Documentos de Académico
Documentos de Profesional
Documentos de Cultura
GuerreiroSantalla Sara TD 2023
GuerreiroSantalla Sara TD 2023
CERTIFICA:
This doctoral thesis develops a curriculum for the formal teaching of the
fundamentals of artificial intelligence (AI), specifically designed for secondary
school students in the European context. It is based on an intelligent agent
approach as a system situated in an environment with which it interacts au-
tonomously to achieve goals. Consequently, the curriculum covers AI educa-
tion from a broad perspective, addressing topics such as perception, actuation,
representation, reasoning, and learning, among others. It proposes a STEAM
methodology through which students learn by doing, programming solutions to
real-world problems.
A specific implementation of the curriculum was validated in European edu-
cational institutions by teachers and students over a three-year period within
the Erasmus+ project, resulting in a series of instructional units and classroom
tools that have had a significant educational impact. Additionally, in respon-
se to the needs identified during the validation for its final implementation, a
prototype of an Intelligent Tutoring System was developed. This system, tested
with students in Europe and the United States, complements the curriculum
by facilitating the teaching and learning process, providing additional resources
and guidance. Overall, this research represents a valuable contribution to the
advancement and development of the AI community in education.
Agradecimientos
Durante el desarrollo de esta tesis han sido publicados los siguientes trabajos
cientı́ficos:
Guerreiro-Santalla, S., Duraes, D., Crompton, H., Novais, P., & Bellas,
F. (2023). Simulation-Based Adaptive Interface for Personalized Learning
of AI Fundamentals in Secondary School. EPIA2023: Encontro Português
de Inteligência Artificial Conference. Faial Island, Azores, Portugal.
2. Antecedentes 13
2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.1. Visión actual de la inteligencia artificial . . . . . . . . . . 13
2.1.2. Impacto de la inteligencia artificial . . . . . . . . . . . . . 18
2.2. Inteligencia artificial en la educación . . . . . . . . . . . . . . . . 21
2.2.1. Educación con inteligencia artificial . . . . . . . . . . . . 23
2.2.2. Educación sobre inteligencia artificial . . . . . . . . . . . . 31
2.3. Planes de estudio referencia en educación secundaria . . . . . . . 42
2.4. Conclusiones sobre los antecedentes . . . . . . . . . . . . . . . . . 49
3. Objetivos 51
4. Metodologı́a 53
5.3. Implementación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
7. Conclusions 189
Referencias 221
Introducción y visión
general
donde se propuso crear una red con diferentes dispositivos, como smartphones,
altavoces inteligentes o cámaras, a través de la cual los estudiantes pudieron tra-
bajar los temas de IA colectiva en profundidad mediante la herramienta Home
Assistant (Home Assistant, 2023). Como se observa, los campos de aplicación
seleccionados afrontan problemas de IA de manera incremental, desde aplicacio-
nes en el entorno virtual del smartphone, pasando por soluciones individuales
en robots que operan en el mundo real, hasta situaciones más globales donde
los sistemas anteriores interactúan entre ellos.
El plan de estudios de AI+ implementado cuenta con un total de 17 unidades
didácticas (las cuales denominaremos de aquı́ en adelante como TUs, acrónimo
proveniente de su traducción al inglés como teaching units) dirigidas al profesor.
Se optó por dirigirlas hacia los docentes en lugar de los estudiantes debido a que,
al tratarse de una disciplina nueva para ellos y ser los encargados de guiar el
aprendizaje de los estudiantes, son los que más requieren de asistencia y soporte
en el momento de impartirla. Cada una de las unidades diseñadas engloba todo
lo indispensable para su implementación, incluyendo objetivos de aprendizaje
debidamente estructurados, contenidos especı́ficos, una planificación temporal
pormenorizada, recursos materiales y bibliográficos recomendados, organización
en grupos, el reto que los estudiantes deben resolver con su correspondiente re-
solución, una evaluación con rúbricas y cuestionarios, actividades complementa-
rias y material adicional como vı́deos ilustrativos y plantillas para los ejercicios,
entre otros elementos.
La planificación temporal de las unidades que integran el currı́culum creado
durante los dos cursos previstos se distribuye de la siguiente manera. Durante
el primero, se aborda un total de diez unidades. En primer lugar, se imparte un
conjunto introductorio de seis, en las cuales se tratan de manera preliminar siete
de los ocho temas definidos mediante proyectos en el campo de las aplicaciones
para smartphone. En las cuatro unidades siguientes, los estudiantes se adentran
en los temas relacionados con la percepción y la actuación en el ámbito de
la robótica autónoma. En el segundo curso, partiendo de los conocimientos
adquiridos a lo largo del primero, los estudiantes deben resolver proyectos más
complejos. El número total de unidades se ha reducido a siete, ya que se ha
incrementado el número de horas de dedicación por unidad. El primer conjunto
de cinco unidades se enfoca de nuevo en el campo de la robótica autónoma,
pero en ellas se trabajan los temas de la IA que no se abordaron en este campo
durante el curso anterior. Finalmente, las dos últimas unidades se centran en el
8
2023), donde ya han alcanzado más de 500 descargas, como en la web oficial
de resultados de los proyectos Erasmus+ (2023). Este es un resultado de gran
valor desde el punto de vista práctico de esta tesis, que ha tenido un impacto
muy relevante en el campo educativo.
En este sentido, en el año 2023, la Consellerı́a de Cultura, Educación e Uni-
versidade de la Xunta de Galicia contó con la autora y el director de esta tesis
para colaborar en la creación del plan de estudios oficial de dos nuevas asignatu-
ras de IA dirigidas a estudiantes de 4º de ESO y 1º de bachillerato, inspiradas en
el plan de estudios desarrollado en esta investigación (Xunta de Galicia, 2023).
En consecuencia, el impacto de este trabajo alcanza, potencialmente, a más de
más de 10.000 estudiantes de secundaria en Galicia.
A partir de la experiencia adquirida a lo largo del desarrollo y validación de
las unidades didácticas, se pudo concluir que existen dos limitaciones principales
para empezar a enseñar IA a este nivel a corto plazo. La primera está relacio-
nada con la formación de los alumnos en programación. La perspectiva práctica
para enseñar IA seguida en el plan de estudios creado requiere habilidades ho-
mogéneas en el grupo para comprender adecuadamente los temas técnicos de la
IA. Y esta homogeneidad no se encuentra globalmente en la actualidad en los
centros de secundaria, debido a la falta de asignaturas obligatorias de progra-
mación en los planes de educación digital. La segunda limitación encontrada es
la confianza de los profesores hacia la IA. Se trata de una disciplina emergente
en la enseñanza preuniversitaria, por lo que se tardará muchos años en contar
con un grupo de docentes plenamente capacitados para enseñar con confianza
la IA en sus prácticas.
Al encontrarse con estas limitaciones, y en un intento de iniciar una lı́nea de
trabajo futura de gran proyección, se planteó comenzar en el marco de la tesis
el desarrollo de un Sistema de Tutorización Inteligente (término que denomi-
naremos de aquı́ en adelante como ITS, acrónimo proveniente de su traducción
al inglés como Intelligent Tutoring System) que apoyase a los profesores en la
formación de los estudiantes en temas de IA, y que también proporcionase una
enseñanza adaptativa y personalizada a los estudiantes en función de sus habi-
lidades de programación. Con este sistema, no se pretendı́a sustituir el papel de
los profesores, sino ayudar en la transición hacia una situación más estable en
términos de educación sobre IA en los niveles preuniversitarios.
Este sistema debı́a seguir en armonı́a con el enfoque metodológico del plan
10
de estudios, y por ello, debı́a seguir con una visión práctica y especı́fica de la
IA. Teniendo en cuenta esto, se decidió crear un prototipo centrado únicamente
en el campo de la robótica. Es decir, el ITS aquı́ desarrollado se basa en la
resolución de retos de robótica autónoma mediante un simulador 3D, que cons-
tituye la interfaz con el alumno. Concretamente, el sistema se ha denominado
RoboboITS, por estar basado en el robot educativo Robobo (utilizado en las
unidades enfocadas a la robótica inteligente) y su simulador 3D especı́fico de-
nominado (RoboboSim, 2023). Esta primera versión del RoboboITS cuenta con
dos actividades en las que se trabajan dos de los temas especı́ficos del plan de
estudios: percepción y actuación. Los estudiantes pueden profundizar sus cono-
cimientos en ambos temas y de manera personalizada, es decir, el sistema es
capaz de adaptar las actividades al nivel de cada estudiante y proporcionarle
ayuda siempre y cuando la necesite.
Para su desarrollo se ha seguido, de nuevo, una metodologı́a de investigación
para diseño educativo. Lo primero que se ha hecho ha sido diseñar el ITS para
hacer frente a las dos cuestiones descritas anteriormente, y, a continuación, se
realizó su implementación práctica en Unity. Finalmente, se evaluó en un total
de cuatro intervenciones educativas en tres paı́ses diferentes en Europa y Estados
Unidos, pruebas que sirvieron para mejorarlo en etapas posteriores.
En resumen, en esta tesis doctoral se ha comenzado el desarrollo de una
solución concreta para el problema de cómo educar a los estudiantes de la etapa
previa a la universidad en el campo de la IA, con el objetivo de dotarles de
unas bases sólidas que les permitan una continuidad formativa adecuada en
esta disciplina. Se ha definido un piloto de asignatura y se ha desarrollado todo
el material necesario para llevarla a las aulas en el corto plazo. En el proceso, se
han detectado dos de los principales problemas para que se pueda implementar
de manera efectiva en el corto plazo: la necesidad de una formación previa de
los profesores, y la falta de un plan de educación digital global que haga que
el nivel de conocimientos previos del alumnado sea adecuado para adquirir la
formación en IA deseada. Con el propósito de aportar soluciones en estos casos,
se ha iniciado el desarrollo de una herramienta de enseñanza que proporciona
una formación personalizada, llamada RoboboITS.
La memoria de esta tesis se ha estructurado de la siguiente manera:
Antecedentes
2.1. Introducción
nos y situaciones de juego cada vez más realistas y desafiantes (Justesen et al.,
2020). Otro ejemplo destacable es la música, donde existen diversas aplicaciones
de la generan de manera automática y con gran éxito (Hernandez-Olivan and
Beltrán, 2023). En este ámbito social, es importante mencionar la aportación
de la IA a los objetivos de desarrollo sostenible de la ONU, para la creación de
mecanismos eficientes que faciliten una economı́a circular y para afrontar retos
de impacto ecológico (Kar et al., 2022).
Centrándonos ya en el marco de esta tesis, se debe destacar su gran relevancia
en el campo de la educación. De forma general, diremos que la IA proporciona
muchas oportunidades para ampliar y mejorar el aprendizaje y la enseñanza,
apoyando a estudiantes, profesores e instituciones (Crompton and Burke, 2022).
El impacto de la IA en la educación se analizará con detalle en la sección 2.2.
El reciente auge de la IA y su aplicación tan extendida es consecuencia de
varios factores. El principal ha sido al aumento de la capacidad de cómputo,
que ha permitido que las técnicas computacionales que dan soporte a la IA
proporcionen resultados en escalas de tiempo mucho menores, y que muchas se
puedan ejecutar incluso en tiempo real (Baji, 2018). En este avance, se debe
destacar la aparición de las GPU (acrónimo que hace referencia a la Unidad
de Procesamiento Gráfico), y el soporte de los sistemas de computación en la
nube. Por otra, cada vez hay una mayor “digitalización de la realidad”, por
lo que se tiene acceso a muchos más datos que permiten modelar procesos en
ámbitos muy diversos y hacer predicciones sobre ellos. Por último, el incremento
de los servicios de internet y los proyectos de código abierto han traı́do consigo
un aumento en la información libre que se pueden intercambiar a nivel global,
siendo hoy en dı́a posible acceder a técnicas y algoritmos muy avanzados des-
de cualquier ordenador, poniendo este conocimiento al alcance de muchos más
desarrolladores.
Estamos, sin duda, ante la revolución tecnológica principal de la primera
mitad de este siglo, que transformará prácticamente todos los sectores de la
sociedad, e incluso las actividades humanas en general (Holmes et al., 2019). La
llegada de la IA a tantos campos la han convertido en una ciencia interdiscipli-
nar a la que contribuyen constantemente investigadores y expertos de diversas
áreas, como la neurociencia, la psicologı́a o la lingüı́stica, aportando su propia
percepción, conocimientos y terminologı́a (Chen et al., 2020). Un experto ac-
tual en IA no es un experto programador ni matemático, sino un profesional
con destrezas más generales.
16 2.1. Introducción
una legislación clara. Como se recoge en el informe del Stanford Institute (2023,
p. 285), son muchos los gobiernos de diferentes paı́ses que han empezado a dar
sus primeros pasos.
Canadá, China y Finlandia publicaron las primeras estrategias nacionales
en 2017, y desde entonces, ya han sido publicadas 62 estrategias más. La figura
2.1 muestra en color verde los paı́ses que, en diciembre de 2022, han publicado
o desarrollado una estrategia nacional de IA. Y, además, representa en color
morado los 14 paı́ses que, en 2021 y 2022, se comprometieron a desarrollar una
estrategia de IA.
Figura 2.1: Paı́ses con una estrategia nacional sobre IA en 2022. Fuente: (Stan-
ford Institute, 2023)
Son muchos los sectores económicos y sociales sobre los que incide el plan de
la UE, siendo uno de los más relevantes la educación. Como argumenta Tuomi
(2018), la IA tiene un impacto significativo en la enseñanza, y puede transformar
el sistema educativo de múltiples maneras como, por ejemplo, personalizando
el aprendizaje, proporcionando realimentación en tiempo real y mejorando la
evaluación. Se trata de un campo de aplicación de gran interés para la IA,
que jugará un papel clave en el modo en que se desarrollarán la enseñanza y
el aprendizaje en el futuro, implicando cambios profundos en las metodologı́as
educativas (Seldon and Abidoye, 2018). Por ello, son numerosas las iniciati-
vas privadas y públicas que desarrollan ya herramientas docentes basadas en
tecnologı́as inteligentes (Zafari et al., 2022).
Más allá de ver la educación como un campo de aplicación de la IA, la
principal motivación para las administraciones y gobiernos se centra en contar,
a medio y largo plazo, con una población capaz de enfrentar los desafı́os que
esta revolución tecnológica planteará. Esto implica tanto formar profesionales
técnicos especializados en IA, como también fomentar el conocimiento de esta
tecnologı́a a nivel general (Miao and Holmes, 2021). En este sentido, el plan de
la UE, sostiene que “el tema de la IA debe formar parte de los programas de
estudios no técnicos a través de la educación formal e informal, con el fin de
proporcionar a la futura mano de obra los conocimientos necesarios para ope-
rar y desenvolverse en un entorno laboral en el que la IA formará parte de las
tareas cotidianas” (Comisión Europea, 2018). Del mismo modo, una recomen-
dación clave del Grupo de Expertos de Alto Nivel sobre Inteligencia Artificial de
la Comisión Europea es “rediseñar los sistemas educativos desde la educación
preescolar hasta la educación superior” (AI HLEG, 2019) para incluir la IA de
forma nuclear.
En otros sectores también se reconoce la importancia crı́tica de la formación
y habilidades en IA. En el sector comercial, según McKinsey (2018), se espera
que para el 2030, alrededor del 70 % de las empresas hayan integrado tecnologı́as
de IA, como el procesamiento del lenguaje natural, los asistentes virtuales y la
robótica, en sus modelos de negocio. Esto requerirá una masa laboral avanzada
y bien formada en IA. En esa misma estrategia, también se afirma que se trata
de un proceso que no será inmediato y que los sistemas educativos de toda la
UE deben comenzar a preparar a la mano de obra del mañana sin demora. Por
su parte, el “laboratorio de ideas” (más conocido por su nombre en inglés think
thank ) económico europeo afirma que la falta de competencias en IA obstacu-
Capı́tulo 2. Antecedentes 21
incluye tres categorı́as también en cuanto a las vı́as de desarrollo en esta lı́nea.
Por un lado tenemos la creación de alfabetizaciones completas de IA, labor fun-
damental de las instituciones públicas y que tiene un alcance más global. Por
otro, la creación de planes de estudio concretos en función del nivel educativo,
en los que se define una metodologı́a y unos contenidos con el objetivo de di-
señar materias que se puedan implantar en el corto plazo. Finalmente, podemos
hablar de la creación de recursos educativos concretos, que los educadores e
investigadores en AIEd están desarrollando y probando ya en la actualidad.
Pasamos a continuación a detallar el estado actual de las investigaciones en
estas dos categorı́as principales del AIEd.
1. IA centrada en el estudiante
Por ejemplo, el sistema presentado en Wang et al. (2021), utiliza redes neu-
ronales gráficas y datos sobre interacción del usuario, como clics en vı́deos,
calificaciones de cursos y actividades realizadas, para generar recomendaciones
personalizadas de contenido educativo. Con el modelo aprendido, tratan de me-
jorar la experiencia de aprendizaje de los estudiantes en cursos masivos abiertos
en lı́nea (conocidos como en MOOCs, acrónimo proveniente de su traducción
al inglés como Massive Online Open Courses). La figura 2.4 muestra un ejem-
plo ilustrativo de la interfaz de usuario en el momento en el que el sistema les
proporciona recomendaciones en base a sus resultados.
En el caso del sistema descrito por Gomede et al. (2021), los datos cap-
turados para realizar el modelo son las actividades realizadas, calificaciones e
información contextual del usuario (como su nivel de experiencia, preferencias
de aprendizaje y preferencias de contenido). En este caso, el sistema utiliza redes
neuronales profundas de tipo “autoencoder” para generar las recomendaciones
de contenido educativo personalizadas.
2. IA centrada en el profesor
tipos de sistemas para una mejor comprensión y estudio. En este caso, se divi-
dirán en dos grandes categorı́as: sistemas de evaluación automática y sistemas
de gestión inteligentes.
Figura 2.5: Visión del profesor durante el uso de Lumilo. Fila superior: maque-
tas ilustrativas. Inferior: capturas de pantalla realizadas con Lumilo. Izquierda:
vista por defecto del profesor de la clase a través de Lumilo. Derecha: Profundi-
zación que aparecen si el profesor selecciona el indicador de un alumno. Fuente:
(Holstein et al., 2018, p. 157)
de gafas de realidad virtual, permite al educador ver incluso datos fı́sicos del
lenguaje corporal del estudiante (figura 2.5).
Otro ejemplo es NEU-Chatbot (Nguyen et al., 2021), un sistema inteligente
de gestión de centros. Fue diseñado para ayudar en el proceso de admisión a
la Universidad Nacional de Economı́a en Vietnam, utilizando la tecnologı́a de
procesamiento de lenguaje natural (conocido como NLP, acrónimo proveniente
de su traducción al inglés como Natural Language Processing) y aprendizaje
automático para entender las consultas de los estudiantes y proporcionar res-
puestas precisas y personalizadas en tiempo real. Y no solo eso, sino que también
sirve para programar entrevistas, proporcionar información sobre la universidad
y los programas académicos, ası́ como resolver problemas técnicos y adminis-
trativos.
Aquı́ englobamos sistemas inteligentes que pueden ser utilizados en una am-
plia variedad de aplicaciones y no están diseñados para un usuario especı́fico
en la comunidad educativa. Se trata de una serie de tecnologı́as y herramientas
software que se utilizan para mejorar y complementar el proceso de enseñanza-
aprendizaje. Es importante señalar que, a diferencia de los dos anteriores casos,
en este subapartado no todas las tecnologı́as asistidas por IA que utilizan los
estudiantes han sido diseñadas y/o adaptadas para ellos. Aun ası́, todas ellas
enriquecen y digitalizan el proceso de enseñanza.
Un ejemplo de este tipo de sistemas inteligentes son los asistentes virtuales
como Alexa, Ok Google, Siri, etc. Se trata de sistemas con un gran potencial
para su uso en educación, y se están convirtiendo en herramientas cada vez más
populares en las aulas. Un posible ejemplo de utilización es el propuesto por
Dizon et al. (2022), donde exploran cómo los estudiantes de japonés como lengua
extranjera pueden utilizar el dispositivo de reconocimiento de voz Amazon Echo
con el asistente virtual Alexa para aprender de manera autónoma fuera del aula.
El sistema y su tecnologı́a de reconocimiento de voz permiten a los estudiantes
obtener retroalimentación sobre su pronunciación y comprensión auditiva, ası́
como escuchar y practicar conversaciones en japonés y hacer preguntas sobre
gramática y vocabulario.
Otro sistema en este contexto utilizado hoy en dı́a en las aulas son las gafas
de realidad virtual. Con el uso de esta tecnologı́a, se les puede proporcionar a
30 2.2. Inteligencia artificial en la educación
1. Alfabetización sobre IA
Figura 2.7: Asignación porcentual por área temática del currı́culum de Austria.
Fuente: (Ministerio Federal de la República de Austria, 2023)
se AI4K12 (2023). Esta tiene tres objetivos principales: (1) desarrollar pautas
nacionales para la educación en IA para K-12, (2) desarrollar un directorio de
recursos seleccionados en lı́nea para facilitar la enseñanza en IA y (3) crear una
comunidad de desarrolladores de recursos y herramientas centrados en la IA
para la etapa de educación secundaria. Esta iniciativa sı́ reúne a expertos de
diferentes campos de la informática y la educación, con el objetivo de establecer
una base sólida para la enseñanza de la IA en la educación preuniversitaria. A
partir del trabajo de estos expertos, se desarrollarán futuros planes de estudios
formales con una sólida formación pedagógica y técnica.
A nivel de iniciativas privadas, o de instituciones no oficiales, la situación
cambia, y nos podemos encontrar planes de estudio mucho más adaptados a la
realidad docente. En este ámbito, debemos destacar 6 iniciativas.
En primer lugar, el proyecto ISTE (acrónimo proveniente del nombre en
inglés International Society for Technology in Education), la cual se dedica a
promover y desarrollar la IA en la educación. Trabaja en la creación de estánda-
res y pautas para integrar la IA en el currı́culo escolar, capacita a los educadores,
investiga mejores prácticas y fomenta la colaboración entre profesionales en el
campo de la IA. Su objetivo es empoderar a los educadores para que utilicen de
manera efectiva las tecnologı́as de IA en el aula y asegurar que los estudiantes
adquieran habilidades en el uso ético y responsable de la IA (ISTE, 2018).
Otra de las organizaciones destacables en este ámbito es Code.org, la cual
busca promover la educación en IA mediante la proporción de recursos y progra-
mas educativos gratuitos. Su enfoque se centra en hacer que la IA sea accesible
y comprensible para todos los estudiantes, independientemente de su nivel de
conocimiento previo. A través de lecciones interactivas, actividades prácticas y
proyectos relacionados con la IA, Code.org busca enseñar conceptos fundamen-
tales de la IA, como el aprendizaje automático y la toma de decisiones basada
en datos. Su objetivo es que los estudiantes puedan explorar y experimentar
con la IA de manera práctica (Code.org, 2023).
La iniciativa Day of AI tiene como objetivo fomentar la conciencia y la
comprensión de la IA a través de eventos y actividades a nivel mundial. Durante
esta jornada dedicada a la IA, se llevan a cabo conferencias, talleres y charlas
educativas que permiten a las personas explorar los conceptos y aplicaciones de
la IA. Además, Day of AI cuenta con un currı́culo completo diseñado para todas
las edades. Este currı́culo abarca una amplia gama de temas relacionados con la
40 2.2. Inteligencia artificial en la educación
(AAAI, 2022).
Esta categorı́a de trabajos es muy amplia, y está en continua evolución, por
lo que comentaremos simplemente un par de propuestas a modo de ejemplo.
En primer lugar, el de Lee et al. (2021) se trata de un proyecto en el que se
muestran los resultados obtenidos del diseño, desarrollo y pruebas de un taller
de verano de IA en lı́nea de 30 horas. En este taller, se pretende preparar a los
estudiantes de secundaria para que se conviertan en ciudadanos informados y
consumidores crı́ticos de tecnologı́a de IA y para desarrollar sus conocimientos
y habilidades fundamentales en este ámbito.
En esta lı́nea se encuentran también los recursos asociados el plan de estudios
desarrollado por Williams (2021), titulado “Cómo entrenar a tu robot”. Se trata
de un plan de estudios que aprovecha un robot de bajo coste, una plataforma de
programación basada en bloques, herramientas de creación de modelos fáciles de
usar para principiantes y actividades prácticas para introducir a los estudiantes
en el aprendizaje automático. Al igual que en el caso del de Lee et al. (2021),
este plan de estudios está creado para ser impartido en un corto perı́odo de
tiempo.
Por lo tanto, a modo de resumen, queda patente la gran actividad actual en
el área de educación sobre IA, sobre todo en la etapa de educación secundaria,
tanto a nivel de iniciativas públicas como privadas. Aunque queda camino por
recorrer hasta lograr una alfabetización en IA formal, los avances están siendo
muy destacables, y a medida que los planes de estudio actuales sean implantados
y probados en las aulas, será cada vez más factible lograr dicha alfabetización
a nivel global.
En el siguiente apartado profundizaremos en los aspectos concretos de los
planes de estudio más destacables de los comentados en el apartado anterior,
a nivel de qué competencias deberı́an adquirir los alumnos, qué contenidos es-
pecı́ficos de IA se deberı́an incluir a esta edad y cuál serı́a la metodologı́a docente
empleada. Este análisis sentará las bases sobre las cuales construir el plan de
estudios de IA objeto de esta tesis.
42 2.3. Planes de estudio referencia en educación secundaria
nidos relacionados con las tecnologı́as emergentes como la IA. Sin embargo, es
importante destacar que esta lista de ejemplos no constituye un plan de estudios
completo sobre IA, ya que no abarca temas fundamentales como la definición
de la IA, su historia y los diferentes tipos de IA. Las competencias se dividen
en categorı́as que abordan lo que hacen y no hacen los sistemas de IA, cómo
funcionan, los desafı́os y la ética de la IA, y las actitudes hacia la agencia y el
control humanos (Vuorikari et al., 2022, p. 77).
El segundo reto que hay que superar a la hora de desarrollar un plan de
estudios es la definición de los contenidos que lo formarán, y que deberán estar
alineados con las competencias anteriores.
Hasta la fecha, el documento más relevante que aborda los contenidos que
deben ser incluidos en los planes de estudio de IA es el informe de la UNESCO
titulado Currı́culos de IA para la enseñanza preescolar, primaria y secunda-
ria: un mapeo de los currı́culos de IA aprobados por los gobiernos (UNESCO,
2022). Según este informe, un estudiante que ha cursado un plan de estudios
completo de IA deberı́a haber trabajado las siguientes nueve áreas temáticas:
(1) algoritmos y programación; (2) alfabetización informática; (3) resolución de
problemas contextuales; (4) ética de la IA; (5) implicaciones sociales de la IA;
(6) aplicaciones de la IA a otros ámbitos; (7) comprensión y uso de técnicas de
IA; (8) comprensión y uso de tecnologı́as de IA; y (9) desarrollo de la IA.
La UNESCO considera que, tal y como se muestra en la tabla 2.3, los “fun-
damentos de la IA”, que abarcan las áreas (1), (2) y (3), deben ser la base de la
mayorı́a de los planes de estudios y representar una media combinada del 41 %
del tiempo de los planes de estudios. El tiempo restante del plan de estudios
debe dividirse casi por igual entre las áreas (4) y (5), con una media del 24 %
de las horas, y la (6), (7) y (8), con una media del 25 %.
Definición y filosofı́a de AI
Elements Resolución de problemas
con AI Lecciones teóricas con ejer-
of AI
Probabilidades y clasifica- cicios prácticos.
ción de Bayes Casos de estudio y ejemplos de
Aprendizaje automático uso real de la IA.
Redes neuronales Cuestionarios y ejercicios de
Predicción e implicaciones evaluación.
sociales de AI
Introducción a los conceptos Actividades prácticas de codifi-
code.org fundamentales de la IA cación y programación
Ética y responsabilidad en el Juegos interactivos en lı́nea
uso de la IA Aprendizaje basado en vı́deos
Aprendizaje automático interactivos
Percepción Actividades prácticas de codifi-
Representación y razona- cación y programación
readyAI miento Proyectos de IA y solución de
Aprendizaje automático problemas
Interacción natural con IA Uso de herramientas y recursos
Impacto social de la IA interactivos
Reflexiones y debates
hasta el momento son bastante homogéneos, por lo que deben ser tomados en
consideración a la hora de diseñar un plan de estudios similar.
Objetivos
Metodologı́a
5.1. Introducción
5.2. Diseño
1. Variables y expresiones.
2. Condicionales.
3. Bucles.
4. Funciones.
Matemáticas
Tomando como referencia el nivel de matemáticas establecido en la legis-
lación educativa en España, en particular a través del Real Decreto 217/2022
de la Educación Secundaria Obligatoria (ESO) (Ministerio de Educación y For-
mación Profesional, 2022), ası́ como las legislaciones autonómicas como el caso
del Decreto 156/2022 de Galicia (Xunta de Galicia, 2022), se considera que los
estudiantes cuentan con conocimientos previos en los siguientes aspectos:
1. Números enteros.
2. Ángulos.
Capı́tulo 5. Desarrollo del plan de estudios 61
3. Números reales.
4. Álgebra básica.
5. El plano cartesiano.
Fı́sica
De nuevo, se asume un nivel básico equivalente al último año de la ESO
en España (Ministerio de Educación y Formación Profesional, 2022; Xunta de
Galicia, 2022):
1. Medida de distancias.
2. Medida de tiempos.
3. Movimiento lineal.
Aunque excede al alcance de esta tesis dar una definición de qué es la IA, sı́
es necesario establecer una que permita comprender de qué estamos hablando
a la hora de explicar sus fundamentos a los estudiantes. En concreto, se tomará
como base la dada por UNICEF en el informe “Orientación de polı́ticas sobre
el uso de la inteligencia artificial en favor de la infancia”:
Estas definiciones parten del análisis del estado actual del campo de la IA
realizado en el capı́tulo de antecedentes, que nos ha llevado a establecer un
enfoque de agente inteligente como premisa básica para la educación en esta
disciplina. Esto significa que los estudiantes deben comprender los fundamentos
de la IA como parte de un sistema computacional situado en un entorno, con
el cual interactúa. En consecuencia, la IA no es simplemente una colección de
algoritmos y técnicas computacionales para resolver problemas de razonamien-
to, sino que incluye muchos métodos y elementos asociados con la solución de
problemas reales, con un claro enfoque hacia la ingenierı́a.
Capı́tulo 5. Desarrollo del plan de estudios 63
proyectos que tienen aplicación en el mundo real más allá del aula” (Martı́ et al.,
2010). Esta metodologı́a se fundamenta en el concepto de aprender haciendo
(learning by doing), donde los conceptos teóricos se adquieren por necesidad
a la hora de resolver casos prácticos, evitando la necesidad de una exposición
teórica a modo de clase magistral.
Después de un exhaustivo análisis de las diversas metodologı́as de apren-
dizaje, se tomó la decisión de utilizar una metodologı́a ABP, ya que es la que
mejor se ajusta al enfoque STEAM de ingenierı́a propuesto para el plan de es-
tudios. De esta manera, cada unidad didáctica presenta un reto o proyecto que
los alumnos deben resolver de forma creativa y práctica, organizados en equipos
o de forma individual en función de los objetivos de aprendizaje concretos. El
reto será un problema real, y podrá ser resuelto en un entorno real o simulado,
aunque se considera que su aplicación en el real es de gran interés educativo.
Esto implica que deben poner énfasis en las etapas de percepción y actuación,
tal y como se explicó anteriormente, y en el concepto de incertidumbre.
Figura 5.4: Fases del ABP. Fuente: (Van Til and Van Der Heijden, 2003)
1. Gestor del tiempo (A1): Controla que las diferentes etapas del proyecto
se realicen de forma ordenada y a tiempo según los plazos acordados en la
etapa de planificación. Es el portavoz del grupo y se encarga de hablar con
el profesor si es necesario. También se encarga de documentar los pasos
del trabajo.
En el marco del plan de estudios que aquı́ se presenta se propone cubrir las
siguientes áreas o temas básicos de la IA:
1. Percepción
2. Actuación
3. Representación
4. Aprendizaje
Capı́tulo 5. Desarrollo del plan de estudios 71
5. Razonamiento
6. IA colectiva
7. Motivación
Estos temas tienen una correspondencia casi directa con los bloques funcio-
nales de la figura 5.2, excepto los dos últimos, que afectan al agente inteligente
a otro nivel. A continuación, se pasa a describir brevemente la relevancia y el
enfoque educativo que se deberı́a buscar en cada uno de ellos para esta etapa
educativa.
1. Percepción
El primer tema que se propone se centra en la información que el agente
puede obtener de sus sensores, de los que se alimentan todos los bloques funcio-
nales. La percepción se refiere a la información en contexto, y los estudiantes
deben comprender las diferentes etapas de procesado de los datos capturados
hasta llegar a la información y el conocimiento. La capacidad de percibir y com-
prender el entorno es esencial para que los agentes inteligentes puedan operar
de manera autónoma.
En este plan de estudios, nos hemos centrado en aquellos sensores y procesos
de percepción más utilizados actualmente en la IA, que proporcionan informa-
ción de alto nivel, dejando la mayorı́a de los tipos clásicos de sensores para
otras materias de tecnologı́a. En este sentido, los alumnos deberán comprender
los principios de funcionamiento y las posibilidades que ofrecen las cámaras,
los micrófonos y las pantallas táctiles. Con estos sensores, podrán hacer uso
de diferentes métodos del campo de la visión por computador, el procesado de
lenguaje natural o la interacción natural.
La percepción debe generalizarse en este tema a otros sensores remotos a
los que se puede acceder a través de la red, como los sensores del internet de
las cosas (conocido como IoT, acrónimo de Internet of Things) o simplemente
la información que se puede obtener de un servidor web.
2. Actuación
La actuación es la capacidad del agente de aplicar en su entorno las decisiones
tomadas en función de la percepción y los objetivos. Tras actuar, el entorno
72 5.2. Diseño
Cada agente está formado por diferentes capas, siendo las más externas las
más próximas al entorno y las más internas las que realizan procesos de ma-
yor abstracción. Podemos observar como el agente interactúa con el entorno
mediante los procesos de percepción y actuación, tomando datos y realizando
acciones. A continuación, tenemos la capa de representación, que transforma
las percepciones y acciones a los formatos internos. El aprendizaje y el razo-
namiento utilizan las representaciones anteriores para obtener modelos y selec-
cionar acciones, siendo estos dos procesos concurrentes, no existiendo un orden
de ejecución entre ellos. Finalmente, el núcleo del agente es la motivación, que
Capı́tulo 5. Desarrollo del plan de estudios 77
OBJ 2 Adquirir conocimiento sobre las áreas que conforman las bases de la
IA, comprendiendo el concepto de agente inteligente, identificando sus
procesos fundamentales y las tecnologı́as que los respaldan.
2.3 Ser consciente de que este enfoque de sistema ubicado implica tener que
lidiar con incertidumbres en los datos y en los resultados obtenidos, por
lo que la IA tiene que estar fundamentada en estadı́sticas, probabilidades
y modelos no exactos.
2.4 Explorar las aplicaciones prácticas de la IA en diversos campos, como
la medicina, la industria, la seguridad, la educación, el transporte, entre
otros. Reconocer en ellos las áreas fundamentales de la IA y analizando
cómo la IA se utiliza en cada uno de estos ámbitos.
1. Prueba final del programa: al final de la unidad, cada grupo deberá mos-
trar el funcionamiento de su programa. El profesor deberá realizar una
verificación del mismo, revisando si se han logrado todas las caracterı́sti-
cas esperadas y si resuelve el problema de manera correcta.
5.3. Implementación
Tras el diseño del plan de estudios se llevó a cabo una implementación con-
creta del mismo con el objetivo de validar sus principales aspectos en casos de
uso reales. En concreto, como se explicó en la sección 5.2.3 de metodologı́a, la
implementación y validación se realizó en el marco del proyecto AI+ entre los
años 2020 y 2022. Siguiendo las directrices de diseño establecidas en la sección
5.2, este capı́tulo describe en detalle el plan de estudios piloto que se desa-
rrolló para AI+, incluyendo las unidades didácticas especı́ficas y los recursos
Capı́tulo 5. Desarrollo del plan de estudios 85
Figura 5.6: Rúbrica para la evaluación del trabajo realizado por los estudiantes
durante la unidad.
86 5.3. Implementación
educativos que las apoyan. Se debe destacar que el principal objetivo de esta
implementación concreta fue crear un material educativo directamente aplicable
en los centros educativos europeos a partir del curso 2022/23.
hasta llegar a un sistema multiagente, en el cual los dos primeros tipos de agentes
(smartphones y robots) podrı́an estar presentes.
Figura 5.8: Organización del plan de estudios de AI+ en función de los campos
de aplicación.
claves de IA, excepto el de motivación, por ser más avanzado. Durante este
primer curso se trabajan los tres primeros niveles mostrados en la figura 5.8. El
nivel 1 lo conforman dos unidades. La TU1, la cual se centra en proporcionar a
los estudiantes una visión introductoria de las aplicaciones reales y actuales de
la IA, en la que tienen que realizar una presentación oral con detalles sobre una
de ellas, identificando las principales funcionalidades de la IA sobre la misma.
Es importante que los estudiantes comprendan el enfoque de agente inteligente,
y la relevancia del entorno en dichas aplicaciones reales.
La segunda unidad del bloque 1 es la TU6. Esta proporciona una visión
introductoria del impacto de la IA. De nuevo se implementa a través de una
tarea de búsqueda e investigación en la web, en la que los estudiantes deben
crear una infografı́a utilizando una herramienta de diseño. El objetivo es que
profundicen en los mitos y realidades de la IA a nivel de sostenibilidad, ética y
aspectos legales.
Las unidades de la TU2 a la TU5 forman el segundo de los niveles mos-
trados en la figura 5.8. En ellas, los estudiantes implementan aplicaciones para
smartphone a través de App Inventor que deben funcionar en el mundo real.
Para llevar a cabo adecuadamente estas unidades, hemos incluido un tutorial de
App Inventor antes de la TU2, motivado por la realimentación de los profesores,
tal y como se explicará en la sección 5.4 de validación, que permite formar a
los alumnos en los fundamentos de esta herramienta. Los contenidos concretos
de las TU se pueden consultar en el Apéndice A, pero se cubren los temas de
percepción, actuación, representación, razonamiento, aprendizaje e IA colectiva
de forma introductoria.
El último de los niveles trabajados en este primer curso académico es el de
la robótica básica, que abarca de la TU7 a la TU10. En este caso, los alumnos se
inician en el campo de la robótica autónoma programando el robot Robobo con
Scratch. Se llevan a cabo dos unidades centradas en percepción y actuación, ya
que es el primer contacto de los estudiantes con la resolución de problemas en
entornos reales, y la curva de aprendizaje es suave. La tercera unidad se basa
en interacción humano-robot, la cual engloba conceptos de las dos anteriores
y sitúa al humano como usuario de la IA. Finalmente, la TU10 implica otra
tarea de búsqueda e investigación en la web relacionada con la ética detrás de
la interacción humano-máquina.
El segundo curso tiene un enfoque más técnico que el anterior, e implica que
92 5.3. Implementación
1. Introducción
Todas las unidades comienzan con una introducción que contiene una breve
descripción y presentación del tema que se abordará en la unidad. En la figura
5.10 se muestra un ejemplo de este apartado en la TU2. En ella podemos ob-
servar que se habla de los temas de la IA que se van a tratar en la unidad y, a
grandes rasgos, se menciona lo que se pretende que los estudiantes aprendan y
cómo lo harán.
2. Contexto
En este apartado se establecen los conocimientos previos que debe tener el
alumno para lograr los objetivos de aprendizaje, como representa la figura 5.11
para el ejemplo de la TU2.
3. Objetivos de aprendizaje
Se definen las metas educativas, tanto especı́ficas como transversales que
se espera que los estudiantes alcancen al finalizar una unidad didáctica. En el
caso de las transversales, estas son de gran relevancia aquı́, ya que dan sentido
al enfoque STEAM planteado. Estos objetivos se establecieron acorde con los
objetivos generales propuestos en la sección 5.2.5.
4. Contenido
En este apartado se incluye toda la información, conceptos, teorı́as o cono-
cimientos especı́ficos que se presentan en la unidad, relacionados con IA.
6. Recursos necesarios
Todas las unidades cuentan con este apartado donde se especifican todos los
recursos educativos necesarios, tanto para el profesor como para el alumnado,
para el correcto desarrollo de la unidad. Se distingue entre recursos hardware y
software, tal y como se ejemplifica en la figura 5.15.
7. Bibliografı́a
Este apartado proporciona una lista de fuentes o referencias bibliográficas
que se pueden utilizar como base teórica o como recurso de consulta para el
desarrollo de la unidad. Tal y como se estableció en la sección 5.2.4, este listado
es una guı́a para los docentes, pero debe ser revisada y actualiza por ellos. Los
fundamentos teóricos de la IA están disponibles de manera libre en numerosas
plataformas web, con diferentes formatos y profundidades, quedando fuera del
alcance de esta tesis la creación de contenido teórico.
8. Grupos
Acorde con el planteamiento de ABP cooperativo, las unidades incluyen
una posible organización del aula en grupos, que puede ser seguida o no por el
profesor. El tamaño y la configuración de esos grupos varı́a en función de los
objetivos de aprendizaje.
9. Materiales de la unidad
Las unidades didácticas están formadas por varios recursos que pueden ser
98 5.3. Implementación
10. Desafı́o/Proyecto
Esta es la principal sección práctica de la unidad. Se divide en 3 apartados:
Objetivo Final, Actividades y Observaciones Finales.
Figura 5.22: Solución de una de las actividades y test dentro del apartado de
Desafı́o/Proyecto - Actividades de la TU2.
11. Evaluación
13. Anexos
En el apartado de anexos se incluyen materiales adicionales que no tienen ca-
bida en los anteriores, pero que son importantes para el correcto funcionamiento
de la unidad. Un ejemplo de ello se muestra en la figura 5.26, que contiene con-
sejos para la parte de diseño visual de una interfaz de usuario. Además, en este
apartado se incluyen las rúbricas de evaluación.
Capı́tulo 5. Desarrollo del plan de estudios 103
5.4. Validación
065742, y por otro, a través del informe favorable del comité de ética de la UDC,
aprobado el 18/04/2022.
5.4.2. Participantes
tinuación, se detallan las caracterı́sticas principales por las que fueron seleccio-
nados cada uno de los centros.
Además, se buscó que el grupo de alumnos, entre todos los centros, fuese
equitativo en cuanto a la representación de género y edad. Como se muestra
en la figura 5.29, se contó con una cantidad similar de estudiantes masculinos
y femeninos, y con alumnos de todas las edades a las que alcanza el plan de
estudios.
Figura 5.29: Edades y género del alumnado según una encuesta inicial.
Debemos aclarar que las soluciones entregadas por los estudiantes a sus
profesores en cada TU no se han tenido en cuenta de forma directa para la
validación del plan de estudios, sino de manera indirecta a través de la opinión
del docente que las ha corregido. De hecho, gran parte de su opinión sobre la
validez de las unidades se ha basado en estos resultados de aprendizaje.
consideran que sus alumnos son capaces de resolver la actividad sin necesidad
de ser guiados, pueden utilizar este apartado simplemente como un ejemplo de
solución. A raı́z de este cambio, se decidió añadir como un complemento a la
unidad una versión de esta para el alumno donde se explica el proyecto de ma-
nera general, con todos los enunciados seguidos y con la organización temporal,
para que puedan tener un conocimiento global de lo que le abarcará la misma.
Este documento, que está disponible entre los archivos de cada unidad didáctica
(disponibles aquı́2 ), tiene como objetivo el servir de guı́a al alumnado, y facilitar
la labor de enseñanza del docente dándoles mayor grado de autonomı́a.
Estas modificaciones metodológicas fueron puestas en común en una de las
reuniones entre los centros y el equipo de la UDC, y todas fueron aceptadas.
Posteriormente, las unidades afectadas se actualizaron, y ya comenzaron a rea-
lizarse las nuevas acorde a los cambios propuestos. En revisiones de unidades
posteriores, se comprobó que los cambios habı́an hecho efecto y no se recibieron
más comentarios negativos con respecto al formato.
2. Cambios en la organización temporal
La organización temporal de las unidades fue uno de los aspectos que generó
mayor discrepancia. Durante el desarrollo de las primeras, algunos docentes con-
sideraron que los tiempos asignados eran demasiado cortos, mientras que otros
opinaban que eran adecuados. Obviamente, este es un problema derivado de la
heterogeneidad del grupo de estudiantes, pero también es reflejo de la realidad
de las aulas, donde es complicado tener un grupo con las mismas caracterı́sticas
año tras año.
En la tabla 5.3 se muestran dos ejemplos de comentarios recibidos por parte
de todos los centros con respecto al apartado de organización temporal de dos
2 Unidades didácticas: https://bit.ly/3Ps0teL
116 5.4. Validación
de las unidades, TU2 y TU3. En ese caso, puede observarse como tres de los
centros consideraban que la temporalización es perfecta, mientras que los otros
consideraban que no era suficiente.
Como era de esperar, los centros con alumnado más técnico y de mayor edad
eran los que consideraban que era suficiente. Y, por el contrario, los centros con
alumnado más joven y menos técnico necesitaban más tiempo. Como acuerdo, se
decidió incrementar globalmente la duración de las unidades en un 50 % respecto
a la original propuesta por el equipo de la UDC. Hay que tener en cuenta que
el plan de estudios debe abarcar el mayor número de casos posibles, y para ello
se tomó la decisión de planificar en base al “caso peor”. Para aquellos centros
más avanzados, el profesor puede tomar la decisión de dedicar menos horas,
o de realizar las actividades complementarias y ası́ profundizar más en cada
temática.
3. Cambios en la evaluación
En las primeras versiones de las unidades, la parte de evaluación contaba
con las tres metodologı́as de evaluación mencionadas: prueba final del progra-
ma, prueba final de conceptos teóricos y trabajo realizado durante la unidad
mediante rúbricas. Pero se detectaron dos problemas.
El primero se encuentra en la prueba final del programa. Esta no es una ma-
teria para enseñar programación, y aunque es evidente que el funcionamiento
final del programa desde el punto de vista del objetivo de IA está muy influen-
ciado por la calidad de dicha programación, no se consideró que el profesor
debiese revisar el código del estudiante como elemento para su valoración. Es
decir, que la prueba final del programa debı́a centrarse en aspectos funcionales
de resolución del problema mediante IA.
Para ayudar en esta corrección funcional, inicialmente, se incluı́an varios
ı́tem a supervisar por los profesores durante la realización del reto, pero no se
especificaba el momento en el que lo debı́an revisar. Esto provocaba una com-
118 5.4. Validación
Figura 5.34: Lista de verificación de la TU8 para la prueba final del programa.
verificación deben ser cubiertos en cada una. La figura 5.35 muestra un ejemplo
de este apartado de la misma unidad que la tabla anterior, donde se especifica
que los puntos 1 y 2 de la lista deben ser cubiertos en ese punto de la unidad.
Figura 5.36: Rúbrica inicial para la evaluación del trabajo realizado por los
estudiantes durante la unidad.
120 5.4. Validación
Se trataba, por tanto, de una aplicación apta para cualquier tipo de centro
educativo y útil para el dı́a a dı́a de toda la comunidad docente. Con una prin-
cipal caracterı́stica que debe contener toda aplicación inteligente: la interacción
natural con el usuario.
Una vez desarrollada, y al tratarse de la primera destinada a la creación de
un sistema, se realizó un primer taller previo al envı́o de la unidad. En este taller,
realizado en el centro asociado al proyecto con este fin, se descubrió que el ob-
jetivo era demasiado ambicioso. Los contenidos que se trataban, concretamente
trabajar con datos en la nube y bases de datos, era un nivel de conocimientos
demasiado elevado para el alumnado. Por esta razón, se decidió cambiar por
completo el contenido de la unidad. Una de las complicaciones encontradas a
la hora de realizar la modificación fue que la creación de cualquier aplicación
inteligente con App Inventor iba a ser compleja para esta primera unidad. Por
ello, se tomó la decisión de dividirla en dos unidades. Como la adaptación de
la TU2 desarrollada no era sencilla, se decidió establecer una completamente
nueva aplicación para ser desarrollada en las unidades TU2 y TU3.
Concretamente, se propuso crear una aplicación para el guiado de los usua-
rios de un centro educativo (visitantes, profesores, alumnos...) desde su ubica-
ción hasta el destino que hayan seleccionado, basándose en imágenes e indica-
ciones. En la primera parte, TU2, se realizarı́a la parte que correspondı́a con
los temas de percepción y actuación; y en la TU3, la parte de representación y
razonamiento.
Una vez desarrolladas y probadas ambas unidades tanto en el taller previo
como en la fase de actividades de formación, se corroboró que esta división
de la aplicación en dos unidades era una buena manera de facilitar el proceso
de enseñanza-aprendizaje. Y a su vez, que esta nueva aplicación era asequible
para ser realizada por el alumnado. Esta adaptación inicial permitió conocer la
realidad del alumnado en esta franja educativa, y cómo la simple adaptación de
contenidos universitarios, aun adaptando la dificultad, no era suficiente por su
bajo perfil técnico. En consecuencia, el resto de las unidades se desarrollaron
con un alcance menor a nivel de programación y conocimientos técnicos en
educación digital.
Por otra parte, inicialmente, la organización del plan de estudios se basaba
en tratar los temas de IA por orden, una sola vez, y todos con igual relevancia.
Es decir, cada tema tendrı́a el mismo número de unidades dedicadas. A medida
122 5.4. Validación
Esta actividad se dividió en tres sesiones de dos horas cada una, las cuales
fueron realizadas dos veces (una para cada nivel de estudiantes):
Tabla 5.5: Respuestas del alumnado a una de las preguntas del cuestio-
nario de la 1ª AFG.
I think that all robots aren’t intelligent systems because if they don’t know
17
how to learn and adapt, they cannot be.
No. Some of them are just programmed and if you want something else you
18
must reprogrammed it.
Tabla 5.6: Respuestas del alumnado a dos de las preguntas del cuestio-
nario de la 1ª AFG.
What did you like best about this first training activity?
1 It was fun to research Muzero.
It was fun to find more information about this amazing program that beats
2
games.
3 It was fun and we learnt a lot of new things...
I like the fact that everyone is very friendly, and its fun to be a part of this
4
training activity.
5 Doing the presentation.
6 Meet other students and made the presentation.
7 I get to know deeper about programs that i use and it was very exciting.
8 Meet other students.
9 Everything about Tesla and robots.
10 Learning about AI.
11 It was entertaining.
12 Small details about AI.
13 It was entertaining.
It was nice to learn about artificial intelligence notions that until recently
14 we were almost totally unknown, it is a topic that in time in my opinion
will go a long way and will be discussed a lot.
15 I enjoyed analyzing the various aspects of AI, deepening my knowledge.
16 The communication and the relationship with my classmates and teacher.
128 5.5. Resultados de aprendizaje
tricular a ningún estudiante en la actividad. Aun ası́, las profesoras del centro sı́
estuvieron siguiendo la actividad de manera online para ası́ poder dar su punto
de vista con respecto a las actividades allı́ desarrolladas.
Taller 1. Este taller sirvió para formar a todos los estudiantes en los
fundamentos del simulador robótico que se utiliza en el plan de estudios
llamado RoboboSim. Al tratarse de una clase introductoria, pudo ser se-
guido por todos los estudiantes en persona o en lı́nea simultáneamente a
través de una videoconferencia.
Figura 5.39: Imagen del alumnado trabajando durante una de las sesiones (iz-
quierda) y del grupo completo de asistentes a la 2ª AFG (derecha).
Tabla 5.8: Respuestas del alumnado a una de las preguntas del cuestio-
nario de la 2ª AFG.
Figura 5.40: Respuestas del alumnado a preguntas técnicas del primer formulario
de la 2ª AFG.
Figura 5.41: Respuestas del alumnado a preguntas técnicas del segundo cues-
tionario de la 2ª AFG.
134 5.5. Resultados de aprendizaje
Solski center
Eslovenia Online 6 2
Velenje
Joensuun
yhteiskoulun Finlandia Online 0 2
lukio
Viesoji istaiga
Lituania Online 4 2
Panevezio
2IIS A-Ruiz Italia Online 8 1
Número total de participantes: 51
Figura 5.44: Respuestas del alumnado a preguntas técnicas del primer cuestio-
nario de la 4ª AFG.
En cuanto a los resultados de las encuestas, estos demuestran cómo los con-
ceptos técnicos fueron perfectamente comprendidos por los alumnos, lo cual es
muy relevante para esta actividad. En la figura 5.44 se muestran algunas de
las respuestas obtenidas en el primer cuestionario, en las cuales el alumnado
demostró los conocimientos adquiridos en la TU11.
En la primera pregunta que se presenta en la figura, se indagó sobre la visión
por computador con el objetivo de evaluar la comprensión de los estudiantes
acerca de su propósito principal. Los resultados mostraron que el 25 % de los
estudiantes mencionó que se enfoca en el análisis y la interpretación. Por otro
lado, el 75 % restante respondió correctamente, indicando que la visión por
computador se centra en la captura y percepción de imágenes.
Con la segunda pregunta se pretendı́a conocer la comprensión de los estu-
diantes sobre la utilidad de la segmentación de imágenes y de nuevo, la mayorı́a
de los estudiantes demostró comprender el concepto. En este caso, el 83,3 % de
140 5.5. Resultados de aprendizaje
Figura 5.45: Respuestas del alumnado a preguntas técnicas del segundo cues-
tionario de la 4ª AFG.
Esta actividad se realizó casi tres meses después que la anterior, por lo que
en ese tiempo los centros tuvieron tiempo a terminar las unidades 13 y 14 del
plan de estudios. Por ello, esta actividad se enfocó en trabajar la última unidad
del bloque de robótica intermedia y el último de los bloques de unidades (TU16
y TU17): entornos inteligentes. Para ello, se llevaron a cabo 4 talleres:
Taller 2. Para que fuera más ameno, este segundo taller de dos horas de
Capı́tulo 5. Desarrollo del plan de estudios 143
La validación del plan por parte de los profesores se realizó de forma gra-
dual, tal y como se ha explicado en la sección 5.4.1. Con este proceso, se ha
logrado un conjunto de unidades fiable, validado por un mı́nimo de 10 docentes
durante 3 años. Además, al inicio del proyecto AI+, se les realizó un cuestiona-
rio de conocimientos generales sobre la IA. Este mismo cuestionario se repitió
al finalizar la última de las actividades.
6.1. Introducción
6.2. Antecedentes
las interacciones con un tutor tienen una relación directa con el compromiso de
los estudiantes, sus calificaciones y su asistencia a la escuela (Quin, 2017). Sin
embargo, parece que la escasez de tutores en ciertas áreas sigue una tendencia
ascendente, y se prevé que esto vaya incluso a peor en el el futuro (Wiggan et al.,
2021). Dotar a estas zonas de herramientas digitales que les permitan recibir
una educación de calidad de forma autónoma parece, por tanto, una necesidad
de gran relevancia a corto plazo.
El reto de adaptar la educación a las necesidades de los alumnos no es nuevo,
y tiene una larga historia que parte desde la enseñanza asistida por ordenador
(du Boulay, 2016). En el pasado, el desarrollo de un ITS era costoso ya que
implicaba recopilar información de numerosos expertos, dando lugar a herra-
mientas propietarias y plataformas de aprendizaje especializadas (Aleven et al.,
2016). El avance en campos como el aprendizaje automático, con numerosas
herramientas disponibles de forma libre, ha traı́do consigo que diversos investi-
gadores hayan liberado sus ITS, haciéndolos accesibles a un mayor número de
estudiantes (Holstein et al., 2018). Los casos de mayor éxito se han aplicado
a asignaturas “tradicionales”, como matemáticas, ciencias o historia, donde la
alfabetización, las métricas de evaluación y las metodologı́as están bien esta-
blecidas (Mousavinasab et al., 2021). Por otro lado, en los últimos años se han
producido varios avances en los ITS para que estudiantes y tutores los utilicen
como herramientas de auto-aprendizaje que ayuden a explorar ideas cientı́ficas
y a desarrollar formas cientı́ficas de pensar (Crompton and Burke, 2023; Hol-
mes and Tuomi, 2022). Empresas como Carnegie Learning y Math-Whizz han
derivado sus ITS abiertos de nuevo hacia productos, que proporcionan diversos
grados de soporte inteligente, interactividad y personalización.
Aunque hay numerosos artı́culos centrados en el uso de aprendizaje au-
tomático en ITS (Domoscio, 2023; Duolinguo, 2022; Songer et al., 2020), de-
bemos destacar que en este ámbito la falta de interpretación de los resultados
que proporcionan estos modelos no es siempre deseable, por lo que su aplicación
debe ser acotada. Cuando un ITS toma una decisión autónoma sobre el avance
educativo de un estudiante, el profesor debe ser conocedor de los motivos por
los que se llegó a esa decisión, ya que de otra forma no podrá valorar qué ha
podido ocurrir si el aprendizaje falla. Es, por tanto, importante comprender que
el conocimiento explı́cito proporcionado por educadores y utilizado en los ITS
es de gran interés, aunque este enfoque parezca ir en contra de las tendencias
actuales de la IA (Khosravi et al., 2022).
Capı́tulo 6. Desarrollo del Sistema de Tutorizazión Inteligente 155
6.3. Diseño
Los ITS son herramientas educativas que pueden ser aplicadas en diversos
contextos. En el caso especı́fico de esta tesis, el ITS a desarrollar se centra en
la enseñanza sobre IA y se ha denominado RoboboITS. En este apartado, se
abordará especı́ficamente la parte de su diseño, centrándonos en la definición
metodológica del mismo, su arquitectura y su funcionamiento.
En cuanto al Módulo del Estudiante, este contiene datos sobre los conoci-
mientos iniciales y los adquiridos a lo largo del uso de la herramienta. Estos
datos incluyen las diferentes interacciones con el interfaz de usuario (en inglés
GUI, del acrónimo de Graphical User Interface), el código de sus programas, el
número de intentos, el tiempo necesario para resolver la actividad y el nivel de
cada estudiante. Este nivel es un valor discreto que constituye una estimación
de la orientación que necesita cada estudiante para completar el proyecto. Por
ejemplo, si un estudiante está en el nivel 1, significa que requiere mucha orienta-
ción, ya sea por su falta de destreza en la programación, por sus conocimientos
de IA, o por otros factores, que hacen que no pueda resolver los retos en los
tiempos establecidos.
Por último, el Módulo de Interfaz conecta a los alumnos con el sistema
de tutorización de forma bidireccional. En este caso, el elemento principal es
la interfaz de simulación 3D mediante RoboboSim. Este ha sido desarrollado
utilizando la tecnologı́a Unity3D, la de mayor popularidad en la creación de
videojuegos, por lo que tiene una usabilidad y estética apropiada para los es-
tudiantes de esta edad. En este sentido, el RoboboITS pretende aprovechar
las potencialidades del simulador como interfaz de juego, junto con el aspecto
del propio robot Robobo, para aumentar la motivación y el compromiso del
estudiante (figura 6.3). Como se explicará en el apartado de funcionamiento,
el simulador permite incluir pistas visuales y otras estrategias de gamificación
para mejorar la personalización del aprendizaje.
Cabe destacar que los estudiantes programan sus soluciones utilizando Python
Capı́tulo 6. Desarrollo del Sistema de Tutorizazión Inteligente 159
6.3.4. Implementación
Actividad 1
Como primera actividad se propone crear un programa que permita a Ro-
bobo evitar el obstáculo, pero sin utilizar ningún sensor, sólo ajustando la ve-
locidad y el tiempo de funcionamiento de los motores de las ruedas del Robobo
utilizando los bloques de Scratch adecuados. En este caso, el obstáculo está
siempre en la misma posición y es siempre del mismo tamaño. Por lo tanto,
resolviendo esta actividad los estudiantes se familiarizan con la respuesta del
motor y, como objetivo principal, entienden que ajustar valores especı́ficos pa-
ra este caso es posible, pero requiere una etapa de ensayo-error que consume
mucho tiempo.
reto personalizado, con un nivel de orientación más alto de acuerdo con sus
habilidades de programación.
Actividad 2
En esta segunda actividad, el desafı́o final es el mismo, pero ahora la posición
y el tamaño del obstáculo cambian aleatoriamente cada vez que los estudiantes
ejecutan su solución. En consecuencia, se dan cuenta de que su programa an-
terior no funciona en esta configuración, ya que fue ajustado para un entorno
particular. Este es el concepto clave que hay que entender en esta lección. Por
lo tanto, para resolver ahora el reto, deben utilizar los sensores del Robobo, en
concreto, el sensor de infrarrojos para detectar la distancia al obstáculo, y el
sensor de orientación para girar los grados adecuados.
Figura 6.12: Pista visual para los alumnos del nivel 1 (izquierda) y para el nivel
2 (derecha).
Sesión 2
Durante cada una de las sesiones, se recopilaron dos tipos de datos fun-
damentales para la validación del RoboboITS en el marco de la metodologı́a
de diseño educativo. En primer lugar, se registraron las anotaciones detalladas
realizadas por los investigadores encargados de guiar las sesiones. Estas anota-
ciones proporcionaron información valiosa sobre el diseño y funcionamiento del
ITS, ası́ como sobre la dinámica de las sesiones de trabajo con los estudian-
tes. Por otro lado, se recopilaron opioniones de los propios estudiantes sobre la
funcionalidad del ITS a través de un cuestionario final.
A continuación, se presenta esta información agrupada en relación con el
diseño y funcionamiento del ITS durante cada una de las interacciones realiza-
das. Estos datos incluyen tanto los resultados obtenidos como las observaciones
registradas, los cuales fueron sometidos a un riguroso análisis con el objetivo
de extraer conclusiones de relevancia. A partir de estas observaciones, se iden-
tificaron áreas susceptibles de mejora, lo que condujo a la implementación de
ajustes y actualizaciones en el ITS. Dichas modificaciones se orientaron a opti-
mizar el desempeño del sistema y adecuarlo de manera precisa a las necesidades
particulares de los estudiantes involucrados en el proyecto.
6.4.1. Iteración 1
Como se evidencia en las primeras dos anotaciones realizadas por los in-
vestigadores, se identificó un problema relevante relacionado con la lectura in-
completa de los enunciados por parte de los alumnos. Se constató que algunos
estudiantes encontraban dificultades para comprenderlos en su totalidad debido
al tamaño de letra y/o el color utilizado, mientras que otros mostraban prefe-
rencia por resolver los desafı́os basándose en los vı́deos proporcionados y en las
pistas visuales que se les presentaban. Además, en algunos casos, los alumnos
no percibı́an la existencia de múltiples páginas en los enunciados y asumı́an
erróneamente que solo habı́a una página, incluso cuando habı́a un botón de
continuar disponible.
Con el objetivo de abordar esta problemática, se tomó la decisión de reformar
la interfaz de los enunciados. La figura 6.14 ilustra un enunciado de la versión
utilizada en el taller (lado izquierdo) y su posterior versión mejorada (lado
derecho). Se puede apreciar cómo en la segunda versión se optó por un diseño
172 6.4. Validación del ITS
Por otro lado, se identificó una dificultad por parte de los estudiantes para
comprender cómo transitar del modo de práctica al modo de prueba y cómo
finalizar el modo de prueba. Para resolver esta cuestión, se implementó una
solución consistente en la inclusión de avisos emergentes tipo “pop-up”. Estos
avisos se activan al ingresar al modo de práctica, brindando indicaciones claras
sobre cómo cambiar al modo de prueba (figura 6.16, parte inferior izquierda).
De manera similar, al ingresar al modo de prueba, se proporciona un aviso
que orienta a los alumnos sobre cómo salir de dicho modo (figura 6.16, parte
inferior derecha). Estos avisos sustituyen al único aviso presente en la versión
inicial (figura 6.16, parte superior izquierda), el cual contenı́a una cantidad
considerable de texto y no era leı́do detenidamente por los estudiantes.
Además de las mejoras anteriormente mencionadas, los avisos emergentes
también se emplearon para abordar otro problema identificado por los investi-
gadores durante la evaluación del RoboboITS. En la anotación 6 de la tabla 6.1,
se destaca la necesidad de alertar al alumno cuando no logra superar una activi-
dad tras varios intentos, lo que resulta en un descenso de nivel con el propósito
de facilitarle la tarea.
Con el fin de abordar esta situación, se implementaron avisos emergentes que
notifican al estudiante sobre su descenso de nivel, como se muestra en la figura
6.16, parte superior derecha. Estos mensajes informativos brindan al alumno
una retroalimentación clara y oportuna, indicándole que se ha producido un
descenso en su nivel de dificultad. De esta manera, se busca proporcionar al
estudiante una comprensión clara de la situación y fomentar un enfoque más
174 6.4. Validación del ITS
Figura 6.16: Aviso de cómo usar los modos práctica y prueba en la versión 1
(superior izquierda), de bajada de nivel (superior derecha) y de cómo usar los
modos práctica y prueba en la versión 2 (inferiores).
se identificó como un punto relevante para las futuras iteraciones que dichos
conceptos no se explicaran durante la primera sesión. Esto permitirı́a verificar
la efectividad del simulador en el aprendizaje de estos temas y su capacidad
para cumplir con los objetivos establecidos.
Como conclusión, tras esta primera interacción, se identificaron algunas de-
bilidades del ITS. Estas limitaciones fueron abordadas y se logró desarrollar un
nuevo sistema listo para su validación, el cual se esperaba que mejorara signi-
ficativamente la capacidad de captar la atención del alumnado y satisfacer de
manera más amplia sus necesidades en cuanto a usabilidad y contenidos.
6.4.2. Iteración 2
6.4.3. Iteración 3
Durante esta última interacción solo se registraron dos anotaciones. Por una
parte, el tiempo que se disponı́a para la realización de cada una de las sesiones
fue aproximadamente 1 hora y 30 minutos, cuando la actividad está pensada
para 2 horas. Por ello, una de las cosas que se detectó es que el tiempo en este
caso fue limitado, y que era necesario mantener las sesiones de 2 horas para
posibles futuras interacciones.
182 6.5. Resultados de aprendizaje
La tabla 6.3 refleja las respuestas del alumnado a las preguntas realizadas
en el cuestionario final sobre su apreciación del ITS. Se observa que el estilo
gamificado de la interfaz de simulación fue positiva para los alumnos de todos
los paı́ses (pregunta 1), ası́ como la utilidad de las pistas visuales que incluı́a
(pregunta 2). Además, se les preguntó si les gustarı́a utilizar este tipo de sistemas
para estudiar tanto en la escuela como en sus hogares. Los resultados fueron
interesantes, ya que más del 93 % de las respuestas confirmaban que se sentı́an
motivados y comprometidos para aprender con esta herramienta en el entorno
escolar (pregunta 3). Sin embargo, solo un 71 % afirmó que le gustarı́a utilizarla
como complemento al aprendizaje en sus casas (pregunta 4).
Por otra parta, la tabla 6.4 muestra el porcentaje de respuestas correctas
obtenidas en el cuestionario inicial y final por parte de los estudiantes de las
tres pruebas, en relación con las preguntas sobre los conceptos de IA abordados
en el RoboboITS.
184 6.5. Resultados de aprendizaje
Cuestionario Cuestionario
Pregunta inicial final
% de éxito % de éxito
¿Qué es un robot autónomo? 84,8 95,7
Para programar un robot
autónomo, es necesario... 39,1 76,1
(opciones)
El sensor IR de RoboboSim mide...
76,1 86,9
(opciones)
Al programar un robot, ¿es posible
utilizar valores exactos en las
45,7 76,1
comparaciones de los valores de los
sensores?
Unidos y Portugal.
La figura 6.23 representa el progreso de tres estudiantes durante la itera-
ción 1, cada uno perteneciente a un nivel inicial distinto. Los datos extraı́dos
de dichos estudiantes se centran en la finalización de las tareas o actividades
asignadas, ası́ como en las pistas recibidas durante el proceso. El alumno corres-
pondiente al nivel 3 logró resolver el desafı́o en un tiempo total de 70 minutos,
empleando solamente dos pistas, una en cada actividad. En contraste, el estu-
diante del nivel 2 logró superar la actividad 1 en el nivel inicial, pero no pudo
completar exitosamente la actividad 2, ya que las pistas proporcionadas no fue-
ron suficientes para su avance, lo que ocasionó que retrocediera de nivel. Por
último, el estudiante del nivel 1, tras un periodo de dos horas y con la ayuda
de numerosas pistas, logró superar exitosamente todo el desafı́o planteado.
Aunque solo se han mostrado tres casos del total de 17 estudiantes, son
representativos del resto de respuestas obtenidas, que confirman un correcto
funcionamiento del algoritmo implementado. A pesar de ello, se tomó la decisión
de implementar las mejoras mencionadas después de esta prueba con el objetivo
de lograr un mayor nivel de personalización y, por supuesto, captar más la
atención de los estudiantes.
De los datos capturados del ITS se observó también que, de los 17 alumnos
participantes en la prueba realizada en Estados Unidos y de los 17 de España,
únicamente 3 en cada grupo no lograron superar el objetivo final propuesto. Sin
embargo, en la prueba realizada en Portugal, de los 24 alumnos totales, 6 no
Capı́tulo 6. Desarrollo del Sistema de Tutorizazión Inteligente 187
alcanzaron dicho objetivo. Cabe mencionar que este dato menos favorable en
la prueba de Portugal se atribuyó al hecho de que se dispuso de menos tiempo
para la segunda sesión. De hecho, entre los datos se demostraba que el tiempo
total de utilización fue de casi 15 minutos menos en este caso. Sin embargo,
resulta relevante destacar que, en contraposición a este dato, el número de
pistas requeridas por los estudiantes de este último taller fue menor, ası́ como
la cantidad de errores en la resolución de las actividades. Esto indica tanto un
alto ı́ndice de éxito en el logro de los objetivos planteados por la mayorı́a de los
estudiantes desde el primer taller, como un aumento progresivo a medida que
se realizaron mejoras en el simulador.
Conclusions
This chapter marks the end of this doctoral thesis report. In it, firstly, a sum-
mary is made of the degree of achievement of the specific objectives established
in chapter 3, and a reflection is made on the degree of attainment of the global
objective. In addition, the most outstanding contributions of this research are
presented, giving rise to the proposal of new lines of future work.
The main objective of this thesis, as stated in chapter 3, has been the de-
velopment of an artificial intelligence (AI) curriculum for formal pre-university
education, applicable in the European educational system, and based on an in-
telligent agent approach as a computational system that interacts autonomously
with its environment.
This objective stems from the vital importance that organisations such as
the European Commission, UNESCO and UNICEF attach to AI education in
the coming years. These agencies agree on the need to develop formal, reliable
and responsible AI literacy for the general population as a fundamental part of
building a society aware of the capabilities, limitations, benefits and dangers of
this new digital technology. It is clear that, in addition to the interest in sus-
tainable and quality education for all citizens, these organisations are driven by
economic objectives in line with the current model of society. AI will bring with
it numerous investment and business opportunities, so the authorities require a
well-educated population to be at the forefront of innovation in this field.
In chapter 2, a comprehensive analysis of the current landscape of AI in
190
education was carried out, and a taxonomy was proposed that reflects the or-
ganisation of the main avenues of development in this area. On the one hand,
the main works and developments in AI in education, where techniques and
methods are used to automate tasks at student, teacher and school level, were
reviewed. Although this field of AI application is not the focus of this doctoral
thesis, knowledge of its state of the art is important as it includes tools that will
affect education in general. On the other hand, a current and formal view of
AI education was provided, organised in three main areas of development: the
first focused on the creation of digital and AI literacies, at the level of official
bodies and institutions, the second dedicated to the development of specific AI
curricula (such as the one presented here), and the third focused on the concrete
contributions of educators and researchers at the level of classroom resources.
This analysis provided evidence of the rise of AI education and, in turn,
provided a detailed understanding of the various existing approaches as a fra-
mework for developing an original curriculum that fits today’s needs. At a glo-
bal level, it can be concluded that the AI4K12 initiative in the United States
is currently the benchmark for creating pre-university AI curricula, as it has
followed a ’step-by-step’ approach in which AI experts, professors and private
sector professionals have established a debate over the years that has led to
a solid approach. The guidelines of this initiative have been taken here as the
basis for the proposed curriculum, which has been adapted to the particular
characteristics of the European environment.
Following the background review in the field, the design of the curriculum,
detailed in chapter 5, was started. The first step was to establish the scope,
which was set at European students between 15 and 18 years of age who are
in the final years of compulsory secondary education, or the baccalaureate, and
who have a background in scientific and technical disciplines such as physics,
mathematics and programming. While it would be ideal to create a curriculum
with a more general scope, it was necessary to narrow its scope to ensure the
feasibility of its implementation in the temporal context of the thesis. Moreover,
based on the context explained above, current students at this level of education
will be the first to face a future working life conditioned by AI, so the impact
of a formal education on them is very relevant.
One of the main contributions of the present curriculum is the approach
to AI that has been proposed for this educational stage. Instead of opting for
a more particular vision of the field, focusing on specific applications or areas
Capı́tulo 7. Conclusions 191
and research, (2) intelligent applications and (3) basic robotics were covered.
In the second, it progressed to the levels of (4) intermediate robotics and (5)
Internet of Things (IoT).
The specific didactic units to be developed had to respect this previous
organisation, and be teacher-centred, as the key participant in achieving the
implementation of the plan in practice. In total, 17 units were created, each
with a variable duration of teaching hours allocated according to its complexity.
The proportion of units focused on each AI topic was respected according to
its relevance and complexity. Each unit included a programming challenge to
be solved by an intelligent agent, in the above fields of application. The specific
material consisted of a teacher’s guide with the explanation of the solutions to
the challenges, a student’s guide, the source code with the solutions, diagrams
and explanatory videos, and other support resources. It should be noted that the
creation of these units and their improvement has meant the greatest workload
for the author of the thesis, occupying practically two years of uninterrupted
time.
To validate the units, as detailed in section 5.4, first of all, the definition of
the tests with the students and the metrics to evaluate the effectiveness of the
curriculum was carried out. In the framework of the AI+ project, a collabora-
tion was established with 6 schools in 5 European countries, involving a working
group of at least 6 students and 2 teachers in each school. The validation phase
was carried out continuously throughout the development of the thesis, with two
different objectives. On the one hand, to validate the syllabus, training activities
were carried out in which the teachers responsible for each participating centre
evaluated the coherence of the content and teaching strategies with the esta-
blished educational objectives of each of the units, by teaching the units with
their students. On the other hand, in order to validate in the short term the
level of learning achieved, group training activities were carried out, specifically
five, involving all students from all schools working on the same unit, thanks
to which direct feedback was obtained on the work carried out by the students
and their level of understanding. Through these two types of training activities,
a reliable validation was ensured, not only of the individual AI+ teaching units,
but also of the overall curriculum developed here.
In relation to the metrics used to analyse the results, two different ins-
truments were established according to the two levels of validation. Firstly, a
specific feedback form was designed for teachers to give their opinion, with the
194
aim of collecting their perception and evaluation of a unit after having reviewed
and implemented it in the classroom with the group of students. This form pro-
vided qualitative information on the quality of the material and its pedagogical
suitability, as well as possible suggestions for improvement from the teachers.
The changes derived from this feedback had to do with the format of the units,
their temporal organisation, problems in the assessment part and, in some ca-
ses, with the contents, as detailed in the section 5.4.4. It should be noted that
this improvement process was not carried out simultaneously, but rather pro-
gressively as the units were being developed. In this way, the errors that were
detected were solved in the units still in the design phase. Furthermore, conti-
nuous improvement of the educational material was achieved and a high level
of effectiveness in the teaching-learning process.
On the other hand, a series of questionnaires were developed to assess the
level of knowledge acquired by the students, as well as their opinion of the
teaching units. These questionnaires covered both conceptual aspects of AI and
the practical application of the knowledge acquired. In this way, quantitative
information was obtained about the students’ learning and their perception of
the teaching units, which allowed for a more complete and objective analysis of
the results obtained after the implementation of the syllabus. In conclusion, it
should be reaffirmed that a formal and reliable validation of learning acquired
through a curriculum would require a longer period of time, so that the results
obtained here, although promising, should be taken with caution.
After the completion of the AI+ project and, therefore, the validation of the
implemented plan, two difficulties were detected when it came to putting it into
real practice in schools in the short term. The first had to do with the students’
level of programming knowledge, which, although they were from technical spe-
cialisations, turned out to be very heterogeneous. This is a consequence of the
lack of a common digital education plan at European level, and largely condi-
tions the success of a practical curriculum such as the one proposed here. The
second difficulty encountered was the lack of confidence of teachers in tackling
a new subject, something that can take years before they are properly trained.
In order to address both, in the context of this PhD thesis the decision was
made to carry out the development of an Intelligent Tutoring System (ITS)
focused on teaching AI fundamentals. The main goal of this system is to provi-
de students with personalised learning that matches their programming skills,
while providing support to teachers in AI topics in which they may have less
Capı́tulo 7. Conclusions 195
experience. To achieve this, a thorough analysis of the state of the art of such
systems was carried out, followed by a concrete design of the conceptual archi-
tecture of the ITS, and finally the implementation of a working prototype in
Unity3D. The prototype was validated by means of three teaching workshops
in different educational centres in Europe and the United States, with the aim
of obtaining a more general overview.
The ITS prototype developed in the thesis is called RoboboITS, and is ex-
plained in detail in chapter 6. It is based on the use of a 3D robotic simulator
called RoboboSim as the main tool for interaction with the student, both at
the level of the evaluation of its solutions and at the level of the adaptive in-
terface. It is important to highlight that RoboboITS follows the methodological
approach of the curriculum proposed here.
The implementation results obtained are encouraging, and show that the ITS
has been successful in fostering learning and development of AI concepts among
students, balancing their initial level of knowledge and reducing the teacher’s
workload. However, weaknesses have been identified that need to be addressed
in future versions, such as the lack of evaluation and monitoring of program-
ming, or the need to include more AI-focused activities. Despite this, it can be
concluded that the implementation of the RoboboITS prototype represents a
significant advance in the teaching of AI, as this is a new, multidisciplinary and
complex field for many teachers, so this type of support is key.
Therefore, after reviewing the degree of fulfilment of the specific objecti-
ves, we can conclude that the main objective of this doctoral thesis has been
successfully achieved. On the one hand, a formal guide for the creation of a pre-
university curriculum on AI at the European level, which did not previously
exist, has been developed. On the other hand, following the implementation of
a specific plan, a set of didactic units and open educational resources have been
developed that can be used directly by teachers when planning subjects in the
short term. These units can be applied as they are, as their effectiveness has
been validated with groups of students, or they can be modified and adapted
to the needs of each case.
It is important to highlight in this section the impact that has been achieved
with the completion of this thesis. One of the outstanding achievements was
the obtaining of a grant for the pre-doctoral stage from the Xunta de Galicia,
which provided funding for the development of the doctoral thesis (Consellerı́a
196
Trabajo futuro
Unidades didácticas
Este apéndice muestra las fichas resumen de cada una de las unidades
didácticas desarrolladas en la fase de validación. Las unidades completas están
disponibles tanto en la web oficial de resultados de los proyectos Erasmus+1 ,
como en la web del proyecto AI+2 .
Abduljabbar, R., Dia, H., Liyanage, S., and Bagloee, S. A. (2019). Applications
of Artificial Intelligence in Transport: An Overview. Sustainability, 11(1):189.
AI4ALL (2023). AI4ALL abre las puertas a la inteligencia artificial para talentos
históricamente excluidos a través de la educación y la tutorı́a.
Aleven, V., McLaren, B. M., Sewall, J., van Velsen, M., Popescu, O., Demi,
S., Ringenberg, M., and Koedinger, K. R. (2016). Example-tracing tutors:
222 Referencias
Anwar, S., Bascou, N. A., Menekse, M., and Kardgar, A. (2019). A systematic
review of studies on educational robotics. Journal of Pre-College Engineering
Education Research (J-PEER), 9(2):Article 2.
Baji, T. (2018). Evolution of the gpu device widely used in ai and massive
parallel processing. In 2018 IEEE 2nd Electron Devices Technology and Ma-
nufacturing Conference (EDTM), pages 7–9, Kobe, Japan. IEEE.
Bellas, F. et al. (2018). The robobo project: Bringing educational robotics closer
to real-world applications. In Robotics in Education. RiE 2017. Advances in
Intelligent Systems and Comp, volume 630. Springer.
Bellas, F., Naya, M., Varela, G., Llamas, L., Prieto, A., Becerra, J. C., Bautista,
M., Faina, A., and Duro, R. (2017). The robobo project: Bringing educatio-
nal robotics closer to real-world applications. In Proceedings of Robotics In
Education, Advances in Intelligent Systems and Computing, pages 226–237.
Springer.
Brooks, R. A. (2002). Flesh and machines : how robots will change us / Rodney
A. Brooks. Pantheon Books New York, 1st ed. edition.
Chen, C.-M., Wang, J.-Y., and Hsu, L.-C. (2021). An interactive test dashboard
with diagnosis and feedback mechanisms to facilitate learning performance.
Computers and Education: Artificial Intelligence, 2:100015.
Chen, X., Xie, H., Zou, D., and Hwang, G.-J. (2020). Application and theory
gaps during the rise of artificial intelligence in education. Computers and
Education: Artificial Intelligence, 1:100002.
CoderZ (2023). Power up kids’ futures with a gamified coding platform that com-
bines STEM, computer science, and critical life skills. https://gocoderz.
com/.
Dignum, V., Penagos, M., Pigmans, K., and Vosloo, S. (2021). Policy Guidance
on AI for Children. UNICEF.
Dizon, G., Tang, D., and Yamamoto, Y. (2022). A case study of using ale-
xa for out-of-class, self-directed japanese language learning. Computers and
Education: Artificial Intelligence, 3:100088.
Domoscio (2023). Smart Data and Artificial Intelligence for upskilling. https:
//domoscio.com/en/domoscio-spark-2/.
Erasmus+ (2023). Web oficial con la publicación formal de los resultados del
proyecto AI+. https://erasmus-plus.ec.europa.eu/projects/search/
details/2019-1-ES01-KA201-065742.
Gayed, J. M., Carlon, M. K. J., Oriola, A. M., and Cross, J. S. (2021). Ex-
ploring an ai-based writing assistant’s impact on english language learners.
Computers and Education, 168:104204.
226 Referencias
Gomede, E., Miranda de Barros, R., and de Souza Mendes, L. (2021). Deep
auto encoders to adaptive e-learning recommender system. Computers and
Education: Artificial Intelligence, 2:100009.
Goodell, J. W., Kumar, S., Lim, W. M., and Pattnaik, D. (2021). Artificial
intelligence and machine learning in finance: Identifying foundations, themes,
and research clusters from bibliometric analysis. Journal of Behavioral and
Experimental Finance, 32:100577.
Holmes, W., Bialik, M., and Fadel, C. (2019). Artificial intelligence in education:
Promises and implications for teaching and learning. Center for Curriculum
Redesign.
Holmes, W. and Tuomi, I. (2022). State of the art and practice in ai in education.
European Journal of Education, 57:542–570.
Referencias 227
Holstein, K., McLaren, B. M., and Aleven, V. (2018). Student learning bene-
fits of a mixed-reality teacher awareness tool in ai-enhanced classrooms. In
International Conference on Artificial Intelligence in Education.
Hsu, T.-C., Abelson, H., Lao, N., Tseng, Y.-H., and Lin, Y.-T. (2021).
Behavioral-pattern exploration and development of an instructional tool for
young children to learn ai. Computers and Education: Artificial Intelligence,
2:100012.
Hwang, G.-J., Sung, H.-Y., Chang, S.-C., and Huang, X.-C. (2020). A fuzzy
expert system-based adaptive learning approach to improving students’ lear-
ning performances by considering affective and cognitive factors. Computers
and Education: Artificial Intelligence, 1:100003.
Inspira STEAM (2022). Proyecto pionero para el fomento de las STEAM, es-
pecialmente entre las chicas. https://inspirasteam.net/.
Justesen, N., Bontrager, P., Togelius, J., and Risi, S. (2020). Deep learning for
video game playing. IEEE Transactions on Games, 12(1):1–20.
Kar, A. K., Choudhary, S. K., and Singh, V. K. (2022). How can artificial
intelligence impact sustainability: A systematic literature review. Journal of
Cleaner Production, 376:134120.
228 Referencias
Khosravi, H., Shum, S. B., Chen, G., Conati, C., Tsai, Y.-S., Kay, J., Knight,
S., Martinez-Maldonado, R., Sadiq, S., and Gašević, D. (2022). Explaina-
ble artificial intelligence in education. Computers and Education: Artificial
Intelligence, 3:100074.
Kim, J., Lee, A., and Ryu, H. (2013). Personality and its effects on learning
performance: Design guidelines for an adaptive e-learning system based on a
user model. International Journal of Industrial Ergonomics, 43(5):450–461.
Kolekar, S. V., Pai, R. M., and M. M., M. P. (2019). Rule based adaptive
user interface for adaptive e-learning system. Education and Information
Technologies, 24:613–641.
Lee, I., Ali, S., Zhang, H., DiPaola, D., and Breazeal, C. (2021). Developing
middle school students’ ai literacy. In Proceedings of the 52nd ACM Technical
Symposium on Computer Science Education (SIGCSE ’21), pages 191–197.
Association for Computing Machinery.
Llamas, L. F., Paz-Lopez, A., Prieto, A., Orjales, F., and Bellas, F. (2020).
Artificial intelligence teaching through embedded systems: A smartphone-
based robot approach. In Robot 2019: Fourth Iberian Robotics Conference,
volume 1092 of Advances in Intelligent Systems and Computing. Springer.
Martins, R. M., von Wangenheim, C. G., Rauber, M. F., da Silva, A. B., and
de Souza, J. M. (2023). Machine learning for all!—introducing machine lear-
ning in middle and high school. International Journal of Artificial Intelligence
in Education.
Martı́, J. A., Heydrich, M., Rojas, M., and Hernández, A. (2010). Aprendi-
zaje basado en proyectos: una experiencia de innovación docente. Revista
Universidad EAFIT, 46(158):11–21.
Mousavinasab, E., Zarifsanaiey, N., Niakan Kalhori, S., Rakhshan, M., Keikha,
L., and Ghazi Saeedi, M. (2021). Intelligent tutoring systems: a systematic
review of characteristics, applications, and evaluation methods. Interactive
Learning Environments, 29(1):142–163.
230 Referencias
Neira, M., Hoz, L., Felizzola, H., and Zuñiga, A. (2016). Aprendizaje basado en
problemas para la enseñanza de diseño experimental. INGE CUC, 12:86–96.
Ng, D., Leung, J., Chu, S., and Qiao, M. (2021). Conceptualizing ai literacy:
An exploratory review. Computers and Education: Artificial Intelligence, 2.
Nguyen, T. T., Le, A. D., Hoang, H. T., and Nguyen, T. (2021). Neu-chatbot:
Chatbot for admission of national economics university. Computers and Edu-
cation: Artificial Intelligence, 2:100036.
Nye, B. D. (2015). Intelligent tutoring systems by and for the developing world:
a review of trends and approaches for educational technology in a global con-
text. International Journal of Artificial Intelligence in Education, 25(2):177–
203.
Peres, R. S., Jia, X., Lee, J., Sun, K., Colombo, A. W., and Barata, J. (2020).
Industrial Artificial Intelligence in Industry 4.0 - Systematic Review, Cha-
llenges and Outlook. IEEE Access, 8:220121–220139.
Polito, G. and Temperini, M. (2021). A gamified web based system for compu-
ter programming learning. Computers and Education: Artificial Intelligence,
2:100029.
Schiff, D. (2022). Education for AI, not AI for Education: The Role of Education
and Ethics in National AI Policy Strategies. Int J Artif Intell Educ, 32:527–
563.
Songer, N. B., Newstadt, M. R., Lucchesi, K., and Ram, P. (2020). Navigated
learning: An approach for differentiated classroom instruction built on lear-
ning science and data science foundations. Human Behavior and Emerging
Technologies, 2(1):93–105.
Su, J. and Zhong, Y. (2022). Artificial intelligence (ai) in early childhood edu-
cation: Curriculum design and future directions. Computers and Education:
Artificial Intelligence, 3:100072.
United Nations (2015). Transforming our world: The 2030 Agenda for Sustai-
nable Development.
Van Til, C. and Van Der Heijden, F. (2003). PBL Study Skills: An Overview.
Maastricht University, Department of Educational Development & Research,
P.O. Box 616, NL - 6200 MD Maastricht, The Netherlands.
VanLehn, K., Milner, F., Banerjee, C., et al. (2023). A step-based tutoring
system to teach underachieving students how to construct algebraic models.
International Journal of Artificial Intelligence in Education.
Vittorini, P., Menini, S., and Tonelli, S. (2021). An ai-based system for formative
and summative assessment in data science courses. International Journal of
Artificial Intelligence in Education, 31:159–185.
Vuorikari, R., Kluzer, S., and Punie, Y. (2022). Digcomp 2.2: The digital compe-
tence framework for citizens. EUR 31006, Publications Office of the European
Union, Luxembourg. JRC128415.
Wang, J., Xie, H., Wang, F. L., Lee, L.-K., and Au, O. T. S. (2021). Top-n per-
sonalized recommendation with graph neural networks in moocs. Computers
and Education: Artificial Intelligence, 2:100010.
Wiggan, G., Smith, D., and Watson-Vandiver, M. J. (2021). The national tea-
cher shortage, urban education and the cognitive sociology of labor. Urban
Review, 53:43–75.
234 Referencias
Yu, S.-J., Hsueh, Y.-L., Sun, J. C.-Y., and Liu, H.-Z. (2021). Developing an inte-
lligent virtual reality interactive system based on the addie model for learning
pour-over coffee brewing. Computers and Education: Artificial Intelligence,
2:100030.
Zafari, M., Bazargani, J. S., Sadeghi-Niaraki, A., and Choi, S.-M. (2022). Artifi-
cial intelligence applications in k-12 education: A systematic literature review.
IEEE Access, 10:61905–61921.
Zhang, L., Basham, J. D., and Yang, S. (2020). Understanding the implemen-
tation of personalized learning: A research synthesis. Educational Research
Review, 31:100339.
Índice de figuras
5.4. Fases del ABP. Fuente: (Van Til and Van Der Heijden, 2003) . . 68
5.6. Rúbrica para la evaluación del trabajo realizado por los estudian-
tes durante la unidad. . . . . . . . . . . . . . . . . . . . . . . . . 85
5.29. Edades y género del alumnado según una encuesta inicial. . . . . 109
5.34. Lista de verificación de la TU8 para la prueba final del programa. 118
5.36. Rúbrica inicial para la evaluación del trabajo realizado por los
estudiantes durante la unidad. . . . . . . . . . . . . . . . . . . . . 119
5.39. Imagen del alumnado trabajando durante una de las sesiones (iz-
quierda) y del grupo completo de asistentes a la 2ª AFG (derecha).130
6.12. Pista visual para los alumnos del nivel 1 (izquierda) y para el
nivel 2 (derecha). . . . . . . . . . . . . . . . . . . . . . . . . . . . 167