Introducción

La enseñanza de la inteligencia artificial (IA) en la educación infantil es un campo de creciente interés que destaca la importancia de utilizar herramientas lúdicas y atractivas, como juguetes robóticos y asistentes inteligentes (Gennari, 2023). Se ha demostrado que niños y niñas pueden aprender de manera efectiva con sistemas de IA, mostrando gran interés y eficiencia (Li, 2023). Vartiainen (2020) resalta la necesidad de promover la participación de la infancia en la era de la IA, subrayando el potencial de esta tecnología en la educación temprana y la necesidad de más investigación en esta área.

Prentzas (2013) y Nan (2020) destacan cómo la IA puede mejorar las experiencias de aprendizaje y motivar a la infancia. Prentzas analiza el uso de la IA en sistemas de aprendizaje basados en ordenadores y robots educativos, mientras que Nan enfatiza su aplicación en la educación preescolar. Kewalramani (2021) explora el uso de juguetes robóticos con IA, demostrando cómo pueden fomentar la curiosidad infantil y promover la alfabetización en STEAM (Ciencia, Tecnología, Ingeniería, Artes y Matemáticas).

Estudios previos sobre la interacción de la infancia con la tecnología, como los de Turkle (2005) y Ackermann (2007), han mostrado que los juguetes inteligentes pueden moldear la comprensión del mundo por parte de los niños y niñas, fomentando el pensamiento crítico y la exploración. Los niños y niñas tienden a ubicar estos dispositivos en un espectro entre lo animado y lo inanimado, desarrollando una comprensión más profunda a través de la observación y la definición de sus características (Keil, 1986; Inagaki, 1993).

Los agentes inteligentes encarnados, como asistentes virtuales y robots sociales, ofrecen una oportunidad única para que la infancia comprenda conceptos complejos de IA de manera intuitiva. Mioduser y Levi (2010) han demostrado que los niños y niñas pueden desarrollar esquemas de comprensión al interactuar físicamente con estos dispositivos, experimentando y depurando sus suposiciones.

Por otra parte, la democratización de las tecnologías de IA permite a los niños y niñas comunicarse con las máquinas mediante código y lenguaje natural, aunque también presenta desafíos en la depuración de comportamientos inesperados (Gray et al., 2007). Druga et al. (2019) han subrayado la necesidad de diseñar actividades de aprendizaje que utilicen juguetes y agentes inteligentes, promoviendo una alfabetización en IA desde temprana edad y considerando las variaciones socioeconómicas y culturales en la adopción de estas tecnologías.

Por ello, la alfabetización en IA desde la educación infantil es crucial para preparar a las futuras generaciones para un mundo digitalizado. Fomentar estas habilidades desde una edad temprana mejora las competencias tecnológicas y promueve la equidad y la inclusión en el acceso a la tecnología avanzada.

Propuesta de Ideas Poderosas para la alfabetización en IA en infantil

La educación en IA está avanza alrededor del mundo, aunque en educación infantil aún no está siendo explorada suficientemente. Existen cinco ideas clave que el alumnado debe comprender para tener iniciarse en IA propuestas para la educación primaria y secundaria (AI4K12). Estas ideas no solo buscan fomentar el interés en la tecnología emergente, sino también preparar al alumnado para un futuro donde la IA jugará un rol central.

Por ello, a continuación, se presentan estas ideas claves para la educación en IA (Figura 1), haciendo énfasis en su importancia para la educación infantil y proponiendo ejemplos prácticos para enseñar cada principio:

1. Percepción: La percepción en IA se refiere a cómo las máquinas perciben el mundo a su alrededor. Esto incluye la capacidad de las máquinas para interpretar datos de sensores, como cámaras y micrófonos, y convertirlos en información útil. Un ejemplo común es el reconocimiento de imágenes, donde un algoritmo de IA puede identificar objetos y personas en una foto. Por ejemplo, usar aplicaciones que permitan a los niños y niñas tomar fotos y luego ver cómo una IA identifica los objetos en ellas y juegos que involucren el uso de micrófonos para reconocer sonidos pueden ser muy efectivos para introducir este principio. Como actividades para trabajar esta idea se puede realizar un juego de reconocimiento de imágenes en donde se puede usar una aplicación en una tableta donde los niños y niñas tomen fotos de objetos cotidianos y la aplicación los identifique. También se puede realizar una actividad de exploración de sonidos, donde se pueden grabar diferentes sonidos del entorno, como el canto de los pájaros, ladridos de perros, etc., y luego utilizar una aplicación que identifique estos sonidos. Los niños y niñas pueden adivinar el sonido antes de que la aplicación lo identifique.

2. Representación y Razonamiento: Esta idea aborda cómo las máquinas representan conocimientos y razonan con esa información. La representación implica la creación de modelos que capturan aspectos esenciales de la realidad, mientras que el razonamiento implica el uso de estos modelos para hacer inferencias y resolver problemas. Un ejemplo práctico es el uso de bases de datos para almacenar información y algoritmos de búsqueda para encontrar respuestas a preguntas específicas. Para enseñar este principio se pueden realizar actividades de clasificación y ordenación de objetos basadas en diferentes atributos, como color o tamaño, así como utilizar juegos de rompecabezas que requieren lógica para resolver problemas. Por ejemplo, se puede proporcionar a los niños y niñas una variedad de objetos y pedirles que los clasifiquen según diferentes atributos (color, forma, tamaño). Luego, discutir cómo una máquina podría realizar la misma tarea. También se podría realizar un juego de adivinanzas, creando un juego de preguntas donde los niños y niñas piensen en un objeto y otros hagan preguntas sí/no para adivinarlo. Otra actividad relacionada podría ser el usar laberintos donde los niños y niñas deban encontrar el camino correcto, mostrando cómo los algoritmos de IA buscan soluciones.

3. Aprendizaje: El aprendizaje en IA se refiere a cómo las máquinas mejoran su rendimiento con el tiempo mediante la experiencia. Esto incluye el aprendizaje supervisado, donde las máquinas aprenden de datos etiquetados, y el aprendizaje no supervisado, donde identifican patrones en datos sin etiquetas. Un ejemplo es el uso de redes neuronales para reconocer voz o texto. Para enseñar este concepto se pueden utilizar aplicaciones de reconocimiento de voz que mejoran con el tiempo a medida que los niños y niñas las utilizan o hacer actividades donde los niños y niñas enseñan a un “robot” a realizar una tarea mediante repetición y corrección. Por ejemplo, pueden usar una aplicación o un juguete robótico simple que los niños y niñas puedan “entrenar” para realizar tareas, como seguir una línea o evitar obstáculos y explicar cómo el robot mejora con la práctica. O jugar a juegos donde los niños y niñas deban recordar y repetir patrones (similares a juegos de aprendizaje supervisado). También se puede dar a los niños y niñas un conjunto de imágenes o datos y pedirles que encuentren patrones o agrupen los elementos similares para enseñarles a comparar cómo una IA agrupa datos en aprendizaje no supervisado.

4. Interacción Natural: La interacción natural se centra en cómo las máquinas interactúan con los seres humanos de manera intuitiva y comprensible. Esto incluye tecnologías como el procesamiento del lenguaje natural, que permite a las máquinas entender y generar lenguaje humano, y las interfaces de usuario que permiten una comunicación más fluida entre humanos y máquinas. Los asistentes virtuales como Siri y Alexa son ejemplos claros de esta idea. Para enseñar este concepto se puede implementar el uso de asistentes virtuales en el aula para realizar tareas simples, como buscar información o contar historias y realizar actividades que involucren el uso de comandos de voz para interactuar con estos dispositivos. Se podría por ejemplo integrar asistentes virtuales como Alexa o Google Home en actividades de clase para responder preguntas, contar historias o incluso jugar juegos interactivos, o utilizar aplicaciones de procesamiento de lenguaje natural para que los niños y niñas escriban y luego la IA lea sus historias en voz alta. También, se podrían crear juegos donde los niños y niñas den comandos de voz a juguetes o aplicaciones que respondan a sus instrucciones, como decirle a un robot que se mueva a la izquierda o derecha.

5. Impacto Social: el impacto social aborda las implicaciones éticas, sociales y económicas de la IA. Esto incluye cuestiones como la privacidad, la equidad, el empleo y los derechos humanos. Es crucial que los niños y niñas comprendan tanto las oportunidades como los desafíos que la IA presenta para la sociedad. Para enseñar este concepto los debates y discusiones sobre los pros y contras de la IA pueden ser muy útiles o usar historias y juegos de roles que presenten escenarios donde los niños y niñas deben decidir cómo usar la IA de manera ética y responsable. También se pueden organizar proyectos de clase donde el alumnado investigue y presente sobre cómo la IA está cambiando diferentes aspectos de la sociedad. Se podrían realizar pequeñas discusiones en el aula sobre temas éticos relacionados con la IA, como “¿debería un robot tener el derecho a decir no?” o “¿es justo que una máquina sepa todo sobre nosotros?”. También se puede hacer que los niños y niñas investiguen cómo la IA se usa en su comunidad (por ejemplo, en supermercados, hospitales) y presenten sus hallazgos a la clase. O, crear historias o juegos de roles donde los niños y niñas deben decidir cómo usar la IA para resolver problemas de manera ética.

Incorporar estas ideas poderosas en la educación infantil no solo sienta las bases para una comprensión sólida de la IA, sino que también prepara a los niños y las niñas para un futuro en el que la tecnología jugará un papel central en sus vidas.

Alfabetización en IA inclusiva y generativa

Relacionar estas ideas poderosas para alfabetización en IA en la educación con los Objetivos de Desarrollo Sostenible (ODS) y con valores éticos y humanos es esencial para fomentar una educación integral y consciente. Además, se debe enseñar cómo la IA puede ser inclusiva, evitando sesgos, y ayudar a personas con diferentes necesidades, relacionándola directamente con el ODS 5 de Igualdad de Género y con el ODS 10 de Reducción de las Desigualdades. Por ejemplo, como actividades prácticas que se pueden llevar en el aula podía realizarse un proyecto de investigación sobre cómo se utiliza la IA en la comunidad local y presentar sus hallazgos, destacando como la IA puede ayudar a diferentes grupos de personas y empatizar en como la tecnología debe ser responsable y asegurar un acceso equitativo. La tabla 1 presenta un esquema general de cómo enseñar IA de forma inclusiva en una sesión de 50 minutos.

En cuanto a cada idea o concepto clave de IA, en particular la IA generativa, a continuación se presentan ideas para poder llevarlos al aula.

Para enseñar el concepto de “Percepción”, que en IA se refiere a cómo las máquinas interpretan el mundo a través de sensores, como cámaras y micrófonos, podemos realizar un juego de exploración sensorial. Por ejemplo, se puede realizar un juego de reconocimiento de imágenes generativas, en donde los niños y niñas toman fotos de objetos cotidianos, y una IA generativa (como Bing o Dalle) crea una versión artística de esas imágenes, y luego, comparan la imagen original con la generada, debaten y reflexionan sobre los resultados. También se puede realizar un juego de exploración de sonidos, donde los niños y niñas graban diferentes sonidos del entorno y usan una IA generativa para transformar esos sonidos en melodías. Los niños y niñas pueden adivinar cómo serían los sonidos antes y después de la transformación, y ver cómo personas y máquinas pueden percibir sonidos y reproducirlos o transformarlos en nuevas formas sonoras. Esta actividad estimula la curiosidad y el interés en cómo funcionan los sensores y cómo la IA puede utilizar la percepción para crear.

En el caso del concepto de “representación y razonamiento” que se refiere a cómo las máquinas representan la información a través de datos y utilizan esta información para resolver problemas. Por ejemplo, se pueden realizar actividades de clasificación y ordenación de objetos de diferentes colores, formas y tamaños. Los niños y niñas pueden clasificar objetos según diferentes atributos y luego, una IA generativa, como ChatGPT, crea nuevas combinaciones de objetos basadas en esos atributos. En el debate y discusión final se puede plantear cómo la IA genera nuevas ideas a partir de la clasificación original así como las personas podemos pensar de forma diferente y realizar diferentes propuestas de clasificación y ordenación.

En cuanto al concepto de “aprendizaje” en IA que se refiere a cómo las máquinas mejoran con la experiencia, incluyendo el aprendizaje supervisado y no supervisado, se puede realizar una actividad en donde los niños y niñas usen una aplicación que interactúe a través de su voz y genera historias a partir de sus palabras. También se puede entrenar y programar a un robot para seguir una línea o evitar obstáculos y la IA genera nuevas rutas o desafíos basados en el aprendizaje, para mostrar cómo el robot mejora con la práctica y genera nuevas soluciones, de esta forma aprende a través de la práctica.

En cuanto al concepto de “interacción natural”, que permite entender que las máquinas interactúan con los humanos de manera intuitiva, por ejemplo, a través del lenguaje natural, se pueden utilizar asistentes Virtuales como Alexa o Google Home. Los niños y niñas pueden usar los asistentes virtuales para buscar información, contar historias o jugar juegos interactivos. ChatGPT y otros asistentes que lo utilicen de base, también permitirá la interacción por voz, y esta interacción con la IA generativa abre puertas a nuevas preguntas y respuestas, traducciones simultáneas a diferentes idiomas, personalización al alumnado, a sus intereses, al proyecto de aula y/o centro, entre otras características que hacen sumamente interesante su integración en el aula. Se pueden crear juegos donde los niños y niñas den comandos de voz a juguetes o aplicaciones inteligentes y la IA genere respuestas creativas, mejorando la comprensión de la interacción humano-máquina.

Por último, para trabajar el “impacto social”, que se refiere a las implicaciones éticas, sociales y económicas de la IA, se pueden crear y leer cuentos generados por IA que aborden temas éticos sobre IA, y debatir por ejemplo cuestiones sobre si es justo que una máquina sepa todo sobre nosotros y/o facilitar la comprensión de cómo la IA afecta a diferentes aspectos de la vida cotidiana, como la IA puede ayudar en la creación de arte y música, ayudar a resolver problemas complejos mediante generación de nuevas soluciones o propuestas alternativas.

Este enfoque integral permite introducir a los niños y niñas en los conceptos básicos de la IA a través de actividades prácticas, discusiones y reflexiones, en donde los niños y niñas desarrollan una comprensión más profunda y significativa de cómo la IA puede influir en sus vidas y en la sociedad, fomentando así una educación inclusiva, responsable y ética.

Conclusiones

La implementación de la alfabetización en IA en la educación infantil es crucial para preparar a las futuras generaciones para un mundo cada vez más digitalizado. Las cinco grandes ideas sobre percepción, representación y razonamiento, aprendizaje, interacción natural e impacto social, ofrecen una estructura sólida para introducir a los niños y niñas en los conceptos fundamentales de la IA de manera atractiva y efectiva.

Enseñar a los niños y niñas cómo las máquinas perciben el mundo a través de actividades prácticas, como el reconocimiento de imágenes y sonidos, les permite comprender cómo la IA interpreta datos sensoriales y los convierte en información útil. Este enfoque ayuda a los estudiantes a familiarizarse con la tecnología de una manera tangible y accesible. A través de juegos de clasificación, adivinanzas y resolución de laberintos, los estudiantes aprenden cómo las máquinas representan el conocimiento y lo utilizan para tomar decisiones y resolver problemas. Estas actividades fomentan el pensamiento lógico y crítico desde una edad temprana, preparando a los niños y niñas para abordar problemas complejos de manera estructurada. Utilizando aplicaciones y juguetes robóticos que mejoran con la práctica, los niños y niñas experimentan de primera mano cómo la IA puede aprender y adaptarse mediante la experiencia. Este enfoque promueve una comprensión intuitiva de los conceptos de aprendizaje supervisado y no supervisado, destacando la capacidad de las máquinas para mejorar su rendimiento con el tiempo. Por otra parte, integrar asistentes virtuales y tecnologías de procesamiento del lenguaje natural en actividades diarias del aula facilita una interacción intuitiva y comprensible con las máquinas. Esto demuestra cómo la IA puede mejorar la accesibilidad y la comunicación, haciendo que la tecnología sea más inclusiva y útil en la vida cotidiana del alumnado. Finalmente, fomentar debates éticos y proyectos sobre el uso de la IA en la comunidad ayuda a los estudiantes a comprender las implicaciones sociales y éticas de la tecnología. Este enfoque promueve un uso responsable y consciente de la IA, preparándolos para participar en conversaciones informadas sobre el futuro de la tecnología en la sociedad.

Por ello, la educación en IA desde la infancia no solo establece una base sólida para una comprensión técnica de la tecnología, sino que también promueve la equidad y la inclusión en el acceso a conocimientos avanzados. Además, a través de actividades lúdicas y prácticas, los niños y niñas pueden desarrollar habilidades críticas que los prepararán para un futuro en el que la IA desempeñará un papel central en sus vidas.

Es evidente que, a medida que la IA se integra cada vez más en la tecnología orientada al usuario, la comprensión pública de estas tecnologías debe mejorar. Investigaciones adicionales en Interacción Persona-Computadora (HCI) son necesarias para determinar qué competencias necesitan los usuarios para interactuar efectivamente con la IA y evaluarla críticamente. También es crucial diseñar tecnologías de IA centradas en el alumno que fomenten una mayor comprensión de la IA. Por ello, este artículo contribuye a este objetivo proporcionando una definición concreta de alfabetización en IA basada en investigaciones existentes, sintetizando una variedad de literatura interdisciplinaria en un conjunto de competencias básicas y sugiere varias consideraciones de diseño para ayudar a desarrolladores y educadores de IA a crear tecnologías centradas en el alumnado de educación infantil. Estas competencias y consideraciones de diseño están organizadas en un marco conceptual derivado temáticamente de la literatura, y pueden iniciar conversaciones y guiar futuras investigaciones sobre la alfabetización en IA dentro de la comunidad HCI.

Agradecimientos

Realizado con fondos para investigación de la Fundación CajaCanarias y la Fundación Bancaria “La Caixa”, a través del Proyecto COEDUIN Ref. 2020EDU08.

Referencias

Astrid M Rosenthal-von der Pütten, Nicole C Krämer, Laura Hoffmann, Sabrina Sobieraj, and Sabrina C Eimler. 2013. An experimental study on emotional reactions towards a robot. International Journal of Social Robotics 5, 1 (2013), 17–34.

Belghith Y, Mahdavi Goloujeh A, Magerko B, Long D, Mcklin T and Roberts J. Testing, Socializing, Exploring: Characterizing Middle Schoolers’ Approaches to and Conceptions of ChatGPT. Proceedings of the CHI Conference on Human Factors in Computing Systems. (1-17). https://doi.org/10.1145/3613904.3642332

Christoph Bartneck, Dana Kulić, Elizabeth Croft, and Susana Zoghbi. 2009. Measurement instruments for the anthropomorphism, animacy, likeability, perceived intelligence, and perceived safety of robots. International journal of social robotics 1, 1 (2009), 71–81.Google Scholar

David Mioduser and Sharona T Levy. 2010. Making sense by building sense: Kindergarten children’s construction and understanding of adaptive robot behaviors. International Journal of Computers for Mathematical Learning 15, 2 (2010), 99–127

Douglas Altman, David Machin, Trevor Bryant, and Martin Gardner. 2013. Statistics with confidence: confidence intervals and statistical guidelines. John Wiley & Sons.Google Scholar

Duri Long and Brian Magerko. 2020. What is AI Literacy? Competencies and Design Considerations. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (CHI ‘20). Association for Computing Machinery, New York, NY, USA, 1–16. https://doi.org/10.1145/3313831.3376727

Edith Ackermann. 2001. Piaget’s constructivism, Papert’s constructionism: What’s the difference. Future of learning group publication 5, 3 (2001), 438.

Edith K Ackermann. 2005. Playthings that do things: a young kid’s incredibles!. In Proceedings of the 2005 conference on Interaction design and children. ACM, 1–8.

Edith K Ackermann. 2007. Experiences of artifacts: People’s appropriations/objects’”affordances”. In Keyworks in radical constructivism. Edited by Marie Larochelle. Sense Publishers, 249–259.

Edith K Ackermann. 2012. Programming for the natives: What is it? What’s in it for the kids. Constructionism (2012).Google Scholar

Frank C Keil. 1986. Conceptual domains and the acquisition of metaphor. Cognitive Development 1, 1 (1986), 73–96.

Hae Won Park, Rinat B Rosenberg-Kima, Maor Rosenberg, Goren Gordon, and Cynthia Breazeal. 2017. Growing Growth Mindset with a Social Robot Peer.. In HRI. 137–145. Google ScholarDigital Library

Heather M Gray, Kurt Gray, and Daniel M Wegner. 2007. Dimensions of mind perception. Science 315, 5812 (2007), 619–619. https://doi.org/10.1145/3613905.3650991

John TE Richardson. 2011. The analysis of 2× 2 contingency tablesâĂŤYet again. Statistics in medicine 30, 8 (2011), 890–890.Google Scholar

K Inagaki. 1993. Young children’s differentiation of plants from nonliving things in terms of growth. In biennial meeting of Society for Research in Child Development, New Orleans.Google Scholar

Kewalramani, S., Kidman, G., & Palaiologou, I. (2021). Using artificial intelligence (AI)-interfaced robotic toys in early childhood settings: A case for children’s inquiry literacy. European Early Childhood Education Research Journal, 29(5), 652-668.

Li, Z. (2023). AI education: The application of the AI system with children’s education. ACE (2023) Vol. 16: 196-199. DOI: 10.54254/2755-2721/16/20230890.

Marc Rettig. 1994. Prototyping for tiny fingers. Commun. ACM 37, 4 (1994), 21–27.Google ScholarDigital Library

Maria Kasinidou. 2023. AI Literacy for All: A Participatory Approach. In Proceedings of the 2023 Conference on Innovation and Technology in Computer Science Education V. 2 (ITiCSE 2023). Association for Computing Machinery, New York, NY, USA, 607–608. https://doi.org/10.1145/3587103.3594135

Michael Scaife and Mike Duuren. 1995. Do computers have brains? What children believe about intelligent artifacts. British Journal of Developmental Psychology 13, 4 (1995), 367–377.

Nan, J. (2020, August). Research of application of artificial intelligence in preschool education. In Journal of Physics: Conference Series (Vol. 1607, No. 1, p. 012119). IOP Publishing.

Prentzas, J. (2013). Artificial intelligence methods in early childhood education. In Artificial Intelligence, Evolutionary Computing and Metaheuristics: In the Footsteps of Alan Turing (pp. 169-199). Berlin, Heidelberg: Springer Berlin Heidelberg.

Seymour Papert. 1980. Mindstorms: Children, computers, and powerful ideas. Basic Books, Inc.

Sherry Turkle. 2005. The second self: Computers and the human spirit. Mit Press

Stefania Druga, Randi Williams, Cynthia Breazeal, and Mitchel Resnick. 2017. Hey Google is it OK if I eat you?: Initial Explorations in Child-Agent Interaction. In Proceedings of the 2017 Conference on Interaction Design and Children. ACM, 595–600.

Stefania Druga, Randi Williams, Hae Won Park, and Cynthia Breazeal. 2018. How Smart Are the Smart Toys?: Children and Parents’ Agent Interaction and Intelligence Attribution. In Proceedings of the 17th ACM Conference on Interaction Design and Children (IDC ’18). ACM, New York, NY, USA, 231–240. https: //doi.org/10.1145/3202185.3202741

Stefania Druga, Sarah T. Vu, Eesh Likhith, and Tammy Qiu. 2019. Inclusive AI literacy for kids around the world. In Proceedings of FabLearn 2019 (FL2019). Association for Computing Machinery, New York, NY, USA, 104–111. https://doi.org/10.1145/3311890.3311904

Su, J., & Zhong, Y. (2022). Artificial Intelligence (AI) in early childhood education: Curriculum design and future directions. Computers and Education: Artificial Intelligence, 3, 100072.

Touretzky, D., Gardner-McCune, C., and Seehorn, D. (2022) Machine learning and the five big ideas in AI. International Journal of Artificial Intelligence in Education, Springer Nature. https://doi.org/10.1007/s40593-022-00314-1.

Vahedian Movahed S, Dimino J, Farrell A, Irankhah E, Ghosh S, Jain G, Mahipal V, Rayavaram P, Sanusi I, Salas E, Wolkowicz K, Narain S and Martin F. Introducing Children to AI and ML with Five Software Exhibits. Extended Abstracts of the 2024 CHI Conference on Human Factors in Computing Systems. (1-6).

Valerie E Lee and David T Burkam. 2002. Inequality at the starting gate: Social background differences in achievement as children begin school. ERIC.Google Scholar

Vartiainen, H., Tedre, M., & Valtonen, T. (2020). Learning machine learning with very young children: Who is teaching whom?. International journal of child-computer interaction, 25, 100182.

Vera John-Steiner and Holbrook Mahn. 1996. Sociocultural approaches to learning and development: A Vygotskian framework. Educational psychologist 31, 3-4 (1996), 191–206.Google Scholar

Yang, W. (2022). Artificial Intelligence education for young children: Why, what, and how in curriculum design and implementation. Computers and Education: Artificial Intelligence, 3, 100061.

Zhou X, Xiong P, Xiao Q and Bai Z. OptiDot: An Optical Interface for Children to Explore Dot Product and AI Recommendation. Extended Abstracts of the 2024 CHI Conference on Human Factors in Computing Systems. (1-7).