El CEIP Gonzalo Fernández de Córdoba, es un centro público de Educación Infantil y Primaria situado en la zona sur de Madrid. Llevamos más de 10 años trabajando en la innovación en nuestras aulas con nuestro alumnado. En el curso 2013-2014, comenzó el cambio en nuestro centro a partir de la irrupción de la Robótica Educación en Educación Primaria. Fue una consecuencia de asistir a unas jornadas de Innovación Educativa que se realizaban en la red de formación donde se realizaban unos talleres para implementar la robótica en esta etapa educativa.

Foto 1. Entrada al CEIP Gonzalo Fernández de Córdoba

A partir de ahí y con las experiencias de otros compañeros de otros centros, ideamos nuestro proyecto. Para ello, configuramos una sesión semanal en el horario escolar dentro de Lengua castellana y Literatura.

En estas sesiones comenzamos las primeras prácticas con diferentes tipos de herramientas. Nuestro foco eran la Robótica Educativa y el Pensamiento Computacional y las clases se organizaban en pequeños grupos de alumnos, pues no disponíamos de mucho material, al tratarse de un proyecto piloto.

Al principio, detectamos la inquietud de las familias que nos preguntaban qué era lo que estábamos haciendo, puesto que sus hijos o hijas no suelen contar en casa lo que hacen en clase y, sin embargo, en esos días, los alumnos entusiasmados, comentaban que habían estado programando robots. Esto nos hizo reflexionar que los alumnos estaban muy motivados para aprender.

En el curso siguiente nos planteamos solicitar la asignatura de libre configuración autonómica”Tecnología y Recursos Digitales para la Mejora del Aprendizaje” planteada en el DECRETO 89/2014, de 24 de julio, para llevar a cabo un desarrollo curricular más completo y estratégico en el centro.

La implementamos, aunque todavía no se hablaba de la aplicación de la Inteligencia Artificial (IA) y trabajamos con las herramientas que teníamos a disposición: adquisiciones de compañeros, donaciones de editoriales, aportaciones de familias, y así aprendimos diferentes herramientas que se fueron poniendo en práctica.

En el curso 2019/2020 tuvimos una nueva oportunidad. Participamos en un curso del INTEF (Instituto Nacional de Tecnologías Educativas y Formación del Profesorado) dentro de la Escuela del Pensamiento Computacional como tutores en línea, y por primera vez tuvimos contacto con una de las herramientas de la IA generativa, con lo cual aprovechamos a aprender las posibilidades educativas de esta nueva propuesta.

Como novedad, vimos la utilidad de crear máquinas virtuales dentro de Machine Learning for Kids (ML4K). Sin embargo, esta herramienta necesitaba de un registro que actualmente no respeta del todo la Ley Orgánica 3/2018 de Protección de datos personales y garantía de los derechos digitales.

Foto 2. Web de Machine Learning for Kids

A raíz de la aparición de ML4K, el INTEF empezó a promover el uso de las primeras herramientas de IA educativa, a través de este curso. Poco después, empezaron a surgir dentro de la tecnología educativa, pequeñas herramientas de IA generativa como Learning ML, una herramienta open source para el aprendizaje automático de reconocimiento de modelos o patrones. Es decir, con esta herramienta el alumno podrá entrenar a su propio PC, generando bases de datos que compongan un patrón común.

El proceso se basa en seleccionar el tema sobre el que vamos a enseñar la máquina, por ejemplo, clasificación de plantas, tipos de emociones, etc. Se introducen las etiquetas de referencia para hacer las categorías y los ejemplos relativos a cada categoría. Se alimenta cada base de datos con un mínimo de modelos que clarifiquen la característica común, y después de un proceso de entrenamiento, la máquina habrá aprendido las relaciones entre patrones y etiquetas, generando el algoritmo.1

El procedimiento da como resultado un módulo de código de tu algoritmo que se puede exportar e incorporar a otras herramientas de programación complementarias como Scratch 3 o Python. De esta forma, podrás desarrollar juegos capaces de interpretar imágenes, sonidos o texto, es decir, sistemas “semi-inteligentes”.

Experiencias de nuestra práctica educativa.

Con nuestro alumnado comenzamos a usar la IA fomentando la posibilidad de crear proyectos en la parte de “Entrenar”. Es el punto de partida para crear nuestras máquinas virtuales con IA a través de etiquetas en las que añadimos datos ya sean en formato texto, imagen, números o sonidos. A través de una tormenta de ideas con los estudiantes, eligen la temática de forma que todo el mundo participe. Posteriormente, al crear las categorías alimentamos las bases de datos con el alumnado organizado en grupos que recopilan archivos para compilarlos en carpetas. Terminada esta tarea, pasamos al apartado de “Aprender y probar” para que el ordenador empiece a aprender y reconocer los nuevos datos que queramos introducir.

Foto 3. Las tres fases para que ML4K genere el algoritmo.

En este apartado podríamos entrenar a nuestra máquina virtual de manera sencilla o compleja. Para ello debemos pulsar el botón de “Entrenar un nuevo modelo” y esperar a que en el status actual aparezca el modo “Available”. Una vez obtenido el modelo entrenado lo probamos utilizando un dato nuevo y la máquina identifica a qué categoría o etiqueta corresponde, especificando un porcentaje de confianza de acierto. De esta manera se puede comprobar la veracidad del algoritmo creado.

Nosotros lo empezamos a usar combinado con Scratch3 y con un modelo sobre un hogar domotizado en el que se controlaba el ventilador y la lámpara, dando las opciones de encenderlos o apagarlos con registros diferentes a los propuestos en la máquina virtual pero que su porcentaje de confianza fuera alto. Para saber más sobre este modelo se recomienda el siguiente artículo de CODEINTEF, donde Jesús Moreno, investigador y cofundador de Programamos, nos enseña a realizar este ejemplo tan interesante.

Foto 4. Scratch durante el curso del INTEF

Con este ejercicio vimos que nuestro alumnado comprendía la utilidad de los modelos de aprendizaje automático y comprobaron la mejora de la utilidad de las listas que nos ofrecía Scratch. Un ejercicio muy motivador y con claridad para simular los primeros proyectos con Machine Learning for Kids.

Desarrollado el proyecto veíamos cómo comprobar si los ejemplos tenían más o menos fiabilidad, momento para hablar del “sesgo” con el alumnado. El sesgo en IA, según IBM, se refiere a la presencia de prejuicios sistemáticos en los resultados generados por sistemas de IA. Estos prejuicios pueden manifestarse de varias maneras: como discriminación racial, de género, edad u otros tipos de discriminación.

Evidentemente es algo complicado para que los niños lo entiendan por primera vez, pero comprendieron que en sus modelos dependiendo de las etiquetas que pusieran, la fiabilidad cambiaba e incluso a veces los resultados. Les hacemos pensar en los sistemas de IA a gran escala y lo que puede afectar esto en la vida real. Normalmente, con este tema salen debates muy enriquecedores en clase, y así se dan cuenta de lo importante que es la utilización del lenguaje, el significado de los mensajes y del modo en que se dicen e interpretan las cosas.

En el curso 2020/2022 un grupo de 5º, (justamente el curso post-pandemia con las aulas en grupos “burbuja”), los alumnos dentro de su proyecto científico decidieron hacer una aplicación móvil para animar a la gente del barrio a hacer deporte y así participar posteriormente en la First Lego League Challenge.

Consistía en que los vecinos practicaran la actividad física a través de pruebas en el barrio y sin necesidad de ningún recurso adicional que no fuera el móvil. Estas pruebas estaban geolocalizadas y eran tan sencillas como subir escaleras dentro de un puente, dar una serie de vueltas al barrio, hacer ejercicios en parques, etc. Evidentemente todo esto estaba simulado a través de App Inventor, pero al ponerlo en práctica se dieron cuenta de que todavía les faltaba algo más. Después de pensar varias ideas, decidieron utilizar Machine Learning for Kids, en la cual generarían un algoritmo para realizar una prueba en la que las personas que participaban tendrían que hacer un baile. Según se pareciera al modelo que se creara en la máquina virtual, esta les iría dando puntos. Simularon los pasos de baile del “sprite” de Scratch “Champ99” y se fotografiaron con cada uno de los movimientos. Estos movimientos en imágenes compondrían la base de datos para generar el patrón. Después en Scratch, simularon aleatoriamente una secuencia de estos movimientos de tal modo que la persona que lo hiciera mostraría los diferentes pasos del baile y Scratch les iría dando puntos según se pareciera su movimiento al modelo que se había creado.

Pero al año siguiente hubo una novedad muy importante que lo cambió todo. Fue cuando conocimos los inicios de LearningML, una herramienta creada por Juan David Rodríguez, profesor y desarrollador de tecnología educativa, que promueve herramientas de software libre. Él mismo define en su web a LearningML como “Una plataforma web para la enseñanza y aprendizaje del Machine Learning o Aprendizaje Automático. “Aprender haciendo” es la base pedagógica sobre la que se ha diseñado LearningML”.

Esta herramienta nos gustó mucho desde el inicio por varias razones, pero la principal fue porque no era necesario registrarte, permitiendo su utilización con el anonimato de los estudiantes, posibilitando trabajar online y offline con la instalación para cualquier tipo de sistema operativo cumpliendo con la Ley Orgánica 3/2018, de 5 de diciembre, de Protección de Datos Personales y garantía de los derechos digitales.

Foto 5. Página de descarga de LearningML para escritorio en diferentes Sistemas Operativos.

Incorporamos LearningML a nuestros proyectos.

Durante este curso, un grupo de 6º analizaron y plantearon que a veces las familias tardaban mucho tiempo en buscar información concreta en la página web del colegio. Tras esta conclusión, intentaron crear un Chatbot de manera que les facilitara esta tarea. Desde el principio sabían que estaban creando un modelo que luego no se podría utilizar en la web del centro, ya que no dispone de un servicio de Cloud que pudiera hacerlo funcionar al estilo de otras herramientas, como la de IBM que no son accesibles a nuestro alumnado.

Los estudiantes empezaron el diseño con un esquema con las preguntas que las personas suelen hacerse al visitar la web del centro, y una vez escritas, las clasificaron en categorías de acuerdo al criterio de preferencias de partes de la web que el usuario visitante quisiera ver.

Con esta idea crearon el modelo de LearningML. Si veían que había alguna categoría que no se comprobaba bien, se agregaban nuevas preguntas y se volvía a entrenar la máquina.

Foto 6. Página de LearningML con categorías y etiquetas listo para entrenar.

Crearon las siguientes categorías: Servicios complementarios, Menú escolar, 50 aniversario, resultado pruebas, admisión, servicios complementarios, coro, teléfonos y contacto, entre otros.

En cada una de las categorías ingresaron más de diez elementos, por ejemplo, en la categoría de “Servicios complementarios”agregaron las siguientes posibles respuesta s o demandas:

•Cómo apunto a mi hijo a primeros del cole.

•Cómo apunto a mi hijo a mañaneros.

•Mañaneros.

•Cómo apunto a mi hijo a madrugadores.

•Cómo me quedo en madrugadores.

•Madrugadores.

•Primeros del cole.

•Qué son los servicios complementarios.

•Cuáles son los servicios complementarios.

•Servicios complementarios.

•Dame información de los servicios complementarios.

•Tenéis servicios complementarios.

Cuando cada categoría contenía un número de elementos consistente llegaba el momento de entrenar el modelo y probarlo. Además, comprobaban el porcentaje de las búsquedas que iban testando, e investigaban cuál era el porcentaje más o menos fiable para luego ser utilizado con Scratch.

Entrenado ya el modelo, diseñaron el ChatBot en Scratch para LearningML.

En la plataforma de programación de LearningML hay una versión ampliada de Scratch a la que se le añadieron los bloques necesarios para usar los modelos de Machine Learning que se incluyen en el editor para construir la secuencia de programación.

Los alumnos crearon a “Circuitrón” que era el Chatbot que ayudaría a nuestros visitantes a navegar por nuestra web.

Foto 7. Diseño de Cirtuitrón dentro de Scratch for LearningML

Para configurar la programación empezaron con la presentación de nuestro Chatbot y las instrucciones de su uso, se editó un bucle en el que lo primero que hacía era preguntar: “¿qué es lo que necesitan buscar?”

Foto 8. Ejemplo de la secuencia de programación en Scratch con LearningML.

Como se puede ver en la imagen, se editó la secuencia de programación para hacer funcionar al personaje Circuitrón con los bloques especiales de LearningML eligiendo el bloque en el que se le indicaba a la herramienta el porcentaje de similitud superior al 60%.

Foto 9. Detalle de la programación con Scratch para LearningML con porcentaje de confianza

Podíamos hacer que incluso nuestro modelo aprendiera de las respuestas dadas y las incluyera dentro de la categoría correspondiente si el porcentaje de confianza también era mayor de lo que se considerara fiable. Este bloque está definido con: “añade el text … a label q…” que sirve para enseñar cómo funciona la IA generativa, es decir, cómo estos sistemas pueden aprender y retroalimentarse según vamos aumentando sus categorías.

Para concluir, me gustaría comentar que introducir la inteligencia artificial y sus máquinas virtuales en nuestros aprendizajes está siendo un acierto, principalmente porque nuestro alumnado en breve, si no lo son ya, serán usuarios que consuman contenidos generados con IA, usándola para su propio desarrollo personal y académico, y es necesario que ellos comprendan cómo funciona y de qué manera la podemos utilizar para mejorar sus procesos de aprendizaje, haciéndoles críticos al mismo tiempo. Por ello animo a cualquier docente de cualquier especialización a que pruebe a utilizar estos sistemas dentro de su práctica para comprobar cómo las competencias de su alumnado pueden mejorar y cómo potenciar sus aprendizajes para llegar a un paso más.