Video
¡Bienvenidos y bienvenidas al cuarto módulo del MOOC!
Esta semana exploraremos la Inteligencia Artificial, su evolución y los desafíos éticos que plantea y analizaremos su impacto en la educación, considerando cuándo y cómo implementarla de forma responsable.
También conoceremos herramientas accesibles para crear modelos de IA sin necesidad de programar, permitiendo comprender su funcionamiento y aplicaciones en el aula.
Los objetivos de este módulo son:
-
- Comprender qué es la Inteligencia Artificial y su evolución a lo largo de la historia.
- Identificar los beneficios y desafíos de la IA.
- Reflexionar sobre el uso de la IA en educación.
- Conocer herramientas de IA para trabajar en el aula con el alumnado..
- Fomentar un enfoque crítico y reflexivo sobre la IA.
1. ¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?
Cuando hablamos de inteligencia artificial (IA), nos referimos a la capacidad de las máquinas para simular comportamientos inteligentes mediante una serie de procesos y algoritmos avanzados, diseñados para resolver problemas de forma autónoma. De esta manera, emulan lo que entendemos abstractamente como inteligencia humana, aunque todavía no existe un consenso universal sobre la definición exacta de inteligencia.
En el siguiente vídeo, Nuria Oliver, una de las voces más influyentes a nivel internacional en el campo de la IA, nos ofrece una explicación clara sobre qué es la inteligencia artificial, su potencial para transformar y mejorar nuestro mundo, así como las debilidades y retos que presenta en la actualidad.
La inteligencia artificial creará 58 millones de puestos de trabajo
, del canal de YouTube El Futuro Es Apasionante de Vodafone, bajo licencia YouTube Estandar
2. BREVE HISTORIA DE LA IA
La IA, aunque es un tema de actualidad, ha sido imaginada en distintas épocas. Desde la antigüedad, se visualizaban máquinas con la capacidad de pensar. En la Grecia clásica, destacan los míticos autómatas de Hefesto, como Talos, protector de Creta, o las mujeres de oro que lo ayudaban en su labor. En el Antiguo Egipto, se creaban figuras mecánicas controladas por sacerdotes para impresionar a las multitudes. A lo largo de la historia, desde la Edad Media hasta la Contemporánea, surgieron otros ingenios, como las “cabezas pensantes” y autómatas que contribuyeron al desarrollo tecnológico. Uno de los ejemplos más significativos fue “El ajedrecista”, construido en 1912 por el español Leonardo Torres Quevedo, considerado el primer dispositivo capaz de jugar al ajedrez de manera automática.
Sin embargo, la idea de una Inteligencia Artificial (IA) como la conocemos hoy no pudo materializarse hasta la segunda mitad del siglo XX.
A continuación, se presentan algunos de los hitos más importantes de la historia de la IA en forma de línea del tiempo para apreciar claramente los momentos clave que han marcado su evolución.
Futuro de la IA, por Lobotic, bajo licencia Pixabay
-
- 1950: Comienza la Edad de Oro de la IA. Alan Turing publica Computing Machinery and Intelligence, donde introduce su famoso Test de Turing.
- 1956: John McCarthy acuña el término “Inteligencia Artificial” en la Conferencia de Dartmouth.
- 1966: Se desarrolla ELIZA, uno de los primeros chatbots.
- 1968: Se estrena 2001: Una Odisea en el Espacio, con HAL 9000 como un famoso ejemplo ficticio de IA.
- 1970: Termina la “Edad de Oro” y comienza el Invierno de la IA por falta de progreso en las investigaciones.
- 1972: Hubert Dreyfus publica “What Computers Can’t Do”, criticando las limitaciones de la IA.
- 1986: Se construye la primera furgoneta guiada por visión artificial.
- 1988: La IA se aplica a la traducción automática entre inglés y francés.
- 1994: Dos vehículos autónomos recorren 1000 km sin intervención humana.
- 1996: Surgen los agentes inteligentes, capaces de percibir, procesar y actuar.
- 1997: Deep Blue derrota a Garry Kaspárov en ajedrez.
- 2008: Google lanza su primera app de reconocimiento de voz.
- 2011: Watson, de IBM, vence a dos expertos en el concurso Jeopardy!.
- 2012: Un modelo de Machine Learning identifica gatos en vídeos de YouTube.
- 2013: Boston Dynamics presenta el robot bípedo Atlas.
- 2016: AlphaGo derrota al campeón mundial de Go.
- 2017: El robot humanoide Sophia recibe la ciudadanía saudí.
- 2017: DeepMind desarrolla IA capaz de transferir habilidades aprendidas entre juegos.
- 2018: AlphaZero aprende por sí misma a jugar al ajedrez.
- 2018: Se lanza el primer televisor con IA integrada.
- 2019: Google presenta un Doodle que compone música basada en la obra de Bach.
- 2020: Tesla prueba la versión Beta de Autopilot con conducción autónoma.
- 2021: OpenAI lanza GPT-3, transformando la IA conversacional.
- 2021: OpenAI lanza DALL·E, un generador de imágenes a partir de texto.
- 2022: El fenómeno de ChatGPT de OpenAI toma relevancia global.
- 2023: AlphaFold revoluciona la biología molecular al predecir estructuras de proteínas.
- 2024: La IA generativa continúa avanzando en arte, música y otras industrias, mientras surgen desafíos éticos sobre la propiedad intelectual y los sesgos.
- 1950: Comienza la Edad de Oro de la IA. Alan Turing
3. LA IA GENERATIVA
La inteligencia artificial incluye muchas técnicas diferentes que permiten a las máquinas realizar tareas que normalmente requieren inteligencia humana, como el reconocimiento de imágenes, la toma de decisiones o el procesamiento del lenguaje natural. En general, la IA tradicional se enfoca en analizar patrones en los datos y realizar predicciones basadas en esos patrones.
Por otro lado, la IA generativa representa un avance dentro del campo de la IA. En lugar de limitarse a analizar datos y predecir resultados, la IA generativa puede crear contenido nuevo a partir de los datos con los que ha sido entrenada. Esto incluye la generación de imágenes, texto, música, vídeos, código informático… Mientras que la IA tradicional suele enfocarse en el análisis, la IA generativa va un paso más allá al generar algo nuevo, aunque basado en los ejemplos previos.
Creación propia usando ideogram.ai
4. PREOCUPACIONES ÉTICAS DEL USO DE LA IA
El uso de IA generativa ha aumentado las preocupaciones éticas: propiedad intelectual y los derechos de autor, gasto energético y de recursos hídricos, la dependencia de datos, la indexación de contenido basura o la influencia de los algoritmos de IA en el comportamiento humano, entre otras.
Algunas de estas preocupaciones están afectando especialmente a las mujeres, como la capacidad de crear contenido falso con apariencia realista, conocido como deepfakes. Es decir, material audiovisual que puede emplearse con fines malintencionados, como difamar, crear desinformación, suplantar identidades, humillar, controlar y extorsionar a personas. Por ejemplo, se han dado numerosos casos de imágenes de menores manipuladas mediante esta tecnología para crear contenido sexual, incluso por otros menores compañeros suyos.
Deepfakes: How to spot them, del canal de YouTube CBC Kids News, bajo licencia YouTube Estandar
También los sesgos y la representación inadecuada son debilidades detectadas en el ámbito de la IA generativa. Por ejemplo, si los modelos se entrenan con datos sesgados o incompletos favorecen que se perpetúen los estereotipos y prejuicios presentes en esos datos, discriminando a colectivos subrepresentados en los datos o creando contenido que refuerza esa visión sesgada.
Imágenes generadas con el prompt “hombre trabajando” por ideogram.ai
Imágenes generadas con el prompt “mujer trabajando” por ideogram.ai
Imágenes generadas con el prompt “A boss and a worker at their workplace” por ideogram.ai
Imágenes generadas con el prompt “A doctor and a nurse” por ideogram.ai
Imágenes generadas con el prompt “two scientifics” por ideogram.ai
Imágenes generadas con el prompt “two engineers” por ideogram.ai
Imágenes generadas con el prompt “un niño y una niña jugando con su juguete” por ideogram.ai
Afortunadamente, hay pequeños avances en este sentido, aunque el ritmo es lento.
Captura de pantalla de conversación con Chat GPT, OpenAI. (2024)
5. LA IA EN EDUCACIÓN: DOS PREGUNTAS CLAVE
Antes de integrar la inteligencia artificial (IA) en el aula, es fundamental reflexionar sobre dos cuestiones esenciales:
-
- ¿Es pertinente?
- ¿Es adecuado?
5.1. ¿ES PERTINENTE?
El uso de herramientas de IA debe estar alineado con los objetivos de aprendizaje y las competencias que queremos que el alumnado desarrolle. No se trata de utilizar IA por su novedad o popularidad, sino de asegurar que su aplicación contribuya al proceso formativo de manera significativa. Las herramientas de inteligencia artificial pueden enriquecer el aprendizaje y se están volviendo cada vez más indispensables debido a la importancia de esta tecnología en nuestra vida cotidiana. Sin embargo, su uso debe enfocarse en lograr mejores resultados educativos y fomentar la adquisición de competencias clave. Por ello, como sucede antes de implementar cualquier tecnología, es fundamental plantearse las siguientes preguntas: ¿Cómo mejora esta herramienta el aprendizaje? ¿Favorece la adquisición de las competencias clave que buscamos desarrollar?
5.2. ¿ES ADECUADO?
El uso de IA en educación también debe cumplir con principios éticos y legales. Diversas instituciones, tanto nacionales como internacionales, han reflexionado sobre este aspecto y ofrecen marcos y guías sobre cómo implementar estas tecnologías de forma adecuada. Estas son algunas de las más utilizadas:
-
- Beijing Consensus on Artificial Intelligence and Education (UNESCO, 2019): el consenso de Beijing establece principios éticos y normas internacionales para el uso de IA en el ámbito educativo, promoviendo su utilización de manera equitativa, inclusiva y ética, sin poner en riesgo los derechos del alumnado.
- Directrices éticas sobre el uso de la inteligencia artificial (IA) y los datos en la educación y formación para los educadores (Unión Europea, 2022): estas directrices destacan la importancia de un uso responsable de la IA en el aula, asegurando que las herramientas respeten los derechos fundamentales, la privacidad y la seguridad del alumnado.
- AI competency framework for teachers (UNESCO, 2024): este documento está orientado a la preparación del profesorado para el uso eficaz y ético de la inteligencia artificial en el aula.
- AI competency framework for students (UNESCO, 2024): complementa al anterior documento y se orienta a preparar al alumnado para interactuar de manera adecuada, segura y ética con la IA en su vida diaria y de cara a su futuro profesional.
- Beijing Consensus on Artificial Intelligence and Education
5.3. DECÁLOGO DE LA IA EN EDUCACIÓN
Para facilitar un uso adecuado y ético de la inteligencia artificial en el ámbito educativo podemos apoyarnos en este decálogo. En él se ofrecen algunas pautas para trabajar con la IA .en el aula.
| 1. Transparencia y conciencia
2. Responsabilidad digital 3. Ética digital y privacidad 4. Uso creativo y significativo 5. Personalización responsable |
6. Aprendizaje colaborativo
7. Participación en el proceso 8. Evaluación continua 9. Accesibilidad universal 10. Integración respetuosa |
|
-
- Transparencia y conciencia: asegúrate de que el alumnado comprenda que están interactuando con una inteligencia artificial y no con una entidad humana.
- Responsabilidad digital: enseña al alumnado la importancia de la ética en el uso de la IA, promoviendo la toma de decisiones responsables e informadas, y desarrollando habilidades críticas y conciencia cívica en el entorno digital.
- Ética digital y privacidad: enseña al alumnado la importancia de la ética a la hora de usar la IA, y cómo tomar decisiones responsables en internet, incluyendo la protección de su privacidad y datos personales.
- Uso creativo y significativo: integra la IA en actividades que sean significativas para el alumnado, que estimulen su creatividad, la resolución de problemas y el pensamiento crítico.
- Personalización responsable: emplea la IA para adaptar el contenido educativo a las necesidades individuales del alumnado, respetando la diversidad y evitando sesgos.
- Aprendizaje colaborativo: fomenta la colaboración entre el alumnado manteniendo la interacción con la IA como una herramienta de apoyo, no como sustituta de la interacción humana.
- Participación en el proceso: promueve un diálogo abierto y la retroalimentación sobre su experiencia con la IA para mejorar su forma de acercarse a esta tecnología.
- Evaluación continua: analiza regularmente cómo la IA influye en el aprendizaje y el bienestar del alumnado.
- Accesibilidad universal: asegúrate de que la IA y los recursos utilizados sean accesibles para todo el alumnado.
- Integración respetuosa: incorpora la IA de manera respetuosa para mejorar la calidad del proceso educativo, sin vulnerar los derechos y valores fundamentales y teniendo presente que no puede ni debe sustituir la labor docente.
6.1. PRIMEROS PASOS
Para comenzar a entender cómo funciona la IA de forma práctica podemos utilizar estos recursos:
Quick, Draw!
Google (2024). ¡Corre, dibuja [Aplicación web]
La aplicación “Quick, Draw!” (“¡Corre, dibuja!” en español) es un experimento de inteligencia artificial desarrollado por Google, que consiste en dibujar en menos de 20 segundos un objeto propuesto por la app. Mientras se va dibujando, una red neuronal intenta adivinar de qué se trata en tiempo real. Este proceso permite a la IA mejorar su reconocimiento con los dibujos de cada persona que participa.
Con esta aplicación podemos comenzar a entender cómo funcionan las redes neuronales:
-
- La IA se ha entrenado con una enorme cantidad de datos, es decir, con los dibujos que otras personas hicieron previamente.
- Cada nueva interacción ayuda a la IA a mejorar porque se reentrena con cada nuevo uso añadiendo nuevos datos que podrá usar en el futuro.
- La IA identifica patrones comunes en los dibujos, lo cual le permite “adivinar” lo que se está dibujando.
- Cuando un dibujo no concuerda con los datos previos la IA tiene dificultades para clasificarlo. Esto puede forzarse haciendo el dibujo en una posición poco habitual, como por ejemplo al revés, o inclinado.
IA para los océanos
Code.org (2024). IA para los océanos [Aplicación web]
IA para los océanos es una lección interactiva que forma parte de la iniciativa “Hora del Código“. Permite introducir al alumnado los conceptos básicos de inteligencia artificial y aprendizaje automático. El proceso consiste en entrenar un modelo de IA para distinguir entre diferentes tipos de objetos, como peces o desechos, facilitando la comprensión de cómo la IA puede clasificarlos y tomar decisiones basadas en los datos con los que ha sido entrenada.
Con esta aplicación podemos comenzar a entender cómo es el entrenamiento de un modelo de aprendizaje automático (machine learning):
-
- Comprender que la IA necesita datos para “aprender” y que su precisión depende del entrenamiento.
- Aprender cómo la IA clasifica información a partir de datos de entrenamiento y cómo puede equivocarse si no tiene suficiente información.
- Comprender que la IA depende de los datos de entrenamiento y que puede adquirir sesgos si esos datos están incompletos o son incorrectos.
6.2. HERRAMIENTAS PARA CREAR MODELOS DE MACHINE LEARNING
Desde hace ya un tiempo, algunas personas e instituciones se han interesado por acercar el aprendizaje automático al aula, por lo que disponemos de herramientas diseñadas para poder trabajar en proyectos de programación que integren estas técnicas fácilmente. A continuación, ,analizaremos tres de estas herramientas.
Teachable Machine
Teachable Machine es una herramienta desarrollada por Google que permite crear, sin conocimientos técnicos, modelos de aprendizaje automático directamente desde el navegador. Con esta aplicación se pueden entrenar modelos de reconocimiento de imágenes, sonidos y posturas de forma intuitiva y rápida, usando una cámara web o cargando archivos.
Teachable Machine 2.0: Making AI easier for everyone, del canal de YouTube Google, bajo licencia CC BY
Machine Learning for Kids
ML4K es una herramienta desarrollada por Dale Lane que utiliza IBM Watson Developer Cloud. Funciona desde el navegador y permite entrenar modelos de texto, imagen, sonido y números. Puede usarse sin registro, pero al crear una cuenta es posible guardar los modelos entrenados. Estos modelos se pueden exportar a Scratch, Python y App Inventor, adaptándose a diferentes niveles de conocimiento.
Rock, Paper, and Scissor – Machine Learning for Kids, del canal de YouTube dh.artisan, bajo licencia YouTube Estandar
LearningML
LearningML es una herramienta desarrollada por Juan David Rodríguez que utiliza la librería Tensorflow.js, por lo que no depende de APIs de terceros. Funciona desde el navegador sin necesidad de instalar nada, permitiendo entrenar modelos de texto, imagen y números. Incluye una versión avanzada para poder controlar el algoritmo de machine learning que se aplica y sus parámetros, además de la versión LearningML Snap! que permite programar todas las fases del modelo mediante Snap! y una versión de escritorio para trabajar offline que está preinstalada en diversas distribuciones de software libre educativo.
Módulo 3. Scratch y Scratch JR
En este módulo trabajaremos con Scratch, un entorno de programación por bloques que permite crear animaciones, juegos e historias de forma intuitiva. También conoceremos ScratchJr, su versión simplificada para el alumnado más joven, ideal para iniciarse en la programación sin necesidad de saber leer.
Verás cómo ambas herramientas se adaptan a distintos niveles y necesidades educativas, y descubrirás ideas y recursos para integrarlas de forma inclusiva en el aula.
Los objetivos de este módulo son los siguientes:
-
- Comprender el funcionamiento de Scratch y ScratchJr.
- Explorar las posibilidades creativas de Scratch.
- Conocer las ventajas de ScratchJr como una herramienta accesible para iniciarse en la programación.
- Diseñar estrategias inclusivas para integrar Scratch en el aula, fomentando la participación de todo el alumnado.
Enllaç al funcionament de l’Scratch del mòdul 3.
Módulo 2. Pensamiento Computacional desenchufado
¡Bienvenidos y bienvenidas al segundo módulo del MOOC!
En él podrás explorar las actividades desenchufadas, una forma accesible y divertida de aprender programación sin dispositivos electrónicos. Descubrirás cómo fomentan el razonamiento lógico, la creatividad y el trabajo en equipo, además de ser inclusivas y adaptables a distintos contextos.
También profundizaremos en el marco Brennan-Resnick, que facilita una estructura que facilita trabajar el pensamiento computacional concretándolo en conceptos, prácticas y perspectivas, y conoceremos a sus creadores.
Finalmente, pondrás en práctica lo aprendido diseñando un reto desenchufado con perspectiva de género.
Los objetivos que alcanzaremos al finalizar este módulo son los siguientes:
-
- Introducir el pensamiento computacional desenchufado.
- Fomentar habilidades clave del pensamiento computacional.
- Conocer el marco conceptual de Brennan-Resnick.
- Explorar recursos y ejemplos de actividades desenchufadas.
- Diseñar una actividad desenchufada.
1. ¿A QUÉ LLAMAMOS ACTIVIDADES DESENCHUFADAS?
El Pensamiento Computacional Desenchufado (Computational Thinking Unplugged en inglés), trata de enseñar los principios del pensamiento computacional sin la necesidad de dispositivos electrónicos, como ordenadores, tabletas, etc. Es una forma de aprender a “resolver problemas, diseñar sistemas y comprender el comportamiento humano, haciendo uso de los conceptos fundamentales de la informática”, como decía J. Wing, utilizando actividades sin tecnología.
El pensamiento computacional desenchufado enseña al alumnado los principios y habilidades de la programación y la informática, mediante actividades y juegos con materiales físicos (como cartas, papel, lápices, tableros, etc.) para favorecer la comprensión de conceptos como: la descomposición, la abstracción, el reconocimiento de patrones y la creación de algoritmos.
Este tipo de actividades permiten al alumnado interactuar de manera práctica con los conceptos abstractos que se usan en la programación, de una manera más tangible y accesible.
2. BENEFICIOS DEL PENSAMIENTO COMPUTACIONAL DESENCHUFADO
El Pensamiento Computacional Desenchufado, además de introducir conceptos fundamentales de la informática en el aula, pueden ayudar al alumnado a pensar de manera estructurada y lógica, fomentando habilidades como la resolución de problemas, el trabajo en equipo y la creatividad. Algunos de los beneficios de trabajar este tipo de actividades en el aula son los siguientes:
-
- Accesibilidad: no se necesita tecnología. Uno de los principales problemas que enfrentan los centros educativos es la limitación de recursos, por lo que las actividades desenchufadas permiten trabajar los conceptos que se aprenderían con tecnología, pero usando únicamente materiales básicos como lápiz, papel, cartas o actividades físicas.
- Sencillez: estas actividades son fáciles de implementar y requieren pocos recursos fáciles de conseguir.
- Fomenta el razonamiento lógico: ayuda al alumnado a estructurar su pensamiento de manera lógica y fomenta habilidades esenciales como el pensamiento crítico, la resolución de problemas o los procesos de toma de decisiones.
- Trabajo en equipo: muchas de las actividades están diseñadas para desarrollarlas en pareja o en pequeño grupo, lo que fomenta la colaboración y el trabajo en equipo.
- Conceptos de programación: facilitan la adquisición de los principales conceptos utilizados en este campo.
- Inclusividad y adaptabilidad: las actividades desenchufadas suelen ser fácilmente adaptables a diferentes edades, niveles y estilos de aprendizaje.
3. EL MARCO CONCEPTUAL DE BRENNAN-RESNICK
El marco conceptual de Brennan-Resnick es una herramienta que nos puede ayudar a entender mejor el pensamiento computacional, cuáles son sus características, qué conceptos y procedimientos engloba, cómo abordar la evaluación de este… es decir, permite pasar de una definición abstracta y conceptual (sobre la cual, como hemos visto previamente, no hay consenso) a una definición más operativa.
3.1. BRENNAN Y RESNICK
Mitchel Resnick es profesor del MIT Media Lab y director del grupo Lifelong Kindergarten, un grupo de trabajo que se enfoca en crear experiencias de aprendizaje que fomentan la creatividad, la colaboración y la resolución de problemas. Resnick y el grupo Lifelong Kindergarten son principalmente conocidos por su trabajo en Scratch, un entorno de programación visual diseñado para enseñar al alumnado los conceptos fundamentales de la informática de manera divertida y accesible. Su enfoque pedagógico está basado en el constructivismo, influenciado por las ideas de Seymour Papert, y defiende que el alumnado aprende mejor cuando crea y juega con su propio conocimiento. Este enfoque enlaza con la idea de la creación de “productos significativos” que proponía Papert: creaciones que el alumnado produce a lo largo de un proceso de aprendizaje activo y que tienen valor porque están relacionadas con sus intereses, necesidades y experiencias, y no son simplemente una tarea para cumplir con un objetivo extrínseco.
, por ScratchEd Team, bajo licencia CC BY es profesora de práctica en la Escuela de Posgrado en Educación de la Universidad de Harvard (HGSE) y directora del Creative Computing Lab. Además está afiliada al departamento de Ciencias de la Computación de la universidad. Su trabajo de investigación se centra en el diseño de experiencias de aprendizaje en informática para el alumnado de Educación Primaria y Secundaria.
El enfoque de las experiencias de aprendizaje diseñadas por Brennan está basado en el construccionismo, de Papert, tratando de promover la autonomía del alumnado y la creación de comunidades a través de la personalización, la creación, el intercambio y la reflexión. Sus actividades de investigación y diseño se estructuran en tres áreas clave: investigar cómo el profesorado de Educación Primaria y Educación Secundaria diseña experiencias de aprendizaje en Informática, crear estructuras de apoyo para que el profesorado adopte enfoques construccionistas en la enseñanza de informática, y estudiar el desarrollo de la fluidez computacional en el alumnado más joven. Antes de unirse a HGSE, Brennan completó su doctorado en el MIT Media Lab, donde formó parte del equipo que desarrolla el entorno de programación Scratch.
3.2. EL MARCO BRENNAN-RESNICK
El marco Brennan-Resnick clasifica las características observables del desarrollo del pensamiento computacional en tres grupos:
-
- Conceptos: son las ideas clave que se aprenden cuando se desarrolla el pensamiento computacional; conceptos que se aplican en la programación informática, es decir, qué aprendemos.
- Prácticas: se enfocan en los procesos y habilidades que se desarrollan, es decir, se relacionan con cómo aprendemos.
- Perspectivas: se refiere a cómo nos relacionamos con la tecnología, con otras personas y con el mundo, y a cómo aprendemos a usar esa tecnología de manera crítica y consciente.
Esta herramienta facilita el proceso de enseñanza-aprendizaje del pensamiento computacional, ya que define qué aprender, cómo hacerlo y cómo expresarse y relacionarse mediante la tecnología de forma crítica.
|
|
|
Para profundizar en la comprensión del pensamiento computacional y su aplicación en el aula, a continuación, se propondrán una serie de actividades desenchufadas relacionadas con los conceptos del marco Brennan-Resnik y las diferentes fuentes de las que se han extraído, con el objetivo de dotar de un amplio banco de recursos para este tipo de actividades.
4.1. SECUENCIAS
El concepto de secuencia se refiere al orden lógico en el que se deben ejecutar unas instrucciones para resolver un problema computacionalmente, es decir, organizar acciones paso a paso para alcanzar un objetivo.
Cody Roby
Cody Roby es un conjunto de materiales DIY (del inglés, Do It Yourself, hacerlo uno/a mismo/a) y una serie de juegos que utilizan dichos materiales para desarrollar el pensamiento computacional de forma desenchufada.
El kit de inicio imprimible incluye fichas de robot, una baraja de cartas con flechas para programar sus movimientos y un tablero, todo descargable para imprimir y recortar:
-
- Tablero: se suele utilizar uno de 5×5 casillas, pero puede crearse uno tan grande como necesites.
- Cartas: las básicas son “avanzar”, “giro a la derecha” y “giro a la izquierda”, aunque hay cartas especiales para juegos más avanzados.
- Fichas: en el kit vienen fichas de robots de distintos colores para representar a Roby.
- Caja: también incluye el desarrollo de una caja para guardar las tarjetas. No es necesaria para desarrollar las actividades, pero puede ser un buen complemento.
|
|
|
Turn-left-cards |
Las actividades propuestas están basadas en la interacción entre dos personas con diferentes roles: Cody, quien da las instrucciones, y Roby, quien las ejecuta. Las instrucciones se representan mediante tres cartas básicas: avanzar, girar a la derecha y girar a la izquierda. En el siguiente vídeo se muestra cómo preparar los materiales y los juegos propuestos.
→Propuestas de actividades con perspectiva de género para Cody Roby
RETO
El objetivo de esta actividad obligatoria es diseñar una actividad desenchufada que ayude al alumnado a comprender y desarrollar el pensamiento computacional, iniciándose en el lenguaje y los conceptos básicos de la programación. La actividad debe trabajar la igualdad de género y puede estar contextualizada dentro de una o varias áreas del currículo.
Para desarrollar la actividad:
-
- Diseña un título atractivo para la actividad desenchufada.
- Especifica el nivel educativo y las edades a las que está dirigida.
- Indica claramente el objetivo u objetivos que pretende trabajar.
- Describe en resumen en qué consiste la actividad.
- Explica el desarrollo de la actividad paso a paso.
- Incluye un listado de los recursos necesarios para llevarla a cabo.
- Añade anexos si necesitas material específico que has creado para tu actividad.
Para crear tu reto y compartirlo (no olvides que debes hacerlo mediante una URL pública) puedes utilizar alguna de las herramientas que te ofrecemos al principio del curso en el apartado de recursos.
La siguiente rúbrica te orientará a la hora de realizar el reto y te ayudará a evaluar los trabajos de tus compañeros y compañeras. Es importante que la tengas presente para saber qué criterios de evaluación debes considerar a la hora de realizar el reto.
Módulo 1. Mujeres, STEAM y pensamiento computacional
OBJETIVOS
En este primer módulo hablaremos sobre la importancia de introducir la robótica en la educación desde edades tempranas, prestando especial atención en fomentar la participación de las niñas en STEAM. Reflexionaremos sobre cómo los estereotipos de género afectan en la educación y la necesidad de visibilizar modelos femeninos en estos campos. Además, presentaremos estrategias para reducir la brecha de género e introduciremos el pensamiento computacional, destacando las contribuciones de Seymour Papert y Jeannette Wing. Por último, exploraremos los cuatro pilares del pensamiento computacional: descomposición, abstracción, reconocimiento de patrones y diseño algorítmico.
Los objetivos que se pretenden alcanzar son los siguientes:
-
- Analizar la importancia de introducir la robótica y la programación en la educación desde una edad temprana para fomentar la participación de las niñas en áreas STEAM.
- Reflexionar sobre la influencia de los estereotipos de género en la educación.
- Identificar la relevancia de visibilizar modelos femeninos en STEAM como inspiración para las niñas.
- Comprender el pensamiento computacional, sus cuatro pilares fundamentales y las aportaciones de Seymour Papert y Jeannette Wing en este campo.
Reduciendo la brecha de género en actividades STEAM
1. INTRODUCCIÓN
En un mundo donde la tecnología y la robótica están cada vez más presentes en nuestras vidas, es fundamental garantizar que estos avances reflejen valores de igualdad y equidad de género. El MOOC Iniciación a la Robótica y Programación con perspectiva de género se centra en abordar y mitigar los sesgos de género inherentes en el diseño, desarrollo y aplicación de la robótica y la inteligencia artificial.
Este curso pretende proporcionar las herramientas necesarias para trabajar la Programación y la Robótica de manera inclusiva y respetuosa, además de explorar cómo los estereotipos de género pueden influir en el diseño y la implementación de tecnologías, y cómo pueden ser superados.
Niñas en pie de ciencia
2. ALGUNOS DATOS
Según diferentes informes, desde los más antiguos, como Descifrar el código: La educación de las niñas y las mujeres en Ciencias, Tecnología, Ingeniería y Matemáticas (STEM) (UNESCO, 2017), hasta los más recientes, como La brecha de género en la Educación STEAM (Martín et al., 2022), se observa que, a lo largo de su trayectoria educativa, las niñas son progresivamente alejadas de estas disciplinas debido a diversos factores individuales, familiares, de los pares, escolares y sociales, lo que limita sus oportunidades para ingresar en estos campos en la adultez.
La brecha de género en disciplinas STEAM en España comienza en la Educación Primaria y continúa hasta el ámbito laboral.
El informe Mujeres en STEM. Desde la educación básica hasta la carrera laboral (Cobreros el al. 2024) revela esta brecha de género en disciplinas STEAM con algunos datos de interés:
-
- En Educación Primaria, las niñas muestran una probabilidad un 15% menor que los niños de considerar las matemáticas como su materia preferida, y entre un 8 y un 9% menor de considerarse buenas, aprender rápido, o disfrutar con esta asignatura. Piensan con mayor probabilidad que son aburridas y difíciles.
- En la etapa de Bachillerato, aunque hay más mujeres que completan con éxito estudios STEAM, solo el 52% elige estas áreas, frente al 65% de los hombres.
- En la Educación Superior, las mujeres matriculadas en grados universitarios STEAM no llegan al 50% en casi ningún caso, y en Matemáticas (36%), Física (27%), Telecomunicaciones (23%) o Informática (13%) son especialmente bajas.
- En Formación Profesional, solo el 7% de las mujeres se gradúan en STEM, frente al 52% de los hombres. En la mayoría de los grados STEM la proporción hombres/mujeres es de prácticamente 9 a 1.
- En el ámbito laboral, solo el 5.5% de las mujeres trabajan en campos STEM, ocupando únicamente el 25% de los puestos en esta área.
Algunas ideas propuestas para cerrar estas brechas son:
-
- Fomentar la participación en áreas STEAM a través actividades enmarcadas en estas áreas.
- Eliminar sesgos de las actividades y de los materiales haciéndolos más flexibles y adaptables.
- Incrementar el acceso a referentes STEAM femeninos tanto del pasado como actuales.
3. ELIMINANDO SESGOS DE GÉNERO
Dar a conocer referentes femeninos en campos como la Programación, la Robótica y la Inteligencia Artificial (IA) representa un papel fundamental en la reducción de la brecha de género en áreas STEAM en educación. Como se ha comentado previamente, una de las razones identificadas para explicar la escasa participación de las mujeres en carreras STEAM es la falta de modelos femeninos a seguir en estos campos.
La representación y divulgación de mujeres referentes en estas áreas puede inspirar a niñas y jóvenes a seguir sus pasos y a interesarse e identificarse con estas disciplinas.
La presencia de referentes femeninos también ayuda a reducir los estereotipos y sesgos de género arraigados, promoviendo la idea de que hombres y mujeres son igualmente capaces en disciplinas técnicas y científicas, desterrando la idea de que ciertas áreas STEM son eminentemente masculinas.
El efecto Matilda
El efecto Matilda es un término utilizado para describir el fenómeno por el que las mujeres no reciben el crédito que merecen por sus contribuciones científicas, siendo sus logros ignorados, minimizados o atribuidos erróneamente a hombres.
El término se originó en honor a Matilda Joslyn Gage, la primera mujer dedicada al ámbito científico que denunció este aspecto negativo en la sociedad.
4. ALGUNOS REFERENTES FEMENINOS EN CIENCIAS DE LA COMPUTACIÓN, ROBÓTICA E IA
A lo largo de la historia, las mujeres han desempeñado un papel fundamental en el desarrollo de la Informática, la Robótica y la Inteligencia Artificial, aunque, como hemos visto, sus contribuciones han sido frecuentemente invisibilizadas. Desde pioneras como Ada Lovelace, considerada la primera programadora, hasta investigadoras contemporáneas, estas han transformado el mundo tecnológico. La recopilación que se presenta a continuación menciona algunas de ellas, pero está lejos de ser una lista completa; aún quedan muchas referentes por visibilizar y reconocer en la evolución de estas disciplinas.
Ada Lovelace (1815-1852): considerada la primera programadora de la historia, Ada Lovelace desarrolló el primer algoritmo destinado a ser procesado por una máquina, estableciendo así los fundamentos de la programación informática.
, por Antoine Claudet, Public domain, vía Wikimedia Commons(1914-2000): actriz e inventora austríaco-estadounidense, Heidy Lamarr es conocida por su invención de la tecnología de “salto de frecuencia”, que sienta las bases para tecnologías modernas como el WiFi y el Bluetooth.
, por Employee(s) of MGM, Public domain, vía Wikimedia Commons.Katherine Johnson (1918-2020): matemática y científica de la NASA, Katherine Johnson fue fundamental en los primeros vuelos espaciales tripulados por humanos. Realizó cálculos críticos para la seguridad de las misiones espaciales, incluido el vuelo de John Glenn en 1962.
por NASA, Public domain, vía Wikimedia Commons.Fran Allen (1932-2020): pionera en el campo de la optimización de compiladores y programación paralela, Fran Allen fue la primera mujer en recibir el Premio Turing, el más prestigioso en el campo de la informática, por sus contribuciones a la teoría y práctica de la compilación.
, por Rama, CC BY-SA 2.0, vía Wikimedia Commons.Margaret Hamilton (1936): conocida por su trabajo en el programa espacial Apolo de la NASA, Margaret Hamilton fue una ingeniera de software clave en el desarrollo del software de guía de vuelo de la misión Apolo 11, que llevó al primer alunizaje humano en la Luna.#/media/Archivo:Margaret_Hamilton_1995.jpg)
por Daphne Weld Nichols, CC BY-SA 3.0, vía Wikimedia Commons.Lynn Conway (1938): ingeniera eléctrica y pionera en diseño de microchips, Lynn Conway es conocida por su trabajo en la arquitectura de computadoras y el diseño de chips VLSI. Fue fundamental en el desarrollo del diseño de chips en la década de 1970 y ha sido una defensora de los derechos de las personas transgénero en la ciencia y la tecnología.
Lynn Conway July 2006
, por Charles Rogers, CC BY-SA 2.5, vía Wikimedia Commons. (1939): destacada informática y profesora en el MIT, Barbara Liskov es conocida por su trabajo en lenguajes de programación, sistemas distribuidos y programación orientada a objetos. Fue una de las primeras mujeres de los Estados Unidos en conseguir un doctorado en ciencias de la computación, y recibió el Premio Turing en 2008.
Barbara Liskov speaking at OOPSLA 2009 conference
, por Mirko Raner, CC BY-SA 3.0, vía Wikimedia Commons.Barbara Grosz (1948): destacada investigadora en inteligencia artificial y lingüística computacional, Barbara Grosz es conocida por su trabajo en diálogos computacionales y sistemas multiagente. Fue la primera mujer en recibir el Premio AAAI por contribuciones sobresalientes a la inteligencia artificial.
Barbara Grosz
, por Bengt Oberger, CC BY-SA 4.0, vía Wikimedia Commons.Anita Borg (1949-2003): científica informática y activista por la igualdad de género en tecnología, Anita Borg fue la fundadora del Instituto de Investigación para las Mujeres y la Tecnología de la Información y la autora de “Mujeres en la Tecnología”.
Anita Borg (January 17, 1949 – April 6, 2003)
, por autor/a desconocida, Copyright (usado bajo criterio de Fair Use
), vía Wikimedia Commons. (1951): conocida como la “Madre de Internet”, Radia Perlman es una ingeniera de redes informáticas que desarrolló el algoritmo de árbol de expansión de puentes (STP), fundamental para la estabilidad de las redes Ethernet.
Radia Perlman,
by Scientist-100 at English Wikipedia, Public domain
, vía Wikimedia Commons.Carla Gomes (1960): científica informática y experta en inteligencia artificial, Carla Gomes es conocida por su trabajo en la aplicación de técnicas de IA a problemas complejos en áreas como la Ecología, la sostenibilidad y la Biología computacional. Es pionera en la integración de la IA en la toma de decisiones en políticas ambientales.
Professor Carla Gomes, giving a conference presentation
, por Dennis Hamilton, CC BY-SA 2.0, vía Wikimedia Commons.(1967): pionera en el campo de la robótica social, Cynthia Breazeal es conocida por su trabajo en el desarrollo de robots interactivos y emocionales. Es la fundadora del Laboratorio de Robótica Personal en el MIT.
Cynthia Breazeal with Jibo
, por Cynthia Breazeal, CC BY-SA 4.0, vía Wikimedia Commons.(1972): ingeniera robótica e investigadora en Inteligencia Artificial, Ayanna Howard es conocida por su trabajo en el diseño y desarrollo de sistemas robóticos autónomos y accesibles. Su investigación se centra en el desarrollo de tecnologías robóticas para mejorar la calidad de vida de las personas con discapacidad. Además, es defensora de la diversidad en STEM y ha recibido premios por su liderazgo en ingeniería.
Ayanna M. Howard – SnoMote
, por Georgia Institute of Technology, CC BY-SA 3.0, vía Wikimedia Commons.Reshma Saujani (1975): política y abogada, Reshma Saujani es conocida por ser fundadora y directora ejecutiva de Girls Who Code, una organización que se enfoca en cerrar la brecha de género en la tecnología y la programación al proporcionar oportunidades educativas a jóvenes mujeres.
2018 Prathamusa Reshma Saujani
, por Fuzheado, CC BY-SA 4.0, vía Wikimedia Commons.Fei-Fei Li (1976): investigadora en Inteligencia Artificial y visión por computadora, Fei-Fei Li es conocida por su trabajo en el desarrollo de algoritmos de reconocimiento de imágenes. Es cofundadora del Laboratorio de IA y Visión de la Universidad de Stanford.
Fei-Fei Li speaking at AI for Good 2017
, por ITU Pictures, CC BY-SA 2.0, vía Wikimedia Commons. (1980): científica de datos y ética de la Inteligencia Artificial conocida por su trabajo en equidad y justicia en algoritmos de IA. Gebru ha investigado temas como el sesgo algorítmico y la diversidad en la tecnología. También es cofundadora de Black in AI, una organización para promover el aumento de la presencia y la inclusión de personas negras en el campo de la IA.
Timnit Gebru crop
, por TechCrunch, CC BY-SA 2.0, vía Wikimedia Commons.Katherine Maher (1983): especialista en tecnología, desarrollo y democracia, Katherine Maher es conocida por haber sido directora ejecutiva de la Fundación Wikimedia, la organización sin ánimo de lucro detrás de Wikipedia. Maher es una defensora del acceso abierto al conocimiento y de la diversidad en la tecnología.
Katherine Maher in 2016
, por Myleen Hollero, CC BY-SA 4.0, vía Wikimedia CommonsMargaret Mitchell (1986): científica de datos y ética de la inteligencia artificial, Mitchell es conocida por su trabajo en la comprensión del lenguaje natural y la ética en el aprendizaje automático. También es una defensora de la transparencia y la equidad en los algoritmos de IA.
Margaret Mitchell 2017S
, por Mujeresconciencia, CC BY-SA 4.0, vía Mujeresconciencia. (1989): investigadora en Inteligencia Artificial y activista por la ética en la IA, Joy Buolamwini es reconocida por su trabajo en la identificación y mitigación de sesgos algorítmicos y discriminación facial en sistemas de reconocimiento facial. Es fundadora del Proyecto Algoritmo Justo y cofundadora del Laboratorio de Equidad Algorítmica de la Universidad de Stanford.
.jpg)
Joy Buolamwini
, 2018, por Niccolò Caranti, CC BY-SA 4.0, vía Wikimedia Commons.5. CREANDO ENTORNOS INCLUSIVOS
Además de las medidas mencionadas anteriormente, como revisar y monitorizar nuestro trato con el alumnado para tratar de detectar si nuestros propios sesgos pueden estar transmitiendo creencias y expectativas que contribuyan a mantener la brecha de género entre nuestro alumnado, y aumentar la exposición a referentes femeninos, existen algunos otros principios a considerar para que nuestras actividades de Programación y Robótica sean más inclusivas.
-
- Dotar a los proyectos de un carácter inclusivo: seleccionar proyectos o desafíos que no estén vinculados a estereotipos de género y que sean igualmente atractivos para todo el alumnado. Por ejemplo, en lugar de centrarse en la construcción de robots de combate o automóviles, considerar proyectos relacionados con la resolución de problemas del mundo real. Y, además, dándole la oportunidad al alumnado de decidir sobre sus propias creaciones, ofreciendo actividades más abiertas, orientadas a trabajar las competencias, destrezas y contenidos de una forma más libre.
- Fomentar el trabajo en equipo diverso: promover la formación de equipos diversos en términos de género, habilidades, conocimientos, etc., ayuda a evitar que se reproduzcan dinámicas de género en el aula y fomenta la colaboración entre estudiantes con diferentes enfoques y experiencias. Este principio requiere que el profesorado facilite que todas las voces sean escuchadas y valoradas durante las actividades mediante normas de participación, creación de un ambiente seguro para compartir ideas y una metodología que permita oportunidades equitativas para que todas las personas puedan contribuir al proyecto.
- Lenguaje inclusivo: utilizar un lenguaje inclusivo en las explicaciones, instrucciones y materiales de la actividad, evitando el uso de términos o ejemplos que refuercen estereotipos de género, permitirá asegurar de que todas las personas se sientan representadas y bienvenidas.
- Refuerzo positivo y reconocimiento de logros igualitario: reconocer y reforzar los logros de todo el alumnado de manera equitativa, evitando favoritismos o prejuicios basados en el género ayudará a crear ese entorno seguro en el que todo el alumnado pueda mejorar y crecer en sus habilidades.
- Contextualización inclusiva: presentar las actividades y desafíos de manera que sean relevantes y accesibles para todo el alumnado, evitando estereotipos de género, eligiendo ámbitos que interesen a una mayoría del alumnado y relacionar la Programación y la Robótica con contextos cotidianos o del mundo real.
- Referentes diversos: relacionar las actividades con el trabajo de referentes tanto femeninos como masculinos mostrando al alumnado que estas disciplinas están abiertas a todas las personas.
6. PARA AMPLIAR INFORMACIÓN
-
- No more Matildas (https://www.nomorematildas.com/). Asociación sin ánimo de lucro que persigue dar visibilidad a la mujer en la ciencia, y crear contenido para recuperar a las científicas para la historia.
- Mujeres STEAM (https://mujeresteam.es/). Proyecto para la incorporación de las mujeres en los sectores de Ciencia, Tecnología, Ingeniería, Arte y Matemáticas.
- Vocaciones STEAM (https://www.ciencia.gob.es/Secc-Servicios/Igualdad/Vocaciones-STEM.html). Recursos del Ministerio de Ciencia, Innovación y Universidades para fomentar entre las niñas y adolescentes las vocaciones científicas desde las materias relacionadas con los ámbitos STEAM.
- 11 de febrero (https://11defebrero.org/). Web de la iniciativa ciudadana para conmemorar el Día Internacional de la Mujer y la Niña en la Ciencia.
- No more Matildas (https://www.nomorematildas.com/
7. ¿QUÉ ES EL PENSAMIENTO COMPUTACIONAL?
El pensamiento computacional es un enfoque de resolución de problemas que se utiliza comúnmente en la informática y la programación, aunque también se puede aplicar a una amplia variedad de situaciones no informáticas.
En términos generales, el pensamiento computacional implica descomponer un problema complejo en partes más pequeñas y manejables, identificar patrones y relaciones entre los datos, y diseñar algoritmos para solucionar el problema de manera eficiente y efectiva.
El pensamiento computacional a menudo se describe como una combinación de habilidades analíticas, lógicas y creativas que se utilizan para abordar problemas complejos. Estas habilidades incluyen la capacidad de abstraer información importante, la capacidad de formular y probar hipótesis, la capacidad de diseñar y evaluar soluciones, y la capacidad de comunicar ideas de manera clara y concisa.
El pensamiento computacional se considera una habilidad importante en una amplia variedad de campos, no solo en la informática y la programación, sino también en la ciencia, la ingeniería, la medicina, la educación y muchos otros.
8.1. PAPERT
Se considera la figura de Seymour Papert (1928) como referente del pensamiento computacional. Fue un matemático, informático, educador y uno de los pioneros en la investigación del aprendizaje y la educación con dispositivos informáticos.
Seymour Papert
, por Gius195, bajo licencia CC BY SABasándose en las ideas constructivistas de Piaget este destacado científico computacional desarrolló la teoría del “construccionismo”.
Ambos enfoques, el constructivismo de Piaget y el construccionismo de Papert, tienen como objetivo principal fomentar el aprendizaje activo y la construcción del conocimiento por parte del estudiante.
Por un lado, las aportaciones de Piaget se centran en la idea de que el aprendizaje debe estar basado en la experiencia y la interacción con el entorno, y que el estudiante debe ser un agente activo en su propio proceso de aprendizaje. Por otro lado, Papert introduce la idea de que la construcción de objetos físicos y la programación pueden ser excelentes herramientas para desarrollar ese aprendizaje. En el construccionismo además se destaca la importancia de los entornos de aprendizaje que fomenten la exploración y el descubrimiento, y que permitan al alumnado aprender a su propio ritmo y según sus propios intereses.
Es decir, el construccionismo de Papert se basa en las teorías constructivistas de Piaget, pero se enfoca en la creación de objetos físicos y la programación como herramientas para el aprendizaje activo, ambas teorías se complementan.
Papert también fue el creador del lenguaje de programación LOGO, que estaba diseñado para enseñar a los niños y las niñas a programar.
Asimismo, Papert trabajó en el MIT (Instituto Tecnológico de Massachusetts) durante muchos años, fue miembro fundador del Media Lab del MIT y autor de varios libros, entre ellos “Mindstorms: Children, Computers, and Powerful Ideas”, un clásico de la educación y la tecnología, y en el aparece por primera vez el término pensamiento computacional. Para Papert, que no llegó a definirlo, el Pensamiento Computacional sería el resultado de su enfoque construccionista de la educación.
Antecedentes del pensamiento computacional: Seymour Papert
8.2. WING
Jeannette Marie Wing (1956), es una teórica informática e ingeniera estadounidense. Ha sido una importante promotora del término pensamiento computacional y la autora de la primera definición de este.
En 2006 la doctora Wing lo definió en un artículo queriendo describir cómo piensa un científico de las ciencias de la computación y lo beneficios que esta forma de pensar podría tener para todo el mundo.
En su artículo Computational Thinking, de 2006, Wing afirma que el pensamiento computacional es relevante en muchos ámbitos más allá de la programación y la informática, y que puede ser utilizado para resolver problemas en disciplinas como la Biología, la Física y la Economía. Además, explica por qué se trata de un proceso mental que involucra la formulación de problemas, la organización de datos, la abstracción y la creación de algoritmos para resolver problemas, una habilidad esencial en el momento histórico que vivimos.
También argumenta que el pensamiento computacional debería ser enseñado como una habilidad fundamental en la educación, desde la educación básica hasta la universidad.
Jeannette Wing, Davos 2013
, por Cropbot, bajo licencia CC BY SAEn el citado artículo Wing resalta los siguientes aspectos sobre el pensamiento computacional:
-
- Pensar como un informático o una informática es más que ser capaz de programar un ordenador.
- Es una habilidad fundamental, es decir, algo que todo ser humano debe tener interiorizado para funcionar en la sociedad moderna.
- Es una forma de pensar propia de los humanos, no de los ordenadores, es un pensamiento creativo e imaginativo. Después se utilizarán los dispositivos informáticos para apoyar esas soluciones creadas, pero la clave es nuestra inteligencia para abordar problemas.
- Complementa y combina el pensamiento matemático y de ingeniería.
- Se basa en ideas, no en “cosas”. Da importancia a los conceptos computacionales que usamos en diferentes aspectos de la vida, no solo al software y al hardware.
- Su finalidad sería: “Para todo el mundo y en todas partes”. Wing indica que el pensamiento computacional será una realidad cuando esté tan integrado, tan asimilado en nuestro modo de hacer las cosas, que ya no se vea como algo especial ni como una disciplina formal que deba enseñarse o explicarse de manera explícita.
9. DEFINICIÓN DE PENSAMIENTO COMPUTACIONAL
La Dra. Wing fue la primera persona en definir el concepto pensamiento computacional como:
Proceso de pensamiento para formular un problema y sus soluciones de manera que las soluciones sean representadas de una forma que pueden ser llevadas a un agente de procesamiento de información.
Desde entonces han ido surgiendo otras definiciones y matizaciones. Algunas de ellas son:
El proceso de reconocimiento de aspectos de la informática en el mundo que nos rodea, y aplicar herramientas y técnicas de la informática para comprender y razonar sobre los sistemas y procesos tanto naturales como artificiales. (Royal Society)
El pensamiento computacional es el proceso que permite formular problemas de forma que sus soluciones pueden ser representadas como secuencias de instrucciones y algoritmos. (Alfred V. Aho)
Expresión popular que se refiere a un conjunto de ideas computacionales y hábitos mentales que las personas en disciplinas informáticas adquieren a través de su trabajo en el diseño de programas, software, simulaciones y cálculos realizados por máquinas. (Tedre y Denning)
Como se puede observar, muchas personas y entidades han propuesto diferentes definiciones para el pensamiento computacional, y no hay consenso al respecto. En algunos casos incluso se confunde el pensamiento computacional con la programación o la robótica.
En 2019, Jesús Moreno-León, Gregorio Robles, Marcos Román-González y Juan David Rodríguez García, publicaron el artículo No es lo mismo: un análisis de red de texto sobre definiciones de pensamiento computacional para estudiar su relación con la programación informática.
Este artículo analiza diferentes definiciones de pensamiento computacional para encontrar características comunes y entender mejor su relación con la programación.
A través de un análisis de red, se identificaron palabras clave y las conexiones entre ellas. Las palabras más importantes en estas definiciones, que actúan como puntos de enlace entre diferentes conceptos, son “problema”, “ordenador”, “solución” y “proceso”.
, por G, Robles, M. Román-González y J. D. Rodríguez García bajo licencia CC BY SA NCEl equipo resalta que en este análisis ni “programación”, ni “codificación” aparecen como palabras clave centrales en las definiciones estudiadas, pero en la práctica educativa suelen utilizarse casi como palabras sinónimas, probablemente porque la mayoría de las actividades diseñadas para desarrollar el pensamiento computacional utilizan actividades de programación.
El artículo propone también una nueva definición de pensamiento computacional basada en los datos analizados:
La capacidad de formular y representar problemas para resolverlos utilizando herramientas y conceptos de la informática, como la abstracción y la descomposición.
Esta definición podría ser útil para aclarar que el pensamiento computacional es una habilidad cognitiva, mientras que la programación es solo uno de los métodos para desarrollarla.
10. LOS PILARES DEL PENSAMIENTO COMPUTACIONAL
Una vez definido el concepto de pensamiento computacional, se presentan sus cuatro pilares básicos:
-
- Descomposición: el proceso de dividir un problema en partes más pequeñas y manejables. Esto implica analizar un problema complejo y dividirlo en tareas más simples y fáciles de entender.
Por ejemplo, si quieres organizar un viaje en coche a una ciudad que no conoces, puedes dividir el problema en tareas más pequeñas y manejables, como buscar posibles rutas en un mapa, planear las paradas en el camino, hacer reservas para el alojamiento, buscar información de los lugares y monumentos más importantes de ese sitio y organizar las actividades de cada día. Al descomponer el problema en partes más pequeñas, puedes hacer que planear el viaje sea algo menos abrumador, más manejable y disfrutable.
Descomposición
, por lobotic, bajo licencia CC BY-
- Abstracción: el proceso de enfocarse en los aspectos importantes de un problema y eliminar los detalles innecesarios.
Por ejemplo, en algunas versiones de los planos del metro encontramos las diferentes líneas representadas de manera esquemática. Es decir, las distancias y la posición de las estaciones no son fieles a la realidad, pero nos da una visión clara de conjunto que nos facilita la tarea a la hora de elegir la mejor ruta para llegar a nuestro destino.
Abstracción
, por lobotic, bajo licencia CC BY-
- Reconocimiento de patrones: la capacidad de encontrar patrones, tendencias y relaciones en la información. Esto implica encontrar similitudes y diferencias entre datos, identificar secuencias y establecer relaciones entre los datos.
Por ejemplo, en algunos deportes, como el baloncesto, es habitual que el equipo técnico estudie grabaciones de los partidos de su rival para descubrir esos patrones y prever las acciones del equipo contrario. Al observar los movimientos de los jugadores pueden identificar patrones en la forma en que se pasan la pelota, corren o se posicionan en el campo, y de esa forma preparar a su equipo para anticipar las jugadas y tomar decisiones más rápidas y efectivas a fin de obstaculizar la estrategia del rival y aprovechar sus rutinas en su propio beneficio.
ReconocerPatrones
, por lobotic, bajo licencia CC BY-
- Diseño algorítmico: el proceso de desarrollar un conjunto de pasos lógicos para resolver un problema. Esto significa diseñar y desarrollar algoritmos que puedan ser implementados y ejecutados por una computadora para resolver el problema.
Por ejemplo, un algoritmo que utilizamos muy a menudo es el de la suma: para sumar dos números, se escriben uno debajo del otro. La cifra de las unidades del primer número se escribe debajo de la cifra de las unidades del segundo número. Las cifras de las decenas se colocan una debajo de la otra, y así sucesivamente para cada cifra. Luego, se suma la columna de las unidades. Si la suma es menor a 10, se escribe el resultado debajo de la línea. Si es mayor o igual a 10, se escribe sólo la cifra de las unidades del resultado debajo de la línea, y se lleva la cifra de las decenas a la siguiente columna… Este algoritmo que hemos utilizado miles de veces a lo largo de nuestra vida nos facilita lograr el objetivo, es decir, calcular la suma.
DiseñoAlgorítmico
, por lobotic, bajo licencia CC BYEl pensamiento computacional, apoyándose en estos cuatro pilares, permite afrontar problemas complejos de una forma más estructurada y lógica. Esto puede suponer un apoyo para la resolución de problemas en diversas áreas de la vida cotidiana, desde planificar cómo hacer la compra hasta elegir la mejor ruta para llegar a un destino o entender con precisión cómo seguir una receta de cocina. Las habilidades desarrolladas gracias al pensamiento computacional ayudan a abordar situaciones de forma eficiente y potencian tanto la creatividad como el análisis lógico. Esto la convierte en una herramienta fundamental para la educación y el desarrollo de competencias clave en la sociedad actual.
Iniciación a la Robótica y Programación con perspectiva de género. #IgualdadYRobotica
La experiencia de aprendizaje abierto y en línea MOOC “Iniciación a la Robótica y Programación con perspectiva de género” es una propuesta de formación del Instituto Nacional de Tecnologías Educativas y Formación del Profesorado (INTEF) en colaboración con el Instituto de las Mujeres cuyo objetivo fundamental es ofrecer información y herramientas a aquellas personas interesadas en iniciarse en la Programación y la Robótica educativa, además de reflexionar sobre el impacto pedagógico de abordar estas áreas desde una perspectiva inclusiva que favorezca el acercamiento de las niñas a las disciplinas STEAM.
CUADERNO O CARPETA DE APRENDIZAJE
Antes de comenzar el Módulo 1 te proponemos que abras un cuaderno o carpeta de aprendizaje donde elabores los retos que se proponen en la segunda y quinta semana y te sirva para obtener una URL pública que puedas alojar en la cajetilla para tal fin. Este te permitirá recoger las evidencias de tu trabajo a lo largo del curso, a la vez que te facilitará reflexionar sobre el mismo. Una vez terminado el MOOC, las estrategias y actividades que pongas en marcha podrán ser una aportación duradera a tu Entorno Personal de Aprendizaje.
En el apartado RECURSOS, situado más adelante, encontrarás propuestas de herramientas, así como tutoriales para abrir y configurar tu cuaderno o carpeta de trabajo.
RECURSOS DIGITALES QUE PUEDES UTILIZAR PARA ELABORAR TU CUADERNO O CARPETA DE APRENDIZAJE
A continuación, te proponemos una serie de herramientas digitales que te pueden ayudar en la realización de tu reto:
1. Crear un blog
Puedes crear tu blog usando cualquiera de los siguientes servicios gratuitos:
En los siguientes enlaces encontrarás tutoriales y guías para trabajar con WordPress, Tumblr y Blogger:
2. Un sitio de Google
Google Sites es la herramienta de Google para crear sitios web profesionales, con todo el potencial que ofrece su integración con los distintos servicios de Google (Calendar, Drive, YouTube, Hangouts, etc.).
Figura 1. Imagen para el desarrollo del curso. Extraída de Pixabay.
Para crear un sitio web, debes acceder a través de tu cuenta de Gmail. Google tiene una página oficial de ayuda para que puedas crear, configurar y gestionar tu nuevo espacio en Google Sites.
Un sitio de Google admite varios editores: podéis crear directamente el contenido sobre las páginas del sitio o bien trabajar en documentos de Google Drive (cada usuario con su cuenta) y luego embeberlos en las páginas del sitio. Para las tareas individuales, podéis crear en el menú una pestaña de autores, de manera que cada autor tenga su página donde pueda ir incluyendo sus trabajos. Otra opción es que cada autor tenga su propio desplegable en el menú de navegación.
3. Otros recursos digitales
-
- Genially
- Canva
- Tutorial de manejo de Genially para elaborar Portfolio de aprendizaje
- Tutorial para manejo de Canva para elaborar Portfolio de aprendizaje
- Genially