¿Qué cielo tenemos hoy? Machine Learning para identificar nubes en Educación Primaria

Sebastià  Serrano Reynal, Ana María Zafra Ruano, Constanza Ruiz

Resumen


Este estudio tiene como objetivo analizar las percepciones y evidencias de aprendizaje que emergen al introducir actividades educativas basadas en el aprendizaje automático (Machine Learning, ML) en Educación Primaria, orientadas al desarrollo del pensamiento computacional (PC) y la alfabetización digital. Para ello, se diseñó e implementó una propuesta didáctica en la que los estudiantes entrenaron modelos para clasificar imágenes de nubes y desarrollaron aplicaciones en Scratch. Participaron 82 estudiantes de 4º y 6º de Primaria de un centro educativo en Bogotá (Colombia). La investigación adoptó un enfoque metodológico mixto, combinando instrumentos cualitativos y cuantitativos. Se realizó además una prueba de McNemar para analizar la adquisición de conocimientos. Los resultados evidencian mejoras significativas en la comprensión del funcionamiento del ML, el reconocimiento de tipos de nubes y el desarrollo de habilidades de PC. En conjunto, el estudio confirma la viabilidad pedagógica del ML como herramienta para promover aprendizajes significativos e interdisciplinarios.


Texto completo:

PDF

Referencias


Alam, A. (2022). A digital game based learning approach for effective curriculum transaction for teaching-learning of artificial intelligence and machine learning. In 2022 International Conference on Sustainable Computing and Data Communication Systems (ICSCDS) (pp. 69–74). IEEE. https://doi.org/10.1109/ICSCDS53736.2022.9760932

Barr, V.; Stephenson, C. (2011). Bringing computational thinking to K-12: What is involved and what is the role of the computer science education community? ACM Inroads, 2(1), 48–54. https://doi.org/10.1145/1929887.1929905

Bisquerra, R. (2004). Metodología de la investigación educativa (2ª ed.). La Muralla.

Caamaño, A. (2018). Enseñar química en contexto: un recorrido por los proyectos de química en contexto desde la década de los 80 hasta la actualidad. Educación química, 29(1), 21‑54. https://doi.org/10.22201/fq.18708404e.2018.1.63686

Campina-López, A.; Lorca-Marín, A. A.; De las Heras Pérez, M. A. (2024). Indagación, modelización y pensamiento computacional: Un análisis bibliométrico con el uso de Bibliometrix a través de Biblioshiny. Revista Eureka sobre Enseñanza y Divulgación de las Ciencias, 21(1), 1102. https://doi.org/10.25267/Rev_Eureka_ensen_divulg_cienc.2024.v21.i1.1102

Cruz Rincón, B. K.; García-Holgado, A.; García-Peñalvo, F. J. (2025). Ambientes coeducativos STEM que combinan Robótica Educativa y Pensamiento Computacional. Campus Virtuales, 14(1), 215-241. https://doi.org/10.54988/cv.2025.1.1599

Domènech-Casal J.; Lope S.; Mora Ll. (2019). Qué proyectos STEM diseña y qué dificultades expresa el profesorado de secundaria sobre el Aprendizaje Basado en Proyectos. Revista Eureka sobre Enseñanza y Divulgación de las Ciencias. 16 (2), 2203. https://doi.org/10.25267/Rev_Eureka_ensen_divulg_cienc.2019.v16.i2.2203

Essinger, S. D.; Rosen, G. L. (2011). An introduction to machine learning for students in secondary education. In 2011 Digital Signal Processing and Signal Processing Education Meeting (DSP/SPE) (pp. 243–248). IEEE. https://doi.org/10.1109/DSP-SPE.2011.5739219

George, D.; Mallery, P. (2003). SPSS for Windows step by step: A simple guide and reference (4th ed.). Boston, MA: Allyn & Bacon.

González Fernández, M. O.; Flores González, Y. A.; Muñoz López, C. (2021). Panorama de la robótica educativa a favor del aprendizaje STEAM. Revista Eureka sobre Enseñanza y Divulgación de las Ciencias, 18(2), 2301. https://doi.org/10.25267/Rev_Eureka_ensen_divulg_cienc.2021.v18.i2.2301

de Freitas, A. A.; Weingart, T. B. (2021). I’m going to learn what?!? Teaching artificial intelligence to freshmen in an introductory computer science course. In Proceedings of the 52nd ACM Technical Symposium on Computer Science Education (pp. 198–204). Association for Computing Machinery. https://doi.org/10.1145/3408877.3432530

Freeman, S., Eddy, S.; McDonough, M.; Smith, M.; Okoroafor, N.; Jordt, H.; Wenderoth, M. (2014). Active learning increases student performance in science, engineering, and mathematics. Proceedings of the National Academy of Sciences, 111(23), 8410–8415. https://doi.org/10.1073/pnas.1319030111

Fussero, G. B.; Occelli, M.; Chiarani, M. (2021). Computational Thinking and Genetic Engineering learning: An Approach from Design Research. Revista Iberoamericana de Tecnología en Educación y Educación en Tecnología, 30, 40-50. https://www.scielo.org.ar/pdf/ritet/n30/n30a05.pdf

Gobierno de España. (2022a). Real Decreto 157/2022, de 1 de marzo, por el que se establece la ordenación y las enseñanzas mínimas de la Educación Primaria. Boletín Oficial del Estado, 52, 32623–32752. https://www.boe.es/buscar/act.php?id=BOE-A-2022-3296

Gobierno de España. (2022b). Real Decreto 217/2022, de 29 de marzo, por el que se establece la ordenación y las enseñanzas mínimas de la Educación Secundaria Obligatoria. Boletín Oficial del Estado, 76, 41571–41733. https://www.boe.es/eli/es/rd/2022/03/29/217

Hernández-Cuevas, B. Y.; Lewis, M., Junkins, W.; Crawford, C. S.; Denham, A.; Luo, F. (2025). PhysioML: A web-based tool for machine learning education with real-time physiological data. In Proceedings of the 56th ACM Technical Symposium on Computer Science Education V. 1 (SIGCSE TS 2025) (pp. 485–491). Association for Computing Machinery. https://doi.org/10.1145/3641554.3701815

Kandlhofer, M.; Steinbauer, G.; Laßnig, J. P.; Baumann, W.; Plomer, S.; Ballagi, A.; Alfoldi, I. (2019). Enabling the creation of intelligent things: Bringing artificial intelligence and robotics to schools. In 2019 IEEE Frontiers in Education Conference (FIE) (pp. 1–5). IEEE. https://doi.org/10.1109/FIE43999.2019.9028537

Katuka, G. A.; Li, Y.; Tai, J.; Lynch, C. (2023). A summer camp experience to engage middle school learners in AI through conversational app development. In Proceedings of the 54th ACM Technical Symposium on Computer Science Education, V. 1 (pp. 813–819). Association for Computing Machinery. https://doi.org/10.1145/3545945.3569864

Kilpatrick, W.E. (1918). The Project Method: the use of the purposeful act in the educative process. Teachers college, Columbia University.

Lane, D. (2021). Machine Learning for Kids: A Project-Based Introduction to Artificial Intelligence. No Starch Press.

Liu, M.; Wang, H.; Guo, Y.; Hong, J. (2016). Identifying and analyzing the privacy of apps for kids. Proceedings of the 17th International Workshop on Mobile Computing Systems and Applications (HotMobile '16), 105–110. ACM. https://doi.org/10.1145/2873587.2873597

Martínez-Murciano, M. C.; Pérez-Jorge, D. (2024). Computational thinking with Scratch or App Inventor in primary education. Campus Virtuales, 13(2), 107–122. https://doi.org/10.54988/cv.2024.2.1364

McHugh, M. L. (2012). Interrater reliability: the kappa statistic. Biochemia Medica, 22(3), 276–282. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3900052/

Meng, X.; Li, S.; Malik, M.M.; Umer, Q. (2022). Machine-Learning-Based Suitability Prediction for Mobile Applications for Kids. Sustainability, 14, 12400. https://doi.org/10.3390/su141912400

National Research Council (2012). Report of a workshop on the pedagogical aspects of computational thinking. The National Academies Press. https://nap.nationalacademies.org/catalog/13170/report-of-a-workshop-on-the-pedagogical-aspects-of-computational-thinking

Quigley, C.F.; Herro, D.; King, E.; Plank, H. (2020) STEAM Designed and Enacted: Understanding the Process of Design and Implementation of STEAM Curriculum in an Elementary School. Journal of Science Education and Technology. https://doi.org/10.1007/s10956-020-09832-w

Rani, S.; Bhambri, P.; Chauhan, M. (2021). A machine learning model for kids’ behavior analysis from facial emotions using principal component analysis. In 2021 5th Asian Conference on Artificial Intelligence Technology (ACAIT) (pp. 522–525). IEEE. https://doi.org/10.1109/ACAIT53529.2021.9731203

Roldán-Segura, C.; Perales-Palacios, F. J.; Ruiz-Granados, B.; Moral-Santaella, C.; de la Torre, A. (2018). Enseñando a programar por ordenador en la resolución de problemas de Física de Bachillerato. Revista Eureka sobre Enseñanza y Divulgación de las Ciencias, 15(1), 1301. https://doi.org/10.25267/Rev_Eureka_ensen_divulg_cienc.2018.v15.i1.1301

Sakulkueakulsuk, B.; et al. (2018). Kids making AI: Integrating machine learning, gamification, and social context in STEM education. In 2018 IEEE International Conference on Teaching, Assessment, and Learning for Engineering (TALE) (pp. 1005–1010). IEEE. https://doi.org/10.1109/TALE.2018.8615249

Shamir, G.; Levin, I. (2021). Neural network construction practices in elementary school. KI-Künstliche Intelligenz, 35(2), 181–189. https://doi.org/10.1007/s13218-021-00729-3

Thun, L.J.; Teh, P.L.; Cheng, C.B. (2022). CyberAid: Are your children safe from cyberbullying? Journal of King Saud University - Computer and Information Sciences, 34, 4099–4108. https://doi.org/10.1016/j.jksuci.2021.03.001

Touretzky, D. S.; Gardner-McCune, C.; Martin, F.; Seehorn, D. (2019). Envisioning AI for K-12: What Should Every Child Know About AI? Proceedings of the Thirty-Third AAAI Conference on Artificial Intelligence. Association for the Advancement of Artificial Intelligence. https://doi.org/10.1609/aaai.v33i01.33019795

Vartiainen, H.; Tedre, M.; Valtonen, T. (2020). Learning machine learning with very young children: Who is teaching whom? International Journal of Child-Computer Interaction, 25, 100182. https://doi.org/10.1016/j.ijcci.2020.100182

Wing, J. M. (2006). Computational thinking. Communications of the ACM, 49(3), 33–35. https://doi.org/10.1145/1118178.1118215

Yim, I. H. Y.; Su, J. (2025). Artificial intelligence literacy education in primary schools: A review. International Journal of Technology and Design Education. https://doi.org/10.1007/s10798-025-09979-w

Zhao, Y.; Wang, L. (2022). A case study of student development across project-based learning units in middle school chemistry. Disciplinary and Interdisciplinary Science Education Research. 4, 5. https://doi.org/10.1186/s43031-021-00045-8

Zhou, X.; Gong, Y.; Zhou, Y.; Jiang, Y.; Bai, Z. (2025). Co-design of analogical and embodied representations with children for child-centered AI learning experiences. International Journal of Human-Computer Studies, 199, 103462. https://doi.org/10.1016/j.ijhcs.2025.103462




DOI: http://dx.doi.org/10.54988/cv.2026.2.1727

Enlaces refback

  • No hay ningún enlace refback.


Campus Virtuales

ISSN: 2255-1514

www.revistacampusvirtuales.es

campusvirtuales@uajournals.com