domingo, 20 de abril de 2025

TABLA SEGUIMIENTO RESULTADOS

Tabla de Resultados

Tabla de Resultados

Alumno/a Act. 1 Cuestionario Act. 2 Investigación Act. 3 Presentación Act. 4 Análisis Act. 5 Cine-fórum Calificación Global
Alumno 1 En progreso

RÚBRICA EVALUACIÓN

Rúbricas de Evaluación

Rúbricas de Evaluación

Rúbrica 1: Cuestionario interactivo

Criterio Nivel 1 (Insuficiente) Nivel 2 (Aceptable) Nivel 3 (Excelente)
Conocimiento Menos del 50% de respuestas correctas Entre 50% y 80% de respuestas correctas Más del 80% de respuestas correctas
Comprensión No demuestra entender los conceptos básicos Comprende los conceptos pero comete algunos errores Demuestra clara comprensión de todos los conceptos

Ponderación: 15%

COMENTARIO DOCUMENTAL: Los Retos de la Urbanización en Nuestro Planeta

Cine-Fórum sobre Urbanización

Cine-Fórum: Los Retos de la Urbanización en Nuestro Planeta

Película: "Urbanized" (2011)

Director: Gary Hustwit

Duración: 85 minutos

Sinopsis: Documental que explora el diseño de las ciudades y examina las estrategias arquitectónicas y de planificación urbana para afrontar los desafíos del crecimiento urbano mundial.

Cuestionario sobre la película

Preguntas de comprensión

  1. ¿Qué porcentaje de la población mundial vive en ciudades según la película?
  2. Menciona tres ciudades que aparezcan como ejemplos y qué se destaca de cada una.

Preguntas de análisis

  1. ¿Cómo relaciona el documental el diseño urbano con la calidad de vida?
  2. Compara los enfoques de planificación urbana "de arriba hacia abajo" y "de abajo hacia arriba".

Preguntas de reflexión personal

  1. ¿Qué caso te pareció más interesante o inspirador y por qué?
  2. ¿Identificas alguno de los problemas mostrados en tu propia localidad?

MEDIO AMBIENTE Y SU PROBLEMÁTICA EN LA CIUDAD

Análisis: Medio Ambiente Urbano y Tamaño Poblacional

Análisis: El Medio Ambiente en las Ciudades según su Número de Habitantes

El tamaño de una ciudad influye directamente en el tipo e intensidad de sus problemas medioambientales. En esta actividad, analizarás cómo varían estos desafíos según el tamaño poblacional.

ODS relacionados:
  • ODS 7: Energía asequible y no contaminante
  • ODS 11: Ciudades y comunidades sostenibles
  • ODS 15: Vida de ecosistemas terrestres

Metodología de trabajo

1. Selección de ciudades

Deberás seleccionar al menos 4 ciudades de diferentes tamaños:

  • Pequeña: menos de 20.000 habitantes
  • Mediana: entre 20.000 y 100.000 habitantes
  • Grande: entre 100.000 y 500.000 habitantes
  • Metrópolis: más de 500.000 habitantes

2. Categorías de análisis

  • Calidad del aire
  • Gestión de residuos
  • Espacios verdes urbanos
  • Consumo energético
  • Movilidad

Formato del informe

Deberás presentar un informe (5-7 páginas) con introducción, análisis comparativo, conclusiones y propuestas adaptadas a cada tipo de ciudad.

PRESENTACIÓN POBLACIÓN Y PLANOS DEL VALLE DE LECRÍN

Presentación: Valle de Lecrín - Población y Planos Urbanos

Presentación: Valle de Lecrín - Población y Planos Urbanos

En esta actividad crearás una presentación digital sobre el Valle de Lecrín, centrándote en la población y los diferentes tipos de planos urbanos que podemos encontrar en sus municipios.

Contenido mínimo requerido

1. Introducción al Valle de Lecrín

  • Ubicación geográfica y municipios
  • Breve reseña histórica

2. Análisis demográfico

  • Evolución de la población
  • Distribución actual por municipios

3. Planos urbanos del Valle de Lecrín

  • Identificación de tipos de planos:
    • Plano irregular o medieval
    • Plano ortogonal o en damero
    • Plano lineal
    • Plano radiocéntrico
  • Para cada tipo: incluir imagen aérea, fotografías y explicación

Guía para la elaboración

  • Extensión: 12-15 diapositivas
  • Textos: Breves y concisos
  • Imágenes: De alta calidad y relevantes
  • Mapas y gráficos: Incluir al menos 3 mapas y 2 gráficos

EVOLUCIÓN DE LA POBLACION DE ANDALUCIA 1800-2024

Investigación: Evolución de la Población en Andalucía

Investigación: Evolución de la Población en Andalucía (1800-2024)

Instrucciones generales

En esta actividad investigarás cómo ha evolucionado la población de Andalucía desde 1800 hasta hoy. Deberás analizar datos demográficos, identificar tendencias y comprender los factores que han influido en estos cambios.

Etapas de la investigación

Etapa 1: 1800-1850 (La Andalucía rural)

  • Busca datos sobre la población andaluza a principios del siglo XIX
  • Investiga el impacto de la Guerra de la Independencia
  • Examina la distribución rural/urbana

Formato de entrega

Deberás presentar un documento (3-5 páginas) con introducción, análisis por etapas, conclusiones y bibliografía, además de gráficos comparativos y una reflexión personal.

CUESTIONARIO POBLACIÓN MUNDIAL

 

Cuestionario sobre Población Mundial

Cuestionario: La Población Mundial y su Distribución

Responde a las siguientes 20 preguntas seleccionando la opción correcta en cada caso.

1. ¿Cuál es la población mundial aproximada en 2024?

a) 6.000 millones de habitantes
b) 7.000 millones de habitantes
c) 8.000 millones de habitantes
d) 9.000 millones de habitantes

sábado, 5 de abril de 2025

2.5. Funcionalidades (INVESTIGACION PROFUNDA)

 La inteligencia artificial conversacional ha ido evolucionando en lo largo del tiempo dando lugar a nuevas funcionalidades. 

ENLACE A VIDEO EXPLICATIVO

 Los primeros modelos de inteligencia artificial conversacional que se popularizaron fueron los denominados chatbots. Su funcionamiento es sencillo: el usuario escribe una entrada, y la IA genera una respuesta casi inmediata. Están diseñados para mantener una conversación fluida, resolver dudas básicas o simular interacciones naturales en tiempo real. Son eficaces en tareas de asistencia rápida, orientación general o respuestas repetitivas. Si ya has probado ChatGPT o cualquier otra IA, casi con toda seguridad lo has hecho a través de un chatbot, ya que es la opción que aparece por defecto en la mayoría de los modelos. 

Con los avances recientes, han aparecido nuevas funcionalidades que amplían significativamente las posibilidades de uso educativo y profesional de estas herramientas. Actualmente, además de los chatbots, encontramos modelos con capacidades más sofisticadas, como los razonadores y los investigadores profundos.

Razonadores: están diseñados para llevar a cabo procesos de análisis más elaborados. Son capaces de estructurar ideas, comparar conceptos, generar textos complejos y sostener argumentos con coherencia. Se utilizan, por ejemplo, para redactar ensayos, resolver problemas lógicos, diseñar actividades didácticas o analizar situaciones desde distintos enfoques. Su capacidad va más allá de la respuesta inmediata: razonan antes de contestar, y en ocasiones pueden tardar hasta unos minutos en darnos la respuesta. Y además,  ¡podemos ver esa cadena de razonamiento! Si nos imaginamos el ejemplo de la habitación china, podríamos decir que en este caso al persona que está dentro tendría más libros y más tiempo para consultar su respuesta, y además podríamos ver lo que hace a través de  una pared transparentes 

Investigación profunda (Deep Research):  es como si tuvieras un investigador automático, capaz de navegar por Internet, analizar múltiples fuentes y generar informes detallados sobre temas específicos. Su funcionalidad es revisar la red y ahorrarnos horas de trabajo de búsqueda. A diferencia de los modelos estándar que responden basándose en datos preexistentes, Deep Research puede acceder a información actualizada en tiempo real, interpretar contenido textual y visual, y elaborar informes estructurados con referencias a las fuentes consultadas. Este proceso puede tardar entre 5 y 30 minutos, dependiendo de la complejidad del tema.

Esta evolución permite seleccionar el modelo más adecuado según el tipo de tarea que se desee realizar, optimizando así el uso de la inteligencia artificial en el entorno educativo y profesional.

La importancia de elegir el modelo adecuado.

Es fundamental distinguir entre estas tres opciones chatbot, razonador e investigador profundo— porque cada una responde a necesidades distintas. Esta distinción será especialmente relevante cuando, en el módulo 2 del curso, comencemos a trabajar de forma práctica con las IA conversacionales.

En función del tipo de contenido que deseemos generar (una explicación breve, un texto argumentativo o una síntesis documentada), nos convendrá elegir un modelo u otro. Esta elección consciente nos permitirá aprovechar mejor el potencial de la herramienta, optimizar tiempos y obtener resultados más precisos y útiles para nuestro contexto educativo o profesional.

Cuándo conviene usar un razonador en educación

Los modelos de inteligencia artificial con capacidad de razonamiento avanzado (razonadores) son especialmente útiles en situaciones educativas que requieren procesos cognitivos de orden superior, como el análisis, la síntesis, la argumentación o la toma de decisiones fundamentadas.

A diferencia del chatbot, que responde de forma rápida y directa, el razonador no se limita a ofrecer información, sino que la procesa, organiza y desarrolla en función del objetivo propuesto. Por ello, es recomendable utilizarlo cuando el docente o el alumnado necesiten una elaboración más estructurada y reflexiva de los contenidos.

Situaciones en las que conviene utilizar un razonador:

Diseño de tareas compleja.

Ejemplo: generar una secuencia didáctica para trabajar el pensamiento crítico a partir de fuentes históricas diversas.

Análisis comparativo de conceptos.

Ejemplo: comparar el feudalismo europeo con las estructuras sociales en el Japón medieval, destacando semejanzas y diferencias.

Redacción de textos argumentativos o ensayísticos.

Ejemplo: elaborar un ensayo sobre los riesgos y beneficios del uso de IA en la educación.

Resolución de problemas con explicación razonada.

Ejemplo: explicar paso a paso cómo resolver un problema matemático aplicando razonamiento lógico.

Elaboración de rúbricas, criterios o justificaciones pedagógicas.

Ejemplo: crear una rúbrica para evaluar trabajos de investigación en 4.º de ESO, con justificación de cada indicador.

Interpretación de textos complejos o fragmentos literarios.

Ejemplo: analizar un poema de la Generación del 27 desde una perspectiva temática y estilística.

El razonador es especialmente valioso cuando se espera que la IA piense antes de responder, y no simplemente que responda. Utilizar esta funcionalidad permite obtener propuestas más ricas, coherentes y adaptadas a un nivel de profundidad acorde al trabajo educativo.

Cuándo conviene usar la funcionalidad de Deep Research en educación. 

Deep Research es especialmente útil para:​

Preparación de clases con contenido reciente, por ejemplo avances científicos, novedades legislativas o contextos sociales en evolución. 

Elaboración de informes o materiales didácticos con base documental contrastada.

Desarrollo de investigación: se puede utilizar Deep Research para recopilar datos de múltiples fuentes y usarlos como base para nuestros trabajos, artículo o proyectos de restauración.

Deep Research es una herramienta especialmente valiosa cuando se busca ir más allá de una respuesta directa y se necesita construir conocimiento a partir de múltiples fuentes, con perspectiva y profundidad. 

viernes, 4 de abril de 2025

2.4. La inteligencia artificial generativa.

 

2.4. La inteligencia artificial generativa.

La Inteligencia Artificial Generativa representa una categoría especializada dentro de la IA que se centra en la capacidad de crear contenido nuevo, en lugar de simplemente analizar o clasificar información existente. Estos sistemas utilizan algoritmos avanzados, principalmente basados en arquitecturas de redes neuronales profundas, para generar contenido original que mantiene características similares a los datos con los que han sido entrenados.

A diferencia de los sistemas de IA tradicionales que siguen reglas explícitas o toman decisiones basadas en patrones identificados, los modelos generativos aprenden las distribuciones probabilísticas subyacentes en los datos de entrenamiento para luego producir nuevos ejemplos que podrían pertenecer a esa misma distribución.

El funcionamiento de la IA generativa se basa principalmente en dos componentes:

  1. Aprendizaje de patrones: durante la fase de entrenamiento, estos modelos son expuestos a enormes cantidades de datos (textos, imágenes, sonidos, etc.) de los cuales aprenden patrones, estructuras y características.
  2. Generación de contenido: una vez entrenados, pueden crear nuevos contenidos que comparten similitudes estructurales con los datos originales, pero sin ser copias exactas.

La IA generativa representa uno de los avances más significativos en el campo de la inteligencia artificial, con el potencial de redefinir nuestra relación con la tecnología y los procesos creativos. A medida que estas herramientas continúan evolucionando, será crucial desarrollar marcos éticos y regulatorios que maximicen sus beneficios mientras mitigan sus riesgos potenciales.



TIPOS DE IA

 

2.3. Tipos de IA

Actualmente, podemos categorizar la Inteligencia Artificial en tres grandes niveles según su alcance y capacidades, cada uno representando un escalón en la evolución de estos sistemas inteligentes.

Inteligencia Artificial Estrecha (ANI)

También conocida como IA Débil o Narrow AI, la Inteligencia Artificial Estrecha se refiere a sistemas diseñados y entrenados para tareas específicas. Estos sistemas son excelentes en su dominio particular, pero no poseen capacidades generales de razonamiento fuera de su área designada. 

Ejemplos incluyen asistentes virtuales como Siri o Alexa, sistemas de reconocimiento facial, algoritmos de recomendación en plataformas como Netflix o Spotify, y programas de ajedrez como Deep Blue. Toda la IA que experimentamos actualmente pertenece a esta categoría.



Inteligencia Artificial General (AGI)

La Inteligencia Artificial General, también llamada IA Fuerte o Strong AI, describe sistemas hipotéticos con la capacidad de comprender, aprender y aplicar conocimientos a través de múltiples dominios, equiparables a la inteligencia humana. 

Un sistema AGI podría realizar cualquier tarea intelectual que un ser humano pueda hacer, incluyendo aprender de la experiencia, razonar abstractamente, planificar a futuro y adaptarse a nuevos entornos.

Hace solo un año se decía que la IA General quizá podría llegar entre 2030 y 2045.  Sin embargo, actualmente se comenta que es posible ver los primeros indicios de una AGI antes a final de 2025 o en 2026. Sam Altman, CEO de OpenAI, ha declarado recientemente que ya tienen una hoja de ruta para alcanzar la AGI. Elon Musk dice que llegará en breve; Dario Amodei, CEO de Anthropic, asegura que podremos ver opciones en 2026 o en 2027. Otros grandes miembros de corporaciones como Mustafá Suleyman, director de Microsoft AI; y Jensen Huang, director general de NVIDIA, lo retrasan unos años más, pero ya parece que todo el mundo tiene claro que llegar, llegará.

Superinteligencia Artificial (ASI).

La Superinteligencia Artificial representaría sistemas que superan significativamente la inteligencia humana en prácticamente todos los campos, desde la creatividad hasta el razonamiento científico. Como propuso el filósofo Nick Bostrom, una ASI podría desarrollar capacidades más allá de nuestra comprensión actual, potencialmente revolucionando campos como la medicina, la física o la tecnología a un ritmo acelerado. Este concepto permanece en el ámbito de la especulación y la ciencia ficción, con debates éticos significativos sobre sus potenciales implicaciones.




la inteligencia Artificial INTRODUCCION

 INTRODUCCION



ENLACE VÍDEO INTRODUCCIÓN

Definición

La inteligencia artificial (IA) es un campo interdisciplinar de las ciencias de la computación que estudia el diseño, desarrollo y aplicación de sistemas capaces de realizar tareas que, si fueran ejecutadas por seres humanos, requerirían el uso de capacidades cognitivas como el razonamiento, la planificación, el aprendizaje, la comprensión del lenguaje, la percepción del entorno o la toma de decisiones.

A diferencia de los programas tradicionales, que siguen instrucciones predefinidas, muchos sistemas de IA actuales están diseñados para adaptarse a nuevas situaciones mediante el análisis de grandes volúmenes de datos. Este tipo de aprendizaje, denominado aprendizaje automático (machine learning), permite a las máquinas reconocer patrones complejos, mejorar su rendimiento con la experiencia y, en algunos casos, generar contenido de manera autónoma (como imágenes, textos o música).

La IA combina conocimientos procedentes de diversas disciplinas, como la lógica, la estadística, la lingüística, la filosofía y la neurociencia, y tiene múltiples aplicaciones en sectores tan diversos como la medicina, la educación, el transporte, la industria o los servicios digitales.

Más allá de su dimensión técnica, el desarrollo y uso de la inteligencia artificial plantea interrogantes éticos, sociales y educativos, especialmente en lo relativo a la toma de decisiones automatizadas, la transparencia de los algoritmos, el tratamiento de los datos y el impacto sobre el trabajo humano, la equidad y la privacidad.

2.1. El test de Turing

Una forma clásica de conceptualizar la IA fue propuesta por Alan Turing en 1950 mediante su famoso "Test de Turing". Esta prueba plantea un criterio para determinar si una máquina puede exhibir un comportamiento inteligente comparable al humano.

En el test, un evaluador humano mantiene conversaciones por escrito con dos participantes ocultos: un humano y una máquina. Según los criterios originales, la prueba se considera superada si la máquina logra convencer al evaluador, durante al menos el 70% del tiempo (aproximadamente 3,5 minutos), de que está interactuando con una persona real. De lo contrario, se determina que la máquina no ha superado el desafío.

No fue hasta 2014 cuando una IA llamada "Eugene Goostman", que simulaba ser un niño de 13 años, logró engañar al 33% de los jueces. Como el umbral establecido era del 30%, se consideró que la prueba había sido superada por primera vez.

En 2022, ChatGPT se convirtió en la segunda IA en superar oficialmente el test.

Un estudio  de la Universidad de Stanford realizó el test de Turing a un GPT4 y aseguraba que el modelo mostraba rasgos de comportamiento y personalidad que son estadísticamente indistinguibles de un humano aleatorio de entre decenas de miles de sujetos humanos de más de 50 países. En otra investigación de la Universidad de California , el 54% de los interlocutores pensaron que GPT-4 eran humano después de una conversación de cinco minutos. 

Aunque el Test de Turing ha sido objeto de debate y críticas a lo largo de los años, sigue siendo un punto de referencia importante en la discusión sobre qué significa realmente que una máquina sea "inteligente", centrando la atención no en los procesos internos sino en el comportamiento observable y la capacidad de interacción.


2.2. El experimento de la habitación china

En el contexto de la inteligencia artificial y como respuesta al Test de Turing, el filósofo John Searle propuso en 1980 el famoso experimento mental conocido como "La Habitación China".

En este experimento, Searle imagina a una persona encerrada en una habitación con un gran libro de reglas. Esta persona, que no sabe nada de chino, recibe mensajes escritos en caracteres chinos a través de una ranura. Siguiendo meticulosamente las instrucciones del libro, que le indica qué símbolos escribir en respuesta a los símbolos recibidos, la persona devuelve respuestas en perfecto chino a través de otra ranura.

Desde el exterior, parecería que quien está dentro comprende chino perfectamente —pasaría un "Test de Turing" para el idioma chino— pero en realidad, la persona simplemente manipula símbolos sin entender su significado.

El argumento de Searle es que esto refleja exactamente lo que hacen los sistemas de IA: pueden procesar símbolos y generar respuestas aparentemente inteligentes siguiendo reglas programadas, pero carecen de verdadera comprensión o consciencia. En otras palabras, una máquina podría superar el Test de Turing sin realmente "entender" nada, solo manipulando símbolos según reglas establecidas.

Este experimento sigue siendo central en los debates filosóficos sobre si la IA puede desarrollar una genuina comprensión o si simplemente simula la inteligencia mediante el procesamiento de patrones.