Resumen
El presente artículo constituye una guía metodológica exhaustiva dirigida a estudiantes de doctorado, orientada a optimizar el tratamiento, análisis y cuantificación de datos cualitativos. Frente a la aparente dicotomía entre enfoques, se argumenta que la riqueza interpretativa de los datos cualitativos puede complementarse estratégicamente mediante la cuantificación (quantitizing), robusteciendo así la validez y el impacto de la investigación. El manuscrito aborda sistemáticamente la transición metodológica desde la recolección y depuración de la información hasta las fases iterativas de codificación abierta, axial y selectiva, destacando el manejo riguroso de las categorías emergentes frente a los marcos teóricos preestablecidos. Asimismo, se examina críticamente el proceso de conversión de narrativas cualitativas en datos numéricos, explorando técnicas avanzadas que van desde el conteo de frecuencias y la creación de variables categóricas, hasta la aplicación de Inteligencia Artificial y Ciencia de Datos mediante el lenguaje R para fenómenos complejos. Se concluye con recomendaciones metodológicas prácticas, enfatizando que la cuantificación debe añadir precisión analítica sin eclipsar la profundidad contextual que caracteriza a la indagación cualitativa.
Palabras Clave: Análisis de datos cualitativos, Codificación, Categorías emergentes, Quantitizing (cuantificación), Metodología de investigación, Ciencia de Datos, Inteligencia Artificial.
Introducción
En el desarrollo de una tesis doctoral, la fase de análisis de datos representa uno de los desafíos intelectuales más exigentes. Históricamente, la investigación cualitativa se ha centrado en la comprensión profunda del significado, el lenguaje y las experiencias, buscando describir fenómenos complejos en lugar de limitarse a su medición empírica. Sin embargo, la investigación académica contemporánea demanda un rigor metodológico que a menudo requiere combinar los matices contextuales del enfoque cualitativo con la precisión estructural del análisis numérico y computacional.
A diferencia de la investigación cuantitativa, la cual suele operar bajo secuencias y "recetas" algorítmicas normalizadas, el enfoque cualitativo es inherentemente dinámico, flexible y abierto, exigiendo que el investigador interactúe con el entorno y adapte sus métodos de forma continua. El propósito de este artículo es proporcionar a los investigadores doctorales una hoja de ruta metodológica exhaustiva sobre el tratamiento y análisis de los datos cualitativos. Al detallar los procesos de codificación, categorización y cuantificación, esta guía busca dotar al estudiante de herramientas teóricas, prácticas y tecnológicas para gestionar la complejidad narrativa y elevar la calidad interpretativa de su investigación.
Tratamiento y Desarrollo del Análisis de Datos Cualitativos
El abordaje de los datos cualitativos inicia mucho antes de su segmentación; parte de la concepción misma del fenómeno a investigar. En la fase de recopilación, el investigador actúa como el principal instrumento de investigación, obteniendo información a través de entrevistas en profundidad, grupos focales, observaciones o datos textuales. Debido a que la recolección cualitativa suele generar volúmenes masivos de datos desestructurados, el primer paso metodológico es la correcta organización, transcripción y preparación del material empírico.
El proceso de tratamiento cualitativo no es un camino lineal, sino un ciclo constante de revisión y depuración. El investigador debe iniciar aplicando un "filtro" inicial mediante el cual la información en bruto se lee y organiza a la luz de los antecedentes y referentes teóricos del estudio. Este paso de organización permite visualizar un mapa del diseño investigativo, estableciendo un esquema interrelacionado de métodos y evidencias que darán respuesta a las preguntas doctorales. A partir de este momento, los datos textuales (descripciones, narrativas, emociones) se preparan para el siguiente nivel de abstracción analítica.
El Proceso de Codificación y Categorización
El puente entre los datos crudos y las conclusiones científicas se construye mediante la codificación, un proceso analítico que traduce la información textual a un formato clasificable. Un código cualitativo es una palabra o frase corta que captura simbólicamente la esencia o atributo evocador de una porción de datos. Este procedimiento, que requiere de un enfoque iterativo, se desarrolla metodológicamente en tres niveles principales:
- Codificación Abierta: En esta primera inmersión, el investigador codifica las unidades textuales mediante una comparación constante, descubriendo ideas iniciales en los datos recopilados. Se desagrega la información, prestando atención a temas recurrentes, frases clave o patrones de comportamiento expresados por los participantes.
- Codificación Axial (o Análisis Relacional): Posteriormente, se procede a relacionar los conceptos y categorías descubiertos. Consiste en contrastar las opiniones y experiencias de los informantes para identificar convergencias y divergencias, conectando lógicamente los códigos iniciales y agrupándolos en familias o categorías temáticas más amplias.
- Codificación Selectiva: Finalmente, el investigador integra y condensa las categorías previas para desarrollar "teorías sustantivas" o constructos globales. Esta fase busca articular una narrativa analítica que responda directamente al propósito nuclear de la investigación doctoral.
El uso de software especializado (como ATLAS.ti), así como la integración de técnicas de Ciencia de Datos —particularmente mediante librerías de minería de textos en el lenguaje R— y el uso de herramientas de Inteligencia Artificial (IA) basadas en Procesamiento de Lenguaje Natural (PLN), optimiza exponencialmente estos pasos. Estas tecnologías permiten organizar sistemas de códigos jerárquicos, descubrir patrones semánticos ocultos y facilitar la recuperación sistemática de las codificaciones realizadas en grandes volúmenes de datos.
Categorías y Aspectos Emergentes: Rigor y Justificación
Un rasgo distintivo del rigor cualitativo es la gestión de las categorías emergentes. Mientras que en un enfoque estrictamente deductivo el investigador se ciñe a códigos establecidos a priori desde la literatura, la naturaleza inductiva de la investigación cualitativa permite que los propios datos "hablen".
Durante el filtrado de la información, surgen perspectivas aportadas por los informantes que el investigador no había anticipado en su marco teórico original. Identificar y validar estas categorías emergentes es fundamental; descartarlas por no encajar en la teoría preconcebida constituye un sesgo metodológico grave. Por el contrario, la emergencia de estas categorías refleja la complejidad real y la innovación inherente al fenómeno estudiado.
Metodológicamente, la validez de una categoría emergente se justifica mediante dos principios: la saturación teórica (el punto en el cual los nuevos datos recolectados ya no aportan variaciones sustanciales a la categoría) y la triangulación (el contraste de los nuevos códigos con diferentes fuentes de datos o con las notas reflexivas del investigador).
Ejemplo Práctico de Categorización Emergente: Imaginemos una investigación doctoral enfocada en proponer un nuevo modelo didáctico para el mejoramiento de la disciplina escolar. El investigador, basándose en la literatura, establece categorías deductivas como Reglamento institucional y Estrategias de aula. Sin embargo, al transcribir y codificar abiertamente las entrevistas a los docentes, surge repetidamente la frase "siento que los padres desautorizan mis decisiones en los grupos de WhatsApp".
Este fenómeno no estaba previsto en la teoría inicial. El investigador codifica estos fragmentos (códigos: interferencia parental digital, desautorización pública), los agrupa relacionalmente (codificación axial) y eleva una Categoría Emergente denominada: "Erosión Digital de la Autoridad Docente". Al integrar esta categoría emergente con lo establecido, la tesis doctoral adquiere una originalidad invaluable que responde a la realidad contemporánea del problema.
Cuantificación de Datos Cualitativos (El Porqué y el Cómo)
Una vez que los datos han sido estructurados narrativamente, el investigador doctoral puede enfrentarse a la decisión de cuantificarlos. Este procedimiento, conocido en la literatura metodológica internacional como quantitizing (la transformación numérica de datos cualitativos), se ha convertido en una técnica esencial para robustecer los hallazgos empíricos.
El Porqué: El objetivo de cuantificar datos cualitativos no es reducir su complejidad fenomenológica, sino ofrecer una lente multidimensional. Desde la perspectiva de la "complementariedad condicional", la conversión numérica añade rigor estadístico-descriptivo. Mientras el enfoque cualitativo responde el "por qué" o "cómo", la cuantificación visualiza la magnitud, prevalencia o intensidad sistemática del fenómeno a nivel agregado.
El Cómo (Desarrollo y Ejemplo Práctico): El proceso asume que los límites entre lo cualitativo y lo cuantitativo son permeables. Existen diversas técnicas metodológicas, las cuales ilustraremos continuando con el ejemplo de la investigación sobre el modelo didáctico y la disciplina escolar, asumiendo un corpus de entrevistas realizadas a 40 docentes:
Conteo de Frecuencias, Distribución e Inteligencia Artificial: Consiste en calcular la recurrencia de un código. Mediante scripts en R o algoritmos de IA, se puede analizar rápidamente la frecuencia léxica y el sentimiento asociado.
- Aplicación: El análisis revela que la categoría emergente "Erosión Digital de la Autoridad Docente" fue codificada 120 veces a lo largo de las transcripciones, apareciendo en el discurso de 35 de los 40 docentes (87.5%). Esta simple cuantificación transforma una percepción cualitativa en un indicador contundente de prevalencia.
Dicotomización: Se codifica la presencia (1) o ausencia (0) de un tema particular en una unidad de análisis.
- Aplicación: Se crea un Data Frame (matriz de datos) donde las filas son los 40 docentes. Si el docente expresó haber sufrido desautorización parental, se le asigna un '1'; si no, un '0'. Esto prepara los datos para pruebas estadísticas descriptivas o modelos predictivos en Ciencia de Datos.
Variables Ordinales y Matrices de Co-ocurrencia: Permite cruzar los códigos temáticos con variables sociodemográficas o de contexto para identificar patrones latentes.
- Aplicación: Utilizando la matriz anterior, el investigador cruza la categoría dicotomizada (1/0) con los "Años de experiencia docente" (variable categórica). El quantitizing revela que el 95% de los incidentes de Erosión Digital ocurren en docentes con menos de 5 años de experiencia.
Esta cuantificación final no anula la riqueza de las entrevistas, sino que permite al doctorando afirmar con respaldo mixto que la pérdida de disciplina escolar tiene una correlación directa con la falta de experiencia del docente para gestionar la comunicación digital con los padres.
Conclusiones
Para el investigador doctoral, el tránsito desde la recolección de historias, entrevistas y notas de campo hacia la construcción de una tesis fundamentada es complejo pero altamente gratificante. A partir de lo expuesto en esta guía, se emiten las siguientes recomendaciones prácticas:
- Asumir la flexibilidad como rigor: Comprender que la ruta cualitativa no es un camino recto; requiere recalcular y reevaluar los datos iterativamente.
- Equilibrar enfoques: Si bien iniciar con códigos deductivos (apriorísticos) ayuda a organizar el análisis inicial, es imperativo mantener una mentalidad abierta para captar e integrar auténticamente las categorías emergentes que brotan del campo empírico.
- Cuantificar con propósito, no por inercia: Al emplear el quantitizing, se debe asegurar que las frecuencias complementen los significados textuales, nunca que los sustituyan. Los números extraídos deben interpretarse siempre bajo el contexto discursivo originario.
- Optimizar recursos tecnológicos y analíticos: El apoyo en software cualitativo (ATLAS.ti), lenguajes de programación estadística (R) y algoritmos de Inteligencia Artificial permite sistematizar códigos y modelar relaciones complejas de manera mucho más transparente, profunda y replicable para los comités de evaluación.
La integración meticulosa de las voces humanas y la abstracción estructurada (sea teórica, numérica o computacional) garantizará no solo la obtención de un grado académico, sino una contribución genuina y valiosa al corpus del conocimiento científico.
Referencias Bibliográficas
Leal, J. [Javier Leal Data Science for Business]. (s.f.). Investigación Cualitativa - Análisis de Datos [Video]. YouTube. https://www.youtube.com/watch?v=-aqDJzuAk7g&t=16s
Sandelowski, M., Voils, C. I., & Knafl, G. (2009). On Quantitizing. Journal of Mixed Methods Research, 3(3), 208–222. https://doi.org/10.1177/1558689809334210
Stewart, L. (s. f.). Cuantificación de datos cualitativos. ATLAS.ti Research Hub. Recuperado el 8 de febrero de 2026, de https://atlasti.com/es/research-hub/cuantificacionde-datos-cualitativos
Stewart, L. (s. f.). Guía completa para el análisis cualitativo de datos. ATLAS.ti Research Hub. Recuperado el 8 de febrero de 2026, de https://atlasti.com/es/guias/guia-investigacion-cualitativa-parte-2/analisis-de-datos-cualitativos
Dr. José Javier Leal Rivero
Asesor del Doctorado en Educación e Innovación de la Universidad de Investigación e Innovación de México - UIIX.