Descubre cómo la técnica ‘Piensa paso a paso’ (Chain-of-Thought) altera la precisión real de un LLM en problemas de lógica y matemáticas. Incluye la guía didáctica de la Línea Péter del Proyecto PINSAPIA y la aplicación completa en Python con FastAPI y LM Studio en el puerto 8094.
Descubre si los modelos de lenguaje son neutros o reproducen estereotipos con la Línea Gebru de PINSAPIA. Incluye una guía de auditoría algorítmica para el alumnado basada en plantillas parametrizadas y análisis léxico determinista en Python en el puerto 8091.
Descubre cómo influyen la temperatura y el muestreo de aleatoriedad en las respuestas de un LLM con la Línea von Neumann de PINSAPIA. Incluye una guía de retos prácticos para el alumnado basada en simulaciones Monte Carlo y la aplicación completa en Python con FastAPI y LM Studio en el puerto 8089.
Descubre cómo solucionar el “falso 200 OK” de LM Studio implementando la tokenización nativa de Qwen 2.5 en Python. Incluye la aplicación interactiva completa de la Línea Booth de PINSAPIA y una guía didáctica con retos prácticos para explorar cómo “leen” las IA con el alumnado en el aula
Demostración interactiva de la técnica de ingeniería de prompts Few-Shot Prompting (aprendizaje con pocos ejemplos) comparada con Zero-Shot Prompting (sin ejemplos) utilizando un LLM local. Enmarcado en el modelo AIDARAC del IES Monterroso y MonteSTEAM, el alumnado evalúa en paralelo cómo la estructura de un prompt altera drásticamente la precisión, el formato y la fiabilidad de las respuestas de un modelo de lenguaje sin alterar sus parámetros ni reentrenarlo.
En el marco de las iniciativas MonteSTEAM y AIDRAC del IES Monterroso, presentamos el Proyecto Borg: una actividad de cibereducación que rinde homenaje a la informática Anita Borg. La aplicación contrapone un clasificador de spam clásico (Naive Bayes con Scikit-Learn) a un LLM local (Qwen) en el puerto 8082, permitiendo al alumnado comprobar con datos reales de latencia e interpretabilidad que el modelo más grande y caro no siempre es la mejor solución de ingeniería.
Exploramos el parámetro de «temperatura» en los modelos de lenguaje mediante el Proyecto Shelley, una experiencia didáctica desarrollada en el marco de las iniciativas MonteSTEAM y AIDRAC del IES Monterroso. Utilizando FastAPI y un LLM local con LM Studio, analizamos cómo varían las respuestas del modelo entre el determinismo y la creación libre, abriendo la «caja negra» de la inteligencia artificial para fomentar el pensamiento crítico en el aula.
El Proyecto PEREC (Historias con Reglas) es una propuesta pedagógica de la línea THEMIS desarrollada en el IES Monterroso. El alumnado pone a prueba a un modelo de lenguaje local (Qwen) solicitándole redactar cuentos bajo restricciones formales extremas (lipogramas sin la letra “e” o frases con un recuento exacto de palabras). En lugar de confiar en la palabra del modelo, un script determinista en Python audita letra por letra la historia, exponiendo las trampas y limitaciones reales del instruction following en los LLMs mediante un semáforo interactivo.
El Proyecto WELLS (Termómetro del Bulo) es una herramienta educativa de la línea THEMIS desarrollada en el IES Monterroso. Mediante FastAPI y un modelo Qwen ejecutado localmente en LM Studio, la aplicación ayuda al alumnado de Educación Secundaria a desglosar noticias y publicaciones en dos columnas: hechos verificables y opiniones o juicios de valor. Un recurso de alfabetización mediática que fomenta el pensamiento crítico y sitúa siempre al estudiante en el centro del contraste de información.
En la línea THEMIS de alfabetización de datos del IES Monterroso, el alumnado de Secundaria analiza la “huella física oculta” de la Inteligencia Artificial. Mediante la aplicación interactiva app_huella.py y medidores de enchufe, los estudiantes comparan el consumo directo de su portátil frente al gasto de electricidad y agua dulce en los grandes datacenters (DALL-E 3, Gemini, Midjourney).