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 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 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). ¿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: Objetivo didáctico Qué aprendizaje queremos que el alumnado practique o consolide. Contexto del grupo Curso/edad, nivel lector, lengua, ritmo, apoyos (lectura fácil, pictos, menos ítems, más tiempo, etc.). Formato del recurso Fichas, tarjetas, trivial/quiz, ruleta, instrucciones visuales, guion de microvídeo… Calidad de las preguntas/ítems Enunciados claros, una sola respuesta correcta, sin trampas lingüísticas, progresión de dificultad y feedback breve. 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. Revisión docente (imprescindible) Comprobar exactitud, adecuación, claridad y posibles sesgos o ambigüedades. Privacidad y seguridad No introducir datos personales del alumnado ni material identificable. Trabajar con ejemplos ficticios y contenidos curriculares. 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: Quizizz (modo en directo) Kahoot! (modo clásico en vivo) Blooket (modo clase en directo) 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 Etapa:  Educación Primaria Curso:  6.º de Primaria Área:  Ciencias Sociales Saberes básicos:  Acontecimientos y procesos históricos relevantes en la historia del mundo desde la Prehistoria a la actualidad, el papel representado por los sujetos históricos (individuales y colectivos), acontecimientos y procesos.  Duración estimada: Preparación docente: 45–60 minutos Uso en el aula: 1 sesión (o más, según dinámica) Agrupación en el aula:  pequeños grupos (3–5 alumnado) 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 Generador de texto con IA:  Copilot, ChatGPT u otro similar. Plantilla de trivial imprimible:  (tablero y tarjetas) https://www.imageneseducativas.com/super-plantilla-para-fabricar-tu-propio-trivial-en-pdf-tablero/ Opción interactiva:  Quizizz / Kahoot! / Blooket. 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: Azul – Paleolítico: 12 preguntas Rosa – Neolítico: 12 preguntas Amarillo – Edad de los Metales: 12 preguntas (...)  Según tus clases Formato de cada pregunta (trivial manipulativo): Pregunta clara y directa. Una única respuesta correcta, breve y unívoca (una palabra o una frase corta). Sin opciones múltiples. Sin explicación adicional (formato Trivial Pursuit). Requisitos pedagógicos: Lenguaje claro, respetuoso e inclusivo. Nivel adecuado a alumnado de 11–12 años. Evitar preguntas ambiguas o con varias posibles interpretaciones. Priorizar comprensión frente a memorización literal. No incluir datos personales ni referencias sensibles. 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: Pregunta : la misma del trivial. Opciones de respuesta : 3 o 4 alternativas. Respuesta correcta : una sola opción válida. Sin explicación automática  (la explicación se realiza oralmente por parte del docente tras cada pregunta o al final del juego). 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. 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. 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 L a 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): Mediación consciente : cuando se use tecnología, que sea con tareas acotadas, lenguaje claro y protección de datos; y, si se introduce IAG, que sea siempre mediada (UNESCO recomienda umbral mínimo de 13 años para conversaciones independientes). Aprendizaje por “situaciones” : planificar situaciones de aprendizaje donde el alumnado movilice competencias, no solo “haga actividades sueltas” (Real Decreto 95/2022, de 1 de febrero; Real Decreto 157/2022, de 1 de marzo). DUA desde el inicio : ofrecer opciones de acceso, participación y demostración del aprendizaje (no como adaptación final, sino como diseño base), alineado con el principio normativo de DUA en Infantil y Primaria (Real Decreto 95/2022, de 1 de febrero; Real Decreto 157/2022, de 1 de marzo). Competencia digital y pensamiento computacional como puente : en Primaria, la competencia digital incluye alfabetización en información y datos, creación de contenidos (incluida programación), seguridad y bienestar digital, ciudadanía digital, resolución de problemas y pensamiento computacional y crítico (Real Decreto 157/2022, de 1 de marzo). 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. Aprender para y sobre la IA En estas edades conviene trabajar dos líneas complementarias: Aprender para la IA : capacidades y hábitos que ayudan al alumnado a convivir con tecnología con criterio (lenguaje, lógica, verificación, seguridad, cooperación). Aprender sobre la IA : comprender ideas básicas (reglas, ejemplos/datos, errores, límites, sesgos) y su impacto en la vida cotidiana. 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: Secuenciar, clasificar, reconocer patrones, anticipar consecuencias, regularse, comunicarse y cooperar. Qué hace el profesorado Diseña juegos breves con pasos visibles (pictos), objetos reales y diálogo. Asegura participación con DUA: ver/tocar/escuchar; responder señalando/moviendo/hablando (Ley Orgánica 3/2020; Real Decreto 95/2022). B) Aprender sobre la IA Una idea central, segura y comprensible: “las máquinas siguen reglas y ejemplos; no adivinan” . Se trabaja con: “Robot humano” (instrucciones claras), Juegos de clasificación (reglas), Detección de errores (depuración), “Objeto sorpresa” (cuando la regla falla). 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 Enseña rutinas de verificación: “¿Cómo lo compruebo?” “¿Qué evidencia tengo?” Propone actividades donde el alumnado toma decisiones con datos simples (tablas, conteos, comparaciones). Diseña desde DUA: apoyos (ejemplos resueltos, plantillas, vocabulario) + reto (preguntas de por qué, casos nuevos) (Ley Orgánica 3/2020; Real Decreto 157/2022). B) Aprender sobre la IA Aquí sí ponemos palabras, siempre con ejemplos comprensibles: Datos : ejemplos que “alimentan” una decisión. Modelo : la “regla aprendida” a partir de ejemplos. Error : cuándo falla y por qué. Sesgo : cuando los ejemplos no representan bien y el resultado se vuelve desigual. Tecnología (si se usa) IA generativa solo en modo demostración y con tareas cerradas: el aprendizaje está en preguntar, contrastar y razonar , no en “la respuesta” (UNESCO, 2023). Como brújula de competencias, AILit ayuda a concretar qué significa alfabetización en IA en etapas escolares (AI Literacy Framework, s. f.). 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 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): Algoritmo = “pasos” para lograr algo: recorridos en el suelo, “robot humano”, recetas visuales con tarjetas de acciones. Datos = “ejemplos”: objetos reales (tapones, figuras, imágenes) para clasificar por un criterio (color, tamaño, forma). Modelo = “la regla” que construimos: “si tiene… entonces va aquí”. Sesgo (semilla) = cuando la regla falla porque faltan ejemplos o están desequilibrados: si solo clasificamos objetos rojos, después no sabemos qué hacer con otros colores. 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: un algoritmo es una secuencia clara (y depurable) de pasos; los datos son ejemplos que “alimentan” una decisión; un modelo es la regla que “aprende” a partir de esos ejemplos; y el sesgo aparece cuando los datos no representan bien la realidad o cuando la regla se construye con un conjunto limitado de casos. 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). 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 Etapa: Educación Infantil (3–6 años) Duración: 35–45 minutos (recomendable repetir en 2 sesiones cortas) Agrupación: pequeños grupos (4–6) + asamblea final Espacio: Rincones Formato: manipulativo y desenchufado (sin pantallas) 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: seguir pasos claros (secuencia) ayuda a que algo “funcione” (base de  algoritmo ). los ejemplos importan para decidir (base de datos ), si usamos  muchos ejemplos aprende mejor. la regla que inventamos puede funcionar o fallar (base de modelo ), y que si solo usamos algunos ejemplos, la regla se vuelve “injusta” o se equivoca (sesgo, sin decir la palabra)   Materiales 2–3 cajas o aros en el suelo. Pegatinas o pictos para etiquetar cajas (por ejemplo: 🟩 “sí”, 🟥 “no”; o “va aquí / no va aquí”). Tarjetas/objetos variados (20–30): animales, alimentos, juguetes, prendas, formas, colores... Un “objeto sorpresa” (no previsto) para provocar reflexión (p. ej., murciélago si el criterio era “vuela = pájaro”). Opcional DUA: tarjetas con pictos grandes, objetos reales (tamaño manipulable), panel visual de “pasos”. 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): “¿Qué necesita la caja para saber dónde va cada cosa?” “¿Y si nos equivocamos… qué podemos hacer?” 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: “Miro la tarjeta/objeto” “Busco la pista” (color/forma/parte del cuerpo/ruedas…) “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: “¿En qué paso estás?” “¿Qué pista has visto?” 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. El o la docente (o un grupo) clasifica  5 objetos en silencio (ejemplos). El resto observa y propone: “Creo que la regla es…” Probamos con 3 objetos nuevos. 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: “¿Qué ha pasado?” “¿La regla sirve siempre?” “¿Qué ejemplos nos faltaban para no equivocarnos?” 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): “Hemos seguido pasos .” “Hemos usado ejemplos .” “Hemos inventado una regla .” “Y cuando faltaban ejemplos, la regla fallaba .” 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: Representación: usar objetos reales + pictos grandes; apoyos visuales de pasos. Acción/expresión: permitir responder señalando, moviendo el objeto o explicando oralmente; turnos flexibles. Implicación: ofrecer roles rotatorios (“quien observa”, “quien coloca”, “quien comprueba”), y opción de reto (“inventa una regla nueva”). La meta es reducir barreras y aumentar oportunidades de participación, coherente con una mirada inclusiva de la innovación educativa. Evaluación Checklist rápido (docente): Sigue una secuencia de pasos con ayuda. Justifica con una pista (“porque es rojo”, “porque tiene ruedas”). Acepta corregir y volver a probar sin frustración excesiva. Propone cambios cuando la regla falla (“necesitamos más ejemplos”, “la regla no vale para todos”). 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): ESCRIBIR: lápiz, boli, rotulador, tiza CORTAR: tijeras (tarjeta), cúter de cartón (solo imagen), sacapuntas (a debate) SUJETAR: clip, pinza, goma elástica, cinta, grapa (tarjeta) 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: “¿Sirve para hacer marcas o letras?” “¿Tiene filo o corta?” (si se usan tarjetas, no objetos peligrosos) “¿Sirve para sujetar/juntar cosas?” “¿Se usa con las manos para apretar?” Reglas del juego (para que sea claro): Máximo 3 preguntas antes de llegar a un destino Cada pregunta debe poder responderse SÍ o NO Cada objeto debe poder “viajar” por el camino  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: regla (¿es para medir o para trazar?) pegamento (¿juntar = sujetar?) estuche (¿sirve para…?) goma de borrar (¿es escribir o corregir?) botella (ninguna categoría: obliga a revisar) 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: ¿Qué tipo de ejemplo faltó? ¿Qué pregunta está mal o es ambigua? 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: Añadir 2–3 ejemplos nuevos (datos) y rehacer una pregunta Cambiar el orden de preguntas Crear una “salida extra”: OTROS / NO CLASIFICA (muy realista) Vuelven a probar con los 4 objetos conflictivos. 9. Cierre y puesta en común (5 min) “¿Qué ayudó más: cambiar preguntas o añadir ejemplos?” “¿Puede un modelo ser ‘injusto’ si solo ve algunos casos?” “¿Qué harías para que el modelo fuese más fiable?”   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 🟢 “Nuestro modelo clasifica bien y sabemos explicar por qué fallaba.” 🟡 “Clasifica a veces: tuvimos que mejorar preguntas o datos.” 🔴 “Nos costó: necesitamos más ejemplos claros.” 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. 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 Curso: 5º Primaria (10–11 años) Tiempo: 55–70 min (RECOMENDADO EN 2 SESIONES) Agrupación: equipos de 4–5 + puesta en común Espacio: aula (mesas) 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 30 “fichas de caso” ( tarjetas ) con Robots y rasgos neutros del aula (sin datos sensibles): Ej.: “Trae deberes 4/5 días”, “Ayuda a un compañero”, “Se distrae a veces”, “Llega puntual”, “Interrumpe”, “Trabaja en equipo”… 3 sobres: ENTRENAMIENTO (datos) / PRUEBA / DIFÍCILES Plantilla “ Nuestro modelo ” (tabla de puntos o reglas) Hoja de registro: 12 predicciones ✅/❌ Post-its: DATOS / ALGORITMO / MODELO / SESGO / PRUEBA Nota: Los “personajes” pueden ser animales o robots para hacerlo más lúdico. Desarrollo de la actividad 1) Pregunta detonante (4 min) “Si quisiéramos una ‘máquina’ que eligiera a quién elegir como el Robot  ayudante del aula … ¿cómo le enseñaríamos a decidir?” 2) Organización (3 min) Roles : Diseñador/a del modelo (escribe reglas/puntos) Entrenador/a de datos (analiza ejemplos) Probador/a (aplica el modelo a nuevos casos) Auditor/a de sesgo (revisa a quién perjudica y por qué) (Opcional) Portavoz 3) Datos (entrenamiento) (10–12 min) Cada equipo recibe 10 tarjetas del sobre ENTRENAMIENTO , ya etiquetadas por el docente: “SÍ es elegido” “NO es elegido” El equipo analiza: ¿Qué rasgos aparecen mucho en los “SÍ”? ¿Qué rasgos aparecen mucho en los “NO”?  Se nombra: DATOS = ejemplos con respuesta correcta . 4) Construcción del algoritmo (modelo por puntos) (12–15 min) El equipo crea un algoritmo tipo “puntos” (muy manipulativo y fácil de aplicar): +2 si “ayuda a compañeros” +2 si “respeta turnos” +1 si “trae material” −2 si “interrumpe” −1 si “llega tarde a veces” Regla final: si suma ≥ 3 puntos → SÍ , si no → NO. Se nombra: ALGORITMO  = las reglas/pasos para sumar y decidir y MODELO = la tabla final de puntos (lo aprendido con los datos) . 5) Prueba (validación) con datos nuevos (10–12 min) Se entrega el sobre PRUEBA con 8 tarjetas nuevas (sin etiqueta). El equipo aplica su modelo, predice SÍ/NO y registra. Después el docente revela la etiqueta real (o una hoja de soluciones común). 6) Mini-laboratorio de sesgos (12–15 min) Ahora entra el sobre DIFÍCILES con 4 tarjetas pensadas para mostrar sesgo. Ejemplos: Casos con rasgos “mixtos” que no aparecían en entrenamiento (“ayuda mucho pero se pone nervioso y habla rápido”) Casos con un rasgo que el modelo penaliza demasiado (“llega tarde a veces” por motivo ajeno, sin entrar en realidades personales) El auditor responde en la hoja: ¿Qué tipo de caso recibe más “NO”? ¿Ese rasgo estaba poco representado en los datos? ¿La regla está exagerando una pista?  Se nombra: SESGO = cuando el modelo se equivoca más con ciertos casos porque los datos eran pobres o las reglas no eran justas. 7) Mejora del modelo (6–8 min) Cada equipo elige UNA mejora (obligatorio justificarla): Mejora de datos: añadir 2 tarjetas de entrenamiento que faltaban (más variedad de casos) Mejora de reglas: bajar un castigo (−2 → −1), subir un criterio positivo, o añadir “NO SÉ” si está en zona gris Mejora de prueba: crear una regla de “revisión humana” para casos límite Se repiten las 4 tarjetas DIFÍCILES y se comparan resultados. 8) Debate final (5–7 min) “¿Qué mejoró más: cambiar datos o cambiar reglas?” “¿Cuándo sería peligroso usar este modelo sin revisar?” “¿Qué significa que un modelo sea ‘justo’?” DUA (adaptaciones) Representación: tarjetas con iconos (mano ayudando, reloj puntual, boca hablando), lectura compartida. Acción/expresión: cálculo en grupo con fichas/puntos, explicación oral o con esquema. Implicación: rol de auditor (misión), debate con ejemplos concretos, opción “NO SÉ”. Evaluación final  Semáforo por equipo 🟢 “Definimos datos/algoritmo/modelo/sesgo y mejoramos el modelo con una razón.” 🟡 “Lo entendemos pero nos cuesta explicar el sesgo o justificar la mejora.” 🔴 “Necesitamos apoyo para construir reglas y ver el sesgo.” Checklist docente (5 ítems) Identifica datos como ejemplos etiquetados. Describe algoritmo como reglas/pasos. Explica modelo como la tabla final. Detecta sesgo (a quién perjudica y por qué). Propone una mejora razonada (datos o reglas). 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: Hardware educativo, representado por placas como Echidna Black o la Echidna Shield. Software educativo, como EchidnaML y su módulo de aprendizaje automático LearningML. 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: Pulsadores digitales, que permiten introducir eventos o interacciones del usuario. Joystick analógico, con control en los ejes X e Y. Sensor de luz (LDR) para medir la intensidad luminosa del entorno. Sensor de temperatura que permite registrar cambios térmicos. Micrófono, que capta variaciones de sonido. Acelerómetro, capaz de detectar movimiento o inclinación. En cuanto a los actuadores, la placa incorpora: LEDs de estado. LED RGB, que permite representar diferentes colores. Salida de audio mediante zumbador o jack. 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: Compatibilidad con Arduino Nano y Arduino UNO. Conectividad Bluetooth para comunicación inalámbrica. Pines de entrada y salida para conectar sensores y actuadores externos. Configuración de alimentación para conectar pequeños motores o servos. 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: Arduino IDE, utilizando lenguaje basado en C++. Entornos gráficos basados en Scratch. Plataformas educativas específicas del ecosistema Echidna. 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: Recogida de datos El alumnado recopila datos utilizando sensores, imágenes, sonidos u otras fuentes. Entrenamiento del modelo El sistema utiliza esos datos para generar un modelo de clasificación o predicción. Uso del modelo El modelo puede integrarse en un programa que controle dispositivos físicos. Por ejemplo, se pueden crear proyectos como: Sistemas que detecten diferentes gestos utilizando el acelerómetro. Clasificadores de sonido usando el micrófono. 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: Recoger datos (Collect data) El alumnado realiza movimientos con la micro:bit (por ejemplo: aplaudir, saludar o saltar). El acelerómetro registra los datos. Entrenar el modelo (Test model) La herramienta utiliza esos datos para entrenar un modelo de aprendizaje automático que aprende a distinguir los movimientos. 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: un interruptor que enciende luces cuando detecta un aplauso, un temporizador que reconoce actividades físicas, un contador de pasos o movimientos, juegos que responden a gestos. 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: introduce el concepto de entrenamiento de modelos de IA , trabaja datos reales recogidos por sensores , conecta inteligencia artificial y computación física , y permite comprender la importancia de los datos de entrenamiento . 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 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. 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 TEACHEABLE MACHINE (Clasificación imagen y sonido) 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: Elegir el tipo de proyecto (imagen, sonido o postura). Crear categorías (clases) con nombres claros. Recoger ejemplos para cada categoría (con cámara, micrófono o archivos). Entrenar el modelo (la herramienta “aprende” con esos ejemplos). Probarlo con casos nuevos para ver si acierta. Mejorarlo : añadir más ejemplos, equilibrar categorías y corregir errores. 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.   Vivo/ No vivo 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 Image Project → Standard Image Model 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) Cada equipo trae un  objeto sorpresa . Lo muestran a la cámara y observan predicción 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: 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: ¿La máquina acertó mucho o poco? Cuando se equivocó, ¿qué creéis que miró? “Color” / “Forma” / “Fondo” / “Luz” ¿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   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 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.  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: "¿Cómo créeis que aprende la máquina a reconocer peces?" "Si le damos muchas decisiones correctas, ¿creéis que aprenderá más rápido?" "Si nos equivocamos mucho, ¿qué pasará con la máquina?" 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: Alimentamos a la Inteligencia con peces correctos. Evitar resto de objetos 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. ¿Qué diferencia  hay entre los grupos que alimentaron más veces a la máquina y los que lo hicieron menos? ¿Qué grupo creéis que obtuvo mejores resultados? ¿Por qué? Si damos muchos ejemplos correctos, ¿cómo cambia el aprendizaje de la máquina? Si damos pocos, o los damos incorrectos... ¿qué pasa con los resultados? 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 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. Software a nuestro alcance: EchidnaML y Teachable Machine Aquí irá una comparativa entre los Echidna ML (v1, v2) y Teachable Machine de Google. 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: Comprender que los sistemas de IA aprenden de los datos que les damos Reconocer que si los datos están sesgados, la IA puede tomar decisiones injustas o incorrectas. Desarrollar pensamiento crítico sobre la tecnología. Recursos materiales: Ordenadores con cámara web o tablets, con acceso a EchidnaML (local) Cartulinas o tarjetas con imágenes de diferentes especies , en este caso perros blancos, perros marrones, primates y perros negros. Ficha de reflexión 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. SET A: Perros blancos, perros marrones y primates. SET B: Perros, blancos, perros marrones, perros negros y primates. 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). Escogemos el entrenamiento de imágenes Entrenan el modelo con las categorías en función de las cartas recibidas: PERRO BLANCO, PERRO MARRÓN, PRIMATE y si es el caso, PERRO NEGRO. 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. 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: Finalmente, observamos cómo la IA clasifica nuevas imágenes de prueba. Para ello, nos vamos a PROBAR y tenemos dos opciones, subirle nuevas imágenes o mostrárselas a la webcam. 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). 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) Cada grupo prueba su IA con imágenes fuera de su conjunto de entrenamiento. Comparan los resultados: ¿Qué pasó cuando las imágenes de prueba eran diferentes de las que entrenaron? ¿La IA acertó siempre? ¿Falló? ¿Por qué creen que pasó eso? Reflexionan sobre sesgos: “Si entrenamos solo con fotos de perros blancos, ¿la IA reconocerá a los perros negros?” ¿Por qué uno de los grupos fallaba? ¿Cómo se puede solucionar este problema? 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: Y con la clase ENCIENDE otras tantas palabras 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 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 Ahora si !! vamos a EchidnaScratch y creamos este programa usando las instrucciones de Learning ML que se basan en el modelo aprendido anteriormente 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 !!! 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 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 SEGUNDO PASO : CREAR MÁQUINA IA DE RECONOCIMIENTO DE MATRICULAS Entramos en crear máquina de reconocer imágenes Creamos una clase que se llame NO Añadimos imágenes desde nuestra webcam Vamos enseñando matrículas que  no queremos que se abra el parking  de cada matrícula pulsamos una docena en diferentes posiciones (ligeros cambios) También añadimos varias imágenes que existe cuando no hay ninguna matrícula , pues queremos que cuando no hay coche que no se abra el parking. Añadimos la clase SI Repetimos el paso 3.1 con las matrículas que  queremos que se abra el parking Le damos a aprender Probamos Nos fijamos que funciona perfectamente Detalle del paso 3.2 TERCER PASO : PROGRAMAR Ahora entramos en la ventana de programación usando el modelo: En learningml arrastramos la instrucción de  encender cámara 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) Ponemos un bucle infinito para que siempre lea los sensores y funcionen los actuadores (típico en programas de robótica) 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 Tiene dos instrucciones dentro de learningml uno que es que clasifique la imagen y otro que sea la imagen de la captura del vídeo Si es SI pues que abra con el servo  También que encienda la luz verde y apaque el rojo Esta espera es para que el coche pase tranquilamente además que nos permite que no haga contínuos aperturas y cierres de la barrera SINO pues que cierre la barrera Encienda rojo y apague verde CUARTO PASO : JUGAR Referencias Referencias AI Literacy Framework. (s. f.). AILit Framework: Marco de alfabetización en IA (versión en español) . Center for Applied Special Technology (CAST). (2018/2023). Pautas del Diseño Universal para el Aprendizaje (DUA): Versión 2.2 (traducción y revisión) . Ley Orgánica 3/2020, de 29 de diciembre, por la que se modifica la Ley Orgánica 2/2006, de 3 de mayo, de Educación. Boletín Oficial del Estado , núm. 340. Real Decreto 95/2022, de 1 de febrero, por el que se establece la ordenación y las enseñanzas mínimas de la Educación Infantil. Boletín Oficial del Estado . Real Decreto 157/2022, de 1 de marzo, por el que se establecen la ordenación y las enseñanzas mínimas de la Educación Primaria.  Boletín Oficial del Estado . García Calderón, M. A., Hinojosa Garcés, N. A., y Espinales, J. V. (2023). Diseño Universal de Aprendizaje y herramientas de gamificación como recurso de educación inclusiva en los niños de 3 a 5 años. En  Memorias INPIN 2023 . Instituto Nacional de Tecnologías Educativas y de Formación del Profesorado (INTEF). (s. f.). Competencia digital del alumnado . López Proaño, A. A., y Abad Arroyo, A. A. (2025). Impacto de la IA en el desarrollo de habilidades y competencias del siglo XXI. Ciencia y Reflexión: Revista Científica Multidisciplinaria, 4 (2), 801–832. Mayorga Villegas, V. H., Hinojosa León, E. M., Benalcázar Chavarria, D. L., Lozano León, W. M., Barrera Vizhña, R. M., Yanez Viracucha, D. A., y Morocho Chulca, L. P. (2025). Inteligencia Artificial en aplicaciones educativas: ¿Cómo promueve el aprendizaje fundacional en niños de 6 a 9 años?  LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, 6 (2), 60–85. doi:10.56712/latam.v6i2.3605 Mejía Chiriboga, C. A., Quinteros Chamorro, N. M., Montenegro Salazar, J. A., Viscaino Yapud, A. J., Quelal Coral, D. del C., y Moreno Ruiz, D. F. (2025). Aplicación de la inteligencia artificial en la personalización del aprendizaje: Un enfoque adaptativo para mejorar la experiencia educativa.  Revista Latinoamericana de Calidad Educativa, 2 (3), 201–207. Medina Gaite, V. (2017). Combinando el método científico y el trabajo por proyectos para alcanzar la alfabetización científica en educación infantil. Tabanque, 30 , 53–74. doi:10.24197/trp.30.2017.53-74 Ministerio de Educación, Formación Profesional y Deportes. (s. f.). Competencia digital (LOMLOE – Educación Primaria) . Restrepo Pineda, A. F. (2024). Conectando mentes y máquinas: Neuroeducación e IA en la era del pensamiento computacional. Plumilla Educativa, 33 (1), 1–15. UNESCO. (2023). Guidance for generative AI in education and research . UNESCO. Vega Maldonado, J. D., Vázquez Padilla, N. V., y Moscoso Chávez, M. A. (2023). Inteligencia artificial e inclusión educativa. En Memorias INPIN 2023: VIII Congreso Internacional de Investigación para la Innovación en las Ciencias (INPIN) (pp. 246–251). Universidad Laica Vicente Rocafuerte de Guayaquil. 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.