Sesión 1 de 8
¿Cómo aprende una máquina y qué responsabilidad seguimos teniendo nosotros?
Qué es la IA, cómo aprende, laboratorios de aprendizaje supervisado y no supervisado, AI Act y el papel del docente.
Sesión 1 · 300 min
¿Cómo aprende una máquina y qué responsabilidad seguimos teniendo nosotros?
Campo, historia, técnicas, límites.
Supervisado y no supervisado.
Solo las variables y ejemplos disponibles.
Patrón no equivale a diagnóstico.
El docente sigue contextualizando y validando.
Objetivo: activar ideas previas y evitar que IA se reduzca a ChatGPT.
Reglas explícitas.
Puede usar modelos aprendidos.
Predicción/personalización.
Patrones visuales.
IA generativa.
Automatización; no necesariamente ML.
Base: presentación habitual, con las correcciones técnicas validadas.
Objetivo: distinguir usos actuales de hipótesis sobre IA general/superinteligencia.
Clasifica, recomienda, predice, reconoce, genera y automatiza tareas delimitadas.
Concepto discutido e hipotético de capacidad general comparable a la humana. No existe consenso sobre una prueba única para afirmar que se ha alcanzado.
Escenario hipotético/especulativo de capacidades intelectuales superiores a las humanas.
Objetivo: construir el vocabulario que después se experimentará en los dos laboratorios.
1 · Entrada
Los datos se convierten en números. Una imagen entra como valores de píxel, no como «un perro».
2 · Capas
Cada nodo recibe valores de la capa anterior, los multiplica por sus
y los suma. El grosor de las líneas de la infografía representa esos pesos.
3 · Activación
Una función decide si ese resultado pasa a la capa siguiente y con qué intensidad. Es lo que permite aprender relaciones que no son una simple línea recta.
4 · Salida
La última capa devuelve un número por clase. No es un veredicto: es un reparto de probabilidad.
5 · Retropropagación
Se compara la salida con la respuesta correcta, se mide el error y se propaga hacia atrás ajustando los pesos. Repetido miles de veces, eso es
.
Ejemplos con etiqueta/resultado conocido.
Busca estructura o agrupaciones sin etiqueta objetivo.
Agente, entorno, acciones y recompensas.
Combina pocos datos etiquetados con muchos sin etiquetar.
Al volver, la teoría se convierte en experiencia.
Actividad individual con Machine Learning for Kids. Vamos a entrenar nuestro primer modelo de Machine Learning: la máquina deberá aprender a distinguir entre imágenes de perros y de gatos a partir de ejemplos que nosotros mismos le proporcionaremos.
Trabajo individual. No se utilizan fotografías de alumnado ni imágenes con personas identificables.
Proyecto de reconocimiento de imágenes creado
Dos etiquetas creadas: PERROS y GATOS
Ejemplos variados en ambas categorías (razas, posiciones, tamaños, colores, fondos)
Modelo entrenado
Probado con imágenes nuevas
Tus marcas y respuestas se guardan solo en este navegador.
¿Reconoce correctamente perros?
¿Reconoce correctamente gatos?
¿En qué imágenes tiene más dudas?
¿Hay alguna imagen que clasifique incorrectamente?
Un perro parcialmente oculto, un gato de espaldas, dibujos, fondos poco habituales, animales pequeños dentro de la fotografía, etc.
Casos difíciles probados y qué respondió el modelo
Analiza sus errores y añade nuevos ejemplos de entrenamiento que puedan ayudarle. Vuelve a entrenar y comprueba si mejora.
¿Qué ejemplos añadiste y por qué?
¿Mejoró tras reentrenar? ¿En qué exactamente?
Tus marcas y respuestas se guardan solo en este navegador.
¿Qué eran los datos de entrenamiento en esta actividad?
¿Qué eran las etiquetas?
¿Qué significa entrenar el modelo?
¿Qué ocurrió cuando utilizaste imágenes nuevas?
Describe al menos un error cometido por tu modelo.
¿Por qué crees que se equivocó?
¿Qué hiciste para intentar mejorarlo?
¿Podemos afirmar que una máquina «entiende» qué es un perro o un gato porque los clasifique correctamente? Explica tu respuesta.
Tus marcas y respuestas se guardan solo en este navegador.
Función pedagógica: experimentar aprendizaje supervisado con dos clases y un ciclo completo de error → corrección → reentrenamiento. Herramientas externas: verificar acceso y cuentas antes de la sesión. Las imágenes se buscan en repositorios abiertos; no usar fotografías de alumnado.
Objetivo: que vean cómo la máquina puede encontrar grupos sin etiquetas y, sobre todo, dónde termina el patrón y empieza la interpretación docente.
¿Qué patrón observas?
¿Cómo llamarías intuitivamente a cada grupo?
Tus marcas y respuestas se guardan solo en este navegador.
Poca actividad en plataforma.
Trabaja offline y entra solo para entregar.
Tiene conectividad deficiente o realmente está desconectándose.
Objetivo: introducir regulación desde la responsabilidad que acaba de aparecer en Orange, no como un bloque jurídico aislado.
Usos prohibidos. En educación: inferencia de emociones en instituciones educativas, salvo excepciones médicas o de seguridad.
Usos educativos concretos: acceso/admisión, evaluación de resultados de aprendizaje, determinación de nivel y vigilancia de conductas prohibidas durante exámenes.
Situaciones donde la persona debe saber que interactúa con IA o que está ante determinado contenido generado/manipulado.
Muchos usos ordinarios: brainstorming, apoyo a borradores, filtros de spam, etc. No elimina otras obligaciones aplicables.
[FUENTE EXTERNA VERIFICADA 31/08/2026] · Reglamento (UE) 2024/1689 modificado por Reglamento (UE) 2026/1744.
Actividad colaborativa para integrar técnica, ética, datos, AI Act y criterio docente. Diez minutos de detonante y treinta y cinco de trabajo sobre casos.
Esta mañana, en el Laboratorio 1, hemos etiquetado imágenes de perros y gatos durante media hora. Ese mismo gesto, multiplicado por miles de horas y con contenido muy distinto, es lo que sostiene los modelos comerciales que usamos.
Detonante: 10 min máximo. No proyectar el artículo de TIME. Enlazar explícitamente con el Laboratorio 1 («lo que hicisteis esta mañana») antes de dar las cifras: el efecto depende de ese orden. El anexo de conceptos éticos queda al final de la sesión como material de consulta, no se lee en clase.
Una IA propone cinco actividades a partir de un currículo público. El docente elige y adapta.
Un chatbot tutor conversa directamente con alumnado y responde dudas.
Un sistema puntúa producciones y decide automáticamente qué nivel puede cursar cada persona.
Una cámara intenta inferir aburrimiento, atención o emoción del alumnado durante la clase.
Un dashboard agrupa patrones de actividad y muestra al docente posibles casos a revisar.
Un sistema monitoriza un examen para detectar conductas prohibidas.
¿Qué color del semáforo propondrías y por qué?
¿Qué datos utiliza o podría utilizar?
¿Qué daño podría producir un error?
¿Qué debería seguir bajo decisión humana?
¿Qué tendría que poder explicarse al alumnado?
Tus marcas y respuestas se guardan solo en este navegador.
Recuperación activa + puente narrativo a la sesión 2.
¿Por qué un patrón no es un diagnóstico?
¿Qué responsabilidad no desaparece porque exista una alerta o predicción?
Tus marcas y respuestas se guardan solo en este navegador.
Material de consulta, no de aula. Ocho decisiones que el profesorado toma —o deja de tomar— cada vez que introduce una herramienta de IA. Cada una viene con la pregunta que hay que poder responder.
Un modelo reproduce lo que hay en sus datos, incluidas las ausencias. En 2018 Amazon descartó una herramienta interna de cribado de currículums porque penalizaba los CV que contenían la palabra «women's».
¿a quién representa mal este sistema, y cómo lo sabría si no lo busco?
La responsabilidad no se delega en la herramienta. Si un sistema propone una nota, una alerta o un itinerario y el docente lo firma, .
Pregunta: si esta decisión sale mal, ¿quién da la cara ante la familia?
Un sistema que decide qué nivel puede cursar cada persona no es un asistente: reparte oportunidades. El caso C del debate es exactamente esto, en versión escolar del ejemplo de justicia penal.
¿este uso reparte oportunidades? Si la respuesta es sí, sube la exigencia de todo lo demás.
Los datos de menores tienen protección reforzada. Nombres, notas, informes, incidencias y fotografías de alumnado no se pegan en un chat.
lo que estoy a punto de escribir en el prompt, ¿podría enseñárselo a la familia y a la dirección del centro?
Explicabilidad no es obtener una explicación plausible. Pedirle que «explique por qué» no equivale a auditarlo.
Pregunta: ¿puedo explicar esta decisión al alumnado sin apoyarme en lo que el propio sistema dice de sí mismo?
Afecta a las dos direcciones: lo que produce el alumnado con IA y lo que produce el profesorado con IA. Los detectores de texto generado tienen tasas de error altas y fallan más con quien escribe en una lengua que no es la suya.
¿qué estoy evaluando exactamente, y sigue siendo evaluable así?
Detrás de cada modelo hay personas etiquetando datos, muchas veces en condiciones que la propia industria no muestra. El caso TIME del debate final es el ejemplo documentado.
¿quién etiquetó estos datos y en qué condiciones? Que no haya respuesta pública también dice algo.
Entrenar y consultar modelos consume energía y agua. Y las versiones útiles suelen ser de pago: si una actividad exige la versión de pago, estoy repartiendo desigualdad dentro del aula. Enlaza con la brecha digital ya vista en «Desafíos».
¿esta actividad se puede hacer sin que nadie pague?
Seis comprobaciones. Si alguna se queda sin respuesta, la herramienta todavía no entra.
Sé qué datos entran y he comprobado que no hay datos personales de alumnado
Sé si lo que escribo se almacena o se usa para entrenar
La decisión final sigue siendo mía y puedo explicarla sin citar al sistema
He pensado a quién puede perjudicar un error y cuánto
El alumnado sabe que hay una IA implicada y en qué parte
La actividad es viable sin versión de pago
¿Qué herramienta tengo en mente y qué casilla se me ha quedado sin marcar?
Tus marcas y respuestas se guardan solo en este navegador.
El tutor del curso conoce este contenido y puede ayudarte a adaptarlo a tu materia.
Preguntar al tutor