1.- Mis avances hacia el TFM
En los avances hacia el TFM referentes al apartado de técnicas de análisis de datos, las lecturas recomendadas y necesarias para superar los retos de las distintas asignaturas cursadas han sido una buena base sobre la que empezar leer sobre tratamiento de datos en distintas investigaciones.
La asignatura “Métodos de investigación” requería del análisis de artículos que aplican metodologías cuantitativas, cualitativas y mixtas, estudiando el grado de cumplimiento sobre las premisas que deben cumplir este tipo de artículos.
Seleccionado lecturas que tenían que ver con la temática a desarrollar para el TFM (a raíz de una matriz de síntesis elaborada para la asignatura “Investigación en e-learning” sobre aprendizaje adaptativo y personalización del aprendizaje mediante TIC), a partir de la teoría facilitada por González (s.f.), se extrajeron las siguientes conclusiones:
Para los artículos de metodología cuantitativa estudiados, considerando emplear la encuesta virtual como herramienta de recogida de datos, se cumple la función de ésta recogiendo los datos de una sola vez, orientada a analizar y describir las relaciones entre las variables implicadas sin ser manipuladas y asignada a unos sujetos específicos. La validez y fiabilidad de este tipo de metodología se certifica mediante la cuantificación del nivel de confianza del 95%, especificando los valores de las medias y desviaciones típicas de las relaciones establecidas en tablas y gráficas de barras.
Sobre los artículos de metodología cualitativa analizados, éstos requieren de la formulación de una pregunta de investigación sin obligación de plantear hipótesis. Son útiles para investigaciones que siguen una metodología descriptiva, interpretativa y fenomenológica y que recogen opiniones personales de los participantes, lo cual, podría ayudar a desarrollar el trabajo del TFM requerido, sin embargo, corren el riesgo de la subjetividad en los resultados ofrecidos. Empleando la observación o las encuestas para la recogida de datos, se emplean técnicas como la codificación en las respuestas para la obtención de resultados o la interpretación de opiniones vertidas por los participantes.
Finalmente, en artículos de metodología mixta, se emplean distintas técnicas de análisis de datos en función de la forma en que se plantea el problema de investigación y cómo se pretende afrontar, aprovechando las ventajas que cada técnica posee.
Como conclusión sobre la metodología y las técnicas de análisis de datos a emplear en mi trabajo de investigación (con el objetivo principal de investigar el grado de satisfacción de los docentes respecto a la formación en Competencia Digital recibida así como en su aplicación real) considero que emplear la encuesta y analizar los datos mediante una metodología cuantitativa transversal correlacional selectiva justificando el grado de cumplimiento de las hipótesis y empleando tablas, gráficos de barras, comparación de porcentajes y correlación entre las distintas variables es la opción más adecuada, en pos de la imparcialidad en la interpretación de los resultados obtenidos.
En el apartado “recursos de interés” se destaca lo aportado por cada una de las lecturas, artículos, sitios webs, etc. que se han considerado relevantes para la definición actual del futuro TFM.
2.- Recursos de interés
- Artículo: “Factores determinantes en el uso del e-learning y la satisfacción docente”.
El texto de Cazan y Maican (2023) trata sobre una investigación que emplea la metodología cuantitativa transversal correlacional y no experimental para estudiar la relación entre “factores personales” como el tecnoestrés y su relación con la satisfacción del profesor en situaciones de incertidumbre. Se emplean tablas de características como el Alfa de Cronbach y gráficos que muestran la interrelación de las hipótesis.
- Artículo: “Análisis cualitativo del nivel de satisfacción de la educación virtual en estudiantes universitarios en tiempos de pandemia”.
Investigación de corte cualitativa llevada a cabo por Barrutia et al. (2021) en la que, aunque no se cumplen algunas de las directrices teóricas para una investigación de estas características, sí que se aprecia cómo analizar las opiniones recogidas por los participantes.
- Artículo: “Desafíos de la inteligencia artificial generativa en educación superior: fomentando su uso crítico en el estudiantado.”
Estudio de metodología mixta de Romeu et al. (2025) en el que se aprecian las ventajas del uso de la codificación de las respuestas empleando herramientas de software libre (QCAmap) y el uso del test ANOVA para interpretación de los resultados unidos a técnicas de carácter cuantitativo habituales como el estudio estadístico (mediante JASP) y el uso de gráficos de barras en la discusión de resultados.
3.- Referencias
- Barrutia, I., Danielli, J., Seminario, R. y Monzón, P. (2021). Análisis cualitativo del nivel de satisfacción de la educación virtual en estudiantes universitarios en tiempos de pandemia. New Trends in Qualitative Research, 7, 220-228. https://doi.org/10.36367/ntqr.7.2021.220-228
- Cazan, A. & Maican, C. (2023). Factores determinantes en el uso del e-learning y la satisfacción docente. [Factors determining the use of e-learning and teaching satisfaction]. Comunicar, 31(74), 83–93. https://doi.org/10.3916/C74-2023-07
- González, M. (s.f.). Métodos de investigación [recurso de aprendizaje textual]. Universitat Oberta de Catalunya (UOC).
- Romeu, T., Romero, M., Guitert, M., & Baztán, P. (2025). Challenges of generative artificial intelligence in higher education: promoting its critical use among students [Desafíos de la inteligencia artificial generativa en educación superior: fomentando su uso crítico en el estudiantado]. RIED-Revista Iberoamericana de Educación a Distancia, 28(2), 209-231. https://doi.org/10.5944/ried.28.2.43535
Debat1el Hacia el TFM – Técnicas de análisis de datos.
Heu d'iniciar la sessió per escriure un comentari.
Aquest és un espai de treball personal d'un/a estudiant de la Universitat Oberta de Catalunya. Qualsevol contingut publicat en aquest espai és responsabilitat del seu autor/a.
Mis avances hacia el TFM
En el marco de mi preparación para el Trabajo Final de Máster (TFM), he avanzado en la delimitación metodológica y analítica de una investigación centrada en la generación automática de ítems de evaluación mediante inteligencia artificial, específicamente en las áreas de Lenguaje y Matemáticas en educación básica. El foco del estudio es analizar la viabilidad técnica, curricular y analítica de los ítems generados por IA en comparación con aquellos elaborados mediante procedimientos tradicionales.
A partir del trabajo realizado en las PEC del curso, he podido concretar que el enfoque metodológico más adecuado para dar respuesta a mis preguntas de investigación es mixto. Por un lado, el análisis cuantitativo permite examinar variables como la alineación curricular, la claridad del enunciado y la distribución del nivel cognitivo de los ítems, utilizando técnicas descriptivas y comparativas básicas. Por otro lado, el análisis cualitativo resulta imprescindible para interpretar los resultados de la revisión experta, identificar desajustes finos entre indicadores de logro y demanda cognitiva, y comprender las limitaciones pedagógicas de la generación automática de ítems.
En función del diseño de la investigación —de carácter exploratorio— y del tipo de datos recogidos, la combinación de ambos enfoques resulta coherente y necesaria. Los datos cuantitativos ofrecen una visión estructurada y replicable del comportamiento de los ítems generados, mientras que los datos cualitativos aportan profundidad interpretativa y permiten contextualizar los resultados desde la perspectiva del diseño evaluativo.
Las técnicas concretas de análisis de datos que he definido incluyen: análisis descriptivo (medias, distribuciones y frecuencias), matrices de correspondencia entre dominios, competencias e indicadores, y análisis comparativo entre ítems generados por IA y tradicionales. Complementariamente, se utiliza una revisión cualitativa mediante rúbricas de validación curricular y cognitiva, apoyada en el juicio experto.
Un avance relevante ha sido la integración explícita del enfoque de Evidence-Centered Design (ECD) como marco estructurante del proceso de generación y análisis de ítems. Este enfoque ha permitido reducir la variabilidad no deseada en los ítems generados por IA y ha demostrado ser un mecanismo eficaz de control de la validez de contenido, tal como se evidenció en los resultados preliminares del análisis realizado en la PEC 3 .
Finalmente, soy consciente de que estos avances constituyen una base provisional que deberá ser revisada y refinada en la fase de formulación definitiva del TFM, especialmente en lo relativo a la validación psicométrica posterior de los ítems y a la delimitación precisa del alcance del estudio, en coherencia con las exigencias metodológicas del trabajo final .
2. Recursos
Guía de Trabajo del TFM – Máster Universitario de Educación y TIC (UOC)
Este documento es clave para asegurar la coherencia metodológica y formal del proyecto de investigación, así como para alinear el diseño del estudio con los criterios de evaluación del TFM .
UNESCO (2021). AI and education: Guidance for policy-makers.
Este recurso aporta un marco conceptual y ético para el uso de la inteligencia artificial en educación, útil para contextualizar el estudio y justificar su relevancia.
UNESCO (2023). Guidance for generative AI in education and research.
Resulta especialmente pertinente para fundamentar el uso responsable de IA generativa en la construcción de instrumentos de evaluación.
Zawacki-Richter, O., et al. (2019). Systematic review of research on artificial intelligence applications in higher education.
Este artículo ofrece un estado del arte riguroso sobre aplicaciones de IA en educación, y sirve como referencia para situar el estudio en la literatura académica.
Mis PECs de la asignatura (PEC 1, PEC 2 y PEC 3)
Estos materiales constituyen la base empírica y metodológica del futuro TFM, ya que contienen la formulación del problema, el diseño metodológico y los primeros resultados analizados de manera sistemática .