Section outline

  • Fundamentos de la inteligencia artificial para ampliar horizontes culturales

    Collapse all Expand all
    Fundamentos de la IA para ampliar horizontes culturales

    Este curso propone un recorrido integral y crítico por el mundo de la inteligencia artificial. A lo largo de cuatro unidades, invita a comprender cómo funcionan los modelos de lenguaje, con qué datos se entrenan, por qué no siempre dicen la verdad y qué implica que sus respuestas sean probabilísticas y no neutrales. Se exploran sus límites técnicos y también sus dimensiones éticas y culturales: los sesgos, estereotipos, problemas de alineación y fenómenos como la adulación algorítmica.

    🔎 Además de los fundamentos teóricos, el curso ofrece actividades prácticas y experiencias que permiten detectar estereotipos, construir datos con perspectiva local y reflexionar críticamente sobre el uso educativo de estas herramientas. La invitación es clara: no aceptar la IA como verdad final, sino usarla como punto de partida para fortalecer la autonomía, el pensamiento crítico y la construcción colectiva del conocimiento. 

    🔁 Algunas clases tienen un componente más técnico que otras, pero todas incluyen actividades breves para avanzar: desde preguntas de opción múltiple hasta consignas abiertas y ejercicios prácticos con la herramienta EDIA. En cada clase encontrarás las indicaciones necesarias para resolverlas.

    La propuesta es que puedas recorrer el curso a tu ritmo, experimentando, dudando y preguntando. Les damos la bienvenida y esperamos que este curso sea una oportunidad para aprender, cuestionar y construir conocimiento de manera colectiva.

  • UNIDAD 1

    🤖 Esta unidad propone una aproximación inicial a la inteligencia artificial, invitando a reflexionar sobre el lugar que ocupa en nuestras prácticas docentes y las decisiones que estamos —o no— dispuestas a delegar.

    Se analizan sus promesas, límites y tensiones, poniendo en el centro la mediación pedagógica, la ética y la agencia humana. A partir de allí, se introduce el papel fundamental de los datos en el funcionamiento de estos sistemas: de dónde provienen, cómo se recolectan y qué relaciones de poder sostienen.

    Finalmente, se aborda la IA generativa y los modelos de lenguaje, explorando su carácter predictivo, sus usos posibles en el aula y los desafíos que plantean en términos de autonomía, dependencia tecnológica y soberanía educativa.

    Te invitamos a construir tu propia mirada crítica.

      • Docencia en tiempos de IA

        CLASE 1 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        Docencia en tiempos de inteligencia artificial

        ¿Qué lugar le damos a la inteligencia artificial en la educación? En esta clase se introduce la noción de alfabetización digital crítica para dar lugar a  preguntas clave sobre la docencia en tiempos de IA: cómo funcionan estos sistemas, qué promesas traen, cuáles son sus límites y qué tensiones aparecen cuando entran al aula.

        Lejos de las verdades absolutas, la propuesta es pensar la IA desde una mirada crítica y ética, poniendo en el centro el rol docente, la mediación pedagógica y la agencia humana. ¿Para qué queremos usar la IA? ¿En qué decisiones no estamos dispuestas y dispuestos a delegar?

        Al finalizar la clase, te invitamos a completar unas preguntas. Las respuestas son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👩‍🏫 Docente: Emilia Echeveste

        • Docencia en tiempos de IA URL
        • Debajo encontrás las diapositivas de la clase, pensadas como apoyo para volver sobre las ideas, preguntas y tensiones que se abren en el video.

          📚 Conceptos claves

          Alfabetización digital crítica: es un enfoque que amplía la noción de alfabetización digital, donde además de saber usar tecnología, implica comprender y cuestionar las estructuras de poder, sesgos y dinámicas sociales que hay detrás de las tecnologías digitales (Pangrazio, 2016;  Pangrazio y Selwyn, 2020).

          Algoritmo: conjunto ordenado y finito de operaciones que permite hallar la solución de un problema. Ejemplo: Algoritmo para sumar dos números: ingresar ambos números, sumarlos y mostrar el resultado.

          Referencia: Real Academia Española. Recuperado de  https://dle.rae.es/algoritmo

          Capacidad de agencia: en el caso del contexto educativo, se refiere a la capacidad de estudiantes y profesores para tomar decisiones y actuar de manera autónoma en la enseñanza y el aprendizaje dentro de los entornos de aula (Holmes, 2025).

          Una creación de Fundación Vía Libre en articulación con FAMAF – UNC.
        • Material de lectura para profundizar (no obligatorio) Folder
        • Tarea: Docencia en tiempos de inteligencia artificial Quiz

      • La IA y el rol esencial de los datos

        CLASE 2 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        La IA y el rol esencial de los datos

        ¿De qué se alimenta la inteligencia artificial? En esta clase ponemos el foco en los datos: cómo funcionan los sistemas basados en IA a partir de entradas y salidas, de dónde proviene la enorme cantidad de información con la que se entrenan y por qué su desarrollo está profundamente ligado a la disponibilidad masiva de datos y al poder de cómputo. Analizamos aplicaciones cotidianas para comprender que la IA no “piensa”, sino que reconoce patrones en grandes volúmenes de información.

        Al mismo tiempo, abrimos preguntas sobre la recolección y el uso de esos datos: ¿sabemos qué información producimos al usar plataformas digitales? ¿Quién la almacena y con qué fines? ¿Existe realmente el consentimiento cuando aceptamos términos que no leemos? Lejos de naturalizar el extractivismo de datos, la invitación es problematizar la concentración de poder tecnológico y reflexionar qué implica todo esto también en nuestras prácticas educativas.

        Al finalizar la clase, te invitamos a completar unas preguntas. Las respuestas son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👨‍🏫 Docente: Marcos Gómez

        • La IA y el rol esencial de los datos URL
        • Debajo encontrás las diapositivas de la clase, pensadas como apoyo para volver sobre las ideas, preguntas y tensiones que se abren en el video.

          📚 Conceptos claves

          Aprendizaje automático o machine learning (ML): es una rama de la inteligencia artificial y la informática que se centra en el uso de datos y algoritmos para permitir que la IA imite la forma en que los humanos aprenden, mejorando gradualmente su precisión.

          Ejemplo: En machine learning, un algoritmo puede predecir el precio de una casa analizando datos históricos de ventas, como el tamaño y la ubicación. A medida que el modelo recibe más datos, mejora su capacidad para hacer predicciones precisas.

          Conjunto de datos de entrenamiento: conjunto de datos con los ejemplos de solución del problema, por ejemplo, jugadas de ajedrez con el resultado o las fotos de perros y gatos clasificadas. Para que el sistema tenga un buen desempeño suelen tener que ser enormes.

          La unidad de procesamiento gráfico (GPU):  Diseñada para el procesamiento paralelo, la GPU se utiliza en una amplia gama de aplicaciones, incluyendo la renderización de gráficos y vídeo. Si bien son más conocidas por sus capacidades en videojuegos, las GPU están ganando popularidad en la producción creativa y la inteligencia artificial (IA). Las GPU se diseñaron originalmente para acelerar la renderización de gráficos 3D.  Otros desarrolladores también comenzaron a aprovechar el poder de las GPU para acelerar drásticamente otras cargas de trabajo en computación de alto rendimiento (HPC), aprendizaje profundo y más.

          Opt-in (consentimiento activo): Como usuario tenemos que aceptar explícitamente antes de que sus datos sean recolectados o compartidos.

          Opt-out: El servicio ya viene activado por defecto y es el usuario quien debe buscar en la configuración para deshabilitarlo.

          Extractivismo de datos: El término se inspira en el extractivismo de recursos naturales (minería, petróleo), donde se explota un bien común o local sin devolver beneficios reales a las comunidades que lo proveen. El extractivismo de datos es la recolección masiva de información personal y social sin consentimiento real, para luego ser utilizada con fines comerciales, de vigilancia o control, sin que las personas usuarias tengan poder de decisión ni se beneficien de ese uso.

          Referencia: IBM. Machine Learning (Aprendizaje automático). Recuperado de https://www.ibm.com/mx-es/topics/machine-learning

          Una creación de Fundación Vía Libre en articulación con FAMAF – UNC.
        • Componentes de Aplicaciones de IA File
        • Tarea: La IA y el rol esencial de los datos Quiz

      • Modelos de lenguaje ¿en todos lados?

        CLASE 3 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        Modelos de lenguaje ¿en todos lados?

        En esta clase nos adentramos en la inteligencia artificial generativa y en los modelos de lenguaje: sistemas capaces de producir texto, imágenes o código a partir de enormes volúmenes de datos. ¿Cómo funcionan estos modelos? ¿Qué significa que sean “predictivos”? ¿En qué se diferencian los modelos comerciales de los abiertos? Analizamos sus características, sus tipos y las múltiples tareas que pueden realizar: generar textos, resumir, traducir, corregir, asistir, conversar.

        Al mismo tiempo, abrimos una reflexión ¿Qué implica que estas herramientas se conviertan en estándares desde edades tempranas? Más allá del entusiasmo o el rechazo, la propuesta es pensar críticamente sus usos: ¿para qué pueden aportar valor? ¿Qué riesgos traen en términos de dependencia, datos y autonomía docente?

        👨‍🏫 Docente: Marcos Gómez

        • Modelos de lenguaje ¿en todos lados? URL
        • Debajo encontrás las diapositivas de la clase, pensadas como apoyo para volver sobre las ideas, preguntas y tensiones que se abren en el video.

          📚 Conceptos claves

          IA generativa: tipo de sistema de inteligencia artificial (IA) capaz de generar texto, imágenes u otros medios en respuesta a comandos. Los modelos de IA generativa aprenden los patrones y la estructura de sus datos de entrenamiento de entrada y luego generan nuevos datos que tienen características similares.

          Ejemplo: DALL-E es un modelo de IA generativa que puede crear imágenes únicas a partir de descripciones textuales, como "un gato azul sentado en una luna de queso".

          Referencia: IBM. Wikipedia. Inteligencia artificial generativa. Recuperado de https://www.ibm.com/mx-es/topics/machine-learning

          Una creación de Fundación Vía Libre en articulación con FAMAF – UNC.
        • Tarea: Modelos de lenguaje ¿en todos lados? Quiz

      • ¿Qué errores cometen los modelos de IA?

        CLASE 4 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        ¿Qué errores cometen los modelos de IA? 


        En esta clase analizamos dos errores que pueden cometer los modelos de lenguaje: errores de clasificación, y alucinaciones. Y anticipamos otra fuente de error: los sesgos sociales, también conocidos como estereotipos. Un error de clasificación ocurre cuando el modelo asigna una categoría incorrecta a un texto o imagen. Las alucinaciones, en cambio, implican presentar información falsa o inventada como si fuera verdadera, incluso citando fuentes inexistentes pero que a simple vista parecen existir. Estas situaciones pueden reforzar el sesgo de automatización, ya que tendemos a confiar en respuestas que suenan técnicas o bien fundamentadas. Se revisan ejemplos complejos, como interpretaciones médicas erróneas en radiografías o fallos en cálculos de dosis aún cuando el modelo utiliza fuentes oficiales mediante sistemas de recuperación de información (RAG).

        Como caso se estudio de los errores de clasificación se analiza la dificultad de distinguir textos generados por IA de los escritos por personas, y cómo incluso herramientas de detección pueden fallar. A través de casos concretos se observa que los modelos pueden mezclar información, cometer imprecisiones o hacer cálculos matemáticos erróneos. La clase invita a fortalecer una mirada crítica reconociendo las formas en las que la IA se equivoca y por qué sus errores son difíciles de detectar.

        Al finalizar la clase, te invitamos a completar unas preguntas. Las respuestas son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👩‍🏫 Docente: Luciana Benotti

        • ¿Qué errores comenten los modelos de IA? URL
        • Debajo encontrás las diapositivas de la clase, pensadas como apoyo para volver sobre las ideas, preguntas y tensiones que se abren en el video.

          📚 Conceptos claves

          Alucinación (en IA): Fenómeno por el cual un modelo de lenguaje genera información que es factualmente falsa, inexistente o sin base en los datos reales, pero presentada con una apariencia de absoluta certeza y coherencia sintáctica.

          Estereotipo: Imagen o idea aceptada comúnmente por un grupo o sociedad con carácter inmutable.

          Referencia: Real Academia Española. Estereotipo. En el Diccionario de la lengua española. Recuperado de https://dle.rae.es/estereotipo

          En IA, se refiere a la reproducción o amplificación de creencias sobregeneralizadas (también conocidas como sesgos sociales) sobre grupos particulares de personas, que pueden ser incorporadas en los modelos de lenguaje a través de los datos o métodos de entrenamiento.

          Ejemplo:           Un modelo de lenguaje que asocia consistentemente ciertas profesiones con géneros específicos, como "enfermera" con mujeres e "ingeniero" con hombres.

          Estereotipo de grupo ajeno: Son las percepciones, a menudo simplificadas o distorsionadas, que los miembros de un grupo tienen sobre otro grupo al que no pertenecen.

          Estereotipo de grupo propio: Son las creencias, imágenes y descripciones que los miembros de un grupo social tienen sobre sí mismos.

          Sesgo de automatización: Es la propensión humana a confiar de manera excesiva o acrítica en las sugerencias de un sistema automatizado, ignorando incluso la propia lógica o información contradictoria.

          Word embedding: Técnica de representación de palabras en forma de vectores numéricos densos en un espacio multidimensional. Esta representación captura relaciones semánticas y sintácticas entre palabras, permitiendo a las máquinas procesar el lenguaje de manera más efectiva.

          Ejemplo: En un modelo de word embedding, palabras semánticamente similares como "rey" y "reina" estarían cerca en el espacio vectorial, mientras que "rey" y "manzana" estarían más alejadas.

          Una creación de Fundación Vía Libre en articulación con FAMAF – UNC.

        • Tarea: frases típicas en EDIA

          A continuación vas a encontrar dos videos, para que puedas llevar a cabo esta actividad. Primero, te explicamos cómo usar la herramienta EDIA, cómo ingresar, y cómo poner los datos de la escuela que formas parte.

          Ingresá a la herramienta EDIA para empezar la actividad: https://edia.ngrok.app/

          Parte 1: Cómo identificarse para ingresar a EDIA
          En este video te cóntamos cómo identificarte. Guardalo para las próximas actividades que vamos a seguir usando EDIA.



          Parte 2: Actividad frases típicas: ¡Empezamos!
          A continuación te explicamos cómo llevar a cabo la actividad. Pero también te dejamos un material anexo explicándolo también de manera escrita.


  • UNIDAD 2

    Esta unidad profundiza en el funcionamiento interno de los modelos de lenguaje, abordando cómo aprenden a partir de grandes volúmenes de datos mediante la predicción probabilística de palabras. Se problematiza la diferencia entre generar respuestas plausibles y comprender, así como los riesgos asociados: estereotipos, supuestos implícitos y errores. También se analizan los datos de entrenamiento, su procedencia y los distintos niveles de apertura y transparencia de los modelos, vinculando estas decisiones con relaciones de poder tecnológico. Finalmente, se explora el carácter no determinista de estos sistemas, el impacto de parámetros como la temperatura y la existencia de instrucciones invisibles como el system prompt. La unidad invita a reflexionar sobre transparencia, auditabilidad y criterios pedagógicos para un uso informado y crítico de la IA.

      • ¿Cómo aprenden los modelos de lenguaje (LLM)?

        CLASE 5 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        ¿Cómo aprenden los modelos de lenguaje (LLMs)?

        En esta oportunidad profundizamos en el funcionamiento interno de los modelos de lenguaje. ¿Cómo aprenden el significado de las palabras? A través de enormes volúmenes de datos y de la predicción constante de la siguiente palabra en una secuencia, los LLMs reconocen patrones y cercanías semánticas. Pero generar frases plausibles no es lo mismo que comprender ni garantizar verdad. ¿Qué implica que una respuesta sea estadísticamente probable pero no necesariamente correcta?

        También analizamos los riesgos: supuestos implícitos, estereotipos reproducidos y confusiones entre entidades. Finalmente, distinguimos entre un modelo base —entrenado para completar texto— y un modelo ajustado mediante fine-tuning, alineado para seguir instrucciones específicas. La invitación es comprender que detrás de cada respuesta hay procesos de entrenamiento, clasificación y alineación, y que conocer estos mecanismos es clave para usar estas herramientas con criterio pedagógico.

        Al finalizar la clase, te invitamos a completar unas preguntas. Las respuestas son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👨‍🏫 Docente: Guido Ivetta

        • ¿Cómo aprenden los modelos de lenguaje? URL
        • Debajo encontrás las diapositivas de la clase, pensadas como apoyo para volver sobre las ideas, preguntas y tensiones que se abren en el video.

          📚 Conceptos claves

          Alineamiento: La etapa final donde seres humanos evalúan y rankean las respuestas del modelo. Sirve para que la IA adopte valores, formas de hablar más naturales y evite comportamientos no deseados.

          Ajuste de Instrucciones: El proceso de entrenar al modelo con pares de "Instrucción-Respuesta". Es lo que permite que el modelo entienda que si le preguntas algo, debe darte una respuesta y no seguir preguntando.

          Cercanía de significado (Embeddings): La forma en que el modelo organiza las palabras en un espacio matemático. Las palabras con significados similares (como "conversar" y "platicar") quedan "cerca" unas de otras.

          Distribución de Probabilidad: Ante un espacio en blanco, el modelo no adivina al azar, sino que asigna un porcentaje de posibilidad a cada palabra de su vocabulario (ej: "perro" tiene 90% de probabilidad frente a "ladrando").

          Modelo Base: Es la versión inicial del modelo tras leer una cantidad masiva de datos. Su función principal es predecir la siguiente palabra, pero aún no sabe "obedecer" órdenes; solo completa texto.

          Una creación de Fundación Vía Libre en articulación con FAMAF – UNC.
        • Tarea: ¿Cómo aprenden los modelos de lenguaje (LLM)? Quiz

      • ¿De dónde aprenden los modelos de lenguaje (LLMs)?

        CLASE 6 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        ¿De dónde aprenden los modelos de lenguaje (LLMs)?

        ¿Con qué datos se entrenan los modelos y qué sabemos (o no) sobre ellos? En esta clase analizamos la composición de los datos con los que se entrenan los modelos de lenguaje. ¿De dónde provienen esos textos? Internet, libros digitalizados, artículos académicos, foros, repositorios de código y bases especializadas forman parte de los grandes corpus utilizados para su entrenamiento. Revisamos casos concretos —como BERT, GPT-1 o GPT-3— para comprender cómo han evolucionado las fuentes de datos y qué ocurre cuando las empresas dejan de transparentar esa información en versiones más recientes.

        También exploramos cómo se clasifican los modelos según su nivel de apertura y transparencia: código abierto, pesos abiertos o código cerrado. ¿Qué implica poder auditar un modelo? ¿Qué diferencias existen en términos de costos, acceso y participación comunitaria? A través de ejemplos actuales, la invitación es reflexionar sobre la relación entre datos, transparencia y poder tecnológico, y preguntarnos qué tipo de modelos queremos promover en el ámbito educativo.

        Al finalizar la clase, te invitamos a completar unas preguntas. Las respuestas son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👨‍🏫 Docente: Guido Ivetta

        • ¿De dónde aprenden los modelos de lenguaje (LLMs)? URL
        • Debajo encontrás las diapositivas de la clase, pensadas como apoyo para volver sobre las ideas, preguntas y tensiones que se abren en el video.

          📚 Conceptos claves

          Código Abierto (Open Source): Modelos donde todo está a disposición: el código, los datos de entrenamiento y el modelo mismo. Permiten total transparencia y uso offline.

          Código Cerrado (Closed Source): Modelos de propiedad privada (como GPT-4 o Gemini) que solo se pueden usar a través de un servicio o interfaz. Son "cajas negras" sin transparencia interna.

          Modelo de Lenguaje (LLM): Sistema de inteligencia artificial entrenado con grandes volúmenes de texto para procesar, generar y entender el lenguaje humano de forma probabilística.

          Pesos Abiertos (Open Weights): Modelos que permiten su descarga y uso (con licencias permisivas), pero mantienen en secreto los datos con los que fueron entrenados.

          Poder Computacional: La capacidad de procesamiento necesaria para ejecutar o entrenar un modelo. Aunque un modelo sea "gratis", el cómputo para correrlo suele ser costoso.

          Una creación de Fundación Vía Libre en articulación con FAMAF – UNC.
        • Tarea: ¿De dónde aprenden los modelos de lenguaje (LLMs)? Quiz

      • Sesgos y ambigüedad

        CLASE 7 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        Sesgos y ambigüedad

        En esta clase analizamos los distintos tipos de sesgos que pueden aparecer en los sistemas de inteligencia artificial —social, emergente y de automatización— y cómo estos influyen en las respuestas que producen. A través de ejemplos concretos, observamos cómo los modelos pueden reforzar estereotipos, por ejemplo al asociar determinadas profesiones con niveles de ingreso o al vincular la “inteligencia” únicamente con países del mundo desarrollado. Estos casos muestran que las respuestas no son neutrales, sino que reflejan imaginarios y jerarquías presentes en los datos con los que fueron entrenados.

        También trabajamos el concepto de incertidumbre, distinguiendo entre preguntas ambiguas y situaciones en las que el modelo no posee conocimiento suficiente para responder con certeza. Cuando la IA desconoce contextos culturales o saberes locales, tiende a completar esa falta de información con respuestas genéricas o estereotipadas. Por eso, reconocer los límites del sistema y la importancia de poder decir “no sé” es clave para un uso crítico y responsable en el ámbito educativo.

        Al finalizar la clase, te invitamos a completar unas preguntas. Las respuestas son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👨‍🏫 Docente: Guido Ivetta

        • Sesgos y ambigüedad URL
        • Debajo encontrás las diapositivas de la clase, pensadas como apoyo para volver sobre las ideas, preguntas y tensiones que se abren en el video.

          📚 Conceptos claves

          Ambigüedad Denotacional: Se produce cuando la instrucción o pregunta no es lo suficientemente específica (ej. "¿Quién ganó el mundial?" sin decir el año o deporte).

          Ambigüedad Epistémica: Ocurre cuando, aun estando clara la pregunta, la respuesta no se conoce, es polémica o hay falta de información en el modelo.

          Desambiguación por Sesgo: Comportamiento de la IA donde, ante una duda, el modelo "rellena" la falta de información usando prejuicios o estereotipos (ej. asumir que "médico" siempre es hombre).

          Interseccionalidad: Fenómeno donde se cruzan múltiples tipos de sesgos (ej. género, raza y clase social) en una misma situación, potenciando la discriminación.

          Sesgo de Automatización: Tendencia humana a confiar ciegamente en las respuestas de un sistema tecnológico, asumiendo que es infalible sin verificar la información.

          Sesgo Emergente: Ocurre cuando un sistema se entrena en un contexto (ej. Occidente) y se usa en otro muy distinto (ej. Asia), provocando fallas por falta de representatividad.

          Sesgo Social: Inclinación o prejuicio injusto a favor o en contra de una persona o grupo, reflejando estereotipos humanos presentes en los datos.

          Una creación de Fundación Vía Libre en articulación con FAMAF – UNC.

        • Tarea: ambiguedades en EDIA

          A continuación vas a encontrar un video, para que puedas llevar a cabo esta actividad.

          Si no recordás cómo ingresar a la herramienta, podés volver a ver el video de la actividad Frases Típicas.

          Ingresá a la herramienta EDIA para empezar la actividad: https://edia.ngrok.app/

          Actividad ambiguedades: ¡Empezamos!

          A continuación te explicamos cómo llevar a cabo la actividad. Pero también te dejamos un material anexo explicándolo de manera escrita.



      • ¿Qué son los estereotipos en modelos DE IA?

        CLASE 8 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

         ¿Qué son los estereotipos en modelos de IA?


        En esta clase abordamos los estereotipos también cnocidos como sesgos sociales, en los modelos de lenguaje. ¿Qué es un estereotipo? Son generalizaciones sobre grupos de personas construidas muchas veces a partir de información limitada o prejuicios. Si los modelos de IA aprenden de datos producidos por nuestras sociedades, ¿no es esperable que también aprendan nuestros prejuicios? Analizamos cómo los sesgos se originan en los datos de entrenamiento —muchas veces poco transparentes— y cómo la fuerte predominancia del inglés y de lenguas europeas deja fuera a gran parte de la diversidad lingüística y cultural del mundo.

        También distinguimos entre estereotipos de grupo propio (in-group) y grupo ajeno (out-group), y observamos ejemplos concretos de cómo estos pueden aparecer en respuestas automáticas. La invitación es reconocer que la IA no es neutral y que sus respuestas pueden reforzar desigualdades existentes. A través de una actividad práctica, proponemos identificar estereotipos propios y reflexionar sobre estereotipos ajenos, para comprender cómo una tecnología que asume estereotipos puede impactar en las prácticas educativas que construimos.

        Al finalizar la clase, te invitamos a completar unas preguntas. Las respuestas son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👩‍🏫 Docente: Luciana Benotti

        • ¿Qué son los estereotipos en modelos de IA? URL
        • Debajo encontrás las diapositivas de la clase, pensadas como apoyo para volver sobre las ideas, preguntas y tensiones que se abren en el video.

          📚 Conceptos claves

          Error de Clasificación, Falso Negativo: Cuando el sistema dice que "NO" (ej. "Lo escribió un humano") pero la respuesta real es "SÍ" (lo hizo una IA).

          Error de Clasificación, Falso Positivo:
          Cuando el sistema dice que "SÍ" (ej. "Este texto lo hizo una IA") pero la respuesta real es "NO" (lo escribió un humano, como la Constitución Argentina).

          Generación Aumentada por Recuperación (RAG):
          Técnica que permite a un modelo de lenguaje consultar fuentes externas de confianza (como un PDF específico o una base de datos médica) antes de generar una respuesta, reduciendo (pero no eliminando) las alucinaciones.

          Inestabilidad del Prompt:
          Fenómeno donde cambios minúsculos en la instrucción (una coma, un sinónimo) alteran drásticamente el resultado. El script enfatiza que esto es una limitación del diseño de los modelos de lenguaje y no una falta de habilidad del usuario.

          Ventana de Contexto:
          Es el límite máximo de información que un modelo puede mantener en su memoria en una interacción. Si un texto supera este límite, el modelo "olvida" una parte.

          Una creación de Fundación Vía Libre en articulación con FAMAF – UNC.
        • Tarea: ¿Qué son los estereotipos en modelos de lenguaje?? Quiz

      • Validador de estereotipos

        CLASE 9 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        Validador de estereotipos

        En esta actividad práctica se invita a trabajar directamente con los sesgos de los modelos de lenguaje generativos a través de una herramienta de validación de estereotipos. La premisa central es formular pares de frases o preguntas que solo cambien un elemento (como el género, la nacionalidad, la profesión o cualquier otro atributo social) y observar cómo responde la IA en cada caso. Al comparar las respuestas, se puede detectar si el modelo asigna mejores resultados a una variante que a otra, lo que indica asociaciones implícitas o prejuicios en sus respuestas.

        El propósito no es “demostrar que la IA es buena o mala”, sino desarrollar una mirada crítica que permita identificar patrones estereotipados en las salidas de los modelos y reflexionar sobre sus posibles efectos en contextos educativos y sociales. La actividad fomenta registrar las diferencias observadas, discutirlas con otros y pensar cómo estos sesgos pueden influir en la manera en que usamos y enseñamos con IA.

        ‼️ Importante: Para completar esta clase, es importante que desarrolles la actividad, con al menos 10 oraciones. Y no te preocupes, que eso queda directamente en el registro del sistema. 

        👨‍🏫 Docente: Pietro Palombini

        • Validador de estereotipos URL

        • Tarea: Validador de estereotipos en EDIA

          Este instructivo explica cómo utilizar el Validador de Estereotipos de la plataforma EDIA. Este instructivo contiene una descripción básica del uso de la interfaz; para una mejor comprensión del uso de la herramienta, se recomienda fuertemente ver el video explicativo disponible. Para poder considerar la actividad como aprobada es necesario validar 10 estereotipos. La herramienta les permite validar y agregar todas los estereotipos que quieran. Una vez completada la actividad, tiene que marcar manualmente la actividad como completa. 

          Ingresá a la herramienta EDIA para empezar la actividad: https://edia.ngrok.app/

          Guía

          Este instructivo explica cómo utilizar el Validador de Estereotipos de la plataforma EDIA. Este instructivo contiene una descripción básica del uso de la interfaz; para una mejor comprensión del uso de la herramienta, se recomienda fuertemente ver el video explicativo disponible.

          1. Datos personales y consentimiento informado

          • Al ingresar al validador, lo primero que encontrarás es un formulario en el que se deben completar los datos personales y aceptar el consentimiento informado para poder continuar con la actividad.
          • Seleccionar el idioma de la interfaz, es decir, el idioma en el que se mostrará la página y las instrucciones generales.
          • Marcar los idiomas que comprendes (lectura y escritura). Puedes seleccionar varios, teniendo en cuenta que los datos de la actividad pueden aparecer en cualquiera de los idiomas que selecciones.
          • Ingresar tu dirección de correo electrónico.
          • Seleccionar una o más nacionalidades que representen tu identidad cultural, personal o nacional. También puedes opcionalmente elegir una o más regiones específicas o escribirlas manualmente si no aparecen en la lista.
          • Finalmente, leer el consentimiento informado sobre uso de datos de la herramienta EDIA y, si estás de acuerdo, aceptarlo para continuar.

          2. Uso del Validador de Estereotipos

          Una vez completada la primera parte, se habilita el acceso a la actividad principal.

          Esta herramienta está diseñada para explorar cómo se perciben los estereotipos en distintas regiones del mundo. Cada vez que envíes una respuesta, recibirás un nuevo dato.

          En cada ronda se mostrará una nacionalidad y un atributo. Tu tarea es:

          1. Indicar el grado de asociación entre la nacionalidad y el atributo en tu región, usando una escala del 1 al 5:
            • 1: Totalmente en desacuerdo
            • 5: Totalmente de acuerdo
          2. (Opcional) Puedes escribir otro atributo que relaciones con la nacionalidad dada. Este atributo puede estar en cualquiera de los idiomas que seleccionaste al inicio. Se alienta a escribir en diferentes idiomas si es posible.
          3. (Opcional) También puedes agregar otras nacionalidades o regiones que, en tu opinión, estén asociadas con el atributo presentado.

          Cuando completes los campos que consideres necesarios, haz clic en el botón Enviar para recibir un nuevo par nacionalidad–atributo, posiblemente en alguno de los idiomas que marcaste como conocidos.

          Si no entiendes el par que aparece, detectas un error en los datos o no te sientes cómodo anotando sobre ese par en particular, puedes usar el botón Saltar para pasar al siguiente.

  • UNIDAD 3

    En esta unidad se analizan los sesgos y estereotipos en la inteligencia artificial, mostrando cómo los modelos pueden reproducir prejuicios presentes en sus datos de entrenamiento y generar respuestas no neutrales. A través de actividades prácticas se propone identificar estos patrones y reflexionar sobre la incertidumbre, los errores, las alucinaciones y los límites del sistema. También se aborda la alineación y sus desafíos culturales y pedagógicos, así como la adulación algorítmica, destacando la importancia de usar la IA con mirada crítica, responsabilidad y mediación docente.

      • Los modelos de lenguaje ¿siempre responden lo mismo?

        CLASE 10 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        Los modelos de lenguaje ¿siempre responden lo mismo?

        En esta clase exploramos una característica central de los modelos de lenguaje: su no determinismo. Ante la misma pregunta, pueden generar respuestas distintas. ¿Por qué sucede esto? Porque no funcionan con reglas fijas, sino con probabilidades construidas a partir de enormes volúmenes de datos. Analizamos cómo variables como la “temperatura” influyen en el grado de creatividad o previsibilidad de las respuestas, y cómo ciertos parámetros pueden modificar el comportamiento del modelo sin necesidad de volver a entrenarlo.

        También nos detenemos en el llamado system prompt, esa instrucción inicial invisible que orienta el tono, los límites y las reglas de interacción. ¿Qué implica que existan configuraciones que el usuario no ve? ¿Hasta qué punto estos sistemas son realmente “cajas negras”? La propuesta es reflexionar sobre la transparencia, la auditabilidad y la confianza: si el comportamiento puede ajustarse sin que lo sepamos, ¿qué desafíos regulatorios y pedagógicos se abren?

        Al finalizar la clase, te invitamos a completar unas preguntas. Las respuestas son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👨‍🏫 Docente: Marcos Gómez

        • Los modelos de lenguaje ¿siempre responden lo mismo? URL
        • Debajo encontrás las diapositivas de la clase, pensadas como apoyo para volver sobre las ideas, preguntas y tensiones que se abren en el video.

          📚 Conceptos claves

          Prompt: tipo de solicitud o instrucción que le das a un programa para obtener una respuesta. En ChatGPT, es el punto de partida para que la IA genere respuestas basadas en la instrucción o pregunta que le realizás.

          Una creación de Fundación Vía Libre en articulación con FAMAF – UNC.

        • Tarea: temperatura en EDIA

          A continuación vas a encontrar un video, para que puedas llevar a cabo esta actividad.

          Si no recordás cómo ingresar a la herramienta, podés volver a ver el video de la actividad Frases Típicas.

          Ingresá a la herramienta EDIA para empezar la actividad: https://edia.ngrok.app/

          Actividad temperatura: ¡Empezamos!
          A continuación te explicamos cómo llevar a cabo la actividad. Para poder considerar la actividad como aprobada es necesario que definas diferentes prompts de sistema y diferentes temperaturas, para evaluar el comportamiento del modelo de lenguaje ante una misma consulta como se puede observar en el video.  Es importante que puedan generar conversaciones vinculadas a sus espacios curriculares, y ante una misma pregunta, variando los prompts de sistema y diferentes temperaturas analizar su comportamiento. Con 3 temas conversaciones, dónde en cada una de ellas modifiquen prompts de sistema y diferentes temperaturas, se aprueba la actividad. Obviamente pueden hacer todas las que ustedes quieran. Una vez completada la actividad, tiene que marcar manualmente la actividad como completada. 

      • Alineacion, equilibrio entre precision y responsabilidad

        CLASE 11 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        Alineación, equilibrio entre precisión y responsabilidad

        En esta clase trabajamos el concepto de alineación, entendido como el proceso de ajustar las respuestas de un modelo de inteligencia artificial para que respeten valores humanos, normas éticas y objetivos específicos. En el ámbito educativo, la alineación busca garantizar respuestas seguras y adecuadas al contexto escolar. Un modelo no alineado podría ofrecer indicaciones riesgosas ante una consigna aparentemente inocente, mientras que un modelo alineado prioriza la seguridad y adapta su respuesta al entorno del estudiante. Una de las técnicas más utilizadas para alinear modelos es el aprendizaje por refuerzo con retroalimentación humana (RLHF), donde personas evalúan distintas respuestas del modelo y las cuales se usan para enseñarle qué tipo de respuestas priorizar.

        También analizamos los desafíos de la alineación. La respuesta “correcta” depende del contexto del usuario, su edad y su cultura. Un modelo puede fallar si no considera diferencias culturales, rechaza automáticamente temas sensibles sin contextualizarlos o responde desde una perspectiva centrada en otro país. El alineamiento cultural implica que los sistemas comprendan conocimientos y referencias locales —como tradiciones, feriados o vocabulario específico— y no solo un subconjunto global limitado. Sin investigación y datos culturalmente diversos, los modelos tienden a cometer errores o simplificaciones. Por eso, avanzar en alineación no es solo una cuestión técnica, sino también cultural y pedagógica.

        Al finalizar la clase, te invitamos a completar unas preguntas. Las respuestas son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👩‍🏫 Docente: Sofia Martinelli

        • Alineación equilibrio entre precisión y responsabilidad URL
        • Students must
          Mark as done
          Debajo encontrás las diapositivas de la clase, pensadas como apoyo para volver sobre las ideas, preguntas y tensiones que se abren en el video.

          📚 Conceptos claves

          Alineación cultural: Que un modelo de lenguaje (IA) produzca respuestas acordes a los valores, normas y contextos culturales de las personas usuarias.

          Referencia: https://aclanthology.org/2025.cl-3.7/ https://aclanthology.org/2025.coling-main.567/

          Una creación de Fundación Vía Libre en articulación con FAMAF – UNC.

        • Tarea: preguntas culturales en EDIA

          A continuación vas a encontrar un video, para que puedas llevar a cabo esta actividad.

          Si no recordás cómo ingresar a la herramienta, podés volver a ver el video de la actividad Frases Típicas.

          Ingresá a la herramienta EDIA para empezar la actividad: https://edia.ngrok.app/

          Actividad preguntas culturales: ¡Empezamos!

          A continuación te explicamos cómo llevar a cabo la actividad. Pero también te dejamos un material anexo explicándolo de manera escrita.



      • Adulación algorítmica

        CLASE 12 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        Adulación algorítmica

        En esta clase abordamos diferentes conceptos vinculados al diseño de la IA que nos permiten reflexionar sobre cómo funcionan estos sistemas y qué tipo de relación construimos con ellos. Adulación algorítmica, transparencia, ocultamiento de la incertidumbre y antropomorfismo son algunas de las características presentes en los modelos de lenguaje. Conocerlas nos permite evaluar de manera más crítica los usos que hacemos de estas tecnologías y considerar las implicancias socio-educativas que pueden tener cuando permanecen invisibilizadas. 

        También reflexionamos sobre cómo éstos conceptos esta adulación pueden impactar en el vínculo pedagógico y en la construcción de confianza. Los modelos utilizan un tono cercano, ofrecen disponibilidad constante y pueden generar sensaciones de cercanía o confianza en la interacción, que puede influir en la relación docente–estudiante–IA. Se analizan distintos grados de dependencia —desde un uso crítico y reflexivo hasta una sustitución preocupante de vínculos humanos— y se advierte sobre los riesgos de usar la IA como apoyo emocional sin mediación profesional. La clase invita a problematizar no solo qué responde la IA, sino cómo lo hace y qué repercusiones puede tener en la autonomía y el juicio crítico de quienes la utilizan.

        ‼️ Importante: En esta clase hay una tarea antes de ver la clase. Es importante que la puedas desarrollar, si bien la actividad no es calificable, su realización constituye un requisito para la aprobación del curso. Al finalizar la clase, te invitamos a completar unas preguntas con  respuestas que sí son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👩‍🏫 Docente: Emilia Echeveste

        • Calentando los motores para esta clase


          Antes de entrar a la clase, es importante que completes esta tarea. 
          Este formulario busca recoger sus reflexiones para seguir pensando, de manera situada, el vínculo entre la Inteligencia Artificial Generativa (IAG) y la educación. Sus aportes serán de gran valor para enriquecer el conocimiento que estamos construyendo sobre estos procesos.

          El formulario incluye preguntas con escala likert, orientadas a relevar su grado de acuerdo con distintas afirmaciones, seguidas de algunas preguntas abiertas que buscan profundizar y conocer mejor los motivos de sus respuestas. 
        • Adulación algorítmica URL
        • Debajo encontrás las diapositivas de la clase, pensadas como apoyo para volver sobre las ideas, preguntas y tensiones que se abren en el video.

          📚 Conceptos claves

          Adulación algorítmica (sycophancy), entendida como la tendencia a mostrarse excesivamente complacientes con el usuario —incluso cuando está equivocado—, a menudo en detrimento de la precisión factual o de consideraciones éticas (Sicilia et al., 2025).

          Antropomorfización: tendencia a atribuir rasgos, emociones, intenciones o capacidades propias de los seres humanos a los sistemas de inteligencia artificial, especialmente a partir de la forma en que estos interactúan o se comunican con los usuarios (Rodrigues, 2025).

          Transparencia en los modelos de IA:  Grado en que un sistema de inteligencia artificial hace visibles para los usuarios aspectos relevantes de su funcionamiento, como los criterios de generación de respuestas, sus limitaciones o el nivel de confianza asociado a los resultados. La transparencia permite evaluar la fiabilidad del sistema y favorece una interacción informada entre humanos y agentes artificiales (Stowers et al., 2016; Vössing et al., 2022). 

          Una creación de Fundación Vía Libre en articulación con FAMAF – UNC.
        • Material de lectura para profundizar (no obligatorio) Folder
        • Tarea: Adulación algorítmica Quiz

  • UNIDAD 4

    La unidad aborda la importancia de los benchmarks para evaluar el comportamiento y los sesgos de los modelos de lenguaje, señalando que muchas métricas y datasets están centrados en el inglés y no siempre representan contextos latinoamericanos. En este marco se presenta el Proyecto HESEIA 2024, que combinó formación docente y producción colaborativa de datos mediante la herramienta EDIA, construyendo un dataset con fuerte anclaje local para detectar estereotipos regionales invisibilizados por los modelos actuales. Además, se propone pensar la IA como punto de partida para la reflexión, distinguiendo entre aprender sobre la IA y aprender con la IA, e integrándola en experiencias de aula que promuevan la reapropiación crítica de sus respuestas, la autonomía y el pensamiento situado.

      • ¿Para qué sirve una recolección de datos?

        CLASE 13 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        ¿Para qué sirve una recolección de datos?

        En esta clase analizamos la importancia de la recolección de datos para evaluar el comportamiento de los modelos de lenguaje. Estas evaluaciones se realizan mediante benchmarks, conjuntos de pruebas diseñados para medir desempeño y, en particular, detectar sesgos. Los benchmarks de sesgo funcionan como experimentos controlados que incluyen frases y escenarios con estereotipos para observar cómo responde el modelo. Sin embargo, gran parte de la investigación actual se concentra en inglés, lo que implica que métricas, datasets y estrategias de mitigación están basadas en contextos culturales específicos y no siempre representan realidades como la latinoamericana.

        En este marco se presenta el Proyecto HESEIA 2024, una experiencia formativa con docentes y estudiantes de Argentina que combinó alfabetización crítica en IA con producción colaborativa de datos. A través de la herramienta EDIA, se exploraron sesgos vinculados a clase social, género y nacionalidad, y se construyó un dataset de casi 50.000 oraciones con fuerte anclaje en contextos locales e interseccionales. Los resultados mostraron que muchos estereotipos regionales no son detectados por los modelos actuales. HESEIA se propone así como una intervención pedagógica y tecnológica a la vez: formar pensamiento crítico y, al mismo tiempo, contribuir a desarrollar benchmarks más justos, diversos y representativos.

        Al finalizar la clase, te invitamos a completar unas preguntas. Las respuestas son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👨‍🏫 Docente: Guido Ivetta

        • ¿Para qué sirve una recolección de datos? URL
        • Debajo encontrás las diapositivas de la clase, pensadas como apoyo para volver sobre las ideas, preguntas y tensiones que se abren en el video.

          📚 Conceptos claves

          Benchmark: Conjunto de pruebas estandarizadas y controladas que se usan para medir y comparar el rendimiento o los sesgos de diferentes modelos de IA.

          Dataset (Conjunto de Datos): Colección organizada de información (textos, imágenes, preguntas) utilizada para entrenar o evaluar modelos.

          Una creación de Fundación Vía Libre en articulación con FAMAF – UNC.
        • Tarea: ¿Para qué sirve una recolección de datos? Quiz

        • Tarea: Validador de fases típicas

          A continuación vas a encontrar un video, para que puedas llevar a cabo esta actividad.

          Si no recordás cómo ingresar a la herramienta, podés volver a ver el video de la actividad Frases Típicas.

          Ingresá a la herramienta EDIA para empezar la actividad: https://edia.ngrok.app/

          Actividad preguntas culturales: ¡Empezamos!

          A continuación te explicamos cómo llevar a cabo la actividad. Para poder considerar la actividad como aprobada es necesario validar 10 definiciones de frases típicas y sus usos en ejemplos. Una vez completada la actividad, tiene que marcar manualmente la actividad como completada como las actividades anteriores donde utilIzaron EDIA.



      • Miramos otras experiencias

        CLASE 14 - FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL PARA AMPLIAR HORIZONTES CULTURALES

        Miramos otras experiencias

        En esta clase proponemos pensar la inteligencia artificial no como un punto de llegada, sino como un punto de partida. Las respuestas cerradas que ofrece un modelo pueden servir para abrir preguntas, desarmar supuestos y evidenciar que todo enunciado está situado en un contexto cultural e histórico. Como vimos en la clase: "Docencia en tiempos de inteligencia artificial", se distinguen dos enfoques complementarios: aprender sobre la IA, analizándola como objeto de estudio —sus alcances, límites y sesgos—; y aprender con la IA, utilizándola como herramienta para construir conocimiento sin reemplazar el pensamiento propio. En este marco se retoma la herramienta EDIA como recurso para explorar estereotipos sin necesidad de saberes técnicos avanzados.

        También se presentan experiencias de aula que integran la IA desde una perspectiva reflexiva: debates sobre elección vocacional y género, análisis de mitos en educación sexual, y actividades de verificación histórica utilizando asistentes conversacionales. En todos los casos, el foco está en la reapropiación crítica de la información: no aceptar la respuesta del modelo como producto final, sino transformarla en una producción propia, contextualizada y argumentada. La propuesta es avanzar hacia una alfabetización computacional que fortalezca la autonomía, el pensamiento crítico y la construcción colectiva del conocimiento.

        Al finalizar la clase, te invitamos a completar unas preguntas. Las respuestas son calificadas y completar la actividad es requisito para finalizar y acreditar el curso.

        👩‍🏫 Docente: Emilia Echeveste

      • Fin del curso

        • FIN DEL CURSO

          ¡Felicitaciones!

          Llegaste hasta acá, y eso ya dice mucho.

          Ojalá te lleves no solo ideas, sino también preguntas, incomodidades y ganas de seguir explorando.