Investigación cualitativa e inteligencia artificial

Introducción

La investigación cualitativa suele asociarse con relatos, entrevistas y significados, mientras que la cuantitativa se vincula con números, escalas y pruebas estadísticas. Sin embargo, en términos de rigurosidad, no son métodos de “primera” y “segunda” categoría, sino enfoques distintos para responder preguntas diferentes. La investigación cualitativa se centra en comprender cómo las personas interpretan sus experiencias y su mundo social, atendiendo al contexto, a los matices del lenguaje y a la complejidad de las relaciones humanas (Creswell & Poth, 2018).

En paralelo, las ciencias de datos y la inteligencia artificial (IA) han avanzado hasta el punto de procesar grandes volúmenes de texto, audio e imagen con una velocidad impensable hace apenas una década. Esto ha abierto una pregunta clave: ¿podemos usar IA para analizar datos cualitativos (categóricos) sin perder —e incluso reforzando— la rigurosidad que se exige a los estudios cuantitativos?

La literatura reciente muestra que sí es posible, siempre que la IA se integre como apoyo al criterio del investigador y no como sustituto. Estudios sobre natural language processing (NLP), machine learning y grandes modelos de lenguaje en proyectos cualitativos demuestran ahorros de tiempo, ampliación de muestras y posibilidades de replicación, manteniendo la profundidad interpretativa cuando se trabaja de manera crítica y transparente (Abram et al., 2020; Parker et al., 2023; Hitch, 2024; Pérez Gamboa & Díaz-Guerra, 2023).

Desarrollo

1. La investigación cualitativa hoy: más que “historias bonitas”

La investigación cualitativa se apoya en entrevistas, grupos focales, observación participante, diarios, documentos y contenidos digitales para comprender significados, prácticas y experiencias. El objetivo no es contar cuántas personas piensan algo, sino cómo y por qué construyen determinados sentidos en un contexto concreto (Creswell & Poth, 2018).

Lejos de ser un ejercicio puramente “subjetivo”, la cualitativa contemporánea se basa en diseños explícitos, decisiones analíticas documentadas y criterios de calidad bien establecidos. Lincoln y Guba propusieron hace décadas el marco de la “confiabilidad” o trustworthiness como equivalente cualitativo de la validez y fiabilidad cuantitativas, articulado en cuatro criterios: credibilidad, transferibilidad, dependibilidad y confirmabilidad (Lincoln & Guba, 1985).

2. De las narrativas a los datos categóricos

Aunque la materia prima de la investigación cualitativa son palabras, gestos o imágenes, el análisis implica transformar progresivamente ese material en códigos, categorías y temas, es decir, en datos categóricos.

Un ejemplo sencillo: en una encuesta de satisfacción de pacientes, las respuestas abiertas como “el trato fue muy humano, pero esperé demasiado” pueden codificarse en categorías como trato humanizado, tiempos de espera, comunicación clara, etc. Al agrupar códigos en categorías y después en temas, se construye una estructura analítica que permite contar, comparar y relacionar fenómenos sin perder el contexto.

El análisis temático descrito por Braun y Clarke se ha convertido en una de las técnicas más extendidas para este trabajo: leer y releer los datos, generar códigos iniciales, buscar patrones, revisarlos, definir los temas y redactar el informe (Braun & Clarke, 2006).

3. Rigurosidad cualitativa: el espejo de la cuantitativa

La rigurosidad en investigación cuantitativa suele evaluarse con términos como validez interna, validez externa, fiabilidad, potencia estadística, control de sesgos. En el terreno cualitativo, la discusión se ha ido afinando alrededor de la confiabilidad y de prácticas como:

• formular preguntas de investigación coherentes con el enfoque teórico;
• justificar la selección de casos y contextos;
• documentar decisiones de muestreo, recogida y análisis de datos;
• realizar member checking, triangulación, auditorías externas y reflexividad sistemática (Lincoln & Guba, 1985; Nowell et al., 2017).

Desde esta perspectiva, la investigación cualitativa puede alcanzar un nivel de rigurosidad equiparable al cuantitativo, siempre que se expliciten los criterios de calidad y se demuestre cómo se han aplicado. La IA, bien utilizada, puede reforzar varios de estos criterios: por ejemplo, facilitando la auditabilidad del proceso analítico, la consistencia en la codificación y la posibilidad de replicar análisis con conjuntos de datos más amplios.

4. ¿Dónde entra la IA en el análisis de datos cualitativos y categóricos?

La IA no reemplaza al investigador cualitativo. Más bien, amplifica su capacidad de leer, comparar y sistematizar grandes volúmenes de datos, permitiendo que el foco humano se concentre en la interpretación teórica y ética. Las aplicaciones concretas pueden agruparse, de forma sencilla, en varios niveles:

4.1. Preprocesamiento de datos

Hoy es posible transcribir entrevistas y grupos focales con alta precisión mediante modelos de reconocimiento automático de voz, limpiar muletillas, identificar hablantes y anonimizar nombres propios. Esto disminuye el tiempo invertido en tareas mecánicas y libera recursos para el análisis conceptual (Olawade et al., 2025).

4.2. Codificación asistida por IA

Herramientas basadas en NLP y aprendizaje automático pueden sugerir códigos iniciales, agrupar fragmentos similares y detectar coocurrencias de conceptos. Abram y colegas compararon un análisis tradicional frente a un enfoque “investigador + NLP” y mostraron que, con una arquitectura bien diseñada, la IA permite analizar muestras más grandes, reducir costes y, al mismo tiempo, mantener resultados coherentes con el análisis humano original (Abram et al., 2020).

4.3. Análisis temático y teoría fundamentada “computacional”

Más allá de la codificación inicial, la IA puede apoyar procesos analíticos más complejos. La grounded theory computacional planteada por Nelson combina el trabajo interpretativo experto con algoritmos que identifican patrones, redes de coocurrencia y estructuras latentes en grandes textos, proponiendo un marco de tres pasos que integra lectura cercana y lectura distante (Nelson, 2020).

4.4. Cuantificación y comparaciones entre grupos

Una vez que los datos están codificados, los sistemas de IA permiten contar la frecuencia de categorías, comparar temas entre grupos, construir matrices y visualizar redes de coocurrencia de códigos. Esto acerca la investigación cualitativa a prácticas de análisis más típicas de lo cuantitativo, pero partiendo de una base interpretativa.

4.5. Auditoría, transparencia y trazabilidad

Uno de los mayores aportes de la IA es la posibilidad de mantener un rastro digital exhaustivo del proceso analítico: versiones de los códigos, iteraciones de modelos, parámetros utilizados, prompts empleados y decisiones de aceptación o rechazo de sugerencias automáticas. Plataformas de minería de textos como Leipzig Corpus Miner ilustran cómo integrar procedimientos de lectura cercana con herramientas de minería de texto y aprendizaje automático en infraestructuras que facilitan la trazabilidad de cada paso (Niekler et al., 2017).

5. Ejemplo práctico de uso de IA en investigación cualitativa

Imagina un hospital que recoge 15.000 comentarios abiertos de pacientes al año. Analizarlos manualmente con detalle sería prácticamente imposible. Un equipo de investigación decide:

1. Transcribir automáticamente los audios y homogeneizar los textos.
2. Aplicar un modelo de tópicos para identificar grupos de frases relacionadas (p.ej., tiempo de espera, trato del personal, claridad de la información).
3. Pedir a un modelo de lenguaje que resuma cada tema en un breve relato interpretativo.
4. Revisar críticamente esas propuestas, fusionar o dividir temas, y volver a los extractos originales para matizar significados.

El resultado es un conjunto de categorías y temas, validados por investigadores humanos, que pueden cuantificarse y compararse entre servicios, con una audit trail que deja claro qué vino de la IA y qué de las decisiones humanas, en línea con experiencias reportadas por Abram et al. (2020) y Parker et al. (2023).

6. Pasos para integrar IA sin perder (y ganando) rigurosidad

Para acercar la rigurosidad cualitativa a los estándares de transparencia y replicabilidad habituales en la cuantitativa, la clave no es “automatizarlo todo”, sino diseñar un flujo de trabajo explícito. Un esquema posible de trabajo con IA en análisis cualitativo sería:

1. Definir el marco teórico y la pregunta cualitativa
   Aclarar qué se quiere comprender y desde qué enfoque (fenomenológico, narrativo, teoría fundamentada, etc.) antes de elegir herramientas de IA.
2. Elegir qué tareas serán apoyadas por IA
   Decidir si la IA se usará solo para transcripción y organización, también para codificación inicial o incluso para propuestas de temas.
3. Diseñar criterios de calidad y documentación
   Establecer cómo se documentarán prompts, parámetros de modelos, decisiones de exclusión o aceptación de sugerencias y versiones de esquemas de codificación.
4. Realizar un piloto y comparar con análisis humano
   Aplicar IA a un subconjunto de datos y compararlo con un análisis manual para identificar sesgos, errores sistemáticos y oportunidades de mejora (Abram et al., 2020; Parker et al., 2023).
5. Combinar métricas cuantitativas de acuerdo con revisión cualitativa profunda
   Cuando se usan modelos que codifican datos, evaluar su desempeño con medidas como kappa de Cohen o índices de similitud, pero siempre complementados con la lectura detallada de casos atípicos (Bennis & Mouwafaq, 2025; Chew et al., 2023).
6. Integrar prácticas de confiabilidad cualitativa
   Mantener estrategias como triangulación, member checking, diarios reflexivos y auditorías externas para atender los criterios de credibilidad, transferibilidad, dependibilidad y confirmabilidad, incluso cuando se use IA (Lincoln & Guba, 1985; Nowell et al., 2017).
7. Ser explícito acerca del rol de la IA en el informe final
   Indicar qué partes del análisis fueron apoyadas por IA, qué decisiones fueron exclusivamente humanas y cómo se abordaron posibles sesgos algorítmicos (Hitch, 2024; Pérez Gamboa & Díaz-Guerra, 2023).

Conclusiones

La investigación cualitativa no es menos rigurosa que la cuantitativa; responde a otro tipo de preguntas y se juzga con parámetros de calidad que reflejan su naturaleza interpretativa. La confiabilidad propuesta por Lincoln y Guba, y desarrollada por numerosos autores posteriores, ofrece un marco sólido para evaluar la credibilidad, transferibilidad, dependibilidad y confirmabilidad de los estudios cualitativos.

La incorporación de la inteligencia artificial —especialmente técnicas de NLP, minería de textos y grandes modelos de lenguaje— permite procesar y analizar datos cualitativos y categóricos en escalas impensables hace pocos años, acercando la investigación cualitativa a estándares de consistencia, trazabilidad y replicabilidad que históricamente se asociaban más con lo cuantitativo (Abram et al., 2020; Parker et al., 2023; Bennis & Mouwafaq, 2025).

Sin embargo, la evidencia también insiste en que la IA no reemplaza la interpretación humana, especialmente cuando se trata de captar matices, contradicciones, silencios significativos y dimensiones ético-políticas de los datos. Los mejores resultados se logran cuando la IA se concibe como un colaborador técnico, capaz de acelerar tareas mecánicas, sugerir patrones y ampliar el alcance empírico, mientras que el investigador mantiene el control epistemológico y ético del proceso (Hitch, 2024; Pérez Gamboa & Díaz-Guerra, 2023).

En síntesis, una investigación cualitativa apoyada en IA puede alcanzar una rigurosidad equiparable a la cuantitativa siempre que:

• la pregunta y el diseño mantengan coherencia teórica;
• el uso de IA esté claramente delimitado y documentado;
• se preserven las estrategias clásicas de confiabilidad;
• y se explicite la responsabilidad última del investigador en la interpretación.

Más que oponer “humanismo cualitativo” y “automatización algorítmica”, el reto metodológico actual consiste en articularlos de manera creativa y crítica para producir conocimiento robusto, transparente y socialmente relevante.

Referencias

Abram, M. D., Mancini, K. T., & Parker, R. D. (2020). Methods to integrate natural language processing into qualitative research. International Journal of Qualitative Methods, 19, 1–13. https://doi.org/10.1177/1609406920984608 (SAGE Journals)

Ahmed, S. K. (2024). The pillars of trustworthiness in qualitative research. International Journal of Qualitative Methods, 23, 1–11. https://doi.org/10.1177/16094069241234567 (ScienceDirect)

Bennis, I., & Mouwafaq, S. (2025). Advancing AI-driven thematic analysis in qualitative research: A comparative study of nine generative models on cutaneous leishmaniasis data. BMC Medical Informatics and Decision Making, 25(124), 1–15. https://doi.org/10.1186/s12911-025-02961-5 (Springer)

Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101. https://doi.org/10.1191/1478088706qp063oa (Taylor & Francis Online)

Creswell, J. W., & Poth, C. N. (2018). Qualitative inquiry and research design: Choosing among five approaches (4.ª ed.). SAGE. (PubHTML5)

Guba, E. G., & Lincoln, Y. S. (1989). Fourth generation evaluation. SAGE. (Google Libros)

Hitch, D. (2024). Artificial intelligence augmented qualitative analysis: The way of the future? Qualitative Health Research, 34(7), 595–606. https://doi.org/10.1177/10497323231217392 (PubMed)

Nelson, L. K. (2020). Computational grounded theory: A methodological framework. Sociological Methods & Research, 49(1), 3–42. https://doi.org/10.1177/0049124117729703 (SAGE Journals)

Nowell, L. S., Norris, J. M., White, D. E., & Moules, N. J. (2017). Thematic analysis: Striving to meet the trustworthiness criteria. International Journal of Qualitative Methods, 16, 1–13. https://doi.org/10.1177/1609406917733847 (SAGE Journals)

Parker, R. D., Mancini, K., & Abram, M. D. (2023). Natural language processing enhanced qualitative methods: An opportunity to improve health outcomes. International Journal of Qualitative Methods, 22, 1–6. https://doi.org/10.1177/16094069231214144 (SAGE Journals)

Pérez Gamboa, A. J., & Díaz-Guerra, D. D. (2023). Artificial intelligence for the development of qualitative studies. LatIA, 1(4), 1–15. https://doi.org/10.62486/latia20234 (Dialnet)

Tierney, P. (2012). A qualitative analysis framework using natural language processing and graph theory. International Review of Research in Open and Distributed Learning, 13(5), 173–189. https://doi.org/10.19173/irrodl.v13i5.1240 (Revista Internacional de Aprendizaje Abierto)