró?**
- “Color” / “Forma” / “Fondo” / “Luz”
4. **¿Qué le ayudó a mejorar?**
- “Más fotos” / “Fotos diferentes” / “Objetos nuevos”
##### **Cierre para el aula:**
**“La IA no entiende ‘vida’ como nosotros: aprende patrones con las fotos que le damos.”**
---
#### **6) 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**.”
**Justificación infantil (elige 1 opción)**
El grupo marca o dice una causa (con pictos):
- “Necesitábamos **más fotos**”
- “Necesitábamos **fotos diferentes**”
- “El **fondo** engañó”
- La **luz** era mala
- “Nuestro objeto era **nuevo/diferente**”
**Evidencia rápida (para el docente)**
Checklist (sí/no) mientras escuchas el semáforo:
- El grupo aportó fotos a ambas clases
- Probó al menos 2 objetos nuevos
- Propuso 1 mejora y la aplicó (añadió fotos / cambió fondo / etc.)
- Explicó un error con una idea simple (color, forma, luz, fondo)
# Radar Sonoro: IA en modo escucha
###
[](https://libros.catedu.es/uploads/images/gallery/2026-01/radar-sonoro.png)
### **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
| Etapa
| 5º de Primaria (10-11 años)
|
| Duracion
| 40-55 min (opcional 2 sesiones)
|
| Agrupacion
| Equipos de 4 + puesta en comun
|
| Area
| Ciencias (entorno sonoro) + competencia digital
|
| Tipo Techable Machine
| Audio Project
|
| Producto
| Modelo que clasifica AVES / TRÁFICO / AGUA y registro demejoras
|
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.