Pipeline de Colab reproducible que fundamenta seis dimensiones de competencia en Alfabetización en Seguridad de IA en benchmarks públicos y microdatos de encuestas, generando figuras, tablas y resultados reanudables.
Un pipeline de análisis reproducible que fundamenta las seis dimensiones de competencia de la Alfabetización en Seguridad de IA en benchmarks públicos y datos de encuestas representativas a nivel nacional. Se ejecuta en Google Colab. Cada artefacto — caché de conjuntos de datos, checkpoint del modelo, figura, tabla de resultados — persiste en Google Drive, y cada etapa es reanudable.
La IA llegó a las escuelas más rápido que cualquier orientación sobre cómo usarla de forma segura. A los estudiantes se les entregan sistemas de caja negra y se espera que intuyan qué se puede confiar que hagan esos sistemas. Los docentes están divididos entre adoptar la IA y temerla. Los distritos están redactando políticas de uso aceptable mientras las herramientas subyacentes cambian cada pocos meses.
Los marcos de alfabetización que existen enseñan a los estudiantes a comprender y usar la IA. Los marcos de ciberseguridad que existen fueron escritos antes de que existieran las amenazas específicas de la IA. Ninguno de los dos trata el operar de forma segura en un entorno mediado por IA como una competencia por derecho propio — con sus propias dimensiones, su propia progresión de desarrollo y sus propias habilidades enseñables.
Esa competencia es lo que AISL define, a través de seis dimensiones que abarcan todo el ecosistema escolar en lugar de solo a los estudiantes.
Un marco de competencias que nadie ha contrastado con datos es solo una taxonomía. Cualquiera puede afirmar que los estudiantes deberían "reconocer la manipulación" o "calibrar la confianza". La pregunta más difícil es si esas frases nombran fenómenos reales y medibles — y, de ser así, qué muestran realmente las mediciones.
Para eso sirve este pipeline. Pregunta qué pueden establecer los datos públicos sobre cada dimensión, y las respuestas son específicas:
Cada uno de esos puntos es una lección que se puede guiar a un estudiante a través de modelos reales y datos reales, que es el objetivo: el marco está pensado para enseñarse, no solo para citarse.
Un pipeline puede producir figuras que parecen correctas y no lo son: una curva de robustez de un modelo que nunca se entrenó adecuadamente, o resultados de benchmarks asociados a las categorías equivocadas porque dos archivos se unieron por posición de fila. Esos son los mismos tipos de fallo que la dimensión más avanzada del marco enseña a los estudiantes a detectar.
Así que el pipeline está construido para hacerlos estructuralmente difíciles: la evaluación de ataques está condicionada a una verificación de cordura de precisión limpia, las uniones se hacen por contenido en lugar de por posición, las etapas bloqueadas se anuncian a sí mismas en lugar de emitir una salida vacía, el muestreo tiene semilla fija, y cada número reportado se escribe en un archivo de resultados legible por máquina en lugar de transcribirse a mano. La reproducibilidad aquí no es una tarea de mantenimiento — es el tema en sí.
El pipeline se ejecuta en dos niveles.
Nivel 1 fundamenta las dimensiones actitudinales a partir de microdatos de encuestas con representatividad nacional que usted mismo descarga bajo registro gratuito. Hasta que los archivos estén presentes, sus etapas se marcan a sí mismas como skipped. Consulte Configuración del Nivel 1.
Nivel 2 fundamenta las dimensiones técnicas a partir de fuentes públicas. No se necesita configuración — abra y ejecute. Cada conjunto de datos se descarga automáticamente.
| Dimensión | Nivel 1 (encuestas) | Nivel 2 (datos públicos) | |
|---|---|---|---|
| D1 | Permiso y normas | RAND ATP Fall 2025, Pew ATP W142 | — |
| D2 | Seguridad de datos y privacidad | Pew ATP W152 | — |
| D3 | Reconocimiento de amenazas y manipulación | Pew ATP W152, W168 | RealToxicityPrompts, SMS Spam Collection, BBQ |
| D4 | Calibración de confianza y verificación | Pew ATP W142, W152 | TruthfulQA + GPT-2 baseline, BBQ |
| D5 | Comprensión adversarial y técnica | — | CIFAR-10 + FGSM/PGD, 3 seeds |
| D6 | Disposición y agencia | RAND ATP Fall 2025, Pew ATP W152 | — |
Abra AISL_analysis_poc.ipynb en Colab y ejecute todas las celdas de arriba a abajo.
Runtime > Change runtime type > GPU # optional; D5 training is ~10x faster
Runtime > Run all
La primera ejecución descarga CIFAR-10 (~170 MB), los corpus de Hugging Face, GPT-2 y la SMS Spam Collection. Todos ellos se almacenan en caché en Drive y nunca se vuelven a descargar. La ejecución se puede interrumpir de forma segura en cualquier momento — consulta Reanudar una ejecución.
Si añades archivos de encuesta a Drive mientras una sesión de Colab está abierta, reinicia la
sesión (Runtime > Restart session) antes de volver a ejecutar: Colab no siempre detecta
los archivos añadidos después de que se montó Drive.
Todo lo persistente reside bajo MyDrive/AISL_data/. Nada de valor se
escribe en el disco efímero de Colab.
AISL_data/
├── cache/
│ ├── hf/ # Hugging Face datasets and GPT-2
│ └── torch/ # CIFAR-10
├── checkpoints/
│ └── cifar10_cnn_seed{N}.pt # one per seed, written after every epoch, atomically
├── figures/ # 300-dpi JPGs
├── tables/ # CSV + JSON + TeX macro exports
├── logs/
│ └── status.json # per-stage completion record
└── microdata/
├── sms/ # SMS Spam Collection (downloaded automatically)
├── pew/ # <- you place the Pew ATP .sav files here
└── rand/ # <- you place the RAND ATP .dta file here