Taller ciencias de datos

Taller 

Tema: La Ciencia de Datos en la Toma de Decisiones

Fase 1: Activación de Conocimientos Previos (Pre-lectura)

Antes de abordar el texto, discute o responde brevemente:

1. ¿Por qué se dice que los datos son "el nuevo petróleo" del siglo XXI?
   
   
2. Si un modelo informático predice que lloverá mañana con un 90% de probabilidad, ¿esa predicción es un hecho innegable o una estimación estadística? ¿Cuál es la diferencia?
   
   

Fase 2: Lectura del Texto Base

Texto: "Más allá del Algoritmo: Incertidumbre, Sesgos y Decisiones Estratégicas en la Era del Big Data"

La transición hacia la toma de decisiones basada en datos (Data-Driven Decision Making) ha reconfigurado la manera en que las organizaciones y las comunidades resuelven problemas complejos. Históricamente, las decisiones estratégicas dependían de la intuición experta o de la heurística. Hoy, la ciencia de datos permite procesar volúmenes masivos de información estructurada y no estructurada mediante algoritmos de aprendizaje automático (Machine Learning) para identificar patrones ocultos y proyectar escenarios futuros con alta precisión.

Sin embargo, la delegación de decisiones a modelos matemáticos conlleva riesgos epistemológicos y éticos significativos. El error más común en el análisis de datos es la confusión entre correlación y causalidad. Un modelo predictivo puede encontrar que dos variables crecen al mismo tiempo, pero eso no implica que una cause la otra. Tomar decisiones de intervención basadas en correlaciones espurias puede resultar en políticas ineficaces. Además, los modelos están sujetos al "sobreajuste" (overfitting), donde un algoritmo se adapta tan perfectamente a los datos históricos que pierde su capacidad de generalizar y fallará estrepitosamente ante datos nuevos o fluctuaciones del mundo real.

A esto se suma la ilusión de la objetividad algorítmica. Los algoritmos no son entidades neutrales; aprenden de conjuntos de datos históricos que a menudo contienen sesgos humanos sistémicos. Si los datos de entrada están sesgados, el resultado del modelo perpetuará y amplificará ese sesgo, un fenómeno conocido en la informática como "basura entra, basura sale" (Garbage In, Garbage Out).

El verdadero poder de la ciencia de datos en la toma de decisiones no radica en acatar ciegamente lo que dicta una pantalla, sino en la sinergia entre el cálculo computacional y el criterio humano. Por ejemplo, en la gestión ambiental de un territorio, los sensores pueden recopilar miles de datos sobre el pH del suelo, los niveles de precipitación y la densidad de contaminación por microplásticos en diferentes sectores. El algoritmo puede sugerir una zona de intervención prioritaria, pero es el humano quien debe triangular esa información con variables cualitativas, el contexto topográfico y las dinámicas sociales de la comunidad para tomar una decisión verdaderamente efectiva y ética.

Fase 3: Análisis y Comprensión (Post-lectura)

Nivel Literal (Extracción de información)

1. Según el texto, ¿cuál es el error más común al interpretar modelos de datos?
   
   
2. Define con base en la lectura el concepto de overfitting (sobreajuste) y el principio de Garbage In, Garbage Out.
   
   
3. ¿Qué variables ambientales menciona el autor como ejemplo para la recopilación de datos en un territorio?
   
   

Nivel Inferencial (Deducción y relaciones ocultas)

4. Cuando el autor menciona los "riesgos epistemológicos", ¿a qué limitación fundamental del conocimiento generado por computadoras se está refiriendo?
   
   
5. Deduce por qué el autor afirma que los algoritmos "no son entidades neutrales". ¿De dónde proviene exactamente el sesgo de una máquina si esta no tiene sentimientos?
   
   
6. En el ejemplo del tercer párrafo, si un modelo toma decisiones basadas en correlaciones espurias en lugar de causalidad, ¿cuál podría ser una consecuencia directa en un proyecto escolar o municipal?
   
   

Nivel Crítico-Valorativo (Argumentación y juicio)

7. El texto argumenta que delegar decisiones exclusivamente a las máquinas es peligroso. ¿Estás de acuerdo con esta premisa? Argumenta tu respuesta contrastando la eficiencia de una inteligencia artificial con la necesidad del "criterio humano".
   
   
8. Imagina que un software anti-plagio basado en IA analiza el ensayo de un estudiante y determina que hay un 85% de probabilidad de que haya sido generado por computadora. Basado en el concepto de "ilusión de la objetividad algorítmica" discutido en el texto, ¿cómo debería proceder el docente al tomar una decisión?
   
   

Fase 4: Aplicación Práctica (Estudio de Caso)

El Reto de los Cuadrantes:

Tu equipo de investigación ha diseñado un muestreo científico para medir la contaminación por plásticos en el campus. Han dividido el terreno en 36 sectores espaciales. Al procesar los datos, el algoritmo de análisis concluye lo siguiente:

• Dato 1: El Sector 14 tiene un 40% más de acumulación de plástico que el resto.
  
  
• Dato 2: El algoritmo sugiere invertir el 80% del presupuesto de limpieza y prevención únicamente en el Sector 14.
  
  

Tu decisión como científico de datos:

Aplicando los conceptos de la lectura (especialmente la sinergia entre cálculo computacional y criterio humano), debes rechazar o modificar la recomendación del algoritmo.

• Pregunta de resolución: ¿Qué variables externas (viento, topografía del colegio, flujo de estudiantes hacia la cafetería o la cancha) le faltó considerar al modelo matemático para entender por qué el plástico se acumula allí, y cómo cambiarías la decisión estratégica para solucionar la causa raíz y no solo el síntoma?