Cómo hacer un análisis temático con IA: paso a paso
El análisis temático es un método para encontrar patrones de significado en datos cualitativos, como transcripciones de entrevistas o respuestas a preguntas abiertas de encuestas. Para hacerlo con IA, cargue sus transcripciones y su pregunta de investigación, deje que la IA proponga códigos de primera pasada y luego desarrolle y verifique los temas usted mismo. La IA acelera la lectura y la clasificación. La interpretación sigue siendo suya.
Esta guía explica qué es el análisis temático, recorre las seis fases y muestra dónde ayuda la IA y dónde no debería decidir. Incluye un ejemplo práctico, un formato de tabla de resultados y una comparación con el análisis de contenido.
Qué es el análisis temático
Virginia Braun y Victoria Clarke, quienes desarrollaron la versión más citada del método, lo definen en su sitio web. "El análisis temático (AT) se refiere a una variedad de métodos de investigación cualitativa que se utilizan para explorar e interpretar significados patronales en conjuntos de datos".
Dos palabras de esa definición son importantes. "Variedad" significa que el análisis temático es una familia de enfoques, no un procedimiento fijo único. "Interpretar" significa que el resultado es un argumento sobre lo que significan los datos, no un recuento de lo que dicen.
Braun y Clarke agrupan esta familia en tres categorías: enfoques de confiabilidad de la codificación, enfoques de libro de códigos y su propio enfoque reflexivo. La diferencia afecta la forma en que se utiliza la IA.
- La confiabilidad de la codificación fija un libro de códigos de manera temprana y verifica que diferentes codificadores lo apliquen de la misma manera.
- Los enfoques de libro de códigos también utilizan un marco estructurado, pero permiten que evolucione en cierta medida.
- El análisis temático reflexivo mantiene la codificación abierta y permite que cambie a medida que se profundiza la comprensión. Sus preguntas frecuentes dicen claramente que "el AT reflexivo evita los libros de códigos".
En el análisis temático reflexivo, un tema es más que un tópico. Braun y Clarke describen los temas como un "patrón de significado compartido respaldado por un concepto o idea central". Un tópico como "los precios" no es un tema. "Los clientes interpretan el precio como una señal de confianza" sí lo es.
Las seis fases
Braun y Clarke describen seis fases. Destacan que "estas fases no prescriben un proceso rígido que deba seguir obligatoriamente". En la práctica, se avanza y se retrocede entre ellas.
- Familiarizarse con el conjunto de datos. Leer y releer los datos, y anotar las primeras observaciones.
- Codificación. Asignar etiquetas cortas a segmentos significativos en todo el conjunto de datos, en dos o más rondas.
- Generación de temas iniciales. Agrupar los códigos en patrones candidatos de significado.
- Desarrollo y revisión de temas. Comprobar cada candidato con los datos codificados y con todo el conjunto de datos. Dividir, fusionar o descartar temas según sea necesario.
- Refinamiento, definición y denominación de temas. Definir el alcance y la historia de cada tema y asignarle un nombre informativo.
- Redacción del informe. Entrelazar la narrativa analítica con extractos de datos y conectarla con la literatura existente.
Su sitio web describe el proceso con honestidad: "el análisis suele ser un proceso recursivo". Es de esperar que deba volver a la codificación después de comenzar a construir los temas.
Dónde ayuda la IA y dónde no debería decidir
La IA es realmente útil para las fases que implican volumen. Puede leer cuarenta transcripciones rápidamente, sugerir códigos candidatos, extraer cada fragmento que se ajuste a un código y contar con qué frecuencia aparece un patrón.
No debería tomar las decisiones interpretativas. Braun y Clarke escriben que "el análisis cualitativo es un proceso experto, situado y subjetivo". Un modelo no comparte su interés en la pregunta de investigación y solo conoce el contexto que usted le proporciona.
Sus preguntas frecuentes señalan algo relacionado sobre el software de análisis. Lo que importa, escriben, es "ser un investigador consciente". Eso significa utilizar cualquier herramienta de una manera que se ajuste a los valores del enfoque que haya elegido.
Una división práctica se ve así:
| Fase | Lo que la IA puede hacer | Lo que usted decide |
|---|---|---|
| Familiarización | Resumir cada transcripción, señalar pasajes sorprendentes | Qué pasajes son importantes para su pregunta |
| Codificación | Proponer códigos de primera pasada y aplicarlos de manera consistente | Qué códigos conservar, fusionar o renombrar |
| Generación de temas | Agrupar códigos y extraer fragmentos de respaldo | Si un grupo es un patrón real de significado |
| Revisión de temas | Buscar contraejemplos en el conjunto de datos | Si un tema se sostiene |
| Denominación de temas | Sugerir nombres y definiciones de una línea | El nombre final y la historia que cuenta |
| Redacción del informe | Redactar secciones y recopilar citas | El argumento y sus afirmaciones |
Si utiliza un enfoque de libro de códigos, el resultado de la IA puede servir como un borrador de libro de códigos. Si utiliza el análisis temático reflexivo, trate los códigos de la IA como estímulos para reflexionar, no como el análisis en sí mismo.
Independientemente del enfoque que utilice, registre cómo participó la IA. Anote la herramienta, las fases en las que ayudó y lo que cambió después. Un breve párrafo sobre la metodología responde a la pregunta antes de que un revisor, examinador o parte interesada la formule.
Qué necesita antes de comenzar
Prepare cuatro cosas antes de que cualquier herramienta de IA toque los datos.
Una pregunta de investigación clara. Cada código y tema se evalúa en función de ella. "¿Qué experimentan los clientes durante la incorporación?" produce un análisis diferente de "¿Por qué cancelan los clientes en el primer mes?".
Transcripciones limpias y desidentificadas. Elimine nombres, nombres de empresas, correos electrónicos y cualquier detalle que identifique a un participante. Haga esto antes de la carga, no después. Verifique su aprobación ética o los formularios de consentimiento para conocer los límites en el uso de herramientas de terceros.
Un documento de notas para sus propias reflexiones. El análisis temático reflexivo prioriza la perspectiva del investigador. Mantenga un registro continuo de sus suposiciones y reacciones a medida que lee, de forma independiente de lo que produzca la IA.
Un formato de archivo consistente. Un archivo por entrevista, con etiquetas de interlocutor, facilita el seguimiento de cada extracto hasta su origen. Mantenga un índice sencillo que asocie los códigos de los participantes con las fechas de las entrevistas.
Cómo hacer un análisis temático con IA
Los pasos a continuación siguen las seis fases, agrupadas en tres sesiones de trabajo.
Paso 1: Cargar las transcripciones y establecer la pregunta de investigación
Cargue las transcripciones desidentificadas en un espacio de trabajo de IA como Powerdrill Bloom. Sus planes incluyen la carga de Excel, CSV, PDF y documentos, por lo que las transcripciones en Word o PDF funcionan tal como están. Las respuestas a preguntas abiertas de encuestas exportadas a una hoja de cálculo también sirven.
Plantee primero la pregunta de investigación, antes de cualquier solicitud. Luego, pida un breve resumen de cada transcripción y una lista de los pasajes que se relacionen con la pregunta.
Lea esos resúmenes y luego lea las transcripciones usted mismo. Los resúmenes de IA aceleran la familiarización, pero no la sustituyen. Anote sus propias primeras impresiones en un documento aparte antes de mirar los códigos generados por la IA.
Paso 2: Generar códigos de primera pasada y luego codificar usted mismo
Pida a la IA que proponga códigos para cada transcripción. Solicite etiquetas cortas, una definición de una línea para cada una y los extractos exactos que las respaldan.
Una solicitud útil es corta y específica. Codifique la transcripción para cualquier aspecto relevante para la pregunta de investigación, mantenga las etiquetas con menos de cinco palabras y cite el pasaje exacto para cada una. Solicitar pasajes exactos facilita la detección de un código que se haya desviado de lo que el participante realmente dijo.
Luego, realice una segunda ronda de codificación por su cuenta. Compare sus códigos con la lista de la IA. Donde coincidan, es probable que el código describa algo claramente presente. Donde difieran, observe de cerca. O bien la IA ha notado algo que a usted se le pasó por alto, o bien ha etiquetado la redacción superficial en lugar del significado.
Mantenga la trazabilidad de cada extracto. Cada código debe apuntar a un participante y a un pasaje. La página de inicio de Powerdrill Bloom dice que cada número "regresa con la página, la fila y la cifra detrás de él", y esa misma trazabilidad es importante para las citas.
Paso 3: Construir temas candidatos y comprobarlos con los datos
Pida a la IA que agrupe sus códigos finales en temas candidatos, con los extractos de respaldo para cada uno. Trate las agrupaciones como un punto de partida.
Para cada candidato, hágase una pregunta: ¿hay un concepto o idea central detrás de él? Si la respuesta es solo un tópico compartido, aún no es un tema. Divídalo, fusiónelo o descártelo.
Luego, ponga a prueba cada tema. Pida a la IA que busque extractos que lo contradigan. Un tema que sobrevive a una búsqueda deliberada de contraejemplos es más sólido que uno que nunca fue cuestionado.
Finalmente, nombre cada tema y escriba una definición de dos oraciones. Redacte el informe sección por sección y verifique cada cita con la transcripción original antes de incluirla en el informe.
Un ejemplo práctico
Aquí hay una versión corta del proceso en un estudio de investigación de producto con doce entrevistas a clientes. La pregunta de investigación planteaba por qué los nuevos clientes dejaban de usar el producto en un plazo de 30 días.
Los códigos de IA de primera pasada incluyeron "la configuración tomó demasiado tiempo", "precios poco claros" y "se requería aprobación de TI".
Después de una segunda ronda de codificación, el investigador notó que los tres aparecían en entrevistas con personas que no habían elegido el producto por sí mismas.
El tema resultante fue "adopción sin propiedad". Los clientes que heredaron el producto no tenían motivos para superar la fricción inicial.
Luego, el investigador pidió a la IA contraejemplos: clientes que no habían elegido el producto pero que de todos modos se quedaron. Dos entrevistas coincidieron. Ambas describían a un colega que les mostró un beneficio rápido en la primera semana, lo que refinó el tema en lugar de romperlo.
La IA extrajo los códigos rápidamente. El tema surgió de que el investigador notó quién los decía, algo que ningún código capturaba por sí solo.
Cómo presentar los resultados del análisis temático
Una sección de resultados suele comenzar con una tabla de temas y luego analiza cada tema con extractos de respaldo. La siguiente tabla muestra un formato común.
| Tema | Definición | Participantes | Extracto de ejemplo |
|---|---|---|---|
| Adopción sin propiedad | Los usuarios que no eligieron el producto tenían pocos motivos para persistir | 7 de 12 | "Me dijeron que lo usara, así que hice lo mínimo". |
| La configuración como primera impresión | El esfuerzo inicial de configuración moldeó la visión general del producto | 9 of 12 | "Si la primera hora es difícil, asumes que el resto también lo será". |
Acompañe la tabla con una sección corta para cada tema. Explique la idea central, muestre dos o tres extractos y conéctela con su pregunta de investigación.
Elija extractos que muestren el tema desde diferentes ángulos, en lugar de tres citas que digan lo mismo. Manténgalos cortos y atribúyalos siempre a un código de participante. Los lectores confían más en un tema cuando pueden verlo en varias voces.
El recuento de participantes es un contexto útil, pero el enfoque de Braun y Clarke no trata la frecuencia como la medida de importancia. Un tema mencionado por cuatro personas puede importar más que uno mencionado por diez.
Para una audiencia de partes interesadas, los mismos resultados a menudo se convierten en una presentación corta. La herramienta AI research synthesis describe esta ruta, combinando transcripciones y encuestas en temas, evidencia y una presentación para las partes interesadas.
Análisis temático frente a análisis de contenido
Los dos métodos a menudo se confunden porque ambos trabajan con datos cualitativos.
| Análisis temático | Análisis de contenido | |
|---|---|---|
| Objetivo principal | Interpretar patrones de significado | Categorizar y, a menudo, contar el contenido |
| Resultado | Temas con una idea central | Categorías con frecuencias |
| Rol del recuento | Contexto de apoyo como máximo | A menudo central |
| Ideal para | Comprender experiencias y opiniones | Medir con qué frecuencia aparece algo |
Si su pregunta es "¿con qué frecuencia mencionan los clientes los precios?", el análisis de contenido es el adecuado. Si es "¿qué significan los precios para los clientes?", el análisis temático es el adecuado.
Algunos proyectos utilizan ambos de forma secuencial. Una pasada de frecuencia a través de un gran conjunto de datos muestra dónde está el volumen. Una pasada temática en una muestra más pequeña y enfocada explica luego qué significa ese volumen.
Para comentarios a escala, como miles de reseñas o tickets de soporte, una vista de frecuencia suele ser la primera necesidad. El Voice of Customer Summarizer agrupa los canales de comentarios en temas con frecuencia y una cita textual representativa para cada uno.
Análisis temático en Excel
Muchos investigadores todavía codifican en una hoja de cálculo, y esto funciona bien para estudios pequeños. Un diseño simple utiliza una fila por extracto.
- Columna A: código de participante.
- Columna B: el extracto, copiado exactamente.
- Columna C: código de primera ronda.
- Columna D: código de segunda ronda.
- Columna E: tema candidato.
Filtrar por tema le permite ver todos los extractos de respaldo en una sola vista. Un recuento de filas por tema y por participante también muestra de un vistazo si un tema depende de un solo entrevistado muy hablador. El límite es la escala. Más allá de unos pocos cientos de extractos, clasificar y volver a codificar a mano se vuelve lento, que es donde la agrupación asistida por IA ahorra más tiempo.
Si su proyecto también incluye una revisión de estudios publicados, nuestra guía para escribir una revisión de la literatura con IA cubre esa parte.
Errores comunes
- Tratar los tópicos como temas. "Comunicación" es un tópico. un tema dice algo al respecto.
- Aceptar códigos de IA sin una segunda ronda. Los códigos de primera pasada a menudo etiquetan la redacción en lugar del significado.
- Cargar datos identificables. Desidentifique las transcripciones antes de cualquier carga.
- El recuento como prueba. La frecuencia respalda un tema, pero no lo establece.
- Omitir la búsqueda de contraejemplos. Un tema que nunca fue cuestionado es más débil de lo que parece.
- Dejar que la IA nombre los temas. Los nombres sostienen el argumento, así que escríbalos usted mismo una vez que los temas estén definidos y acordados.
Hacer esto bien es lo que separa un análisis creíble de un resumen con encabezados. Si desea que la lectura, codificación y agrupación se realicen más rápido en sus propias transcripciones, puede probar Powerdrill Bloom con un estudio.
Preguntas frecuentes
¿Qué es el análisis temático en términos sencillos?
El análisis temático es una forma de encontrar e interpretar patrones de significado en datos cualitativos, como entrevistas. El investigador codifica los datos, agrupa los códigos en temas y explica lo que cada tema dice sobre la pregunta de investigación.
¿Cuáles son los seis pasos del análisis temático?
Las seis fases de Braun y Clarke son familiarizarse con el conjunto de datos, codificación, generación de temas iniciales, desarrollo y revisión de temas, y refinamiento, definición y denominación de temas. La sexta es la redacción del informe. Señalan que las fases no son reglas rígidas.
¿Puede la IA hacer un análisis temático?
La IA puede ayudar con el trabajo de volumen, como resumir transcripciones, proponer códigos y extraer fragmentos. El trabajo interpretativo de decidir qué significa un tema sigue requiriendo al investigador. Braun y Clarke describen el análisis cualitativo como un proceso experto, situado y subjetivo.
¿Cuántos temas debe tener un análisis temático?
Braun and Clarke señalan que "no existe una fórmula precisa para determinar el número de temas en un AT". Depende de los datos, de la pregunta de investigación y de la extensión del informe. Un análisis puede presentar un tema en profundidad o ofrecer una visión más amplia.
¿Cuál es la diferencia entre el análisis temático y el análisis de contenido?
El análisis temático interpreta patrones de significado y produce temas. El análisis de contenido categoriza el contenido y, a menudo, cuenta con qué frecuencia aparecen las categorías. Elija el análisis temático para comprender experiencias y el análisis de contenido para medir la frecuencia.
Fuentes: Braun and Clarke, Thematic Analysis · Understanding TA · Doing Reflexive TA · Thematic Analysis FAQs. El ejemplo práctico y la tabla de resultados son ilustrativos.