GuerreiroSantalla Sara TD 2023

Desarrollo de un plan de estudios de
inteligencia artificial para la educación

preuniversitaria en Europa.
Autora: Sara Guerreiro Santalla
Tesis doctoral UDC / 2023
Director: Francisco Javier Bellas Bouza
Programa Oficial de Doctorado en Ingenierı́a Naval e Industrial

D. Francisco Javier Bellas Bouza, Catedrático de Universidad del Depar-
tamento de Ciencias de la Computación y Tecnologı́as de la Información de la
Universidade da Coruña,
CERTIFICA:
Que la memoria titulada:
“Desarrollo de un plan de estudios de inteligencia artificial para la educación

preuniversitaria en Europa”
ha sido realizada por Dña. Sara Guerreiro Santalla bajo mi dirección en el

Departamento de Ciencias de la Computación y Tecnologı́as de la Información,
y constituye la Tesis que presenta para optar al grado de Doctor.
Fdo. Francisco Javier Bellas Bouza

Director de la Tesis Doctoral
Resumen
La presente tesis doctoral desarrolla un plan de estudios para la enseñanza

formal de los fundamentos de la inteligencia artificial (IA), diseñado especı́fi-
camente para estudiantes de educación secundaria en el ámbito europeo. Está
basado en un enfoque de agente inteligente como sistema situado en un entorno
con el que interactúa de manera autónoma para lograr unos objetivos. En con-
secuencia, el plan de estudios cubre la formación en IA desde una perspectiva
amplia, tratando temas como la percepción, la actuación, la representación, el
razonamiento y el aprendizaje, entre otros. Se plantea una metodologı́a STEAM
mediante la cual los estudiantes aprenden haciendo, a través de la programación
de soluciones a problemas en el mundo real.
Se validó una implementación especı́fica del plan de estudios en centros edu-
cativos europeos por parte de profesores y estudiantes durante tres años, en el
marco de un proyecto Erasmus+, dando lugar a una serie de unidades didácticas
y herramientas para el aula que han tenido gran impacto educativo. Además, en
respuesta a las necesidades detectadas durante la validación para su implanta-
ción final, se desarrolló un prototipo de Sistema de Tutorización Inteligente. Este
sistema, probado con estudiantes en Europa y Estados Unidos, complementa el
plan de estudios al facilitar el proceso de enseñanza-aprendizaje, proporcionan-
do recursos y orientación adicional. En conjunto, la presente investigación ha
representado una valiosa contribución al avance y desarrollo de la comunidad
de la IA en la educación.
Resumo
A presente tese doutoral desenvolve un plan de estudos para a ensinanza

formal dos fundamentos da intelixencia artificial (IA), deseñado especificamen-
te para estudantes de educación secundaria no ámbito europeo. Está baseado
nun enfoque de axente intelixente como sistema situado nunha contorna co que
interactúa de forma autónoma para alcanzar obxectivos. En consecuencia, o
plan de estudos abrangue a formación en IA dende unha perspectiva ampla,
tratando temas como a percepción, a actuación, a representación, o razoamento
e a aprendizaxe, entre outros. Proponse unha metodoloxı́a STEAM mediante
a cal os estudantes aprenden facendo, a través da programación de solucións a
problemas no mundo real.
Unha implementación especı́fica do plan de estudos foi validada en centros
educativos europeos por profesores e estudantes durante tres anos, no marco dun
proxecto Erasmus+, dando lugar a unha serie de unidades didácticas e ferra-
mentas para o aula que tiveron un gran impacto educativo. Ademais, en resposta
ás necesidades detectadas durante a validación para a súa implementación final,
desenvolveuse un prototipo de Sistema de Tutorización Intelixente. Este siste-
ma, probado con estudantes en Europa e Estados Unidos, complementa o plan
de estudos facilitando o proceso de ensino-aprendizaxe, proporcionando recur-
sos e orientación adicional. No seu conxunto, a presente investigación representa
unha valiosa contribución ao avance e desenvolvemento da comunidade da IA
na educación.
Abstract
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
Quiero aprovechar este momento para expresar mi más profundo agrade-

cimiento a mi director de tesis. Su orientación, conocimiento y dedicación in-
cansable han sido pilares clave en el desarrollo de esta tesis, y sin su apoyo
incondicional, no habrı́a sido posible llegar hasta aquı́.
También quiero agradecer el compromiso, trabajo y colaboración de cada
miembro del grupo que conformó el proyecto AI+. Estoy profundamente agra-
decida por la oportunidad de trabajar junto a personas tan talentosas, las cuales
han hecho posible el éxito de esta investigación.
No puedo dejar de mencionar al increı́ble equipo del Grupo Integrado de
Ingenierı́a. Es un enorme placer ser parte de este grupo de investigación y contar
con el apoyo y colaboración de todos sus miembros, y por supuesto, un privilegio
trabajar en este laboratorio.
Por último, dedico y agradezco esta tesis a mis personas vitamina: mi familia.
No encuentro palabras suficientes para expresar lo agradecida que me siento con
todos ellos, pero lo intentaré. Gracias por estar presentes en cada paso de este
camino, por celebrar mis logros, por consolarme en los momentos de frustración
y por ser mi luz en los momentos oscuros.
Publicaciones
Durante el desarrollo de esta tesis han sido publicados los siguientes trabajos
cientı́ficos:
Guerreiro-Santalla, S., Crompton, H., Bellas, F. (2023). RoboboITS: A

Simulation-Based Tutoring System to Support AI Education Through Ro-
botics. In: Wang, N., Rebolledo-Mendez, G., Dimitrova, V., Matsuda, N.,
Santos, O.C. (eds) Artificial Intelligence in Education. Posters and La-
te Breaking Results, Workshops and Tutorials, Industry and Innovation
Tracks, Practitioners, Doctoral Consortium and Blue Sky. Artificial In-
telligence in Education. AIED 2023. Communications in Computer and
Information Science, vol 1831. Springer, Cham. https://doi.org/10.
1007/978-3-031-36336-8_62
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.
Naya-Varela, M., Guerreiro-Santalla, S., Baamonde, T., & Bellas, F. (2023).

Robobo SmartCity: An Autonomous Driving Model for Computational In-
telligence Learning through Educational Robotics. IEEE Transactions on
Learning Technologies, 1-17. https://ieeexplore.ieee.org/document/
10043750
Bellas, F., Guerreiro-Santalla, S., Naya, & Duro, R. J. (2022) AI Curri-

culum for European High Schools: An Embedded Intelligence Approach.
International Journal of Artificial Intelligence in Education. https://
doi.org/10.1007/s40593-022-00315-0
Guerreiro-Santalla, S., Mallo, A., Baamonde, T., & Bellas, F. (2022).
Smartphone-Based Game Development to Introduce K12 Students in Ap-
plied Artificial Intelligence. Proceedings of the AAAI Conference on Artifi-
cial Intelligence, 36(11), 12758-12765. https://doi.org/10.1609/aaai.
v36i11.21554
Guerreiro-Santalla, S., Bellas, F., & Mallo, A. (2022). Introducing High

School Students in Natural Interaction Through the Robobo Educational
Robot. ROBOT2022: Fifth Iberian Robotics Conference. Lecture Notes in
Networks and Systems, vol 589. Springer, Cham. https://doi.org/10.
1007/978-3-031-21065-5_41
Guerreiro-Santalla, S., Fontenla-Romero, O., Romero, A., & Bellas, F.

(2022). Introducción a la representación del conocimiento y el razona-
miento en educación pre-universitaria mediante una actividad STEM.
Actas JENUI, 7, 255-262. https://aenui.org/actas/pdf/JENUI_2022_
033.pdf
Guerreiro-Santalla S., Bellas F., & Fontenla-Romero O. (2021) The School

Path Guide: A Practical Introduction to Representation and Reasoning
in AI for High School Students. In: Roll I., McNamara D., Sosnovsky S.,
Luckin R., Dimitrova V. (eds) Artificial Intelligence in Education. AIED
2021. Lecture Notes in Computer Science, vol 12749. Springer, Cham.
https://doi.org/10.1007/978-3-030-78270-2_15
Guerreiro-Santalla, S. (2021). Inteligencia artificial en la educación pre-

universitaria: una aproximación práctica. 4º Congreso Mundial De Edu-
cación EDUCA 2021, 95–104. EDUCA, A Coruña.
Guerreiro-Santalla, S., Bellas, F., & Duro, R. J. (2020). Artificial Intelli-

gence in Pre-University Education: What and How to Teach. 3rd XoveTIC
Conference. MDPI. http://doi.org/10.3390/proceedings2020054048
Índice general
1. Introducción y visión general 1
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. Desarrollo del plan de estudios 57

5.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.2. Diseño . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.2.1. Ámbito de aplicación y duración . . . . . . . . . . . . . . 59
5.2.2. Enfoque de agente inteligente . . . . . . . . . . . . . . . . 62
5.2.3. Metodologı́a docente . . . . . . . . . . . . . . . . . . . . . 66
5.2.4. Contenidos especı́ficos de IA . . . . . . . . . . . . . . . . 70
5.2.5. Objetivos de aprendizaje . . . . . . . . . . . . . . . . . . 77
5.2.6. Organización temporal y recursos docentes . . . . . . . . 80
5.2.7. Criterios de evaluación . . . . . . . . . . . . . . . . . . . . 82
5.3. Implementación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.3.1. Selección de herramienta educativa y campos de aplicación 86
5.3.2. Organización temporal de los temas de IA . . . . . . . . . 88
5.3.3. Estructura de las unidades didácticas . . . . . . . . . . . 93
5.4. Validación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5.4.1. Plan de trabajo . . . . . . . . . . . . . . . . . . . . . . . . 104
5.4.2. Participantes . . . . . . . . . . . . . . . . . . . . . . . . . 107
5.4.3. Instrumentos de validación . . . . . . . . . . . . . . . . . 109
5.4.4. Mejoras del plan de estudios . . . . . . . . . . . . . . . . 112
5.5. Resultados de aprendizaje . . . . . . . . . . . . . . . . . . . . . . 123
5.5.1. Primera Actividad de Formación en Grupos . . . . . . . . 123
5.5.2. Segunda Actividad de Formación en Grupos . . . . . . . 128
5.5.3. Tercera Actividad de Formación en Grupos . . . . . . . . 134
5.5.4. Cuarta Actividad de Formación en Grupos . . . . . . . . 137
5.5.5. Quinta Actividad de Formación en Grupos . . . . . . . . 142
5.5.6. Conclusiones sobre los resultados de aprendizaje . . . . . 145
5.6. Conclusiones sobre el desarrollo . . . . . . . . . . . . . . . . . . . 146
6. Desarrollo del Sistema de Tutorizazión Inteligente 151
6.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151

6.2. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
6.3. Diseño . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
6.3.1. Metodologı́a didáctica . . . . . . . . . . . . . . . . . . . . 155
6.3.2. Arquitectura del ITS . . . . . . . . . . . . . . . . . . . . . 157
6.3.3. Funcionamiento de RoboboITS . . . . . . . . . . . . . . . 161
6.3.4. Implementación . . . . . . . . . . . . . . . . . . . . . . . . 164
6.4. Validación del ITS . . . . . . . . . . . . . . . . . . . . . . . . . . 167
6.4.1. Iteración 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 169
6.4.2. Iteración 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 176
6.4.3. Iteración 3 . . . . . . . . . . . . . . . . . . . . . . . . . . 180
6.5. Resultados de aprendizaje . . . . . . . . . . . . . . . . . . . . . . 182
6.6. Conclusiones sobre el desarrollo del ITS . . . . . . . . . . . . . . 187
7. Conclusions 189
8. Trabajo futuro 199
A. Unidades didácticas 203
Referencias 221
Índice de figuras 235
Índice de tablas 241

Capı́tulo 1
Introducción y visión
general
La inteligencia artificial (IA) es un campo de la ciencia relativamente nuevo,

que comenzó a ser estudiado después de la Segunda Guerra Mundial (Russell
and Norvig, 2021, 1). Su primera definición, dada en 1956 por John McCarthy,
la describe como “la ciencia y la ingenierı́a de crear máquinas inteligentes”
(McCarthy, 2007, 2). Actualmente, se reconoce como la revolución tecnológica
principal de la primera mitad de este siglo, que transformará prácticamente to-
das las industrias, e incluso las actividades humanas en general (Holmes et al.,
2019). El reciente avance de la IA ha venido motivado por varios factores. Por un
lado, el aumento de la capacidad de cómputo ha permitido que ciertas técnicas
computacionales proporcionen resultados en escalas de tiempo mucho menores,
incluso que muchas se puedan ejecutar en tiempo real. Por otro lado, cada vez
hay una mayor “digitalización de la realidad”, por lo que se tiene acceso a mu-
chos más datos que permiten modelar procesos y hacer predicciones sobre ellos.
Asimismo, el auge de los servicios de internet ha traı́do consigo un aumento en
la información libre que se pueden intercambiar a nivel global, siendo hoy en dı́a
posible acceder a métodos y algoritmos muy avanzados desde cualquier ordena-
dor del mundo. Finalmente, debemos destacar el cambio de enfoque ocurrido en
la última década, desde una IA propia de la matemática teórica y las ciencias de
la computación, con una motivación centrada en el razonamiento lógico, hasta
transformarse en una disciplina aplicada de fuerte carácter multidisciplinar, que
2
engloba técnicas y principios de diversas áreas del conocimiento.

Este enfoque práctico de la IA queda claro si analizamos el rango de aplica-
ciones actuales de la misma, que no para de crecer, siendo destacable su impacto
en sectores básicos de la sociedad como la economı́a (Goodell et al., 2021), la
medicina (Hamet and Tremblay, 2017), la industria (Peres et al., 2020) o el
transporte (Abduljabbar et al., 2019). En consecuencia, un experto actual en
IA necesita una formación multidisciplinar para los requerimientos del merca-
do laboral. Evidentemente, debe tener una base matemática sólida a nivel de
álgebra y cálculo que le permita plantear soluciones formales a los problemas.
Por otro lado, es imprescindible un dominio de la programación de sistemas
computacionales, algoritmia y lógica. Además, debe tener una formación ade-
cuada en estadı́stica y probabilidad, fundamentales para desarrollar soluciones
mediante aprendizaje automático. También serı́a deseable un conocimiento bási-
co sobre los sistemas reales de sensorización y actuación, a nivel de electrónica y
mecánica, que le permitan implementar soluciones de IA en dispositivos reales
de manera eficiente. Finalmente, debe comprender conceptos de psicologı́a y
neurociencia, ya que estos campos están estrechamente relacionados con la com-
prensión de la inteligencia humana que se desea alcanzar. Es a partir de esta
base de conocimientos cuando se pueden adquirir otros ya especı́ficos de IA, que
permitan afrontar la solución de problemas reales mediante esta tecnologı́a.
A nivel de impacto económico, según afirma el Servicio de Investigación del
Parlamento Europeo (Szczepański, 2019), los efectos de la IA dependerán de
cómo se adopte y se implemente la tecnologı́a. Si se utiliza de manera correcta,
tendrá un efecto positivo en la economı́a y creará nuevos empleos altamente
especializados, logrando ası́ aumentar la calidad del trabajo. Sin embargo, el
informe también señala que la IA puede tener efectos negativos en el mercado
laboral, como la eliminación de ciertos trabajos y la exacerbación de las des-
igualdades económicas. Para que esto no ocurra, menciona la importancia de
adoptar polı́ticas adecuadas para garantizar que la IA se implemente de manera
justa y equitativa. Es, por tanto, una necesidad básica para los gobiernos de to-
das las naciones mantener un ritmo de desarrollo en IA que les impida quedarse
atrás, tanto a nivel económico como de legislación.
En este contexto global, la educación en IA es un tema clave (Comisión
Europea, 2020; Miao and Holmes, 2021). No sólo existe una carencia crónica de
profesionales capacitados en IA, sino que una generación entera de jóvenes está
creciendo en un mundo cada vez más influenciado por esta tecnologı́a. Por lo
Capı́tulo 1. Introducción y visión general 3
tanto, la importancia de la IA en la educación va más allá de la formación de

ingenieros en IA, que es imprescindible, y debe afectar a estudiantes de escuelas
e institutos de todo el mundo. Este aspecto se enfatiza en el informe de UNICEF
sobre las polı́ticas de la IA para los niños (Dignum et al., 2021), que destaca la
alfabetización y la participación de los niños en la IA como uno de sus derechos
fundamentales. Si queremos desarrollar una sociedad sostenible que proporcione
una educación de calidad inclusiva y equitativa y promueva oportunidades de
aprendizaje permanentes, es fundamental desarrollar una alfabetización en IA
formal, fiable y responsable para la población general (Schiff, 2022).
Ası́ lo ve también la Comisión Europea (Comisión Europea, 2018), la cual
sostiene que un plan de inteligencia artificial que incluya la educación como una
de sus áreas clave es esencial para situar a los estados de la Unión Europea (UE)
en una posición privilegiada en la inminente revolución tecnológica de los años
venideros. En concreto, la Comisión Europea considera que la educación general
sobre la IA es decisiva para un desarrollo social adecuado, y esto sólo puede
lograrse si se introduce su enseñanza en los programas que afectan globalmente a
todas las personas. Un primer enfoque de ese tipo de educación deberı́a dirigirse
al alumnado de la etapa preuniversitaria superior (bachillerato o equivalente),
el cual ingresará en las universidades en un horizonte temporal de dos años.
Esta generación será la primera que se encontrará con los sistemas de IA en su
vida laboral y cotidiana, y tendrá que estar preparada para ello, comprendiendo
sus principios operativos y aumentando ası́ sus oportunidades de participar en
el mercado laboral que se encontrarán en el futuro.
Lo expuesto en los párrafos anteriores proporciona el marco en el cual po-
demos ya establecer el principal objetivo de esta tesis doctoral: el desarrollo de
un plan de estudios sobre inteligencia artificial (IA) adaptado a la educación
secundaria superior para el ámbito europeo, y que siga un enfoque multidisci-
plinar del campo. Este plan de estudios incluirá unos objetivos de aprendizaje,
una metodologı́a docente, una definición concreta de contenidos de IA adecua-
dos para este nivel educativo, unos criterios de evaluación y una organización
temporal que permita su implementación real en un corto plazo.
La metodologı́a de investigación que se ha seguido en esta tesis doctoral para
lograr el objetivo anterior se fundamenta en el clásico ciclo de diseño, implemen-
tación y validación utilizado en el ámbito de la ingenierı́a. Pero al ser una tesis
con aplicación en el campo de la educación, la metodologı́a anterior se ha com-
binado parcialmente con otra basada en la investigación para diseño educativo
4
(Anderson and Shattuck, 2012), utilizada en el área de la innovación docente,

y que afecta a la parte de análisis de resultados sobre el aprendizaje. Para la
validación del plan de estudios se han creado unidades didácticas concretas y
herramientas educativas que les dan soporte, que han sido evaluadas desde una
perspectiva técnica, ya que su funcionalidad es básica para la aplicación real del
plan. Por otro lado, las unidades han sido también analizadas desde un punto
de vista didáctico, estudiando los resultados de aprendizaje que proporcionaron
en los alumnos, ası́ como la facilidad de uso para los profesores, en un ciclo
iterativo de prueba y mejora.
A continuación, se pasan a desarrollar las principales decisiones tomadas
durante el proceso de diseño del plan de estudios:
En lugar de apostar por una visión más particular del campo de la IA,
centrada en aplicaciones o áreas concretas como el aprendizaje automático, se
ha establecido un enfoque centrado en el concepto de agente inteligente como
marco conceptual básico en la educación de esta disciplina. Esto implica que los
estudiantes deben comprender los fundamentos de la IA como las tecnologı́as
que conforman un sistema real que está situado en un entorno, real o virtual,
con el cual interactúa de forma autónoma. Pero estos agentes pueden resolver
problemas en muy diversos ámbitos, siguiendo una perspectiva de aplicación
multidisciplinar, requerida en la IA actual y comentada anteriormente.
Además, se tomó la decisión de utilizar un enfoque educativo de “creadores
de soluciones de IA” (ingenieros), en lugar de “usuarios de herramientas basadas
en IA”. Esta decisión se fundamenta en la idea de que son imprescindibles unas
bases sólidas de un cierto campo de estudio si se pretende avanzar en él en el
futuro, y estas solo se logran si se trabajan los conocimientos desde “dentro”.
En consecuencia, el plan de estudios desarrollado requiere que los estudiantes
tengan una formación previa en tecnologı́a, matemáticas y programación a nivel
de educación secundaria obligatoria.
Acorde con este enfoque multidisciplinar, y con la propuesta de formar inge-
nieros/as de IA, el plan de estudios planteado sigue una metodologı́a STEAM
(Ciencia, Tecnologı́a, Ingenierı́a, Arte y Matemáticas), que se centra en el apren-
dizaje integrado de diferentes conceptos técnicos y cientı́ficos con un enfoque
creativo y unos principios de ingenierı́a. Dentro de este enfoque STEAM, la
metodologı́a que se propone para las unidades didácticas que forman el plan de
estudios es la de aprendizaje basado en proyectos (ABP). Se trata de un modelo
en el que “los estudiantes trabajan de manera activa, planean, implementan y

evalúan proyectos que tienen aplicación en el mundo real más allá del aula de
clase” (Martı́ et al., 2010, 13) y que además se fundamenta en el concepto de
aprender haciendo (o más conocido por su nombre inglés Learning by doing),
donde los conceptos teóricos se adquieren por necesidad a la hora de resolver
casos prácticos. Es decir, durante las unidades que dan forma al plan, el alum-
nado deberá resolver un reto del mundo real mediante la programación de un
sistema de IA.
Otro de los puntos clave fue la definición de los temas del campo de la IA
que son relevantes para estudiantes de esta etapa educativa, tanto por su com-
plejidad técnica, como por su relevancia para una formación generalista. En
este caso, después de llevar a cabo una revisión exhaustiva de la literatura, e
inspirados por los logros de la iniciativa (AI4K12, 2023), se abordaron un total
de 8 temas, mostrados en la figura 1.1. Entre ellos se encuentran temas clásicos
de la IA como son la representación, el razonamiento o el aprendizaje, y otros
menos habituales, y que encajan con el enfoque de “sistema real situado que re-
suelve problemas de forma autónoma” establecido antes: percepción, actuación,
IA colectiva o impacto de la IA.
Figura 1.1: Temas clave de IA en nuestro plan de estudios.
Se ha establecido una organización docente basada en dos cursos académicos.

El primero con un enfoque más general sobre las bases de la IA, y con un nivel
de complejidad menor en la programación de las soluciones, mientras que el
segundo serı́a más técnico, para el cual se requiere una programación basada
en texto. De esta manera se ha buscado que el plan de estudios se desarrolle de
forma gradual, permitiendo una progresión en la complejidad y profundidad de
los temas relacionados con la IA. Además, se ha propuesto un balance especı́fico
de los temas de IA en estos dos cursos, dando un mayor peso a estos cuatro:
6
percepción, actuación, aprendizaje e impacto de la IA.

Se ha realizado una definición concreta de los objetivos de aprendizaje del
plan, a nivel de adquisición de conocimientos sobre IA y de otras habilidades
técnicas. Asimismo, se ha establecido la forma concreta de evaluar la consecución
de estos objetivos de aprendizaje mediante la definición de unos criterios de
evaluación objetivos y una propuesta especı́fica de metodologı́as.
Con el fin de validar el plan de estudios diseñado, se han implementado uni-
dades didácticas concretas y recursos educativos para el aula basados en dicho
plan. Esta implementación y validación se ha realizado en el marco del pro-
yecto Erasmus+ denominado “Developing an Artificial Intelligence curriculum
adapted to European high schools” (AI+), y coordinado por la UDC entre 2019
y 2022 (Erasmus+, 2023). Para poder implantar una metodologı́a práctica de
enseñanza como la que aquı́ se plantea, son necesarias herramientas con un cier-
to nivel tecnológico y con un coste económico asumible por cualquier centro.
Teniendo esto en cuenta, se estableció como premisa el uso del teléfono inteli-
gente (smartphone) del estudiante como elemento tecnológico central de todo el
material educativo a desarrollar. Se trata de un dispositivo utilizado de manera
general en estas edades, al alcance de todos por su gran oferta y con un coste
reducido. Cualquier smartphone actual tiene el nivel tecnológico suficiente para
la enseñanza de la IA en cuanto a sensores, actuadores, potencia de cálculo y
comunicaciones; y no solo eso, sino que se trata de un dispositivo que no es
perecedero ya que están actualizándose continuamente.
Con este recurso práctico en mente, se ha determinado que se trabajen tres
campos especı́ficos de aplicación de la IA en el plan de estudios de AI+. El pri-
mer campo seleccionado fue el de las aplicaciones inteligentes para smartphone,
para lo cual se utilizó el entorno de desarrollo App Inventor 2 (AppInventor,
2023). Se trata de una interfaz en la que se pueden crear aplicaciones para el
sistema operativo Android adecuada para estas edades, de tal manera que el
alumnado pueda enfocar su aprendizaje en la IA y no tanto en la programación.
El segundo campo de aplicación escogido fue el de la robótica autónoma. El plan
de estudios incluyó el uso del robot Robobo (Robobo, 2023), que está basado
también en un teléfono inteligente Android. Robobo es uno de los robots más
adecuados para aprender IA, gracias a sus grandes capacidades tecnológicas de-
rivadas del smartphone, y las librerı́as de programación existentes que permiten
utilizar visión por computador, producción de habla o interacción táctil de ma-
nera sencilla. Finalmente, se trabajó en el campo de los entornos inteligentes,
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
campo de los entornos inteligentes, y profundizan en el tema de la IA Colectiva.

Durante el proceso de creación del plan de estudios, todo el material de-
sarrollado fue sometido a validación en un total de seis centros de educación
secundaria y bachillerato distribuidos en cinco paı́ses europeos, en el marco del
proyecto AI+ (Erasmus+, 2023): España, Eslovenia, Finlandia, Lituania e Ita-
lia. Cada uno de estos centros disponı́a de un grupo de al menos 6 estudiantes
de entre 15 y 18 años, ası́ como de docentes que impartieron en sus respectivos
centros cada una de las unidades desarrolladas. Esto es de suma importancia en
la presente tesis, puesto que dichos grupos de trabajo brindaron retroalimenta-
ción sobre el material elaborado, permitiendo mejorarlo y generar ası́ un plan
de estudios fiable y transferible a cualquier centro educativo en Europa.
En esta fase de validación, se realizaron dos tipos de pruebas básicas. La
primera la realizaban los profesores de los centros y servı́a para validar el diseño
del plan de estudios. En estas pruebas, el profesor impartı́a de manera autónoma
las unidades desarrolladas a su grupo de estudiantes y una vez hecho, retroali-
mentaba al equipo investigador para que estos pudieran mejorarlas. Podemos
añadir un nuevo nivel de validación del plan de estudios en esta fase, ya que las
unidades didácticas de AI+ fueron presentadas a varias conferencias relevantes
del campo (Guerreiro-Santalla et al., 2021, 2022a,b) y los comentarios y revisio-
nes obtenidos de expertos en IA han servido también para mejorar el material
en aspectos tanto técnicos como didácticos.
La segunda clase de pruebas eran las realizadas por el equipo investigador,
más centradas en validar el nivel de aprendizaje de los estudiantes. En ellas,
se reunı́an al menos seis estudiantes de cada paı́s en la misma ubicación y se
impartı́an las unidades de manera común. De esta forma, se pudo comprobar
de primera mano la efectividad de las unidades, y si era necesario realizar las
modificaciones pertinentes para lograr la mejora del material. En ambos tipos
de pruebas, se realizaron cuestionarios a alumnos para obtener resultados cuan-
titativos de los conocimientos adquiridos por parte de todos ellos. Y también se
obtuvieron datos de los profesores para esta validación, mediante la realización
de entrevistas y la entrega de hojas de seguimiento de cada una de las unidades,
obteniendo ası́ tanto datos cuantitativos como cualitativos.
Tras la finalización de la fase de validación, se obtuvo un conjunto de 17
unidades didácticas formales y probadas durante los tres años de duración del
proyecto AI+. Estas fueron publicadas tanto en la web oficial del proyecto (AI+,
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:
El capı́tulo 2 se dedica a revisar los antecedentes de la investigación pre-

sentada en esta tesis.
Es en el capı́tulo 3 donde se presenta el objetivo principal de la tesis

doctoral, ası́ como los objetivos especı́ficos necesarios para alcanzarlo.
El capı́tulo 4 está enfocado a detallar la metodologı́a de investigación

aplicada.
Todo lo referente al desarrollo del plan de estudios se encuentra en el

capı́tulo 5, incluyendo su diseño, implementación y validación.
El capı́tulo 6 describe los detalles de la herramienta de tutorización inte-

ligente RoboboITS.
La memoria de la tesis finaliza con dos capı́tulos dirigidos a presentar las

principales conclusiones y las posibles lı́neas de trabajo futuro.
Se incluye también un anexo con las fichas resumen de las unidades

didácticas del proyecto AI+.
Capı́tulo 2
Antecedentes
2.1. Introducción
2.1.1. Visión actual de la inteligencia artificial
La IA es un campo de la ciencia relativamente nuevo, que comenzó a ser

estudiado en la década de los cincuenta del siglo pasado (Russell and Norvig,
2021, p. 1). El origen de la IA se asocia a investigadores del campo de las ma-
temáticas, que decidieron explorar la idea de crear máquinas capaces de procesar
información y realizar tareas que requiriesen niveles cognitivos superiores, para
ası́ poder resolver de forma automática problemas complejos.
Su primera definición, dada en 1956 por John McCarthy, la describe como
“la ciencia y la ingenierı́a de crear máquinas inteligentes” (McCarthy, 2007, p.
2). Muchos expertos han propuesto definiciones similares, que se enfocan en la
capacidad de las máquinas para pensar, razonar y tomar decisiones de manera
autónoma con un enfoque de ingenierı́a. Este es el caso de Minsky, otro de los
pioneros del campo, el cual argumenta que:
Cuando diseñemos máquinas que imiten nuestras mentes -es decir,

que creen Inteligencias Artificiales-, tendremos que asegurarnos de
que esas máquinas también estén dotadas de suficiente diversidad:
si un programa funciona de una sola manera, se atasca cuando falla
14 2.1. Introducción
ese método. Pero un programa que tenga varias formas de proce-

der podrı́a cambiar a otro método o buscar un sustituto adecuado.
(Minsky, 2006, p. 9)
La IA se ha desarrollado, desde su origen en el campo de las matemáticas,

hacia el de las ciencias de la computación, y fundamentalmente ha estado cen-
trada en el estudio y desarrollo de procesos de razonamiento lógico que imiten
o simulen la capacidad cognitiva de los seres humanos. Durante décadas, la IA
ha sido una disciplina mayormente teórica, y los avances de aplicación en sis-
temas reales eran escasos, principalmente motivado por el enfoque simbólico de
la IA original (Wilks, 2023). Como es bien sabido, y desde la década de los
ochenta, en la mayorı́a de los campos que hacen uso de la IA aplicada, como
la robótica autónoma o la visión artificial, se ha ido evolucionando hacia una
IA sub-simbólica, por sus mejores resultados a la hora de resolver problemas
reales en situaciones donde la IA simbólica requerirı́a de una gran intervención
del humano (Brooks, 2002).
El rango de aplicaciones de la IA actual, fundamentadas en soluciones sub-
simbólicas, no para de crecer y afecta de manera directa a los sectores primarios
de la sociedad. Está transformando la forma en que las empresas y organiza-
ciones llevan a cabo sus procesos y toman decisiones, y está permitiendo el
desarrollo de soluciones tecnológicas autónomas en múltiples ámbitos que antes
eran impensables.
Por ejemplo, en el campo de las finanzas, uno de los motores de la sociedad
actual, la IA se utiliza intensamente para la detección de fraudes, la gestión
de riesgos, la toma de decisiones de inversión o la predicción de precios de
activos (Goodell et al., 2021). En el sector médico, se emplea en diferentes
áreas, incluyendo el diagnóstico, la toma de decisiones clı́nicas, la selección de
tratamiento, la monitorización del paciente y la gestión de datos médicos (Hamet
and Tremblay, 2017). También está presente en la industria, con la optimización
de procesos de producción, el mantenimiento predictivo, la robótica autónoma,
la logı́stica y la automatización de tareas (Peres et al., 2020). En el campo del
transporte, está siendo de gran ayuda para la planificación, el control del tráfico,
la seguridad vial y la optimización de rutas (Abduljabbar et al., 2019).
A un nivel social, es destacable su impacto en sectores relacionados con el
ocio, principalmente en el campo audiovisual. En particular, los videojuegos son
un campo donde la IA ha logrado grandes avances, y se utiliza para crear entor-
Capı́tulo 2. Antecedentes 15
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.
Esta naturaleza multidisciplinar de la IA ya fue defendida a finales del siglo

pasado por Nilsson, otro de los pioneros del campo:
La IA tiene como objetivo a largo plazo desarrollar máquinas que

puedan realizar estas tareas tan bien como los seres humanos, o po-
siblemente incluso mejor. Otro objetivo de la IA es comprender este
tipo de comportamiento, ya sea que ocurra en máquinas, humanos
u otros animales. Por lo tanto, la IA tiene metas tanto de ingenierı́a
como cientı́ficas. (Nilsson, 1998, p. 1)
Más recientemente, ha sido también contemplada por los principales autores

de la IA clásica, como Russel y Norving, que en la última edición de su libro In-
teligencia Artificial: Un Enfoque Moderno, han ampliado su concepción original
a la siguiente:
La IA es un gran campo, y éste es un gran libro. Hemos intentado

explorar todo el campo, que abarca la lógica, la probabilidad y las
matemáticas continuas; la percepción, el razonamiento, el aprendiza-
je y la acción; la equidad, la confianza, el bien social y la seguridad;
y aplicaciones que van desde los dispositivos microelectrónicos a los
exploradores planetarios robóticos, pasando por los servicios en lı́nea
con miles de millones de usuarios.
El subtı́tulo de este libro es “Un enfoque moderno”. Eso significa que
hemos optado por contar la historia desde una perspectiva actual.
Sintetizamos lo que ahora se sabe en un marco común, refundiendo
los primeros trabajos con las ideas y la terminologı́a que prevalecen
hoy en dı́a. Pedimos disculpas a aquellos cuyos subcampos son, por
ello, menos reconocibles. (Russell and Norvig, 2021, p. 10)
Una consecuencia del enfoque de la IA como un campo para resolver pro-

blemas reales desde una perspectiva multidisciplinar, ha sido que, a nivel de
planteamiento general, ha evolucionado desde su concepción original basada en
sistemas computacionales “aislados” del entorno y centrados en el razonamiento
de alto nivel. Ası́, la visión actual de la IA se centra en el concepto de agen-
te inteligente, entendido como sistema computacional situado en un entorno,
real o virtual, con el cual interactúa de forma autónoma tratando de alcanzar
unos objetivos. Esta es la idea que podemos encontrar en un reciente informe

de UNICEF:
La IA se refiere a los sistemas máquina que pueden, dado un con-

junto de objetivos humanos, hacer predicciones recomendaciones o
decisiones que influyen en entornos reales o virtuales. Los sistemas de
IA interactúan con nosotros y actúan sobre nuestro entorno, directa
o indirectamente. A menudo, parecen funcionar autónomamente, y
pueden adaptar su comportamiento aprendiendo sobre el contexto.
(UNICEF, 2021, p. 16)
También aparece el mismo planteamiento de sistema situado en la última

edición del libro de Russell y Norvig, concretamente en su introducción:
Definimos la IA como el estudio de agentes que reciben percepciones

del entorno y realizan acciones. Cada uno de estos agentes imple-
menta una función que asigna secuencias de percepción a acciones,
y cubrimos diferentes formas de representar estas funciones, como
agentes reactivos, planificadores en tiempo real, sistemas teóricos
de decisión y sistemas de aprendizaje profundo. Hacemos hincapié
en el aprendizaje tanto como método de construcción de sistemas
competentes como forma de ampliar el alcance del diseñador hacia
entornos desconocidos. Tratamos la robótica y la visión no como
problemas definidos de forma independiente, sino como actividades
que ocurren al servicio de la consecución de objetivos. Subrayamos
la importancia del entorno de la tarea para determinar el diseño
adecuado del agente. (Russell and Norvig, 2021, p. 11)
Como vemos, ambas definiciones coinciden en una serie de puntos básicos:

un sistema de IA está situado en un entorno, real o virtual, con el cual interactúa
mediante sus sensores y actuadores. El objetivo del sistema es lograr unas metas
impuestas por un humano, o adquiridas, de forma autónoma, y para eso, es capaz
de adaptarse a cambios. Esta adaptación requiere que el sistema pueda aprender
en tiempo real y también que pueda razonar sobre posibles soluciones. En este
paradigma de sistema de IA podemos encajar múltiples áreas de aplicación y
disciplinas, más allá del enfoque clásico de sistema restringido a lograr una
“inteligencia artificial en un mundo digital”.
Como conclusión, es evidente que la IA ha cambiado considerablemente en

las últimas décadas, y se ha producido una actualización significativa en su en-
foque. Es una tecnologı́a con una perspectiva general de ingenierı́a, que combina
múltiples disciplinas, y que no busca imitar la inteligencia humana como fin,
sino crear sistemas inteligentes que superen las limitaciones humanas y aborden
los desafı́os del mundo actual, resolviendo problemas concretos.
2.1.2. Impacto de la inteligencia artificial
En los últimos años, la IA ha tenido un impacto significativo en la economı́a,

y por tanto, en la sociedad. Se han producido ya inversiones masivas en esta
tecnologı́a, y se espera que sigan aumentando. En 2018, el McKinsey Global
Institute modeló las tendencias en la adopción de la IA, y los datos sugieren
que esta podrı́a generar una producción económica mundial adicional de unos
13 billones de dólares para 2030, lo que supondrı́a un aumento del PIB mundial
de aproximadamente el 1,2 % anual. Concretamente en el 2022, se han invertido
en esta tecnologı́a del orden de 91.900 millones de dólares (McKinsey, 2018).
Sin embargo, según afirma el Servicio de Investigación del Parlamento Euro-
peo (Szczepański, 2019), los efectos económicos de la IA dependerán también de
cómo se adopte y se implemente la tecnologı́a. Si se utiliza de manera correcta,
tendrá un efecto positivo en la economı́a y creará nuevos empleos altamente
especializados, logrando ası́ aumentar la calidad del trabajo. Sin embargo, el
informe también señala que la IA puede tener efectos negativos en el merca-
do laboral, como la eliminación de ciertos trabajos y la exacerbación de las
desigualdades económicas. Estos efectos podrı́an tener una repercusión directa
sobre la adopción de la IA, que podrı́a dar lugar a una involución. Por lo tanto,
es de máxima importancia adoptar polı́ticas adecuadas para garantizar que la
IA se implemente de manera justa y equitativa.
En este contexto, es una necesidad básica para los gobiernos de todas las
naciones mantener un ritmo de desarrollo en IA que les impida quedarse atrás en
esta revolución tecnológica, tanto a nivel económico, social, como de legislación.
En consecuencia, se han comenzado a crear planes y estrategias para aprovechar
al máximo el potencial de la IA en función de las particularidades de cada paı́s.
También se están estableciendo polı́ticas y regulaciones para asegurar que la IA
se desarrolle y se utilice de manera responsable y ética en cada región, ya que el
sector privado avanza con gran rapidez en sus productos sin que exista todavı́a
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)
El caso que afecta de manera directa a esta investigación es el Plan Coor-

dinado de la Unión Europea (UE) sobre el desarrollo y uso de la inteligencia
artificial (Comisión Europea, 2018). Este plan tiene como objetivo garantizar
que Europa desempeñe un papel de liderazgo en el futuro de la IA, para que
pueda competir mejor a nivel mundial. Desde la aparición de este plan, han sur-
gido numerosas estrategias nacionales recogidas en (European Schoolnet, 2023),
y todas ellas reflejadas en la figura 2.1, como por ejemplo: Finlandia (2017), Li-
tuania (2018), Malta (2019), Francia (2017), Estonia (2019), España (2020),
Hungrı́a (2020), Noruega (2020) y Serbia (2020).
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-
liza las perspectivas industriales de Europa (Bruegel, 2020). Sin la formación

adecuada en competencias digitales avanzadas, un número menor de empre-
sas en Europa serán capaces de integrar la IA en sus operaciones comerciales,
renunciando a ganancias de productividad posiblemente significativas.
El informe publicado en 2020 llamado “Informe sobre el panorama europeo
de la educación y la formación” afirma que, durante el año 2019, el 52 % de los
ciudadanos europeos no habı́a oı́do, leı́do o visto nada sobre IA (Digital SkillUp,
2020). Esto contrasta con la relevancia que la formación general en esta mate-
ria tiene en otras naciones, por ejemplo, del continente asiático. En esta lı́nea,
el Plan de Acción de Educación Digital de la UE (Comisión Europea, 2020)
señala que, actualmente, los Estados miembros no cuentan con suficientes ex-
pertos digitales, incluidos expertos en IA, como analistas de datos y expertos en
aprendizaje automático, y que, además, “para apoyar la competitividad, nece-
sitamos que las personas tengan las últimas competencias digitales avanzada”.
En conclusión, la importancia de la IA como tecnologı́a clave para el futuro
de la humanidad es innegable, y su enseñanza a todos los niveles se hace cada
vez más necesaria. En el siguiente apartado, se analizará el estado actual de la
educación en IA, y de qué modos está afectando a este sector.
2.2. Inteligencia artificial en la educación
La IA en educación (término que denominaremos de aquı́ en adelante como

AIEd, acrónimo proveniente de su traducción al inglés como Artificial Intelli-
gence in Education) ha sido durante años un campo más de aplicación de la
IA que se centraba en el desarrollo de aplicaciones de apoyo al docente y al
estudiante basadas en IA. Pero, como se ha introducido en el apartado anterior,
el auge de esta tecnologı́a ha traı́do consigo la necesidad de extender el campo
AIEd hacia la educación sobre IA.
Por tanto, en la actualidad, podemos establecer dos ramas dentro de la AIEd:
la educación con IA y la educación sobre IA. Una manera de organizar el estado
del arte en cada una de ellas es mediante la creación de una taxonomı́a. Al ser
un campo de reciente implantación práctica, no existe una categorización única,
sino que dependen de la perspectiva o punto de vista del autor. Por consiguien-
te, aunque pueden existir opciones diferentes sobre la mejor categorización de
la AIEd, lo importante es que las categorı́as proporcionen un marco útil que
22 2.2. Inteligencia artificial en la educación
permita comprender el campo.

En el marco de esta tesis doctoral, se propone la taxonomı́a mostrada en
la figura 2.2 para organizar las principales lı́neas de desarrollo en AIEd en la
actualidad. Comenzando por la rama de la izquierda, en lo que respecta a la
educación con IA, podemos distinguir tres categorı́as principales. Por una par-
te, los sistemas inteligentes que sirven para apoyar la labor de enseñanza de los
docentes, realizando seguimientos automatizados del progreso o generando cali-
ficaciones automáticas, entre otros (Hwang et al., 2020). Por otra, los sistemas
para apoyar la tarea de aprendizaje del alumnado, como sistemas de tutoriza-
ción inteligente, que proporcionan una formación personalizada, o sistemas de
recomendación (Crompton and Burke, 2022; Lee et al., 2021; Ouyang and Jiao,
2021). La tercera categorı́a incluye soluciones de uso más general, como genera-
dores de contenidos o asistentes virtuales. Como en otras ramas de aplicación de
la IA, el grado de implantación real de estas soluciones ha sido relativo hasta la
década 2020, pero tras la pandemia del COVID-19, la situación está cambiando
rápidamente, como analizaremos en el apartado siguiente.
Figura 2.2: Taxonomı́a de las principales ramas de desarrollo de la AIEd.
En cuanto a la educación sobre IA, esta se enfoca en la enseñanza de los fun-

damentos de la IA a diferentes niveles de la población. De manera especial, el
campo de la AIEd se está centrando en la preparación de las generaciones más
jóvenes para las futuras oportunidades laborales (Martins et al., 2023; Yang,
2022). Este es un área de la educación en plena creación fuera de las titulacio-
nes universitarias especializadas, por lo que el número de trabajos publicados
es menor que en la categorı́a anterior. La taxonomı́a mostrada en la figura 2.2
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.
2.2.1. Educación con inteligencia artificial
La aplicación de técnicas de IA en la enseñanza transformará las metodo-

logı́as docentes y de evaluación en los próximos años. Se trata de un campo
en plena fase de implantación y regulación, que se está aplicando actualmente
de múltiples maneras, pero de una forma mayormente experimental (Holmes
and Tuomi, 2022). Por el momento, no es posible extraer conclusiones sobre su
eficacia a medio o largo plazo en el aprendizaje, ni los cambios concretos que
implicará. Pero sı́ es posible promover un debate significativo al respecto, para
lo cual es necesario conocer las variantes de aplicaciones de AIEd que existen. Y
no solo eso, sino que debemos ser capaces de distinguirlas, dado que muchas de
ellas son aún especulativas, y otras son cuestionables debido a sus implicaciones
éticas, pedagógicas o educativas.
Como se muestra en la figura 2.2, hemos decidido organizar el análisis de los
antecedentes en esta lı́nea en base a tres categorı́as de sistemas de educación
con IA: (1) IA centrada en el estudiante, (2) IA centrada en el profesor y (3)
IA para propósitos generales. En las próximas secciones se llevará a cabo una
subdivisión adicional en cada categorı́a para facilitar una mejor comprensión de
cada tipo de aplicación. Aunque la educación con IA no es el principal objetivo
de esta tesis doctoral, es importante conocer las herramientas existentes, ya que
algunas de ellas pueden ser utilizadas en el enfoque de educación sobre IA.
1. IA centrada en el estudiante
Dentro del campo de la AIEd centrada en el estudiante, existen numero-

sas aplicaciones destinadas a mejorar su aprendizaje. Cada una de ellas tiene

objetivos y funciones diferentes. Debido a la diversidad de estas aplicaciones,
resulta necesario realizar una subdivisión en diferentes tipos de sistemas para
una mejor comprensión y estudio.
Una vez más, no se han establecido categorı́as universales comunes a todos
los autores. En este caso, tras la revisión de diferentes artı́culos referentes en el
campo (Crompton and Burke, 2022; Holmes and Tuomi, 2022; Ng et al., 2021),
se ha decidido hacer una división en dos subcategorı́as: sistemas de tutorización
inteligente y sistemas de recomendación personalizada.
a. Sistemas de tutorización inteligente (ITS)
El desarrollo de los ITS ha sido uno de los más activos en el campo de la

AIEd. Son sistemas diseñados para apoyar y mejorar el proceso de enseñanza y
aprendizaje, que se adaptan a las necesidades individuales de cada estudiante y
les crean una experiencia de aprendizaje personalizada y efectiva (Castro-Schez
et al., 2021).
Se trata de sistemas enfocados al alumno, que ofrecen retroalimentación
inmediata, adaptación de la dificultad y seguimiento del progreso, lo que ayuda a
los estudiantes a lograr mejores resultados de aprendizaje. Pero no solo eso, sino
que también sirven para apoyar a los profesores en su labor de enseñanza (Nye,
2015), ya que les permite automatizar tareas tediosas de poco valor docente.
Figura 2.3: Tabla de clasificación implementada en el ITS para la mejora de

los estudiantes en fı́sica (izquierda) y un ejemplo de la interfaz de usuario del
cuestionario (derecha). Fuente: (Tan and Cheah, 2021)
Un ejemplo de ITS es el sistema desarrollado por Tan and Cheah (2021). Se

trata de una aplicación de aprendizaje en lı́nea que, mediante la IA y técnicas

de gamificación, mejora la formación de los estudiantes en fı́sica a nivel uni-
versitario. La figura 2.3 ilustra dos ejemplos de la interfaz de usuario de esta
aplicación. Otro ejemplo destacable es el desarrollado por VanLehn et al. (2023),
cuyo objetivo es enseñar, a estudiantes con bajo rendimiento, a construir mo-
delos algebraicos. Este sistema guı́a al estudiante a través de una serie de pasos
interactivos, proporcionando retroalimentación inmediata y adaptativa, con el
fin de ayudarle a identificar y corregir errores, y también a construir modelos
algebraicos de manera autónoma.
Este tipo de sistemas no solo adaptan la enseñanza en un temática concreta,
sino que también pueden adaptarla a estudiantes de diferentes etapas educati-
vas. AI KAKU (Gayed et al., 2021) es un ITS cuyo objetivo es ayudar a los
estudiantes de inglés como lengua extranjera a mejorar sus habilidades de escri-
tura en dicho idioma. Está dirigido a estudiantes de niveles equivalentes a los
B1/A2 del Marco Común Europeo de Referencia para las Lenguas. Este ITS
tiene en cuenta la competencia lingüı́stica de cada estudiante y sus necesidades
individuales de aprendizaje para proporcionar sugerencias y retroalimentación,
con independencia de su edad.
Un aspecto clave para mejorar el aprendizaje de los estudiantes, es lograr un
mayor grado de motivación y atención. Como lograr esto de manera automática
es un objetivo de gran relevancia actual en el desarrollo de los ITS, muchos
de los cuales ya incluyen estrategias para tener en cuenta el estado afectivo
de los usuarios (Kim et al., 2013). Por ejemplo, Polito and Temperini (2021),
diseñaron un ITS en forma de plataforma web que utiliza elementos de juego,
como desafı́os, recompensas y competiciones, para hacer que el aprendizaje de
programación sea más atractivo y divertido. En este caso, el sistema utiliza, por
una parte, tecnologı́as de evaluación automatizada para proporcionar retroali-
mentación inmediata a los estudiantes sobre su desempeño en los ejercicios y
proyectos, y para ayudarles a identificar áreas en las que necesitan mejorar. Por
otra, emplea técnicas de gamificación para motivar y mejorar el aprendizaje de
los estudiantes.
b. Sistemas de recomendación personalizada
Son sistemas que se enfocan en recomendar contenido o recursos de aprendizaje

especı́ficos a los estudiantes en función de su historial de aprendizaje y sus in-
tereses. Estos sistemas son útiles en situaciones donde los estudiantes tienen una
amplia variedad de recursos y contenido de aprendizaje disponibles, y necesitan

ayuda para encontrar los que sean más relevantes para su aprendizaje.
Figura 2.4: Ejemplo ilustrativo de la interfaz de aprendizaje desarrollada para

mejorar el aprendizaje en los MOOCs. Fuente: (Wang et al., 2021, p. 8)
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
Como ocurrı́a en el caso de la AIEd centrada en el estudiante, debido a la di-

versidad de aplicaciones, resulta necesario realizar una subdivisión en diferentes
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.
a. Sistemas de evaluación automática
Los sistemas de evaluación automática son sistemas diseñados para evaluar

el rendimiento de los estudiantes en diferentes tipos de pruebas o ejercicios,
utilizando la IA para analizar las respuestas y asignar una calificación o pun-
tuación automáticamente. Se basan en la premisa de que calificar es una tarea
educativa que consume tiempo que el educador no puede utilizar para ayudar a
los estudiantes.
En el trabajo de Chen et al. (2020) se incluyen diversos ejemplos en los que
la IA ya se está utilizando para calificar y evaluar trabajos y exámenes, inclui-
do su uso para automatizar la calificación de ensayos. Por ejemplo, el sistema
llamado Cywrite fue desarrollado para puntuar los cuantificadores, la concor-
dancia sujeto-verbo, los artı́culos y las oraciones de los estudiantes en inglés
(Feng et al., 2016). El desarrollado por Plakans and Gebril (2013), se trata de
un sistema que, al igual que el anterior, tiene como objetivo evaluar la escritura
de los estudiantes, pero en este caso evalúa su capacidad para integrar múlti-
ples fuentes de información. Otro ejemplo es el sistema presentado por Vittorini
et al. (2021), que sirve para proporcionar evaluaciones en cursos online de cien-
cia de datos. El sistema analiza las respuestas de los estudiantes y proporciona
retroalimentación adaptativa en tiempo real.
Estos sistemas de evaluación automática no solo son diseñados como un com-
plemento de ayuda al profesor, sino que también pueden servir para situaciones
de riesgo. Este es el caso del sistema de evaluación automática desarrollado
por Rayhan et al. (2022), que fue creado para evaluar de manera responsable y
transparente exámenes de alta relevancia durante la pandemia. Con su utiliza-
ción durante este tipo de emergencias, se evita la imposibilidad de realización
de exámenes importantes, y paralizar el progreso de los candidatos.
b. Sistemas de gestión inteligentes
Los sistemas de gestión inteligentes en el campo de la educación son herra-

mientas que se utilizan para automatizar y optimizar los procesos de gestión y
administración en los entornos educativos, ya sea en el entorno concreto del aula

o en el general del centro. Son sistemas que pueden ayudar a los educadores y
administradores a gestionar el aprendizaje y el progreso de los estudiantes, ası́
como a manejar la comunicación con los padres y otros miembros del equipo
educativo.
Chen et al. (2021) proponen un sistema de ayuda para monitorizar el rendi-
miento de los estudiantes en pruebas y exámenes. El sistema recopila los datos
y los presenta de una manera visual y fácil de entender, proporcionando co-
mentarios especı́ficos y detallados sobre el progreso del estudiante y sugiriendo
áreas de mejora.
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)
Otro ejemplo de sistema inteligente para la gestión del aula es el desarrolla-

do por Holstein et al. (2018) y llamado Lumilo. En este caso, van un paso más
allá y crearon un sistema de supervisión de un ITS. Es decir, crearon una he-
rramienta que muestra a los profesores los análisis generados por un ITS sobre
el rendimiento del alumno, de modo que sirva para alertarlos en situaciones en
las que el ITS puede estar actuando mal. Este sistema, mediante la utilización
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.
3. IA para propósitos generales
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
los estudiantes una experiencia de aprendizaje inmersiva e interactiva. Las gafas

de realidad virtual pueden ser utilizadas para simular experiencias que de otra
manera serı́an imposibles o peligrosas en el mundo real, como explorar el espacio
o viajar en el tiempo. En este sentido, Yu et al. (2021) diseñaron un sistema
de realidad virtual interactivo con el que ayudan a los usuarios a aprender a
hacer café con el método de preparación “pour-over”. El sistema utiliza sensores
para detectar los movimientos del usuario y proporcionar retroalimentación en
tiempo real sobre su técnica, lo que permite a los usuarios corregir errores y
mejorar su habilidad en la preparación de café con este método. Por lo tanto,
este tipo de sistema concreto podrı́a categorizarse también como un ITS, debido
a que no solo sirve para visualizar mediante las gafas de realidad virtual, sino
que también guı́a en el proceso de aprendizaje de forma autónoma.
Youtube, Netflix, Instagram y TikTok son todas plataformas populares de
redes sociales y entretenimiento que cada vez están más presentes en educación.
Se trata de plataformas que pueden ser categorizadas como AIEd ya que usan
algoritmos de recomendación basados en el comportamiento del usuario y los
datos de visualización para ofrecer recomendaciones personalizadas de conte-
nido. También utilizan algoritmos para analizar y categorizar el contenido, lo
que permite a los usuarios buscar y descubrir aquel relevante de manera más
eficiente. Los autores Khlaif and Salha (2021), exploraron el potencial de una
de estas plataformas, TikTok, como herramienta de aprendizaje. Argumentan
que puede ser utilizada como una forma de micro aprendizaje o nano aprendi-
zaje debido a su formato de vı́deo corto, que puede ser explotado en diferentes
contextos educativos, tanto por estudiantes como por profesores.
Por último, un recurso de reciente aparición, pero de gran impacto en la edu-
cación en el futuro es la IA generativa. Son modelos basados en redes profundas
que crean contenido, como imágenes, texto, etc. Por ejemplo, ChatGPT (Atlas,
2023) es un modelo de lenguaje natural basado en IA que fue entrenado para
mantener una conversación fluida con las personas sobre diferentes temas y en
varios idiomas. Esta herramienta puede generar textos, resumir información y
esquemas para ahorrar tiempo y mejorar la calidad del trabajo. Además, puede
detectar errores gramaticales y de estilo, ayudar en las búsquedas de informa-
ción y recursos entre otras posibilidades. El uso de chatGPT en la educación
levanta controversia, por lo que hay que esperar a su evolución futura para
poder extraer conclusiones fiables.
Como podemos observar, la educación con IA está proporcionando ya una
amplia variedad de herramientas y recursos a educadores y estudiantes. Los

ejemplos anteriores son solo una pequeña muestra de la multitud de opciones
disponibles para automatizar tareas docentes y personalizar el aprendizaje. En
el marco de esta tesis doctoral se ha iniciado una lı́nea de desarrollo en este
ámbito, con un prototipo de ITS para la enseñanza de la IA, que será explicado
con detalle en el capı́tulo 6. Pero el principal campo de aplicación de este trabajo
está en la educación sobre la IA, cuyo estado actual será analizado en el siguiente
apartado.
2.2.2. Educación sobre inteligencia artificial
Esta lı́nea de trabajo, más cercana a la educación que a la tecnologı́a, apa-

reció como tal a partir de la publicación de las estrategias nacionales de IA. En
ese momento, los responsables educativos comenzaron a fomentar el desarrollo
de materiales didácticos, herramientas y planes de estudio para la enseñanza
formal de la IA en todos los niveles. Desde su origen hasta la fecha el avance ha
sido muy notable, partiendo de propuestas de corto alcance basadas en adap-
taciones de materiales utilizados a nivel universitario, hasta llegar hoy en dı́a a
soluciones sólidas y aplicables en la educación reglada.
En grupos de trabajo como el European Digital Education Hub, se ha ve-
nido avanzando en la formalización de esta lı́nea para que los investigadores y
educadores puedan tener un marco claro para sus desarrollos (European digital
Education Hub, 2023). Una primera categorización ya establecida se basa en la
labor del docente a la hora de afrontar una nueva materia como la IA, y se dis-
tingue entre la enseñanza para la IA y la enseñanza sobre IA. La enseñanza para
la IA implica competencias para que todos los ciudadanos, incluidos profesores
y alumnos, se relacionen con confianza, de forma crı́tica y segura con los siste-
mas de IA, a fin de proporcionarles los conocimientos, habilidades y actitudes
necesarios para vivir en un mundo rodeado y moldeado por la IA. La enseñanza
sobre IA es más técnica, centrada en formar a los alumnos en los fundamentos
de la IA con un enfoque de desarrolladores, o creadores de soluciones.
La enseñanza sobre IA proporcionarı́a formación acerca de los fundamentos
de esta con una perspectiva de usuarios de la tecnologı́a, mientras que la en-
señanza sobre IA proporcionarı́a formación más especı́fica, con una perspectiva
de programadores. La primera serı́a de aplicación a niveles educativos más ge-
nerales, como enseñanza secundaria obligatoria, educación para adultos, o edu-
cación no formal. La segunda serı́a de aplicación en niveles más especializados,

como bachilleratos de ciencias, formación profesional y universidades.
En el marco de esta tesis se ha decidido realizar un análisis del estado del
arte fusionando ambas perspectivas, por ser esta distinción todavı́a sutil. Por lo
tanto, nos referiremos a educación sobre IA para revisar aquellas iniciativas que
se centran en la formación de los estudiantes acerca de los fundamentos de esta
disciplina. A la hora de organizar las contribuciones en este ámbito, usaremos
la taxonomı́a propuesta en la rama derecha de la figura 2.2.
1. Alfabetización sobre IA
Dentro del ámbito de la educación sobre IA, el planteamiento más amplio es

el de desarrollar una alfabetización que proporcione una competencia integral en
esta materia. Aunque la alfabetización se ha concebido tradicionalmente como
la capacidad de leer y escribir, en este ámbito se refiere a una alfabetización
digital, que incluye el conocimiento y habilidades necesarios para comprender y
utilizar la IA de manera efectiva. Más especı́ficamente “la alfabetización en IA
es el conjunto de competencias que permite a las personas evaluar crı́ticamente
las tecnologı́as de IA; comunicarse y colaborar de manera efectiva con IA; y
use la IA como una herramienta en lı́nea, en el hogar y en el lugar de trabajo”
(Long and Magerko, 2020, p. 2). En la revisión del estado del arte realizada por
Ng et al. (2021), se conceptualiza este concepto emergente de “alfabetización
en IA”, buscando establecer una base teórica sólida para definir, enseñar y
evaluar dicha alfabetización, y se pretende establecer las bases para futuras
investigaciones, como la competencia, los criterios de desarrollo y evaluación.
La necesidad de desarrollar a corto plazo una alfabetización en IA se enfatiza
en el informe de UNICEF (2021) sobre las polı́ticas de la IA para los niños, que
destaca el aprendizaje y la participación de los niños en la IA como uno de sus
derechos fundamentales. Si queremos desarrollar una sociedad sostenible que
proporcione una educación de calidad inclusiva y equitativa, y que promueva
oportunidades de aprendizaje permanentes, Schiff (2022) afirma que es funda-
mental desarrollar una alfabetización en IA formal, fiable y responsable para la
población general. Asimismo, en el análisis realizado por este autor, se muestra
como la educación en IA es ya un tema prioritario a escala internacional, que
aparece explı́citamente en la mayorı́a de las estrategias polı́ticas nacionales en
esta materia. Como es lógico, el desarrollo de alfabetizaciones en IA se está
llevando a cabo a nivel de estrategias nacionales de educación desde las pro-

pias administraciones, no siendo esta una labor al alcance de investigadores o
educadores de forma independiente.
La educación en IA es considerada una competencia clave por la Unión
Europea, según se establece en la Recomendación del Consejo de 22 de mayo
de 2018 relativa a las competencias para el aprendizaje permanente (Consejo
de la Unión Europea, 2018). Asimismo, como se comentó con anterioridad, la
Comisión Europea (2018) sostiene que un plan de IA que incluya la educación
como una de sus áreas clave es esencial para situar a los estados de la UE en
una posición privilegiada en la revolución tecnológica de los años venideros. En
concreto, la Comisión Europea considera que la educación general sobre la IA
es decisiva para un desarrollo social adecuado, y esto sólo puede lograrse si se
introduce la enseñanza de la IA en los programas que afectan globalmente a
todas las personas.
La UE ha publicado recientemente un plan de acción especı́fico en materia
de educación digital (Plan de Acción de Educación Digital, 2020). Este plan
tiene como objetivo principal mejorar la educación y la formación digital en
toda la UE, a través de iniciativas y proyectos que promuevan el uso de la
tecnologı́a en la enseñanza y el aprendizaje, incluyendo la alfabetización en
IA. En este sentido, el plan de acción de la UE destaca la importancia de
desarrollar una formación adecuada en competencias digitales y en IA para los
ciudadanos europeos, especialmente para los jóvenes, para que puedan adaptarse
y tener éxito en un mundo cada vez más digitalizado y basado en datos. Por
tanto, la inclusión de la educación en IA en este plan muestra la relevancia y el
compromiso de la UE en el desarrollo de una alfabetización digital.
A su vez, el documento “DigComp 2.2, El marco de Competencia Digital
para los ciudadanos”, ofrece el principal marco de referencia para evaluar la
competencia digital de los ciudadanos en Europa. En el documento se estable-
cen una serie de competencias digitales que deben poseer los ciudadanos para
interactuar de manera efectiva con la sociedad digital, con sentido crı́tico, con-
fianza y seguridad, incluyendo las nuevas tecnologı́as emergentes como la IA.
Su objetivo principal es que los ciudadanos comprendan y utilicen correctamen-
te estas herramientas y tecnologı́as para participar activamente en la sociedad
digital (Vuorikari et al., 2022).
Este documento incluye una lista de 73 ejemplos de conocimientos, capa-
cidades y actitudes relacionados con la interacción de los ciudadanos con los

sistemas de IA. Cada ejemplo está asociado a una competencia, lo que facilita
la actualización de los contenidos sobre tecnologı́as emergentes en los planes de
estudios y en la formación de los ciudadanos. Los ejemplos se agrupan temática-
mente, lo que sirve como una guı́a para los responsables de los planes de estudios
y formadores que deseen incorporar estos temas a sus programas de formación.
Partiendo de estas recomendaciones, responsables polı́ticos, instituciones
educativas globales e investigadores en educación vienen trabajando en Europa
desde una perspectiva global y general, proporcionando directrices aplicables a
cualquier sistema educativo. Son muchos los paı́ses europeos que han comenza-
do la implementación de planes de enseñanza y aprendizaje de la IA (España,
Francia, Finlandia, entre otros), aunque en realidad son pocos los que han lo-
grado desarrollar una alfabetización integral en esta materia, con la excepción
de paı́ses como Estonia (Gobierno de la República de Estonia, 2021).
2. Planes de estudio sobre IA
En un nivel inferior al de la alfabetización podemos encontrar iniciativas de

desarrollo curricular. La principal diferencia es que estos enfoques se centran
en la capacitación en IA en niveles educativos concretos, asumiendo que serán
parte de una alfabetización global en IA. Dentro de estas iniciativas, podemos
encontrar proyectos de innovación educativa como los promovidos por el pro-
grama Erasmus+ de la UE (Europea, 2021), que afectan a todos los niveles
educativos, lı́neas de investigación y desarrollo propias de diferentes universida-
des, iniciativas de instituciones educativas, y productos comerciales de empresas
dedicadas a la educación.
A continuación, se revisarán algunas de las más avanzadas y formales, orga-
nizadas por etapas educativas pre-universitarias, dejando claro que este es un
campo en plena creación, por lo que estas iniciativas podrán ser actualizadas
en el futuro cercano. Queda fuera del alcance de esta tesis doctoral la etapa
universitaria, ya que el grado de especialización e independencia de este nivel
hace inviable la creación de planes de estudio aplicables de modo general, y la
educación para personas adultas, por ser un ámbito docente menos formal y
regulado.
Educación primaria e infantil

En el ámbito de la educación primaria e infantil, son todavı́a escasas las ini-
ciativas de planes de estudio formales sobre IA. Podemos destacar como ejemplo
el enfoque curricular conocido como “AI for kids”, diseñado por Yang (2022).
Este plan de estudios tiene como objetivo resaltar el papel de las tecnologı́as
impulsadas por la IA en la vida diaria y permitir que los niños aprendan sobre
la IA utilizando un enfoque basado en proyectos. En términos de sus objetivos
educativos, este plan de estudios contempla tres metas fundamentales:
1. Reconocer el principio básico del tratamiento de datos de la IA: el proceso

de inferir resultados a partir de la información.
2. Comprender y aplicar el principio básico y el proceso de formulación de

juicios de la IA, es decir, sintetizar la información e identificar los objetos
correlativos según los elementos clave designados.
3. Comprender el concepto de prejuicio y reconocer que la IA comete errores.
Tabla 2.1: Esquema de un posible diseño curricular de IA para educación

primaria. Fuente: (Su and Zhong, 2022)
Conocimientos sobre Actitudes hacia la

Habilidades de la IA
IA IA
K1: Definición y S1: Utilizar A1: Impacto social
ejemplos de la IA herramientas de IA de la IA
S2: Pensamiento
K2: Las cinco A2: Colaborar con la
computacional y
grandes ideas en IA IA
programación
K3: Aprendizaje S3: Pensamiento
automático crı́tico
K4: Aplicaciones de
IA
K5: Ética de IA
Los autores Su and Zhong (2022), se enfocan en el potencial de la IA para

mejorar la educación en la etapa de la primera infancia, mediante la imple-
mentación de un diseño curricular personalizado. Con este plan de estudios,
pretenden mejorar las habilidades de pensamiento y resolución de problemas de

los niños, y para ello el esquema de diseño curricular lo componen los contenidos,
habilidades y actitudes mostradas en la tabla 2.1.
Otro estudio relevante en esta etapa educativa es el realizado por Hsu et al.
(2021), que desarrolla herramientas de enseñanza de la IA como parte de un plan
de estudios. El objetivo del diseño de los materiales didácticos de este estudio era
promover la educación en IA y cultivar los conocimientos tecnológicos necesarios
que integran tres conceptos básicos, a saber, el pensamiento computacional, la
educación en IA y la educación STEM. Se trata de un proyecto que puede ser
impartido en las aulas en un total de 9 semanas, en las que los estudiantes,
gracias a las herramientas creadas, aprenden sobre la IA en los campos de las
aplicaciones inteligentes y la robótica (figura 2.6).
Figura 2.6: Diagrama esquemático de la herramienta diseñada como parte de

un plan de estudios de IA para educación primaria. Fuente: (Hsu et al., 2021,
p. 5)
Educación secundaria obligatoria y bachillerato

El siguiente nivel educativo ha sido mucho más activo en esta lı́nea, princi-
palmente porque estos estudiantes tienen ya habilidades digitales y matemáticas
adecuadas para el aprendizaje de la IA más especı́fica, lo cual permite obtener
resultados a un corto plazo. El principal texto utilizado para analizar el estado
del arte en secundaria ha sido el informe de la UNESCO sobre los currı́culos
de IA K-12 (UNESCO, 2021, p. 6), que tiene como objetivo “orientar la pla-
nificación futura de polı́ticas habilitadoras, el diseño de currı́culos nacionales o
programas de estudio institucionales y estrategias de implementación para el
desarrollo de competencias en IA”. Para ello, este informe revisa las 5 principa-
les iniciativas oficiales de administraciones educativas a la hora de crear planes

de estudio, concretamente: Qatar, India, Austria, República de Corea y China.
En Qatar, la educación tecnológica es reconocida como un factor clave para
una economı́a basada en el conocimiento, según el informe Visión 2030 (Oficina
de Comunicación del Gobierno de Qatar, 2008). Crearon estándares que forman
la base del currı́culo nacional de Informática y Tecnologı́a de la Información,
y elaboraron currı́culos obligatorios para todos los niveles incluyendo una ra-
ma optativa de “alta tecnologı́a” para la educación secundaria superior. Los
estándares incluyen resultados de aprendizaje relacionados con la IA, algorit-
mos, programación, ética e impacto social.
En 2019, el Central Board of Secondary Education (CBSE) de la India anun-
ció que la IA serı́a una asignatura optativa en más de 22.000 escuelas de su
jurisdicción. El currı́culo se centró en un enfoque práctico de “aprender hacien-
do”, proporcionando a los estudiantes la oportunidad de aprender IA mediante
la creación de soluciones para desafı́os comunitarios (Ministerio de Desarrollo
de Recursos Humanos, 2020). Para respaldar el currı́culo, el CBSE se asoció
con empresas como Intel (CBSE and Intel, 2019) para desarrollar materiales
y capacitación. Las escuelas seleccionadas incorporaron la IA en sus horarios
escolares y desarrollaron estrategias de integración interdisciplinaria.
El currı́culo propuesto por el gobierno austriaco de Ciencia de Datos e In-
teligencia Artificial abarca nociones digitales básicas, como el uso de sistemas
operativos y herramientas de software, ası́ como la reflexión sobre temas socia-
les relacionados con los medios digitales y la seguridad en su uso (Ministerio
Federal de la República de Austria, 2023). Los estudiantes de educación secun-
daria superior de este plan de estudios aprenden lenguajes de programación,
algoritmos y principios de alfabetización en datos, incluyendo la recopilación,
estructuración y análisis de información (figura 2.7). En este caso, el currı́culo es
obligatorio y se imparte en las escuelas, constando de 144 horas de aprendizaje
con diferentes áreas temáticas y asignaciones de tiempo especı́ficas.
En la República de Corea, en el año 2020 se implementó un currı́culo escolar
de IA para la enseñanza secundaria superior, que se ofrece en 2.367 escuelas.
Además, el paı́s cuenta con 500 escuelas especializadas en educación de IA para
la formación de estudiantes en el sector tecnológico. El currı́culo creado se centra
en módulos de codificación obligatorios, abarcando tres dominios: comprensión
de la IA, principios de la IA y su aplicación, e impacto social de la IA. La
Figura 2.7: Asignación porcentual por área temática del currı́culum de Austria.
Fuente: (Ministerio Federal de la República de Austria, 2023)
progresión curricular se describe en áreas clave como comprensión de la IA,

datos, aprendizaje automático y el impacto social de la IA (UNESCO, 2021).
Por último, el Currı́culo de Tecnologı́a de la Información para Escuelas de
Educación Secundaria Superior de China, publicado por el Ministerio de Edu-
cación en 2017, es de implementación obligatoria en todo el paı́s y se divide en
10 módulos, incluyendo aspectos de IA en los módulos obligatorios y optativos.
El currı́culo busca que los estudiantes comprendan qué es la IA, cómo funciona
y las cuestiones sociales relacionadas con su aplicación. Aunque es obligatorio
a nivel nacional desde 2019 (Knox, 2020), las provincias pueden adaptar su
implementación según las necesidades educativas y los recursos disponibles.
De este informe de UNESCO se concluye que la mayorı́a de estas iniciativas
fueron desarrolladas en un plazo de tiempo corto por informáticos y expertos en
IA, adaptando a la escuela secundaria los contenidos de las materias universita-
rias y de libros clásicos como el de Russell and Norvig (2021), y no han tenido
resultados de aceptación muy positivos, mayormente entre el profesorado. Su
principal inconveniente es que no incorporaron la visión y opinión de los do-
centes y educadores en la definición curricular (Miao and Holmes, 2021; Schiff,
2022), por lo que requieren de una revisión profunda en los próximos años.
La iniciativa más destacable para esta etapa educativa es la estadouniden-
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
IA y se adapta a diferentes niveles de conocimiento, brindando oportunidades

de aprendizaje a personas de todas las edades interesadas en comprender y
aprovechar el potencial de la IA (Day of AI, 2023).
La siguiente de las estrategias, Elements of AI (2023), es un programa edu-
cativo que ofrece dos cursos en lı́nea gratuito sobre IA: Introducción a la IA y
construyendo IA. Diseñados en colaboración con la Universidad de Helsinki, los
cursos están disponibles para cualquier persona interesada en aprender los fun-
damentos de la IA, sin necesidad de tener experiencia previa en programación o
matemáticas avanzadas. A través de lecciones interactivas y ejercicios prácticos,
los participantes adquieren conocimientos sobre los conceptos básicos de la IA
y su aplicación en la vida cotidiana.
Otra de las iniciativas es la llamada AI4ALL (2023). Se enfoca en brindar
oportunidades de educación y experiencia en IA a estudiantes sub-representados,
como mujeres, minorı́as étnicas y personas de bajos recursos económicos. A
través de programas educativos, becas y mentorı́as, AI4All ayuda a los partici-
pantes a desarrollar habilidades en IA, promoviendo ası́ una mayor diversidad en
la industria y garantizando que las voces y perspectivas diversas estén presentes
en el desarrollo y la aplicación de la IA.
El último de los programas es ReadyAI (2023), que tiene como objetivo
llevar la educación en IA a las aulas de forma inminente. Proporciona currı́culos
y recursos educativos diseñados especı́ficamente para enseñar a los estudiantes
los conceptos de la IA de manera accesible y divertida. A través de proyectos
prácticos, los estudiantes exploran temas como el aprendizaje automático, la
visión por computador y la robótica, desarrollando habilidades en pensamiento
crı́tico, resolución de problemas y creatividad.
3. Recursos concretos sobre IA
En cuanto a otros proyectos de menor calado que se centran en el desarrollo

de materiales especı́ficos para la enseñanza de la IA, en los últimos años han
surgido numerosas experiencias de investigadores y educadores, algunas de im-
pacto moderado, pero que sirven de semilla para los contenidos de los planes de
estudio, al validar la viabilidad de unas u otras metodologı́as. En congresos de
gran relevancia en el campo de la IA, como el EAAI (2023) o en AIEd (2023),
existen ya sesiones especı́ficas dedicadas a recursos docentes en el ámbito de la
educación sobre IA, en las que podemos ver numerosos artı́culos en este contexto
(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
2.3. Planes de estudio referencia en educación

secundaria
El primer aspecto a considerar a la hora de definir un plan de estudios en de-

talle son las competencias especı́ficas que se pretende que logren los estudiantes.
En el caso de la IA, esto forma parte de un plan de alfabetización más global,
y por tanto, se está todavı́a en la fase de definición. De todas formas, existen
ya algunos avances concretos que se deben destacar. Por ejemplo, la UNESCO
define 17 competencias especı́ficas relacionadas con la IA para estudiantes de
secundaria, mostradas en la 2.2.
Tabla 2.2: Marco de competencias de alfabetización en IA. Fuente:

(UNESCO, 2022)
Competencia Descripción / resultados del aprendizaje

1. Reconocer la Distinguir entre artefactos tecnológicos que utilizan o
IA no utilizan IA.
2. Comprender la Analizar y debatir de forma crı́tica las caracterı́sticas
inteligencia que hacen a un ente “inteligente”. Debatir sobre dife-
rencias entre la inteligencia humana, animal y de las
máquinas.
3. Interdisciplina- Reconocer que existen varias formas de concebir y
riedad desarrollar máquinas “inteligentes”. Identificar una
variedad de tecnologı́as que utilizan IA, incluida la
tecnologı́a que comprende los sistemas cognitivos, la
robótica y el AA.
4. IA general ver- Distinguir entre IA general y débil.
sus IA débil
5. Debilidades y Identificar los tipos de problemas en los que destaca
fortalezas de la o no la IA. Determinar cuándo es apropiado utilizar
IA IA y cuándo aprovechar las habilidades humanas.
6. Imaginar la IA Imaginar posibles aplicaciones futuras de la IA y con-
del futuro siderar los efectos de dichas aplicaciones para con el
mundo.
7. Representacio- Comprender qué es una representación del conoci-
nes miento y describir algunos ejemplos.
8. Toma de deci- Reconocer y describir ejemplos de cómo razonan y
siones toman decisiones los ordenadores.
9. Pasos del AA Comprender los pasos involucrados en el aprendiza-

je automático y las prácticas y desafı́os que conlleva
cada paso.
10. El rol humano Reconocer que los humanos desempeñan un papel im-
en la IA portante en la programación, la elección de modelos
y el ajuste preciso de los sistemas de IA.
11. Alfabetiza- Comprender los conceptos básicos de la alfabetización
ción en datos en datos.
12. Aprender de Reconocer que los ordenadores frecuentemente apren-
los datos den de los datos (incluidos los datos propios).
13. Interpretación Comprender que los datos requieren de interpreta-
crı́tica de los da- ción. Describir de qué modo los ejemplos de instruc-
tos ción incluidos en un conjunto inicial pueden afectar
los resultados de un algoritmo.
14. Acción y reac- Comprender que algunos sistemas de IA cuentan con
ción la capacidad de actuar fı́sicamente en el mundo. Esta
acción puede estar orientada por un razonamiento de
alto nivel (como caminar a lo largo de una ruta pla-
nificada) o por impulsos reactivos (como saltar hacia
atrás para evitar un obstáculo detectado).
15. Sensores Comprender qué son los sensores, entendiendo que
los ordenadores perciben el mundo a través de ellos.
Identificar sensores en diversos dispositivos. Recono-
cer que diferentes sensores soportan distintos tipos de
representación y razonamiento respecto del mundo.
16. Ética Identificar y describir diferentes perspectivas sobre las
cuestiones éticas clave en torno a la IA: privacidad,
empleo, desinformación, “singularidad”, toma de de-
cisiones, diversidad, parcialidad, transparencia y res-
ponsabilidad.
17. Programabili- Comprender que los agentes son programables.
dad
A su vez, la actualización 2.2 del informe DigComp de la UE incluye una

lista de más de 80 ejemplos que abarcan conocimientos, habilidades y actitudes
relacionados con la interacción de los ciudadanos con los sistemas de IA. El do-
cumento también contiene un apéndice que agrupa temáticamente los ejemplos
revisados según los comentarios recibidos. Esto proporciona orientación a los
desarrolladores de planes de estudios y formadores para actualizar sus conte-
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 %.
Tabla 2.3: Categorı́a, Área temática, Competencias y consideraciones

curriculares. Fuente: (UNESCO, 2022)
Categorı́a Área Competencias y consideraciones curricula-

temáti- res
ca
Fundamentos Algoritmos Junto con la alfabetización en datos, los algorit-
de IA y programa- mos y la programación pueden considerarse como
ción la base del involucramiento técnico con la IA.
Alfabetización La mayorı́a de las aplicaciones de IA se basan en

en datos big data. La gestión del ciclo de datos, desde su re-
colección a la depuración, el etiquetado, el análisis
y la elaboración de informes, constituye una de las
bases del involucramiento técnico con el uso y/o
el desarrollo de la IA. Comprender los datos y sus
funciones también puede ayudar a los estudiantes
a entender las causas de algunos de los desafı́os
éticos y logı́sticos que plantea la IA y su papel en
la sociedad.
Resolución La IA se presenta con frecuencia como una solu-
de pro- ción potencial a desafı́os sociales o relacionados
blemas con los negocios. El involucramiento a este nivel
contextuales requiere una estructura para la resolución de pro-
blemas en su propio contexto, abarcando aspectos
tales como el pensamiento de diseño y el aprendi-
zaje basado en proyectos.
Ética e im- Ética de la Independientemente del conocimiento técnico, los
pacto social IA estudiantes de las sociedades futuras se involu-
crarán con la IA en su vida personal y profesio-
nal; muchos ya lo hacen desde una temprana edad.
Será importante que todas las personas compren-
dan los desafı́os éticos de la IA, lo que se entiende
por “IA ética”, conceptos como el uso transparen-
te, auditable y justo de la IA, ası́ como las vı́as de
reparación en caso de uso no ético o ilegal de la
IA, por ejemplo, si ella incluye sesgos perjudiciales
o viola el derecho a la privacidad.
Implicaciones Los impactos sociales de la IA incluyen desde la
sociales de exigencia de adecuaciones en la normativa de res-
la IA ponsabilidad hasta transformaciones inspiradoras
de la fuerza de trabajo. Se preguntó a los entre-
vistados acerca de hasta qué punto sus currı́culos
abordaban tales cuestiones. Fueron citados como
ejemplos las tendencias, como el desplazamiento
de la fuerza de trabajo, los cambios en la legisla-
ción y la creación de nuevos mecanismos de go-
bernanza.
Aplicaciones La IA cuenta con una amplia gama de aplicaciones

de la IA a fuera de la informática. En la encuesta se preguntó
dominios a los participantes si eran tomadas en cuenta, y
diferentes de en qué medida, las aplicaciones de la IA en otros
las TIC dominios. Fueron citados como ejemplo el Arte,
la Música, los Estudios Sociales, la Ciencia y la
Salud.
Comprensión, Comprensión El área incluyó (1) hasta qué punto se desarrolló la
uso y de- y uso de las comprensión teórica de los procesos de IA (como
sarrollo de técnicas de definición o demostración de estándares, o etique-
IA IA tado de partes de un modelo de aprendizaje au-
tomático) y (2) en qué medida utilizaban los estu-
diantes algoritmos de IA existentes para producir
resultados (por ejemplo, entrenar un clasificador).
Como ejemplos de técnicas de IA se mencionaron
el aprendizaje automático en general, el aprendi-
zaje supervisado y no supervisado, el aprendizaje
por refuerzo, el aprendizaje profundo y las redes
neuronales.
Comprensión Las tecnologı́as de IA son, en general, aplicacio-
y uso de las nes orientadas al ser humano que pueden ofrecerse
tecnologı́as “como servicio”. Se mencionaron como ejemplos el
de IA PLN y la visión artificial. Se preguntó a los entre-
vistados en qué medida los estudiantes utilizaban
las tecnologı́as de IA existentes para completar ta-
reas o proyectos, y si estudiaban o no los procesos
de creación de tales tecnologı́as.
Desarrollo El desarrollo de tecnologı́as de IA se ocupa de la
de tecno- creación de nuevas aplicaciones de la misma que
logı́as de puedan abordar un desafı́o social u ofrecer un nue-
IA vo tipo de servicio. Se trata de un campo especia-
lizado que requiere conocimiento de una serie de
técnicas y habilidades complejas en codificación,
Matemáticas (en particular estadı́sticas) y Ciencia
de Datos.
Las recomendaciones no implican que todos los planes de estudio deban

contener todas las áreas temáticas, sino que establecen prioridades de manera
formal. Cada paı́s tiene unas polı́ticas educativas diferentes, y es posible que
alguna de esas áreas ya se trabaje en otras materias. Por ejemplo, es posible
que en muchos casos no sea necesario incluir la alfabetización informática o los

algoritmos y la programación como parte del componente de la IA, porque están
incluidos en muchos planes de estudio de las TIC (UNESCO, 2022).
En la siguiente tabla se resumen los principales temas de IA tratados en las
iniciativas que se indica en la columna de la izquierda, todas ellas para nivel
de educación secundaria. La tabla incluye, además, la metodologı́a docente uti-
lizada. Estas iniciativas fueron las seleccionadas como referente en la sección
anterior, fundamentalmente por su grado de implantación y formalidad. Es des-
tacable que, de todas ellas, solo “Elements of AI” es una iniciativa europea,
siendo las demás originarias de los Estados Unidos.
Como se puede observar en la tabla 2.4, todas estas iniciativas comparten
una serie de contenidos comunes, aunque con algunas variaciones especı́ficas.
Mayormente se abordan los temas de percepción, representación y razonamiento,
aprendizaje automático, interacción natural con IA y el impacto social de la IA.
Como detallaremos en la sección 5.2.4, y acorde con su origen en Estados Unidos,
la mayorı́a de estas iniciativas siguen la recomendaciones de AI4K12, que se está
imponiendo como el estándar a nivel mundial. En términos de metodologı́a, casi
todas incorporan actividades prácticas de codificación y programación, ası́ como
reflexiones y debates sobre los temas relacionados con el impacto de la IA, pero
todas basadas en herramientas digitales, sin ninguna aplicabilidad fuera del
domino del propio ordenador.
Tabla 2.4: Resumen de contenidos y metodologı́a de las principales ini-

ciativas existentes
Iniciativa Contenidos Metodologı́a

Percepción Actividades prácticas de codifi-
Representación y razona- cación y programación.
AIK12 miento Reflexiones y debates.
Aprendizaje automático Uso de herramientas y recursos
Interacción natural con IA interactivos.
Impacto social de la IA
Percepción Actividades prácticas grupales.
Representación y razona- Reflexiones y debates.
ISTE miento Uso de herramientas y recursos
Aprendizaje automático interactivos.
Interacción natural con IA
Impacto social de la IA
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
Es importante observar cómo la mayorı́a de iniciativas incluyen contenidos

sobre aprendizaje automático, pero no de manera exclusiva. Es decir, huyen-
do de “modas” y tendencias en la formación en IA, estas iniciativas plantean
contenidos más amplios, tocando los temas básicos de la IA desde un enfoque
de agente inteligente como el comentado en la sección 2.1.1. Esto se observa al
incluir la percepción o la interacción natural como temas básicos, ambos direc-
tamente relacionados con el entorno. Asimismo, se contemplan contenidos más
avanzados como la representación y el razonamiento, pero no en todos los casos.
Finalmente, es evidente la relevancia que todas estas iniciativas dan al estudio
del impacto de la IA a esta edad.
En conclusión, el desarrollo de planes de estudio especı́ficos para la educa-
ción sobre IA aún se encuentra en una etapa temprana y en constante evolución.
Todas las aportaciones en este sentido son de gran utilidad para lograr resulta-
dos fiables y aplicables. Comienza ahora un periodo de implementación en las
aulas y validación con estudiantes para comprobar su validez y aplicabilidad
global. Pero los contenidos y metodologı́as que mejores resultados han dado
hasta el momento son bastante homogéneos, por lo que deben ser tomados en
consideración a la hora de diseñar un plan de estudios similar.
2.4. Conclusiones sobre los antecedentes
La IA está teniendo un impacto cada vez mayor en la vida de todas las

personas. Sin embargo, a nivel europeo, pocas son plenamente conscientes de
las transformaciones positivas que la IA está ya logrando, ası́ como de los muchos
y complejos retos que plantea de cara al futuro. No sólo hay toda una generación
de jóvenes creciendo con importantes retos de aprendizaje ante un mundo cada
vez más afectado por la IA, sino que hay una escasez crónica de profesionales
formados en IA.
En consecuencia, es cada vez más urgente que todos los ciudadanos compren-
dan mejor las oportunidades y las implicaciones de la IA. Para ello, es necesario
dar prioridad a la educación integral de la población, de modo que la sociedad
pueda tener una visión formada de esta tecnologı́a. Este proceso debe comenzar
en las escuelas, ya que son los jóvenes actuales los que primero vivirán en un
mundo impactado por la IA.
Aún queda mucho por hacer en el proceso de alfabetización de la IA y hay
muchas lagunas que deben ser abordadas. ¿Debe ser parte de una alfabetización
digital? ¿Debe crearse una alfabetización especı́fica de IA? Como hemos comen-
tado, a nivel europeo incluso se está debatiendo cómo enfocar la enseñanza de
la IA en los planes de estudio, ya sea hacia una aproximación de usuarios de la
IA o hacia una enfocada en futuros ingenieros de la IA. Pero mientras se des-
pejan estas dudas, y como contribución a ello, las instituciones públicas como
la UE están financiando proyectos de innovación en educación sobre IA, con el
objetivo de promover el avance en la creación de planes de estudio por parte de
investigadores y educadores (European Schoolnet, 2021).
En este contexto se desarrolla la presente tesis doctoral, que tiene como obje-
tivo diseñar un plan de estudios de IA adaptado a la educación preuniversitaria
en Europa. Se pretende contribuir al desarrollo del campo de la educación sobre
IA con una nueva propuesta formal, que será implementada y validada con es-
tudiantes y profesores en el marco de un proyecto Erasmus+. En comparación
con las iniciativas ya existentes, la aquı́ propuesta será diseñada en el ámbito
de la Unión Europea, por lo que tendrá particularidades y matices propios, y
50 2.4. Conclusiones sobre los antecedentes
seguirá un enfoque de la IA basado en el concepto de agente inteligente, co-

mo sistema situado en un entorno con el que interactúa y en el que resuelve
problemas reales.
Por tanto, esta tesis pretende desarrollar un plan de estudios formal que siga
un enfoque moderno de la enseñanza de la IA, alineado con su aplicabilidad
actual y con perspectiva de futuro.
Capı́tulo 3
Objetivos
El objetivo general de esta tesis doctoral es desarrollar un plan de estudios

de inteligencia artificial para la enseñanza preuniversitaria reglada que pueda
ser aplicado en el sistema educativo europeo, y que siga un enfoque basado en el
concepto de agente inteligente como sistema situado en un entorno con el que
interactúa de manera autónoma.
Se debe destacar que, el desarrollo de este plan de estudios se concreta en su
diseño, implementación y validación siguiendo un enfoque de investigación en
ingenierı́a, acorde con el programa de doctorado en el cual se enmarca. Por lo
tanto, no solo se ha llevado a cabo una definición formal de todos sus elementos,
sino que se ha realizado una implementación concreta de unidades didácticas, y
estas han sido validadas en el ámbito educativo objetivo. Pero es importante re-
marcar que, en el alcance temporal de una tesis doctoral, las conclusiones sobre
el impacto real de un plan de estudios como el que aquı́ se realiza son limita-
das, ya que una valoración rigurosa sobre su efecto en el aprendizaje requiere
de plazos más amplios y de un gran número de estudiantes. En consecuencia,
aunque también se ha analizado su efecto sobre el aprendizaje a corto plazo,
la principal validación del mismo se ha centrado en el estudio de parámetros
técnicos como su aplicabilidad, usabilidad, y eficacia.
Para lograr este objetivo general, es necesario alcanzar una serie de objetivos
especı́ficos:
52
1. Analizar el estado actual de la educación sobre IA, principalmente a nivel

europeo.
2. Establecer el ámbito de aplicación concreto del plan de estudios a desa-

rrollar en esta tesis en cuanto al nivel educativo y especialidad académica
del alumnado al que irı́a dirigido.
3. Identificar los temas especı́ficos de IA a incluir en el plan de estudios,

ası́ como determinar el enfoque metodológico para su enseñanza tenien-
do en cuenta el ámbito de aplicación definido en el punto anterior y el
planteamiento de agente inteligente establecido como premisa.
4. Diseñar el plan de estudios estableciendo los objetivos de aprendizaje, el

contenido básico de las unidades didácticas y su organización temporal.
5. Proponer unos criterios de evaluación para los contenidos del plan de

estudios acordes con los objetivos de aprendizaje y la metodologı́a docente.
6. Desarrollar un conjunto concreto de unidades didácticas basadas en el plan

de estudios, incluyendo todos los materiales didácticos necesarios para su
validación práctica.
7. Validar el plan de estudios y las unidades didácticas desarrolladas con

alumnado del nivel educativo especificado.
8. Realizar propuestas de mejora del plan de estudios en base a los resultados

obtenidos en la fase anterior.
Capı́tulo 4
Metodologı́a
La metodologı́a de investigación que se ha seguido en esta tesis doctoral se

fundamenta en el clásico ciclo de diseño, implementación y validación utilizado
en el ámbito de la ingenierı́a. Pero al ser una tesis con aplicación en el cam-
po de la educación, la metodologı́a anterior se ha combinado parcialmente con
otra basada en la investigación para diseño educativo (Anderson and Shattuck,
2012), utilizada en el área de la innovación docente, y que afecta a la parte de
análisis de resultados sobre el aprendizaje. Para la validación del plan de estu-
dios se han creado unidades didácticas concretas y herramientas educativas que
les dan soporte, que han sido evaluadas desde una perspectiva técnica, ya que su
funcionalidad es básica para la aplicación real del plan. Por otro lado, las unida-
des han sido también analizadas desde un punto de vista didáctico, estudiando
los resultados de aprendizaje que proporcionaron en los alumnos, ası́ como la
facilidad de uso para los profesores, en un ciclo iterativo de prueba y mejora.
Como se ha comentado en el capı́tulo de Objetivos, poder extraer conclusiones
fiables sobre el impacto real en el aprendizaje de un plan de estudios requiere
de periodos de tiempo de validación superiores a los de una tesis doctoral, pero
igualmente se ha aplicado la metodologı́a apropiada para lograrlo.
Se debe destacar que el desarrollo de esta tesis doctoral se enmarcó den-
tro del proyecto Erasmus+ K201 con código 2019-1-ES01-KA201-065742 (AI+,
2023), financiado por la SEPIE y coordinado por la Universidade da Coruña
(UDC). El proyecto AI+, que se inició en noviembre de 2019 y culminó en agos-
to de 2022, involucró a un total de seis instituciones educativas de secundaria
54
y bachillerato en cinco paı́ses europeos (Lituania, Finlandia, Eslovenia, Italia y

España). El objetivo principal del proyecto estuvo alineado con el de la presente
tesis, aunque con un enfoque más limitado, y fue utilizado como contexto para
la implementación y validación del plan de estudios. En cada centro partici-
pante en AI+, se conformó un grupo integrado por al menos seis estudiantes
y dos docentes, encargados principalmente de impartir las unidades didácticas
creadas para dar soporte al plan de estudios en sus respectivas instituciones,
y posteriormente proporcionar retroalimentación para mejorarlas. Por lo tanto,
el proyecto AI+ fue clave en la validación del plan de estudios a nivel europeo,
ya que permitió contar con un grupo de prueba de manera continuada que dio
soporte a las dos metodologı́as empleadas.
Para lograr los objetivos especı́ficos establecidos en el apartado anterior, la
metodologı́a de investigación aplicada ha tratado de dar respuesta a las siguien-
tes cuestiones:
1. ¿Cuál es la situación actual de la educación sobre IA en Europa?

Con el objetivo de establecer un marco actualizado de la situación de la
educación sobre IA en Europa, se deberá realizar una revisión exhaustiva
del estado del arte. Para ello, se identificarán las tendencias, necesidades,
amenazas, fortalezas y debilidades de los planes de estudio existentes, y su
contexto a nivel legislativo. Asimismo, se analizarán las principales lı́neas
de desarrollo en este ámbito promovidas por educadores, investigadores y
por iniciativas privadas, para encontrar un ámbito original de contribución
de la presente tesis.
2. ¿Para quién va dirigido el plan de estudios y cuál es su duración?

Una vez conocido el estado actual del campo, la siguiente etapa se enfocará
en analizar y determinar los ámbitos de aplicación del plan de estudios a
desarrollar en esta tesis en función de tres criterios. Por una parte, deberá
establecerse el nivel educativo del alumnado al que irá dirigido el plan de
estudios. Por otra, se deberá determinar si el plan de estudios podrá ser
aplicado a estudiantes de cualquier especialidad, o bien si estará dirigido
exclusivamente a estudiantes de una rama especı́fica. Y, por último, se
deberá tener en cuenta el horizonte temporal de este trabajo con el obje-
tivo de acotar su alcance para que se pueda obtener un plan de estudios
validable en el marco de realización de esta tesis.
Capı́tulo 4. Metodologı́a 55
3. ¿Qué conceptos de IA se deben incluir en un plan de estudios preuniver-

sitario y cómo se deben explicar?
Una vez terminada la fase de determinación del alcance del plan de estu-
dios, es el momento de investigar, analizar y definir qué temas de IA se
deben incluir y por qué. Esta definición deberá estar acorde con el análisis
del estado del arte realizado en el punto 1, ya que la IA es un campo de
estudio muy amplio, con la posibilidad de numerosos enfoques. Además,
esta fase debe incluir también la determinación de la metodologı́a docente
que se debe seguir el plan de estudios, teniendo en cuenta que debe dar
soporte al planteamiento de agente inteligente establecido como premisa.
4. ¿Cuáles son los objetivos de aprendizaje?

Teniendo en cuenta las conclusiones del punto anterior, se deberán definir
unos objetivos de aprendizaje concretos para esta etapa educativa tenien-
do en cuenta no solo la adquisición de conocimiento sobre IA, sino también
la adquisición de competencias transversales asociadas a este campo y a
la metodologı́a docente.
5. ¿Cómo organizar temporalmente el plan de estudios para cubrir todos los

temas de IA y qué recursos docentes aplicar?
Esta fase debe dar como resultado un diseño temporal del plan de estu-
dios acorde con la duración total fijada en el punto 2, estableciendo la
distribución de los bloques de contenido tratando de lograr una dificultad
incremental. Para poder hacer esta organización, se deberán definir los
recursos docentes básicos que se utilizarán en el aula, ya que la formación
sobre ellos es parte básica de la temporalización.
6. ¿Qué criterios de evaluación se deben aplicar?

Tras la finalización de las fases anteriores se deben definir unos criterios
de evaluación para los diferentes bloques de contenido acordes con la me-
todologı́a docente. Aunque cada profesor deberá adaptar ligeramente la
evaluación a su grupo concreto de estudiantes, es parte básica del plan de
estudios proporcionar unas guı́as adecuadas al tema concreto.
7. ¿Qué enseñar en cada unidad didáctica y cómo hacerlo?

Con el objetivo de poder validar el plan de estudios, se implementarán uni-
dades didácticas y recursos educativos para el aula. Para ello, se definirán
los contenidos teóricos y prácticos especı́ficos de cada unidad, los objetivos
56
de aprendizaje, conocimientos previos, recursos educativos necesarios, y

los criterios de evaluación concretos.
8. ¿Cómo comprobar que el material creado es válido?

Al concluir el desarrollo de las unidades didácticas, es necesaria la reali-
zación de pruebas con alumnos y educadores de diferentes centros con las
que se podrá determinar la calidad y eficacia del plan de estudios creado.
En esta fase, por una parte, se definirán las pruebas con alumnos, y por
otra, las métricas que determinen la eficacia del material. Esta fase de
validación se llevará a cabo de forma continuada a lo largo del desarrollo
de la tesis.
9. ¿Cómo mejorar el plan de estudios?

La última fase consistirá en la recopilación de datos provenientes de los
centros educativos, con el fin de evaluar la efectividad de los materiales
desarrollados. A partir de los resultados obtenidos por parte de los docen-
tes, se realizarán los ajustes y mejoras necesarias para lograr un material
de calidad que satisfaga las necesidades de los usuarios. Cabe destacar
que este proceso de mejora no se llevará a cabo de manera simultánea,
sino que se irá realizando progresivamente a medida que se desarrollen las
unidades. De esta manera, los errores que se van detectando pueden ser
solucionados en las unidades todavı́a en fase de diseño. Asimismo, se ga-
rantiza una mejora continua del material educativo y se logra una mayor
efectividad en el proceso de enseñanza-aprendizaje.
En el siguiente capı́tulo se detallará el plan de estudios desarrollado en base

a la metodologı́a anterior.
Capı́tulo 5
Desarrollo del plan de

estudios
5.1. Introducción
Un plan de estudios es un documento que establece los objetivos, contenidos,

metodologı́as, evaluación y organización de un programa educativo. Es una guı́a
que define los conocimientos, habilidades y competencias que los estudiantes
deben adquirir durante su proceso de aprendizaje. Asimismo, proporciona una
estructura y secuencia lógica de los contenidos, y suele incluir información sobre
la duración, los recursos necesarios, y las pautas para la evaluación del progreso
y logro de los estudiantes.
En el presente capı́tulo se explicará en detalle el proceso seguido para desa-
rrollar el plan de estudios de IA objeto de esta tesis. La metodologı́a utilizada se
ha descrito en el capı́tulo anterior y trata de responder una serie de preguntas
de investigación en un orden lógico, para definir el ámbito de aplicación, enfoque
pedagógico, temas clave de la IA a tratar, organización temporal, estructura-
ción de las unidades, criterios de evaluación, creación de unidades concretas y
las fases de validación y resultados.
El desarrollo del plan de estudios se ha organizado en tres grandes bloques,
diseño, implementación y validación, que pasamos a describir.
58 5.2. Diseño
5.2. Diseño
La IA no se ha incluido como asignatura en los estudios oficiales preuni-

versitarios hasta la actualidad por diversos motivos. Por un lado, el impacto
social de las tecnologı́as de IA ha sido moderado hasta hace pocos años, por lo
que su enseñanza no se ha considerado como prioritaria dentro de los planes de
educación digital. Por otro, el enfoque clásico de la IA comentado en el capı́tulo
de antecedentes, con una importante base matemática, ha hecho que esta haya
sido una materia compleja, solo válida para los niveles educativos superiores.
Pero las herramientas actuales basadas en IA y las que permiten desarrollar
soluciones con IA han mejorado mucho y se han hecho más fáciles accesibles,
por lo que ahora no se requiere que los alumnos que sean expertos tecnológicos
para utilizarlas.
En consecuencia, la enseñanza de la IA en la educación preuniversitaria es,
como ha quedado justificado en los antecedentes, necesaria y también facti-
ble hoy en dı́a, aunque siguen existiendo necesidades básicas en los sistemas
educativos para llevarla a cabo de manera global: formación adecuada de los
docentes, educación digital previa de los estudiantes a nivel de informática y
programación, equipamiento de las aulas apropiado, y la creación de planes de
estudio formales. Este último punto es el que se pretende investigar en esta tesis
doctoral, partiendo del conocimiento de la situación real de los otros tres.
El plan de estudios que aquı́ se desarrolla tiene como objetivo principal
formar a los alumnos en los fundamentos de la IA para mejorar sus competencias
en una educación digital global y actual. Los estudiantes que sigan el plan de
estudios tendrán una idea clara de lo que es y lo que no es un sistema de IA, de
sus propiedades fundamentales y cómo se pueden lograr. Como consecuencia,
estarán mejor preparados para su formación futura en diferentes ámbitos, para
su entrada en el mercado laboral y, lo que es más importante, para su vida en
una sociedad basada en la IA.
El diseño del plan de estudios se ha estructurado en 7 bloques independientes
y consecutivos: (1) ámbito de aplicación y duración, (2) enfoque de agente inte-
ligente (3) metodologı́a docente, (4) contenidos especı́ficos de IA, (5) objetivos
de aprendizaje, (6) organización temporal y recursos docentes, y (7) criterios de
evaluación.
Capı́tulo 5. Desarrollo del plan de estudios 59
5.2.1. Ámbito de aplicación y duración
El plan de estudios se ha desarrollado para estudiantes europeos de la etapa

preuniversitaria superior, con edades comprendidas entre los 15 y 18 años, y
que cuentan con una formación previa en disciplinas cientı́ficas y técnicas, tales
como fı́sica, matemáticas y programación. Esta decisión se ha tomado en base
a diferentes motivos.
Por un lado, el alcance del plan de estudios se ha establecido para cualquier
nación de la UE. La creación de un plan de estudios válido en todo el mundo
puede ser un desafı́o debido a las diferencias culturales, sociales, económicas y
educativas entre los distintos paı́ses y regiones del mundo. Al diseñar un plan de
estudios, es importante tener en cuenta el contexto especı́fico de los estudiantes
a los que va dirigido, incluso en disciplinas tan técnicas como la IA. Para abordar
las necesidades especı́ficas de los estudiantes en cada contexto existen currı́culos
y estándares educativos establecidos por los gobiernos y autoridades educativas
de cada paı́s o región.
En el caso de los paı́ses de la UE, todas las legislaciones parten de unas
directrices comunes que hace que el desarrollo de un plan de estudios de IA a
nivel más global sea factible. Aun ası́, desarrollar un plan de estudios de IA
para estudiantes de toda la UE es un gran reto, ya que su validación es más
compleja. En este sentido, el soporte proporcionado por el proyecto AI+ ha sido
clave para tomar esta decisión.
Por otro lado, tras el análisis bibliográfico presentado en el capı́tulo de an-
tecedentes de los planes de estudio de IA existentes en la actualidad, y las reco-
mendaciones de diferentes organismos gubernamentales y no gubernamentales,
parece claro que los principales esfuerzos deben ir dirigidos a los estudiantes más
próximos a la educación superior, desde los últimos cursos de la enseñanza se-
cundaria obligatoria hasta la finalización del bachillerato. Durante este periodo
educativo, los estudiantes se encuentran en una etapa crucial de su formación
y están preparándose para ingresar a la educación superior o al mundo laboral.
Esta generación será una de las primeras en enfrentarse a los sistemas de IA
que ya están implantados en numerosas profesiones y sectores, por lo que es
fundamental que estén preparados para aprovechar las oportunidades que esto
les brinda en el mercado laboral. Si bien se consideró la opción de dirigir este
plan de estudios también hacia la Formación Profesional, con alumnado de la
misma edad, se llegó a la conclusión de que, debido al carácter especialista y las
60 5.2. Diseño
implicaciones de la IA en diversas profesiones y sectores, se requerirı́a un plan

especı́fico, por lo que ha quedado fuera del ámbito de esta tesis.
Finalmente, decir que el plan de estudios se ha enfocado a alumnos especia-
lizados en ramas tecnológicas y cientı́ficas. Esto es importante principalmente
porque el enfoque de agente inteligente como sistema situado que se ha esta-
blecido como base requiere de una formación técnica especı́fica para su correcto
seguimiento. Aunque serı́a de gran interés desarrollar un plan de estudios de IA
para especialidades y niveles más generalistas, queda fuera del ámbito de esta
tesis. Esto también limita el alcance de la misma, estableciendo un nicho de
aplicación más concreto que proporciona más fiabilidad a los resultados.
Concretamente, se definen los siguientes conocimientos de base para el se-
guimiento del plan de estudios aquı́ propuesto.
Programación
Los alumnos deben tener experiencia en programación basada en bloques o
equivalente, no siendo necesaria experiencia en programación basada en texto.
Concretamente, se parte de un conocimiento de básico sobre:
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.
3. Números reales.
4. Álgebra básica.
5. El plano cartesiano.
6. Geometrı́a y figuras básicas.
7. Representación básica de funciones.
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.
4. Magnitudes básicas (energı́a, fuerza, masa, etc.).
En cuanto a la duración del plan de estudios, hemos establecido que dos

cursos es un periodo adecuado por diversas razones:
■ Permite que los estudiantes cursen un primer año de introducción a los

conceptos básicos de la IA, nivelación en sus conocimientos de base, y
adaptación al enfoque metodológico. En un segundo curso, se pueden llevar
a cabo proyectos más complejos que impliquen conocimientos técnicos
superiores, y otras competencias digitales como la programación basada
en texto.
■ Permite añadir en el plan de estudios actividades “desconectadas”, que no

requieren de programación ni incluso del uso de un ordenador, donde el
estudiante puede realizar búsquedas e investigación sobre temas actuales
de la IA, fomentando la reflexión y la opinión. Esto se logra al no tener
que cubrir todo el contenido básico en un único curso, ya que se dispone
de más tiempo.
62 5.2. Diseño
5.2.2. Enfoque de agente inteligente
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”:
La IA se refiere a los sistemas máquina que pueden, dado un con-

junto de objetivos humanos, hacer predicciones recomendaciones o
decisiones que influyen en entornos reales o virtuales. Los sistemas de
IA interactúan con nosotros y actúan sobre nuestro entorno, directa
o indirectamente. A menudo, parecen funcionar autónomamente, y
pueden adaptar su comportamiento aprendiendo sobre el contexto.
(UNICEF, 2021, p. 16)
Sobre esta definición básica, haremos una complementaria para el ámbito

educativo que nos afecta, a modo de marco de trabajo:
La IA es un campo de las Ciencias de la Computación que trata

de simular la inteligencia humana en los sistemas computacionales.
Más concretamente, la IA proporciona a un sistema artificial de base
computacional, es decir, no biológico, la capacidad de resolver pro-
blemas de forma autónoma, sin intervención humana, en el entorno
en el que está situado. Para ello, el sistema inteligente puede apren-
der de la experiencia, adaptarse a nuevas situaciones y razonar sobre
la mejor manera de resolver un problema.
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.
La figura 5.1 representa el concepto de agente inteligente que interactúa

con su entorno en un ciclo continuo de operación. Podrı́a ser aplicado a un
ser vivo (función de relación con el medio) o a un sistema computacional (una
máquina), como es el caso aquı́. El entorno donde el agente está situado puede
ser real o virtual. Los entornos reales pueden ser no deterministas, dinámicos,
parcialmente observables y continuos (Russell and Norvig, 2021), propiedades
que aumentan la complejidad de la solución, mientras que los virtuales son más
controlables y, por lo general, más sencillos para un agente inteligente.
Figura 5.1: Esquema de funcionamiento de un agente inteligente situado.
Pero independientemente de esto, la clave de este enfoque es que existien-

do un entorno donde el agente “vive”, son de enorme importancia las etapas
de percepción y actuación representadas en la figura 5.1. El agente inteligente
debe poseer unos sensores que proporcionan datos del entorno, y que son la
base de los procesos computacionales internos que veremos a continuación. Es
fundamental que los estudiantes comprendan las bases de la percepción, la cap-
tura de datos y su tratamiento. Por otro lado, el agente tiene unos actuadores
que le permiten ejecutar acciones en el entorno, pero en problemas reales no
64 5.2. Diseño
siempre está garantizado que la acción seleccionada logre el efecto deseado, ni

que se ejecute en los tiempos previstos, por ejemplo. Es también básico que los
estudiantes lo comprendan y experimenten.
Es decir, el enfoque de agente inteligente trae consigo el concepto de incer-
tidumbre en la percepción y en la actuación, y el conocimiento de sus implica-
ciones es fundamental para realmente comprender la IA aplicada. El enfoque
clásico de la IA más simbólica se ha centrado en procesos de razonamiento de
más alto nivel, asumiendo que las etapas de percepción y actuación no tenı́an
incertidumbres relevantes, pero en el marco de esta tesis consideramos que no
es un enfoque adecuado para esta etapa educativa, quedando reservado para
estudios superiores.
Volviendo al esquema de la figura 5.1, el bloque agente representa al sistema
computacional, y dentro incluye otros bloques funcionales que le permiten lograr
las propiedades inteligentes deseadas. De forma general, la figura 5.2 contiene
un esquema de cuáles son estos bloques básicos y cuáles son sus relaciones.
Figura 5.2: Bloques funcionales de un agente inteligente.
Podemos ver que está compuesto por 5 bloques o subsistemas, vinculados

con la Sensorización y Actuación como se ha explicado anteriormente. Estos 5
bloques son los siguientes:
1. Motivación: el agente debe tener algún tipo de motivación para ope-

rar, es decir, debe cumplir algún objetivo o misión. La motivación puede
ser impuesta por el diseñador, o puede ser aprendida por el agente, lo
que implica un mayor nivel de autonomı́a. Este bloque está directamente
relacionado con el enfoque de IA débil (centrada en resolver una tarea
concreta) y de IA fuerte (centrada en lograr un aprendizaje similar al
humano).
2. Representación: los datos procedentes de los sensores deben ser pro-

cesados y almacenados en el sistema computacional bajo algún tipo de
representación digital, la cual condiciona el resto de los procesos.
3. Razonamiento: el agente debe seleccionar la acción a aplicar en el en-

torno siguiendo algún tipo de proceso de decisión autónomo, que puede ser
simple, reactivo o basado en reglas, o más complejo, utilizando modelos
internos, optimización y planificación.
4. Aprendizaje: todo agente inteligente debe aprender de la experiencia.

Esta funcionalidad es muy relevante, ya que proporciona la propiedad de
crear modelos que generalizan las observaciones, y que permiten adaptarse
a nuevas situaciones y, en consecuencia, ser realmente autónomo.
5. Memoria: aunque este es un bloque más operativo que de funcionalidad,

en agentes que resuelven problemas reales, es básico disponer de diferen-
tes tipos memoria a corto y largo plazo para almacenar datos, modelos
aprendidos, y procesos de razonamiento aplicados.
Los bloques anteriores constituyen el núcleo básico de un agente inteligente,

pero no todos estarán presentes siempre, ni tendrán el mismo nivel de com-
plejidad. Por ejemplo, un agente inteligente pudo ser diseñado con un sistema
de razonamiento muy avanzado para dar solución autónomamente a situacio-
nes complejas, y soportar ciertas variaciones en el entorno, sin utilizar para
ello aprendizaje. Pero para lograr un nivel de autonomı́a mayor, y resolver las
mismas situaciones en entornos nuevos o afrontar nuevas tareas, requiere de
aprendizaje.
Distinguir entre una IA fuerte, centrada en diseñar agentes capaces de apren-
der por sı́ mismos que repliquen un nivel cognitivo como el humano, y la IA
débil, centrada en resolver problemas especı́ficos, es de gran relevancia en esta
etapa educativa. Pero es importante que los estudiantes sean conscientes de que,
66 5.2. Diseño
en un esquema general como el de la figura 5.2 encajan ambas aproximaciones,

aunque la segunda es el objetivo de los planes de estudio que se están desarro-
llando y, por tanto, la que afecta más a su formación. Los bloques mostrados en
el esquema son la base para la definición de los temas de IA que conformarán
los contenidos del plan de estudios.
5.2.3. Metodologı́a docente
En el 2018, el Ministerio de Ciencia, Innovación y Universidades creó un gru-

po interministerial compuesto por nueve ministros y la Oficina Económica del
presidente del Gobierno para elaborar un plan que impulse la transformación
digital de la economı́a española para mejorar la competitividad y el crecimiento
económico. Este grupo trabaja de manera activa en la elaboración de la Es-
trategia Nacional de Inteligencia Artificial (Ministerio de Ciencia, Innovación y
Universidades, 2020), que debe estar alineada con las recomendaciones europeas
(Comisión Europea, 2018).
Uno de los puntos clave de estas estrategias es la educación, para la cual no
se detallan programas ni metodologı́as, pero sı́ se recomienda seguir un enfoque
centrado en una IA especı́fica, basado en la enseñanza de la IA débil comentado
en el punto anterior. Esto implica que los estudiantes aprendan las bases de la
IA mediante la resolución de problemas concretos en dominios especı́ficos.
Si relacionamos esta recomendación con el enfoque de agente inteligente, nos
encontramos con un planteamiento práctico de la enseñanza en IA, que debe
ir más allá del enfoque tradicional de desarrollo de soluciones en el entorno
virtual del ordenador para tratar de resolver problemas en el mundo real. En
consecuencia, esta materia se desplazará de su área de desarrollo tradicional
dentro de las Ciencias de la Computación hacia otras más interdisciplinares,
que combinen conocimientos de varias ramas técnicas y sociales.
En el marco de esta tesis, se ha decidido que el plan de estudios siguiera
un enfoque STEAM, como se muestra en la 5.3). Este tipo de metodologı́a se
centra en el aprendizaje integrado de diferentes conceptos técnicos, cientı́ficos
y artı́sticos a través de un enfoque de ingenierı́a (Sanders, 2009). La IA es un
campo que encaja a la perfección en la metodologı́a STEAM, ya que requiere
de conocimientos de diferentes disciplinas tecnológicas para resolver problemas,
como las matemáticas, la programación, la informática, la fı́sica, y donde las
soluciones creativas son un elemento central ya que se busca la originalidad

para afrontar la resolución de dichos problemas de forma autónoma.
A nivel de implicaciones metodológicas, el seguir un enfoque STEAM es-
tablece unas directrices básicas que permiten la integración de materias y el
enfoque de ingenierı́a, y descarta otras aproximaciones. Inicialmente, se estu-
diaron metodologı́as como el aprendizaje activo y el diseño centrado en el usua-
rio. La primera de ellas se basa en la participación de los estudiantes en su
propio proceso de aprendizaje. Suele incluir actividades como debates, discu-
siones e investigaciones y proporciona oportunidades para que los estudiantes
sean activos y participen en actividades prácticas y creativas, lo que promueve
la comprensión profunda y significativa del contenido. Por otra parte, el diseño
centrado en el usuario se basa en la comprensión de las necesidades y deseos de
los usuarios para el diseño de productos o soluciones. Esta metodologı́a obliga a
los estudiantes considerar a las personas como usuarios finales de sus proyectos
o soluciones, y diseñen pensando en sus necesidades.
Figura 5.3: Metodologı́a seguida en el plan de estudios.
En el estudio del campo realizado, también se consideró la viabilidad de

implementar el enfoque del aprendizaje cooperativo. Esta metodologı́a se basa
en concebir el entorno educativo como una comunidad de aprendizaje en la
cual todos los participantes, bajo la guı́a del docente, se brindan apoyo mutuo
para facilitar el proceso de enseñanza-aprendizaje (Pujolàs and Lago, 2011).
Cada estudiante asume roles y responsabilidades especı́ficos dentro del grupo,
centrándose en la ayuda y el respaldo mutuo para alcanzar tanto las metas
individuales como las del grupo en su conjunto.
Por último, se contempló la viabilidad de implementar una metodologı́a
de aprendizaje basado en proyectos (ABP). Se trata de un modelo en el que
“los estudiantes trabajan de manera activa, planean, implementan y evalúan
68 5.2. Diseño
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)
Para aplicar la metodologı́a ABP, el conocimiento por sı́ solo no es suficiente.

Es fundamental que los estudiantes sean capaces de trabajar de forma indepen-
diente, ser asertivos y resolver problemas (Neira et al., 2016). Para lograrlo, se
han identificado 7 pasos clave, representados en la figura 5.4, que se pueden
resumir en las 5 fases tı́picas de un proyecto de ingenierı́a, las cuales deberán
ser comprendidas y aplicadas por los estudiantes:
1. Análisis del problema y captura de requisitos. Pasos 1, 2 y 3 de la

metodologı́a ABP.
2. Organización y planificación. Paso 4 de la metodologı́a ABP.
3. Diseño de la solución. Paso 5 de la metodologı́a ABP.
4. Validación de la solución. Pasos 6 de la metodologı́a ABP.
5. Presentación de resultados y documentación. Paso 7 de la metodo-

logı́a ABP.
La implementación de la solución se llevará a cabo mediante la programación

de la misma, utilizando para ello herramientas adaptadas a la edad. Por tanto,
el enfoque metodológico que se propone es el de desarrolladores de IA, con el
objetivo de comprender las bases de este campo desde la resolución de problemas
especı́ficos. Obviamente, este enfoque es muy ambicioso para esta etapa, pero
teniendo en cuenta los avances en las herramientas educativas y las librerı́as de
programación disponibles, se propone aquı́ como viable analizar su efectividad.
Partiendo de la metodologı́a ABP, se tomarán integrarán también otras ideas
del resto de metodologı́as. Por ejemplo, para ciertos temas se considera útil
proponer actividades de investigación, reflexión y debate, donde el alumnado
realiza una participación activa en el proceso de aprendizaje. Esto, además de
trabajar otras competencias, es positivo para no sobrecargar el plan de estudios
de tareas de programación a esta edad. Por otro lado, para la resolución de los
retos, los estudiantes deben considerar siempre a las personas como usuarios
finales de sus proyectos, y diseñar sus soluciones pensando en las necesidades
de los futuros usuarios.
Finalmente, para aquellas unidades que ası́ lo requieran, se propone seguir
una metodologı́a de aprendizaje cooperativo, en la cual los estudiantes trabajan
en grupo y toman diferentes roles. Esto permite una distribución equitativa de
las responsabilidades y tareas en el desarrollo de un proyecto, que los estudiantes
se vuelvan más activos y comprometidos con el proceso y tengan la oportunidad
de desarrollar y mejorar habilidades relevantes para la resolución de problemas.
En concreto, se propone organizar la clase en grupos de cuatro alumnos
como máximo. Considerando que los miembros del grupo se denotan por A1,
A2, A3 y A4, se propone la siguiente organización en 3 roles para los retos de
desarrollo:
70 5.2. Diseño
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.
2. Programador (A2, A3): Es el responsable de la programación de la

solución. Realiza el diseño del programa utilizando para ello un diagrama
de flujo, pseudocódigo o similar. Una vez terminado el diseño, realiza su
implementación en el lenguaje de programación seleccionado y comprueba
su funcionamiento con la ayuda del gestor del tiempo y del gestor de las
herramientas.
3. Gestor de las herramientas (A4): Se encarga de que todas las he-

rramientas necesarias para resolver el reto estén disponibles y operativas.
Esto incluye equipos informáticos, programas para la programación y cual-
quier dispositivo real que pueda hacer falta.
Esta división en roles debe mantenerse a lo largo de la unidad que se esté

trabajando, pero a su vez debe seguir un patrón de rotación, de forma que al final
de cada unidad, cada alumno haya tomado cada uno de los roles. No es necesario
que todas las unidades requieran una organización como la anterior, bien porque
no impliquen un desarrollo de programación, bien porque se deban realizar
de forma individualizada. En la sección 5.2.6 se establecerán los objetivos de
aprendizaje y se definirán qué tipos de unidades son susceptibles de utilizar una
organización en grupos.
5.2.4. Contenidos especı́ficos de IA
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
5. Razonamiento
6. IA colectiva
7. Motivación
8. Impacto de la IA (sostenibilidad, ética y aspectos legales)
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
puede modificarse o no, por lo que es necesario volver a percibirlo en un ciclo

continuo (función de relación).
En muchos sistemas autónomos que operan en el mundo real, la actuación
del agente se basa en el uso de motores, ya que estos permiten realizar acciones
mecánicas, como mover unas ruedas, agarrar con una pinza, o subir una ventana.
Pero en el ámbito de la IA, debe considerarse un concepto más general de
acción, no sólo mediante motores. Los alumnos deben entender que los agentes
pueden actuar en su entorno mediante altavoces, pantallas e incluso mediante
comunicación directa.
Un área de aplicación básica en la IA es la interacción natural, centrada en
los procesos que implican interactuar con humanos. En esta área, la percepción
y actuación están muy acopladas, y las interacciones con humanos mediante
creación y reconocimiento de habla, gestos, e información visual, son funda-
mentales.
3. Representación
El concepto de representación se refiere a cómo la información digital es
codificada y organizada en un formato que pueda ser procesado y utilizado in-
ternamente por el sistema computacional que da soporte a los bloques internos
del agente. Una representación adecuada es clave para el funcionamiento ópti-
mo, ya que puede simplificar o complicar las etapas más complejas como el
razonamiento o el aprendizaje.
Se trata de un aspecto totalmente nuevo en esta etapa educativa, que re-
quiere de una base matemática mayor, sobre todo a nivel de abstracción, por
lo que es necesario desarrollar materiales y recursos adaptados que simplifiquen
su comprensión. En este sentido, no es necesario profundizar en aspectos muy
avanzados para este nivel educativo pero sı́ que conozcan y comprendan concep-
tos básicos como las representaciones mediante grafos, árboles, mapas regulares
o una introducción a la representación simbólica.
4. Razonamiento
El razonamiento es un proceso interno al agente en el cual selecciona la acción
más apropiada a ejecutar en cada instante de tiempo. El razonamiento responde
a la pregunta: ¿qué debe hacer ahora el agente para alcanzar sus objetivos?
Para tomar esta decisión, se deben considerar la percepción actual, el estado del
agente, la motivación (objetivo), el historial de percepciones pasadas (memoria),
el conjunto de acciones posibles, y también es habitual utilizar modelos que

permitan hacer un razonamiento interno (deliberación).
Dependiendo del nivel de complejidad del agente inteligente, el razonamiento
puede ser simple, como una reacción o regla que selecciona la acción a partir
de la percepción, o mucho más costoso, implicando un proceso de búsqueda
sobre modelos y representaciones. De nuevo, este es tema totalmente nuevo en
esta etapa educativa, que puede requerir de un nivel matemático avanzado para
comprenderlo en toda su amplitud. Por eso es necesario desarrollar recursos
educativos adaptados.
Los estudiantes deberán conocer los fundamentos del razonamiento mediante
técnicas sencillas de búsqueda en grafos, razonamiento probabilı́stico, optimi-
zación de funciones y sistemas basados en reglas. También es relevante a esta
edad que conozcan la dependencia entre representación y razonamiento, y como
una elección adecuada de la primera podrı́a simplificar el segundo.
5. Aprendizaje
El aprendizaje automático es el campo de las ciencias de la computación
en el cual se desarrollan algoritmos y modelos estadı́sticos que los sistemas
computacionales utilizan para hacer predicciones o tomar decisiones sin utilizar
instrucciones explı́citas, basándose en patrones e inferencias generados a partir
de datos.
Tener la capacidad de aprender es básico para muchos seres vivos, ya que
permite adaptarse al entorno y mejorar a la hora de tomar decisiones. Es tam-
bién una funcionalidad clave de un agente inteligente el que pueda aprender de
su experiencia, generalizando la información que percibe. El objetivo es que el
agente pueda mejorar su rendimiento con el tiempo de forma autónoma, para
adaptarse a nuevas situaciones y entornos, o incluso mejorar su comportamiento
y capacidad para realizar tareas para las que no fueron programados explı́cita-
mente.
Pero este enfoque de aprendizaje en tiempo real, o asociado a la adaptación
al entorno y la tarea por parte del agente, está más cercano a la IA fuerte que
a la IA débil, ya que implica un cierto nivel de consciencia para detectar que
no se está logrando el objetivo. Por ese motivo, una aproximación de este tipo
queda, por ahora, fuera del alcance del plan de estudios que aquı́ se plantea.
El enfoque educativo del aprendizaje automático se debe centrar más en la
74 5.2. Diseño
creación de modelos a partir de datos, y como esto permite obtener información

y conocimiento. Estos modelos pueden ser aprendidos “off-line” (antes de la
operación del agente) y luego aplicados “on-line” (en tiempo de ejecución), no
contemplando aquı́ la posibilidad de que se adapten. Esto no quiere decir que el
agente no tenga una cierta capacidad de adaptación al entorno o la tarea, pero
será muy limitada.
Concretamente, los alumnos deberán aprender cómo funcionan las etapas
del proceso de aprendizaje: captura de datos, preparación, entrenamiento de
los modelos y evaluación de resultados. También es básico que comprendan los
principales enfoques del aprendizaje automático: supervisado, no supervisado
y por refuerzo. Para ello, podrán utilizar librerı́as y herramientas digitales ya
existentes. De hecho, es en el tema de la IA donde podemos encontrar un mayor
número de recursos adaptados a esta edad.
6. IA colectiva
Los futuros sistemas de IA estarán interconectados creando una red de IA
colectiva. Esta tendrá la capacidad de combinar y utilizar los conocimientos,
habilidades y capacidades de múltiples agentes interconectados para resolver
problemas o realizar tareas de manera colaborativa.
Esta área de la IA permite aprovechar la diversidad y variedad de perspec-
tivas y enfoques de múltiples sistemas o agentes de IA y mejorar la capacidad
de resolución de problemas, una mayor adaptabilidad a cambios y, gracias a
la combinación de información, ayuda a mejorar los resultados obtenidos por
agentes independientes.
Los estudiantes deberán conocer los fundamentos de los sistemas multiagen-
te, utilizando sistemas simples interconectados. También es clave comprender el
ámbito de la inteligencia ambiental, como campo que engloba diferentes siste-
mas distribuidos, mayormente instalaciones o edificios que dan lugar a entornos
inteligentes de diferente amplitud (Smart Home, Smart Industry, Smart City).
7. Motivación
En la IA débil, los objetivos a alcanzar por los agentes están establecidos
por los diseñadores a priori. En consecuencia, los sistemas de IA especı́ficos,
resuelven mayormente una única tarea o una serie de tareas predefinidas. Sin
embargo, para lograr sistemas con un mayor nivel de autonomı́a, como los bus-
cados en la IA fuerte, es necesario que sean capaces de descubrir sus propias
metas y aprender a alcanzarlas. Este es el tema principal que se trabaja en el

campo de la motivación en IA.
Por lo tanto, este es un tema que introduce a los estudiantes en la IA fuerte, y
se aleja de las recomendaciones de la UE. Pero consideramos relevante incluirlo
en el plan de estudios como base para hablar de la IA general y sus implicaciones.
En este ámbito, los estudiantes deberı́an conocer los conceptos de aprendizaje
por imitación y demostración, asociados a la creación de nuevos objetivos en
tiempo real, ası́ como la ideas detrás de la motivación intrı́nseca, la consciencia,
o la meta-cognición.
8. Impacto de la IA (sostenibilidad, ética y aspectos legales)
La introducción de la IA en la sociedad tendrá un impacto significativo, lo
cual planteará nuevos desafı́os que deberán abordarse. Es de gran importancia
que los estudiantes sean conscientes de ellos, para poder contribuir de manera
informada y responsable en el desarrollo y aplicación de la tecnologı́a.
El impacto de la IA puede ser analizado en diversos aspectos, pero es im-
portante que los estudiantes reciban una visión realista y formal de sus pros
y contras. En este plan de estudios se propone focalizar la atención en tres
aspectos: sostenibilidad, ética y aspectos legales.
La alta demanda computacional de los sistemas de IA, a nivel de cómputo y
almacenamiento, implica que su sostenibilidad debe analizarse en detalle, por-
que las consecuencias podrı́an ser importantes. Se trata de una tecnologı́a que
debe ser utilizada de manera que no agote los recursos naturales y minimice su
impacto negativo en el medio ambiente. Por otro lado, su contribución a los Ob-
jetivos de Desarrollo Sostenible (Naciones Unidas, 2019) es de gran relevancia
futura, y los estudiantes deben ser conocedores de sus posibles beneficios.
Es fundamental estudiar las implicaciones éticas de la IA para comprender
y abordar los dilemas que pueden surgir en el diseño, desarrollo y aplicación de
sistemas de IA. En este sentido, se deben tratar temas relacionados con el uso
de los datos, la identidad, la privacidad, la toma de decisiones automática, la
creación de perfiles, etc.
Por último, en lo referente a los aspectos legales, la IA plantea numerosos
desafı́os relativos a la protección de datos y la responsabilidad legal en caso de
errores o consecuencias negativas causadas por sistemas de IA. El conocimiento
básico de los aspectos legales de la IA es importante a esta edad para que los
76 5.2. Diseño
estudiantes sean conscientes de a qué se exponen con su uso y con su desarrollo.

Una vez presentados los ocho temas básicos de la IA a tratar en el plan de
estudios, en el diagrama de la figura 5.5 se muestra una representación gráfica
de sus interrelaciones. Esta representación simula un sistema multiagente, en el
cual los aspectos legales, la ética y la sostenibilidad rodean el sistema, porque
son de aplicación en el resto de los temas de la IA. El sistema multiagente está
formado por agentes inteligentes representados por semiesferas, que “coexisten”
en un mismo entorno global mediante el cual se comunican.
Figura 5.5: Temas incluidos en el plan de estudios sobre el ecosistema de la IA.
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
controla el funcionamiento global al establecer los objetivos del mismo.

Como se ha explicado en los antecedentes (capı́tulo 2), la iniciativa más re-
levante para el desarrollo de currı́culos formales de IA para secundaria es la
de AI4K12 (2023), y la mayor parte de las demás siguen sus recomendaciones
(UNESCO, 2022). En ella se proponen 5 ideas de IA como fundamento para los
conocimientos básicos que los estudiantes deben adquirir en este nivel: percep-
ción, representación y razonamiento, aprendizaje, interacción natural e impacto
social. Como se puede observar, esta selección de temas se tomó también como
inspiración aquı́ para el plan de estudios, con algunas variaciones. La percepción
y la interacción natural se consideran en la propuesta actual en los temas de
percepción y actuación, con una perspectiva más general que la que se refiere
únicamente a la interacción con humanos, principalmente en la parte de actua-
ción. La representación y el razonamiento también se han mantenido en el plan
de estudios actual, aunque como temas independientes. Está clara la depen-
dencia entre ellos, pero como la representación afecta a otros procesos, como el
aprendizaje, se decidió mantenerlos separados. El aprendizaje y el impacto so-
cial son temas clave, y se tratan tanto en este currı́culum como en AI4K12. Por
último, aquı́ se incluyen dos temas no considerados en AI4K12, la IA colectiva
y la motivación. El primero nos parece básico de cara a una formación a medio
y largo plazo con un enfoque de IA especı́fica, y aparecerán numerosos recursos
para el aula en este ámbito. El segundo es más original y arriesgado, por lo que
se deberá valorar su aceptación por parte de los profesores y estudiantes de esta
edad.
Finalmente, se debe destacar que las unidades didácticas que darán forma al
plan de estudios no deberán incluir unos contenidos teóricos sobre IA en estos
ochos temas, sino que serán trabajados con la metodologı́a de aprender hacien-
do establecida en el capı́tulo anterior. Son numerosas las fuentes bibliográficas
libres sobre los fundamentos de IA, e irán apareciendo más en el futuro, por
lo que se recomendarán algunas de ellas pero es labor del profesor mantenerlas
actualizadas.
5.2.5. Objetivos de aprendizaje
Los objetivos de aprendizaje son fundamentales en cualquier plan de estu-

dios, ya que guı́an el proceso de enseñanza-aprendizaje. A continuación, se deta-
llan los objetivos del presente plan de estudios, tanto generales como especı́ficos.
78 5.2. Diseño
Estos objetivos establecen las metas a alcanzar y proporcionan dirección a los

docentes a la hora de enfocar el proceso de formación.
Tabla 5.1: Objetivos de aprendizaje del plan de estudios.
OBJ 1 Desarrollar una comprensión general del término de inteligencia artificial

(IA) como un campo tecnológico que busca resolver problemas del mundo
real de manera autónoma.
1.1 Explorar las bases de la inteligencia natural como fuente de inspiración

para la creación de sistemas artificiales que la imiten.
1.2 Reconocer la importancia de incorporar propiedades funcionales asocia-
das a la inteligencia natural, como la adaptación, el razonamiento y el
aprendizaje en sistemas artificiales para lograr automatizar procesos.
1.3 Adquirir una perspectiva actualizada de la IA como una tecnologı́a en
constante evolución que busca resolver de manera autónoma problemas
del mundo real, aplicando conceptos y técnicas avanzadas en el desarrollo
de sistemas computacionales.
1.4 Comprender la importancia de la autonomı́a en los sistemas artificiales
y su capacidad para adaptarse y aprender en diferentes contextos.
1.5 Explorar el desarrollo de este campo a lo largo del tiempo y familiari-
zarse con la diferencia entre la IA débil, que se enfoca en resolver tareas
especı́ficas de manera autónoma y ya está presente en la sociedad, y la
IA fuerte, que se centra en crear agentes inteligentes capaces de aprender
a resolver cualquier problema de manera similar a un ser humano, y que
se centra en simular inteligencia sin un fin especı́fico.
1.6 Explorar el concepto de IA débil mediante el estudio de sistemas inteli-
gentes reales utilizados para tareas especı́ficas y acotadas, comprendiendo
sus limitaciones y capacidades en comparación con la IA fuerte.
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.
2.1 Comprender el concepto de agente inteligente como un sistema compu-

tacional capaz de percibir su entorno a través de sensores, tomar deci-
siones y actuar de manera autónoma para alcanzar objetivos especı́ficos.
2.2 Reconocer las áreas principales de la IA (percepción, actuación, repre-
sentación, razonamiento, aprendizaje, IA colectiva y motivación) en los
agentes inteligentes que operan en campos especı́ficos de aplicación de la
IA, resolviendo problemas del mundo real.
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.
OBJ 3 Crear sistemas inteligentes que resuelvan de manera automática proble-

mas concretos en el mundo real mediante la programación de las solucio-
nes, comprendiendo el proceso de pensamiento computacional aplicado
y las limitaciones de las soluciones alcanzadas.
3.1 Comprender el concepto de algoritmo para resolver problemas y diferen-

ciarlo del algoritmo para aprender un modelo a partir de datos. Imple-
mentar algoritmos que proporcionen una respuesta autónoma al agente,
basados en la percepción, la representación y el razonamiento.
3.2 Reflexionar sobre la estrategia de resolución de problemas aplicada y
sobre el pensamiento computacional requerido.
3.3 Conocer los diferentes tipos de aprendizaje automático que pueden uti-
lizar los agentes inteligentes, y las etapas del proceso de aprendizaje de
modelos a partir de datos.
3.4 Programar soluciones sencillas utilizando librerı́as y herramientas de IA,
y resolviendo problemas especı́ficos utilizando simuladores y dispositivos
reales.
3.5 Crear soluciones que involucren todas las áreas de la IA en el proceso,
identificando y describiendo las principales herramientas utilizadas en la
creación de soluciones de IA.
3.6 Reconocer las tecnologı́as fundamentales que respaldan las áreas prin-
cipales de la IA, como el procesamiento de lenguaje natural, la visión
artificial y el aprendizaje automático. Analizar cómo estas tecnologı́as se
aplican en sistemas inteligentes para resolver problemas del mundo real
y mejorar la toma de decisiones en diferentes campos de la sociedad.
OBJ 4 Analizar y evaluar el impacto social y ético de la IA mediante el desarro-

llo del pensamiento crı́tico, con el objetivo de identificar los beneficios,
desafı́os y riesgos asociados a su uso y aplicación diaria en la sociedad,
teniendo en cuenta la normativa emergente y analizando el proceso de
cumplimiento de la seguridad digital, la igualdad y la equidad social.
80 5.2. Diseño
4.1 Explorar y examinar las potenciales implicaciones éticas y ambientales

derivadas de la aplicación diaria de la IA, analizando sus riesgos y en
diversos campos.
4.2 Analizar en profundidad las diversas implicaciones éticas y polı́ticas aso-
ciadas al diseño y uso de sistemas de IA, ası́ como el impacto humano y
la influencia de los sesgos en los procesos de toma de decisiones automa-
tizados.
4.3 Reflexionar sobre las consideraciones éticas y legales asociadas al desa-
rrollo de sistemas inteligentes, asegurando la privacidad de los datos, la
transparencia en los algoritmos y evitando sesgos y discriminación.
4.4 Explorar las oportunidades y desafı́os que la IA presenta para mejorar la
calidad de vida en diferentes contextos sociales, económicos y culturales.
4.5 Conocer la normativa emergente y comprender su relevancia en el diseño,
desarrollo y uso de sistemas de IA y promover el uso y desarrollo res-
ponsable, seguro y consciente de las herramientas digitales y tecnologı́as
relacionadas con la IA.
5.2.6. Organización temporal y recursos docentes
En esta sección, se presentará la organización temporal y los recursos do-

centes recomendados en el plan de estudios de IA. Estos elementos son funda-
mentales para proporcionar una estructura coherente y ofrecer a los estudiantes
una experiencia educativa efectiva y enriquecedora.
Como se explicó anteriormente, el plan de estudios propuesto se divide en
dos cursos, cada uno con un enfoque especı́fico y una progresión gradual en la
complejidad y profundidad de los temas de IA. En el primero, se establece un
enfoque más introductorio. Durante este perı́odo, se dará una introducción a
las diferentes áreas de IA mediante actividades de búsqueda de información,
pero mayoritariamente de programación de dispositivos mediante herramientas
basadas en bloques, cuyo conocimiento es un pre-requisito para los estudiantes.
En el segundo, se adoptará un enfoque más técnico y se introducirá la progra-
mación basada en texto. Durante este curso, se abordarán temas más avanzados
relacionados con la programación en lenguajes como Python y el uso de librerı́as
para realizar aplicaciones de IA más complejas. Asimismo, se enfatizará en el
desarrollo de proyectos prácticos de mayor complejidad que permitan a los es-
tudiantes poner en práctica sus conocimientos y habilidades en la creación de

sistemas con un mayor grado de inteligencia.
Cuando comiencen a trabajar con lenguajes basados en texto se recomienda
que los estudiantes realicen las unidades de forma individual, es decir, se limi-
ta el trabajo en grupo. Esta estrategia tiene como objetivo facilitar un mejor
aprendizaje de la programación, dando a cada alumno la oportunidad de invo-
lucrarse directamente en el proceso y adquirir una comprensión más sólida de
los conceptos, que son de gran relevancia para lograr un aprendizaje apropiado.
Por otro lado, durante los dos cursos del plan de estudios se deberán abordar
los ocho temas principales de IA establecidos en el apartado 5.2.4, aunque se
profundizará de manera diferente en cada uno de ellos. Se recomienda dedicar
un 70 % de la carga lectiva a los temas de sensorización, actuación, aprendizaje e
impacto de la IA. Por otro lado, un 20 % de la carga total será para los temas de
representación y razonamiento, nuevos en esta etapa educativa. Finalmente, el
10 % restante será para los temas de IA colectiva y motivación. Esta estructura
de contenidos proporciona un mayor peso a los temas de IA más adecuados a
esta edad, donde existen más recursos para los docentes, y donde residen los
factores de mayor importancia en un enfoque de agente inteligente.
En cuanto a los recursos docentes, se recomienda que estos permitan a los es-
tudiantes realizar proyectos prácticos mediante la programación de dispositivos
que operen en el mundo real. El enfoque principal es fomentar el pensamiento
y la práctica orientada a la ingenierı́a, donde los alumnos tengan la oportuni-
dad de diseñar, implementar y probar soluciones reales. Pero, para lograr una
implantación efectiva, es importante recomendar el uso de herramientas que
dispongan de simulador.
Es de gran relevancia este aspecto, ya que la experiencia del equipo de in-
vestigación de la UDC en el campo de la robótica educativa ha demostrado que
trabajar en entornos simulados antes de pasar a situaciones reales ofrece bene-
ficios significativos. Los simuladores permiten a los estudiantes experimentar y
probar diferentes enfoques sin las limitaciones o errores que podrı́an surgir en
el mundo fı́sico. Esto evita que el enfoque se desvı́e hacia problemas menores,
pruebas y errores innecesarios, y permite un enfoque más eficiente y centrado en
la solución. Por tanto, en el marco de este plan de estudios se recomienda que
alrededor del 70 % del tiempo de programación se debe realizar en simulación y
el 30 % restante a su aplicación al caso real.
82 5.2. Diseño
En términos de recursos especı́ficos, se recomienda tener en cuenta la ca-

pacidad de cómputo necesaria para llevar a cabo los proyectos, normalmente
limitada en los centros educativos públicos. Además, se deben considerar enfo-
ques prácticos (en inglés “hands-on”), que permitan a los estudiantes no solo
programar, sino manipular elementos del mundo real, como aplicaciones móvi-
les, robótica, realidad virtual, sistemas de recomendación para usuarios, visión
por computador y otras áreas afines.
5.2.7. Criterios de evaluación
La evaluación es un componente esencial en el diseño y desarrollo de uni-

dades didácticas debido a varios aspectos clave. Por ejemplo, permite a los
docentes obtener información sobre el progreso y el desempeño de los estudian-
tes, los ayuda a ajustar y adaptar su proceso de enseñanza en función de los
resultados obtenidos, verificar si los objetivos de aprendizaje establecidos para
la unidad didáctica se están alcanzando y, además, motiva a los estudiantes a
seguir aprendiendo.
A continuación, se exponen los criterios de evaluación propuestos para este
plan de estudios, los cuales establecen metas a alcanzar y proporcionan una
dirección clara para los estudiantes en su proceso de formación. Asimismo, se
planteará una posible metodologı́a de evaluación acorde con la metodologı́a
docente del plan de estudios.
Tabla 5.2: Criterios de evaluación del plan de estudios.
Bloque 1. Introducción a la IA.

CA1.1 Diferenciar entre inteligencia natural y artificial comprendiendo lo que
significa simular la inteligencia en un sistema computacional.
CA1.2 Entender la IA como una tecnologı́a que resuelve problemas del mundo
real de manera autónoma.
CA1.3 Comprender la evolución histórica de la IA y distinguir entre IA débil y
IA fuerte, reconociendo sus enfoques y capacidades.
CA1.4 Identificar sistemas inteligentes reales de IA débil en aplicaciones especı́fi-
cas, comprendiendo sus limitaciones y capacidades en contraste con la
IA fuerte.
Bloque 2. Áreas de la IA.
CA2.1 Conocer las principales áreas de la IA en el contexto de un agente inte-
ligente que interactúa con su entorno.
CA2.2 Identificar en sistemas inteligentes reales las principales áreas de IA.

CA2.3 Reconocer los problemas debidos a incertidumbres en los datos y en los
resultados obtenidos causados por el enfoque de sistema ubicado en el
entorno.
CA2.4 Relacionar los aspectos básicos de los agentes inteligentes con su funcio-
namiento y potencialidad.
Bloque 3. Tecnologı́as de la IA.
CA3.1 Aplicar algoritmos para lograr respuestas autónomas de los agentes ba-
sadas en percepción, representación y razonamiento.
CA3.2 Reconocer los diferentes tipos de aprendizaje automático y sus etapas
del proceso de aprendizaje.
CA3.3 Realizar soluciones reales utilizando herramientas de IA.
CA3.4 Identificar tecnologı́as de IA para resolver problemas y tomar decisiones
en diferentes campos.
Bloque 4. Ética de la IA.
CA4.1 Analizar los aspectos éticos de la IA y su repercusión en el empleo,
privacidad de los datos, prejuicios y control de la población.
CA4.2 Evaluar la sostenibilidad de la IA considerando sus ventajas e inconve-
nientes.
CA4.3 Identificar el papel central de la motivación en los sistemas de IA y su
control sobre los procesos.
CA4.4 Reconocer las consideraciones éticas y legales asociadas al desarrollo de
sistemas inteligentes.
CA4.5 Conocer y respetar los aspectos jurı́dicos de la IA.
Para evaluar la adquisición de los contenidos de IA siguiendo la metodologı́a

de aprendizaje definida, se propone valorar dos aspectos principales:
1. El correcto funcionamiento del programa: considerando que cada unidad se

fundamenta en un desafı́o o problema que requiere solución, los estudiantes
deben enfocar sus esfuerzos en la fiabilidad del programa presentado. Esta
destreza es fundamental en la metodologı́a ABP, donde se exige que el
resultado final sea sometido a pruebas y funcione correctamente.
2. La comprensión de los conceptos de IA durante la unidad: además de

lograr una solución confiable al desafı́o, los estudiantes deben aprender
los conceptos de IA que hay detrás de él, para poder extrapolarlos a otros
problemas.
84 5.3. Implementación
Como consecuencia, se proponen tres metodologı́as principales de evaluación

en el ámbito de este plan de estudios:
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.
2. Evaluación final de conceptos teóricos: al concluir cada unidad, se realizará

una evaluación breve de los conceptos teóricos abordados durante ella.
Esta evaluación tiene como objetivo permitir a los estudiantes verificar su
comprensión e identificar aquellas áreas que requieren ser reforzadas. Los
formatos posibles para esta evaluación incluyen encuestas, cuestionarios
de opción múltiple, preguntas cortas, entrega de informes, entre otros.
Lo importante es que se emplee un formato que garantice una evaluación
accesible y proporcione una retroalimentación clara y concisa sobre los
conceptos adquiridos.
3. Trabajo continuo durante la unidad: es importante evaluar la trayectoria

seguida por los estudiantes durante la realización de la unidad. Esto está
de acuerdo con la distribución de roles propuesta en aquella que impliquen
trabajo en grupo, ya que es importante evaluar la participación de cada
estudiante en la finalización del desafı́o. Para ello, se sugiere utilizar la
rúbrica ilustrada en la figura 5.6. Esta rúbrica consta de cinco aspectos de
evaluación y cuatro niveles de desempeño posibles (experto, competente,
parcialmente competente e insuficientemente competente), los cuales los
estudiantes podrán alcanzar en función del trabajo realizado.
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
Figura 5.6: Rúbrica para la evaluación del trabajo realizado por los estudiantes
durante la unidad.
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.
5.3.1. Selección de herramienta educativa y campos de

aplicación
A la hora de implementar el plan de estudios de AI+, se asume que las

escuelas de educación secundaria están limitadas en términos de equipamiento
técnico y tecnológico para la enseñanza de la IA, por lo que no es factible pensar
en una inversión especı́fica de calado a corto plazo. Pero acorde con el enfoque
de programación de sistemas reales que se ha establecido, se requiere contar con
elementos hardware especı́ficos para implementar el material didáctico. Con el
fin de lograr un equilibrio entre estos dos requerimientos, se propone utilizar
el teléfono móvil inteligente, comúnmente conocido como “smartphone”, del
propio alumno como elemento tecnológico central de todo el material didáctico
a desarrollar.
Los smartphones actuales tienen el nivel tecnológico necesario para la en-
señanza de la IA en cuanto a sensores, actuadores, potencia de cálculo y comuni-
caciones; y lo tendrán en el futuro porque se están actualizando continuamente.
El mercado de estos dispositivos es tan competitivo que su precio ha ido bajan-
do constantemente, y hoy en dı́a se pueden considerar elementos de uso público,
con una presencia muy similar en todos los estados europeos. Además, una gran
mayorı́a de los estudiantes de esta edad tienen su propio smartphone, y pueden
utilizarlo para el aprendizaje sin incurrir en un coste para la escuela. De todas
formas, en caso de no disponer de uno, el centro educativo podrı́a fácilmen-
te conseguir dispositivos simplemente mediante una campaña de donación por
parte de las familias.
Una vez establecido el elemento educativo básico para el desarrollo de las
soluciones, se definió un conjunto acotado de campos o áreas de aplicación de
la IA para crear los retos en ellos. En concreto, se decidió que estos campos
fueran tres: las aplicaciones para teléfonos inteligentes, la robótica autónoma
y los entornos inteligentes. Son campos de gran relevancia en la IA actual, y
permiten resolver problemas de complejidad creciente con agentes inteligentes.
Se plantea partir desde una perspectiva más concreta en un entorno virtual
(smartphone), pasando a otra más realista en entornos simulados o reales (robot)
hasta llegar a un sistema multiagente, en el cual los dos primeros tipos de agentes
(smartphones y robots) podrı́an estar presentes.
Figura 5.7: Campos de aplicación de la IA que se trabajan en el plan de estudios

de AI+.
Para el desarrollo de aplicaciones para teléfonos inteligentes, se ha decidido

utilizar el entorno AppInventor (2023). Se trata de una interfaz sencilla basada
en programación con bloques en la que se pueden crear aplicaciones para el
sistema operativo Android y que cuenta con librerı́as y herramientas que faci-
litan el uso de tecnologı́as de IA. Con ella los estudiantes puedan enfocar su
aprendizaje en los conceptos básicos de IA y no tanto en la programación.
En lo que respecta a la robótica autónoma, el plan de estudios incluirá el uso
del robot educativo (Robobo, 2023). Se trata de un robot basado en smartphone
y diseñado para aprender IA, gracias a sus capacidades tecnológicas y un precio
reducido. En este sentido, solo es necesario comprar la base móvil y conectar-
la a cualquier smartphone, o incluso es posible trabajar directamente con su
simulador. Con su utilización, los alumnos pueden mejorar sus habilidades en
la mayorı́a de los temas de IA explicados anteriormente, tanto en casos reales
como simulados, programando el robot con lenguajes basados en bloques o ba-
sados en texto (Bellas et al., 2017; Llamas et al., 2020). Además, Robobo fue
desarrollado en el Grupo Integrado de Ingenierı́a de la UDC al cual pertenece
la autora de esta tesis, lo cual facilitaba la creación de nuevas funcionalidades.
Finalmente, para el campo de los Entornos Inteligentes, se propuso crear una
red distribuida con diferentes dispositivos, desde sensores y actuadores simples

propios de IoT, hasta teléfonos inteligentes, altavoces inteligentes, cámaras y
hasta robots, a través de la cual los estudiantes puedan crear sistemas multi-
agente, y practicar los temas de IA colectiva de manera práctica. Para desa-
rrollar programas en este ámbito se hizo uso de la herramienta Home Assistant
(2023).
5.3.2. Organización temporal de los temas de IA
El plan de estudios de AI+ se ha estructurado en dos cursos académicos

completos, acorde con el diseño establecido en la sección 5.2.6. Durante este
perı́odo, los estudiantes realizan diferentes unidades didácticas que, de forma
general, se han organizado jerárquicamente con una complejidad incremental
en cinco niveles, tal y como se muestra en la figura 5.8. Se parte de la premisa,
heredada del proyecto AI+, de que los estudiantes no tienen experiencia previa
en IA, pero sı́ tienen conocimientos previos de programación basada en bloques,
y de otras asignaturas técnicas, tal y como se explicó en las sección 5.2.1.
El primero de los niveles se orienta hacia una introducción práctica de la
IA actual, y se centra en la realización de búsquedas e investigaciones web
con el objetivo de que los alumnos conozcan ejemplos concretos de aplicaciones
prácticas en este campo. Se trata de un nivel de entrada al plan de estudios que
sirve como punto de partida para que los alumnos comprendan de qué hablamos
en la IA y de qué no. Los niveles restantes son el núcleo del plan de estudios y
siguen la estructura explicada en la sección 5.2.3, donde las unidades didácticas
plantean problemas reales relacionados con los tres campos de aplicación de la
IA establecidos siguiendo la metodologı́a ABP.
El segundo nivel abordará unidades donde se desarrollarán aplicaciones para
smartphone, tocando la mayorı́a de los temas de la IA de forma introductoria.
El tercer y cuarto nivel se centran en la robótica autónoma, y de nuevo, se
verán gran parte de los temas de IA. Se han organizado en robótica básica
e intermedia porque, como se explicará a continuación, en el nivel 3 se usa
un lenguaje de programación más sencillo que en el nivel 4, y los proyectos
que se pueden resolver son más sencillos también. Finalmente, el nivel 5, el
más avanzado, se focaliza en los entornos inteligentes, y en él los estudiantes
trabajarán el tema de IA colectiva. El impacto de la IA, tal y como se muestra
en la figura 5.8 mediante una flecha en la parte derecha, se integrará en los
cinco niveles a través de diversas actividades de discusión y reflexión. Esto se

debe a que es un tema de gran relevancia y que afecta en gran medida a todos
los proyectos propuestos. Como se observa en la figura, los ocho temas de IA
establecidos como contenido básico se trabajan en varias unidades en función
de su relevancia, tal y como se explicará a continuación.
Figura 5.8: Organización del plan de estudios de AI+ en función de los campos
de aplicación.
Teniendo en cuenta esta organización general en niveles de complejidad y

campos de aplicación, y el perı́odo total de dos años abarcado, se ha creado un
cronograma especı́fico para el plan de estudios de AI+ (figura 5.9) que permite
su implantación práctica. Cada uno de los cursos se estima en 32 semanas de
duración, con una carga horaria de 2 horas de clases por semana, especı́ficamente
dedicadas a esta asignatura. Esta elección se basa en la carga horaria establecida
por el Ministerio de Educación y Formación Profesional para asignaturas con
un enfoque conceptual y dirigidas al mismo público, como por ejemplo la de
robótica (Dirección General de Educación, Formación Profesional e Innovación
Educativa, 2019, p. 27974).
Figura 5.9: Cronologı́a del plan de estudios de AI+.
El plan de estudios de AI+ se ha estructurado en 17 unidades didácticas,

cada una con una cantidad variable de horas lectivas asignadas en función de su
complejidad. Una ficha resumen con el contenido de las unidades se ha incluido
en el Apéndice A de esta memoria. Se puede acceder libremente a todo su
contenido a través de la web del proyecto AI+ (2023) o de la página oficial
de resultados del programa Erasmus+ (2023). Existe una unidad inicial (TU0)
que no forma parte del plan de estudios en sı́, pero que es de gran relevancia
para los docentes porque detalla el enfoque metodológico, los temas de IA, la
organización temporal y la estructura de las unidades.
Como se puede observar en la figura 5.9, para el primer curso, hay un con-
junto de 10 unidades donde se cubren de forma introductoria todos los temas
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
los alumnos resuelvan proyectos más avanzados utilizando el lenguaje Python.

No olvidemos que uno de los prerrequisitos para seguir este plan de estudio es
un conocimiento previo en programación en bloques, pero no en programación
basada en texto, como Python. Y, aunque el aprendizaje de la programación no
es el objetivo aquı́, como se explicará en la sección de validación, se detectó la
necesidad de realizar un pequeño bloque de introducción a Python al comienzo
de este segundo curso. Este bloque se compone de cuadernos de programación
en Jupyter Development Team (2023) que ayudan al estudiante a comprender
los fundamentos del lenguaje, ası́ como el uso de librerı́as tı́picas de IA.
Además, para suavizar la transición de Scratch a Python, se ha incluido
una unidad introductoria especı́fica, la TU11, en la que se afronta el mismo
proyecto que la TU8, pero con el nuevo lenguaje. Asimismo, todas las unidades
del segundo curso incluyen plantillas de programación y una explicación de las
librerı́as externas que simplifican la consecución de la solución.
Tanto la TU11 como las siguientes cuatro unidades (TU12, TU13, TU14 y
TU15) constituyen el nivel 4 de robótica intermedia. En ellas, se profundiza
en los temas de aprendizaje (por refuerzo y supervisado), representación y ra-
zonamiento mediante proyectos de robótica más ambiciosos, de ahı́ su mayor
asignación de horas. La TU15 es, de nuevo, una tarea de búsqueda e investiga-
ción web relacionada con el campo de la inteligencia artificial general (conocida
como AGI, acrónimo proveniente del inglés), y los sistemas intrı́nsecamente
motivados. Es la única unidad que se dedicó finalmente al tema de motivación,
como se explicará en la sección de validación.
Finalmente, las dos últimas unidades se centran en el último nivel de la
figura 5.8, el de los entornos inteligentes. En la TU16 los alumnos crean scripts
en python a través de Home Assistant para automatizar un sistema inteligente
de gestión de un aula utilizando sensores de nivel de CO2 y luz ambiental,
junto con actuadores sencillos como un ventilador, un altavoz y luces. También
se incluyó el robot Robobo como principal agente inteligente presente en el
sistema colectivo. Por último, en la TU17 los estudiantes deben investigar los
objetivos de desarrollo sostenible de la ONU para crear un entregable interactivo
que muestre el potencial de la IA para abordarlos. Esta última unidad pretende
dar una visión más global del impacto de la IA en la sociedad, a nivel del uso
de la inteligencia ambiental para lograr un beneficio social mayor.
Como se puede observar en esta propuesta de plan de estudios de AI+ de la
figura 5.9, los 8 temas de IA establecidos no se cubren con la misma profundidad,

acorde con la recomendación de reparto de temas de IA propuesta en el aparta-
do 5.2.6. En consecuencia, percepción, actuación, aprendizaje automático y el
impacto de la IA tienen una mayor carga de trabajo asociada, a continuación
representación y razonamiento, y las que menos son IA colectiva y motivación.
Por otro lado, las unidades técnicas basadas en la programación de teléfonos
inteligentes, robots o entornos son el núcleo del plan de estudios. Pero también
se han incluido varias de investigación y debate, con el objetivo de promover la
lectura, la reflexión y el trabajo en grupo, y de permitirles “descansar” de la
programación.
5.3.3. Estructura de las unidades didácticas
Las unidades didácticas que constituyen el plan de estudios de AI+ se han

diseñado para el profesor, con el fin de proporcionarle material de referencia
para introducir a los alumnos en esta disciplina de manera formal. Se decidió
centrar la atención en ellos más que en los alumnos, ya que son clave para
su implantación real. Se debe destacar que la IA es una disciplina nueva en la
educación secundaria en europea, y los profesores carecen de experiencia previa,
por lo que es muy importante que dispongan de material adecuado para facilitar
su adaptación.
Acorde con los requisitos de diseño del plan de estudios, se ha estructurado
el currı́culo en unidades didácticas que siguen la metodologı́a ABP. Cada una de
estas unidades presenta a los estudiantes un problema del mundo real que deben
resolver mediante la programación de agentes inteligentes, lo cual les permite
aplicar los conocimientos teóricos en un contexto práctico y significativo.
Todas las unidades siguen la misma estructura, con el objetivo de brindar
una experiencia coherente y consistente para los estudiantes. A continuación, se
describen cada una de las secciones que las conforman. Para ilustrar el contenido
de las diferentes secciones, se toma como ejemplo la TU2, la primera unidad que
plantea un reto a resolver mediante programación. Las capturas de dicha unidad
se incluyen únicamente a modo de ilustración de su aspecto final, para conocer
el contenido especı́fico, recomendamos revisar cualquiera de las unidades de la
página de resultados del proyecto AI+ (2023).
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.
Figura 5.10: Apartado de Introducción de la TU2.
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.
Figura 5.11: Apartado de Contexto 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.
Figura 5.12: Apartado de Objetivos de aprendizaje de la TU2.
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.
Figura 5.13: Apartado de Contenido de la TU2.
El contenido y los objetivos de aprendizaje deben estar alineados. En el

ejemplo de la figura 5.12, podemos observar cómo los objetivos de aprendizaje

se centran en las metas educativas que se esperan alcanzar en la TU2, y los co-
nocimientos especı́ficos que se trabajarán en la unidad deben ayudar a alcanzar
los anteriores objetivos, como se ejemplifica en la figura 5.13.
5. Cronologı́a
Este apartado contiene, por una parte, la ubicación de la unidad en el cro-
nograma completo del plan de estudios, y por otra, el tiempo necesario para
llevar a cabo las actividades propuestas en la unidad.
Figura 5.14: Apartado de Cronologı́a de la TU2.
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.
Figura 5.15: Apartado de Recursos necesarios de la TU2.

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.
Figura 5.16: Apartado de Bibliografı́a de la TU2.
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.
Figura 5.17: Apartado de Grupos de la TU2.
9. Materiales de la unidad
Las unidades didácticas están formadas por varios recursos que pueden ser
descargados de forma libre. Todas ellas contienen un documento guı́a para el

profesor en formato .pdf que propone los retos, tareas y soluciones. Además,
se ha incluido una versión de esa guı́a para el estudiante, que no contiene las
soluciones pero que es de ayuda para el trabajo autónomo. Todas las unidades
incluyen un vı́deo demostrativo del funcionamiento de la solución esperada,
y también el código con la solución para el profesor. A mayores se incluye,
en ciertas unidades, una plantilla para simplificar la programación, y material
adicional. Finalmente, todas ellas tienen un documento que los profesores deben
cubrir con su realimentación y opinión sobre la unidad.
Figura 5.18: Apartado de Materiales de la TU2.
10. Desafı́o/Proyecto
Esta es la principal sección práctica de la unidad. Se divide en 3 apartados:
Objetivo Final, Actividades y Observaciones Finales.
Figura 5.19: Apartado de Desafı́o/Proyecto - Objetivo final de la TU2.

Figura 5.20: Apartado de Desafı́o/Proyecto - Actividades de la TU2.
Figura 5.21: Propuesta de actividades y test dentro del apartado de Des-

afı́o/Proyecto - Actividades de la TU2.
Figura 5.22: Solución de una de las actividades y test dentro del apartado de
Desafı́o/Proyecto - Actividades de la TU2.
En el primero de ellos, Objetivo Final, se explica detalladamente el reto que

deben afrontar los alumnos para resolver un problema especı́fico del mundo real
mediante técnicas de IA. En la figura 5.19 puede observarse la manera en la que
se presenta el proyecto, donde debemos destacar que el estudiante recibe unas
especificaciones de funcionamiento como en un proyecto de ingenierı́a, pero el
diseño de la solución para lograrlo es parte de su trabajo. En consecuencia, son
posibles diferentes soluciones válidas.
El segundo apartado, Actividades, está destinado únicamente para aquellos
profesores que elijan guiar a sus alumnos durante el desarrollo del proyecto
mediante la organización de este en actividades más acotadas. Como se muestra
en el recuadro azul de la figura 5.20, si los docentes 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. Consideramos que
la división de un problema en subproblemas es una competencia clave en la
metodologı́a ABP, pero como se explicará en la sección de validación, algunos
docentes consideraron que no era necesario indicar cómo hacerlos para ciertos
alumnos, por lo que tuvimos la necesidad de incluir esta aclaración.
Dentro de este apartado de Actividades, también se muestra es la subdivisión
propuesta en subactividades y una posible organización temporal de las mismas
(figura 5.20). A continuación, se detalla cada una de estas subactividades, in-

cluyendo un enunciado (la parte de trabajo para los estudiantes de la figura
5.21), el método de evaluación (la parte de test, de la figura 5.21) y finalmente
se describe la solución para el profesor (figura 5.22). Esta estructura se repite
tantas veces como subactividades haya.
El último de los apartados de este bloque de Desafı́o, es el de Observaciones
Finales, que resume todos los conceptos de IA que los estudiantes trabajaron con
el desarrollo del proyecto, con el objetivo de que sean revisados por el docente.
Figura 5.23: Apartado de Desafı́o/Proyecto - Observaciones finales de la TU2.
11. Evaluación
Figura 5.24: Apartado de Evaluación de la TU2.
Siguiendo los criterios de evaluación establecidos en el apartado 5.2.7, esta

parte de las unidades incluye la descripción detallada de las 3 metodologı́as

propuestas: prueba final del programa, prueba final de conceptos teóricos y
trabajo realizado durante la unidad.
Para la prueba de conceptos, algunas unidades proponen cuestionarios en
lı́nea, en otras se pide a los alumnos cubrir una ficha, realizar un informe, etc.
Esto se especifica en este apartado, además del peso que deberı́a tener cada una
de las metodologı́as en la calificación final de la unidad. Los docentes pueden
tomar estas indicaciones sobre la evaluación directamente, ya que su efectividad
ha sido validada en el marco del proyecto AI+, o pueden proponer otras propias.
12. Actividades complementarias
Es habitual que no todos los alumnos lleven el mismo ritmo de avance en las
unidades. Por ello, se ha incluido una sección en la que se proponen una serie
de actividades complementarias que los más avanzados pueden realizar para
igualar el grupo, o también como extra para cualquier estudiante a la hora de
mejorar sus habilidades.
Figura 5.25: Apartado de Actividades complementarias de la TU2.
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.
Figura 5.26: Apartado de Anexos de la TU2.
5.4. Validación
La validación de un plan de estudios debe centrarse en la evaluación y re-

visión de su contenido y enfoque pedagógico para asegurar que cumpla con los
objetivos educativos, y sea apropiado para el grupo de estudiantes a quienes
está destinado. Pero acorde con la metodologı́a expuesta en la sección 5.2.3, en
el marco de esta tesis, dicha validación se ha realizado con dos enfoques que han
requerido de diferentes instrumentos. Por un lado, el diseño y la implementación
explicados en los dos capı́tulos anteriores se han validado a partir de casos de
uso con profesores, por ser los principales grupos objetivo del plan de AI+. Por
otro, los resultados de aprendizaje se han basado en pruebas con estudiantes,
receptores finales de las unidades didácticas.
En este apartado se exponen, primeramente, el plan de trabajo que se siguió
y el grupo de profesores y alumnos participantes, con el fin de evidenciar su
diversidad y, en consecuencia, demostrar la suficiencia de las pruebas realiza-
das. En segundo lugar, se presentarán de forma detallada los instrumentos de
recogida de resultados utilizados, tanto en una como en otra metodologı́a. A
continuación, se explicarán las mejoras realizadas en el plan de estudios como
consecuencia de la validación con profesores, y finalmente, se evaluarán los re-
sultados de aprendizaje obtenidos en el periodo de tres años que ha durado el
proyecto AI+.
Finalmente, cabe destacar que tanto las imágenes incluidas en esta sección
como los datos recopilados de los estudiantes y profesores cuentan con la auto-
rización formal de los implicados. Por un lado, a través de acuerdos especı́ficos
con los socios en el marco del proyecto Erasmus+ código 2019-1-ES01-KA201-
104 5.4. Validación
065742, y por otro, a través del informe favorable del comité de ética de la UDC,
aprobado el 18/04/2022.
5.4.1. Plan de trabajo
La parte de validación del plan de estudios de la presente tesis se ha desa-

rrollado en el marco del proyecto AI+. Durante los tres años de desarrollo del
mismo, se llevaron a cabo tres fases de pruebas.
En primer lugar, antes del envı́o de las unidades a los centros, se realizaron
talleres previos. Eran actividades de corta duración (4 horas máximo), donde
el equipo de la UDC (formado por la investigadora y el director de esta tesis)
probaba la unidad en cuestión con uno de los centros, antes de compartirla col
resto. Esta fase no se realizó en todas las unidades, sino solo en aquellas que
se consideraron más complicadas o que iban a necesitar ayuda extra por algún
motivo (por ejemplo, cuando se cambiaba de campo de aplicación). En esta fase,
la investigadora testeaba con los alumnos la unidad y sacaba información para
realizar una posible mejora, si era necesario.
En segundo lugar, se realizaron actividades de formación (AF), en las cuales
los profesores responsables de cada uno de los centros participantes comproba-
ban que el contenido y las estrategias de enseñanza fueran coherentes con los
objetivos educativos establecidos mediante un análisis previo de la unidad y su
posterior implementación en el aula con su grupo de estudiantes. Esta valida-
ción se llevó a cabo de forma progresiva, es decir, a medida que se desarrollaban
las unidades didácticas, se les iban enviando a los centros participantes, que
testeaban una de cada vez. El desarrollo de estas actividades se vio influido por
la pandemia del COVID-19 durante el año 2020 y parte del 2021, que implicó
que no todas las unidades fuesen probadas por todos los centros participantes,
siendo necesario repartirlas por falta de tiempo. De cualquier forma, todas ellas
fueron testeadas al menos por un centro.
En la tercera de las fases se realizaron actividades de formación en grupo
(AFG). En este tipo de actividades, a diferencia de las anteriores, participaban
todos los alumnos inscritos en el proyecto trabajando en la misma unidad, en
una ubicación común, y monitorizados por el equipo de la UDC. Se realizaron
un total de cinco AFGs, a las que asistieron una media de 30 alumnos de las
6 escuelas asociadas. Estas actividades se realizaron como talleres prácticos
con una duración de entre 6 y 12 horas, divididas en 2, 3 o 4 sesiones. Estas

sesiones fueron dirigidas por el equipo de la UDC, el cual las desarrolló siguiendo
la metodologı́a docente establecida en el capı́tulo de implementación. Debido
a la pandemia, dos se realizaron de forma online, dos en formato hı́brido y
una presencial, pero en todos ellos, los grupos de trabajo fueron heterogéneos,
mezclándose alumnos de diferentes nacionalidades. Con este tipo de pruebas, se
obtuvo una retroalimentación directa del trabajo realizado por los alumnos y de
su aprendizaje con las unidades. Además, se pudo comprobar la adaptabilidad
de estas a diferentes estilos de aprendizaje y niveles de habilidades.
La figura 5.27 muestra un cronograma de la realización de estas tres fases.
El desarrollo de las TUs fue llevado a cabo por los miembros de la UDC en una
primera etapa, y una vez creada una primera versión fiable, esta era revisada
por todos los profesores, devolviendo las posibles dudas o problemas al equipo
de la UDC. La creación de una TU implicó, de media, un mes al equipo de la
UDC, y la primera revisión para los colegios duró hasta un mes más. Por eso,
el proyecto comenzó oficialmente en octubre de 2019, pero la primera unidad
no estuvo lista hasta enero de 2021. Una vez que la TU estaba aceptada por el
profesor, se implementó con su correspondiente grupo de alumnos. Dependiendo
de la TU, esto llevó desde 2 hasta 5 sesiones (de 2 horas cada una), lo que
implicó un tiempo medio de un mes para probarla. Algunas de estas unidades
se implementaron de forma online debido a la pandemia. Mientras las escuelas
probaban la TU, el equipo de la UDC desarrollaba la siguiente.
Como resultado de la finalización de cada prueba de la TU, cada escuela
asociada proporcionó un formulario de retroalimentación al equipo de la UDC
que se detalla en la sección 5.4.3, para que la unidad pudiera ser mejorada de
nuevo. Este proceso llevó al equipo de la UDC una media de un mes más de
tiempo, ya que se llevó a cabo en paralelo con el desarrollo de las siguientes TU.
Este enfoque en tres fases de validación fue riguroso y sistemático, y per-
mitió identificar deficiencias en las unidades didácticas a tiempo y realizar los
ajustes necesarios para asegurar su efectividad en el logro de los objetivos del
plan de estudios. Esto garantizó que las unidades estuvieran alineadas con los
objetivos de aprendizaje del plan de estudios y que fueran eficaces en el proceso
de enseñanza y aprendizaje de los estudiantes a los que va dirigido. En conse-
cuencia, al finalizar el proyecto AI+, el plan de estudios desarrollado pudo ser
implementado por los centros educativos de forma directa, ya que habı́a sido
validado previamente.
5.4. Validación
106
Figura 5.27: Cronograma del desarrollo de cada unidad.
5.4.2. Participantes
El proyecto AI+ implicó, a parte de la UDC, a un total de 6 centros de

educación secundaria y bachillerato de 5 paı́ses europeos. Cada uno de ellos
contaba con un grupo de, como mı́nimo, seis alumnos de entre 15 y 18 años y
dos profesores, que se encargaron de la validación de las unidades.
La selección de las escuelas implicadas en el proyecto se basó en dos criterios
principales, uno social y otro técnico. Desde el punto de vista social, se eligieron
escuelas tratando de abarcar diferentes regiones europeas (figura 5.28), desde el
norte (Finlandia) hasta el sur (Italia), pasando por Europa central (Eslovenia),
y desde el este (Lituania) hasta el oeste (España). Esta distribución geográfica
permitió una validación del plan de estudios aplicable al conjunto de Europa,
lo cual está estrechamente relacionado con diferentes estatus económicos y en-
foques didácticos diferentes.
Figura 5.28: Localización de los centros vinculados al proyecto AI+.
Técnicamente, cada escuela aportaba diferentes aspectos al proyecto. A con-

tinuación, se detallan las caracterı́sticas principales por las que fueron seleccio-
nados cada uno de los centros.
■ CPI A Xunqueira - España: Esta escuela es muy activa en la pro-

moción de las vocaciones STEAM de sus alumnos. Disponen de una zona
“maker” donde prueban diferentes dispositivos tecnológicos para incorpo-
rarlos a la enseñanza reglada como impresión 3D, robótica y programación.
Han participado en varios retos cientı́ficos y exposiciones, y han obtenido
varias veces el primer puesto en el concurso regional First Lego League, lle-
gando incluso a participar en la final nacional. Este centro desempeña un
papel fundamental al encontrarse en la ubicación más cercana a la UDC.
Por esta razón, fue designado como el centro encargado de llevar a cabo la
fase de validación de los talleres previos, facilitando ası́ el desplazamiento
de la investigadora hasta el lugar.
■ Joensuun yhteiskoulun lukio - Finlandia: Se trata de una escuela

de educación secundaria superior general que tiene dos lı́neas principales
de especialización: música y teatro, y deportes. Se trata, por lo tanto,
de un centro cuyos estudiantes se especializarán en el futuro en áreas no
técnicas, lo cual proporciona amplitud a la validación. Fue seleccionado
principalmente porque tiene experiencia previa en proyectos de enseñanza
de IA en educación secundaria.
■ Viesoji istaiga Panevezio profesinio rengimo centras - Lituania:

Es una de las mayores escuelas de formación profesional en el norte y
el este de Lituania. Pero no sólo ofrece formación profesional, sino tam-
bién educación secundaria, aunque por norma general los alumnos que la
estudian tienen como objetivo continuar sus estudios en una de las espe-
cialidades del centro. Esta escuela fue seleccionada por su experiencia en
dispositivos de hardware real y mecatrónica, además de añadir el perfil de
formación profesional básica a la validación.
■ 2IIS A-Ruiz - Italia: este centro es muy activo en ciencias aplicadas y

ha participado en numerosos proyectos de Quı́mica, Biologı́a, Fı́sica y Ma-
temáticas aplicadas. Fueron seleccionados en este caso por su experiencia
en robótica aplicada, siendo una escuela referencia en Italia a la hora de
participar en competiciones de robótica con gran éxito.
■ IES David Bujan - España: el principal bagaje de esta escuela es su

participación activa en iniciativas y proyectos de ciencia abierta en toda

Europa, ası́ como en su búsqueda de mejoras del proceso de aprendizaje de
la ciencia a través de la investigación. Fueron seleccionados por su amplia
experiencia en proyectos Erasmus+, y por su perfil de ciencia básica.
■ Solski center Velenje - Eslovenia: se trata de otra escuela con dife-

rentes tipos de estudios en temas técnicos. Es el único centro del proyecto
que cuenta con instalaciones especı́ficas para el desarrollo de una parte
importante del proyecto, en concreto una casa inteligente Los conocimien-
tos de los profesores en este campo ayudaron en el proceso de validación
y mejora de las unidades dedicadas a entornos inteligentes.
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.
5.4.3. Instrumentos de validación
En la fase de AF, los profesores revisaban las unidades proporcionadas por el

equipo de la UDC, y posteriormente las implementaban en el aula con el grupo
de estudiantes asociado al AI+. Esta implementación se realizaba fuera o dentro
de horario lectivo, dependiendo de la organización de cada centro. Para recoger
evidencias sobre la validez del plan de estudios, se diseñó un formulario de reali-
mentación especı́fico que los profesores debı́an rellenar durante la realización de
la unidad, y también al finalizarla. Este formulario se diseñó especı́ficamente pa-

ra recopilar las opiniones y comentarios detallados de los profesores, y permitió
ajustar los contenidos desarrollados para cada unidad a la formación especı́fica
de los alumnos.
La figura 5.30 muestra uno de estos formularios, que recopila la siguiente
información:
■ Introducción: se espera recibir comentarios sobre la claridad y relevancia

del apartado de introducción de la unidad.
■ Contexto: el profesor debe expresar su opinión sobre el contexto en el que

se desarrolla la unidad didáctica, evaluando si se adecua a la experiencia
y nivel de los estudiantes.
■ Objetivos de aprendizaje: en este apartado, se espera saber si los objetivos

de aprendizaje planteados en la unidad son claros, medibles y alcanzables
para los estudiantes.
■ Contenido: el profesor evalúa el contenido de la unidad, incluyendo la

relevancia de los conceptos presentados, la coherencia de la estructura y
la adecuación del nivel de dificultad.
■ Organización temporal: la organización temporal de la unidad es comen-

tada en este apartado, considerando si la duración asignada es adecuada
para cubrir el contenido de manera efectiva.
■ Recursos necesarios: el profesor comenta los recursos necesarios para im-

plementar la unidad, como materiales didácticos, tecnologı́a o cualquier
otro recurso relevante, diciendo si son o no suficientes y/o adecuados.
■ Bibliografı́a: se evalúa la bibliografı́a proporcionada, para que los investi-

gadores sepan en base a la opinión de los docentes si es apropiada para el
nivel de los estudiantes y si incluye fuentes actualizadas y confiables.
■ Organización en grupo: en este apartado, el profesor ofrece comentarios

sobre la organización de los estudiantes en grupos de trabajo, evaluando si
fomenta la participación, el trabajo en equipo y el aprendizaje colaborativo
y si se adecúa al proceso de enseñanza-aprendizaje de la unidad.
■ Desafı́o: el profesor brinda comentarios sobre el desafı́o presentado en la

unidad, evaluando si la duración es adecuada, si la información teórica
proporcionada es suficiente y si el reto planteado es claro y adecuado para
los estudiantes. Además, realiza observaciones sobre la claridad y utilidad
de las soluciones proporcionadas exclusivamente para la guı́a del profesor.
■ Evaluación: en este último apartado, el profesor analiza la forma en que se

realiza la evaluación en la unidad, incluyendo la claridad de los criterios
de evaluación y la adecuación de las actividades de evaluación propuestas.
En la figura 5.30 se muestra el formulario recibido por parte de una de las

escuelas asociadas en la TU2. En él, se puede observar el tipo de información
que incluı́an los profesores en estos formularios, de gran utilidad para la mejora
de las unidades. El resto de los formularios están disponibles aquı́1 .
Figura 5.30: Ejemplo del formulario de retroalimentación de los profesores de la

TU2.
1 Formularios de retroalimentación de las unidades: https://bit.ly/44d4nMJ
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.
5.4.4. Mejoras del plan de estudios
Como se explicó anteriormente en la sección 5.4.1, se optó por llevar a cabo

un análisis continuo a medida que todos los centros concluı́an las unidades y
entregaban los formularios al equipo investigador. De esta manera, los proble-
mas identificados pudieron ser abordados en paralelo con el proceso de diseño
y desarrollo de las siguientes unidades del plan de estudios, permitiendo una
mejora continua del material en tiempo real.
Durante el proceso de análisis, se estableció como primer objetivo la homo-
geneización de los comentarios recibidos, ya que los profesores eran de naciona-
lidades y especialidades diferentes, con grupos de alumnos heterogéneos. Una
vez logrado esto, se procedió a explorar y definir posibles mejoras que pudieran
satisfacer las necesidades y carencias identificadas de forma global. Finalmente,
se llevó a cabo una reunión grupal entre todos los centros participantes y el
equipo de la UDC para la aceptación conjunta de los cambios y realización de
las mejoras finales.
En este apartado, se detallarán todos los cambios realizados que permitieron
la obtención de un plan de estudios que garantiza que los estudiantes logren un
aprendizaje efectivo.
1. Cambios en la metodologı́a de las unidades
Tras el desarrollo y fase de validación de las tres primeras unidades, TU1,
TU2 y TU3, se detectó un problema en el formato de las mismas. Concretamen-
te, en una de las secciones del apartado Desafı́o / Proyecto, en la definición del
reto. Como se puede observar en la parte de estructura de las unidades didácti-
cas (sección 5.3.3), en su versión final este apartado cuenta con 3 secciones:
Objetivo Final, Actividades y Observaciones Finales.
Tanto el primero de ellos, el apartado de Objetivo Final donde se explica
detalladamente el proyecto que deben hacer los alumnos (figura 5.19), como en
el último, el de Observaciones Finales, donde se resumen todos los conceptos de

IA que los estudiantes trabajaron con el desarrollo del proyecto (figura 5.23),
no sufrieron modificaciones. Fue el segundo apartado, destinado a la división
del proyecto en actividades/tareas, el que fue foco de las modificaciones. Inicial-
mente (figura 5.31), se iban detallando la propuesta de la actividad y solución
en una misma pieza de texto. Es decir, estaba creado para que el profesor, una
vez analizada la unidad, les propusiera él mismo a los estudiantes las tareas
utilizando como guı́a la propia unidad que acababa de revisar.
Figura 5.31: Ejemplo del formato inicial de la sección de Objetivo Final.
En este sentido, uno de los problemas comentados por parte de algunos de

los docentes en los formularios de retroalimentación fue que creı́an que este
enfoque dificultaba el proceso de enseñanza y que, además, les consumı́a mucho
tiempo al tener que preparar por ellos mismos la propuesta a los alumnos. El
trasfondo docente de este comentario no es que los profesores quisiesen reducir su
carga de trabajo, sino que no se sentı́an preparados para crear los subobjetivos
concretos que llevan a lograr resolver el reto global. Es importante destacar que
este es un objetivo de aprendizaje importante para los estudiantes dentro de la

metodologı́a ABP, pero que requiere de una etapa de guı́a por parte del docente,
por lo que es clave que se haga bien.
Para resolver este problema se decidió hacer una división dentro de cada
actividad conteniendo un enunciado concreto para el alumno y la solución para
el profesor (ver figura 5.32). Esta división se hizo a nivel de tarea, lo cual
permitı́a a los profesores dar a los alumnos únicamente el enunciado conociendo
ellos cómo guiarlos en ese problema concreto.
Por otra parte, varios profesores comentaron que no se estaba dando la
posibilidad a los alumnos con suficientes destrezas de realizar el proyecto por sı́
solos, sin una subdivisión en tareas como la que se explicó anteriormente (figura
5.20). La motivación original de este planteamiento fue dar una guı́a sobre
cómo subdividir un problema complejo en partes, algo básico en ABP, en las
primeras unidades para dejar de hacerlo más adelante. Pero ciertos profesores,
al implementar las unidades con App Inventor, detectaron que las plantillas que
se proporcionaban asociadas a cada tarea condicionaban el aspecto final de la
app, y la creación del programa. Como hemos dicho, esto puede ser un problema
para aquellos alumnos más avanzados en sus conocimientos de programación.
Figura 5.32: Descripción del trabajo del estudiante (izquierda) y de la solución

para los docentes (derecha).
En este caso, se decidió añadir un texto indicando que la propuesta de sub-

división en tareas era opcional (figura 5.33), de tal manera que, si los docentes
Figura 5.33: Nota indicando que la propuesta de subdivisión en tareas es opcio-

nal del apartado de Desafı́o/Proyecto - Actividades.
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
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.
Tabla 5.3: Ejemplo de comentarios de la sección Organización temporal

en los formularios de retroalimentación.
Formulario de retroalimentación TU2

Sección de Organización temporal
Centro
Comentario
educativo
Genial. Empezamos de esta manera cuando tenı́amos clases pre-
senciales, ahora que tenemos clases a distancia es más difı́cil,
hubiera sido mejor cambiar un poco el calendario y añadir una
Italia tercera actividad para tener 3 actividades (1,5 horas cada una)
para completar con los estudiantes, en lı́nea es imposible tener
dos horas de clase. Hablando de clases presenciales creemos que
se necesitan 3 semanas para cubrir todo el material.
Lituania Perfecta.
Eslovenia Ok.
Buena, y la información presentada muy claramente en el for-
Finlandia
mato tabla. Aunque serı́a necesario un poco más de tiempo.
IES David
Buena.
Bujan España
Activity 1. Task 1 y Task 2, la planificación del tiempo es sufi-
ciente porque ya hicieron previamente un ejercicio similar. Acti-
vity 2. Task 1, 2 y 3. Pensamos que esta actividad requiere algo
CPI A
más de tiempo, quizá una sesión a mayores. A partir de la pro-
Xunqueira
gramación de la brújula nos parece algo insuficiente, sobre todo
España
porque necesitan primero adquirir conceptos técnicos que no co-
nocen y la programación debe ser algo guiada por el profesorado,
no totalmente autónoma.
Formulario de retroalimentación TU3
Sección de Organización temporal
Esto era un problema, para un grupo normal de estudiantes con
Italia diferentes niveles y formación no era suficiente; si consideramos
sólo a los mejores estudiantes era perfecto.
Lituania Bien definido.
Eslovenia Ok.
Para los alumnos que no estudian programación, las estimacio-

Finlandia
nes de tiempo dadas son demasiado cortas.
IES David
Temporalización bien definida.
Bujan España
Pensamos que es imposible cumplirla, es necesario más tiempo.
CPI A La unidad es muy interesante por la cantidad de conceptos que
Xunqueira se aprenden. Es una pena tener que ir rápido para cumplir el
España tiempo establecido (habrı́a que darles las actividades muy dirigi-
das).
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-
plejidad extra a la hora de realizar la evaluación. Además, al tratarse de algo

novedoso para los alumnos, durante las sesiones, el profesor necesitaba estar
pendiente de su evolución y guiarlos correctamente en su proceso de aprendi-
zaje, necesitando alguna herramienta sencilla para la evaluación continua. Para
solucionar el problema, se decidió incluir una lista de verificación en cada uni-
dad. Esta herramienta suele utilizarse para llevar a cabo una revisión sistemática
y exhaustiva de un conjunto de elementos o tareas con el fin de asegurarse de
que se hayan cumplido o realizado adecuadamente.
La figura 5.34 contiene un ejemplo de una de las listas de verificación de las
unidades, que como puede observarse, incluye cuatro apartados. Un primer con
la descripción de la parte de funcionamiento que se debe evaluar, ası́ como la
actividad en la que se debe comprobar. Un segundo que contiene la puntuación
de ese apartado en la nota final. Y, finalmente, dos casillas para que el profesor
solo tenga que marcar si la solución que está evaluando cumplió o no el requisito.
Figura 5.34: Lista de verificación de la TU8 para la prueba final del programa.
Además, tras la definición de cada una de las actividades y tareas de las

unidades, se añadió un apartado donde se especifica qué puntos de la lista de
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 5.35: Apartado de pruebas en la TU8 – Actividad 1 – Tarea 1.
El segundo de los problemas detectados fue la falta de información de la

rúbrica que permite la evaluación del trabajo realizado por los estudiantes du-
rante la unidad. Inicialmente (ver figura 5.36), la rúbrica no especificaba los
criterios para cada nivel de desempeño, sino que era una tarea que se dejaba
al profesor. Aunque en los formularios de retroalimentación los profesores no
comentaron nada al respecto, en una de las fases de validación realizadas por la
investigadora se determinó que era un punto de flaqueza en la evaluación. Las
consecuencias negativas que tenı́a era la falta de consistencia y objetividad en
la evaluación, falta de retroalimentación clara para los estudiantes y falta de
transparencia en la evaluación. Por ello, se decidió especificar los criterios de
cada aspecto/nivel de desempeño, quedando finalmente como se mostró en la
figura 5.6.
Figura 5.36: Rúbrica inicial para la evaluación del trabajo realizado por los
estudiantes durante la unidad.
Esta propuesta de mejora se discutió con los profesores de los diferentes

centros, y se obtuvo consenso en que era necesaria y bienvenida. Y de nuevo, se
corroboró en su efecto positivo tras su implementación en las aulas.
4. Cambios en los contenidos
En la fase de validación se prestó especial atención a los contenidos, dado
que es uno de los aspectos más novedosos del plan de estudios. Se buscó asegurar
que las unidades eran apropiadas y relevantes para los objetivos de aprendizaje
establecidos.
El cambio más grande sufrido en este aspecto se dio al inicio del proceso de
validación, en la primera unidad dedicada a la creación de aplicaciones inteli-
gentes para el móvil, la TU2. Inicialmente, se diseñó la unidad con el objetivo
de trabajar los temas de percepción, actuación, representación y razonamien-
to de forma introductoria pero integrada. En concreto, se proponı́a crear una
aplicación que ayudara a los usuarios a conocer la ocupación y el horario diario
de las aulas de un colegio. La aplicación debı́a mostrar las horas en las que las
aulas están ocupadas y libres en el dı́a (figura 5.37). En el caso de las ocupadas,
se mostrarı́a la asignatura que se imparte en cada franja horaria, junto con el
nombre del profesor que imparte dicha asignatura. Además, toda esa informa-
ción debı́a ser descargada de una base de datos, de tal manera que los cambios
reflejados en esta debı́an actualizarse en tiempo real en todas las aplicaciones.
Figura 5.37: Apariencia aplicación creada en la TU2 rechazada.

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
que se desarrollaron y validaron los cuatro temas correspondientes al bloque de

App Inventor, nos dimos cuenta de que el peso de todos los temas no debı́a ser
el mismo en esta franja educativa.
Por lo tanto, se tomó la decisión de dar especial énfasis a los temas de percep-
ción, actuación, aprendizaje e impacto de la IA, por ser los de mayor relevancia
para comprender la IA con el enfoque de agente inteligente aquı́ planteado. Es-
tos cuatro temas permiten comprender la captura de datos, su tratamiento, su
modelado, la creación de conocimiento y la transferencia de los resultados al
mundo real. Finalmente, se les dedicaron 9 de las 17 unidades didácticas. A
continuación, en orden de relevancia, se consideraron los temas de representa-
ción, razonamiento e IA colectiva, que tuvieron 5 unidades especı́ficas. Los dos
primeros requieren de una base matemática mayor, y de tiempos de dedicación
también más amplios. El tercero es de gran relevancia, pero su implantación
práctica en el aula fue compleja, al requerir de numerosos dispositivos de medi-
da y actuación, de su instalación, etc. De nuevo, el tiempo real que se le puede
dedicar en el aula, es limitado. Finalmente, el tema de motivación se mostró
demasiado avanzado para este nivel, sobre todo para realizar una programación
relevante, y únicamente se le dedicó una unidad didáctica, y con un enfoque de
búsqueda de información.
Por último, se ha implementado un cambio adicional en este ámbito, que
consiste en la inclusión de tutoriales sobre el manejo de herramientas y progra-
mación en ciertos bloques del plan de estudios. Inicialmente, no se consideraba
necesario realizar una fase de aprendizaje especı́fica para cada uno de los en-
tornos utilizados. Sin embargo, durante las primeras unidades de App Inventor,
los docentes observaron que los estudiantes tenı́an dificultades para manejar la
herramienta, afectando al proceso de enseñanza-aprendizaje. Por ello, comuni-
caron estas observaciones a los investigadores responsables del proyecto.
En consecuencia, se tomó la decisión de destinar un tiempo previo al inicio
de ciertos bloques de unidades, con el propósito de facilitar el proceso de apren-
dizaje y permitir que los estudiantes se enfoquen en los temas relevantes del plan
de estudios, sin tener que enfrentar desafı́os relacionados con la programación
y el manejo de herramientas. Especı́ficamente, como se observa en la figura 5.9,
se incluyó un taller introductorio de 10 horas de duración sobre App Inventor,
previo al bloque de unidades de aplicaciones inteligentes. El objetivo de este
taller es que los estudiantes adquieran destreza en el manejo del software, lo
cual les permitirá concentrarse en la programación inteligente de las aplicacio-
nes durante la unidad. El segundo de los tutoriales se encuentra al comienzo

del tercer bloque, el cual se enfoca en el campo de la robótica intermedia. En
este caso, el tutorial consiste en una introducción a Python, dado que es en este
bloque donde los estudiantes comienzan a trabajar con este lenguaje de progra-
mación. Por último, previo al bloque de IoT, se lleva a cabo una introducción
de 4 horas al entorno Home Assistant, el cual les permitirá obtener confianza en
su manejo. En el resto de bloques, dado que no se introduce nada complejo, no
se consideró necesario la introducción mediante tutoriales. Todos estos cambios
fueron ampliamente respaldados por todos los profesores y considerados como
medidas indispensables.
5.5. Resultados de aprendizaje
La obtención y análisis de los resultados de aprendizaje permite evaluar si los

estudiantes están adquiriendo las capacidades previstas en el diseño curricular
del plan de estudios. Estos resultados son una herramienta valiosa para medir
la efectividad de las estrategias de enseñanza y aprendizaje implementadas,
identificar fortalezas y debilidades en el proceso educativo, y tomar decisiones
informadas para mejorar la calidad del plan de estudios.
En este apartado se presentan los resultados de aprendizaje obtenidos por
parte del alumnado en cada una de las cinco AFG. Durante estas actividades,
dirigidas por el equipo de la UDC siguiendo la metodologı́a del plan de estudios,
una media de 30 estudiantes de los 6 centros educativos en cada una formaba
parte del desarrollo de las unidades. Se realizaron entre los años 2020 y 2022
que, como hemos dicho, no es un periodo suficientemente amplio como para dar
una valoración de alta fiabilidad, pero sı́ es relevante a la hora de conocer la
adecuación de los contenidos al nivel.
5.5.1. Primera Actividad de Formación en Grupos
La primera de las actividades especiales de aprendizaje se celebró del 11 al

21 de enero de 2021 de forma online, motivado por la pandemia del COVID-19,
a través de la plataforma Microsoft Teams y guiada por el equipo de la UDC.
La idea original era celebrarla la primavera de 2020, pero no fue posible.
Los centros asociados comenzaron a validar las unidades didácticas en febre-
124 5.5. Resultados de aprendizaje
ro de 2020, pero el cierre debido a la crisis sanitaria de marzo a mayo en toda

Europa supuso un retraso en este avance, aunque no homogéneo. Durante este
periodo, algunas escuelas reiniciaron los grupos de trabajo en abril de 2020 en
modo online, pero otras no pudieron hacerlo hasta junio. En consecuencia, el
objetivo didáctico de esta actividad formativa, centrado en la introducción de
la IA, se adaptó a cada uno de ellos.
El número global de participantes en la actividad se incrementó respecto al
previsto, debido a que, al tratarse de una actividad online, pudo acudir más
alumnado (tabla 5.4). Por otra parte, también se mantuvo el objetivo principal
de desarrollar actividades de formación en las que los estudiantes de distintos
paı́ses intercambiaran sus conocimientos y colaboraran. La adaptación consis-
tió, principalmente, en crear dos grupos diferentes de alumnos en función de
su avance en la realización de las unidades. Un grupo de nivel básico, para
aquellos grupos de alumnos que no alcanzaron la TU3; y un grupo de nivel
intermedio, para aquellos que sı́ la pudieron finalizar. En cualquier caso, la ac-
tividad se centró en la realización de la TU1C, con el objetivo de proporcionar
una introducción homogénea a la IA a todos los participantes.
Tabla 5.4: Participantes de la 1ª AFG.
Centro Número de Número de

Paı́s Modalidad
educativo alumnos profesores
A Xunqueira España Online 12 2
David Buján España Online 11 1
Solski center
Eslovenia Online 6 2
Velenje
Joensuun
yhteiskoulun Finlandia Online 0 2
lukio
Viesoji istaiga
Lituania Online 6 3
Panevezio
2IIS A-Ruiz Italia Online 10 1
Número total de participantes: 56
Esta actividad se dividió en tres sesiones de dos horas cada una, las cuales
fueron realizadas dos veces (una para cada nivel de estudiantes):
Taller 1 y 2. Durante estos dos primeros talleres, los alumnos recibı́an

una introducción a los temas de IA, en base al contenido de la TU1. En la

segunda sesión, se les planteó la realización de una presentación en grupos
para el Taller 3.
Taller 3. Para esta sesión, cada grupo debı́a analizar un sistema inteligen-
te real y explicar cómo este aplica los 8 temas de IA del plan de estudios.
Cada uno de los grupos expuso su presentación al resto de compañeros
demostrando sus habilidades y conocimientos sobre el tema. Finalmente,
completaron un pequeño formulario en el que reflejaban los conocimientos
adquiridos.
Figura 5.38: En la fila superior se muestran imágenes de los alumnos trabajando

durante la AFG y en la inferior ejemplos de las presentaciones que realizaron.
En la parte superior de la figura 5.38, se presentan imágenes del alumnado

y profesorado asistiendo a la AFG. A la izquierda, se muestra una fotografı́a
de uno de los grupos españoles que participaron en la reunión en lı́nea desde
un aula, mientras que a la derecha se encuentra una captura de pantalla de
la videollamada que se utilizó para guiar las sesiones. Asimismo, en la parte
inferior de la figura, se muestran capturas de las presentaciones realizadas por
los alumnos durante la tercera sesión.
Tras el análisis de los resultados obtenidos durante esta última sesión3 ,

que incluye tanto las presentaciones como el cuestionario final cubierto por los
alumnos, se puede determinar que los estudiantes lograron alcanzar el objetivo
académico de la AFG. En todos los casos, fueron capaces de analizar un sistema
inteligente real y explicar cada uno de los 8 temas de IA en base a él. Además,
mediante el cuestionario realizado al final de la AFG, se comprobó que más del
90 % de los encuestados no solo sabı́a que no todos los robots son inteligentes,
sino que también lograron justificar adecuadamente su respuesta, tal y como se
muestra en la tabla 5.5.
Tabla 5.5: Respuestas del alumnado a una de las preguntas del cuestio-
nario de la 1ª AFG.
Are all robots intelligent systems? Justify your answer.

1 No, some have predefined programming.
2 No some robots are pre-programmed and just follow steps.
No, some robots are pre-programmed and just follow steps and some of
3
them are AI intelligent...
No, because not all robots has intelligent systems, some of robots are just
4 programmed to do one or more actions and AI robot can make its own
decisions.
5 No, because not all robots collect information from the environment.
6 No, because not all collects information and not all have a learning.
7 No just like amp recycling it is not intelligent and many similar AI.
8 No. Because not all robots collects information from the environment.
9 Yes, AI is a new science.
10 No only the ones that use AI.
11 No, because some just do repetitive actions.
12 No, not all.
13 No, because some of them are programmed to do only one or two things.
If the robots doesn’t know how to adapt to different situations and if it
14 cannot store data provided to learn them it cannot be considered an
intelligent system.
They are not all intelligent because if they cannot learn and adapt they
15
cannot be.
Not all robots are intelligent system because if can’t learn something or
16
adapt to the environment, we can’t consider they AI.
3 Material disponible de la 1ª AFG: https://bit.ly/44d4Jmx
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.
Además, los resultados a otra de las preguntas, expuestos en la tabla 5.6

revelan que los participantes disfrutaron ampliamente de la actividad en sı́. Este
hallazgo resulta particularmente interesante, ya que valida la efectividad de la
metodologı́a ABP utilizada, al menos inicialmente. Es importante destacar que
no se registraron comentarios negativos relevantes por parte de los estudiantes,
a excepción de un alumno que expresó su preferencia por una reunión presencial.
Sin embargo, es importante mencionar que esta opción no era factible debido a
las restricciones vigentes.
Tabla 5.6: Respuestas del alumnado a dos de las preguntas del cuestio-
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.
Of this first activity I really enjoyed analyzing the various points of

17 artificial intelligence and deepening my knowledge more.Just talking with
others. :)
18 Just talking with others. :)
And the least?
1 Nothing.
2 It was all okay.
3 Nothing...
4 I liked everything.
5 Expose the presentation in call, because I want to do in person.
6 That it had to be online.
7 I have no complains.
8 That it had to be online.
9 That there was nothing to dislike.
10 Making presentations.
11 Nothing.
12 I don’t have answer.
13 Nothing
There is no one thing i liked less so far,the explanations of the professor
14 and the discussion with him have been interesting, also regarding the
improvement of our English.
15 Nothing.
16 Nothing.
I liked everything about our work because I believe that every lesson, every
17
possible topic, is necessary to enrich my culture more and more.
18 There was nothing that sort.
5.5.2. Segunda Actividad de Formación en Grupos
La segunda de las AFG se celebró en España del 24 al 28 de mayo de 2021

de forma hı́brida, asistiendo tres colegios de forma presencial y otros tres de
forma online a través de la plataforma Microsoft Teams de la UDC, tal y como
se muestra en la tabla 5.7. En cuanto a los centros que acudieron en formato
online es de suma importancia destacar que su no presencialidad fue debida
ı́ntegramente a las restricciones provocadas por la crisis del coronavirus.
Esta no presencialidad no supuso un problema a la hora de probar las uni-
dades con los centros de Lituania e Italia, pero sı́ con el de Finlandia. La razón
de ello fue que a debido a las severas restricciones en ese paı́s, no pudieron ma-
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.

Paı́s Modalidad
A Xunqueira España Presencial 12 2
David Buján España Presencial 12 1
Solski center
Eslovenia Presencial 6 2
Velenje
Joensuun
lukio
Viesoji istaiga
Lituania Online 4 3
Panevezio
La actividad se organizó en las instalaciones de la UDC en el Campus de

Esteiro, que fueron idóneas para la realización de la actividad, ya que disponen
de grandes aulas con ordenadores. Hasta ese momento, todos los centros habı́an
finalizado los dos primeros bloques de unidades del plan de estudios dirigidos
a la introducción de la IA y a las aplicaciones inteligentes, es decir, hasta la
TU5. En esta actividad, el objetivo fue comenzar a trabajar el tercero de los
niveles, el de robótica básica, mediante la realización de la TU7 y afianzar sus
conocimientos sobre el campo del impacto de la IA mediante la realización de
la TU6.
Para ello, se llevaron a cabo 4 sesiones de trabajo de 3 horas cada una:
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.
Taller 2. En la segunda sesión de trabajo, se impartió la TU7 siguiendo la

metodologı́a y la estructuración en actividades propuesta en ella. En este
caso, a diferencia de la anterior sesión, la clase no podı́a ser simultánea

para los estudiantes en persona y los que la seguı́an en remoto. Por ello,
se decidió repetir esta sesión para ambos formatos. Es decir, primero se
impartió de manera presencial, y en un horario diferente, online. De esta
manera, cada alumno pudo recibir toda la atención que necesitaba y, por
lo tanto, se garantizaron unos resultados fiables.
Taller 3. Debido al tiempo que requiere la unidad, fue necesario dividir

su impartición en dos sesiones. Por lo que en esta segunda se finalizó y de
nuevo se realizó una división entre los alumnos conectados remotamente
y los que se encontraban de manera presencial.
Taller 4. Los alumnos de todos los centros presentaron, en modalidad

online, sus infografı́as desarrolladas como parte de la TU6. De esta ma-
nera, afianzaron sus conocimientos en los temas de ética, sostenibilidad y
aspectos legales.
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).
Para conocer los resultados de aprendizaje obtenidos por los alumnos a lo

largo de estas sesiones, se realizaron dos cuestionarios. El primero, al finalizar
la tercera sesión para conocer lo que habı́an aprendido sobre robótica autónoma
con la TU7 y su opinión sobre el simulador. El segundo al finalizar la cuarta
sesión, para comprobar que habı́an adquirido conocimientos básicos sobre el im-
pacto de la IA y, además, saber qué les habı́a parecido la AFG y la metodologı́a
de aprendizaje seguida (ABP).
En el primer cuestionario, se les pidió a los alumnos que proporcionaran su

propia definición de un robot autónomo, después de haber intentado programar
uno para que cumpliera con dicha caracterı́stica. En la tabla 5.8 se muestra una
muestra representativa de las respuestas proporcionadas por los estudiantes,
mientras que todas las respuestas están disponibles en su totalidad aquı́4 ). Al
examinar los resultados, se observa que algunas respuestas están más justificadas
que otras. Sin embargo, es destacable el éxito de que todos los alumnos hayan
sido capaces de responder a la pregunta con una respuesta válida.
Al realizar un análisis más detallado de las respuestas, se observa que al-
rededor de un 40 % de los participantes mencionó aspectos relacionados con la
autonomı́a y la capacidad de tomar decisiones por sı́ mismo. Asimismo, aproxi-
madamente un 30 % de las respuestas destacó la importancia de la programación
en la autonomı́a del robot. Otro aspecto relevante mencionado por un 25 % de
los alumnos fue la capacidad del robot para adaptarse a situaciones y realizar
acciones sin la intervención humana. Por último, algunas de las respuestas hicie-
ron referencia a otros aspectos muy relevantes, como el entorno en el que opera
el robot. Estos resultados demuestran que los alumnos tienen un entendimiento
generalizado de las caracterı́sticas clave de un robot autónomo y muestran una
comprensión sólida de los conceptos abordados en la actividad.
Tabla 5.8: Respuestas del alumnado a una de las preguntas del cuestio-
What is an autonomous robot?

It is a robot that has autonomy and can perform actions and make
1
decisions without help.
2 A robot which operates in the environment autonomously.
3 If they can take decisions themselves and learn about results to act better.
4 Is a robot which can take decisions for himself.
A robot that can automatically work and needs no manual input until the
5
battery runs out.
6 A robot that solves problems without human intervention.
7 A robot that does things by itself.
8 A robot that can adapt to a situation and act on its own.
9 A robot that acts without the need of a supervision.
It is a robot who can operate without a human intervention and a high
10
autonomy.
4 Material disponible de la 2ª AFG: https://bit.ly/3Pu4NtV

11 A robot controlled by AI.

A robot that is able to work without the supervision or interaction of
12
humans.
It’s a robot that performs behaviors or tasks with a high degree of
13
autonomy.
14 A robot that works without a human that controls it.
15 A robot that makes actions by its way, after having a good programming.
A robot that can adapt to a certain task and it doesn’t need to be
16
specifically programed to do that.
17 An autonomous robot is a robot that can make decisions on its own.
18 It is a robot that can make decisions.
Por otra parte, se realizaron preguntas técnicas para evaluar la compren-

sión de los estudiantes sobre la autonomı́a de los robots, la utilidad de sensores
como el de distancia u orientación en la robótica autónoma, ası́ como los as-
pectos a evitar al programar este tipo de robots. Los resultados, presentados en
la figura 5.40, revelaron que más de la mitad de los estudiantes respondieron
correctamente a todas las preguntas planteadas.
Figura 5.40: Respuestas del alumnado a preguntas técnicas del primer formulario
de la 2ª AFG.
La primera pregunta, “¿Son todos los robots autónomos?”, permitió analizar

las percepciones de los estudiantes sobre la autonomı́a en los robots. Se observó
que la mayorı́a de los estudiantes, concretamente un 80,5 %, reconoció que al-
gunos robots son autónomos y otros no, desligando el concepto de robótica e

IA. En cuanto a la pregunta sobre la utilidad de los sensores simples como el de
distancia o el de orientación en la robótica inteligente, se obtuvieron de nuevo
respuestas positivas, ya que un 80,5 % reconoció que son necesarios también en
la robótica inteligente y no solo en robótica básica para resolver tareas de bajo
nivel que den soporte a otras más avanzadas. Finalmente, la tercera pregunta
se centró en identificar los aspectos a evitar al programar un comportamiento
autónomo en un robot. En este caso, se observó una disminución significativa
en el porcentaje de respuestas correctas, ya que solo el 53,7 % de los estudiantes
reconoció la importancia de evitar el uso de tiempos o distancias predefinidos.
El 36,6 % consideró que era necesario evitar los bucles infinitos, que no es co-
rrecto, pero creemos que muchos la marcaron porque se les insistió mucho en
evitarlos ya que estos podı́an colapsar el robot.
En general, podemos decir que las respuestas globalmente evidencian una
mayor conciencia por parte de los estudiantes acerca de los posibles errores y
dificultades en la programación de comportamientos autónomos en los robots,
ası́ como su comprensión de la importancia fundamental de los sensores y ac-
tuadores para logra dicha autonomı́a. Esto es un punto clave en el enfoque de
agente inteligente que está como base del presente plan de estudios.
Figura 5.41: Respuestas del alumnado a preguntas técnicas del segundo cues-
tionario de la 2ª AFG.
En el segundo cuestionario, que se centró en el impacto de la IA, se obtu-

vieron resultados de aprendizaje exitosos. Como se muestra en la figura 5.41, el
92,3 % de los participantes afirmó que consideran que la IA hará nuestras vidas
mucho más fáciles, lo cual refleja su percepción de los beneficios potenciales de
esta tecnologı́a, algo que no tenı́an tan claro al comienzo del proyecto por la
influencia de los medios de comunicación y la ciencia-ficción.
En este sentido, se observó que los estudiantes han reflexionado sobre las
implicaciones negativas de la IA, pero con una perspectiva formal. Por ejem-
plo, el 73 % demostró ser consciente de que la IA puede ser perjudicial para
el medioambiente, algo que no resulta tan evidente a esta edad. Asimismo, un
significativo 77 % reconoció que creı́a que la IA debe estar regulada por ley, evi-
denciando su comprensión de la necesidad de establecer marcos éticos y legales
para su uso responsable.
En relación a la influencia de la IA en nuestros gustos y preferencias, un 81 %
de los estudiantes reconoció su capacidad para influir en nuestras decisiones.
Esto revela una comprensión de cómo la IA puede adaptarse y personalizar
experiencias según nuestras necesidades individuales.
Por tanto, tras la realización de la TU6, los estudiantes son más conscientes
de las cuestiones éticas, legales y de sostenibilidad que implica la IA, es decir,
el proceso de reflexión ha sido positivo. Conocen los problemas que pueden
derivarse de un mal uso, pero también que son problemas con solución al ser
esta una disciplina en desarrollo. Al mismo tiempo, consideran que la IA será
globalmente positiva para su futuro.
5.5.3. Tercera Actividad de Formación en Grupos
La tercera de las AFGs se realizó en diciembre de 2021. Por aquel entonces,

las restricciones a causa de la crisis del Covid-19 eran de nuevo muy severas,
por lo que fue necesaria realizarla en formato totalmente virtual.

Paı́s Modalidad
A Xunqueira España Online 12 2
David Buján España Online 11 1
Solski center
Eslovenia Online 6 2
Velenje
Joensuun
lukio
Viesoji istaiga
Lituania Online 4 2
Panevezio
Se realizó 6 meses después de la anterior AFG, con el verano de por medio, lo

que supuso un total de 4 meses efectivos de progreso para alumnos y profesores
de las unidades didácticas. En este periodo, los centros empezaron a trabajar
en diferentes unidades según sus competencias principales.
El principal objetivo didáctico de esta actividad fue implementar la TU9 en
dos talleres de 3 horas. De nuevo, fueron dirigidos por el equipo de la UDC,
con el objetivo de tener una retroalimentación directa sobre la comprensión de
los contenidos por parte de los alumnos. Ambas sesiones seguı́an la metodologı́a
propuesta en las unidades, pero adaptada a una enseñanza online.
En ella se trabajó la TU9, la cual se centra en la interacción humano-robot,
un tema clave en la IA moderna. Todos los materiales utilizados en esta activi-
dad pueden verse en este aquı́5 , incluyendo presentaciones utilizadas, soluciones
de los alumnos a los retos, etc. Entre todo el material se encuentran los resulta-
dos obtenidos en las encuestas cumplimentadas por los alumnos al finalizar la
actividad.
La figura 5.42 muestra los resultados obtenidos en el cuestionario realizado
al final de la AFG. En la primera pregunta se indagó sobre la definición de
interacción natural en el ámbito de la IA. Observamos que un 70,6 % de los
estudiantes comprendieron que se trata de una interacción similar a la que se
da entre seres humanos. En relación a la relevancia de la interacción natural
en el campo de la IA, se destaca que el 100 % de los participantes reconoció la
importancia de este aspecto. Es notable que todos los estudiantes comprendieron
que la interacción natural jugará un papel fundamental en los sistemas de IA
del futuro, los cuales estarán diseñados para interactuar con seres humanos.
5 Material disponible de la 3ª AFG: https://bit.ly/3Npz8ae

Figura 5.42: Respuestas del alumnado a preguntas técnicas del cuestionario de

la 3ª AFG.
Finalmente, la tercera pregunta de la figura 5.42 exploró por qué la interac-

ción humano-robot es un campo multidisciplinario. El 70,6 % de los estudiantes
comprendió que implica conocimientos en ciencias de la computación, proce-
samiento de lenguaje natural, psicologı́a e ingenierı́a. Y el resto de alumnado
la asoció con el uso único de sensores como cámaras, micrófonos y pantallas
táctiles o de motores, caras y voz.
Figura 5.43: Imágenes de la reunión desde donde se coordinaba la sesión (iz-

quierda) y del alumnado trabajando en una de las sesiones (parte central y
derecha) en la 3ª AFG.
Los resultados obtenidos evidencian la comprensión alcanzada por los estu-

diantes en relación a los conceptos fundamentales de la interacción natural y su
relevancia en el ámbito de la IA. Estos hallazgos son particularmente significati-
vos dentro del contexto del plan de estudios, ya que la interacción humano-robot
representa un campo completamente nuevo para los estudiantes de esta edad.

El hecho de que hayan logrado alcanzar un nivel sólido de comprensión en este
tema es altamente positivo y demuestra un avance significativo en su aprendi-
zaje.
5.5.4. Cuarta Actividad de Formación en Grupos
Esta cuarta actividad de formación en grupos se celebró en Lituania en

febrero de 2022. Se celebró en el centro de formación profesional de Panevėžys,
del 20 al 24 de febrero de forma hı́brida. La razón de volver de nuevo al formato
hı́brido y no al presencial fue que, las escuelas de Italia y Finlandia no tenı́an
permitido viajar, por lo que asistieron de forma online a los talleres. Las otras
4 escuelas asistieron con 6 alumnos y 2 profesores cada una.

Paı́s Modalidad
Solski center
Velenje
Joensuun
lukio
Viesoji istaiga
Lituania Presencial 6 2
Panevezio
En esta actividad, cuyos materiales pueden consultarse aquı́6 , el objetivo era

trabajar la TU10, dirigida a aprender más sobre el impacto de la IA en cuanto
a la interacción humano-robot, y las TU11 y TU13, pertenecientes al grupo de
unidades de robótica intermedia. Para ello, se llevaron a cabo 4 talleres de 4
horas cada uno:
Taller 1 y 2. En estos dos primeros talleres se implementó la TU11, cuyo

6 Material disponible de la 4ª AFG: https://bit.ly/3PlOPlD
objetivo fue hacer una transición del lenguaje de programación Scratch a

Python con el mismo objetivo que la TU7 y TU8 ya realizadas por los
estudiantes.
Taller 3. En este caso, se llevó a cabo el desarrollo de la TU10. El objetivo

era crear una actividad de debate sobre la interacción humano-robot y los
tutores inteligentes, con un producto final de los estudiantes en formato
podcast.
Taller 4. El último taller tuvo como objetivo implementar la TU13, cen-

trada en una introducción al aprendizaje por refuerzo. Concretamente,
los estudiantes tuvieron que desarrollar un algoritmo de Q-learning con
utilizando Python y RoboboSim.
En todos los talleres, los alumnos se organizaron en grupos con un número

equilibrado de participantes por paı́s, para fomentar su colaboración. Y por
supuesto, siguiendo la metodologı́a de aprendizaje de ABP propuesta en las
unidades.
En este caso, se emplearon dos instrumentos para la evaluación de los con-
ceptos técnicos adquiridos por el alumnado. Al finalizar las unidades 11 y 13
se realizó un cuestionario a todos los asistentes. Y, por el contrario, en el caso
de la TU10, se consideró el podcast creado por el alumnado el reflejo de lo que
habı́an aprendido.
El objetivo de la TU10 es reflexionar sobre la Interacción Humano-Robot y
las consecuencias que este tipo de sistemas de interacción natural podrı́an tener
en la sociedad del futuro. Mediante el análisis de los podcast creados por los
estudiantes durante la AFG (disponibles aquı́7 ), se pudo constatar que los estu-
diantes fueron capaces de examinar diversos sistemas robóticos utilizados para
la enseñanza automatizada y formular afirmaciones fundamentadas en su cono-
cimiento sobre los mismos. Por ejemplo, uno de los grupos afirmó: “Imaginen
este dispositivo ya en casa, serı́a genial porque podrı́a responder a las preguntas
de los estudiantes”, mientras que otro grupo expresó: “Creo que Samantha es
muy avanzada y de gran ayuda, porque puede expresar emociones y pensar de
manera independiente”. Estas afirmaciones demuestran el entendimiento y la
apreciación que los estudiantes tienen hacia las capacidades y el potencial de
los robots en el ámbito educativo.
7 Podcast creados durante la 4ª AFG: https://bit.ly/43YEws7
Figura 5.44: Respuestas del alumnado a preguntas técnicas del primer cuestio-
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
los estudiantes respondió correctamente, asegurando que se utiliza para detec-

tar objetos, mientras que el 16,7 % lo hizo erróneamente diciendo que lo que se
detecta es el brillo y el contraste.
En relación con la detección de colores, utilizada intensamente en la TU11, el
75 % de los estudiantes consideró que es interesante porque es una caracterı́stica
simple de los objetos que puede ser útil para una primera detección, mientras
que el 25 % mencionó que depende de la iluminación. Esta pregunta buscaba
evaluar la comprensión de los estudiantes sobre la importancia de la detección
de colores en la IA y puede confirmarse que un alto porcentaje de los estudiantes
lo comprendieron adecuadamente.
La cuarta pregunta, representada en la figura 5.44, tenı́a como objetivo eva-
luar la comprensión de los estudiantes acerca de los desafı́os de la visión por
computador en robots reales. A través de sus respuestas, se observó que el 75 %
de ellos comprendió correctamente que las condiciones de iluminación repre-
sentan un desafı́o significativo para la visión por computador en este ámbito
especı́fico.
Finalmente, al preguntar si el lenguaje de programación Python es adecuado
para el aprendizaje de la IA, el 50 % de los estudiantes respondió que sı́ y además
que les gustarı́a aprender más. Otro 41,7 % también consideró que sı́, pero en
este caso lo perciben como algo complicado. Cabe destacar que en este caso solo
el 8,3 % prefirió Scratch. La mayorı́a de los estudiantes reconoció la adecuación
de Python, lo cual respalda la decisión de introducir un lenguaje de más alto
nivel en estas etapas educativas.
En el segundo cuestionario, realizado al finalizar la cuarta sesión para eva-
luar los conocimientos adquiridos tras la implementación de la TU13, se plan-
tearon preguntas relacionadas con el aprendizaje por refuerzo y el algoritmo de
Q-learning. La figura 5.45 muestra tres de ellas. El objetivo de la primera era
evaluar la comprensión de los estudiantes sobre el concepto global de aprendizaje
por refuerzo. Observamos que el 87,5 % de los participantes respondió correc-
tamente que se trata de un proceso de aprendizaje a través de recompensas y
penalizaciones.
Figura 5.45: Respuestas del alumnado a preguntas técnicas del segundo cues-
tionario de la 4ª AFG.
En la segunda pregunta, se buscaba conocer la comprensión de los estudian-

tes sobre el significado del Q-value. Se obtuvo que el 62,6 % de los estudiantes
comprendió correctamente que es un valor que indica la calidad de una acción.
Por otro lado, el resto de los participantes asoció erróneamente este valor con
la posibilidad de que el robot se estrelle o con que representa la nueva recom-
pensa. Finalmente, la tercera pregunta se centró en analizar su conocimiento
sobre el funcionamiento del algoritmo de Q-learning. En este caso, el 66,7 % de
las respuestas fueron correctas, asegurando que lo que hace este algoritmo es
ajustar los Q-values.
Figura 5.46: Imágenes del grupo de trabajo de la 4ª AFG.
En general, los resultados obtenidos en estas preguntas demuestran una com-

prensión adecuada por parte de los estudiantes en relación con los conceptos
fundamentales del aprendizaje por refuerzo y el algoritmo de Q-learning. Sin
embargo, también se identificaron áreas en las que se requiere una mayor clari-
dad, como la interpretación de los Q-values y el funcionamiento del algoritmo,

ya que este es un tema con una base matemática más compleja para la cual harı́a
falta profundizar más. En cualquier caso, estos hallazgos fueron valiosos para
mejorar la unidad y acotar su alcance, principal objetivo de estas actividades.
5.5.5. Quinta Actividad de Formación en Grupos
La última actividad de formación en grupos de la investigación se celebró en

el centro educativo de Velenje (Eslovenia) del 14 al 18 de mayo de 2022. Fue la
única actividad formativa que se pudo organizar de forma totalmente presencial
y a la que acudieron un total de 37 alumnos y 12 profesores de los 6 paı́ses.

Paı́s Modalidad
Solski center
Velenje
Joensuun
yhteiskoulun Finlandia Presencial 6 2
lukio
Viesoji istaiga
Lituania Presencial 6 2
Panevezio
2IIS A-Ruiz Italia Presencial 7 1
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 1. En este primer taller de 3 horas de duración, se impartió la pri-

mera parte de la TU16, cuyo objetivo es la introducción a la IA colectiva.
Taller 2. Para que fuera más ameno, este segundo taller de dos horas de
duración se dedicó a la TU17, en el cual se trabaja el tema del impacto

de la IA en torno a los objetivos de desarrollo sostenible.
Taller 3. De nuevo, en el tercer taller de 3 horas se finalizó el desarro-

llo de la TU16, donde todo el alumnado realizó una automatización de
Inteligencia Ambiental del aula.
Taller 4. Para finalizar la actividad, durante dos horas el alumnado apren-

dió sobre el impacto de la IA, concretamente sobre el tema de motivación
mediante la AGI explicada en la TU15.
En este caso, al encontrarse todos los alumnos en formato presencial, tanto

la programación como las actividades de investigación se organizaron en grupos
de 6 estudiantes cada uno, uno de cada paı́s. Además, y siguiendo la metodo-
logı́a del plan de estudios, los alumnos siguieron un enfoque ABP, con diferentes
roles para cada uno de ellos. En resumen, la actividad formativa fue muy rele-
vante para el desarrollo de las TU15, TU16 y TU17, que no se habı́an probado
previamente en las clases por restricciones de tiempo en los centros educativos.
Figura 5.47: Respuestas del alumnado a preguntas técnicas del cuestionario de

la 5ª AFG.
De nuevo, al finalizar la implementación de la TU16, se realizó un cuestio-

nario con el objetivo de verificar si los estudiantes habı́an adquirido los cono-
cimientos deseados durante las sesiones de relacionadas con la TU16. La figura
5.47 contiene la respuesta a dos de las preguntas que se incluyeron.
La primera pregunta, “¿Qué es la inteligencia ambiental?” tenı́a como propósi-
to evaluar si los estudiantes comprendı́an el concepto de inteligencia ambiental.
Observamos que el 66,7 % de los estudiantes respondió correctamente que se
trata de una red de sensores y actuadores que se comunican utilizando Inter-
net. El 30,3 % seleccionó incorrectamente la opción de “Una red de agentes
inteligentes que se comunican utilizando Internet”. Y el 3 % restante consideró

erróneamente que es lo mismo que IoT.
En la segunda pregunta, en la cual se preguntaba qué era la AGI, observamos
que el 57,6 % de los estudiantes respondió correctamente que se centra en el
desarrollo de sistemas inteligentes capaces de aprender en cualquier entorno.
El resto de alumnado seleccionó incorrectamente las opciones de desarrollar
robots que aprendan como un niño o que se enfoca en el desarrollo de sistemas
inteligentes que resuelven tareas individuales de forma autónoma.
En conclusión, los resultados de estas dos preguntas en el cuestionario refle-
jan un nivel general de comprensión satisfactorio por parte de los estudiantes
en relación a los conceptos de inteligencia ambiental y de AGI. Sin embargo,
también se identificaron áreas en las que se requiere una mayor claridad, lo
que puede ser utilizado para mejorar las unidades de enseñanza y fortalecer la
comprensión de los estudiantes en futuras implementaciones.
Figura 5.48: Imágenes del grupo de estudiantes (izquierda) y de alguna de sus

soluciones (parte central y derecha) en la 5ª AFG.
Con respecto a los resultados de las TU15 y TU17, se realizó un análisis de

las presentaciones realizadas por el alumnado sobre la AGI como de la IA por
los ODS (acrónimo de Objetivos de Desarrollo Sostenible, también conocidos
como SDG´s), todas ellas disponibles aquı́8 .
En la TU15, el objetivo principal es brindar a los estudiantes una compren-
sión profunda sobre el avance de la IA hacia la AGI. Mediante el análisis de
8 Material disponible de la 5ª AFG: https://bit.ly/3qRwVwJ
los resultados obtenidos en esta unidad, como se puede observar en el póster

elaborado por uno de los grupos de estudiantes destacado en la parte central de
la figura 5.48, se evidencia que los alumnos lograron definir de manera precisa
el concepto de AGI y además discutir acerca de sus ventajas, desventajas y
desafı́os asociados.
En cuanto a la TU17, su enfoque se centra en el impacto social de la IA co-
lectiva y su objetivo es inducir a los estudiantes a reflexionar sobre cómo estos
sistemas de IA a nivel global pueden influir en nuestra sociedad en el futuro. En
la parte derecha de la figura 5.48, se pueden observar dos diapositivas correspon-
dientes a las presentaciones relacionadas con los Objetivos 7 (energı́a asequible
y no contaminante) y 13 (acción por el clima). En todas estas presentaciones, los
estudiantes fueron capaces de reflexionar y utilizar datos reales para identificar
y desarrollar soluciones que fomenten un cambio positivo en dichos ámbitos.
En conclusión, los resultados obtenidos tras la implementación de las TU15
y TU17 revelan que los estudiantes han adquirido sólidamente los conocimien-
tos impartidos. Asimismo, validan la efectividad de la metodologı́a educativa
utilizada y resaltan el compromiso y éxito de los estudiantes en su proceso de
aprendizaje.
5.5.6. Conclusiones sobre los resultados de aprendizaje
En conclusión, los resultados obtenidos de la implementación y evaluación

de las unidades que conforman el plan de estudios han proporcionado una base
sólida y confiable para la poder difundir el plan de estudios desarrollado a la
comunidad educativa. Durante este proceso de validación, se pudo constatar de
primera mano que el nivel de contenido abordado en las unidades era adecuado
y que el enfoque práctico adoptado facilitó el proceso de aprendizaje de los
estudiantes.
Inicialmente, estaba previsto que los resultados de aprendizaje del alumnado
fueran validados de manera presencial en cinco actividades especiales de forma-
ción. Sin embargo, debido a la pandemia, fue necesario adaptarse y realizar dos
actividades de forma online, dos en formato hı́brido y solo una en modo presen-
cial. A pesar de estas circunstancias, se logró mantener la filosofı́a del plan de
estudios y de cada unidad didáctica, creando grupos de trabajo heterogéneos
que incluı́an alumnos de diferentes nacionalidades. Esta adaptación permitió
146 5.6. Conclusiones sobre el desarrollo
comprobar la fiabilidad de las unidades a diferentes estilos de aprendizaje y

niveles de conocimiento previo.
Durante la implementación del plan de estudios, los estudiantes lograron
superar con éxito varios desafı́os de aprendizaje en IA. Adquirieron habilidades
en la programación de comportamientos autónomos en robots, y demostraron
estar conscientes de las cuestiones éticas, legales y de sostenibilidad relacionadas
con la IA. El proceso de reflexión en torno a estos temas fue positivo, ya que los
estudiantes reconocieron los problemas potenciales que pueden surgir por un mal
uso de la IA, pero también comprendieron que estos problemas tienen solución
debido a que la disciplina está en constante desarrollo. Además, los estudiantes
demostraron una comprensión adecuada de los conceptos fundamentales de la
interacción natural y su relevancia en el campo de la IA. También mostraron un
entendimiento y apreciación hacia las capacidades y el potencial de los robots
en el ámbito educativo. Finalmente, adquirieron un conocimiento básico sobre
los conceptos fundamentales del aprendizaje por refuerzo, ası́ como sobre los
entornos inteligentes.
En resumen, los resultados obtenidos constituyen muestran la validez del
enfoque planteado en este plan de estudios, tanto a nivel de contenidos como
metodológico. Los estudiantes, sin formación previa en IA, fueron capaces de al-
canzar resultados de aprendizaje satisfactorios, y las herramientas utilizadas les
resultaron de interés. Debemos destacar el alto grado de implicación de los par-
ticipantes en el proyecto AI+, tanto docentes como estudiantes, que mostraron
en todo momento una gran motivación hacia la materia y su contenido.
5.6. Conclusiones sobre el desarrollo
En este capı́tulo se han detallado las principales aportaciones llevadas a ca-

bo en esta tesis doctoral, centradas en el diseño, implementación y validación
de un plan de estudios sobre IA para educación preuniversitaria. La principal
conclusión extraı́da es que el plan de estudios desarrollado representa una apro-
ximación viable y realizable a corto plazo, lo cual ha sido confirmado a través de
su implementación y validación en el proyecto AI+. De hecho, como se explicará
en el capı́tulo de conclusiones de esta tesis, se ha utilizado como base para la
creación de una materia oficial en primero de bachillerato en la comunidad de
Galicia.
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.
Figura 5.49: Respuestas del profesorado a preguntas en el cuestionario inicial y

final.
Por un lado, en estos cuestionarios se realizaron preguntas técnicas, como

la primera que se muestra en la figura 5.49, donde se planteó al profesorado si
la IA formaba parte de la robótica. Se constató que los conocimientos previos

acerca de la IA eran limitados, con un porcentaje de error superior al 53 % en
la respuesta inicial, ya que la mayorı́a consideraba que la robótica era parte
de la IA. No obstante, al final de la implementación del plan de estudios se
obtuvo una tasa de aciertos del 100 %, puesto que todos confirmaron que la IA
y la robótica son conceptos distintos, o bien que la robótica es simplemente una
aplicación de la IA. Ambas respuestas fueron consideradas correctas.
En el cuestionario final también se incluyeron preguntas sobre la percepción
y viabilidad del plan de estudios. Los resultados reflejaron una respuesta positiva
de los participantes. En primer lugar, se les preguntó que, en caso de introducir
la formación en IA a nivel preuniversitario, qué enfoque consideraban mejor.
Casi el 60 % de los encuestados respondió que a través de asignaturas dedicadas
en los últimos años, como en este caso. Un 8,3 % opinó que deberı́a integrarse
en asignaturas tecnológicas/cientı́ficas, mientras que un 33,3 % consideró que
deberı́a integrarse en la mayorı́a de las asignaturas, incluso en humanidades.
En segundo lugar, se indagó sobre la opinión de los participantes respecto al
enfoque metodológico utilizado en el plan de estudios. El 25 % de los encuestados
expresó preferencia por un enfoque basado en el usuario, donde los estudiantes
aprenden los fundamentos de la IA mediante el uso de herramientas digitales.
Por otro lado, el 75 % optó por un enfoque basado en el desarrollador, donde
los estudiantes aprenden los fundamentos de la IA programando sus propias
herramientas de IA, que ha sido el seguido en esta tesis.
Finalmente, otro de los puntos clave y más novedosos del plan de estudios es
que sigue un enfoque educativo en IA basado en la programación de dispositivos
del mundo real. El 50 % de los encuestados consideró que era importante para
los estudiantes, pero requerı́a mucho tiempo, lo que comprometı́a el progreso.
Por otro lado, un 41,7 % consideró que fue una experiencia perfecta de acuerdo
al nivel técnico de los estudiantes. Y finalmente el 8,3 % restante opinó que no
era necesario, ya que se podrı́a aprender lo mismo utilizando simulaciones o
aplicaciones basadas en computadora. Es decir, más del 90 % del profesorado
coincidió en la importancia de este enfoque, a pesar de que requerı́a conocimien-
tos de programación.
Estos resultados demuestran que las premisas establecidas en el plan de
estudios fueron aprobadas por la mayorı́a de los participantes, lo cual brinda
seguridad en la viabilidad y efectividad del mismo.
A nivel de aprendizaje por parte de los estudiantes, se puede concluir que

los estudiantes adquirieron una base fiable y formal de los fundamentos de
la IA desde una perspectiva práctica. Por un lado, aprendieron a desarrollar
aplicaciones inteligentes para smartphones, a programar un robot autónomo con
Scratch y Python y, por último, a configurar y programar un entorno inteligente
en un aula utilizando dispositivos reales. El uso de estos tres campo de aplicación
es propio del plan de estudios de AI+, y otras aproximaciones serı́an posibles
basadas en el diseño general realizado aquı́. Pero es importante destacar que,
en este caso concreto, los estudiantes sı́ fueron capaces de seguir un enfoque de
desarrolladores de IA, y no únicamente de usuarios.
Mediante la creación de estas soluciones prácticas, tal y como reflejan los
cuestionarios realizados, aprendieron los fundamentos de la percepción, actua-
ción, representación, razonamiento, aprendizaje e IA colectiva. Además, han
comprendido el impacto de la IA en términos de ética, sostenibilidad y aspectos
legales. Este es un aspecto muy relevante a esta edad, y la mayorı́a de ellos no
eran conscientes de dicho impacto antes de comenzar el proyecto.
Tras el desarrollo del plan de estudios de IA, se detectaron dos necesidades
básicas para lograr implantar de manera global un plan de estudios similar a
nivel preuniversitario en Europa:
■ El dominio de la programación por parte de los alumnos: si se pretende

seguir un enfoque práctico de la IA, se requiere un nivel de programa-
ción mı́nimo y homogéneo en el grupo. De lo contrario, los resultados del
aprendizaje no son satisfactorios, al pasar demasiado tiempo profesores y
alumnos arreglando problemas que no son especı́ficos de la IA.
■ La confianza de los profesores en la enseñanza de la IA: al tratarse de

una disciplina emergente en el nivel preuniversitario, se tardará muchos
años en contar con un grupo de profesores plenamente formado y capaz
de enseñar IA con confianza.
Estas dos necesidades quedaron patentes en el cuestionario final pasado a

los profesores. Como se observa en la figura 5.50, el 91 % concordaron en que la
programación de dispositivos reales era muy importante para que los alumnos
comprendiesen la IA actual, pero que era necesario que tuvieran conocimientos
previos de programación. Además, confirmaron que, aunque más del 90 % de
ellos estaba interesado en implementar esta asignatura, incluso después de todo

el trabajo realizado, el 67 % considera que no está preparado para enseñarla.
Figura 5.50: Respuestas del profesorado a preguntas en el cuestionario final.
Con el propósito de abordar ambas necesidades, en el contexto de esta tesis

doctoral se tomó la decisión de llevar a cabo el desarrollo de un sistema de
tutorización inteligente. El objetivo principal de este sistema es proporcionar a
los alumnos un aprendizaje personalizado que les permita mejorar sus habili-
dades de programación, al mismo tiempo que ofrezca apoyo a los profesores en
aquellos aspectos de IA en los que tengan menos experiencia.
Capı́tulo 6
Desarrollo del Sistema de

Tutorizazión Inteligente
6.1. Introducción
El trabajo de diseño, implementación y validación del plan de estudios de IA

llevado a cabo en esta tesis doctoral ha generado la identificación de necesidades
a corto plazo, tanto por parte del alumnado como del profesorado, para que un
plan con este enfoque de “creadores de soluciones” sea realmente aplicable.
Por un lado, la competencia en programación por parte de los estudiantes de
esta edad no es suficiente para resolver ciertos problemas de manera adecuada.
Aunque se utilicen herramientas adaptadas, librerı́as con funciones de más alto
nivel y otras ayudas a la programación, es una cuestión de experiencia y tiempo
dedicado a la programación. Este obstáculo no es abordable en el marco de
una tesis, ni siquiera de iniciativas particulares a mayor escala, sino que es
competencia de los planes de educación digital de las diferentes naciones. Es
decir, para que este problema que aquı́ se plantea no condicione a un plan de
estudios preuniversitario de IA, harı́an falta cambios de calado en la educación
digital de los estudiantes, de modo que lleguen al final de la educación secundaria
con un nivel mucho mayor de programación.
Por otro lado, el nivel de confianza en la enseñanza de la IA por parte de los

profesores es bajo en la actualidad, y tampoco es un problema de fácil solución a
corto plazo. La mayor parte de los docentes que impartirán este plan de estudios
de IA, y otros equivalentes, forman parte de especialidades de tecnologı́a, TIC o
matemáticas. En su época de estudiantes es poco probable que hayan estudiado
la IA con profundidad, como para afrontar con seguridad su enseñanza. Por tan-
to, aunque las diferentes autoridades educativas promuevan asignaturas como
la que aquı́ se ha desarrollado, la realidad es que su implantación en los centros
educativos será escasa hasta que no se forme adecuadamente a los docentes, y
este es un proceso que también llevará tiempo.
Con el objetivo de proporcionar un camino hacia la solución de los dos
problemas anteriores, en el marco de esta tesis se decidió realizar el desarrollo
de un ITS que, mediante la provisión de un aprendizaje personalizado a los
alumnos, permitiese guiar a estos en la programación de las soluciones en función
de sus habilidades y conocimientos previos, a la vez que proporciona soporte a
los profesores en los temas especı́ficos de IA en los que tienen menos experiencia.
Por tanto, esta lı́nea de investigación no se centra en la educación sobre IA, sino
en la educación con IA, tal y como se diferenció en la sección 2.2.1. Podrı́amos
decir que se fusionan ambos enfoques, ya que se trabajará en una herramienta
basada en IA para dar soporte a la enseñanza sobre IA.
En este capı́tulo, se presenta el prototipo de ITS desarrollado en el contexto
de esta tesis. El propósito principal es realizar una descripción detallada de las
caracterı́sticas, funcionalidades y componentes clave del sistema. Para ello, a lo
largo de este capı́tulo, se explorarán tanto el marco teórico en el que se basa
el sistema, se detallará su diseño, implementación y evaluación con estudiantes
de tres paı́ses diferentes. Asimismo, se discutirán las principales conclusiones
derivadas de este desarrollo, que ha abierto una lı́nea de investigación de gran
proyección futura para el grupo de investigación de la investigadora. Es impor-
tante destacar que este ITS no pretende sustituir el papel de los profesores, sino
complementarlo y proporcionar ayuda en el corto plazo, como una herramienta
de apoyo en la transición hacia una situación más estable en términos de su
formación sobre IA en niveles preuniversitarios.
Capı́tulo 6. Desarrollo del Sistema de Tutorizazión Inteligente 153
6.2. Antecedentes
El aprendizaje personalizado es un objetivo clave en la educación (Zhang

et al., 2020), que trata de adaptar los contenidos y las metodologı́as a cada
alumno en particular para maximizar su comprensión y desarrollo en una ma-
teria determinada. Tradicionalmente, el aprendizaje personalizado ha sido res-
ponsabilidad de los profesores, basándose en su propia experiencia y empatı́a.
Pero hoy en dı́a, las tecnologı́as digitales permiten alcanzar ciertos niveles de
aprendizaje personalizado a través de herramientas de software especı́ficas, que
analizan el perfil del estudiante para proporcionarle una experiencia adaptada
de forma autónoma (Shemshack and Spector, 2020).
En el contexto de la IA aplicada a la educación, y más concretamente den-
tro de la enseñanza con IA (sección 2.2.1), los sistemas de aprendizaje online
adaptativos (conocidos como AES, por sus siglas en inglés Adaptive E-learning
Systems) se refieren al “conjunto de técnicas y enfoques que se combinan para
ofrecer formación online a los alumnos con el objetivo de proporcionar recursos
e interfaces personalizados” (Kolekar et al., 2019). En este caso, el concepto
online se refiere a formación mediante dispositivos digitales, no necesariamente
no presencial. Hay diferentes aspectos de los AES que pueden personalizarse,
como los contenidos, el itinerario de aprendizaje, el modo en que se presenta
la información o la interfaz gráfica de usuario. En cualquier caso, es necesario
definir qué datos relevantes hay que captar del alumno relativos a su grado
de comprensión y atención en una cierta lección, aplicar diferentes técnicas de
procesado sobre ellos que permitan crear modelos o categorı́as, y finalmente
ofrecer una respuesta personalizada que guı́e el aprendizaje (Katsaris and Vi-
dakis, 2021). Uno de los enfoques más relevantes y prometedores en este ámbito
son los ITS, que tal y como se mencionó en el capı́tulo 2, aplican técnicas de
IA como el aprendizaje automático, la lógica basada en reglas o la lógica difusa
para modelar dichos datos y lograr la adaptación deseada de forma autónoma,
como se explica con detalle en Ennouamani and Mahani (2017) y Holmes et al.
(2019).
La relevancia de desarrollar nuevos ITS en el marco de la educación no es de
gran interés únicamente por lograr una enseñanza más personalizada, sino que
se ha visto respaldada recientemente por los ODS 2015-2030 (United Nations,
2015), concretamente el 4c, centrado en la necesidad de aumentar la oferta de
tutores cualificados en zonas en desarrollo. Se ha comprobado que el acceso y
154 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).
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.
6.3.1. Metodologı́a didáctica
RoboboITS será un prototipo de ITS que se utilizará para analizar la viabi-

lidad de una herramienta automática de aprendizaje personalizado en el marco
de la enseñanza sobre IA, siguiendo el enfoque metodológico del plan de estu-
dios de IA detallado en la sección 5.2.3. Por este motivo, el ITS debe permitir la
programación de casos realistas en diferentes campos de la IA. Para hacer frente
a este enfoque práctico del aprendizaje se decidió, como primera aproximación,
centrar todos los retos en el campo de la robótica autónoma, ya tratada con
profundidad en el plan de estudios de AI+. En consecuencia, a la hora de dar
contenido al ITS, se cuenta con el respaldo de dichas unidades, que ya fueron
testeadas con éxito en el marco del proyecto.
Aunque RoboboITS no se ha diseñado con ninguna limitación en cuanto a
las unidades que puede incorporar, en el marco de este trabajo se establece que
los estudiantes que lo utilicen deben tener unas edades comprendidas entre los
15 y 18 años, con una especialización en matemáticas y tecnologı́a. En lo que
respecta a la programación, se requiere contar con un nivel mı́nimo de experien-
cia previa, al igual que en el plan de estudios de AI+. Es importante destacar
que RoboboITS ha sido diseñado para atender a una amplia gama de perfiles,
adaptándose tanto a estudiantes con habilidades básicas que requieren mayor
orientación, como a aquellos con un nivel más avanzado y mayor autonomı́a.
Para probar el funcionamiento de los programas hechos por los estudiantes
en las unidades didácticas, se utilizará el RoboboSim simulator (2023), que
constituye la interfaz con el alumno (figura 6.1). Por tanto, el RoboboITS es
un ITS centrado en la enseñanza de los fundamentos de la IA mediante retos
del campo de la robótica autónoma, que son resueltos a través de un simulador
3D. Desde el punto de vista formativo, es conocido que el uso de robots en el
156 6.3. Diseño
aula fomenta el aprendizaje práctico, interdisciplinar, cooperativo y basado en

retos (Anwar et al., 2019). Desde el punto de vista de la alfabetización en IA,
los robots no imponen especiales restricciones, y permiten aprender sobre los
principales temas de la IA para este rango de edad (UNESCO, 2022).
Figura 6.1: Interfaz de RoboboSim.
Como se ha comentado en el apartado anterior de antecedentes, el número de

ITS existentes está aumentando y mejorando continuamente, pero, tras la revi-
sión exhaustiva realizada por la investigadora, no existe en la actualidad ningún
otros sistema especı́ficamente enfocado a la educación sobre IA, ni basado en un
simulador robótico 3D como interfaz. Sı́ podemos encontrar varios ejemplos en
los que se utilizan robots como tutores en la educación, en un subcampo que se
denomina Robots Tutores Inteligentes (conocido como ITR, por su traducción
al inglés Intelligent Tutoring Robot ), como indican Yang and Zhang (2019). Pero
la principal caracterı́stica de los ITR, es que utilizan un robot real como interfaz
con los estudiantes, lo que implica una serie de consideraciones de interacción
humano-robot que están fuera del alcance de esta investigación.
En cuanto a la aplicación de entornos de simulación robótica con fines edu-
cativos, podemos destacar algunas iniciativas. En este sentido, Constructsim
proporciona material didáctico y ejercicios con simulaciones en lı́nea. Se centra
más en los aspectos técnicos de la programación robótica utilizando ROS/ROS2
(The Construct!, 2023). Blocky Games contiene un entorno gráfico de progra-
mación muy sencillo destinado a enseñar programación a estudiantes jóvenes,
con la posibilidad de utilizar robots (Blockly Games, 2023). Asimismo, CoderZ

y Open Roberta proporcionan un entorno de programación gráfica muy sen-
cillo para programar el comportamiento de robots reales y simulados en 2D o
3D (CoderZ, 2023; OpenRoberta, 2023). Y en el caso de Robot Benchmark, la
herramienta propone una serie de retos interactivos de simulación de robots rea-
listas en 3D que los estudiantes deben resolver programando el comportamiento
en lenguaje Python (Robotbenchmark, 2023). A pesar de que estas iniciativas
integran programación y simulaciones robóticas, ninguna de ellas incorpora ac-
tualmente un ITS para respaldar el aprendizaje autónomo. No obstante, existe
la posibilidad de incluirlos en el futuro.
En resumen, el enfoque de ITS propuesto en esta tesis supone una lı́nea de
investigación original y de gran potencialidad en el campo de la IA en educación.
Para el desarrollo de RoboboITS se ha seguido una metodologı́a de investigación
para diseño educativo, primero diseñando el ITS, luego implementando una
versión prototipo y, por último, evaluando su funcionamiento en intervenciones
educativas iterativas, que se utilizaron para mejorarlo.
6.3.2. Arquitectura del ITS
La arquitectura interna de RoboboITS se representa en la figura 6.2, y está

basada en cuatro módulos principales (en verde en la figura), tı́picos en este
tipo de sistemas (Holmes et al., 2019): dominio, tutor, estudiante e interfaz. El
Módulo de Dominio incluye el conocimiento especı́fico sobre el área concreta del
ITS, en este caso IA, por lo que se corresponde con las unidades didácticas del
plan de AI+. En concreto, este módulo contiene la definición de las actividades
propuestas a los alumnos, los objetivos de aprendizaje y el código con las solu-
ciones. El Módulo Tutor engloba la experiencia del profesor en aspectos como
retroalimentación, orientación pedagógica, resolución de problemas, evaluación
y la adaptación de la actividad, y contiene la división de las actividades en
subactividades, de forma que se pueda proporcionar una orientación persona-
lizada a nivel de resolución del problema. Este módulo realiza una evaluación
automática de la actividad comparando la solución del alumno con la correcta
obtenida del Módulo de Dominio.
158 6.3. Diseño
Figura 6.2: Representación esquemática de la arquitectura RoboboITS.
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
o Scratch, los lenguajes soportados por RoboboSim. Pero estas interfaces de

programación son independientes de la interfaz de RoboboITS. Esta es una ca-
racterı́stica muy relevante, ya que este ITS no proporciona retroalimentación
sobre el código del alumno, sólo sobre el resultado obtenido tras ejecutarlo en
la simulación. La retroalimentación del código podrı́a ser interesante también,
pero de acuerdo con el diseño del plan de estudios realizado en esta tesis, el
objetivo del RoboboITS no es enseñar programación, sino IA a través de la
robótica, por lo que lo relevante aquı́ es el resultado final de la aplicación del
código y no el código en sı́ mismo.
Figura 6.3: Pantallas de visualización de RoboboSim (parte izquierda y derecha)

y ejemplo de carectización del robot (parte central).
El diagrama de la figura 6.2 también representa el flujo de información y las

relaciones entre los diferentes componentes de la arquitectura. Empezando por
los bloques de color verde, Algoritmos se encarga de la adaptación de la activi-
dad y su explicación al perfil del alumno, por lo que constituye el bloque de toma
de decisión del ITS. La versión actual de RoboboITS utiliza un enfoque basado
en reglas para esta toma de decisión, pero soportarı́a la utilización de modelos
aprendidos. Una vez seleccionada una actividad y su nivel, se ejecuta el bloque
Actividad Adaptada, que representa el periodo en el que la actividad es realizada
por el alumno. En esta etapa, se ejecuta el bloque Datos, que captura toda la
información definida como relevante para evaluar el rendimiento del alumno y
la realización de la actividad. La solución del alumno se evalúa ejecutándola en
el simulador. De dicha ejecución se capturan los siguientes datos: (d1) tiempo
requerido para resolver la actividad, (d2) número de intentos, (d3) nivel del
alumno al inicio y al final de la actividad, (d4) tiempo requerido para leer los
enunciados, (d5) número de veces que el alumno abre la documentación y (d6)
número de veces que el alumno lee los enunciados. A continuación, se ejecuta
160 6.3. Diseño
el bloque Análisis de datos y se proporciona retroalimentación personalizada al

alumno (bloque de Resultados de retroalimentación) a través de la interfaz del
simulador. Se han incluido dos tipos principales de retroalimentación:
1. Subactividad: si el número de intentos (d2) es superior a un umbral

predefinido, el nivel del alumno disminuye. Esto implica que la activi-
dad global se divide en otras más pequeñas, para que el alumno pueda
enfrentarse a un problema más sencillo. Esta filosofı́a está acorde con la
validación del plan de estudios explicada en 5, donde se constató la ne-
cesidad de dar opciones para que los alumnos más avanzados lograsen el
reto de manera autónoma.
Figura 6.4: Ejemplos de las pistas visuales que proporciona el RoboboITS.
2. Pistas visuales: el tiempo necesario para resolver la actividad (d1) y

el número de intentos (d2) habilitan la activación de pistas visuales a
través de la interfaz del simulador, con el objetivo de proporcionar apoyo
al alumno antes de bajar de nivel. La figura 6.4 ilustra ejemplos de las
pistas proporcionadas por el RoboboITS. En la parte superior de la figura,
se muestra a la izquierda la apariencia de las indicaciones que guı́an la

trayectoria del robot, mientras que a la derecha se encuentra el punto al
que el robot debe llegar para completar la tarea. En la parte inferior, se
representan las indicaciones de choque a la izquierda y los avisos pop-up
a la derecha, que se utilizan para enviar mensajes a los alumnos. En este
caso particular, también se muestra una indicación visual de celebración
para señalar que se ha completado toda la actividad.
6.3.3. Funcionamiento de RoboboITS
El funcionamiento de RoboboITS se puede resumir en una serie de pasos

secuenciales que se describen a continuación:
Figura 6.5: Ejemplos de las preguntas cuestionario inicial.
1. El sistema evalúa el nivel inicial del alumno: la primera vez que se

utiliza el ITS, el alumno debe completar un cuestionario que permite cono-
cer sus habilidades en programación y los conocimientos previos sobre IA.
El primero es muy importante, porque establece el nivel de competencia
en el que se inicia el ITS. Para ello, incluye preguntas sobre experiencia en
programación, en qué lenguaje, durante cuánto tiempo, y otras especı́fi-
cas para evaluar sus conocimientos, como las que se muestra en la parte
162 6.3. Diseño
inferior de la figura 6.5. En cuanto a los conocimientos de IA, se capturan

mediante preguntas como las ilustradas en la parte superior de la figura
6.5. Estos datos se capturan para evaluar el progreso del alumno al final
de la sesión en los temas centrales a entrenar.
2. Se muestra el enunciado del reto: este está adaptado al nivel y debe

ser leı́do atentamente por los alumnos. En la figura 6.6 se muestran ejem-
plos de la apariencia de estos enunciados. El objetivo de aprendizaje del
ITS es que todos los alumnos alcancen el mismo nivel final resolviendo
el mismo reto. Por lo tanto, dependiendo del nivel inicial, se proponen
actividades con diferentes niveles de orientación (subactividades descri-
tas en la sección anterior). En el nivel más alto, el sistema propondrá al
alumno sólo completar la actividad global, siendo la división en pequeñas
subactividades parte de su trabajo.
Figura 6.6: Ejemplos de los enunciados de los retos.
3. El alumno implementa el programa para resolver el reto: para

ello, la interfaz se organiza en una fase de práctica (parte izquierda de la
figura 6.7) y otra de prueba (parte derecha de la figura 6.7). En la primera
no se evalúan las ejecuciones del alumno, mientras que en la segunda el sis-
tema comprueba si la solución es correcta. Si lo es, se presenta la siguiente
actividad o subactividad, y si no lo es, el alumno recibe retroalimentación
y vuelve a la fase de práctica. Las pistas visuales introducidas anterior-
mente se proporcionan en todos los niveles cuando el alumno falla en la
fase de prueba o cuando el tiempo transcurrido en la fase de práctica es
demasiado largo. Pueden ser gráficos, texto o recomendaciones para leer
la documentación. En el caso de la figura 6.7, ambas contienen la misma
pista visual, que le indica al alumno la dirección que deben seguir y el
punto en el que deben parar.
Figura 6.7: Interfaz de las fases de práctica (izquierda) y prueba (derecha).
4. Trabajo continuo: el sistema permite continuar la actividad en cual-

quier momento. Cuando se ejecuta RoboboITS por primera vez, se asigna
un código único al usuario. Este código se puede utilizar si se cierra la
aplicación, de forma que cuando el usuario vuelve, comienza en el mismo
punto en el que estaba. Además, el alumno puede acceder a toda la do-
cumentación necesaria en cualquier momento desde la interfaz. Contiene
un botón para abrir el enunciado de la actividad, y un segundo que abre
el manual de programación de Robobo. En la figura 6.8 se muestra la
interfaz de la pantalla inicial, donde los estudiantes tienen la opción de
iniciar sesión con su código de acceso o, en caso de ser su primer acceso,
registrarse.
Figura 6.8: Apariencia de la pantalla de registro/acceso.

164 6.3. Diseño
6.3.4. Implementación
Con el propósito de analizar de manera rigurosa el alcance real de Robo-

boITS, se ha desarrollado una lección que aborda de manera especı́fica el tema
de percepción y actuación en el ámbito de la robótica autónoma. Esta lección
en particular se basa en la TU7 del plan de AI+, aunque se ha modificado el
reto final. En cuanto a la percepción, la lección se centra en introducir el funcio-
namiento de los sensores de distancia y orientación, y en cuanto a la actuación,
en el uso básico de los motores en robótica móvil. Se trata de temas funda-
mentales en robótica autónoma, a partir de los cuales las lecciones posteriores
pueden centrarse en sensores y actuadores más complejos (cámaras, pantallas
táctiles, producción de voz y otros). Se debe destacar aquı́ que el ITS no incluye
conocimientos teóricos sobre estos temas, y los profesores deben guiarse por la
TU7 o por materiales de su propia creación para hacer dicha explicación. Eso
sı́, acorde con la metodologı́a docente del plan de estudios, no se recomienda
impartir una lección expositiva al uso, ya que estos conceptos serán trabajados
desde el ITS con un enfoque de aprender haciendo.
El principal objetivo de aprendizaje en términos de IA de esta lección se
centra en que comprendan qué es la autonomı́a. En consecuencia, el robot debe
programarse basándose en las medidas de los sensores, evitando en todo mo-
mento el uso de umbrales predefinidos. Acorde con la TU7, la programación del
reto se realizará utilizando los bloques Scratch del robot Robobo (Bellas et al.,
2018), que deberán ser introducidos por los docentes en sesiones previas, ya que
el ITS no incluye formación acerca de Robobo, solo acceso a su documentación
oficial.
En esta primera versión del ITS sólo se consideran 3 niveles de competencia
para los estudiantes: principiante (1), medio (2) y avanzado (3). Una vez com-
pletado el cuestionario inicial, con el alumno ya asignado a uno de estos tres
niveles, se presenta el reto final de la lección: programar Robobo para que pue-
da evitar de forma autónoma un obstáculo, independientemente de su posición
y tamaño. La respuesta esperada del robot se presenta a través de un vı́deo
que los alumnos pueden reproducir cada vez que lo necesiten. Este reto final se
ha organizado en dos actividades, con el objetivo de enfatizar el concepto de
respuesta autónoma.
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.
Figura 6.9: Movimientos para resolver el reto.
Como se observa en la figura 6.9, el robot comienza delante del obstáculo y

el objetivo es evitarlo por su lado derecho. Los alumnos del nivel 3 no reciben
ninguna subactividad, por lo que afrontan el reto de forma abierta. Para el
nivel 2, el ITS propone dos subactividades. En la primera, los alumnos sólo se
enfrentan a los dos primeros movimientos, mostrados en la figura 6.9 y, hasta
que no los completen, no se presenta la segunda subactividad. En la segunda
subactividad, el objetivo es terminar los movimientos restantes. Además, se
proporciona apoyo visual para la programación motora, como se muestra en la
parte izquierda de la figura 6.10.
Por último, los alumnos de nivel 1 deben resolver cinco subactividades inde-
pendientes, una por cada movimiento mostrado en la figura 6.9, que se evalúan
de forma independiente. Además, los bloques especı́ficos de Scratch que deben
utilizar se proporcionan en la interfaz, como se muestra en la parte derecha
de la figura 6.10. Por lo tanto, los estudiantes de nivel 2 y nivel 1 reciben un
166 6.3. Diseño
reto personalizado, con un nivel de orientación más alto de acuerdo con sus
habilidades de programación.
Figura 6.10: Ejemplo de un enunciado (izquierda) y nota de bloques permitidos

(derecha).
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 6.11: Enunciado de la actividad 2 en cada uno de los 3 niveles.
La división en subactividades según el nivel es la misma que en la Actividad

1, pero ahora los alumnos reciben información relacionada con los sensores. En
el caso del nivel 3, sólo se les indica cuáles deben aplicar, pero su funcionamiento
lo deben comprobar en la documentación (ver parte izquierda de la 6.11). En el
caso del nivel 2, se proporciona, además, el pseudocódigo del programa (parte
central de la figura 6.11). Y es en el nivel 1 donde ya reciben el programa

completo en la interfaz, y los estudiantes solo deben copiarlo y ajustar los valores
de los sensores para que funcione correctamente (ver parte derecha de la figura
6.11).
Finalmente, para todos los niveles, y en ambas actividades, los estudiantes
reciben pistas visuales si las medidas d1 y d2 están por encima de un umbral,
como se explicó en la sección de arquitectura. En esta actividad, las pistas
muestran el camino a seguir, los grados a girar y el punto en el que el robot
debe detenerse, como se ilustra en la figura 6.12. De nuevo, estas pistas son
adaptativas, de tal manera que aportan más información a los alumnos de menos
nivel. Asimismo, surgen sólo si el ITS detecta que el estudiante las requiere, por
lo que algunos de ellos nunca llegarán a verlas.
Figura 6.12: Pista visual para los alumnos del nivel 1 (izquierda) y para el nivel
2 (derecha).
6.4. Validación del ITS
La validación de esta primera implementación del RoboboITS se llevó a ca-

bo en un perı́odo comprendido entre octubre de 2022 y febrero de 2023 en tres
centros de enseñanza secundaria de tres paı́ses diferentes. La primera sesión se
llevó a cabo en Virginia, Estados Unidos, en colaboración con investigadores de
la Old Dominion University (ODU). La segunda sesión tuvo lugar en Fene, Es-
paña, y la última en Caldas das Taipas, Portugal. En esta última sesión también
se contó con la colaboración de un grupo de investigadores de la Universidade
do Minho (UM).
168 6.4. Validación del ITS
En todos los casos, se formó un grupo de estudiantes que constaba de 17 a

24 alumnos, cuyas edades oscilaban entre los 14 y 17 años, y tenı́an conocimien-
tos previos en programación heterogéneos. Todas las pruebas realizadas en los
centros educativos se llevaron a cabo siguiendo un formato de taller práctico,
donde los alumnos participaron activamente y fueron guiados por tres investiga-
dores. Es importante destacar que todas las pruebas se realizaron siguiendo un
patrón común, variando únicamente la versión del simulador utilizado. Además,
las tres pruebas fueron aprobadas por los comités de ética de la ODU (para la
primera) y de la UDC (para la segunda y tercera).
Acorde con la metodologı́a de investigación de diseño educativo, a medida
que se iban realizando estas sesiones de validación, se detectaron mejoras que se
incorporaron en las versiones posteriores del ITS. En consecuencia, cada nueva
sesión utilizaba una versión mejorada de RoboboITS. La última versión del
sistema está disponible en este1 enlace.
En concreto, cada prueba de validación se dividió en dos sesiones, que se
llevaron a cabo de manera secuencial.
Sesión 1
■ Encuesta (10 minutos): Se inició la sesión realizando una encuesta con el

propósito de recopilar datos objetivos sobre los alumnos, tales como edad
y género. Además, se evaluaron los conocimientos previos en relación con
la IA y la programación antes de comenzar la sesión.
■ Introducción al tema de IA (30 minutos): A continuación, se impar-

tió una breve charla introductoria sobre la IA y los temas concretos de
percepción y actuación. El objetivo principal era situar a los alumnos en
el contexto adecuado y familiarizarlos con los conceptos teóricos, algo que
no cubre el ITS.
■ Introducción a RoboboSim (1 hora y 20 minutos): Durante esta parte

de la sesión, se mostró a los estudiantes el funcionamiento básico de la
herramienta RoboboSim mediante ejercicios prácticos, ası́ como al uso de
los bloques de Scratch de Robobo.
1 Enlace de descarga de RoboboITS para Linux, Mac y Windows: https://bit.ly/3CMJNH6

Sesión 2
■ Prueba ITS (1 hora y 50 minutos): Durante esta sesión, cada estudiante

utilizó de forma autónoma la implementación de RoboboITS. Tal y como
se ha explicado, el ITS planteaba un reto concreto de programación, que
iba adaptando a sus habilidades y nivel, además de proporcionar pistas
cuando el alumno tenı́a dificultades para resolver una actividad. Para
asegurar el correcto funcionamiento del ITS y recopilar datos sobre su
eficacia, tres investigadores supervisaron esta sesión.
■ Encuesta (10 minutos): Al finalizar la sesión, se volvió a realizar la en-

cuesta inicial con el objetivo de evaluar el progreso de los alumnos después
de las dos sesiones y conocer su opinión sobre el ITS.
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
En la primera iteración de la fase de validación, se evaluó la versión inicial de

RoboboITS en un centro educativo ubicado en Norfolk, en el estado de Virginia,
Estados Unidos. Esta prueba contó con la participación de un grupo conforma-

do por 17 alumnos, lo que permitió obtener una muestra representativa de la
realidad educativa, tanto en términos de género como de niveles heterogéneos
de competencia en programación (figura 6.13).
El taller transcurrió de acuerdo con lo planificado, cumpliendo con las expec-
tativas establecidas. Durante las sesiones, se realizaron anotaciones de relevancia
por parte de los investigadores, las cuales han sido recopiladas y presentadas en
la tabla 6.1. Estas anotaciones reflejan aspectos y eventos destacados ocurridos
durante el desarrollo del taller, siendo algunas de ellas de mayor importancia
que otras en términos de su contribución al objetivo general de la actividad.
Figura 6.13: Perfil demográfico del alumnado participante en la primera itera-

ción.
Tabla 6.1: Anotaciones de los investigadores tomadas durante la prueba

en Estados Unidos.
1 No leen los enunciados. Les resulta incómoda la apariencia de los enunciados

en el RoboboITS. No distinguen bien el texto por el tamaño/color de letra.
Intentar poner animaciones, vı́deos, recursos multimedia. . .
2 En los enunciados no se daban cuenta de que aún les quedaban pestañas por
pasar, serı́a necesario numerarlas.
3 No guardan correctamente su código de usuario.

4 Es necesario destacar más los botones de la documentación y enunciado.
5 No acaban de entender la parte de pasar de fase de práctica a prueba y finalizar
la fase de prueba.
6 Cuando bajan de nivel hay que decı́rselo porque no saben si es que superaron
la actividad y por eso se les cambia la tarea o porque se les está proponiendo
una tarea más simplificada.
7 Utilizan bloques que no eran los que nosotros querı́amos.
8 En la actividad 1 ya intentaban hacerlo por sensores, hacer énfasis en el enun-
ciado los bloques que pueden utilizar.
9 Fallan muchos en que utilizan un condicional para parar los sensores. Hay
que añadir algo para que sepan que con los sensores hay que leer de manera
continuada.
10 Utilizan bucles infinitos en su programación.
11 Cuando utilizan sensores, esperan valores exactos lo que provoca fallos en el
programa.
12 Cliquean dos veces encima de los bloques de Scratch, por lo que paran el código.
Deberı́a hacerse más énfasis en esto en la primera sesión.
13 En el dı́a 1 no se puede enseñar a programar, tiene que explicarse el contexto
de qué es la IA, qué es un robot autónomo y el entorno de RoboboSim y Scratch
(los bloques de Robobo).
14 El objetivo es utilizar sensores y actuadores en robótica autónoma. No expli-
carlo en la primera sesión para que lo aprendan realmente con el ITS.
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
más ilustrativo, con una reducción en la cantidad de texto y un mayor énfasis

en las imágenes. Además, se incorporó una numeración de página para fomentar
la lectura completa por parte de los alumnos.
Figura 6.14: Interfaz del enunciado en la versión 1 (izquierda) y en la versión 2

(derecha).
RoboboITS incorpora un sistema de identificación de los alumnos a través de

un código único asignado. Sin embargo, se detectó un inconveniente relacionado
con la copia manual de este código, tal como se describe en la anotación 3 de la
tabla 6.1. Se observó que algunos estudiantes no lograban copiar correctamente
el código debido a la necesidad de hacerlo a mano (figura 6.15, lado izquierdo).
Con el objetivo de facilitar y promover la correcta copia del código de identi-
ficación, se tomó la decisión de implementar una mejora en el sistema. Especı́fi-
camente, por una parte, se decidió destacar más el código mediante el aumento
de su tamaño, otorgándole una mayor legibilidad. Y por otra, se agregó un
botón que permite realizar una copia automática del código (figura 6.15, lado
derecho).
Las anotaciones 4 y 5 revelan un problema adicional relacionado con una
deficiencia en la interfaz del RoboboITS. En el caso de la anotación 4, se destaca
la necesidad de resaltar de manera más prominente los botones que permiten
acceder al enunciado y a la documentación correspondiente. Para abordar esta
situación, se tomó la decisión de aumentar ligeramente el tamaño de dichos
botones, proporcionando ası́ una mayor visibilidad y facilitando su identificación
por parte de los alumnos.
Figura 6.15: Interfaz del código de usuario la versión 1 (izquierda) y en la versión

2 (derecha).
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
adecuado para abordar la actividad en cuestión.

En cuanto a los problemas adicionales identificados durante la evaluación, se
destacan las anotaciones 7, 8, 9, 10 y 11, las cuales se relacionan con errores de
programación y el uso inapropiado de bloques. Para abordar estas cuestiones,
se implementaron mejoras en la interfaz del RoboboITS. En primer lugar, se
realizaron modificaciones en los enunciados de las actividades, haciendo hincapié
tanto en los bloques que los alumnos podı́an utilizar como en aquellos que no
debı́an emplear en cada una de ellas (figura 6.17 izquierda). Esta clarificación
adicional tenı́a como objetivo evitar confusiones y errores de programación. Y
no solo eso, sino que en el enunciado de algunas actividades y niveles se añadió
el pseudocódigo que debı́an seguir para su resolución, como el que se mostraba
en la figura 6.11.
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).
Además, se introdujo una serie de consejos (figura 6.17 derecha) relaciona-

dos con prácticas no recomendadas en la programación de robótica autónoma.

Estos consejos abordan cuestiones erróneas comúnmente realizadas como la uti-
lización de bucles infinitos, el control de sensores mediante condicionales y la
comparación de valores exactos con los sensores. Al proporcionar esta informa-
ción adicional, se busca fomentar una programación más efectiva y evitar errores
comunes.
En cuanto al resto de las anotaciones registradas, cabe destacar que, si bien
no estaban directamente relacionadas con el funcionamiento del RoboboITS, sı́
tenı́an un impacto en su rendimiento y, por lo tanto, debı́an ser consideradas
en las futuras iteraciones.
Figura 6.17: Enunciado especificando bloques permitidos (izquierda) y los con-

sejos de programación en robótica autónoma (derecha).
La anotación 12 de la tabla 6.1 hace referencia al uso de Scratch, especı́fi-

camente a un error recurrente cometido por varios alumnos. Dado su alcance y
repetición, se consideró importante abordar este tema durante la primera sesión
del taller. Sin embargo, se decidió no incluirlo en el propio ITS, ya que el obje-
tivo principal del sistema no es enseñar a programar y este problema especı́fico
se relaciona con la programación en Scratch.
Además, en el contexto particular de estos talleres y no en el uso general
del ITS, se consideró necesario centrarse en la explicación del contexto de la
IA, los robots autónomos, el entorno de RoboboSim y los bloques de Robobo
en Scratch, debido a limitaciones de tiempo, y no tanto en programación, como
se hizo en este primer caso. Esta decisión se tomó para proporcionar a los
estudiantes una comprensión adecuada de los conceptos fundamentales antes
de adentrarse en las actividades prácticas.
Por último, y con el objetivo de evaluar si el simulador cumplı́a su propósito
de enseñar los temas de percepción y actuación de la IA en la robótica autónoma,
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.
La segunda iteración de la fase de validación tuvo lugar en un centro edu-

cativo ubicado en el ayuntamiento de Fene, España. En esta ocasión, se contó
con la participación de un grupo conformado por 17 alumnos, manteniendo una
variabilidad en términos de edad y nivel de competencia en programación.
Figura 6.18: Perfil demográfico del alumnado participante en la segunda inter-

acción.
En relación con el aspecto de género, es importante señalar que en este

caso el grupo de participantes estuvo compuesto en su mayorı́a por estudiantes

masculinos. La figura 6.18 muestra las respuestas obtenidas en el cuestionario
inicial.
En este caso, el taller se llevó a cabo utilizando la versión mejorada del si-
mulador, la cual se basó en los datos recopilados durante la primera interacción.
Al igual que en la primera ocasión, el taller se desarrolló según lo planificado,
cumpliendo con las expectativas establecidas.
Además de esta particularidad, al igual que en la primera prueba realizada
en Estados Unidos, se tomaron anotaciones relevantes por parte de los inves-
tigadores durante ambas sesiones. Estas anotaciones han sido recopiladas y se
presentan en la tabla 6.2, proporcionando un resumen detallado de los aspectos
observados durante el desarrollo de la interacción.
Tabla 6.2: Anotaciones de los investigadores tomadas durante la prueba

en España.
1 Poder volver atrás en el cuestionario inicial.

2 Añadir algún efecto visual al completar las actividades para que sea más lla-
mativo.
3 Al finalizar una actividad que tienen dividida en pequeños retos, si vuelven a
ella, no empieza en el reto 1.
4 Modificar la posición final para que solo sea necesario utilizar un sensor lateral
y que sea más rápido de solucionar.
5 No pueden ser tan precisos los puntos de chequeo, aumentar la tolerancia.
6 Se confunden con la imagen que les dice que tienen que hacer los 5 pasos.
Estando en nivel 1 intentaron hacer los 5 pasos directamente.
7 Enfatizar más en los bloques que pueden y no pueden utilizar en cada actividad.
8 Tres estudiantes pausaron la simulación y pensaban que no funcionaba correc-
tamente.
Como se puede apreciar, el número de anotaciones en esta ocasión fue con-

siderablemente menor en comparación con la primera iteración, lo cual indica
un mayor grado de efectividad del sistema. La primera de ellas se originó a raı́z
de la necesidad de permitir la modificación de respuestas en el cuestionario ini-
cial que se aborda dentro del propio entorno del ITS. Un estudiante planteó la
consulta sobre la posibilidad de retroceder en caso de haberse equivocado, pe-
ro esta opción no estaba disponible. Por consiguiente, se consideró importante
proponer esta mejora para la siguiente versión del sistema, la cual ya ha sido
implementada y se encuentra reflejada en la parte izquierda de la figura 6.19.

Además, tras observar la interacción de los alumnos con el simulador, se
determinó la relevancia de añadir algún tipo de efecto visual al momento de
finalizar las actividades, con el fin de proporcionarles una indicación clara de que
han concluido exitosamente. Como se muestra en la parte derecha de la figura
6.19, en la actualización del RoboboITS se añadió un efecto de celebración para
ello.
El tercero de los fallos detectados fue que, al finalizar una actividad y pos-
teriormente volver a ingresar en ella, no se reiniciaba desde el principio, lo cual
fue solucionado en la nueva versión.
Figura 6.19: Pregunta del cuestionario con opción de retroceder a la anterior

(izquierda) y efecto visual al finalizar una actividad (derecha).
La siguiente anotación se relacionó con el único cambio necesario en el objeti-

vo de una de las actividades. En esta situación particular, una de las actividades
presentaba una complejidad adicional que implicaba el uso de dos sensores en
lugar de uno para sortear un objeto. Esta complejidad no estaba relacionada
con los objetivos de aprendizaje, sino más bien con un aspecto de programación.
Dado que el tiempo disponible para las pruebas era limitado y esta complejidad
adicional consumı́a más tiempo del esperado, afectando ası́ el proceso de apren-
dizaje de los conceptos de IA, se tomó la decisión de simplificar la actividad
mediante un cambio sencillo: se ajustó la posición final unos centı́metros antes,
de modo que fuera posible resolverla utilizando únicamente un sensor.
En relación con las anotaciones 5, 6 y 7 de la tabla 6.2, se abordan los tres
últimos cambios relacionados con la interfaz del RoboboITS. En primer lugar, se
destaca la necesidad de aumentar el tamaño de los puntos de control del robot,

ya que eran demasiado pequeños y en ocasiones resultaba complicado ajustar
la programación para alcanzarlos. Este cambio fue implementado en la versión
3 del sistema.
Por otro lado, se identificó un problema en uno de los enunciados de las
actividades. En dichos enunciados, se presentaba inicialmente a los alumnos el
reto final que debı́an lograr y luego se desglosaba en subactividades. El incon-
veniente radicaba en que los alumnos se enfocaban únicamente en la idea final,
intentando realizar la programación completa de manera excesiva y sin obtener
resultados satisfactorios. Para abordar esta situación, se decidió reformular los
enunciados, manteniendo el objetivo final, pero otorgando mayor énfasis a las
subactividades y su resolución individual. Como se observa en la parte izquierda
de la figura 6.20, tras presentarles el vı́deo con el reto final, en la versión dos
del ITS se proporcionaba una imagen general del reto y los sensores que tenı́an
que utilizar y en la siguiente diapositiva se les plantearı́a el reto particular de la
subactividad. Sin embargo, para solucionar el problema, en la versión siguiente
se decidió eliminar la parte de presentación del reto general, el cual ya se conocı́a
gracias al vı́deo planteado, y se presentaba el reto particular directamente.
Figura 6.20: Enunciado de la actividad 2 en la versión 2 (izquierda) y de la

actividad 2 en la versión 3 (derecha).
La anotación 9 se refiere a un problema que ya se habı́a identificado en

la iteración anterior en Estados Unidos y que aún no se habı́a solucionado: la
necesidad de enfatizar más los bloques que los alumnos pueden y no pueden uti-
lizar. Para solucionar este problema, se tomó la decisión de incorporar un nuevo
botón en la pantalla principal del RoboboITS que brindara acceso permanente
a los bloques permitidos en todas las actividades. La figura 6.21 muestra, por
un lado, la interfaz con la adición de este nuevo botón (parte izquierda) y, por
otro lado, el contenido de este en la actividad 2 (parte derecha). Esta mejora

permitirá a los alumnos tener una referencia clara y accesible de los bloques
disponibles para su uso en cada momento.
En la última anotación, se identificó un mal uso por parte de algunos alumnos
del RoboboITS, especı́ficamente en la función de pausa de la simulación. Algunos
estudiantes dejaron la simulación en pausa y, aunque ejecutaron el código, la
simulación no se realizó. Este problema generó frustración y dificultades en el
aprendizaje. Para abordar esta situación, se consideró crucial enfatizar durante
la primera sesión, donde se enseña el manejo del simulador, la importancia de
quitar la pausa para garantizar la ejecución correcta de la simulación. De esta
manera, se busca prevenir posibles frustraciones y asegurar un uso adecuado de
la herramienta por parte de los alumnos.
Figura 6.21: Interfaz de la pantalla principal del RoboboITS (izquierda) y con-

tenido del botón bloques en la actividad 2 (derecha).
En resumen, la mayorı́a de los cambios realizados se centraron en el interfaz

del sistema. Es importante destacar que todos estos cambios son nuevos y no se
consideraron fallos en las modificaciones realizadas tras la primera interacción.
En su lugar, se trata de aspectos que ya estaban presentes en la primera versión
del RoboboITS, pero que no fueron identificados en esa primera prueba. Una vez
más, se llevaron a cabo los cambios necesarios para realizar una nueva iteración.
La tercera y última de las iteraciones de la fase de validación tuvo lugar en

un centro educativo ubicado en Portugal, concretamente en Caldas das Taipas.
Se trató de un taller con 24 estudiantes, manteniendo de nuevo una variabilidad
en términos de edad, género y nivel de competencia en programación, como se

demuestra en la figura 6.22.
Durante esta última iteración, se llevó a cabo el taller utilizando la versión
mejorada del simulador, la cual se basó en los datos recopilados durante las dos
primeras iteraciones.
El desarrollo del taller transcurrió sin inconvenientes, cumpliendo con las
expectativas establecidas. Los participantes mostraron una respuesta muy po-
sitiva y se observó un alto nivel de participación e interés en las actividades
propuestas. Se pudo constatar que las mejoras implementadas en el simulador,
ası́ como en la metodologı́a del taller, tuvieron un impacto significativo en la
experiencia de aprendizaje de los alumnos.
Figura 6.22: Perfil demográfico del alumnado participante en la tercera interac-

ción.
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.
Por otra parte, en este caso el número de ordenadores era menor al de

alumnos, por lo que varias personas necesitaron compartir ordenador y, por lo
tanto, utilizar el ITS en pareja. Pudo comprobarse que en estos casos, aunque los
resultados de aprendizaje no se vieron afectados, el sistema no lograba captar la
atención de ambos y los miembros de la pareja no trabajaban por igual. Esto se
debe a que RoboboITS no está desarrollado para dirigirse a más de un alumno.
Para que esto no ocurra en futuras ocasiones, debe tenerse en cuenta que es
necesaria su utilización de manera individual.
Sin embargo, es importante destacar que no se registraron anotaciones rele-
vantes en cuanto a la interfaz, usabilidad o problemas en los contenidos. Esto
confirma que las adaptaciones realizadas han contribuido a optimizar el rendi-
miento y la usabilidad del RoboboITS, brindando a los estudiantes una expe-
riencia más fluida y enriquecedora.
6.5. Resultados de aprendizaje
Para el análisis de los resultados de aprendizaje obtenidos en la validación

del ITS, se dispone de dos fuentes principales de datos. En primer lugar, se
cuenta con los registros de actividad descargados del ITS durante las diferentes
iteraciones, los cuales proporcionan información detallada sobre el rendimiento
de los alumnos durante el uso del sistema. Estos registros permiten analizar
aspectos como la cantidad de tiempo dedicado a cada actividad, la secuencia de
acciones realizadas, los errores cometidos y los cambios de nivel de competencia.
Por otro lado, se obtuvieron datos a través de cuestionarios administrados
tanto al inicio como al final de las sesiones de validación. A través de las res-
puestas proporcionadas, fue posible evaluar el nivel de comprensión alcanzado
por los estudiantes en relación con los conceptos y habilidades relacionados con
la percepción y actuación en IA. Asimismo, se recabó información sobre la per-
cepción y valoración de los alumnos en cuanto a la utilidad, facilidad de uso y
satisfacción con el ITS.
La combinación de estos datos nos brinda una visión integral de los resulta-
dos obtenidos. Por un lado, podemos analizar el desempeño de los estudiantes
en términos de su progreso, logros y dificultades durante el uso del RoboboITS.
Por otro lado, podemos evaluar el impacto del taller en el aprendizaje de los
conceptos de IA y la percepción de los alumnos hacia el sistema.
Tabla 6.3: Respuestas al cuestionario final sobre diseño y funcionamiento

de los ITS.
Pregunta EE.UU. ESPAÑA PORTUGAL

% de éxito % de éxito % de éxito
¿Te gusta el estilo de
videojuego utilizado en 82,4 88,2 100
RoboboSim?
¿Te gustaba que el
simulador te mostrara
pistas visuales/textuales y
94,1 94,1 100
te propusiera nuevos niveles
(subactividades) para
avanzar?
¿Te gustarı́a utilizar
herramientas más
inteligentes, como 100 88,2 91,7
RoboboITS, mientras
estudias en la escuela?
¿Te gustarı́a utilizar más
herramientas inteligentes,
76,5 70,6 66,7
como RoboboITS para
estudiar en casa?
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.
Se observaron mejoras significativas en los resultados del cuestionario final

en todos los aspectos. En primer lugar, el entendimiento del concepto de robot
autónomo aumentó del 84,8 % en el cuestionario inicial al 95,7 % en el cuestio-
nario final. Además, se registró un incremento significativo en el conocimiento
sobre los requisitos para programar este tipo de sistemas, con un aumento del
39,1 % al 76,1 %. También se evidenció una mejora en la comprensión del sensor
IR de RoboboSim, con un aumento del 76,1 % al 86,9 %. Por último, el por-
centaje de éxito en la comprensión del uso de sensores al programar un robot
experimentó un aumento sustancial, pasando del 45,7 % al 76,1 %.
En general, se observa una mejora en el porcentaje de aciertos de los alumnos.
Esto indica un progreso en su comprensión y conocimiento de los conceptos de
IA trabajados durante el taller. Es importante destacar que los temas tratados
en las preguntas no fueron explicados por los investigadores en la sesión 1 de
los talleres, por lo que este conocimiento fue adquirido mediante el uso del ITS.
Tabla 6.4: Respuestas al cuestionario inicial y final sobre conceptos de

IA.
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?
En relación con los datos recopilados de los registros de actividad descarga-

dos del RoboboITS, los cuales contienen información progresiva sobre el rendi-
miento de los alumnos durante el uso del sistema, estos han resultado de interés
para evaluar el funcionamiento adecuado del bloque “Algoritmo” del ITS, en-
cargado de asignar pistas y niveles. A continuación comentaremos las trazas
de aprendizaje seguidas por una serie de estudiantes en los talleres de Estados
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.
Figura 6.23: Progreso de tres estudiantes de Estados Unidos en el RoboboITS

para resolver el reto.
Continuando con el análisis de las trazas de datos recopilados de los registros

de actividad descargados del sistema RoboboITS, se presentan en la figura 6.24
las correspondientes a tres estudiantes durante la última iteración realizada en
Portugal. El estudiante mostrado en color naranja comenzó en el nivel 3 y logró
completar el reto en un tiempo de 90 minutos sin necesidad de recibir pistas

adicionales, de modo similar al estudiante de nivel 3 de Estados Unidos. A con-
tinuación, se muestra en morado la traza del segundo estudiante, quien también
inició en el nivel 3 pero fue degradado dos veces debido a que requerı́a un mayor
número de pistas para resolver la actividad en la configuración original. A pesar
de no alcanzar el objetivo final, este estudiante logró finalizar rápidamente la
actividad 1 una vez que fue degradado al nivel 1. En este caso, se observa que
la asignación inicial no fue adecuada y puede haber sido resultado de diferentes
razones. Podrı́a ser debido a que las preguntas formuladas en la prueba inicial
no eran las adecuadas, que el estudiante proporcionó respuestas falsas en dicha
prueba, o incluso que el estudiante, al enfrentarse al desafı́o, presionó repetida-
mente el botón de realizar la prueba, a pesar de saber que su resultado no era
correcto. Dado el breve tiempo que pasaba entre las pruebas, se considera que
la última opción es la más probable en este caso. Finalmente, con la lı́nea de
color amarillo se representa la traza de un tercer estudiante, quien se mantuvo
constantemente en el nivel 1 y necesitó 6 pistas para resolver el reto, lográndolo
en un tiempo de 100 minutos.
Figura 6.24: Progreso de tres estudiantes de Portugal en el RoboboITS para

resolver el reto.
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
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.
6.6. Conclusiones sobre el desarrollo del ITS
En este capı́tulo se ha presentado el desarrollo y la validación de RoboboITS,

un prototipo de sistema de tutorización inteligente que proporciona un aprendi-
zaje personalizado en los fundamentos de la IA a estudiantes preuniversitarios.
RoboboITS sigue un enfoque práctico del aprendizaje, con una perspectiva de
desarrollador de sistemas de IA, centrado especı́ficamente en el campo de la
robótica autónoma. Para tal fin, incorpora un simulador 3D llamado Robobo-
Sim que constituye el interfaz gráfico principal del ITS, y que además se utiliza
para evaluar las soluciones de los estudiantes. El ITS afronta los dos principales
problemas detectados durante la validación del plan de estudios de AI+ para
la implantación de materias de IA en esta franja de edad: el nivel heterogéneo
de formación en programación de los estudiantes, y la falta de confianza de los
docentes a la hora de impartir estos contenidos.
En este capı́tulo se ha detallado el diseño de la arquitectura del ITS y una
primera implementación práctica centrada en la TU7 del plan de AI+, que fue
validada en tres sesiones realizadas de forma presencial en escuelas de Estados
Unidos, España y Portugal. El análisis de los datos recopilados en estas sesiones
ha brindado una visión más completa del problema a resolver y cómo afrontarlo,
tanto a nivel de estudiantes como de profesores. En particular, ha servido para
constatar la validez de la integración del ITS con una simulación 3D.
En general, los resultados obtenidos son alentadores, ya que demuestran que
el sistema RoboboITS es efectivo en promover el aprendizaje autónomo y la
comprensión de los conceptos de IA entre los estudiantes, independientemente
188 6.6. Conclusiones sobre el desarrollo del ITS
de su nivel inicial de programación. Esto sugiere que la herramienta cumple su

objetivo y es capaz de adaptarse y proporcionar la ayuda adecuada para facilitar
el aprendizaje de manera efectiva, por lo que abre una vı́a de desarrollo futuro
muy prometedora.
Capı́tulo 7
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
such as machine learning, an approach centred on the concept of the intelligent

agent has been established as the basic conceptual framework in the education
of this discipline. This implies that students must understand the fundamentals
of AI as the technologies that make up a real system that is situated in an
environment, real or virtual, with which it interacts autonomously. In other
words, we will explain AI as a set of computational techniques embedded in a
real system, which provide it with the capabilities to learn, reason and adapt.
To make this AI approach applicable in the target educational environment,
it was proposed to use a project-based learning methodology, in which students
solve concrete challenges in an environment. To this end, the curriculum encou-
rages students to become programmers of intelligent agents, and to learn the
fundamentals of AI ’from the inside’, through technical knowledge of its design
and implementation. This forms an approach of ’AI engineers’ rather than ’AI
users’, which was widely analysed and discussed by the research team, due to its
high complexity of implementation at this age. Obviously, the challenges posed
have been adapted to the level of programming expected from pre-university
students, as this is not a programming curriculum. In summary, the curriculum
has followed a STEAM (Science, Technology, Engineering, Arts, Mathematics)
approach, integrating knowledge from various technical disciplines to solve the
challenges proposed by programming the intelligent agent following the deve-
lopment stages of engineering projects.
Once the scope and focus of the subject had been established, the specific
AI topics to be included in the curriculum were identified. This is one of the key
points of this work, both because of its technical complexity and its relevance
for generalist training, since once selected, educational resources adapted to the
level, which are currently scarce, must be proposed. Taking as a reference the
main initiatives worldwide, as detailed in the reference section, a total of 8 the-
mes have been proposed: perception, performance, representation, reasoning,
learning, collective AI, motivation and impact of AI. Compared to most pro-
posals, this thesis adds three original elements. Firstly, the separation between
perception and performance, which seems to us to be important according to
the stages of an agent’s interaction with its environment. Secondly, the separa-
tion of representation and reasoning, which although they are closely related,
in a general approach we consider that they should be treated separately. Fi-
nally, the inclusion of collective AI, of great practical relevance in the future of
communities, cities and society in general.
192
In order to structure the above contents in a time frame, a teaching orga-

nisation was established based on two consecutive courses, with an incremental
complexity. The first focused on a more general introduction to the basics of AI,
with a lower level of complexity in the programming of the solutions, while for
the second a more technical level was adopted in which text-based programming
is already required. In this way, the curriculum was developed gradually, allo-
wing for a progression in the complexity and depth of AI-related topics, totally
new to teachers and students at this stage. In addition, a specific balance of
AI topics has been proposed in these two courses, giving greater weight to AI
perception, performance, learning and impact.
The learning objectives were then defined, taking into consideration not only
the acquisition of knowledge about AI, but also other technical skills in line with
the teaching methodology, as well as reflection and judgement on the impact
aspects of the technology. The concrete way of assessing the achievement of
these learning objectives was then established by defining objective assessment
criteria. In addition to the criteria, the syllabus includes a specific proposal of
methodologies for assessing students in each of the units, based on three funda-
mental aspects: the proper functioning of the programmes, the understanding
of AI concepts and continuous work throughout the unit.
In order to validate this curriculum design, the next step consisted in the
creation of concrete didactic units and educational resources for the classroom
based on the curriculum, which are explained in detail in the implementation
section of the report. This implementation and validation was carried out within
the framework of an Erasmus+ educational innovation project called AI+, which
provided the financial and material support for the successful completion of this
thesis. A fundamental premise that was established as the basis for the imple-
mentation of the units was the use of the smartphone as the central element for
the practical application of the didactic material. This decision was key, as it
allowed following the smart agent approach of the plan while solving the con-
sideration that schools have limitations in terms of technical and technological
equipment for teaching AI.
With this practical resource in mind, it was determined that three AI appli-
cation domains would be addressed in the AI+ curriculum: smartphone appli-
cations, autonomous robotics and intelligent environments. These application
fields were addressed over two academic years, organised hierarchically and with
incremental complexity at five levels. During the first, the levels of (1) web search
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
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
de Cultura, Educación y Universidad, 2021). This collaboration was a significant

achievement that provided the necessary resources to carry out the research and
allowed progress to be made in achieving the objectives set.
The thesis supervisor was selected as a member of the “Grupo de expertos
en IA” of the Consellerı́a de Cultura, Educación e Universidade de la Xunta
de Galicia to assist in the introduction of AI topics in pre-university education
through this subject. This group of experts came up with the proposal to use
the AI+ syllabus as a basis for the creation of an official AI subject in the
baccalaureate stage in the autonomous community of Galicia, which was offered
in the 2020/21 academic year in a global way.
As a result of the change in Spanish educational legislation, it was necessary
to modify the offer of optional subjects in compulsory secondary education
and baccalaureate. For this reason, in the year 2023 an update of the previous
subject was carried out. In this case, the Consellerı́a de Cultura, Educación e
Universidade de la Xunta de Galicia counted on the author of the thesis and the
director to collaborate in the creation of the syllabus of two new AI subjects
aimed at students of 4th year of ESO and 1st year of baccalaureate, again
inspired by the syllabus developed in this research (Xunta de Galicia, 2023). In
this case, the impact of the thesis is greater, since the two new subjects have
not been based on the concrete implementation of the AI+ plan, but on the
general guidelines presented in the chapter 5.2.
On the other hand, the same Consellerı́a de Cultura, Educación e Universida-
de of the Xunta de Galicia carried out a series of training courses for secondary
school teachers in the Galician community during the academic year 2021/22.
These courses, which consisted of 6 editions and had a duration of 20 hours each,
were mostly given by the author and the director of this thesis. The purpose of
these courses was to train teachers in the fundamentals of AI, and they were
attended by an average of 100 teachers who were highly interested in applying
the knowledge acquired in their future courses. The impact on teachers and stu-
dents in this region has been clearly perceptible, showing the privileged position
that this research has given to the author’s and director’s research group.
Another very important collaboration is the participation of the director of
this thesis in the European digital education working group. The main objective
of this group is to support the Member States of the European Union through
the creation of a network of national advisory services on digital education (Eu-
ropean Digital Education Hub). This participation represents a great oppor-

tunity to contribute to the development and advancement of digital education
at European level and, in addition, strengthens the visibility and international
recognition of the research carried out, increasing its impact and relevance in
the educational field.
Finally, in terms of dissemination, the research of this thesis has generated
several opportunities for its dissemination. Among them, we can highlight the
participation in three plenary conferences, two in the Igaciencia (2021) congress,
one by the author and the other by the director, and a third one in the JENUI
(2022) congress, carried out by the director. In addition, the author has had the
opportunity to participate in several projects aimed at promoting interest in
science and technology among young people, such as the Inspira STEAM (2022)
project and the para la Modernización Tecnológica de Galicia (2021) technology
camp. These dissemination opportunities have contributed to broadening the
reach and impact of the research, promoting awareness and interest in the field
of science and technology among diverse audiences.
As a personal conclusion, it is clear that the advancement of AI in education
is evolving exponentially. But it is essential to recognise that there is still a lot
of work to be done to achieve a formal and lasting implementation. Firstly,
it is necessary to develop a stable educational framework that includes digital
education as a key aspect of students’ education, beyond optional subjects. On
the other hand, training teachers in the fundamentals of AI is essential to ensure
quality education in this field, and long-term success. Much work remains to
be done also in terms of developing adapted educational materials that can be
used by these teachers. At the level of legislative regulation, there is a need to
address ethical issues and ensure transparency and fairness in the use of AI in
education. Therefore, further research and dialogue is needed to overcome these
challenges and to maximise the potential of AI for the benefit of students and
society as a whole.
Capı́tulo 8
Trabajo futuro
En general, el impacto de la inteligencia artificial (IA) en el campo de la edu-

cación, tanto en la actualidad como en un futuro próximo, es muy significativo.
Aparte de las iniciativas oficiales que se han descrito en la tesis, se observa un
aumento en el número de revistas cientı́ficas especializadas en esta lı́nea y en la
cantidad de artı́culos publicados en ellas. En este sentido, revistas tradicionales
del campo de la educación digital con un ı́ndice de calidad alto como Computers
in Education publican ya ediciones dedicadas exclusivamente a la IA (Compu-
ters in education, 2023). Además, en las conferencias sobre IA, cada vez es más
común encontrar sesiones y workshops dedicados a la educación, como la EAAI.
Como ya se explicó en el capı́tulo de antecedentes, la lı́nea más tradicional
de educación con IA se ha visto complementada con los desarrollos en la lı́nea
de educación sobre IA. En ambos casos, este es un campo de investigación con
mucho recorrido y trabajo por hacer, sobre todo teniendo en cuenta los tiem-
pos que se manejan en la educación para poder establecer el éxito o fracaso de
una iniciativa. Por tanto, aunque los resultados obtenidos en esta tesis docto-
ral han sido muy satisfactorios, han abierto un gran número de cuestiones de
investigación que deberán ser tratadas en los próximos años.
En el momento en que se inició esta tesis (año 2019), la educación sobre
IA se limitaba básicamente a la enseñanza superior, en especialidades como
informática o ingenierı́a. Sin embargo, con la publicación de las primeras estra-
tegias nacionales de IA, los responsables de la educación comenzaron a promover
200
el desarrollo de materiales didácticos, herramientas y planes de estudio para la

enseñanza formal de la IA en todos los niveles educativos. Pero, hasta el momen-
to, los esfuerzos se han focalizado en la educación secundaria superior, por lo
que una lı́nea importante de trabajo futuro es ampliar el alcance de la educación
sobre IA a otras etapas educativas.
A nivel de formación reglada, esto implica avanzar en la implantación de un
plan de educación digital global. La figura 8.1 ilustra la pirámide de aprendi-
zaje del sistema educativo español, con las diferentes etapas representadas, y
que podemos tomar como base para comprender lo que implicarı́a dicho plan en
cada una. En la base de la pirámide se encuentran la educación infantil y prima-
ria, donde se deben sentar las bases del aprendizaje. Es en esta franja donde el
alumnado debe adquirir conocimientos básicos sobre pensamiento computacio-
nal y solución de problemas. En la educación secundaria obligatoria, durante
los primeros años, se deben afianzar las habilidades informáticas básicas y la
programación con lenguajes basados en bloques. A medida que se asciende hacia
la educación secundaria superior, con ya unas bases adecuadas de competencias
digitales, los estudiantes pueden comenzar a recibir formación en IA a nivel
de usuario. En el bachillerato o la formación profesional, donde el alumnado
ya se especializa, se deben ofertar materias especı́ficas de IA. En la educación
superior (tope de la pirámide), la IA formará parte ya concreta de cada grado
o especialidad, con unos niveles de profundidad y especificidad propios de cada
profesión. Lo importante en esta visión es que, para poder llegar a ese nivel
superior y aprovechar al máximo las herramientas de IA en la profesión, todo
el camino anterior haya sido respetado.
En consonancia con esto, y de cara a continuar el trabajo realizado en esta te-
sis, desde el Grupo Integrado de Ingenierı́a (GII) se ha logrado recientemente la
concesión de un nuevo proyecto Erasmus+, llamado AIM@VET (2023), para la
continuación del plan de estudios aquı́ desarrollado, y que está dirigido a los es-
tudiantes de Formación Profesional (2022-1-ES01-KA220-VET-000089813). El
objetivo principal es adaptar el plan de estudios aquı́ diseñado a las particu-
laridades de esta etapa educativa, de nuevo, a nivel europeo, y hasta el año
2025. También continuaremos en esta lı́nea con la solicitud de otro proyecto en
el ámbito de la educación no reglada (museos), con el objetivo de acercar los
fundamentos de la IA a toda la población.
Capı́tulo 8. Trabajo futuro 201
Figura 8.1: Representación jerárquica del sistema educativo español.
En relación con el punto anterior, se hace también necesario continuar el

desarrollo de material educativo adaptado a los profesores, para las diferentes
etapas educativas. Como ya se ha dicho, una de las debilidades detectadas tanto
en la fase de validación del plan de AI+ como en los cursos a los docentes ex-
ternos al proyecto impartidos por la autora y el director, fue la inseguridad que
sentı́an la mayor parte de los docentes para enfrentarse a enseñar esta materia.
Por ello, se considera muy importante no solo presentar recursos individuales,
sino crear un plan de formación especı́fico a corto y medio plazo, ası́ como el
desarrollo de materiales teóricos adaptados. Esta lı́nea se continuará en colabo-
ración con la Consellerı́a de Cultura, Educación e Universidade de la Xunta de
Galicia, que cuenta con el GII para la impartición de esta formación a profesores.
Además de incluir conceptos teóricos técnicos adaptados al nivel educativo,
uno de los puntos más necesarios a trabajar debe ser la ética. Los sistemas de
IA mal diseñados o utilizados de manera inadecuada pueden tener un efecto
intrusivo, vulnerando derechos básicos de la sociedad, perpetuando la discri-
minación y reforzando patrones históricos de sesgo hacia determinados grupos.
Actualmente, se están desarrollando reglamentos para la regulación de la IA,
como el El Reglamento del Parlamento Europeo y del Consejo, que establece
normas armonizadas sobre IA (Ley de IA) (Parlamento Europeo y Consejo de
la Unión Europea, 2021). Es necesario analizarlos e incluirlos como eje básico
202
de la formación, de modo que los docentes conozcan este tipo de regulaciones,

y ası́ puedan enseñar la IA desde una perspectiva objetiva y realista sobre sus
beneficios y riesgos.
En relación con la lı́nea de trabajo de RoboboITS iniciada en esta tesis, se
abren varias vı́as de trabajo futuro. Por un lado, es de gran interés la inclusión de
un mayor nivel de gamificación para lograr una mayor motivación del alumnado,
inspirado en la experiencia de los llamados videojuegos serios. Esta lı́nea se ha
iniciado ya en el GII con la concesión reciente de un proyecto del Ministerio
de Educación en la convocatoria TED, para desarrollar un ITS gamificado. Por
otro lado, es de interés analizar si la simplificación del nivel de incertidumbre
de la simulación de RoboboSim es positivo para lograr que el alumnado pueda
centrarse en el aprendizaje de los temas de IA, sin emplear tanto esfuerzo en
detalles más técnicos de la parte robótica. También es necesario continuar con
la inclusión de un mayor número de unidades didácticas de IA que cubran los
temas restantes del plan de estudios.
Finalmente, una cuestión clave en el campo de la educación con IA es la
falta de transparencia, ética y equidad en las herramientas educativas basa-
das en algoritmos de IA, como el ITS desarrollado en esta tesis. Esta situación
se origina principalmente debido al uso de técnicas de aprendizaje automáti-
co cuyo proceso de toma de decisiones no es transparente, como la redes de
neuronas artificiales. Existe un creciente interés en este campo hacia garantizar
una experiencia de aprendizaje controlada y controlable, para lo cual resulta
imprescindible que los criterios de toma de decisión estén disponibles y sean
interpretables por el profesor y por el propio estudiante, por ejemplo, mediante
interfaces gráficas sencillas. Esto impulsa la necesidad de llevar a cabo investi-
gaciones adicionales en el ámbito de la Inteligencia Artificial Explicable (XAI,
por sus siglas en inglés), fomentando la utilización de métodos de aprendizaje
automático que generen explicaciones transparentes (Khosravi et al., 2022).
Apéndice A
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 .
1 Web Erasmus+: https://bit.ly/3Q8QDyU

2 Web AI+: https://bit.ly/3DlWmtB
204
Figura A.1: Ficha resumen de la TU1.

Apéndice A. Unidades didácticas 205

206


208


210


212


214


216


218


220

Referencias
AAAI (2022). Proceedings of the Thirty-Sixth AAAI Conference on Artificial

Intelligence. Association for the Advancement of Artificial Intelligence. ISBN-
10: 1-57735-876-7 (11 issue set), ISBN-13: 978-1-57735-876-3 (11 issue set).
Abduljabbar, R., Dia, H., Liyanage, S., and Bagloee, S. A. (2019). Applications
of Artificial Intelligence in Transport: An Overview. Sustainability, 11(1):189.
AI+ (2023). Web oficial del proyecto AI+. https://aiplus.udc.es/.
AI HLEG (2019). Policy and Investment Recom-

mendations for Trustworthy Artificial Intelligence.
https://digital-strategy.ec.europa.eu/en/library/
policy-and-investment-recommendations-trustworthy-artificial-in
telligence.
AI4ALL (2023). AI4ALL abre las puertas a la inteligencia artificial para talentos
históricamente excluidos a través de la educación y la tutorı́a.
AI4K12 (2023). The Artificial Intelligence for K-12 initiative . https:

//AI4K12.org/.
AIEd (2023). AIEDinK12 Workshop 2023. https://sites.google.com/view/

aied4k12workshop2023/.
AIM@VET (2023). Artificial Intelligence learning modules to adapt VET to the

digital transformation of the labour market. https://aim4vet.udc.es/.
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
intelligent tutor development for non-programmers. International Journal of

Artificial Intelligence in Education, 26:224–269.
Anderson, T. and Shattuck, J. (2012). Design-based research: A decade of

progress in education research? Educational Researcher, 41(1):16–25.
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.
AppInventor (2023). MIT App Inventor. https://appinventor.mit.edu/.
Atlas, S. (2023). Chatgpt for higher education and professional development: A

guide to conversational ai. DigitalCommons@URI.
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.
Blockly Games (2023). Games for tomorrow’s programmers. https://blockly.

games.
Brooks, R. A. (2002). Flesh and machines : how robots will change us / Rodney
A. Brooks. Pantheon Books New York, 1st ed. edition.
Bruegel (2020). Europe has an artificial-intelligence

skills shortage. https://www.bruegel.org/2020/08/
europe-has-an-artificial-intelligence-skills-shortage/#_
ftnref1.
Castro-Schez, J. J., Glez-Morcillo, C., Albusac, J., and Vallejo, D. (2021). An

intelligent tutoring system for supporting active learning: A case study on
predictive parsing learning. Information Sciences, 544:446–468.
Referencias 223
CBSE and Intel (2019). Artificial intelligence curriculum, class 9 facilitator

handbook.
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.
Code.org (2023). Explora la Inteligencia Artificial. Retrieved from

https://code.org/ai.
CoderZ (2023). Power up kids’ futures with a gamified coding platform that com-
bines STEM, computer science, and critical life skills. https://gocoderz.
com/.
Comisión Europea (2018). Plan coordinado sobre la inteligencia arti-

ficial. https://eur-lex.europa.eu/legal-content/ES/TXT/PDF/?uri=
CELEX:52018DC0795&from=EN.
Comisión Europea (2020). Plan Digital de Educación 2021-

2017. https://ec.europa.eu/education/education-in-the-eu/
digital-education-action-plan_en.
Computers in education (2023). Computers in education: Atrti-

ficial Intelligence. https://www.sciencedirect.com/journal/
computers-and-education-artificial-intelligence.
Consejo de la Unión Europea (2018). RECOMENDACIÓN DEL CON-

SEJO de 22 de mayo de 2018 relativa a las competencias clave pa-
ra el aprendizaje permanente (Texto pertinente a efectos del EEE)
(2018/C 189/01). https://eur-lex.europa.eu/legal-content/ES/TXT/
PDF/?uri=CELEX:32018H0604(01)&from=SV.
Consellerı́a de Cultura, Educación y Universidad (2021). Ayudas de apoyo a la

etapa predoctoral en las universidades del Sistema universitario de Galicia,
en los organismos públicos de investigación de Galicia y en otras entidades
del Sistema gallego de I+D+I. https://www.edu.xunta.gal/portal/es/
node/33048.
224 Referencias
Crompton, H. and Burke, D. (2022). Artificial intelligence in k-12 education.

SN Social Sciences, 2:113.
Crompton, H. and Burke, D. (2023). Artificial intelligence in higher education:

The state of the field. International Journal of Educational Technology in
Higher Education, 20(22).
Day of AI (2023). Proporcione a sus alumnos los conocimientos y habilidades

necesarios para prosperar en un mundo con IA. https://www.dayofai.org/.
Digital SkillUp (2020). Informe sobre el panorama europeo de la educación

y la formación. http://www.eun.org/documents/411753/817341/Report_
on_the_European_Educational_and_Training_Landscape.pdf/.
Dignum, V., Penagos, M., Pigmans, K., and Vosloo, S. (2021). Policy Guidance
on AI for Children. UNICEF.
Dirección General de Educación, Formación Profesional e Innovación Educati-

va (2019). RESOLUCIÓN de 29 de mayo de 2019, de la Dirección General
de Educación, Formación Profesional e Innovación Educativa, por la que se
dictan instrucciones para el desarrollo, en el curso académico 2019/20, del
currı́culo establecido en el Decreto 86/2015, de 25 de junio, de la educación
secundaria obligatoria y del bachillerato en los centros docentes de la Comu-
nidad Autónoma de Galicia. Anuncio G0534/040619/0003.
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
Domoscio (2023). Smart Data and Artificial Intelligence for upskilling. https:
//domoscio.com/en/domoscio-spark-2/.
du Boulay, B. (2016). Recent meta-reviews and meta–analyses of aied systems.

International Journal of Artificial Intelligence in Education, 26(1):536–537.
Duolinguo (2022). La forma divertida, efectiva y gratis de aprender un idioma.

https://es.duolingo.com/.
EAAI (2023). EAAI-23 Call for Participation — AAAI 2023 Conference.

https://aaai-23.aaai.org/eaai-23-call/.
Elements of AI (2023). Curso gratuito en lı́nea. https://www.elementsofai.

com//.
Referencias 225
Ennouamani, S. and Mahani, Z. (2017). An overview of adaptive e-learning

systems. In IEEE Proceedings ICICIS 2017, pages 342–347. IEEE.
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.
España (2020). Estrategia nacional de IA de España. https://www.lamoncloa.

gob.es/presidente/actividades/Documents/2020/021220-ENIA.pdf.
Estonia (2019). Estrategia nacional de IA de Estonia. https:

//f98cc689-5814-47ec-86b3-db505a7c3978.filesusr.com/ugd/7df26f_
27a618cb80a648c38be427194affa2f3.pdf.
Europea, C. (2021). Erasmus+: el programa de la UE para la educación, la

formación, la juventud y el deporte. Recuperado el 12 de mayo de 2023, de
https://ec.europa.eu/programmes/erasmus-plus/about_es.
European digital Education Hub (2023). European Education Area.

https://education.ec.europa.eu/focus-topics/digital-education/
action-plan/action-14-european-digital-education-hub.
European Schoolnet (2021). Artificial intelligence role in k12 education: Agile

collection of information. Technical report, European Schoolnet, Brussels,
Belgium.
European Schoolnet (2023). Artificial Intelligence Role in K12 Education:

Agile Collection of Information. Brussels, Belgium. http://www.eun.org/
documents/411753/7316225/Artificial+Intelligence+Role+in+K12+
Education+Report/0b9f5e20-62f7-4966-a58e-fdacc9199248.
Feng, H.-H., Saricaoglu, A., and Chukharev-Hudilainen, E. (2016). Automated

error detection for developing grammar proficiency of esl learners. CALICO
Journal, 33(1):49–70.
Finlandia (2017). La era de la inteligencia artificial en Finlandia.
Francia (2017). Informe Villani. https://www.aiforhumanity.fr/en/.
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
Gobierno de la República de Estonia (2021). Estonia AI Strategy Report. Fecha

de acceso: 29 de mayo de 2023.
Gomede, E., Miranda de Barros, R., and de Souza Mendes, L. (2021). Deep
auto encoders to adaptive e-learning recommender system. Computers and
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.
Guerreiro-Santalla, S., Bellas, F., and Fontenla-Romero, O. (2021). The school

path guide: A practical introduction to representation and reasoning in AI
for high school students. In Artificial intelligence in education. AIED 2021.
Lecture Notes in Computer Science, volume 12749. Springer.
Guerreiro-Santalla, S., Fontenla-Romero, O., Romero, A., and Bellas, F.

(2022a). Introducción a la representación del conocimiento y el razonamiento
en educación pre-universitaria mediante una actividad stem. Actas JENUI,
7:255–262.
Guerreiro-Santalla, S., Mallo, A., Baamonde, T., and Bellas, F. (2022b).

Smartphone-based game development to introduce K12 students in applied
artificial intelligence. In Proceedings AAAI Conference on Artificial Intelli-
gence 2022. AAAI Press.
Hamet, P. and Tremblay, J. (2017). Artificial intelligence in medicine. Metabo-

lism, 69(Supplement):S36–S40.
Hernandez-Olivan, C. and Beltrán, J. R. (2023). Music Composition with Deep

Learning: A Review, chapter 2. Signals and Communication Technology.
Springer, Cham.
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.
Home Assistant (2023). Plataforma de desarrollo para crear aplicaciones de voz

inteligentes. https://developers.google.com/assistant/sdk.
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.
Hungrı́a (2020). Estrategia de Inteligencia Artificial 2020-

2030 de Hungrı́a. https://ai-hungary.com/files/e8/dd/
e8dd79bd380a40c9890dd2fb01dd771b.pdf.
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.
Igaciencia (2021). Congreso de Igaciencia: Intelixencia Artificial. Santiago de

Compostela. https://igaciencia.eu/index.php/gl/node/367.
Inspira STEAM (2022). Proyecto pionero para el fomento de las STEAM, es-
pecialmente entre las chicas. https://inspirasteam.net/.
JENUI (2022). XXVIII Jornadas sobre la Enseñanza Universitaria de la In-

formática - JENUI 2022. AENUI, A Coruña. https://jenui2022.udc.es/
conferenciantes-invitados/.
Jupyter Development Team (2023). Jupyter Notebooks. https://jupyter.

org/.
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
Katsaris, I. and Vidakis, N. (2021). Adaptive e-learning systems through lear-

ning styles: A review of the literature. Advances in Mobile Learning and
Education Research, 1(2):124–145.
Khlaif, Z. and Salha, S. (2021). Using tiktok in education: A form of micro-

learning or nano-learning? Interdisciplinary Journal of Virtual Learning in
Medical Sciences, 12(3):213–218.
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.
Knox, J. (2020). Artificial intelligence and education in china. Learning, Media

and Technology, 45(3):298–311.
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.
Lituania (2018). Estrategia lituana de inteligencia artificial: una visión

de futuro. https://eimin.lrv.lt/uploads/eimin/documents/files/DI_
strategija_ENG(1).pdf.
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.
Long, D. and Magerko, B. (2020). What is ai literacy? competencies and design

considerations. In Proceedings of the 2020 CHI Conference on Human Factors
in Computing Systems, pages 1–16. Association for Computing Machinery.
Referencias 229
Malta (2019). Estrategia nacional de IA de Malta. https://malta.ai/

wp-content/uploads/2019/11/Malta_The_Ultimate_AI_Launchpad_
vFinal.pdf.
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.
McCarthy, J. (2007). What is artificial intelligence. https://cse.unl.edu/

~choueiry/S09-476-876/Documents/whatisai.pdf.
McKinsey (2018). Discussion Paper: Notes from the AI Frontier. Modeling the
impact of AI on the world economy.
Miao, F. and Holmes, W. (2021). AI and education: Guidance for policy-makers.

UNESCO.
Ministerio de Ciencia, Innovación y Universidades (2020). Estrategia Nacional

de Inteligencia Artificial.
Ministerio de Desarrollo de Recursos Humanos (2020). National Education Po-

licy 2020.
Ministerio de Educación y Formación Profesional (2022). Real Decreto

217/2022, de 29 de marzo, por el que se establece la ordenación y las en-
señanzas mı́nimas de la Educación Secundaria Obligatoria. https://www.
boe.es/boe/dias/2022/03/30/pdfs/BOE-A-2022-4975.pdf.
Ministerio Federal de la República de Austria (2023). Digital Education. https:

//www.bmbwf.gv.at/en/Topics/school/krp/8_p_p/dig_edu.html.
Minsky, M. (2006). The Emotion Machine: Commonsense Thinking, Artificial

Intelligence, and the Future of the Human Mind. Simon and Schuster.
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
Naciones Unidas (2019). The Sustainable Development Goals

Report 2019. https://unstats.un.org/sdgs/report/2019/
The-Sustainable-Development-Goals-Report-2019.pdf.
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.
Nilsson, N. J. (1998). Artificial Intelligence: A New Synthesis. Morgan Kauf-

mann Publishers, San Francisco, CA.
Noruega (2020). Estrategia Nacional de Inteligencia Ar-

tificial. https://www.regjeringen.no/en/dokumenter/
nasjonal-strategi-for-kunstig-intelligens/id2685594/.
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.
Oficina de Comunicación del Gobierno de Qatar (2008). National Vision 2030.
OpenRoberta (2023). A Web-Based Platform for Educational Robotics Pro-

gramming. https://lab.open-roberta.org/.
Ouyang, F. and Jiao, P. (2021). Artificial intelligence in education: The three

paradigms. Computers and Education: Artificial Intelligence, 2:100020.
para la Modernización Tecnológica de Galicia, A. (2021). Mática Campamento

Tecnológico.
Parlamento Europeo y Consejo de la Unión Europea (2021). Propuesta de

Reglamento del Parlamento Europeo y del Consejo por el que se estable-
cen normas armonizadas en materia de inteligencia artificial (Ley de In-
teligencia Artificial) y se modifican determinados actos legislativos de la
Unión. https://eur-lex.europa.eu/legal-content/ES/TXT/PDF/?uri=
CELEX:52021PC0206.
Referencias 231
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.
Plakans, L. and Gebril, A. (2013). Using multiple texts in an integrated wri-

ting assessment: Source text use as a predictor of score. Journal of Second
Language Writing, 22(3):217–230.
Plan de Acción de Educación Digital (2020). Digital Education Action Plan

(2021-2027). https://ec.europa.eu/education/education-in-the-eu/
digital-education-action-plan_en.
Polito, G. and Temperini, M. (2021). A gamified web based system for compu-
ter programming learning. Computers and Education: Artificial Intelligence,
2:100029.
Pujolàs, P. and Lago, J. R. (2011). El programa CA/AC (“Cooperar para apren-

der / aprender a cooperar”) para enseñar a aprender en equipo. Implementa-
ción del aprendizaje cooperativo en el aula.
Quin, D. (2017). Longitudinal and contextual associations between teacher-

student relationships and student engagement: A systematic review. Review
of Educational Research, 87(2):345–387.
Rayhan, M., Alam, M. G. R., Dewan, M. A. A., and Ahmed, M. H. U. (2022).

Appraisal of high-stake examinations during sars-cov-2 emergency with res-
ponsible and transparent ai: Evidence of fair and detrimental assessment.
Computers and Education: Artificial Intelligence, 3:100077.
ReadyAI (2023). Inteligencia Artificial para niños. https://edu.readyai.

org/.
Robobo (2023). The Robobo Project. https://theroboboproject.com/en/.
RoboboSim (2023). RoboboSim simulator. https://github.com/

mintforpeople/robobo-programming/wiki/Unity.
RoboboSim simulator (2023). Robobo 3D simulator. https://github.com/

mintforpeople/robobo-programming/wiki/Unity.
Robotbenchmark (2023). Program simulated robots online. Compare your per-

formance to the best. Share your achievements. https://robotbenchmark.
net/.
232 Referencias
Russell, S. and Norvig, P. (2021). Artificial Intelligence: A Modern Approach.

Pearson, 4th edition.
Sanders, M. (2009). STEM, STEM Education, STEMmania. Technology Tea-

cher, 68(4):20–26.
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.
Seldon, A. and Abidoye, O. (2018). The Fourth Education Revolution. Legend

Press Ltd.
Serbia (2020). Estrategia de desarrollo de la Inteligencia Artificial en la Repúbli-

ca de Serbia para el periodo 2020-2025. http://demo.paragraf.rs/demo/
combined/Old/t/t2020_01/t01_0005.htm.
Shemshack, A. and Spector, J. M. (2020). A systematic literature review of

personalized learning terms. Smart Learning Environments, 7:33.
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.
Stanford Institute (2023). AI Index 2023 Annual Report. https://aiindex.

stanford.edu/wp-content/uploads/2023/04/HAI_AI-Index-Report_
2023.pdf.
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.
Szczepański, M. (2019). Economic impacts of Artificial Intelligence. Technical

report, European Parliamentary Research Service. Accessed December 2022.
Tan, D. Y. E. and Cheah, C. W. (2021). Developing a gamified ai-enabled online

learning application to improve students’ perception of university physics.
Computers and Education, 171:104215.
The Construct! (2023). Develop the Robots of the Future. https://www.

theconstructsim.com.
Referencias 233
Tuomi, I. (2018). The Impact of Artificial Intelligence on Learning, Teaching,

and Education. Number 29442 EN in EUR. Publications Office of the Euro-
pean Union, Luxembourg.
UNESCO (2021). Survey for Mapping of AI Curricula. https://unesdoc.

unesco.org/ark:/48223/pf0000380602.
UNESCO (2022). Planes de estudios de Inteligencia Artificial K-12: un mapa de

los planes de estudios de Inteligencia Artificial aprobados por los gobiernos.
https://unesdoc.unesco.org/ark:/48223/pf0000380602.locale=en.
UNICEF (2021). Policy guidance on AI for children.

https://www.unicef.org/globalinsight/media/2356/file/
UNICEF-Global-Insight-policy-guidance-AI-children-2.0-2021.
pdf.pdf.
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
Wilks, Y. A. (2023). Artificial Intelligence, The Illustrated Edition: Modern

Magic or Dangerous Future? The MIT Press, illustrated edition edition.
Paperback.
Williams, R. (2021). How to train your robot: Project-based ai and ethics

education for middle school classrooms. In Proceedings of the 52nd ACM
Technical Symposium on Computer Science Education (SIGCSE ’21), page
1382, New York, NY, USA. Association for Computing Machinery.
Xunta de Galicia (2022). Decreto 156/2022, de 15 de septiembre, por el que se

establecen la ordenación y el currı́culo de la educación secundaria obligato-
ria en la Comunidad Autónoma de Galicia. https://www.xunta.gal/dog/
Publicados/2022/20220926/AnuncioG0655-190922-0002_es.html.
Xunta de Galicia (2023). Web oficial con la publicación formal

de las dos asignaturas de IA de 4º de ESO y 1º Bachillera-
to. https://www.xunta.gal/notas-de-prensa/-/nova/79579/
xunta-refuerza-los-curriculos-eso-bachillerato-con-tres-nuevas-
materias-optativas.
Yang, J. and Zhang, B. (2019). Artificial intelligence in intelligent tutoring

robots: A systematic review and design guidelines. Appl. Sci., 9:2078.
Yang, W. (2022). Artificial intelligence education for young children: Why,

what, and how in curriculum design and implementation. Computers and
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
1.1. Temas clave de IA en nuestro plan de estudios. . . . . . . . . . . 5
2.1. Paı́ses con una estrategia nacional sobre IA en 2022. Fuente:

(Stanford Institute, 2023) . . . . . . . . . . . . . . . . . . . . . . 19
2.2. Taxonomı́a de las principales ramas de desarrollo de la AIEd. . . 22
2.3. Tabla de clasificación implementada en el ITS para la mejora de
los estudiantes en fı́sica (izquierda) y un ejemplo de la interfaz
de usuario del cuestionario (derecha). Fuente: (Tan and Cheah,
2021) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4. Ejemplo ilustrativo de la interfaz de aprendizaje desarrollada pa-
ra mejorar el aprendizaje en los MOOCs. Fuente: (Wang et al.,
2021, p. 8) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5. Visión del profesor durante el uso de Lumilo. Fila superior: ma-
quetas ilustrativas. Inferior: capturas de pantalla realizadas con
Lumilo. Izquierda: vista por defecto del profesor de la clase a
través de Lumilo. Derecha: Profundización que aparecen si el
profesor selecciona el indicador de un alumno. Fuente: (Holstein
et al., 2018, p. 157) . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.6. Diagrama esquemático de la herramienta diseñada como parte de
un plan de estudios de IA para educación primaria. Fuente: (Hsu
et al., 2021, p. 5) . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.7. Asignación porcentual por área temática del currı́culum de Aus-
tria. Fuente: (Ministerio Federal de la República de Austria, 2023) 38
236 Índice de figuras
5.1. Esquema de funcionamiento de un agente inteligente situado. . . 63
5.2. Bloques funcionales de un agente inteligente. . . . . . . . . . . . 64
5.3. Metodologı́a seguida en el plan de estudios. . . . . . . . . . . . . 67
5.4. Fases del ABP. Fuente: (Van Til and Van Der Heijden, 2003) . . 68
5.5. Temas incluidos en el plan de estudios sobre el ecosistema de la

IA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.6. Rúbrica para la evaluación del trabajo realizado por los estudian-
tes durante la unidad. . . . . . . . . . . . . . . . . . . . . . . . . 85
5.7. Campos de aplicación de la IA que se trabajan en el plan de

estudios de AI+. . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.8. Organización del plan de estudios de AI+ en función de los cam-

pos de aplicación. . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.9. Cronologı́a del plan de estudios de AI+. . . . . . . . . . . . . . . 90
5.10. Apartado de Introducción de la TU2. . . . . . . . . . . . . . . . . 94
5.11. Apartado de Contexto de la TU2. . . . . . . . . . . . . . . . . . . 94
5.12. Apartado de Objetivos de aprendizaje de la TU2. . . . . . . . . . 95
5.13. Apartado de Contenido de la TU2. . . . . . . . . . . . . . . . . . 95
5.14. Apartado de Cronologı́a de la TU2. . . . . . . . . . . . . . . . . . 96
5.15. Apartado de Recursos necesarios de la TU2. . . . . . . . . . . . . 96
5.16. Apartado de Bibliografı́a de la TU2. . . . . . . . . . . . . . . . . 97
5.17. Apartado de Grupos de la TU2. . . . . . . . . . . . . . . . . . . . 97
5.18. Apartado de Materiales de la TU2. . . . . . . . . . . . . . . . . . 98
5.19. Apartado de Desafı́o/Proyecto - Objetivo final de la TU2. . . . . 98
5.20. Apartado de Desafı́o/Proyecto - Actividades de la TU2. . . . . . 99
5.21. Propuesta de actividades y test dentro del apartado de Des-

afı́o/Proyecto - Actividades de la TU2. . . . . . . . . . . . . . . . 99
5.22. Solución de una de las actividades y test dentro del apartado de

Desafı́o/Proyecto - Actividades de la TU2. . . . . . . . . . . . . . 100
5.23. Apartado de Desafı́o/Proyecto - Observaciones finales de la TU2. 101
5.24. Apartado de Evaluación de la TU2. . . . . . . . . . . . . . . . . 101
5.25. Apartado de Actividades complementarias de la TU2. . . . . . . 102
5.26. Apartado de Anexos de la TU2. . . . . . . . . . . . . . . . . . . . 103
5.27. Cronograma del desarrollo de cada unidad. . . . . . . . . . . . . 106
5.28. Localización de los centros vinculados al proyecto AI+. . . . . . 107
5.29. Edades y género del alumnado según una encuesta inicial. . . . . 109
5.30. Ejemplo del formulario de retroalimentación de los profesores de

la TU2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5.31. Ejemplo del formato inicial de la sección de Objetivo Final. . . . 113
5.32. Descripción del trabajo del estudiante (izquierda) y de la solución

para los docentes (derecha). . . . . . . . . . . . . . . . . . . . . . 114
5.33. Nota indicando que la propuesta de subdivisión en tareas es op-

cional del apartado de Desafı́o/Proyecto - Actividades. . . . . . . 115
5.34. Lista de verificación de la TU8 para la prueba final del programa. 118
5.35. Apartado de pruebas en la TU8 – Actividad 1 – Tarea 1. . . . . 119
5.36. Rúbrica inicial para la evaluación del trabajo realizado por los
estudiantes durante la unidad. . . . . . . . . . . . . . . . . . . . . 119
5.37. Apariencia aplicación creada en la TU2 rechazada. . . . . . . . . 120
5.38. En la fila superior se muestran imágenes de los alumnos trabajan-

do durante la AFG y en la inferior ejemplos de las presentaciones
que realizaron. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
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
5.40. Respuestas del alumnado a preguntas técnicas del primer formu-

lario de la 2ª AFG. . . . . . . . . . . . . . . . . . . . . . . . . . . 132
5.41. Respuestas del alumnado a preguntas técnicas del segundo cues-

tionario de la 2ª AFG. . . . . . . . . . . . . . . . . . . . . . . . . 133
5.42. Respuestas del alumnado a preguntas técnicas del cuestionario

de la 3ª AFG. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
5.43. Imágenes de la reunión desde donde se coordinaba la sesión (iz-

quierda) y del alumnado trabajando en una de las sesiones (parte
central y derecha) en la 3ª AFG. . . . . . . . . . . . . . . . . . . 136
5.44. Respuestas del alumnado a preguntas técnicas del primer cues-

5.45. Respuestas del alumnado a preguntas técnicas del segundo cues-

5.46. Imágenes del grupo de trabajo de la 4ª AFG. . . . . . . . . . . . 141
5.47. Respuestas del alumnado a preguntas técnicas del cuestionario

de la 5ª AFG. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
5.48. Imágenes del grupo de estudiantes (izquierda) y de alguna de sus

soluciones (parte central y derecha) en la 5ª AFG. . . . . . . . . 144
5.49. Respuestas del profesorado a preguntas en el cuestionario inicial

y final. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
5.50. Respuestas del profesorado a preguntas en el cuestionario final. . 150
6.1. Interfaz de RoboboSim. . . . . . . . . . . . . . . . . . . . . . . . 156
6.2. Representación esquemática de la arquitectura RoboboITS. . . . 158
6.3. Pantallas de visualización de RoboboSim (parte izquierda y de-

recha) y ejemplo de carectización del robot (parte central). . . . 159
6.4. Ejemplos de las pistas visuales que proporciona el RoboboITS. . 160
6.5. Ejemplos de las preguntas cuestionario inicial. . . . . . . . . . . . 161
6.6. Ejemplos de los enunciados de los retos. . . . . . . . . . . . . . . 162
6.7. Interfaz de las fases de práctica (izquierda) y prueba (derecha). . 163
6.8. Apariencia de la pantalla de registro/acceso. . . . . . . . . . . . . 163
6.9. Movimientos para resolver el reto. . . . . . . . . . . . . . . . . . 165

6.10. Ejemplo de un enunciado (izquierda) y nota de bloques permiti-

dos (derecha). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
6.11. Enunciado de la actividad 2 en cada uno de los 3 niveles. . . . . 166
6.12. Pista visual para los alumnos del nivel 1 (izquierda) y para el
nivel 2 (derecha). . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
6.13. Perfil demográfico del alumnado participante en la primera ite-

ración. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
6.14. Interfaz del enunciado en la versión 1 (izquierda) y en la versión

2 (derecha). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
6.15. Interfaz del código de usuario la versión 1 (izquierda) y en la

versión 2 (derecha). . . . . . . . . . . . . . . . . . . . . . . . . . . 173
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).174
6.17. Enunciado especificando bloques permitidos (izquierda) y los con-

sejos de programación en robótica autónoma (derecha). . . . . . 175
6.18. Perfil demográfico del alumnado participante en la segunda in-

teracción. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
6.19. Pregunta del cuestionario con opción de retroceder a la anterior

(izquierda) y efecto visual al finalizar una actividad (derecha). . . 178
6.20. Enunciado de la actividad 2 en la versión 2 (izquierda) y de la

actividad 2 en la versión 3 (derecha). . . . . . . . . . . . . . . . . 179
6.21. Interfaz de la pantalla principal del RoboboITS (izquierda) y

contenido del botón bloques en la actividad 2 (derecha). . . . . . 180
6.22. Perfil demográfico del alumnado participante en la tercera inter-

acción. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
6.23. Progreso de tres estudiantes de Estados Unidos en el RoboboITS

para resolver el reto. . . . . . . . . . . . . . . . . . . . . . . . . . 185
6.24. Progreso de tres estudiantes de Portugal en el RoboboITS para

resolver el reto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
8.1. Representación jerárquica del sistema educativo español. . . . . . 201
A.1. Ficha resumen de la TU1. . . . . . . . . . . . . . . . . . . . . . . 204

A.10.Ficha resumen de la TU10. . . . . . . . . . . . . . . . . . . . . . 213
Índice de tablas
2.1. Esquema de un posible diseño curricular de IA para educación

primaria. Fuente: (Su and Zhong, 2022) . . . . . . . . . . . . . . 35
2.2. Marco de competencias de alfabetización en IA. Fuente: (UNES-

CO, 2022) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.3. Categorı́a, Área temática, Competencias y consideraciones curri-

culares. Fuente: (UNESCO, 2022) . . . . . . . . . . . . . . . . . . 44
2.4. Resumen de contenidos y metodologı́a de las principales iniciati-

vas existentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.1. Objetivos de aprendizaje del plan de estudios. . . . . . . . . . . . 78
5.2. Criterios de evaluación del plan de estudios. . . . . . . . . . . . . 82
5.3. Ejemplo de comentarios de la sección Organización temporal en

los formularios de retroalimentación. . . . . . . . . . . . . . . . . 116
5.4. Participantes de la 1ª AFG. . . . . . . . . . . . . . . . . . . . . . 124
5.5. Respuestas del alumnado a una de las preguntas del cuestionario

de la 1ª AFG. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
5.6. Respuestas del alumnado a dos de las preguntas del cuestionario

de la 1ª AFG. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
5.8. Respuestas del alumnado a una de las preguntas del cuestionario

de la 2ª AFG. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
242 Índice de tablas

6.1. Anotaciones de los investigadores tomadas durante la prueba en

Estados Unidos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
6.2. Anotaciones de los investigadores tomadas durante la prueba en
España. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
6.3. Respuestas al cuestionario final sobre diseño y funcionamiento de
los ITS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
6.4. Respuestas al cuestionario inicial y final sobre conceptos de IA. . 184

GuerreiroSantalla Sara TD 2023

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

GuerreiroSantalla Sara TD 2023

Cargado por

Copyright:

Formatos disponibles

Desarrollo de un plan de estudios de

inteligencia artificial para la educación

Autora: Sara Guerreiro Santalla

Tesis doctoral UDC / 2023

Director: Francisco Javier Bellas Bouza

Programa Oficial de Doctorado en Ingenierı́a Naval e Industrial

Que la memoria titulada:

“Desarrollo de un plan de estudios de inteligencia artificial para la educación

ha sido realizada por Dña. Sara Guerreiro Santalla bajo mi dirección en el

Fdo. Francisco Javier Bellas Bouza

La presente tesis doctoral desarrolla un plan de estudios para la enseñanza

A presente tese doutoral desenvolve un plan de estudos para a ensinanza

Quiero aprovechar este momento para expresar mi más profundo agrade-

Guerreiro-Santalla, S., Crompton, H., Bellas, F. (2023). RoboboITS: A

Naya-Varela, M., Guerreiro-Santalla, S., Baamonde, T., & Bellas, F. (2023).

Bellas, F., Guerreiro-Santalla, S., Naya, & Duro, R. J. (2022) AI Curri-

Guerreiro-Santalla, S., Bellas, F., & Mallo, A. (2022). Introducing High

Guerreiro-Santalla, S., Fontenla-Romero, O., Romero, A., & Bellas, F.

Guerreiro-Santalla S., Bellas F., & Fontenla-Romero O. (2021) The School

Guerreiro-Santalla, S. (2021). Inteligencia artificial en la educación pre-

Guerreiro-Santalla, S., Bellas, F., & Duro, R. J. (2020). Artificial Intelli-

1. Introducción y visión general 1

5. Desarrollo del plan de estudios 57

5.2.3. Metodologı́a docente . . . . . . . . . . . . . . . . . . . . . 66

5.2.4. Contenidos especı́ficos de IA . . . . . . . . . . . . . . . . 70

5.2.5. Objetivos de aprendizaje . . . . . . . . . . . . . . . . . . 77

5.2.6. Organización temporal y recursos docentes . . . . . . . . 80

5.2.7. Criterios de evaluación . . . . . . . . . . . . . . . . . . . . 82

5.3.1. Selección de herramienta educativa y campos de aplicación 86

5.3.2. Organización temporal de los temas de IA . . . . . . . . . 88

5.3.3. Estructura de las unidades didácticas . . . . . . . . . . . 93

5.4. Validación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

5.4.1. Plan de trabajo . . . . . . . . . . . . . . . . . . . . . . . . 104

5.4.2. Participantes . . . . . . . . . . . . . . . . . . . . . . . . . 107

5.4.3. Instrumentos de validación . . . . . . . . . . . . . . . . . 109

5.4.4. Mejoras del plan de estudios . . . . . . . . . . . . . . . . 112

5.5. Resultados de aprendizaje . . . . . . . . . . . . . . . . . . . . . . 123

5.5.1. Primera Actividad de Formación en Grupos . . . . . . . . 123

5.5.2. Segunda Actividad de Formación en Grupos . . . . . . . 128

5.5.3. Tercera Actividad de Formación en Grupos . . . . . . . . 134

5.5.4. Cuarta Actividad de Formación en Grupos . . . . . . . . 137

5.5.5. Quinta Actividad de Formación en Grupos . . . . . . . . 142

5.5.6. Conclusiones sobre los resultados de aprendizaje . . . . . 145

5.6. Conclusiones sobre el desarrollo . . . . . . . . . . . . . . . . . . . 146

6. Desarrollo del Sistema de Tutorizazión Inteligente 151

6.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151

8. Trabajo futuro 199

A. Unidades didácticas 203

Índice de figuras 235

Índice de tablas 241

La inteligencia artificial (IA) es un campo de la ciencia relativamente nuevo,

engloba técnicas y principios de diversas áreas del conocimiento.

tanto, la importancia de la IA en la educación va más allá de la formación de

(Anderson and Shattuck, 2012), utilizada en el área de la innovación docente,

en el que “los estudiantes trabajan de manera activa, planean, implementan y

Figura 1.1: Temas clave de IA en nuestro plan de estudios.

Se ha establecido una organización docente basada en dos cursos académicos.

percepción, actuación, aprendizaje e impacto de la IA.

campo de los entornos inteligentes, y profundizan en el tema de la IA Colectiva.

El capı́tulo 2 se dedica a revisar los antecedentes de la investigación pre-

Es en el capı́tulo 3 donde se presenta el objetivo principal de la tesis

El capı́tulo 4 está enfocado a detallar la metodologı́a de investigación

Todo lo referente al desarrollo del plan de estudios se encuentra en el

El capı́tulo 6 describe los detalles de la herramienta de tutorización inte-