TEXTOS LECTURA COMPRENSIVA

Base expositivo - explicativa

Problemas y algoritmos

Casi inconscientemente, los humanos efectuamos cotidianamente una serie de pasos,

procedimientos o acciones que nos permiten alcanzar un resultado o resolver un problema.

Esta serie de pasos, procedimientos o acciones, comenzamos a aplicarlas muy temprano en la

mañana cuando, por ejemplo, decidimos tomar un baño. Posteriormente cuando pensamos en
desayunar también seguimos una serie de pasos que nos permiten alcanzar un resultado
específico: tomar el desayuno. La historia se repite innumerables veces durante el día.
Continuamente seguimos una serie de pasos o conjunto de acciones que nos permiten
alcanzar un resultado. Estamos en realidad aplicando un algoritmo para resolver un problema.

“Formalmente, definimos un algoritmo como un conjunto de pasos, procedimientos o acciones

que nos permiten alcanzar un resultado o resolver un problema".

Muchas veces aplicamos el algoritmo de manera inadvertida, inconsciente o automáticamente.

Esto, generalmente, se produce cuando el problema que tenemos enfrente lo hemos resuelto
con anterioridad un gran número de veces.

Supongamos que simplemente tenemos que abrir una puerta. Lo hemos hecho tantas veces
que difícilmente nos ponemos a enumerar los pasos para alcanzar este objetivo. Lo hacemos
de manera automática. Lo mismo ocurre cuando queremos subirnos a un automóvil, cuando
tenemos que lustrar nuestros zapatos, cuando nos calzamos, cuando nos vestimos, cuando
tenemos desafortunadamente que cambiar la llanta de un automóvil o, simplemente cuando
queremos tomar un vaso con agua.

Por otra parte, existe una gran cantidad de problemas que requieren de un análisis profundo y
de un pensamiento flexible y estructurado para su solución.

No existen reglas específicas que nos permitan resolver un problema. Sin embargo, creemos
que se pueden ofrecer un conjunto de técnicas y herramientas metodológicas que permitan
flexibilizar y estructurar el razonamiento utilizado en la solución de un problema. Eso provocará
finalmente la construcción de algoritmos eficientes.

Las características que los algoritmos deben reunir son las siguientes:
Precisión: Los pasos a seguir en el algoritmo deben ser precisados claramente.

Determinismo: El algoritmo, dado un conjunto de datos idénticos de entrada, siempre debe

arrojar los mismos resultados.

Finitud: El algoritmo, independientemente de la complejidad del mismo, siempre debe ser de

longitud finita.

Por otra parte, un algoritmo consta de tres secciones o módulos principales.

El módulo 1 representa la operación o acción que permite el ingreso de los datos del problema.

El módulo 2 representa la operación o conjunto de operaciones secuenciales, cuyo objetivo es

obtener la solución al problema.

El módulo 3 representa una operación o conjunto de operaciones que permiten comunicar al

exterior el o los resultados alcanzados.

Diagramas de flujo

Un diagrama de flujo representa la esquematización gráfica de un algoritmo. En realidad,

muestra gráficamente los pasos o procesos a seguir para alcanzar la solución de un problema.
Su correcta construcción es sumamente importante porque a partir del mismo se escribe un
programa en algún lenguaje de programación. Si el diagrama de flujo está completo y correcto,
el paso del mismo a un lenguaje de programación es relativamente simple y directo.

Reglas para la construcción de diagramas de flujo

Debemos recordar que un diagrama de flujo debe ilustrar gráficamente los pasos o procesos a
seguir para alcanzar la solución de un problema. Los símbolos presentados, colocados
adecuadamente, permiten crear una estructura gráfica flexible que ilustra los pasos a seguir
para alcanzar un resultado específico. El diagrama de flujo facilitará más tarde la escritura del
programa en algún lenguaje de programación.

Osvaldo Cairó. Metodología de la programación

—-----------------------------------------------------------------------------------------------------------------------------------------------

Técnicas de Lectura Rápida

Skimming y Scanning

Existen diferentes tipos de lectura de acuerdo a las distintas situaciones en las que abordamos un
texto. La técnica de lectura que se elija dependerá de la finalidad, por ejemplo: aprender,
informarse, entretenerse, repasar, buscar información o referencias, establecer relaciones entre lo
leído y la resolución de problemas, seleccionar las ideas principales, hacer un análisis crítico, etc.

Según el tipo de velocidad, podemos clasificar la lectura en:

●​ lectura integral. Leemos todo el texto;

●​ lectura selectiva. Elegimos aquellas partes que contienen la información buscada;
●​ lectura reflexiva. Implica una comprensión exhaustiva y un análisis minucioso, como
sucede con la lectura de estudio;
●​ lectura mediana. Es similar a la anterior pero no tan pormenorizada, como sucede con la
lectura recreativa.
●​ vistazo. Se caracteriza por ser superficial y sirve para hacerse una idea global del texto.

En la vida académica los dos tipos textuales más frecuentes son los que estudiaremos en este
curso: los textos expositivos y los textos argumentativos, que no trabajaremos en detalle. De los
primeros aprendemos, nos nutrimos y generamos las bases de nuestra disciplina. Los pasos de
lectura y el análisis del contenido, así como la selección de la información brindada en los
mismos, ya lo hemos visto al inicio de este encuentro.

Ahora veremos dos técnicas de lectura rápida, que son útiles para

¿Qué es el Skimming?

El skimming es una estrategia de lectura que se utiliza para entender el texto y buscar las ideas
clave. Para ello, se suele leer el primer y último párrafo, además de los títulos y los subtítulos. Es
decir, con esta lectura general normalmente se entiende de qué trata el artículo y se puede
decidir si es interesante o no para nuestra tesis.

Por otra parte, esta técnica solo se debe usar cuando queremos adelantar nuestra velocidad de
lectura y saber rápidamente en qué consiste ese texto. Por tanto, una vez aplicado el skimming,
si el texto es el que necesitábamos, debemos leerlo de manera más detallada para comprender
cada apartado.
De hecho, otra manera de usar esta técnica es con el fin de realizar un repaso rápido de los
apuntes que previamente hemos desarrollado. Es decir, esta estrategia resulta muy eficaz
algunos días antes de un examen para identificar en que debemos profundizar más.

El skimming y el scanning son técnicas de lectura muy favorables para universitarios y

estudiantes de maestría. Es decir, para personas que quieren mejorar sus métodos de estudio.

¿Cómo se usa el scanning?

El término scanning se usa para referirse a ese tipo de lectura que trata de escanear visualmente
el texto con el fin de encontrar algún dato importante. Es decir, esta técnica se realiza cuando
queremos buscar algo muy concreto como una fecha o una cifra, en un artículo que
anteriormente hemos leído detenidamente.

Además, esta estrategia coincide con el skimming en que es perfecta para los días previos a un
examen. Asimismo, podrá combinar ambas técnicas y coger lo mejor de cada una para repasar
de una manera más adecuada. De hecho, el skimming y el scanning se podrían considerar
aliadas.

Skimming y scanning ejemplo

El skimming y scanning le pueden ayudar a progresar en su estudio diario.

Recomendaciones sobre skimming y scanning

Si quiere aprender a realizar el skimming y el scanning correctamente debe saber:

Práctica y más práctica: si quiere realizar estas técnicas adecuadamente necesitará hacerlas a
menudo para que le salgan más rápido. Es decir, para aumentar su velocidad lectora.
El skimming y scanning se usa sobre todo para textos que ya ha estudiado. Por tanto, son ideales
para repasar, si quiere echar un último vistazo a las ideas más importantes de un texto. También
se suelen usar para preparar presentaciones orales de trabajos.

Es importante combinar estas técnicas con otras previas como realizar un resumen del texto o la
que más se adapte a sus necesidades.

Ambas estrategias de lectura se realizan en textos académicos. Por lo cual, para novelas u otro
tipo de textos no sirven.

Ventajas del skimming y scanning

Si aún no está convencido de la gran eficacia de estas técnicas tiene que conocer sus ventajas:

Ahorrará tiempo: estas técnicas al ser muy eficaces para buscar fechas o palabras clave.
Asimismo, podrá economizar su tiempo de estudio.

Si usa estas estrategias, será más productivo en su estudio y en su vida diaria.

Estas estrategias de lectura son perfectas para cuando tiene que realizar un trabajo académico.

Muchos opositores las usan como parte de sus técnicas de estudio, ya que les facilita su
aprendizaje.

—--------------------------------------------------------------------------------------------------------------------------------------------

Ejercitación documentos técnicos

Cómo funciona un compilador

Un compilador es una herramienta de software que traduce el código fuente escrito por los
programadores en un lenguaje de alto nivel, como C++ o Java, a un lenguaje de bajo nivel
comprensible por las máquinas, conocido como código máquina o lenguaje binario. Este proceso
implica varias etapas:
1. Análisis léxico: El compilador analiza el código fuente para dividirlo en tokens,

que son las unidades mínimas de significado en un lenguaje de programación.

2. Análisis sintáctico: En esta etapa, los tokens se estructuran siguiendo las reglas

gramaticales del lenguaje.

3. Optimización: El código intermedio generado es optimizado para mejorar su

eficiencia.

4. Generación de código: El compilador genera el código máquina final.

El uso de compiladores es fundamental en el desarrollo de software, ya que permite transformar

instrucciones humanas en comandos ejecutables por computadoras.

—--------------------------------------------------------------------------------------------------------------------------------------------

Ejercitación documentos técnicos parte 2

El protocolo TCP/IP es la base de la comunicación en redes modernas. TCP (Transmission Control
Protocol) garantiza la entrega confiable de datos, mientras que IP (Internet Protocol) se encarga
del direccionamiento y el encaminamiento de paquetes. Este modelo permite la interoperabilidad
entre dispositivos de diferentes fabricantes.

—-------------------------------------------------------------------------------------------------------------------------------------------------------

Ejercitación documentos técnicos parte 3

De qué hablamos cuando hablamos de documentación en Programación

En programación, la documentación es más que una reflexión; es un aspecto esencial del

desarrollo de software. Pero ¿qué es exactamente la documentación en programación? En
términos simples, es el texto escrito o las ilustraciones que acompañan al software o al código,
explicando cómo funciona, cómo usarlo y por qué se tomaron ciertas decisiones durante el
desarrollo. Sirve como guía para desarrolladores, usuarios y partes interesadas, asegurando que
todos estén en la misma página.
Importancia de la documentación de software en el SDLC

El Ciclo de Vida del Desarrollo de Software (SDLC) es un proceso estructurado que incluye varias
etapas, desde la planificación y diseño hasta las pruebas y el mantenimiento. La documentación
juega un papel crítico a lo largo de estas etapas, actuando como un mapa que guía a los equipos a
través del desarrollo y más allá. Sin una documentación adecuada, incluso el código bien escrito
puede volverse incomprensible, lo que lleva a aumentar los costos de mantenimiento, retrasar
proyectos y frustrar a los desarrolladores.

Entendiendo la documentación de software de computadoras

Definición y propósito

La documentación de software de computadora es una colección completa de información que

detalla la funcionalidad, arquitectura y uso del software. Su propósito principal es asegurar que el
software pueda ser entendido, utilizado y mantenido por diversos interesados, incluidos
desarrolladores, probadores, usuarios y futuros mantenedores.

Componentes clave de una documentación efectiva

La documentación efectiva es clara, concisa y bien organizada. Típicamente incluye:

Introducción: Proporciona una visión general del software, su propósito y su alcance.

Guías de usuario: Instrucciones paso a paso sobre cómo usar el software.

Documentación de API: Información detallada sobre cómo interactuar con el software de forma
programática.

Comentarios de código: Explicaciones en línea dentro de la base de código, aclarando lógicas o

decisiones complejas.

Diagramas y visuales: Ayudas visuales como diagramas de flujo y diagramas que ayudan a
comprender la estructura y el flujo de datos del software.

Tipos de documentación de software

Documentación de requisitos

Este tipo de documentación captura los requisitos funcionales y no funcionales del software.
Actúa como un contrato entre las partes interesadas y los desarrolladores, delineando lo que el
software debe hacer y las limitaciones que debe cumplir.

Documentación de arquitectura/diseño
La documentación de arquitectura o diseño proporciona un plano de la estructura del software,
detallando los componentes de alto nivel, sus interacciones y los patrones de diseño subyacentes.
Es crucial para la incorporación de nuevos desarrolladores y para mantener la consistencia en
proyectos grandes.

Documentación técnica

La documentación técnica está dirigida a desarrolladores y usuarios técnicos, ofreciendo detalles

profundos sobre los entresijos del software. Esto incluye documentación de API, instrucciones de
configuración y guías de implementación.

Documentación de usuario

La documentación de usuario está diseñada para los usuarios finales, explicando cómo instalar,
configurar y usar el software. Esto puede variar desde manuales simples hasta sistemas de ayuda
interactivos incorporados en el software.

Documentación de API

La documentación de API es una forma especializada de documentación técnica que proporciona

detalles sobre cómo interactuar con la API del software. Incluye descripciones de métodos,
parámetros de entrada, formatos de salida y ejemplos.

Mejores prácticas para crear documentación de software

Claridad y consistencia

La regla de oro de la documentación es claridad. Ya sea un manual técnico o una guía de usuario,
el contenido debe ser fácil de entender. La consistencia en la terminología, el formato y el estilo
también ayuda a que la documentación sea más accesible.

Enfoque centrado en el público

Siempre considere para quién es la documentación. La documentación técnica debe estar dirigida
a los desarrolladores, mientras que los manuales de usuario deben estar escritos pensando en el
usuario final. Adaptar el contenido a su audiencia asegura que sea útil y relevante.

Control de versiones y gestión de cambios

La documentación debe evolucionar con el software. Los sistemas de control de versiones como
Git son esenciales para rastrear cambios en la documentación, al igual que lo son para el código.
Esto asegura que la documentación permanezca precisa y refleje el estado actual del software.

Colaboración entre equipos

Crear documentación no debe ser una tarea solitaria. La colaboración entre desarrolladores,
probadores y redactores técnicos puede llevar a una documentación más completa y precisa.
Herramientas como editores colaborativos y sistemas wiki pueden facilitar este proceso.

Herramientas y tecnologías para la documentación de software

Cuando se trata de crear y mantener documentación de software integral, tener las herramientas y
tecnologías adecuadas en su arsenal es crucial. Aquí hay un vistazo a algunas opciones
esenciales que pueden optimizar el proceso y asegurar que su documentación se mantenga
precisa y actualizada.

Generadores de documentación

Herramientas como Javadoc o Sphinx generan automáticamente documentación a partir de

comentarios de código. Estos son invaluables para mantener la documentación técnica
actualizada con un esfuerzo mínimo.

Wikis y bases de conocimiento

Los wikis, como Guru, son excelentes para mantener documentación viva. Permiten que los
equipos colaboren en la documentación en tiempo real y mantengan todo organizado en un solo
lugar.

Entornos de desarrollo integrados (IDEs)

Los IDE modernos como Visual Studio Code ofrecen herramientas integradas para documentar el
código a medida que lo escribe. Esta integración asegura que la documentación permanezca
cerca del código que describe, facilitando su actualización y mantenimiento.

Sistemas de control de versiones

Usar sistemas de control de versiones como Git para la documentación asegura que cada cambio
sea rastreado y que las versiones anteriores puedan ser recuperadas si es necesario. Esto es
especialmente importante en entornos donde el software está evolucionando continuamente.

Desafíos en la documentación de software y soluciones

Mantener la documentación actualizada

Uno de los mayores desafíos es asegurar que la documentación refleje el estado actual del
software. Las herramientas automatizadas y las auditorías regulares de documentación pueden
ayudar a mantener las cosas al día.

Equilibrar detalle y brevedad

Encontrar el equilibrio adecuado entre ser exhaustivo y ser conciso es fundamental. Demasiado
detalle puede abrumar al lector, mientras que muy poco puede dejar lagunas críticas. Priorice la
información más importante y proporcione enlaces a recursos más detallados cuando sea
necesario.

Fomentar la participación del desarrollador

Los desarrolladores a menudo ven la documentación como una tarea. Fomentar la participación a
través de herramientas colaborativas e integrar la documentación en el proceso de desarrollo
puede ayudar a aliviar este problema.

Gestionar la deuda de documentación

Al igual que con el código, la documentación puede acumular "deuda" con el tiempo. Revisitar y
refactorizar la documentación con regularidad puede evitar que quede obsoleta o redundante.

El futuro de la documentación de software

IA y aprendizaje automático en la documentación

La IA y el aprendizaje automático están comenzando a desempeñar un papel en la documentación,

ofreciendo herramientas que pueden generar o actualizar automáticamente contenido basado en
cambios en el código o interacciones de usuario. Las herramientas de escritura de IA y otras
soluciones pueden reducir significativamente el tiempo y el esfuerzo requeridos para mantener la
documentación.

Integración con pipelines de CI/CD

A medida que la integración continua y el despliegue continuo (CI/CD) se vuelven más comunes,
integrar la documentación en estas pipelines garantiza que siempre esté en sintonía con las
últimas versiones del software.

Técnicas de documentación interactivas y visuales

El futuro de la documentación probablemente será más interactivo, con herramientas que permiten
a los usuarios explorar características del software de forma visual o a través de demostraciones
interactivas. Esto hace que la documentación sea más atractiva y fácil de entender.

Midiendo el impacto de la documentación en la calidad del software

Indicadores clave de rendimiento (KPI)

Los KPI para la documentación pueden incluir la frecuencia de actualizaciones de la

documentación, la participación de usuarios en la documentación y el número de tickets de
soporte relacionados con una documentación poco clara.
Métricas de retroalimentación de usuarios y satisfacción

Recoger y analizar la retroalimentación de usuarios acerca de la documentación puede

proporcionar valiosos insights sobre su efectividad y áreas de mejora.

Correlación con la reducción de informes de errores y tickets de soporte

El software bien documentado tiende a tener menos errores y menores costos de soporte. Al
correlacionar la calidad de la documentación con estas métricas, los equipos pueden entender
mejor el impacto de sus esfuerzos de documentación.

Conclusión

La documentación de software es una parte vital del proceso de desarrollo de software. Asegura
que todas las partes interesadas tengan la información que necesitan para entender, usar y
mantener el software de manera efectiva.

Si aún no lo ha hecho, comience a priorizar sus esfuerzos de documentación. Implemente las

mejores prácticas para asegurarse de que su documentación sea clara, concisa y siempre esté
actualizada.

—-----------------------------------------------------------------------------------------------------------------------------------------------

Corroboración de lectura: "Pensamiento

computacional"
¿Qué es el pensamiento computacional?

El mundo donde vivimos se ha convertido en un mundo digital, lleno de tecnología e impulsado

por la informática. El software y la tecnología han transformado todas las materias y áreas de
trabajo, desde la ciencia y la medicina, hasta la historia del arte y la psicología. La tecnología
digital es omnipresente. Para ser ciudadanos informados y empoderados, la próxima generación
de estudiantes debe comprender este mundo digital en el que viven.

"El pensamiento computacional lo conforman los procesos de pensamiento involucrados en la

formulación de problemas y sus soluciones para que las soluciones se representen de una forma
que pueda ser llevada a cabo de manera eficaz por un agente de procesamiento de información."

Cuny, Snyder, Wing, 2010

Por ejemplo, puedes usar una aplicación en un smartphone para ver cómo llegar a la casa de un
amigo; la aplicación es un ejemplo de un programa de ordenador y el smartphone es el "agente
de procesamiento de información" que ejecuta el programa para nosotros. Quienes diseñaron el
algoritmo para encontrar la mejor ruta y todos los detalles como la interfaz y cómo almacenar el
mapa, aplicaron el pensamiento computacional para diseñar el sistema. Pero no lo diseñaron por
el bien del smartphone; lo diseñaron para ayudar a la persona que lo usa.

Pensamiento computacional en CS Unplugged

La enseñanza del pensamiento computacional pretende enseñar a los alumnos cómo:

. describir un problema,

. identificar los detalles importantes necesarios para resolver este problema,

. descomponer el problema en pequeños y lógicos pasos,

. utilizar estos pasos para crear un proceso (algoritmo) que resuelva el problema, y luego evaluar
este proceso.

Estas habilidades son transferibles a cualquier otra área curricular, pero son particularmente
relevantes para desarrollar sistemas digitales y para resolver problemas utilizando la capacidad
de los ordenadores.

Estos conceptos del pensamiento computacional están todos conectados entre sí y se apoyan
mutuamente.

Hay una serie de definiciones de pensamiento computacional, pero la mayoría tiene un conjunto
de 5 o 6 habilidades de resolución de problemas que representan el pensamiento computacional.

Habilidades del pensamiento computacional

Pensamiento algorítmico
El pensamiento algorítmico es el proceso de creación de algoritmos. Cuando creamos un
algoritmo para resolver un problema, lo llamamos una solución algorítmica.

Los algoritmos computacionales (del tipo que se puede ejecutar en dispositivos digitales) tienen
relativamente pocos ingredientes porque los dispositivos digitales solo tienen unos pocos tipos
de instrucciones que pueden seguir; las principales cosas que pueden hacer son recibir entrada,
proporcionar salida, almacenar valores, seguir instrucciones en una secuencia, elegir entre
opciones y repetir instrucciones en un bucle. A pesar de lo limitada que es esta gama de
instrucciones, hemos descrito todo lo que los dispositivos digitales pueden computar y esta es la
razón por la que los algoritmos están restringidos a estos elementos.

Abstracción

Usamos la abstracción a menudo en nuestra vida cotidiana, por ejemplo, cuando usamos mapas.
Los mapas nos muestran una versión simplificada del mundo al omitir detalles innecesarios,
como dónde se encuentra cada árbol en un parque y solo conservan la información más relevante
que el lector del mapa necesitará, como carreteras y nombres de calles.

Los dispositivos digitales usan la abstracción todo el tiempo; intentan ocultar tanta información
innecesaria como sea posible. Por ejemplo, supongamos que hiciste una bonita foto panorámica
en tu última acampada y ahora deseas editarla en el portátil y ajustar los colores. Normalmente
podríamos hacer esto abriendo un programa de edición de imágenes, ajustando algunos
controles deslizantes de color o tal vez eligiendo un filtro. Cuando haces esto suceden muchas
operaciones complicadas que el ordenador te oculta.

Descomposición

La descomposición consiste en descomponer los problemas en partes más pequeñas y

manejables, para luego enfocarse en resolver cada uno de estos problemas más pequeños.
Podemos descomponer un problema complejo hasta que las partes más pequeñas sean tan
simples que sean fáciles de resolver. Las soluciones para cada uno de estos problemas más
pequeños y simples se convierten en una solución al gran problema con el que comenzamos. ¡La
descomposición ayuda a que los problemas grandes sean mucho menos intimidantes!
La descomposición es una habilidad importante para crear algoritmos y procesos que se puedan
implementar en un dispositivo informático, porque los ordenadores necesitan instrucciones muy
específicas. Necesitan que les digan cada uno de los pequeños pasos que deben seguir para
hacer las cosas.

Por ejemplo, la tarea general de hacer una tarta se puede descomponer en varias tareas más
pequeñas, cada una de las cuales se puede realizar fácilmente.

Hacer tarta

Hornear tarta

Poner los ingredientes en un cuenco (mantequilla, azúcar, huevo, harina)

Mezclar

Verter en el molde

Meter al horno durante 30 min.

Sacarla del molde

Hacer el glaseado

Poner sobre la tarta

Generalización y patrones

La generalización también se conoce como "reconocimiento y generalización de patrones". La

generalización consiste en tomar una solución (o parte de una solución) a un problema y
generalizarla para que se pueda aplicar a otros problemas y tareas similares. Dado que las
soluciones en informática son algoritmos, esto significa que debemos tomar un algoritmo y
hacerlo lo suficientemente general de manera que se pueda usar para una variedad de
problemas. Este proceso implica la abstracción, ya que para hacer algo más general, tenemos
que eliminar detalles innecesarios que están relacionados con un problema o una situación
específica, pero no son importantes para el funcionamiento del algoritmo.

Los algoritmos generalizados se pueden reutilizar para un grupo completo de problemas

similares, lo que significa que podemos encontrar soluciones de manera rápida y eficaz.

Evaluación

La evaluación consiste en identificar las posibles soluciones a un problema y juzgar cuál nos
conviene usar, si funcionarán en algunas situaciones pero no en otras y cómo se pueden mejorar.
Al juzgar nuestras soluciones, debemos pensar en una variedad de factores. Por ejemplo, cuánto
tiempo tardarán estos procesos (algoritmos) en resolver el problema y si lo resolverá de forma
fiable o si hay ciertas situaciones en las que funcionará de una manera muy diferente. La
evaluación es algo que practicamos constantemente en nuestra vida cotidiana.

Lógica

Al tratar de resolver problemas, debemos pensar de forma lógica. El razonamiento lógico

consiste en tratar de darle sentido a las cosas observando, recopilando datos, pensando en los
hechos conocidos y luego resolviendo las cosas en función de lo que ya se sabe. Nos ayuda a
usar nuestro conocimiento existente para establecer reglas y verificar hechos.

Por ejemplo, supongamos que estás desarrollando un programa que calcula la ruta más corta a
una ubicación desde tu casa. En el siguiente mapa, la biblioteca se encuentra a 2 minutos si vas
hacia el norte desde tu casa, pero si vas hacia el sur, el siguiente cruce se encuentra a 3 minutos.
Quizás te preguntes si hay una ruta mejor hacia la biblioteca si comienzas dirigiéndote hacia el
sur, pero lógicamente no puede existir porque ya habrías caminado durante 3 minutos para llegar
al cruce.

A un nivel más profundo, los ordenadores están construidos completamente sobre la lógica.
Usan los valores "Verdadero" y "Falso" y usan una cosa llamada "expresiones booleanas", como
"edad > 5", para tomar decisiones en los programas de ordenador.

Rastrear un error en un programa también requiere pensamiento lógico, para determinar dónde y
por qué está fallando algo en el programa.
—-----------------------------------------------------------------------------------------------------------------------------------------------

Base argumentativa: ACTIVIDAD 1

LECTURA Y RESOLUCIÓN DE
CUESTIONARIO
La IA generativa y el futuro de la educación

Stefania Giannini (Subdirectora General de Educación UNESCO) Julio2024

Aunque la mayoría de nosotros todavía estamos tratando de asimilar las profundas implicaciones
sociales y educativas de estas revoluciones anteriores, que todavía se están desarrollando, en los
últimos meses nos hemos despertado para encontrarnos con que hemos entrado abruptamente
en otra revolución digital –una que puede hacer que en comparación con ella las anteriores
parezcan menores. Se trata de la revolución de la inteligencia artificial (IA). El lenguaje es
importante. Gracias a la mejora de la potencia informática, las redes neuronales sintéticas y la
modelización del lenguaje grande (LLM, por sus siglas en inglés), la tecnología de la IA está, si no
descifrando, al menos simulando con notable destreza el “eje” de la civilización humana: el
lenguaje. El lenguaje es importante. Es lo que nos distingue de otros animales. Está en el centro de
la identidad y la diversidad cultural. Le da sentido al mundo que nos rodea e inspira nuestras
acciones. Es la base de todo lo que hacemos en materia de educación y en casi todas las
restantes esferas de la vida. Está en la raíz del amor y de la guerra. Puede empoderar y también
manipular. Hasta hace muy poco, disponíamos del uso y el control casi exclusivos del lenguaje. El
hecho de que las máquinas atraviesen ahora tantos umbrales lingüísticos y que lo hagan con tanta
rapidez debería hacernos pensar y reflexionar. Los procesos que hacen posible estos avances son
importantes y merecen ser examinados, pero su resultado no se puede negar: las máquinas ya
pueden simular una conversación sofisticada más allá de determinadas tareas. Estamos
comprendiendo que nuestro monopolio del lenguaje avanzado –una capacidad natural, cultivada
mediante la educación, y el rasgo social más definitorio de nuestra especie–ya no es algo que
podamos dar por sentado. Reconocer este hecho nos obliga a revisar las creencias y los
supuestos que son los pilares de nuestros sistemas educativos actuales y, de hecho, de nuestras
sociedades en general. Las aplicaciones de IA que generan un lenguaje similar al humano plantean
cuestiones fundamentales que incumbe a la educación, pero que van mucho más allá de ello:
¿Cómo cambiará esta tecnología las nociones de lo que somos como humanos? ¿Cómo
reformulará nuestra comprensión de la inteligencia humana? ¿Cómo influirá en nuestras
relaciones mutuas? Asimismo, nos vemos obligados a considerar las nuevas tecnologías que
estudian y generan nuestros lenguajes, sin intervención humana explícita y, por tanto, de manera
impredecible.

La tecnología nunca es ideológicamente neutra. Exhibe y privilegia determinadas visiones del

mundo y refleja formas particulares de pensar y conocer. Los nuevos modelos y servicios de IA
generativa no constituyen una excepción. Los chatbots de IA como chat GPT permiten que los
usuarios tengan una experiencia radicalmente diferente con respecto a las tecnologías de IA
basadas en búsquedas tradicionales de Google u otras webs. La tecnología de búsqueda
selecciona y clasifica un menú de contenidos que los humanos han elaborado en respuesta a las
consultas de los usuarios. En cambio, los chatbots con grandes modelos lingüísticos generan
respuestas singulares y, como tales, mucho más autorizadas, utilizando contenidos producidos
por máquinas. Los chatbots de IA funcionan, por tanto, como oráculos omniscientes. Las
respuestas que proporcionan estos chatbots de IA no provienen de las mentes humanas, sino más
bien de un laberinto de cálculos tan complejos que, ni siquiera para las personas que han
desarrollado esta tecnología, resultan totalmente comprensibles. Tenemos, en efecto, un invento
que proporciona respuestas singulares a las preguntas de los usuarios humanos, pero estas
respuestas no se pueden relacionar con otras personas. En definitiva, las respuestas carecen de
humanidad. Las máquinas que proporcionan respuestas inmediatas, concisas y aparentemente
definitivas a preguntas sobre determinados conocimientos pueden resultar útiles para los
alumnos, los docentes y otras personas. Pero la tecnología también puede marcar el comienzo de
un mundo en el que el conocimiento de las máquinas se convierta en dominante y los modelos de
IA patentados se eleven a la categoría de fuentes globales, e incluso veneradas, de autoridad.
Estos modelos proyectarán determinadas visiones y formas de conocer el mundo, dejando en un
segundo plano a las otras. A pesar de las promesas de la IA y otras tecnologías digitales de
diversificar aún más nuestros sistemas de conocimiento, es posible que estemos avanzando en la
dirección contraria. Esto es especialmente cierto si sólo uno o dos modelos y plataformas de IA,
de los cuales algunos ya ejercen prácticamente un poder de monopolio, llegan a imponer un
dominio aún mayor sobre nuestra interfaz con el conocimiento. A medida que la tecnología de la
IA sigue impregnando nuestro mundo, debemos preservar y salvaguardar la diversidad de nuestros
sistemas de conocimiento y desarrollar las tecnologías de la IA de manera que protejan y amplíen
la riqueza de nuestros conocimientos como bien común. No podemos permitir que nuestros
diversos sistemas de producción de conocimiento se atrofien, y debemos evitar que la creación de
conocimientos se desvincule de los seres humanos. Aunque las máquinas entiendan algún día
nuestra moral y nuestra ética, ese día aún no ha llegado. Ajustar la inteligencia de las máquinas
con los valores humanos representa, como han afirmado muchos científicos y filósofos, un
compromiso apremiante.

El uso de la IA puede controlarse o limitarse, como ocurre con otras tecnologías, aunque se haya
popularizado la idea de que esto no es factible. En muchos países existen normas estrictas que
controlan y restringen el uso de tecnologías que se sabe constituyen una amenaza o que todavía
son demasiado nuevas para justificar una difusión amplia o desmedida. Aunque estas normas no
siempre son perfectas, son bastante eficaces. Al hacer un balance más completo de la
proliferación de aplicaciones de IA generativa, debemos mantener las cuestiones de seguridad en
el primer plano de nuestra visión. Probablemente, llevará tiempo desarrollar los controles
necesarios. Los organismos reguladores que examinan y validan los libros de texto y otros
materiales educativos necesitaron mucho tiempo e inversión para establecerse y mantenerse.
Estos procesos, que ya existen en la mayoría de los contextos, proporcionan los primeros planos,
aunque rudimentarios, de sistemas y procesos que permiten comprobar la compatibilidad de las
tecnologías de IA de grandes modelos lingüísticos con los objetivos pedagógicos. Los recursos
educativos destinados para su utilización en los centros educativos y con los escolares suelen ser
examinados, como mínimo, en función de cuatro criterios principales: (1) exactitud del contenido,
(2) adecuación a la edad, (3) pertinencia de los métodos pedagógicos e (4) idoneidad cultural y
social, que incluye comprobaciones requeridas para proteger contra la parcialidad. En muchos
lugares, los recursos son examinados además, por grupos de docentes y líderes escolares, así
como por diversos grupos de la sociedad civil, antes de que reciban la aprobación institucional.
Los modelos y aplicaciones de IA que pretenden tener utilidad educativa deberían examinarse
según criterios similares, y otros, dada su complejidad y alcance, antes de que sean desplegados a
escala. Resulta bastante sorprendente que hasta la fecha hayan eludido en gran medida este tipo
de examen. El sector educativo tiene que tomar estas decisiones “cualificadoras” en sus propios
términos. No puede depender de las empresas creadoras de IA para llevar a cabo este trabajo. La
autorregulación de la industria introduciría un conflicto de intereses inaceptable. Para examinar y
validar las nuevas y complejas aplicaciones de IA para su uso formal en la escuela, será necesario
que los ministerios de educación desarrollen sus capacidades, probablemente en coordinación
con otras ramas reguladoras del gobierno, en particular las que regulan las tecnologías. De cara al
futuro, necesitamos un equilibrio mucho mejor entre los especialistas en IA que desarrollan
tecnología y aplicaciones para su uso y, por otro lado, los expertos que trabajan para los gobiernos
con miras a revisar la seguridad de estas aplicaciones y considerar cuidadosamente sus
potenciales usos indebidos y cómo minimizar estos potenciales. En la actualidad, hay muy pocos
especialistas en el lado correspondiente a la seguridad de esta ecuación y aún menos que operen
con verdadera independencia y al margen de las empresas que desarrollan la IA con fines
comerciales. El reciente informe sobre el Índice de Inteligencia Artificial para 2023 mostraba que
menos del uno por ciento de los doctorados en Inteligencia Artificial se incorporan a la
administración pública tras su graduación. Esta tendencia no ha cambiado en los últimos cinco
años. La mayoría de estos graduados se incorporan a la industria, mientras que aproximadamente
una cuarta parte lo hace al ámbito académico. Sencillamente, no hay suficientes especialistas en
la parte reguladora de la ecuación. En nuestro contexto actual de incertidumbre, novedad y
escasos controles de seguridad, un enfoque más prudente de la IA generativa en la educación es
una medida de sentido común.

No partimos de cero. La Recomendación sobre la Ética de la Inteligencia Artificial (2021) de la

UNESCO es una referencia esencial, al igual que el Consenso de Beijing sobre la Inteligencia
Artificial y la Educación (2019) y nuestra guía de 2021 sobre Inteligencia Artificial y Educación para
los responsables políticos. La UNESCO anima a los países a dar prioridad a los principios de
inclusión, equidad, calidad y, lo que es más importante, de seguridad, a la hora de utilizar
herramientas de IA en la educación. Suponiendo que la seguridad de la IA pueda comprenderse y
garantizarse más plenamente, debemos ser abiertos y optimistas sobre las formas en que puede
apoyar, complementar y enriquecer el aprendizaje vital que se produce como parte de las
interacciones en los sitios físicos y sociales en que se lleva a cabo la educación formal. La
educación es –y debe seguir siendo–un acto profundamente humano arraigado en la interacción
social. Debemos resistirnos a que la IA aumente aún más una desigualdad que ya es demasiado
amplia en muchas sociedades. La aplicación de las nuevas tecnologías debe dar prioridad a la
eliminación de las desigualdades, no como una idea tardía, sino como un punto de partida.

La IA también nos está impulsando a reexaminar lo que hacemos en materia de educación, cómo
lo hacemos y, fundamentalmente, por qué lo hacemos. Ahora, es el momento de hacer frente a
estos desafíos. Como nos recuerdan los especialistas en IA, es nuestro bienestar e incluso nuestra
supervivencia lo que pudiera estar en juego. Nuestro trabajo debe estar impregnado de urgencia
mientras aunamos nuestros esfuerzos con miras a garantizar que nuestros sistemas educativos
desempeñen un papel clave en la transición de la humanidad hacia un mundo de IA.

—----------------------------------------------------------------------------------------------------------------------------------------
Base argumentativa 2: VÍDEO SOBRE IA
Y EDUCACIÓN CON RESOLUCIÓN DE
CUESTIONARIO
A continuación, te presentamos un vídeo con una perspectiva muy diferente al texto anterior, te
sugerimos que tomes apuntes para poder dar respuesta al próximo formulario:

[Link]/foroeconomicomundial/videos/2070988520020793/?rdid=N2QHchVGQWVV
gscy#