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).