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).