Aprende a codificar datos cualitativos con IA, equilibrando la eficiencia computacional con la interpretación reflexiva. Herramientas, sesgos y prácticas éticas.
«Desde que empecé a trabajar remoto, mi relación con el trabajo cambió completamente.
Antes, había una línea clara: oficina = trabajo, casa = descanso. Ahora mi computadora está en el dormitorio, y eso significa que el trabajo nunca se va.
Por un lado, tengo más flexibilidad. Puedo recoger a mis hijos de la escuela sin estar pidiendo permisos constantemente.
Pero por otro lado, mis jefes esperan respuestas a cualquier hora. He trabajado más de medianoche respondiendo correos que podían haber esperado hasta la mañana siguiente.»
Codificar es etiquetar fragmentos de texto (o audio, o video) para organizarlos temáticamente. Un código es una etiqueta conceptual que captura un patrón o idea recurrente en los datos.
Ejemplos de códigos:
La codificación no es anotación al azar. Es un acto de interpretación donde tú —el investigador— haces visible tu propia teoría sobre lo que significa el texto.
Software profesional de análisis cualitativo. Versión reciente incluye «AI-assisted coding» que sugiere códigos automáticamente. Ventaja: Mantiene control total del usuario. Desventaja: Caro, requiere curva de aprendizaje.
Interfaz más intuitiva que NVivo. Incluye análisis de redes de códigos (qué códigos co-ocurren). Integración menor con IA respecto a NVivo. Ventaja: Visualización de relaciones entre códigos. Desventaja: Menos IA integrada.
Envías fragmentos de texto a Claude con instrucciones claras: «Codifica estos fragmentos bajo estos temas: [temas]. Para cada fragmento, dame el código y una breve justificación.» Luego lo organizas en un spreadsheet. Ventaja: Completo control, bajo costo. Desventaja: Más manual, menos automatización.
En la tradición de Glaser y Strauss, hay tres tipos de codificación:
Lee los datos sin prejuicios. ¿Qué patrones ves? Etiquétalos con palabras cercanas a lo que dice el entrevistado. Aquí la IA es riesgosa porque puede imponer categorías previas.
Relaciona códigos entre sí. Aquí la IA es útil: puede sugerir qué códigos frecuentemente co-ocurren.
Integra todos los códigos en una teoría central. La IA puede ayudarte a ver el patrón general.
Tiendes a ver lo que ya crees. Si crees que tu entrevistado es «resistente al cambio», verás resistencia incluso donde hay cautela reflexiva. Solución: triangulación, memo escritos, revisor externo.
La IA fue entrenada en textos existentes. Si esos textos etiquetan ciertos temas de formas que reflejan prejuicios sociales, la IA repetirá esos prejuicios. Ejemplo: si el entrenamiento asocia «mujer + trabajo remoto» con «madre», la IA puede sugerir ese código incluso cuando la entrevistada no menciona maternidad.
1. No uses IA para codificación abierta. Hazla tú mismo sin sugerencias.
2. Pide a la IA códigos explicitando una ontología alternativa: «Codifica bajo la perspectiva de que todos los actores son racionales».
3. Audit: después de que la IA sugiera códigos, verifica qué fragmentos etiquetó bajo cada código. ¿Tiene sentido? ¿Falta algo?
4. Reflexiona: mantén un memo donde documentes por qué aceptaste o rechazaste cada sugerencia de la IA.
Paso 1: Toma 3-5 párrafos de una entrevista transcrita (tuya o de un colega, con consentimiento).
Paso 2: Abre Claude y pega esto:
Paso 3: Revisa las sugerencias de Claude. ¿Agregas? ¿Rechazas? ¿Modificas? Documenta por qué.
Paso 4: Ahora, codifica la misma entrevista manualmente (sin IA). Compara: ¿Cuáles son las diferencias? ¿Dónde la IA vio patrones que tú no viste? ¿Dónde tú viste cosas que la IA no capturó?
No uses IA para codificación abierta. Los códigos deben emerger del texto, no ser sugeridos por un algoritmo.
¿Qué prejuicios interpretativos traes a tu investigación? ¿Cómo harías evidente tu interpretación a otros investigadores?