Área curricular: Matemáticas, Geometría, Arte.
Año: tercero.
Herramienta de ML seleccionada: Herramienta: Teachable Machine. Tipo de proyecto: Imágenes. Clases definidas: Rectangular, Triangular, Circular.
Actividades a desarrollar: Recortar / obtener papeles u otros objetos de que contengan las formas Circular, Triangular y Rectangular. Generación del modelo: Teachable Machine. Pasamos a tomar fotos de las formas recolectadas y alimentar cada una de las categorías establecidas para que el modelo pueda hacer el reconocimiento.
Esperables o resultados: Aprendizajes esperados: Analizar la presencia de las formas geométricas en distintos aspectos de nuestra vida cotidiana, desde la construcción a las artes y los deportes. Construcción de un proyecto de Teachable Machine con imágenes. Definición de las clases del modelo y generación de muestras a través de la cámara de la computadora. Evaluación del modelo generado mediante ensayo y error, ya sea con muestras similares a las de entrenamiento o con otros objetos. Reflexión sobre las diferentes formas geométricas y cómo la computadora logra aprender a clasificarlas a partir de los ejemplos que le damos.

Nombre del proyecto: SmartAire

Contenido curricular que se aborda:

- Ciencias de la Computación: Introducción al Machine Learning, manejo de datos, modelos predictivos.

- Ciencias Naturales: Calidad del aire, contaminación, medio ambiente.

- Matemáticas: Estadística y probabilidad, análisis de datos.

Año de la escuela secundaria / edad del grupo de estudiantes: 5to año de liceo - 16-17 años

Herramienta de ML seleccionada: Teachable Machine

Actividades a desarrollar:

1. Introducción al Machine Learning: Explicar los conceptos básicos del machine learning y cómo se puede aplicar a la predicción de la calidad del aire.

2. Recolección de Datos: Los estudiantes investigarán y recopilarán datos históricos sobre la calidad del aire de diferentes fuentes confiables (por ejemplo, estaciones meteorológicas, bases de datos en línea).

3. Preparación de los Datos: Enseñar a los estudiantes cómo limpiar y preparar los datos para su uso en un modelo de machine learning.

4. Entrenamiento del Modelo: Utilizar Teachable Machine para crear un modelo que prediga la calidad del aire basada en los datos recopilados.

5. Evaluación del Modelo: Evaluar la precisión del modelo y discutir las posibles mejoras.

6. Presentación de Resultados: Los estudiantes presentarán sus hallazgos y el modelo predictivo en una presentación oral o escrita.

Posibles resultados:

- Comprensión de los conceptos básicos de machine learning.

- Habilidad para recopilar y preparar datos para el entrenamiento de modelos.

- Creación de un modelo predictivo utilizando Teachable Machine.

- Evaluación y mejora de modelos de machine learning.

- Desarrollo de habilidades de presentación y

comunicación científica.

Contenidos curriculares abordados:

Inglés:

• Vocabulario relacionado con fiestas y celebraciones.

• Comprensión lectora de textos sobre tradiciones de Año Nuevo.

• Producción escrita para comparar celebraciones en diferentes países.

  
  

Informática:

• Introducción al Machine Learning y sus aplicaciones.

• Uso de herramientas de ML para clasificación de datos (LearningML y POE).

• Análisis e interpretación de resultados obtenidos con modelos de ML.

  
  

Herramientas de Machine Learning:

• LearningML: Para entrenar modelos de clasificación de imágenes relacionadas con las celebraciones de Año Nuevo.

• Teachable Machine (POE): Para crear un modelo que clasifique sonidos típicos de las fiestas de Año Nuevo en diferente países.

  
  

Actividades:

1. Investigación sobre tradiciones de Año Nuevo: Los estudiantes buscarán información en inglés sobre cómo se celebra el Año Nuevo en varios países, recopilando datos como comidas típicas, decoraciones, música, fuegos artificiales, tradiciones, etc.

2. Creación de un dataset con imágenes: Los estudiantes tomarán fotos o buscarán imágenes representativas de las celebraciones de Año Nuevo y las etiquetarán por país.

3. Entrenamiento de modelos de clasificación: Usando LearningML, los estudiantes entrenarán modelos para clasificar las imágenes por país de origen basándose en las características de las celebraciones.

4. Análisis de sonidos típicos: Los estudiantes grabarán o buscarán audios de sonidos característicos de las fiestas de Año Nuevo (campanas, fuegos articiales, música, etc.) y los clasificarán por país usando Teachable Machine.

5. Comparación de resultados: Los estudiantes compararán los resultados obtenidos con los modelos de clasificación de imágenes y sonidos, identificando similitudes y diferencias entre las celebraciones de Año Nuevo en los distintos países.

6. Redacción de un reporte: Finalmente, los estudiantes escribirán un reporte en inglés resumiendo su investigación, los procesos de ML utilizados y las conclusiones sobre las celebraciones de Año Nuevo alrededor del mundo.

   
   

Resultados esperables:

• Modelos de clasificación entrenados para identificar imágenes y sonidos relacionados con las celebraciones de Año Nuevo por país.

• Reporte escrito en inglés comparando las tradiciones de Año Nuevo en diferentes culturas utilizando vocabulario apropiado.

• Comprensión de los conceptos básicos de Machine Learning y su aplicación práctica en el análisis de datos.

• Desarrollo de habilidades de investigación, análisis y trabajo en equipo.

Este proyecto permite a los estudiantes de tercer año de secundaria integrar conocimientos de inglés e informática, al tiempo que se familiarizan con técnicas de Machine Learning para explorarr y comparar las diversas formas en que se celebra el Año Nuevo alrededor del mundo.

Objetivo: construir un modelo de Machine Learming capaz de identificar el tipo de triangulo.

Área curricular: Matemática

Año: 1ro

Herramienta de ML seleccionada: LearmingML.  Tipo de proyecto: Imágenes, clases definidas: triángulo equilátero, isósceles y escaleno.

Actividades a desarrollar: construir con regla y compás diferentes  triángulos que sean escalenos, isósceles y equilátero.  Generación del modelo: Learming ML .  se le sacaran fotos a los diferentes triángulos para alimentar a las diferentes categorías que se han establecido para que puedan ser reconocidas por el modelo.

 Aprendizajes esperados: que puedan  construir con regla y compas diferentes triángulos. Que puedan construir un modelo AI de imágenes que reconozca cada tipo de triangulo a partir de una imagen. Definición para clasificar un triángulo según sus lados. Evaluar el proyecto mediante prueba y error.  Reflexionar como aprenden las computadoras a partir de las imágenes.

ROBOT DETECTOR DE MATERIALES

Objetivo:

Construir un modelo de Machine Learning que pueda identificar distintos materiales.

Contenidos curriculares que se abordan:

·       Ciencias Naturales:

Clasificación de materiales. Propiedades.

·       Informática:

Machine Learning. Programación con bloques.

Edad del grupo de estudiantes:

11-12 años

Herramienta de ML seleccionada:

Machine Learning For Kids – Scratch 3

Tipo de Proyecto: Imágenes / Clases definidas: Vidrio - Plástico - Otros

Actividades a desarrollar:

Búsqueda de imágenes en Internet de objetos de distintos materiales.

Organización las imágenes en carpetas de acuerdo con la clasificación de objetos: VIDRIO, PLÁSTICO, OTROS.

Generación del modelo de aprendizaje automático.

Utilización de un lenguaje de programación con bloques incorporando bloques de Machine Learning.

Esperables o resultados:

Reconocer y diferenciar objetos de distintos materiales.

Entrenar a la Machine Learning añadiendo imágenes de distintas clases para que identifique objetos materiales diferentes.

Evaluar el modelo creado mediante el uso de nuevas imágenes o bien objetos captados por la webcam.

Crear un programa de simulación de un robot que detecte las clases de materiales.

Reflexionar sobre las limitaciones de la Machine Learning y los beneficios que pueda llegar a aportar.

OBJETIVO construir un modelo de ML que pueda diferenciar seres voladores para abordar ML como creación humana.

AREA CURRICULAR ciencias naturales con algo de literatura fantástica

EDAD 8 años

HERRAMIENTA ML SELECCIONADA Learning ML, identificador de textos

ACTIVIDADES A DESARROLLAR

• Introducción en ML y en el uso de la herramienta ML

• Investigación en la web sobre insectos, características, clases, tipos

• Investigación en la web sobre aves, características, clases, tipos

• Investigación en la web sobre seres fantásticos y mitológicos voladores

• Análisis sobre las creaciones de la naturaleza y las creaciones humanas

• Vinculación de IA y ML a creaciones humanas, sus características, sentidos.

• Entrenamiento del modelo

• Pruebas con el modelo

• Análisis de respuestas del modelo y sus predicciones

• Evidenciar la necesidad de una mirada crítica sobre los resultados de la herramienta y sus sesgos

ESPERABLES O RESULTADOS

• Que puedan hacer uso de herramientas de IA, en este caso de ML, de manera creativa

• Que durante todo el proceso puedan tener presente que IA es una creación humana

• Que puedan desarrollar una mirada crítica sobre los resultados que arroja la IA

Lugar: colegio Secundario

Ubicación Geográfica: Corrientes

Destinatarios: alumnos de 4 y 5 año.

Objetivo general: Que los alumnos logren:

implementar un proyecto de involucre machine learning para mejorar y/o perfeccionar el rendimiento académico y emocional, con eje en contenidos curriculares de Lengua y Matemática.

Objetivos específicos: Que los alumnos logren:

• Mejor rendimiento académico en espacios como lengua y matemática.

• Un aprendizaje personalizado motivado en sus intereses y necesidades.

• logren identificar sus debilidades y fortalezas.

• relacionar y adquirir herramientas que puedan implementar en otros espacios.

Espacios: Actividad de carácter transversal, con base en los espacios de Lengua, Matemática, Educación Tecnológica y TIC.

Actividades a desarrollar:

• Análisis de datos de rendimiento académico entre compañeros.

• Creación de un modelo predictivo para identificar areas de debilidad.

• Desarrollo de un sistema de recomendación de recursos para cada alumno respondiendo a sus características particulares.

• Implementación de un chat Bot para apoyo en tiempo real.

• Evaluación y ajustes -de ser necesario- de los resultado obtenidos.

Herramientas de machine Learning utilizadas:

• algoritmos de clasificación y regresión.

• redes neuronales.

• análisis de sentimientos y procesamiento de lenguaje natural.

Herramientas recomendadas: La selección será libre, pero dependerá de las necesidades especificas del nivel y del grado de experiencia y/o conocimiento de las mismas.

para clasificación y regresión: Scikit-learn, Tensorflow, Pytorch.

para redes neuronales: Keras, Tensorflow, pytorch.

plataformas en la nube: google colab, macrisoft azure machine learning.

otros: NLTK, spacy, Pandas.

Contenido curricular que se aborda:

-Psicología (factores que afectan el estrés, salud mental)

-Informática (programación, análisis de datos, fundamentos de ML)

Año de la escuela secundaria / edad del grupo de estudiantes: 5to año de secundaria (estudiantes de 16-17 años)

Herramienta de ML seleccionada: Teachable machine

Actividades a desarrollar:

 Introducción al Machine Learning y su aplicación en psicología:

Presentar los conceptos básicos de ML y cómo se pueden aplicar en la psicología para predecir y entender comportamientos y estados mentales.

Explicar el flujo de trabajo de un proyecto de ML (recolección de datos, pre procesamiento, entrenamiento del modelo, evaluación y despliegue).

Recolección y preparación de datos:

Los estudiantes recopilarán datos sobre niveles de estrés a través de encuestas (por ejemplo, utilizando el Inventario de Estrés de Estudiantes), hábitos de sueño, carga de trabajo, actividades extracurriculares, etc.

Limpiar y preparar los datos para el análisis, gestionando valores faltantes y normalizando las variables.

Esperables o resultados:

Competencias adquiridas: Comprensión de conceptos básicos de ML, habilidades en análisis de datos y programación, capacidad para interpretar y comunicar resultados.

Resultados del proyecto: Un modelo predictivo que pueda estimar los niveles de estrés de los estudiantes basado en diversos factores.

Reflexión crítica: Análisis de cómo diferentes factores afectan el estrés y discusión sobre el uso responsable de los modelos predictivos en la psicología.

Reflexionar sobre el impacto de la tecnología en nuestras emociones y desarrollar habilidades para gestionarlas de manera positiva en los entornos digitales, promoviendo una convivencia respetuosa, amable y saludable en línea.

Objetivos Específicos

• Análisis: Identificar los patrones de uso de tecnología y las emociones asociadas en el alumnado.

• Predicción: Desarrollar un modelo que anticipe posibles situaciones de formas de violencias en el mundo digital.

• Personalización: Crear un sistema de sugerencias adaptado a las necesidades y características individuales de cada estudiante.

• Empoderamiento: Dotar a los y las estudiantes de herramientas y estrategias para promover valores democráticos y una buena convivencia en línea.

  
  

  -Espacio de Trabajo: Actividades de abordaje de habilidades socioemocionales y digitales necesarias para desenvolverse en un mundo cada vez más conectado en Formación para la vida y el trabajo.

Actividades a Desarrollar:

Diseño y aplicación de una encuesta anónima para recopilar datos sobre:

• Frecuencia de uso de dispositivos.

• Redes sociales preferidas.

• Experiencias de ciberacoso o situaciones incómodas en línea.

• Emociones asociadas al uso de tecnología.

  Análisis de Datos:

  • Utilización de herramientas de análisis de datos para identificar patrones y tendencias en las respuestas.

  • Creación de visualizaciones (gráficos, tablas) para facilitar la comprensión de los resultados.

  Utilización de técnicas de machine learning para crear un modelo capaz de identificar estudiantes en riesgo de experimentar problemas emocionales relacionados con el uso de tecnología.

• Los factores a considerar podrían incluir: frecuencia de uso, tipo de contenido consumido, expresiones de emociones negativas en redes sociales, etc.

  Desarrollo de un bot con inteligencia artificial que ofrezca:

  • 
    

    • Respuestas personalizadas a preguntas sobre el uso saludable de la tecnología.

    • Estrategias para gestionar emociones negativas.

    • Recursos educativos sobre ciberseguridad y convivencia digital.

• Seguimiento, Evaluación y Actualización:

  
  

  • Análisis de los logs del bot para identificar las preguntas más frecuentes y las áreas de mayor interés.

  • Ajustes y actualizaciones del modelo predictivo y del bot en función de los resultados obtenidos.

Contenido curricular que se aborda: Clases de palabras (sustantivos comunes y propios, adjetivos y verbos)

Curso/año: segundo.

Edad de los estudiantes: entre doce y trece años.

Herramienta seleccionada: Learning ML. Es una plataforma educativa que, está orientada a estudiantes de nivel medio. En esta herramienta se puede trabajar con imágenes, textos, entre otros.

Actividades a desarrollar: Los estudiantes deberán clasificar una serie de palabras según a qué categoría gramatical corresponda.

Resultados: Los porcentajes que figuran al lado de cada palabra ayudaron a los estudiantes a poder clasificarlas. Sin embargo, en el caso de los sustantivos, es necesario, especificar a qué tipo pertenece.

Asignatura: Biología

Objetivo: Construir un modelo de Learning ML que pueda identificar diferentes tipos de ecosistemas

Contenido curricular que se aborda:

• Ciencias de la Computación: Machine Learning

• Ciencias Naturales: Los ecosistemas

Curso/año: 3° año

Edad de los estudiantes: entre 14 y 16 años

Herramienta Seleccionada:

• Learning ML

Tipo de Proyecto: Identificación de imágenes de ecosistemas

Clases definidas:

• Ecosistema Acuático

• Ecosistema Marino

• Ecosistema de Agua Dulce

• Ecosistema Terrestre

Actividades a desarrollar:

1- Introducción al Learning ML: Explicación del concepto Learning ML y cómo puede esta herramienta aplicarse a la identificación de imágenes.

2- Recolección de datos: Los estudiantes obtendrán de la red diferentes tipos de imágenes de ecosistemas mundiales.

3- Organización de imágenes en carpetas: Los estudiantes pondrán lo obtenido de acuerdo a la clasificación de los ecosistemas.

4- Generación y preparación del modelo Learning ML de aprendizaje automático.

5- Entrenamiento del modelo: Utilizar Learning ML para crear un modelo que prediga a que ecosistema pertenece la imagen.

6- Evaluación del modelo: Evaluar la precisión del modelo.

7- Presentación de Resultados: Los estudiantes mostrarán sus resultados obtenidos.

8- Redacción de un reporte

Resultados Esperables:

• Comprensión del uso de las herramientas de I.A (Machine Learning).

• Capacidad activa de saber seleccionar las imágenes adecuadas para el entrenamiento del modelo.

• Creación de un modelo predictivo de Learning ML.

• Aptitud para la comunicación de resultados.

• Habilidad en la comunicación de los resultados a nivel científico.

• Desarrollo en habilidades científicas.

Contenido curricular que se aborda:

• Electrónica básica

• Introducción a microcontroladores (Arduino y NodeMCU ESP8266)

• Conceptos básicos de Machine Learning

• Clasificación de imágenes

Año de la escuela secundaria / edad del grupo de estudiantes: 4to año de secundaria / 15-16 años

Herramienta de ML seleccionada: Teachable Machine (para clasificación de imágenes)

Actividades a desarrollar:

1. Introducción a los componentes electrónicos: sensores, actuadores y dispositivos para Arduino y NodeMCU ESP8266.

2. Recolección de imágenes de los componentes electrónicos.

3. Entrenamiento del modelo en Teachable Machine con las imágenes recolectadas.

4. Prueba y ajuste del modelo de clasificación.

5. Integración del modelo en una aplicación web simple.

6. Diseño de un proyecto práctico utilizando los componentes identificados.

Esperables o resultados:

• Los estudiantes podrán identificar correctamente diversos componentes electrónicos utilizados en proyectos con Arduino y NodeMCU ESP8266.

• Comprenderán los conceptos básicos del Machine Learning y su aplicación práctica.

• Desarrollarán habilidades en la recolección de datos y entrenamiento de modelos de ML.

• Crearán un proyecto que integre el conocimiento de electrónica con las tecnologías de ML.

Contenido curricular: Salud y adolescencia – ESI

Año: 6° Secundaria – Edad del grupo: 17/18 años

Herramienta seleccionada: Learning ML

Objetivo General

Aprovechar el potencial del ML para ayudar a los adolescentes a desarrollar y mantener hábitos saludables y productivos.

Objetivos Específicos

·         Identificar patrones con los datos que cada participante ingrese.

·         Sugerir planes de hábitos personalizados basados en los datos individuales de cada alumno.

·         Adaptar los planes a medida que el participante modifica sus hábitos.

·         Mejorar continuamente el modelo de ML a través de la recopilación y análisis de nuevos datos.

Actividades a desarrollar

• Encuesta inicial para conocer los hábitos y preferencias de los adolescentes.

• Organización de los datos recopilados en hoja de cálculo.

• Clasificación de los datos en categorías.

• Carga de los datos para entrenar el ML.

• Comprobación llevando el ML a Scratch.

Esperables:

Despertar en los estudiantes la curiosidad por el mundo de la inteligencia artificial.

Incorporar términos como datos, modelos, entrenamiento, predicción y evaluación.

Reforzar habilidades para identificar patrones, formular hipótesis y evaluar resultados.

Fomentar la comunicación y el trabajo en equipo.

Área curricular: Lengua y Literatura

Año: segundo año de la escuela secundaria. Edad 14 años

Herramientas de ML seleccionadas: Scratch; Teachable Machine

Actividades a desarrollar:

1-      Iniciaremos formando grupos de 3 integrantes máximo. Deben tener a mano los apuntes sobre las características del cuento, esto les ayudara a crear un texto completo, respetando la estructura y la tipología elegida.

2-      Una vez creando el cuento, debe ser original, tomaremos las características de los personajes. Luego tomaremos fotos de recortes de revistas, libros, dibujos o buscaremos imágenes de nuestros personajes que utilizaremos Teachable Machine, que servirá para recolectar y completar cada categoría establecida de nuestros personajes.

            La idea es recaudar unas imágenes de nuestros personajes para luego crear nuestro avatar en la actividad posterior.

3-      Crearemos un juego Scratch, en el cual debe tener un NPC que tiene que poder contarnos la historia. El juego puede tener como opciones de avatares a los personajes del cuento.

            En el juego debe reflejarse la estructura del cuento, de hecho, puede proponer diferentes niveles para esto.

Esperables o resultados:

Que los alumnos:

·         Puedan crear un cuento de manera tradicional, es decir, inicia con una actividad manual.

·         Desarrollen habilidades de investigación, análisis y trabajo en grupo.

·         Integren la IA a la tarea tradicional de escritura.

·         Comprendan los elementos, características y tipologías de los cuentos a través de la práctica.

·         Exploren las herramientas de ML desde el uso, aprender haciendo.

·         Crear sus propios modelos en Teachable Machine con imágenes.

·         Utilicen Scratch como herramienta para aprender y divertirse al mismo tiempo.

• Ciencias Naturales: Los estudiantes aprenderán sobre los diferentes tipos de residuos (orgánicos, reciclables, no reciclables) y su impacto en el medio ambiente.

• Matemáticas: Se introducirán conceptos básicos de estadística y probabilidad, necesarios para entender cómo funcionan los modelos de Machine Learning.

• Tecnología: Los estudiantes aprenderán los fundamentos de la programación y cómo se aplican en Machine Learning utilizando micro:bit y MakeCode.

• Educación Cívica: Se fomentará la conciencia ambiental y las prácticas sostenibles, enseñando a los estudiantes la importancia de la correcta clasificación de residuos.

Año de la Escuela Secundaria / Edad del Grupo de Estudiantes

• Año: 1º año de secundaria.

• Edad: 12 años.

Herramienta de ML Seleccionada

• Herramienta: micro:bit con MakeCode y la extensión de Machine Learning. MakeCode es una plataforma de programación visual que es fácil de usar para los estudiantes jóvenes y permite integrar Machine Learning con micro:bit.

Actividades a Desarrollar

1. Introducción a Machine Learning:

   • Objetivo: Familiarizar a los estudiantes con los conceptos básicos de Machine Learning.

   • Actividad: Presentación interactiva sobre qué es Machine Learning, cómo funciona y ejemplos de su uso en la vida cotidiana. Se pueden usar videos y demostraciones en vivo para hacerlo más atractivo.

2. Recolección de Datos:

   • Objetivo: Crear un dataset de imágenes de residuos.

   • Actividad: Los estudiantes buscarán y recopilarán imágenes de diferentes tipos de residuos (orgánicos, reciclables, no reciclables). Estas imágenes se etiquetarán y organizarán en carpetas.

3. Preprocesamiento de Datos:

   • Objetivo: Preparar los datos para el entrenamiento del modelo.

   • Actividad: Explicar la importancia de la limpieza y preparación de datos. Los estudiantes usarán herramientas sencillas para organizar y limpiar las imágenes recopiladas, asegurándose de que estén en el formato correcto.

4. Entrenamiento del Modelo:

   • Objetivo: Entrenar un modelo de Machine Learning para clasificar residuos.

   • Actividad: Utilizando MakeCode, los estudiantes crearán un modelo de clasificación de residuos. Se les guiará a través del proceso de entrenamiento del modelo utilizando las imágenes recopiladas.

5. Evaluación del Modelo:

   • Objetivo: Evaluar la precisión del modelo y discutir sus limitaciones.

   • Actividad: Los estudiantes probarán el modelo con nuevas imágenes de residuos y evaluarán su precisión. Se discutirá sobre posibles mejoras y limitaciones del modelo.

6. Aplicación Práctica:

   • Objetivo: Aplicar el modelo en situaciones reales y presentar los resultados.

   • Actividad: Los estudiantes usarán el modelo para clasificar nuevas imágenes de residuos. Luego, presentarán sus resultados a través de un proyecto creativo, como una presentación, un póster o una exposición.

Esperables o Resultados

• Conocimientos Adquiridos:

  • Comprensión básica de los conceptos de Machine Learning.

  • Habilidades en el uso de micro:bit y MakeCode.

  • Capacidad para clasificar y analizar residuos de manera crítica.

  • Conciencia sobre la importancia de la correcta clasificación de residuos y su impacto ambiental.

• Producto Final:

  • Un modelo de Machine Learning capaz de clasificar imágenes de residuos.

  • Un proyecto creativo que documente el proceso y los resultados del proyecto.

• Ciencias Naturales: Clasificación de seres vivos plantas, animales, ecosistemas.

• Matemática: Introducción a la probabilidad y estadística básica.

• Tecnología: Fundamentos de inteligencia artificial (IA) y machine learning (ML).

• Informática: Uso de herramientas digitales para el análisis y clasificación de datos.

Año de la Escuela Secundaria / Edad del Grupo de Estudiantes:

• Año: 2° año de la escuela secundaria.

• Edad del Grupo: 13-14 años.

Herramienta de ML Seleccionada:

• Google Teachable Machine: Una herramienta sencilla y visual para enseñar a los estudiantes a entrenar modelos de machine learning utilizando imágenes.

https://teachablemachine.withgoogle.com

Actividades a Desarrollar:

1. Introducción a la Clasificación y la Inteligencia Artificial:

   • Explicación básica sobre la clasificación en ciencias naturales y cómo se utiliza la IA para clasificar datos.

   • Ejemplos de cómo se aplican estas tecnologías en el mundo real, tales como identificación de especies mediante imágenes.

https://www.dw.com/es/wildlife-insights-reconocimiento-de-im%C3%A1genes-por-ia/video-67752958

2. Exploración de Google Teachable Machine:

   • Demostración de cómo cargar imágenes en la herramienta y entrenar un modelo simple para clasificar entre dos o más categorías, plantas vs. animales.

3. Proyecto Práctico: Clasificación de Especies:

   • Actividad 1: Recolección de imágenes de la naturaleza, puede ser a través de fotos que tomen los estudiantes en un parque o usando imágenes de internet.

   • Actividad 2: Creación de un conjunto de datos de imágenes que representen diferentes especies o tipos de plantas/animales.

   • Actividad 3: Entrenamiento de un modelo de machine learning con Google Teachable Machine para clasificar las imágenes en diferentes categorías.

   • Actividad 4: Prueba del modelo entrenado para ver qué tan bien clasifica nuevas imágenes.

4. Discusión sobre Resultados y Reflexión:

   • Análisis de la precisión del modelo y discusión sobre las posibles razones detrás de los errores de clasificación.

   • Reflexión sobre cómo la tecnología puede ayudar en la conservación de la biodiversidad, pero también sobre las limitaciones y sesgos en el uso de IA.

Esperables o Resultados:

• Comprensión de la Clasificación: Los estudiantes deberían ser capaces de entender el concepto de clasificación tanto en ciencias naturales como en el contexto de la inteligencia artificial.

• Habilidad para Usar Herramientas Digitales: Los estudiantes aprenderán a utilizar Google Teachable Machine para entrenar modelos de machine learning que clasifiquen imágenes.

• Conciencia Ambiental: A través de la recolección de imágenes de especies y la clasificación, se espera que los estudiantes desarrollen un mayor aprecio por la biodiversidad y la importancia de su preservación.

• Pensamiento Crítico sobre la Tecnología: Los estudiantes reflexionarán sobre las capacidades y limitaciones de la inteligencia artificial, especialmente en tareas relacionadas con la naturaleza.

• Trabajo en Equipo y Presentación: Los estudiantes trabajarán en grupos para completar el proyecto y presentarán sus hallazgos, mejorando así sus habilidades de colaboración y comunicación entre pares.

Este proyecto refuerza sus conocimientos de las ciencias naturales y promueve una mayor conciencia sobre la importancia de la biodiversidad; apoyados con los contenidos adquiridos en las materias de Matemáticas, Tecnología e Informática.

Prof: Monzón Milcíades Darío

Contenido: Historia - Educación digital

Edad: 13 años

Herramienta D-ID

Actividades:

• Estudio y análisis del contexto histórico

• Estudio y análisis de la personalidad del militar

• Redacción del guión

• Análisis y exploración de la herramienta D-ID

• Intervención de la foto con el audio de un estudiante

  Esperables: Que los estudiantes puedan apropiarse de forma significativa del contenido curricular de la materia historia. Que adquieran habilidades en el uso de la AI

Contenidos curriculares:

TIC:

Desarrollo de identidad digital.

Exploración de herramientas de ML y utilización de Learning For Kids para crear proyectos para el reconocimiento de texto.

Sractch: programación de la actividad en donde utilizarán distintos tipos de bloques para el mismo.

Lengua y literatura: redaccion de las distintas oraciones a utilizar

Año: 1ero de secundaria – 12 años

Escuela Secundaria: N° 11 Colonia Flores Federación

Herramienta seleccionada: Machine Learning For Kids + Scratch 3.0

Objetivo General: El proyecto busca desarrollar una herramienta para identificar la huella que dejamos en la red de manera que influirá en nuestra identidad de manera positiva (emojis feliz) o negativa (emojis triste) reflexionando sobre qué es la misma, porqué es importante y tomar decisiones informadas sobre el comportamiento y las prácticas de seguridad en línea.

Actividad: Para realizar el proyecto, los estudiantes de 1ero entrenarán un modelo de ML para reconocer texto y etiquetar en dos categorías: positiva o negativa. Con este modelo se construirá un programa en Scratch que invita a la persona usuaria a introducir prácticas en la red, si ésta corresponde a buenas prácticas en la red, se muestra una imagen de un emojis carita feliz; si en cambio es una frase que involucra malas prácticas en la red, se verá un emojis carita triste.

Profesora Vanina Zini

Contenido curricular que se aborda:

• Educación tecnológica: Pensamiento computacional, Inteligencia artificial, Machine Learning.

• Geografía: El clima, recursos naturales y ambiente, Impacto ambiental, Geografía Humana.

• Matemáticas: Estadística, análisis de datos históricos.

Año de la escuela secundaria: Tercero

Edad de estudiantes: 13/14

Herramienta ML seleccionada: ML4K + Scratch

Actividades a desarrollar:

• Estudio de la problemática de los incendios forestales en nuestra provincia.

• Análisis de estadisticas de incendios en los últimos anos.

• Investigación sobre metodologías convencionales de detección de incendios.

• Exploración de la plataforma ML4K.

• Búsqueda guiada de datasets de imágenes.

• Entrenamiento del modelo y prueba.

• Diseño de aplicación empleando Scratch.

• Socialización de los resultados.

Esperables o resultados:

• Concientizar a los estudiantes sobre la problemática de los incendios forestales y sus consecuencias.

• Analizar métodos de detección.

• Incentivar la búsqueda de soluciones alternativas y la resolución de problemas.

• Introducirlos al uso de ML e IA para resolver problemas prácticos.

Contenido curricular que se aborda:

- Fundamentos de Machine Learning

- Clasificación de Imágenes

- Introducción a la Inteligencia Artificial

- Programación visual

- Matemáticas básicas (estadística y probabilidad)

Año de la escuela secundaria / edad del grupo de estudiantes:

- 3er año de la secundaria / Estudiantes de 14-15 años

Herramienta de ML seleccionada:

- Machine Learning for Kids

Actividades a desarrollar:

1. Introducción a Machine Learning:

   - Explicación básica de qué es Machine Learning y cómo se utiliza en la vida cotidiana.

   - Presentación de la plataforma Machine Learning for Kids.

2. Acceso y Navegación en la Plataforma:

   - Creación de cuentas en Machine Learning for Kids.

   - Tutorial sobre cómo navegar y utilizar la plataforma.

3. Recolección de Imágenes:

   - Búsqueda y recolección de imágenes para entrenar el modelo (por ejemplo, imágenes de animales, frutas, vehículos, etc.).

   - Subida de imágenes a la plataforma y etiquetado adecuado de cada una.

4. Entrenamiento del Modelo:

   - Uso de la interfaz visual para entrenar un modelo de clasificación de imágenes.

   - Ajuste de parámetros básicos y comprensión de cómo el modelo aprende a partir de los datos.

5. Evaluación del Modelo:

   - Prueba del modelo con nuevas imágenes para evaluar su precisión.

   - Discusión sobre la precisión del modelo y cómo mejorarla con más datos o mejor etiquetado.

6. Aplicación Práctica:

   - Desarrollo de un pequeño proyecto que utilice el modelo entrenado, como un juego educativo o una herramienta interactiva.

   - Integración del modelo en un proyecto de Scratch para una presentación más dinámica.

7. Presentación de Resultados:

   - Creación de una presentación para mostrar el proceso y los resultados obtenidos.

   - Compartir la experiencia y los aprendizajes con la clase mediante una presentación grupal.

Esperables o resultados:

- Los estudiantes comprenderán los conceptos básicos de Machine Learning y su aplicación en la clasificación de imágenes.

- Desarrollarán habilidades en el uso de herramientas visuales para la creación de modelos de ML.

- Serán capaces de recolectar, etiquetar y utilizar datos visuales para entrenar un modelo.

- Aplicarán el modelo en proyectos creativos utilizando Scratch.

- Fomentarán habilidades de presentación y trabajo en equipo.

• Herramienta de ML seleccionada: Teachable Machine / Scratch

• Actividades a desarrollar: Pasos del proyecto

  1) Primero se utilizara dicho espacio para ingresar, presentar y enseñar como se utiliza u funciona la herramienta “Teachable Machine” que se encuentra en internet; una vez desarrollado eso, se presentara diferentes ejemplos o ejercicios echos en la misma para demostrar su funcionamiento. El objetivo también es crear un espacio para que los estudiantes puedan tomar notas, realizar preguntas y sobre todo entiendan mejor el uso de dicha aplicación. Luego de haber aclarado todo, se pasara a explicar como funciona e utiliza la herramienta “Scratch”, ya que la misma aplicación sera de fundamental importancia conocer; para poder realizar y entregar el trabajo final.

  2) A continuación se le pedirá a los estudiantes que creen un grupo de 3 integrantes como máximo para que realicen un modelo de aprendizaje, en el cual deberán agregar como mínimo tres elementos de Software y Hardware, es decir, el modelo constara mínimamente con 6 muestras. Cabe aclarar que los componentes pueden estar creados en papel, cartón u utilizar cualquier material que ellos crean apropiados (con esto quiero decir que no necesariamente deban comprar u conseguir dicho componente). Una vez tengan creado el modulo de aprendizaje, deberán introducir la misma en la herramienta Scratch para mostrar y corroborar que funcione correctamente.

  3) Por ultimo por medio de una votación, irán pasando al frente del aula los diferentes grupos a exponer y defender dicho trabajo, los mismos contaran entre seis a diez minutos para mostrar su trabajo, explicar los componentes que utilizaron y como lo realizaron.

• Esperables o resultados:

  Se espera que los estudiantes sean capaces de conocer y diferenciar los diferentes componentes que existen entre Hardware y Software junto con la utilización de una herramienta de Machine Learning, por otro lado otro objetivo es que sean capaces de desarrollar su creatividad y demostrar sus conocimientos que han adquirido hasta el momento.

Proyecto transversal entre: Arte, Historia, Tecnología e Idiomas.

Año de la Escuela Secundaria: 3° año

Herramienta de ML seleccionada: Learning ML y Scratch

Actividades a desarrollar:

• Se trabajará sobre la pregunta ¿Qué nos dicen las pinturas? para responder tanto desde la técnica y el estilo artísticos como desde el contexto histórico de producción.

• Se realizará una introducción general a la IA y al concepto de ML con ejemplos concretos para que las y los estudiantes comprendan algunas aplicaciones posibles a casos concretos.

  
  

• Se entrenará un modelo de ML para reconocer pinturas previamente definidas por las y los estudiantes.

  
  

• Se programará en Scratch para devolver información sobre el contexto de producción de las obras y datos sobre la técnica utilizada. Dicha información estará disponible en español, inglés y portugués (idiomas estudiados por las y los estudiantes de la secundaria en la que se desarrolla el proyecto)

  
  

Esperables:

Que las y los estudiantes puedan responder a una pregunta planteada en un área curricular de una manera creativa, transdisciplinaria, utilizando la IA y ML en un contexto definido y significativo.

Que las y los estudiantes de otros cursos de la escuela puedan acceder a los resultados logrados por el grupo, aprendiendo sobre obras de arte, historia, al mismo tiempo que practican lenguas adicionales.

Espacios curriculares: Educación Tecnológica - Lengua

Curso: 3º Año – Nivel Medio (13/14 años)

Fundamentación:

En el contexto actual, la digitalización ha transformado radicalmente la manera en que nos comunicamos y relacionamos. Las redes sociales y otras plataformas digitales han ampliado las posibilidades de interacción y el intercambio de ideas en tiempo real. Sin embargo, este entorno también ha facilitado la propagación de discursos de odio y violencia, creando un espacio donde, desde el anonimato, las agresiones pueden amplificarse de manera rápida y masiva.

·         Objetivos:

Que los estudiantes:

-          Identifiquen el impacto que tienen las palabras en las personas

-          Reflexionen sobre su participación en las redes

-          Dimensionen acerca de los peligros y las consecuencias de la violencia en línea

-          Reconozcan las herramientas necesarias para navegar de manera segura y responsable

·         Temas y contenidos

-          Los estudiantes trabajarán con diversas herramientas de ML, reconocerán sus principales características y metodologías de uso.

-          Luego, se centrarán en la herramienta “learningML” para el desarrollo del proyecto.

·         Tecnologías:

LearningML

-          La herramienta es de fácil utilización, disponible en lenguaje español y no posee desventajas o limitaciones.

-          Fuentes de información: Para la correcta identificación y selección de términos, los estudiantes extraerán la información de fuentes reconocidas y validades, tales como: Global Lenguaje Monitor – Real Academia Española – Glosarios de ONGs y Organismos internacionales (ADL – HRC – ONU) – Bases de datos de investigaciones académicas (Google Scholar)

·         Actividades

La secuencia didáctica se divide en 5 momentos bien diferenciados:

Primer momento: Introducción

Objetivo: Sensibilizar a los estudiantes sobre la importancia de identificar y combatir los discursos de odio.

Actividades: Discusión sobre ejemplos reales de discursos de odio en redes, debate sobre el impacto social y emocional de estos discursos y análisis de las políticas actuales de las plataformas digitales sobre el manejo de contenidos ofensivos.

Segundo momento: Familiarización con la herramienta de ML

Objetivo: Entender el funcionamiento básico de la herramienta LearningML y su aplicación en el análisis de lenguaje.

Actividades: Introducción a conceptos básicos de aprendizaje automático (machine learning) y procesamiento de lenguaje natural. Tutorial sobre cómo cargar datos en LearningML y cómo etiquetar palabras o frases. Ejercicio de práctica: cargar un conjunto de datos simple y etiquetar palabras ofensivas.

Tercer momento: Entrena a un modelo

Objetivo: Entrenar un modelo para distinguir entre palabras ofensivas e inofensivas.

Actividades: Recopilación de ejemplos de textos de redes sociales. Etiquetado colaborativo de las palabras o frases en las muestras recogidas. Entrenamiento del modelo en LearningML con los datos etiquetados.

Cuarto momento: Evaluación del modelo y aplicación en nuevos contextos

Objetivos: Evaluar la precisión del modelo y realizar ajustes necesarios para mejorar su rendimiento. Usar el modelo para analizar nuevos textos de redes sociales.

Actividades: Aplicación del modelo a un conjunto de datos de texto reciente o en tiempo real. Identificación de falsos positivos o falsos negativos.

Quinto momento: Reflexión, concientización y difusión

Objetivos: Fomentar la reflexión crítica sobre los resultados obtenidos y su impacto en la vida cotidiana y en la sociedad. Compartir resultados y aprendizajes.

 Actividades: Debate sobre la precisión del modelo, desarrollo de propuestas para mejorar el tratamiento de discursos de odio en las redes sociales y creación de campañas de concientización sobre el impacto de los discursos de odio, utilizando los conocimientos adquiridos.

·         Evaluación

La docente podrá verificar la comprensión y aplicación de herramientas tecnológicas, la selección de datos para el entrenamiento del modelo, el ajuste de parámetros y el alcance de los objetivos propuestos, a través del seguimiento continuo y el análisis de producciones finales de cada uno de los estudiantes.

“Clasificación de Animales con Machine Learning”

Contenido Curricular:

• Comprender que los seres vivos poseen estructuras, funciones y comportamientos específicos.

Edad: 11 años

Herramienta de ML Seleccionada: Machine Learning for Kids

Actividades a desarrollar:

Introducción al Proyecto:

- Explicar a los estudiantes qué es el machine learning y cómo se puede utilizar para clasificar diferentes tipos de animales.

- Mostrar ejemplos de cómo los algoritmos de machine learning pueden aprender a reconocer patrones en los datos.

Recolección de Datos:

- Los estudiantes buscarán imágenes de diferentes animales (por ejemplo, mamíferos, aves, reptiles) y las etiquetarán según su tipo.

- Se puede utilizar una base de datos de imágenes preexistente o permitir que los estudiantes tomen sus propias fotos.

Entrenamiento del Modelo:

- Utilizando Machine Learning for Kids, los estudiantes cargarán las imágenes etiquetadas y entrenarán un modelo de clasificación.

- Explicar conceptos básicos como “entrenamiento”, “validación” y “pruebas”.

Evaluación del Modelo:

- Probar el modelo con nuevas imágenes para ver qué tan bien puede clasificar los animales.

- Discutir los resultados y posibles mejoras en el modelo.

Aplicación Práctica:

- Crear una pequeña aplicación o juego donde los estudiantes puedan subir una imagen de un animal y el modelo intente clasificarlo.

- Reflexionar sobre cómo esta tecnología puede ser útil en la vida real, por ejemplo, en la conservación de especies.

Resultados Esperados:

• Comprensión de los conceptos básicos de Machine Learning.

• Habilidad para recolectar y etiquetar datos de manera efectiva.

• Capacidad para entrenar y evaluar un modelo de Machine Learning.

• Aplicación práctica de la tecnología en un contexto educativo.

“PERDIENDO EL CONTROL”

·         Contenido curricular que se aborda:

-        Introducción a la iA

-        Introducción a ML

-        Machine learning for kids: interfaz, entorno, configuración.

-        Sistemas de control manual y sistemas de control automático

-        Clasificación de imágenes según el sistema al que corresponde

·         Año de la escuela secundaria / edad del grupo de estudiantes

3er año del nivel medio. Alumnos de edades entre 14 y 15 años.

·         Herramienta de ML seleccionada:

Machine learning for kids

·         Actividades a desarrollar:

-        Introducción a machine learning: explicación de conceptos y características acerca de ML. Exposición de la interfaz de ML for kids, su uso mediante ejemplos.

-        Acceso a la web de ML for kids: creación de cuenta personal en ML for kids, explorar funciones y opciones.

-        Búsqueda y selección de imágenes: selección y descarga de imágenes teniendo en cuenta los formatos de imágenes.

-        Cargado de imágenes a la plataforma, ubicándolas en las etiquetas correspondientes.

-        Entrenamiento de la ML: ajuste de parámetros, tener en cuenta los pasos sugeridos en la ML.

-        Evaluación del modelo: testeo del modelo con imágenes cargadas y nuevas.

-        Actividad cierre: exposición de cada proyecto realizado con el contenido que se trabaja.    

·         Esperables:

-        Que los alumnos comprendan y reconozcan los conceptos y forma en aprendizaje de un modelo machine learning.

-        Que los estudiantes logren diferenciar los sistemas de control manual y automático.

-        Lograr un aprendizaje significativo mediante las capacidades de análisis, utilización y experimentación en el proceso de entrenamiento a la ML y la relación con el contenido trabajado.   

Objetivos:

-Que los estudiantes utilicen el vocabulario trabajado en clase: los colores en inglés en un entorno diferente e innovador.

-Que los estudiantes se familiaricen con el concepto de IA en general y el ML en particular. 

-Que los estudiantes conozcan una de las numerosas herramientas que el ML ofrece.

-Que los estudiantes, con la ayuda de los docentes, puedan entrenar a las computadoras para que reconozcan el color predominante de un animal.

-Que los estudiantes visualicen cómo cambia de color el camaleón según el color que hay a su alrededor. Que logren ver cómo se mimetiza con su entorno.

Áreas curriculares: Inglés, Ciencias Naturales e Informática

Grado: 2do grado

Herramienta de ML seleccionada: Machine Learning for Kids + Scratch

Tipo de proyecto: Imágenes

Temas o contenidos: Los estudiantes trabajarán previamente en las tres asignaturas contenidos previos para que al momento de realizar el proyecto los niños sepan cómo proceder, siempre guiados por los docentes. En inglés, trabajaremos con los colores. En Ciencias Naturales, trabajarán con el camaleón y sus características, por qué cambian de color, en qué situaciones, qué come, dónde vive, etc. En informática, trabajarán con el concepto de IA y de ML. También se les presentará las herramientas ML for Kids y Scratch.

Propósito:  El propósito de este proyecto es que los estudiantes entren en contacto y comiencen a utilizar las herramientas de ML para que en un futuro cercano puedan programar ellos solos, de manera autónoma. Adicionalmente, este proyecto sirve para que se trabaje de manera transversal e interdisciplinariamente unificando contenidos. Los estudiantes trabajarán los contenidos de manera lúdica, creativa e innovadora.

Tecnologías: Los estudiantes, guiados por los docentes, entrenarán un modelo de aprendizaje automático para reconocer colores tomando fotografías de objetos coloreados con la cámara web de una computadora. Usarán esto en Scratch para hacer un camaleón que reconoce el color y cambia de disfraz para combinarlo. Las fotos que tomen los estudiantes serán se objetos, ellos no aparecerán en las imágenes por lo que su identidad queda resguardada. Las subirán a una nube segura que manejan los docentes.

Aprendizajes esperados: Se espera que, al realizar las actividades propuestas, los estudiantes tengan una mayor práctica y manejo de los contenidos comenzados a trabajar tanto en inglés como en ciencias naturales y así logren afianzarlos en su vocabulario en el idioma extranjero de una manera lúdica como están acostumbrados para que el aprendizaje sea más placentero y así perdure en el tiempo. Adicionalmente, se espera que los estudiantes se familiaricen con los conceptos de IA y ML y disfruten de utilizar algunas de las herramientas que ofrece el ML para que comiencen a interesarse en el mundo de la programación.

Objetivos:

1. Educativo:

   • Desarrollar habilidades en diseño 3D y dibujo técnico mediante la creación de piezas de ajedrez inspiradas en el estilo Bauhaus.

   • Integrar machine learning para analizar patrones en el juego de ajedrez y aplicar estos conocimientos en el diseño y uso de las piezas.

   • Aplicar técnicas de fabricación digital, como el corte láser y la impresión 3D, en la construcción de un juego de ajedrez completo.

2. Recreativo:

   • Fomentar la creatividad y el pensamiento crítico a través del diseño personalizado de un juego de ajedrez.

   • Promover la comprensión y aplicación de conceptos básicos de machine learning en un contexto lúdico y educativo.

Contenidos:

1. Diseño de Piezas de Ajedrez en Estilo Bauhaus utilizando Tinkercad:

• Introducción al Movimiento Bauhaus:

  • Historia y principios del diseño Bauhaus, enfocándose en la simplicidad, funcionalidad y geometría.

• Diseño en Tinkercad:

  • Uso de Tinkercad para crear piezas de ajedrez inspiradas en las formas geométricas del Bauhaus.

  • Exploración y experimentación con combinaciones de formas básicas.

2. Proyección de las Piezas en Axonométrica y Método ISO (E):

• Introducción a la proyección axonométrica y su aplicación en el dibujo técnico.

• Creación de bocetos a mano alzada de las piezas de ajedrez diseñadas en Tinkercad, aplicando el método ISO (E).

• Comparación y análisis entre los dibujos a mano y los modelos digitales.

3. Estructura del Tablero de Ajedrez:

• Diseño geométrico del tablero siguiendo principios Bauhaus.

• Fabricación del tablero usando técnicas de corte láser.

• Aplicación de conceptos de geometría y proporciones en la estructura del tablero.

4. Construcción de Piezas en Madera y Plástico:

• Corte Láser:

  • Preparación de archivos digitales para el corte de las piezas en madera o acrílico.

  • Montaje y acabado de las piezas.

• Impresión 3D:

  • Configuración de la impresora 3D y post-procesamiento de las piezas impresas.

  • Evaluación de la calidad y precisión de las piezas.

5. Machine Learning Aplicado al Ajedrez:

• Introducción al Machine Learning:

  • Conceptos básicos de machine learning y su aplicación en análisis de patrones en el ajedrez.

• Entrenamiento de un Modelo:

  • Uso de datasets de partidas de ajedrez para entrenar un modelo simple de predicción de movimientos.

  • Análisis de cómo los patrones aprendidos pueden influir en el diseño de las piezas.

• Aplicación en el Juego:

  • Implementación de un modelo de machine learning en una aplicación que sugiera movimientos basados en el estado actual del tablero.

• Ciencias de la Computación: Aprendizaje automático, programación, desarrollo de aplicaciones.

• Ciencias Ambientales: Gestión de residuos, reciclaje, compostaje.

• Matemáticas: Análisis de datos, probabilidad.

Nivel:

Taller extracurricular para estudiantes de secundaria interesados en tecnología y medio ambiente.

Herramienta de Aprendizaje Automático:

• Teachable Machine: Plataforma de Google para crear modelos de aprendizaje automático sin necesidad de conocimientos avanzados de programación.

Actividades Desarrolladas:

• Recopilación y etiquetado de imágenes de residuos.

• Entrenamiento de un modelo de clasificación de imágenes en Teachable Machine.

• Desarrollo de una aplicación móvil utilizando MIT RAISE Playground para integrar el modelo entrenado.

• Pruebas y ajustes del modelo y la aplicación.

Resultados Esperados:

• Desarrollo de una herramienta útil para clasificar residuos de manera eficiente y precisa.

• Fomento de la conciencia ambiental y la participación activa de los estudiantes en la gestión de residuos.

• Adquisición de habilidades en programación, aprendizaje automático y resolución de problemas.

• Actividades a desarrollarla aplicación

En primer lugar, comenzaremos la clase explicando los conceptos necesarios para comprender lo que es el Machine Learning y de qué manera vamos a usar la aplicación.

Una vez desarrollado lo anterior, se comentará las características específicas de algunos animales. Utilizando la aplicación SnapChat de sus celulares. Ingresarán en el modo de filtros faciales, y deberán representar un animal a elección. Realizarán un registro de las características.

Por último, realizarán un registro (esquema) sobre la representación del animal para ser compartida con todo el aula.

Próxima vez, realizarán reconocimiento de fauna amenazada en el territorio. Buscarán las imágenes de fauna autóctona amenazada, y fauna exótica. Armarán una clasificación para categorizarlas. Utilizarán el Scratch para armar campañas de concientización para el cuidado de fauna.

• Esperables o resultados

  
  

  Utilización de herramientas de ML para reconocimiento de características comparativas del ser humano con otros animales.

  Promoción de prácticas educativas de ML en la escuela.

  
  

"Reconociendo Sensores y Actuadores a través de Machine Learning"

Contenido curricular:

• Sensores, actuadores y placas de desarrollo: Reconocimiento de tipos de sensores y actuadores utilizados en domótica, así como el uso de placas de desarrollo como Arduino, ESP32 o Raspberry Pi.

• Introducción a Machine Learning (ML): Uso básico de algoritmos de ML para reconocimiento de imágenes.

• Tecnologías emergentes y su impacto: Relación entre inteligencia artificial y automatización en hogares inteligentes.

Año de la escuela secundaria / edad del grupo de estudiantes:

• 6to año de secundaria / 16 a 17 años

Herramienta de ML :

• Teachable Machine: Plataforma accesible para la creación de modelos de aprendizaje automático mediante la clasificación de imágenes.

Actividades a desarrollar:

1. Introducción a la Domótica y Sensores (Clase 1):

   • Explicación teórica sobre qué son los sensores, actuadores y placas de desarrollo.

   • Ejemplos prácticos de cómo se usan estos componentes en un hogar inteligente (control de luces, climatización, seguridad, etc.).

2. Teachable Machine y el Reconocimiento de Imágenes (Clase 2):

   • Introducción a Teachable Machine: explicación del concepto de machine learning y cómo entrenar un modelo con imágenes.

   • Ejercicio: cada alumno seleccionará tres sensores (como sensores de temperatura, de movimiento, de luz) y tres actuadores (bombillas, motores, etc.). Los alumnos tomarán fotos con sus celulares para crear un dataset propio.

3. Entrenamiento del Modelo (Clase 3):

   • Subir las imágenes tomadas a Teachable Machine y entrenar un modelo para que reconozca los diferentes sensores y actuadores.

   • Los alumnos aprenderán a usar la interfaz de Teachable Machine para dividir las imágenes en categorías y entrenar el modelo.

4. Validación y Testeo del Modelo (Clase 4):

   • Probar el modelo con nuevas imágenes para verificar su capacidad de reconocer los objetos.

   • Evaluación del rendimiento del modelo (precisión y tasa de errores).

5. Implementación de Resultados (Clase 5):

   • Los alumnos presentarán sus resultados: mostrarán cómo su modelo es capaz de diferenciar entre distintos sensores y actuadores.

   • Discusión sobre las aplicaciones de Machine Learning en domótica.

Esperables o resultados:

• Comprensión: Los estudiantes deberían ser capaces de identificar los diferentes tipos de sensores y actuadores utilizados en la domótica.

• Aplicación de Machine Learning: Los alumnos habrán entrenado un modelo de ML básico para reconocer sensores y actuadores.

• Pensamiento crítico: Evaluarán la precisión del modelo y discutirán sus posibles aplicaciones en el contexto de hogares inteligentes.

• Creatividad: Habrán desarrollado una solución propia utilizando imágenes tomadas por ellos mismos, relacionando el uso de la inteligencia artificial con la vida cotidiana.

Contenido curricular que se aborda:

·         Matemáticas: funciones, álgebra, probabilidad y estadísticas.

·         Ciencias de la computación: lógica, algoritmos, programación básica.

·         Tecnología y Ética: impacto de la inteligencia artificial en la sociedad.

·         Pensamiento crítico y resolución de problemas.

Año de la escuela secundaria y edad del grupo de estudiantes: 4to año de secundaria

Herramienta de ML seleccionada: Teachable Machine (plataforma accesible que permite entrenar modelos básicos de machine learning sin necesidad de conocimientos avanzados de programación).

Esperables o resultados:

• Los estudiantes comprenderán los conceptos básicos de IA y machine learning.

• Desarrollarán habilidades prácticas en la creación y uso de modelos simples de ML.

• Entenderán el impacto ético y social de estas tecnologías.

• Serán capaces de explicar cómo funciona un modelo de ML, las limitaciones de los datos y la importancia de la ética en su aplicación.

Actividades a desarrollar:

1.    Introducción a la IA y el ML (Clase 1):

a.    Explicación básica de qué es la inteligencia artificial y cómo funciona el aprendizaje automático.

b.    Ejemplos prácticos en la vida diaria (asistentes virtuales, recomendaciones de plataformas de streaming, etc).

c.    Debate sobre la ética de la IA y su impacto en el futuro del trabajo.

2.    Exploración de Teachable Machine (Clases 2-3):

a.    Los estudiantes entrenarán modelos simples para reconocimiento de imágenes, sonidos o gestos utilizando Teachable Machine.

b.    Se les enseñará cómo cargar datos y entrenar un modelo básico.

c.    Se explorará el concepto de "overfitting" y la importancia de tener un buen conjunto de datos de entrenamiento.

3.    Desarrollo de un Proyecto Personalizado (Clases 4-6):

a.    En grupos, los estudiantes elegirán un problema del mundo real para resolver mediante IA (por ejemplo, clasificación de imágenes de reciclaje, reconocimiento de emociones).

b.    Crearán su propio conjunto de datos y entrenarán un modelo usando Teachable Machine.

c.    Presentación final del proyecto con demostraciones prácticas.

4.    Reflexión final y debate ético (Clase 7):

a.    Reflexión sobre los resultados obtenidos.

b.    Discusión sobre los posibles sesgos en los modelos de ML y su impacto en la sociedad.

c.    Propuesta de mejoras para sus modelos.

• Fundamentos de Machine Learning: Conceptos básicos como aprendizaje supervisado, no supervisado y refuerzo positivo, entrenamiento de modelos, y evaluación de resultados.

• Sesgos en Machine Learning: Cómo los datos sesgados pueden influir en los resultados de un modelo, tipos de sesgos (de muestra, algorítmico, de medición) y sus consecuencias.

• Ética en la Inteligencia Artificial: Importancia de la equidad y la justicia en el desarrollo de modelos de Machine Learning.

• Programación: Uso de una herramienta de programación visual o de bajo código para desarrollar el modelo.

Año de la escuela secundaria / edad del grupo de estudiantes

• Sexto año de escuela secundaria (aproximadamente 16-17 años)

Herramienta de ML seleccionada

• Google Teachable Machine: Una herramienta gratuita y visual que permite crear modelos de Machine Learning sin necesidad de conocimientos avanzados de programación. Es ideal para introducir a los estudiantes en los conceptos básicos de esta tecnología.

Actividades a desarrollar

1. Introducción al sesgo:

   • Discusión sobre ejemplos de sesgos en la vida cotidiana y en los medios.

   • Actividad: Crear un diagrama o infografía que explique los diferentes tipos de sesgos.

2. Recopilación y preparación de datos:

   • Los estudiantes recopilarán imágenes o datos relacionados con un tema de su interés (por ejemplo, reconocimiento facial, clasificación de objetos).

   • Aprenderán a limpiar y organizar los datos para el entrenamiento del modelo.

   • Discusión sobre la importancia de tener datos representativos y diversos.

3. Entrenamiento del modelo:

   • Utilizando Google Teachable Machine, los estudiantes entrenarán un modelo para clasificar las imágenes o datos recopilados.

   • Experimentación con diferentes conjuntos de datos y parámetros para observar cómo afectan los resultados.

4. Evaluación del modelo:

   • Los estudiantes evaluarán el desempeño de su modelo utilizando un conjunto de datos de prueba.

   • Identificación de posibles sesgos en los resultados y análisis de las causas.

5. Mitigación de sesgos:

   • Discusión sobre técnicas para mitigar los sesgos en los modelos de Machine Learning (por ejemplo, recopilación de datos más diversos, algoritmos más justos).

   • Los estudiantes intentarán mejorar su modelo para reducir los sesgos identificados.

6. Presentación de resultados:

   • Cada estudiante o grupo presentará su proyecto a la clase, explicando el proceso seguido, los resultados obtenidos y las conclusiones.

   Esperables o resultados

   • Comprensión de los conceptos básicos de Machine Learning: Los estudiantes comprenderán cómo funcionan los modelos de Machine Learning y cómo se entrenan.

   • Conciencia sobre los sesgos: Los estudiantes serán capaces de identificar diferentes tipos de sesgos en los datos y en los modelos.

   • Pensamiento crítico: Los estudiantes aprenderán a analizar los resultados de un modelo de Machine Learning de manera crítica y a identificar posibles problemas.

   • Ética en la IA: Desarrollarán un sentido de responsabilidad ética en el desarrollo y uso de la Inteligencia Artificial.

Contenido Curricular:

• Conceptos de Machine Learning y su aplicación en la clasificación de objetos.

• Uso de herramientas tecnológicas avanzadas para el análisis de datos.

• Descripción y análisis de objetos tecnológicos cotidianos.

Año de la escuela secundaria / edad del grupo de estudiantes: 2do año de secundaria (13-14 años).

Herramienta: Teachable Machine (para entrenar un modelo de clasificación de imágenes).

Actividades a desarrollar:

1. Introducción al Análisis de Objetos Tecnológicos:

   a. Explicar qué son los objetos tecnológicos (teléfonos, tablets, laptops, relojes inteligentes, etc.) y cómo se pueden clasificar mediante Machine Learning.

   b. Mostrar ejemplos de aplicaciones que usan este tipo de tecnología.

2. Exploración de Teachable Machine:

   a. Mostrar cómo Teachable Machine puede ser utilizado para clasificar imágenes de dispositivos tecnológicos.

   b. Cada grupo selecciona un tipo de objeto tecnológico que será el foco de su proyecto (por ejemplo, clasificar entre teléfonos inteligentes, tablets y laptops).

3. Recolección de Imágenes:

   a. Los estudiantes tomarán fotos o buscarán imágenes de diferentes dispositivos tecnológicos que quieran clasificar.

   b.Cargar las imágenes a Teachable Machine.

4. Entrenamiento del modelo:

   a. Los estudiantes utilizarán las imágenes para entrenar el modelo de Machine Learning. Teachable Machine procesará las imágenes y aprenderá a reconocer los distintos objetos.

   b. Los estudiantes probarán el modelo con imágenes nuevas, verificando su capacidad para clasificar correctamente los dispositivos.

5. Evaluación y Optimización:

   a. Probar el modelo con más imágenes de objetos tecnológicos para evaluar su precisión.

   b. Si el modelo falla en clasificar algunos dispositivos, los estudiantes deberán identificar por qué y agregar más ejemplos de imágenes o ajustar las categorías.

6. Presentación Final:

   Los estudiantes presentarán sus modelos mostrando cómo estos clasifican diferentes dispositivos tecnológicos y se reflexionará sobre cómo se podría utilizar el análisis de objetos tecnológicos en el mundo real.

Resultados esperados:

• Los estudiantes entenderán cómo las máquinas aprenden a reconocer patrones y objetos.

• A través de este proyecto, los estudiantes podrán analizar objetos tecnológicos cotidianos y explorar cómo funcionan.

• Los estudiantes aprenderán a usar herramientas avanzadas y a ajustar modelos de Machine Learning.

• Reflexionarán sobre el uso de Machine Learning para resolver problemas reales relacionados con la identificación y clasificación de tecnología.

Detección de Residuos reciclables con ML

Contenido curricular que se aborda

• Ciencias Naturales: Clasificación de materiales (plástico, papel, cartón, vidrio), propiedades de los materiales, cuidado del ambiente y reciclaje.

• Tecnología: Uso de dispositivos digitales, introducción a la programación (Scratch), conceptos básicos de inteligencia artificial (IA) y machine learning.

• Lengua: Comunicación oral y escrita sobre el tema, elaboración de informes y presentaciones.

• Año de la escuela:

  2do grado

• Herramienta de ML seleccionada

  Techeable

• Actividades a desarrollar

  1-Introducción al Reciclaje:

  • Charla sobre la importancia del reciclaje y los diferentes tipos de residuos.

  • Clasificación de imágenes de residuos en categorías (plástico, papel, cartón, vidrio).

  • Juego interactivo en Scratch para reforzar los conceptos.

  2-Creación del Modelo con Teachable Machine:

  • Recopilación de imágenes de residuos: Los estudiantes pueden tomar fotos o buscar imágenes en internet.

  • Entrenamiento del modelo: Cargar las imágenes en Teachable Machine y entrenar el modelo para que clasifique los residuos.

  • Generación de un código: Teachable Machine generará un código que se puede integrar a Scratch.

  3-Integración del Modelo a Scratch:

  • Crear un proyecto en Scratch donde el estudiante pueda cargar una imagen de un residuo.

  • Utilizar el código generado por Teachable Machine para que Scratch identifique el material del residuo.

  • Diseñar una interfaz amigable con indicaciones visuales y sonoras.

  4-Presentación de los Proyectos:

  • Cada estudiante presenta su proyecto a sus compañeros, explicando el proceso de creación y cómo funciona el modelo.

• Esperables o resultados

  Comprender el potencial de la IA en beneficio de un mundo mas Sostenible

Profesor: Victor Cabral

Contenidos curriculares que se aborda:

• Ciudadanía digital. Discurso de odio: Definición, ejemplos, consecuencias, por qué es importante combatirlo. Uso responsable de la inteligencia artificial. (TIC)

• Inteligencia artificial y Machine Learning. (TIC)

·         Impactos sociales y culturales de las redes sociales (Producción de lenguajes).

Año de la escuela secundaria: 4 año

Edad del grupo de estudiantes: Alumnos de 15 años.

Herramienta de ML seleccionada: Learning ML

Objetivos:

• General: Comprender cómo las computadoras pueden aprender a identificar mensajes de odio en internet y por qué es importante.

• Específicos:

  • Aprender qué es el discurso de odio y por qué es un problema.

  • Conocer las bases de cómo una computadora puede "entender" palabras.

  • Crear un modelo simple para identificar palabras clave relacionadas con el odio.

  • Entender la importancia de la ética en el uso de estas tecnologías.

Actividades:

1. Investigar qué es el discurso de odio y buscar ejemplos en las noticias.

2. Explorar diferentes tipos de redes sociales y cómo se manifiestan los mensajes de odio.

3. Crear una lista de palabras clave relacionadas con el odio entre docente y alumnos.

4. Crear un conjunto de datos pequeño con ejemplos de mensajes que contienen o no estas palabras.

5. Entrenar una IA con esos datos. Desarrollar un algoritmo simple que busque las palabras clave en los mensajes y clasifique como "odio" o "no odio".

Evaluación:

1. Probar el modelo con nuevos mensajes y analizar su precisión.

2. Validación. Discutir los pro y los contra del modelo y cómo podría mejorarse.

3. Debatir sobre las implicaciones éticas de la detección de discurso de odio.

4. Reflexionar sobre cómo esta tecnología puede ser utilizada para mejorar la convivencia en internet.

Criterios de evaluación:

• Participación activa

• Comprensión de conceptos

• Habilidades de programación

• Pensamiento crítico

Ubicando la línea de horizonte y el punto de fuga en la perspectiva polar

Profesor: Diego Strumia

Objetivo: Que los estudiantes comprendan y apliquen los principios básicos de ML para ubicar y representar la línea de horizonte y el punto de fuga en la perspectiva polar.

Contenido curricular:

• Conceptos de ML y su aplicación para la identificación de elementos

• Uso de herramientas para el análisis de datos

• Identificación de elementos en el espacio o en una imagen que permitan ubicar la línea de horizonte y el punto de fuga de una perspectiva polar

Año de la escuela: 3° año de secundaria (13/14 años)

Contenido curricular:

• Educación tecnológica

• Artes visuales

Herramientas: Teachable Machine (para entrenar un modelo de clasificación de imágenes) + Sketchup (modelado de volúmenes en 3D con PC)

Actividades:

1. Introducción a la Perspectiva Polar:

• Clase teórica:

  • Explicación clara y concisa de qué es la perspectiva polar y cómo se diferencia de otros tipos de perspectiva.

  • Mostrar ejemplos de perspectiva polar en el arte y la arquitectura.

  • Enfatizar la importancia de la línea de horizonte y el punto de fuga en este tipo de perspectiva.

• Ejercicio práctico:

  • Proporcionar a los alumnos imágenes simples con perspectiva polar y pedirles que identifiquen visualmente la línea de horizonte y el punto de fuga.

2. Introducción a SketchUp:

• Tutorial básico:

  • Guiar a los alumnos en la creación de un modelo 3D simple en SketchUp.

  • Enseñarles a utilizar las herramientas básicas de dibujo y edición.

  • Destacar la importancia de la vista en perspectiva para visualizar el modelo en 3D.

3. Creación de Modelos en Perspectiva Polar:

• Ejercicio guiado:

  • Proponer un ejercicio en el que los alumnos creen un modelo simple en SketchUp utilizando la perspectiva polar.

  • Guiarlos en la colocación correcta de la línea de horizonte y el punto de fuga.

• Ejercicio libre:

  • Permitir que los alumnos exploren su creatividad y creen modelos más complejos, siempre manteniendo la perspectiva polar.

4. Introducción al Machine Learning (ML):

• Conceptos básicos:

  • Explicar qué es el Machine Learning de manera sencilla y con ejemplos.

  • Mostrar cómo el ML puede ser utilizado para reconocer patrones en imágenes.

• Herramienta de reconocimiento de imágenes:

  • Utilizar una herramienta de reconocimiento de imágenes en línea (Teachable Machine) para crear un modelo que identifique líneas horizontales y puntos en imágenes.

5. Integración de ML y SketchUp:

• Ejercicio práctico:

  • Pedir a los alumnos que tomen capturas de pantalla de sus modelos en SketchUp.

  • Utilizar la herramienta de reconocimiento de imágenes creada para identificar automáticamente la línea de horizonte y el punto de fuga en las imágenes.

• Análisis de resultados:

  • Comparar los resultados obtenidos por el modelo de ML con las identificaciones manuales de los alumnos.

  • Discutir las posibles razones de las discrepancias y las limitaciones del modelo de ML.

6. Proyecto Final:

• Propuesta:

  • Proponer un proyecto final en el que los alumnos deban crear una escena compleja utilizando la perspectiva polar en SketchUp.

  • Utilizar el modelo de ML para verificar la precisión de sus construcciones.

• Presentación:

  • Pedir a los alumnos que presenten sus proyectos a la clase, explicando el proceso creativo y los desafíos encontrados.

Beneficios de esta Propuesta:

• Aprendizaje interdisciplinario: Combina geometría, dibujo técnico, informática y diseño.

• Desarrollo de habilidades: Fomenta la creatividad, el pensamiento crítico y la resolución de problemas.

• Aplicación práctica: Permite a los alumnos aplicar los conocimientos teóricos a proyectos reales.

• Uso de tecnología: Familiariza a los alumnos con herramientas tecnológicas de vanguardia.

Contenido curricular que se aborda:

• Ciencias Naturales: Estudio de las frutas, sus características y clasificación.

• Matemáticas: Conceptos de probabilidad y estadística relacionados con la clasificación.

• Informática: Introducción a conceptos de Machine Learning y programación.

• Educación Artística: Diseño gráfico para la presentación de resultados.

Año de la escuela secundaria / edad del grupo de estudiantes:

• Año: 2º año de secundaria

• Edad: 13-14 años

Herramienta de ML seleccionada:

• Teachable Machine

Actividades a desarrollar:

1. Introducción al proyecto:

   • Presentar el concepto de Machine Learning y su aplicación en la clasificación de imágenes.

   • Explicar el objetivo del proyecto: crear un modelo que clasifique diferentes tipos de frutas a partir de imágenes.

2. Recolección de datos:

   • Los estudiantes tomarán fotografías de diversas frutas o buscarán imágenes en línea.

   • Se organizarán las imágenes en carpetas según la categoría (ej., manzanas, naranjas, plátanos, etc.).

3. Entrenamiento del modelo:

   • Usar Teachable Machine para cargar las imágenes y entrenar el modelo.

   • Guiar a los estudiantes a través del proceso de entrenamiento y ajuste del modelo para mejorar la precisión.

4. Pruebas y validación:

   • Realizar pruebas con nuevas imágenes de frutas para ver cuán bien el modelo clasifica.

   • Discutir los resultados y cómo se puede mejorar el modelo.

5. Presentación de resultados:

   • Los estudiantes crearán una presentación o un mural digital donde mostrarán su trabajo, incluyendo imágenes, el proceso de entrenamiento y los resultados obtenidos.

   • Reflexionarán sobre el uso de Machine Learning y sus implicaciones en la vida cotidiana.

Esperables o resultados:

• Aprendizajes:

  • Comprensión de los conceptos básicos de Machine Learning y su aplicación práctica.

  • Desarrollo de habilidades en la recolección y organización de datos.

  • Fomento del trabajo en equipo y la creatividad a través del diseño de la presentación.

• Resultados:

  • Un modelo funcional capaz de clasificar imágenes de frutas con un porcentaje de precisión aceptable.

  • Una presentación final que destaque el proceso, las dificultades encontradas y las soluciones implementadas.

• Reflexión:

  • Los estudiantes discutirán cómo el ML puede ser utilizado en otros contextos y áreas, fomentando un pensamiento crítico sobre la tecnología y su impacto en el mundo.

"Inteligencia Artificial en la Vida Cotidiana"

Contenido curricular que se aborda

• Introducción a la inteligencia artificial y el machine learning.

• Ética en el uso de tecnologías emergentes.

• Aplicaciones de ML en diferentes campos (salud, medio ambiente, finanzas, etc.).

• Fundamentos de programación y análisis de datos.

Año de la escuela secundaria / edad del grupo de estudiantes

• 2º año de secundaria (aproximadamente 13-14 años).

Herramienta de ML seleccionada

Teachable Machine de Google, que permite crear modelos de ML de manera intuitiva y visual.

Actividades a desarrollar

1. Introducción a ML: Charla interactiva sobre qué es el machine learning y sus aplicaciones.

2. Exploración de Teachable Machine: Taller práctico donde los estudiantes se familiarizan con la herramienta.

3. Creación de un modelo: Los estudiantes eligen un tema (por ejemplo, clasificación de imágenes de plantas) y recopilan datos para entrenar un modelo.

4. Presentaciones: Cada grupo presenta su proyecto, explica el proceso y los resultados obtenidos.

5. Debate sobre ética: Reflexión en grupo sobre las implicaciones éticas del uso de ML en la sociedad.

Esperables o resultados

• Comprensión básica de los conceptos de machine learning y su aplicación.

• Desarrollo de habilidades de trabajo en equipo y presentación.

• Reflexión crítica sobre el impacto de la tecnología en la vida diaria.

• Creación de un modelo funcional que los estudiantes pueden compartir y discutir.

Asignatura: Lengua y Literatura, TIC y ESI

Contenido curricular que se aborda: Publicidad y propaganda, Estereotipos sociales, herramientas ML (características, metodologías de uso).

Curso/año: 3° año

Edad de los estudiantes: Entre 14 y 15 años.

Herramienta seleccionada: LearningML

Actividades a desarrollar: Primero se dialogará sobra la importancia de identificar y combatir los estereotipos en publicidades, propagandas, redes o cualquier plataforma digital.

Segundo, entender y entrenar la herramienta LearningML para identificar los estereotipos sesgados o cargados de odio. Para esto se recopilarán varios ejemplos.

Finalmente, reflexionar sobre todo el proceso y los resultados obtenidos.

Evaluación: Se verificarán las herramientas aplicadas y su comprensión, además de los ejemplos seleccionados para entrenarla.

Año: 2do año de secundaria

Herramienta: Techeable Machine

Contenidos

Ciencias naturales: clasificación de materiales, propiedades de los materiales, cuidado del ambiente y reciclado

Informática

Uso de dispositivos digitales, introducción a la programación, conceptos básicos de IA

Lengua

Comunicación oral y escrita

Actividades:

1) Introducción al reciclaje

• Charla sobre la importancia del reciclaje y los tipos de residuo

• Clasificación de imágenes de residuos

• Juego interactivo en scratch para reforzar conceptos

2) Creación del modelo con Techeable Machine

• Recopilación de imágenes de residuos

• Entrenamiento del modelo

• Generación de un código para integrar a scratch

3) Integración del modelo a Scratch

• Crear un proyecto en scratch donde el estudiante pueda cargar la imagen de un residuo

• Utilizar el código generado en techable machine para que scratch identifique el material del residuo

• Diseñar una interfaz amigable con indicaciones visuales y sonoras

4) Finalmente cada alumno presentará su proyecto

Esperables o resultados:

Comprender el potencial de la IA en beneficio de un mundo más sostenible

Profesor: Silvina Varela

Contenidos curriculares que se aborda:

Ciudadanía digital. Fake News. Alfabetización mediática.Inteligencia artificial y Machine Learning. (TIC). Impactos sociales y culturales de las tecnologías emergentes

Año de Formación: 2 año

Edad del grupo de estudiantes: de 18 y más

Herramienta de ML seleccionada: Learning ML

Objetivo General: Conocer distintos discursos mediáticos

Objetivos Específicos:

1.      Diferenciar los tipos de discursos mediáticos

2.      Reflexionar acerca de la importancia de la ética en el uso de estas Tecnologías emergentes

Actividades:

Realizar un trabajo de investigación, teniendo presente los criterios de búsqueda en la red respecto de diferentes discursos mediáticos y Noticias falsas

Con el resultado de la búsqueda realizar un informe donde se evidencien  diferentes artículos periodísticos, mensajes en redes o propagandas que se identifiquen como fake news o mensajes sesgados o con determinadas tendencias para influenciar a la asudiencia

Crear un conjunto de datos

Entrenar una IA con esos datos. Desarrollar un algoritmo simple que busque las palabras clave en los mensajes y clasifique como "falso”: “verdadero”

Evaluación:

1.      Debatir y reflexionar sobre las implicaciones éticas de estas tecnologías emergentes

2.      Realizar un mapa conceptual resumen de este debate

Criterios de evaluación:

·         Interacción del grupo de trabajo

·         Realización de la actividad propuesta

·         Resultados apropiados al contexto

Clasificador de Transacciones Contables

Contenido Curricular:

Fundamentos de contabilidad: identificación de tipos de transacciones (ingresos, egresos, activos, pasivos, patrimonio, entre otros), principios contables básicos, y automatización en el registro contable.

Año de la Escuela Secundaria / Edad del Grupo de Estudiantes:

Primer año de la facultad (alumnos entre 18 y 20 años).

Herramienta de ML Seleccionada:

Teachable Machine de Google
Utilizaremos Teachable Machine para entrenar un modelo que clasifique imágenes de diferentes tipos de comprobantes contables (facturas, recibos, boletas de depósito, etc.) o transacciones en texto según sus categorías contables (ingreso, egreso, activo, pasivo).

Actividades a Desarrollar:

1. Introducción a los Conceptos de Machine Learning: Explicar qué es el Machine Learning y cómo puede aplicarse a tareas contables, como la clasificación automática de transacciones.

2. Recopilación de Datos: Los estudiantes buscarán ejemplos de comprobantes contables o crearán registros ficticios que incluyan diferentes tipos de transacciones. Los registros se pueden recopilar en formato de imagen o texto.

3. Entrenamiento del Modelo:

   • Cargar los datos en Teachable Machine, etiquetando cada uno como ingreso, egreso, activo, pasivo, etc.

   • Entrenar el modelo utilizando estos ejemplos para que aprenda a identificar correctamente el tipo de transacción.

4. Validación y Pruebas: Probar el modelo con nuevos registros para evaluar su precisión en la clasificación. Discutir los resultados y realizar ajustes si es necesario.

5. Reflexión sobre los Resultados: Analizar la precisión del modelo y debatir sobre la viabilidad de aplicar ML en tareas contables como la automatización de procesos contables repetitivos.

Esperables o Resultados:

• Comprensión básica de los conceptos de Machine Learning y su aplicación en contabilidad.

• Un modelo de clasificación que sea capaz de categorizar diferentes tipos de transacciones contables.

• Contenido curricular que se aborda: Energía. Catalizadores. Propiedades para la eficiencia catalítica. Técnicas de IA como Machine Learning (ML). Importancia.

• Año de la escuela secundaria / edad del grupo de estudiantes: 2° y 3° año del Ciclo Superior.

• Herramienta de ML seleccionada: Teachable Machine- Sketchup.

• Actividades a desarrollar:

  Introducción al tema: Conceptualizar a trabes de la investigación bibliográfica los conceptos de

  -Energía

  -Catalizadores

  -Reacciones catalíticas.

  -Técnicas de IA que predicen la energía total basada en la mecánica cuántica.

  Disposición de grupos de trabajo: se establecerá entre el grupo clase los grupos de trabajo de 3 alumnos por grupo.

  Creación del modelo ML:

  Explorar y recopilar aplicaciones de los algoritmos de ML en el campo de caracterización de los materiales a través de imágenes representativas.

  Recolección: cada grupo de alumnos buscará imágenes con sus dispositivos (tics) utilizando los algoritmos necesarios para la representación del tema propuesto y dando caracterización a los materiales.

  Representación del modelo: a travéz de Teachable Machine - sketchup el grupo clase practicará el modelo categorizando los materiales mediante la aceleración de los procesos catalíticos.

  Expresión y Evaluación: Se expondrá por grupo lo investigado, lo trabajado y el modelo diseñado para autoevaluación del trabajo en grupo.

• Esperables o resultados:

  Se espera que se potencie en el grupo clase el trabajo en equipo, el debate entre pares para formular la investigación; desarrollar una herramienta útil para la representación de la Energía de los catalizadores; desarrollo de habilidades en programación, aprendizaje significativo, descubrimiento y diseño de materiales a través de IA.

Clase 1: Introducción a la Inteligencia Artificial

Objetivo: Entender qué es la IA y su relevancia en la sociedad actual.

Materiales:

• Presentación en PowerPoint o Google Slides sobre IA.

• Videos cortos que muestren ejemplos de IA en la vida cotidiana (como asistentes virtuales, coches autónomos, etc.).

• Artículos o noticias recientes sobre avances en IA.

Actividades:

• Discusión inicial: Preguntar a los estudiantes qué saben sobre la IA y si han interactuado con alguna aplicación de IA.

• Visualización de videos: Mostrar ejemplos de IA en acción, como asistentes virtuales (Siri, Alexa), reconocimiento de voz, y recomendaciones en plataformas como Netflix o Amazon.

• Actividad desenchufada: Simulación de un asistente virtual en el aula. Un estudiante actúa como asistente y otro como usuario que da órdenes. Discutir las respuestas del "asistente" y cómo se relacionan con la IA.

• Debate: Sobre los beneficios y desafíos de la IA, abordando temas éticos y de privacidad.

Profundidad del tema:

• Explicar la diferencia entre IA fuerte y débil.

• Introducir brevemente conceptos como aprendizaje supervisado y no supervisado para que los estudiantes se familiaricen con los términos.

Clase 2: Fundamentos de la Inteligencia Artificial

Objetivo: Comprender los conceptos fundamentales de la IA.

Materiales:

• Presentación sobre algoritmos de IA, tipos de datos, y aprendizaje automático.

• Acceso a herramientas online como Google Colab o plataformas de visualización de algoritmos.

Actividades:

• Explicación teórica: Introducir conceptos como algoritmos, datos, y cómo se usan en la IA.

• Actividad práctica: Crear un diagrama de flujo simple que represente un algoritmo básico de clasificación o regresión.

• Actividad desenchufada: Juego de clasificación con tarjetas que representen diferentes objetos, donde los estudiantes deben agrupar los objetos según ciertos criterios (color, tamaño, forma).

• Exploración interactiva: Usar herramientas online para visualizar cómo cambian los resultados cuando se modifican los datos de entrada.

Profundidad del tema:

• Introducir conceptos como "sobreajuste" y "subajuste" en modelos de IA.

• Explicar de forma sencilla cómo los datos influyen en la precisión de los modelos.

Clase 3: Aprendizaje Automático y Redes Neuronales

Objetivo: Entender el aprendizaje automático y las redes neuronales.

Materiales:

• Videos explicativos sobre redes neuronales y aprendizaje automático.

• Software como Scratch o plataformas sencillas de programación que permitan crear redes neuronales básicas.

Actividades:

• Explicación teórica: Introducción al aprendizaje automático y cómo se relaciona con la IA.

• Actividad práctica: Uso de Scratch para crear un proyecto simple que simule una red neuronal básica.

• Actividad desenchufada: Representación física de una red neuronal con los estudiantes, usando cuerdas o cintas para representar conexiones entre "neuronas" (estudiantes).

• Exploración de ejemplos: Analizar cómo las redes neuronales se aplican en reconocimiento de imágenes o voz.

Profundidad del tema:

• Explicar los conceptos de capas ocultas, pesos y funciones de activación de manera básica.

• Introducir ejemplos de redes neuronales como el perceptrón.

Clase 4: Aplicaciones de la Inteligencia Artificial

Objetivo: Analizar aplicaciones de la IA en diferentes campos.

Materiales:

• Artículos, videos o documentales sobre IA en medicina, agricultura, industria, etc.

• Presentaciones interactivas que muestren ejemplos de IA en acción.

Actividades:

• Presentación: Mostrar cómo la IA está transformando diversos sectores, con ejemplos visuales.

• Discusión grupal: Debatir sobre los impactos de la IA en campos específicos, como la medicina o la industria.

• Actividad desenchufada: Juego de roles donde los estudiantes actúan como ingenieros, médicos o agricultores, proponiendo cómo aplicarían IA en sus campos.

• Exploración: Usar simulaciones o aplicaciones online para experimentar con IA en diferentes escenarios.

Profundidad del tema:

• Discutir sobre cómo la IA puede aumentar la eficiencia y la precisión en diversos campos.

• Introducir casos reales de IA, como diagnóstico médico asistido por IA o drones agrícolas.

Clase 5: Ética y Responsabilidad en la Inteligencia Artificial

Objetivo: Reflexionar sobre los aspectos éticos y de responsabilidad en el uso de la IA.

Materiales:

• Artículos sobre sesgo algorítmico, privacidad, y ética en la IA.

• Videos o presentaciones sobre casos donde la IA ha tenido un impacto ético significativo.

Actividades:

• Debate: Sobre los dilemas éticos en IA, usando ejemplos reales como el sesgo en algoritmos de contratación o el uso de IA en vigilancia.

• Estudio de caso: Analizar un caso donde la IA haya tomado una decisión ética controvertida y discutir alternativas.

• Actividad desenchufada: Juego de simulación donde los estudiantes deben tomar decisiones éticas en un escenario ficticio relacionado con la IA.

• Reflexión grupal: Los estudiantes comparten sus opiniones sobre cómo promover una IA ética y responsable.

Profundidad del tema:

• Abordar el concepto de transparencia en los algoritmos y la importancia de la auditoría en IA.

• Discutir la responsabilidad de los desarrolladores y usuarios de IA.

Clase 6: Proyecto Final

Objetivo: Aplicar los conocimientos adquiridos en un proyecto práctico.

Materiales:

• Acceso a plataformas de programación y datos.

• Recursos de investigación sobre aplicaciones y ética en IA.

Actividades:

• División en grupos: Los estudiantes se organizan en grupos para desarrollar un proyecto de IA.

• Desarrollo del proyecto: Puede incluir la creación de un modelo de IA simple, análisis de datos, o un ensayo sobre un tema ético relacionado con la IA.

• Presentación: Los estudiantes presentan sus proyectos al final del período, explicando su proceso y hallazgos.

• Retroalimentación grupal: Evaluación y comentarios de los proyectos presentados.

Profundidad del tema:

• Permitir que los estudiantes exploren áreas específicas de la IA que les interesen.

• Facilitar el uso de herramientas de programación como Python y librerías básicas de IA (scikit-learn, TensorFlow) para aquellos que deseen un desafío mayor.

• Nombre del proyecto: Clasificador de emociones con dibujos

• Contenido curricular que se aborda: Matemáticas, Ciencias, Tecnología, Lengua

• Año de la escuela secundaria / edad del grupo de estudiantes: Nivel primario

• Herramienta de ML seleccionada: Machine Learning for Kids

• Actividades a desarrollar: Actividades iniciales:

  • Introducción al concepto de patrón: Realizar juegos y actividades para que los niños identifiquen patrones en objetos, imágenes y sonidos de su entorno.

  • ¿Qué es una emoción?: Conversar sobre las diferentes emociones, cómo las expresamos y cómo las reconocemos en los demás.

  • Presentación de la herramienta: Hacer una demostración de la herramienta elegida, mostrando cómo funciona de forma sencilla y divertida.

  Desarrollo del proyecto:

  • Creación de la base de datos:

    • Organizar una sesión de dibujo donde cada niño dibuje caras expresando diferentes emociones.

    • Escanear o tomar fotos de los dibujos y cargarlos en la plataforma.

    • Etiquetar cada imagen con la emoción correspondiente.

  • Entrenamiento del modelo:

    • Mostrar cómo la herramienta utiliza los datos para entrenar al modelo.

    • Explicar el concepto de aprendizaje automático de forma sencilla.

  • Prueba del modelo:

    • Utilizar nuevos dibujos para probar si el modelo es capaz de identificar correctamente las emociones.

    • Analizar los resultados en conjunto y discutir las razones de los aciertos y errores.

  Actividades de profundización:

  • Creación de un juego: Utilizar el modelo entrenado para crear un juego simple, como un adivina la emoción.

  • Exploración de otros datasets: Buscar otros datasets de imágenes de emociones en internet y entrenar el modelo con ellos.

  • Experimentación con diferentes parámetros: Modificar los parámetros del modelo para ver cómo afectan los resultados.

  • Creación de un póster o presentación: Documentar el proyecto y presentarlo a otros compañeros o familiares.

• Esperables o resultados: Fomento de la curiosidad y el pensamiento crítico, desarrollo de habilidades, ciudadanía digital responsable.

Cuentos con IA: Narrativa Creativa en el Aula

Contenido Curricular que se Aborda:

- Área: Lengua y Literatura

- Tema: Escritura creativa, estructura narrativa, desarrollo de personajes, y uso de diálogos.

Año de la Escuela Secundaria / Edad del Grupo de Estudiantes:

- Año: 2º año de secundaria

- Edad: 13-14 año

Herramienta de ML Seleccionada:

- Herramienta: ChatGPT

Actividades a Desarrollar:

1. Introducción a la Escritura Creativa:

- Exposición inicial sobre los elementos narrativos.

- Análisis de ejemplos de relatos cortos.

2. Exploración de Ideas:

- Los estudiantes seleccionan un tema para su relato.

- Utilizan ChatGPT para recibir sugerencias sobre cómo desarrollar su historia.

3. Desarrollo de la Historia:

- Redactan sus relatos cortos con apoyo de ChatGPT para construir personajes, diálogos y giros narrativos.

4. Revisión y Edición:

- Utilizan la IA para obtener retroalimentación sobre claridad y emoción en sus relatos.

5. Presentación y Compartición:

- Compartir los relatos en grupos pequeños y recoger retroalimentación.

- Publicar los relatos en un blog escolar.

Esperables o Resultados:

- Mejora en las habilidades de escritura creativa de los estudiantes.

- Aumento en la confianza para expresarse y recibir retroalimentación.

- Desarrollo de competencias en el uso crítico de herramientas de IA en contextos creativos.

- Fomento de un espacio colaborativo donde los estudiantes puedan compartir y aprender de las obras de sus compañeros.

- Creación de un banco de relatos que puede ser utilizado en futuras clases o como material de lectura.

Contenido Curricular que se Aborda:

Biología: Clasificación de especies, ecosistemas y biodiversidad.

Matemáticas: Introducción a la estadística y probabilidades Tecnología: Uso de herramientas digitales y programación básica.

Año de la Escuela Secundaria / Edad del Grupo de Estudiantes:

- 3er año de secundaria (aproximadamente 14-15 años).

Herramienta de ML Seleccionada:

- Google Teachable Machine

Actividades a Desarrollar:

Introducción a la Biodiversidad:

- Charla sobre la importancia de la biodiversidad y la clasificación de plantas.

Recolección de Datos:

- Los estudiantes salen al patio de la escuela o un parque local para observar y fotografiar diferentes especies de plantas.

Entrenamiento de Modelo:

- Con las imágenes recolectadas, los estudiantes utilizan Google Teachable Machine para crear un modelo que clasifique las plantas según su especie.

- Aprenden sobre la importancia de la calidad de los datos y la variedad de muestras.

Evaluación del Modelo:

- Los estudiantes prueban su modelo con nuevas imágenes de plantas y analizan la precisión de las predicciones.

- Discuten los resultados y posibles errores del modelo, fomentando el pensamiento crítico.

5. Presentación de Resultados:

- Crean una presentación donde muestran el proceso, los resultados y lo que aprendieron sobre las plantas

Esperables o Resultados:

- Los estudiantes desarrollan habilidades en observación y recolección de datos.

- Aprenden los conceptos básicos de machine learning y su aplicación en el mundo real.

- Mejoran su capacidad para trabajar en equipo y presentar información de manera efectiva.

- Generan un interés en la ciencia y la tecnología, además de un mayor aprecio por la biodiversidad.

Este proyecto no sólo introduce a los estudiantes al machine learning de una manera práctica y accesible, sino que también les permite conectar la tecnología con temas de relevancia ambiental.

Contenidos:

• Algoritmo y programación.

• Resolución de problemas a partir de algoritmos en los que se utilice de manera combinada y de acuerdo a las necesidades

Nivel secundario, segundo año, edad: 13 y 14

Materiales:

• Arduino

• Placa protobard

• Sensor ultrasónico

• Servomotor

• Pines

• Sumbador

• Led.

  Activida:

• Se plantea una situación problemática, la misma relata la inseguridad en una ciudad. a raíz de eso los alumnos propone trabajar con alarmas de casas y garage que solo se abran cuando detecte el auto de la casa.

  
  

       Clasificación de documentos históricos del proceso revolucionario: La Casa de Tucumán y la Independencia

2) Historia- Contenido Curricular que se Aborda:

      -Historia argentina: el proceso revolucionario, la Revolución de Mayo y la Declaración de la Independencia en 1816.

     - Análisis de documentos históricos: cómo interpretar y clasificar documentos y fuentes primarias.

    -  El rol de la Casa de Tucumán en la historia argentina.

• 3º Año de Secundaria (14-15 años)

• Herramienta: Teachable Machine

• Actividades a Desarrollar:

1.                  Investigación y Selección de Documentos:

• Los estudiantes investigarán documentos históricos clave sobre el proceso revolucionario y la Casa de Tucumán, como cartas, actas, y decretos, utilizando fuentes confiables como bibliotecas digitales, archivos históricos y recursos educativos en línea.

• Se seleccionarán una serie de documentos y fragmentos de texto representativos de las diferentes fases del proceso revolucionario.

2.                  Creación del Modelo de Clasificación:

• Los estudiantes utilizarán Teachable Machine para entrenar un modelo de clasificación que pueda categorizar los textos históricos en diferentes temas relacionados con el proceso revolucionario, como:

  • Revolución de Mayo

  • Declaración de la Independencia

  • Participación del Cabildo y la Casa de Tucumán

  • Contexto internacional y nacional

• Para ello, crearán una base de datos con fragmentos de texto clasificados según las categorías mencionadas.

3.                  Entrenamiento y Evaluación del Modelo:

• Los estudiantes cargarán los textos seleccionados en la herramienta y entrenarán el modelo para que sea capaz de identificar a qué categoría pertenece cada fragmento de texto.

• Evaluarán el modelo utilizando más textos históricos para verificar su precisión.

4.                  Presentación del Proyecto:

• Los estudiantes presentarán su modelo y los resultados obtenidos, explicando cómo el proceso revolucionario se puede analizar a través del uso de la inteligencia artificial.

• Crearán una pequeña exposición en formato digital o física, integrando los resultados del modelo y una reflexión sobre cómo la tecnología puede ayudarnos a comprender la historia.

Esperables:

      Comprensión del proceso histórico: Los estudiantes adquirirán una comprensión más profunda sobre los eventos clave de la Revolución de Mayo y la independencia de Argentina, y sobre cómo estos eventos se reflejan en los documentos históricos.

      Desarrollo de habilidades tecnológicas: Los estudiantes aprenderán a usar una herramienta de Machine Learning básica para analizar datos históricos, desarrollando habilidades digitales y de pensamiento crítico.

      Creación de un modelo funcional: Los estudiantes habrán creado un modelo de Machine Learning que puede clasificar documentos históricos en categorías específicas, lo que los conecta con herramientas tecnológicas actuales y permite aplicar conceptos históricos de una manera innovadora.

DAHYANA JUAREZ.

"Clasificación de imágenes con Machine Learning"

Área:

Tecnología y programación

Tema:

Introducción al Machine Learning mediante la cla

Edad de los alumnos:

12-13 años (2° año de la escuela secundaria)

Herramienta de ML seleccionada:

Scratch con la extensión "Machine Learning for Kids" .

Actividad a desarrollar:

Objetivo:

Los estudiantes aprenderán los conceptos básicos de Machine Learning a través de la clasificación de imágenes, usando el entorno de Scratch y la extensión de Machine Learning. A través de esta actividad

Pasos de la actividad:

1. Introducción al Machine Learning (10 minutos):

   • Explicar qué es el Machine Learning (aprendizaje automático) y cómo las máquinas pueden aprender a través de ejemplos (etiquetados).

   • Mostrar un ejemplo

2. Exploración de Scratch y la extensión de ML (10 minutos):

   • Introducir Scratch y mostrar cómo acceder a la extensión "Machine Learning for Kids".

   • Demuestre cómo cargar y etiq

3. Creación del modelo de Machine Learning (15 minutos):

   • Los estudiantes seleccionan un conjunto de imágenes (por ejemplo, animales o frutas) y etiquetan cada imagen en la plataforma.

   • Usan estas imágenes etiquetadas para entrenar un modelo de clase.

   • Explique cómo el modelo aprende a reconocer patrones en las imágenes calculadas en las etiquetas.

4. Desarrollo del proyecto interactivo (10 minutos):

   • Los estudiantes crearán un proyecto en Scratch donde utilizarán el modelo entrenado para que el programa pueda clasificar una nueva imagen que se le muestre.

   • Pueden agregarse inte

5. Pruebas y ajustes (5 minutos):

   • Los estudiantes prueban el modelo con nuevas imágenes y ajustan su proyecto si es necesario para mejorar la precisión del modelo.

Resultado esperado:

Al finalizar la clase, los estudiantes habrán creado un proyecto interactivo en Scratch en el que pueden cargar una imagen y el modelo de Machine Learning clasificado.

Resultado esperado:

• Los estudiantes comprenden

• Aprenderán a utilizar una herram

• Desarrollo

Contenido Curricular:

Conceptos de relieve continental, localización geográfica.

Año de escuela secundaria: 2°

Herramienta de ML seleccionada:

Machine Learning for Kids: Plataforma online que permite crear modelos de clasificación sencillos y visuales, ideal para introducir conceptos de ML de forma amena.

Actividades a Desarrollar:

Recopilación de Datos: Crear una base de datos de imágenes de diferentes formas de relieve (montañas, valles, llanuras, mesetas).

Preparación de los Datos: Etiquetado de las imágenes: Cada imagen debe asociarse a una categoría de relieve.

Creación del Modelo de Machine Learning:

Utilizar Machine Learning for Kids para entrenar un modelo de clasificación de imágenes. Seleccionar un algoritmo adecuado (por ejemplo, un clasificador de imágenes).

Desarrollo del Juego en Scratch:

Crear un escenario con un mapa de america. Incorporar la interfaz de Machine Learning for Kids para que el juego pueda predecir el tipo de relieve de una imagen.

Resultados Esperados:

Los estudiantes adquirirán conocimientos sobre las diferentes formas de relieve continental. Comprenderán los conceptos básicos del Machine Learning y cómo se aplica en la clasificación de imágenes.

Desarrollarán habilidades de programación y resolución de problemas.

Diseñarán un juego educativo y divertido.

Podrán trabajar en grupos para recopilar datos, entrenar el modelo y desarrollar el juego.

Curso: Tercero de Secundaria

Contenido curricular que se aborda:  Sistemas de comunicación: teoría de señales, telecomunicaciones, redes de comunicación, modulación y codificación de señales.

Herramienta ML seleccionada:  Teachable Machine

Actividades a Desarrollar:

Introducción a los Sistemas de Comunicación:

·         Explicar los principios básicos de la comunicación de señales (por ejemplo, cómo las señales se envían y reciben a través de diferentes medios).

·         Mostrar ejemplos de sistemas reales, como las redes de Wi-Fi y las redes móviles.

·         Discutir los problemas que enfrentan estos sistemas, como el ruido y las interferencias, y cómo se pueden mejorar.

Introducción a Machine Learning:

·         Dar una breve explicación sobre qué es Machine Learning y cómo se utiliza en diferentes áreas, como las telecomunicaciones.

·         Explicar de forma sencilla conceptos básicos, como los datos, el entrenamiento y los modelos que se utilizan para hacer predicciones.

·         Entrenar un modelo para reconocer distintos tipos de sonidos, como los ruidos de interferencia o señales claras, utilizando ejemplos de audio.

Resultados Esperados:

·         Comprensión clara de cómo funcionan los sistemas de comunicación y los retos que enfrentan, como las interferencias o la optimización del ancho de banda.

·         Utilización de herramientas básicas de machine learning para resolver problemas reales, como detectar y predecir señales de comunicación. Esto permitirá comprender cómo se pueden mejorar las redes y sistemas actuales.

"Arte Inteligente: Explorando la Creación Artística con Machine Learning"

Objetivos

1. Introducir a los estudiantes en los conceptos básicos de las artes visuales y el machine learning.

2. Fomentar la creatividad y la experimentación en la creación artística.

3. Desarrollar habilidades técnicas y críticas en la evaluación y mejora de las obras de arte.

Actividades y Tareas

1. Introducción a las artes visuales: Presentación de los elementos básicos del arte (color, forma, textura, etc.) y su aplicación en diferentes estilos y movimientos artísticos.

2. Introducción al machine learning: Explicación de los conceptos básicos del machine learning y su aplicación en la creación artística.

3. Creación de un modelo de arte: Los estudiantes crearán un modelo de arte utilizando una herramienta de machine learning como TensorFlow o PyTorch. El modelo deberá generar imágenes o patrones que reflejen los elementos básicos del arte.

4. Experimentación y mejora: Los estudiantes experimentarán con diferentes parámetros y técnicas para mejorar la calidad y la creatividad de las imágenes generadas por el modelo.

5. Evaluación y crítica: Los estudiantes evaluarán y criticarán las obras de arte generadas por el modelo, identificando fortalezas y debilidades.

Herramientas y Recursos

1. Herramientas de machine learning: TensorFlow, PyTorch,otros

2. Software de edición de imágenes: Adobe Photoshop,

3. Recursos en línea

Evaluación

1. Participación y compromiso: Evaluación de la participación y el compromiso de los estudiantes en las actividades y tareas.

2. Calidad de las obras de arte: Evaluación de la calidad y la creatividad de las obras de arte generadas por el modelo.

3. Presentación y defensa: Evaluación de la presentación y defensa de las obras de arte por parte de los estudiantes.

Conclusión

Este proyecto combina la enseñanza de las artes visuales con la tecnología del machine learning, fomentando la creatividad, la experimentación y el pensamiento crítico en los estudiantes. Al final del proyecto, los estudiantes habrán adquirido una comprensión básica de los conceptos de las artes visuales y el machine learning, y habrán desarrollado habilidades técnicas y críticas en la evaluación y mejora de las obras de arte.

-Dirigido a: Segundo ciclo de nivel primario.

-Herramienta a utilizar: chat gpt y Canva.

-Actividad a desarrollar: investigar y creer un folleto de concientización sobre el cuidado del medio ambiente especialmente enfocado en el recurso vital que es el agua.

-Objetivo:

*Reflexionar sobre el cuidado del medio ambiente y recursos vitales como el agua.

*Fomentar la creatividad en el despliegue de la temática.

*Generar conciencia sobre la protección del medio natural.

*Aplicar las nuevas tecnologías en la resolución de actividades.

-Actividad: los estudiantes deben interactuar en grupos sobre la temática y posteriormente con la ayuda de la IA y otros recursos como "canva" crear un folleto donde se destaquen de forma sencilla, breve y atractiva aspectos del medio ambiente, su cuidado y las formas de hacerlo procurando generar conciencia de los pro y los contra del mismo.

• Contenido Curricular: Lectura de Cuentos Clásicos.

• Dirigido a: Estudiantes del 1er año del Ciclo Básico de Secundaria.

• Herramientas a utilizar: Chat GPT, Canva y redes sociales de la institución.

• Objetivos:

♦️Conocer e interactuar con los diferentes cuentos clásicos, pertenecientes al folclore occidental.

♦️Utilizar diferentes herramientas informáticas para difundir, la importancia de la lectura de cuentos clásicos.

♦️Articular conocimiento de literatura e informáticos, para poder crear formas de comunicación y alcance social.

• Actividades:

♦️Los estudiantes conocerán sobre la variedad, de los cuenta clásicos de occidente.

♦️Leerán y compartirán sus experiencias con la clase.

♦️Elegirán por grupos colaborativos, cuentos clásicos, elaborarán una reseña y a partir de ello, en conjunto con el área de informática, con ayuda de las herramientas mencionadas, elaborarán afiches y folletos, que inviten a las personas a leer clásicos.

♦️Finalmente, se compartirán las producciones en las redes sociales de la institución.

• Resultados esperados:

🍀Que los estudiantes tengan relación directa con los contenidos y aprendan a partir de las experiencias en el aula.

🍀Que puedan manipular las herramientas tecnológicas para su provecho productivo.

🍀Que trabajen de manera colaborativa, creativa y ética en relación a las posibilidades de la IA.

🍀Que tenga alcance en la comunidad y genere un impacto positivo, la lectura y fomento de los cuentos clásicos.

Contenido curricular que se aborda:

• Ciencias Naturales: Ecosistemas, impacto ambiental y cambio climático.

• Matemática: Estadística y análisis de datos.

• Tecnología: Inteligencia Artificial y Machine Learning.

• Ciudadanía y Participación: Conciencia ambiental y prevención de desastres.

Año de la escuela secundaria / Edad del grupo de estudiantes:

Segundo año del secundario (aproximadamente 13-14 años).

Herramienta de ML seleccionada:

Google Teachable Machine o Weka (según el nivel de complejidad deseado).

Actividades a desarrollar:

1. Exploración del problema: Investigación sobre incendios forestales en Córdoba, causas, consecuencias y medidas de prevención.

2. Análisis de datos históricos: Uso de datos climáticos y ambientales para identificar patrones que puedan predecir incendios.

3. Uso de ML: Entrenar un modelo con imágenes de terrenos con y sin riesgo de incendio (Teachable Machine) o con datos históricos (Weka).

4. Pruebas del modelo: Evaluación de su precisión y posibles mejoras.

5. Reflexión final: Discusión sobre cómo la IA puede ayudar en la prevención y cómo aplicarla en la vida real.

Esperables o resultados:

✅ Comprender las causas y consecuencias de los incendios en Córdoba.

✅ Desarrollar habilidades básicas en el uso de Machine Learning para predecir incendios.

✅ Fomentar la conciencia ambiental y el pensamiento crítico sobre el uso de la tecnología en la prevención de desastres.

Contenido curricular que se aborda:

- Fundamentos de Inteligencia Artificial y Aprendizaje Automático.

- Reconocimiento de patrones e imágenes.

- Uso de herramientas digitales en informática.

- Integración de modelos de IA en proyectos interactivos.

- Reflexión sobre sesgos y ética en la IA.

Año de la escuela secundaria / edad del grupo de estudiantes:

- 3° o 4° año de secundaria (15-17 años).

Herramienta de ML seleccionada:

- Teachable Machine

Actividades a desarrollar:

1. Introducción a la IA y su aplicación en reconocimiento de gestos.

2. Exploración de Teachable Machine: Creación de un modelo de reconocimiento de gestos con la cámara.

3. Entrenamiento del modelo:

- Captura de imágenes para tres gestos distintos.

- Ajuste y pruebas del modelo entrenado.

4. Exportación del modelo.

5. Aplicación práctica: Programar una página web que reaccione a los gestos detectados.

6. Reflexión y mejora: Evaluar el rendimiento del modelo y discutir sesgos en la IA.

Esperables o resultados:

- Comprensión de los principios básicos del aprendizaje automático.

- Creación y prueba de un modelo de IA funcional.

- Desarrollo de un mini-proyecto interactivo con reconocimiento de gestos.

- Reflexión crítica sobre el impacto y las limitaciones de la IA.

Nombre del Proyecto: “Especialistas del futuro”

Contenidos curriculares transversales que se abordan:

Educación Tecnológica y Taller Laboratorio: Máquinas, herramientas y elementos.

Informática: Introducción a los conceptos de ML, programación y la Inteligencia Artificial.

Matemática: Probabilidad y estadística aplicadas en la clasificación. Análisis de datos.

Dibujo Técnico: Medición y dibujo de herramientas.

Año de escuela secundaria: 1° año.

Edad de los estudiantes: 12 años.

Institución: I.P.E.T. N° 55 de la ciudad de Villa del Rosario, Córdoba.

Espacio curricular donde se desarrollarán las actividades: Cátedra compartida de Educación Tecnológica, Dibujo Técnico y Taller Laboratorio.

Duración del Proyecto: 3 clases de 80 minutos cada una.

Objetivos:

Dar a conocer a los estudiantes de 1° año las especialidades con las que cuenta la escuela: “Industrialización de la Madera y el Mueble”, “Automotores” y “Electrónica” a través de la identificación de máquinas, herramientas y elementos propios de cada una.

Construir un modelo de ML capaz de identificar las diferentes especialidades de la escuela.

Tecnologías:

Herramienta de ML seleccionada: Teachable Machine + Scratch.

Tipo de Proyecto: Imágenes.

Clases o categorías definidas: Madera, Automotores y Electrónica.

Actividades a desarrollar:

Introducción al concepto de ML y sus aplicaciones en diferentes situaciones cotidianas.

Explicar el objetivo de las actividades: desarrollar un modelo que clasifique máquinas, herramientas y elementos propios de las especialidades mencionadas a partir de imágenes.

Las actividades siguientes se realizarán en grupos de 3 integrantes cada uno.

Acceso y navegación en la plataforma Teachable Machine + Scratch.

Explicar la herramienta que se utilizará para generar el modelo de ML.

Recolectar información (imágenes) a través de la clasificación en las tres especialidades: Madera, Automotores y Electrónica.

Desarrollar un modelo: A través de Teachable Machine cargar las imágenes clasificándolas en cada categoría.

Entrenamiento del modelo: Acompañar a los estudiantes en el proceso y ajuste del modelo para que sea lo más preciso posible (reducir la probabilidad de error). Ajuste del modelo.

Importar el modelo generado al entorno de programación Scratch.

Evaluación del modelo:

Prueba y validación intercambiando imágenes con los otros grupos y analizando la precisión.

Puesta en común de los resultados: Crear un mural digital con imágenes del proceso de entrenamiento y resultados logrados.

Reflexión y pensamiento crítico sobre el uso y beneficios de las herramientas ML y su impacto en el mundo.

Esperables o resultados:

Reconocer máquinas, herramientas y elementos de las especialidades mencionadas.

Comprender conceptos básicos de ML y su aplicación práctica en el análisis de datos.

Conocer y trabajar con la herramienta ML Teachable Machine + Scratch en la construcción de un modelo.

Habilidad de investigación, selección, recolección y clasificación de datos (imágenes).

Trabajo colaborativo y en equipo en la creación y entrenamiento del modelo.

1. Predicción de la temperatura:

   • Utiliza datos históricos de temperatura para entrenar un modelo de ML que pueda predecir las temperaturas futuras en diferentes regiones.

   • Esto puede ayudar a identificar áreas vulnerables al aumento de temperatura y a planificar medidas de adaptación.

   • Herramientas: Python (scikit-learn, TensorFlow), conjuntos de datos de estaciones meteorológicas.

2. Análisis de emisiones de CO2:

   • Recopila datos sobre emisiones de CO2 de diferentes fuentes (industria, transporte, etc.) y utiliza ML para identificar patrones y tendencias.

   • Esto puede ayudar a identificar los principales contribuyentes al calentamiento global y a evaluar la eficacia de las políticas de reducción de emisiones.

   • Herramientas: Python (Pandas, Matplotlib), conjuntos de datos de agencias ambientales.

3. Detección de deforestación:

   • Utiliza imágenes satelitales y técnicas de visión por computadora para detectar áreas de deforestación.

   • Esto puede ayudar a monitorear la pérdida de bosques y a tomar medidas para proteger los ecosistemas.

   • Herramientas: Python (TensorFlow, OpenCV), conjuntos de datos de imágenes satelitales.

4. Clasificación de desastres naturales:

   • Entrena un modelo de ML para clasificar diferentes tipos de desastres naturales (inundaciones, sequías, incendios forestales) utilizando datos históricos y características geográficas.

   • Esto puede ayudar a mejorar la preparación y la respuesta ante desastres relacionados con el clima.

   • Herramientas: Python (scikit-learn), conjuntos de datos de agencias de gestión de desastres.

5. Análisis de la calidad del aire:

   • Recopila datos sobre la calidad del aire (niveles de contaminantes) y utiliza ML para identificar patrones y predecir la calidad del aire futura.

   • Esto puede ayudar a proteger la salud pública y a evaluar la eficacia de las políticas de control de la contaminación.

   • Herramientas: Python (Pandas, scikit-learn), conjuntos de datos de estaciones de monitoreo de la calidad del aire.

Consideraciones éticas:

• Es importante ser consciente de los posibles sesgos en los datos y asegurarse de que los modelos de ML se utilicen de manera justa y responsable.

• También es importante considerar el impacto ambiental del uso de la tecnología, como el consumo de energía de los centros de datos.

Recursos adicionales:

• Conjuntos de datos:

  • NASA Earthdata: https://earthdata.nasa.gov/

  • NOAA National Centers for Environmental Information: https://www.ncei.noaa.gov/

  • IPCC Data Distribution Centre: https://www.ipcc-data.org/

• 
  

1° AÑO

EDAD DE LOS ESTUDIANTES 13 AÑOS

DOCENTE: CRISTIAN PONT

Contenido curricular:

• Ciencias de la Tierra:

  • Cambio climático: causas, efectos y consecuencias.

  • El efecto invernadero y los gases de efecto invernadero.

  • Patrones climáticos y variabilidad.

  • Datos climáticos: recopilación, análisis e interpretación.

• Matemáticas:

  • Estadística: análisis de datos, tendencias y correlaciones.

  • Modelado matemático: creación y evaluación de modelos predictivos.

  • Visualización de datos: gráficos y representaciones visuales.

• Tecnología:

  • Introducción al aprendizaje automático: conceptos básicos y aplicaciones.

  • Herramientas de ML: uso de plataformas y bibliotecas para el análisis de datos.

  • Programación: manipulación y procesamiento de datos con lenguajes como Python.

Año de la escuela secundaria / edad del grupo de estudiantes:

• 3er a 5to año (15-18 años).

Herramienta de ML seleccionada:

• Se puede utilizar plataformas como Google Colab o bibliotecas de Python como Scikit-learn y TensorFlow. Estas herramientas son accesibles y permiten a los estudiantes experimentar con diferentes algoritmos de ML.

Actividades a desarrollar:

1. Recopilación de datos:

   • Investigar y recopilar datos climáticos de fuentes confiables (por ejemplo, NASA, NOAA).

   • Organizar los datos en un formato adecuado para el análisis (por ejemplo, hojas de cálculo, archivos CSV).

2. Análisis de datos exploratorio:

   • Utilizar herramientas de visualización de datos para identificar tendencias y patrones en los datos climáticos.

   • Calcular estadísticas descriptivas (por ejemplo, promedios, desviaciones estándar) para comprender la variabilidad climática.

3. Modelado de aprendizaje automático:

   • Seleccionar un algoritmo de ML apropiado para la predicción climática (por ejemplo, regresión lineal, redes neuronales).

   • Entrenar el modelo con los datos recopilados y evaluar su rendimiento.

   • Utilizar el modelo entrenado para realizar predicciones sobre el futuro climático.

4. Presentación de resultados:

   • Crear informes y presentaciones para comunicar los hallazgos del proyecto.

   • Discutir las implicaciones de las predicciones climáticas y las posibles soluciones al cambio climático.

Esperables o resultados:

• Comprensión profunda del cambio climático y sus implicaciones.

• Habilidades en el análisis de datos y el uso de herramientas de ML.

• Capacidad para interpretar y comunicar resultados científicos.

• Conciencia sobre la importancia de la acción climática.

Recursos adicionales:

• Plataformas de datos climáticos: NASA Earthdata, NOAA Climate.gov.

• Cursos en línea sobre aprendizaje automático: Coursera, edX.

• Bibliotecas de Python para ML: Scikit-learn, TensorFlow.

Que los estudiantes puedan desarrollar  un sistema basado en Machine Learning que ayude a detectar noticias falsas, permitiéndoles  comprender cómo funcionan los algoritmos de IA en la clasificación de información.

Objetivos Específicos

• Comprender qué es Machine Learning y cómo se usa en la clasificación de textos.

• Entrenar un modelo de IA con ejemplos de noticias reales y falsas.

•  Implementar el modelo en mBlock para analizar nuevas noticias.

•  Reflexionar sobre la desinformación y el impacto de la IA en la sociedad.

Destinatarios

Nivel: Segundo año de secundaria.
Área: Educación Tecnológica.
Temas: Ciudadanía Digital, Inteligencia Artificial, Machine Learning.
Herramientas: mBlock, Learning ML.

Actividades

 1. Introducción al Problema

• Debate sobre la desinformación y el impacto de las noticias falsas.

• Análisis de ejemplos de noticias reales y falsas.

2. Creación del Modelo de IA (Entrenamiento en Learning ML)

• Los estudiantes recopilan noticias reales y falsas.

• Se cargan en Learning ML y se etiquetan correctamente.

• Se entrena el modelo para reconocer patrones en los textos.

 3. Implementación en mBlock (Pruebas y Ajustes)

• Se integra el modelo en un programa de mBlock.

• Se ingresa una noticia nueva para que la IA la clasifique.

• Se evalúan los resultados y se ajusta el modelo si es necesario.

 4. Evaluación y Reflexión

• Se genera un debate sobre los siguientes aspectos:

• ¿Qué tan efectiva fue la IA en la detección de noticias falsas?
  ¿Qué limitaciones tiene este tipo de modelos?
  ¿Cómo podemos mejorar nuestro detector de noticias falsas?
  ¿Qué responsabilidad tenemos al compartir información en internet?.

Contenido Curricular que se Aborda:

• Educación Física: Análisis biomecánico simple del movimiento, técnica deportiva, corrección postural, identificación de patrones de movimiento, concientización corporal, prevención de lesiones.

• Tecnología/Informática: Introducción a la Inteligencia Artificial y Machine Learning (clasificación de imágenes/video), entrenamiento de modelos, recolección de datos, desarrollo de aplicaciones (App Inventor).

Año de la Escuela Secundaria / Edad del Grupo de Estudiantes: 4to o 5to año (15-17 años)

Herramienta de ML Seleccionada: Machine Learning for Kids (por su facilidad de uso, interfaz visual y excelente integración con App Inventor).

Actividades a Desarrollar:

1. Introducción y Contextualización: Comenzar con una actividad práctica (por ejemplo, sentadillas o flexiones) y debatir sobre la importancia de la correcta ejecución técnica para prevenir lesiones. Presentar la idea de que una IA puede "aprender" a identificar si un movimiento se realiza bien o mal.

2. Definición del Ejercicio y Clases de Calidad: Elegir un ejercicio físico simple a analizar (ej: sentadilla, flexión de brazos). Definir las "clases" que el modelo debe aprender: "Correcto" (técnica adecuada) e "Incorrecto" (errores técnicos específicos). Los estudiantes se grabarán o tomarán fotos ejecutando el ejercicio, realizando ejemplos claros de ambas categorías. Estas imágenes o videos se subirán y etiquetarán cuidadosamente en Machine Learning for Kids.

3. Entrenamiento y Prueba del Modelo de ML: Entrenar el modelo en Machine Learning for Kids y realizar pruebas iniciales para verificar su precisión. Si es necesario, se agregarán más datos o se mejorará su calidad.

4. Desarrollo de la Aplicación Móvil (en App Inventor): Diseñar una aplicación sencilla en App Inventor que use la cámara del dispositivo. Integrar el modelo de ML entrenado. La aplicación permitirá al usuario grabar o tomar una foto y, al analizar el movimiento, mostrará feedback visual o de texto (ej: "¡Bien hecho, técnica correcta!", "Cuidado con la espalda, ¡corrige tu postura!").

5. Pruebas, Evaluación y Presentación: Los grupos probarán sus aplicaciones con compañeros, evaluando la precisión del feedback de la IA. Se discutirán las limitaciones de la IA y se presentarán los proyectos al resto de la clase, mostrando su "Entrenador IA" y los aprendizajes obtenidos.

Resultados Esperados o Esperables:

• Comprensión Práctica de la IA en Deporte: Los estudiantes entenderán cómo la IA puede ser una herramienta útil para el análisis del movimiento y la mejora técnica en educación física.

• Habilidades de Alfabetización Digital y Tecnológica: Desarrollarán competencias en el uso de herramientas de ML y programación visual (App Inventor).

• Conciencia Corporal y Técnica: Aumentarán su propia conciencia sobre la correcta ejecución de los ejercicios y la importancia de la técnica.

• Pensamiento Crítico y Resolución de Problemas: Se enfrentarán a desafíos y aprenderán a depurar y mejorar sus soluciones.

• Creatividad y Colaboración: Fomentará el trabajo en equipo y la comunicación.

• Producto Aplicable: Crearán una aplicación funcional que puede ser una herramienta de apoyo en sus propios entrenamientos.

Contenido curricular que se aborda:

• Lengua y Literatura (Reconocimiento y análisis de géneros literarios)

• Tecnología (Introducción al Machine Learning)

• Competencias de Lectura y Comprensión Textual

Año de la escuela secundaria / edad del grupo de estudiantes:
3º año de secundaria (14-15 años)

Herramienta de ML seleccionada:
LearningML

Actividades a desarrollar:

1. Introducción a los géneros literarios: Breve repaso teórico sobre los géneros narrativo, lírico y dramático, analizando características lingüísticas principales (narrador, diálogo, descripción, etc.).

2. Recopilación de textos: Seleccionar fragmentos breves de obras representativas de cada género.

   • Narrativo: cuentos o novelas (por ejemplo, Borges, Quiroga).

   • Lírico: poemas (por ejemplo, Bécquer, Alfonsina Storni).

   • Dramático: fragmentos de teatro (por ejemplo, Shakespeare, Lorca).

3. Entrenamiento del modelo: Cargar los textos en LearningML como ejemplos etiquetados por género literario.

4. Pruebas del modelo: Usar el modelo para clasificar nuevos fragmentos de texto desconocidos y analizar su eficacia.

5. Aplicación creativa: Los estudiantes escribirán un breve texto y el modelo intentará clasificarlo en un género. Reflexionarán si están de acuerdo o no con la clasificación y por qué.

6. Reflexión crítica: Diálogo sobre cómo los algoritmos "leen" los textos y qué diferencias existen entre la interpretación humana y la automática.

Esperables o resultados:

• Reconocer rasgos específicos de cada género literario.

• Comprender cómo los algoritmos procesan y clasifican lenguaje natural.

• Desarrollar habilidades de escritura creativa y pensamiento crítico.

• Reflexionar sobre los límites de la tecnología en la comprensión de textos literarios.
  

Contenidos:

• Lengua y Literatura:
  Reconocimiento y análisis de las funciones del lenguaje (referencial, apelativa, expresiva, poética, metalingüística y fática).
  Identificación de tramas textuales (narrativa, descriptiva, argumentativa, expositiva y conversacional).

• Tecnología:
  Introducción a conceptos básicos de Inteligencia Artificial y Machine Learning.

• Competencias de lectura, análisis y producción textual.

🎓 Año de la escuela secundaria / edad del grupo de estudiantes:

2º o 3º año de secundaria.

Herramienta de ML seleccionada:

LearningML

📝 Actividades a desarrollar:

1. Introducción conceptual:

• Revisión teórica sobre las funciones del lenguaje (con ejemplos cotidianos y literarios).

• Explicación de las tramas textuales más frecuentes (estructura, intención comunicativa, conectores típicos, etc.).

2. Análisis de textos:

• Selección de fragmentos de textos diversos (publicitarios, narrativos, instructivos, poéticos, explicativos).

• Identificación en grupo de la función del lenguaje predominante y el tipo de trama presente.

3. Entrenamiento del modelo:

• En LearningML, cargar fragmentos como ejemplos etiquetados por función del lenguaje o trama textual.

  • Ejemplos de funciones:

    • Referencial: artículo enciclopédico.

    • Apelativa: publicidad.

    • Expresiva: carta personal o poema.

    • Poética: adivinanza, poema lírico.

  • Ejemplos de tramas:

    • Narrativa: cuento.

    • Descriptiva: retrato.

    • Argumentativa: columna de opinión.

    • Expositiva: texto científico.

    • Conversacional: diálogo teatral.

4. Prueba del modelo:

• Introducir nuevos textos para que el modelo intente clasificarlos por función del lenguaje o trama.

• Analizar aciertos y errores. ¿Qué pistas tomó el modelo? ¿Qué pasó con los textos híbridos?

5. Producción y prueba creativa:

• Los estudiantes escriben un texto breve con una función del lenguaje asignada.

• Luego, el modelo intenta clasificarlo. Reflexión: ¿lo logró? ¿Por qué sí o no?

6. Reflexión crítica:

• Debate sobre cómo la IA puede ayudar a interpretar textos, pero también sus limitaciones.

• ¿Puede una máquina entender el tono, la ironía o la intención comunicativa real?

Objetivos:

• Reconocer e identificar funciones del lenguaje y tramas textuales en distintos tipos de textos.

• Comprender cómo un modelo de ML clasifica textos a partir de características lingüísticas.

• Estimular la escritura consciente y estratégica en función del propósito comunicativo.

• Fomentar el pensamiento crítico sobre el rol de la tecnología en la interpretación textual

"Construyendo una IA para identificar el cambio climático"

Contenido curricular que se aborda

-Cambio climático global.

-Impacto del calentamiento global.

-Uso de la tecnología para el abordaje de problemáticas ambientales.

-Análisis de datos: temperaturas, olas de calor, franjas climáticas, entre otras.

-Datos históricos de temperatura a nivel mundial.

Año de la escuela secundaria / edad del grupo de estudiantes

De 3° año a 6° año (14 – 17 años)

Herramienta de ML seleccionada

Uso de Machine learning for kids para diseñar modelos de clasificación.

Actividades a desarrollar

1) Introducción al cambio climático:
Debate guiado a partir de una noticia o video actual sobre olas de calor o eventos extremos. Pregunta disparadora:

¿Cómo podemos saber si un evento climático es parte del cambio climático?

2) Trabajo en grupo. Búsqueda de información
Los grupos bucarán ejemplos de situaciones climáticas a nivel mundial. Se trabajarán con variables como temperatura, duración, ubicación, consecuencias. Detectando diferentes niveles de situaciones: cambio normal o cambio anormal

3) Entrenamiento del modelo de ML:
Utilización de Machine Learning for Kids para entrenar un modelo que clasifique los eventos. Ingresaran los datos con variables y entrenaran el modelo.

4) Evaluación y reflexión:
Analizan qué tan bien clasifica el modelo, qué errores tiene, y qué datos podrían faltar. Se realizará un dialogo en conjunto con el docente en donde cada grupo expondrá los resultados de sus trabajos y se continuará a debatir las siguientes preguntas:

¿Puede la IA reconocer el cambio climático? ¿Es una herramienta que podría ayudarnos a evitar grandes desastres climáticos y naturales?

Cada grupo realizara una infografía o video corto explicando:

·  Cómo entrenaron su modelo

·  Qué resultados obtuvieron y qué conclusiones sacaron

Esperables o resultados

- Comprensión y reflexión sobre el contenido de cambio climático.

- Trabajar a partir de la capacidad de pensamiento crítico y creativo

- Fomentar la reflexión sobre problemáticas socioambientales.

- Introducción al uso de herramientas de IA.

- Producción de material comunicativo (infografía o video).

"Reconozco Figuras: App clasificadora de formas geométricas"

Contenido curricular que se aborda:

Reconocimiento y clasificación de figuras geométricas planas: triángulo, cuadrado, rectángulo, círculo, etc.

Propiedades geométricas básicas: cantidad de lados, ángulos, simetría.

Introducción al pensamiento computacional y modelos de clasificación en inteligencia artificial.

Interpretación y análisis de resultados obtenidos por una herramienta de Machine Learning.

Año de la escuela secundaria / edad del grupo de estudiantes:

1° o 2° año de secundaria / Estudiantes de entre 12 y 14 años

(Adaptable también para 6° de primaria como actividad integradora).

🤖 Herramienta de ML seleccionada:

Clasifier de App Inventor

Se entrenará un modelo para reconocer y clasificar imágenes de distintas figuras geométricas dibujadas o cargadas por los propios estudiantes.

Actividades a desarrollar:

Presentación del desafío:

¿Puede una máquina aprender a distinguir un círculo de un triángulo?

Exploración de figuras geométricas:

Breve repaso de figuras, propiedades, y ejemplos visuales.

Se arma un banco de imágenes (dibujo, captura, fotos) para entrenar el modelo.

Entrenamiento del modelo en Clasifier:

Cargar ejemplos por clase: círculo, triángulo, cuadrado, etc.

Etiquetar correctamente y entrenar.

Desarrollo de una App en App Inventor:

Importar el modelo entrenado.

Crear una interfaz simple que permita cargar una imagen y ver el resultado de la predicción.

Mostrar texto o audio según la figura detectada.

Prueba, ajustes y mejora del modelo:

Testeo con nuevas imágenes.

Reflexión sobre errores, aciertos y limitaciones del modelo.

Cierre y reflexión crítica:

¿Cómo aprendió la máquina?

¿Por qué puede confundirse?

¿Qué harías para mejorar la app?

Esperables o resultados esperados:

Que los/as estudiantes comprendan cómo funciona un modelo de clasificación supervisado.

Que logren entrenar un modelo básico de IA para resolver un problema concreto.

Que puedan aplicar conceptos de geometría y TIC en un proyecto interdisciplinario.

Que desarrollen pensamiento crítico al reflexionar sobre el funcionamiento y los errores del modelo.

Que promuevan el trabajo colaborativo en la carga de datos, pruebas y ajustes.

Este proyecto propone que estudiantes de 3 año de nivel medio, de la especialidad en Diseño grafico, apliquen conceptos básicos de machine learning a través de herramientas visuales y creativas, usando sus propios diseños gráficos como materia prima para entrenar un modelo de inteligencia artificial. A través de plataformas simples como Teachable Machine, podrán experimentar con el reconocimiento visual y generar productos interactivos o creativos.

Objetivos del proyecto

• Comprender de forma introductoria cómo funciona el aprendizaje automático visual.

• Aplicar habilidades gráficas en un entorno digital experimental.

• Crear diseños originales que alimenten un modelo de IA.

• Desarrollar una pequeña experiencia o presentación interactiva usando machine learning.

Contenidos y habilidades trabajadas

• Contenidos

Diseño gráfico digital básico

Introducción al machine learning visual

Trabajo por proyectos y presentación

Pensamiento computacional, exploración tecnológica

• Habilidades

Producción visual, aplicación de estilos

Área vinculada

Trabajo en equipo, comunicación

• Arte/Diseño

Introducción al machine learning visual

Tecnología

Formación general

Planificación por clases

Clase 1: Introducción al proyecto y ejemplos visuales.

• Actividad: Exploración de qué es el machine learning.

• Recursos: videos breves, ejemplos simples.

Clase 2 y 3: Creación de imágenes y categorías visuales.

• Actividad: Diseño de íconos o personajes.

• Recursos: papel, software de diseño, computadoras.

Clase 4 y 5: Entrenamiento del modelo con Teachable Machine.

• Actividad: Subida de imágenes, entrenamiento de modelo.

• Recursos: plataforma online, conexión a internet.

Clase 6: Aplicación del modelo y diseño de experiencia.

• Actividad: creación de una propuesta interactiva.

• Recursos: uso de Scratch/presentación animada (opcional).

Clase 7: Presentación de proyectos.

• Actividad: cada grupo expone su trabajo y muestra resultados.

Recursos tecnológicos y materiales

• Teachable Machine: https://teachablemachine.withgoogle.com/

• Software de diseño: Canva, Adobe Express, Krita, etc.

• Conexión a internet y dispositivos con cámara/webcam.

• Proyector para presentación final (opcional).

Actividad final y presentación

Cada grupo presentará su modelo entrenado, explicando qué categorías usaron y cómo la IA reconoce sus diseños. Se evaluará la creatividad, claridad en la explicación y funcionamiento del modelo.

 Exploramos los estados de la materia y enseñamos a una máquina a reconocerlos.

 Contenido curricular que se aborda:

Estados de la materia: sólido, líquido, gaseoso.

Cambios de estado (fusión, evaporación, condensación, etc.).

Propiedades observables en cada estado.

Clasificación y descripción de materiales según su estado.

Introducción a la inteligencia artificial y el aprendizaje automático (Machine Learning) desde una perspectiva didáctica.

Segundo año de secundaria

Herramienta de Machine Learning seleccionada:

Teachable Machine de Google: https://teachablemachine.withgoogle.com/

Actividades a desarrollar:

Exploración inicial: ¿Qué sabemos sobre los estados de la materia?

Juego tipo kahoot o “preguntados”.

Breve investigación en grupos con ejemplos cotidianos.

Trabajo de campo fotográfico:

Los estudiantes toman fotos de objetos que representen cada estado de la materia (sólidos, líquidos, gaseosos —este último puede representarse con ejemplos como vapor de agua, humo, globos inflados, etc.).

Entrenamiento del modelo con ML:

Se cargan las imágenes en Teachable Machine.

Se crean tres categorías: “Sólido”, “Líquido” y “Gaseoso”.

Se entrena el modelo para que la máquina aprenda a reconocer los estados.

 Prueba y análisis:

Los estudiantes testean el modelo usando nuevas imágenes para ver si reconoce correctamente el estado.

Se reflexiona sobre los errores y aciertos del modelo.

Se debate: ¿por qué el modelo se equivoca a veces? ¿Qué necesita aprender?

 Producción final:

·         Grupos diseñan una infografía digital o póster explicando cómo fue el proceso, qué aprendieron sobre los estados de la materia y sobre el funcionamiento del ML.

·         Presentación oral o feria escolar.

Resultados del proyecto:

·         Comprensión sólida de las características de los tres estados de la materia y sus cambios.

·         Capacidad de clasificar y argumentar observaciones a partir de imágenes reales.

·         Conocimiento introductorio sobre el funcionamiento del machine learning supervisado.

·         Desarrollo del pensamiento crítico sobre los límites y potencialidades de la inteligencia artificial.

·         Producción colaborativa de un recurso visual y/o exposición explicativa.

Contenido Curricular que se Aborda:

Inteligencia artificial.

Tercer año, 14-15 años.

Materia de desarrollo:Educación Tecnológica.

🧠 Secuencia Didáctica: Introducción a la IA con Machine Learning for Kids

🎯 Objetivos de Aprendizaje

Al finalizar la secuencia, los estudiantes serán capaces de:

• Comprender qué es la inteligencia artificial y cómo funciona el aprendizaje automático.

• Clasificar datos mediante ejemplos concretos.

• Entrenar un modelo básico de IA usando ML for Kids.

• Usar su modelo entrenado en una aplicación sencilla (como un chatbot o juego).

🔎 Sesión 1: ¿Qué es la Inteligencia Artificial?

Duración: 60 minutos

Objetivos específicos:

• Comprender el concepto de IA y su presencia en la vida diaria.

• Identificar cómo aprenden las máquinas con datos.

Actividades:

1. Exploración guiada (10 min): ¿Dónde vemos IA en nuestra vida? (asistentes virtuales, recomendaciones de YouTube, etc.).

2. Video introductorio (10 min): Ver un video corto sobre IA (por ejemplo, de Common Sense Media o Code.org).

3. Dinámica de clasificación (20 min): Juego con tarjetas: clasificar objetos en categorías, simulando una IA sin computadora.

4. Introducción a ML4K (20 min): Crear cuentas y explorar la interfaz básica.

🧪 Sesión 2: ¡Entrenemos un Modelo!

Duración: 60 minutos

Objetivos específicos:

• Recolectar y etiquetar datos para entrenar una IA.

• Comprender la importancia de los datos de entrenamiento.

Actividades:

1. Seleccionar proyecto (5 min): Elegir entre opciones como "Clasificar emojis felices/tristes", "Clasificar animales", "Reconocer sabores".

2. Etiquetado de datos (30 min): Añadir ejemplos de texto (o imágenes/sonidos según el proyecto).

3. Entrenar el modelo (15 min): Pulsar “Entrenar” y observar los resultados.

4. Análisis grupal (10 min): ¿Qué tan preciso es el modelo? ¿Por qué se equivoca?

🤖 Sesión 3: Probamos la IA

Duración: 60 minutos

Objetivos específicos:

• Evaluar el funcionamiento del modelo IA creado.

• Reflexionar sobre aciertos y errores del modelo.

Actividades:

1. Pruebas individuales (20 min): Los estudiantes usan su modelo y hacen predicciones (por ejemplo, el modelo predice si un texto está feliz o triste).

2. Reflexión en grupo (15 min): ¿Qué patrones encontró la máquina? ¿Cometió errores? ¿Por qué?

3. Mejorar el modelo (20 min): Añadir más datos para mejorar la precisión.

4. Resumen y discusión (5 min).

💡 Sesión 4: Creamos una Aplicación con IA

Duración: 60 minutos

Objetivos específicos:

• Aplicar el modelo de IA en una aplicación sencilla (chatbot, videojuego, etc.).

• Presentar el proyecto al grupo.

Actividades:

1. Elige tu aplicación (10 min):

   • Chatbot con texto (ej. ¿estás feliz o triste?)

   • Juego de adivinanza (ej. ¿Qué animal es este?)

2. Diseño y prueba (30 min): Usan la integración con Scratch para crear la app.

3. Presentación (15 min): Cada grupo presenta brevemente su proyecto.

4. Cierre (5 min): Reflexión final: ¿qué aprendimos sobre IA?

🧰 Recursos Necesarios

• Computadoras con acceso a internet.

• Cuentas en https://machinelearningforkids.co.uk

• Proyector o pantalla para mostrar ejemplos.

• Tarjetas, fichas o imágenes si se hace clasificación manual en papel.

📌 Evaluación

CriterioIndicadorInstrumentoComprensión del concepto de IAParticipa en debates, identifica IA en ejemplosObservación directaAplicación del aprendizaje automáticoEntrena y prueba un modelo básicoRevisión del modelo en ML4KDesarrollo de proyectoCrea una aplicación funcional con IARúbrica de proyecto finalReflexión críticaAnaliza errores del modelo y propone mejorasDiario o presentación oral

🧪 “Detectores Ambientales del Eternauta”

Descripción:

Inspirados en El Eternauta, los estudiantes exploran los contaminantes atmosféricos y entrenan a una máquina para reconocer situaciones de riesgo ambiental similares a la "nevada mortal" que ocurre en la historieta. Se vincula el contenido de Química del Ambiente con herramientas de IA, para analizar, clasificar y detectar alertas ambientales mediante Machine Learning.

Contenido curricular que se aborda:

Composición del aire y contaminantes atmosféricos.

Fuentes de emisión de contaminantes (industriales, domésticas, naturales).

Efectos de la contaminación en la salud y el ambiente.

Introducción a la inteligencia artificial y el aprendizaje automático (Machine Learning) en la detección de problemáticas ambientales.

Ejemplos de alertas y sistemas de monitoreo ambiental.

Año o edad:

Quinto año de secundaria / 16-17 años.

Herramienta de Machine Learning seleccionada:

Teachable Machine de Google

https://teachablemachine.withgoogle.com/

Actividades a desarrollar:

✔️ Búsqueda y análisis de fragmentos de El Eternauta vinculados a la "nevada mortal" como metáfora de la contaminación invisible.

✔️ Recolección de ejemplos de situaciones ambientales de la vida real (humo, smog, emisiones industriales, etc.).

✔️ Clasificación de imágenes o sonidos ambientales en dos categorías: Ambiente Seguro y Ambiente Contaminado o de Riesgo.

✔️ Entrenamiento de un modelo de Machine Learning para que pueda distinguir entre ambas categorías.

✔️ Debate final sobre los límites y potencial de las tecnologías para la detección ambiental y la importancia del rol humano en la prevención.

Esperables o resultados:

🔬 Los estudiantes serán capaces de:

Relacionar contenidos de química ambiental con situaciones ficticias y reales.

Comprender el funcionamiento básico de un modelo de aprendizaje automático.

Utilizar Teachable Machine para crear un detector ambiental simple.

Promover la reflexión sobre los riesgos ambientales y las tecnologías de monitoreo.

📚 Contenido curricular que se aborda:
Ciencias Naturales – Educación Ambiental – Tecnología
Trabajo interdisciplinario con Formación Ética y Ciudadana

🎓 Año de la escuela secundaria / Edad del grupo de estudiantes:
2º año – Estudiantes de entre 13 y 14 años

🛠 Herramienta de ML seleccionada:
Teachable Machine

📝 Actividades a desarrollar:

• Introducción al concepto de Inteligencia Artificial y aprendizaje automático.

• Investigación sobre el impacto ambiental de los residuos y su correcta clasificación.

• Creación de una base de datos visual con imágenes tomadas por el propio grupo (orgánicos, plásticos, papel/cartón, vidrio).

• Entrenamiento del modelo usando Teachable Machine con las imágenes obtenidas.

• Prueba del modelo clasificando distintos residuos en el aula.

• Reflexión final sobre el uso de la IA para resolver problemas reales y ambientales.

🎯 Esperables o resultados:

• Comprensión inicial del funcionamiento de un modelo de ML supervisado.

• Desarrollo de conciencia ambiental y habilidades para clasificar residuos.

• Producción colaborativa de un proyecto que combina ciencia, tecnología y ciudadanía.

• Desarrollo de pensamiento crítico y uso responsable de las tecnologías.

Año de la escuela secundaria: Primer año.

Contenidos curriculares: Similitudes y diferencias entre célula procariota y eucariota.

Similitudes y diferencias entre célula eucariota animal y vegetal.

Tecnología o herramienta: Inteligencia artificial y Machine Learning.

Tipo de proyecto: Imágenes.

Objetivos:

• Introducir a los estudiantes a los principales conceptos de célula y el Machine Learning.

• Reconocer las principales células procariotas y eucariotas  en forma creativa. 

• Diferenciar la célula eucariota animal de la vegetal.

Actividades:

Introducción a los diferentes modelos de célula.

Mostrar ejemplos de la variedad de células.

Puesta en común del reconocimiento de los tipos de células.

Introducción de Machine Learning

Actividad 1: Dar una explicación sobre el concepto, usos y aplicaciones del Machine Learning en el área de Biología.

Machine Learning Kids

Actividad 2: Explorar y utilizar Machine Learning for Kids para desarrollar un modelo de clasificación de imágenes  y presentar un ejemplo.

Actividad 3: Diseñar el propio modelos de Machine Learning. Los estudiantes se reunirán en grupo de cuatros estudiantes y van a seleccionar imágenes (Célula procariota, eucariota, célula eucariota animal, célula eucariota vegetal) observando sus estructuras para poder diferenciarlas.

Entrenamiento del modelo ML

Utilización del modelo Machine Learning Kids para entrenar un modelo de clasificación de imágenes, recolección de datos, subida de imágenes y entrenamiento del modelo. 

Análisis de dato y reflexión

Puesta en común, cada grupo explica sus trabajos, expone sus  conclusiones y resultados, errores o limitaciones de la aplicación. 

Descripción:

Este proyecto propone que los estudiantes de 3er año de secundaria exploren los conceptos fundamentales del Machine Learning (ML) a través de la creación de un sistema interactivo que prediga el estado de ánimo de un usuario y, basándose en esa predicción, recomiende contenido musical. Utilizando una herramienta accesible y visual, los alumnos no solo comprenderán cómo "aprenden" las máquinas, sino que también reflexionarán sobre la ética de la Inteligencia Artificial y su impacto en la vida cotidiana.

Contenido curricular que se aborda:

Educación Digital: Conceptos básicos de Machine Learning (clasificación, entrenamiento de modelos, datos de entrada/salida), ética de la IA, manejo de herramientas digitales.

Lengua y Literatura: Análisis de textos cortos (sentimiento, interpretación de expresiones).

Música: Géneros musicales, impacto de la música en el estado de ánimo, curación de listas.

Matemática: Recopilación, organización y análisis básico de datos (estadística descriptiva simple).

Educación Emocional/Ciudadanía: Autoconciencia emocional, empatía, impacto del entorno digital en el bienestar.

Año de la escuela secundaria: 3er año (14-16 años)

Herramienta de ML seleccionada:

Teachable Machine (Google): Herramienta web intuitiva que permite entrenar modelos de ML para reconocimiento de texto (usando entradas de audio o poses), imágenes o sonido sin necesidad de escribir código. Es ideal para comprender los conceptos fundamentales de entrenamiento y predicción de forma práctica y visual.

Complementario (para profundización): Explorar la integración del modelo entrenado con plataformas de programación visual como Scratch (utilizando extensiones de IA) o entorno de programación por bloques para crear una aplicación simple que interactúe con el modelo.

Actividades a desarrollar:

1. Introducción al Machine Learning y la Ética de la IA (1-2 clases):

• Presentación de los conceptos básicos de Machine Learning: ¿Qué es? ¿Cómo "aprenden" las máquinas? Ejemplos cotidianos (recomendadores de contenido, filtros de spam, asistentes de voz).

• Discusión abierta sobre los desafíos éticos de la Inteligencia Artificial: privacidad de datos, sesgos en los algoritmos, discriminación. ¿Cómo pueden los datos que usamos para entrenar un modelo influir en su comportamiento final?

• Actividad práctica inicial: Lluvia de ideas sobre dónde encuentran la IA en su día a día y qué impacto creen que tiene.

  
  

2. Recolección de Datos para el Predictor de Humor (1-2 clases):

• Definición consensuada de las categorías de "humor" que el modelo intentará clasificar (ej. "Feliz", "Triste", "Enojado", "Neutral", "Sorprendido").

• Cada estudiante o grupo recolecta ejemplos de frases cortas, palabras clave o emojis representativos de cada categoría. Es crucial enfatizar la importancia de la diversidad y la cantidad de ejemplos (un mínimo de 5-10 ejemplos por categoría por estudiante o grupo es un buen punto de partida para Teachable Machine).

• Organización de los datos recolectados en un formato que pueda ser fácilmente utilizado por Teachable Machine (ej. agrupar las frases por categoría para la carga).

  
  

3. Entrenamiento y Pruebas del Modelo con Teachable Machine (2-3 clases):

• Tutorial guiado sobre cómo usar Teachable Machine: crear un nuevo proyecto (se recomienda el tipo "Audio" si las entradas serán frases habladas, o "Pose" si se usarán expresiones faciales capturadas por webcam, o "Image" si se usan emojis).

• Carga de los datos recolectados por categoría y entrenamiento del modelo con un clic.

• Fase de prueba y refinamiento: Los estudiantes probarán el modelo con nuevas frases o expresiones que no haya visto antes. Identificarán dónde el modelo se equivoca y discutirán las posibles razones (pocos datos, datos ambiguos, sesgos inherentes en la recolección de datos). Se añadirán más datos para mejorar la precisión del entrenamiento.

4. Diseño del Sistema de Recomendación Musical (1-2 clases):

• Investigación en grupos: Los estudiantes investigarán cómo diferentes géneros musicales, artistas o canciones específicas se asocian comúnmente con ciertos estados de ánimo o emociones.

• Creación de una "base de datos" simple (puede ser una hoja de cálculo compartida en Google Sheets o un mural colaborativo digital) donde asocien el "humor" detectado por su modelo con canciones, géneros o artistas que lo representen. Por ejemplo: si el humor es "Feliz" -> sugerir Pop bailable, Cumbia, Rock Nacional optimista; si es "Triste" -> sugerir Baladas, Folk melancólico.

• Conceptualización del sistema: Explicar cómo, una vez que el modelo predice un estado de ánimo, el sistema "consultaría" esta base de datos para sugerir una canción o lista de reproducción que coincida.

• 
  

5. Elaboración del Proyecto Final y Presentación (2-3 clases):

• Los grupos preparan una presentación digital (PowerPoint, Google Slides, Genially, video corto explicativo) o un póster digital que resuma su trabajo. Esta presentación deberá incluir: Nombre del proyecto, Objetivos, Proceso de trabajo, Demostración del modelo, Reflexión ética, Conclusiones y aprendizajes

Esperables:

Al finalizar el proyecto, se espera que los estudiantes:

• Comprendan los conceptos fundamentales de ML: Serán capaces de explicar qué es el Machine Learning, cómo se entrena un modelo, qué función cumplen los datos de entrada y salida, y el proceso básico de predicción.

• Desarrollen habilidades en el uso de herramientas de ML accesibles: Tendrán destreza en el uso de Teachable Machine para crear, entrenar y probar un modelo de clasificación simple.

• Fomenten el pensamiento crítico: Serán capaces de identificar, analizar y reflexionar sobre los posibles sesgos y las implicaciones éticas del desarrollo y uso de la Inteligencia Artificial en la sociedad.

• Estimulen la creatividad y la innovación: Habrán aplicado una tecnología para idear y diseñar una solución simple a un problema cotidiano o para crear una herramienta interactiva.

• Mejoren sus habilidades de colaboración y comunicación: Fortalecerán el trabajo en equipo y la capacidad de presentar ideas complejas de manera clara y concisa a diferentes audiencias.

• Realicen conexiones curriculares: Comprenderán cómo la informática y la tecnología se vinculan y enriquecen otras áreas del conocimiento como la Lengua, la Música, la Matemática y la Educación Emocional.

Nombre del proyecto: "Predicción de la estructura atómica de elementos"

Contenido curricular: Física, Química, Estructura atómica

Año de la escuela secundaria: 3er año (14-15 años)

Herramienta ML seleccionada: Google Teachable Machine o TensorFlow.js (clasificación de imágenes)

Actividad a desarrollar:

- Los estudiantes recopilarán imágenes de modelos atómicos de diferentes elementos (por ejemplo, hidrógeno, helio, litio, etc.).

- Utilizarán la herramienta ML seleccionada para entrenar un modelo que pueda predecir la estructura atómica de un elemento a partir de su número atómico o símbolo químico.

- Los estudiantes trabajarán en grupos para:

- Recopilar y etiquetar las imágenes de modelos atómicos

- Entrenar y evaluar el modelo de predicción

- Analizar los resultados y discutir las implicaciones de la predicción de la estructura atómica

- Presentar sus resultados y conclusiones

Esperables o resultados:

- Los estudiantes comprenderán la estructura atómica de los elementos y cómo se relaciona con sus propiedades químicas y físicas.

- Aprenderán a utilizar herramientas de Machine Learning para predecir la estructura atómica y entenderán los principios básicos del entrenamiento de modelos.

- Desarrollarán habilidades de análisis de datos, pensamiento crítico y resolución de problemas.

- Podrán aplicar sus conocimientos en proyectos futuros de física y química.

Beneficios adicionales:

- Fomenta la comprensión de la estructura atómica y su relación con las propiedades de los elementos.

- Desarrolla habilidades de visualización y análisis de datos.

- Introduce a los estudiantes en el mundo del Machine Learning y su aplicación en la física y la química.

Posibles extensiones:

- Utilizar técnicas de visualización de datos para representar la estructura atómica de los elementos de manera interactiva.

- Explorar la aplicación de Machine Learning en otros temas de física y química, como la predicción de propiedades físicas o químicas de compuestos.

- Desarrollar modelos más complejos que incorporen múltiples variables y parámetros para predecir la estructura atómica.

Contenido curricular que se aborda:

• Matemáticas: Estadística básica, interpretación de datos, algoritmos de clasificación

• Tecnología / Informática: Principios básicos de Machine Learning, procesamiento de audio, programación con bloques o Python básico

• Educación socioemocional: Identificación y comprensión de emociones humanas

Año de la escuela secundaria / edad del grupo de estudiantes:
3º o 4º año de secundaria (15 a 17 años)

Herramienta de ML seleccionada:
Teachable Machine o Machine Learning for Kids (según disponibilidad y nivel)
Estas herramientas permiten trabajar con modelos de clasificación de audio sin necesidad de programación avanzada y permiten entrenar modelos simples que reconocen diferentes emociones a partir de grabaciones cortas.

Actividades a desarrollar:

1. Introducción al concepto de Machine Learning
   Explicación básica sobre qué es ML, sus aplicaciones y ejemplos cotidianos, enfocándose en el reconocimiento de patrones.

2. Exploración y recolección de datos de audio
   Los alumnos grabarán muestras de voz expresando emociones básicas (alegría, tristeza, enojo, sorpresa, neutral).

3. Entrenamiento del modelo de ML
   Utilizando Teachable Machine o Machine Learning for Kids, los estudiantes cargarán sus clips de audio y entrenarán un modelo para clasificar las emociones reconocidas.

4. Prueba y evaluación del modelo
   Poner a prueba el modelo con grabaciones nuevas, evaluando su precisión y discutiendo posibles errores o confusiones del clasificador.

5. Reflexión y análisis
   Discutir la importancia de reconocer emociones, aplicaciones de esta tecnología (ej. asistentes virtuales, ayuda en salud mental) y consideraciones éticas (privacidad, sesgos).

6. Presentación final
   Creación de un informe o presentación donde expliquen el proceso, el modelo creado y sus resultados.

Esperables o resultados:

• Comprensión básica del funcionamiento del Machine Learning y clasificación de datos.

• Experiencia práctica en creación, entrenamiento y evaluación de un modelo de IA aplicado a un problema real y cotidiano.

• Habilidades para analizar resultados y reflexionar sobre implicancias éticas y sociales.

• Desarrollo de competencias interdisciplinares entre matemáticas, tecnología y habilidades socioemocionales.

• Material didáctico y proyecto que puede compartirse en la GalerIA ML para inspirar a otros.

• Contenido curricular: biologia

• Año / Edad: 3er año secundaria / 15-16 años

• Herramienta ML: Teachable Machine, Weka, o alguna plataforma de ML amigable para educación

• Actividades: Recolectar imágenes, entrenar modelo para reconocer plantas invasoras, validar resultados, presentar conclusiones

• Esperables: Que los estudiantes comprendan el proceso de ML y la importancia ambiental de identificar plantas invasoras.

Utilizaríamos Machine Learning para crear un modelo capaz de reconocer patrones específicos en los datos que recolectemos. Por ejemplo, si nuestro proyecto es identificar plantas invasoras en el patio escolar, tomaríamos muchas fotos de distintas plantas y etiquetaríamos cuáles son invasoras y cuáles no.

Luego, con una herramienta de Machine Learning, entrenaríamos un algoritmo para que aprenda a diferenciar las plantas según las características visuales de las imágenes. Una vez entrenado, el modelo podría analizar nuevas fotos y predecir si la planta es invasora o no.

De esta manera, los estudiantes aprenden a:

• Recolectar y organizar datos reales

• Entender cómo un algoritmo aprende a partir de ejemplos

• Evaluar la precisión y utilidad del modelo desarrollado

• Aplicar la tecnología para resolver un problema concreto de su entorno

Lectura de Cuentos Fantásticos "Viajando por mundos increíbles".

Contenido curricular que se aborda:

° Lengua y Literatura (Lectura y análisis de cuentos fantásticos clásicos y contemporáneos).

° Tecnología (Introducción al ML).

° Comprensión y producción de textos.

Año de la escuela secundaria / edad del grupo de estudiantes:

2do Año de secundaria/ 13-14 años.

Herramienta de ML seleccionada:

Learning ML/ChatGPT.

Actividades a desarrollar:

1 - Leer y analizar cuentos fantásticos:

° ¿Qué elementos de lo fantásticos aparecen en los textos?

° Reflexionar sobre la realidad y lo desconocido a través de la literatura de Julio Cortázar - "Axolotl" y Horacio Quiroga - "El almohadón de plumas".

2 - Producción escrita con ayuda de herramienta de la ML:

° Escribir un cuento fantástico breve, recordando partir de una situación cotidiana que se verá interrumpida por algo inexplicable.

° Ilustrar la parte que más te llamó la atención en tu relato.

Esperables o resultados:

° Identificar características propias del género fantástico.

° Desarrollar la escritura creativa desde el estilo fantástico.

Contenido curricular que se aborda:

Ciencias Naturales y Tecnología – Contaminación ambiental, calidad del aire, análisis de datos y herramientas digitales aplicadas a problemas reales.

Año de la escuela secundaria / Edad del grupo de estudiantes:

3.er año de secundaria / 14-15 años.

Herramienta de ML seleccionada:

Teachable Machine (Google) – Entrenamiento de modelos de clasificación de imágenes.

Actividades a desarrollar:

1. Introducción al problema: Presentación sobre qué es la contaminación del aire, sus fuentes y efectos en la salud y el ambiente.

2. Conceptos básicos de ML: Breve explicación de cómo una máquina puede aprender a clasificar imágenes mediante ejemplos.

3. Recolección de datos: Los estudiantes capturarán imágenes de cielo limpio y de cielo contaminado (fotografías, recortes, internet).

4. Entrenamiento del modelo: Utilizar Teachable Machine para entrenar un modelo que clasifique las imágenes según “limpio” o “contaminado”.

5. Pruebas y ajustes: Probar el modelo con imágenes nuevas y analizar su nivel de acierto.

6. Reflexión y discusión: Debate grupal sobre la utilidad de estas herramientas para abordar problemas ambientales y posibles mejoras del proyecto.

Esperables o resultados:

Comprender los conceptos básicos de aprendizaje automático y su aplicación en problemas ambientales.

Desarrollar habilidades de análisis crítico, trabajo en equipo y pensamiento computacional.

Crear un modelo funcional que clasifique imágenes según el nivel de contaminación del aire.

Promover la conciencia ambiental y la reflexión sobre sol

uciones tecnológicas para problemas reales.

3° AÑO

EDAD DE LOS ESTUDIANTES: 14-15 AÑOS

DOCENTE: PABLO HUGO TABOADA

Contenido curricular:

Ciencias Naturales:

• Impacto ambiental: La problemática de los residuos sólidos y la importancia del reciclaje.

• Clasificación de residuos: Tipos de residuos (plástico, papel, vidrio, orgánico, etc.) y su correcta disposición en los contenedores de colores.

Tecnología y Programación:

• Introducción al Aprendizaje Automático (ML): Conceptos básicos de reconocimiento de imágenes y clasificación.

• Herramientas de ML sin código: Uso de plataformas como Teachable Machine para entrenar modelos.

• Desarrollo de aplicaciones móviles: Conceptos básicos de diseño de interfaz (UI/UX) y programación con bloques.

• Integración de IA: Cómo incorporar un modelo de ML en una aplicación.

Año de la escuela secundaria / edad del grupo de estudiantes:

2do a 3er año (14-15 años).

Herramienta de ML seleccionada:

Se utilizará Google Teachable Machine para el entrenamiento del modelo. Esta plataforma es intuitiva y no requiere programación, lo que la hace ideal para estudiantes de esta edad.

La herramienta de desarrollo de la aplicación será MIT App Inventor, que utiliza una programación visual por bloques, facilitando la creación de la interfaz y la lógica de la aplicación.

Actividades a desarrollar:

1. Recopilación de datos:

• Toma de fotos: Los estudiantes tomarán fotos de distintos objetos que representan los tipos de residuos que quieren clasificar (plástico, papel, vidrio, metal). Deberán tomar fotos con diferentes ángulos, fondos e iluminación para crear un conjunto de datos (dataset) robusto.

2. Entrenamiento del modelo de ML:

• Clasificación y entrenamiento: En Teachable Machine, los estudiantes cargarán las imágenes, las etiquetarán con el tipo de residuo correspondiente y entrenarán el modelo.

• Exportación del modelo: Una vez que el modelo esté entrenado, lo exportarán en formato TensorFlow Lite, que es compatible con App Inventor.

3. Creación de la aplicación en App Inventor:

• Diseño de la interfaz: Los estudiantes diseñarán la pantalla principal de la app, agregando un componente de cámara, una etiqueta para mostrar el resultado y un visor de imagen.

• Programación con bloques: Usando los bloques de App Inventor, programarán la lógica para que la aplicación:

  • Active la cámara al pulsar un botón.

  • Mande la imagen capturada al modelo de ML.

  • Muestre el resultado de la clasificación.

  • Conecte el resultado con el color del contenedor de reciclaje correcto.

4. Pruebas y mejoras:

• Los estudiantes probarán la aplicación con objetos reales y en diferentes escenarios. Si el modelo falla, identificarán los errores y agregarán más datos al dataset para re-entrenar el modelo y mejorar su precisión.

Esperables o resultados:

• Comprensión del proceso de reciclaje y su importancia para el medio ambiente.

• Habilidades en el uso de herramientas de Machine Learning sin código para resolver problemas reales.

• Desarrollo de pensamiento lógico y habilidades de programación básica con bloques.

• Creación de una aplicación móvil funcional que demuestra la aplicación práctica de la inteligencia artificial.

Recursos adicionales:

• Tutoriales de Google Teachable Machine.

• Documentación y tutoriales de MIT App Inventor.

• Ejemplos de modelos de clasificación de imágenes en Teachable Machine.

Contenido curricular que se aborda: Conceptos básicos de inteligencia artificial y

Machine Learning, reconocimiento de patrones, resolución de problemas utilizando

Tecnología.

Año  de estudiantes: 6to grado de primaria / 10-12 años

Introducción: Breve explicación sobre qué es

Actividad a desarrollar:

·          

·         Ejercicio práctico: Los niños formarán grupos pequeños y usarán Teachable Machine para crear

·         Pasos:

1.    Tomar fotos o grabar sonidos de diferentes categorías.

2.    Entrenar al modelo 

3.    Probar el modelo en tiempo real para ver qué categoría reconoce.

·         Discusión: Analizar cómo el modelo "aprende" y cómo se puede aplicar en diferentes situaciones.

Esperanzas de resultados:

·         Comprender los conceptos básicos de entrenamiento de modelos de IA.

·         Desarrollar habilidades en el uso de herramientas visuales para crear modelos de reconocimiento.

·         Fomentar el interés por

Promover el trabajo en equipo y la creatividad

Contenido curricular:

Literatura: analisis de obras y autores. Comprensión de temas y emociones en el texto.

Lengua: analisis de textos, vocabulario y expresiones emocionales.

Tecnología: introducción de Machine learning y su aplicación en el análisis de textos.

Año de escuela, edad de grupo de estudiantes: 2 año de secundaria- 13-14 años.

Herramientas de ML seleccionada: procesamiento del lenguaje natural(PLN) con Python y librerías como LNTK o text blod.

Actividades:

1) Selección y recopilación de fragmento de librerías representativa.

2) Limpieza y preparación de textos ( disminución de palabras irrelevantes).

3) instrumento de un modelo de analisis de sentimientos para clasificar los textos en positivos, negativos o neutros.

4) Interpretación de los resultados y discusión sobre como el Machine learning puede ayudar a entender mejor las emociones en la literatura.

Resultados esperables:

• Los estudiantes pueden comprender como el MAchine learning puede analizar emociones en textos literarios.

• Desarrollarán habilidades en programación básica y análisis de datos

• Podrán aplicar estos conocimientos para explorar diferentes obras y autores enriqueciendo su comprensión literarias.

Contenido curricular que se aborda: Números naturales: operaciones básicas y patrones.

Resolución de problemas en contextos reales.

Introducción al pensamiento computacional y a la IA.

Año / Edad de los estudiantes: 1° año de secundaria (12 a 13 años).

Herramienta de ML seleccionada: Teachable Machine (Google) – permite entrenar modelos simples de reconocimiento de imágenes y sonidos sin necesidad de programar.

Actividades a desarrollar:

1. Exploración inicial: charla introductoria sobre qué es la IA y cómo aprende una máquina.

2. Experimentación con Teachable Machine:

El grupo entrenará un modelo para reconocer tarjetas con números (ej. pares vs. impares / múltiplos de 3 vs. múltiplos de 5).

Subida de imágenes de los números para entrenar la IA.

3. Juego didáctico: los estudiantes mostrarán un número a la cámara y la IA clasificará según la regla entrenada.

4. Discusión y reflexión: analizar los aciertos y errores del modelo. Conectar con la idea de patrones matemáticos y la necesidad de muchos ejemplos para “aprender”.

5. Producción final: los estudiantes crearán una breve presentación con los resultados obtenidos, explicando qué descubrieron sobre números y sobre la IA.

Resultados esperables:

Los alumnos reconocen y aplican reglas de clasificación en conjuntos numéricos.

Comprenden de manera básica cómo funciona el entrenamiento de un modelo de IA.

Desarrollan curiosidad y pensamiento crítico respecto al uso de la tecnología.

Producen una experiencia compartida que combina matemáticas y herramientas digitales.

Contenido curricular que se aborda:

• Historia Argentina: Independencia y Campaña Libertadora

• Educación digital y pensamiento computacional

• Alfabetización mediática y pensamiento crítico

• PDL y construcción de discursos

Año de la escuela secundaria:

4° año (15-16 años)

Herramienta de ML seleccionada:

Machine Learning for Kids + IBM Watson/Natural Language Classifier

(Alternativa: GPT o plataformas como ChatGPT con prompts guiados)

Actividades a desarrollar:

• Exploración histórica:

Se investiga la figura de José de San Martín: sus cartas, discursos, valores, contexto y pensamiento político.

Los estudiantes seleccionan fragmentos auténticos de sus escritos.

• Creación de dataset:

Divididos en grupos, los estudiantes construyen dos tipos de frases:

• Estilo San Martín (extraídas o inspiradas en sus escritos)

• No estilo San Martín (frases modernas, anacrónicas o de otros personajes históricos)

Cada grupo prepara un pequeño set de datos etiquetado para entrenar un modelo que reconozca si una frase “suena” como algo que San Martín diría o no.

Entrenamiento del modelo:

Se entrena un modelo de clasificación de texto en Machine Learning for Kids con las frases recolectadas.

Pruebas del modelo:

Los estudiantes escriben frases nuevas y el modelo predice si son del estilo de San Martín.

Se reflexiona: ¿el modelo acierta?, ¿qué tipo de lenguaje o ideas reconoce?, ¿puede confundirse?

Actividad creativa:

Con el modelo entrenado o mediante prompts en ChatGPT, se genera una entrevista simulada con San Martín, donde el modelo intenta responder como él.

Los estudiantes redactan preguntas actuales (cambio climático, democracia, IA) y ven cómo “respondería” San Martín.

Debate y cierre:

Reflexión sobre los límites de la IA para representar figuras históricas. ¿Qué podemos aprender? ¿Qué no se puede replicar?

Discusión sobre cómo los discursos pueden manipularse y la importancia del pensamiento crítico.

Jugando a ser Inteligencia Artificial

Contenido curricular que se aborda:

Conceptos básicos de IA y machine learning.

Reconocimiento de patrones y clasificación.

Relación entre aprendizaje humano y aprendizaje de máquinas.

Creatividad y trabajo en equipo.

Año de estudiantes:

6º grado de primaria (10-12 años).

Introducción:

La Inteligencia Artificial (IA) es una tecnología que imita la forma en que los humanos aprendemos: con práctica, repeticiones y ejemplos.

Al igual que un niño aprende a reconocer animales mirando imágenes, una IA necesita ver muchos ejemplos para identificar correctamente qué es qué.

Este proyecto combina una experiencia práctica sin computadoras (para que los estudiantes entiendan el concepto) y una experiencia digital (para aplicarlo con tecnología).

• Actividad 1: La máquina humana (IA desconectada)

Objetivo: Comprender el proceso de entrenamiento de una IA.

1. Materiales: tarjetas con dibujos (frutas, animales, transportes).

2. Dinámica:

Los estudiantes forman grupos que harán de “máquina”.

El docente muestra tarjetas y los grupos deben clasificarlas en cajas o carteles.

Al inicio se equivocan → la máquina está “sin entrenar”.

Con cada repetición, mejoran su precisión → la máquina se “entrena”.

3. Reflexión:

¿Por qué al principio la máquina se equivocaba?

¿Qué similitud hay con el aprendizaje humano?

• Actividad 2: Entrenando una IA real (con tecnología)

Objetivo: Aplicar lo aprendido en una herramienta digital.

1. Herramienta: Teachable Machine (de Google).

2. Dinámica:

Cada grupo elige 2 o 3 categorías (ejemplo: “gato vs perro”, “aplausos vs silbidos”).

Usan la cámara o el micrófono para cargar ejemplos.

Entrenan el modelo con varias repeticiones.

Prueban el modelo en tiempo real y juegan a que la máquina adivine.

3. Reflexión:

¿La máquina siempre acierta?

¿Qué pasa si le damos pocos ejemplos?

¿Cómo se parece esto al juego de la máquina humana?

Cierre:

Cada grupo comparte su experiencia y explica qué categorías eligió, cómo entrenó su modelo y qué resultados obtuvo.

El docente resalta que la IA necesita datos para aprender, igual que nosotros necesitamos ejemplos y práctica.

Esperanzas de resultados:

Entender la diferencia entre una IA sin entrenar y una entrenada.

Relacionar el aprendizaje humano con el de las máquinas.

Desarrollar curiosidad por la tecnología aplicada.

Potenciar la creatividad y el trabajo colaborativo.

Entre la ficción y la realidad: “La continuidad de los parques” en la era digital

Contenido curricular que se aborda:

Análisis del cuento breve y recursos narrativos.

El concepto de metaliteratura y ruptura de la frontera realidad/ficción.

Relación entre literatura clásica y producciones contemporáneas.

Año de la escuela secundaria / edad del grupo de estudiantes:

3° año de secundaria

Herramienta de ML seleccionada:

LearningML (para entrenar un modelo que distinga entre distintos tipos de narradores: primera persona, tercera persona, omnisciente, testigo).

Actividades a desarrollar:

1. Lectura y análisis guiado del cuento “La continuidad de los parques” de Julio Cortázar.

2. Debate sobre el efecto del final y cómo Cortázar juega con la ficción y la realidad.

3. Comparar con ejemplos de narraciones actuales (microficciones, relatos digitales, fanfics).

4. Usar LearningML para entrenar un modelo con fragmentos de distintos cuentos y clasificar el tipo de narrador.

5. Probar con fragmentos del propio Cortázar y con textos escritos por los estudiantes.

6. Reflexionar: ¿qué aspectos del estilo literario puede reconocer la IA y cuáles se le escapan?

Capacidades a desarrollar:

Lectura comprensiva y crítica de textos literarios.

Identificación y análisis de recursos narrativos.

Uso reflexivo de herramientas digitales aplicadas a las humanidades.

Trabajo colaborativo en la producción y clasificación de textos.

Desarrollo de la creatividad en la escritura y la reinterpretación de obras clásicas.

Metacognición: reconocer cómo se aprende literatura al combinarla con tecnología.

En este proyecto se espera que los alumnos logren:

Comprender los recursos narrativos del cuento breve y la originalidad de Cortázar.

Valorar cómo los clásicos literarios dialogan con la actualidad.

Experimentar con el uso de ML aplicado a la literatura.

Desarrollar la capacidad crítica al analizar tanto textos como herramientas tecnológicas.

Reflexión final:

Este proyecto invita a los estudiantes a tender un puente entre la literatura clásica y la contemporánea, mostrando que un cuento escrito en 1956 puede seguir generando preguntas profundas en el presente. Al incorporar herramientas de Machine Learning, no solo se actualiza la forma de acercarse a la literatura, sino que también se fomenta una mirada crítica hacia la tecnología: la IA puede reconocer patrones, pero la sensibilidad estética, el juego de significados y la emoción de un texto siguen siendo terreno del lector humano.

Año de la escuela secundaria / edad del grupo de estudiantes:

1° año de secundaria (12-13 años).

Herramienta de ML seleccionada:

Teachable Machine (Google).

Actividades a desarrollar:

Introducción a la teoría del color: rueda cromática, mezclas y significados de los colores.

Recolección de datos: los estudiantes muestran diferentes objetos de colores (cartulinas, lápices, telas, etc.) y registran imágenes con la cámara.

Entrenamiento en Teachable Machine para que el modelo aprenda a reconocer colores primarios y secundarios.

Prueba en vivo: los estudiantes muestran un objeto y el modelo indica el color identificado.

Reflexión: ¿qué tan preciso fue el modelo?, ¿qué dificultades encontró con tonos similares?, ¿cómo influye la luz?

Producción artística final: crear una obra colectiva (collage o mural) aplicando los colores clasificados y reflexionando sobre su importancia en el arte y la IA.

RESULTADOS:

Comprensión práctica de cómo se entrena un modelo de ML.

Relación entre teoría del color y aplicaciones tecnológicas.

Desarrollo del pensamiento crítico sobre los límites de la IA (por ejemplo, confusión en tonos parecidos).

Producción de una obra visual colectiva que integra arte y tecnología.

Contenido curricula:

Artes Visuales

-Estilos artísticos: Cubismo, Impresionismo y Surrealismo.

- Elementos del lenguaje plástico: forma, color , textura, línea, composición.

- Contenido transversal - Educación Digital: herramientas digitales Teachable Machine

Año de la escuela: 2 año de secundaria

Edad del grupo de estudiantes: 13 - 14 años

Herramienta de ML seleccionada: Teachable Machine

Actividades a desarrollar

(Clase 1)

Inicio

Presentación visual de obras representativas de cada estilo (Monet, Picasso, Dalí)

Breve explicación de que es la inteligencia artificial y cómo aprende a reconocer imágenes.

Pregunta disparadora ¿Puede una máquina entender el arte cómo nosotros?

(Clase 2 ) Selección de imágenes

Los estudiantes en grupo, seleccionarán imágenes de obras cubista, impresionistas y surrealistas . Deberán clasificar las imágenes en carpetas por estilo: Cubismo, Impresionismo, Surrealismo

(Clase 3) Entrenamiento del modelo

Se cargará las imágenes en Teachable Machine y entrenar un modelo de clasificación.

Se deberá probar el modelo con nuevas imágenes y registrar los aciertos y errores.

(Clase 4) Producción Artística

Los alumnos crearán una producción artística inspirada en uno de los estilos trabajados.

(Clase 5) Prueba de reconocimiento

Se probará si el modelo reconoce correctamente el estilo de la obra creada.

(Clase 6) Muestra grupal de las obras producidas y resultado del modelo

Debate ¿Qué estilo fue más fácil o difícil de reconocer para la IA? ¿Por qué?

Esperables o resultados

Reconocimiento de características visuales de estilos artísticos.

Compresión básica del funcionamiento de una IA entrenada por imágenes.

Desarrollo del pensamiento crítico sobre el vínculo entre arte y tecnología

“Explorando los modelos atómicos con ayuda de la Inteligencia Artificial”

Contenido curricular que se aborda

• Historia y evolución de los modelos atómicos (Dalton, Thomson, Rutherford, Bohr, Modelo Mecánico Cuántico).

• Reconocimiento de características principales de cada modelo.

• Relación entre ciencia, tecnología y sociedad.

Año de la escuela secundaria:

• 2º año de secundaria

• Edad aproximada: 13-14 años

Herramienta de ML seleccionada

• Teachable Machine (Google) → sencilla y visual.

• Alternativa: LearningML → con bloques, para practicar lógica.

Actividades a desarrollar

1. Investigación: cada grupo elige un modelo atómico y recopila sus características principales.

2. Clasificación con ML:

   • Usando Teachable Machine, entrenar un modelo para clasificar imágenes de los distintos modelos atómicos.

   • Ejemplo: subir dibujos o esquemas de cada modelo (Dalton, Bohr, etc.) para que el modelo “aprenda” a diferenciarlos.

3. Aplicación práctica:

   • Probar el modelo con nuevas imágenes y comprobar si clasifica correctamente.

4. Reflexión ética:

   • Conversar sobre qué pasaría si el modelo se entrena con imágenes erróneas o incompletas.

5. Producción del posteo: Subir al mural colaborativo una breve descripción del modelo elegido, un ejemplo de cómo lo entrenaron en ML y una conclusión.

🟩 Título de la columna: Energías Renovables y Machine Learning

Descripción:

Exploramos las energías renovables desde una mirada interdisciplinaria que combina ciencia, arte y tecnología. Cada estudiante presenta su proyecto integrando diseño visual, reflexión ambiental y herramientas digitales como Teachable Machine. Esta galería busca inspirar conciencia ecológica y creatividad.

---

🟨 Tarjeta modelo para estudiantes

Título del proyecto:

☀️ Energía Solar con Estilo Impresionista

Nombre del estudiante:

[Nombre completo]

Tipo de energía renovable:

Solar

Estilo artístico aplicado:

Impresionismo (colores cálidos, luz difusa, pinceladas suaves)

Contenido visual creado:

Diseño de afiche educativo con Canva + ilustración estilo impresionista

Herramienta digital utilizada:

Teachable Machine (modelo entrenado para reconocer imágenes de paneles solares)

Reflexión personal:

“Aprendí que la energía solar no solo es limpia, sino que puede inspirar arte. Usar machine learning me ayudó a entender cómo la tecnología puede apoyar la educación ambiental.”

---

🟦 Otras tarjetas sugeridas

🌬️ Energía Eólica con Surrealismo

- Estilo: Formas flotantes, colores fríos, composición onírica

- Herramienta: Canva + Teachable Machine

- Reflexión: “El viento es invisible, pero su fuerza puede representarse con arte surrealista. Entrenar una máquina para reconocer turbinas fue desafiante pero divertido.”

💧 Energía Hidráulica con Cubismo

- Estilo: Fragmentación geométrica, tonos azules, estructura visual

- Herramienta: Scribus + Padlet

- Reflexión: “El cubismo me permitió mostrar cómo el agua se transforma en energía. Usar diseño editorial me ayudó a organizar la información de forma clara.”

---

🧩 Sección final: Evaluación y autoevaluación

Indicadores de evaluación:

- Claridad conceptual sobre la energía renovable

- Creatividad visual y coherencia con el estilo artístico

- Uso adecuado de herramientas digitales

- Reflexión crítica sobre el impacto ambiental

Autoevaluación sugerida:

- ¿Qué aprendí sobre energías renovables?

- ¿Qué desafíos tuve al usar herramientas digitales?

- ¿Cómo puedo aplicar esto en mi comunidad?

Nombre del Proyecto:

"Reconstruyendo el Pasado: Una Investigación Histórica sobre la Vida Cotidiana en la Colonia"

Contenido Curricular:

- Historia de la Colonia en América Latina

- Vida cotidiana en la Colonia

- Economía y sociedad en la Colonia

Año de la Escuela Secundaria / Edad del Grupo de Estudiantes:

- 3er año de la escuela secundaria (15-16 años)

Herramienta de ML Seleccionada:

- Google Earth: para crear mapas interactivos y visualizar la geografía de la Colonia

- Timeline JS: para crear una línea de tiempo interactiva sobre la historia de la Colonia

Actividades a Desarrollar:

1. Investigación: Los estudiantes investigarán sobre la vida cotidiana en la Colonia, incluyendo la economía, la sociedad y la cultura.

2. Creación de Mapas: Los estudiantes utilizarán Google Earth para crear mapas interactivos que muestren la geografía de la Colonia y los lugares importantes de la época.

3. Línea de Tiempo: Los estudiantes crearán una línea de tiempo interactiva utilizando Timeline JS para mostrar los eventos importantes de la Colonia.

4. Presentación: Los estudiantes presentarán sus hallazgos en forma de una presentación multimedia que incluya imágenes, videos y mapas interactivos.

Esperables o Resultados:

- Los estudiantes desarrollarán habilidades de investigación y análisis crítico sobre la historia de la Colonia.

- Los estudiantes aprenderán a utilizar herramientas de tecnología para presentar información histórica de manera interactiva y visual.

- Los estudiantes desarrollarán habilidades de comunicación y presentación para compartir sus hallazgos con sus compañeros y profesores.

- Los estudiantes podrán visualizar y comprender mejor la geografía y la cronología de la Colonia.

Evaluación:

- La evaluación se basará en la calidad de la investigación, la creatividad y la presentación de los mapas y la línea de tiempo, y la capacidad de los estudiantes para comunicar sus hallazgos de manera efectiva.

Recursos:

- Libros y artículos sobre la historia de la Colonia

- Acceso a Internet y herramientas de tecnología (Google Earth, Timeline JS)

- Computadoras o dispositivos móviles con acceso a Internet.

Nombre del proyecto: Escucha IA

Contenido curricular: inteligencia emocional en el aula.

Año: 6°año del Nivel Secundario

Herramienta de ML elegida: Meachine Learning.

Actividad a desarrollar:

En grupos de 4 estudiantes elegirán un tema abordado en la clase de educación emocional y crearon un guión con preguntas y respuestas que se harán entre ellos mismos para crear un podcasts educativo que potencie el dialogo entre pares y también pueden elegir preguntas que desen realizarse para que les ayude a comunicarse aún mejor con sus familiares.

Presentación final: creación del audio de 10 minutos con sus compañeros.

Resultados esperables: trabajo en equipo, escucha activa, feedback, interacción educativa.

*Objetivos: Implementar un sistema que permita a los alumnos clasificar, recomendar y explorar cuentos mediante técnicas de Machine Learning, fomentando la creatividad y el aprendizaje transversal.

*Nivel educativo:

Primaria: actividades sencillas de clasificación y exploración de cuentos.

Secundaria: análisis más profundo de patrones en los cuentos y generación de recomendaciones.

*Herramientas sugeridas:

Machine Learning for Kids + Scratch → Para crear un programa interactivo que clasifique cuentos por género, emoción o tema.

Teachable Machine → Para entrenar modelos que reconozcan palabras clave, ilustraciones o emociones en los cuentos.

mBlock con extensión de ML → Para construir un entorno de búsqueda y recomendación de cuentos con bloques de programación.

*Actividades del proyecto:

Recolección de cuentos:

Seleccionar cuentos de la biblioteca escolar y digitalizarlos (texto o imágenes de portadas).

Clasificación de cuentos con ML:

Entrenar un modelo para identificar categorías: aventuras, fantasía, misterio, educativo, etc.

En primaria, los alumnos pueden clasificar manualmente y entrenar el modelo con ejemplos.

En secundaria, se pueden usar técnicas más avanzadas, como análisis de palabras o emociones.

Exploración y visualización:

Crear una interfaz interactiva en Scratch o mBlock para que los usuarios busquen y lean cuentos recomendados.

Visualizar estadísticas: cuento más popular, emociones predominantes, etc.

*Contenidos trabajados:

Lengua / Literatura: lectura, comprensión, análisis de cuentos.

Tecnología: programación, entrenamiento de modelos ML, clasificación de datos.

Ética y ciudadanía digital: uso responsable de IA, revisión de sesgos en los modelos.

Impacto educativo:

Fomenta creatividad, pensamiento crítico y habilidades digitales.

Permite integrar aprendizaje transversal (literatura, tecnología y matemática).

Los alumnos aprenden Machine Learning de manera práctica y divertida.

• Inteligencia Artificial y Machine Learning: conceptos básicos.

• Reconocimiento de patrones en imágenes y expresiones faciales.

• Ética en el uso de datos y aplicaciones de IA en la vida cotidiana.

• Integración con materias de Informática / Tecnología y transversalidad con Ciudadanía y Ética.

Año / Edad de estudiantes

4º y 5º año de secundaria (16-18 años).

Herramienta de ML seleccionada

Google Teachable Machine – modelo de clasificación de imágenes.

Actividades a desarrollar

1. Introducción al tema: breve explicación de qué es el Machine Learning y cómo entrenan los modelos de IA.

2. Recolección de datos: los estudiantes cargan imágenes propias de distintas expresiones (alegría, sorpresa, enojo, neutral).

3. Entrenamiento del modelo: usan Teachable Machine para entrenar la IA con esas imágenes.

4. Prueba y validación: los alumnos prueban en tiempo real si el modelo reconoce sus expresiones.

5. Reflexión y debate: analizar errores del modelo, sesgos y posibles aplicaciones en la vida real (ej. accesibilidad, videojuegos, educación inclusiva).

6. Proyecto final: crear una pequeña demo o presentación donde muestren el uso de su modelo.

Esperables / Resultados

• Los estudiantes comprenden cómo funciona un modelo de ML de forma práctica.

• Desarrollan pensamiento crítico sobre el impacto social y ético de estas tecnologías.

• Logran armar un prototipo sencillo de reconocimiento de emociones.

• Se fomenta el trabajo colaborativo y la creatividad.

Autora

Inés del Castillo – Docente de Informática, Programación y Robótica.

-Tecnología y Ciencias Naturales

Eje: Introducción a la Inteligencia Artificial y Machine Learning

Contenidos:

-Reconocimiento de patrones y clasificación.

-Relación entre características y categorías.

-Pensamiento computacional básico.

-Uso de herramientas digitales para resolver problemas.

Edad del Grupo de Estudiantes

:5º a 7º grado de primaria

Herramienta de ML Seleccionada

Teachable Machine de Google (https://teachablemachine.withgoogle.com/)

Es gratuita, intuitiva y perfecta para niños.

Permite entrenar un modelo de ML con imágenes, sonidos o posturas, sin programar.

Los estudiantes pueden subir fotos u objetos y el modelo aprende a clasificarlos.

Actividades a Desarrollar

Conversamos sobre qué es la IA y el Machine Learning con ejemplos cotidianos (YouTube, TikTok, asistentes de voz).

Explicamos que las máquinas aprenden a reconocer patrones cuando les damos datos.

Los alumnos eligen 3 colores de objetos que tengan en el aula (por ejemplo, rojo, verde y azul).

Sacan fotos con la compu/tablet y las suben a Teachable Machine para crear las clases de colores.

Se entrena el modelo con las fotos cargadas.

Los alumnos prueban el modelo mostrando objetos nuevos y viendo cómo los clasifica.

Probamos el modelo con objetos que no usamos para entrenar y observamos si acierta o se equivoca.

Reflexionamos sobre por qué la máquina se confunde y qué necesita para mejorar.

Resultados Esperables

Los estudiantes comprenderán:

-Qué es el Machine Learning y cómo “aprende” una máquina.

-Cómo los datos etiquetados ayudan a entrenar un modelo.

-Que los modelos no son perfectos y dependen de los datos que les damos.

Producto final: Un modelo simple de ML entrenado por los alumnos para clasificar colores.

Además, desarrollarán habilidades de pensamiento crítico, curiosidad científica y uso responsable de tecnología.

Contenido curricular que se aborda:

Evaluación del desempeño físico (velocidad, resistencia, flexibilidad, fuerza).

Biomecánica básica y patrones de movimiento.

Interpretación de datos y estadísticas aplicadas al rendimiento deportivo.

Fomento de hábitos saludables y conciencia corporal.

Año de la escuela secundaria / edad del grupo de estudiantes:

3er año de secundaria / 15-16 años

Herramienta de ML seleccionada:

Teachable Machine (por su facilidad para entrenar modelos de imagen y video, y su interfaz intuitiva).

Actividades a desarrollar:

1. Introducción y sensibilización: explicar cómo funciona la IA y el ML en la vida cotidiana y en el deporte.

2. Grabación de movimientos: los estudiantes realizan ejercicios simples (sentadillas, saltos, estiramientos) frente a la cámara.

3. Entrenamiento del modelo ML: usar Teachable Machine para que el modelo reconozca movimientos correctos e incorrectos.

4. Pruebas y ajustes: los estudiantes verifican cómo el modelo reconoce sus movimientos y ajustan la postura si es necesario.

5. Análisis de datos: registrar cuántas veces el modelo detecta movimientos correctos y discutir cómo mejorar el rendimiento físico.

6. Reflexión ética y saludable: debatir sobre la importancia de la postura correcta y los hábitos saludables, y la influencia de la IA en la educación física.

Esperables o resultados:

Los alumnos podrán identificar patrones de movimiento correctos e incorrectos usando IA.

Desarrollo de habilidades de análisis y automejora del rendimiento físico.

Fomento de la conciencia corporal, la disciplina y el uso responsable de la tecnología.

Generación de un mini proyecto funcional de IA que combina deporte y tecnología.

“Reconocimiento de Emociones con Machine Learning”

Objetivo:

- Introducir a los estudiantes de cuarto grado en los conceptos básicos de Machine Learning (ML) a través de un proyecto práctico y divertido.

- Desarrollar habilidades de pensamiento crítico y resolución de problemas utilizando tecnología.

Descripción del Proyecto:

1. *Recolección de Datos:* * Los estudiantes recopilarán imágenes o videos de rostros humanos que expresen diferentes emociones (por ejemplo, felicidad, tristeza, sorpresa). * Etiquetarán estas imágenes con las emociones correspondientes.

2. *Entrenamiento del Modelo: Utilizarán una plataforma de ML como Google’s Teachable Machine o Scratch para entrenar un modelo que reconozca emociones en los rostros.

El modelo aprenderá a identificar patrones faciales asociados con cada emoción.

3. Pruebas y Evaluación:

Los estudiantes probarán el modelo con nuevas imágenes o videos para evaluar su precisión. Analizarán los resultados, identificarán errores y discutirán cómo mejorar el modelo.

4. Presentación:

Los estudiantes crearán presentaciones o informes sobre su proyecto, explicando el proceso de creación del modelo, los desafíos encontrados y los resultados obtenidos.

Habilidades Desarrolladas:

- Pensamiento Computacional: Los estudiantes aprenderán a descomponer problemas y diseñar soluciones utilizando tecnología.

- Análisis Crítico:

Evaluarán la efectividad del modelo y propondrán mejoras basadas en los resultados.

- Colaboración:

Trabajarán en equipo para recopilar datos, entrenar el modelo y analizar los resultados.

Recursos:

- Plataformas de ML para educación (Teachable Machine, Scratch)

- Dispositivos con cámaras (tabletas, cámaras digitales)

- Acceso a internet para investigación y uso de herramientas en línea

Evaluación:

- Participación en clase y contribución al proyecto.

- Calidad y precisión del modelo de reconocimiento de emociones.

- Presentaciones y capacidad para explicar el proceso y los resultados.

Este proyecto fomenta el aprendizaje activo y la aplicación de conceptos de ML en un contexto relevante y atractivo para los estudiantes de cuarto grado.

"CUENTO EXPRESO con ML"

Implementar un sistema que permita a los estudiantes de secundaria explorar, recomendar y compartir cuentos que expresen sentimientos, estados de ánimo, emociones mediante técnicas de Machine Learning, fomentando la creatividad y el aprendizaje transversal.

CONTENIDO CURRICULAR QUE SE ABORDA:

Lengua y Literatura: lectura y análisis literario, comprensión de textos, producción de textos literarios.

Tecnología: Programación, entrenamiento de ML, clasificación de datos.

Ética y ciudadanía digital: uso inteligente y responsable de la IA, revisión de sesgos.

HERRAMIENTAS DE ML SELECCIONADAS:

*Scratch: para crear un programa que permita clasificar cuentos por genero, emoción o sentimientos y tema a partir de características comunes.

*mBlock: para permitir configurar búsqueda y recomendación de cuentos.

*Teachable Machine: entrenamiento de modelos que permitan el agrupamiento de cuentos reconociendo palabras, frases, emociones, etc. en los cuentos.

ACTIDADES A DESARROLLAR:

Búsqueda, selección y recolección de cuentos en diversos formatos, digitalización de textos. (inclusive textos producidos por los estudiantes)

ESPERABLES:

El objetivo de este proyecto es fomentar la creatividad, el autoaprendizaje y el aprendizaje colaborativo en los estudiantes, y, al mismo tiempo que desarrollen habilidades digitales y un pensamiento critico a la hora de seleccionar la información.

NIVEL EDUCATIVO: 4to año de secundaria, edades de 15 a 17 años.

Contenido curricular que se aborda:
Biología: clasificación de organismos, biodiversidad, uso de TIC aplicadas a las ciencias naturales.

Año de la escuela secundaria / edad del grupo de estudiantes:
3.º año de secundaria (14-15 años).

Herramienta de ML seleccionada:
Google Teachable Machine.

Actividades a desarrollar:

1. Los estudiantes recolectarán diferentes hojas de árboles/plantas del entorno escolar o de sus hogares.

2. Se tomarán fotografías y se organizarán en carpetas.

3. Usando Teachable Machine, entrenarán un modelo de clasificación de imágenes con al menos 3 categorías (por ejemplo: hojas de roble, eucalipto y ligustro).

4. Probarán el modelo cargando nuevas fotos para ver si la clasificación funciona correctamente.

5. Se discutirán los errores del modelo y cómo influyen la calidad y cantidad de datos en el entrenamiento.

6. Elaborarán un breve informe con los resultados y conclusiones.

   
   

Resultados esperables:

• Que los estudiantes comprendan cómo funciona un modelo de Machine learning para clasificar imágenes.

• Que reflexionen sobre la importancia de los datos (calidad, sesgos, diversidad).

• Que relacionen la tecnología con la biología, viendo el potencial de la IA para el estudio de la biodiversidad.

• Como producto final, un modelo de ML entrenado por ellos y un informe grupal.

• 
  

Firma / Autora:
Laura Garcete – Estudiante de 3.º año del profesorado de Biología.

“Reconocimiento de Emociones con Machine Learning”

Objetivo:

- Introducir a los estudiantes de cuarto grado en los conceptos básicos de Machine Learning (ML) a través de un proyecto práctico y divertido.

- Desarrollar habilidades de pensamiento crítico y resolución de problemas utilizando tecnología.

Descripción del Proyecto:

1. Recolección de Datos: Los estudiantes recopilarán imágenes o videos de rostros humanos que expresen diferentes emociones (por ejemplo, felicidad, tristeza, sorpresa). Etiquetarán estas imágenes con las emociones correspondientes.

2. Entrenamiento del Modelo: Utilizarán una plataforma de ML como Google’s Teachable Machine o Scratch para entrenar un modelo que reconozca emociones en los rostros.

El modelo aprenderá a identificar patrones faciales asociados con cada emoción.

3. Pruebas y Evaluación:

Los estudiantes probarán el modelo con nuevas imágenes o videos para evaluar su precisión. Analizarán los resultados, identificarán errores y discutirán cómo mejorar el modelo.

4. Presentación:

Los estudiantes crearán presentaciones o informes sobre su proyecto, explicando el proceso de creación del modelo, los desafíos encontrados y los resultados obtenidos.

Habilidades Desarrolladas:

- Pensamiento Computacional: Los estudiantes aprenderán a descomponer problemas y diseñar soluciones utilizando tecnología.

- Análisis Crítico:

Evaluarán la efectividad del modelo y propondrán mejoras basadas en los resultados.

- Colaboración:

Trabajarán en equipo para recopilar datos, entrenar el modelo y analizar los resultados.

Recursos:

- Plataformas de ML para educación (Teachable Machine, Scratch)

- Dispositivos con cámaras (tabletas, cámaras digitales)

- Acceso a internet para investigación y uso de herramientas en línea

Evaluación:

- Participación en clase y contribución al proyecto.

- Calidad y precisión del modelo de reconocimiento de emociones.

- Presentaciones y capacidad para explicar el proceso y los resultados.

Este proyecto fomenta el aprendizaje activo y la aplicación de conceptos de ML en un contexto relevante y atractivo para los estudiantes de cuarto grado.

Contenido curricular que se aborda:

Ecuaciones de primer y segundo grado

Año de la escuela secundaria / edad del grupo de estudiantes:

3° año / 14-15 años

Herramienta de ML seleccionada:

Teachable Machine (para clasificar respuestas correctas e incorrectas) o Machine Learning for Kids

Actividades a desarrollar:

1. Introducción a los conceptos básicos de ecuaciones.

2. Entrenamiento de un modelo de ML para reconocer patrones en las soluciones de las ecuaciones.

3. Resolución de ejercicios por parte de los estudiantes y verificación automática mediante el modelo.

4. Análisis de resultados y retroalimentación del modelo.

Esperables o resultados:

• Que los estudiantes identifiquen errores y aciertos en sus resoluciones de manera autónoma.

• Desarrollo de pensamiento lógico y habilidades de resolución de problemas.

• Familiarización con herramientas de Machine Learning aplicadas a Matemática.

Espacios curriculares: Geografia y tecnología

Contenido curricular que se aborda: Biomas en argentina

Año de la escuela secundaria / edad del grupo de estudiantes: 3° año/ 14-15 años

Herramienta de ML seleccionada: Teachable machine - entrenamiento de modelos de clasificación por imágenes

Actividades a desarrollar

1. Introducción al tema: Presentación sobre los diferentes tipos de biomas que se presentan en nuestro territorio y su desarrollo en función del clima de cada espacio.

2. Conceptos básicos de ML: Breve explicación de cómo una máquina puede aprender a clasificar imágenes mediante ejemplos.

3. Recolección de datos: Los estudiantes buscaran  imágenes de  diferentes fuentes sobre los biomas (selva, bosque, estepa,etc).

4. Entrenamiento del modelo: Utilizar Teachable Machine para entrenar un modelo que clasifique las imágenes seleccionadas por los alumnos.

Probar el modelo con imágenes nuevas con la finalidad de verificar y hacer ajustes si fuera necesario.

6. Reflexión y discusión: Debate grupal sobre la utilidad de estas herramientas para aprender a diferenciar los biomas y posibles aplicaciones a otros contenidos

Esperables o resultados:

·         Comprender los conceptos básicos del ML y su aplicación para comprender los espacios reales

·         Aprender  los biomas que presenta  nuestro territorio a partir del uso de la búsqueda y selección de imagenes.

·         Construcción de un proyecto de Teachable Machine con imágenes.

·         Evaluación del modelo generado mediante ensayo y error, con muestras similares a las de entrenamiento.

·         Reflexión sobre su uso y posibles aplicaciones en otros contenidos.

Contenido curricular

• Procesos productivos en el espacio rural.

• Distribución territorial de las actividades económicas.

• Conflictos y tensiones sociales en torno al uso del suelo.

• Análisis crítico del rol de los actores sociales en la transformación del espacio rural.

6° año del Nivel Secundario, modalidad Ciencias Sociales y Humanidades (17-18 años).

Canva y Google Drive para la construcción colaborativa de material digital. Se complementa con mapas interactivos (Google My Maps) y actividades en papel. Machine Learning for kids.

Actividades

• Lectura y análisis de textos académicos y periodísticos sobre el agro en Catamarca.

• Elaboración de mapas conceptuales en Canva para organizar ideas.

• Trabajo en grupos con mapas digitales (Google My Maps) para identificar distribución de procesos productivos.

• Debate en clase sobre conflictos socioambientales en el espacio rural.

• Producción final: informe o presentación grupal integrando la información trabajada.

Resultados esperables

• Comprensión de la distribución y expansión de los procesos productivos rurales en Catamarca.

• Identificación de actores sociales y análisis de sus tensiones y conflictos.

• Desarrollo de competencias críticas para interpretar dinámicas territoriales.

• Producción de un material digital y/o escrito que sintetice los aprendizajes.

"Prediciendo el éxito de una canción con Machine Learning".

2. Contenido curricular que se aborda

• Matemática: estadística y probabilidad (análisis de datos, variables, correlaciones).

• Ciencia y tecnología: inteligencia artificial, algoritmos y aprendizaje automático.

• Comunicación: interpretación de gráficos y presentación de resultados.

• Ciudadanía digital: uso responsable de tecnologías emergentes.

  
  

3. Nivel y grupo de estudiantes

• 5to año de secundaria (15 años)

  
  

4. Herramienta de ML seleccionada

• Google Teachable Machine (sencilla, visual e intuitiva).

• Alternativa: Orange Data Mining (para análisis con diagramas de flujo).

  
  

5. Actividades a desarrollar

1. Introducción teórica:

   • Breve explicación de qué es el Machine Learning y ejemplos cotidianos (Spotify, Netflix, TikTok).

   • Debate sobre cómo la IA influye en lo que escuchamos, vemos o compramos.

2. Selección de dataset:

   • Se trabajará con un conjunto de datos de canciones (género, duración, tempo, popularidad).

   • Los estudiantes pueden agregar canciones que les gustan y clasificarlas como “éxito” o “no éxito”.

3. Entrenamiento del modelo:

   • Usar Teachable Machine para entrenar un clasificador que prediga si una canción puede ser popular en función de sus características.

4. Prueba y validación:

   • Los estudiantes ingresan nuevas canciones y el modelo predice si serían “éxito” o no.

   • Se discute por qué a veces falla y qué significa eso sobre los algoritmos.

5. Reflexión y aplicación:

   • Los estudiantes exponen los resultados en equipos.

   • Discusión sobre las limitaciones de la IA (no puede medir gustos personales, contexto cultural, marketing, etc.).

     
     

6. Resultados esperables

• Cognitivos:

  • Comprender el concepto básico de Machine Learning (entrenamiento, prueba, predicción).

  • Aplicar estadísticas básicas en un contexto real (canciones).

• Procedimentales:

  • Entrenar y usar un modelo sencillo de ML.

  • Manejar herramientas digitales accesibles (Teachable Machine / Orange).

• Actitudinales:

  • Desarrollar pensamiento crítico frente a la tecnología.

  • Trabajar en equipo para analizar problemas del mundo real.

  • Reflexionar sobre el impacto de la IA en la vida cotidiana.

1. Datos generales

Nivel: Secundaria (5º año)

Estudiantes: 17 años

Duración estimada: 4 a 5 clases de 80 minutos

2. Objetivos de aprendizaje

•Comprender qué es Machine Learning y cómo se aplica en la vida real.

•Utilizar herramientas digitales (Python, Google Colab, scikit-learn).

•Analizar datos para obtener conclusiones.

•Reflexionar sobre el impacto social y ético de la IA en educación.

3. Contenidos curriculares

•Matemática: estadística descriptiva, regresión, probabilidad.

•Informática: programación básica en Python, manejo de librerías.

•Ciencias sociales: análisis de factores socioeducativos.

•Educación digital: pensamiento computacional y ética digital.

4. Desarrollo de las clases

Clase 1 – Introducción y planteo del problema

Actividad docente: Explica qué es Machine Learning con ejemplos cotidianos (Netflix, Spotify, Google Maps).

Actividad estudiante: Debate grupal: ¿Qué factores influyen en el rendimiento escolar?

Producto: listado de hipótesis iniciales.

Clase 2 – Recolección y exploración de datos

Actividad docente: Presenta un dataset simulado (ej.: horas de estudio, sueño, asistencia, uso de celular, nota final).

Actividad estudiante:

Cargar el dataset en Google Colab.

Hacer gráficos simples (dispersión, barras) y calcular promedios.

Producto: informe breve con patrones encontrados.

Clase 3 – Construcción del modelo

Actividad docente: Explica paso a paso cómo funciona un modelo de regresión o árbol de decisión.

Actividad estudiante:

Dividir datos en entrenamiento y prueba.

Entrenar un modelo en scikit-learn.

Producto: primer modelo que predice calificaciones.

Clase 4 – Evaluación y discusión

Actividad docente: Muestra cómo comparar predicciones con resultados reales.

Actividad estudiante:

Analizar qué variables influyen más en el rendimiento.

Reflexionar en grupos: ¿es justo usar IA para predecir éxito escolar?

Producto: presentación grupal de resultados y reflexiones.

Clase 5 (opcional) – Presentación final

Cada grupo expone:

1. Sus hallazgos estadísticos.

2. Su modelo de predicción.

3. Reflexiones sobre el impacto ético y social.

5. Recursos necesarios

Computadoras con acceso a internet.

Google Colab (gratuito).

Librerías de Python: pandas, matplotlib, scikit-learn.

Dataset educativo simulado (provisto por el docente).

6. Resultados esperados

Los estudiantes comprenden cómo un algoritmo aprende de los datos.

Aplican conocimientos de matemáticas y programación en un problema real.

Desarrollan pensamiento crítico frente a predicciones y sesgos de IA.

Elaboran un producto final (informe + presentación).

Nivel: Educación Secundaria — Modalidad Técnico Electromecánico

Competencias clave: comprensión de conceptos de electricidad (corriente, tensión, resistencia, circuitos domésticos), seguridad eléctrica, recolección y análisis de datos, introducción práctica a Machine Learning (ML) aplicado a consumo y comportamiento de aparatos domésticos.

Fundamentación;

Combinar la enseñanza tradicional de electricidad con herramientas de ciencia de datos y ML permite a los estudiantes conectar la teoría (ley de Ohm, circuitos, medidas) con aplicaciones reales: optimización del consumo, detección de patrones y toma de decisiones tecnológicas. Además, desarrolla pensamiento computacional, trabajo en equipo y habilidades de laboratorio.

Objetivos;

* Generales

Aplicar conceptos de electricidad básica en el contexto de un domicilio.

Introducir a los estudiantes en el proceso completo de ML: recolección de datos, limpieza, modelado y evaluación.

* Específicos

Medir tensión, corriente y potencia de pequeños aparatos y circuitos simulados.

Diseñar e instalar un prototipo seguro para recolectar datos de consumo (simulación o sensores de baja tensión).

Crear un dataset y entrenar modelos sencillos (clasificación/regresión) para predecir consumo o identificar qué electrodoméstico está funcionando.

Interpretar resultados y proponer mejoras para eficiencia energética.

Resultados de aprendizaje (al finalizar)

Explicar la relación entre tensión, corriente, resistencia y potencia en circuitos domésticos.

Operar instrumentos de medida básicos (multímetro, pinza amperométrica) con seguridad.

Recolectar, organizar y analizar datos eléctricos.

Construir e interpretar un modelo simple de ML (p. ej. árbol de decisión o regresión lineal).

Comunicar conclusiones y propuestas de mejora energética de forma técnica y crítica.

Enfoque metodológico y fases del proyecto

Fase A — Introducción y teoría (2–3 clases)

Repaso: Ley de Ohm, circuitos serie/paralelo, potencia eléctrica.

Seguridad eléctrica: normativas básicas, EPP, cómo trabajar con protoboard y fuentes de baja tensión.

Presentación del problema: “¿Cómo podemos usar datos y ML para entender el consumo en una vivienda?”

Fase B — Diseño experimental y recolección de datos (4–6 clases prácticas)

Montaje de un banco de pruebas: fuentes DC (12V), resistencias que representen cargas, “simulación” de electrodomésticos (bombilla LED, ventilador pequeño, resistencia calefactora pequeña), sensores.

Variables a recolectar: timestamp, voltaje (V), corriente (A), potencia (W calculada), estado de cada aparato (on/off), temperatura ambiente (opcional), ubicación (habitación ficticia), evento (encendido/apagado).

Fase C — Preparación y análisis de datos (2–3 clases)

Limpieza de datos: manejo de valores faltantes, filtrado de ruido, cálculo de potencia.

Visualización básica: gráficos de consumo por hora, por aparato.

División en entrenamiento/testing.

Objetivos de ML posibles:

Clasificación: Identificar qué electrodoméstico está encendido según señales eléctricas.

Regresión: Predecir el consumo (W) en los próximos minutos/hora.

Modelos sencillos y apropiados para ciclo básico:

Árbol de decisión / Random Forest (explicativo).

k-NN (fácil de entender).

Regresión lineal (para consumo continuo).

Entrenamiento, evaluación simple (accuracy, MAE), interpretación.

Fase E — Presentación y mejoras (1–2 clases)

Presentación de resultados en equipo.

Propuestas: medidas de ahorro, alertas, visualizador simple (dashboard).

Actividades concretas (por sesión / entregables)

Actividad 1 — Diagnóstico (1 clase): pretest de conceptos eléctricos y encuesta sobre hábitos en el hogar.

Actividad 2 — Banco de pruebas (2–3 clases): armar circuitos seguros y registrar lecturas manuales o con Arduino.

Actividad 3 — Dataset (1 clase): organizar archivo CSV con las columnas sugeridas.

Actividad 4 — Análisis exploratorio (1 clase): gráficos y estadísticas básicas.

Actividad 5 — Modelado (2 clases): implementar modelo en Google Colab / Python o en software visual (Orange).

Actividad 6 — Informe y exposición (1 clase): informe técnico + póster o presentación.

Entregables por equipo: dataset (CSV), notebook o script con el modelo, informe técnico (3–5 páginas), presentación oral (10 min).

Material didáctico y seguridad

Fichas de seguridad eléctrica, guantes dieléctricos si se trabaja con tensiones mayores, kit de primeros auxilios.

Esquema de dataset (ejemplo CSV)

timestamp,voltaje_V,corriente_A,potencia_W,ap1_on,ap2_on,ap3_on,habitación

Ejemplo de filas:

2025-09-01 08:00:00,230,0.5,115,1,0,0, cocina

2025-09-01 08:05:00,230,0.0,0,0,0,0, sala

(Si se usan tensiones e instal. de pruebas, ajustar unidades a 12V/24V según prototipo.)

8. Propuesta de algoritmos y pseudocódigo (sencillo)

Clasificador de electrodoméstico (árbol de decisión)

1. Cargar CSV, seleccionar features: voltaje, corriente, potencia, hora_del_día.

2. Dividir datos en train/test (80/20).

3. Entrenar Decision TreeClassifier.

4. Evaluar con accuracy, confusion matrix.

5. Interpretar reglas (ej.: si corriente > 0.8A y potencia ~100W → lámpara cocina).

(Se sugiere usar Google Colab con código guiado para que estudiantes ejecuten paso a paso.)

Evaluación

Criterios (rubrica breve)

Comprensión teórica (25%): pruebas y explicación de conceptos eléctricos.

Práctica y seguridad (20%): montaje de banco, cumplimiento normas de seguridad.

Calidad de datos (15%): formato, limpieza, documentación del dataset.

Modelo y análisis (25%): implementación, métricas, interpretación.

Comunicación (15%): informe, presentación y propuestas de mejora.

Instrumentos

Observación en laboratorio, controles escritos, entrega de archivos, presentación final.

Actividades para distintos niveles dentro del grupo

Alumnos con más habilidades en programación: implementar el ML en Python.

Alumnos con enfoque técnico: montaje de sensor y adquisición de datos.

Alumnos con enfoque comunicacional: diseño del informe, infografías y recomendaciones al hogar.

Seguridad y consideraciones éticas

Nunca trabajar con la red eléctrica domiciliaria sin supervisión y autorización. Preferir prototipos con fuentes de baja tensión (12 V) o simulaciones.

Respetar privacidad: si se usan datos reales de hogares, anonimizar y pedir consentimiento.

Enseñar limitaciones del ML: sesgos, errores de predicción, responsabilidad en decisiones.

Extensiones / proyectos de profundización

Implementar alerta por SMS/Telegram cuando consumo supera umbral (uso de IoT).

Optimización de horarios de uso (scheduler) para reducir demanda pico.

Integrar generación renovable simulada (paneles) y modelar balance energético.

Guión de clase y calendario (sugerido 8 semanas)

Semana 1: Introducción, teoría y seguridad (2 clases).

Semana 2: Montaje banco de pruebas y sensores (2 clases).

Semana 3: Recolección datos (1–2 clases) + generación dataset.

Semana 4: Limpieza y visualización (2 clases).

Semana 5: Introducción a ML y entrenamiento (2 clases).

Semana 6: Evaluación de modelos y ajustes (1–2 clases).

Semana 7: Preparación de informe y presentaciones (1 clase).

Semana 8: Exposiciones y devolución (1 clase).

Materiales entregables por el docente (plantillas)

Hoja de recolección de datos (CSV template).

Notebook de Google Colab con celdas para ejecutar (código comentado).

Rubrica de evaluación descargable.

(Si deseas, preparo esas plantillas en Colab / CSV — dime si quieres que las genere.)

Formarse con ayuda de Machine Learning en recolección de datos

Área: Proyecto de Investigación en Contexto

Contenido curricular que se aborda:

• Técnicas de recolección de datos (encuesta, entrevista, observación).

• Uso de herramientas digitales para procesar y analizar información.

• Introducción al pensamiento computacional y al uso de la inteligencia artificial aplicada al análisis de datos.

Año / edad del grupo:

6° año de la Escuela Secundaria

Estudiantes de 17 y 18 años

Herramienta de Machine Learning seleccionada:

Orange Data Mining: software gratuito con interfaz visual para analizar datos, armar encuestas y graficar resultados.

Actividades a desarrollar:

1. Introducción teórica: explicación de qué es el machine learning y cómo se aplica al análisis de datos.

2. Diseño de instrumentos de recolección:

   • Encuesta breve (ej.: sobre Problemáticas Sociales y Ambientales).

   • Entrevista exploratoria a un compañero.

   • Observación (ej.: relacionada a las Problemáticas Sociales y Ambientales).

3. Recolección de datos: los estudiantes aplican encuestas, observan, registran y entrevistan.

4. Carga y organización de datos en planilla (Excel/Google Sheets).

5. Análisis con ML en Orange:

   • Clasificación de respuestas (ej.: sí hay respuestas similares).

   • Agrupamientos (clústeres de intereses).

   • Visualización en gráficos.

6. Discusión e interpretación: comparación entre lo observado/entrevistado y lo que el algoritmo agrupó.

7. Reflexión final: beneficios y límites de usar ML en investigación escolar.

   
   

Resultados esperables:

• Que los estudiantes diseñen y apliquen técnicas de recolección de datos.

• Que logren organizar e interpretar información empírica.

• Que experimenten con una herramienta de ML para clasificar y agrupar datos de manera visual.

• Que desarrollen una mirada crítica sobre el uso de IA en Ciencias Sociales y Naturales.

Nivel: Secundario (ciclo básico)

Duración: 6–8 clases

Modalidad: Presencial o híbrida

Competencias trabajadas: pensamiento crítico, alfabetización digital, ciudadanía económica, trabajo colaborativo, nociones básicas de ML y ética de datos.

Objetivos

Generales

Comprender qué es la economía social y su rol en la comunidad.

Aplicar conceptos básicos de Machine Learning para explorar y analizar datos relacionados con la economía social.

Específicos

Identificar tipos de organizaciones de economía social (cooperativas, mutuales, empresas sociales, emprendimientos solidarios).

Recolectar y organizar datos simples sobre actividades económicas locales.

Realizar análisis exploratorio de datos (gráficos, tablas) y modelado simple (clasificación o clustering) con herramientas visuales o con código guiado.

Reflexionar sobre ética, sesgos y privacidad en el uso de datos y algoritmos.

Crear una propuesta de mejora/acción comunitaria basada en los hallazgos.

Recursos y herramientas

No-coding / low-code (recomendado para secundaria):

Google Colab (si hay acceso a internet): cuadernos Python listos para ejecutar.

Teachable Machine (Google) — para modelos sencillos de imagen/sonido (opcional).

Orange Data Mining — interfaz visual para hacer clustering/clasificación sin programar.

Hoja de cálculo (Google Sheets / Excel) — para recolectar y limpiar datos.

Canva / PowerPoint — para presentaciones finales.

Con algo de código (opcional, guiado).

Python + librerías: pandas, matplotlib, scikit-learn (usando Colab).

(Se entregan snippets listos para pegar y ejecutar.)

Materiales físicos:

Pizarrón, hojas, marcadores.

Dispositivos con Internet (si están disponibles).

Actividades

Inicio: lluvia de ideas: ¿Qué es economía social? ejemplos locales (15 min).

Mini-lectura + video corto (5–10 min) sobre cooperativas y emprendimientos solidarios.

Trabajo en grupos: identificar 5 ejemplos locales y decidir qué variable podrían medir (tipo, actividad, cantidad de socios, ingresos aproximados, servicios ofrecidos). (25 min)

Producto: ficha de recolección de datos (plantilla).

Clase 2 — Recolección y organización de datos (60–90 min)

Actividades

Cada grupo recoge datos (encuesta simple a actores locales, búsquedas web, entrevistas cortas) o utiliza un dataset simulado provisto por el docente.

Limpieza de datos básica en hoja de cálculo: variables, tipos, valores faltantes.

Producto: hoja de datos compartida (Google Sheet o Excel).

Clase 3 — Análisis exploratorio

Actividades

Visualizaciones sencillas: tablas, histogramas, barras, pie charts (en Sheets o Colab).

Interpretación: ¿qué tendencias se ven? ¿qué tipos predominan? (Discusión guiada).

Producto: 3 visualizaciones + conclusión corta.

Clase 4 — Introducción a ML y ejercicio práctico (90 min)

Actividades

Mini-clase: ¿qué es Machine Learning? tipos (clasificación, regresión, clustering) con ejemplos sencillos y analogías.

Actividad práctica (sin código): usar Orange para hacer un clustering de organizaciones según variables (ej.: número de socios, antigüedad, volumen de ventas).

Alternativa con Colab: ejecutar un cuaderno con scikit-learn que entrene un clasificador simple (árbol de decisión) para predecir “tipo de organización” a partir de variables.

Producto: resultado del clustering o modelo + interpretación.

Clase 5 — Ética, sesgos y propuesta de mejora (60 min)

Actividades

Debate: ¿qué problemas puede causar usar datos mal recolectados? privacidad, consentimiento, sesgo.

Cada grupo diseña una propuesta de intervención (p. ej. una campaña para fortalecer cooperativas, formación, una app de conexión entre consumidores y economía social) basada en los hallazgos.

Producto: boceto de propuesta

Presentación y evaluación

Actividades

Presentaciones grupales (5–8 min cada una) con resultados, aprendizaje y propuesta.

Evaluación peer-to-peer + rúbrica docente.

Producto final: presentación y entrega de carpeta digital con datos, visualizaciones, modelo y propuesta.

 Actividades concretas y guías para el alumno

Ficha de recolección (modelo):

Nombre de la organización | Tipo (cooperativa/mutual/empresa social) | Actividad principal | Nº de socios | Ingresos (rangos) | Año de creación | Servicios ofrecidos | Observaciones.

Hoja de trabajo: Análisis exploratorio

Preguntas guiadas: ¿qué tipo predomina? ¿Qué relación hay entre antigüedad y tamaño? ¿Hay correlación entre Nº socios e ingresos (aprox.)?

Guía práctica en Orange / Colab (doc con pasos)

Cómo cargar datos, seleccionar variables, ejecutar clustering (k-means) y visualizar clusters.

En Colab: pasos para cargar CSV y ejecutar un DecisionTreeClassifier (snippet incluido abajo).

 Ejemplo de snippet Python (para Colab) — listo para pegar

Código educativo corto: cargar CSV y entrenar árbol de decisión

import pandas as pd

from sklearn.model_selection import train_test_split

from sklearn.tree import DecisionTreeClassifier

from sklearn.metrics import accuracy_score, classification_report

# Supongamos que 'datos.csv' tiene columnas: 'num_socios', 'antiguedad_anos', 'ingresos_rango', 'tipo' (target)

df = pd.read_csv('datos.csv')

X = df[['num_socios','antiguedad_anos','ingresos_rango']]

y = df['tipo']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

clf = DecisionTreeClassifier(max_depth=3, random_state=42)

clf.fit(X_train, y_train)

pred = clf.predict(X_test)

print("Accuracy:", accuracy_score(y_test, pred))

print(classification_report(y_test, pred))

> Nota para docentes: adaptar ingresos_rango como variable numérica (ej.: 1= bajo, 2=medio, 3=alto). Entregar datos.csv simulado si no hay datos reales.

Evaluación y rúbrica (orientativa)

Criterios (0–4 puntos cada uno):

1. Calidad y limpieza de los datos recolectados (0–4).

2. Interpretación de visualizaciones y hallazgos (0–4).

3. Comprensión y explicación del ejercicio de ML (modelo o clustering) (0–4).

4. Pertinencia y factibilidad de la propuesta de mejora comunitaria (0–4).

5. Trabajo en equipo y presentación (0–4).

Escala: 16–20 Excelente; 12–15 Bueno; 8–11 Satisfactorio; <8 Insuficiente.

Sugerencias de datasets y actividades si no hay acceso local

Dataset simulado: crear 30–50 filas con variables de ejemplo (puedo generar uno para vos si querés).

Actividad alternativa: analizar datos públicos (p. ej. estadísticas municipales, ferias regionales, padrones de cooperativas si existen) — siempre verificá la licencia y respetá privacidad.

Uso de Teachable Machine: solicitar fotos de productos de emprendedores locales (con permiso) y entrenar un clasificador de tipos de productos (ropa, alimentos, artesanías). Muy visual y motivador.

Ética y privacidad

Pedir consentimiento para entrevistas/registro de datos.

No publicar datos personales (nombres, direcciones, teléfonos) sin permiso explícito.

Reflexionar en clase: ¿qué decisiones tomaría un algoritmo si el dataset tiene sesgos? (ej.: priorizar organizaciones grandes podría invisibilizar iniciativas nuevas).

Adaptaciones y extensiones

Mayor profundidad (orientado a aulas con conocimientos de programación): introducir validación, métricas (precisión, recall), importancias de características, exportar modelo.

Corto / taller de 2 sesiones: enfoque sólo en recolección y visualización + propuesta.

Interdisciplinario: vincular con Economía (modelos de negocio), Geografía (mapear iniciativas), Lengua (redacción de entrevistas), Tecnología.

Viajeros del Tiempo con IA

Contenido curricular que se aborda:

Historia y tecnología: comprender civilizaciones antiguas a través de imágenes.

Año de la escuela secundaria / edad del grupo de estudiantes:

1º año – 12/13 años.

Herramienta de ML seleccionada:

Teachable Machine.

Actividades a desarrollar:

Presentación lúdica: los estudiantes son “viajeros del tiempo”.

Entrenan un modelo con imágenes de objetos antiguos (pirámides, vasijas, monedas) y modernos (autos, celulares, edificios).

Juego: la IA debe decidir si el objeto pertenece al “pasado” o al “presente”.

Reflexión: cómo la tecnología ayuda a estudiar historia y cultura.

Esperables o resultados:

Comprender diferencias entre pasado y presente.

Aplicar ML en un desafío divertido.

Desarrollar pensamiento crítico y trabajo colaborativo.

Compartir el proyecto en la GalerIA ML como aporte creativo.

“Frutas del Valle: clasificamos variedades con inteligencia artificial”

📚 Contenido curricular que se aborda

•  Ciencias Sociales: la fruticultura como actividad económica regional

•  Ciencias Naturales: características de las frutas, ciclos de cultivo

• Tecnología: uso de herramientas digitales y modelos de ML

•  Prácticas del Lenguaje: producción oral y escrita en contextos informativos

•  Matemática: organización de datos, conteo y clasificación

🎒 Edad del grupo de estudiantes

9 años – Cuarto grado de escuela primaria

🤖Herramienta de ML seleccionada

Teachable Machine (Google)

🧩 Actividades a desarrollar

1.  Exploración del entorno productivo

Conversamos sobre la fruticultura en el Alto Valle: ¿qué frutas se cultivan?, ¿cómo se trabaja?, ¿quiénes participan?

Se arma un mapa visual con imágenes y palabras clave.

2. Observación y clasificación de frutas

Se trabaja con imágenes reales de peras, manzanas y ciruelas.

Los estudiantes aprenden a identificar características (forma, color, textura).

3. Entrenamiento del modelo ML

Usamos Teachable Machine para entrenar un modelo que reconozca tres variedades de frutas.

Se prueba el modelo en clase con imágenes nuevas.

4. Campaña escolar “Conocé las frutas del Valle”

Los estudiantes diseñan afiches informativos sobre las frutas locales y presentan el modelo a otras clases.

Se reflexiona sobre el uso de la IA en actividades productivas.

🎯 Esperables o resultados

•   Comprensión básica del funcionamiento de la IA y el ML

•   Reconocimiento de la fruticultura como actividad económica local

•   Desarrollo de habilidades de observación, clasificación y comunicación

•   Apropiación de herramientas digitales desde una mirada situada

•  Participación activa en la difusión de saberes regionales

🖊️ Autora: Virginia Miranda

📍 Río Negro – Escuela primaria común

📅 Septiembre 2025

Contenido curricular que se aborda

• Geografía: análisis espacial, clima y medio ambiente.

• Matemática/Estadística: variables cuantitativas, correlaciones, interpretación de datos.

• TIC: introducción a herramientas de aprendizaje automático.

Año de la escuela secundaria / edad del grupo de estudiantes
4° año (16–17 años).

Herramienta de ML seleccionada
Google Teachable Machine o Google Colab (según el nivel del grupo).

Actividades a desarrollar

1. Recolección de datos climáticos de distintas localidades de Argentina (temperatura media, precipitaciones, humedad, NDVI, etc.).

2. Organización de los datos en tablas para reconocer qué variables son cuantitativas y cómo se pueden relacionar.

3. Introducción a la noción de correlación y predicción con ejemplos simples (ej.: cómo la precipitación se relaciona con la humedad del suelo o la vegetación).

4. Uso de una herramienta de ML para crear un modelo que prediga una variable a partir de otra (por ejemplo, estimar la temperatura promedio según latitud y altitud, o predecir el índice de vegetación según la lluvia).

5. Interpretación de los resultados: mapas temáticos y gráficos.

Esperables o resultados

• Que los estudiantes reconozcan qué son variables cuantitativas y cómo se aplican en Geografía.

• Comprender cómo los datos pueden ser procesados para identificar patrones espaciales y ambientales.

• Desarrollar un modelo predictivo sencillo que vincule variables geográficas y climáticas.

• Reflexionar sobre la utilidad de estas técnicas en el estudio de problemáticas territoriales actuales (cambio climático, agricultura, disponibilidad de agua).

El Detector de Géneros Literarios

Contenido curricular que se aborda:

Lengua y Literatura. Unidad: Géneros narrativos (Cuento policial, Ciencia Ficción, Terror). Análisis de rasgos estilísticos.

Año de la escuela secundaria / edad: 5to Año de la Escuela Secundaria / 17 años.

Herramienta de ML seleccionada: Teachable Machine - Clasificación de Texto. (Fácil de usar para la entrada de texto y el etiquetado de datos).

Actividades a desarrollar: 1. Selección y Curación: Los estudiantes seleccionarán y recopilarán ejemplos de textos cortos (párrafos de 5 a 10 líneas) de tres géneros literarios definidos (Policial, Ciencia Ficción y Terror).

2. Etiquetado de Datos: Clasificarán cada texto con la etiqueta de género correspondiente en Teachable Machine. 3. Análisis de Rasgos: Discutirán en grupo qué palabras clave, verbos o frases recurrentes (datos) son las que probablemente usará el modelo para "aprender" a clasificar cada género.

4. Entrenamiento y Prueba: Entrenarán el modelo y luego lo probarán con extractos nuevos que no haya visto para verificar su precisión.

5. Reflexión: Escribirán una conclusión sobre si el modelo de ML pudo identificar el estilo y las convenciones de cada género de manera efectiva, y analizarán sus errores.

Esperables o resultados: 1. Producto final: Un modelo funcional en Teachable Machine capaz de clasificar extractos de texto en tres géneros literarios con una alta precisión.

2. Aprendizaje: Los estudiantes habrán profundizado su comprensión de las convenciones y rasgos estilísticos de los géneros narrativos al tener que enseñárselos a una máquina (identificación de léxico específico, estructuras temporales, etc.). Habrán comprendido cómo el ML utiliza patrones en el lenguaje.

Firma: Brizuela Carolina L.

A través de la plataforma teachable machine, se registrará los documentos comerciales.

*Año de la escuela 5to, en la especialidad técnico en gestión y administración de las organizaciones.

*Edad del grupo de estudiantes 16 años.

*Utilizaremos teachable Machine, clasificar y diferenciar los tipos de documentos comerciales.

*Actividad:

a) Exploración a los conceptos de Machine Learning. Explicar que es y como se puede utilizar.

b)Los alumnos buscarán ejemplos de distintas transacciones de empresas del medio, ya se de bienes o servicios. Realizando en forma textual las compras o ventas según corresponda. Los cuáles se irán registrando en la carpeta.

c)Se utilizarán los ejemplos del punto b), para relacionarlo con el modelo Machine Learning.

d) Se cargarán los datos en teachable Machine para que queden registrados las distintas transacciones que se realizan según sea la empresa.

e) Este modelo, se aplicará a nuevas transacciones realizadas en las empresas.

Recursos: papel , computadora, plataforma online, conexión a internet.

Resultados

Comprensión de los conceptos de Machine Learning.

Aplicación de los documentos comerciales con el modelo Machine Learning.

🎯 Objetivo

Enseñar a una computadora a reconocer diferentes tipos de hojas a partir de imágenes.

🧠 Idea básica

1. Se sacan fotos de hojas (por ejemplo: roble, sauce, eucalipto).

2. El modelo aprende sus formas y colores.

3. Luego puede predecir de qué planta es una hoja nueva.

⚙️ Etapas del proyecto

1. Recolección de datos: fotos de hojas.

2. Entrenamiento: el modelo analiza las imágenes.

3. Prueba: se le muestran hojas nuevas.

4. Predicción: dice a qué especie pertenece.

💻 Herramientas

• Python 🐍

• Librerías: scikit-learn o TensorFlow

• App simple con Streamlit o Gradio

🔬 Aplicaciones en Biología

• Identificar especies vegetales.

• Analizar biodiversidad.

• Detectar hojas enfermas.

📘 Ejemplo

Si el modelo ve muchas fotos de hojas de roble y de sauce,
aprende sus diferencias.
Luego, si le mostramos una hoja nueva,
“adivina” cuál es.

✨ Conclusión

El Machine Learning permite que las computadoras aprendan de la naturaleza, como un estudiante que observa y compara.

• contenido curricular:

  Teoría del Consumo: Factores determinantes del gasto (ingreso, precios, expectativas, preferencias).

  Inflación y Canasta Básica: Medición del costo de vida y su impacto en diferentes estratos sociales.

  Análisis de Datos Económicos: Interpretación de series de tiempo y datos de encuestas de hogares

  
  

  Año del nivel secundario: 4 y 5 años.

  
  

  Herramienta de ML selecionada es:Teachable Machine for Tables

  
  

  Actividad

  1. Definición y Variables

  Definición del Problema: ¿Cómo afecta el ingreso familiar y el tamaño del hogar al gasto total en alimentos de la Canasta Básica? Recolección de Datos (ficticios o simulados) de 50 a 100 "hogares", registrando: Ingreso Mensual, Número de Miembros y Gasto Total en Alimentos.

  
  

• Resultados que se esperan:

  Conocimiento de ML: Los estudiantes comprenderán el Aprendizaje Supervisado de Regresión y cómo se utiliza la data histórica para estimar valores futuros.

• Competencia Económica: Habilidad para relacionar conceptos teóricos (Teoría del Consumo) con su aplicación práctica.

• Pensamiento Crítico: Capacidad para interpretar los parámetros del modelo en un contexto económico real.

  
  

  Fabiana Pamela Ruiz Diaz

  
  

1. Recolección de datos: cada estudiante completa una breve encuesta sobre sus hábitos de lectura (tiempo, tipo de lectura, dispositivos, ambiente).

2. Limpieza y organización de datos en grupo: ver qué datos faltan, cómo agrupar variables.

3. Construcción del modelo ML: los estudiantes en grupos ingresan los datos en la herramienta, eligen un algoritmo de clasificación o regresión sencillo (“¿Cuántos minutos al día lees?” → predicción) y prueban diferentes variables.

4. Interpretación de resultados: ¿qué variables resultaron más relevantes? ¿Qué predice mejor?

5. Presentación final: cada grupo comparte sus hallazgos en clase, discute limitaciones, propone mejoras y reflexiona sobre la ética del uso de datos (privacidad, sesgos).
   Esperables o resultados:

• Un modelo funcional que prediga el tiempo de lectura aproximado basado en variables del alumnado.

• Gráficos y tablas de análisis que muestren relaciones entre variables (tiempo de pantalla, ambiente, tipo de lectura).

• Informe escrito o presentación oral en la que los estudiantes expliquen el proceso, sus resultados y reflexionen sobre lo aprendido — tanto en estadística/ML como en aspecto tecnológico y ético.

• Publicación del proyecto en el mural colaborativo de la GalerIA ML para que otros docentes y estudiantes puedan revisarlo, comentarlo o adaptarlo.

Docente a cargo: Frías Silvana Lorena - DNI 33.375.253

Curso / Año: 3° Año

Duración del proyecto: 1 mes (8 clases estimadas)

Fecha de presentación: 30/10/2025

Tema general: Conservación, cultivo y aprovechamiento sostenible de las plantas nativas.

Pregunta guía / disparadora:

¿De qué manera le doy valoración a la vegetación nativa?

Subpreguntas:

●       ¿Qué nos aporta la vegetación nativa en nuestra vida cotidiana?

●       ¿En qué nos beneficia su cultivo o consumo?

●       ¿Cómo contribuye al equilibrio del planeta?

Fundamentación

En nuestra comunidad se observa una pérdida progresiva de especies vegetales nativas, reemplazadas por plantas exóticas o invasoras. Este fenómeno genera desequilibrios ecológicos, pérdida de biodiversidad y una menor disponibilidad de recursos para la fauna local.
Además, se observa un desconocimiento creciente sobre las propiedades medicinales, alimenticias y ornamentales de estas especies, que forman parte de la identidad y la cultura de nuestros pueblos.

El presente proyecto busca promover la conservación y valorización de las plantas nativas de Tucumán, a través de un proceso de aprendizaje colaborativo y reflexivo, empleando la metodología del Aprendizaje Basado en Proyectos (ABP).
La propuesta se articula con los principios del Programa PLaNEA, que impulsa una nueva forma de enseñar y aprender basada en:

●       La participación activa de los estudiantes.

●       La resolución de problemas reales.

●       El trabajo interdisciplinario y colaborativo.

●       El fortalecimiento de las trayectorias escolares con sentido y pertenencia.

Objetivos

●       Objetivo general:

Fomentar en los estudiantes la valoración, el conocimiento y la conservación de las plantas nativas de Tucumán, integrando saberes científicos, técnicos y culturales a través del ABP.

●       Objetivos específicos:

•         Identificar las especies vegetales nativas presentes en el entorno local.

•         Analizar los beneficios ecológicos, económicos y sociales de la vegetación nativa.

•         Diseñar y ejecutar acciones de concientización ambiental dentro de la escuela y la comunidad.

•         Desarrollar habilidades de investigación, comunicación y trabajo colaborativo.

•         Promover el pensamiento crítico y el respeto por la biodiversidad regional.

Desarrollo del proyecto

1.    Fase de preparación

Presentación del desafío:
Se plantea a los estudiantes la problemática ambiental vinculada a la pérdida de plantas nativas y la introducción de especies exóticas.
El desafío consiste en promover la conservación y valorización de la flora local a través de la investigación, la producción de materiales y la acción comunitaria.

2.Saberes previos:
Los alumnos comparten ideas y experiencias sobre:

•         Qué entienden por “planta nativa”.

•         Qué especies conocen en su entorno.

•         Si reconocen usos medicinales o alimenticios tradicionales.

Formación de equipos

Se conforman grupos de 4 a 5 estudiantes, con los siguientes roles:

●       Investigador/a: búsqueda y análisis de información.

●       Comunicador/a: redacción y difusión del proyecto.

●       Diseñador/a: producción visual del producto final.

●       Coordinador/a: organización del grupo.

●       Evaluador/a: registro del proceso y autoevaluación.

Definición del producto final

El producto final será una campaña escolar y comunitaria de concientización junto al municipio de la localidad sobre la importancia de las plantas nativas, que incluirá:

●       Un mural informativo o jardín demostrativo con especies locales.

●       Una muestra escolar con afiches, videos y presentaciones orales.

●       Una guía digital (PDF o blog) con fichas de plantas nativas de la región.

●       Plantar árboles en los lugares públicos de la comunidad, los cuales sean beneficiosos a futuro para el planeta y la humanidad.

Organización y planificación (cronograma tentativo)

Etapa

Actividades

Duración (horas)

Preparación

Presentación del desafío y conformación de equipos

1 clase

Investigación

Búsqueda y análisis de información sobre plantas nativas

2 clases

Producción

Diseño de materiales y campaña de sensibilización

3 clases

Presentación

Exposición a la comunidad escolar

1 clase

Evaluación

Autoevaluación y metaprendizaje

1 clase

Búsqueda, análisis y síntesis de la información

Fuentes de información:

●       Materiales del Ministerio de Ambiente o de la Secretaría de Medio Ambiente de Tucumán.

●       Entrevistas a pobladores, viveros locales y especialistas en botánica.

●       Observaciones directas en calles, plazas y reservas naturales.

Síntesis esperada:
Los estudiantes identificarán las especies nativas de su zona y analizarán sus beneficios:

●       Ecológicos: retención de suelo, refugio para fauna, menor consumo de agua.

●       Económicos: usos medicinales, alimenticios, ornamentales.

●       Socioculturales: identidad cultural, transmisión de saberes ancestrales, educación ambiental.

Elaboración del producto final

Cada grupo elaborará materiales como:

●       Fichas informativas de especies nativas.

●       Afiches o videos educativos.

●       Diseño del mural o jardín nativo.

●       Preparación de la muestra final y actividades de concientización.

Presentación del proyecto

Se realizará una feria escolar titulada “Raíces que nos sostienen”, donde los equipos presentarán sus producciones a la comunidad educativa y a las familias, reflexionando sobre la importancia de proteger y revalorizar la flora nativa.

Respuesta a la pregunta inicial

Al finalizar el proceso, los estudiantes podrán responder con argumentos y evidencias a:

¿Qué beneficios nos aporta la vegetación nativa?

Concluyendo que las plantas nativas:

●       Mantienen el equilibrio ambiental y la biodiversidad.

●       Embellecen el entorno con bajo mantenimiento.

●       Representan parte de la identidad cultural tucumana.

●       Permiten rescatar saberes ancestrales y prácticas sostenibles.

Evaluación y metaprendizaje

Instrumentos:

Planilla de seguimiento del proceso:

N° de actividad

Duración real

Funcionó bien…

Funcionó regular…

Sugerencias de mejora

Criterios de evaluación:

●       Participación activa y responsabilidad individual.

●       Trabajo colaborativo y comunicación grupal.

●       Relevancia y calidad de la información recolectada.

●       Creatividad e innovación en la campaña.

●       Reflexión crítica sobre el aprendizaje.

●       Presentación oral, visual y escrita del proyecto.

Metaprendizaje:

Los estudiantes reflexionarán sobre:

●       Lo que aprendieron durante el proceso.

●       Las habilidades que desarrollaron.

●       Qué aspectos podrían mejorar en futuros proyectos.

Materia que se trabaja: Biología y Matemática (emociones humanas y análisis de datos)

Curso / edad: 3° año – 15 a 16 años.

Herramienta de ML que usamos: Teachable Machine (Google)

Qué van a hacer los estudiantes:

1. Aprender qué son las emociones y cómo se ven en la cara.

2. Sacarse fotos mostrando diferentes emociones (felicidad, tristeza, enojo, sorpresa).

3. Subir las fotos a la computadora y enseñar al programa a reconocerlas.

4. Probar el programa con nuevas fotos y ver si adivina la emoción.

5. Hablar sobre lo que aprendieron y cómo funciona el programa.

Qué se espera que logren:

• Entender cómo la computadora puede aprender a reconocer cosas (patrones).

• Practicar observación, análisis y pensamiento crítico.

• Relacionar tecnología con emociones y ciencias.

Docente a cargo: Aramendi Ulises.