Clase 163 — Fundamentos de IA para docentes

Parte 13 · Tecnología e IA educativa — clase 7 de 12

Estado de evidencia: CONSISTENTE · Etapa: 🟣 Etapa C — Núcleo profesional docente · Población de referencia: transversal a niveles y modalidades
Decisión que habilita: determinar qué puede y qué no puede hacer un sistema de IA en la tarea educativa que estás evaluando
Evidencia de aprendizaje: una explicación propia, en lenguaje no técnico, de cómo funciona un sistema de IA y de sus límites

🎯 Propósito

Comprender los fundamentos técnicos de la inteligencia artificial aplicada a educación: aprendizaje a partir de datos, modelos, entrenamiento, inferencia, y por qué los sistemas fallan como fallan.

📚 Resultados de aprendizaje

Al finalizar esta clase podrás:

1. Definir con precisión los cuatro conceptos centrales de la clase y reconocerlos en una situación educativa real, no solo en su enunciado.
2. Explicar qué necesita entender un docente sobre cómo funciona la IA para decidir su uso con criterio.
3. Decidir —qué puede y qué no puede hacer un sistema de IA en la tarea educativa que estás evaluando— y sostener la decisión con un fundamento escrito.
4. Producir la evidencia de la clase —una explicación propia, en lenguaje no técnico, de cómo funciona un sistema de IA y de sus límites— y contrastarla contra el criterio de logro.
5. Distinguir lo que la evidencia sostiene de lo que es práctica instalada, preferencia personal o costumbre de la institución.

🧭 Agenda sugerida (90 minutos)

Fuera de la sesión, la clase exige aproximadamente una hora y media de práctica y de producción de la evidencia. Si el tiempo se recorta, se recorta el ejemplo trabajado, nunca la producción de evidencia: es la única parte que prueba el aprendizaje.

🧩 Conceptos centrales

🧠 Modelo mental

El método de esta clase, en cinco pasos que se ejecutan en orden:

1. Delimitar el contexto y comprobar —no suponer— qué saben ya los estudiantes.
2. Clasificar la situación distinguiendo Aprendizaje automático de Entrenamiento e inferencia.
3. Decidir con fundamento, usando Sesgo de datos como criterio y declarando la fuente.
4. Anticipar qué evidencia confirmaría la decisión y cuál la refutaría, con Límite del modelo a la vista.
5. Registrar lo ocurrido y contrastarlo contra el criterio de logro antes de avanzar.

Lo que hace profesional a este método no son los pasos sino la evidencia que exige en cada uno. Estas son las señales observables con las que se comprueba, y que deben quedar definidas antes de recogerlas:

Frontera de aplicación. El método vale mientras las condiciones que lo sostienen se cumplan. El campo cambia rápido y los detalles técnicos se desactualizan; Cuando esa condición falla, el paso siguiente no es forzar el método: es declarar el límite y decidir con menos certeza, dejándolo por escrito.

🗺️ Flujo de razonamiento

flowchart TB
    C["Situacion educativa<br/>nivel · grupo · proposito"]
    C --> A1["Aprendizaje automático"]
    C --> A2["Entrenamiento e<br/>inferencia"]
    C --> A3["Sesgo de datos"]
    C --> A4["Límite del modelo"]
    A1 & A2 & A3 & A4 --> D{{"determinar qué puede y<br/>qué no puede hacer un<br/>sistema de IA en la<br/>tarea educativa que<br/>estás…"}}
    D --> E["Evidencia de aprendizaje<br/>una explicación propia,<br/>en lenguaje no técnico,<br/>de cómo funciona un<br/>sistema de IA y de sus…"]
    E --> V{"Cumple el<br/>criterio de logro?"}
    V -->|si| S["Evidencia archivada<br/>y clase siguiente"]
    V -->|no| C

📖 Desarrollo

1. El fondo del asunto

Un sistema de aprendizaje automático no razona sobre reglas: ajusta parámetros para reproducir patrones presentes en sus datos. De ahí se derivan casi todas sus propiedades relevantes para educación: funciona bien en tareas parecidas a sus datos, hereda sus sesgos, no distingue verdad de plausibilidad y falla de forma difícil de anticipar en casos poco representados. Entender ese mecanismo permite decidir usos con criterio en vez de con entusiasmo o rechazo.

2. Frontera conceptual: qué es y qué no es

Los cuatro conceptos de esta clase se confunden entre sí con facilidad, y esa confusión no es inocua: produce decisiones que atacan el problema equivocado. Aprendizaje automático no es lo mismo que Entrenamiento e inferencia —fase en que el modelo aprende de datos y fase en que responde a una entrada nueva—, y tratarlos como sinónimos hace que la intervención se dirija al lugar incorrecto. Del mismo modo, Sesgo de datos y Límite del modelo describen aspectos distintos de la misma situación: el primero distorsión heredada de los datos con que se entrenó el sistema, mientras el segundo tipo de tarea o de dato en que el sistema falla de forma predecible.

La prueba de que la distinción está entendida es operacional, no verbal: dos personas que observan la misma clase deben poder clasificar el mismo episodio de la misma manera. Si no coinciden, el problema está en la definición y no en el observador. El error de clasificación más frecuente en esta materia es el primero de los que se listan más abajo, y conviene anticiparlo antes de aplicar nada.

3. Cómo se observa y se mide

Nada de lo anterior sirve si no se puede observar. Estas son las señales que esta clase usa y cómo se recogen:

• Evidencia de partida. Qué sabían o podían hacer los estudiantes antes de la decisión, comprobado y no supuesto. Se registra con fecha y contexto; sin eso, la señal no distingue una tendencia de una casualidad.
• Evidencia de proceso. Qué se observó mientras la decisión se aplicaba, con fecha, contexto y responsable del registro. Se registra con fecha y contexto; sin eso, la señal no distingue una tendencia de una casualidad.
• Evidencia de logro. Qué muestra una explicación propia, en lenguaje no técnico, de cómo funciona un sistema de IA y de sus límites frente al criterio declarado de antemano. Se registra con fecha y contexto; sin eso, la señal no distingue una tendencia de una casualidad.

Ninguna de estas señales es el aprendizaje: son indicios de él. Confundir el indicio con el fenómeno es el error clásico de la medición educativa, y por eso cada señal se interpreta junto con el contexto, el punto de partida del grupo y lo que el propio estudiante puede explicar sobre su trabajo.

4. Cómo se traduce en decisiones de enseñanza

La prueba de comprensión es poder explicarlo a un colega sin jerga y responder preguntas incómodas: por qué el sistema inventa datos, por qué funciona mejor con unos estudiantes que con otros, por qué su respuesta cambia si se le pregunta distinto. Esa explicación es la base de cualquier decisión institucional informada. Un ejercicio breve y revelador es pedirle al sistema tres referencias bibliográficas sobre un tema que domines y verificar una por una: la experiencia enseña más sobre sus límites que cualquier explicación técnica.

5. Qué sostiene la evidencia y qué no

El campo cambia rápido y los detalles técnicos se desactualizan; los principios generales —dependencia de los datos, sesgo, falta de garantía de veracidad, dificultad de explicar decisiones— se sostienen mejor que las descripciones de sistemas específicos. Conviene verificar capacidades actuales antes de afirmar límites concretos.

Cómo leer el estado de evidencia CONSISTENTE. La evidencia es amplia y coherente, pero proviene sobre todo de estudios correlacionales, de síntesis con heterogeneidad alta o de contextos distintos al tuyo. Sirve para orientar la decisión y exige que compruebes el efecto en tu propio grupo.

6. Integración: de los conceptos a una decisión defendible

Una decisión es defendible cuando puede explicarse a alguien que no estuvo presente. Esta clase te deja en condiciones de qué puede y qué no puede hacer un sistema de IA en la tarea educativa que estás evaluando, y esa decisión se sostiene solo si declara cuatro cosas: la evidencia que la funda, el supuesto que asume, el indicador que la comprobaría y la condición que la haría cambiar.

Ese es también el criterio con el que se evalúa la evidencia de aprendizaje de la clase. Un análisis que podría copiarse a otra clase, a otro curso o a otro establecimiento sin cambiar una palabra no es una decisión: es una declaración general, y el oficio empieza justo donde las declaraciones generales terminan.

📚 Lectura comparada

Las obras no cumplen el mismo papel. Esta tabla indica qué lente aporta cada una; después de leer, escribe una discrepancia real entre al menos dos fuentes.

La lectura se evalúa por uso, no por cantidad de páginas. Tu nota de lectura debe indicar qué tesis modifica tu diagnóstico, qué evidencia del caso la tensiona y qué decisión concreta cambiarías después del contraste. Una nota que solo resume el texto no cumple el criterio.

🧮 Ejemplo trabajado

Situación. El establecimiento compró licencias de una plataforma adaptativa para toda la básica. Nadie preguntó qué datos de los estudiantes trata, y el uso se concentró en los cursos que ya tenían mejores resultados.

Paso 1 — Delimitar el contexto y comprobar —no suponer— qué saben ya los estudiantes. El equipo escribe primero el supuesto asociado a Aprendizaje automático y se prohíbe tratarlo como hecho. Contrasta ese supuesto con Evidencia de partida y anota qué parte del dato todavía no existe. Del paso sale un registro fechado y una frase explícita: «cambiaríamos de decisión si…».

Paso 2 — Clasificar la situación distinguiendo Aprendizaje automático de Entrenamiento e inferencia. El trabajo aquí es separar lo observado de lo interpretado sobre Entrenamiento e inferencia. La evidencia que ordena la conversación es Evidencia de proceso; si su definición no está escrita, escribirla es parte del paso. Nada avanza mientras el equipo no acuerde qué contaría como refutación.

Paso 3 — Decidir con fundamento, usando Sesgo de datos como criterio y declarando la fuente. El riesgo de este paso es cerrar demasiado rápido alrededor de Sesgo de datos. Antes de concluir, se enumeran dos explicaciones alternativas del mismo patrón y se revisa si Evidencia de logro logra distinguirlas. Si no lo logra, hace falta otra evidencia y así debe quedar registrado.

Paso 4 — Anticipar qué evidencia confirmaría la decisión y cuál la refutaría, con Límite del modelo a la vista. Con Límite del modelo ya delimitado, la pregunta pasa a ser de consecuencia: qué cambia para los estudiantes, para el tiempo de clase y para la carga del equipo. Evidencia de partida entrega la lectura observable; el juicio profesional sigue siendo humano y debe quedar firmado por quien lo hace.

Paso 5 — Registrar lo ocurrido y contrastarlo contra el criterio de logro antes de avanzar. El cierre exige compromiso: responsable, fecha, indicador de logro y condición de detención. Evidencia de proceso se convierte en la señal de seguimiento, y se acuerda con qué frecuencia se revisa y quién puede declarar que no funcionó sin costo político.

Síntesis. La recomendación termina con responsable, fecha, evidencia de logro y señal de detención. Omitir cualquiera de esas cuatro piezas convierte el análisis en una opinión que nadie podrá auditar dentro de tres meses, y que por lo tanto nadie corregirá.

🔀 Comparación de caminos y límites

Ante la misma situación caben varios cursos de acción. La decisión profesional no es elegir el «correcto», sino saber qué privilegia cada uno y qué arriesga.

Frontera de aplicación. El campo cambia rápido y los detalles técnicos se desactualizan; Fuera de esa frontera, la comparación anterior deja de ser válida y la decisión debe tomarse con evidencia distinta.

🪜 El mismo tema según el rol

La misma materia cambia de forma según quién decida. Al subir de nivel aumentan las personas, el tiempo y las consecuencias que quedan dentro de la decisión.

Si trabajas en uno de esos niveles, la guía de carrera de tu rol indica en qué orden conviene recorrer el programa y qué artefactos acreditan tu competencia.

🧪 Taller guiado

Aplica la clase a uno de los contextos siguientes y repite después el ejercicio en un contexto de exigencia distinta. Cambiar de contexto es parte del aprendizaje: lo que funciona con un grupo no se traslada intacto a otro.

Secuencia de trabajo:

1. Delimita el contexto: nivel, edad, tamaño del grupo, asignatura o experiencia y tiempo real disponible.
2. Declara qué saben ya los estudiantes y cómo lo comprobaste, no cómo lo supones.
3. Formula la decisión pedagógica que esta clase habilita y escribe su fundamento.
4. Anticipa qué observarías si la decisión funciona y qué observarías si no funciona.
5. Diseña de antemano la alternativa que aplicarás si la primera estrategia falla.
6. Ejecuta o simula, y registra lo observado con fecha, contexto y evidencia concreta.
7. Produce la evidencia de aprendizaje de la clase.
8. Contrástala contra el criterio de logro, corrige y recién entonces avanza.

🏫 Caso profesional

Situación. El establecimiento compró licencias de una plataforma adaptativa para toda la básica. Nadie preguntó qué datos de los estudiantes trata, y el uso se concentró en los cursos que ya tenían mejores resultados.

Entrega un informe de decisión de una página que contenga:

1. Hechos y fuentes — qué está documentado y con qué evidencia, separado de lo que se supone.
2. Hipótesis — la explicación más probable y una alternativa que también encajaría.
3. Dos opciones defendibles — no una recomendación y un espantapájaros.
4. Efecto esperado — sobre los estudiantes, el tiempo de clase, el equipo y los apoyos.
5. Recomendación — con su fundamento y la fuente que la respalda.
6. Condición de revisión — qué resultado te haría cambiar de decisión.
7. Responsable y fecha — quién ejecuta y cuándo se revisa.

Usa al menos dos fuentes de la lectura comparada para desafiar tu primera respuesta. Una recomendación que ninguna fuente pone en duda casi siempre está poco examinada.

📥 Evidencia de aprendizaje

Una explicación propia, en lenguaje no técnico, de cómo funciona un sistema de IA y de sus límites.

Guárdala en evidence/P13-C163-fundamentos-de-ia-para-docentes/ con estos archivos:

Esta evidencia alimenta el artefacto de la parte: tutor o asistente con IA documentado, con corpus verificado, resguardo de datos, límites declarados y plan de evaluación.

🏆 Reto verificable

Escribe tu explicación y preséntala a un colega sin formación técnica. Corrige todo punto donde no pudiste responder su pregunta.

✅ Evaluación de la clase

Aprobación: 80 de 100 y ningún criterio bajo el 60 %. Una respuesta que podría copiarse sin cambios a otra clase, a otro curso o a otro establecimiento se considera insuficiente, aunque esté bien escrita.

Criterio de logro de la evidencia:

• la explicación es correcta y comprensible para un colega sin formación técnica;
• identifica al menos dos límites del sistema con un ejemplo educativo concreto;
• cada afirmación sobre «lo que funciona» está atribuida a una fuente identificable, con autor y fecha;
• la decisión es ejecutable con el tiempo, el espacio, el número de estudiantes y los recursos que realmente tienes;
• la evidencia queda archivada de forma reproducible: otra persona podría revisarla sin que tú se la expliques.

⚠️ Errores frecuentes

Propios de esta clase:

• Atribuir comprensión o intención al sistema por la fluidez de sus respuestas.
• Rechazar el uso por principio sin entender qué hace el sistema en la tarea concreta.

Característicos de la parte 13:

• Adoptar una herramienta por novedad y buscar después el objetivo que justifica su uso.
• Tratar la salida de un modelo de lenguaje como información verificada.

Los cuatro comparten estructura: un síntoma visible, una causa que no se ve y una corrección que casi siempre es de diseño y no de esfuerzo. Antes de atribuir el problema a los estudiantes o a ti, comprueba cuál de ellos está operando y qué evidencia lo distinguiría de los otros tres.

♿ Diversidad, accesibilidad y ética

Los sistemas entrenados con datos no representativos funcionan peor con hablantes de variedades lingüísticas minorizadas y con estudiantes de contextos poco presentes en los datos. Ese desempeño desigual debe verificarse antes de adoptar, no después.

Antes de aplicar cualquier decisión de esta clase con estudiantes reales, revisa el protocolo de práctica responsable: consentimiento, resguardo de datos personales, proporcionalidad de la intervención y derecho de cada estudiante a no ser objeto de un ensayo que no le reporta beneficio.

🇨🇱 Contexto chileno y cumplimiento

Riesgo característico de esta parte: Adoptar una herramienta por novedad y buscar después el objetivo que justifica su uso. Antes de aplicar cualquier decisión de esta clase en un establecimiento real, verifica el marco vigente:

• Marco institucional y normativo: docs/MARCO_CHILE.md.
• Inclusión y apoyos: docs/INCLUSION_Y_DUA.md.
• Datos personales, IA y resguardos: docs/IA_EN_EDUCACION.md.
• Fuentes oficiales con cómo leerlas: docs/FUENTES.md.

La regla del programa es simple: la fuente oficial manda sobre el material pedagógico. Si la norma cambió después de la fecha de esta clase, gana la norma.

❓ Preguntas de comprobación

1. ¿Por qué un sistema de lenguaje produce información falsa con tono seguro?
2. ¿De qué datos aprendió el sistema que estás evaluando?
3. ¿En qué tarea educativa fallará de forma predecible?

📗 Fuentes y verificación

• Russell, S. & Norvig, P. Artificial Intelligence: A Modern Approach (edición vigente). Uso en esta clase: referencia estándar; útil para los fundamentos conceptuales sin depender de una tecnología concreta. Lectura selectiva: índice y capítulos pertinentes; registra edición y páginas consultadas. Localizar: ficha — sin localizador verificado todavía.
• UNESCO (2021). Recomendación sobre la ética de la inteligencia artificial. Uso en esta clase: marco internacional de principios aplicables a decisiones institucionales. Lectura selectiva: índice y capítulos pertinentes; registra edición y páginas consultadas. Localizar: fuente oficial · ficha

Catálogo completo: registro de fuentes con localizador · bibliografía del programa · glosario · fuentes oficiales y cómo leerlas.

Regla de fuentes. Las obras anteriores estructuran las perspectivas de esta materia.

Cualquier norma, decreto, orientación ministerial o política institucional mencionada debe

comprobarse en su fuente primaria vigente antes de usarse con estudiantes reales. El desarrollo

de esta clase es original y no reproduce capítulos protegidos por derechos de autor.

🔗 Conexión con el resto del programa

Es la base técnica de las clases 164 a 168 y se apoya en la clase 157.

Importante

Material de formación profesional. No reemplaza un título de pedagogía, una habilitación

legal para ejercer, ni el juicio de un equipo educativo que conoce a sus estudiantes.