s e c u e n c i a d i dác t i c a

Datos curriculares

Un modelo de Nivel: Secundaria, ciclo básico

aprendizaje Área: Datos e inteligencia artificial

automático por Eje: Ciencia de datos, inteligencia artificial y

aprendizaje automático

dentro: entre datos y

• Aplicaciones de inteligencia artificial.
Mecanismos generales
• Modelos de aprendizaje automático

opiniones • Subjetividad expresada en los modelos.

En esta secuencia, las y los estudiantes reconocerán, por un lado, Duración

que las decisiones que toman los sistemas basados en aprendizaje
2 clases de 80 minutos
automático (AA) reflejan un criterio y, por lo tanto, expresan una
subjetividad. Además, conocerán cómo se desarrolla un modelo de
AA para relacionar el conjunto de datos de entrenamiento (tanto Objetivos de aprendizaje
sus ejemplos como su organización en clases o categorías) con el
• Conocer cómo se desarrolla un modelo de
criterio que finalmente expresa el modelo.
aprendizaje automático, identificando conjuntos
de datos de entrenamiento, clases y proceso de
Esta propuesta supone haber transitado previamente la secuencia entrenamiento.
¿Qué necesita la IA para ser IA?
• Reflexionar sobre el impacto de los conjuntos
de datos de entrenamiento en los criterios de
recomendación de los modelos de aprendizaje
automático.
• Reconocer el impacto de las opiniones e intereses
Clase 1 de las personas en el desarrollo y funcionamiento
Las y los estudiantes probarán diferentes modelos de aprendizaje de las aplicaciones basadas en IA.
automático utilizados para generar recomendaciones e
hipotetizarán sobre los criterios sobre los que se construyen las
recomendaciones. Luego, reflexionarán sobre las consecuencias Saberes previos de CC
de la existencia de los criterios de recomendación y el impacto Área: Datos e inteligencia artificial
de la subjetividad de las personas en el funcionamiento de las
Eje: Ciencia de datos, inteligencia artificial y
aplicaciones de IA. aprendizaje automático
• Modelos de aprendizaje automático: entrada, salida
Clase 2 y conjunto de datos.

Las y los estudiantes analizarán cómo están compuestos los

modelos que exploraron en la clase anterior para identificar los
“datos de entrenamiento”, las “clases” y la necesidad de “entrenar
Materiales necesarios
el modelo”. A partir de allí, analizarán el impacto de los conjuntos • 1 computadora con conexión a internet por cada
de datos de entrenamiento en los criterios que reflejan las grupo pequeño
recomendaciones de los modelos.

Materiales adjuntos
• Fichas para estudiantes por clase [.odt]
• Modelo A [.tm]
• Modelo B [.tm]
• Modelo C [.tm]
• Modelo D [.tm]
• Modelo E [.tm]
Todos los archivos adjuntos para esta secuencia
están disponibles en: [Link]
Podés buscarlos por el título de la secuencia.
Acerca de Autores

esta iniciativa Julián Dabbah y Marcos Javier Gómez

Desde el sitio [Link] tenemos por objetivo acompañar a la

comunidad docente de habla hispana en el desafío de llevar las Ciencias de Créditos
la Computación al aula.
Edición general: Julián Dabbah,
Para ello, construimos un repositorio que reúne diversos recursos para Magdalena Garzón y Marcos Gómez
el aula que desde la Iniciativa [Link] de la Fundación Sadosky
impulsamos desde 2013. Edición: Claudia Arce y Florencia Acher
Lanzillotta
Organizados a partir de los saberes a promover con nuestras y nuestros
estudiantes y los conceptos de la disciplina presentados en la Propuesta Diseño: Fabio Viale
curricular para la inclusión de las Ciencias de la Computación (CC) en el aula,
encontrarán en [Link] proyectos, secuencias didácticas
y actividades desarrollados por una diversidad de autores y docentes en
conjunto con instituciones y universidades de América Latina.
Cómo citar este documento

Estos materiales, que han sido desarrollados para responder a necesidades Fundación Sadosky (2023), Un modelo de
aprendizaje automático por dentro: entre
de diferentes contextos y países y que son heterogéneos en su formato
datos y opiniones, disponible en: https://
y extensión, comparten un mismo propósito: integrar las Ciencias de la [Link]
Computación en la escolaridad obligatoria para promover en el conjunto
de las y los estudiantes la construcción de saberes que les permitan
comprender, apropiarse y transformar la tecnología digital y computacional
y así participar de manera crítica del mundo contemporáneo.

Cómo utilizar este recurso

Siguiendo la Propuesta curricular, es posible organizar una planificación
escolar para el grado o el año a abordar y, a partir de ella, seleccionar del
universo de recursos para el aula que ofrecemos los que sean adecuados
al contexto y la realidad de cada grupo de estudiantes.

Al acceder a esta secuencia en el sitio [Link], encontrará

los enlaces para descargar los materiales anexos que fueren necesarios.

Perspectiva de género
La Fundación Sadosky busca propiciar una experiencia educativa inclusiva
y promotora de la equidad de género.

Sabemos que existe una fuerte desigualdad de género en el acceso

al uso de recursos tecnológicos y a conocimientos de ciencias de la
computación. Uno de los motivos de esta brecha tiene que ver con que
socialmente es considerada como una disciplina de varones. Por eso es
imprescindible que, como docentes, podamos contribuir a desnaturalizar
prejuicios y generar estrategias para incentivar especialmente el trabajo
de estudiantes mujeres y de identidades de género trans y no binarias.

Algunas estrategias son:

• considerar sus intereses, brindando atención, apoyo y

retroalimentación positiva,
• atender a que no sean relegadas y relegades al momento de operar o
estar al frente de dispositivos computacionales,
• conformar pequeños grupos y distribuir tareas con paridad de géneros,
• revisar que nuestras expectativas de desempeño no reproduzcan
estereotipos.

2 [Link]

Fuente: Imagen de coolvector en Freepik.

Clase 1
¿Existe un mejor perro?
Inicio > El propósito en el inicio de clase es recuperar el esquema del predictor
Modalidad de de WhatsApp trabajado en la secuencia ¿Qué necesita la IA para ser IA?
agrupamiento:
para problematizar la injerencia de las personas en los sistemas de IA.
Toda la clase.

15’ aprox. Orientaciones

Basándonos en el esquema y lo reflexionado en la secuencia ¿Qué
necesita la IA para ser IA?, es importante recuperar las siguientes ideas:
• Las computadoras no cuentan con la intuición o la experiencia para
resolver tareas como, por ejemplo, las del predictor de WhatsApp.
Por lo que necesitan de un conjunto de datos —palabras, en este
caso— de referencia y una estrategia para poder elegir la palabra
a predecir.
• El conjunto de datos es resultado de decisiones tomadas por
personas.
• La estrategia también es el resultado de decisiones tomadas por
personas.

Ficha para
estudiantes*
> Actividad 1
Indiquen dónde participan las personas y dónde las
computadoras en este esquema de un predictor de palabra
como el de WhatsApp.

*Se reproduce el
contenido de la Ficha
para estudiantes,
cuyo documento
completo y editable
se encuentra en los
Materiales adjuntos
a esta secuencia y
puede descargarse del
sitio [Link]
[Link]. En color
se indican posibles
respuestas de las y los
estudiantes.

1 [Link]
Desarrollo > El objetivo de este momento es que las y los estudiantes identifiquen el

UN MODELO DE APRENDIZAJE AUTOMÁTICO POR DENTRO: ENTRE DATOS Y OPINIONES > CLASE 1
Modalidad de criterio que utiliza cada una de las cinco aplicaciones de recomendaciones
agrupamiento: de razas o tipos de perros, diseñadas especialmente para esta clase,
Pequeños grupos.
y reflexionen sobre el impacto de las opiniones de las personas en la
50’ aprox. construcción de dichos criterios.

Orientaciones
• Compartimos a las y los estudiantes una serie de aplicaciones de
aprendizaje automático (AA) que recomiendan perros basándose en
una imagen que les proporciona el usuario o usuaria. La idea es que
exploren e identifiquen qué tipo de perros recomienda cada una. En
la Ficha de estudiantes disponen de pistas para visualizar y utilizar
los modelos de aprendizaje automático en la herramienta Teachable
Machine, en la que fueron creados.
• Cada recomendador refleja un criterio específico según el cual
recomendará o no el tipo de perro de la imagen que se le ha
proporcionado (por ejemplo, perros de raza Golden Retriever por
sobre otras razas), que no revelaremos a las y los estudiantes con el
objetivo de que los deduzcan del uso.
• Es importante asignar a cada grupo un recomendador diferente para
obtener diversidad de respuestas a las preguntas de la Actividad 2.
• Cada vez que las y los estudiantes suban una imagen a la aplicación,
obtendrán en “Output” un valor expresado en porcentaje para cada
clase o categoría del modelo. El porcentaje expresa la certeza o
confianza con la que el modelo considera que la imagen subida
pertenece a cada categoría. En este caso, podemos interpretar como
cuán recomendable es un determinado perro según el modelo. Verán
las categorías “Recomendado” y “No Recomendado”.

2 [Link]
 Recomendador 1.

UN MODELO DE APRENDIZAJE AUTOMÁTICO POR DENTRO: ENTRE DATOS Y OPINIONES > CLASE 1
Modelo entrenado para que
recomiende perros de la raza Golden
Retriever.

Recomendador 2.
Modelo entrenado para que
recomiende perros de pelo oscuro.

Recomendador 3
Modelo entrenado para que
recomiende perros de pelo claro.

Recomendador 4
Modelo entrenado para que
recomiende perros de pelo corto

Recomendador 5 Resultado obtenido luego Resultado obtenido luego

Modelo entrenado para que de subir una imagen de un de subir una imagen de un
recomiende perros de pelo largo perro Golden retriever al perro Crestado Rodesiano
Recomendador 1. al Recomendador 1.

• Como conclusión de esta parte, les pedimos que respondan las

preguntas de la Actividad 2 de la ficha.

Ficha para
estudiantes
> Actividad 2
Pistas para usar un modelo de aprendizaje automático en
Teachable Machine

Paso 1. Busquen en la web y

descarguen tantas imágenes de
perros como necesiten para poder
identificar qué tipo de perros
recomienda el modelo.
¡Presten atención en qué directorio
guardan esos archivos porque los van
a necesitar para el paso 2!
Archivos de perros descargados en
la compu.

3 [Link]
Ficha para

UN MODELO DE APRENDIZAJE AUTOMÁTICO POR DENTRO: ENTRE DATOS Y OPINIONES > CLASE 1
estudiantes
>
Actividad 2 Paso 2. Accedan al enlace que les
proporciona su docente. No se
inquieten por ver todo en inglés.
Lo primero que deberán hacer es
buscar el recuadro “Preview this
model live” y cambiar el “Input”
(entrada) que por defecto aparece
en “Web cam” a la opción “File”
para poder utilizar los archivos que
descargaron para probar.
Selección de la opción Archivo.

Paso 3. Arrastren y suelten los

archivos con las imágenes de perros
que descargaron para observar el
resultado que obtienen bajo el título
“Output” (salida). También pueden
buscar un archivo en un directorio y
subirlo.
Prueben con todas las fotos que
descargaron para identificar un rasgo
común en los perros que recomienda.

Resultado del recomendador.

Exploren el recomendador de perros que les compartió su

docente observando el resultado que arroja para diferentes
imágenes y respondan las preguntas:
a. ¿Qué recomendador te tocó? El recomendador 1.
b. ¿Qué toman los recomendadores como entrada? Una
foto de un perro.
c. ¿Qué producen como recomendación o salida? Dos
números del 1 al 100.
d. ¿Cómo interpretan ustedes la recomendación? Miramos el
número de “Recomendado” como un puntaje de 0 a 100.
e. ¿Qué tipo de perros recomienda? Los de pelo largo.
f. ¿Qué conjunto de datos previos habrán necesitado los
recomendadores? Fotos de perros.

4 [Link]
Cierre > El propósito de este cierre es poner de manifiesto la existencia de un

UN MODELO DE APRENDIZAJE AUTOMÁTICO POR DENTRO: ENTRE DATOS Y OPINIONES > CLASE 1
Modalidad de criterio en las aplicaciones de recomendación y que ese criterio refleja las
agrupamiento: opiniones de quienes lo crearon.
Toda la clase.

15’ aprox. Orientaciones

Compartimos con toda la clase las respuestas de cada grupo a

las preguntas de la ficha y abrimos el debate con las siguientes
preguntas:
¿Pueden ver parecidos y diferencias en sus recomendadores?
¿Recomiendan los mismos tipos de perros? ¿De qué depende?
Esperamos que las y los estudiantes puedan dar cuenta
de que los recomendadores toman una misma entrada
(una imagen), producen una salida (un par de números que
expresan la recomendación), pero la recomendación responde
a una característica puntual que identificamos como criterio
(por ejemplo, podemos interpretar que el recomendador 5
recomienda perros basándose en el criterio “pelo largo”).
¿Están de acuerdo con lo que les recomendó la aplicación?
¿Podemos crear un recomendador para elegir el “mejor” perro?
¿Existe un criterio para elegir el mejor perro?
Señalamos que estos recomendadores no eligen mejores
o peores perros, sino aquellos que cuentan o no con una
determinada característica. Considerar que estos perros son
más recomendables que otros expresan una opinión: la de
las personas que construyeron el recomendador. Así como no
existe un único criterio para decidir que un perro es el mejor, no
puede existir un recomendador que elija al mejor perro.

5 [Link]
Clase 2
Abrimos el modelo

Inicio > El propósito en el inicio de esta clase es recuperar los criterios que
reflejan los recomendadores de perros de la Clase 1 para reflexionar
Modalidad de
agrupamiento: acerca de cómo están implementados los sistemas de recomendación.
Toda la clase.

10’ aprox. Podemos comenzar planteando las siguientes preguntas:

¿Con qué criterios recomendaban las aplicaciones que vieron en la
Actividad 2? ¿Cómo se imaginan que están programadas? ¿Qué
parte del programa refleja el criterio?

Desarrollo > El propósito de este momento es que las y los estudiantes conozcan
cómo están construidos los modelos que probaron en la Actividad 2 para
Modalidad de
agrupamiento: encontrar relaciones entre sus componentes y su comportamiento.
Pequeños grupos.

50’ aprox. Orientaciones

• Retomamos la herramienta Teachable Machine que utilizamos en la
clase anterior, pero ahora accedemos al botón “Primeros pasos” o
desde el menú a “Nuevo proyecto” para abrir uno de los modelos de
recomendador utilizados.
• Abrimos, por ejemplo, el archivo Modelo [Link], para ejemplificar
cómo cargarlo a través del botón “Abrir un proyecto desde un
archivo”.

Captura de pantalla de la sección “Nuevo Proyecto” en Teachable Machine. En

esa página se puede seleccionar el idioma en el selector que se encuentra al pie.

6 [Link]
 • A continuación, asignamos un archivo de proyecto a cada grupo
para que lo abran y exploren sus componentes.

UN MODELO DE APRENDIZAJE AUTOMÁTICO POR DENTRO: ENTRE DATOS Y OPINIONES > CLASE 2
• Después de una breve exploración, realizamos una puesta en común
para resaltar que:
» las respuestas posibles del modelo están representadas con
clases o categorías. Por ejemplo, en los modelos que vimos en
la Actividad 2, las clases o categorías son “Recomendable” y “No
recomendable”. La salida u output que da el modelo, entonces, se
genera al asociar un elemento a una de estas clases.
» para construir el modelo, fue necesario proveer ejemplos
para cada una de las clases. En este caso, un conjunto de
imágenes que funcionan a modo de ejemplos para la categoría
“Recomendable” y otro conjunto de imágenes para la de “No
recomendable”.
• Una vez familiarizados con los componentes del modelo, planteamos a
los grupos que identifiquen con qué criterio recomienda cada modelo y
completen la Actividad 3 de la Ficha de estudiantes.

Es importante que puedan identificar el criterio analizando

cómo está construido el modelo y no probando como hicieron
en la clase anterior, es decir, que lo hagan observando las
características de los perros en las imágenes de cada clase.
La idea es que, entre todos los grupos, puedan analizar todos
los modelos para identificar todos los criterios.

Ficha para
estudiantes
> Actividad 3
1. Abran el archivo del proyecto del modelo que compartió
su docente en Teachable Machine y analicen cómo está
construido para identificar el criterio.
2. Mirando cómo está construido el modelo, identifiquen con
qué criterio hace las recomendaciones.
3. Completen la tabla vinculando el modelo al criterio
específico por el cual crean que se rige. Tengan en cuenta el
modelo que les tocó a ustedes y a los otros grupos.

7 [Link]
Ficha para
estudiantes

UN MODELO DE APRENDIZAJE AUTOMÁTICO POR DENTRO: ENTRE DATOS Y OPINIONES > CLASE 2
>
Actividad 3
Criterio específico Nombre del modelo

Perros de raza Golden Retriever Modelo C

Perros de pelo oscuro Modelo A

Perros de pelo claro Modelo D

Perros de pelo corto Modelo E

Perros de pelo largo Modelo B

4. Respondan: ¿qué observaron para definir el criterio

empleado por cada modelo? ¿Cómo se dieron cuenta
cuál era el criterio?
Miramos las fotos que estaban cargadas en las clases. Nos
dimos cuenta de que recomendaba perros de pelo largo
porque en la clase “Recomendable” había solo fotos de
perros de pelo largo.

Puesta en común
Proponemos a las y los estudiantes que compartan con toda la clase las
respuestas al último punto de la Actividad 3. A partir de qué tuvieron en
cuenta para vincular los modelos con los criterios, reforzamos la noción
de clase y la importancia de las fotos utilizadas para representar o
ejemplificar cada una.

Orientaciones para la Actividad 4

• Luego de la puesta en común, introducimos la siguiente actividad, en
la que se desafía a las y los estudiantes a verificar si el criterio que
propusieron en la Actividad 3 para cada modelo es el correcto.
• Para probar el modelo deberán identificar por sí mismos que para
que se habilite el espacio de “Vista previa” que permite proveer una
imagen de entrada, previamente, es necesario presionar el botón
de “Preparar el modelo” o “Entrenar modelo” (según la traducción
elegida). Este descubrimiento del paso de “preparación” nos dará pie
para conceptualizar la necesidad del entrenamiento en una puesta en
común de las experiencias.

8 [Link]
Ficha para
estudiantes

UN MODELO DE APRENDIZAJE AUTOMÁTICO POR DENTRO: ENTRE DATOS Y OPINIONES > CLASE 2
>

Captura de pantalla de un modelo abierto en Teachable Machine con idioma “Español”

Actividad 4. Ponemos a prueba nuestras hipótesis

Es hora de poner a prueba nuestras hipótesis: ¿cómo
hacen para comprobar si acertaron con los criterios que
propusieron para cada modelo?
Exploren las opciones que tiene la interfaz, anticipen qué
resultado esperan que les devuelva el recomendador y
registren las pruebas que realizan.
En el modelo A, subimos una foto nueva de un perro con pelo
de color oscuro, esperando que el output lo recomiende en un
100%. También probamos de subir un foto de un perro con pelo
de color blanco, esperando que el output no lo recomiende.
Así confirmamos nuestra hipótesis de que el modelo nos
recomienda a los perros de pelo negro, porque fue entrenado
con fotos de perros de pelo de color oscuro en la clase
“Recomendado”.

Puesta en común

¿Qué tuvieron que hacer para poder usar el modelo? ¿Qué se

imaginan que sucedió cuando hicieron clic en “Preparar modelo” o
“Entrenar modelo” (según la traducción)?
Comentamos a las y los estudiantes que los modelos para
funcionar necesitan realizar un análisis previo de los datos.
A este análisis se lo llama entrenamiento del modelo y al
conjunto de imágenes de las clases, datos de entrenamiento.
Para entrenar el modelo basta, con presionar el botón
“Entrenar Modelo” para que la computadora analice los datos.
Dependiendo de la cantidad de datos, este proceso puede
requerir más o menos tiempo de cómputo.

9 [Link]
Cierre > El propósito del cierre es generalizar la experiencia con los

UN MODELO DE APRENDIZAJE AUTOMÁTICO POR DENTRO: ENTRE DATOS Y OPINIONES > CLASE 2
Modalidad de recomendadores para identificar que el criterio con el que decide una
agrupamiento: aplicación de IA depende de los datos que proveen las personas para
Toda la clase.
entrenarlo.
20’ aprox.
Orientaciones

Comenzamos el cierre con una puesta en común sobre la

experiencia.
¿Acertaron el criterio? ¿Cómo se dieron cuenta?
Teniendo en cuenta las respuestas de las y los estudiantes,
ponemos en manifiesto la relación entre el conjunto de
imágenes de entrenamiento del modelo y la salida del modelo.
Entonces, ¿de qué depende el criterio?
Basándonos en la experiencia de los distintos grupos, podemos
identificar que los datos con los que cuenta el modelo son
determinantes en la definición del criterio.
¿Ustedes pueden agregar o eliminar imágenes del conjunto de
datos de entrenamiento de cada clase? ¿De qué creen que depende
la elección de las imágenes que corresponden a cada clase?
Como observamos en el cierre de la Clase 1, las personas que
crearon este modelo, seleccionaron una serie de imágenes que
fueron determinantes en la definición del criterio. Esta reflexión
nos permitirá poner de relieve el impacto de las personas y sus
opiniones en el funcionamiento de los modelos de aprendizaje
automático.
Para reforzar esto, proponemos la Actividad 5.

10 [Link]
Ficha para

UN MODELO DE APRENDIZAJE AUTOMÁTICO POR DENTRO: ENTRE DATOS Y OPINIONES > CLASE 2
estudiantes
> Actividad 5
Observen el esquema de la aplicación que recomienda
perros y respondan las siguientes preguntas:

a. ¿El esquema se corresponde con todos los

recomendadores que estuvieron analizando? ¿Solo con
alguno? Con todos.
b. ¿En qué parte del esquema está la diferencia entre los
distintos recomendadores que usaron? En el conjunto de
fotos y cómo está organizado.

• Como conclusión de la actividad, destacamos que el esquema es

común a todos los recomendadores y que solo varía el conjunto de
datos de cada clase o categoría.

Luego, para hacer foco en el impacto que los intereses de

diferentes grupos de personas y empresas pueden tener en la
definición del criterio de recomendación, proponemos a las y
los estudiantes las siguientes preguntas:
¿Cuáles serían los criterios de sus familias para recomendar un
perro? ¿Y los de veterinarias o veterinarios? ¿Los de personas con
discapacidad visual? ¿Los de criadores de perros de raza? ¿Los de
fabricantes de champú para perros? ¿Los de organizaciones que
rescatan perros? ¿Los de paseadores de perros?

11 [Link]
 • La idea es que listen criterios de diversos grupos de personas

UN MODELO DE APRENDIZAJE AUTOMÁTICO POR DENTRO: ENTRE DATOS Y OPINIONES > CLASE 2
interesadas para exponer la multiplicidad de criterios a partir de los
cuales se puede crear una aplicación y abrir la discusión.
• A continuación, les proponemos a las y los estudiantes realizar a
partir de sus respuestas una matriz de valoración (Actividad 6).
Definimos con toda la clase los grupos de interés y los criterios para
seleccionar un perro que formarán parte de la matriz. Incentivamos
a que incorporen grupos con intereses contrapuestos. En cada fila,
definen un grupo de personas que representan un interés común para
seleccionar un perro, por ejemplo, veterinarias y veterinarios, y, en
cada columna, definen criterios de selección de perros, por ejemplo,
que sean de pelo corto. Toda la clase trabajará con los grupos de
interés y los criterios acordados en conjunto.
• Luego, en grupos, las y los estudiantes completarán la matriz con
la valoración que consideren que los diferentes grupos de personas
interesadas le otorgaría a cada criterio. Las diferencias en la
valoración que cada grupo establezca nos permitirá dar cuenta de la
presencia de opiniones subjetivas.

Ficha para
estudiantes Actividad 6
>
Completen la matriz de valoración que construyeron con
toda la clase.
Indiquen con un número del 1 al 5 la importancia que el
grupo de interés le otorgaría a cada criterio de selección,
considerando que 5 representa una gran importancia y 1,
ninguna importancia. Por ejemplo, si consideramos que
para una veterinaria el perro tenga pelo corto no es una
característica importante, ponemos un 1.

Alimen-
Criterios de selección/ tacióncon
Pelo Pelo
Grupos de personas Tranquilo Juguetón alimento
corto largo
interesadas balanceado
económico

Veterinarias/os 1 1 5 1 1
Madres/padres 5 1 5 1 5
Niñas/os 3 5 1 5 1
Paseadoras/es 3 2 5 1 1
Peluqueras/os 5 1 5 1 1
…

12 [Link]
 Puesta en común

UN MODELO DE APRENDIZAJE AUTOMÁTICO POR DENTRO: ENTRE DATOS Y OPINIONES > CLASE 2
Una vez que hayan finalizado las matrices de valoración, preguntamos
cuál fue el puntaje para cada grupo y cada criterio. Es importante
recuperar cómo impacta la opinión de cada estudiante en los puntajes
de la matriz, pero también cómo nuestra opinión estuvo presente al
momento de elegir los grupos de personas interesadas y los criterios
de selección específicos.

Ficha para
estudiantes
> Para compartir con toda la clase
Actividad 6
¿Qué criterios de la matriz elegirían para crear un sistema
de recomendación de perros? ¿A qué grupos representarían
los criterios elegidos? ¿Podrían representar los intereses de
todos los grupos?

• El objetivo de estas preguntas es identificar que no es posible

representar todos los intereses y, por lo tanto, los recomendadores,
y los desarrollos computacionales en general, reflejan los intereses
solo de algunos grupos involucrados.

Con el propósito de generalizar el reconocimiento de intereses

subjetivos en aplicaciones que incluyen modelos de aprendizaje
automático a otras aplicaciones de uso habitual de las y los
estudiantes, podemos motivar el siguiente intercambio.
¿Qué aplicaciones que conocen cuentan con recomendadores? ¿Les
queda claro cuál es el criterio que utilizan para recomendar? ¿Y qué
intereses priorizan?
Las aplicaciones y, en consecuencia, los sistemas de
recomendación que la componen, están diseñados atendiendo
a objetivos e intereses específicos que no siempre son
evidentes para las usuarias y los usuarios, y condicionan la
experiencia con las decisiones que aplican: qué se visualiza
primero, qué publicidad se muestra, qué usuarios o usuarias
nos sugiere seguir o qué aparece en una búsqueda.
¿Quién elige los criterios presentes en los sistemas de
recomendación? En el caso del predictor de Instagram que
recomienda publicidades, ¿tiene en cuenta lo que necesitamos o lo

13 [Link]
 que nos puede llegar a gustar? ¿Va a recomendar comprar un mapa

UN MODELO DE APRENDIZAJE AUTOMÁTICO POR DENTRO: ENTRE DATOS Y OPINIONES > CLASE 2
político de la Argentina para llevar a la escuela o unas zapatillas
que están de moda? ¿Qué intereses reflejan los criterios elegidos?
¿Cuál es el objetivo de esta elección?
Los criterios presentes en sistemas de recomendación de
aplicaciones comerciales se corresponden con los intereses
económicos de las empresas que brindan los servicios y
de las que pagan espacios de publicidad o promocionan
sus publicaciones. El objetivo apunta no solo a que las
personas realicen compras a partir de publicidades dirigidas,
sino también a maximizar el tiempo que dedicamos a una
plataforma específica ofreciéndonos contenidos en general (no
solo publicidades) que supone que nos van a parecer atractivos
(más allá de si son necesarios o importantes).
Aprovechamos la reflexión para leer las definiciones de
aprendizaje automático, modelo, entrenamiento y datos de
entrenamiento incluidas en la Ficha para estudiantes.

Ficha para
estudiantes
> Momento de definiciones
Actividad 6
Aprendizaje automático (AA) (Machine Learning, ML):
conjunto de técnicas por las que una computadora puede
resolver un problema determinado sin ser explícitamente
programada para eso. Para esto, se analiza un conjunto
de ejemplos para el cual se conoce el resultado en busca
de ciertos patrones en los casos de éxito y de falla. Por
ejemplo, para que una computadora pueda jugar al ajedrez
en vez de escribir un programa con reglas, condiciones y
jugadas, se analizan muchísimos registros de partidas y
el resultado para cada jugador. Para hacer un programa
que diferencie fotos de perros de fotos de gatos, en vez de
escribir instrucciones para analizar las imágenes y tomar
decisiones, se analiza un conjunto de fotos de perros y gatos
previamente identificados.
Conjunto de datos de entrenamiento (train dataset):
conjunto de datos con los ejemplos de solución del
problema, por ejemplo, jugadas de ajedrez con el resultado o
las fotos de perros y gatos clasificadas. Para que el sistema
tenga un buen desempeño suelen tener que ser enormes.

14 [Link]
Ficha para
estudiantes

UN MODELO DE APRENDIZAJE AUTOMÁTICO POR DENTRO: ENTRE DATOS Y OPINIONES > CLASE 2
> Entrenamiento (training) del modelo: análisis
Actividad 6
(automatizado) de los datos de entrenamiento en busca
de patrones que caractericen la solución al problema. El
resultado del entrenamiento es un modelo de AA entrenado.
Modelo de AA entrenado (trained ML model): programa
que, resultado del análisis del conjunto de ejemplos,
supuestamente resuelve el problema propuesto. Por
ejemplo,
el programa que, dado un tablero de ajedrez, propone una
siguiente movida, o dada una imagen de un animal decide
si es un perro o un gato. A esto es a lo que informalmente
(e imprecisamente) nos referimos cuando hablamos del
“algoritmo”. Por ejemplo, cuando decimos “el algoritmo de
Spotify nos recomienda siempre lo mismo” o que cierta
publicidad en línea fue elegida por el algoritmo. Estos
algoritmos que eligen o nos recomiendan cosas no son más
que modelos de AA entrenados con los datos de nuestras
acciones. También se suele decir “modelo” y suponer que se
está hablando del modelo ya entrenado.

15 [Link]
Orientaciones

UN MODELO DE APRENDIZAJE AUTOMÁTICO POR DENTRO: ENTRE DATOS Y OPINIONES > ORIENTACIONES
para la evaluación
Es fundamental prever instancias de evaluación de carácter formativo a fines de colectar
evidencia que facilite el acompañamiento de las y los estudiantes durante el desarrollo de las
actividades. Además, las evidencias de la evaluación serán un insumo clave a la hora de revisar
y ajustar el proceso de enseñanza.
La siguiente lista de cotejo nos orienta en los conceptos clave de las Ciencias de la Computación
que esperamos que las y los estudiantes aprendan a lo largo de la secuencia. Las evidencias
obtenidas a partir de las actividades nos orientan en relación con dónde mirar el grado de
cumplimiento de los objetivos. A esta lista, le agregaremos criterios sobre el trabajo en grupos,
la comunicación oral y escrita, la colaboración y otras aptitudes que consideremos pertinentes.
Como docentes, decidiremos la dinámica de evaluación que se ajuste a cada grupo de
estudiantes.

Eje/ Tema Evidencias Criterio de evaluación en función de los objetivos de aprendizaje

Reconoce que el modelo utilizado recomienda teniendo en cuenta un

Actividad 1 criterio específico.
Actividad 2
Actividad 4 Identifica que los criterios de recomendación de los modelos reflejan
Ciencia de datos, inteli- la subjetividad de las personas.
gencia artificial y apren-
dizaje automático/
Subjetividad expresada Actividad 3 Vincula un criterio de recomendación con la conformación y organiza-
en los modelos Actividad 5 ción del conjunto de datos de entrenamiento.

Reconoce que al desarrollar un modelo de recomendación se favore-

Actividad 6
cen intereses.

Ciencia de datos, inteli-

gencia artificial y apren- Identifica la existencia del conjunto de datos de entrenamiento, las
Actividad 3
dizaje automático/ categorías o clases y el proceso de entrenamiento para la creación
Actividad 4
Modelos de aprendizaje del modelo.
automático

16 [Link]