Aplicación de la IA en el aula: Educación Infantil y Primaria ESTE NO ES

Tercer módulo perteneciente al itinerario formativo en alfabetización de la IA en el ámbito educativo, específico de cada perfil docente.

1.Ámbito docente: Materiales educativos

1.Ámbito docente: Materiales educativos

Del objetivo al recurso (con ayuda de IA)

Teachers cannot be coded

En primer lugar, veremos cómo utilizar la IA en y para nuestra aula como una herramienta al servicio del profesorado para preparar clases. Nos centraremos en la IA como apoyo para diseñar, adaptar y enriquecer materiales educativos: fichas, tarjetas, juegos, guiones de sesión, recursos visuales, variantes por nivel o microcontenidos (por ejemplo, instrucciones para una actividad), entre otros.
En este módulo lo abordaremos desde necesidades prácticas de Infantil y Primaria; los asistentes generales se desarrollarán con más amplitud en el Módulo 2 del Itinerario en IA, con un enfoque más transversal.

En educación conviene afirmarlo con claridad desde el inicio: la Inteligencia Artificial no sustituye al profesorado de ninguna forma. Puede apoyar, agilizar y ofrecer propuestas, pero no puede asumir lo que hace que el aprendizaje sea posible en el aula: la mirada profesional, el acompañamiento, la construcción de vínculos, la lectura del contexto, la toma de decisiones pedagógicas y el cuidado del bienestar del alumnado.

Cuando la usamos con intención educativa, la IA puede ayudarnos a arrancar materiales (un primer borrador), multiplicar versiones (refuerzo, nivel estándar y ampliación), ofrecer alternativas de formato (ficha, tarjetas, quiz, guion visual) o proponer ejemplos y enunciados. Sin embargo, el material que llega al alumnado debe pasar siempre por el filtro de quienes educan: revisar, corregir, contextualizar, ajustar el nivel lector, garantizar accesibilidad y atender a la diversidad. En otras palabras: la IA puede acelerar el proceso; la calidad pedagógica la asegura el profesorado.

Este enfoque se alinea con la orientación de UNESCO hacia una integración de la IA centrada en las personas, donde la tecnología debe reforzar capacidades humanas y preservar la agencia profesional de docentes y centros educativos. En la práctica, lo traducimos en un principio sencillo y proactivo para este módulo: la IA propone; el profesorado decide.

Además, marcos de alfabetización en IA como el AILit Framework (Comisión Europea + OCDE) promueven un uso crítico, práctico y contextualizado: comprender qué puede y qué no puede hacer la IA, valorar sus límites y tomar decisiones responsables en situaciones reales de aula. También es una referencia útil la versión en español del marco, disponible en ailiteracyframework.org/es


image.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).

1.Ámbito docente: Materiales educativos

¿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.

1.Ámbito docente: Materiales educativos

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:

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

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

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:

Formato de cada pregunta (trivial manipulativo):

Requisitos pedagógicos:

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:

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.

image.png

1.Ámbito docente: Materiales educativos

Créditos

Cualquier observación o detección de error en soporte.catedu.es

Los contenidos se distribuyen bajo licencia Creative Commons tipo BY-NC-SA excepto en los párrafos que se indique lo contrario.

image-1648462225402.gif

image-1648462299882.png

image-1648462361893.png

2. Enfoque pedagógico de la IA en Infantil y Primaria

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):

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.


2. Enfoque pedagógico de la IA en Infantil y Primaria

Aprender para y sobre la IA

En estas edades conviene trabajar dos líneas complementarias:

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:

Qué hace el profesorado

B) Aprender sobre la IA

Una idea central, segura y comprensible: “las máquinas siguen reglas y ejemplos; no adivinan”.
Se trabaja con:

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

B) Aprender sobre la IA

Aquí sí ponemos palabras, siempre con ejemplos comprensibles:

Tecnología (si se usa)

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

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):

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).

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:

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).

3. Conceptos fundamentales de IA adaptados a Infantil y Primaria

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

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:

 

Materiales

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):

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:

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.

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:

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):

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:

La meta es reducir barreras y aumentar oportunidades de participación, coherente con una mirada inclusiva de la innovación educativa.

Evaluación

Checklist rápido (docente):

3. Conceptos fundamentales de IA adaptados a Infantil y Primaria

Actividad 2: El camino de decisiones: construimos un algoritmo (tipo árbol) y vemos el sesgo

Actividad 2. El camino de decisiones: construimos un algoritmo tipo árbol.

El alumnado entiende cómo “decide” una IA mediante un algoritmo en forma de preguntas (árbol de decisiones), usando objetos reales. Comprende que el modelo es el árbol final construido con datos (ejemplos) y que aparece sesgo si los ejemplos no representan bien la realidad. Es muy manipulativa y favorece el razonamiento.

Datos de la actividad

·       Curso: 3º Primaria (8–9 años)

·       Tiempo: 45–60 min

·       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.

Objetivo general

Construir un árbol de decisiones para clasificar objetos y comprender el proceso de aprendizaje seguido por datos, algoritmo, modelo ysesgo influyen en los aciertos y errores.

Materiales

•    25-35 objetos o tarjetas (material escolar variado).

•    Cartulinas o post-its grandes para escribir preguntas SÍ/NO.

•    Cinta adhesiva para marcar el “camino” en el suelo.

•    3 categorías (carteles): por ejemplo, ESCRIBIR / CORTAR (tarjeta) /SUJETAR.

•    Hoja de registro con 10 pruebas (correctas/incorrectas) + breve causa delerror (¿Por qué falló?).

Desarrollo paso a paso

1. Pregunta detonante (3 min)

¿Podemos construir un camino de preguntas SÍ/NO para que una “máquina” clasifique objetos?

2. Organización y roles (3 min)

•    Constructor/a: coloca preguntas y flechas.

•    Probador/a: pasa objetos por el camino.

•    Detective de errores: registra fallos y causas.

•    Portavoz: explica el modelo al final.

3. Datos iniciales (8-10 min)

El docente entrega al equipo un set de 12 objetos ya “etiquetados” (con pegatina o tarjeta) en una de las 3 categorías elegidas.
Ejemplo (si usamos función):

Aquí se introduce: DATOS = ejemplos con etiqueta (la respuesta correcta).

4. Construcción del algoritmo (15-20 min)

El equipo crea un camino de preguntas SÍ/NO para llegar a una categoría.

Ejemplos de preguntas útiles:

Reglas del juego (para que sea claro):

 Aquí se nombra: ALGORITMO = secuencia de preguntas para decidir.

5. El modelo (2 min)

Cuando el camino funciona con los 12 ejemplos, se pega un cartel:

MODELO = nuestro árbol final de preguntas (lo aprendido con los datos).

6. Reto de comprobación: objetos nuevos (10 min)

El docente da 10 objetos nuevos (no estaban en los 12 ejemplos) y el equipo los pasa por el modelo.
Registran ✅/❌.

Ejemplos de objetos “nuevos” que provocan pensamiento:

7. Sesgo: faltaban ejemplos (8-10 min)

Ahora el docente revela una condición:

“Vuestros datos tenían muchos ejemplos de ESCRIBIR y muy pocos de SUJETAR (o faltaba ‘pegamento’, ‘goma’, etc.).”

Se repite una mini-prueba con 4 objetos “conflictivos”.
El equipo identifica:

Aquí se nombra: SESGO = cuando el conjunto de ejemplos no representa bien y el modelo aprende una idea incompleta.

8. Mejora del modelo (5-7 min)

Cada equipo aplica 1 mejora:

Vuelven a probar con los 4 objetos conflictivos.

9. Cierre y puesta en común (5 min)

 

DUA: adaptaciones para inclusión

•    Representación: preguntas con pictos; demostración breve inicial.

•    Acción/expresión: mover objetos por el camino; registro con pegatinas.

•    Implicación: el equipo elige preguntas y puede crear categoría “OTROS”.

 

Semáforo por equipo

Checklist docente

•    Identifica datos como ejemplos etiquetados.

•    Explica algoritmo como preguntas/pasos.

•    Define modelo como el árbol final.

•    Reconoce sesgo como falta de variedad en los datos.

Glosario rápido para explicarlo en clase

•    Datos: ejemplos con etiqueta (respuesta correcta).

•    Algoritmo: preguntas SÍ/NO que guían la decisión.

•    Modelo: el árbol final que usamos para clasificar.

•    Sesgo: cuando el árbol falla más con ciertos objetos porque faltabanejemplos.

•    Prueba/validación: comprobar el modelo con casos nuevos.

3. Conceptos fundamentales de IA adaptados a Infantil y Primaria

Actividad 3: Laboratorio de sesgos: ¿Es justo nuestro modelo?

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

Justificación 

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

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”.

Materiales

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:

3) Datos (entrenamiento) (10–12 min)

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

El equipo analiza:

 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):


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:

El auditor responde en la hoja:

 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):

Se repiten las 4 tarjetas DIFÍCILES y se comparan resultados.

8) Debate final (5–7 min)


DUA (adaptaciones)


Evaluación final 

Semáforo por equipo

Checklist docente (5 ítems)

3. Conceptos fundamentales de IA adaptados a Infantil y Primaria

ANEXO I: 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:

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:

En cuanto a los actuadores, la placa incorpora:

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:

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:

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:


3. Conceptos fundamentales de IA adaptados a Infantil y Primaria

ANEXO II: Diferentes plataformas de Machine Learning

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:

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:

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.

4. Clasificación de herramientas y propuestas para su uso seguro en el aula

Configuración y propuestas ya creadas en las plataformas

4. Clasificación de herramientas y propuestas para su uso seguro en el aula

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.

portada-guia-IA-3647822891.jpg

A lo largo de los apartados posteriores trabajaremos con un enfoque muy docente:

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

trabajo_ia_en_el_aula_sin_pie.png

4. Clasificación de herramientas y propuestas para su uso seguro en el aula

TEACHEABLE MACHINE (Clasificación imagen y sonido)

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:

¿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.

Infografia_TeachableMachine_Pros_Contras_v3_page-0001.jpg

 

4. Clasificación de herramientas y propuestas para su uso seguro en el aula

Vivo/ No vivo

vivo:no 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

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

 

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:

B) Organización

Roles sencillos (elegibles):

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):

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:

E) Opciones de mejora propuestas por el alumnado

Se pueden pedir 2 ideas por equipo (pueden elegir con tarjetas):

Luego eligen 1 para aplicar.

DUA: dar un “menú de mejoras” visual para que todos puedan elegir.

F) Comprobar mejoras (segunda ronda)

 

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?
  3. ¿Qué le ayudó a mejorar?
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):

Justificación infantil (elige 1 opción)

El grupo marca o dice una causa (con pictos):

Evidencia rápida (para el docente)

Checklist (sí/no) mientras escuchas el semáforo:

4. Clasificación de herramientas y propuestas para su uso seguro en el aula

Radar Sonoro: IA en modo escucha

 

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

 

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.

 

5. Estrategias didácticas para Infantil y 1º ciclo Primaria

Actividades paso a paso

5. Estrategias didácticas para Infantil y 1º ciclo Primaria

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 de las dotaciones de Escuela 4.0 que recibirán los centros. 

5. Estrategias didácticas para Infantil y 1º ciclo Primaria

Propuesta didáctica para primer ciclo de Primaria

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:

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

Explicamos las reglas:

  1. Alimentamos a la Inteligencia con peces correctos.
  2. Evitar resto de objetos

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.

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....

 

6. Estrategias didácticas para 2º y 3º ciclo Primaria

6. Estrategias didácticas para 2º y 3º ciclo Primaria

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.

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.

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. 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.

6. Estrategias didácticas para 2º y 3º ciclo Primaria

Software a nuestro alcance: EchidnaML y Teachable Machine

Aquí irá una comparativa entre los Echidna ML (v1, v2) y Teachable Machine de Google.

6. Estrategias didácticas para 2º y 3º ciclo Primaria

Propuesta didáctica para segundo ciclo: Sesgos en el entrenamiento

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

Entrenando a nuestra IA con sesgos

Objetivos:

Recursos materiales:

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.

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).

image.png

Escogemos el entrenamiento de imágenes

image.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.

image.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.

image.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:

image.png

Para ello, nos vamos a PROBAR y tenemos dos opciones, subirle nuevas imágenes o mostrárselas a la webcam.

image.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).

image.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:

  3. Reflexionan sobre sesgos:


6. Estrategias didácticas para 2º y 3º ciclo Primaria

Propuesta didáctica para tercer ciclo (I)

Vamos a encender y apagar un objeto de luz usando texto predictivo con IA

Al arrancar EchidnaScratch nos vamos a LEARNING ML, nos vamos a entrenar y que entrene con la clase APAGA las palabras que se nos ocurra:

2024-12-08 00_02_05-EchidnaML.png

Y con la clase ENCIENDE otras tantas palabras

2024-12-08 00_04_31-EchidnaML.png

Pulsamos que entrene (tarda un poco) y cuando nos diga que esta listo para usar el modelo, vamos a comprobarlo, como vemos, la palabra MUCHA LUZ no aparece en las entrenadas, pero detecta que tiene más posibilidades que lo que queremos es apagar la luz

2024-12-08 00_06_34-EchidnaML.png

Acuerdate de grabarlo lo voy a grabar como enciende-apaga.json, se graba LOS DATOS DE ENTRENAMIENTO luego al volverlo a abrir, tienes que volver a crear el modelo

2024-12-08 10_19_53-EchidnaML.png

Ahora si !! vamos a EchidnaScratch y creamos este programa usando las instrucciones de Learning ML que se basan en el modelo aprendido anteriormente

2024-12-08 00_30_31-EchidnaML.png

Aquí lo tienes todos los procesos en vídeo :

CC-BY SA Fuente https://echidna.es/a-programar/echidnaml/como-empezar-con-machine-learning-y-echidna/

El programa en este repositorio: https://github.com/JavierQuintana/Echidna

El sprite lámpara lo he obtenido de https://scratch.mit.edu/projects/198689957/editor/

Mejoramos nuestro modelo pero con ayuda de ChatGPT

Agradecimientos a Fran Perez CP Ana Abarca de Bolea

Hacemos los mismos pasos, pero con pocos sinónimos, solo dos en cada clase, y lo guardamos. Si nos fijamos en el fichero .json (lo abres con un editor de texto, el bloc de notas por ejemplo) el fichero .json no es más que un fichero que almacena los datos de forma clasificada :

{"type":"text","data":{"Enciende":["Poca luz","On"],"Apaga":["Mucha luz","On"]}}

Le decimos a chatgpt que nos lo enriquezca con este prompt (u otro similar) con 20 sinónimos (y si quieres más, pues más):

quiero que insertes dentro del corchete [ ] de Enciende 20 sinónimos de órdenes para encender la luz y dentro del corchete de Apaga [ ] quiero que pongas 20 sinónimos de órdenes para apagar la luz no pongas saltos de línea, mantén el formato {"type":"text","data":{"Enciende":["Poca luz","On"],"Apaga":["Mucha luz","On"]}}

El chatgpt responde con este código:

{"type":"text","data":{"Enciende":["Enciende la luz","Prende la luz","Activa la luz","Ilumina","Dale luz","Pon la luz","Conecta la luz","Inicia la luz","Enciende iluminación","Prende iluminación","Activa iluminación","Enciende lámpara","Prende lámpara","Enciende bombilla","Prende bombilla","Dale corriente a la luz","Sube la luz","Ilumina la habitación","Activa el foco","Pon luz"],"Apaga":["Apaga la luz","Apaga todo","Desconecta la luz","Quita la luz","Apaga lámpara","Apaga bombilla","Corta la luz","Desactiva la luz","Oscurece","Quita iluminación","Apaga iluminación","Cierra la luz","Desconecta iluminación","Apaga el foco","Apaga la lámpara","Corta iluminación","Desactiva iluminación","Quita corriente a la luz","Apaga por completo","Baja la luz"]}}

lo metes en el bloc de notas y lo guardamos como loquequieras.json y lo importamos en LearningML ¡¡ tenemos ahora 20 textos en cada clase !!! nuestra máquina de IA ha mejorado !!!

2025-12-05 14_29_02-EchidnaML.png


Otro ejemplo pero con una cerveza ;)

 https://libros.catedu.es/books/robotica-educativa-con-mbot/page/maquina-educable-con-machine-learning-for-kids-y-scratch

6. Estrategias didácticas para 2º y 3º ciclo Primaria

Propuesta didáctica para tercer ciclo (II)

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

Vamos a desarrollar este proyecto de Jorge Lobo @Lobo_tic https://x.com/lobo_tic/status/1923996982516814064

—Antes, para salir del parking del supermercado, había que escanear el ticket de compra, pero ahora la barrera se abre sola como si supiera que ese coche puede salir.

—¿Queréis saber cómo lo sabe?

Así surge la idea de esta actividad con @EchidnaSTEAM y @_learningml_ 😃 pic.twitter.com/3Ew22WcURj

— Jorge Lobo (@lobo_tic) May 18, 2025
PRIMER PASO : MONTAJE

Ponemos un servo en D4 

FÍJATE QUE EL MARRÓN A MASA GND SIMBOLO G TAL COMO LA FOTO Y EL AMARILLO EN DATO Dx

2025-06-17 21_55_44-.png

SEGUNDO PASO : CREAR MÁQUINA IA DE RECONOCIMIENTO DE MATRICULAS
  1. Entramos en crear máquina de reconocer imágenes
  2. Creamos una clase que se llame NO
  3. Añadimos imágenes desde nuestra webcam
    1. Vamos enseñando matrículas que no queremos que se abra el parking de cada matrícula pulsamos una docena en diferentes posiciones (ligeros cambios)
    2. También añadimos varias imágenes que existe cuando no hay ninguna matrícula, pues queremos que cuando no hay coche que no se abra el parking.
  4. Añadimos la clase SI
    1. Repetimos el paso 3.1 con las matrículas que queremos que se abra el parking
  5. Le damos a aprender
  6. Probamos
  7. Nos fijamos que funciona perfectamente

reconocimientomatriculas.png

Detalle del paso 3.2

2025-06-17 21_54_31-EchidnaML.png

TERCER PASO : PROGRAMAR

Ahora entramos en la ventana de programación usando el modelo:

  1. En learningml arrastramos la instrucción de encender cámara
    1. curiosamente lo voltea, por lo tanto le decimos ON FLIPPED de lo contrario lee al revés las matrículas (curiosamente lo hace bien aunque a veces falla)
  2. Ponemos un bucle infinito para que siempre lea los sensores y funcionen los actuadores (típico en programas de robótica)
  3. Un condicional dentro del bucle si --- sino y en la condición que sea si LA MATRICULA ES DE LA CLASE SI pues que abra sino que la cierre
    1. Tiene dos instrucciones dentro de learningml uno que es que clasifique la imagen y otro que sea la imagen de la captura del vídeo
  4. Si es SI pues que abra con el servo 
  5. También que encienda la luz verde y apaque el rojo
  6. Esta espera es para que el coche pase tranquilamente además que nos permite que no haga contínuos aperturas y cierres de la barrera
  7. SINO pues que cierre la barrera
  8. Encienda rojo y apague verde

2025-06-17 21_42_52-EchidnaML.png

CUARTO PASO : JUGAR

Referencias

Referencias

Referencias

Créditos

Cualquier observación o detección de error en soporte.catedu.es

Los contenidos se distribuyen bajo licencia Creative Commons tipo BY-NC-SA excepto en los párrafos que se indique lo contrario.

image-1648462225402.gif

image-1648462299882.png