🤖 AI

Mapping data literacy trajectories in K-12 education

Este artículo presenta una revisión sistemática de 84 estudios que propone un marco de paradigmas de datos y cuatro trayectorias de aprendizaje para visualizar y analizar la evolución de la alfabetización de datos en estudiantes de educación primaria y secundaria.

Autores originales: Robert Whyte, Manni Cheung, Katharine Childs, Jane Waite, Sue Sentance

Publicado 2026-03-31

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Robert Whyte, Manni Cheung, Katharine Childs, Jane Waite, Sue Sentance

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que enseñar a los niños a pensar como científicos de datos es como enseñarles a cocinar. Durante años, la escuela les ha enseñado a seguir recetas exactas: "Si pones dos huevos, añade una taza de harina. Si la mezcla está líquida, añade más harina". Esto es como la programación tradicional: reglas claras, paso a paso, donde tú eres el chef que dicta cada movimiento.

Pero el mundo ha cambiado. Ahora, en lugar de recetas, tenemos sistemas que aprenden solos (como la Inteligencia Artificial). En lugar de decirle al ordenador qué hacer, le damos miles de fotos de perros y gatos, y le decimos: "¡Tú decide cuál es cuál!". El ordenador mira los patrones y crea su propia "receta" interna, que a veces ni siquiera nosotros entendemos del todo.

Este artículo de investigación habla sobre cómo enseñar a los estudiantes de primaria y secundaria (de 6 a 18 años) a navegar este nuevo mundo de "cocina inteligente". Los autores, del Raspberry Pi Foundation y la Universidad de Cambridge, han revisado 84 estudios para ver cómo están enseñando esto actualmente y proponen un mapa para entenderlo mejor.

El Mapa del Tesoro: Dos Brújulas

Para entender cómo aprenden los niños, los autores proponen mirar dos cosas clave, como si tuvieras dos brújulas:

¿Quién tiene el control? (Lógica):
- Receta Manual (Basada en reglas): Tú escribes las reglas. Es como un juego de "Si pasa esto, haz aquello". Es transparente y fácil de entender.
- Receta Automática (Basada en datos): El ordenador aprende de los datos. Es como darle al ordenador una caja de ingredientes y decirle: "Haz un pastel". El ordenador descubre la receta por sí mismo.
¿Podemos ver dentro de la olla? (Explicabilidad):
- Olla de Cristal (Transparente): Sabemos exactamente cómo el ordenador llegó a su conclusión. Podemos ver los ingredientes y los pasos.
- Olla Negra (Opaca): El ordenador da una respuesta, pero no sabemos exactamente cómo lo hizo. Es como un mago que saca un conejo de la nada; sabes que el conejo está ahí, pero no sabes cómo lo hizo.

Los 4 Caminos de Aprendizaje (Las Trayectorias)

Al analizar los estudios, los autores descubrieron que los estudiantes suelen seguir cuatro caminos diferentes al aprender estos conceptos. Imagina que son cuatro rutas para subir una montaña:

1. El Camino de "Mantener la Claridad" (Transparente a Transparente)

La analogía: Empiezas cocinando con una receta escrita a mano (reglas claras) y luego pasas a usar una máquina que también sigue reglas claras, pero que aprende de ejemplos.
Qué pasa: Los niños empiezan con reglas simples (ej: "Si el texto dice 'feliz', es positivo") y luego usan herramientas para que la máquina aprenda esas reglas sola, pero siempre manteniendo la capacidad de ver por qué la máquina piensa eso. Es un cambio suave y seguro.

2. El Camino de "Mantener los Datos" (Transparente a Opaco)

La analogía: Empiezas viendo cómo funciona una máquina simple (como un gráfico de temperaturas) y luego pasas a usar un superordenador complejo (como una red neuronal) que es un "mago" y no puedes ver sus trucos.
Qué pasa: Los estudiantes aprenden a analizar datos simples y luego saltan a sistemas de Inteligencia Artificial muy avanzados donde la "caja negra" es real. Aquí, el reto es confiar en la máquina sin entender completamente su interior.

3. El Salto (De Reglas a "Caja Negra")

La analogía: Es como si un niño estuviera aprendiendo a cocinar con una receta paso a paso y, de repente, le lanzan un plato de un restaurante de alta cocina hecho por un robot misterioso y le dicen: "¡Ahora tú hazlo!".
Qué pasa: Muchos estudios hacen esto: saltan directamente de la programación tradicional a la Inteligencia Artificial compleja sin explicar la transición. Los niños pueden terminar pensando que la máquina siempre tiene la razón, sin entender sus errores o sesgos. Es un salto arriesgado.

4. El Puente (El Camino Ideal pero Raro)

La analogía: Es como un viaje completo: empiezas cocinando con tus propias manos (reglas), luego usas una máquina que te muestra cómo mezcla los ingredientes (datos transparentes), y finalmente usas al "mago" (IA opaca), pero ahora ya sabes cómo funciona el truco y puedes criticarlo.
Qué pasa: Este es el camino más completo, pero los autores dicen que casi nadie lo hace. Conecta todo: reglas, datos visibles y sistemas complejos. Ayuda a los estudiantes a entender que la IA no es magia, sino matemáticas y datos, y que a veces falla.

¿Por qué es importante esto?

El problema principal es que muchos profesores y libros de texto están enseñando estos conceptos de forma desordenada. A veces enseñan solo recetas manuales, a veces solo usan "cajas negras" mágicas, y a veces saltan sin avisar.

Los autores quieren que los educadores se detengan y piensen:

¿Estoy enseñando a mis alumnos a seguir reglas o a entender patrones?
¿Les estoy mostrando cómo funciona la máquina o solo les estoy dando el resultado?
¿Estoy preparándolos para confiar ciegamente en la tecnología o para ser críticos con ella?

En resumen:
Este papel es una invitación a los educadores para que dejen de tratar la "alfabetización de datos" como un tema confuso y desordenado. Proponen usar este mapa de "Ollas y Recetas" para diseñar clases que lleven a los niños desde lo simple y transparente hasta lo complejo, asegurándose de que entiendan no solo qué hace la tecnología, sino cómo y por qué lo hace. Así, cuando crezcan, no serán solo usuarios pasivos de la Inteligencia Artificial, sino ciudadanos críticos que saben cómo funciona el "magia" detrás de las pantallas.

A continuación presento un resumen técnico detallado del artículo "Mapping data literacy trajectories in K–12 education" (Mapeo de trayectorias de alfabetización de datos en la educación K-12), escrito por Whyte et al. de la Raspberry Pi Foundation y la Universidad de Cambridge.

1. Problema y Contexto

La alfabetización de datos se ha convertido en una competencia fundamental en una sociedad impulsada por datos, abarcando dominios como la visualización, la ciencia cognitiva, la inteligencia artificial (IA) y la educación. Sin embargo, existe una brecha crítica en la educación en ciencias de la computación (CS):

Paradigma obsoleto: La instrucción tradicional de programación se basa en lógica basada en reglas (simbólica), donde la solución se formaliza mediante lógica explícita. Esto es insuficiente para enseñar tecnologías emergentes basadas en datos (como el Aprendizaje Automático o ML), que funcionan mediante demostraciones estadísticas de efectividad en lugar de pruebas lógicas.
Falta de marco unificado: La naturaleza interdisciplinaria de la ciencia de datos ha creado una "perspectiva fracturada" entre disciplinas (estadística, CS, matemáticas). No existe un vocabulario compartido ni un marco claro para mapear cómo los estudiantes de K-12 progresan en su comprensión de los sistemas basados en datos.
Desafío de la explicabilidad: Los modelos de ML a menudo son "cajas negras" (opacos), lo que dificulta que los estudiantes comprendan cómo los datos moldean los resultados, generando una tensión pedagógica con la expectativa tradicional de sistemas computacionales transparentes y verificables.

Pregunta de investigación: ¿Cómo podemos mapear las experiencias de aprendizaje de los estudiantes de K-12 a través de actividades interdisciplinarias de alfabetización de datos utilizando un marco común?

2. Metodología

Los autores realizaron una revisión sistemática de la literatura (SLR) siguiendo las directrices PRISMA 2020.

Fuentes de datos: Se analizaron 84 estudios empíricos revisados por pares publicados entre 2019 y 2024.
Criterios de inclusión: Estudios relacionados con la alfabetización de datos en entornos K-12, publicados en campos de educación en computación, matemáticas, ciencias STEM y ciencias del aprendizaje, realizados en actividades en el aula o contextos no formales.
Análisis de datos:
- Se codificaron las actividades de aprendizaje basándose en dos dimensiones teóricas clave.
- Se utilizó un proceso de codificación cualitativa con tres autores hasta alcanzar consenso, logrando una fiabilidad inter-jueces alta (Kappa de Cohen $\kappa = 0.85$ ).
- Se visualizaron las trayectorias de aprendizaje inductivamente para identificar patrones de progreso entre los paradigmas.

3. Marco Teórico: El Marco de Paradigmas de Datos

El núcleo de la contribución teórica es un marco bidimensional que categoriza las actividades de aprendizaje:

Lógica (Sistemas):
- Basado en Conocimiento (KB): Soluciones algorítmicas tradicionales, basadas en reglas y lógica simbólica (ej. programación de reglas, árboles de decisión manuales).
- Impulsado por Datos (DD): Modelos entrenados y evaluados con datos, basados en demostraciones estadísticas (ej. redes neuronales, regresión lineal).
Explicabilidad (Modelos):
- Transparente (T): Modelos "caja blanca" donde la lógica interna es legible y comprensible (ej. regresión lineal, árboles de decisión).
- Opaco (O): Modelos "caja negra" donde la lógica interna es abstracta o requiere métodos post-hoc para ser explicada (ej. redes neuronales profundas, bosques aleatorios).

Estas dimensiones generan cuatro paradigmas (cuadrantes):

KB+T: Modelos basados en reglas explicables por diseño.
DD+T: Modelos impulsados por datos explicables por diseño.
KB+O: Modelos basados en reglas explicables mediante métodos adicionales (menos común).
DD+O: Modelos impulsados por datos opacos (requieren explicación post-hoc).

4. Resultados: Trayectorias de Aprendizaje Identificadas

De los 84 estudios, la mayoría (57) se mantuvo dentro de un solo paradigma. Sin embargo, los autores identificaron cuatro trayectorias distintas que describen cómo los estudiantes transitan entre estos paradigmas:

Trajectoria 1: Mantener la Transparencia (KB-T $\rightarrow$ DD-T)
- Los estudiantes comienzan con reglas manuales (KB-T) y transicionan a modelos impulsados por datos que siguen siendo transparentes (DD-T).
- Ejemplo: Pasar de crear reglas manuales para clasificar pizzas a usar herramientas como Teachable Machine para entrenar clasificadores que siguen siendo interpretables (como árboles de decisión).
- Objetivo: Preservar la intuición de transparencia mientras se introduce la lógica de datos.
Trajectoria 2: Mantener la Orientación a Datos (DD-T $\rightarrow$ DD-O)
- Los estudiantes comienzan con análisis exploratorio o modelos simples transparentes (DD-T) y avanzan hacia modelos más complejos y opacos (DD-O).
- Ejemplo: Iniciar con regresión lineal en datos de temperatura y progresar a redes neuronales convolucionales (CNN) para reconocimiento de imágenes.
- Objetivo: Profundizar en la complejidad de los modelos de datos, aceptando una menor transparencia.
Trajectoria 3: Salto (KB-T $\rightarrow$ DD-O)
- Un cambio abrupto de sistemas basados en reglas transparentes a sistemas impulsados por datos opacos.
- Ejemplo: Pasar de programar reglas en Scratch a entrenar modelos de ML (como redes neuronales) sin una fase intermedia de explicabilidad.
- Riesgo: Los estudiantes pueden desarrollar suposiciones incorrectas sobre la "certeza" de los sistemas de ML y no entender la influencia de los datos en el comportamiento del modelo.
Trajectoria 4: Puente (Bridging)
- La ruta menos común (solo 2 estudios), que conecta múltiples paradigmas de manera secuencial.
- Ejemplo: Comenzar con explicaciones basadas en reglas (KB-T), pasar a visualización de datos y clasificación transparente (DD-T), y finalmente explorar modelos generativos opacos (DD-O).
- Beneficio: Permite a los estudiantes comprender las diferencias epistémicas entre paradigmas y las compensaciones (trade-offs) de la explicabilidad.

5. Contribuciones Clave

Marco de Paradigmas de Datos: Proporciona un vocabulario común y una herramienta de clasificación para analizar intervenciones educativas en alfabetización de datos a través de disciplinas.
Visualización de Trayectorias: Identifica y define cuatro rutas de aprendizaje distintas, permitiendo a educadores y diseñadores de currículos visualizar cómo se estructuran las progresiones de aprendizaje.
Análisis de la Explicabilidad: Destaca la importancia pedagógica de la transparencia, señalando que saltar directamente a sistemas opacos sin una base de razonamiento transparente puede ser perjudicial para la comprensión profunda.

6. Significado e Implicaciones

Para Educadores y Diseñadores de Currículos: El marco ayuda a diseñar entornos de aprendizaje que no solo enseñen herramientas, sino que mapeen explícitamente la transición de la lógica algorítmica tradicional a la lógica estadística. Sugiere que las trayectorias de "Puente" (Bridging) o "Mantener Transparencia" podrían ser más efectivas para construir modelos mentales robustos que el "Salto" directo.
Para la Investigación: Ofrece una base para comparar estudios interdisciplinarios que a menudo hablan lenguajes diferentes.
Limitaciones y Futuro: El estudio se basó en intervenciones de investigación y no en currículos completos, por lo que las trayectorias de aprendizaje largas son escasas en la literatura actual. Se necesita más trabajo para aplicar este marco a materiales curriculares existentes y definir qué trayectoria es "óptima" según los objetivos de aprendizaje específicos.

En conclusión, el artículo propone que la alfabetización de datos en K-12 debe ir más allá de la simple enseñanza de herramientas de ML; requiere una comprensión estructurada de cómo la lógica y la explicabilidad de los sistemas evolucionan, utilizando este marco para guiar a los estudiantes desde reglas explícitas hacia la comprensión crítica de sistemas de "caja negra".