Programa del Diploma del IB Sociedad Digital HL (primera evaluación 2024; guía 2021). Este tema equipa el núcleo CONCEPTUAL del curso (2.1-2.7: cambio, expresión, identidad, poder, espacio, sistemas, valores y ética) trabajando en las primeras áreas de CONTENIDO (3.1 datos, 3.2 algoritmos), enfocado a través de CONTEXTOS hacia la indagación con ejemplos del mundo real, según exige el Papel 1 (35% HL). Esta hoja enseña las lentes conceptuales, el contenido de datos y algoritmos, y el enfoque de indagación. Todos los ejemplos resueltos son casos originales de aula.
Conocimiento esencial para datos, algoritmos y poder digital:
Familia
Contenido
conceptos
cambio, expresión, identidad, poder, espacio, sistemas, valores y ética: siete lentes
datos
3.1: datos vs información; recolección, procesamiento, almacenamiento
algoritmos
3.2: instrucciones, sesgo dentro, decisiones fuera
contextos
culturales, económicos, ambientales, de salud, del conocimiento humano, políticos, sociales
indagación
concepto x contenido x contexto x ejemplo del mundo real: la fórmula de enfoque
El curso indaga a través de siete conceptos: CAMBIO (evolución o transformación), EXPRESIÓN (quién puede hablar y hasta dónde llega), IDENTIDAD (el yo y el grupo que se construyen y reconstruyen), PODER (quién decide y quién se beneficia), ESPACIO (lugar reconfigurado por lo digital), SISTEMAS (partes entrelazadas con efectos emergentes) y VALORES Y ÉTICA (qué es bueno, justo y aceptable). Un concepto es una pregunta formulada a un caso: la misma aplicación resulta ser un objeto distinto desde la lente del PODER (de quién son los datos) y desde la de IDENTIDAD (su autopresentación).
Caso desarrollado. La aplicación de asistencia escolar leída bajo cuatro perspectivas: CAMBIO (el registro pasó de la memoria del profesor a una base de datos), PODER (quién tiene permiso para consultar el registro), ESPACIO (la asistencia registrada en cualquier lugar) y VALORES Y ÉTICA (el rastreo geolocalizado de menores).
1.3
Datos y algoritmos
En el área de contenido de 3.1, los datos difieren de la información: los datos son la captura bruta (marcas temporales, coordenadas), mientras que la información es dato dotado de significado (un patrón de tardanzas). La disciplina del área de contenido exige preguntar cómo se RECOGEN los datos (lo que el sensor puede y no puede percibir), se PROCESAN (limpieza, vinculación, modelado) y se ALMACENAN (quién los posee y durante cuánto tiempo); un conjunto de datos es un artefacto creado por personas, no un espejo neutral del mundo. Un algoritmo (3.2) es una secuencia de instrucciones sobre esos datos: el curso examina qué asume dicha secuencia (por ejemplo, un umbral que define la tardanza) y qué decisiones emana (una alerta automática), dado que los prejuicios de entrada generan prejuicios de salida.
Caso desarrollado, continuación. La regla de tardanza de la aplicación: llegar después de la segunda campana genera una alerta; la asunción del algoritmo (un único horario de llegada para todas las rutas de autobús) hace que los estudiantes rurales sean clasificados como 'tardíos' por diseño; el conjunto de datos no es neutro, y la lente de VALORES y ÉTICA lo evidencia.
1.4
Enfocando la indagación
La indagación se enfoca mediante la fórmula CONCEPTO x CONTENIDO x CONTEXTO x ejemplo del mundo real: una pregunta relevante (¿cambia la asistencia automatizada el poder para definir la tardanza?), un contenido capaz de responderla (datos y algoritmos), un contexto que la sitúa (el contexto social de la escuela; el contexto económico del transporte) y un caso concreto (la aplicación de asistencia). Los modos de fracaso incluyen: el ensayo centrado solo en el concepto (sin caso), la narración centrada solo en el caso (sin concepto) y la descripción excesiva de contextos (sin sistema digital visible).
Los cuatro factores combinados producen una pregunta valiosa; omitir cualquiera de ellos invalida la indagación.
Caso desarrollado, conclusión. Enfoque aplicado: PODER (concepto) x ALGORITMOS (contenido) x CONTEXTOS SOCIALES Y ECONÓMICOS x la aplicación de asistencia (ejemplo), respondiendo si la automatización traslada el poder para definir la tardanza de los profesores a los autores de la norma.
1.5
Lista de verificación
Los siete conceptos como preguntas formuladas a casos (conceptos).
Diferencia entre datos e información; recolección, procesamiento y almacenamiento; los conjuntos de datos tienen creadores (datos).
Algoritmos: asunciones de entrada, decisiones de salida, sesgo continuo (algoritmos).
Los siete contextos que sitúan cada indagación (contextos).
Aplicación de la fórmula de enfoque; evitar los tres modos de fracaso (indagación).
Notas sobre límites: el evaluador debe observar la indagación en acción: conceptos nombrados, fuentes diversas y evaluadas, ejemplos del mundo real concretos. Todos los casos desarrollados son originales y provienen del aula.
Preparación apoyada: Datos, decisiones y rendición de cuentas
Alcance y requisitos previos
Primera evaluación IB de sociedad digital 2024. Integre conceptos, contenido y contextos. La indagación utiliza un documento de proceso, una presentación multimedia registrada y referencias; HL añade intervenciones de bienestar global, gobernanza/derechos humanos y desarrollo sostenible.
Resultados mapeados de preparación: ib_digital_society_hl.1.1, ib_digital_society_hl.1.2. Leer primero la lección nativa correspondiente. Las opciones aprobadas reales, la evidencia y el trabajo final del estudiante permanecen separados.
Vocabulario de origen
algoritmo; huella digital.
Explicación y método resuelto
Los datos son valores registrados; la información les da significado contextual. Un algoritmo mapea entradas a salidas bajo reglas especificadas. Una predicción no es una causa. Las preocupaciones de privacidad abarcan la recopilación, acceso, uso y retención; el poder incluye quién define el objetivo y quién puede cuestionar una decisión.
Caso original: un recomendador de práctica guarda los cuestionarios faltantes como cero y asigna trabajo más fácil. Analice el mecanismo y una solución.
La falta de datos puede deberse a ausencia o acceso fallido, no a baja habilidad. Convertirlos en cero altera la habilidad inferida y puede restringir oportunidades. Distinga entre cero faltante y cero observado, investigue las causas, permita la corrección y evalúe resultados en grupos afectados. Una precisión promedio alta no garantiza errores equitativos.
Transferencia independiente
El desarrollador propone recopilar ingresos familiares para explicar los cuestionarios faltantes. Evalúe esta respuesta.
Intentelo independientemente antes de leer el modelo.
Modelo original verificado
Una variable propuesta requiere relevancia directa, permiso escolar, minimización de datos y protección. Investigue primero las fallas de conexión y permita la corrección de datos faltantes donde sea factible. Más datos sensibles no mejoran automáticamente la equidad y pueden generar nuevos riesgos de privacidad o exclusión.
Estas son expectativas formativas autorizadas, no descriptores oficiales del IB. Acepte otros argumentos justificados con evidencia y límites materiales.
Retenciones de fuente y tarea
Este suplemento enseña el método para esta parte del curso. Los criterios completos de evaluación y cualquier texto que seleccione tu escuela provienen de tu profesor.
Lecciones interactivas sobre este tema
Trátalo paso a paso, con ejercicios de verificación instantánea.
