Conceptos
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»? 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. Es mejor tratar 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.
En 394 estudios sobre IA generativa en educación superior, los métodos mixtos fueron el diseño de investigación más común (213 estudios, 54%), seguidos de la investigación cuantitativa (109, 28%) y la cualitativa (72, 18%) (Lin et al. (2026)).
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.
- Exploratorio secuencial con invariancia de medición. Bu y Li (2026) codifican entrevistas para identificar las cuatro dimensiones del modelo, construyen a partir de ellas un instrumento de 22 ítems y después prueban la invariancia configural, métrica y escalar entre género y área disciplinar en una muestra analítica de 642 — mostrando una línea cualitativa que alimenta un instrumento de encuesta y una prueba de invariancia que confirma que los constructos se comportan igual entre grupos.
- 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.
- Una línea cuantitativa generada por máquina. Zhang et al. (2026) generaron la línea cuantitativa BREQ a partir de las transcripciones de entrevistas de los participantes bajo un diseño de convergencia, una vía de integración que no depende únicamente del trabajo humano. Las correlaciones entre LLM y humanos oscilaron entre medias y altas (ρ = 0,5 a 0,73), los RMSE por ítem, por persona y por prueba cuantificaron la distancia respecto a las respuestas humanas, y los ítems redactados en negativo 6, 7 y 11 marcaron el beneficio de triangulación más claro, señalando dónde divergen la evidencia de entrevista y la de encuesta.
Cómo aparecen los métodos mixtos en la investigación
-
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.
-
Integración sin agrupación. Wang y Zhao (2026) coordinan una encuesta (N = 131), la codificación humana de 66 textos de Compromiso Crítico y registros de programación (N = 1.423) procedentes de muestras distintas que nunca se fusionan, asignando a la línea de trazas sin IA un papel de prueba de límites en lugar de confirmatorio — cada línea recibe una tarea inferencial distinta en vez de presentarse una al lado de la otra.
-
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.
-
Evidencia de proceso dentro de un gran ensayo. Mata et al. (2026) emparejan la observación del sistema y conversaciones con administradores con una evaluación aleatorizada de cuatro años y 8.708 estudiantes a lo largo de ocho semestres, con potencia para detectar efectos de 0,05 desviaciones estándar, de modo que el mismo estudio explica las condiciones organizativas que sostuvieron un programa de chatbot y reporta nulos estrechamente acotados en GPA y persistencia.
-
Triangular un fenómeno de política. Un estudio sobre el aplazamiento de la privacidad estudiantil en el EdTech empareja doce entrevistas semiestructuradas con una auditoría documental de 48 plataformas puntuada por dos codificadores para la fiabilidad interevaluador (κ de Cohen medio = 0,781), usando las entrevistas para explicar por qué se pospone la privacidad y la auditoría para mostrar el patrón de divulgación que produce ese aplazamiento — un diseño convergente en el que ninguna línea por sí sola podría sostener la afirmación (Nair y Greenstadt, 2026).
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.
- Un límite de agrupamiento que acota la inferencia. Alshehri et al. (2026) asignan dos clases intactas (n = 31, n = 22), de modo que con solo dos conglomerados las pruebas t reportadas ignoran el anidamiento intraclase y los modelos multinivel no son estimables, lo que hace que las pruebas de significación sean optimistas respecto a lo que el diseño puede sostener.
- La elección del instrumento puede invertir una línea computacional. VADER y un RoBERTa ajustado asignaron valencias opuestas a la misma publicación (0,9413 marcadamente positiva con VADER, −0,9209 con RoBERTa), así que la lectura cuantitativa de un corpus puede depender de qué clasificador se use (Geraili Meykola et al., 2026).
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).
Concepciones erróneas
- «Los métodos mixtos son una elección minoritaria en la investigación sobre IA en la educación.» En 394 estudios sobre IA generativa en la educación superior, los métodos mixtos fueron el diseño de investigación más común (213 estudios, 54%), seguidos de los cuantitativos (109, 28%) y los cualitativos (72, 18%). El diseño dominante del campo no es el que presuponen sus debates metodológicos.
- «La evidencia observacional y de entrevistas puede sostener una afirmación sobre un sistema.» Emparejar la observación del sistema y las conversaciones con la administración frente a una evaluación aleatorizada de cuatro años con 8.708 estudiantes en ocho semestres, con potencia para detectar efectos de 0,05 desviaciones estándar, muestra lo que la rama cualitativa no puede hacer por sí sola: detectar un efecto pequeño de forma fiable. Mezclar métodos no es una forma de transferir potencia entre ramas.
- «La triangulación significa que dos métodos débiles producen una afirmación fuerte.» El valor del emparejamiento es que cada rama responde a una pregunta distinta. Un diseño que ejecuta ambas y luego informa del hallazgo cualitativo como confirmación del cuantitativo no ha triangulado: ha repetido.
- La convergencia puede ser una regla de admisión, no una narración. Liu (2026) computó una prioridad de rediseño solo cuando aparecía en al menos dos de cinco fuentes independientes y en una fuente orientada a la puesta en práctica, de modo que la percepción por sí sola no podía promocionarla.
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 — «Ya lo arreglaremos después»: educación, IA y la postergación de la privacidad del estudiantado en las tecnologías educativas
- Analyzing Artificial Intelligence in Education Discourse on Bluesky: A Computational Social Media Analysis — VADER y un RoBERTa ajustado asignaron valencias opuestas a la misma publicación de Bluesky (Geraili Meykola et al., 2026)