Conceptos
Investigación cuantitativa
Esta es una traducción automática de la página en inglés y todavía no ha sido revisada por una persona hablante nativa.
Investigación cuantitativa: la familia de métodos empíricos que recogen y analizan datos numéricos para describir patrones, poner a prueba relaciones y estimar efectos causales. En la IA en la educación, los métodos cuantitativos cuantifican si las herramientas de IA afectan a los resultados de aprendizaje, la implicación, la motivación y la autoeficacia, y cómo lo hacen, y modelan los mecanismos psicológicos y conductuales del uso de la IA. Aportan la amplitud, la precisión y la potencia de inferencia causal a las que los métodos cualitativos renuncian a cambio de profundidad y contexto.
Preguntas para reflexionar
- «El estudiantado que usa un tutor de IA obtiene mejores notas»: antes de seguir leyendo, ¿es una afirmación sobre causalidad o sobre correlación, y qué única evidencia convertiría una en la otra?
- Una encuesta transversal puede poner a prueba un modelo mediacional complejo y aun así no establecer nunca causalidad. ¿Por qué podrían estar correlacionadas dos variables en una encuesta aunque ninguna cause a la otra? ¿Se le ocurre alguna forma de dejarse engañar de verdad por esa correlación en educación?
- Los instrumentos cuantitativos valen tanto como aquello que miden, y los instrumentos pueden medir el constructo equivocado. Cuando usted rellena una encuesta de autoinforme sobre la «confianza» o la «implicación», ¿qué podría estar capturando en realidad, y cómo lo averiguaría?
- Un ensayo controlado aleatorizado asigna aleatoriamente a quienes aprenden a distintas condiciones para estimar un efecto causal. ¿Qué hace poderosa a la asignación aleatoria, y qué problemas prácticos y éticos surgen cuando el «tratamiento» es una herramienta de IA posiblemente útil que se niega a parte del estudiantado?
- Los diseños longitudinales siguen a las mismas personas que aprenden a lo largo del tiempo, algo esencial para distinguir el rendimiento inflado por la IA del aprendizaje duradero. ¿Por qué una única instantánea de puntuaciones altas no revelaría si el aprendizaje se produjo de verdad?
- El trabajo cuantitativo aporta amplitud y potencia causal; el cualitativo, profundidad y significado. Antes de leer el emparejamiento, ¿dónde cree que los números por sí solos le han llevado más probablemente a error sobre una afirmación de aprendizaje, y qué método añadiría para comprobarlo?
Introducción
La investigación cuantitativa abarca los diseños descriptivos (medir la prevalencia y los patrones), los diseños correlacionales u observacionales (poner a prueba relaciones entre variables) y los diseños experimentales y cuasiexperimentales (estimar efectos causales). Lo que los unifica es la reducción sistemática de las observaciones a números, analizados con estadística, y la prioridad que se concede a la fiabilidad, la validez y la generalizabilidad, las preocupaciones centrales de la medición educativa.
Principales enfoques cuantitativos
Diseños longitudinales y de panel
La medición repetida de las mismas personas que aprenden convierte una correlación en una trayectoria: los modelos de panel separan un rasgo estable del cambio específico de cada ocasión, y los modelos de crecimiento estiman la forma y el ritmo del cambio entre oleadas. Las familias de diseño, las amenazas que pesan sobre los estudios de IA (la pérdida de participantes, la deriva de las herramientas, el rendimiento asistido) y los ejemplos más sólidos se tratan en la investigación longitudinal.
Investigación por encuesta y correlacional
Las encuestas transversales miden actitudes, percepciones, motivación, autoeficacia y aceptación tecnológica autoinformadas, a menudo modeladas con regresión o modelos de ecuaciones estructurales (SEM/PLS-SEM) para poner a prueba relaciones hipotetizadas y mediadores. Dominan la literatura, en particular para las cuestiones de aceptación, motivación y mecanismos psicológicos. La aceptación de herramientas de inglés asistidas por IA parte del TAM con SEM; las vías de adopción de la IA generativa usan PLS-SEM, fsQCA y mapeo de importancia-rendimiento; la alfabetización en IA del profesorado usa encuestas validadas factorialmente y ancladas en la teoría de la autodeterminación.
- Fortalezas: muestras grandes; cobertura amplia y de bajo coste; permite probar modelos mediacionales complejos; viable para actitudes difíciles de observar.
- Limitaciones: los datos transversales no pueden establecer causalidad; sesgo de autoinforme; el muestreo por conveniencia limita la generalizabilidad; los mediadores se infieren de la covarianza y no de la manipulación. Véase medidas de autoinforme para el tratamiento de estos límites desde el lado del instrumento.
- Un modelo de mediación saturado no puede poner a prueba su propio orden. Una encuesta de una sola oleada a 1.020 estudiantes de enfermería dividió un efecto total de 1,36 en uno directo de 0,92 y uno indirecto de 0,44 a través del aprendizaje autorregulado, el 32,35% del total, con un modelo que tiene tantos parámetros libres como covarianzas observadas y que, por tanto, reproduce los datos por construcción (Li et al. (2026)).
- Una etiqueta de «parcial» puede descansar en un intervalo que casi llega a cero. Entre 438 estudiantes universitarios chinos, la ruta directa del uso de IA al rendimiento discurrió con β = 0,18 e IC del 95% (0,02; 0,34) (Yuan et al. (2026)). Un efecto indirecto total cercano a cero puede ocultar dos vías activas. En una oleada de autoinforme de 568 estudiantes de diseño, la asociación indirecta fue de 0,0929 por el enfoque de promoción y de -0,0884 por el enfoque de prevención, sumando 0,0045 mientras la vía directa soportaba el 98,7% del total (Wang et al. (2026)).
Investigación experimental y cuasiexperimental
Los experimentos asignan aleatoriamente a quienes aprenden a distintas condiciones (por ejemplo, tutor de IA frente a tutor humano, o con andamiaje de IA frente a sin asistencia) para estimar efectos causales sobre los resultados. Los ensayos controlados aleatorizados (ECAs) son el patrón de referencia para la validez interna. Un estudio de campo aleatorizado sobre el apoyo humano más la tutoría con IA y un ECA sobre la IA generativa en la enseñanza usan la asignación para aislar efectos causales. Los diseños cuasiexperimentales (pre/post, grupos emparejados sin aleatorización) son más viables en aulas intactas, pero más débiles para las afirmaciones causales.
Kestin et al. (2025) adoptan en cambio un diseño cruzado intra-sujeto: cada estudiante se enfrenta al mismo contenido de física dos veces, una en una lección de aprendizaje activo en clase y otra mediante el propio tutor de IA del curso, con prepruebas y pospruebas alrededor de cada una, de modo que cada persona sirve como su propio control y las diferencias entre individuos se cancelan.
- Fortalezas: la inferencia causal más sólida; medición limpia de los resultados; permite estimar tamaños del efecto y sostener afirmaciones de eficacia.
- Limitaciones: costosa y lenta; las condiciones artificiales reducen la validez ecológica; las herramientas de IA que cambian rápido dejan obsoletos los experimentos enseguida; las muestras pequeñas tienen poca potencia para detectar efectos; restricciones éticas a la hora de retener herramientas útiles.
- Un ensayo de acceso aleatorizado por grupos necesita una comprobación de adopción. Con alrededor del 15% del estudiantado en las aulas tratadas llegando a usar el tutor, la estimación por intención de tratar del estudio refleja el efecto de introducir la herramienta —incluidos el permiso y la sustitución que conllevó— y no el efecto aislado de las sesiones individuales (Liu et al. (2026)).
Investigación longitudinal
Los diseños longitudinales siguen a las mismas personas que aprenden a lo largo del tiempo y capturan el cambio, el crecimiento y el aprendizaje duradero que se escapan a una medición en un único momento. Un estudio longitudinal de un LMS sigue al estudiantado a lo largo de un curso escolar. Los diseños longitudinales son esenciales para distinguir el rendimiento inflado por la IA del aprendizaje duradero.
Las comparaciones entre conjuntos de datos necesitan un punto de trabajo fijo: una comprobación estructural de datos educativos sintéticos encontró que analizar cada conjunto en su propio umbral invertía un contraste que se mantenía en un punto compartido, y que su comparación sustituta solo necesitaba los datos sintéticos y permutaciones de sí mismos: una hipótesis nula basada en permutaciones en lugar de un umbral absoluto (Inoue y Yasutake (2026)).
Cuantificación computacional y psicométrica
Los métodos cuantitativos también incluyen la medición directa de constructos mediante instrumentos, el dominio de la medición educativa y la teoría de la respuesta al ítem. El GLAT es un instrumento cuantitativo de 20 ítems validado con TRI; los instrumentos de medición de la alfabetización en IA, la aceptación y la autoeficacia proporcionan las escalas validadas de las que dependen la investigación por encuesta y la experimental.
El análisis bibliométrico es otra familia cuantitativa: Sriram et al. (2026) cartografían 1.403 publicaciones de educación médica mediante redes de copresencia de países, instituciones y palabras clave, leyendo la forma de una literatura en lugar de evaluar sus estudios, que es lo que hace que su conclusión —que la investigación sobre gobernanza no ha seguido el ritmo de las pruebas de capacidad— sea una afirmación sobre el campo y no sobre el aprendizaje.
Cómo aparece la investigación cuantitativa en la IA en la educación
-
Afirmaciones de eficacia y causales. Los ECA y los cuasiexperimentos prueban si las herramientas de IA mejoran el aprendizaje (un estudio de campo aleatorizado sobre apoyo humano más tutoría con IA, un ECA sobre la IA generativa en la enseñanza, preprueba adaptativa y retención).
-
Preregistro y replicación. Meyer et al. (2026) declaran sus hipótesis y su plan de análisis antes del ensayo y agrupan la comparación aleatorizada a lo largo de dos semestres y dos cursos asíncronos grandes, de modo que la estimación se apoya en un plan fijo y una replicación en lugar de en una única muestra.
-
Modelado de mecanismos. El SEM/PLS-SEM prueba mediadores y moderadores de la adopción de la IA y del aprendizaje (las vías de adopción de la IA generativa, la aceptación de herramientas de inglés asistidas por IA, la alfabetización en IA del profesorado).
-
Modelos de panel que separan los efectos intrapersonales de los interpersonales. Wu y Lu (2026) estiman un modelo de panel con intercepto aleatorio y retardo cruzado sobre tres oleadas de datos de escritura colaborativa, que separa las diferencias estables entre estudiantes del orden temporal intrapersonal: la distinción que autoriza a leer una mayor dependencia como algo que precede a una caída en la agencia percibida y no que simplemente la acompaña.
-
Medición y desarrollo de escalas. El desarrollo y la validación de instrumentos cuantitativos están bien documentados (GLAT, medición educativa).
-
Rendimiento frente a aprendizaje duradero. Barcaui (2025) aleatoriza a 120 estudiantes a un estudio asistido por IA o tradicional y mide la retención con una prueba sorpresa de 20 preguntas 45 días después de la intervención, de modo que el resultado es lo que sobrevivió al retraso y no lo que apareció al final de la sesión.
Fortalezas y limitaciones
- Fortalezas: precisión y potencia estadística; generalizabilidad a poblaciones definidas; inferencia causal (con diseños experimentales); cobertura eficiente de muestras grandes; acumulativa y comparable entre estudios.
- Limitaciones: captura lo que es medible y a menudo se pierde el proceso, el significado y el contexto (véase investigación cualitativa); sesgo de autoinforme; los instrumentos pueden medir el constructo equivocado (véase problemas de medición); correlación sin causalidad; puede ser artificial y lenta en relación con el ritmo de cambio de la IA.
- El agrupamiento puede fallar a escala de revisión. Una revisión PRISMA de 103 estudios sobre IA generativa en la educación superior no realizó metaanálisis porque los diseños, los comparadores y las medidas eran demasiado heterogéneos, e informó en su lugar de una concordancia de tipología de resultados de κ = 0,781 (Hawi y Samaha (2026)).
Los métodos cuantitativos y los cualitativos son complementarios: el trabajo cuantitativo aporta amplitud y potencia causal, y el cualitativo, profundidad y significado. Los diseños de métodos mixtos los combinan. Véase métodos de investigación para la comparación completa de métodos y los contrastes entre diseños experimentales, de encuesta, cualitativos y otros.
Concepciones erróneas comunes
- «Una estimación por intención de tratar describe lo que hace la herramienta.» En un ensayo aleatorizado por grupos de acceso en el que alrededor del 15% del estudiantado de las aulas tratadas llegó a usar el tutor, la estimación ITT refleja el efecto de introducir la herramienta y no el de usarla. Una adopción baja convierte una cifra ITT en una afirmación sobre la implementación, e informarla como efecto de la herramienta exagera lo que se midió.
- «El desempeño en la tarea es el resultado.» Barcaui (2025) asigna al azar 120 estudiantes a estudio asistido por IA o tradicional y mide la retención: el diseño que separa el desempeño inmediato del aprendizaje duradero. Un estudio que se detiene en la tarea ha medido la cantidad más fácil.
- «Las comparaciones entre conjuntos de datos son sencillas.» Una comprobación estructural de datos educativos sintéticos encontró que analizar cada conjunto de datos con su propio umbral invertía un contraste que se mantenía en un punto de trabajo compartido. El signo de la comparación dependía de una decisión analítica, que es el tipo de fragilidad que un punto de trabajo prerregistrado existe para prevenir.
Conceptos conectados
- Investigación longitudinal
- Métodos de investigación en AIED
- Investigación cualitativa
- Investigación con métodos mixtos
- Medición educativa
- Teoría de respuesta al ítem
- ECA
- Mejoras en el aprendizaje
- Implicación del estudiantado
- Autoeficacia
- Modelos de adopción tecnológica
- Medidas de autoinforme
Artículos conectados
-
Access is Not Enough: Human Support Improves Engagement with AI Tutoring — Un estudio de campo aleatorizado sobre el apoyo humano más la tutoría con IA
-
Generative AI Can Harm Teaching — La IA generativa puede perjudicar la enseñanza: un ECA
-
Acceptance of AI-assisted English language learning tools in higher education: Psychological correlates across disciplinary and proficiency groups — La aceptación de herramientas de aprendizaje de inglés asistidas por IA
-
Decoding symmetric and asymmetric pathways in generative AI learning adoption: a multi-method study — Vías de adopción de la IA generativa (PLS-SEM, fsQCA)
-
Teacher education for artificial intelligence literacy through a self-determination theory perspective — La alfabetización en IA del profesorado a través de la teoría de la autodeterminación
-
GLAT: The generative AI literacy assessment test — GLAT: una prueba de alfabetización en IA generativa validada con TRI
-
AI-Integrated Learning Management System for Middle School: A Longitudinal Study of Learning Outcomes Through High School and Beyond — Un estudio longitudinal de un LMS integrado con IA
-
Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study — Preprueba adaptativa y retención
-
What fidelity metrics miss: A structural check on synthetic educational data — Lo que las métricas de fidelidad pasan por alto: una comprobación estructural de los datos educativos sintéticos
-
The Effects of Course-Integrated AI Tutoring on Student Performance and Engagement: A Randomized University Trial — Un ensayo de acceso aleatorizado por grupos necesita una comprobación de adopción
-
Ethical and responsible use of artificial intelligence in medical education — El análisis bibliométrico como otra familia cuantitativa: Sriram et al. (2026)
-
Generative artificial intelligence use and interpersonal educational interaction among nursing students: self-regulated learning as a statistical mediator — Uso de la IA generativa e interacción educativa interpersonal entre estudiantes de enfermería: el aprendizaje autorregulado como mediador estadístico
-
The double-edged sword effect of AI technological disruption awareness on design innovation competence: the mediating role of regulatory focus and the moderating role of AI critical thinking — Conciencia de la disrupción tecnológica de la IA, mentalidad de pensamiento de diseño y competencia en innovación de diseño entre estudiantes de diseño