Tipos de investigación social en la era de la inteligencia artificial

 Introducción

La investigación social ha experimentado una transformación profunda en las últimas décadas. Tradicionalmente basada en métodos cualitativos y cuantitativos clásicos, hoy se enfrenta a un nuevo escenario marcado por la digitalización masiva de datos, el desarrollo de algoritmos de inteligencia artificial y la automatización del análisis científico.

En este contexto, los tipos de investigación no desaparecen, pero sí se reorganizan y se amplían. La inteligencia artificial (IA) no sustituye la lógica científica, sino que introduce nuevas formas de recolección, procesamiento e interpretación de la información.

Este artículo actualiza la tipología clásica de la investigación —según objeto de estudio, nivel de conocimiento y tipo de variables— incorporando las tendencias contemporáneas de la investigación social digital e inteligente.

Esquema del artículo

TIPOS DE INVESTIGACIÓN SOCIAL + IA NORMALMENTE INTEGRADOS
1. Por el objeto de estudio

        └─Teórica
        └─ Aplicada
2. Por el nivel de conocimiento
        ├─ Exploratoria
        ├─ Descriptiva
        └─ Explicativa
3. Por variables a analizar
        ├─ Cualitativa
        ├─ Cuantitativa
        └─ Computacional
4. Inteligencia Artificial Integrada
        ├─ Búsqueda de información
        ├─ Análisis de datos
        ├─ Predicción
        └─ Simulación
5. Investigación Social Contemporánea
→ Mayor nivel del conocimiento científico con datos masivos, automatización, interdisciplinariedas o relación de causalidad entre ciencias y disciplinas. Transformación positiva en metodología de investigación social.
→ Mayor nivel de omprensión de la realidad social. Elevación del nivel de abstracción y capacidad crítica del investigador social.

1. Tipos de investigación según el objeto de estudio en la era digital

1.1 Investigación teórica o pura potenciada por IA

La investigación teórica sigue siendo el núcleo de la producción científica, pero ahora se apoya en sistemas de inteligencia artificial para acelerar la revisión de literatura, la detección de patrones conceptuales y la organización del conocimiento.

Sus características actuales incluyen:

• Uso de asistentes de IA para análisis bibliográfico.
• Exploración automatizada de grandes bases de datos académicas.
• Modelos de lenguaje para síntesis conceptual.
• Mayor velocidad en la construcción teórica.

En economía política, por ejemplo, la IA permite comparar automáticamente cientos de teorías del precio, facilitando análisis comparativos más amplios.

1.2 Investigación aplicada basada en datos masivos

La investigación aplicada contemporánea está profundamente ligada al uso de big data y algoritmos predictivos. Su objetivo sigue siendo resolver problemas concretos, pero ahora lo hace con herramientas computacionales avanzadas.

Características principales:

• Uso de datos en tiempo real.
• Modelos predictivos basados en aprendizaje automático.
• Simulación de escenarios sociales y económicos.
• Optimización de políticas públicas mediante IA.

Ejemplo: sistemas que predicen pobreza, desempleo o inflación a partir de datos masivos de consumo, empleo y movilidad.

2. Tipos de investigación según el nivel de conocimiento en la investigación contemporánea

2.1 Investigación exploratoria aumentada por IA

La fase exploratoria ha sido una de las más transformadas por la inteligencia artificial. Hoy es posible analizar millones de documentos, redes sociales o bases de datos sin estructuras físicas previas como bibliotecas, visitas de campo, uso de, papeles para escritura, por ejemplo..

Características actuales:

• Minería de datos automatizada.
• Análisis de tendencias emergentes en redes digitales.
• Identificación de patrones no visibles al análisis humano tradicional.
• Uso de IA generativa para formular hipótesis iniciales.

Esta fase ya no depende únicamente, en el caso de las ciencias sociales de la intuición o la imaginación sociológica, económica o política del investigador, sino de sistemas que detectan correlaciones iniciales en grandes volúmenes de información.

2.2 Investigación descriptiva digital

La investigación descriptiva contemporánea se basa en la visualización y estructuración de grandes volúmenes de datos.

Sus características incluyen:

• Tableros interactivos (dashboards).
• Estadísticas en tiempo real.
• Cartografía digital de fenómenos sociales.
• Descripción automatizada mediante IA.

Por ejemplo, hoy es posible describir la desigualdad social utilizando mapas dinámicos que se actualizan continuamente con datos fiscales, laborales y demográficos.

2.3 Investigación explicativa o analítica algorítmica

Este nivel ha sido profundamente transformado por la inteligencia artificial, especialmente mediante modelos de aprendizaje automático y econometría avanzada.

Características actuales:

• Modelos predictivos complejos (machine learning).
• Identificación automática de relaciones causales probabilísticas.
• Simulación de sistemas sociales complejos.
• Uso de algoritmos para detectar correlaciones ocultas.

Sin embargo, un desafío central es que la IA no siempre explica causalidad en sentido teórico, sino correlaciones estadísticas o correlaciones formales cualitativas. Por ello, el rol del investigador sigue siendo fundamental para interpretar los resultados, para ratificar, modificar, desarrollar o descubir leyes que rigen el comportamiento de los fenómenos que son objeto de estudio, incluída la misma IA.

3. Tipos de investigación según las variables: cualitativa, cuantitativa y computacional

3.1 Investigación cualitativa digital

La investigación cualitativa no ha desaparecido; se ha transformado mediante herramientas digitales.

Características actuales:

• Análisis de discursos mediante IA (análisis de sentimiento y pensamiento).
• Procesamiento de entrevistas con software de transcripción automática.
• Estudio de interacciones en redes sociales.
• Interpretación de narrativas digitales.

Esto permite analizar fenómenos culturales a una escala antes imposible.

3.2 Investigación cuantitativa automatizada

La investigación cuantitativa ha evolucionado hacia la automatización estadística.

Características:

• Análisis masivo de bases de datos (big data).
• Modelos econométricos automatizados.
• Predicción estadística en tiempo real.
• Uso de IA para limpieza y estructuración de datos.

En este contexto, la estadística ya no depende únicamente del investigador, sino de sistemas computacionales que ejecutan análisis complejos de manera autónoma.

3.3 Investigación computacional o híbrida (emergente)

Una de las grandes novedades contemporáneas es la aparición de un tercer enfoque: la investigación computacional o híbrida.

Este tipo combina:

• Métodos cualitativos,
• Métodos cuantitativos,
• Algoritmos de inteligencia artificial.

Características:

• Simulación de sistemas sociales complejos.
• Modelos híbridos humano–máquina.
• Uso de redes neuronales para análisis social.
• Integración de textos, imágenes y datos numéricos.

Este enfoque es especialmente importante en economía política, sociología digital y estudios de sistemas complejos.

4. Integración de los niveles clásicos con la inteligencia artificial

El esquema tradicional sigue siendo válido, pero ahora se expande:

• La investigación teórica se acelera con IA.
• La investigación aplicada se vuelve predictiva.
• La exploratoria se automatiza mediante minería de datos.
• La descriptiva se vuelve visual y dinámica.
• La explicativa incorpora modelos algorítmicos.

Sin embargo, existe un principio fundamental: la inteligencia artificial no reemplaza la teoría, la amplifica. Los algoritmos pueden identificar patrones, pero la interpretación crítica sigue siendo una tarea humana.

5. Características generales de la investigación social contemporánea

5.1 Predominio del dato masivo

La investigación actual se basa en grandes volúmenes de información generados por sistemas digitales, redes sociales, sensores y plataformas económicas.

5.2 Automatización del análisis

Muchos procesos de clasificación, limpieza y análisis de datos son realizados por IA, reduciendo el tiempo de investigación.

5.3 Interdisciplinariedad

La investigación contemporánea combina economía, sociología, informática, estadística y ciencia de datos.

5.4 Importancia de la interpretación crítica

A pesar del avance tecnológico, la interpretación sigue siendo central. La IA puede procesar datos, pero no sustituye el juicio teórico ni el análisis histórico-social.

5.5 Relación entre correlación y causalidad

Uno de los principales desafíos actuales es distinguir entre correlación algorítmica y causalidad teórica, especialmente en estudios sociales complejos.

Conclusión

La tipología de la investigación social no ha desaparecido en la era de la inteligencia artificial; por el contrario, se ha ampliado y complejizado. Los enfoques teóricos, aplicados, exploratorios, descriptivos y explicativos siguen siendo fundamentales, pero ahora se articulan con herramientas digitales avanzadas.

La inteligencia artificial introduce una nueva capa metodológica: la investigación computacional e híbrida, que combina datos masivos, algoritmos y análisis humano.

En este nuevo escenario, la investigación social se vuelve más rápida, más amplia y más precisa en términos de procesamiento de datos. Sin embargo, su valor científico sigue dependiendo de un elemento esencial: la capacidad humana de interpretar críticamente la realidad.

Sobre lo cualitativo y lo cuantitativo

Una explicación de estos planteamientos básicos:

• El hecho de que todo fenómeno, de la naturaleza, de la sociedad y del pensamiento, tiene leyes, sobre todo, conceptos y teorías que caracterizan su proceso de cambio, y su dinámica llena de procesos y problemas consustanciales.
• Estan implícitas en ello su medición cuantitativa, en donde los números, funciones, ecuaciones, proyecciones, concretos o abstractos expresan en cantidades esas cualidades o calidades. 
• En definitiva, lo cuantitativo es una propiedad de lo cualitativo y no al revés.

¿Por qué todo fenómeno tiene leyes? Lo cuantitativo depende de lo cualitativo

Vivimos en un mundo lleno de cambios. Todo se transforma: la naturaleza, la sociedad, nuestras ideas. Pero estos cambios no ocurren por casualidad. Cada fenómeno, por simple o complejo que parezca, tiene leyes internas que lo rigen. Desde la caída de una hoja hasta una crisis económica, todo responde a ciertos principios que, aunque no siempre los veamos a simple vista, están ahí, funcionando como un reloj oculto detrás de la realidad.

Esto no significa que todo sea predecible con exactitud, pero sí que nada sucede sin una razón. Comprender esas razones es lo que ha movido a la humanidad a desarrollar ciencia, filosofía, arte. Y es ahí donde entran los conceptos y teorías: herramientas que nos permiten entender el “por qué” y el “cómo” de las cosas. No se trata solo de acumular datos, sino de encontrar el sentido detrás de ellos.

Y hablando de datos, llegamos al tema de lo cuantitativo: números, porcentajes, ecuaciones, proyecciones. Todos esos elementos son fundamentales para analizar los fenómenos. Pero hay algo muy importante que muchas veces se olvida: los números por sí solos no explican nada si no entendemos la cualidad que están representando. Es decir, lo cuantitativo no tiene vida propia; es una forma de expresar en cifras algo que tiene una naturaleza más profunda, cualitativa.

Pongamos un ejemplo sencillo. Si decimos que una ciudad tiene 35 grados centígrados, estamos usando un número. Pero ese número representa una sensación de calor, un estado físico del ambiente, incluso una condición que afecta el ánimo y la salud de las personas. El número es una manera de capturar esa cualidad. Lo mismo ocurre si hablamos del desempleo, del crecimiento económico, del rendimiento escolar: detrás de cada cifra hay una historia, un proceso, una dinámica social o natural que no se entiende solo mirando el número.

Es común pensar que “los datos hablan por sí solos”. Pero eso no es del todo cierto. Los datos necesitan ser interpretados. Necesitan contexto, teoría, una mirada crítica. Porque los fenómenos no son estáticos; están en movimiento, están llenos de contradicciones y problemas. Cambian con el tiempo, y a veces ese cambio es tan profundo que se transforma no solo la cantidad de algo, sino su naturaleza.

Un ejemplo de esto lo encontramos en muchos procesos sociales o naturales. Un aumento gradual de la temperatura en el planeta, por ejemplo, no solo implica “más calor”: en cierto punto, eso puede desencadenar transformaciones cualitativas en los ecosistemas, en las formas de vida, en los hábitos humanos. Es decir, cuando lo cuantitativo se acumula, puede llevar a un salto cualitativo. Lo mismo puede pasar en la economía, en la política, en la cultura.

Por eso, si queremos entender de verdad lo que ocurre a nuestro alrededor, no basta con mirar los números. Hay que mirar más allá, preguntarnos qué significan, qué procesos expresan, qué problemas revelan. Solo así podremos tener una comprensión profunda y actuar con mayor conciencia.

Todo fenómeno —sea natural, social o mental— tiene leyes y dinámicas propias. Estudiarlos es buscar esas leyes, construir conceptos y teorías que nos permitan entenderlos. Y si bien lo cuantitativo es una herramienta poderosa, nunca debemos olvidar que siempre está al servicio de lo cualitativo. El número es importante, sí, pero solo tiene sentido cuando lo conectamos con la realidad viva que intenta representar.

Consulta inducida, razonada y revisada, a ChatGPT 05-09-2025

Tipos y Métodos de Investigación

 

Sugerencias para una Investigación Exploratoria

Sugerencias para una INVESTIGACIÓN EXPLORATORIA.

Evaristo Hernández

03/2023

1. El proceso del conocimiento viaja de lo superficial a lo profundo. De la comprensión simple de las cosas a la comprensión de la complejidad de las cosas. De la comprensión descriptiva de las cosas a la comprensíón explicativa de las cosas. Entendiendo las cosas como los fenómenos de todo tipo: de la naturaleza, de la sociedad o del pensamiento.

2. La investigación se inicia con recolección de información, la información que se recopila puede ser teórica y práctica, puede provenir, por ejemplo, de los libros, o de la experiencia o experimentación. Por eso usualmente se dice que las fuentes de información son bibliográficas, por un lado o de campo, por otro lado.

3. La inventigación tiene dos dimensiones inter relacionadas: una dimensión descriptiva y una dimensión explicativa. No puede existir la una sin la otra. Para explicar una cosa necesitamos conocerla y la conocemos gradualmente, recopilando información acerca de ella. A partir de esa información recopilada pienso, reflexiono, intentando establecer su forma de funcionamiento, las causas de su comportamiento, su probable evolución y las acciones posibles para incidir en ella.

4. Conforme se avanza en la recolección de la información sobre el tema tratado o la cosa tratada, se van aislando por medio del pensamiento razones causales de la ocurrencia de las cosas, de los problemas que tiene y cómo los resuelve o se resuelven con la acción consciente, con conocimiento del ser humano. Al proceso mediante el cual extraemos mentalmente las razones de causalidad y de casualidad, que ocurren por elementos accidentales, no regulares, en el tema tratado le denominamos "nivel de abstracción" que es en efecto un nivel de extracción mental. El nivel de abstracción varía conforme vamos conocimiento más el fenómeno. La capacidad en el nivel de abstracción es determinante para calificar el nivel profesional.

5. La finalidad de una investigación en el ejercicio de una profesión o en la ciencia, es explicar las cosas, cuáles son sus causas, sus efectos y su tratamiento previsible para obtener determinados resultados.

6. De manera que podemos clasificar la práctica de la investigación académica, cienftífica en dos clases: INVESTIGACIÓN DESCRIPTIVA e INVESTIGACIÓN EXPLICATIVA. Las dos se unen en la INVESTIGACIÓN EXPLORATORIA que se realiza por niveles de abstracción. No es lo mismo por ejemplo, hacer un estudio exploratorio, ya sea descriptivo o explicativo, del Comercio Internacional al inicio de la carrera, que hacerlo como tesis al final de la carrera. No es lo mismo recopilar y describir las cifras del Comercio Internacional y presentarlas en una tabla o gràfica que explicar porqué se comportan de determinada forma las cifras del Comercio Internacional descritas. No puede existir explicación sin descripción, pero puede existir descripción sin explicación causal en un momento, en el entendido que hay razones que explican porque se recoge determinada información.

7. En todo estudio académico científico es necesario tomar en cuenta la historia del fenómeno. Todo fenómeno, toda cosa, tiene pasado, presente y futuro. Es su proceso de desarrollo y cambio lo central. La situaciòn actual tiene relaciòn y se explica por los antecedentes que causaron el comportamiento actual y el comportamiento actual del fenómeno o cosa tratada nos permite visualizar mentalmente, proyectando en nuestro cerebro el posible comportamiento del fenómeno o cosa tratada. En principio en una investigación exploratoria se debe tratar de agrupar la recolección de información en esas tres dimensiones: pasado, presente, futuro  Se le denomina también Método Histórico. 

8. Todo fenómeno tiene CALIDAD y CANTIDAD. Son dos contrarios unidos: lo numérico y lo no numérico. La calidad de las cosas se expresa en cantidades. Para cada una de las tres dimensiones (Pasado, Presente y Futuro) del problema investigado se puede buscar y preferiblemente elaborar un cuadro o mapa mental, para lo cualitativo y un cuadro y gráfica estadística para lo cuantitativo sobre los aspectos que consideren más importantes. La investigación cualitativa se combina con la investigación cuantitativa siempre, aunque predomine una u otra.

Proceso de Investigación Científica. Un esquema.

Tomado de:

Etapas en el proceso de la investigación científica y tecnológica

• Salvador González-Palomares
• Luis Humberto Rivera Cambero
• Héctor Manuel González Sánchez

La investigación científica y tecnológica se basa en procedimientos rigurosos, es sistemática, controlada y crítica. Es decir, existe una disciplina constante para hacer investigación científica y no se dejan los hechos a la casualidad. Implica que se concluye constantemente de manera objetiva y se eliminan las preferencias personales. 2011

Investigación y Exposición

Audio de Investigación y Exposición

Audio de Investigación y Exposición

Esquema de Investigación y Exposición

Evaristo Hernández
2017 06 05

Sugerencias para un cuestionario

*

Explicar la finalidad, destacar la importancia de las opiniones de la persona cuestionada.

Preguntas breves, evitar preguntas largas.

Preguntas claras, no confusas.

Lenguaje directo, evitar expresiones ambiguas o indirectas.

Preguntas dirigidas a relevar el hecho investigado.

Preguntas que no generen temor o inseguridad en la persona cuestionada.

*

Mayéutica como técnica del conocimiento

*

Las negrillas, sangrías, supresión y separación de algunos párrafos son nuestros para efectos de estudio.

Mayéutica

De Wikipedia, la enciclopedia libre

La mayéutica (del griego μαιευτικη, por analogía a Maya, una de las pléyades de la mitología griega),

es una técnica que consiste en interrogar a una persona para hacerla llegar al conocimiento no conceptualizado. La mayéutica se basa en la dialéctica, la cual supone la idea de que la verdad está oculta en la mente de cada ser humano.

La técnica consiste en preguntar al interlocutor acerca de algo (un problema, por ejemplo) y luego se procede a debatir la respuesta dada por medio del establecimiento de conceptos generales. El debate lleva al interlocutor a un concepto nuevo desarrollado a partir del anterior.

Por lo general la mayéutica suele confundirse con la ironía o método socrático y se atribuye a Sócrates.

La invención de este método del conocimiento se remonta al siglo IV a.C. y se atribuye por lo general a Sócrates histórico en referencia a la obra Teeteto de Platón.

Pero el Sócrates histórico empleó la llamada ironía socrática para hacer comprender al interlocutor que lo que se cree saber no está en lo que se pensaba como creencia y que su conocimiento estaba basado en prejuicios. La mayéutica, contrariamente a la ironía, se apoya sobre una teoría de la reminiscencia. Es decir, si la ironía parte de la idea que el conocimiento del interlocutor se basa en prejuicios, la mayéutica cree que el conocimiento se encuentra latente de manera natural en la conciencia y que es necesario descubrirlo.

Este proceso de descubrimiento del propio conocimiento se conoce como dialéctica y es de carácter inductivo.

«Mayéutica» es una simple palabra griega (μαιευτικη) dicha "maieutike" y que traduce obstetricia, es decir, la que se ocupa del parto o embarazo. La madre de Sócrates, Fainarate, era comadrona.

Sócrates modificó el significado médico que tenía mayéutica y lo reorientó al ámbito filosófico.

Mientras el significado real de mayeutica es «El arte de hacer nacer (bebés)» Sócrates lo focalizó en «El arte de hacer nacer (al humano pensador)»

El estilo socrático es que a base de preguntas, el receptor de ellas medite y encuentre la respuesta el mismo..

Posible origen: Diálogo "Teeteto" de Platón.

Los únicos documentos que atribuyen la invención de la mayéutica a Sócrates son los diálogos de Platón El banquete y Teeteto. Por lo tanto, no está históricamente demostrado que Sócrates haya sido su inventor.

Su tema fundamental es la pregunta:

¿Qué es el conocimiento?

Teeteto, un joven estudiante de matemática y ciencias afines, propone tres definiciones que son rechazadas por Sócrates. El saber no puede ser definido ni como percepción, ni como opinión verdadera, ni tampoco como una explicación acompañada de opinión verdadera. Sócrates rebate estos argumentos desde un punto de vista crítico, es decir sólo cuestiona lo que propone Teeteto a través de preguntas y no formula un concepto de lo que es conocimiento.

De este diálogo proviene una definición tradicional del conocimiento, la que lo considera como creencia verdadera justificada.

Técnicas: mayéutica e ironía socrática

Esta técnica, es una evolución de los conocimientos técnicos del orfismo los cuales se basan en la creencia de la Teoría de la reminiscencia y la práctica de la catarsis, especialmente desarrollada en Pitágoras.

La mayéutica consiste en la creencia de que existe un conocimiento que se acumula en la conciencia por la tradición y la experiencia de generaciones pasadas. Por lo tanto, en la mayéutica el individuo es invitado a descubrir la verdad que se encuentra en él latente sin haberla hecho consciente, mientras que la ironía, históricamente creada por Sócrates, combate en el individuo lo erróneo de lo que cree saber y tiene como verdad, siendo falso.

La ironía se dirige a aquellas personas que pretenden saber, pero que en realidad son ignorantes, mientras que la mayéutica se dirige al que se cree un ignorante sin serlo.

El primer texto de Platón (en orden cronológico) que relaciona la mayéutica al personaje Sócrates es El Banquete. Sócrates, que repite las palabras de la sacerdotisa Diotima, dice que el alma de cada hombre está embarazada y que quiere dar a luz. Sin embargo, este parto no puede llevarse a cabo, dice la hermosa Diotima. Es precisamente el papel del filósofo el de ayudar dar a luz al alma (el "partero") y esta luz es la Belleza que se define como el λóγος. De este parto viene la palabra "mayéutica, que traduce "la partera".

El segundo diálogo platónico para comprender la mayéutica puesta en el personaje de Sócrates es el Teéteto. Le recuerda al personaje de este nombre que su madre, Fernareta, era partera, y le advierte que él mismo también se ocupa del arte obstétrico; sólo que su arte se aplica a los hombres y no a las mujeres, y se relaciona con sus almas y no con sus cuerpos. Porque así como la comadrona ayuda a dar de luz, pero ella misma no da a a luz, del mismo modo el arte de Sócrates consiste, no en proporcionar el mismo conocimiento, sino en ayudar al alma de los interrogados a dar a luz los conocimientos de que están grávidas.

En la educación

La mayéutica como método del conocimiento, ha sido especialmente importante en educación, pues compara al filósofo con el educador como el de una partera que porta a la luz al niño. La mayéutica emplea el diálogo como instrumento dialéctico para llegar al conocimiento.

La idea básica del método socrático de enseñanza consiste en que el maestro no inculca al alumno el conocimiento, pues rechaza que su mente sea un receptáculo o cajón vacío en el que se puedan introducir las distintas verdades. En la escuela socrática el discípulo busca el conocimiento a través del diálogo con el maestro.

Otras disciplinas y ciencias se han inspirado en el método mayéutico. En el siglo XX Jacques Lacan ha entendido el psicoanálisis principalmente como un método mayéutico mediante en el cual el analista (psicoanalista) favorece que el analizante (paciente) encuentre su propio proceso, pues este es considerado como quien es en verdad el que tiene (inconscientemente) el saber de lo que le afecta. En tal caso el analista estimula al analizante para que pueda hacer consciente lo que es inconsciente.

Método mayéutico

La mayéutica se integra necesariamente a la ironía socrática, la cual es la primera fase de depuración del pensamiento de prejuicios.

Los elementos básicos del diálogo socrático son la pregunta, la respuesta, el debate y la conclusión.

Entre estos elementos está la idea inicial que puede ser errática o ignorada y la idea final que es a la cual se llega por medio del discernimiento intelectual.

En este sentido se pueden determinar tres fases dentro de la escuela socrática:

La ironía socrática: En esta, el estudiante responde sin pensar mucho en lo que dice. Por lo general, el estudiante o discípulo piensa que lo que cree es cierto, pero en realidad no ha tenido tiempo de desarrollar un pensamiento objetivo acerca de lo que cree. Esto corresponde a lo que se conoce en filosofía como el prejuicio. El filósofo debate la idea que tiene el discípulo por medio de preguntas, hasta que el discípulo descubra que lo que pensaba era errado o incompleto.

La mayéutica: Esta se pone en el segundo nivel del proceso socrático. Libre del prejuicio, el discípulo es invitado a continuar el diálogo para descubrir de manera profunda la coherencia de la verdad. Se parte de la idea que el conocimiento se encuentra latente en la conciencia humana y que es necesario hacerlo nacer, parirlo (partera = mayéutica).

Alétheia: Del griego ἀλήθεια que traduce "Verdadero", es la fase de conclusión en la cual el estudiante se hace dueño de la verdad que ha descubierto. Alétheia traduce literalmente "el no estar oculto", "lo que es evidente".

*

Análisis de Contenido

*

Las negrillas, sangrías, supresión y separación de algunos párrafos son nuestros para efectos de estudio.

Análisis de contenidos

De Wikipedia, la enciclopedia libre

Análisis de contenido (Inglés: content analysis) es una metodología de las disciplinas sociales y de la bibliometría que se enfoca al estudio de los contenidos de la comunicación. Earl Babbie la define como "el estudio de las comunicaciones humanas materializadas tales como los libros, los sitios web, las pinturas y las leyes".

El análisis de contenido parte del principio de que examinando textos es posible conocer no sólo su significado, sino información al respecto de su modo de producción. Es decir, trata los textos no sólo como signos dotados de un significado conocido por su emisor, sino como indicios que dicen sobre ese mismo emisor, o generalizando, indicios sobre el modo de producción de un texto.

El análisis de contenido no es una teoría, sólo un conjunto de técnicas, por lo que es imprescindible que la técnica concreta utilice una teoría que de sentido al modo de análisis y a los resultados.

Como una evolución del análisis de contenido surgió el Análisis del Discurso.

Se tiende a considerar que el Análisis de Contenido usa técnicas cuantitativas y el Análisis del Discurso técnicas cualitativas, si bien la diferencia actual es que las técnicas de Análisis de Contenido se aplican con el auxilio informático llegando a estar automatizadas, mientras que las técnicas de Análisis del Discurso requieren de la actuación del analista por ser más interpretativas.

Tomado de:

http://es.wikipedia.org/wiki/Analisis_de_contenidos

*

Un punto: el tipo ideal como método

*
Las negrillas y separación de algunos párrafos son nuestros para efectos de estudio.

Destaca en este artículo biográfico la definición del método del tipo ideal en Weber y su aplicación a una de sus obras más conocidas, en donde intenta una explicación racional religiosa del desarrollo capitalista, construyendo tipos ideales de la burguesía, el protestantismo y el capitalismo.

Tomado de:

http://www.biografiasyvidas.com/biografia/w/weber_max.htm

Max Weber

Sociólogo alemán (Erfurt, Prusia, 1864 - Múnich, Baviera, 1920).

Max Weber era hijo de un jurista y político destacado del Partido Liberal Nacional en la época de Bismarck. Estudió en las universidades de Heidelberg, Berlín y Gotinga, interesándose especialmente por el Derecho, la Historia y la Economía.

Las primeras investigaciones de Max Weber versaron sobre temas económicos, algunas de ellas realizadas por cuenta de los intelectuales reformistas conocidos como «socialistas de cátedra». Desde 1893 fue catedrático en varias universidades alemanas, fundamentalmente en Heidelberg, salvo los años 1898-1906 en que, aquejado de fuertes depresiones, dejó la enseñanza para dedicarse a viajar y a investigar.

Max Weber

En 1909 fundó la Asociación Sociológica Alemana.

Fue un gran renovador de las ciencias sociales en varios aspectos, incluyendo la metodología: a diferencia de los precursores de la sociología, Weber comprendió que el método de estas disciplinas no podía ser una mera imitación de los empleados por las ciencias físicas y naturales, dado que en los asuntos sociales intervienen individuos con conciencia, voluntad e intenciones que es preciso comprender.

Propuso el método de los tipos ideales, categorías subjetivas que describen la intencionalidad de los agentes sociales mediante casos extremos, puros y exentos de ambigüedad, aunque tales casos no se hayan dado nunca en la realidad; Weber puso así los fundamentos del método de trabajo de la sociología moderna -y de todas las ciencias sociales-, a base de construir modelos teóricos que centren el análisis y la discusión sobre conceptos rigurosos.

El primer fruto de la aplicación de este método fue la obra de Weber sobre La ética protestante y el espíritu del capitalismo (1905); trabajando sobre los tipos ideales del «burgués», la «ética protestante» y el «capitalismo industrial», estudió la moral que proponían algunas sectas calvinistas de los siglos XVI y XVII para mostrar que la reforma protestante habría creado en algunos países occidentales una cultura social más favorable al desarrollo económico capitalista que la predominante en los países católicos.

En términos generales, puede decirse que Weber se esforzó por comprender las interrelaciones de todos los factores que confluyen en la construcción de una estructura social; y en particular reivindicó la importancia de los elementos culturales y las mentalidades colectivas en la evolución histórica, rechazando la exclusiva determinación económica defendida por Marx y Engels.

Frente a la prioridad de la lucha de clases como motor de la historia en el pensamiento marxista, Weber prestó más atención a la racionalización como clave del desarrollo de la civilización occidental: un proceso guiado por la racionalidad instrumental plasmada en la burocracia.

Todos estos temas aparecen en su obra póstuma Economía y sociedad (1922).

Políticamente, Weber fue un liberal democrático y reformista, que contribuyó a fundar el Partido Demócrata Alemán.

Criticó los objetivos expansionistas de su país durante la Primera Guerra Mundial (1914-18). Y después de la derrota adquirió influencia política como miembro del comité de expertos que acudió en representación del gobierno alemán a la Conferencia de Paz de París (1918) y como colaborador de Hugo Preuss en la redacción de la Constitución republicana de Weimar (1919).
*

Una historia de métodos cuantitativos

*
Las negrillas, numeración entre paréntesis y separación de algunos párrafos son nuestros para efectos de estudio.

Tomado de:

Esta es la versión html del archivo

http://rboullosa.files.wordpress.com/2008/06/resumen-lectura-1-historia-mcuantitativos1.doc.

G o o g l e genera automáticamente versiones html de los documentos mientras explora la Web.

(I) HISTORIA DE LOS METODOS CUANTITATIVOS

El inicio formal de la Investigación Operativa tuvo lugar en Inglaterra a finales de 1939.

La finalidad era conseguir la máxima eficiencia posible.

Así en Agosto de 1940 el Físico P.M.S Balckett de la Universidad de Manchester fue responsabilizado de formar un grupo de trabajo para estudiar el sistema de defensa antiáerea gobernado por radar.

Uno de los primeros esfuerzos de este grupo fue dirigido al estudio del ataque áereo a los submarinos.

Pero aunque el razonamiento era válido, los resultados obtenidos con esta política eran muy limitados.

En definitiva la profundidad de treinta metros era adecuada cuando el submarino divisaba con antelación al bombardero pero la falta de precisión impedía obtener resultados.

Se llegó a la conclusión de que la alternativa más adecuada era optar por causar daños cuando el submarino estuviera en la superficie.

Los aspectos que caracterizan a los estudios de Investigación Operativa:

1.-Toma Directa de Datos.

2. Empleo de Modelos matemáticos

3. Obtención de las políticas óptimas

4. Modificación de dichas políticas de acuerdo con factores reales no considerados en el modelo.

En Estados Unidos, los fondos para la investigación en el campo militar se incrementaron, por lo que la mayoría de los grupos se consolidaron aumentando su número y tamaño.

En cambio en Gran Bretaña los componentes de los grupos se habían desarrollado en el medio militar pasaron a la sociedad civil.

Otro aspecto importante en este contexto es que el desarrollo de la Organización Industrial tradicional en Gran Bretaña había sido más limitado y con la excepción del Estudio del Trabajo era todavía una novedad en los círculos industriales. A mediados de la década de los cincuenta, la investigación operativa se encontraba afianzada en el mundo industrial.

La I.O. utiliza resultados de muchas áreas científicas, aunque su base fundamental se encuentra en la matemática, la economía y el cálculo de probabilidades y estadística.

Los primeros estudios que se etiquetaron como de Investigación Operativa, el aspecto técnico más característico consistió en la estructuración estadística de los datos y el empleo de modelos descriptivos de tipo probabilístico.

Los fundamentos matemáticos de los modelos líneales discretos se encuentran en la teoría de las desigualdades lineales desarrolladas en el siglo pasado.

En el resto de los años cincuenta, la Programación Líneal quedó completamente establecida con los trabajos de Charnes sobre la degeneración de Lemke sobre la dualidad, de Dantzing, Orden y Wolfe sobre la forma compacta y la descomposición de grandes programas.

Sin embargo la Programación Lineal Entera no recibe atención hasta finales de esta década en que Gomory obtiene la expresión general.

A pesar de las esperanzas que el procedimiento general sigue siendo un campo con métodos limitados e insatisfactorios

En los modelos no Lineales los resultados fundamentales proceden del desarrollo del cálculo matemático en el siglo XVIII, siendo el concepto básico el del Langrangiano.

La Programación no Lineal progresó durante los años sesenta y setenta, pudiendo atacarse la resolución de problemas de tamaño medio con varias decenas de restricciones y algunos cientos de variables.

La Programación Dinámica su inicio y desarrollo básico se debe a Richard Bellman al principio de los cincuenta.

Esta metodología no se limita a la Investigación Operativa sino que es también de gran importancia en la Teoría del Control Optimo. Muchos autores aún consideran a la Programación Dinámica como un punto de vista conceptual y un bagaje teórico para el análisis de problemas; y no como un método.


La Teoría de Colas se inicia con el trabajo del ingeniero Dánes A.K. Erlang en la industria telefónica de principios de Siglo.

Los modelos más usuales en que tanto la distribución de llegadas al sistema como la del tiempo de servicio son conocidas y pertenecen a categorías bien establecidas.

Debe resaltarse la existencia de multitud de lenguajes de simulación a disposición de los usuarios de computadoras de las empresas de mayor importancia en el sector.

La Teoría de Juegos se inicia con los primeros resultados de von Neumann sobre el teorema del mínimax en 1926.

En cualquier caso, la influencia de esta teoría sobre la organización de la producción ha sido muy limitada.

La Teoría de la Decisión se basa en la estadística Bayesiana y la estimación subjetiva de las probabilidades de los sucesos.

En la actualidad se la considera un instrumento válido para la estructuración de la toma de decisiones con incertidumbre cuando la información no es completa.

Desde su origen la Investigación Operativa se encuentra encarada con problemas para los que no existe método analítico alguno que permita obtener, con seguridad y en un tiempo conveniente, el óptimo teórico.

La Investigación de Operaciones ha establecido por tales razones métodos denominados heurísticos, incapaces de proporcionar el óptimo formal, pero susceptibles de llegar a soluciones buenas, tanto más fiables en cuanto que permiten determinar al mismo tiempo un cuota (superior o inferior) del óptimo teórico con el que se comparan.

La gran difusión que ha sufrido el software de optimización debido al incremento en la potencia de cálculo de los ordenadores y abaratamiento del costo de las aplicaciones y el hardware.

Durante los últimos años han aparecido una serie de métodos. Entre ellos se puede enumerar los algoritmos genéticos, el reconocido simulado, la búsqueda tabú y las redes neuronales.

Los algoritmos genéticos fueron introducidos por Holland para imitar algunos de los mecanismos que se observan en la evolución de las especies.

Holland creó un algoritmo que genera nuevas soluciones a partir de la unión de soluciones progenitoras, utilizando operadores similares a los de la reproducción, sin necesidad de conocer el tipo de problema a resolver.

Los algoritmos de reconocido simulado no buscan la mejor solución en el entorno de la situación actual sino que generan aleatoriamente una solución cercana y la aceptan como la mejor si tiene menor costo, caso contrario con una cierta probabilidad; esta probabilidad de aceptación irá disminuyendo con el número de iteraciones y está relacionada con el empeoramiento del costo.

El algoritmo de búsqueda Tabú a diferencia de otros algoritmos basados en técnicas aleatorias de búsqueda de soluciones cercanas se utiliza una estrategia basada e el uso de estructuras de memoria para escapar de los óptimos locales en los que se puede caer al moverse de una solución a otra por el espacio de soluciones.

Al contrario que sucede con la búsqueda local, se permiten movimientos a soluciones del entorno aunque se produzca un empeoramiento de la función objetivo.

Las Redes Neuronales son modelos analógicos que tienen como objetivo reproducir en la medida de lo posible las características y la capacidad de procesamiento de información del conjunto de neuronas presentes en el cerebro de los seres vivos.

En resumen, podría decirse que el uso de estas técnicas supone la posibilidad de resolver, de forma practica, problemas de gran complejidad que resultaban intratables mediante técnicas exactas.

La Investigación Operativa.

Los denominados Métodos Cuantitativos de Gestión visión especialmente aplicada de la disciplina conocida como Investigación Operativa.

Los objetivos de los métodos cuantitativos están claramente ceñidos al estudio de problemas de toma de decisiones.

Las Fases del método son inmediatas.

La primera Fase, formulación del problema, cumple una función primordial, ya que en base a él es posible enjuiciar que aspectos deben analizarse.

La segunda Fase consiste en la formulación de un modelo matemático que describe la situación a estudiar.

Un modelo es una abstracción p representación simplificada de una parte o segmento de la realidad.

En el modelo se pueden distinguir dos partes: esta representación se apoya generalmente en un lenguaje matemático más o menos sofisticado de acuerdo con las características del estudio que se esté realizando. Una vez finalizada la construcción del modelo se aborda la selección del criterio concreto de valoración de alternativas.

Tiene primordial importancia el conocimiento de los métodos y técnicas (:) por una parte sugiere posibilidades para la expresión matemática de las relaciones y por otra proporciona información sobre lo que se le puede pedir y es de esperar que proporcione el modelo.

En la Tercera Fase, deducción se soluciones, se requiere un bagaje técnico suficiente que permita obtener las soluciones del modelo, si este es normativo o las características fundamentales del proceso si es predictivo, conociendo de que aspectos depende la modificación de estas características.

La complejidad consustancial de los problemas conduce a la imposibilidad de obtención de las soluciones óptimas. En tales casos la generación de reglas heurísticas puede conducir a revelar nuevas formas de actuar en la práctica.

Indispensable en este caso resulta el conocimiento asociado al análisis y diseño y codificación de algoritmos.

En la cuarta Fase es necesario discernir entre las soluciones reveladas en la fase anterior, eligiendo una de ellas o una síntesis de varias.

La última fase trae consigo la caracterización en todos sus detalles de la decisión tomada.

(II) METODOS CUANTITATIVOS DE GESTION

La formación de Métodos Cuantitativos de Gestión tiene como objetivo la formación del alumno en los conceptos y técnicas básicas de la Investigación Operativa, así como en el empleo de modelos matemáticos para la resolución de problemas de Gestión e Ingenieria y en el análisis y desarrollo de algoritmos básicos y herramientas para la optimización.

PROGRAMACION LINEAL

La Programación Lineal nace a partir de la Segunda Guerra Mundial, como una técnica dedicada a la resolución de cierto tipo de problemas de asignación de recursos entre diferentes actividades.

FLUJO DE REDES

Se trata de un módulo centrado en el problema de transporte sirviendo como finalización del módulo dedicado a programación lineal en general, para iniciar el análisis de problemas con estructuras especiales.

Se completa el módulo con el estudio de problemas de distribución y su análisis mediante el método primal-dual.

PROGRAMACION LINEAL ENTERA

El siguiente módulo introduce la programación lineal entera mediante el modelado de situaciones en que existen variables de decisión, implicaciones lógicas o relaciones disyuntivas.

TEORIA DE JUEGOS

El cuarto módulo, teoría de Juegos, aborda un conjunto de situaciones caracterizada por la lucha o enfrentamiento entre dos o más oponentes.

TEORIA DE LA DECISION

En el quinto módulo se realiza una cinta introducción al análisis de alternativas en diversos entornos. Se describe como un instrumento conveniente para abordar la toma de decisiones en condiciones de incertidumbre en las que no se dispone de información completa. Se analiza el valor de la información en este contexto.

PROGRAMACION DINAMICA

El sexto módulo se dedica al estudio de problemas de decisión secuenciales o de múltiples etapas. Las variables que los describen están gobernadas por transformaciones en el tiempo.

TECNICAS DE MODELADO

El módulo de técnicas de modelado describe la sistemática general del modelado basándose en las siguientes etapas:

descripción verbal del problema identificado,

especificación del horizonte al que se refiere el análisis,

evaluación de la disponibilidad y existencia de datos,

identificación de variables,

especificación de la estructura y limitaciones a través de la construcción de restricciones, expresadas en términos de los datos disponibles y de las variables identificadas,

selección de criterios de evaluación de alternativas y enfoque empleado para la solución del modelo.

SIMULACION DE EVENTOS DISCRETOS

Básicamente consiste en la construcción de modelo que describen la parte esencial del comportamiento de un sistema de interés, así como en el diseño de experimentos con el modelo y la extracción de conclusiones de los resultados de los mismos.

METODOS AVANZADOS DE GESTION

Concretamente esta asignatura estudia las técnicas más novedosas para la resolución de problemas lineales continuos y enteros, amplia las técnicas más novedosas para la resolución de problemas lineales continuos y enteros, amplia las técnicas ya expuestas desde un punto de vista computacional y generaliza los conocimientos en el campo de la optimización al caso más general de problemas no lineales repasando los métodos que permiten solucionarlos.

EXTENSIONES DE LA PROGRAMACION LINEAL

Comienza con el análisis, desde un punto de vista computacional del algoritmo simplex como método de resolución.

Posteriormente se estudian los métodos de descomposición y partición.

El tercer tema se centra en los métodos llamados de punto interior y su aplicación en el campo de la programación lineal.

PROGRAMACION NO LINEAL

Se estudian las condiciones necesarias y suficientes de optimalidad en cada tipo de problema y se introducen otros métodos de optimización para problemas con restricciones.

Los métodos duales no atacan el problema original son dual.

ALGORITMOS GENETICOS

En particular se muestran diversos tipos de operadores de selección, cruce, mutación, etc. Así como formas dinámicas de determinar sus respectivas frecuencias de empleo.

RECONOCIDO SIMULADO

La idea básica consiste no sólo en moverse de un punto a otro mejor, que sería lo razonable sino también permitir la ocurrencia esporádica y probabilística de pasos hacia atrás, esto es empeoramientos en el valor de la función objetivo.

BUSQUEDA TABU

La idea es que prohibiendo movimientos inmersos a los que aparecen en dicha tabla se minimiza la probabilidad de que la búsqueda entre en un ciclo sin salida. El efecto de memoria a corto plazo que supone la Lista Tabú se completa con mecanismos de memoria intermedia y memoria a largo plazo que se denominan intensificación y Diversificación respectivamente.

REDES NEURONALES ARTIFICIALES

Son sistemas formados por un elevado número de unidades de procesamiento elemental muy interrelacionadas y que son capaces de realizar tareas como clasificación, generalización, optimización, abstracción, etc.

TEORIA DE COLAS

Introduce el estudio desde un punto de vista analítico, de los fenómenos de espera tan corrientes en el entorno productivo. Entre las aplicaciones prácticas de la teoría de colas, destacan las relativas al diseño y análisis de unidades productivas y de servicios.
*