Estrategias de Diseño de Investigación y Construcción de Instrumentos

¿Qué es un diseño de investigación?

Un diseño de investigación es una estrategia metodológica que define cómo se realizará una investigación para obtener evidencia válida y confiable. Funciona como un plan estratégico que guía el tipo de datos a recolectar, su análisis e interpretación, asegurando coherencia entre el problema, los objetivos y los resultados.

Tipos de diseño de investigación

Diseño no experimental

Es un tipo de diseño en el que el investigador no manipula deliberadamente las variables, sino que observa los fenómenos tal como ocurren en su contexto natural.

Principales características:

• Se analiza la relación entre variables pero sin establecer causalidad directa.
• Es común en los estudios sociales, educativos, administrativos y económicos.
• Se basa en situaciones reales y cotidianas.
• No hay manipulación de variables independientes.
• Se observa la realidad tal como se presenta.

Tipos de diseño no experimental

1. Diseño transversal o transaccional

Recolecta los datos en un solo momento de tiempo, permitiendo describir o analizar las relaciones actuales. Ejemplo: “Evaluar el nivel de uso de herramientas de inteligencia artificial en docentes universitarios durante el semestre actual”.

2. Diseño longitudinal

Recolecta datos en varios momentos de tiempo, permitiendo analizar cambios o evolución. Ejemplo: “Analizar la evolución del rendimiento académico de estudiantes durante 3 años de formación universitaria”.

3. Diseño descriptivo

Este diseño busca detallar características de una población o fenómeno. Ejemplo: “Caracterizar el nivel de satisfacción estudiantil con la plataforma Moodle en una universidad”.

4. Diseño correlacional

El diseño correlacional analiza la relación entre dos o más variables sin determinar causalidad. Ejemplo: “Estudiar la relación entre la carga académica y el nivel de estrés en estudiantes universitarios”.

Aplicabilidad del diseño no experimental

• Se requiere el diagnóstico de una situación.
• Busca identificar relaciones entre variables.
• No es ético o posible manipular variables.
• En el ámbito de la salud, cuando los estudios deben ser observacionales.

Ejemplo práctico: Impacto del uso de la inteligencia artificial en la gestión académica universitaria.

• Diseño: No experimental.
• Tipo: Transversal correlacional.
• Variables: Impacto del uso (independiente), gestión académica (dependiente).
• Técnica de recopilación: Encuesta o cuestionario.

Ventajas:

• Menor costo.
• Menor complejidad.
• Permite estudios amplios de población.
• Alta aplicabilidad en contextos reales.

Limitaciones:

• No establece causalidad directa.
• Menor control de variables externas.
• Posibles sesgos de observación.

Diseño experimental

El diseño experimental es un tipo de investigación en el que el investigador manipula de forma intencional una o más variables independientes para observar su efecto sobre una variable dependiente, bajo condiciones controladas. Su finalidad principal es establecer relaciones de causa y efecto con un alto grado de validez.

Aplicabilidad

Se aplica en las ciencias matemáticas, salud y educación con intervenciones controladas. Ejemplo: Evaluar si una metodología activa mejora el aprendizaje en comparación con la tradicional.

Características de este diseño

• Uso de grupo experimental y de control.
• Utiliza control de variables externas.
• Alta validez interna.

Elementos clave para el diseño experimental

• Variable independiente: Es la variable que se manipula.
• Variable dependiente: Es la que se mide y representa el efecto.
• Grupo experimental: Recibe el tratamiento o intervención.
• Grupo de control: No recibe la intervención.
• Aleatorización: Es la distribución al azar de los sujetos.

Tipos o subtipos

Diseño pre-experimental

Conlleva bajo control científico; no hay grupo de control o aleatorización. Ejemplo: “Aplicar una nueva metodología de enseñanza en un solo curso y medir el rendimiento final”.

Diseño experimental verdadero o puro

Presenta un alto control de variables; incluye grupo experimental, grupo de control y asignación aleatoria. Ejemplo: “Comparar dos grupos de estudiantes: uno que usa aprendizaje basado en proyectos y otro con el método tradicional”.

Diseño cuasi-experimental

En este grupo no hay asignación aleatoria; se trabaja con grupos ya formados. Ejemplo: “Comparar dos paralelos de una universidad que ya existen y aplicar diferentes estrategias de enseñanza”.

Caso de estudio

Pregunta: ¿Mejora el uso de inteligencia artificial el rendimiento académico?

• Diseño: Experimental.
• Grupo experimental: Estudiantes que utilizan IA.
• Tipo de diseño: Experimental puro.
• Resultado esperado: Realizar una comparación entre quienes usan IA y quienes no.

Ventajas:

• Control riguroso de variables.
• Resultados replicables.

Limitaciones:

• Puede ser costoso y complejo.
• Dificultad en contextos sociales reales.
• Limitaciones éticas en ciertas manipulaciones.
• Posible artificialidad del entorno experimental.

Proceso de diseño y construcción de instrumentos

El diseño y construcción de un instrumento de recolección de datos es un proceso metodológico que garantiza que la información obtenida sea válida, confiable y pertinente para responder a los objetivos de la investigación. Un instrumento bien diseñado permite medir variables de estudio de manera objetiva y minimizar errores durante la recolección de los datos.

Etapas del proceso:

1. Definir el objetivo del instrumento: Determinar qué información se necesita recopilar y para qué será utilizada. Ejemplo: Medir el nivel de aceptación de la IA en la elaboración de presupuestos empresariales.
2. Identificar las variables y sus dimensiones: Definir las variables y descomponerlas en indicadores medibles. Producto esperado: Matriz de operacionalización de variables.
3. Seleccionar el tipo de instrumento: Elegir la herramienta más adecuada (ej. cuestionario con escala Likert de 6 opciones). Producto esperado: Instrumento seleccionado.
4. Redactar los ítems: Elaborar preguntas claras, precisas y alineadas con cada indicador. Ejemplo: “La IA mejora la precisión en la elaboración de presupuestos”.
5. Definir la escala de medición: Establecer el nivel de medición y tipo de respuestas (ej. de 1 = Totalmente en desacuerdo a 6 = Totalmente de acuerdo).
6. Diseñar la estructura del instrumento: Organizar el instrumento en secciones lógicas (presentación, consentimiento, datos generales e ítems).
7. Validación por juicio de expertos: Especialistas evalúan la claridad, pertinencia, coherencia y relevancia. Producto esperado: Informe de validación.
8. Prueba piloto: Aplicación a un grupo pequeño con características similares a la población objetivo (ej. 30 administradores de PYMES).
9. Evaluación de confiabilidad y validez: Análisis de consistencia interna. Ejemplo: Cálculo del Alfa de Cronbach (ej. 0.91).
10. Ajuste y versión final: Incorporación de mejoras derivadas de la validación y la prueba piloto para obtener el cuestionario definitivo.