2.2 Bioloxía: simulacións con vibe coding na aula
Predator–PreyDinámica Dynamicsdepredador-presa (Lotka–Volterramodelo model)de Lotka-Volterra)
Subject:Materia: BiologyBioloxía · Grade:Curso: 93.º ESO (age14–15 14–15)anos) · Duration:Duración: 1 doublesesión lessondobre (90 min) · AI:IA: LearningAprender WITHCOA AIIA
|
AF-TL-2b (
AF-FC-2b (
|
|
Take-homeMensaxemessage:clave:StudentsOdon'talumnadoneednontoprecisacodeprogramarfromdesdescratch.cero.ReadingLerandetestingprobaranunhaexistingsimulaciónsimulation,existentetheneusingdespoisanusar un LLMtoparaaddengadironeunhalayercapaofdeecologicalrealismorealismecolóxicoatdeacadatime,vezisabondaenoughparatoconstruírbuildunhagenuinecomprensiónunderstandingauténticaofdunamodelodynamicbiolóxicobiologicaldinámicomodele,—tardeand,ousoonercedo,orparalater,descubrirtopordiscoversiformesmothemselvesondeexactlychegawhereexactamentethatesemodelmodeloreachesaositsseuslimits.límites.
FigFig. 1.1: Image«Dinámica generateddepredador-presa with(modelo de Lotka-Volterra)» (imaxe xerada con IA, ChatGPT (GPT Image 2), August 27, 2026.
ContentContido
MathematicalOs modelsmodelos andmatemáticos computere simulationsas aresimulacións especiallypor valuableordenador toolsson inferramentas ecology,especialmente becausevaliosas theyen canecoloxía, expressporque highlypoden complexexpresar systemssistemas throughmoi mathematicalcomplexos equations.mediante Thisecuacións makesmatemáticas. itIsto possiblepermite torealizar run experimentsexperimentos in silico ande testcomprobar hypotheseshipóteses onno themodelo modelen insituacións situationsnas whereque un experimento real sería demasiado custoso, demasiado lento, eticamente problemático ou directamente perigoso. Manipular unha poboación real de depredadores, por exemplo, raramente é unha opción. Ao mesmo tempo, todo modelo é necesariamente unha simplificación da realidade, e é xusto aí onde residen as súas debilidades: os ecosistemas reais son moito máis complexos do que ningún modelo pode recoller por completo.
O modelo de Lotka-Volterra é un exemplo clásico desta simplificación aplicada á dinámica depredador-presa. Representa o sistema mediante dúas variables de estado (o tamaño das poboacións de presas e de depredadores) e catro parámetros (a taxa de crecemento intrínseca das presas, o coeficiente de depredación, a realtaxa experimentde wouldreprodución bedo toodepredador costly,por toopresa slow,consumida ethically difficult, or outright dangerous. Manipulatinge a realtaxa predatorde population,mortalidade fordo instance,depredador). isBaixo rarelyos anseus option.supostos Atidealizados, theo samemodelo time,predí everyoscilacións modelperiódicas issostidas necessarilynas que os cambios na poboación de depredadores van con atraso respecto dos da poboación de presas. Este comportamento xorde dun ciclo de retroalimentación: cando aumenta a simplificationpoboación ofde reality,presas, andos thisdepredadores isdispoñen exactlyde wheremáis itsalimento weaknessese lie:a realsúa ecosystemspoboación arepode farcrecer. moreO complexaumento thanda anydepredación modelprovoca candespois fullyo capture.descenso da poboación de presas, o que reduce o alimento dos depredadores e leva a un descenso da súa poboación. Con menos depredadores, a poboación de presas pode recuperarse e o ciclo comeza de novo.
ThePara Lotka–Volterraproducir modeleste isciclo tan limpo, o modelo fai varios supostos fortes. É determinista (os mesmos valores iniciais producen sempre exactamente a classicmesma examplecurva); ofé suchun sistema pechado de dúas especies que exclúe todo factor abiótico (temperatura, precipitación, estación) e todo outro factor biótico (plantas das que se alimentan as presas, unha terceira especie, enfermidades); e fai que o crecemento de cada poboación non dependa de nada máis que do tamaño da outra poboación.
As poboacións reais raramente cumpren estes supostos. Os nacementos, as mortes e os encontros están suxeitos ao azar, e unha versión estocástica (aleatorizada) do mesmo modelo tende a simplificationafastarse applieddo tociclo predator–preylimpo dynamics.e Itmesmo representspode the system using two state variablescolapsar (thep. preyex., andcoa predatorextinción populationda sizes)poboación andde fourdepredadores) parametersen (thecasos prey’snos intrinsic growth rate, the predation-rate coefficient, the predator’s reproduction rate per prey consumed, and the predator’s 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 fromque a feedbackversión loop:determinista aspredí theunha preyoscilación populationestable. increases,Do moremesmo foodxeito, becomesengadir availableun tosó predators,factor allowingausente the(p. predatorex., populationunha totaxa grow.de Increasedcrecemento predationdependente thenda causestemperatura theou preyun populationlímite tono decline,propio whichalimento reducesdas thepresas) predators’adoita foodbastar supplypara andromper leadso tociclo limpo de dúas variables. Isto non é un defecto que haxa que ocultarlle ao alumnado: é a declinelección incentral 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 issobre a closednatureza two-speciesda systemciencia thatdesta excludesactividade. everyUn abioticmodelo factorpode (temperature,ser precipitation,realmente season)útil ande, everyaínda otherasí, bioticser factorunha (foodaproximación plantsdeliberadamente forlimitada theda prey,realidade; ausalo thirdben species,significa disease);saber andexactamente itque makesfactores eachdeixa population'sfóra. growthNa dependactividade onprincipal nothingdesta exceptsesión, theo sizealumnado ofdescóbreo thepor othersi population.
Realao populationstentar rarelyengadir meetprecisamente theseeste assumptions.tipo Births,de deaths and encounters are subject to chance, and a stochastic (randomised) version of 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 the central Nature-of-Science lesson of the activity. A model can be genuinely useful, while still being a deliberately narrow approximation of reality and using it well means knowing exactly which factors it leaves out. In this lesson's main activity, students discover this for themselves by trying to add exactly these kinds of factors.factores.
LessonProgramación planda sesión
| 8 min | ||
| 12 min | ||
| 15 min | ||
| 35 min | ||
| 20 min |
GuidingPreguntas questions:guía: layeringengadir complexitycomplexidade por capas
PairsAs workparellas throughrealizan astantas manyroldas ofdas theseguintes followingcomo roundspermitan as time allows in theos 35 minutesminutos (mosta managemaioría two;consegue thedúas; thirda isterceira ané extensionunha forampliación earlypara finishers)quen remate antes). EachCada roundrolda followssegue theo samemesmo four-stepciclo cycle:de catro pasos:
- Round 1 — limit the prey's food supply (a carrying capacity):
Predict:Predicir:BeforeAntesyoudestartcomezarprompting,aaksescribiryourself:instrucións,whatpregúntese:doqueyouesperaexpectquetollehappenocorratoaotheciclocycleseifothecrecementoprey'sdasgrowthpresasslowssedownfaioncemáisthelentopopulationcandogetsalarge,poboacióninsteadéofgrande,growingenwithoutlugarlimit?deSketchcrecerthesencurvelímite?youDebuxeexpect.a curva que espera.Prompt:Instruír (prompt):AskPídalletheáAIIAtoqueaddengada á simulación unha poboación máxima sostible de presas e que explique coas súas propias palabras como cambiou amaximumecuaciónsustainabledepreycrecementopopulationparato the simulation, and to explain in its own words how it changed the growth equation to do this.facelo.TestProbar&ecompare:comparar:RunExecutetheanewnovasimulationsimulaciónwithcosthemesmossamevaloresstartinginiciaisvaluesca antes. Compare a simulación anterior coa nova: como cambiaron asbefore.variables?ComparePorthe previous simulation with the new one: how did the variables change? Why is that?que?Diagnose:Diagnosticar:WhichQueassumptionsupostoofdothemodelooriginal modelorixinal (unlimitedalimentofoodilimitadoforparatheasprey)presas)didacabayoudejusteliminar?remove? Is thisEste factorbioticéorbióticoabiotic?ou abiótico?
- Round 2 — add another (biotic or abiotic) factor:
Predict:Predicir:IfSeaagorathirdunhaspeciesterceiranowespeciecompetescompitewithcoasthepresaspreypoloforalimento,food,ouor preys on ittamén aswell,depreda,orouifsepreyogrowthcrecementonowdasdependspresasondependetemperatureagorawhatdadotemperatura,youqueexpectefectothisesperatoquedoteñatoistothesobreoriginalotwo-speciesciclocycle?orixinal de dúas especies?Prompt:Instruír (prompt):ChooseEscollaanotheroutro factorandewriteescribaaunhapromptinstruciónaskingpedíndolletheáAIIAtoqueaddoitengadaascomoaunhanewnova variablelinkedligadatoástheexistentes;existingespecifiqueonesexactamente—comospecifydebeexactlyinteractuarhowcoaitpoboaciónshoulddeinteractpresaswithouthedeprey or predator population.depredadores.TestProbar&ecompare:comparar: Observetheasimulationsimulaciónoverduranteseveralvarioscycles.ciclos.DoesOtheritmooriginalorixinaltwo-speciesderhythmdúassurvive,especiesgetmantense,distorted,distórseseoroudisappear?desaparece?Diagnose:Diagnosticar:TheOoriginalmodelomodelorixinalassumedsupoñíaeachquepopulationcadadependspoboaciónonlydependeonsóthedaother.outra.IsSeguethatsendostillcertotruedespoisafterdestathisrolda?round?QueWhatrelación ecolóxica realecologicalrepresentarelationshipodoesseuyournovonew factor represent.factor?
- Optional round 3 — introduce randomness:
Predict:Predicir:IfSeoneunparameterparámetro (e.g.p.the predation rate) is no longer fixed but drawn randomly withinex., arangetaxaatdeeachdepredación)timexastep,nonwhatédofixo,yousenónexpectqueforsethesortealong-termaleatoriamentestabilitydentroofduntheintervalopopulations?en cada paso de tempo, que espera para a estabilidade a longo prazo das poboacións?Prompt:Instruír (prompt):AskPídalletheáAIIAtoquereplacesubstitúaoneunconstantparámetroparameterconstantewithpor un valor aleatorizado e que rexistre se algunha das poboacións chega arandomised value and to keep track of whether either population reaches zero.cero.TestProbar&ecompare:comparar:RunExecutetheasimulationsimulaciónseveralvariastimesveceswithcoathemesmasameconfiguración.settings.ObténDosempreyouogetmesmotheresultado?sameColapsaresultalgunhaeveryveztime?algunhaDoesdaseither population ever collapse?poboacións?Diagnose:Diagnosticar:WhyPorcanquetheossamemesmos“average”valoresparameter«medios»valuesdossometimesparámetrosleadpodentolevarextinctionaquíhere,áswhenvecestheádeterministicextinción,modelcandoneveropredictedmodelothat?determinista nunca o predicía?
ClosingPregunta questionfinal (forpara thea Reflectfase phase)de reflexión): AtEn whichque roundrolda did the simulation stop producingdeixou a clean,simulación repeatingde cycleproducir —un andciclo whatlimpo doese thatrepetido? tellE youque aboutlle howindica manyiso real-worldsobre factorscantos thefactores originaldo Lotka–mundo real ten que deixar fóra o modelo orixinal de Lotka-Volterra modelpara hasseguir tosendo leaveresoluble oute infácil orderde to stay solvable and easy to interpret?interpretar?
MaterialsMateriais
OneUnlaptopportátilperporstudentparellapair,dewithalumnos, cun navegador
