Una profesora de metodología en la licenciatura en educación dirige el trabajo de un estudiante que quiere entender por qué a las juntas de una primaria pública llegan cinco familias de treinta. Su primer plan es una encuesta de veinte preguntas a todas las familias; ella le pregunta cómo la va a aplicar a las que justamente no vienen. Una investigación de campo se revisa por la coherencia entre el objetivo, el método elegido y los límites que el propio informe reconoce; la cantidad de datos pesa menos. La IA puede mapearle métodos y cuestionarle el plan; las tardes en la escuela, con grabadora y consentimientos, son del estudiante.
Qué es y para qué sirve#
Una investigación de campo es un trabajo empírico que recolecta datos directamente del fenómeno estudiado (observación, entrevista, encuesta, medición). Lo que se entrega es el informe y, con él, el hilo comprobable entre objetivo, método, datos y conclusiones (la matriz de métodos, los audios, las hojas de observación fechadas).
Dónde entra la IA en este tipo de trabajo: apoya el diseño metodológico (qué métodos existen para estudiar la asistencia de las familias), contrasta opciones de recolección de datos (entrevista frente a encuesta cuando la población de interés es la que no viene), señala limitaciones del diseño propio y ofrece interpretaciones alternativas de los resultados. La IA nunca recolecta datos del campo: sólo asiste antes y después.
Taxonomía de Bloom y progresión de prompts#
Este tipo de trabajo moviliza los niveles 3 a 5 de la taxonomía de Bloom, con nivel dominante 4 — Analizar (la justificación metodológica del diseño). Para ti, la tabla es un banco de prompts: el de la fase 2 (por qué este método y no aquel) es el que evita la encuesta a quien no viene; pídele al estudiante que lo use con su objetivo real.
Desliza horizontalmente para consultar todas las columnas.
| Nivel de la taxonomía de Bloom | Movimiento metodológico | Qué hace el estudiante | Prompt sugerido |
|---|---|---|---|
| 3 — Aplicar | Panorama de métodos | Lista métodos disponibles para su tipo de fenómeno | “Quiero estudiar [fenómeno u objetivo]. ¿Qué métodos de recolección de datos se usan para este tipo de fenómeno y qué exige cada uno (acceso, tiempo, consentimientos)?” |
| 4 — Analizar (dominante) | Selección justificada | Decide y argumenta el método pertinente | “Mi objetivo es [objetivo]. Elegí [método] y descarté [alternativas] porque [razones]. Presiona mi justificación: ¿qué debilidades tiene esta elección para este objetivo y a quién dejo fuera con ella? No elijas por mí.” |
| 5 — Evaluar | Crítica del propio diseño | Identifica sesgos, supuestos y limitaciones | “Mi diseño es: [muestra, instrumento, contexto]. ¿Qué limitaciones y sesgos debería reconocer en el informe y cuáles podría mitigar todavía? Yo redactaré los límites.” |
Competencias que desarrolla#
- Investigación — diseño metodológico empírico, rigor en recolección y análisis, validación contra sesgos, interpretación honesta de los datos obtenidos.
Secuencia de la actividad (proceso → producto)#
Fase 1 — Objetivo y panorama
Antes del campo
Definición del objetivo de la investigación y mapeo del panorama de métodos disponibles. La IA ayuda a no omitir métodos posibles; el estudiante mantiene el foco en el objetivo.Fase 2 — Selección metodológica
Justificación
Elección del método con argumento explícito: por qué este y no aquel para este objetivo. La IA presiona la justificación; el estudiante responde.Fase 3 — Diseño instrumental
Sin IA en campo
Elaboración de guías de entrevista, cuestionarios u hojas de observación. El trabajo de campo se realiza sin IA: no se entrevista con un asistente, no se observa a través de un chat. La IA vuelve a entrar después.Fase 4 — Análisis y crítica
Reflexión sobre límites
Interpretación de los datos recolectados. La IA ayuda a contrastar interpretaciones; el estudiante identifica explícitamente las limitaciones del diseño.
Qué entrega el estudiante además del informe#
Riesgo medio de sustitución de autoría: el campo es difícil de falsificar pero el informe puede generarse con IA. Las dos piezas que más te dicen son los datos crudos (audios, hojas de observación fechadas, consentimientos) y el registro de cómo eligió el método (la matriz métodos × objetivo con los descartes argumentados):
Desliza horizontalmente para consultar todas las columnas.
| Evidencia | Estado | Forma concreta |
|---|---|---|
| Bitácora del diálogo con IA | obligatoria | Registro breve separando antes y después del campo: qué se pidió, qué se aceptó o descartó y qué se comprobó; no la conversación completa |
| Ajuste del prompt cuando hizo falta | recomendada | Un ajuste y su razón en selección metodológica o crítica del diseño, si el primero no bastó — no se exige una cifra fija |
| Anotaciones de validación del output | obligatoria | Qué métodos sugeridos se descartaron y por qué |
| Datos crudos del campo | obligatoria | Transcripciones de entrevistas, cuestionarios completados, registros de observación con fecha, lugar y consentimientos |
| Matriz métodos × objetivos | obligatoria | Comparación de métodos antes de elegir |
| Bitácora metacognitiva | obligatoria | Qué aprendió sobre el oficio de investigar empíricamente |
| Declaración de uso de IA | obligatoria | Modelo, contexto y propósito |
| Consideraciones éticas del campo | obligatoria | Consentimientos, anonimización, manejo de datos sensibles |
Cómo se evalúa (rúbrica de proceso)#
Con esta rúbrica revisas la matriz, los datos crudos y la bitácora, no sólo el informe; ajusta los pesos a tu curso (por ejemplo, más peso a «metacognición» si quieres que el estudiante nombre los límites de ocho entrevistas en una sola escuela):
Desliza horizontalmente para consultar todas las columnas.
| Criterio | N1 Inicial | N2 En desarrollo | N3 Competente | N4 Avanzado | Peso |
|---|---|---|---|---|---|
| Pertinencia del prompt | Vago | Relación parcial | Claro y adecuado | Pertinente y estratégico, anclado a la fase | 10% |
| Nivel cognitivo del prompt | Pide el método ya elegido | Algo de análisis | Análisis y evaluación | Pensamiento crítico sobre supuestos | 15% |
| Uso crítico de la respuesta | Acepta sin cuestionar | Cuestiona superficialmente | Contrasta y analiza | Evalúa críticamente y reformula | 20% |
| Integración en el trabajo | Copia el diseño sugerido | Uso limitado | Integra y adapta | Transforma; el diseño es propio | 20% |
| Iteración del prompt | No ajusta | Ajustes mínimos | Mejora prompts | Itera estratégicamente | 10% |
| Metacognición | No reflexiona | Reflexión superficial | Explica su aprendizaje | Analiza límites y sesgos del diseño | 15% |
| Uso ético | Inadecuado | Básico | Adecuado | Crítico y consciente — consentimientos, manejo ético de datos | 10% |
Riesgos y salvaguardas#
- Método importado sin justificación. El estudiante adopta el método que la IA menciona primero. Salvaguarda: matriz métodos × objetivos fechada antes de la elección, con argumento por qué los descartados no sirven.
- Datos fabricados o “completados” por IA. Grave. Salvaguarda: datos crudos con metadatos verificables (fechas, audios, registros de consentimiento) son evidencia obligatoria; sin datos crudos no se evalúa el reporte.
- Limitaciones invisibilizadas. El informe presenta resultados como generalizables sin advertir muestreo limitado. Salvaguarda: el prompt avanzado obliga a nombrar las limitaciones del propio diseño.
- Análisis confirmatorio. El estudiante interpreta los datos para confirmar lo que esperaba. Salvaguarda: la fase 4 exige interpretación alternativa al menos como ejercicio.
Asignatura de ejemplo#
Ciencias sociales, educación, salud, ingeniería con componente empírico; cualquier asignatura con trabajo de tesis, residencias o prácticas que requieran recolección directa de datos.
Ejemplos y enlaces#
- Trabajo cercano: Investigación aplicada con IA — versión orientada a problemas técnicos.
- Trabajo cercano: Entrevista con IA — método específico que puede formar parte del diseño.
- Trabajo cercano: Reporte técnico con IA — etapa de comunicación del informe.