Cómo el software de análisis cualitativo asistido por computadora ayuda a pensar —sin pensar por nosotros. Anclado en la literatura metodológica de referencia: Lewins & Silver, Friese, Saldaña, Gibbs, Kuckartz, Creswell & Poth, Patton, Merriam, Flick y Richards.
El software no analiza por ti.
Gestiona los datos para que tú puedas pensar.
Antes de abrir cualquier programa conviene desactivar la fantasía que arruina más tesis cualitativas: la idea de que existe un botón que "saca los resultados". El software de análisis cualitativo no interpreta, no descubre temas ni redacta hallazgos. Hace el trabajo mecánico y transaccional —almacenar, etiquetar, recuperar, reconfigurar— para liberar la atención del investigador hacia lo único que el algoritmo no puede hacer: leer con sentido y decidir qué significan los datos. Para un doctorando transdisciplinar, que trabaja con materiales de naturalezas distintas y marcos teóricos cruzados, esta frontera no es un tecnicismo: es la diferencia entre una tesis defendible y un reporte de frecuencias disfrazado de análisis. Tres voces de la literatura metodológica fijan el límite con una claridad difícil de mejorar.
"The software does not actually code data for the user; that task is still the responsibility of the researcher. The software efficiently stores, organizes, manages, and reconfigures data to enable human analytic reflection."— Saldaña & Omasta, Qualitative Research: Analyzing Life
"Qualitative data analysis software does the mechanical or more transactional work but not the thinking. CAQDAS does not conduct analysis."— Ravitch & Carl, citando a Flick (2014) y Gibbs (2014)
"De la misma manera que un procesador de texto no le escribirá textos con significado… el uso de un CAQDAS puede hacer más sencillo, más preciso, más fiable y más transparente el análisis cualitativo, pero el programa no le sustituirá a usted en la lectura y la reflexión."— Gibbs, El análisis de datos cualitativos en investigación cualitativa
El nombre técnico correcto es CAQDAS: Computer Assisted Qualitative Data Analysis Software. Susanne Friese, que ha enseñado estas herramientas durante más de dos décadas, insiste en preferir "CAQDAS" sobre el más cómodo "QDA software", y la razón es exactamente la del apartado anterior: nombrar a la herramienta "software de análisis cualitativo" sugiere que el programa hace el análisis, cuando en realidad solo lo asiste. La partícula "asistido" carga todo el peso conceptual. Glaser (2003) llevó la advertencia aún más lejos en el terreno de la teoría fundamentada: confundir el "QDA" genérico con el método clásico deforma la lógica del descubrimiento. Una forma simple de fijarlo: escribir la sigla partida y subrayar dónde está la máquina y dónde el investigador.
"QDA software implies that the software is doing the analysis instead of being a tool aiding the researcher (who still must do the thinking)."— Friese, CAQDAS and Grounded Theory Analysis (MMG WP 16-07)
La máquina: asiste, no decide.
El núcleo humano: lo pones tú.
La infraestructura, no el método.
El "asistido" no es decorativo.
Despejado el malentendido, conviene ser preciso sobre lo que sí aporta la herramienta, porque es mucho. Gibbs (vía Ravitch & Carl) y Saldaña convergen en un repertorio de funciones núcleo compartido por todos los paquetes comerciales. Estas siete capacidades no analizan, pero vuelven posible un análisis riguroso sobre volúmenes de datos que a mano serían inmanejables; y la última de ellas —reconfigurar y comparar— es justamente la que sostiene los proyectos transdisciplinares con muchas fuentes heterogéneas. No son un menú de opciones, sino las operaciones que el investigador delega en la máquina para reservar su energía cognitiva al juicio interpretativo.
Reúne entrevistas, notas, documentos, imágenes, audio y video en un solo proyecto.
Resaltar un fragmento y asignarle uno o varios códigos (tags / nodos).
Traer juntos todos los extractos que comparten un código o combinación de códigos.
Escribir y vincular notas analíticas a códigos o extractos concretos.
Búsqueda léxica (texto) y búsqueda por patrones de codificación.
Diagramas, redes y modelos que conectan códigos y categorías.
Matrices y cruces por subgrupos. La clave para datos transdisciplinares.
"Several commercial CAQDAS packages include analytic and display features that can bring comparably coded data together, illustrate through diagrams the interrelationships between codes and categories… The software efficiently stores, organizes, manages, and reconfigures data to enable human analytic reflection."— Saldaña & Omasta
Friese destila más de veinte años de práctica en un método deliberadamente agnóstico de marca —sirve igual en Atlas.ti, NVivo o MAXQDA— llamado NCT: Notice, Collect, Think (notar, recolectar, pensar). Su valor pedagógico es enorme porque corrige el error más común del doctorando: creer que cuando terminó de codificar terminó de analizar. En el esquema NCT, codificar es apenas Notice + Collect; el análisis verdadero —la T— ocurre después, escribiendo memos y construyendo redes conceptuales. El método se organiza en tres componentes operativos: la gestión del proyecto, la construcción del sistema de códigos y el análisis posterior a la codificación. Friese advierte que muchos errores se cometen ya en el montaje inicial del proyecto y bloquean todo el trabajo posterior. Haz clic en cada fase.
Lees los datos y registras las ideas que surgen. En pantalla: marcas fragmentos y les asignas tags (códigos / nodos). Friese: «I read through the data and recorded the ideas and thoughts that occurred to me. I tagged the data accordingly.» Es la fase de descubrimiento, todavía no de estructura.
Reúnes todo lo etiquetado bajo cada concepto: el software recupera juntos los extractos que comparten un código. Aquí construyes un sistema de códigos eficiente. Notice + Collect = lo que la gente llama «codificar». Todavía no es análisis.
El verdadero análisis. Friese: «The T can be accomplished extremely well in the writing steps, aided by the comment and memo functions. The creation of network views further stimulates thinking… to recognize higher-order relationships and integrate the data with respect to the core category.» Aquí escribes memos y construyes redes. Donde la mayoría se detiene demasiado pronto.
"I have summarized the lessons learned in what I call 'Notice-Collect-Think', or the NCT method… I regard it as central to any computer-assisted analysis, no matter which brand of software you are using."— Friese
A diferencia de la investigación cuantitativa —con sus fórmulas estadísticas y sus protocolos establecidos de prueba de hipótesis— la cualitativa no tiene métodos estandarizados de análisis; lo que tiene, dice Saldaña, son tres heurísticas de descubrimiento: el razonamiento deductivo, inductivo y abductivo. La distinción importa porque define de dónde vienen los códigos: si bajan de la teoría (códigos a priori, deductivos) o si suben de los datos (códigos emergentes, inductivos). Y aquí el matiz clave: la investigación cualitativa no es puramente inductiva —usa ambas lógicas a la vez. Gibbs lo dice sin rodeos: "la investigación cualitativa utiliza de hecho ambas"; y aunque algunos rechazan imponer un marco a priori, "es muy difícil eliminar completamente todos los marcos previos". Haz clic en cada lógica.
"Deduction is what we generally draw and conclude from established facts and evidence" (Saldaña). Partes de una teoría o marco previo y aplicas códigos a priori derivados de él. Sus inferencias son ciertas (si las premisas lo son). Es el modo dominante en lo cuantitativo —teoría → hipótesis → contraste— pero también opera en lo cualitativo cuando "comprobamos corazonadas" sobre conceptos preexistentes (Gibbs).
"Induction is what we explore and infer to be transferable from the particular to the general, based on an examination of the evidence" (Saldaña). Los códigos emergen de los datos; la teoría y los conceptos se desarrollan junto con la recolección (Gibbs). Es la lógica de la teoría fundamentada. Sus conclusiones no son ciertas sino plausibles y transferibles.
"Abduction is surmising from the evidence that which is most likely, those explanatory hunches based on clues" (Saldaña). Ante un dato sorprendente, generas la hipótesis explicativa más probable. Es el motor creativo del análisis: ni la certeza del deductivo ni la mera acumulación del inductivo, sino el salto razonado hacia la explicación que mejor da cuenta de las pistas.
"Qualitative data analysis often involves both inductive (coming from the data) and deductive (coming from other sources such as theory or prior research) coding processes."— Ravitch & Carl (citando a Schwandt, 2015)
Codificar es asignar etiquetas conceptuales a segmentos de datos, pero "codificar" no es una sola operación: vimos que hay enfoques (inductivo, deductivo o combinado) y hay niveles que escalan de lo concreto a lo teórico. Lewins & Silver insisten en que los dispositivos de codificación "son siempre solo herramientas": pueden usarse de manera muy analítica, meramente descriptiva o como simples marcadores, y es el investigador quien debe emplearlos de un modo que refuerce su contacto con los datos. Sobre esa base, la tradición de la teoría fundamentada (Strauss & Corbin) ofrece la secuencia que sistematiza Creswell & Poth y que, en español, exponen Gibbs y Hurtado.
| Nivel | Qué se hace | Fuente |
|---|---|---|
| Abierta (1er nivel) | Examinar el texto en busca de categorías salientes; comparación constante para "saturar" las categorías. También: codificación inductiva. | Strauss & Corbin (1990/1998), en Creswell & Poth; Gibbs; Hurtado |
| Axial (2º nivel) | Interconectar las categorías y estructurarlas en un modelo, en torno a un eje conceptual. | Creswell & Poth; Gibbs; Hurtado |
| Selectiva | Construir una "historia" que conecta las categorías hasta una categoría central y un conjunto de proposiciones teóricas. | Creswell & Poth; Gibbs |
| In vivo | Usar el lenguaje literal del participante como código (raíz: "en lo que está vivo", Strauss 1987); entre comillas y con economía. | Saldaña, The Coding Manual |
Aquí está el matiz que separa a un usuario novato de un analista: cuánto texto incluyes en un código no es una decisión técnica, es una decisión analítica que determina qué podrás encontrar después. Richards lo ilustra con un caso especialmente instructivo, reproducido como laboratorio interactivo abajo.
"Searches of patterns of coding can be very rigorous, and their results will vary according to the amount of context coded… If I have merely coded the word 'business', it probably will find nothing… So ask what you want coding to do."— Richards, Handling Qualitative Data
Un fragmento de entrevista. Quieres responder una pregunta de análisis: ¿aparecen juntos el tema «agua / técnico» y el tema «poder / política»? El resultado de tu búsqueda dependerá de cuánto texto codificaste. Elige una estrategia y corre la búsqueda de co-ocurrencia.
Estrategia de codificación:
La lección: el software ejecutó la búsqueda con rigor perfecto en los tres casos. Lo que cambió fue tu decisión de codificación. Codificar de menos produce búsquedas vacías; codificar de más diluye el patrón en ruido.
No toda codificación busca construir teoría. El análisis temático es, probablemente, el enfoque más usado y a la vez el más flexible: consiste en identificar temas que capturan significado relevante para la pregunta de investigación y en establecer vínculos entre ellos. A diferencia de la teoría fundamentada —comprometida con generar teoría desde los datos— el análisis temático puede operar de forma inductiva o deductiva sin atarse a una sola epistemología, lo que lo hace especialmente útil en proyectos transdisciplinares. Una advertencia recurrente en la literatura: un tema no es lo más frecuente, sino lo que captura algo importante respecto de la pregunta; prevalencia no es lo mismo que relevancia.
"Thematic analysis refers to the process of identifying themes in the data which capture meaning that is relevant to the research question, and perhaps also to making links between such themes."— SAGE Handbook of Qualitative Data Analysis (Flick, Metzler & Scott)
El modelo de referencia más extendido es el de seis fases de Braun & Clarke (2006). El software apoya cada fase —recuperación por código, mapas de temas, conteo de prevalencia— pero el juicio de "qué cuenta como tema" sigue siendo del investigador.
La definición operativa proviene del SAGE Handbook (en la bibliografía); el modelo de seis fases es el de Braun & Clarke (2006), referencia estándar del enfoque.
Saldaña organiza la codificación en ciclos, y entender para qué sirve cada uno resuelve la pregunta de fondo: ¿por qué codificar dos (o más) veces? Su frase fundacional es casi un mantra: "los datos no se codifican —se re-codifican". El primer ciclo son los métodos de codificación inicial, en su mayoría simples y directos (gramaticales, elementales, afectivos, in vivo, de procesos…); su función es que el investigador se apropie de los datos prestando atención meticulosa a cada palabra. El segundo ciclo es más exigente: requiere clasificar, priorizar, integrar, sintetizar, abstraer, conceptualizar y construir teoría. Su meta es reorganizar el conjunto de códigos iniciales en una lista más pequeña y selecta de categorías, temas, conceptos o aserciones. Pulsa el botón para ver la transformación.
"Remember that data are not coded — they are recoded… your First Cycle codes are reorganized and reconfigured to eventually develop a smaller and more select list of broader categories, themes, concepts, and/or assertions."— Saldaña, The Coding Manual for Qualitative Researchers
Saldaña toma de Abbott (2004) una imagen muy clara: recodificar es como decorar una habitación — "lo intentas, te alejas, mueves unas cosas, te alejas otra vez, intentas una reorganización seria, y así sucesivamente". Para qué sirven los ciclos: el primero te acerca al dato; el segundo te eleva del dato a la categoría, del código a la teoría. No siempre hace falta un segundo ciclo formal —a veces recodificar con el mismo método basta— pero saltarse la vuelta es quedarse en lo descriptivo.
Cuando codifican varias personas —o cuando quieres que tu codificación sea defendible aunque codifiques en solitario— hacen falta dos cosas: un libro de códigos y una forma de verificar la consistencia. El libro de códigos (codebook) compila cada categoría con su definición, sus criterios de inclusión y exclusión y ejemplos. Kuckartz lo formula con claridad: "cuanto mejores sean las definiciones y más claros los ejemplos, mejor será la codificación y mayor la probabilidad de lograr buena correspondencia entre los codificadores". El software lo genera automáticamente a partir de los memos de cada código (en MAXQDA, vía Reportes > Libro de códigos).
El acuerdo entre codificadores se cuantifica con el porcentaje de acuerdo o con coeficientes corregidos por azar —la kappa de Cohen o el alfa de Krippendorff. Pero el matiz cualitativo es decisivo: el coeficiente no es el fin. Kuckartz prefiere hablar de "acuerdo de intercodificación" y no de "fiabilidad", porque lo valioso es que los puntos de desacuerdo alimenten un debate sistemático sobre el sistema de categorías y las instrucciones de codificación. Ravitch & Carl lo llaman "codificación múltiple": el objetivo es ver si las interpretaciones convergen, se cruzan o divergen —no solo medir. Creswell & Poth recuerdan que a veces un porcentaje de acuerdo basta para reportar, sin necesidad de calcular kappa.
"Es importante y deseable que se calculen y publiquen algo más que coeficientes de acuerdo: junto con los lugares donde se han producido incoherencias, deberían constituir la base de un debate sistemático sobre las incoherencias y sus consecuencias para el sistema de categorías."— Kuckartz, Análisis de datos cualitativos con MAXQDA
Nota de criterio: el acuerdo inter-codificadores es debatido en lo cualitativo —algunos lo ven como importar un criterio positivista. Úsalo cuando tu enfoque busca consistencia entre un equipo, no como prueba universal de "verdad".
Si la codificación es Notice + Collect, el salto cualitativo ocurre en cuatro herramientas que materializan el Think. Los memos son contenedores de escritura analítica vinculados a los datos; Friese señala que permiten "distinguir mejor entre las diversas actividades metodológicas" —notas de proyecto, posición del investigador, decisiones, hipótesis emergentes. Las redes / networks (Maps en NVivo y MAXQDA) se recomiendan al trabajar en el nivel conceptual: "apoyan el proceso de integración" y permiten presentar la categoría central y sus conexiones. Los hyperlinks de Atlas.ti enlazan citas con relaciones nombradas —"A explica B", "A contradice B", "A apoya B"—, modelando estructura argumental y no solo coincidencia temática. Y las búsquedas y matrices reconfiguran lo codificado para comparar subgrupos.
"Better distinguish between various methodological activities" (Friese). Donde se escribe el análisis, no solo se etiqueta.
"Supports the process of integration… presentation of core category and its connections" (Friese). En Atlas.ti las citas son objetos independientes que viajan a la red sin perder su fuente.
"A explains B / A contradicts B / A supports B" (Friese, Atlas.ti). Modelan relaciones argumentales entre fragmentos.
Reconfiguran lo codificado para comparar subgrupos y cruzar temas (Lewins & Silver).
Una de las confusiones más persistentes de quien viene de lo cuantitativo: creer que un estudio cualitativo necesita una muestra "representativa". No la necesita —y forzarla sería un error metodológico. Flick lo formula con precisión: el muestreo cualitativo "no se guía en la mayoría de los casos por una selección formal (aleatoria) de una parte de una población; por el contrario, se concibe como una manera de establecer una colección de casos seleccionados deliberadamente para estudiar de la manera más instructiva el fenómeno de interés. La mayoría de las propuestas para el muestreo cualitativo giran en torno a un concepto de propósito". La estrategia adecuada, dice Merriam, es no probabilística; su forma más común es el muestreo propositivo o intencional (purposive / purposeful, Patton 2002), basado en el supuesto de que el investigador quiere descubrir y comprender, y por tanto debe elegir una muestra "de la que más se pueda aprender". El muestreo por conveniencia —seleccionar lo accesible— es una variante pragmática y la más débil del muestreo no probabilístico: legítima, pero hay que justificarla, no asumirla.
Patton (2002) propone múltiples variantes de muestreo intencional (casos extremos, casos típicos, máxima variación, casos críticos, bola de nieve, por conveniencia…), cada una alineada al propósito del estudio. La diferencia temporal también importa: el muestreo propositivo ocurre antes de recoger datos; el teórico —su versión en teoría fundamentada— se hace durante, dejando que las categorías emergentes dicten a quién entrevistar después (Merriam).
"La situación es análoga a aquella en que se llama a varios consultores expertos para un caso médico difícil. Estos consultores —también una muestra propositiva— no son llamados para obtener una opinión promedio, sino la de quien más puede aportar."— Chein (1981), en Merriam — la analogía de los consultores
Si el tamaño de la muestra no se fija de antemano, ¿cómo sabes cuándo parar? La respuesta es la saturación (teórica o de datos): el punto en la recolección en el que ya no emerge información nueva ni relevante respecto de la teoría que se está construyendo. Gibbs lo define en términos de teoría fundamentada: las categorías o casos adicionales "no parecen contener nuevas ideas; se dice entonces que están saturados, y la recogida de datos puede detenerse". El criterio operativo, en palabras de Lincoln & Guba recogidas por Merriam, es la redundancia: "si el propósito es maximizar la información, el muestreo se termina cuando no surge información nueva de las nuevas unidades muestreadas". Pulsa para analizar caso por caso y observar cómo la aparición de códigos nuevos se aplana.
"Saturation is the point in data collection when no new or relevant information emerges… the point at which no more data need to be collected."— Ravitch & Carl
Tres advertencias: (1) es imposible saber de antemano cuándo ocurrirá la saturación, así que debes analizar mientras recoges —no después (Merriam). (2) Por eso el software importa: solo viendo los códigos acumularse sabes si ya no aparecen nuevos. (3) Y un matiz crítico: la saturación es un "término problemático", porque puede sugerir que hay una realidad fija allí afuera esperando ser hallada —algo que buena parte de la investigación cualitativa cuestiona (Ravitch & Carl). Úsala como criterio razonado de cierre, no como prueba de objetividad.
¿Cómo se juzga la calidad de un estudio cualitativo si los criterios cuantitativos —validez, fiabilidad, objetividad— no aplican tal cual? Lincoln & Guba reconceptualizaron el rigor para la investigación naturalista y propusieron cuatro perspectivas de trustworthiness (confiabilidad), cada una con su paralelo —pero no equivalencia— en el mundo cuantitativo (Guba, 1981). Saldaña & Omasta y Ravitch & Carl las recogen como el marco estándar. Haz clic en cada criterio para ver su técnica.
¿La interpretación es verosímil para quienes vivieron el fenómeno? Es el paralelo de la validez interna. Técnicas: triangulación (de métodos, datos, investigadores o teorías), member checking (devolver los hallazgos a los participantes), examen por pares y compromiso prolongado con el campo (Merriam).
No se "generaliza" estadísticamente; se ofrece suficiente contexto para que otro investigador juzgue si los hallazgos aplican a su caso. Paralelo de la validez externa. Técnica clave: la descripción densa (thick description) del contexto, los participantes y el proceso.
Paralelo de la fiabilidad, pero no exige replicar el resultado, sino mostrar que el camino fue coherente y documentado. Técnica clave: la pista de auditoría (ver §14) —que el software hace posible al conservar códigos, memos y decisiones.
¿Las conclusiones derivan de los datos y no de los sesgos del investigador? Paralelo de la objetividad. Técnicas: la pista de auditoría más la reflexividad (ver §15) —hacer explícita la posición desde la que se interpreta.
"Lincoln and Guba (1985) reconceptualized the standards for assessing the rigor and trustworthiness of naturalistic inquiry… they proposed four perspectives: credibility, transferability, dependability, and confirmability."— Saldaña & Omasta; Ravitch & Carl (Guba, 1981)
Nota de criterio: estos cuatro criterios "pueden ser inadecuados para muchos estudios" (Toma, 2011, en Ravitch & Carl); el rigor puede evaluarse de muchas formas y no tiene por qué calcar los estándares cuantitativos. Lo importante: desarrollar criterios alineados a las preguntas del estudio.
De los cuatro criterios anteriores, dos —dependencia y confirmabilidad— se operacionalizan con una misma herramienta: la pista de auditoría (audit trail). El software no confiere rigor por sí mismo, pero documenta el proceso y lo vuelve trazable —y en investigación cualitativa lo replicable no es el resultado, sino el camino. La metáfora, de Lincoln & Guba (1985) y recogida por Merriam, es directa: igual que un auditor autentica las cuentas de una empresa, un lector independiente puede autenticar los hallazgos siguiendo el rastro de decisiones del investigador. La codificación, los memos y el registro que el software conserva son ese rastro. Flick define la transparencia como el grado en que el lector entiende, en términos concretos, cómo transcurrió la investigación; y Richards recuerda que llevar el log de decisiones es, en sí mismo, un acto de investigación.
"Just as an auditor authenticates the accounts of a business, independent readers can authenticate the findings of a study by following the trail of the researcher… we cannot expect others to replicate our account; the best we can do is explain how we arrived at our conclusions."— Lincoln & Guba (1985) y Dey (1993), en Merriam
Para transdisciplina: cuando una tesis cruza datos y marcos heterogéneos, su defensa metodológica descansa en poder mostrar el rastro completo de decisiones. El CAQDAS es la infraestructura de esa defensa.
La confirmabilidad descansa en algo que conviene tratar aparte: la reflexividad, es decir, la conciencia del propio rol del investigador en el proceso. Becker la resume como "cómo pensar en tu investigación mientras la estás haciendo". Va desde un reconocimiento mínimo de los propios sesgos y subjetividades hasta un marco autográfico completo, según el modo de investigación y el tipo de datos (Los datos visuales en investigación cualitativa). El punto epistemológico es clave para doctorandos: no se trata de eliminar la subjetividad —es imposible— sino de hacerla explícita y auditable. En el software, la reflexividad se materializa en memos reflexivos donde el investigador documenta su posición, reacciones, corazonadas e interpretaciones iniciales; Merriam los llama "comentarios reflexivos", separados de la descripción factual, que recogen "sentimientos, reacciones, corazonadas, interpretaciones iniciales e hipótesis de trabajo".
Reconocer quién eres respecto del campo (Becker): cómo tu posición moldea lo que ves y preguntas.
Documentar posición, reacciones e interpretaciones iniciales —separadas de la descripción (Merriam).
La subjetividad no se borra; se hace transparente y auditable. Así alimenta la confirmabilidad (§13).
"Un enfoque reflexivo implica una conciencia del rol del propio investigador en el proceso de investigación —como lo expresa Becker (1998): «cómo pensar en tu investigación mientras la estás haciendo»."— Los datos visuales en investigación cualitativa
Los datos cualitativos suelen ser íntimos: voces, rostros, historias identificables. Por eso el anonimato y la confidencialidad son cuestiones centrales en todo el ciclo —en la transcripción, en el análisis y, sobre todo, en la presentación de fragmentos (Flick). El software concentra datos sensibles en un solo proyecto, lo que vuelve la ética un asunto práctico, no abstracto: dónde y cómo se almacena, quién accede, qué se exporta. Estas son las prácticas concretas que la literatura recomienda.
"La anonimización es un procedimiento para ofrecer cierta protección de la privacidad y la confidencialidad. Aunque ayuda a no identificar a las personas, la anonimización no puede garantizar que no ocurra daño."— Somekh & Lewin, Research Methods in the Social Sciences
Es decir: la anonimización es mitigación, no blindaje. La ética cualitativa no se resuelve con una casilla marcada, sino con juicio sostenido a lo largo del proyecto.
Lewins & Silver —que comparan sistemáticamente Atlas.ti, MAXQDA y NVivo y que, advierte Yin, "no son partidarios incondicionales del CAQDAS"— dejan claro que la elección debe seguir la congruencia metodológica, no la moda institucional. Cada paquete tiene fortalezas distintas. Yin recomienda además avanzar "con cautela e incrementalmente" porque el software "puede consumir mucho tiempo y energía y aun así producir resultados decepcionantes". Pulsa una tarea de investigación para ver qué herramienta se ajusta mejor a cada necesidad.
| Aspecto | Atlas.ti | MAXQDA | NVivo |
|---|---|---|---|
| Modelar relaciones argumentales (hyperlinks, redes) | robusto, citas-objeto | vía mapas | vía modelos |
| Comparar subgrupos / cross-tabulations | búsqueda separada por subgrupo | matrices muy potentes | cross-tabs interactivas |
| Curva de aprendizaje / interfaz | media | la más accesible | media |
| Citas como objetos independientes | sí — viajan a la red | no igual | no igual |
| Jerarquía de códigos directa | vía herramienta de red | simple y directa | nodos jerárquicos |
Fuente: Lewins & Silver (ATLAS.ti5 / MAXqda2 / NVivo7) y Gibbs. Recomendación práctica: conviene conocer las tres y elegir por criterio metodológico —congruencia con el método y el tipo de datos—, no por marca ni por moda institucional.
Este es el enlace directo con la investigación transdisciplinar. Kuckartz contrasta la situación del investigador cuantitativo —que trata "un solo tipo de dato, los números"— con la del cualitativo, que enfrenta "una pluralidad vasta y difícilmente manejable de tipos de datos y modos de recopilación", a la que llama, por analogía con la biodiversidad, diversidad cualitativa. La investigación transdisciplinar produce, por definición, esa diversidad: entrevistas, documentos normativos, registros de observación, imágenes, audio y video de fuentes y disciplinas distintas. El CAQDAS es el espacio donde esa heterogeneidad se integra, se hace comparable y se vuelve auditable sin reducirla a número. MAXQDA y Atlas.ti permiten la reproducción sincronizada y el análisis de transcripciones con sus archivos de audio o video; los métodos visuales, recuerda la literatura, "aportan una dimensión añadida, particularmente en dominios en que el conocimiento buscado está más allá del ámbito del lenguaje"; y las variables/atributos del software tienden el puente hacia los métodos mixtos, vinculando lo cualitativo con lo cuantitativo en diseños de triangulación concurrente (Creswell).
"Una pluralidad vasta y difícilmente manejable de tipos de datos" — Kuckartz. El software la vuelve manejable.
Reproducción sincronizada de transcripción + audio/video (MAXQDA, Atlas.ti). Análisis de imagen y video, área en expansión.
Variables/atributos vinculan cuali y cuanti; triangulación concurrente integra datos en una o más etapas (Creswell).
Los tropiezos más frecuentes que la literatura permite anticipar, presentados como antídotos —no como prohibiciones—: cada uno tiene su corrección operativa.
| Error | Antídoto | Fuente |
|---|---|---|
| Creer que el software analiza | Hace lo mecánico; el pensamiento es tuyo | Gibbs, Friese, Yin |
| Montar mal el proyecto al inicio | Los errores tempranos bloquean todo el análisis posterior | Friese |
| Detenerse al terminar de codificar | Codificar es solo N+C; falta la T (memos + redes) | Friese |
| Quedarse en el primer ciclo | Recodificar: del código descriptivo a la categoría conceptual | Saldaña |
| Confundir tema con frecuencia | Un tema captura algo importante para la pregunta; prevalencia ≠ relevancia | Análisis temático (Braun & Clarke) |
| Codificar fuera de contexto | Decidir bien cuánto texto incluir; condiciona lo que podrás encontrar | Richards |
| Tratar el coeficiente de acuerdo como única prueba | El desacuerdo alimenta el debate sobre el sistema de códigos | Kuckartz, Ravitch & Carl |
| Buscar una muestra "representativa" | Muestreo propositivo: casos ricos en información, no aleatorios | Patton, Merriam, Flick |
| Fijar el n de antemano | El tamaño lo decide la saturación; analiza mientras recoges | Lincoln & Guba, Merriam |
| Importar criterios cuantitativos sin traducir | Usar credibilidad, transferibilidad, dependencia y confirmabilidad | Lincoln & Guba (Guba 1981) |
| Creer que la reflexividad es eliminar el sesgo | Hacerlo explícito y auditable (memos reflexivos) | Datos visuales; Merriam |
| Tratar la anonimización como blindaje | Es mitigación, no garantía; juicio ético sostenido | Somekh & Lewin, Flick |
Pregunta para abrir la sesión:
"Si el software pudiera analizar por ustedes… ¿seguiría siendo su investigación?"