Actividad de Aprendizaje: Análisis de la Variabilidad Edáfica en un Paisaje Gilgai mediante Diseño Experimental

Asignatura: Diseño Experimental (Ingeniería Agrícola) Dataset: Soils (Paquete carData en R) Modalidad: Aprendizaje Basado en Situaciones de Interés y Proyectos (con apoyo de IA y reserva cognitiva). Duración estimada: 3 semanas (Fases 1 a 3 en la semana 1; Fases 4 y 5 en la semana 2; Sustentación en la semana 3).

1. Marco Pedagógico

Objetivos de la Actividad

  • Identificar y estructurar diseños experimentales complejos (Bloques Completos al Azar con arreglo factorial) a partir de datos observacionales en el campo agrícola.
  • Analizar la variabilidad espacial y vertical de propiedades químicas y físicas del suelo utilizando técnicas univariadas (ANOVA) y multivariadas (MANOVA).
  • Evaluar factores continuos (profundidad del suelo) mediante contrastes polinómicos para modelar tendencias de lixiviación o acumulación de nutrientes.

Competencias del Programa a Desarrollar

  • Análisis experimental: Selecciona DCA, DBCA, cuadros latinos o factoriales; construye e interpreta ANOVA/MANOVA, comparaciones múltiples y diagnósticos de supuestos en R.
  • Ciencia reproducible y uso responsable de IA: Documenta análisis, dirige y audita agentes de IA, registra prompts y cambios, ejecuta pruebas y comunica resultados mediante Quarto/RMarkdown.

Resultados de Aprendizaje de la Asignatura

  • Diseña y analiza un DBCA factorial, verifica supuestos e interpreta ANOVA, comparaciones y magnitud práctica de los efectos.
  • Analiza diseños factoriales interpretando efectos principales, interacciones y tendencias polinómicas, documentando código, datos, gráficos y decisiones en un proyecto reproducible.

2. Secuencia de Fases y Prompts Guiados

Nota para el estudiante: En cada fase, primero debes realizar los cálculos manuales, croquis o formulaciones en tu cuaderno físico (Reserva Cognitiva). Luego, utiliza los prompts* proporcionados para dialogar con la IA, generar el código en R y auditar críticamente los resultados agronómicos. Debes llevar una Bitácora de IA en tu repositorio de GitHub.*

Fase 1: Contextualización Edáfica y Exploración (EDA)

Explicación Teórica: En Ingeniería Agrícola, el suelo no es un medio homogéneo. El dataset Soils proviene de un paisaje tipo gilgai (micro-relieves de montículos y depresiones comunes en suelos vertisoles o con alta expansión de arcillas). La topografía (Contour) y la profundidad (Depth) alteran drásticamente la retención de agua, la dinámica de nutrientes (como P, K, Ca) y la densidad aparente. Comprender esta variabilidad es el primer paso para diseñar sistemas de riego de precisión y planes de fertilización site-specific.

Actividad: Cargar el dataset, explorar su estructura y visualizar las distribuciones de las variables de respuesta (pH, N, P, Densidad, etc.) agrupadas por Bloque, Contorno y Profundidad.

Prompt para la IA (Tutor de Código R): > “Actúa como un científico de datos agronómicos experto en R. Estoy trabajando con el dataset Soils del paquete carData. Necesito realizar un Análisis Exploratorio de Datos (EDA). Por favor, proporcióname el código en R utilizando tidyverse y ggplot2 para: 1) Cargar los datos. 2) Generar un gráfico de cajas (boxplot) que muestre la distribución del pH y el Fósforo (P) agrupados por los tres niveles de ‘Contour’ (Top, Slope, Depression). 3) Generar un gráfico de líneas (profile plot) que muestre cómo cambia la Densidad del suelo (Dens) a través de los 4 niveles de ‘Depth’ para cada contorno. Incluye comentarios detallados en el código explicando cada paso.”

Fase 2: Identificación del Diseño y Formulación Manual de Hipótesis

Explicación Teórica: El área experimental se dividió en 4 Bloques (para controlar la variabilidad espacial horizontal no medida). Dentro de cada bloque, se cruzan dos factores: Contour (Cualitativo, 3 niveles) y Depth (Cualitativo/Cuantitativo, 4 niveles). Esto configura un Diseño de Bloques Completos al Azar (DBCA) con arreglo Factorial 3x4. Antes de programar, el ingeniero debe definir el modelo lineal y las hipótesis nulas y alternativas para los efectos principales y la interacción.

Actividad: Dibujar en tu cuaderno la estructura del diseño (croquis de los 4 bloques con las 12 parcelas internas). Escribir manualmente las ecuaciones del modelo estadístico para una variable (ej. pH) y para el modelo multivariado.

Prompt para la IA (Tutor de Modelación Estadística): > “Tengo un diseño experimental DBCA con un arreglo factorial 3x4 (Factores: Contour con 3 niveles, Depth con 4 niveles, y 4 Bloques). Mi variable de respuesta es el pH del suelo. 1) Escribe la ecuación del modelo lineal mixto o de efectos fijos correspondiente, definiendo cada término. 2) Plantea las hipótesis nulas (H0) y alternativas (H1) para el efecto de Bloque, Contour, Depth y la interacción Contour*Depth. 3) Explica brevemente por qué es importante incluir el término de interacción en el contexto de la dinámica de nutrientes en el perfil del suelo.”

Fase 3: Modelación Estadística (ANOVA y MANOVA)

Explicación Teórica: Las propiedades del suelo están altamente correlacionadas (ej. el pH influye en la disponibilidad de P y Ca). Analizar cada variable por separado (ANOVA) incrementa el error tipo I. El Análisis de Varianza Multivariado (MANOVA) permite evaluar si la posición en el paisaje (Contour) y la profundidad afectan el perfil químico completo del suelo de manera simultánea, capturando la covarianza entre variables.

Actividad: Ejecutar el ANOVA para pH y el MANOVA para las 9 variables de respuesta. Evaluar los supuestos del modelo (normalidad y homogeneidad de varianzas de los residuos).

Prompt para la IA (Auditor de Supuestos y Código): > “Necesito el código en R para analizar el dataset Soils. 1) Usa la función aov() para ajustar un modelo univariado para la variable ‘pH’ con la fórmula pH ~ Block + Contour * Depth. Muestra la tabla ANOVA. 2) Usa la función Manova() del paquete car para ajustar un modelo multivariado (MANOVA) donde las respuestas sean las 9 variables químicas/físicas (cbind(pH, N, Dens, P, Ca, Mg, K, Na, Conduc) ~ Block + Contour * Depth). Muestra el resumen usando el estadístico de Pillai. 3) Proporcióname el código para generar los gráficos de diagnóstico de residuos (Q-Q plot y Residuos vs Ajustados) para el modelo de pH. Explica cómo interpretar si se cumple el supuesto de homogeneidad de varianzas en este contexto edáfico.”

Fase 4: Factores Cuantitativos y Contrastes Polinómicos

Explicación Teórica: En la ciencia del suelo, la profundidad no es solo una categoría, es un gradiente continuo. Las diferencias entre niveles de profundidad pueden seguir tendencias: lineal (lixiviación constante), cuadrática (acumulación en un horizonte específico, como un horizonte B textural) o cúbica. Los contrastes ortogonales polinómicos permiten descomponer la Suma de Cuadrados de la profundidad en estos componentes, aportando significado físico al modelo estadístico.

Actividad: Transformar la variable Depth en un factor ordenado. Aplicar contrastes polinómicos para la variable Calcio (Ca) y observar qué componente (lineal, cuadrático, cúbico) es significativo.

Prompt para la IA (Especialista en Estadística Espacial): > “En R, ¿cómo puedo tratar la variable ‘Depth’ del dataset Soils como un factor cuantitativo ordenado para aplicar contrastes polinómicos ortogonales? Proporcióname el código para: 1) Convertir ‘Depth’ en un factor ordenado. 2) Ajustar el modelo ANOVA para la variable ‘Ca’ (Calcio). 3) Descomponer la suma de cuadrados de ‘Depth’ en sus componentes Lineal, Cuadrático y Cúbico usando la función summary() con el argumento split. 4) Explica qué significaría agronómicamente si el componente Cuadrático del Calcio resultara altamente significativo (p < 0.01) en un perfil de suelo.”

Fase 5: Síntesis, Reporte Reproducible y Bitácora de IA

Explicación Teórica: La toma de decisiones en agricultura (ej. recomendar encalado o fertilización fosfatada diferenciada por zonas) debe basarse en evidencia reproducible. El ingeniero debe integrar los hallazgos estadísticos en un informe técnico (usando Quarto o RMarkdown), interpretando los resultados no solo desde la estadística, sino desde la física y química del suelo. Además, debe documentar cómo utilizó la IA, qué prompts usó y qué correcciones manuales hizo (Trazabilidad y Control Humano).

Actividad: Elaborar un documento en Quarto/RMarkdown que incluya: Introducción agronómica, Metodología, Resultados (tablas y gráficos), Discusión (interpretación edáfica) y la Bitácora de IA.

Prompt para la IA (Revisor de Pares Científico): > “Actúa como un revisor de pares de una revista de Ingeniería Agrícola (ej. Soil Science Society of America Journal). Voy a pegar la estructura de mi informe en Quarto y la interpretación de mis resultados sobre el MANOVA y los contrastes polinómicos del dataset Soils. Por favor: 1) Evalúa si mi interpretación agronómica de la interacción Contour*Depth tiene sentido físico. 2) Señala si hay alguna limitación estadística que no haya mencionado (ej. tamaño de muestra, pseudorreplicación). 3) Sugiere mejoras en la redacción técnica y científica. [Aquí el estudiante pega su borrador].”

3. Rúbrica de Evaluación

Criterio Deficiente (1.0 - 2.0) Básico (2.1 - 3.0) Competente (3.1 - 4.0) Destacado (4.1 - 5.0)
Formulación y Reserva Cognitiva No hay croquis ni formulación manual. Depende al 100% de la IA para plantear el modelo. Hay croquis básico, pero las hipótesis estadísticas tienen errores conceptuales en los subíndices. Croquis claro del DBCA Factorial. Hipótesis nulas y alternativas planteadas correctamente a mano. Croquis detallado. Formulación manual impecable. Anticipa limitaciones del modelo antes de programar.
Análisis Estadístico (R) Código no corre o usa funciones incorrectas para DBCA/MANOVA. Código corre, pero omite el efecto de Bloques o no estructura bien el MANOVA. Código en R es correcto, utiliza aov() y Manova() apropiadamente, incluyendo la interacción. Código optimizado, modular y bien documentado. Maneja adecuadamente los contrastes polinómicos.
Diagnóstico de Supuestos No evalúa normalidad ni homogeneidad de varianzas. Evalúa supuestos pero no interpreta los gráficos de residuos correctamente. Genera y evalúa gráficos de residuos. Identifica si los supuestos se cumplen o violan. Evalúa supuestos rigurosamente. Propone transformaciones o alternativas si los supuestos fallan.
Interpretación Agronómica Solo transcribe los valores-p de la tabla ANOVA sin dar significado físico. Interpreta los efectos principales, pero ignora la interacción o la tendencia de la profundidad. Interpreta efectos e interacciones en el contexto de la dinámica de suelos (ej. lixiviación, relieve). Integración magistral de la estadística con la edafología. Explica el “por qué” físico-químico de los contrastes polinómicos.
Reproducibilidad y Ética de IA No usa Quarto/RMarkdown. No hay bitácora de IA. Usa Quarto, pero la bitácora de IA es vaga o no muestra auditoría humana. Documento reproducible. Bitácora de IA clara, mostrando prompts y validaciones manuales. Informe profesional tipo paper. Bitácora de IA crítica, demostrando control humano y trazabilidad total.

Instrucciones para el Docente (Implementación)

  1. Semana 1: Entregue el documento de la actividad a los estudiantes. Insista en que no deben pedirle a la IA que resuelva el ejercicio completo de una vez. Los prompts están diseñados para que la IA actúe como tutor y generador de código, mientras el estudiante hace la formulación.
  2. Verificación de Reserva Cognitiva: Al inicio de la Semana 2, solicite una foto de los cuadernos físicos donde estén los croquis del diseño y las ecuaciones de los modelos.
  3. Bitácora de IA: Exija que en el repositorio de GitHub de cada equipo haya un archivo AI_LOG.md donde registren: Pregunta -> Prompt usado -> Respuesta de la IA -> Auditoría/Corrección del estudiante.
  4. Sustentación (Semana 3): Realice defensas orales de 5 minutos donde el estudiante deba explicar el significado agronómico del contraste cuadrático de la profundidad sin mirar el código, demostrando que el conocimiento está internalizado y no solo “copiado y pegado”.