Secuencia cooperativa: datos, patrones y predicciones

Datos generales

• Nivel: Secundaria, 12 a 15 años.
• Área: Matemáticas.
• Duración: 3 sesiones de 2 horas cada una; 6 horas en total.
• Metodología: Aprendizaje cooperativo, simulación de situaciones de inteligencia artificial y discusión matemática.
• Recursos tecnológicos: Proyector para mostrar instrucciones, tablas o imágenes. Las actividades principales no dependen de internet ni de dispositivos individuales.

Meta de aprendizaje

El alumnado conoce qué es la inteligencia artificial en educación básica y comprende, mediante ejemplos matemáticos sencillos, cómo los datos y los patrones permiten que un sistema realice clasificaciones o predicciones.

Objetivo de aprendizaje

Al finalizar las tres sesiones, el alumnado explicará, mediante una producción grupal, cómo un sistema de inteligencia artificial utiliza datos, identifica patrones y aplica una regla o algoritmo para clasificar objetos o realizar predicciones; para ello, resolverá correctamente al menos 4 de 5 casos matemáticos y señalará una limitación o riesgo de confiar automáticamente en una predicción.

Conceptos clave

• Dato: información que puede observarse, registrarse o medirse.
• Patrón: regularidad o relación que se repite en un conjunto de datos.
• Algoritmo: conjunto ordenado de pasos o reglas para resolver una tarea.
• Clasificación: asignación de un elemento a un grupo según ciertas características.
• Predicción: estimación de un resultado futuro a partir de datos y patrones anteriores.
• Inteligencia artificial: sistemas que procesan datos y siguen modelos o reglas para producir resultados, como clasificaciones, recomendaciones o predicciones. No “piensa” exactamente como una persona y puede equivocarse.

Organización cooperativa

Formar equipos de cuatro integrantes. En cada sesión se asignan los siguientes roles:

• Coordinador: organiza los turnos y mantiene al equipo centrado.
• Analista: revisa datos, propiedades y cálculos.
• Relator: registra acuerdos, reglas y respuestas.
• Portavoz: presenta las conclusiones del equipo.

Los roles deben rotarse al comenzar cada sesión.

Sesión 1. Una máquina que clasifica figuras

Propósito: Comprender que clasificar implica observar datos o características, encontrar un patrón y aplicar una regla.

Actividad 1. Detectives de propiedades

Objetivo parcial: Identificar datos observables en figuras geométricas y formular una regla de clasificación.

Tiempo: 60 minutos.

Materiales: Tarjetas de figuras geométricas, hojas, lápices, sobres o recipientes rotulados “Grupo A” y “Grupo B”.

Tarjetas sugeridas:

• Triángulo con tres lados iguales.
• Triángulo con dos lados iguales.
• Triángulo con tres lados diferentes.
• Cuadrado.
• Rectángulo.
• Rombo.
• Trapecio.
• Pentágono regular.
• Hexágono regular.
• Círculo.
• Una figura con un ángulo recto.
• Una figura sin lados rectos.

Pasos:

1. Presentación del reto, 10 minutos. El docente muestra algunas tarjetas y plantea: “Supongan que una máquina debe separar estas figuras en dos grupos. ¿Qué características podría observar?”. Registra en el pizarrón respuestas como número de lados, lados iguales, ángulos rectos y forma curva.
2. Observación cooperativa, 15 minutos. Cada equipo examina las tarjetas y completa una tabla con las columnas: figura, número de lados, lados iguales, presencia de ángulos rectos y otras características.
3. Clasificación, 15 minutos. El docente entrega a cada equipo seis tarjetas de ejemplo ya colocadas en dos grupos. El equipo debe descubrir una regla posible que explique la separación. No se indica inicialmente cuál es la regla.
4. Prueba de la regla, 10 minutos. Cada equipo recibe cuatro tarjetas nuevas y decide en qué grupo colocarlas. Debe justificar cada decisión con datos observables.
5. Puesta en común, 10 minutos. Los portavoces explican su regla. El docente destaca que diferentes reglas pueden producir clasificaciones distintas, siempre que sean claras y se apliquen de manera consistente.

Acciones del docente:

• Modelar cómo convertir una observación en un dato: “Esta figura tiene cuatro lados y cuatro ángulos rectos”.
• Preguntar: “¿Qué característica usaron como evidencia?”, “¿La regla funciona para todas las tarjetas?”, “¿Qué ocurriría si aparece una figura que no conocen?”.
• Evitar presentar la clasificación como una respuesta puramente intuitiva; solicitar siempre una regla verificable.

Acciones del estudiante:

• Observar y registrar propiedades.
• Proponer y discutir reglas.
• Clasificar tarjetas, justificar decisiones y revisar la regla cuando no funcione.

Transición: Antes de pasar a la siguiente actividad, verifica que cada equipo pueda explicar con esta estructura: “El dato que observamos es…, el patrón que encontramos es…, por eso la regla clasifica…”.

Actividad 2. Construimos un algoritmo de clasificación

Objetivo parcial: Transformar una regla de clasificación en una secuencia ordenada de decisiones, como una simulación sencilla de algoritmo.

Tiempo: 60 minutos.

Materiales: Hojas o cartulinas, marcadores, tarjetas de figuras y una plantilla de diagrama de decisiones.

Pasos:

1. Ejemplo guiado, 10 minutos. El docente muestra una secuencia: “¿Tiene cuatro lados?”. Si la respuesta es sí, se pregunta: “¿Tiene cuatro ángulos rectos?”. El grupo observa cómo las preguntas conducen a una clasificación.
2. Diseño del algoritmo, 25 minutos. Cada equipo elige una clasificación, por ejemplo: figuras con tres lados y figuras con más de tres lados; figuras con ángulos rectos y sin ángulos rectos. Escribe entre tres y cinco pasos numerados para clasificar una tarjeta.
3. Intercambio entre equipos, 15 minutos. Un equipo entrega su algoritmo a otro. El segundo equipo intenta clasificar tres tarjetas sin recibir explicaciones adicionales y anota dónde tuvo dudas.
4. Corrección y síntesis, 10 minutos. Los equipos mejoran las instrucciones. El docente relaciona la actividad con la IA: los sistemas necesitan datos de entrada, reglas o modelos y producen una salida.

Acciones del docente:

• Insistir en que un algoritmo debe ser ordenado, claro y repetible.
• Preguntar: “¿Dos personas obtendrían el mismo resultado siguiendo sus pasos?”, “¿Qué dato falta para decidir?”, “¿Qué pasa si una figura pertenece a dos grupos?”.
• Explicar que una IA puede clasificar imágenes o respuestas escolares, pero su resultado depende de los datos y reglas con los que fue diseñada.

Acciones del estudiante:

• Escribir instrucciones precisas.
• Probar el algoritmo de otro equipo.
• Detectar ambigüedades y mejorar el procedimiento.

Cierre de la sesión, integrado en los últimos 10 minutos: Cada estudiante completa la frase: “Una IA puede clasificar cuando…”. Se recogen las respuestas para identificar ideas iniciales y errores conceptuales.

Transición: Antes de pasar a la Sesión 2, verifica que el alumnado diferencie entre un dato observado, una regla y el resultado de aplicar esa regla.

Sesión 2. Datos, patrones y predicciones

Propósito: Analizar una tabla de datos educativos y realizar predicciones sencillas sin confundir una relación observada con una certeza.

Actividad 3. Leemos una tabla como lo haría un sistema

Objetivo parcial: Organizar, comparar e interpretar datos numéricos relacionados con una situación educativa.

Tiempo: 60 minutos.

Materiales: Copias de la tabla, papel cuadriculado, regla, lápices y calculadora opcional.

Tabla de datos ficticios:

La tabla muestra horas semanales de práctica de ejercicios y puntuación obtenida en una prueba por estudiantes identificados únicamente con letras.

Estudiante	Horas de práctica	Puntuación en la prueba
A	0	45
B	1	52
C	1	55
D	2	61
E	2	64
F	3	70
G	3	73
H	4	78
I	4	81

Pasos:

1. Lectura individual, 10 minutos. Cada estudiante escribe dos observaciones sobre la tabla.
2. Análisis cooperativo, 20 minutos. Los equipos responden: ¿cuál es la variable de entrada?, ¿cuál es el resultado?, ¿qué valores se repiten?, ¿qué tendencia general observan?, ¿hay casos que no son idénticos aunque tengan las mismas horas?
3. Representación gráfica, 20 minutos. Los equipos elaboran una gráfica de puntos. En el eje horizontal colocan las horas de práctica y en el eje vertical la puntuación.
4. Discusión, 10 minutos. El docente guía una interpretación: en estos datos, a más horas de práctica suele corresponder una puntuación mayor, pero la relación no es exacta ni permite conocer todas las causas.

Acciones del docente:

• Recordar que los datos son ficticios y no deben utilizarse para etiquetar o juzgar a estudiantes reales.
• Solicitar que toda afirmación se apoye en valores concretos de la tabla.
• Preguntar: “¿El patrón se cumple exactamente?”, “¿Qué otros factores podrían influir en la puntuación?”, “¿Basta una tabla pequeña para tomar una decisión importante?”.

Acciones del estudiante:

• Leer tablas, comparar valores y construir una representación gráfica.
• Identificar tendencias y excepciones.
• Argumentar con datos y reconocer que un patrón no equivale a una certeza.

Transición: Antes de pasar a la siguiente actividad, verifica que cada equipo haya señalado al menos un patrón, un dato que lo respalde y una razón por la que la predicción podría equivocarse.

Actividad 4. Realizamos y revisamos una predicción

Objetivo parcial: Estimar un resultado a partir de un patrón numérico y comunicar el grado de incertidumbre de la estimación.

Tiempo: 60 minutos.

Materiales: Tabla de la actividad anterior, tarjetas de situaciones, hojas de trabajo y marcadores.

Tarjetas de predicción:

• Tarjeta 1: Si una persona practica 5 horas, ¿qué puntuación aproximada podría obtener según la tendencia observada?
• Tarjeta 2: Si una persona practica 2 horas, ¿qué intervalo de puntuación sería razonable según los datos?
• Tarjeta 3: Si una persona obtiene 75 puntos, ¿entre cuántas horas de práctica podría ubicarse aproximadamente?
• Tarjeta 4: ¿Qué predicción sería poco confiable: la de 5 horas o la de 10 horas? ¿Por qué?

Pasos:

1. Modelo docente, 10 minutos. El docente muestra que entre 3 y 4 horas las puntuaciones se ubican aproximadamente entre 70 y 81. Explica que para 5 horas se puede estimar una puntuación cercana a 85, pero no garantizarla.
2. Resolución cooperativa, 20 minutos. Cada equipo resuelve dos tarjetas y escribe la evidencia utilizada. Puede emplear una estimación por aumento promedio: las puntuaciones suben aproximadamente entre 8 y 10 puntos por hora en esta tabla.
3. Revisión crítica, 15 minutos. Los equipos intercambian respuestas y revisan si la predicción distingue entre “aproximadamente” y “exactamente”.
4. Debate breve, 15 minutos. Se plantea: “¿Debería una escuela decidir quién necesita apoyo únicamente con una predicción?”. El grupo concluye que una predicción puede orientar, pero debe revisarse con más información y con la intervención de docentes.

Acciones del docente:

• Mostrar que una predicción fuera del rango observado, como 10 horas, es menos segura porque requiere extrapolar.
• Introducir la expresión “predicción basada en datos” y diferenciarla de una adivinanza.
• Promover una mirada ética: los sistemas educativos no deben convertir una predicción en una etiqueta definitiva.

Acciones del estudiante:

• Usar datos para estimar valores.
• Explicar el procedimiento y reconocer la incertidumbre.
• Analizar las consecuencias de utilizar predicciones en contextos educativos.

Cierre de la sesión: Cada estudiante responde en una tarjeta de salida: “Un patrón permite predecir…, pero la predicción puede fallar porque…”.

Transición: Antes de pasar a la Sesión 3, verifica que el alumnado pueda describir la cadena “datos → patrón → regla o modelo → predicción o clasificación” y que no considere una predicción como una certeza.

Sesión 3. Explicamos cómo funciona una IA educativa

Propósito: Integrar los conceptos mediante una producción grupal que explique un caso de clasificación o predicción en educación básica.

Actividad 5. Producción final: del dato a la decisión

Objetivo parcial: Elaborar una explicación visual y matemática de un sistema de IA que use datos y patrones para clasificar o predecir.

Tiempo: 80 minutos.

Materiales: Cartulina o papelógrafo, hojas, marcadores, regla, tarjetas de figuras, tabla de datos y proyector opcional.

Consigna para el alumnado:

“Diseñen un cartel o infografía titulada Cómo una IA usa datos para ayudar en educación. Elijan uno de estos casos: clasificar figuras geométricas o predecir una puntuación a partir de horas de práctica. Expliquen el proceso sin afirmar que la IA siempre acierta”.

El producto debe incluir:

• Una definición breve y comprensible de inteligencia artificial.
• Los datos de entrada utilizados.
• El patrón identificado.
• La regla o algoritmo escrito en pasos.
• Un ejemplo resuelto de clasificación o predicción.
• Una posible equivocación, limitación o riesgo.
• Una recomendación sobre el papel del docente o de la persona que revisa el resultado.

Pasos:

1. Selección del caso, 10 minutos. Cada equipo elige clasificación de figuras o predicción con la tabla educativa. El docente comprueba que ambos casos estén distribuidos entre los equipos.
2. Planificación, 15 minutos. El equipo completa un esquema con las partes: datos, patrón, algoritmo, resultado y revisión humana.
3. Elaboración, 35 minutos. Los integrantes construyen el producto. El docente circula, hace preguntas y verifica que no confundan “dato” con “predicción”.
4. Ensayo, 10 minutos. El portavoz explica el cartel en un máximo de dos minutos. El resto del equipo prepara respuestas a preguntas.
5. Revisión con lista de cotejo, 10 minutos. Cada equipo revisa si incluyó las seis partes solicitadas y si su ejemplo matemático se puede comprobar.

Acciones del docente:

• Entregar la consigna y recordar los criterios de evaluación.
• Realizar preguntas de acompañamiento: “¿Qué dato usa el sistema?”, “¿Cómo sabe qué grupo elegir?”, “¿Qué patrón justifica la predicción?”, “¿Qué información falta?”, “¿Quién debe revisar el resultado?”.
• Corregir expresiones absolutas como “la IA sabe” o “la IA siempre acierta”, sustituyéndolas por “el sistema calcula”, “estima” o “clasifica según los datos disponibles”.

Acciones del estudiante:

• Distribuir tareas y tomar decisiones de manera cooperativa.
• Representar con lenguaje matemático sencillo el funcionamiento del sistema.
• Incluir una limitación y una medida de revisión humana.

Transición: Antes de pasar a la exposición, verifica que cada cartel contenga claramente las cinco conexiones: datos, patrón, algoritmo o regla, resultado y revisión.

Actividad 6. Galería, explicación y evaluación formativa

Objetivo parcial: Comunicar, comparar y evaluar explicaciones sobre el uso de datos y patrones en inteligencia artificial educativa.

Tiempo: 40 minutos.

Materiales: Producciones finales, lista de cotejo, notas adhesivas o pequeños papeles.

Pasos:

1. Galería de producciones, 15 minutos. Los carteles se colocan en distintos puntos del aula. Los equipos recorren la galería y dejan una observación positiva y una pregunta en dos producciones.
2. Presentaciones breves, 15 minutos. Tres o cuatro equipos explican su producción. Si el grupo es grande, se realizan presentaciones simultáneas por parejas de equipos.
3. Síntesis individual, 10 minutos. Cada estudiante responde:
   1. ¿Qué es un dato?
   2. ¿Cómo se relaciona un patrón con una predicción?
   3. ¿Por qué una IA puede equivocarse?
   4. ¿Qué debe hacer una persona antes de tomar una decisión educativa basándose en una predicción?

Acciones del docente:

• Moderar las presentaciones y solicitar evidencias matemáticas.
• Registrar en el pizarrón una síntesis final: “Los datos aportan información; los patrones muestran regularidades; los algoritmos aplican reglas; la IA produce una salida que debe revisarse”.
• Aplicar la evaluación formativa y ofrecer retroalimentación concreta.

Acciones del estudiante:

• Explicar el producto, formular preguntas y ofrecer retroalimentación respetuosa.
• Comparar diferentes formas de clasificar o predecir.
• Reflexionar sobre los alcances y límites de la inteligencia artificial en educación.

Evaluación

Criterios de evaluación

Criterio	Logro esperado	Evidencia
Comprensión conceptual	Distingue datos, patrones, algoritmos, clasificaciones y predicciones.	Respuestas orales, tarjetas de salida y producción final.
Razonamiento matemático	Usa propiedades geométricas o valores de una tabla para justificar sus decisiones.	Clasificación de figuras, gráfica y resolución de predicciones.
Comunicación	Explica con claridad la secuencia datos → patrón → regla o modelo → resultado.	Cartel o infografía y exposición.
Pensamiento crítico y ético	Reconoce que una predicción puede fallar y que no debe ser la única base para una decisión educativa.	Sección de limitaciones y síntesis individual.
Trabajo cooperativo	Participa, cumple su rol, escucha y contribuye a la producción grupal.	Observación docente y autoevaluación breve.

Lista de cotejo para la producción final

• Incluye una definición clara de inteligencia artificial.
• Identifica los datos de entrada.
• Describe un patrón con información concreta.
• Explica una regla o algoritmo en orden.
• Presenta una clasificación o predicción matemáticamente comprensible.
• Reconoce al menos una limitación o posible error.
• Propone revisión o intervención humana.

Errores conceptuales que se deben anticipar

• “La IA piensa como una persona”. Aclarar que procesa datos mediante modelos, reglas o procedimientos diseñados por personas.
• “Un patrón es una certeza”. Mostrar que una tendencia puede tener excepciones y que una predicción es una estimación.
• “Más datos siempre producen mejores resultados”. Explicar que los datos deben ser suficientes, pertinentes y variados; datos incompletos o sesgados pueden generar resultados injustos.
• “Algoritmo significa únicamente usar una computadora”. Recordar que una receta o un conjunto ordenado de instrucciones también es un algoritmo.
• “Si dos datos se relacionan, uno causa necesariamente al otro”. Señalar que las horas de práctica y la puntuación muestran una tendencia en la tabla, pero existen otros factores.