Nuestro colaborador Abraham Romero plantea cómo enseñar programación e inteligencia artificial en el aula con Scratch y LearningML mediante el uso de actividades, modelos sencillos y un flujo de trabajo adaptable para el docente, tomando en cuenta, además, la evaluación del proceso, pautas de privacidad, sesgos y uso responsable de datos.

La educación digital no consiste únicamente en enseñar a utilizar aplicaciones. También implica que los estudiantes comprendan cómo funcionan las tecnologías, formulen preguntas, diseñen soluciones y evalúen críticamente los resultados que obtienen.

¿Qué aporta Scratch al aprendizaje?

Scratch facilita al alumnado transformar una idea en un objeto digital que puede probar, depurar y mejorar. Al construir una animación o un juego, practica secuencias, eventos, repeticiones, condiciones, variables y descomposición de problemas. 

Puede ser una puerta de entrada a este proceso: su programación por bloques permite crear historias interactivas, animaciones y videojuegos sin exigir que el alumnado domine desde el inicio la sintaxis de un lenguaje textual. 

También toma decisiones de diseño: qué debe ocurrir, qué información necesita el usuario y cómo se comunicará el proyecto. Scratch fue creado para que niñas, niños y jóvenes programen historias, juegos y animaciones, y compartan sus creaciones. 

La inteligencia artificial (IA) amplía las posibilidades cuando se integra con un propósito pedagógico claro: comprender cómo un sistema aprende patrones a partir de ejemplos, por qué se equivoca y qué ocurre cuando los datos son insuficientes o poco representativos.

Su potencial no se limita al área de informática. En Comunicación, puede apoyar relatos ramificados y diálogos; en Matemática, representar patrones, coordenadas y operaciones; en Ciencia y Tecnología, simular procesos o explicar sistemas; y en Arte, explorar movimiento, sonido y composición. La integración curricular funciona mejor cuando el objetivo disciplinar se define antes de elegir la herramienta.

Un ejemplo breve: Una historia interactiva sobre el cuidado del agua

El propósito de esta actividad consiste en construir un relato con decisiones y explicar una consecuencia ambiental. Antes de programar, los equipos dibujan un diagrama con una situación inicial y dos decisiones posibles; por ejemplo: “¿Dejo correr el agua mientras me cepillo los dientes?”. 

Cada opción conduce a una escena distinta. En Scratch, un bloque de pregunta y una condición “si/sino” permiten dirigir la historia. Para comprobar el aprendizaje, cada equipo explica qué decisión tomó el usuario, qué condición programó y cómo revisó que ambas rutas funcionaban.

Los recursos de partida que se pueden utilizar para esta actividad podrían ser la página de ideas de Scratch que reúne una serie muy interesante de actividades para adaptar; la Scratch Foundation que mantiene una biblioteca de actividades, planes, hojas de trabajo y videos, además, el currículo Creative Computing de Harvard ofrece una secuencia más amplia de actividades de computación creativa. 

Una recomendación adicional: se debe revisar idioma, antigüedad y compatibilidad de cada material antes de usarlo.

¿Qué es LearningML y qué aporta al aprendizaje?

LearningML es una herramienta educativa para introducir conceptos básicos de aprendizaje automático (machine learning). Permite reunir ejemplos, asignarlos a categorías, entrenar un modelo y probar si clasifica correctamente nuevos ejemplos. 

Después, el modelo puede utilizarse en un entorno de programación por bloques basado en Scratch, al que se incorporan bloques específicos de LearningML. Para trabajar con esta aplicación es importante distinguir tres procesos:

– Recopilar y etiquetar datos de ejemplo

– Entrenar y probar un modelo que aprende patrones de esos datos. 

– Construir una aplicación que use las predicciones del modelo. 

Esto no equivale a programar una regla explícita. En un programa basado en reglas, el estudiante define qué debe ocurrir; en aprendizaje automático, el modelo genera una predicción a partir de patrones aprendidos y puede equivocarse.

LearningML no es el editor original de Scratch: es una herramienta complementaria que ofrece un editor de modelos y un editor de programación modificado. Por ello, un proyecto que usa bloques específicos de LearningML puede no funcionar sin cambios en Scratch estándar. 

El manual oficial describe los componentes y sus rutas de acceso. La plataforma también ha publicado recursos para guardar modelos y construirlos desde el propio entorno de programación. Los docentes pueden, además, optar por el uso de dos variantes de esta aplicación: el editor de modelos (versión 2): https://v2.learningml.org/ y el editor de programación: https://v2.learningml.org/scratch

¿Cómo integrar el uso de estas aplicaciones?

• Defina una pregunta que pueda responderse mediante categorías claras. Evite tareas de alto impacto, como diagnosticar estados emocionales o evaluar a personas.
• Prepare un conjunto pequeño de ejemplos ficticios o no personales. Etiquete cada ejemplo con una categoría y compruebe que las categorías sean comprensibles.
• Entrene el modelo y pruebe ejemplos que no se hayan utilizado durante el entrenamiento. Si el modelo solo funciona con los ejemplos memorizados, todavía no hay evidencia suficiente de que generalice bien.
• Conecte el modelo con la aplicación de bloques y diseñe una respuesta visible a la predicción, por ejemplo, que un personaje indique la categoría detectada.
• Registre errores y revise los datos: ¿faltan ejemplos?, ¿hay categorías desbalanceadas?, ¿los ejemplos son demasiado parecidos?, ¿qué ocurre con casos nuevos?

Advertencia a tomar en cuenta para la implementación: se han reportado experiencias de carga lenta o pantalla en blanco en la revisión editorial de este artículo. No es posible generalizar ese comportamiento a todos los usuarios ni afirmar que persista en la versión actual. Antes de una clase, abra el editor, pruebe el entrenamiento y la exportación, y tenga preparada una alternativa: analizar un proyecto ya descargado, usar capturas o simular el proceso con tarjetas de papel.

Tres actividades listas para adaptar

1. Una historia interactiva con decisiones

Nivel sugerido: últimos grados de primaria o inicio de secundaria. 

Tiempo estimado: una o dos sesiones de 45 a 60 minutos. 

Objetivo: aplicar eventos, condiciones y secuencias para representar consecuencias.

Procedimiento: cada equipo elige una situación cercana al currículo, dibuja dos o más rutas posibles y escribe un guion breve. En Scratch, utiliza preguntas, condiciones y mensajes para cambiar de escena. Otro equipo prueba todas las rutas y registra si las opciones son claras, si alguna ruta queda bloqueada y si el desenlace es coherente. 

Evidencias: diagrama de decisiones, proyecto, lista de pruebas y retroalimentación entre pares.

Material descargable: el proyecto Raspberry Pi “Interactive story” ofrece una guía para crear historias interactivas; puede utilizarse como modelo y adaptarse al contexto local. 

2. Clasificador de imágenes con LearningML: un camaleón que identifica colores

Nivel sugerido: primaria alta o secundaria. 

Tiempo estimado: dos sesiones, con flexibilidad según el acceso a dispositivos. 

Objetivo: comprender el conjunto de entrenamiento, las etiquetas y los errores de clasificación.

Procedimiento: el grupo trabaja con imágenes de objetos o muestras de colores, no con fotografías de estudiantes. Organiza ejemplos por categorías, entrena el modelo y prueba imágenes nuevas. Después, conecta la predicción a un proyecto de Scratch, por ejemplo, para que un camaleón cambie de color o entregue una respuesta según la categoría. El alumnado compara predicciones correctas e incorrectas y propone cómo mejorar los datos.

Preguntas de reflexión: ¿qué imágenes confundió el modelo?, ¿las categorías tenían ejemplos suficientes?, ¿cambió la predicción con otra iluminación o fondo?, ¿qué se debería modificar antes de afirmar que el sistema funciona bien?

Recurso con materiales de apoyo: LearningML publica el tutorial “¡Flípalo en colores con LearningML!”, que incluye imágenes utilizadas como datos y un proyecto de Scratch para estudiar y modificar. El sitio advierte que debe descomprimirse el archivo ZIP antes de cargar los recursos en Scratch. 

3. Clasificador de frases para un juego educativo

Nivel sugerido: secundaria. 

Tiempo estimado: dos sesiones. 

Objetivo: analizar cómo el lenguaje y los ejemplos influyen en una clasificación automática.

Procedimiento: los equipos inventan frases ficticias relacionadas con un tema curricular y las etiquetan con categorías no sensibles, por ejemplo, “pregunta”, “instrucción” y “afirmación”. Entrenan un modelo de texto en LearningML, lo prueban con frases nuevas y conectan la predicción a un pequeño juego de Scratch. La puntuación del juego debe valorar el razonamiento del estudiante, no presentar la predicción del modelo como verdad absoluta.

No se deben utilizar conversaciones privadas, nombres, datos identificables ni información sensible del alumnado. Si no hay equipos suficientes, un grupo puede operar el ordenador mientras el resto clasifica ejemplos en papel, predice posibles errores y compara los resultados proyectados.

Recomendaciones para el uso de estas aplicaciones

Se sugiere tener en cuenta estas recomendaciones: 

• Plantear un problema auténtico y acordar qué aprenderán los estudiantes.
• Explorar un proyecto de ejemplo; identificar sus componentes y anticipar cómo funciona.
• Diseñar la solución en papel: historia, flujo, categorías de datos o reglas.
• Construir un prototipo en Scratch o LearningML y documentar las decisiones.
• Probar casos nuevos, registrar errores y mejorar el proyecto.
• Presentar el producto y reflexionar sobre los límites, la privacidad y el aprendizaje logrado.

Cuando el acceso a internet o los dispositivos sea limitado, la fase de diseño puede realizarse en papel y lápiz. Un solo dispositivo por equipo puede ser suficiente si los roles se distribuyen: diseñador, programador, encargado de pruebas y relator. La proyección del proceso ayuda a que toda la clase analice decisiones, pero no sustituye la oportunidad de que cada estudiante demuestre su comprensión.

Evaluar el proceso 

Una rúbrica breve puede valorar cinco criterios: claridad del problema, lógica del programa, calidad de las pruebas, explicación de las decisiones y colaboración. En proyectos con IA, añada un criterio específico: reconocer limitaciones del modelo y explicar cómo los datos influyen en sus resultados.

Se pueden tomar en cuenta las siguientes evidencias:

• Evidencia del proceso: diagrama, guion o esquema de categorías.
• Evidencia técnica: proyecto que funciona y explicación de los bloques relevantes.
• Evidencia de pruebas: casos utilizados, resultados esperados, resultados observados y errores encontrados.
• Evidencia reflexiva: una mejora propuesta y una limitación reconocida.

Puede utilizarse una escala de cuatro niveles: 1) inicial, 2) en desarrollo, 3) logrado y 4) destacado. La puntuación debe acompañarse de descriptores observables. Por ejemplo, para “calidad de las pruebas”: en nivel inicial no presenta pruebas; en desarrollo prueba un caso; en logrado prueba varias entradas, incluidas algunas nuevas; en destacado registra fallos, identifica patrones y justifica mejoras. Un proyecto visualmente atractivo no demuestra por sí solo que el estudiante comprenda el código o el funcionamiento de la IA.

Uso responsable de datos, privacidad y sesgos

Antes de utilizar cualquier herramienta con menores, el docente debe comprobar los requisitos de edad, las condiciones de uso, la necesidad de crear cuentas, el tratamiento de datos, los permisos del centro y la disponibilidad en los dispositivos. 

Las condiciones pueden cambiar, por lo que deben revisarse en las páginas oficiales antes de la actividad.

Para los primeros proyectos, utilice datos inventados, objetos o ejemplos no identificables. No cargue nombres completos, fotografías, voces, ubicaciones ni información académica personal en servicios externos sin una autorización y una base institucional adecuadas. 

En particular, evite proyectos que clasifiquen rasgos sensibles o que pretendan inferir personalidad, emociones, capacidad o conducta de estudiantes.

Los modelos pueden equivocarse, reflejar desequilibrios en los ejemplos o funcionar mal ante casos diferentes. El alumnado debe comparar predicciones con evidencias, registrar fallos y comprender que una respuesta automática no equivale a una verdad. 

El docente conserva la responsabilidad de acompañar, contextualizar y decidir qué usos son apropiados.

Conclusiones

Scratch y LearningML pueden complementarse cuando el objetivo de aprendizaje está definido con claridad. Scratch ofrece un entorno para construir proyectos interactivos y practicar conceptos de programación; LearningML permite explorar, mediante ejemplos, el entrenamiento y la evaluación de modelos sencillos de aprendizaje automático. La combinación es valiosa si el estudiante no se limita a seguir pasos, sino que explica las decisiones, prueba casos nuevos y reflexiona sobre los errores.

Antes de llevar la actividad al aula, se recomienda realizar una prueba técnica completa, comprobar enlaces y archivos descargables, y disponer de un plan alternativo si la plataforma no carga. Para evaluar el aprendizaje, conviene recoger evidencias del diseño, del funcionamiento, de las pruebas y de la reflexión del alumnado, en lugar de calificar únicamente el producto final.

El uso responsable exige minimizar los datos, evitar información personal, discutir sesgos y dejar claro que los modelos pueden fallar. Una experiencia sólida no es aquella que añade IA por novedad, sino la que permite a los estudiantes crear, comprobar, explicar y cuestionar la tecnología con criterio.

Referencias

Creative Computing Lab. (s. f.). Creative computing curriculum. Harvard Graduate School of Education. https://scratched.gse.harvard.edu/guide/curriculum.html

Instituto Nacional de Tecnologías Educativas y de Formación del Profesorado. (s. f.). 5.1. Learning ML. Aula en Abierto. https://formacion.intef.es/aulaenabierto/mod/book/view.php?chapterid=15359&id=9008

Instituto Nacional de Tecnologías Educativas y de Formación del Profesorado. (2025). Reciclando con inteligencia artificial. https://intef.es/experiencias_edu/reciclando-con-inteligencia-artificial/

LearningML. (s. f.). Descripción de la plataforma LearningML. https://learningml.org/lml-doc/02-descripcion/

LearningML. (s. f.). LearningML: AI made easy. https://learningml.org/en/

LearningML. (2024). ¡Flípalo en colores con LearningML! https://learningml.org/flipalo-en-colores-con-learningml/

LearningML. (2025). Guardamos un modelo pre-entrenado. https://learningml.org/guardamos-un-modelo-pre-entrenado/

LearningML. (2025). Construimos un modelo de machine learning desde Scratch. https://learningml.org/construimos-un-modelo-de-machine-learning-desde-scratch/