¿Qué son y para qué sirven?

Las normas APA (American Psychological Association) son un conjunto de reglas para dar formato a trabajos académicos y, sobre todo, para dar crédito a las fuentes que usaste: si tomaste una idea, un dato o una frase de alguien más, APA te dice cómo decirlo con claridad.

La 7ª edición (2019) es la versión vigente y simplificó varias reglas frente a la 6ª. Algunos cambios importantes:

• Con 3 o más autores se usa “et al.” desde la primera cita (antes había que nombrar hasta 5).
• Los trabajos de estudiantes ya no necesitan encabezado de página (running head) ni resumen, salvo que el profesor lo pida.
• Se aceptan varias fuentes tipográficas, no solo Times New Roman.

Formato del documento

Antes de escribir una sola palabra, así debe verse tu documento:

• Fuente: Times New Roman 12, Calibri 11, Arial 11 o Georgia 11 (elige una y úsala en todo el trabajo).
• Interlineado: doble, en absolutamente todo el documento — incluida la lista de referencias.
• Márgenes: 2.54 cm (1 pulgada) en los cuatro lados.
• Sangría: primera línea de cada párrafo con 1.27 cm (un tab).
• Portada de estudiante: título del trabajo, tu nombre, la universidad, el curso, el profesor y la fecha — centrados, sin número de página obligatorio salvo que te lo pidan.

Citas en el texto

Hay dos formas de traer una idea de otra fuente: parafrasear (explicarla con tus palabras) o citar textualmente (copiar la frase exacta, entre comillas). Las dos necesitan cita.

Cita corta (menos de 40 palabras): va entre comillas, dentro del párrafo.

Cita larga o en bloque (40 palabras o más): párrafo aparte, sangría de 1.27 cm, sin comillas.

Autores múltiples:

• Un autor, texto narrativo: García (2020) afirma que...
• Dos autores, entre paréntesis: (García & Pérez, 2020) — con “&”.
• Dos autores, en el texto: García y Pérez (2020) afirman que... — con “y”.
• Tres o más autores: (García et al., 2020) desde la primera cita.
• Sin autor / organización: (Organización Mundial de la Salud, 2021) o ("Título corto", 2021) si no hay autor ni organización.

Lista de referencias

Va en una página aparte, titulada “Referencias” (centrado, en negrita), en orden alfabético por apellido del primer autor, con sangría francesa: la primera línea pegada al margen y las siguientes con 1.27 cm de sangría.

Estructura general: Apellido, N. (Año). Título de la obra en cursiva. Editorial.

Libro:

Capítulo de libro:

Artículo de revista (con DOI):

Página web:

Errores comunes

Antes de entregar tu trabajo, revisa esta lista rápida:

Arma tu ficha: elige la referencia correcta

Con todo lo que ya viste, identifica cuál de las opciones está correctamente formateada en APA 7.

¿Qué es escribir con claridad?

Escribir con claridad académica no significa sonar “más inteligente” ni usar palabras rebuscadas: significa que la persona que te lee entienda tu idea sin tener que releerla.

El principio más útil: una idea por oración. Si una frase tiene tres ideas encadenadas con comas, probablemente conviene partirla en dos.

El párrafo bien construido

Un párrafo debería desarrollar una sola idea. La estructura más confiable:

• Oración temática: presenta la idea central del párrafo, normalmente al inicio.
• Oraciones de apoyo: explican, justifican o ejemplifican esa idea.
• Cierre o transición: conecta con el párrafo siguiente.

Un párrafo “cajón de sastre”, que mezcla dos o tres ideas distintas sin relación clara entre sí, obliga al lector a hacer el trabajo de ordenarlas por ti.

Frases claras y directas

Tres hábitos que hacen una frase más fácil de leer:

• Prefiere el verbo directo sobre el sustantivo abstracto cuando puedas: “analizamos los datos” en vez de “se realizó un análisis de los datos”. La voz impersonal con “se” es normal y válida en textos académicos — el problema es abusar de construcciones innecesariamente largas.
• Evita las muletillas de relleno: “cabe destacar que”, “es importante mencionar que”, “en el presente trabajo se pretende” rara vez aportan información. Ve directo a la idea.
• Corta las frases largas en dos si notas que pierdes el hilo al leerlas en voz alta.

Conectores y cohesión

Los conectores muestran la relación lógica entre tus ideas — no son decoración, son señales para el lector. Algunos de los más útiles:

• Adición: además, asimismo, del mismo modo.
• Causa: debido a, ya que, dado que.
• Contraste: sin embargo, no obstante, en cambio.
• Consecuencia: por lo tanto, en consecuencia, de ahí que.
• Orden: en primer lugar, a continuación, finalmente.

Errores comunes

Elige la versión más clara

Compara los siguientes pares de párrafos y elige la versión mejor escrita.

¿Qué es el plagio?

Plagiar es usar ideas, palabras, datos o estructuras de otra persona sin dar crédito, presentándolas como propias. No es solo “copiar y pegar”. Hay varios tipos:

• Plagio directo: copiar texto tal cual, sin comillas ni cita.
• Plagio de mosaico (o patchwork): cambiar algunas palabras de un párrafo ajeno pero mantener su estructura, sin citar la fuente.
• Autoplagio: reciclar un trabajo tuyo de otro curso o entrega, presentándolo como nuevo sin avisar.
• Plagio de fuente: citar mal la referencia, o inventar una fuente que no existe.

¿Cuándo se debe citar?

Debes citar siempre que uses:

• Una idea que no es tuya, aunque la parafrasees.
• Datos, cifras o resultados de otra fuente.
• Una imagen, tabla o gráfico que no elaboraste tú.
• Una frase textual, entre comillas.

No hace falta citar: conocimiento de dominio público muy general (“el agua hierve a 100 °C a nivel del mar”) ni tus propias opiniones o conclusiones originales.

Parafraseo correcto vs. incorrecto

Parafrasear bien significa entender la idea y explicarla con tu propia voz, cambiando tanto las palabras como la estructura de la oración — y aun así, citar la fuente. Cambiar solo un par de sinónimos manteniendo la misma estructura sigue siendo plagio de mosaico.

Texto original: “La motivación intrínseca es el motor más poderoso del aprendizaje duradero.”

Hábitos que previenen el plagio

• Anota la fuente completa desde el primer momento en que tomas una nota — no dejes “ya la busco después”.
• Usa un gestor de referencias (Zotero, Mendeley) desde el inicio de tu investigación.
• En tus notas, marca con comillas cualquier frase que copiaste tal cual, para no confundirla luego con tus propias palabras.
• Antes de entregar, revisa tu documento con un verificador de similitud si tu institución lo ofrece.

Errores comunes y mitos

¿Parafraseo correcto o plagio?

Lee cada fragmento frente a su original y decide.

¿Qué es MaxQDA y para qué sirve?

MaxQDA es un software CAQDAS (Computer Assisted Qualitative Data Analysis Software): un programa para organizar, codificar y analizar datos cualitativos — entrevistas, grupos focales, documentos, encuestas abiertas, audio y video.

MaxQDA no “hace” el análisis por ti: tú decides qué es relevante y por qué. Lo que hace es ayudarte a organizar y encontrar patrones en volúmenes de datos que serían muy difíciles de manejar a mano — por ejemplo, comparar 40 entrevistas para ver qué temas se repiten.

Preparar e importar tus datos

MaxQDA acepta varios tipos de fuentes: documentos de texto (Word, PDF), audio, video, imágenes, tablas de Excel y respuestas de encuestas.

Todo lo que importas se organiza en el Sistema de Documentos (Document System): un árbol de carpetas donde puedes agrupar tus fuentes, por ejemplo, por grupo de entrevistados o por fecha de recolección.

Antes de importar, conviene transcribir tus entrevistas y revisar el formato del texto, para que MaxQDA lo reconozca correctamente.

Codificación

Codificar es etiquetar un segmento de texto (o de audio/video) con un código que representa un tema, categoría o concepto. Codificar no es resumir: el código señala a qué tema pertenece el fragmento, no reemplaza el texto.

• Código temático: definido por ti, antes o durante el análisis, según tus preguntas de investigación.
• Código in vivo: usa las palabras textuales del participante como código, para conservar su forma exacta de nombrar algo.

El Sistema de Códigos se organiza de forma jerárquica: puedes tener códigos generales con subcódigos más específicos debajo.

Así se ve codificar un fragmento real. Fíjate en que cada código se aplica solo a la parte del texto que realmente habla de ese tema — no a toda la frase ni a todo el párrafo:

Nota algo importante: el mismo participante, en el mismo fragmento, aporta información para dos códigos distintos — una barrera inicial y un beneficio posterior. Eso es normal y esperado: rara vez un párrafo completo corresponde a un solo código.

Herramientas de análisis

• Code Matrix Browser: muestra qué códigos aparecen en qué documentos — ideal para comparar casos o grupos.
• Nube de palabras / Frecuencia de palabras: útil para una exploración inicial de los términos más usados.
• MAXMaps: mapas conceptuales para visualizar relaciones entre códigos y categorías.
• Búsqueda de texto (Text Search): encuentra rápidamente una palabra o frase en todos tus documentos.

Tipos de análisis

Con tus datos ya codificados, puedes abordarlos desde distintos enfoques según tu pregunta de investigación:

• Análisis de contenido: describe la frecuencia y distribución de los códigos — cuántas veces aparece un tema y en qué documentos. Es un buen punto de partida, sobre todo con muestras grandes.
• Análisis temático: va más allá de contar: busca identificar y desarrollar patrones (temas) que atraviesan varios códigos relacionados entre sí.
• Análisis de discurso: se centra en cómo se dice algo — el lenguaje, las metáforas, la forma en que los participantes construyen su relato — no solo en qué se dice.
• Comparación de casos o grupos: usa herramientas como el Code Matrix Browser para contrastar cómo aparecen los códigos entre distintos grupos (por edad, condición, institución, etc.).

Estos enfoques no son excluyentes: muchos estudios combinan, por ejemplo, un análisis de contenido inicial (para ubicar patrones frecuentes) con un análisis temático más profundo sobre los códigos más relevantes.

Presentación de resultados

Un buen reporte cualitativo combina varios elementos — rara vez uno solo cuenta la historia completa:

• Tabla de frecuencia de códigos: cuántas veces y en qué documentos aparece cada código. Útil como punto de partida, pero no sustituye la interpretación.
• Matrices de resultados: cruzan categorías (por ejemplo, “barreras” × “grupo de edad”) en una tabla que resume los hallazgos principales.
• Mapas conceptuales (MAXMaps): representan visualmente las relaciones entre categorías, útiles tanto para tu propio análisis como para una presentación.
• Citas textuales de apoyo: fragmentos representativos de los propios participantes que ilustran cada hallazgo — identificados con un código (“Participante 4”), nunca con su nombre real.
• Narrativa de resultados: el texto que explica qué significa cada hallazgo y cómo responde a tu pregunta de investigación, apoyado en las citas y, si aplica, en las frecuencias.

Memos, sets y buenas prácticas

Los memos son notas analíticas que escribes durante el proceso: interpretaciones, dudas, conexiones entre códigos. Se pueden vincular a un documento completo, a un segmento de texto o a un código — y son clave para recordar después por qué codificaste algo de cierta forma.

Los sets y groupers te permiten organizar documentos o códigos en subconjuntos, para hacer análisis comparativos (por ejemplo, todos los códigos relacionados con “barreras” agrupados aparte).

Pon a prueba lo aprendido

¿Qué es Atlas.ti y en qué se diferencia de MaxQDA?

Atlas.ti es, como MaxQDA, un software CAQDAS para organizar, codificar y analizar datos cualitativos. La lógica de fondo es la misma; lo que cambia es el vocabulario y algunas herramientas.

Todo tu trabajo vive dentro de una Unidad Hermenéutica: el archivo de proyecto que contiene tus documentos, códigos, memos y redes — es el equivalente al “proyecto” en MaxQDA.

• MaxQDA “Sistema de Documentos” ≈ Atlas.ti “Documentos primarios”.
• MaxQDA “segmento codificado” ≈ Atlas.ti “Cita” (Quotation).
• MaxQDA “MAXMaps” ≈ Atlas.ti “Redes” (Networks).

Documentos primarios y citas

Igual que en MaxQDA, puedes importar texto, PDF, audio, video e imágenes. Cada archivo importado se convierte en un Documento primario dentro de tu Unidad Hermenéutica.

Cuando seleccionas un fragmento de un documento primario para analizarlo, ese fragmento se convierte en una Cita (Quotation) — la unidad mínima de análisis en Atlas.ti, que luego puedes codificar, comentar o vincular a otras citas.

Códigos y codificación

Codificar en Atlas.ti significa lo mismo que en cualquier CAQDAS: asignar una etiqueta a una cita para señalar de qué tema trata. El Gestor de Códigos (Code Manager) te permite crear, renombrar y organizar tus códigos en grupos de códigos (Code Groups o “familias”).

Una convención común — no obligatoria — es redactar los códigos como gerundios (“explicando barreras”, “describiendo emociones”) para recordar que representan una acción o proceso, no solo una etiqueta estática. Lo esencial sigue siendo lo mismo: entre más específico y ligado a tu pregunta de investigación, más útil será el código.

Herramientas de análisis

• Redes (Networks): mapas visuales que muestran relaciones entre códigos, citas y memos — el equivalente a MAXMaps.
• Tabla de co-ocurrencia: muestra qué códigos aparecen juntos en los mismos fragmentos, útil para detectar patrones.
• Herramienta de consultas (Query Tool): permite combinar códigos con operadores lógicos (Y, O, NO) para explorar relaciones más complejas.
• Nube de palabras / Word Crunch: exploración inicial rápida de los términos más frecuentes.

Memos, familias y buenas prácticas

Los memos funcionan igual que en MaxQDA: notas analíticas vinculadas a un documento, una cita o un código. Las familias (Families) agrupan documentos o códigos relacionados, para hacer comparaciones entre subconjuntos de tus datos.

Pon a prueba lo aprendido

¿Qué es SPSS y para qué sirve?

SPSS (Statistical Package for the Social Sciences) es un software de análisis estadístico muy usado en ciencias sociales, salud y educación. Trabaja principalmente con dos vistas:

• Vista de datos (Data View): la tabla donde cada fila es un caso (por ejemplo, una persona encuestada) y cada columna una variable.
• Vista de variables (Variable View): donde defines las propiedades de cada variable — nombre, tipo, etiquetas, nivel de medición.

Preparar la base de datos

En la Vista de variables defines, para cada columna:

• Nombre y Label (etiqueta de variable): el nombre corto y una descripción más clara, por ejemplo “edad” y “Edad del participante en años”.
• Value Labels (etiquetas de valor): el significado de códigos numéricos, por ejemplo 1 = Hombre, 2 = Mujer.
• Nivel de medición: nominal, ordinal o de escala (numérica) — de esto depende qué análisis son válidos para esa variable.
• Valores perdidos (Missing Values): códigos reservados para respuestas en blanco o inválidas, para que SPSS no los trate como datos reales.

Estadística descriptiva

Desde Analizar > Estadísticos descriptivos puedes obtener frecuencias, medias, medianas, modas y desviaciones estándar. Pero no todas las medidas aplican a todas las variables — depende de su nivel de medición:

• Nominal (ej. color de ojos): solo tiene sentido la moda y las frecuencias.
• Ordinal (ej. nivel educativo): moda y mediana.
• Escala (ej. edad, ingresos): media, mediana, moda y desviación estándar.

Pruebas estadísticas comunes

Elegir la prueba correcta depende del tipo de variables y de tu pregunta de investigación:

• Prueba t: comparar el promedio de una variable numérica entre 2 grupos.
• ANOVA: comparar el promedio de una variable numérica entre 3 o más grupos.
• Correlación de Pearson: relación entre dos variables numéricas.
• Chi-cuadrado: relación entre dos variables categóricas.

El valor p (Sig.) te dice si el resultado es estadísticamente significativo — por convención, p < .05.

Errores comunes

Pon a prueba lo aprendido

¿Qué es NCSS y en qué se diferencia de SPSS?

NCSS es un software estadístico organizado en Procedimientos (Procedures) agrupados por categoría de análisis. Es especialmente conocido — y muy usado en ciencias de la salud y bioestadística — por sus herramientas de cálculo de tamaño de muestra y potencia estadística, que en otros programas suelen requerir un módulo aparte.

La lógica general es la misma que en SPSS: preparar los datos, elegir el procedimiento adecuado según tus variables y tu pregunta, e interpretar el resultado. Lo que cambia es la forma en que se organizan los menús y el peso que se le da a la planeación del estudio antes de recolectar datos.

Importar y organizar datos

NCSS trabaja con una hoja de datos similar a una hoja de cálculo: puedes importar desde Excel o CSV, o escribir los datos directamente. Como en SPSS, cada columna es una variable y cada fila un caso.

Nombrar las columnas de forma clara desde el inicio (evitando abreviaturas ambiguas) facilita mucho elegir el procedimiento correcto más adelante y entender los reportes de salida.

Elegir el procedimiento adecuado

Los análisis en NCSS están organizados en Procedures agrupados por categoría (estadística descriptiva, pruebas t, ANOVA, regresión, entre otras), y se pueden buscar por nombre desde un menú central.

Antes de correr cualquier análisis, conviene tener clara tu pregunta de investigación y el tipo de cada variable — igual que en SPSS, de eso depende qué procedimiento es válido.

Cálculo de tamaño de muestra y potencia

Antes de recolectar datos, NCSS te permite calcular cuántos participantes necesitas para poder detectar un efecto real con cierta confianza. Los parámetros clave son:

• Alfa: el nivel de significancia que estás dispuesto a aceptar (comúnmente .05).
• Potencia estadística: la probabilidad de detectar un efecto real si este existe (comúnmente se busca 80% o más).
• Tamaño del efecto esperado: qué tan grande crees que será la diferencia o relación que buscas detectar.

Errores comunes

Pon a prueba lo aprendido

¿Qué es la investigación cualitativa?

Es un enfoque que busca comprender un fenómeno desde la perspectiva de quienes lo viven, a partir de datos no numéricos: palabras, imágenes, comportamientos. No busca medir "cuánto", sino entender "cómo" y "por qué".

Mientras la investigación cuantitativa pregunta cuánto o con qué frecuencia, la cualitativa pregunta cómo se vive, qué significa o por qué ocurre algo para las personas involucradas.

Características y cuándo usarla

• Lógica inductiva: parte de los datos para construir comprensión o teoría, no al revés.
• Diseño flexible o emergente: el diseño puede ajustarse sobre la marcha, a diferencia de un diseño cuantitativo fijo.
• El investigador como instrumento: su forma de preguntar, observar e interpretar es parte del proceso — por eso la reflexividad importa tanto (lo verás en el módulo E).

Conviene usar un enfoque cualitativo cuando el fenómeno es poco conocido, cuando buscas comprender significados o experiencias, o cuando necesitas explorar un tema antes de poder medirlo.

Diseños cualitativos más comunes

• Estudio de caso: análisis profundo de un caso (una persona, una institución, una comunidad) en su contexto real.
• Etnografía: inmersión prolongada en un grupo o cultura, para comprender sus prácticas y significados desde adentro.
• Fenomenología: busca la esencia de una experiencia vivida, compartida por varias personas — por ejemplo, "vivir con una enfermedad crónica".
• Teoría fundamentada (Grounded Theory): genera una teoría explicativa a partir de los datos, mediante comparación constante y codificación sistemática.
• Investigación-acción: el investigador interviene junto con los participantes para resolver un problema, generando conocimiento en el proceso.

Técnicas de recolección de datos

• Entrevista (estructurada, semiestructurada o a profundidad): conversación guiada para explorar la perspectiva de una persona.
• Grupo focal: discusión guiada con varios participantes a la vez, útil para captar la interacción entre distintos puntos de vista.
• Observación (participante o no participante): registrar comportamientos y contextos tal como ocurren.
• Análisis de documentos: examinar textos, archivos o materiales ya existentes (actas, redes sociales, expedientes).
• Diario o notas de campo: registro continuo de observaciones, impresiones y decisiones del investigador durante el trabajo de campo.

Rigor y credibilidad

El enfoque cualitativo tiene sus propios criterios de rigor — no los mismos de la estadística, pero igual de exigentes:

• Credibilidad: ¿reflejan los hallazgos la realidad de los participantes? Se fortalece con triangulación (varias fuentes o métodos) y member checking (validar interpretaciones con los propios participantes).
• Transferibilidad: describir el contexto con suficiente detalle ("descripción densa") para que otro lector juzgue si los hallazgos aplican a su propio contexto.
• Dependencia y confirmabilidad: documentar las decisiones metodológicas (una especie de auditoría) y ser transparente sobre la reflexividad: cómo la propia posición del investigador pudo influir en el estudio.

Errores comunes

Pon a prueba lo aprendido

¿Qué es la investigación cuantitativa?

Es un enfoque que mide variables numéricamente y usa análisis estadístico para describir fenómenos o poner a prueba hipótesis. Busca objetividad, generalización a partir de una muestra representativa, y resultados que puedan replicarse.

Responde preguntas como “¿cuánto?”, “¿con qué frecuencia?” o “¿existe relación entre X e Y?” — a diferencia del “¿cómo se vive?” propio del enfoque cualitativo.

Características y lógica deductiva

• Lógica deductiva: parte de una teoría o hipótesis y la contrasta con los datos — el proceso inverso al de la investigación cualitativa.
• Variables operacionalizadas: cada concepto se define de forma medible antes de recolectar datos.
• Diseño fijo y estructurado: una vez iniciado el estudio, cambia poco — a diferencia del diseño emergente cualitativo.
• Busca relaciones medibles: asociaciones o, bajo ciertas condiciones, relaciones causales.

Diseños cuantitativos comunes

• Experimental: el investigador manipula una variable independiente, controla otras y asigna aleatoriamente a los participantes — permite hablar de causalidad.
• Cuasi-experimental: similar al experimental, pero sin aleatorización completa (por ejemplo, se comparan grupos ya existentes, como dos salones de clase).
• Correlacional: mide la relación entre variables sin manipularlas — no permite concluir causalidad.
• Descriptivo o encuesta: describe características de una población en un momento dado.
• Transversal vs longitudinal: una sola medición en el tiempo, frente a mediciones repetidas al mismo grupo a lo largo del tiempo.

Muestreo y variables

Población es el conjunto total al que quieres generalizar; muestra es el subconjunto que realmente estudias. El tipo de muestreo determina qué tanto puedes generalizar:

• Probabilístico (aleatorio, estratificado, por conglomerados): cada elemento de la población tiene una probabilidad conocida de ser elegido — permite generalizar con mayor confianza.
• No probabilístico (por conveniencia, bola de nieve): más fácil de aplicar, pero limita qué tanto puedes generalizar los resultados.

Y recuerda el nivel de medición de cada variable (nominal, ordinal, intervalo o razón) — de eso depende, como viste en la ficha de SPSS, qué análisis son válidos.

Recolección y calidad del instrumento

Los instrumentos típicos son cuestionarios o escalas ya validadas, pruebas estandarizadas, mediciones fisiológicas o bases de datos secundarias. Antes de usarlos, conviene revisar dos propiedades:

• Validez: ¿el instrumento realmente mide lo que dice medir?
• Confiabilidad: ¿el instrumento da resultados consistentes si se repite la medición? Se suele reportar con el Alfa de Cronbach, entre otros indicadores.

Con los datos ya recolectados, el análisis suele empezar por estadística descriptiva y avanzar hacia pruebas inferenciales según la hipótesis — justo lo que viste en las fichas de SPSS y NCSS.

Errores comunes

Pon a prueba lo aprendido

¿Qué es la investigación de métodos mixtos?

Es un enfoque que combina, en un mismo estudio, la recolección y el análisis de datos cualitativos y cuantitativos, integrando ambos para responder mejor la pregunta de investigación de lo que lograría cualquiera de los dos enfoques por separado.

Ojo: no es simplemente “hacer una encuesta y también unas entrevistas”. La clave está en la integración real de ambos tipos de datos en algún punto del estudio — algo que verás con detalle en el módulo D.

¿Por qué combinar métodos?

Combinar métodos debe tener una razón clara, no ser una decisión arbitraria. Las justificaciones más comunes son:

• Triangulación: confirmar un hallazgo desde dos ángulos distintos, para aumentar la confianza en el resultado.
• Complementariedad: cada método aporta algo que el otro no puede — lo cuantitativo mide magnitud, lo cualitativo explica el “por qué”.
• Desarrollo: los resultados de una fase informan el diseño de la otra (por ejemplo, entrevistas exploratorias antes de diseñar un cuestionario).
• Expansión: ampliar el alcance del estudio usando distintos métodos para distintos componentes de la pregunta de investigación.

Diseños de métodos mixtos comunes

Convergente (paralelo): se recolectan datos cuantitativos y cualitativos al mismo tiempo, se analizan por separado y luego se comparan.

Explicativo secuencial: primero cuantitativo, luego cualitativo para explicar o profundizar en esos resultados numéricos.

Exploratorio secuencial: primero cualitativo, para explorar el fenómeno; luego cuantitativo, para probar o generalizar lo encontrado (por ejemplo, diseñando un instrumento a partir de los hallazgos cualitativos).

Diseños anidados o incrustados: un método es el principal y el otro se incorpora dentro del mismo estudio como apoyo.

Cómo se integran los datos

Este es el paso que realmente distingue a un estudio mixto de uno que solo usa dos técnicas por separado:

• Integración por conexión: los resultados de una fase determinan el muestreo o los instrumentos de la siguiente — típico en diseños secuenciales.
• Integración por combinación: comparar o fusionar los resultados de ambas fases en el análisis o la discusión — típico en diseños convergentes. Una herramienta común es el joint display: una tabla que muestra, lado a lado, el hallazgo cuantitativo y la cita cualitativa que lo ilustra o lo contradice.
• Integración por incrustación: un conjunto de datos se anida dentro del diseño general del otro, como apoyo puntual.

Retos comunes al hacer investigación mixta

• Requiere dominar — o tener un equipo que domine — ambos enfoques metodológicos.
• Toma más tiempo y recursos que un solo enfoque, por la doble recolección y análisis.
• Existe el riesgo de que los dos conjuntos de datos convivan en el mismo reporte sin integrarse realmente.
• Hay que decidir y justificar qué método tiene prioridad — igual peso, o uno domina sobre el otro — no debe ser una decisión accidental.

Errores comunes

Pon a prueba lo aprendido

¿Qué es la investigación educativa?

Es el estudio sistemático de los procesos de enseñanza y aprendizaje, las instituciones educativas, el currículo y los actores del sistema educativo — estudiantes, docentes, familias — con el fin de comprender y mejorar la práctica educativa.

Puede ser básica (generar conocimiento teórico sobre cómo se aprende) o aplicada (resolver un problema concreto de un aula o una institución). Puede apoyarse en diseños cualitativos, cuantitativos o mixtos — lo que la distingue no es el método, sino el objeto de estudio: la educación.

Líneas y objetos de estudio típicos

• Procesos de enseñanza-aprendizaje: métodos didácticos, uso de tecnología en el aula, estrategias de evaluación.
• Políticas y gestión educativa: currículo, cobertura, calidad educativa.
• Convivencia escolar y clima institucional.
• Formación docente.
• Inclusión y atención a la diversidad.

El diseño más usado en el aula: la investigación-acción

Es ideal para docentes que quieren mejorar su propia práctica — por ejemplo, probar una nueva estrategia de lectura y evaluar su efecto en su propio grupo. A diferencia de otros diseños, el docente-investigador es parte activa de la intervención, no un observador externo neutral.

Se organiza en un ciclo que suele repetirse más de una vez, ajustando la estrategia con cada vuelta:

Después de reflexionar, el ciclo vuelve a empezar en planificar, ya con los ajustes que sugirió la reflexión — por eso se le llama investigación-acción en espiral.

Otros diseños comunes en investigación educativa

• Estudio de caso: una escuela, un aula o un programa específico, analizado a profundidad.
• Diseño cuasi-experimental: comparar un grupo que recibe una intervención pedagógica con uno que no, sin poder aleatorizar completamente por razones prácticas o éticas (no se puede reasignar estudiantes a otro salón solo para el estudio).
• Evaluación de programas: medir si un programa educativo logró sus objetivos.
• Investigación diagnóstica: identificar necesidades antes de diseñar una intervención.

Consideraciones éticas específicas

Investigar en contextos educativos, sobre todo con menores de edad, exige cuidados adicionales:

• Consentimiento informado de madres, padres o tutores cuando los participantes son menores de edad, además del asentimiento del propio estudiante cuando su edad lo permite.
• Relación de poder entre el docente-investigador y sus estudiantes: la participación (o no participación) en el estudio nunca debe afectar la evaluación académica.
• Confidencialidad de los datos de estudiantes y de la institución.
• Aprobación institucional de un comité de ética o de las autoridades del centro educativo, cuando aplique.

Errores comunes

Pon a prueba lo aprendido

¿Qué es la IA generativa y para qué sirve en investigación?

La IA generativa son modelos entrenados con grandes cantidades de texto que generan respuestas nuevas a partir de una instrucción (un prompt). No “sabe” cosas como una persona: predice qué palabra es más probable que siga, según los patrones que aprendió — eso explica tanto lo que hace bien como sus fallas.

Usada con criterio, puede apoyar: la lluvia de ideas, el resumen de literatura que ya leíste, la redacción y el estilo, la generación de código para análisis de datos, o simular un revisor que te dé retroalimentación antes de entregar.

Lo que no reemplaza: tu juicio como investigador, la verificación de los datos, ni la responsabilidad ética y de autoría sobre tu propio trabajo.

Usos legítimos en cada etapa de la investigación

• Exploración: lluvia de ideas, mapear un tema nuevo, sugerir posibles preguntas de investigación — siempre a validar por ti.
• Revisión de literatura: resumir y organizar artículos que ya leíste, generar preguntas para profundizar — no para “generar” referencias que no verificaste.
• Redacción: mejorar claridad y estilo (revisa la ficha de Redacción académica), adaptar el tono, traducir.
• Análisis de datos: generar código en R o Python para limpiar o graficar datos, o explicar una salida de SPSS/NCSS — siempre revisando que el código haga exactamente lo que dice hacer.
• Codificación cualitativa: sugerir posibles códigos o patrones iniciales para revisar en MaxQDA o Atlas.ti — la interpretación final sigue siendo tuya.

El riesgo central: alucinaciones y verificación

Una alucinación ocurre cuando un modelo genera información que suena plausible pero es falsa o inventada — por ejemplo, una cita bibliográfica que no existe, un dato estadístico inventado, o un autor real al que se le atribuye un artículo que nunca escribió.

¿Por qué pasa? El modelo predice el texto más probable, no consulta necesariamente una base de datos verificada en tiempo real — y aunque tenga herramientas de búsqueda conectadas, puede seguir equivocándose. Por eso aplica esta regla siempre:

Cualquier dato, cita o referencia que te dé una IA debe verificarse en la fuente original antes de usarse en un trabajo académico.

Ética y transparencia: declarar el uso de IA

Muchas revistas, universidades y comités editoriales ya piden declarar si se usó IA generativa y cómo (redacción, traducción, análisis, generación de imágenes, etc.) — revisa siempre la política de tu institución o revista antes de asumir que no hace falta decirlo.

La autoría y la responsabilidad del contenido siguen siendo del investigador humano: un modelo de IA no puede figurar como autor porque no puede asumir responsabilidad por lo que se publica.

Declarar el uso de IA no es una debilidad — es una práctica de transparencia académica, parecida a declarar conflictos de interés o fuentes de financiamiento.

Sesgos y límites que hay que conocer

• Los modelos aprenden de datos existentes, que pueden contener sesgos históricos o culturales — pueden reproducir estereotipos o representar mejor a unas poblaciones que a otras.
• Pueden tener conocimiento desactualizado (una fecha de corte de entrenamiento); para temas muy recientes conviene verificar con fuentes actuales.
• No sustituyen el pensamiento crítico: una IA puede sonar muy segura de algo que está mal — la seguridad con la que responde no es garantía de exactitud.

Errores comunes

Pon a prueba lo aprendido

¿Qué es ChatGPT y en qué se diferencia de “la IA” en general?

ChatGPT es el producto de OpenAI construido sobre sus modelos GPT: una interfaz de chat con funciones específicas — memoria entre conversaciones, navegación web, subida de archivos, Custom GPTs y análisis de datos avanzado. La ficha “Uso de la IA en la investigación” (FC-12) explica los principios que aplican a cualquier IA generativa (alucinaciones, ética, sesgos); esta ficha se enfoca en cómo usar esta herramienta en concreto.

Existen distintas versiones — gratuita, Plus, Team, Edu — que difieren en límites de uso, acceso a modelos más capaces, y herramientas avanzadas como Custom GPTs. Antes de diseñar tu flujo de trabajo, vale la pena saber con cuál cuentas.

Prompting efectivo para tareas de investigación

Un buen prompt suele tener cuatro partes: contexto (quién eres y para qué lo necesitas), tarea específica (qué quieres exactamente), formato de salida (lista, tabla, extensión) y restricciones (qué evitar, qué tono usar).

Dos hábitos que mejoran mucho los resultados: dar uno o dos ejemplos de lo que buscas, y iterar con seguimientos en vez de intentar un solo prompt perfecto — pedir ajustes puntuales suele funcionar mejor que reescribir todo desde cero.

Funciones útiles: archivos, análisis de datos, Custom GPTs

• Subir archivos (PDF, Word, CSV, Excel): pedir resúmenes, extraer tablas, comparar varios documentos entre sí.
• Análisis de datos avanzado (antes “Code Interpreter”): sube una base de datos y pide que la limpie, genere gráficas o corra estadísticas básicas — corre código Python real dentro del chat, y puedes pedir que te muestre ese código.
• Custom GPTs: un asistente personalizado con instrucciones fijas — por ejemplo, uno que siempre revise formato APA, o que solo responda basándose en tus propios documentos de referencia (disponible en planes de pago).
• Navegación web: útil para información reciente, pero recuerda que sigue pudiendo equivocarse — verifica igual que con cualquier otro dato.

Usos concretos por etapa de la investigación

• Diseño: lluvia de ideas de preguntas de investigación, comparar ventajas y desventajas de distintos diseños metodológicos.
• Revisión de literatura: resumir PDFs que ya subiste, generar preguntas para profundizar — verificando siempre cualquier referencia, como viste en la ficha FC-12.
• Recolección y análisis: generar código para limpiar datos o crear gráficas con Análisis de datos avanzado; pedir que explique una salida estadística en lenguaje simple.
• Redacción: mejorar claridad, adaptar el texto a las normas de una revista específica, generar variantes de un resumen o abstract.
• Presentación: esquemas de diapositivas o resúmenes ejecutivos a partir de tu propio texto.

Límites específicos que hay que conocer

• Puede alucinar referencias y datos igual que cualquier IA generativa — la regla de verificar todo contra la fuente original (ficha FC-12) aplica exactamente igual aquí.
• La memoria entre conversaciones puede mezclar información de un proyecto con otro si no la gestionas — revisa qué recuerda el modelo entre chats en la configuración.
• Los archivos que subes pueden usarse para mejorar el modelo salvo que desactives esa opción en configuración — revisa la política de privacidad antes de subir datos sensibles.
• El análisis de datos avanzado corre en un entorno con límites de tiempo y tamaño de archivo, y no reemplaza un análisis estadístico completo con SPSS o NCSS para un estudio formal.

Errores comunes

Pon a prueba lo aprendido

¿Qué es un gestor de referencias y por qué usar uno?

Un gestor de referencias (Zotero, Mendeley, EndNote) es un software que guarda, organiza y da formato automático a tus fuentes bibliográficas. En vez de copiar autor, año y título a mano cada vez, capturas la fuente una sola vez y el programa recuerda todo.

Beneficios concretos: nunca perder una referencia, generar la lista de Referencias en APA (o el estilo que necesites) con un clic, e insertar citas dentro del texto mientras escribes en Word o Google Docs, sin salir del documento.

Usamos Zotero en esta ficha porque es gratuito, de código abierto, funciona en cualquier disciplina, y tiene una extensión de navegador que captura fuentes con un clic desde casi cualquier página.

Instalar y capturar tu primera referencia

Necesitas dos piezas: la aplicación de escritorio de Zotero, y el Zotero Connector, una extensión para tu navegador.

Para capturar una fuente: entra a Google Scholar, la página de una editorial, o abre un PDF, y haz clic en el ícono del conector — Zotero guarda automáticamente autor, año, título y demás metadatos en tu biblioteca.

Revisa siempre lo que capturó. A veces los metadatos vienen incompletos o mal separados (por ejemplo, el título en mayúsculas, o el nombre del autor cortado a la mitad) — corregirlo toma unos segundos y evita errores en tu lista de referencias final.

Organizar tu biblioteca

• Colecciones: como carpetas — una por proyecto o tema de investigación, con subcolecciones si lo necesitas.
• Etiquetas (tags): clasificación transversal, útil para marcar por ejemplo "teoría", "metodología" o "pendiente de leer", sin importar en qué colección esté cada fuente.
• Adjuntos y notas: puedes guardar el PDF completo junto a cada referencia, y escribir tus propias notas vinculadas a esa fuente.

Citar mientras escribes

El complemento de Zotero para Word (o Google Docs) inserta una cita en el lugar exacto del texto sin que tengas que salir del documento ni recordar el formato exacto.

Eliges el estilo de cita (por ejemplo, APA 7) una sola vez, y Zotero lo aplica automáticamente a todas las citas del texto y a la lista de referencias completa. Si necesitas cambiar de estilo — digamos, porque una revista pide otro formato — se hace con un clic, sin reescribir nada a mano.

Sincronización y trabajo en equipo

Una cuenta gratuita de Zotero sincroniza tu biblioteca entre computadoras y dispositivos — capturas una fuente en tu laptop y la ves en la de la biblioteca sin hacer nada más.

Las bibliotecas de grupo (Group Library) te permiten compartir referencias con tu equipo de investigación o tu director de tesis, todos viendo y editando la misma colección.

El almacenamiento gratuito para archivos adjuntos (los PDFs completos) tiene un límite — si se llena, hay que gestionar el espacio o pagar por más, aunque los metadatos de las referencias en sí no ocupan casi nada.

Errores comunes

Pon a prueba lo aprendido

¿Qué es un instrumento de investigación?

Un instrumento es la herramienta con la que recolectas tus datos: un cuestionario, una escala, una guía de entrevista, una lista de cotejo. Elegir o diseñar el instrumento correcto depende de tu pregunta de investigación y del tipo de variable que necesitas medir.

Un instrumento mal diseñado no se arregla con un buen análisis estadístico después — si los datos de entrada son confusos o incompletos, ningún software los va a mejorar.

Tipos de preguntas y escalas

• Preguntas cerradas (opción múltiple, dicotómicas): fáciles de analizar estadísticamente.
• Preguntas abiertas: capturan matices, pero son más difíciles de analizar a gran escala.
• Escala Likert: normalmente de 5 puntos, de "totalmente en desacuerdo" a "totalmente de acuerdo" — un número impar de opciones permite un punto neutral; un número par obliga a tomar una postura.
• Otras escalas: diferencial semántico (entre dos adjetivos opuestos) y escalas de frecuencia ("nunca" a "siempre").

Validez y confiabilidad del instrumento

• Validez de contenido: ¿los ítems realmente cubren el concepto que quieres medir? Se revisa habitualmente con jueces expertos.
• Validez de constructo: ¿el instrumento mide el concepto teórico que dice medir, y no otra cosa parecida?
• Confiabilidad: qué tan consistentes son las respuestas. Para escalas tipo Likert, el indicador más común es el Alfa de Cronbach — lo calculas después, en SPSS o NCSS, como viste en esas fichas.

Redactar buenos ítems

• Evita preguntas dobles (doble-barreled): cada ítem, una sola idea.
• Evita preguntas sesgadas o que induzcan una respuesta — el lenguaje de la pregunta no debe sugerir cuál es la respuesta "correcta".
• Evita lenguaje técnico innecesario y negaciones dobles confusas ("¿está en desacuerdo con que no se debería...?").
• Ordena las preguntas de lo general a lo específico, y deja los datos demográficos sensibles (edad, ingresos) para el final.

Prueba piloto

Antes de aplicar el instrumento a tu muestra completa, aplícalo a un grupo pequeño similar a tu población objetivo — es la prueba piloto.

Qué revisar en el piloto: cuánto tiempo toma responder, qué preguntas se malinterpretan, qué preguntas todos responden igual (poco útiles, sin variabilidad), y errores técnicos si usas un formulario en línea.

Ajusta el instrumento con base en lo que encuentres en el piloto, antes de la aplicación real — corregir después de recolectar los datos ya no es posible.

Errores comunes

Pon a prueba lo aprendido