Investigación con métodos mixtos

Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.

La investigación con métodos mixtos — el diseño y la práctica de combinar intencionadamente líneas cuantitativas y cualitativas dentro de un mismo estudio, de modo que sus fortalezas se complementen y sus debilidades se compensen mutuamente. En la IA en la educación, los diseños de métodos mixtos se usan ampliamente porque los efectos de la IA son a la vez medibles (ganancias de aprendizaje, implicación) y cargados de significado (confianza, agencia, identidad), y ni una encuesta ni una entrevista por sí solas capturan ambas cosas.

Preguntas para reflexionar

• Suponga que una encuesta muestra que el estudiantado declara una alta satisfacción con una herramienta de IA, pero las puntuaciones de las pruebas no mejoran. ¿Qué número es «correcto»? La página sostiene que combinar líneas cuantitativas y cualitativas permite que cada una explique a la otra: ¿cómo podría una entrevista explicar lo que los números por sí solos no pueden?
• Una visión común es que los números son objetivos y las entrevistas anecdóticas, de modo que la evidencia cuantitativa es superior. La página, en cambio, trata ambas como complementarias: amplitud y precisión de los números, profundidad y significado de las palabras. ¿Cuándo engaña más un número sin contexto que una entrevista?
• Un patrón de diseño (explicativo secuencial) recoge primero datos cuantitativos y luego usa entrevistas para explicar resultados sorprendentes. ¿Se le ocurre un resultado educativo que fuera desconcertante en términos numéricos hasta que los relatos cualitativos revelaron el mecanismo?
• La triangulación es el valor central: cuando líneas independientes convergen, la confianza aumenta, y cuando divergen, la discrepancia misma es informativa. ¿Ha tenido alguna vez dos fuentes de evidencia sobre lo mismo que se contradijeran, y qué aprendió del conflicto?
• Los métodos mixtos pueden capturar simultáneamente efectos (cuánta ganancia de aprendizaje) y significado (confianza, identidad, agencia), cosas que ninguna encuesta ni entrevista captura por sí sola. Si estuviera estudiando si una herramienta de IA ayuda al estudiantado, ¿qué preguntas cuantitativas y cualitativas emparejaría, y en qué orden?

Introducción

Los diseños de métodos mixtos integran la amplitud, la precisión y la potencia causal de los métodos cuantitativos con la profundidad, el contexto y el significado de los métodos cualitativos. La propuesta de valor es la triangulación: cuando líneas independientes convergen en la misma conclusión, la confianza aumenta; cuando divergen, la discrepancia misma es informativa.

Patrones de diseño comunes

• Explicativo secuencial (CUAN → cual). Los datos cuantitativos se recogen primero y después los datos cualitativos explican o contextualizan los hallazgos cuantitativos sorprendentes o significativos. Un estudio de método mixto sobre la IA generativa y el aprendizaje sostenible empareja encuestas de tres oleadas con entrevistas a docentes para explicar el patrón cuantitativo de mejora hacia la dependencia excesiva.
• Exploratorio secuencial (CUAL → cuan). El trabajo cualitativo construye teoría, genera hipótesis o informa el diseño de instrumentos que después se prueban cuantitativamente. Una tipología cualitativa de la adopción de ChatGPT produce categorías que pueden informar el diseño posterior de encuestas.
• Convergente/paralelo. Las líneas cuantitativa y cualitativa se ejecutan simultáneamente y se integran en el análisis. El estudio de la paradoja de la competencia usa grupos focales con docentes, una encuesta al estudiantado y entrevistas de seguimiento en paralelo; el estudio de la brecha entre confianza y utilidad combina evidencia de encuesta y de entrevista sobre la adopción de IA por estudiantes de física.

Cómo aparecen los métodos mixtos en la base de conocimiento

• Explicar mecanismos. Same AI, different pathways: Unpacking mechanisms of AI-mediated learning across discipline-institution contexts combina líneas para desentrañar los mecanismos del aprendizaje mediado por IA en distintos contextos de disciplina e institución, donde las diferencias cuantitativas por sí solas serían opacas.
• Complementar los datos de resultados con la experiencia. La seguridad de los tutores de IA empareja indicadores cuantitativos de daño con relatos cualitativos de daño pedagógico; The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students empareja resultados cuantitativos de encuesta con relatos cualitativos de negociación de la identidad.
• Diseño y evaluación. Un experimento multisitio sobre el diseño de retroalimentación con IA generativa combina la medición experimental de resultados con retroalimentación cualitativa de quien aprende, integrando la estimación cuantitativa del efecto con orientaciones de diseño.

Fortalezas y limitaciones

• Fortalezas: la triangulación aumenta la confianza; amplitud cuantitativa más profundidad cualitativa; puede explicar resultados inesperados y tender puentes entre mecanismo y magnitud; produce a la vez efectos y significado; muy adecuada para fenómenos complejos y contextuales de la IA en la educación.
• Limitaciones: compleja, intensiva en recursos y metodológicamente exigente; la integración puede ser superficial si las líneas solo se presentan una al lado de la otra en lugar de fusionarse de verdad; sigue heredando las debilidades de cada línea (p. ej., sesgo de autoinforme en las encuestas, dependencia del investigador en las entrevistas); requiere competencia en ambas tradiciones metodológicas.

Relación con el panorama metodológico más amplio

Los métodos mixtos se sitúan entre las tradiciones cuantitativa y cualitativa, aprovechando las fortalezas de cada una y añadiendo la disciplina de diseño de la integración intencionada. Es una respuesta metodológica al reconocimiento de que los fenómenos de la IA en la educación son a la vez portadores de efectos y cargados de significado, y de que el campo avanza más rápido cuando se combinan amplitud y profundidad (véase Métodos de investigación en AIED). Conecta con la medición educativa (instrumentos cuantitativos), el desarrollo teórico en AIED (construcción cualitativa de teoría) y la evaluación de la IA en la educación (integración de evidencia de resultados y de experiencia).

Conceptos conectados

• Métodos de investigación en AIED
• Investigación cualitativa
• Investigación cuantitativa
• Medición educativa
• Mejoras en el aprendizaje
• Desarrollo teórico en la IA en la educación
• Evaluación de la IA en educación
• Experiencia del estudiantado

Artículos conectados

• From Enhancement to Over-Reliance: A Mixed-Method Study of Generative AI and Sustainable Learning Performance — De la mejora a la dependencia excesiva (encuestas + entrevistas)
• The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students — La paradoja de la competencia (grupos focales + encuesta + entrevistas)
• Trust-utility gap in introductory physics education: Students' adoption, domain-specific skepticism, and preferences for AI integration — La brecha entre confianza y utilidad (encuesta + entrevistas)
• Same AI, different pathways: Unpacking mechanisms of AI-mediated learning across discipline-institution contexts — Mecanismos del aprendizaje mediado por IA en distintos contextos
• Human-centered GenAI feedback design in higher education: a multisite experiment on direct, reflective, and hybrid approaches to scientific argumentation — Diseño de retroalimentación con IA generativa centrado en las personas (multisitio)
• SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems — Seguridad de los tutores de IA y daños pedagógicos
• Pragmatic users and skeptical nonusers: A qualitative typology of ChatGPT adoption in physics education — Una tipología cualitativa de la adopción de ChatGPT en física
• "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech — «We'll Fix It Later»: Education, AI, and the Deferral of Student Privacy in EdTech