Explorando la Inteligencia Artificial: Fundamentos y Aplicaciones Prácticas

1. Conceptos Básicos de la Inteligencia Artificial (IA)

• Definición de Inteligencia Artificial: explicación sencilla sobre qué es la IA y sus objetivos principales.
• Elementos fundamentales de la IA: datos, algoritmos, aprendizaje automático y procesamiento de información.
• Diferencia entre inteligencia humana y artificial.

2. Historia y Evolución de la Inteligencia Artificial

• Primeros conceptos y antecedentes históricos: desde la antigüedad hasta el siglo XX.
• Los hitos clave en la evolución de la IA:
  • 1956: Conferencia de Dartmouth y nacimiento formal de la IA.
  • Décadas de 1960-1980: primeras aplicaciones y el invierno de la IA.
  • Avances en aprendizaje automático y redes neuronales en los años 90 y 2000.
  • IA en la actualidad: big data, deep learning y sistemas inteligentes.
• Ejemplos históricos relevantes para ilustrar cada etapa.

3. Tipos de Inteligencia Artificial

• IA débil o estrecha: definición y ejemplos (asistentes virtuales, reconocimiento facial).
• IA fuerte o general: concepto y perspectivas futuras.
• IA superinteligente: definición teórica y debates éticos.
• Esquema comparativo de los tipos de IA, destacando características, capacidades y limitaciones.

4. Importancia Actual de la Inteligencia Artificial en la Sociedad

• Impacto en sectores clave:
  • Salud: diagnóstico asistido por IA, robótica médica.
  • Educación: aprendizaje personalizado y tutorías inteligentes.
  • Transporte: vehículos autónomos y gestión del tráfico.
  • Industria y economía: automatización y optimización de procesos.
• Ventajas y retos éticos y sociales asociados a la IA.
• Ejemplos actuales que muestran la presencia de la IA en la vida cotidiana.

5. Términos Clave Relacionados con la Inteligencia Artificial

• Algoritmo
• Aprendizaje automático (Machine Learning)
• Red neuronal
• Big Data
• Procesamiento de lenguaje natural
• Datos estructurados y no estructurados
• Diferenciación y relación entre estos términos para comprender el funcionamiento de la IA.

Actividad 1: Línea del Tiempo de la Evolución de la Inteligencia Artificial

Objetivo: Definir los conceptos básicos de inteligencia artificial y describir su evolución histórica utilizando ejemplos clave.

Descripción:

• Los estudiantes investigan en grupos pequeños (3-4 integrantes) las fechas y eventos más importantes en la historia de la IA.
• Con la información recolectada, cada grupo crea una línea del tiempo visual que incluya fechas, eventos y ejemplos relevantes.
• Presentan su línea del tiempo al resto del grupo, explicando brevemente cada etapa.

Organización: Grupos pequeños.

Producto esperado: Línea del tiempo ilustrada y presentación oral breve.

Duración estimada: 90 minutos.

Actividad 2: Esquema Comparativo de Tipos de Inteligencia Artificial

Objetivo: Identificar y explicar los principales tipos de inteligencia artificial mediante un esquema comparativo.

Descripción:

• De manera individual, los estudiantes leen un resumen sobre los tipos de IA.
• Elaboran un esquema comparativo (tabla o mapa conceptual) que resuma características, ejemplos y diferencias entre IA débil, fuerte y superinteligente.
• Comparten su esquema con un compañero para revisión y retroalimentación mutua.

Organización: Individual con trabajo en parejas para revisión.

Producto esperado: Esquema comparativo escrito.

Duración estimada: 60 minutos.

Actividad 3: Análisis del Impacto de la IA en la Sociedad

Objetivo: Analizar la importancia actual de la inteligencia artificial en la sociedad, elaborando un resumen escrito que evidencie su impacto en diferentes sectores.

Descripción:

• En grupos de 4 estudiantes, se asigna un sector específico (salud, educación, transporte, industria).
• Investigan ejemplos actuales de uso de IA en ese sector y discuten sus beneficios y posibles retos.
• Elaboran un resumen escrito de una página que refleje su análisis.
• Cada grupo presenta su resumen y abre un espacio para preguntas y debate.

Organización: Grupos.

Producto esperado: Resumen escrito y presentación grupal.

Duración estimada: 120 minutos (incluye presentación y discusión).

Actividad 4: Reconocimiento y Diferenciación de Términos Clave de IA

Objetivo: Diferenciar entre los términos relacionados con la inteligencia artificial y su funcionamiento, aplicando estos conocimientos en ejercicios prácticos de reconocimiento de conceptos.

Descripción:

• Se proporciona a los estudiantes una lista de definiciones y términos mezclados.
• De forma individual, deben emparejar correctamente términos con sus definiciones.
• Luego, en parejas, discuten y corrigen sus respuestas, explicando cada término con sus propias palabras.
• Se realiza una breve puesta en común para aclarar dudas.

Organización: Individual y parejas.

Producto esperado: Lista de términos y definiciones emparejadas con explicación oral.

Duración estimada: 45 minutos.

Evaluación Diagnóstica

Qué se evalúa: Conocimientos previos sobre inteligencia artificial, términos básicos y percepción general.

Cómo se evalúa: Cuestionario breve con preguntas de opción múltiple y definiciones simples.

Instrumento sugerido: Test en papel o digital (10-15 preguntas).

Evaluación Formativa

Qué se evalúa: Progreso en la comprensión de conceptos, capacidad para elaborar esquemas y análisis crítico.

Cómo se evalúa: Observación de participación en actividades grupales, revisión de la línea de tiempo, esquemas comparativos y resúmenes escritos.

Instrumento sugerido: Rúbricas para cada producto (línea del tiempo, esquema, resumen) y registro anecdótico de participación.

Evaluación Sumativa

Qué se evalúa: Comprensión integral de los conceptos, capacidad de análisis y aplicación de términos clave.

Cómo se evalúa: Examen final con preguntas de definición, comparación, análisis de casos y ejercicios de reconocimiento de términos.

Instrumento sugerido: Examen escrito o digital con preguntas abiertas y de opción múltiple, además de una tarea escrita de resumen sobre el impacto de la IA.

La unidad "Introducción a la Inteligencia Artificial" está diseñada para ser impartida en un total de 6 horas distribuidas en 3 sesiones de 2 horas cada una. La primera sesión se enfocará en los conceptos básicos y la evolución histórica (incluye la actividad de línea del tiempo). La segunda sesión abordará los tipos de IA y términos clave (con la actividad del esquema comparativo y reconocimiento de términos). La tercera sesión se dedicará al análisis del impacto social de la IA, con la actividad de análisis por sectores y la evaluación sumativa.

1. Introducción a los Componentes de un Sistema de Inteligencia Artificial

• Definición general de un sistema de IA.
• Importancia de comprender sus componentes fundamentales.
• Visión general: datos, hardware y software como pilares esenciales.

2. Datos en la Inteligencia Artificial

• ¿Qué son los datos en IA? Tipos y formatos (numéricos, texto, imágenes, audio).
• El papel de los datos en el entrenamiento de modelos: ejemplos prácticos (p. ej., reconocimiento de imágenes, procesamiento de lenguaje natural).
• Calidad de los datos: precisión, cantidad, limpieza y su impacto en el rendimiento de la IA.
• Fuentes de datos: conjuntos de datos abiertos, datos generados por usuarios y datos sintéticos.

3. Hardware para Sistemas de Inteligencia Artificial

• Introducción al hardware: definición y función general en IA.
• Tipos de hardware utilizado en IA:
  • Unidades de Procesamiento Central (CPU).
  • Unidades de Procesamiento Gráfico (GPU).
  • Unidades de Procesamiento Tensorial (TPU).
  • Memoria y almacenamiento.
• Comparación de tecnologías y su adecuación según la tarea (entrenamiento vs. inferencia).
• Ejemplos de hardware en aplicaciones comunes de IA.

4. Software en Inteligencia Artificial

• Definición y tipos de software en IA: sistemas operativos, frameworks, bibliotecas y modelos.
• Principales frameworks y herramientas: TensorFlow, PyTorch, Scikit-learn.
• Algoritmos y modelos: cómo el software traduce datos en decisiones y acciones.

5. Interacción entre Hardware y Software en IA

• Cómo el hardware y software trabajan juntos para ejecutar modelos de IA.
• Ejemplo de flujo de trabajo: desde la entrada de datos, procesamiento en hardware, hasta la salida de resultados.
• Elaboración de esquemas que representen esta interacción.

6. Evaluación de la Calidad y Adecuación de Componentes en un Sistema de IA

• Importancia de datos de calidad para resultados confiables.
• Impacto del hardware apropiado en la eficiencia y velocidad del sistema.
• Relevancia del software adecuado para el tipo de tarea y hardware disponible.
• Estudios de caso: análisis de sistemas reales y discusión guiada sobre sus componentes.

Actividad 1: Clasificación de Componentes de un Sistema de IA

Objetivo: Identificar los principales componentes de un sistema de IA diferenciando datos, hardware y software.

Descripción:

• El docente entrega una lista con diferentes elementos (e.g., GPU, imágenes, algoritmo de aprendizaje, memoria RAM, base de datos, TensorFlow, CPU, etc.).
• Los estudiantes, en parejas, clasifican cada elemento en una de las tres categorías: datos, hardware o software.
• Discusión grupal para corregir y explicar cada clasificación.

Organización: Parejas

Producto esperado: Tabla o cartel con la clasificación correcta de los elementos.

Duración estimada: 40 minutos

Actividad 2: Análisis de Casos sobre la Importancia de los Datos en IA

Objetivo: Explicar la función y relevancia de los datos en el entrenamiento de modelos de IA con ejemplos específicos.

Descripción:

• El docente presenta dos casos breves: uno con datos de alta calidad y otro con datos incompletos o erróneos.
• En grupos, los estudiantes analizan cómo la calidad de los datos afecta los resultados del modelo.
• Cada grupo expone sus conclusiones y ejemplos que evidencien el impacto de los datos.

Organización: Grupos de 4 estudiantes

Producto esperado: Presentación oral o cartel con análisis y ejemplos.

Duración estimada: 50 minutos

Actividad 3: Comparación de Hardware para IA

Objetivo: Describir características y roles del hardware en IA, comparando distintas tecnologías.

Descripción:

• Se entrega una ficha técnica simplificada de CPU, GPU y TPU.
• Los estudiantes, individualmente, completan una tabla comparativa señalando ventajas, desventajas y usos típicos de cada hardware.
• Posteriormente, en plenaria, se discuten las diferencias y posibles aplicaciones.

Organización: Individual y discusión grupal

Producto esperado: Tabla comparativa escrita.

Duración estimada: 45 minutos

Actividad 4: Elaboración de un Esquema de Interacción entre Software y Hardware en IA

Objetivo: Analizar las interacciones entre software y hardware en un sistema de IA creando un esquema visual.

Descripción:

• En grupos, los estudiantes diseñan un esquema gráfico que muestre cómo el hardware y el software trabajan juntos para procesar datos y producir resultados.
• El esquema debe incluir elementos clave: entrada de datos, procesamiento (hardware), ejecución de algoritmos (software) y salida.
• Presentación y explicación del esquema ante la clase.

Organización: Grupos de 3-4 estudiantes

Producto esperado: Esquema visual y presentación oral.

Duración estimada: 60 minutos

Actividad 5: Discusión y Evaluación de un Estudio de Caso sobre Calidad y Adecuación de Componentes

Objetivo: Evaluar la importancia de la calidad de los datos y la adecuación del hardware y software en el rendimiento de un sistema de IA.

Descripción:

• El docente presenta un estudio de caso real o simulado en el que un sistema de IA falla o funciona mal debido a problemas con datos, hardware o software.
• Los estudiantes, en grupos, identifican las causas del problema y proponen soluciones.
• Discusión guiada para compartir conclusiones y reflexionar sobre la importancia de cada componente.

Organización: Grupos

Producto esperado: Informe breve con análisis y recomendaciones.

Duración estimada: 60 minutos

Evaluación Diagnóstica

Qué se evalúa: Conocimientos previos sobre los conceptos básicos de datos, hardware y software en sistemas de IA.

Cómo se evalúa: Cuestionario breve con preguntas de opción múltiple y verdadero/falso sobre componentes fundamentales.

Instrumento sugerido: Prueba escrita o digital de 10 preguntas.

Evaluación Formativa

Qué se evalúa: Comprensión y aplicación progresiva de los conceptos durante la unidad mediante actividades prácticas y discusiones.

Cómo se evalúa: Revisión de productos de actividades como tablas de clasificación, análisis de casos, esquemas y presentaciones grupales; retroalimentación continua.

Instrumento sugerido: Rúbricas para actividades en grupo e individuales, observación directa y listas de cotejo.

Evaluación Sumativa

Qué se evalúa: Logro de los objetivos específicos de la unidad, incluyendo identificación, explicación, descripción, análisis y evaluación de componentes de un sistema de IA.

Cómo se evalúa: Prueba escrita con preguntas de desarrollo y análisis, y una actividad práctica de elaboración de un esquema de interacción hardware-software con explicación.

Instrumento sugerido: Examen escrito y presentación del esquema con rúbrica de evaluación.

La unidad "Componentes Fundamentales de la IA: Datos, Hardware y Software" se sugiere impartir en un total de 6 horas distribuidas en 3 sesiones de 2 horas cada una.

En la primera sesión se abordarán los temas 1 y 2, junto con la Actividad 1 y 2 para consolidar el conocimiento sobre datos y clasificación básica.

La segunda sesión se dedicará a los temas 3 y 4, incluyendo la Actividad 3 para la comparación de hardware y discusión sobre software.

En la tercera y última sesión se trabajarán los temas 5 y 6, con las actividades 4 y 5 para profundizar en la interacción entre hardware y software y la evaluación crítica de sistemas reales.

1. Introducción a los Tipos de Inteligencia Artificial

• Definición general de inteligencia artificial y su importancia en la actualidad.
• Breve introducción a los tipos principales de IA: Aprendizaje Automático (Machine Learning) y Aprendizaje Profundo (Deep Learning).

2. Aprendizaje Automático (Machine Learning)

• Concepto y definición de aprendizaje automático.
• Tipos de aprendizaje automático: supervisado, no supervisado y por refuerzo.
• Funcionamiento básico de los algoritmos de aprendizaje automático.
• Ejemplos concretos de algoritmos comunes: árboles de decisión, regresión y máquinas de soporte vectorial.
• Esquemas y diagramas sencillos que representan el proceso de entrenamiento y predicción.

3. Aprendizaje Profundo (Deep Learning)

• Definición y relación con el aprendizaje automático.
• Introducción a las redes neuronales artificiales: estructura y funcionamiento básico.
• Funcionamiento básico de algoritmos de aprendizaje profundo.
• Ejemplos concretos de redes neuronales: perceptrón multicapa y redes convolucionales.
• Esquemas visuales para explicar capas, nodos y conexiones en redes neuronales.

4. Comparación entre Aprendizaje Automático y Aprendizaje Profundo

• Características principales de cada tipo de IA.
• Diferencias en complejidad, cantidad de datos necesarios y capacidad de procesamiento.
• Ejemplos concretos que ilustran cuándo se utiliza cada uno.

5. Aplicaciones Prácticas en Distintos Sectores

• Aplicaciones de aprendizaje automático en sectores como salud, finanzas y marketing.
• Aplicaciones de aprendizaje profundo en reconocimiento de voz, visión por computadora y juegos.
• Análisis de casos reales con enfoque en su impacto y utilidad.

6. Ventajas y Limitaciones del Aprendizaje Automático y Aprendizaje Profundo

• Ventajas específicas de cada tipo de IA.
• Limitaciones y desafíos técnicos y éticos.
• Resumen escrito que sintetiza la comprensión de estas diferencias.

7. Elaboración de un Mapa Mental

• Conceptos clave relacionados con aprendizaje automático y aprendizaje profundo.
• Relaciones y conexiones entre conceptos.
• Guía para la construcción de un mapa mental visual y organizado como herramienta de estudio.

Actividad 1: Comparación Visual de Aprendizaje Automático y Aprendizaje Profundo

Objetivo: Diferenciar entre aprendizaje automático y aprendizaje profundo mediante ejemplos concretos.

Descripción:

• El docente presenta ejemplos reales de aplicaciones de aprendizaje automático y aprendizaje profundo.
• Los estudiantes, en parejas, crean una tabla comparativa con características, ejemplos y diferencias.
• Discusión grupal para compartir y aclarar dudas.

Organización: Parejas

Producto esperado: Tabla comparativa impresa o digital.

Duración estimada: 45 minutos

Actividad 2: Construcción de Esquemas y Diagramas

Objetivo: Describir el funcionamiento básico de los algoritmos utilizando esquemas o diagramas sencillos.

Descripción:

• El docente explica el proceso básico de un algoritmo de aprendizaje automático y otro de aprendizaje profundo con ejemplos simples.
• Los estudiantes, individualmente, dibujan esquemas que representen estos procesos.
• Se realiza una sesión de retroalimentación donde se comparan y corrigen los esquemas.

Organización: Individual

Producto esperado: Esquemas o diagramas dibujados a mano o en computadora.

Duración estimada: 60 minutos

Actividad 3: Análisis de Casos Reales de Aplicaciones

Objetivo: Identificar aplicaciones prácticas de aprendizaje automático y aprendizaje profundo en distintos sectores.

Descripción:

• Se asignan a grupos pequeños diferentes casos reales (ej. diagnóstico médico con ML, reconocimiento facial con DL).
• Cada grupo investiga el caso y prepara una breve presentación que incluya sector, tipo de IA usada, beneficios y desafíos.
• Presentación y discusión en clase para compartir aprendizajes.

Organización: Grupos de 3-4 estudiantes

Producto esperado: Presentación oral o digital sobre el caso asignado.

Duración estimada: 90 minutos (60 investigación + 30 presentación)

Actividad 4: Elaboración de un Resumen y Mapa Mental

Objetivo: Explicar ventajas y limitaciones y elaborar un mapa mental que ilustre los conceptos clave.

Descripción:

• Individualmente, los estudiantes redactan un resumen escrito que explique las ventajas y limitaciones de aprendizaje automático y aprendizaje profundo.
• Luego, elaboran un mapa mental visual que conecte los conceptos estudiados en la unidad.
• Se realiza una exposición breve donde cada estudiante explica su mapa mental al grupo.

Organización: Individual

Producto esperado: Resumen escrito y mapa mental en papel o digital.

Duración estimada: 90 minutos

Evaluación Diagnóstica

Qué se evalúa: Conocimientos previos sobre inteligencia artificial, aprendizaje automático y profundo.

Cómo se evalúa: Cuestionario breve con preguntas abiertas y de opción múltiple sobre conceptos básicos.

Instrumento sugerido: Cuestionario digital o impreso de 10 preguntas.

Evaluación Formativa

Qué se evalúa: Progreso en la comprensión de diferencias, funcionamiento y aplicaciones de los tipos de IA.

Cómo se evalúa: Observación durante actividades, revisión de tablas comparativas, esquemas, presentaciones y mapas mentales.

Instrumento sugerido: Rúbrica de evaluación que considere claridad, precisión, creatividad y participación.

Evaluación Sumativa

Qué se evalúa: Capacidad para diferenciar, describir, analizar aplicaciones, explicar ventajas y limitaciones, y sintetizar conceptos en un mapa mental.

Cómo se evalúa: Trabajo final que incluya un resumen escrito, un esquema o diagrama explicativo y un mapa mental sobre la unidad.

Instrumento sugerido: Rúbrica detallada con criterios de contenido, organización, comprensión y presentación.

La unidad se recomienda impartir en 4 semanas, con un total aproximado de 8 horas distribuidas así:

• Semana 1 (2 horas): Introducción a IA y aprendizaje automático, actividad de comparación visual.
• Semana 2 (2 horas): Aprendizaje profundo, construcción de esquemas y diagramas.
• Semana 3 (2 horas): Análisis de casos reales y discusión grupal.
• Semana 4 (2 horas): Elaboración del resumen y mapa mental, presentaciones y evaluación final.

Esta distribución permite un ritmo adecuado para la comprensión y aplicación práctica de los conceptos.

1. Introducción a los algoritmos de entrenamiento en IA

• Concepto de algoritmo de entrenamiento: definición y propósito en IA.
• Importancia del entrenamiento para que un modelo aprenda de los datos.
• Analogías sencillas para entender el entrenamiento (ejemplo: aprendizaje humano).

2. Funcionamiento básico de un algoritmo de entrenamiento

• Datos de entrada: qué son los datos de entrenamiento.
• Modelo inicial: concepto de modelo o “cerebro” que aprende.
• Proceso iterativo: cómo el modelo ajusta sus parámetros para mejorar.
• Evaluación y error: cómo se mide el desempeño y se corrige.

3. Análisis paso a paso del aprendizaje supervisado

• Definición del aprendizaje supervisado y ejemplos cotidianos.
• Componentes del algoritmo: datos etiquetados, función de pérdida, optimización.
• Ejemplo detallado: clasificación de frutas según características.
• Explicación del ciclo de entrenamiento: alimentación de datos, cálculo de error, ajuste de parámetros.

4. Comparación de tipos de algoritmos de entrenamiento

• Aprendizaje supervisado vs. no supervisado vs. por refuerzo: definiciones básicas.
• Ventajas y limitaciones de cada tipo en situaciones prácticas.
• Ejemplos simples de aplicación para cada tipo.

5. Creación de esquemas visuales de algoritmos de entrenamiento

• Elementos gráficos para representar datos, modelo, procesos y resultados.
• Cómo representar el flujo de datos y el aprendizaje de manera clara.
• Ejercicio guiado para diseñar un esquema visual de un algoritmo supervisado.

6. Impacto de la selección y ajuste de algoritmos en modelos reales

• Concepto de precisión y eficiencia en modelos de IA.
• Ejemplos reales donde la elección del algoritmo afecta el resultado.
• Cómo el ajuste de parámetros mejora o empeora el desempeño.
• Reflexión sobre la importancia de elegir el algoritmo correcto según el problema.

Actividad 1: Explicando el algoritmo con una analogía

Objetivo: Describir el proceso básico de funcionamiento de los algoritmos de entrenamiento utilizando ejemplos simples y claros.

Descripción:

• Se presenta a los estudiantes una analogía relacionada con el aprendizaje humano (por ejemplo, aprender a reconocer frutas).
• Los estudiantes, en parejas, explican cómo un algoritmo podría aprender usando esa analogía.
• Se realiza una pequeña puesta en común para compartir las explicaciones.

Organización: Parejas

Producto esperado: Breve explicación escrita o verbal que relaciona la analogía con el proceso de entrenamiento.

Duración estimada: 30 minutos

Actividad 2: Análisis paso a paso del aprendizaje supervisado

Objetivo: Analizar paso a paso un algoritmo de aprendizaje supervisado identificando sus componentes y funciones.

Descripción:

• Se entrega un caso práctico con un conjunto de datos etiquetados (ej. frutas con color y tamaño).
• Los estudiantes, en grupos, identifican los datos de entrada, el modelo, la función de pérdida y el proceso de ajuste.
• Cada grupo explica cómo el algoritmo mejora con cada iteración.

Organización: Grupos de 3-4 estudiantes

Producto esperado: Informe o presentación que detalle los pasos y componentes del algoritmo.

Duración estimada: 60 minutos

Actividad 3: Comparación de algoritmos de entrenamiento

Objetivo: Comparar diferentes tipos de algoritmos de entrenamiento señalando ventajas y limitaciones.

Descripción:

• Se asigna a cada grupo un tipo de algoritmo (supervisado, no supervisado, refuerzo).
• Investigan y preparan una tabla de ventajas y limitaciones con ejemplos simples.
• Se realiza una exposición para que todos conozcan las diferencias.

Organización: Grupos

Producto esperado: Tabla comparativa y presentación oral.

Duración estimada: 90 minutos

Actividad 4: Creación de un esquema visual del flujo de aprendizaje

Objetivo: Aplicar conceptos básicos para crear un esquema visual que represente el flujo de datos y aprendizaje en un modelo de IA.

Descripción:

• Se explica a los estudiantes los elementos gráficos básicos para representar datos, modelos y procesos.
• Individualmente o en parejas, diseñan un esquema visual que muestre cómo un algoritmo supervisado aprende desde los datos hasta la toma de decisiones.
• Se comparten los esquemas y se discuten diferencias y claridad.

Organización: Individual o parejas

Producto esperado: Esquema visual en papel o digital.

Duración estimada: 45 minutos

Actividad 5: Evaluación del impacto del ajuste del algoritmo

Objetivo: Evaluar cómo la selección y ajuste de algoritmos afecta la precisión y eficiencia de modelos en ejemplos reales.

Descripción:

• Presentación de dos casos reales con modelos IA entrenados con diferentes algoritmos o parámetros.
• Los estudiantes analizan resultados, discuten precisión y eficiencia.
• Proponen qué ajustes podrían mejorar el desempeño y justifican sus ideas.

Organización: Grupos pequeños

Producto esperado: Informe de análisis y propuestas de ajuste.

Duración estimada: 60 minutos

Evaluación diagnóstica

Qué se evalúa: Conocimientos previos sobre qué es un algoritmo y nociones básicas de aprendizaje en IA.

Cómo se evalúa: Preguntas abiertas y breves encuestas orales o escritas.

Instrumento sugerido: Cuestionario inicial con preguntas como “¿Qué entiendes por algoritmo?”, “¿Has oído hablar de cómo un computador aprende?”

Evaluación formativa

Qué se evalúa: Comprensión de los procesos del algoritmo de entrenamiento, análisis paso a paso, comparación de tipos y capacidad para representar esquemas.

Cómo se evalúa: Observación durante actividades, revisión de productos parciales (esquemas, tablas comparativas, análisis de casos).

Instrumento sugerido: Rúbricas de evaluación para informes, presentaciones y esquemas visuales que midan claridad, precisión y comprensión.

Evaluación sumativa

Qué se evalúa: Capacidad integral para describir, analizar, comparar, representar y evaluar el impacto de algoritmos de entrenamiento.

Cómo se evalúa: Examen escrito con preguntas de desarrollo y análisis, además de una actividad práctica donde diseñen un esquema y analicen un caso real.

Instrumento sugerido: Prueba escrita y entrega de proyecto final con rúbrica que valore todos los objetivos de la unidad.

La unidad "Algoritmos de Entrenamiento en Sistemas de IA" está diseñada para ser impartida en aproximadamente 6 horas distribuidas en 3 sesiones de 2 horas cada una. La primera sesión se dedica a la introducción y explicación básica del funcionamiento y análisis paso a paso del aprendizaje supervisado. La segunda sesión se orienta a la comparación de algoritmos y la creación de esquemas visuales. La tercera sesión se enfoca en el impacto de la selección y ajuste de algoritmos, con actividades de análisis de casos reales y evaluación sumativa.

1. Introducción a las aplicaciones prácticas de la IA

• Concepto de aplicación práctica de la IA: qué significa llevar la inteligencia artificial a sectores reales.
• Importancia de conocer ejemplos concretos para comprender el impacto de la IA.
• Visión general de los sectores a estudiar: agricultura, comercio, finanzas, educación, salud y automatización del hogar.

2. Aplicaciones de IA en la agricultura

• Descripción de IA en agricultura: sensores, análisis de datos y robótica.
• Ejemplos reales:
  • Uso de drones para monitoreo de cultivos.
  • Sistemas de riego inteligente basados en IA.
  • Predicción de plagas y enfermedades mediante análisis de imágenes.
• Beneficios: aumento de productividad, ahorro de recursos, sostenibilidad.
• Desafíos: costos iniciales, capacitación, acceso a tecnología.

3. Aplicaciones de IA en el comercio

• Descripción de IA en comercio: personalización, gestión y análisis de clientes.
• Ejemplos reales:
  • Recomendadores de productos (como en tiendas online).
  • Chatbots para atención al cliente.
  • Análisis predictivo para manejo de inventarios.
• Beneficios: mejora en experiencia de compra, eficiencia en ventas.
• Desafíos: privacidad, dependencia tecnológica.

4. Aplicaciones de IA en finanzas

• Descripción de IA en finanzas: análisis de datos, automatización y detección de fraudes.
• Ejemplos reales:
  • Sistemas de detección de fraudes en transacciones bancarias.
  • Asesores financieros automáticos (robo advisors).
  • Automatización de procesos de crédito y evaluación de riesgos.
• Beneficios: seguridad, rapidez y precisión.
• Desafíos: transparencia, sesgos en algoritmos.

5. Aplicaciones de IA en la educación

• Descripción de IA en educación: personalización, evaluación y apoyo al aprendizaje.
• Ejemplos reales:
  • Plataformas adaptativas que ajustan contenidos al ritmo del estudiante.
  • Evaluación automática y retroalimentación inmediata.
  • Asistentes virtuales de tutoría.
• Beneficios: aprendizaje personalizado, accesibilidad.
• Desafíos: brecha digital, privacidad de datos.

6. Aplicaciones de IA en la salud

• Descripción de IA en salud: diagnóstico, tratamiento y gestión hospitalaria.
• Ejemplos reales:
  • Diagnóstico por imágenes médicas asistido por IA.
  • Asistentes virtuales para gestión de citas y seguimiento de pacientes.
  • Predicción de brotes y contagios mediante análisis de datos.
• Beneficios: rapidez en diagnóstico, mejor atención.
• Desafíos: ética, confidencialidad, responsabilidad.

7. Aplicaciones de IA en automatización del hogar

• Descripción de IA en hogares: domótica y asistentes inteligentes.
• Ejemplos reales:
  • Asistentes de voz para controlar dispositivos.
  • Sistemas de seguridad inteligentes.
  • Control automático de iluminación y temperatura.
• Beneficios: comodidad, ahorro energético, seguridad.
• Desafíos: privacidad, dependencia tecnológica.

8. Análisis comparativo de aplicaciones de IA en diferentes sectores

• Comparación de objetivos y procesos optimizados en cada sector.
• Contraste de beneficios y desafíos comunes y específicos.
• Impacto social y económico: discusión sobre cambios en empleo, calidad de vida y economía.

9. Riesgos y consideraciones éticas en el uso de IA

• Riesgos asociados a la privacidad y seguridad de datos.
• Sesgos y discriminación en algoritmos.
• Responsabilidad y transparencia en decisiones automatizadas.
• Importancia de la ética en el desarrollo y uso de IA.

10. Propuesta de solución basada en IA para un problema real

• Identificación de un problema específico en uno de los sectores estudiados.
• Diseño básico de una solución con IA: objetivos, funcionalidad y beneficios.
• Consideración de aspectos técnicos, sociales, económicos y éticos.
• Presentación y justificación de la propuesta.

Actividad 1: Mapa conceptual de aplicaciones de IA en sectores

Objetivo: Identificar y describir aplicaciones específicas de IA en los sectores estudiados.

Descripción paso a paso:

• El docente explica brevemente los sectores y ejemplos de IA.
• Los estudiantes, en grupos de 3-4, elaboran un mapa conceptual que incluya cada sector y sus aplicaciones con ejemplos.
• Se presenta el mapa al resto de la clase para discusión y retroalimentación.

Organización: grupos

Producto esperado: mapa conceptual visual y presentación breve.

Duración estimada: 1 hora

Actividad 2: Debate sobre beneficios y desafíos de la IA en tres sectores

Objetivo: Analizar el impacto social y económico de la IA, argumentando beneficios y desafíos.

Descripción paso a paso:

• Se asignan tres sectores a diferentes grupos.
• Cada grupo investiga y prepara argumentos sobre beneficios y desafíos de la IA en ese sector.
• Se realiza un debate en clase donde cada grupo expone sus puntos y responde preguntas.

Organización: grupos

Producto esperado: argumentos escritos y participación en debate.

Duración estimada: 1 hora y 30 minutos

Actividad 3: Comparación de aplicaciones de IA en sectores

Objetivo: Comparar y contrastar diferentes usos de la IA explicando cómo optimizan procesos.

Descripción paso a paso:

• Individualmente, los estudiantes eligen dos sectores.
• Preparan un cuadro comparativo que incluya aplicaciones, procesos optimizados, beneficios y desafíos.
• Comparten y discuten el cuadro con un compañero para enriquecer el análisis.

Organización: individual y parejas

Producto esperado: cuadro comparativo escrito y discusión.

Duración estimada: 1 hora

Actividad 4: Elaboración de informe o presentación sobre casos prácticos de IA

Objetivo: Elaborar un informe o presentación que sintetice casos prácticos e incluya riesgos y consideraciones éticas.

Descripción paso a paso:

• En grupos, recopilan información sobre al menos cuatro aplicaciones de IA en diferentes sectores.
• Analizan riesgos y cuestiones éticas relacionadas.
• Preparan un informe escrito o presentación digital que resuma sus hallazgos.
• Presentan el trabajo ante la clase para retroalimentación.

Organización: grupos

Producto esperado: informe o presentación digital.

Duración estimada: 2 horas

Actividad 5: Propuesta de solución con IA para un problema real

Objetivo: Aplicar conocimientos para proponer una solución basada en IA para un problema real.

Descripción paso a paso:

• En grupos, identifican un problema real en uno de los sectores estudiados.
• Diseñan una solución básica que utilice IA, detallando su funcionamiento y beneficios.
• Consideran aspectos éticos y posibles desafíos.
• Presentan la propuesta al grupo y reciben retroalimentación.

Organización: grupos

Producto esperado: propuesta escrita y presentación oral.

Duración estimada: 2 horas

Evaluación diagnóstica

Qué se evalúa: Conocimientos previos sobre IA y sus aplicaciones en sectores diversos.

Cómo se evalúa: Cuestionario corto con preguntas abiertas y de selección múltiple sobre usos básicos de IA.

Instrumento sugerido: Test escrito o digital de 10 preguntas breves.

Evaluación formativa

Qué se evalúa: Progreso en la identificación, análisis y comparación de aplicaciones de IA; participación en actividades y calidad de productos parciales.

Cómo se evalúa: Observación durante debates, revisión de mapas conceptuales, cuadros comparativos y borradores de informes.

Instrumento sugerido: Rúbricas de evaluación para cada actividad, listas de cotejo para participación y entrega de productos.

Evaluación sumativa

Qué se evalúa: Capacidad para elaborar un informe o presentación completa que sintetice casos prácticos, análisis de riesgos y propuesta de solución basada en IA.

Cómo se evalúa: Revisión final del informe o presentación grupal, valorando contenido, análisis crítico, creatividad y aspectos éticos.

Instrumento sugerido: Rúbrica detallada que incluya criterios de contenido, organización, análisis crítico, claridad y presentación.

La unidad tiene una duración sugerida de 10 horas distribuidas en aproximadamente 2 semanas, considerando sesiones de 5 horas por semana. La distribución recomendada es:

• Semana 1:
  • Sesión 1 (2.5 horas): Introducción, aplicaciones en agricultura, comercio y finanzas, más Actividad 1.
  • Sesión 2 (2.5 horas): Aplicaciones en educación, salud y automatización del hogar, más Actividad 2 y comienzo de Actividad 3.
• Semana 2:
  • Sesión 3 (2.5 horas): Finalización de Actividad 3, análisis comparativo, riesgos éticos y Actividad 4.
  • Sesión 4 (2.5 horas): Actividad 5 (propuesta de solución), presentaciones finales y evaluación sumativa.

1. Introducción a los riesgos y desafíos de la inteligencia artificial

• Definición de riesgo en el contexto de la IA: qué implica y por qué es importante reconocerlos.
• Clasificación general de riesgos: éticos, sociales y técnicos.
• Objetivos de la unidad y relevancia para la sociedad y el futuro tecnológico.

2. Riesgos éticos de la inteligencia artificial

• Privacidad y protección de datos: cómo la IA puede afectar la confidencialidad de la información personal.
• Sesgos y discriminación algorítmica: ejemplos y consecuencias de decisiones injustas automatizadas.
• Transparencia y explicabilidad: la dificultad de entender cómo llegan a ciertas decisiones los sistemas de IA.
• Responsabilidad y toma de decisiones: ¿quién es responsable cuando la IA comete un error?

3. Riesgos sociales de la inteligencia artificial

• Impacto en el empleo: automatización y posible pérdida o cambio de trabajos.
• Desigualdad y acceso: brechas digitales y acceso desigual a tecnologías de IA.
• Manipulación y desinformación: uso de IA para generar noticias falsas o contenido manipulado.
• Dependencia tecnológica y pérdida de habilidades humanas.

4. Riesgos técnicos de la inteligencia artificial

• Errores y fallos en sistemas de IA: fallos en el reconocimiento facial, diagnósticos médicos, etc.
• Seguridad y vulnerabilidad: ataques cibernéticos y manipulación de sistemas inteligentes.
• Limitaciones técnicas: problemas con la generalización y comprensión del contexto.
• Riesgo de autonomía excesiva: sistemas que actúan sin supervisión humana adecuada.

5. Análisis de casos reales de riesgos éticos y sociales

• Estudio de casos famosos como el reconocimiento facial en vigilancia masiva.
• Ejemplos de sesgos en sistemas de selección de personal o crédito financiero.
• Casos de manipulación mediante deepfakes y noticias falsas.
• Discusión de las implicaciones sociales y éticas de cada caso.

6. Herramientas visuales para organizar y comunicar riesgos

• Elaboración de esquemas para identificar y clasificar riesgos.
• Mapas mentales para analizar implicaciones y relaciones entre riesgos.
• Esquemas comparativos para evaluar consecuencias en distintos sectores.
• Uso de software o recursos digitales básicos para construir estas herramientas.

7. Medidas para mitigar riesgos de la inteligencia artificial

• Buenas prácticas en diseño y desarrollo de IA: transparencia, ética y supervisión.
• Políticas y regulaciones: importancia de leyes y normativas para proteger a la sociedad.
• Educación y concientización: papel de la formación en el uso responsable de IA.
• Propuestas y reflexión crítica: desarrollo de soluciones fundamentadas para reducir riesgos.

Actividad 1: Elaboración de esquema sobre riesgos de la IA

Objetivo: Identificar los principales riesgos éticos, sociales y técnicos mediante la elaboración de esquemas detallados.

Descripción:

• Se proporciona a los estudiantes información básica sobre los tres tipos principales de riesgos.
• Cada estudiante organiza la información en un esquema jerárquico (puede ser en papel o digital), diferenciando riesgos éticos, sociales y técnicos.
• Se promueve la inclusión de ejemplos breves en cada categoría para mayor claridad.
• Finalmente, se realiza una puesta en común para comparar y enriquecer los esquemas.

Organización: Individual

Producto esperado: Esquema detallado que clasifica riesgos y ejemplos.

Duración estimada: 60 minutos

Actividad 2: Análisis y mapa mental de casos reales

Objetivo: Analizar casos reales donde la IA presenta desafíos éticos y sociales, justificando sus implicaciones en un mapa mental.

Descripción:

• Se asignan o eligen en grupos pequeños casos reales documentados (p.ej., reconocimiento facial, sesgos en IA financiera, deepfakes).
• Los estudiantes investigan brevemente el caso y sus implicaciones éticas y sociales.
• Construyen un mapa mental que muestre las causas, consecuencias y actores involucrados.
• Presentan sus mapas al grupo y se discuten similitudes y diferencias entre casos.

Organización: Grupos de 3-4 estudiantes

Producto esperado: Mapas mentales con análisis justificado de casos reales.

Duración estimada: 90 minutos

Actividad 3: Esquema comparativo de consecuencias negativas en sectores

Objetivo: Evaluar las posibles consecuencias negativas de la IA en distintos sectores y presentar conclusiones en un esquema comparativo.

Descripción:

• Se seleccionan sectores clave (salud, educación, empleo, seguridad).
• Por parejas, los estudiantes analizan los riesgos y consecuencias negativas específicos para cada sector.
• Elaboran un esquema comparativo que resuma los riesgos y consecuencias sector por sector.
• Discutir en clase las conclusiones y reflexionar sobre diferencias y prioridades.

Organización: Parejas

Producto esperado: Esquema comparativo sectorial con riesgos y consecuencias.

Duración estimada: 75 minutos

Actividad 4: Mapa mental de propuestas para mitigar riesgos

Objetivo: Reflexionar críticamente y proponer soluciones fundamentadas para mitigar riesgos de la IA mediante un mapa mental.

Descripción:

• Se revisan medidas comunes para mitigar riesgos presentadas en clase.
• Individualmente o en grupos pequeños, los estudiantes crean un mapa mental que incluya propuestas propias y fundamentadas para abordar los riesgos éticos, sociales y técnicos.
• Se promueve la justificación de cada propuesta y su posible impacto.
• Se realiza una sesión de intercambio de ideas y retroalimentación.

Organización: Individual o grupos pequeños (2-3 estudiantes)

Producto esperado: Mapa mental con propuestas fundamentadas para mitigar riesgos.

Duración estimada: 60 minutos

Evaluación diagnóstica

Qué se evalúa: Conocimientos previos sobre riesgos y desafíos de la IA.

Cómo se evalúa: Cuestionario breve con preguntas abiertas y de opción múltiple sobre qué saben acerca de riesgos éticos, sociales y técnicos.

Instrumento sugerido: Test escrito o digital de 10 preguntas al inicio de la unidad.

Evaluación formativa

Qué se evalúa: Progreso en la identificación, análisis y organización de riesgos mediante actividades prácticas.

Cómo se evalúa: Revisión y retroalimentación de los esquemas, mapas mentales y esquemas comparativos elaborados durante las actividades.

Instrumento sugerido: Rúbrica de evaluación que considere claridad, organización, fundamentación y creatividad.

Evaluación sumativa

Qué se evalúa: Capacidad para identificar, analizar, categorizar y reflexionar sobre riesgos y medidas de mitigación de la IA.

Cómo se evalúa: Proyecto final individual o en parejas que consiste en la creación de un dossier visual (esquemas y mapas mentales) que integre todos los aprendizajes de la unidad y una reflexión escrita crítica.

Instrumento sugerido: Rúbrica detallada que evalúe contenido, estructura, análisis crítico y presentación visual.

La unidad "Riesgos y Desafíos de la Inteligencia Artificial" se sugiere impartir en un total de 6 horas distribuidas en 3 sesiones de 2 horas cada una.

Distribución recomendada:

• Sesión 1: Introducción a los riesgos, clasificación y elaboración de esquemas (Actividad 1).
• Sesión 2: Análisis de casos reales y elaboración de mapas mentales (Actividad 2).
• Sesión 3: Evaluación de consecuencias sectoriales, propuestas de mitigación y cierre con mapa mental (Actividades 3 y 4).

Esta distribución permite un aprendizaje progresivo, con tiempo para investigación, discusión y reflexión crítica.

1. Introducción a los Prompts en Herramientas de Inteligencia Artificial

• Definición de prompt y su importancia en la interacción con IA
• Tipos de herramientas de IA que utilizan prompts: ChatGPT, Copilot, Google Gemini
• Ejemplos básicos de prompts y respuestas generadas

2. Componentes Clave de un Prompt Efectivo

• Claridad: uso de lenguaje claro y directo
• Especificidad: incluir detalles que guíen la respuesta
• Contexto: proporcionar información relevante para la IA
• Formato y estructura: instrucciones, preguntas, ejemplos dentro del prompt

3. Diseño de Prompts Estructurados para Optimizar Respuestas

• Construcción paso a paso de un prompt efectivo
• Uso de preguntas abiertas vs. preguntas cerradas
• Incorporación de roles o escenarios para mejorar la generación de respuestas
• Adaptación del prompt según la herramienta de IA utilizada (ChatGPT, Copilot, Google Gemini)

4. Evaluación y Mejora de Prompts Existentes

• Criterios para evaluar prompts: claridad, especificidad, contexto
• Identificación de ambigüedades y áreas de mejora
• Técnicas para reformular y optimizar prompts
• Práctica con ejemplos reales y simulaciones

5. Aplicación Práctica: Redacción de Prompts para Problemas y Creatividad

• Desarrollo de prompts para resolver problemas específicos (ej. programación, matemáticas)
• Diseño de prompts para generar contenido creativo (cuentos, poemas, ideas innovadoras)
• Integración de feedback de la IA para mejorar la calidad del prompt
• Simulación de interacciones humano-IA para evaluar resultados

Actividad 1: Análisis de Prompts y sus Componentes

Objetivo: Identificar los componentes clave de un prompt efectivo para interactuar con herramientas de IA.

Descripción paso a paso:

• El docente presenta varios ejemplos de prompts con sus respuestas generadas por IA.
• Los estudiantes, en parejas, analizan cada prompt identificando claridad, especificidad y contexto.
• Discuten qué aspectos podrían mejorar y justifican sus respuestas.
• Se realiza una puesta en común grupal para compartir análisis y opiniones.

Organización: Parejas y luego grupo completo

Producto esperado: Lista escrita que identifique componentes y sugerencias de mejora para cada prompt.

Duración estimada: 45 minutos

Actividad 2: Creación de Prompts Estructurados para Diferentes Herramientas

Objetivo: Diseñar prompts estructurados que optimicen la precisión y relevancia de las respuestas generadas por sistemas IA.

Descripción paso a paso:

• Se asigna a cada estudiante una herramienta de IA (ChatGPT, Copilot o Google Gemini).
• Los estudiantes redactan tres prompts dirigidos a su herramienta asignada: uno para consulta informativa, otro para programación o solución técnica, y un tercero para contenido creativo.
• Se revisan en pequeños grupos para recibir retroalimentación y mejorar los prompts.
• Los estudiantes ajustan sus prompts según el feedback.

Organización: Individual y grupos pequeños

Producto esperado: Conjunto de prompts estructurados revisados y mejorados.

Duración estimada: 60 minutos

Actividad 3: Evaluación y Mejora de Prompts Existentes

Objetivo: Evaluar y mejorar prompts aplicando criterios de claridad, especificidad y contexto.

Descripción paso a paso:

• El docente proporciona prompts imperfectos con problemas de ambigüedad o falta de información.
• En grupos, los estudiantes identifican fallas y proponen versiones mejoradas.
• Cada grupo presenta su análisis y versión mejorada al resto de la clase.
• El docente modera discusiones y refuerza conceptos clave.

Organización: Grupos pequeños

Producto esperado: Documentos con análisis crítico y redacción mejorada de los prompts.

Duración estimada: 50 minutos

Actividad 4: Simulación de Interacción Humano-IA con Prompts Propios

Objetivo: Aplicar técnicas de redacción de prompts para resolver problemas específicos o generar contenido creativo.

Descripción paso a paso:

• Cada estudiante diseña un prompt para resolver un problema específico o crear un contenido original.
• Utilizando la herramienta de IA accesible (puede ser ChatGPT o una simulación), ingresan su prompt y analizan la respuesta.
• Registran la respuesta y evalúan si el resultado es satisfactorio según criterios aprendidos.
• Realizan ajustes al prompt para mejorar la respuesta y repiten el proceso.
• Finalmente, comparten su experiencia y resultados en una breve presentación.

Organización: Individual

Producto esperado: Documento con prompt original, respuesta generada, ajustes realizados y reflexión sobre la interacción.

Duración estimada: 70 minutos

Evaluación Diagnóstica

Qué se evalúa: Conocimientos previos sobre qué es un prompt y cómo se usa para interactuar con IA.

Cómo se evalúa: Cuestionario breve con preguntas abiertas y de opción múltiple sobre conceptos básicos de prompts.

Instrumento sugerido: Cuestionario escrito o digital (5-7 preguntas).

Evaluación Formativa

Qué se evalúa: Progreso en la identificación, diseño, evaluación y mejora de prompts durante las actividades.

Cómo se evalúa: Observación directa del trabajo en clase, revisión de productos parciales (listas de análisis, prompts diseñados, mejoras propuestas) y retroalimentación continua.

Instrumento sugerido: Rúbrica de desempeño para actividades prácticas y listas de cotejo para participación activa.

Evaluación Sumativa

Qué se evalúa: Capacidad integral para identificar, diseñar, evaluar y aplicar técnicas de redacción de prompts en un proyecto final.

Cómo se evalúa: Proyecto final donde el estudiante presenta un conjunto de prompts diseñados para diferentes situaciones, con análisis crítico y reflexiones sobre mejoras y resultados obtenidos con la IA.

Instrumento sugerido: Rúbrica detallada que incluya criterios de claridad, especificidad, contexto, estructura y aplicación práctica.

La unidad "Elaboración de Prompts Eficientes para Herramientas de IA" está diseñada para desarrollarse en 4 semanas, con una dedicación semanal aproximada de 2 horas. La distribución sugerida es la siguiente:

• Semana 1 (2 horas): Introducción a los prompts y componentes clave (temas 1 y 2) con Actividad 1 y evaluación diagnóstica.
• Semana 2 (2 horas): Diseño de prompts estructurados y práctica inicial (tema 3) con Actividad 2.
• Semana 3 (2 horas): Evaluación y mejora de prompts existentes (tema 4) con Actividad 3 y evaluación formativa continua.
• Semana 4 (2 horas): Aplicación práctica y simulación de interacción humano-IA (tema 5) con Actividad 4 y evaluación sumativa final.

Esta distribución permite un aprendizaje progresivo, con espacios para la práctica, retroalimentación y consolidación de habilidades en la elaboración de prompts eficientes.

1. Introducción al uso práctico de herramientas de Inteligencia Artificial

• Concepto y aplicaciones de IA en herramientas actuales: ChatGPT, Copilot y Google Gemini
• Importancia de la interacción efectiva con sistemas de IA mediante prompts
• Aspectos éticos y técnicos en el uso de herramientas de IA

2. Uso de ChatGPT para generación de respuestas coherentes y relevantes

• Funcionamiento básico y características de ChatGPT
• Construcción de prompts estructurados y claros
• Prácticas guiadas: diseño y envío de consultas específicas
• Evaluación de la coherencia y relevancia de las respuestas generadas

3. Empleo de Copilot en la creación de contenido digital

• Introducción a Copilot como asistente en programación y generación de textos
• Interpretación y evaluación crítica de las sugerencias automáticas
• Prácticas para integrar las sugerencias de Copilot en proyectos digitales
• Identificación de limitaciones y mejores prácticas para su uso responsable

4. Exploración de Google Gemini para resolución de problemas prácticos

• Características y funcionalidades principales de Google Gemini
• Integración de funciones de IA para resolver problemas específicos
• Metodología para seleccionar recursos y métodos adecuados dentro de Google Gemini
• Justificación técnica y ética de las elecciones realizadas

5. Comparación y análisis crítico de ChatGPT, Copilot y Google Gemini

• Contextos de uso: consulta, generación de contenido y resolución de problemas
• Criterios técnicos: precisión, rapidez, facilidad de uso y versatilidad
• Criterios éticos: privacidad, sesgos y transparencia
• Debate y reflexión fundamentada sobre las ventajas y limitaciones de cada herramienta

6. Diseño y evaluación de prompts efectivos para optimizar la interacción con IA

• Elementos clave en la construcción de prompts efectivos
• Prácticas de diseño de prompts para cada herramienta estudiada
• Pruebas prácticas para evaluar desempeño y relevancia de respuestas
• Retroalimentación y mejora continua en el diseño de prompts

Actividad 1: Diseño y prueba de prompts en ChatGPT

Objetivo: Utilizar ChatGPT para generar respuestas coherentes y relevantes aplicando prompts estructurados diseñados por el estudiante.

Descripción paso a paso:

• El docente explica la estructura básica de un prompt efectivo para ChatGPT.
• Los estudiantes diseñan 3 prompts relacionados con temas de interés o asignados.
• Cada estudiante ingresa sus prompts en ChatGPT y registra las respuestas obtenidas.
• Se analiza en grupo la coherencia, relevancia y posibles mejoras en los prompts.

Organización: Individual

Producto esperado: Documento con prompts diseñados, respuestas obtenidas y análisis crítico.

Duración estimada: 1.5 horas

Actividad 2: Creación de contenido digital asistido por Copilot

Objetivo: Emplear Copilot para asistir en la creación de contenido digital y evaluar la precisión y utilidad de sus sugerencias.

Descripción paso a paso:

• Introducción práctica sobre uso básico de Copilot en un entorno de desarrollo o editor compatible.
• Los estudiantes trabajan en parejas para crear un pequeño proyecto digital (puede ser código, texto o multimedia) usando Copilot.
• Se documentan las sugerencias generadas y se evalúa su precisión y utilidad.
• Discusión grupal sobre aciertos, errores y buenas prácticas para integrar las sugerencias.

Organización: Parejas

Producto esperado: Proyecto digital con integración de sugerencias de Copilot y reporte evaluativo.

Duración estimada: 2 horas

Actividad 3: Resolución de problemas prácticos con Google Gemini

Objetivo: Explorar Google Gemini para resolver problemas prácticos integrando funciones de IA y justificando las elecciones de recursos y métodos.

Descripción paso a paso:

• Presentación guiada de las funcionalidades clave de Google Gemini.
• En grupos pequeños, se asigna un problema práctico realista (por ejemplo, análisis de datos, generación de ideas, planificación).
• Los grupos utilizan Google Gemini para diseñar y aplicar una solución apoyada en IA.
• Preparan una breve presentación para justificar técnica y éticamente las opciones tomadas.

Organización: Grupos de 3-4 estudiantes

Producto esperado: Presentación grupal con solución aplicada y justificación.

Duración estimada: 2.5 horas

Actividad 4: Debate y análisis comparativo de herramientas IA

Objetivo: Comparar y contrastar las funcionalidades de ChatGPT, Copilot y Google Gemini fundamentando el análisis en criterios técnicos y éticos.

Descripción paso a paso:

• Se distribuye a los estudiantes información y fichas técnicas de cada herramienta.
• En grupos, analizan fortalezas, debilidades, aspectos éticos y aplicaciones concretas.
• Se realiza un debate estructurado donde cada grupo defiende una herramienta o aspecto.
• El docente guía una síntesis final destacando los puntos clave y aprendizajes.

Organización: Grupos y debate plenaria

Producto esperado: Informe comparativo y argumentación de debate.

Duración estimada: 2 horas

Actividad 5: Diseño, prueba y mejora de prompts efectivos

Objetivo: Diseñar prompts efectivos para optimizar la interacción con las herramientas de IA y evaluar su desempeño mediante pruebas y retroalimentación.

Descripción paso a paso:

• Los estudiantes diseñan un conjunto de prompts para ChatGPT, Copilot y Google Gemini orientados a un mismo objetivo (ejemplo: generación de texto, solución de problema, etc.).
• Prueban los prompts en cada herramienta y registran resultados.
• Intercambian sus prompts con compañeros para recibir retroalimentación.
• Realizan ajustes de diseño y prueban nuevamente para mejorar resultados.
• Finalizan con una reflexión escrita sobre las mejoras logradas y aprendizajes.

Organización: Individual con interacción en parejas

Producto esperado: Documento con prompts iniciales, resultados, ajustes, retroalimentación y reflexión final.

Duración estimada: 2 horas

Evaluación diagnóstica

Qué se evalúa: Conocimientos previos sobre IA, familiaridad con herramientas digitales y habilidades básicas para crear consultas o prompts.

Cómo se evalúa: Cuestionario breve y actividad práctica inicial de diseño de un prompt sencillo para ChatGPT.

Instrumento sugerido: Cuestionario en línea y entrega de prompt en un documento o plataforma colaborativa.

Evaluación formativa

Qué se evalúa: Progreso en la construcción y aplicación de prompts, uso crítico de Copilot, exploración de Google Gemini y capacidad de análisis comparativo.

Cómo se evalúa: Observación durante actividades, revisión de productos intermedios (prompts, proyectos, reportes) y participación en debates y retroalimentaciones.

Instrumento sugerido: Rúbricas específicas para cada actividad, listas de cotejo y registros de participación.

Evaluación sumativa

Qué se evalúa: Dominio integral de las herramientas: diseño de prompts efectivos, creación de contenido con Copilot, resolución de problemas con Google Gemini, y análisis crítico comparativo.

Cómo se evalúa: Presentación final de proyectos, entrega de portafolio con prompts y resultados, y ensayo o informe comparativo fundamentado.

Instrumento sugerido: Rúbrica para evaluación de portafolio, presentación oral y documento escrito.

La unidad está diseñada para desarrollarse en un periodo aproximado de 10 horas distribuidas en 4 semanas, con la siguiente sugerencia:

• Semana 1 (2.5 horas): Introducción y actividad de diseño y prueba de prompts en ChatGPT.
• Semana 2 (2 horas): Uso de Copilot en creación de contenido digital.
• Semana 3 (2.5 horas): Resolución de problemas con Google Gemini y justificación de métodos.
• Semana 4 (3 horas): Debate comparativo, diseño avanzado de prompts y evaluación sumativa.