Skip to main content

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 

AI-relatedCompetencias competenciesrelacionadas coa IA (marco DUAL.AI.TEACHer Framework)TEACHer) – teachernivel leveldocente Subject-specificObxectivos learningde objectivesaprendizaxe específicos da materia – student/learnernivel leveldo alumnado

AF-TL-2b

(AIFundamentos foundationse andaplicacións applicationsda IA × TeachingEnsino &e Learning,aprendizaxe, Levelnivel 2 – ReflectiveImplementación Implementation)reflexiva):

 

“Teachers«Os candocentes organisepoden lessonorganizar elementselementos thatda embedsesión AIque useintegren witho clearuso pedagogicalda rolesIA andcon strategiesfuncións topedagóxicas verifyclaras thee outputestratexias elements.”para verificar os resultados.»


 

AF-FC-2b

(AIFundamentos foundationse andaplicacións applicationsda IA × FacilitatingFomento Learners’da competencia dixital (AI)en DigitalIA) Competence,do Levelalumnado, nivel 2 – ReflectiveImplementación Implementation)reflexiva):

 

“Teachers«Os candocentes implementpoden guidanceaplicar thatunha helpsorientación learnersque developingaxude practicalo AIalumnado skills,a adaptingdesenvolver thehabilidades tasksprácticas toen learners’IA, prioradaptando knowledgeas andtarefas theaos AIcoñecementos toolsprevios available.”do alumnado e ás ferramentas de IA dispoñibles.»

ByAo thefinal endda ofsesión, theo lesson,alumnado studentsé can:capaz de:

  • describedescribir the keyas variables (prey population, predator population) and parametersclave (growthpoboación rate,de predationpresas, rate,poboación conversionde efficiency,depredadores) mortalitye rate)os ofparámetros the(taxa Lotka–Volterrade model;crecemento, taxa de depredación, eficiencia de conversión, taxa de mortalidade) do modelo de Lotka-Volterra;
  • formformular ande testcomprobar hypotheseshipóteses aboutsobre populationa dynamicsdinámica usingde anpoboacións interactivemediante simulation;unha simulación interactiva;
  • extendampliar anunha existingsimulación simulationexistente withcon additionalcapas layersadicionais ofde ecologicalcomplexidade complexityecolóxica (e.g.p. ex., unha capacidade de carga, unha segunda especie, un factor estacional) redactando instrucións (prompts) estruturadas para un modelo de linguaxe de IA;
avaliar criticamente os supostos e as limitacións do modelo (natureza da ciencia), incluído por que a carryingintrodución capacity,do aazar secondou species, a seasonal factor) by writing structured prompts for an AI language model; critically evaluate the model’s assumptions and limitations (Nature of Science), including why introducing randomness or an additionaldun factor canadicional destabilisepode it.desestabilizalo.

Take-homeMensaxe message:clave: StudentsO don'talumnado neednon toprecisa codeprogramar fromdesde scratch.cero. ReadingLer ande testingprobar anunha existingsimulación simulation,existente thene usingdespois anusar un LLM topara addengadir oneunha layercapa ofde ecologicalrealismo realismecolóxico atde acada time,vez isabonda enoughpara toconstruír buildunha genuinecomprensión understandingauténtica ofdun amodelo dynamicbiolóxico biologicaldinámico modele, —tarde and,ou soonercedo, orpara later,descubrir topor discoversi formesmo themselvesonde exactlychega whereexactamente thatese modelmodelo reachesaos itsseus limits.límites.

Vibe-Coding SImulations.png

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.

mesmo

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

PhaseFase TimeTempo ActivityActividade
IntroductionIntrodución 8 min TheO teachersdocente showsmostra anun unlabelledgráfico graphsen ofrótulos adunha serie real predator–preyde datadatos seriesdepredador-presa (e.g.p. lynx/hare)ex., lince/lebre); studentso alumnado describe theo patternpatrón ande formformula firstas hypotheses.primeiras hipóteses.
InputPresentación 12 min TheO teacherdocente introducespresenta the model’sas variables ande parametersos usingparámetros ado simplemodelo diagrammediante un diagrama sinxelo (nonon differentialfan equationsfalta needed)ecuacións diferenciais).
ExplorationExploración 15 min StudentsPor testparellas, theiro hypothesesalumnado incomproba pairsas onsúas ahipóteses ready-madenunha simulación HTML simulationxa andfeita recorde theirrexistra observations.as súas observacións.
AdaptationAdaptación 35 min InPor pairs,parellas, studentso workalumnado throughrealiza 2–3 roundsroldas ofde predictpredicir → promptinstruír (prompt) → testprobar → diagnosediagnosticar (guidingpreguntas questionsguía below)máis abaixo), eachpedíndolle timecada askingvez theao LLM toque addengada oneunha morenova layercapa ofde ecologicalrealismo realismecolóxico toá the simulationsimulación (aun limitlímite onno thealimento prey'sdas foodpresas, supply,unha asegunda secondespecie, species,un afactor seasonal/abioticestacional/abiótico) factor)ata untilque theo cleanciclo two-variablelimpo cyclede visiblydúas breaksvariables down.se rompe visiblemente.
ReflectionReflexión 20 min Whole-classDebate discussion,con guided by questions such as: At which round did the simulation stop producingtoda a clean,clase, repeatingguiado cycle?por Whatpreguntas doescomo: theEn originalque modelrolda deliberately leave out, and why? What makes itdeixou a usefulsimulación simplificationde ratherproducir thanun simplyciclo alimpo wronge one?repetido? Que deixa fóra deliberadamente o modelo orixinal, e por que? Que o converte nunha simplificación útil e non simplemente nun modelo erróneo?

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:

  1. Round 1 — limit the prey's food supply (a carrying capacity):
    • Predict:Predicir: BeforeAntes youde startcomezar prompting,a aksescribir yourself:instrucións, whatpregúntese: doque youespera expectque tolle happenocorra toao theciclo cyclese ifo thecrecemento prey'sdas growthpresas slowsse downfai oncemáis thelento populationcando getsa large,poboación insteadé ofgrande, growingen withoutlugar limit?de Sketchcrecer thesen curvelímite? youDebuxe expect.a curva que espera.
    • Prompt:Instruír (prompt): AskPídalle theá AIIA toque addengada á simulación unha poboación máxima sostible de presas e que explique coas súas propias palabras como cambiou a maximumecuación sustainablede preycrecemento populationpara to the simulation, and to explain in its own words how it changed the growth equation to do this.facelo.
    • TestProbar &e compare:comparar: RunExecute thea newnova simulationsimulación withcos themesmos samevalores startinginiciais valuesca antes. Compare a simulación anterior coa nova: como cambiaron as before.variables? ComparePor the previous simulation with the new one: how did the variables change? Why is that?que?
    • Diagnose:Diagnosticar: WhichQue assumptionsuposto ofdo themodelo original modelorixinal (unlimitedalimento foodilimitado forpara theas prey)presas) didacaba youde justeliminar? remove? Is thisEste factor bioticé orbiótico abiotic?ou abiótico?
  2. Round 2 — add another (biotic or abiotic) factor:
    • Predict:Predicir: IfSe aagora thirdunha speciesterceira nowespecie competescompite withcoas thepresas preypolo foralimento, food,ou or preys on ittamén as well,depreda, orou ifse preyo growthcrecemento nowdas dependspresas ondepende temperatureagora whatda dotemperatura, youque expectefecto thisespera toque doteña toisto thesobre originalo two-speciesciclo cycle?orixinal de dúas especies?
    • Prompt:Instruír (prompt): ChooseEscolla anotheroutro factor ande writeescriba aunha promptinstrución askingpedíndolle theá AIIA toque addo itengada ascomo aunha newnova variable linkedligada toás theexistentes; existingespecifique onesexactamente —como specifydebe exactlyinteractuar howcoa itpoboación shouldde interactpresas withou thede prey or predator population.depredadores.
    • TestProbar &e compare:comparar: Observe thea simulationsimulación overdurante severalvarios cycles.ciclos. DoesO theritmo originalorixinal two-speciesde rhythmdúas survive,especies getmantense, distorted,distórsese orou disappear?desaparece?
    • Diagnose:Diagnosticar: TheO originalmodelo modelorixinal assumedsupoñía eachque populationcada dependspoboación onlydepende onsó theda other.outra. IsSegue thatsendo stillcerto truedespois afterdesta thisrolda? round?Que Whatrelación ecolóxica real ecologicalrepresenta relationshipo doesseu yournovo new factor represent.factor?
  3. Optional round 3 — introduce randomness:
    • Predict:Predicir: IfSe oneun parameterparámetro (e.g.p. the predation rate) is no longer fixed but drawn randomly withinex., a rangetaxa atde eachdepredación) timexa step,non whaté dofixo, yousenón expectque forse thesortea long-termaleatoriamente stabilitydentro ofdun theintervalo populations?en cada paso de tempo, que espera para a estabilidade a longo prazo das poboacións?
    • Prompt:Instruír (prompt): AskPídalle theá AIIA toque replacesubstitúa oneun constantparámetro parameterconstante withpor un valor aleatorizado e que rexistre se algunha das poboacións chega a randomised value and to keep track of whether either population reaches zero.cero.
    • TestProbar &e compare:comparar: RunExecute thea simulationsimulación severalvarias timesveces withcoa themesma sameconfiguración. settings.Obtén Dosempre youo getmesmo theresultado? sameColapsa resultalgunha everyvez time?algunha Doesdas either population ever collapse?poboacións?
    • Diagnose:Diagnosticar: WhyPor canque theos samemesmos “average”valores parameter«medios» valuesdos sometimesparámetros leadpoden tolevar extinctionaquí here,ás whenveces theá deterministicextinción, modelcando nevero predictedmodelo that?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

  • OneUn laptopportátil perpor studentparella pair,de withalumnos, cun navegador
Acceso a browserunha interface de chat cun LLM a través de internet, ou un modelo instalado localmente se o acceso a internet está restrinxido no centro AccessSimulación toHTML andepredador-presa LLMxa chatfeita interface(un viaúnico theficheiro, internet,con orcontrois deslizantes para parámetros seleccionados) Un breve modelo de ficha / guía de instrucións para as roldas de «engadir complexidade por capas» (predicir → instruír → probar → diagnosticar) Preguntas guía para a locallyfase installedde modelexploración ife internetpara accessa isreflexión restrictedsobre ata schoolnatureza Ready-madeda HTML predator–prey simulationciencia (singlefinalidade file,do slidersmodelo forfronte selectedaos parameters)seus 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)límites)