Análisis temático y alertas de IA: por qué Braun y Clarke activan la detección

Porque describiste un proceso cualitativo profundamente humano y subjetivo usando los clichés en voz pasiva más trillados del mundo académico moderno. Cuando escribes que "transcripts were read and re-read," (se leyeron y releyeron las transcripciones), "initial codes were generated," (se generaron códigos iniciales) y "themes emerged from the data," (los temas emergieron de los datos), no estás redactando un relato propio y genuino de tu investigación; estás recitando un guion preestablecido que aparece textualmente en cientos de miles de tesis. Los detectores de IA como Turnitin e iThenticate no entienden de epistemología cualitativa: evalúan la probabilidad estadística, la distribución de n-gramas y la perplejidad a lo largo de segmentos secuenciales de texto. Como tu capítulo de metodología sigue una estructura pasiva idéntica y con una variación léxica casi nula respecto a las descripciones estándar de los manuales, la probabilidad matemática de cada token consecutivo es excepcionalmente alta. El detector marca toda la sección como generada por máquina no porque hayas recurrido a la IA, sino porque las convenciones académicas han adiestrado a los estudiantes de posgrado para escribir como modelos estadísticos de lenguaje.

Esta trampa estadística resulta especialmente frustrante para los investigadores cualitativos porque contradice de lleno las directrices metodológicas de Virginia Braun y Victoria Clarke. En su artículo fundacional de 2006 y en sus trabajos posteriores de 2019 y 2021, Braun y Clarke condenaron reiteradamente el enfoque de «receta de cocina», en el que los investigadores fingen que los temas «emergen» de forma pasiva sin la intervención activa del analista. Sin embargo, la presión institucional por sonar «objetivo» suele empujar a los estudiantes a redactar con una prosa rígida y despersonalizada. El resultado es un capítulo que activa todas las alertas de los clasificadores mientras vulnera al mismo tiempo los principios esenciales del análisis temático reflexivo (RTA).

Resolver una alerta de IA en la metodología cualitativa exige comprender dos sistemas interconectados: los mecanismos algorítmicos de los clasificadores de texto y la integridad epistemológica de tu pista de auditoría (audit trail). Este problema no se soluciona cambiando palabras por sinónimos genéricos. Se resuelve anclando cada paso genérico en el contexto específico de tu estudio, recuperando la voz activa del investigador y aportando pruebas documentales tangibles de tu proceso analítico.

El marco de seis fases de Braun y Clarke —familiarización, codificación, generación de temas iniciales, revisión de temas, definición y denominación de temas, y elaboración del informe— es el procedimiento de análisis cualitativo más citado en las ciencias sociales. Presentado en su artículo de 2006 Using thematic analysis in psychology, se diseñó para ofrecer un enfoque sistemático pero flexible para los datos cualitativos. No obstante, la repetición pedagógica ha acabado calcificando esta guía abierta hasta convertirla en una rígida plantilla académica.

"Thematic analysis is often treated as a singular, rigid method, with researchers adopting a cookbook recipe approach that ignores the theoretical and subjective choices underpinning Reflexive TA." (A menudo, el análisis temático se trata como un método único y rígido, y los investigadores adoptan un enfoque de receta de cocina que ignora las elecciones teóricas y subjetivas en las que se fundamenta el AT reflexivo.) (Virginia Braun & Victoria Clarke, 2019, Reflecting on reflexive thematic analysis, p. 591)

Miles de estudiantes de posgrado en psicología, enfermería, sociología y educación presentan tesis que contienen párrafos prácticamente idénticos para cada fase. Analicemos la fórmula de manual que suele encontrarse en los trabajos académicos:

• Fase 1 (Familiarización): "In the first phase, all interview transcripts were read and re-read multiple times by the researcher to achieve deep familiarity with the data." (En la primera fase, el investigador leyó y releyó varias veces todas las transcripciones de las entrevistas para familiarizarse a fondo con los datos.)
• Fase 2 (Generación de códigos iniciales): "In the second phase, initial codes were generated systematically across the entire dataset, identifying meaningful segments relevant to the research questions." (En la segunda fase, se generaron códigos iniciales de forma sistemática en todo el conjunto de datos, identificando segmentos significativos y relevantes para las preguntas de investigación.)
• Fase 3 (Generación de temas): "In the third phase, codes were collated into potential candidate themes, clustering related concepts into broader overarching patterns." (En la tercera fase, los códigos se agruparon en posibles temas candidatos, reuniendo conceptos relacionados en patrones generales más amplios.)
• Fase 4 (Revisión de temas): "In the fourth phase, candidate themes were reviewed against the coded extracts and the entire dataset to ensure coherence and validity." (En la cuarta fase, los temas candidatos se revisaron cotejándolos con los fragmentos codificados y con todo el conjunto de datos para garantizar su coherencia y validez.)
• Fase 5 (Definición y denominación de temas): "In the fifth phase, themes were refined, clearly defined, and named to encapsulate the conceptual essence of each domain." (En la quinta fase, los temas se afinaron, se definieron con claridad y se nombraron para sintetizar la esencia conceptual de cada ámbito.)
• Fase 6 (Elaboración del informe): "In the final phase, the analytic narrative was compiled, integrating illustrative empirical quotations to address the core research inquiries." (En la fase final, se redactó la narrativa analítica, integrando citas empíricas ilustrativas para responder a las preguntas centrales de la investigación.)

Cuando un texto sigue con exactitud esta cadencia de seis puntos, su sorpresa informativa es nula. No le dice al lector —ni al detector automatizado— nada sobre lo que se hizo en la práctica. No especifica qué software se utilizó, qué discrepancias conceptuales surgieron ni cómo las perspectivas de los participantes cuestionaron las ideas preconcebidas del investigador. Es puro relleno metodológico, redactado para cumplir un mero trámite en lugar de documentar una indagación empírica.

Para entender por qué estos clichés activan las herramientas de detección de IA, es necesario examinar cómo evalúan el texto los clasificadores. La mayoría de los detectores modernos de escritura con IA, incluido el modelo propietario de Turnitin, analizan las secuencias de texto mediante métricas estadísticas de modelado del lenguaje, sobre todo la perplejidad y la ráfaga (burstiness). La perplejidad mide hasta qué punto resulta predecible una secuencia de palabras a partir del contexto previo. Si un modelo puede predecir la siguiente palabra exacta con un 98 % de certeza, la puntuación de perplejidad es sumamente baja.

Los modelos de lenguaje extensos se entrenan con inmensos corpus web que contienen miles de artículos académicos publicados, tesis doctorales y repositorios de metodología en línea. En esos datos de entrenamiento, las frases de transición de la metodología cualitativa son abrumadoramente uniformes. Tras los tokens `"transcripts were read and"`, la distribución de probabilidad se concentra de forma masiva en `"re-read"`. Después de `"initial codes were"`, los tokens más probables son `"generated"`, `"developed"` o `"assigned"`. Para un clasificador estadístico, esta sintaxis predecible calca la generación a baja temperatura de un modelo de lenguaje autorregresivo.

El problema se agrava con la ráfaga (burstiness), que mide la variación en la longitud de las oraciones, la estructura rítmica y la complejidad sintáctica. Los autores humanos que escriben en registros creativos o argumentativos varían su ritmo de forma natural: a observaciones breves y directas les siguen oraciones compuestas y complejas con matices o metáforas inesperadas. Sin embargo, las convenciones de redacción de la metodología académica suprimen sistemáticamente esta variabilidad rítmica. Los directores de tesis instan a mantener una cadencia uniforme, distante y objetiva. Cuando una longitud de frase monótona se combina con n-gramas predecibles a lo largo de dos mil palabras consecutivas, el clasificador a nivel de segmento genera una franja roja ininterrumpida.

La propia documentación técnica de Turnitin confirma este comportamiento basado en segmentos. Según explican sus guías técnicas, los textos enviados se dividen en segmentos superpuestos, a cada segmento se le asigna una probabilidad de autoría automática y las oraciones de prosa calificable heredan las puntuaciones combinadas de las ventanas superpuestas. Cuando todo un capítulo de metodología mantiene un registro monótono, los segmentos adyacentes no ofrecen ningún contraste al modelo. El informe resultante resalta la sección no porque haya detectado una frase reveladora aislada, sino porque toda la textura lingüística coincide con el patrón de texto automatizado del detector.

Para romper el perfil de baja perplejidad sin sacrificar el rigor académico, debes desmantelar los clichés genéricos y anclar cada una de las seis fases de Braun y Clarke en tu propia realidad empírica. El análisis temático reflexivo exige transparencia sobre las decisiones analíticas subjetivas del investigador. Al documentar la mecánica concreta de tu proyecto —identificadores de participantes, nodos de software, anomalías de codificación y giros conceptuales—, generarás de manera natural una prosa con alta variabilidad rítmica y rasgos típicamente humanos que ningún modelo de lenguaje genérico podría predecir.

Observa la siguiente comparativa directa entre la descripción estándar y formulaica de cada fase frente a una versión contextualizada y respaldada por pistas de auditoría, extraída de un estudio empírico real:

Observa la enorme diferencia en densidad léxica, variabilidad rítmica (burstiness) y nivel de detalle. Las versiones contextualizadas emplean la voz activa en primera persona ("I listened", "I generated", "I printed"), anclan la cronología a elementos tangibles (14 grabaciones, 142 códigos abiertos, NVivo 14, fichas de trabajo) y explican la justificación intelectual de los ajustes teóricos. Esta prosa resulta imposible de confundir con una plantilla porque contiene datos empíricos verificables y exclusivos de tu tesis.

Si Turnitin o tu comité de tesis ya han marcado tu capítulo de metodología, discutir únicamente sobre los porcentajes de falsos positivos difícilmente convencerá a un tribunal de integridad académica. A los comités no los persuaden los debates teóricos sobre el sesgo algorítmico; los convence una pista de auditoría incontrovertible: pruebas documentales generadas durante el desarrollo de la investigación que ningún modelo de lenguaje generativo podría inventarse de forma retrospectiva.

• El registro de evolución del libro de códigos: exporta tu estructura de codificación en distintos momentos cronológicos (por ejemplo, la codificación abierta inicial en el mes 2 frente a los temas axiales consolidados en el mes 5). Si utilizas herramientas CAQDAS como NVivo, MAXQDA o Atlas.ti, exporta historiales de proyecto en XML con fecha y hora, capturas de pantalla de la jerarquía de nodos y registros de cambios del libro de códigos donde se aprecie con exactitud cuándo se fusionaron, renombraron o descartaron nodos.
• Transcripciones con fecha, hora y anotaciones al margen: conserva los archivos de audio originales con sus metadatos de creación intactos, cotejados con las primeras transcripciones automáticas o manuales. Guarda los borradores de trabajo con notas manuscritas en los márgenes, partes resaltadas en distintos colores y las primeras impresiones analíticas registradas durante las lecturas iniciales.
• El diario de reflexividad (memos reflexivos): un diario de investigación detallado que documente tu posicionamiento subjetivo, reacciones emocionales, conflictos de rol y dilemas interpretativos. Las entradas fechadas en las que expliques por qué rechazaste una propuesta temática de tu director o cómo influyó tu trayectoria personal en la interpretación de una cita ambigua constituyen una prueba irrefutable de autoría humana.
• El rastro de supervisión académica: recopila el intercambio de correos electrónicos, las actas de reuniones con tu director y los borradores de Word con control de cambios donde se debatieron, revisaron y modificaron progresivamente los marcos de codificación, las definiciones de códigos y las estructuras temáticas a lo largo de varios meses.

Al prepararte para una revisión de integridad académica, reúne estos cuatro elementos en un expediente cronológico. Cuando un comité examina una evolución de varios meses con exportaciones fechadas de NVivo, anotaciones manuscritas sobre las entrevistas y reflexiones personales, percibe con absoluta claridad el esfuerzo intelectual de la investigación. Frente a esa solidez documental, un indicador del 45 % en Turnitin deja de ser una acusación de falta académica para revelarse como lo que realmente es: un artefacto estadístico provocado por la prosa formulaica de la metodología.

Cuando la sección de metodología de una tesis arroja un porcentaje elevado de IA, la reacción instintiva suele ser el pánico. Muchos estudiantes cometen el grave error de introducir el capítulo entero en herramientas genéricas de parafraseo en línea. Este enfoque resulta nefasto para las investigaciones cualitativas: los reescritores automáticos destruyen el vocabulario metodológico especializado, introducen sinónimos absurdos para marcos teóricos consolidados y alteran las citas literales de los participantes, que por normativas de comités éticos no pueden modificarse bajo ningún concepto.

Una revisión rigurosa empieza con un aislamiento quirúrgico: debes separar el texto que requiere una reestructuración contextual de la base empírica que debe permanecer intacta. Los fragmentos literales de entrevistas, las tablas sociodemográficas de participantes, los números oficiales de aprobación ética y las citas bibliográficas institucionales deben protegerse a ultranza. Solo se debe reescribir la prosa procedimental de enlace: esos párrafos de transición predecibles y de baja perplejidad.

Para aquellos manuscritos con secciones señaladas, las herramientas diseñadas específicamente para preservar la integridad de los documentos académicos ofrecen un flujo de trabajo estructurado. Importa el informe de Turnitin o iThenticate y reformula solo los pasajes señalados. Recibirás un archivo editable en el mismo formato. Este método focalizado garantiza que la arquitectura original del documento, las citas bibliográficas, las tablas de datos cualitativos y las transcripciones de las entrevistas queden completamente intactas, mientras que las oraciones formulaicas señaladas se transforman en prosa académica precisa y de indudable autoría humana.

Una vez identificados los fragmentos señalados, realiza las modificaciones sustituyendo las definiciones genéricas por explicaciones operativas propias de tu estudio. Cambia el resumen pasivo de las fases de manual por descripciones activas de tus decisiones metodológicas. Aclara por qué elegiste el análisis temático reflexivo frente al análisis de contenido o la teoría fundamentada, explicita tu postura epistemológica (por ejemplo, el realismo crítico o el construccionismo social) y detalla el momento exacto en que alcanzaste la saturación de datos o la suficiencia temática. Así transformarás una sección de metodología genérica y vulnerable en un relato empírico irrebatible.

¿Por qué Turnitin señala las citas textuales de los participantes en mis resultados cualitativos? El detector de escritura con IA de Turnitin evalúa oraciones en prosa dentro del texto calificable y, a diferencia de su índice de similitud, no dispone de un botón automático para excluir el texto entrecomillado. Si un entrevistado se expresa con oraciones completas y formales, o si un extracto se traduce a una prosa estándar en inglés, el clasificador trata esas líneas como prosa calificable estándar y evalúa su probabilidad estadística junto con el resto del texto. Ten a mano las grabaciones de audio originales y las transcripciones con fecha y hora para demostrar que las citas señaladas corresponden a datos empíricos de campo.

¿Debería citar a Braun y Clarke (2006) o sus publicaciones de 2019/2021? Ambas, pero estableciendo una clara distinción conceptual. Aunque su artículo de 2006 introdujo las seis fases, las publicaciones de Braun y Clarke de 2019 y 2021 diferencian explícitamente el análisis temático reflexivo (RTA) de los enfoques basados en la fiabilidad de la codificación o en libros de códigos estructurados. Citar sus obras recientes demuestra una comprensión actualizada de la subjetividad del investigador, lo que aporta una justificación teórica para usar la voz activa y la reflexividad personal en tu capítulo de metodología en lugar de recurrir a clichés pasivos y genéricos.

Mi director insiste en que use la voz pasiva en el capítulo tres. ¿Qué debería hacer? Explícale que los estándares modernos de investigación cualitativa, incluida la 7.ª edición de las normas APA y el propio marco reflexivo de Braun y Clarke, respaldan explícitamente el uso de la voz activa en primera persona («codifiqué», «construimos») para reflejar la responsabilidad del investigador. Si tu comité supervisor exige de forma estricta la voz pasiva en tercera persona, mantén esa sintaxis pero incorpora detalles empíricos precisos —como el recuento exacto de participantes, el número de nodos en el software o dilemas concretos de codificación— para alterar la predictibilidad algorítmica sin contravenir las preferencias de formato de tu institución.

¿El uso de programas de análisis cualitativo como NVivo o MAXQDA activa la detección de IA? No. Los detectores de IA analizan patrones lingüísticos en el texto, no los metadatos de los programas. Emplear NVivo, MAXQDA o Atlas.ti no activa la detección de IA; al contrario, genera precisamente la pista de auditoría indispensable para defenderte de los falsos positivos. Exportar el historial del proyecto, las jerarquías de códigos y las visualizaciones de franjas de codificación aporta pruebas fehacientes y fechadas de que tus hallazgos cualitativos surgieron de un análisis humano sistemático.

¿Puedo alegar la tasa de falsos positivos publicada por Turnitin en una reunión de integridad académica? Aunque Turnitin reconoce una tasa base de falsos positivos inferior al 1 % en documentos con más del 20 % de escritura con IA (y porcentajes mayores en casos concretos), limitarse a citar las deficiencias del proveedor rara vez resulta convincente. Los comités interpretan los debates técnicos como una maniobra evasiva. Plantea las limitaciones del detector únicamente como contexto de fondo y centra tu defensa principal en tu pista de auditoría tangible: historiales de versiones, transcripciones en bruto, diagramas de evolución de códigos y diarios de reflexividad.

Si reescribo mi sección de metodología señalada, ¿mi puntuación global de IA bajará a cero? Ningún servicio ni herramienta fiable puede garantizar una cifra numérica concreta en Turnitin, ya que los algoritmos de detección y los umbrales de clasificación son privados y se actualizan de forma continua. Reescribir los párrafos de metodología señalados sustituye los clichés de baja perplejidad por una prosa narrativa auténtica y vinculada a tu estudio. Esto reduce de forma sustancial la predictibilidad formulaica y restaura la integridad académica, pero pretender alcanzar una métrica arbitraria de «cero por ciento» supone malinterpretar la naturaleza estadística de los clasificadores de aprendizaje automático.