Sesgo Algorítmico: Verdadero o Falso

Sí o No

Jugadas 5

Crear copia

Sobre esta actividad

Juego corto sobre sesgo algorítmico.

Creada por

Paula Quiroz Mendoza

Chile

Descarga la versión para jugar en papel

Top 10 resultados

Todavía no hay resultados para este juego. ¡Sé el primero en aparecer en el ranking! Inicia sesión para identificarte.

Crea tu propio juego gratis desde nuestro creador de juegos

Compite contra tus amigos para ver quien consigue la mejor puntuación en esta actividad

Crear reto


Sesgo Algorítmico: Verdadero o FalsoVersión en línea Juego corto sobre sesgo algorítmico. por Paula Quiroz Mendoza 1 La diversidad de datos de entrenamiento ayuda a reducir sesgos. Sí No 2 Los sesgos pueden ser introducidos por la selección de características relevantes. Sí No 3 Un modelo con alto rendimiento en precisión nunca presenta sesgo. Sí No 4 Al aumentar el tamaño de los datos, el sesgo desaparece por completo. Sí No 5 La normalización de datos elimina cualquier sesgo sin necesidad de revisiones. Sí No 6 El sesgo algorítmico solo afecta a grupos minoritarios y no a la población en general. Sí No 7 El sesgo algorítmico ocurre cuando los datos de entrenamiento reflejan prejuicios históricos. Sí No 8 Si el usuario no denuncia un problema, no hay sesgo en el sistema. Sí No 9 Los modelos pueden ser auditados para identificar y mitigar sesgos. Sí No 10 Sesgos de datos pueden llevar a decisiones injustas en contratación o crédito. Sí No

Sesgo Algorítmico: Verdadero o FalsoVersión en línea

Juego corto sobre sesgo algorítmico.

por Paula Quiroz Mendoza

La diversidad de datos de entrenamiento ayuda a reducir sesgos.

Sí

Los sesgos pueden ser introducidos por la selección de características relevantes.

Sí

Un modelo con alto rendimiento en precisión nunca presenta sesgo.

Sí

Al aumentar el tamaño de los datos, el sesgo desaparece por completo.

Sí

La normalización de datos elimina cualquier sesgo sin necesidad de revisiones.

Sí

El sesgo algorítmico solo afecta a grupos minoritarios y no a la población en general.

Sí

El sesgo algorítmico ocurre cuando los datos de entrenamiento reflejan prejuicios históricos.

Sí

Si el usuario no denuncia un problema, no hay sesgo en el sistema.

Sí

Los modelos pueden ser auditados para identificar y mitigar sesgos.

Sí

Sesgos de datos pueden llevar a decisiones injustas en contratación o crédito.

Sí

Puedes integrar el juego en un LMS compatible con LTI 1.1 o LTI 1.3 como Canvas, Moodle, o Blackboard. De esta manera podrás guardar las puntuaciones automáticamente en el libro de calificaciones de esa plataforma.

Sesgo Algorítmico: Verdadero o Falso

Sí o No

Sobre esta actividad

Creada por

Descarga la versión para jugar en papel

Top juegos

Sí o No

¿Está creado con Inteligencia Artificial?

Sí o No

¿Es verdad?

Sí o No

OPEN UP 5 UNIT 3: THERE IS/ARE, THERE WAS, THERE WERE

Sí o No

Grammys a mejor canción/grabación

Sí o No

Preguntas sobre futbol para niños

Sesgo Algorítmico: Verdadero o FalsoVersión en línea

por Paula Quiroz Mendoza

La diversidad de datos de entrenamiento ayuda a reducir sesgos.

Los sesgos pueden ser introducidos por la selección de características relevantes.

Un modelo con alto rendimiento en precisión nunca presenta sesgo.

Al aumentar el tamaño de los datos, el sesgo desaparece por completo.

La normalización de datos elimina cualquier sesgo sin necesidad de revisiones.

El sesgo algorítmico solo afecta a grupos minoritarios y no a la población en general.

El sesgo algorítmico ocurre cuando los datos de entrenamiento reflejan prejuicios históricos.

Si el usuario no denuncia un problema, no hay sesgo en el sistema.

Los modelos pueden ser auditados para identificar y mitigar sesgos.

Sesgos de datos pueden llevar a decisiones injustas en contratación o crédito.

		%
	Anónimo	%
		%
		%