2.2 Biología: Simulaciones de Vibe-Coding en el Aula

Predator–PreyDinámica DynamicsDepredador-Presa (Lotka–Volterramodelo model)de Lotka-Volterra)

Subject:Asignatura: BiologyBiología  ··  Grade:Curso: 9 (age14-15 14–15)años)  ··  Duration:Duración: 1 doubleclase lessondoble (90 min) ··  AI:IA: LearningAprender WITHCON AIIA 

AI-relatedCompetencias competenciesrelacionadas con la IA (Marco DUAL.AI.TEACHerTEACHer) Framework)– –nivel teacher leveldocente

Subject-specificObjetivos learningde objectivesaprendizaje –específicos student/learnerde levella asignatura – nivel del alumnado

AF-TL-2b (AIFundamentos foundationsy andaplicaciones applicationsde ×la TeachingIA &× Learning,Enseñanza Levely Aprendizaje, Nivel 2 –– ReflectiveImplementación Implementation)Reflexiva):   “Teachers«El canprofesorado organisepuede lessonorganizar elementselementos thatde embedla AIclase useque withintegren clearel pedagogicaluso de la IA con roles andpedagógicos strategiesclaros toy verifyestrategias thepara outputverificar elements.”los elementos del resultado.»   AF-FC-2b (AIFundamentos foundationsy andaplicaciones applicationsde ×la FacilitatingIA Learners’× (AI)Facilitar la Competencia Digital Competence,(en LevelIA) del Alumnado, Nivel 2 –– ReflectiveImplementación Implementation)Reflexiva):   “Teachers«El canprofesorado implementpuede guidanceaplicar thatorientaciones helpsque learnersayuden developingal practicalalumnado AIa skills,desarrollar adaptinghabilidades theprácticas tasksde toIA, learners’adaptando priorlas knowledgetareas anda thelos AIconocimientos toolsprevios available.”del alumnado y a las herramientas de IA disponibles.»

ByAl thefinal endde ofla theclase, lesson,el studentsalumnado can:podrá: describedescribir the keylas variables (prey population, predator population) and parametersclave (growthpoblación rate,de predationpresas, rate,población conversionde efficiency,depredadores) mortalityy rate)los ofparámetros the(tasa Lotka–Volterrade model;crecimiento, tasa de depredación, eficiencia de conversión, tasa de mortalidad) del modelo de Lotka-Volterra; formformular andy testcomprobar hypotheseshipótesis aboutsobre populationla dynamicsdinámica usingde anpoblaciones interactiveutilizando simulation;una simulación interactiva; extendampliar anuna existingsimulación simulationexistente withcon additionalcapas layersadicionales ofde ecologicalcomplejidad complexityecológica (e.g.por aejemplo, carryinguna capacity,capacidad ade secondcarga, species,una asegunda seasonalespecie, factor)un byfactor writingestacional) structuredescribiendo prompts forestructurados anpara AIun languagemodelo model;de lenguaje de IA; criticallyevaluar evaluatecríticamente thelos model’ssupuestos assumptionsy andlas limitationslimitaciones del modelo (NatureNaturaleza ofde Science)la Ciencia), includingincluyendo whypor introducingqué randomnessintroducir oraleatoriedad ano additionalun factor canadicional destabilisepuede it.desestabilizarlo.

Take-homeMensaje message:clave: StudentsEl don'talumnado needno tonecesita codeprogramar fromdesde scratch.cero. ReadingLeer andy testingprobar anuna existingsimulación simulation,ya thenexistente usingy, andespués, usar un LLM topara addañadir oneuna layercapa ofde ecologicalrealismo realismecológico atcada avez, time,es issuficiente enoughpara toconstruir builduna genuinecomprensión understandinggenuina ofde aun dynamicmodelo biologicalbiológico modeldinámico —— and,y, soonertarde oro later,temprano, topara discoverdescubrir forpor themselvessí exactlymismo whereexactamente thatdónde modelese reachesmodelo itsalcanza limits.sus límites.

FigFig. 1. ImageImagen generatedgenerada withcon ChatGPT (GPT Image 2), August27 27,de agosto de 2026.

ContentContenido

MathematicalLos modelsmodelos andmatemáticos computery simulationslas aresimulaciones especiallyinformáticas valuableson toolsherramientas inespecialmente ecology,valiosas becauseen theyecología, canporque expresspermiten highlyexpresar complexsistemas systemsmuy throughcomplejos mathematicalmediante equations.ecuaciones Thismatemáticas. makesEsto ithace possibleposible torealizar run experimentsexperimentos in silico andy testcomprobar hypotheseshipótesis onsobre theel modelmodelo inen situationssituaciones wheredonde un experimento real resultaría demasiado costoso, demasiado lento, éticamente difícil o directamente peligroso. Manipular una población real de depredadores, por ejemplo, rara vez es una opción. Al mismo tiempo, todo modelo es necesariamente una simplificación de la realidad, y es precisamente ahí donde residen sus debilidades: los ecosistemas reales son mucho más complejos de lo que cualquier modelo puede llegar a realcapturar experimentpor wouldcompleto.

be

El toomodelo costly,de tooLotka-Volterra slow,es ethicallyun difficult,ejemplo orclásico outrightde dangerous.este Manipulatingtipo de simplificación aplicada a realla predatordinámica population,depredador-presa. forRepresenta instance,el issistema rarelymediante andos option.variables Atde theestado same(el time,tamaño everyde modella ispoblación necessarilyde presas y de depredadores) y cuatro parámetros (la tasa de crecimiento intrínseca de las presas, el coeficiente de tasa de depredación, la tasa de reproducción del depredador por presa consumida y la tasa de mortalidad del depredador). Bajo sus supuestos idealizados, el modelo predice oscilaciones periódicas y sostenidas en las que los cambios en la población de depredadores van por detrás de los de la población de presas. Este comportamiento surge de un bucle de retroalimentación: a simplificationmedida ofque reality,aumenta andla thispoblación isde exactlypresas, wherehay itsmás weaknessesalimento lie:disponible realpara ecosystemslos aredepredadores, farlo moreque complexpermite thanque anysu modelpoblación cancrezca. fullyEl capture.aumento de la depredación hace entonces que la población de presas disminuya, lo que reduce el alimento disponible para los depredadores y provoca un descenso de su población. Con menos depredadores, la población de presas puede recuperarse, y el ciclo vuelve a empezar.

ThePara Lotka–Volterraproducir modeleste isciclo limpio, el modelo asume varios supuestos fuertes. Es  determinista (los mismos valores iniciales siempre producen exactamente la misma curva); es un sistema cerrado de dos especies que excluye todo factor abiótico (temperatura, precipitación, estación) y todo otro factor biótico (plantas de las que se alimentan las presas, una tercera especie, enfermedades); y hace que el crecimiento de cada población dependa únicamente del tamaño de la otra población.

Las poblaciones reales rara vez cumplen estos supuestos. Los nacimientos, las muertes y los encuentros están sujetos al azar, y una versión estocástica (aleatoria) del mismo modelo tiende a classicalejarse exampledel ofciclo suchlimpio ae simplificationincluso appliedpuede to predator–prey dynamics. It represents the system using two state variablescolapsar (thepor preyejemplo, andcon predatorla populationextinción sizes)de andla fourpoblación parametersde (thedepredadores) prey’sen intrinsiccasos growthen rate,los theque predation-ratela coefficient,versión thedeterminista predator’spredice reproductionuna rateoscilación perestable. preyDel consumed,mismo andmodo, theañadir predator’sun mortality rate). Under its idealized assumptions, the model predicts sustained, periodic oscillations in which changes in the predator population lag behind those in the prey population. This behavior arises from a feedback loop: as the prey population increases, more food becomes available to predators, allowing the predator population to grow. Increased predation then causes the prey population to decline, which reduces the predators’ food supply and leads to a decline in the predator population. With fewer predators, the prey population can recover, and the cycle begins again.

To produce this clean cycle, the model makes several strong assumptions. It is deterministic (the same starting values always produce exactly the same curve); it is a closed two-species system that excludes every abioticúnico factor (temperature,que precipitation, season) and every other biotic factorfaltaba (foodpor plantsejemplo, foruna thetasa prey,de acrecimiento thirddependiente species,de disease);la andtemperatura, ito makesun eachlímite population'sen growthel dependpropio onsuministro nothingde exceptalimento thede sizelas ofpresas) thesuele otherbastar population.

para

Realromper populationsel rarelyciclo meetlimpio thesede assumptions.dos Births,variables. deathsEsto andno encounterses areun subjectdefecto toque chance,haya andque aocultar stochastical (randomised)alumnado, versiones ofla the same model tends to drift away from the clean cycle and can even collapse (e.g. the predator population dying out) in cases where the deterministic version predicts stable oscillation. Likewise, adding just a single missing factor (e.g. a temperature-dependent growth rate, or a limit on the prey's own food supply) is often enough to break the clean two-variable cycle. This is not a flaw to hide from students, it is thelección central Nature-of-Sciencesobre lessonla ofNaturaleza thede activity.la ACiencia modelde canesta beactividad. genuinelyUn useful,modelo whilepuede stillser beinggenuinamente aútil deliberatelyy, narrowal approximationmismo oftiempo, realityseguir andsiendo usinguna itaproximación welldeliberadamente meanslimitada knowingde exactlyla whichrealidad, factorsy itusarlo leavesbien out.significa Insaber thisexactamente lesson'squé mainfactores activity,deja studentsfuera. discoverEn thisla foractividad themselvesprincipal byde tryingesta toclase, addel exactlyalumnado theselo kindsdescubre ofpor factors.sí mismo intentando añadir precisamente este tipo de factores.

LessonPlan plande clase

PhaseFase	TimeTiempo	ActivityActividad
IntroductionIntroducción	8 min	TheEl teachersprofesorado showsmuestra anuna unlabelledgráfica graphsin ofetiquetar ade realuna predator–preyserie datade seriesdatos reales depredador-presa (e.g.por lynx/hare)ejemplo, lince/liebre); studentsel alumnado describe theel patternpatrón andy formformula firstprimeras hypotheses.hipótesis.
InputExplicación	12 min	TheEl teacherprofesorado introducespresenta the model’slas variables andy parameterslos usingparámetros adel simplemodelo diagrammediante un diagrama sencillo (nosin differentialnecesidad equationsde needed)ecuaciones diferenciales).
ExplorationExploración	15 min	StudentsEl testalumnado their hypotheses in pairs onpone a ready-madeprueba sus hipótesis por parejas en una simulación HTML simulationya andpreparada recordy theirregistra observations.sus observaciones.
AdaptationAdaptación	35 min	InPor pairs,parejas, studentsel workalumnado throughtrabaja 2–durante 2-3 roundsrondas ofde predictpredecir →→ formular prompt →→ testprobar →→ diagnosediagnosticar (guidingpreguntas questionsguía below)más abajo), eachpidiendo timecada askingvez theal LLM toque addañada oneuna morecapa layermás ofde ecologicalrealismo realism to the simulation (a limit on the prey's food supply,ecológico a secondla species,simulación a(un seasonal/abioticlímite factor)al untilsuministro thede cleanalimento two-variablede cyclelas visiblypresas, breaksuna down.segunda especie, un factor estacional/abiótico) hasta que el ciclo limpio de dos variables se rompa visiblemente.
ReflectionReflexión	20 min	Whole-classDebate discussion,en guidedgran bygrupo, questionsguiado suchpor as:preguntas Atcomo: which¿En roundqué didronda thedejó simulationla stopsimulación producingde aproducir clean,un repeatingciclo cycle?limpio Whaty doesrepetitivo? the¿Qué originaldeja modelfuera deliberatelydeliberadamente leaveel out,modelo andoriginal, why?y Whatpor makesqué? it¿Qué alo usefulconvierte simplificationen ratheruna thansimplificación simplyútil ay wrongno one?simplemente en algo erróneo?

GuidingPreguntas questions:guía: layeringañadiendo complexitycapas de complejidad

PairsPor workparejas, throughtrabajad asen manytantas ofde thelas followingsiguientes roundsrondas ascomo timeel allowstiempo inpermita theen los 35 minutesminutos (mostla managemayoría two;completa thedos; thirdla istercera anes extensionuna forampliación earlypara finishers)quienes terminen antes). EachCada roundronda followssigue theel samemismo four-stepciclo cycle:de cuatro pasos:

1. RoundRonda 1 —— limitlimitar theel prey'ssuministro foodde supplyalimento de las presas (auna carryingcapacidad capacity)de carga):
   • Predict:Predecir: BeforeAntes youde startempezar prompting,a aksescribir yourself:el whatprompt, dopreguntaos: you¿qué expectesperáis toque happenle toocurra theal cycleciclo ifsi theel prey'screcimiento growthde slowslas downpresas oncese theralentiza populational getshacerse large,grande insteadla ofpoblación, growingen withoutlugar limit?de Sketchcrecer thesin curvelímite? youDibujad expect.la curva que esperáis.
   • Prompt: Ask the AI to addPedid a maximumla sustainableIA preyque populationañada touna thepoblación simulation,máxima andsostenible tode explainpresas ina itsla ownsimulación, wordsy howque itexplique changedcon thesus growthpropias equationpalabras tocómo docambió this.la ecuación de crecimiento para conseguirlo.
   • TestProbar &y compare:comparar: RunEjecutad thela newnueva simulationsimulación withcon thelos samemismos startingvalores valuesiniciales asque before.antes. CompareComparad thela previoussimulación simulationanterior withcon thela newnueva: one:¿cómo howcambiaron didlas thevariables? variables¿Por change? Why is that?qué?
   • Diagnose:Diagnosticar: Which¿Qué assumptionsupuesto ofdel themodelo original model(alimento (unlimitedilimitado foodpara forlas thepresas) prey)acabáis didde youeliminar? just¿Es remove? Is thiseste factor bioticbiótico oro abiotic?abiótico?
2. RoundRonda 2 —— addañadir anotherotro factor (bioticbiótico oro abiotic) factor:abiótico):
   • Predict:Predecir: IfSi aahora thirduna speciestercera nowespecie competescompite withcon thelas preypresas forpor food,el oralimento, preyso ontambién itse asalimenta well,de orellas, ifo preysi growthel nowcrecimiento dependsde onlas temperaturepresas whatdepende doahora youde expectla thistemperatura, to¿qué doesperáis toque thele ocurra al ciclo original two-speciesde cycle?dos especies?
   • Prompt: ChooseElegid anotherotro factor andy writeescribid un prompt pidiendo a promptla askingIA theque AIlo toañada addcomo ituna asnueva variable vinculada a newlas variableya linkedexistentes, toespecificando theexactamente existingcómo onesdebe —interactuar specifycon exactlyla howpoblación itde shouldpresas interacto withde the prey or predator population.depredadores.
   • TestProbar &y compare:comparar: ObserveObservad thela simulationsimulación overdurante severalvarios cycles.ciclos. Does¿Sobrevive theel ritmo original two-speciesde rhythmlas survive,dos getespecies, distorted,se ordistorsiona disappear?o desaparece?
   • Diagnose:Diagnosticar: TheEl modelo original modelasumía assumedque eachcada populationpoblación dependsdepende onlyúnicamente onde thela other.otra. Is¿Sigue thatsiendo stillcierto truetras afteresta thisronda? round?¿Qué Whatrelación ecológica real ecologicalrepresenta relationshipvuestro doesnuevo your new factor represent.factor?
3. OptionalRonda roundopcional 3 —— introduceintroducir randomness:aleatoriedad:
   • Predict:Predecir: IfSi oneun parameterparámetro (e.g.por theejemplo, predationla rate)tasa isde depredación) ya no longeres fixedfijo, butsino drawnque randomlyse withinelige al azar dentro de un rango en cada paso temporal, ¿qué esperáis para la estabilidad a rangelargo atplazo eachde timelas step, what do you expect for the long-term stability of the populations?poblaciones?
   • Prompt: Ask the AI to replace one constant parameter withPedid a randomisedla valueIA andque tosustituya keepun trackparámetro ofconstante whetherpor eitherun populationvalor reachesaleatorio zero.y que registre si alguna de las dos poblaciones llega a cero.
   • TestProbar &y compare:comparar: RunEjecutad thela simulationsimulación severalvarias timesveces withcon thelos samemismos settings.ajustes. Do¿Obtenéis youel getmismo theresultado samecada resultvez? every¿Llega time?a Doescolapsar eitheralguna population ever collapse?población?
   • Diagnose:Diagnosticar: Why¿Por canqué thelos samemismos “average”valores parameterde valuesparámetro sometimes«promedio» leadpueden tollevar extinctiona here,veces whena thela deterministicextinción modelaquí, nevercuando predictedel that?modelo determinista nunca lo predijo?

ClosingPregunta questionde cierre (forpara thela Reflectfase phase)de Reflexión): At¿En whichqué roundronda diddejó thela simulationsimulación stopde producingproducir aun clean,ciclo repeatinglimpio cycley —repetitivo, andy whatqué doesos thatdice telleso yousobre aboutcuántos howfactores manydel real-worldmundo factorsreal thetiene que dejar fuera el modelo original Lotka–de Lotka-Volterra modelpara hasseguir tosiendo leaveresoluble outy infácil orderde to stay solvable and easy to interpret?interpretar?

MaterialsMateriales

• OneUn laptopportátil perpor studentpareja pair,de withalumnos, con navegador

Acceso a browseruna interfaz de chat de LLM a través de internet, o un modelo instalado localmente si el acceso a internet está restringido en el centro AccessSimulación todepredador-presa anen LLMHTML chatya interfacepreparada via(archivo theúnico, internet,con orcontroles deslizantes para parámetros seleccionados) Una plantilla breve de prompting/ficha de trabajo para las rondas de «añadir capas de complejidad» (predecir → prompt → probar → diagnosticar) Preguntas guía para la fase de exploración y la reflexión sobre la Naturaleza de la Ciencia (finalidad del modelo frente a locallylímites installeddel model if internet access is restricted at school Ready-made HTML predator–prey simulation (single file, sliders for selected parameters) A short prompting / worksheet template for the “layering complexity” rounds (predict → prompt → test → diagnose) Guiding questions for the exploration phase and the Nature-of-Science reflection (model purpose vs. model limits)modelo)