Este módulo pretende inspirar al profesorado de tecnología para el diseño de experiencias de aprendizaje proporcionando un modelo metodológico estructurado y sistemático.
Para ello presentamos una ejemplificación de una experiencia de aprendizaje DT enfocada hacia la adquisición de competencias específicas relacionadas con al conocimiento y uso de la Inteligencia Artificial, Machine Learning y Big Data. La experiencia se llevará a cabo siguiendo las fases reflejadas en la figura:
Presentación del escenario genérico: contextualizando el reto
¿Qué veis en estas imágenes?
¿Qué creéis que representan?
¿Cómo describiríais estas fotografías?
¿Diríais que son personas reales que podríamos encontrarnos en nuestro día a día?
Las imágenes, en las que se pueden ver a dos amigas/as sonriendo, representaría la amistad sana, aquella que te apoya y no busca limitarte. Las amistades tóxicas son un asunto actual y presente en las aulas de hoy en día, ¿Quién no ha experimentado alguna vez algo parecido? ¿Y si aprendemos a combatir estos comportamientos? La tecnología es comúnmente utilizada para resolver problemas de naturaleza física, pero puede ser también de gran ayuda para resolver problemas de tipo socio-emocional. ¡Comenzamos!
Las imágenes iniciales han sido creadas mediante Inteligencia Artificial (IA). Realiza una búsqueda más profunda acerca de la historia de la IA en enlaces como este https://blogthinkbig.com/historia-como-nacio-inteligencia-artificial. Puedes hacer uso de alguna herramienta IA si ya la conoces.
El problema: ¿Qué es una amistad tóxica? Un problema social y de salud mental
Ahora que ya conocemos un poco acerca de la IA, vamos a usar IA y ML para ahondar en este problema y buscar formas de resolverlo.
La IA abarca multitud de técnicas y una de ellas es la Inteligencia Artificial Generativa (IAG).
Investiga y busca al menos 3 herramientas para generación de imágenes con IAG. Trata de adivinar qué promts (instrucciones) se le han proporcionado para generar las imágenes iniciales.
El promt introducido para la generación de la imagen ha sido: “Una imagen de dos amigos/as adolescentes reales que represente una relación de amistad sana en la que se apoyan mutuamente”. Prueba tú a generar imágenes variando este promt y comprueba qué obtienes al cambiar algunas instrucciones o añadir elementos a la misma. Cuanto más sencillo y ambiguo sea el prompt, más abierto será el proceso de generación de imágenes y más impredecibles serán los resultados. En este manual puedes consultar más información acerca de cómo utilizar adecuadamente los promts por ejemplo en ChatGPT.
Como hemos comprobado, al cambiar las instrucciones la imagen cambia, por tanto, es fundamental saber qué instrucciones proporcionar de manera clara y concisa para obtener lo que buscamos. Para ello, debemos conocer un poco más sobre las relaciones de amistad sanas y tóxicas, qué comportamientos encontramos en cada una, cómo distinguirlas, etc.
Como ya has comprobado, en ocasiones no es fácil identificar las actitudes que caracterizan este tipo de relaciones tóxicas. ¿Cómo podríamos crear algo que ayudara a las personas a saber identificar una relación de amistad tóxica?Como hemos comprobado, al cambiar las instrucciones la imagen cambia, por tanto, es fundamental saber qué instrucciones proporcionar de manera clara y concisa para obtener lo que buscamos. Para ello, debemos conocer un poco más sobre las relaciones de amistad sanas y tóxicas, qué comportamientos encontramos en cada una, cómo distinguirlas, etc.
Resolveremos el reto a través de la discriminación de imágenes. Para ello es necesario conocer qué es Machine Learning y cómo podemos utilizarlo. Escucha este podcast para saber más sobre ello
Pregúntale a ChatGPT qué modelo de ML sería el más adecuado para este problema. Por ejemplo: “tengo un conjunto de imágenes de parejas de personas. Las imágenes pertenecen a dos grupos: en el primero aparecen personas que tienen una amistad tóxica, y el segundo personas que tiene una amistad sana. ¿Qué algoritmo de Machine Learning utilizarías para entrenar un clasificador que discrimine entre amistades sanas y amistades tóxicas a partir de las fotos?”
ChatGPT nos propone utilizar un enfoque de aprendizaje profundo, específicamente redes neuronales convolucionales (CNN).
Descripción del reto
Una buena estrategia de solución requiere previamente concretar y definir el reto a alcanzar. Ello es fundamental para establecer los pasos a seguir.
Se debe establecer un enunciado preciso del reto a resolver, el cual se denomina Punto de Vista (PdV). Partimos de la siguiente fórmula y la adaptamos a nuestro reto:
(Descripción de una persona) necesita (necesidad) porque/para qué (percepción, insight).
Definición los descriptores que caracterizan una relación de amistad tóxica con el fin de trasmitírselo al programa de ML
Una vez tenemos el enunciado del reto establecido, debemos comenzar a recopilar aquella información necesaria para su resolución. En primer lugar, para poder enseñar al sistema de ML a distinguir entre relaciones tóxicas y sanas, debemos tener claro aquellos descriptores que caracterizan ambos tipos de relaciones. Estos deben ser objetivos y medibles.
Definición del proceso general de entrenamiento de un clasificador para discriminar entre imágenes que representan amistades sanas y tóxicas
El siguiente paso a seguir es definir el proceso que se debe seguir a la hora de entrenar a un clasificador de imágenes. Recuperamos la consulta que realizamos en la fase de empatizar a ChatGPT acerca de qué modelo de ML sería el más adecuado para este problema. En esta misma cuestión ChatGPT ya nos proporciona el conjunto de pasos a seguir:
Selección de imágenes para utilizar en el entrenamiento de varios clasificadores
Idear es la fase creativa por excelencia.
“La mejor forma de tener una buena idea, es tener muchas ideas” (Linus Pauling)
Antes de comenzar con el entrenamiento, es necesario obtener el conjunto de imágenes de entrenamiento y de prueba.
Una vez obtenidas las imágenes, se procede a su preprocesamiento, normalizándolas al mismo tamaño y resolución.
Entrenamos varios modelos, comparamos y seleccionamos el más adecuado
En esta fase comienza el enteramiento real de una serie de clasificadores de imágenes. Una vez ya tenemos definidos los descriptores que caracterizan las relaciones de amistad tóxicas y sanas, así como el proceso a seguir en el entrenamiento de un clasificador, es hora de ponerlo en práctica. Debéis que entrenar a varios clasificadores de imágenes para seleccionar el que más se adecua al reto.
Una vez obtenidas todas las imágenes, entrenamos a varios clasificadores de los encontrados, con algunas de las imágenes del conjunto de entrenamiento. A cada modelo que se pruebe se le pasa un conjunto de imágenes junto con la clasificación correcta de cada una. Con esta información, se genera un predictor al que después, al pasarle una imagen sin clasificar, diría si la amistad ilustrada en dicha imagen es sana o tóxica.
Finalmente, seleccionamos el modelo que vamos a utilizar en la fase siguiente. Para ello, con el asesoramiento del docente, se calculan estadísticos que indican la calidad de los mismos (F-score, precisión, especificidad, sensibilidad, etc.), y se utilizan técnicas que permiten compararlos (mapas de calor, matriz de confusión, etc.). Finalmente, el/la docente asesorará para que se queden con el que mejor resultado da. Una buena opción sería utilizar un notebook de Jupyter y la librería TensorFlow.
Construcción y entrenamiento del modelo de clasificación de imágenes
Se requiere un prototipo adecuado del plan de acción para dar solución al reto planteado
Con el modelo de clasificación ya seleccionado y las imágenes listas, se procede a conocer la herramienta y programarla. Se entrena al modelo con las características y clasificaciones obtenidas de las imágenes preprocesadas.
A modo de ejemplo en un nivel básico, utilizando Machine Learnig for kids puedes observar el proceso de entrenamiento de imágenes:
Aplicar el prototipo
Llevar a la práctica el prototipo diseñado es clave para mejorarlo. Sin experiencia propia no hay aprendizaje significativo.
En este punto de la experiencia, es hora de poner a prueba el modelo de clasificador construido.
A modo de ejemplo, igual que en la fase anterior, Machine Learning for kids proporciona un espacio para probar el entrenamiento efectuado con otras imágenes:
Evaluar los resultados, ajuste y optimización del modelo
Llega el momento de evaluar si el modelo de clasificar de relaciones tóxica y sanas ha sido satisfactorio y realizar los ajustes oportunos. Para ello, con el asesoramiento del docente, se calcula la precisión del entrenamiento con las imágenes de prueba y se puede utilizar, por ejemplo, la matriz de confusión y el informe de clasificación de sklearn. En este enlace os muestra un ejemplo de cómo se evaluarían los resultados y muestra un ejemplo de los gráficos de pérdida y precisión del modelo:
Exploración de las implicaciones éticas de la IA
La ética de la IA es un campo que trata los principios morales que deben guiar el desarrollo y el uso de la inteligencia artificial (IA). La IA es una tecnología poderosa que tiene el potencial de hacer un gran bien o un gran mal. Por lo tanto, es importante comprender los principios éticos de la IA para garantizar que se desarrolle y utilice de forma responsable.
Además, se establecerá un debate grupal en el que se reflexione acerca de las implicaciones morales de la aplicación de la IA en nuestra vida cotidiana: impactos sociales y culturales, influencia en el empleo, normas sociales, etc.
