mdelpilartejoneroalvarez@lasallebuenconsejo.es
Forum Replies Created
-
Posts
-
I chose Scenario 2, “Design Thinking: Droughts! no?”, because it tackles the pressing issue of water scarcity, a clear example of social injustice that disproportionately affects vulnerable communities. This scenario brings together science, technology, engineering, arts, and mathematics (STEAM) to help students aged 13 to 16 explore drought from different angles, using design thinking to generate practical and creative solutions. Through data practices such as analyzing rainfall trends and activities focused on empathy, students are encouraged to take civic action. Beyond academic learning, the scenario fosters global awareness and social responsibility, which I found especially meaningful as it empowers students to become active contributors to solving real-world problems.
Los modelos de aprendizaje automático adquieren conocimientos al reconocer patrones en los datos de entrenamiento. Cuando procesan estos datos, ajustan sus parámetros internos con el fin de reducir los errores, lo que les permite hacer predicciones más precisas sobre datos nuevos. La variedad de datos, que incluye ejemplos con diferentes condiciones (como iluminación y ángulos), mejora la exactitud del modelo, permitiéndole identificar patrones en diversos escenarios. Sin embargo, si los datos no son variados, los modelos pueden volverse sesgados y realizar predicciones imprecisas o injustas. En cuanto a la ética, el uso de datos estudiantiles en el aula plantea preocupaciones sobre la privacidad y el posible mal manejo de información sensible. Integrar los conceptos de ciencia de datos e IA/ML en la educación STEAM puede promover el pensamiento crítico, la responsabilidad cívica y el uso ético de la inteligencia artificial.