Diplomado en Inteligencia Artificial aplicada a las Ciencias Sociales

Descripción del curso:

Este curso realiza una revisión de la evolución histórica y los fundamentos de la IA. El programa profundiza en el funcionamiento interno de los modelos generativos, explicando mecanismos como el Procesamiento de Lenguaje Natural, la tokenización y en los principios éticos de la IA. Estos aprendizajes se entregarán a través de clases online sincrónicas que combinan estudios de casos, talleres, aprendizaje basado de problemas y herramientas interactivas. La evaluación considera controles iniciales, un informe grupal aplicado y una prueba final de análisis de caso.

Resultados de Aprendizaje:

• Distinguir los componentes fundamentales de la Inteligencia Artificial, Machine Learning y Deep Learning, y categorizar ejemplos de aplicación.
• Reconocer el funcionamiento de los modelos generativos, sus mecanismos de aprendizaje y operación, junto con los riesgos y limitaciones.
• Explicar los conceptos fundamentales y desafíos de los principios éticos de la Inteligencia Artificial, aplicando buenas prácticas para un uso responsable y crítico con IA.

Contenidos:

• Introducción a la IA: Conceptos Fundamentales
  • Historia de la IA.
  • Conceptos: Definición de Inteligencia Artificial. Machine Learning. Deep Learning.  
  • Tipos de modelos.
  • Agentes usando LLM
  • Diferencias entre automatización, digitalización e IA.
  • Ejemplos de aplicación
  • Factores Habilitantes.
  • Aplicaciones: Casos de uso en visión y lenguaje.
  • Ejemplos de automatización de procesos.
• Modelos generativos: ¿Cómo funcionan?
  • Qué son modelos generativos.
  • Cómo funcionan: Proceso iterativo de predecir la siguiente palabra basada en la probabilidad matemática. Diferencia entre sintaxis y semántica.
  • Cómo aprenden: ciclo de datos, entrenamiento, testing y producción
  • Cómo operan.
  • Procesamiento de Lenguaje Natural
  • Funcionamiento de modelos de lenguaje
  • Tipos de chatbots, fundamentos y tokenización
  • Aplicaciones prácticas y desafíos.
• Principios éticos de la IA: ética, sesgos y relación persona máquina
  • Identificar posturas respecto a diferentes implementaciones y diseños de la inteligencia artificial.
  • Sesgos: los modelos reflejan sesgos presentes en la data histórica. Riesgo de perpetuar patrones anómalos.
  • Alucinaciones: el modelo inventa respuestas porque busca la recompensa de entregar una respuesta, incluso si no conoce la información.
  • Desafíos Legales y Éticos: derechos de autor (Copyright) y generación de información falsa (Deep Fakes).
  • Privacidad de Datos: Riesgos al compartir información sensible o confidencial de la organización con sistemas que pertenecen a otras empresas (OpenAI, Google).
  • Establecer criterios éticos para la evaluación ética de procesos algorítmicos.

Estrategias Metodológicas:

• Estudio de casos.
• Taller.
• Aprendizaje basado en problemas.
• Uso de herramientas virtuales para fomentar la participación e interacción de los alumnos (presentaciones interactivas o similar)

Estrategias Evaluativas:

• Dos Controles: 30%
• Informe escrito grupal: 30%
• Prueba de selección múltiple: 40%

Descripción del curso:

El curso aborda, desde la perspectiva interdisciplinar que ofrecen las ciencias sociales, las implicaciones y problemáticas sociales del uso de la inteligencia artificial, analizando su impacto, brechas y sesgos en distintos contextos. Por medio de clases conceptuales, análisis de casos y discusiones grupales, las y los participantes desarrollarán una comprensión crítica y aplicada sobre los efectos de la IA en las personas, las comunidades y las organizaciones. Estos aprendizajes serán evaluados mediante actividades de análisis, reflexión y aplicación profesional.

Resultados de Aprendizaje:

• Analizar las implicaciones éticas, sociales y culturales del uso de la inteligencia artificial, considerando su impacto en la persona, las comunidades y las instituciones.
• Evaluar las consecuencias sociales y éticas del uso de la inteligencia artificial, identificando tensiones y desafíos que emergen de su implementación en distintos ámbitos.
• Proponer lineamientos profesionales para un uso ético, responsable e inclusivo de la inteligencia artificial en distintos contextos disciplinarios de las ciencias sociales (intervención, investigación, gestión, creación, reflexión, entre otros).

Contenidos:

• Implicancias sociales
  • Transformaciones económicas que hacen posible el desarrollo y despliegue de IA
  • Impacto de la IA en el trabajo humano: habilidades, empleo, salarios.
  • Impacto de la IA en las organizaciones: diseño del trabajo, cultura, grupos y tareas
• Implicancias éticas
  • Método científico, relatos y consecuencias en el tejido social
  • La relación entre tecnologías y derechos humanos
  • Aplicación de tecnologías de IA para la función pública: resguardos y límites
  • Regulación de tecnologías: desafíos y complejidades
• Dilemas y sesgos
  • Sesgos de representación
    • Conceptualización
    • Mecanismos algorítmicos
    • Grupos poblacionales con sobre representación
    • Consecuencias sobre la desigualdad
    • Caso de análisis
  • Brechas y exclusión digital
    • Inclusión digital: habilidades y alfabetización digital
    • Barreras de acceso y uso
    • Interseccionalidad de la brecha digital: edad, género, escolaridad, ruralidad
    • Buenas Prácticas para la inclusión digital

Estrategias Metodológicas:

• Clases presenciales
• Clases sincrónicas online
• Análisis de Casos
• Aprendizaje basado Proyecto

Estrategias Evaluativas:

• Talleres individuales y grupales: 30%
• Prueba escrita (análisis de caso): 30%
• Proyecto final de curso: 40%

Descripción del curso:

Este curso entrega herramientas prácticas de inteligencia artificial aplicadas a la investigación en ciencias sociales, desde la búsqueda de información confiable hasta el análisis automatizado de datos. Los aprendizajes se desarrollan mediante clases demostrativas, ejercicios guiados y aplicación en casos reales. La evaluación considera la ejecución de ejercicios individuales y un proyecto grupal donde el estudiante integra diversas herramientas de IA para resolver un caso de estudio.

Resultados de Aprendizaje:

• Identificar herramientas de inteligencia artificial relevantes para la investigación en ciencias sociales, distinguiendo sus funciones y alcances.
• Aplicar técnicas de procesamiento de información (búsqueda, transcripción, análisis de texto y datos) mediante el uso de herramientas de IA en ejercicios prácticos.
• Diseñar un proyecto integrador que utilice diversas herramientas de IA para optimizar un proceso de investigación social específico

Contenidos:

• Cómo la IA está transformando el trabajo en ciencias sociales
  • La inteligencia artificial como la cuarta revolución tecnológica
  • Inteligencia artificial y transformaciones del trabajo
  • Mapa de las alternativas actuales de IA útiles en ciencias sociales
• Recolección de información confiable con IA
  • Obtención de información web confiable (Deep Research y LLM basados en fuentes verificables).
  • Obtención de texto desde documentos PDF.
  • Conversión de audios a texto.
  • Casos prácticos: análisis de literatura, análisis de discurso, notas de campo, sesiones clínicas.
• Análisis de información no estructurada con IA
  • Construcción efectiva de promts.
  • Análisis sistemático de documentos con NotebookLM.
  • Diseño de esquemas conceptuales (Napkin IA).
  • Creación de LLMs a medida en Gemini.
  • Casos prácticos: capacitaciones, asistencia metodológica, análisis de entrevistas.
• Manejo y análisis de bases de datos con IA
  • Análisis de datos con IA en Google Sheets.
  • Análisis de datos con IA usando agentes autónomos.
  • Formación de cadenas de pensamiento.
  • Dashboards de análisis interactivo con Claude y Gemini.
  • Casos prácticos: clasificación de textos, revisión de respuestas en tests.

Estrategias Metodológicas:

• Cátedras interactivas.
• Talleres prácticos con herramientas de IA.
• Estudio de casos aplicados a ciencias sociales.
• Aprendizaje basado en proyectos.
• Aprendizaje entre pares.

Estrategias Evaluativas:

• Ejercicios prácticos individuales: 50%
• Presentación breve (Análisis de caso grupal): 50%

Descripción del curso:

Este curso aborda las implicancias jurídicas, institucionales y de gobernanza asociadas al uso de sistemas algorítmicos y de inteligencia artificial en el sector público y privado. Desde un enfoque comparado y aplicado al contexto chileno, se examinan los derechos involucrados, los marcos regulatorios emergentes, la protección de datos personales, las obligaciones del responsable del sistema y los desafíos institucionales para la toma de decisiones automatizadas. Los aprendizajes se desarrollan mediante clases teóricas, análisis de casos y ejercicios guiados orientados a la revisión y monitoreo de sistemas algorítmicos. La evaluación incluye actividades individuales y la elaboración de un Plan de Evaluación de Impacto Algorítmico (EIA), que integra análisis de riesgos y recomendaciones de gobernanza.

Resultados de Aprendizaje:

• Analizar los marcos normativos que regulan los sistemas algorítmicos en el ámbito público y privado, considerando sus principios, obligaciones y límites jurídicos.
• Evaluar riesgos y afectaciones a derechos fundamentales derivados de decisiones automatizadas, considerando estándares comparados y buenas prácticas institucionales.
• Diseñar un Plan de Evaluación de Impacto Algorítmico (EIA) que integre análisis de riesgos, medidas de mitigación, mecanismos de gobernanza y estrategias de participación.

Contenidos:

• Protección de datos personales y decisiones automatizadas
  • Ley 21.719 y estándares comparados del RGPD.
  • Decisiones automatizadas con efectos significativos.
  • Transparencia activa/pasiva y explicabilidad.
• Gobernanza institucional y modelos regulatorios de IA
  • Enfoque basado en riesgos.
  • Proyecto de ley chileno de IA.
  • Instituciones responsables: Agencia de Datos, CPLT, Contraloría, Subsecretaría del Trabajo.
• Algoritmos públicos: derecho administrativo y derechos humanos
  • Legalidad del acto automatizado.
  • Motivación, debido proceso algorítmico y explicabilidad.
  • Casos: ASR (violencia de género), focalización social, deserción escolar.
• Algoritmos privados: regulación laboral y gestión algorítmica del trabajo
  • Plataformas digitales y Ley 21.431.
  • Reclutamiento automatizado.
  • Evaluación del desempeño y vigilancia digital.
  • Derecho individual del trabajo y causales de licitud para el tratamiento de datos personales.
  • Derecho colectivo del trabajo y la posibilidad de democratizar los procesos de digitalización y transformación tecnológica.
• Herramientas jurídicas para la evaluación de algoritmos
  • Evaluación de Impacto Algorítmico (ex ante).
  • Auditorías Algorítmicas (ex post).
  • Supervisión humana y gobernanza del ciclo de vida del algoritmo.

Estrategias Metodológicas:

• Clases presenciales
• Clases sincrónicas online
• Análisis de Casos
• Ejercicios guiados

Estrategias Evaluativas:

• Informe escrito 70%
• Presentación oral: 30%