Base de conocimiento AIEdAIEd KB
En esta página

Esta página está traducida al español. Las páginas de artículo siguen escritas en inglés. Leer esta página en inglés

Conceptos

Investigación cualitativa

Creada 2026-09-28 · Actualizada 2026-09-28

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

La investigación cualitativa — la familia de métodos empíricos que estudian cómo las personas experimentan, interpretan y dotan de significado los fenómenos, típicamente a través de palabras, observaciones y artefactos en lugar de números. En la IA en la educación, los métodos cualitativos revelan cómo experimentan de verdad el estudiantado y el profesorado las herramientas de IA: los significados, tensiones, daños y mecanismos que las medidas estandarizadas pasan por alto. Como la IA en la educación avanza muy rápido y sus efectos suelen estar mediados por el contexto, la percepción y constructos disputados como la confianza y la agencia, el trabajo cualitativo es esencial junto a los diseños cuantitativos (véase métodos de investigación en IA y educación).

Preguntas para reflexionar

  • Una encuesta le dice que el 40% del estudiantado desconfía de un tutor de IA; un grupo focal le dice por qué desconfía. ¿Qué dato le resulta más accionable y qué añade el «por qué» que el porcentaje no puede aportar?
  • Los hallazgos cualitativos normalmente no son generalizables en términos estadísticos, pero a menudo sí son «conceptualmente generalizables»: mecanismos y dinámicas que se transfieren a otros contextos. Antes de leer, ¿qué significa que un hallazgo sea generalizable en concepto pero no en estadística?
  • La página advierte de que la coincidencia entre la codificación humana y la de un LLM no es lo mismo que la calidad de la codificación cuando el consenso humano no es la verdad de referencia. ¿Ha tratado alguna vez «dos revisores coincidieron» como prueba de que algo era correcto? ¿Cuándo es la coincidencia una señal de verdad y cuándo es solo un error compartido?
  • Si la IA puede ahora asistir la codificación cualitativa a escala, ¿amenaza eso la profundidad interpretativa que hace valiosa la investigación cualitativa o solo automatiza su trabajo tedioso? ¿Cómo decidiría cuál de las dos cosas está ocurriendo en un estudio concreto?
  • El trabajo cualitativo pone en el centro voces infrarrepresentadas — estudiantado de minorías étnicas, personas no usuarias y escépticas — que las encuestas grandes suelen pasar por alto. Piense en una afirmación sobre IA en la educación que haya oído. ¿De quién es la experiencia que probablemente no recoge la cifra titular?
  • Elija un constructo disputado que le importe — la confianza, la agencia o el daño —. Antes de leer, esboce cómo lo estudiaría con palabras y observaciones en lugar de números, y anote qué perdería al hacerlo.

Introducción

La investigación cualitativa no es un único método, sino una familia organizada por qué estudian sus miembros y cómo se reúne y analiza la evidencia. Lo que las une es el énfasis en la construcción de significado, el contexto y la profundidad por encima de la amplitud y el control causal. Los hallazgos cualitativos típicamente no son generalizables en el sentido estadístico, pero a menudo son conceptualmente generalizables: revelan mecanismos, categorías y dinámicas que se transfieren a otros entornos. En el corpus de la base de conocimiento, el trabajo cualitativo es prominente para estudiar la aceptación de la IA, la confianza, el daño, la práctica docente y los procesos de aprendizaje.

Principales enfoques cualitativos

Análisis temático

El análisis temático identifica, codifica e interpreta patrones («temas») en datos cualitativos, típicamente transcripciones de entrevistas o grupos focales, respuestas abiertas de encuestas o documentos. Es el enfoque más utilizado en los estudios cualitativos de la base de conocimiento. Las entrevistas y las respuestas abiertas son en sí mismas datos autoinformados, así que comparten los límites sobre lo que puede afirmarse respecto a la conducta: véase esa página para saber dónde la evidencia autoinformada es sólida y dónde se rompe. Un estudio de la brecha entre confianza y utilidad en física usa el análisis temático de datos de entrevistas con estudiantes para sacar a la luz escepticismo y preferencias de adopción específicos de la disciplina; una comparación entre la retroalimentación de la IA generativa y la del profesorado analiza las percepciones del estudiantado sobre utilidad y fiabilidad; y las directrices para el aprendizaje de adultos con IA derivan principios de diseño de una codificación temática de aportaciones de especialistas y de personas que aprenden. Cómo cambia la IA los flujos de trabajo docentes se apoya en el análisis temático de relatos de educadores.

Teoría fundamentada

La teoría fundamentada construye una teoría a partir de los datos en lugar de poner a prueba un marco a priori, mediante una codificación iterativa (abierta → axial → selectiva) hasta la saturación teórica. Es idónea para construir teoría nueva sobre fenómenos emergentes de la IA en la educación. Liu et al. desarrollan una teoría fundamentada de herramienta, tutor o muleta — una tipología de tres modos de cómo el estudiantado andamia o descarga cognitivamente en la IA en la enseñanza de la programación — que teoriza directamente el desplazamiento cognitivo. Un estudio de teoría fundamentada sobre tutores críticos de IA examina si esos tutores empoderan o esclavizan a quienes aprenden. El diseño de retroalimentación con IA generativa centrado en las personas usa un análisis fundamentado en un estudio multisitio. Véase también desarrollo de teoría en IA y educación para saber cómo esas teorías fundamentadas alimentan la construcción teórica del campo.

Fenomenología y fenomenografía

Los enfoques fenomenológicos estudian la experiencia vivida de un fenómeno — cómo es aprender con IA —, mientras que la fenomenografía estudia las formas cualitativamente distintas en que las personas experimentan y comprenden un fenómeno (produciendo «categorías de descripción»). La línea base cognitiva ausente se apoya en las experiencias vividas del estudiantado con la autoevaluación bajo IA para teorizar una brecha estructural; un estudio fenomenológico captura la experiencia de completar un trabajo con IA sin entenderlo a sabiendas; y un estudio sociocultural e interpretativo analiza cómo la IA generativa se convierte en un «objeto desbocado» en la práctica académica de las matemáticas.

Análisis del discurso

El análisis del discurso examina cómo el lenguaje en uso construye significado, identidades y poder, analizando el habla en el aula, el texto escrito o secuencias interaccionales. NSPA realiza un análisis del discurso de aula de largo alcance (aquí con asistencia computacional) para mitigar el sesgo dialectal al comprender la interacción en el aula; un estudio con estudiantes de preparatoria de minorías étnicas analiza el discurso colaborativo en tareas de ingeniería de prompts. El análisis del discurso tiende un puente entre la interpretación cualitativa y los métodos computacionales cuando se combina con el procesamiento de lenguaje natural educativo.

Observaciones y etnografía

Los estudios de observación miran la conducta en contexto; la etnografía extiende esto a un estudio sostenido e inmersivo de un entorno, a menudo con quien investiga como observador participante. Una trio-etnografía de la enseñanza de la programación apoyada en LLM rastrea cómo evolucionan las interpretaciones del estudiantado; un estudio de caso de aula observa la integración de la alfabetización en IA en biología. Los métodos observacionales capturan la conducta real (lo que quienes aprenden hacen con la IA) y no la conducta declarada, y complementan así las encuestas autoinformadas que dominan la medición cuantitativa de las actitudes.

Estudios de caso

Un estudio de caso es una investigación en profundidad de un caso delimitado (un curso, una institución, una persona que aprende) con múltiples fuentes de datos. Un estudio de caso de una escuela de negocios genera un marco de enseñanza y aprendizaje informado por el estudiantado para la IA generativa; un estudio de caso de biología documenta la integración de la alfabetización en IA. Los estudios de caso cambian amplitud por profundidad y son sólidos para generar teoría y obtener ideas transferibles más que para generalizar. Khlaif et al. (2026) ofrecen un estudio de caso cualitativo con 21 estudiantes universitarios con discapacidad visual de tres universidades palestinas, usando análisis temático de entrevistas semiestructuradas para mostrar cómo la IA generativa funciona como tecnología de asistencia para el aprendizaje inclusivo: un ejemplo de investigación de estudio de caso que saca a la luz mecanismos (adaptación personalizada, aumento del profesorado, paridad educativa) que las medidas cuantitativas pasan por alto.

Entrevistas y grupos focales

Las entrevistas semiestructuradas y los grupos focales son los instrumentos principales de recogida de datos en todos los enfoques anteriores. Elicitan relatos ricos y contextuales. El corpus cualitativo de la base de conocimiento se construye en buena medida sobre entrevistas (por ejemplo, trayectorias de experiencia) y grupos focales (por ejemplo, la paradoja de la competencia en texto a imagen, Guidelines for Designing AI Technologies to Support Adult Learning). La calidad depende de un diseño cuidadoso de las preguntas, de un muestreo orientado a la variación y de un análisis riguroso.

Cómo aparece la investigación cualitativa en la base de conocimiento

La IA y el análisis cualitativo

Un desarrollo reciente distintivo es el uso de LLM para asistir la codificación cualitativa. La evidencia de la base de conocimiento es cautelosa: Comparar la codificación ordenada humana y con LLM muestra que la codificación del LLM y la humana divergen, con errores que se propagan en cascada por el análisis temporal; La coincidencia no es calidad muestra que la coincidencia entre la codificación humana y la del LLM no es lo mismo que la calidad de la codificación cuando el consenso humano no es la verdad de referencia. La codificación asistida por LLM puede escalar y acelerar el análisis cualitativo, pero sus resultados exigen verificación frente al juicio humano: una intersección importante entre la investigación cualitativa, el procesamiento de lenguaje natural educativo y la evaluación de la IA en la educación.

El problema de la salida fluida y la justificabilidad. Holster (2026) afina por qué la exactitud y la divulgación son estándares insuficientes para el trabajo cualitativo asistido por IA. Como los LLM reorganizan corpus en minutos en temas, citas y afirmaciones de prevalencia fluidos, pueden ocultar la ruta analítica que los produjo, y las personas tienden a valorar como más verdadera la salida fluida y fácil de procesar. Holster propone la justificabilidad como complemento de la exactitud y la divulgación: una interpretación asistida por IA es justificable cuando la ruta desde los datos de origen hasta la afirmación permanece inspeccionable, contestable y revisable. Su maquinaria constructiva son las lentes semánticas (reorganizaciones documentadas de un corpus a distintos niveles de abstracción) y un repertorio de artefactos de justificación relativo a cada afirmación — tablas de temas vinculadas a las fuentes, pilas de lentes y ríos de evidencia —, diseñados dentro de las herramientas para que el análisis fluido produzca también un registro de ruta retrazable. Esto extiende la tradición de la pista de auditoría del campo a la era generativa y da a quienes revisan algo concreto que contestar más allá de una interpretación final.

  • La fiabilidad no es la exactitud en la codificación con LLM multiagente. Una canalización informada por la literatura en la que dos codificadores de IA codificaron de forma independiente, debatieron y reconciliaron los desacuerdos produjo una coincidencia entre codificadores por encima de un kappa de Cohen de 0,85 en todos los conjuntos de datos y etiquetas, mientras que la F1 de criterio osciló entre 0,31 y 0,89 (media 0,68, DE 0,16): una coincidencia alta entre agentes que estaban equivocados los dos. Los libros de códigos más largos (t = -11,702) y los extractos más similares (t = -9,249) redujeron la exactitud inicial, y los turnos de discusión se correlacionaron positivamente con la exactitud (t = 7,997) mientras que los conflictos resueltos correctamente y los modos de colaboración se correlacionaron negativamente (t = -9,720 y -8,420), así que la convergencia es un indicador débil de corrección. La implicación práctica es que la codificación asistida por IA necesita una adjudicación a nivel de lista de comprobación frente a una referencia humana, y no la coincidencia entre agentes como señal de calidad. (How AI Coders Discuss, Disagree, and Reach Consensus: Challenges and Opportunities for LLM-Based Qualitative Coding)

Fortalezas y limitaciones

  • Fortalezas: comprensión ecológica y conceptual profunda; saca a la luz fenómenos, riesgos y mecanismos inesperados; esencial para la construcción de teoría (véase desarrollo de teoría en IA y educación); captura significado, contexto y constructos disputados; pone en el centro perspectivas infrarrepresentadas; es sólida para estudiar fenómenos que avanzan muy rápido y ante los que las medidas estandarizadas van por detrás.
  • Limitaciones: generalizabilidad estadística limitada; interpretativa y dependiente de quien investiga (problemas de fiabilidad); muestras pequeñas; apoyo más débil a las afirmaciones causales; los hallazgos pueden ser difíciles de sintetizar entre estudios; exige mucho tiempo y trabajo.

Los métodos cualitativos y los cuantitativos son complementarios, no rivales: véase métodos de investigación en IA y educación para saber cómo contrastan y triangulan, y métodos mixtos para diseños que los combinan.

Conceptos conectados

Artículos conectados

Metadatos

Diseño del estudioInterviews, Case Study
Métodos de investigación y evaluaciónInvestigación cualitativa, Métodos de investigación en AIED
SourceHistoryEditChat

Incrustar esta página

Copy the code below to embed a chromeless version of this page in a learning management system or other website. The embedded view hides the site header, navigation, and footer.