Sintetizar y representar información cualitativa: matrices y diagramas en tesis doctorales y trabajos académicos

Las tesis doctorales son el resultado de un importante esfuerzo de investigación en el que pueden utilizarse metodologías cuantitativas o cualitativas (o mixtas, por supuesto).

Edición Diciembre 2019

Ahora bien, como es sabido, los investigadores que utilizan metodologías cuantitativas en sus investigaciones emplean diferentes estadísticos y sus diagramas asociados.

Esta manera de sintetizar los resultados tiene mucha fuerza y otorga una importante credibilidad, de la que se benefician, con toda legitimidad, tal tipo de investigaciones.

Lo que nos podríamos preguntar entonces es lo siguiente:  ¿existe algún equivalente para sintetizar resultados en el caso de las investigaciones cualitativas?

Matrices y diagramas

La respuesta es la siguiente: los resultados, así como los conceptos e ideas principales que se manejan en una investigación cualitativa, se pueden sintetizar y representar mediante el uso de dos eficaces recursos: 

• Tablas o matrices
• Diagramas

Una investigación cualitativa no debería ser sinónimo de páginas grises llenas de  largos párrafos con, a veces, toneladas de notas a pie de página. Otra cosa es el género del ensayo en el cual, por su mayor parentesco con la literatura que con la investigación, puede carecer de toma de datos.

Pero tal cosa debería ser impensable en tesis doctorales y en trabajos académicos, detrás de las cuales siempre debe haber una investigación con obtención de datos mediante algún método acorde con los objetivos.

Algunas precisiones

Conviene aclarar que nos referimos expresamente al caso de las tesis doctorales y trabajos de final de máster, pero es evidente que tales instrumentos pueden utilizarse con ventaja en cualquier otra clase de producción vinculada a la investigación cualitativa, ya sea un artículo, una comunicación o un informe.

Por otro, para evitar ambigüedades innecesarias señalemos lo siguiente: ninguna colección de tablas o de diagramas será capaz de levantar una mala investigación. En cambio, en una buena investigación de base, estos instrumentos bien utilizados pueden transformar una buena investigación en una investigación excelente.

Matrices y diagramas = tablas y diagramas

Para acabar con este apartado de precisiones, hay otros términos, aunque seguramente mucho menos familiares, para ambos instrumentos:

• Matrices = tablas
• Redes = diagramas.

En general, utilizaremos estos últimos términos, a saber, tablas y diagramas, por su mayor familiaridad, pero dejamos constancia de su equivalente tecnológico en determinadas obras sobre metodología de la investigación cualitativa (notablemente en la influyente obra de Miles, Huberman, y Saldaña, 2014).

Por último, con  relación a los diagramas señalaremos que dejamos fuera de nuestra consideración aquellos que se utilizan para representar datos numéricos o sus estadísticos, ya que en este artículo nos centramos en datos de tipo cualitativo/conceptual.

Por tanto, nos referimos a las clases de diagramas que nos permiten expresar ideas y conceptos, y más concretamente, procesos y relaciones de influencia.

Tablas o matrices

El concepto de tabla suele estar asociado al de entidad. Una entidad es cualquier cosa que puede ser identificada, ya sea del mundo físico o conceptual, y que por tanto posee atributos que pueden adquirir una serie de valores.

Por ejemplo, medios de comunicación como el The New York Times, The Guardian, La Vanguardia o El País, son entidades con determinados atributos, como el país de origen o número de suscriptores.

Reglas para componer tablas

Una tabla se compone de una serie de filas y columnas. El cruce de las mismas produce las celdas, que contienen valores. Esta simple estructura es una poderosa formas de sintetizar información, y de mostrar relaciones, ya se trate de datos cualitativos o cuantitativos.

Hay pocas reglas sobre como construir tablas a los efectos que nos interesan aquí, pero desde luego disponemos de algunas, y es muy importante tenerlas presentes.

La primera nos dice que, cuando estamos representando entidades y sus características o propiedades, se suele proceder de este modo:

• Las entidades son las filas
• Las propiedades son las columnas

Por ejemplo, si hemos analizado un número de medios de comunicación basándonos en determinadas características, digamos (p.e.) «país de origen», «cobertura geográfica» y «cobertura temática» (utilizamos categorías del sitio Observatorio de Nuevos Medios para los ejemplos que siguen), podríamos tener una tabla como esta:

Tabla ejemplo 1: Revistas con temas de arte y sus principales características (las filas son las entidades)

Ejemplo de tabla con entidades como filas y columnas como propiedades. Fuente: elaboración propia con datos del Observatorio de nuevos medios

La segunda y no menos simple regla es que debemos usar un número limitado de columnas. En concreto, algunos autores indican que las tablas (para estos usos) no deberían tener más de una docena de columnas, «aunque seis o siete es más manejable» (Miles, Huberman, y Saldaña 2014).

El número de filas es menos conflictivo, pero es evidente que si las usamos como medio de síntesis de resultados, no deberían superar unas cuantas decenas.

La tercera regla, nos dice que las tablas deben tener:

• Un título, preferentemente precedido de una numeración
• Un pie donde se informe de la fuente y/o de cualquier otro dato que ayude a interpretarla

La cuarta, nos dice que las tablas pueden estar ordenadas, incluso para el caso de un pequeño número de filas, cosa que se puede llevar a cabo mediante la selección de una de las columnas que consideremos más significativas como eje de tal ordenación.

Inversión y desagregación

Ya hemos señalado que podemos usar un número relativamente alto de filas sin demasiado problema, pero es poco conveniente utilizar más de 6 o 7 columnas.

Ante esta limitación, disponemos de algunas soluciones. Una consiste en invertir la norma original. Si resulta que tenemos pocas entidades y muchas propiedades, podemos utilizar columnas para las entidades y filas para las propiedades.

Entonces tendríamos una tabla como la siguiente, en la que podríamos tenemos solamente cuatro entidades (cuatro medios de comunicación) y en cambio, podemos tener, por decir algo, una decena o más de propiedades (aunque aquí solamente hemos representado tres de ella, siendo la primera columna las propiedades, y las siguientes, las entidades):

Tabla ejemplo 2: Revistas con temas de arte (las columnas son las entidades)

Fuente: elaboración propia con datos del Observatorio de nuevos medios

La segunda solución consiste en mantener la idea original según la cual las entidades son filas y las columnas son propiedades, pero utilizando una clave que después nos permitirá desagregar las tablas, mientras que usaremos la clave para relacionar la información. Esto produciría una tabla como la siguiente:

Tabla ejemplo 3: Revistas de arte (entidades con un ID para poder desagregar la información)

Fuente: elaboración propia con datos del Observatorio de nuevos medios

De acuerdo con lo anterior, podemos tener entonces dos o más tablas, en la primera (como la anterior) relacionando el ID con el medio de comunicación y un número de propiedades. En las siguientes tablas, podemos utilizar el ID y el resto de propiedades.

Es el uso de este ID el que nos permite relacionar sin ambigüedad las diferentes tablas e incluso producir después tablas que consistan en la unión de diferentes columnas procedentes de diferentes tablas, etc.

La segunda regla se desprende de lo que hemos dicho: podemos utilizar sin demasiado problema un buen número de filas (aunque no es conveniente superar unas pocas decenas), pero hemos de limitar siempre el número de columnas en aras de la claridad.

Podemos recurrir al formato apaisado si es necesario, lo que nos permite añadir algunas columnas más, pero la limitación enseguida aparece.

Elementos comunes a las tablas

De acuerdo con normas de uso tan ampliamente aceptado como las APA, todas las tablas que forman parte de un trabajo de tipo académico tienen cinco elementos (enumerados de arriba abajo):

• Un número correlativo de identificación (1, 2, …. n) para poder referirse a ellas de forma no ambigua en el texto del trabajo.
• Un título que exprese de forma directa y concisa el objetivo o el contenido de la tabla
• Columnas con nombres (cabeceras)
• El cuerpo en sí de la tabla
• Notas: aclaraciones o la fuente de los datos, si es el caso

Tablas como fichas

Otra forma de considerar las tablas de forma desagregada es en forma de fichas o tarjetas, como está de moda llamarlas ahora. Según esta idea, cada entidad (si mantenemos el ejemplo) con sus propiedades se puede sintetizar mediante una ficha.

En este caso, la primera fila puede reservarse para identificar la entidad, y las filas siguientes para las propiedades de la entidad, de este modo:

Fuente: elaboración propia con datos del Observatorio de nuevos medios

Para ello, repetiremos, por supuesto, el número de fichas según el número de entidades que queremos sintetizar. En este caso, la primera fila puede actuar como título de la tabla.

Tablas para explicar y definir

Es evidente que podemos explicar muchas cosas utilizando el discurso, pero cuando usamos tablas nos obligamos a añadir un componente de claridad que cualquier lector apreciará. Se trata simplemente, de ordenar los conceptos a explicar mediante un tabla con dos columnas, donde en una de ellas tenemos el concepto a explicar, o definiendum, y en la otra la explicación o definiens.

Una forma habitual de proceder consiste en presentar el grupo de conceptos que se van a utilizar, por ejemplo, en algunos de los capítulos iniciales de la tesis, para luego poder operar con ellos en el cuerpo del trabajo.

La regla principal aquí es la siguiente: tenemos libertad para establecer las definiciones, siempre que (1) tales definiciones estén respaldadas por algún corpus de conocimiento previo ampliamente aceptado, (2) sean claras y carezcan de ambigüedades y (3)  los conceptos así definidos se utilizen de forma consistente a lo largo de todo el trabajo.

Aunque es anecdótico, podemos señalar que uno de los métodos utilizados en nuestro grupo de investigación cuando debemos responder a las observaciones y críticas en un proceso de evaluación, como en el caso de un artículo para una revista científica (o para en la evaluación de un proyecto) consiste en utilizar una tabla con la siguiente simple estructura:

Para ello, lo que hacemos es convertir cada una de las «n» observaciones de cada evaluador en una fila de la tabla, de manera que si entre los dos evaluadores tenemos un total de 10 observaciones, la tabla tendrá 10 filas.

En la primera columna aparecen las observaciones u objeciones del evaluador, y en la segunda nuestra respuesta como autores. La columna titulada N. es simplemente para poder numerar cada observación y, si conviene referirnos a ella sin ambigüedad en el proceso de discusión.

A los autores nos permite concentrarnos con claridad en cada una de las observaciones, y cuando entregamos la tabla como respuesta a la misma a la revista en cuestión, nos permite exhibir con claridad nuestra capacidad para haber podido responder a todas y cada una de las objeciones, naturalmente en algunos casos aceptándolas sin más, y señalando la corrección efectuada, y otras rechazando la objeción y mostrando nuestro argumentario.

En la captura precedente vemos un caso ejemplar de utilización de tablas para sintetizar resultados. En este caso, procedentes de una revisión sistemática (Maria J. Grant; Andrew Booth. «A typology of reviews: an analysis of 14 review types and associated methodologies». Health Information and Libraries Journal, 26, pp.91–108 2009).

A los autores, la tabla que ocupa un total de 2 páginas, con un total de 6 columnas y 14 filas, no solamente les sirvió para explicar y comparar, sino también para argumentar y llevar al lector a la conclusión deseada por los autores. Al proponer la comparación de las propiedades de cada una de las categorías, les permitió reforzar y apoyar de forma muy sólida su conclusión a favor de un tipo concreto. 

Tablas para relacionar variables

Miles, Huberman, y Saldaña (2014) proponen en su obra seminal, Qualitative Data Analysis: A Methods Sourcebook, un amplio uso de las tablas para relacionar información obtenida del análisis de datos cualitativos, principalmente procedentes de entrevistas y de estudios de caso.

Estos autores definen una matriz (tabla) como «la intersección de dos listas». De este modo, la combinación de dos variables y de sus datos asociados, les permite proponer una amplia taxonomía de tipos de tablas, algunas con propósitos exploratorios, otras explicativos, otras para establecer relaciones causales, etc.

En concreto señalan (el destacado es nuestro):  «Overall, the matrix is a tabular format that collects and arranges data for easy viewing in one place, permits detailed analysis, and sets the stage for later cross-case analysis with other comparable cases or sites».

Estos autores, de hecho, proponen modelos concretos de tablas para las siguienes funciones:

• Explorar
• Describir
• Ordenar
• Explicar
• Predecir

Además, estos autores insisten en la idea de las meta-matrices (o meta-tablas), a saber tablas en las cuales una columna pude contener a su vez, otras columnas.

A continuación, mostramos dos ejemplos que proponen los autores citados en su obra (que recomendamos a todos los interesados):

Ejemplo 1

Ejemplo 2

Tablas para expresar ideas y relaciones

Aunque el origen de las tablas fue el que nos hemos referido, a saber, sintetizar información sobre entidades y sus propiedades, y podemos tener la tentación de asimilar entidades a cosas del mundo real, el formato es tan flexible y su impacto cognitivo es tan favorable que no vale la pena limitar su uso a tal función original, por muy importante que sea.

En principio, casi cualquier cosa (decimos casi, solo por prudencia) se puede representar mediante tablas. La reglas básica entonces es muy abstracta: tendremos un número de cosas o dimensiones a considerar, y cada cosa tendrá características con valores propios  a las que podemos dar nombres. Ya tenemos las filas y las columnas.

Una de las tablas de Miles, Huberman, y Saldaña (2014) referidas a un estudio de caso sobre cómo afectó la introducción de un determinado programa en unas escuelas, nos servirá como ilustración:

Diagramas

Un diagrama es cualquier clase de gráfico que se utiliza para representar ideas. Que sepamos, no existe una lista cerrada de tipos de diagramas, aunque desde luego hay excelentes taxonomías que intentan poner un poco de orden sobre ellas.  No obstante, los más conocidos son las que se refieren a los diagramas para visualizar estadísticos (cosa que no trataremos aquí).

Nosotros nos vamos a centrar en los diagramas que permiten representar dimensiones cualitativas o conceptuales, y en las cuales tampoco carecemos de propuestas.  Por ejemplo, en la captura siguiente vemos la taxonomía de tipos de diagramas que permite un software para su creación (EDraw Max):

La captura precedente muestra solamente una parte de la tipología de diagramas de un software para crear gráficos, pero si desplegamos una cualquier de las categorías, aparecen aún otros subtipos:

Por tanto, con los diagramas tenemos una situación, afortunadamente, parecida a las tablas: no existe a priori, ninguna limitación sobre el tipo de cosas que podemos expresar de forma gráfica. Esto no impide que, tipos de diagramas muy bien asentados, como los diagramas de Gantt, los diagramas de flujo o los mapas conceptuales no tengan algunas reglas, por más sencillas que sean.

La cuestión es que, si los comparamos con las tablas, el uso que suele darse a los diagramas está más vinculado a representar procesos y relaciones de influencia. Pero ni siquiera esto limita su uso real. Nada nos impide expresar con un diagrama (si sabemos encontrar la forma) cualquier clase de constructo.

Un modelo básico: nodos y arcos

En todo caso, los componentes principales de muchos tipos de diagramas son estos dos:

• Nodos
• Arcos

Los nodos se utilizan para representar «cosas» (literalmente: cualquier cosa), y los arcos para representar relación o influencia entre las cosas.  Normalmente, los nodos se expresan mediante rectángulos, y los arcos mediante líneas, que pueden indicar (o no) dirección mediante el uso de flechas en uno o en ambos extremos. Por su parte, los arcos pueden estar rotulados (o no) si deseamos clarificar la clase de relación o influencia mediante un verbo (generalmente) o una pequeña frase aclaratoria.

Los diagramas basados en nodos y arcos se cuentan entre los más utilizados y aportan un modelo básico fácil de utilizar, por eso nosotros nos limitaremos a éste modelo general en este artículo.

Ahora bien, lo anterior no significa que los diagramas solo puedan tener nodos y arcos, ni que los nodos solamente puedan representarse mediante rectángulos y los arcos mediante líneas. No hay tales límites. Por ejemplo, en el diagrama precedente, hemos cambiado los arcos por el símbolo igual (=) porque nos parecía más expresivo, así como hemos combinado rectángulos para expresar factores, mientras que hemos usado sendos óvalos para expresar resultados.

En lo que sigue, examinaremos dos variaciones de tales diagramas: mapas conceptuales y representaciones de procesos.

Mapas conceptuales

Un mapa conceptual es una clase de diagrama que intenta representar de forma gráfica tanto los componentes de un sistema conceptual como las relaciones entre ellos.

Por sistema conceptual podemos entender al menos dos cosas:

• Cualquier conjunto más o menos coherente y organizado de ideas en el seno de una conceptualización más amplia o de una teoría más o menos compleja, por ejemplo, la teoría de la evolución;
• Cualquier conjunto de entidades y sus relaciones, por ejemplo, las empresas del sector de la comunicación de un determinado país.

Los mapas conceptuales no tienen ningún ámbito de restricción, de manera que cualquier aspecto del mundo real o del mundo conceptual es susceptible de ser representado en un diagrama de esta clase.

La complejidad del sistema que debe ser representado tampoco establece ningún tipo de restricción de entrada: podemos representar con un mapa conceptual una teoría tan compleja o simple como queramos (o podamos).

Si deseamos adherirnos al sentido estricto de mapa conceptual, los arcos deben estar rotulados y especificar la relación entre los nodos, como podemos ver en la captura precedente de la que es autor Cristòfol Rovira.

Para los interesados, cabe señalar que la terminología anterior está adoptada de una rama de la matemática conocida como teoría de grafos (la misma que se utiliza para la teoría de hipertextos).

Los mapas conceptuales se pueden utilizar para construir modelos de una gran cantidad de situaciones o aspectos de la realidad, desde sistemas de carretas hasta mapas de sitios web, pasando por relaciones de parentesco, vínculos entre grupos de empresas o relaciones entre componentes de un marco teórico (de aquí, su uso en revisiones sistemáticas).

Procesos y relaciones de influencia

Otro tipo de diagrama clásico es la representación de procesos, o de factores de influencia. Si utilizamos los dos componentes que ya conocemos, los nodos y los arcos, resulta fácil sintetizar esta clase de aspectos.

Diagramas para representar (casi) cualquier cosa

Ya hemos señalado que no existe ninguna limitación a priori de la clase de informaciones que podemos representar mediante diagramas y esto es muy importante recordarlo tantas veces como sea necesario. A continuación, dos ejemplos tomados también de la obra de Miles, Huberman, y Saldaña (2014):

Ejemplo 1

Ejemplo 2

Componentes comunes de las figuras

De acuerdo con la norma APA, las figuras (diagramas, p.e.) que forman parte de un trabajo académicos comparten (adaptados) los mismos componentes básicos que una tabla. Estos componentes se refieren sobre todo al caso de figuras procedentes de una conjunto de datos. Sin embargo, se pueden aplicar también a figuras en el sentido de diagramas, por eso los reproducimos aquí:

• Un número correlativo (1, 2, … n) que permite identificarlas de manera fácil en el texto del trabajo.
• Un título identificativo
• La imagen o figura en sí misma
• Un pie de imagen o leyenda
• Notas: aclaraciones sobre la imagen o la fuente en su caso

Credibilidad y persuasión en trabajos académicos

El uso de tablas y diagramas en trabajos de investigación cualitativa debería considerarse obligatorio por la misma razón que esperamos estadísticos y ecuaciones en las investigaciones cuantitativas. En ambos casos son garantías de calidad, porque en ambos casos exponen el compromiso de los autores de una investigación con la claridad y la transparencia.

Sintetizar datos y resultados de cualquier clase, así como propuestas teóricas mediante tablas y diagramas obliga a un plus de claridad y de esfuerzo conceptual.

A diferencia de un discurso textual puro, es mucho más difícil que un mal razonamiento o datos inconsistentes pasen desapercibidos cuando usamos instrumentos adecuados para sintetizar las ideas y los resultados principales de nuestro trabajo.

Además, obligarnos a transformar ideas y datos cualitativos en tablas y diagramas nos somete a una disciplina de clarificación que siempre redunda en nuestro beneficio.

Vamos a adquirir un grado superior de comprensión de los temas que estamos tratando y sobre los cuales se supone que queremos ver reconocida nuestra competencia.

Por si fuera poco, el uso de tablas y diagramas tiene un componente cognitivo muy importante como se ocupan de señalarnos tanto los psicólogos de la percepción como los expertos en visualización de la información.

El cerebro humano procesa mucho mejor la información si esta viene acompañada de alguna clase de visualización de la información, incluso cuando parece redundante, es decir, cuando usamos un diagrama, por ejemplo, para ilustrar una idea que acabamos de exponer mediante un razonamiento expresado textualmente.

Por ejemplo, ciertamente, la frase textual y el diagrama que veremos a continuación, expresan la misma idea, pero el cerebro del lector la procesará mucho mejor gracias a la unión de ambos:

Ejemplo de idea en forma textual:

 La misma idea en forma de diagrama:

Por si todo lo anterior fuera poco, lo cierto es que el uso de diagramas y tablas aporta un nivel muy superior de credibilidad y persuasión en trabajos académicos, algo de que lo están perentoriamente necesitados, ya que su éxito no depende solamente de que tales trabajos sean de calidad, sino, también, de que lo parezcan, y esto en un sentido nada frívolo, sino fundamental, ya que serán evaluados de manera formal por un tribunal académico.

Conclusiones

Hemos visto que las tablas pueden utilizarse como forma de sintetizar datos, así como medio de explicar, ordenar y presentar información cualitativa. Por su parte, los diagramas pueden mostrar cualquier tipo de idea, pero especialmente procesos y relaciones de influencia.

Ambos pueden considerarse instrumentos genuinos de visualización de la información al servicio de la investigación cualitativa.

Ningún trabajo académico de tipo cualitativo debería presentarse sin un buen número de tablas y diagramas, ya que tienen un rol polifuncional difícil de exagerar:

• Demuestran el compromiso de los autores con la claridad y la transparencia en su trabajo
• Aportan formas muy potentes de síntesis de resultados e ideas
• Elevan el nivel general de calidad de cualquier trabajo
• Aportan elementos cognitivos que favorecen la comprensión
• Aportan los necesarios elementos de visualización de la información que toda investigación solvente debería incluir

Ya hemos señalado, a propósito del último punto que tablas y diagramas cumplen el papel que, en las investigaciones cualitativas, desempeñan los estadísticos y sus gráficos asociados.

Igual que en este ámbito se considera imprescindible un adecuado uso de la visualización de la información para sinterizar datos cuantitativos, debería considerarse imprescindible el uso de tablas y diagramas para representar datos cualitativos.

Por tanto, en realidad lo menos importante son las clases de tablas y diagramas que hemos mostrado aquí, porque solamente actúan como ilustración de lo idea principal que queremos transmitir: mostremos, representemos y sintetizemos los resultados de la investigación cualitativa no solamente mediante nuestro discurso, sino también mediante visualización de la información.

Una de las referencias fundamentales en el uso de tablas y diagramas en investigaciones cualitativas

Miles, Matthew B.; Huberman, A. Michael; Saldana, Johnny. Qualitative Data Analysis: A Methods Sourcebook. London: SAGE Publications. 2014

Se trata de la única obra de la que tenemos noticia dedicada de forma íntegra a presentar modelos de tablas y diagramas (sobre todo los primeros) para utilizar en investigación cualitativa con diferentes objetivos, entre ellos, Explorar, Describir, Ordenar, Explicar y Predecir.

Cada una de estos, a su vez, dividido en diversos subtipos de tablas o diagramas. Se trata, en nuestra opinión, de una de las mejores obras sobre metodología cualitativa pùblicada en los últimos años.

Artículo  relacionado:

• Lógica y persuasión en tesis doctorales y trabajos académicos

Bibliografía seleccionada

Cómo se hace una tesis o un trabajo final de máster

• Bell, Judith; Waters, Stephen. Doing your Research Project: A Guide for first-time Researchers.Berkshire: McGraw Hill, 2014.
• Bloomberg, Linda Dale; Volpe, Marie. Completing Your Qualitative Dissertation: A Road Map From Beginning to End. 3r ed. London: Sage Publishing, 2016.
• Blaxter, Loraine; Hughes, Christina; Tight, Malcolm. How to Research. Berkshire: McGraw Hill, 2010.
• Dunleavy, Patrick . Authoring a PhD: How to plan, draft, write and finish a doctoral thesis or dissertation. Hampshire: Macmillan, 2013.
• James, E. Alana; H. Slater, Tracesea. Writing your Doctoral Dissertation or Thesis Faster. London: Sage, 2014.
• Oliver, Paul. Writing your Thesis. London: Sage, 2014.
• Orna, Elizabeth; Stevens, Graham. Managing information for research. Practical help in researching, writing and designing dissertations. Berkshire: Open University Press, 2009.
• Phillips, Estelle; Pugh, Derek. How To Get A Phd: A Handbook For Students And Their Supervisors. Berkshire: Open University – Press McGraw Hill Education, 2015
• Winstanley, Carrie. Writing a Dissertation for Dummies. Indiana: Wiley, 2009.

Cómo se lleva a cabo una revisión sistemática

• Boland, Angela; Cherry, M. Gemma; Dickson, Rumona. Doing a Systematic Review: A Student’s Guide. London: Sage, 2014.
• Booth, Andrew; Sutton, Anthea; Papaioannou, Diana. Systematic Approaches to a Successful Literature Review. London: Sage, 2016
• Cooper, Harris. Research Synthesis and Meta-Analysis: A Step-by-Step Approach. London: Sage, 2016.
• Dixon-Woods, Mary et al. “Conducting a critical interpretive synthesis of the literature on access to healthcare by vulnerable groups”. BMC Medical Research Methodology, July 2006 v. 6, n. 35. https://doi.org/10.1186/1471-2288-6-35
• Fink, Arlene. Conducting Research Literature Reviews: From the Internet to Paper: London: Sage, 2014.
• Gough, David; Oliver, Sandy; Thomas, James. An Introduction to Systematics Reviews. London: Sage, 2012.
• Harris, Robert. Using Sources Effectively: Strengthening your writing and avoiding plagiarism. New York: Routledge, 2017
• Hart, Christopher. Doing a Literature Review: Releasing the Social Science Research Imagination. London: Sage, 2008.
• Jesson, Jill K.; Matheson, Lydia; Lacey, Fiona M. Doing your Literature Review: Traditional and Systematic Techniques. London: Sage, 2011.
• Machi, Lawrence A.; McEvoy, Brenda T.. The Literature Review: Six Steps to Success. Thousand Oaks, California: Corwin, 2012.
• Major, Claire H.; Savin-Baden, Maggi. An introduction to Qualitative Research Synthesis: Managing the Information Explosion in Social Science Research. New York: Routledge, 2010.
• Noblit, George; Hare, Dwight R. Meta-Ethnography: Synthesizing Qualitative Studies. London: Sage, 1988.
• Pan, M. Ling. Preparing Literature Reviews: Qualitative and Quantitative Approaches. London: Routledge, 2017.
• Petticrew, Mark; Roberts, Helen. Systematic Reviews in the Social Sciences: A Practical Guide. Oxford: Blackwell, 2006.
• Ridley, Diana. The Literature Review: A Step-by-Step Guide for Students. London: Sage, 2012.
• Sandelowski, Margarete; Barroso; Julie. Handbook for Synthesizing Qualitative Research. New York:  Springer, 2007.
• Shkedi, Asher. Qualitative Data Analysis. Tel Aviv: Contento De Semrik, 2014.

Métodos (en general)

• APA. Publication Manual of the American Psychological Association. Washington: APA. 2020.
• Aurini, Janice C.; Heath, Melanie; Howells, Stephanie. The How to of Qualitative Research. London: Sage, 2016.
• Banks, Marcus. Using Visual Data in Qualitative Research. London: Sage, 2018
• Bell, Judith. Doing Your Research Project: A Guide For First-Time Researchers. London: Open University Press, 2014
• Blaxter, Loraine. How To Research (Open Up Study Skills). New York: McGraw Hill International, 2006.
• Brinkmann, Sven. Qualitative Inquiry in Everyday Life. London: Sage, 2012.
• Bryman, Alan. Social Research Methods. New York: Oxford University Press, 2012.
• Cassell, Catherine; Simon, Gillian. Essential Guide to Qualitative Methods in Organizational Research. London: Sage, 2004.
• Cavaller, Víctor  et al. Audiencia y Visibilidad en los Medios de Comunicación (3 Vols.). Barcelona: UOC, 2011.
• Corbin, Juliet M.; Strauss, Anselm. Basics of Qualitative Research: Techniques and Procedures for Developing Grounded Theory. London: Sage, 2015.
• Creswell, John W. Qualitative Inquiry & Research Design: Choosing Among Five Approaches.London: Sage, 2013.
• Creswell, John W. Research Design: Qualitative, Quantitative, and Mixed Methods Approaches. London: Sage, 2014.
• Creswell, John W.; Clark, Vicki L. Plano. Designing and Conducting Mixed Methods Research. London: Sage, 2010.
• Denzin, Norman K.; Lincoln, Yvonna S. The SAGE Handbook of Qualitative Research. London: Sage, 2011.
• Denzin, Norman K.; Lincoln, Yvonna S. (Ed.). Strategies of Qualitative Inquiry. London: Sage, 2013.
• Denscombe, Martin. Ground Rules for Good Research: Guidelines for Good Practice. 2nd edn. Maidenhead, Berkshire: Open University Press – McGraw Hill, 2010.
• Farrugia, Patricia; Petrisor, Bradley A.; Farrokhyar, Forough; Bhandari, Mohit. “Research questions, hypotheses and objectives”. Canadian Journal of Surgery, 2010, 53(4), 278–281.
• Flick, Uwe  (ed). The Sage Handbook of Qualitative Data Analysis. London: Sage, 2014
• Flick, Uwe . Introducing Research Methodology. London: Sage, 2015.
• Flick, Uwe. Designing Qualitative Research. London: Sage, 2017.
• Flick, Uwe. Managing Quality in Qualitative Research. Sage: London, 2018
• Gray, David E. Doing Research in the Real World. London: Sage, 2009.
• Hennink, Monique; Hutter, Inge; Bailey, Ajay. Qualitative Research Methods. London: Sage, 2011.
• Hesse-Biber, Sharlene Nagy (ed.). The Handbook of Emergent Technologies in Social Research. New York: Oxford Univ. Press, 2011.
• Jensen, Klaus Bruhn  (Ed.). A Handbook of Media and Communication Research: Qualitative and Quantitative Methodologies. Oxon: Routledge, 2012.
• Kara, Helen. Creative Research Methods in the Social Sciences: A Practical Guide. Bristol: Policy Press, 2015.
• Lapan, Stephen D.  et al. Qualitative Research: An Introduction to Methods and Designs. San Francisco: Jossey-Bass (Wiley): 2012.
• Maxwell, Joseph A.  Qualitative Research Design: An Interactive Approach. London: Sage, 2012.
• Merriam, Sharan B.; Tisdell, Elizabeth J. Qualitative Research: A Guide to Design and Implementation. San Francisco: Jossey-Bass (Wiley): 2014.
• Merrigan, Gerianne; Huston, Carole L. Communication Research Methods. New York: Oxford University Press, 2015.
• Meso, Koldobika; Aguirreazkuenaga, Irate; Larrondo, Ainara  (Eds.). Active Audiences and Journalism. Servicio Editorial de la Universidad del País Vasco: 2015
• Miles, Matthew B.; Huberman,  A. Michael; Saldaña, Johnny. Qualitative Data Analysis. A Methods Sourcebook. London: Sage, 2014.
• O`Reilly, Michelle; Kiyimba, Nikki. Advanced Qualitative Research. A guide to using theory. London: Sage, 2015.
• Packer, Martin J. The Science of Qualitative Research. Cambridge: Cambridge University Press, 2018
• Patton, Michael Q. Qualitative Research & Evaluation Methods. London: Sage, 2002.
• Ravitch, Sharon M.; Carl, Nicole C. Mittenfelner. Qualitative Research: Bridging the Conceptual, Theoretical, and Methodological. London: Sage, 2016.
• Ritchie, Jane et al. Qualitative Research Practice: A Guide for Social Science Students and researchers. London: Sage, 2014.
• Silverman, David (Ed.). Qualitative Research. London: Sage, 2011.
• Silverman, David. Doing Qualitative Research: A Practical Handbook . London: Sage, 2013.
• Scott, Greg;  Garner, Roberta. Doing Qualitative Research: Design, Methods and Techniques. Boston: Pearson, 2013.
• Savin-Baden, Maggi; Major, Howell, Claire (eds). Qualitative Research. The essential guide to theory and practice. London: Routledge, 2013
• Schreider, Margrit. Qualitative Content Analysis in Practice. London: Sage, 2012.
• Schwandt, Thomas A. The SAGE Dictionary of Qualitative Inquiry. London: Sage, 2015.
• Thyer, Bruce A. The Handbook of Social Work Research Methods. London: Sage, 2010.
• Tracy, Sarah J. Qualitative Research Methods: Collecting Evidence, Crafting Analysis, Communicating Impact. Chichester, West Sussex: Wiley-Blackwell, 2013.
• Treadwell, Donald. Introducing Communication Research: Path of Inquiry. London: Sage, 2014.
• Trochim, William M. K. . Research Method Knowledge Base [sitio web]. Acceso: http://www.socialresearchmethods.net/kb/. Edición consultada: 2006.
• Valles, Miguel S. Entrevistas cualitativas. Madrid, Centro de Investigaciones Sociológicas, 2009
• Yin, Robert K. Qualitative Research from Start to Finish. New York: Guilford Press, 2015.
• Williams, David. Qualitative Inquiry in Daily Life: Exploring Qualitative Thought [sitio web]. Acceso: https://qualitativeinquirydailylife.wordpress.com/. Consulta. Septiembre 2016.

Estudios de caso

• Coller, Xavier. Estudios de caso. Madrid: CSIC, 2005
• Emmel, Nick. Sampling and Choosing Cases in Qualitative Research: A realist approach. London: Sage, 2013
• Flyvbjerg, Bent. “Case Study”. En: Denzin, N.; Lincoln, Y. Strategies of Qualitative Inquiry. pp. 169-204. London: Sage, 2013.
• Gerring, John. Case Study Research: Principles and Practices. Cambridge: Cambridge University Press, 2017.
• Kelle, Udo. «Theorization from Data». In: Flick, Uwe. The SAGE Handbook of Qualitative Data Analysis. London: Sage, 2014, p. 555-568.
• Maxwell, Joseph A.; Chmiel, Margaret. «Generalization in and from Qualitative Analysis». In: Flick, Uwe. The SAGE Handbook of Qualitative Data Analysis. London: Sage, 2014, p. 541-553.
• Thomas, Gary. How to do your Case Study. London: Sage, 2011.
• Yin, Robert K. Case Study Research: Design and Methods. London: Sage, 2018.

Análisis de datos cualitativos

• Auerbach, Carl; Silverstein, Louise B. Qualitative Data: An Introduction to Coding and Analysis. New York: NYU Press, 2003.
• Banks, Marcus. Using Visual Data in Qualitative Research. London: Sage, 2018.
• Bazeley, Patricia. Qualitative Data Analysis: Practical Strategies. London: Sage, 2013
• Bazeley, Patricia. Qualitative Data Analysis with NVivo. London: Sage, 2013
• Bernard, H. Russell; Wutich, Amber ; Ryan, Gery W. Analyzing Qualitative Data: Systematic Approaches. London: Sage, 2016.
• Cooper, Harris. Research Synthesis and Meta-Analysis. London: Sage, 2016.
• Flick, Uwe. The SAGE Handbook of Qualitative Data Analysis. London. Sage, 2014.
• Friese, Susanne. Qualitative Data Analysis with ATLAS.ti. London: Sage, 2014.
• Gibbs, Graham R. Analyzing Qualitative Data. London: Sage, 2018
• Grbich, Carol. Qualitative Data Analysis: An Introduction. London: Sage, 2012.
• Harding, Jamie. Qualitative Data Analysis from Start to Finish. London: Sage, 2013.
• Major, Claire Howell; Savin-Baden, Maggi. An Introduction to Qualitative Research Synthesis: Managing the Information Explosion in Social Science Research. London: Routledge, 2012.
• Saini, Michael; Shlonsky, Aron. Systematic Synthesis of Qualitative Research. Oxford University Press, 2012.
• Saldaña, Johnny. The Coding Manual for Qualitative Researchers. London: Sage, 2015.

Revistas científicas y evaluación de la ciencia

• Abadal, Ernest  (ed.). Revistas científicas: situación actual y retos de futuro. Barcelona: Edicions de la Universitat de Barcelona, 2017, 273 pp. (978-84-9168-8 | 978-84-9168-038-3).
• Cantu-Ortiz, Francisco J. (Ed.). Research Analytics: Boosting University Productivity and Competitiveness through Scientometrics. New York: Auerbach Publications, 2018.
• Hames, Irene (2007).  Peer Review and Manuscript Management in Scientific Journals: Guidelines for Good Practice. London: Blackwell.
• Marc Ware Consulting. Publishing Research Consortium Peer review survey 2015. Acceso: http://publishingresearchconsortium.com > peer-review-survey-2015/
• Nicholas, D., Watkinson, A., Jamali, H.R., Herman, E., Tenopir, C., Volentine, R., Allard, S., Levine, K. (2015) Peer review: still king in the digital age. Learned Publishing, 28, 15-21. doi: 10.1087/20150104.
• Nicholas, D., Watkinson, A., Volentine, R., Allard, S., Levine, K., Tenopir, C., & Herman, E. (2014). “Trust and Authority in Scholarly Communications in the Light of the Digital Transition: setting the scene for a major study”. Learned Publishing, 27, 121–134. doi:10.1087/20140206
• Vesnic-Alujevic, L. (2014). “Peer review and scientific publishing in times of web 2.0. Publishing” Research Quarterly. doi:10.1007/s12109-014-9345-8.

Cómo se hace una tesis o un trabajo final de máster

• Bell, Judith; Waters, Stephen. Doing your Research Project: A Guide for first-time Researchers.Berkshire: McGraw Hill, 2014.
• Bloomberg, Linda Dale; Volpe, Marie. Completing Your Qualitative Dissertation: A Road Map From Beginning to End. 3r ed. London: Sage Publishing, 2016.
• Boote, David N.; Beile, Penny. “Scholars Before Researchers: On the Centrality of the Dissertation Literature Review in Research Preparation”. Educational Researcher, August-September, 2005, v34, n.6, p. 3-13.
• Blaxter, Loraine; Hughes, Christina; Tight, Malcolm. How to Research. Berkshire: McGraw Hill, 2010.
• Dunleavy, Patrick . Authoring a PhD: How to plan, draft, write and finish a doctoral thesis or dissertation. Hampshire: Macmillan, 2013.
• James, E. Alana; H. Slater, Tracesea. Writing your Doctoral Dissertation or Thesis Faster. London: Sage, 2014.
• Oliver, Paul. Writing your Thesis. London: Sage, 2014.
• Winstanley, Carrie. Writing a Dissertation for Dummies. Indiana: Wiley, 2009.

Aproximaciones sistemáticas en revisiones bibliográficas

• Boland, Angela; Cherry, M. Gemma; Dickson, Rumona. Doing a Systematic Review: A Student’s Guide. London: Sage, 2014.
• Booth, Andrew; Sutton, Anthea; Papaioannou, Diana. Systematic Approaches to a Successful Literature Review. London: Sage, 2016.
• Cooper, Harris. Research Synthesis and Meta-Analysis: A Step-by-Step Approach. London: Sage, 2016.
• Dixon-Woods, Mary et al. “Conducting a critical interpretive synthesis of the literature on access to healthcare by vulnerable groups”. BMC Medical Research Methodology, July 2006 v. 6, n. 35. https://doi.org/10.1186/1471-2288-6-35
• Fink, Arlene. Conducting Research Literature Reviews: From the Internet to Paper: London: Sage, 2014.
• Gough, David; Oliver, Sandy; Thomas, James. An Introduction to Systematics Reviews. London: Sage, 2012.
• Hart, Christopher. Doing a Literature Review: Releasing the Social Science Research Imagination. London: Sage, 2008.
• Jesson, Jill K.; Matheson, Lydia; Lacey, Fiona M. Doing your Literature Review: Traditional and Systematic Techniques. London: Sage, 2011.
• Machi, Lawrence A.; McEvoy, Brenda T.. The Literature Review: Six Steps to Success. Thousand Oaks, California: Corwin, 2012.
• Major, Claire H.; Savin-Baden, Maggi. An introduction to Qualitative Research Synthesis: Managing the Information Explosion in Social Science Research. New York: Routledge, 2010.
• Noblit, George; Hare, Dwight R. Meta-Ethnography: Synthesizing Qualitative Studies. London: Sage, 1988.
• Pan, M. Ling. Preparing Literature Reviews: Qualitative and Quantitative Approaches. London: Routledge, 2017.
• Petticrew, Mark; Roberts, Helen. Systematic Reviews in the Social Sciences: A Practical Guide. Oxford: Blackwell, 2006.
• Ridley, Diana. The Literature Review: A Step-by-Step Guide for Students. London: Sage, 2012.
• Sandelowski, Margarete; Barroso; Julie. Handbook for Synthesizing Qualitative Research. New York:  Springer, 2007.
• Shkedi, Asher. Qualitative Data Analysis. Tel Aviv: Contento De Semrik, 2014.

Metodologías

• Aurini, Janice D.; Heath, Melanie; Howells, Stephanie. The How To of  Qualitative Research. London: Sage, 2016.
• Bell, Judith. Doing Your Research Project: A Guide For First-Time Researchers. London: Open University Press, 2014
• Blaxter, Loraine. How To Research (Open Up Study Skills). New York: McGraw Hill International, 2006.
• Brinkmann, Sven. Qualitative Inquiry in Everyday Life. London: Sage, 2012.
• Bryman, Alan. Social Research Methods. New York: Oxford University Press, 2012.
• Cassell, Catherine; Simon, Gillian. Essential Guide to Qualitative Methods in Organizational Research. London: Sage, 2004.
• Cavaller, Víctor  et al. Audiencia y Visibilidad en los Medios de Comunicación (3 Vols.). Barcelona: UOC, 2011.
• Corbin, Juliet M.; Strauss, Anselm. Basics of Qualitative Research: Techniques and Procedures for Developing Grounded Theory. London: Sage, 2015.
• Creswell, John W. Qualitative Inquiry & Research Design: Choosing Among Five Approaches. London: Sage, 2013.
• Creswell, John W. Research Design: Qualitative, Quantitative, and Mixed Methods Approaches. London: Sage, 2014.
• Creswell, John W.; Clark, Vicki L. Plano. Designing and Conducting Mixed Methods Research. London: Sage, 2010.
• Denzin, Norman K.; Lincoln, Yvonna S. The SAGE Handbook of Qualitative Research. London: Sage, 2011.
• Denzin, Norman K.; Lincoln, Yvonna S. (Ed.). Strategies of Qualitative Inquiry. London: Sage, 2013.
• Denscombe, Martin. Ground Rules for Good Research: Guidelines for Good Practice. 2nd edn. Maidenhead, Berkshire: Open University Press – McGraw Hill, 2010.
• Farrugia, Patricia; Petrisor, Bradley A.; Farrokhyar, Forough; Bhandari, Mohit. «Research questions, hypotheses and objectives». Canadian Journal of Surgery, 2010, 53(4), 278–281.
• Flick, Uwe  (ed). The Sage Handbook of Qualitative Data Analysis. London: Sage, 2014
• Flick, Uwe . Introducing Research Methodology. London: Sage, 2015.
• Gray, David E. Doing Research in the Real World. London: Sage, 2009.
• Harding, Jamie. Qualitative Data Analysis from Start to Finish. London: Sage, 2013
• Hennink, Monique; Hutter, Inge; Bailey, Ajay. Qualitative Research Methods. London: Sage, 2011.
• Hesse-Biber, Sharlene Nagy (ed.). The Handbook of Emergent Technologies in Social Research. New York: Oxford Univ. Press, 2011.
• Jensen, Klaus Bruhn  (Ed.). A Handbook of Media and Communication Research: Qualitative and Quantitative Methodologies. Oxon: Routledge, 2012.
• Kara, Helen. Creative Research Methods in the Social Sciences: A Practical Guide. Bristol: Policy Press, 2015.
• Lapan, Stephen D.  et al. Qualitative Research: An Introduction to Methods and Designs. San Francisco: Jossey-Bass (Wiley): 2012.
• Lindlof, Thomas R.; Taylor, Bryan C. Qualitative Communication Research Methods. London: Sage, 2011.
• Maxwell, Joseph A.  Qualitative Research Design: An Interactive Approach. London: Sage, 2012.
• Merriam, Sharan B.; Tisdell, Elizabeth J. Qualitative Research: A Guide to Design and Implementation. San Francisco: Jossey-Bass (Wiley): 2014.
• Merrigan, Gerianne; Huston, Carole L. Communication Research Methods. New York: Oxford University Press, 2015.
• Meso, Koldobika; Aguirreazkuenaga, Irate; Larrondo, Ainara  (Eds.). Active Audiences and Journalism. Servicio Editorial de la Universidad del País Vasco: 2015
• Miles, Matthew B.; Huberman,  A. Michael; Saldaña, Johnny. Qualitative Data Analysis. A Methods Sourcebook. London: Sage, 2014.
• O’Leary, Zina. The Essential Guide to Doing Research. London: Sage, 2004.
• O`Reilly, Michelle; Kiyimba, Nikki. Advanced Qualitative Research. A guide to using theory. London: Sage, 2015.
• Packer, Martin J. The Science of Qualitative Research. Cambridge: Cambridge University Press, 2018
• Ravitch, Sharon M.; Carl, Nicole C. Mittenfelner. Qualitative Research: Bridging the Conceptual, Theoretical, and Methodological. London: Sage, 2016.
• Ritchie, Jane et al. Qualitative Research Practice: A Guide for Social Science Students and researchers. London: Sage, 2014.
• Robson, Colin. Real World Research. West Sussex: Wiley, 2011.
• Silverman, David (Ed.). Qualitative Research. London: Sage, 2011.
• Silverman, David. Doing Qualitative Research: A Practical Handbook . London: Sage, 2013.
• Scott, Greg;  Garner, Roberta. Doing Qualitative Research: Design, Methods and Techniques. Boston: Pearson, 2013.
• Savin-Baden, Maggi; Major, Howell, Claire (eds). Qualitative Research. The essential guide to theory and practice. London: Routledge, 2013
• Schreider, Margrit. Qualitative Content Analysis in Practice. London: Sage, 2012.
• Thyer, Bruce A. The Handbook of Social Work Research Methods. London: Sage, 2010.
• Tracy, Sarah J. Qualitative Research Methods: Collecting Evidence, Crafting Analysis, Communicating Impact. Chichester, West Sussex: Wiley-Blackwell, 2013.
• Treadwell, Donald. Introducing Communication Research: Path of Inquiry. London: Sage, 2014.
• Trochim, William M. K. . Research Method Knowledge Base [sitio web]. Acceso: http://www.socialresearchmethods.net/kb/. Edición consultada: 2006.
• Yin, Robert K. Qualitative Research from Start to Finish. New York: Guilford Press, 2015.
• Williams, David. Qualitative Inquiry in Daily Life: Exploring Qualitative Thought [sitio web]. Acceso: https://qualitativeinquirydailylife.wordpress.com/. Consulta. Septiembre 2016.

Estudios de caso

• Coller, Xavier. Estudios de Caso. Madrid: CSIC, 2005
• Flyvbjerg, Bent. “Case Study”. En: Denzin, N.; Lincoln, Y. Strategies of Qualitative Inquiry. pp. 169-204. London: Sage, 2013.
• Thomas, Gary. How to do your Case Study. London: Sage, 2011.
• Yin, Robert K. Case Study Research: Design and Methods. London: Sage, 2014.

Análisis de datos cualitativos

• Auerbach, Carl; Silverstein, Louise B. Qualitative Data: An Introduction to Coding and Analysis. New York: NYU Press, 2003.
• Bazeley, Patricia. Qualitative Data Analysis: Practical Strategies. London: Sage, 2013
• Bazeley, Patricia. Qualitative Data Analysis with NVivo. London: Sage, 2013
• Bernard, H. Russell; Wutich, Amber Y. ; Ryan, Gery W. Analyzing Qualitative Data: Systematic Approaches. London: Sage, 2016.
• Cooper, Harris. Research Synthesis and Meta-Analysis. London: Sage, 2016.
• Friese, Susanne. Qualitative Data Analysis with ATLAS.ti. London: Sage,2014
• Grbich, Carol. Qualitative Data Analysis: An Introduction. London: Sage, 2012.
• Harding, Jamie. Qualitative Data Analysis from Start to Finish. London: Sage, 2013.
• Major, Claire Howell; Savin-Baden, Maggi. An Introduction to Qualitative Research Synthesis: Managing the Information Explosion in Social Science Research. London: Routledge, 2012.
• Saini, Michael; Shlonsky, Aron. Systematic Synthesis of Qualitative Research. Oxford University Press, 2012.
• Saldaña, Johnny. The Coding Manual for Qualitative Researchers. London: Sage, 2015.

Revistas científicas y evaluación de la ciencia

• Abadal, Ernest  (ed.). Revistas científicas: situación actual y retos de futuro. Barcelona: Edicions de la Universitat de Barcelona, 2017, 273 pp. (978-84-9168-8 | 978-84-9168-038-3).
• Cantu-Ortiz, Francisco J. (Ed.). Research Analytics: Boosting University Productivity and Competitiveness through Scientometrics. New York: Auerbach Publications, 2018.
• Hames, Irene (2007).  Peer Review and Manuscript Management in Scientific Journals: Guidelines for Good Practice. London: Blackwell.
• Marc Ware Consulting. Publishing Research Consortium Peer review survey 2015. Acceso: http://publishingresearchconsortium.com > peer-review-survey-2015/
• Nicholas, D., Watkinson, A., Jamali, H.R., Herman, E., Tenopir, C., Volentine, R., Allard, S., Levine, K. (2015) Peer review: still king in the digital age. Learned Publishing, 28, 15-21. doi: 10.1087/20150104.
• Nicholas, D., Watkinson, A., Volentine, R., Allard, S., Levine, K., Tenopir, C., & Herman, E. (2014). “Trust and Authority in Scholarly Communications in the Light of the Digital Transition: setting the scene for a major study”. Learned Publishing, 27, 121–134. doi:10.1087/20140206.
• Roemer, Robert C.; Borchardt, Rachel. Meaningful Metrics: A 21st-Century Librarian’s Guide to Bibliometrics, Altmetrics, and Research Impact. Illinois: Association of College and Research Libraries, 2015.
• Vesnic-Alujevic, L. (2014). “Peer review and scientific publishing in times of web 2.0. Publishing” Research Quarterly. doi:10.1007/s12109-014-9345-8.

Anexo 

Investigación cuantitativa vs qualitativa vs conceptual

Se han vertido toneladas de tinta explicando las diferencias entre la investigación cuantitativa y la cualitativa, pero no tanto sobre la conceptual. Además, la diferencia entre las dos primeras no siempre se explica de forma muy acertada.

Creo que una de las formas más certeras de definir la diferencia entre «cuali» y «cuanti» es la que pone el énfasis en la validez estadística, y no tanto en el uso (o no) de datos numéricos. Por ejemplo, muchos estudios que utilizan categorías cualitativas para analizar información (p.e. análisis de contenido) pueden producir números y porcentajes.

Es decir, no se trata tanto de que la cuantitativa usa datos numéricos, y la cualitativa no; sino que, aunque la cualitativa utilice tal tipo de datos, no se persigue la validez estadística de los mismos, porque tal vez proceden de un pequeño número de casos, incluso con N=1.

Entonces, una de las características más significativas de la cualitativa es que, ya que utiliza pocos casos, profundiza mucho más en cada uno de ellos de una forma que los métodos cuanti no pueden hacer.

De aquí, el estudio de caso como uno de los métodos privilegiados de la cualitativa. Por supuesto, otra característica de la cualitativa es que utiliza otras formas de representación de la información diferente de números, tìpicamente palabras, pero también imágenes.

Ahora bien, cuando se comparan entre ellas, se da por supuesto que tanto la cuali como la cuanti utilizan datos procedentes de alguna forma de investigación de campo, cosa que involucra siempre el concepto de población, referido éste, a su vez, a poblaciones humanas, como cuando en la cuanti se comprueba la efectividad de un tratamiento médico con una determinada  población, o como cuando en la cuali se llevan a cabo focus group o entrevistas en profundidad con un grupo de personas para conocer sus actitudes ante un determinado programa.

Por lo que hace a la investigación conceptual, comparte con la cuali que no utiliza datos numéricos con pretensión de validez estadística; pero aquello que la caracteriza de manera más profunda es que no  necesariamente realiza investigaciones de campo que afecten a individuos, poblaciones o colectivos humanos.

En su lugar,  trabaja o bien con objetos de estudio distintos de poblaciones humanas (p.e. analiza interfaces de sistemas de información), o bien trabaja a nivel lógico/conceptual, por ejemplo con revisiones sistemáticas, o bien realiza investigación histórica mediante el análisis de documentos, por citar algunos ejemplo. Esto no significa que la investigación conceptual no utilice datos, o que no lleve a cabo estudios de caso, o incluso experimentos. 

La cuestión es que se trata de una forma de investigación que se utiliza en muchas disciplinas, desde la Física (p.e. los «experimentos mentales» de Einstein y de Galileo, y de tantos físicos teóricos ) hasta la Economía (p.e., los trabajos de Daron Acemoglu y James A. Robinson), pasando por el Derecho y las Ciencias Políticas (p.e. los trabajos de John Rawls) y por supuesto por la Filosofía (p.e. las «investigaciones filosóficas» de Wittgenstein, Thomas Kuhn o Karl Popper).

La cuestión es que con frecuencia se soslaya la investigación conceptual cuando nos centramos en las diferencia entre cuali y cuanti. Tanto la cuali como la cuanti ya hemos dicho que tienen en común el hecho de trabajar con datos obtenido de investigaciones de campo, lo cual les otorga un inesperado parentesco cuando se comparan con la conceptual.

Por cierto, un experimento también es un caso de N=1 y nadie duda de su eficacia para hacer avanzar la ciencia. Eso sí, deben estar protocolarizados y documentados de modo que otros investigadores puedan replicar y, en su caso, falsar el experimento.