La Inteligencia Artificial (IA) transforma cada vez más ámbitos del conocimiento y la educación. El docente e investigador Dr. Manuel Etesse ha explorado cómo ChatGPT puede contribuir a las fases iniciales del Análisis de Datos Cualitativos (ACD). Su última publicación IA y análisis de datos cualitativos en la investigación educativa: familiarización y exploración de transcripciones de entrevistas mejoradas con ChatGPT aborda los beneficios y limitaciones de incorporar IA en procesos investigativos.
El Dr. Etesse nos comparte sus principales hallazgos y reflexiones sobre el potencial y los límites de la IA en contextos educativos.
Analizar datos cualitativos con inteligencia artificial generativa es un salto tecnológico muy importante. Es el tipo de saltos que marcan una época. Lo primero que uno nota es que se aceleran mucho las tareas iniciales cuando se trata de una transcripción de entrevista. Por ejemplo, algo que manualmente te tomaría horas para leer y seleccionar fragmentos clave, con ChatGPT se hace en minutos. Este estudio demuestra que ello es real, aunque no sin errores o sesgos.
Por otra parte, en el estudio se comparan los resultados del trabajo manual y del trabajo hecho con IA. Las preguntas iniciales fueron ¿qué tanto se parece el trabajo de IA con el trabajo manual? y ¿qué se puede aprender de esa comparación?
A partir de datos reales sobre contextos educativos peruanos identifiqué que, a partir de transcripciones de entrevistas, en la selección de citas, en la creación de códigos y en la elaboración de resúmenes, hay una gran coincidencia entre lo que hice manualmente y lo que me proponía ChatGPT. Por ejemplo, casi 90% en la selección de citas; en otros casos es menor el porcentaje. Cuando no hay coincidencia, resulta interesante la comparación… porque te hace cuestionarte por qué dejaste fuera cierto pasaje o por qué tal idea te parecía irrelevante. En ese sentido, la IA actúa como un contrapunto que te obliga a reflexionar sobre la forma en que investigas, tus propios sesgos, a ello le llamamos “reflexividad”. La reflexividad es una cualidad de un buen investigador. La IA no solo sirve para crear insumos útiles, sino también para ser más conscientes de nuestra propia singularidad como investigadores.
En ciertos procesos, como la generación de resúmenes, se vio que ChatGPT es menos útil: sus síntesis tienden a ser más genéricas que los hechos por un humano, y requieren que le des instrucciones precisas, una y otra vez, si quieres foco en detalles puntuales. No en todas las técnicas la asistencia IA es oportuna o igualmente eficaz.
ChatGPT puede perder matices culturales o de contexto muy específico; puede proponer citas fuera de lugar o mal interpretar quién habla; y, claro, trae consigo posibles sesgos del modelo. Por eso siempre conviene revisar con ojo crítico, ajustar bien los prompts y asegurarse de que los datos de entrada estén limpios y bien transcritos. Se debería hablar incluso de una supervisión o “auditoría”. En realidad, se trata de mirar bien de cerca todo los insumos que genera, al igual que si contratas a alguien y le pides que prepare un insumo que vas a usar tú en un informe académico. También es importante brindar un entrenamiento adecuado, en el manual que escribí hace un año “Introducción al análisis de datos cualitativos con Inteligencia Artificial. Guía práctica para usar ChatGPT en la investigación social y educativa” propuse el entrenamiento CORI-F y el establecimiento de un “Circuito Cerrado” de trabajo. Estos protocolos ayudan a mantener un monitoreo constante sobre una herramienta que puede rápidamente divagar y generar confusión al investigador.
En la práctica, lo más útil es usarlo como asistente al inicio del análisis: le das tus transcripciones limpias, construyes prompts claros (“selecciona fragmentos que hablen de X aspecto”), revisas sus salidas y las contrastas con tu visión. Así aprovechas su velocidad y capacidad de sugerir ángulos nuevos, pero mantienes el control analítico y ético. La IA agiliza y abre pistas interesantes, pero no reemplaza tu juicio ni tu lectura profunda de los datos. Y cabe considerar que se recomienda usarla al inicio de la exploración de transcripciones. Me gustaría explorar un poco más su eficacia en etapas de mayor interpretación pero eso está aún en agenda.
Creo que debemos tener mayor confianza con la tecnología. Y no teóricamente, sino con la práctica. Ver a la IA como un monstruo desconocido es resistirnos al cambio, creo que podemos verla como un aliado para ciertas tareas. Pero el primer paso es adentrarnos de forma minuciosa a sus posibilidades y limitaciones.
Considero que es importante plantear ejercicios con IA en nuestra clases de metodología. Se pueden hacer dinámicas donde los alumnos comparan su propio análisis con el de la IA, ajustan preguntas para que la máquina entienda mejor qué buscan y discuten en grupo si las salidas parecen acertadas o si hay que matizar el contexto.
Conjuntamente con ello, se puede incorporar pequeños espacios de discusión ética: hablar de cuidar la privacidad de los datos, de cómo detectar posibles sesgos o interpretaciones equivocadas, y de documentar siempre “aquí usé ChatGPT para esto, pero lo verifiqué manualmente” por ejemplo. Ese hábito de precaución y transparencia con la IA se puede volver parte de la cultura del aula. Es algo que se forja haciendo y reflexionando.
Hoy es la Inteligencia Artificial Generativa, mañana será otra herramienta. La actitud abierta y adaptable ayuda a explorar novedades, probarlas con espíritu crítico y decidir cuándo confiar y cuándo no. Navegar la incertidumbre es una competencia, o una actitud, que vale la pena desarrollar en nuestras aulas.
Lo que sigue estando muy sólido es el acebo de conocimiento acerca de lo que implica una investigación de calidad: es importante triangular, es clave practicar la reflexividad, importa la inmersión en el campo, es importante ser auditable, ayuda tener el punto de vista de pares externos, beneficia tener la implicancia de los informantes, es importante crear “rapport” con los informantes, es relevante visibilizar casos atípicos, es bueno describir minuciosamente el fenómeno estudiado… Todos esos procedimientos los conocemos hace décadas, pero hoy podemos preguntarnos: ¿cómo la IA generativa puede potenciarlos? ¿cómo la IA puede ayudarme a hacer un análisis de datos más exhaustivo y confiable?
Accede a la publicación aquí.