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.