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](https://drive.google.com/file/d/1D1ccBSAQVBCbrG1zNg-eub3kp55KK25P/view?usp=share_link): - **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).