TRABAJOGRADO en Es

Matthew B. Miles • A.
Michael Huberman • Johnny Saldaña

Universidad del estado de Arizona
Análisis de
datos cualitativos
Un libro de consulta de métodos
Edición 3
Breve tabla de contenidos
Lista de pantallas xiii
Prefacio a la Tercera Edición de Johnny Saldaña xvii
Agradecimientos de la segunda edición de Matthew B. Miles y A.
Michael Huberman xxi
Sobre los autores xxiii
Primera parte: el comienzo sustantivo. . . . . . . . . . 1

Capítulo 1 Introducción 3
Capítulo 2 - Diseño y gestión de investigaciones 17
Capítulo 3 - Cuestiones éticas en el análisis 55
Capítulo 4 - Fundamentos del análisis de datos cualitativos 69
Segunda parte: visualización de los datos. . . . . . . . . . 105

Capítulo 5 - Diseño de pantallas de matriz y de red 107
Capítulo 6 - Métodos de exploración 121
Capítulo 7 - Métodos de descripción 161
Capítulo 8 - Métodos de pedido 193
Capítulo 9 - Métodos de explicación 221
Capítulo 10 - Métodos de predicción 255
Tercera parte: hacer buen sentido. . . . . . . . 273

Capítulo 11 - Sacar y verificar conclusiones 275
Capítulo 12 - Escribir sobre investigación cualitativa 323
Capítulo 13 - Cierre 339
Apéndice: una bibliografía anotada de recursos de investigación cualitativa 345
Referencias 363
Índice de autor 369
Índice de materias 373

11
Sacar y verificar
conclusiones
Resumen del capítulo
Este capítulo ofrece tácticas analíticas adicionales para generar significado a partir de datos y para probar o
confirmar hallazgos. Se proponen estándares para evaluar la calidad de las conclusiones, junto con métodos para
documentar los procesos analíticos de un investigador.
Contenido
Introducción
Tácticas para generar significado
1. Observando patrones, temas
2. Ver plausibilidad
3. Agrupación
4. Hacer metáforas
5. Contando
6. Hacer contrastes / comparaciones
7. Particionamiento de variables
Capítulo 11 El | Sacar y verificar conclusiones 275

8. Subsumir detalles en el general
9. Factoring
10. Observando las relaciones entre variables
11. Encontrar variables intervinientes
12. Construyendo una cadena lógica de evidencia
13. Hacer coherencia conceptual / teórica
Tácticas para probar o confirmar hallazgos
1. Comprobación de representatividad
2. Comprobación de los efectos del investigador
3. Triangulando
4. Ponderar la evidencia
5. Comprobación del significado de valores atípicos
6. Uso de casos extremos
7. Seguimiento de sorpresas
8. Buscando evidencia negativa
9. Hacer pruebas de si-entonces
10. Descartar relaciones espurias
11. Replicando un hallazgo
12. Revisando las explicaciones rivales
13. Obteniendo comentarios de los participantes
Estándares para la calidad de las conclusiones
Objetividad / Confirmabilidad Fiabilidad / Fiabilidad /
Auditabilidad Validez interna / Credibilidad / Autenticidad
Validez externa / Transferibilidad / Adaptación Utilización /
Aplicación / Orientación a la acción
Documentación analítica
La ilustración del
problema
Cierre y Transición
Introducción
Este es un capítulo sustancial, en el centro del libro. Las pantallas que hemos descrito son herramientas para
el análisis. ¿Pero cómo los usas? Al trabajar con cualquier pantalla, siempre hay un flujo de análisis específico. táctica
—Es decir, formas de extraer y verificar conclusiones que utiliza durante el proceso. Estas tácticas han sido
nombradas en
negrita en los capítulos anteriores Ahora, discutimos cada uno en detalle. Después de eso, pasamos a la cuestión
de la bondad: la calidad —De las conclusiones a las que llegas. El capítulo concluye con una mirada a la
documentación de los análisis cualitativos.
Al académico de creatividad Sir Ken Robinson se le atribuye ofrecer este consejo de advertencia sobre cómo
hacer un argumento convincente: "Sin datos, usted es solo otra persona con una opinión". Agregamos a eso lo
siguiente: "Sin verificación, eres solo otro investigador con una corazonada".
276 Parte III: Hacer buen sentido

Tácticas para generar significado
En esta sección, discutimos 13 tácticas específicas para extraer el significado de una configuración particular de
datos en una pantalla. Por lo general, describimos la situación de análisis general que enfrentamos, explicamos la
táctica y luego damos uno o más ejemplos, a veces refiriéndonos a secciones anteriores (donde la táctica se observó
en
negrita ) Si podemos reunir consejos, también los presentamos. Pero la verdadera prueba de estas tácticas viene en
el uso.
Las personas son buscadores de significado y creadores de significado; Por lo general, pueden dar sentido a los
eventos más caóticos. Nuestro equilibrio depende de tales habilidades: mantenemos el mundo consistente y predecible al
organizarlo e interpretarlo. La pregunta crítica es si los significados que encuentra en los datos cualitativos son confiables
y "correctos". La siguiente sección analiza las tácticas para probar o confirmar los significados, minimizar el sesgo y
garantizar a su mejor capacidad la calidad de las conclusiones.
Primero, aquí hay una descripción general rápida de las tácticas para generar significado, numeradas del 1 al
13. Se ordenan aproximadamente de lo descriptivo a lo explicativo y de lo concreto a lo más conceptual y
abstracto.
Observando patrones , temas ( 1) ver plausibilidad ( 2) y agrupamiento ( 3) ayuda al

analista ver "qué va con qué". Haciendo metáforas ( 4), como las tres tácticas anteriores, es una forma de
lograr una mayor integración entre diversos datos. Contando
(5) también es una forma familiar de ver "lo que hay allí".
Hacer contrastes / comparaciones ( 6) es una táctica generalizada que agudiza
comprensión. La diferenciación a veces también es necesaria, como en variables de partición ( 7)
También necesitamos tácticas para ver las cosas y sus relaciones de manera más abstracta. Éstas incluyen detalles
subsumidores en general ( 8); factorización ( 9), un análogo de una técnica cuantitativa familiar; observando las
relaciones entre variables ( 10); y
encontrar variables intervinientes ( 11)
Finalmente, ¿cómo podemos reunir sistemáticamente una comprensión coherente de los datos? Las tácticas
discutidas son construyendo una cadena lógica de evidencia ( 12) y haciendo coherencia conceptual / teórica ( 13)
1. Observando patrones, temas

Cuando trabajas con texto o pantallas iniciales, a menudo notas patrones recurrentes, temas o
"gestalts" que reúnen muchos datos separados. Algo salta sobre ti y de repente tiene sentido.
Algunos ejemplos de patrones del estudio de mejora escolar fueron
• la cita frecuente de un "caso milagroso" (un estudiante reprobado que fue rejuvenecido por la
innovación) como explicación o justificación del proyecto,
• "Afrontamiento profundo" como un estilo de resolución de problemas en un grupo de personal de secundaria, y
• el uso de "latitud administrativa": la libertad de alterar una innovación a cambio de

probarla.

¿Qué tipo de patrones puede haber? Como de costumbre, podemos esperar patrones de variables
que implica similitudes y diferencias entre categorías y patrones de procesos

implicando conexiones en el tiempo y el espacio dentro de un contexto acotado.
La búsqueda de patrones puede ser muy productiva cuando el número de casos y / o la sobrecarga de datos es
grave. McCammon y col. (2012), por ejemplo, analizaron las respuestas de 234 encuestas abiertas abiertas. Los patrones
construidos a partir de los datos de métodos mixtos dieron como resultado 30 categorías principales, que luego se
sintetizaron en tres temas principales, y luego en una afirmación clave.
La mente humana encuentra patrones casi intuitivamente; No necesita consejos prácticos. Pero los patrones no solo
ocurren; los construimos a partir de nuestras observaciones de fenómenos recurrentes. Lo importante es ser capaz de (a)
ver evidencia adicional del mismo patrón y (b) permanecer abierto a la evidencia de confirmación cuando aparezca. Los
patrones deben ser sometidos a escepticismo (El suyo o el de otros) y las pruebas conceptuales y empíricas (¿Tiene
realmente sentido conceptual? ¿Lo encontramos en otra parte de los datos donde se esperaba? ¿Hay contraejemplos?)
Antes de que puedan representar un conocimiento útil.
2. Ver plausibilidad
A menudo sucede durante el análisis que una conclusión es plausible, tiene sentido y "encaja". Si un colega le pregunta
cómo llegó a la conclusión o en qué se basó, la respuesta inicial es algo así como “Realmente no lo sé. Simplemente se siente
bien ". Muchos descubrimientos científicos aparecieron inicialmente a sus autores de esta manera; La historia de la ciencia está
llena de entendimientos globales e intuitivos que, después de una laboriosa verificación, demostraron ser ciertos. Por lo tanto,
la plausibilidad, con la intuición como la base subyacente, no debe ser despreciada.
Pero las personas son buscadores de significado, incluso en los conjuntos de datos más genuinamente caóticos. Los patrones se
pueden encontrar incluso en datos aleatorios, como muestran las actividades de personas obsesionadas numéricamente (ver las
películas pags, Una mente maravillosa, y El número 23). Por lo tanto, la plausibilidad puede convertirse fácilmente en el refugio de
analistas que están demasiado listos para sacar conclusiones precipitadas.
Durante la documentación de nuestros propios esfuerzos de análisis, a menudo nos encontramos dando la base de
"plausibilidad" para las conclusiones que sacamos, particularmente en las primeras etapas del análisis. Casi siempre,
resultó que la plausibilidad era una impresión inicial que necesitaba una mayor verificación a través de otras tácticas. La
plausibilidad en este sentido era una especie de puntero, llamando la atención del analista a una conclusión que parecía
razonable y sensata a primera vista, pero ¿cuál era la base real involucrada?
Aquí hay una breve ilustración: McCammon et al. (2012) analizaron los datos de su encuesta por
género para observar si los hombres y las mujeres respondieron de manera diferente a sus experiencias artísticas en la escuela
secundaria. Saldaña planteó la hipótesis y "se sintió seguro" de que aparecerían grandes diferencias, según su investigación
anterior con las tendencias de respuesta de la audiencia. Pero después del análisis de datos, no mayor Se encontraron diferencias
de género. Hubo matices de experiencia que las mujeres recordaron y los hombres no, pero las diferencias proyectadas
simplemente no estaban presentes en los datos. Saldaña incluso pensó: "Esto no puede ser correcto", y sometió los datos
cualitativos a tácticas de reanálisis: contando y encontrar nuevas formas de haciendo contrastes / comparaciones con los
datos, pero no se descubrió nada nuevo. (Las diferencias más reveladoras ocurrieron entre otras estratificaciones, como la
cohorte de edad).
Entonces la moraleja es "Confía en tus intuiciones de 'plausibilidad', pero no te enamores de ellas. Sujete las conclusiones
preliminares a otras tácticas de extracción de conclusiones y verificación ".

Por cierto, una táctica algo más confiable implica notar un carencia de plausibilidad. Cuando una conclusión que alguien
está avanzando simplemente no tiene sentido, es un poco más seguro descartarla. Pero no completamente seguro. Los
hallazgos contradictorios o desconcertantes a veces pueden ser extraordinariamente estimulantes y ricos, por lo que también
se les debe permitir pasar el día al sol. (Discutiremos la táctica de seguimiento de sorpresas más tarde.)
La mayoría de las conclusiones extraídas durante el análisis son sustantivas, basadas en el contenido. Pero el analista está
constantemente dibujando procesal conclusiones a lo largo del camino también: transponer dos filas en una matriz, agregar o
descartar una columna, colapsar los datos en una tabla resumen y cambiar una regla de decisión para la entrada de datos. Es
importante registrar e informar las decisiones de procedimiento tomadas (la matriz final, las reglas de decisión operativa, etc.).
3. Agrupación
En la vida diaria, constantemente agrupamos las cosas en clases, categorías y contenedores: las cosas que no se
mueven sino que crecen se llaman "plantas", las cosas que se mueven y tienen bebés se llaman "animales" y las cosas
que se mueven. , tiene cuatro ruedas, tiene un motor que funciona con combustibles fósiles o electricidad, y lleva a las
personas llamadas "automóviles". La mayoría de las categorías requieren otras categorías para definirlas: "rueda",
"motor", "bebés".
El siguiente paso a menudo es descubrir qué llamar grupos. Por ejemplo, el proceso de transformar cientos de
páginas de transcripciones de entrevistas y notas de campo en una matriz de una página o pantalla de red podría
denominarse "condensación" de los datos. Pero para otros, podría llamarse "destilación", "sintetización",
"abstracción", "transformación" e incluso la abominable "reducción" de los datos. Aunque estas son palabras y
procesos diferentes, mas o menos significa lo mismo. Los hemos agrupado y ahora necesitamos asignarles una
palabra o frase que los represente a todos. ¿Se elegirá una de las seis palabras como su representante? ¿O
deberíamos componer una etiqueta paraguas completamente nueva para los seis? (Aquí es donde un tesauro es útil.
Pero, en última instancia, es su decisión como analista).
Así como somos personas que buscan patrones, también somos personas que forman grupos. Clasificamos y organizamos la
gran variedad de cosas en nuestras vidas para sentir una sensación de comodidad y seguridad en sus pedidos. Los roles, las reglas,
las relaciones, las rutinas y los rituales son grupos de acciones con patrones, lo que algunos etiquetan genéricamente como nuestros
hábitos (Duhigg, 2012). La agrupación en clúster es una táctica que se puede aplicar en muchos niveles a los datos cualitativos: a nivel
de eventos o actos, de participantes individuales, de procesos, de configuraciones / locales, de sitios o casos como totalidades, de
períodos de tiempo, etc. En todos los casos, estamos tratando de entender mejor un fenómeno por agrupamiento y entonces conceptualizando
objetos que tienen patrones o características similares.
Pero, ocasionalmente, los grupos no siempre son mutuamente excluyentes y pueden superponerse. Por ejemplo, un
estudiante con mayor frecuencia está en ya sea un estudiante universitario o Un programa de posgrado. Eso es bastante fácil. Pero,
¿cuál es la especialidad del estudiante de pregrado? Bueno, es complicado. Es doble licenciado en trabajo social y estudios
religiosos, y Al mismo tiempo está matriculado en el Honors College de la universidad. Si, es hombre. Y gay. E hispano. Y un
estudiante universitario de primera generación. Y así. La vida no está tan delimitada y discreta como alguna vez pudo haber
parecido. A medida que el analista trabaja en la agrupación, las operaciones se vuelven cada vez más complejas y extendidas, al
igual que clasificar las cosas en "animales" y "plantas" es una tarea (quizás engañosamente) más simple que clasificar varios tipos
de máquinas con ruedas

(automóviles, camiones, carros de golf, aviones, góndolas de remontes y pulidores de piso) en grupos sensibles. La
agrupación es nuestro mejor intento de categorizar lo que parece estar unido.
Aquí hay algunos ejemplos adicionales.
Enfocado en Participantes, Les pedimos a los estudiantes de secundaria que nombraran las camarillas que observaron
en su escuela. Identificaron grupos como "preppies", "deportistas", "góticos", "patinadores", "chicos de la banda", "stoners",
"geeks matemáticos", "porristas", etc.
Al nivel de procesos, agrupamos las actividades involucradas para hacer frente a los problemas de la
implementación posterior de una innovación: "alcanzar", "mejorar", "depurar", "refinar", "integrar", "adaptar" y
"extender". Los procesos se identifican mejor en forma de gerundios (palabras "-ing") para connotar la acción.
A nivel de ambos procesos y etapas, Otro ejemplo proviene de nuestro análisis de la movilidad laboral de los docentes y
administradores, que se agrupaba con bastante facilidad en estas categorías: "mudarse", "mudarse", "moverse hacia arriba",
"moverse hacia arriba y hacia arriba", "moverse hacia arriba y hacia arriba" , "Y" mudarse ".
También es posible agrupar ajustes donde específico del sitio comportamiento ocurrir. Por ejemplo, en las escuelas, podríamos
clasificar los lugares donde las personas interactúan en los siguientes grupos:
• Instrucción formal (aula, gimnasio)
• Instrucción informal (biblioteca, centro de medios)
• Trabajo formal para adultos (sala de reuniones, oficina)
• Asociación informal de adultos (sala de profesores, corredor)
• Mixto (cafetería, parque infantil)
La agrupación también se puede ver como un proceso de pasar a niveles más altos de abstracción (ver
detalles subsumidores en general más adelante en este capítulo).
De estos ejemplos podemos ver que la agrupación es un nombre general dado al proceso de formación inductiva. categorías
y la clasificación iterativa de cosas (eventos, participantes, procesos, configuraciones, etc.) en esas categorías. Cuando
se ordenan cosas menos complejas (eventos, participantes, etc.), la táctica de agrupamiento generalmente se basa en
la agregación y la comparación (¿Qué cosas son similares / diferentes entre sí?) Y está estrechamente entrelazada con
la creación y el uso de códigos de atributos .
Las técnicas de agrupamiento no tienen que ser completamente inventadas. Existe una larga tradición de técnicas de
análisis de contenido, codificación y categorización que tratan directamente con temas de unificación y agrupación de datos
cualitativos que pueden ser muy útiles (ver Richards, 2009; Saldaña, 2013; Schreier, 2012).
4. Hacer metáforas
La noción de que la investigación debe enfocarse solo en una descripción literal, con hechos cautelosos y
posteriores de interpretación y significado, es responsable de mucha pobreza intelectual y miseria.
Esa oración en sí está llena (una metáfora) de metáforas (empresas cautelosas, pobreza, miseria). Las metáforas,
vistas como un tipo principal de tropo o dispositivo literario, involucran

comparando dos cosas a través de sus similitudes e ignorando sus diferencias. Como señala Morgan (1980), llamar a un
boxeador "un tigre en el ring" evoca ferocidad, gracia y poder, e ignora el pelaje a rayas, los colmillos y las cuatro patas.
Las metáforas son, por lo tanto, una abstracción parcial.
Las personas que estudiamos usan metáforas constantemente como una forma de dar sentido a su experiencia. Hacemos
lo mismo mientras examinamos nuestros datos. El problema, tal vez, no es
ya sea usar la metáfora como una táctica de análisis pero para ser consciente de cómo nosotros, y las personas que
estudiamos, lo usamos.
Por ejemplo, suponga que se encuentra refiriéndose al "nido vacío" cuando mira una entrevista con
alguien que ha crecido. De hecho, usted está haciendo alusiones a un entorno ambiental importante ("nido"),
la idea de la crianza de un objeto recién ausente pero adulto, y el reconocimiento de que la crianza hasta el
punto de dejar el nido ha sido un buen negocio. de tiempo. Pero también puede suponer que el nido en sí
mismo tiene poco valor y será abandonado, y sin tener en cuenta la idea de que el nido puede rellenarse con
una nueva cría.
Entonces el riqueza y complejidad de las metáforas son útiles. La metáfora del nido vacío nos lleva más lejos de lo que lo
haría una sola variable, como "la ansiedad de separación de un padre". Nuestra metáfora nos permite ver nuevas
posibilidades teóricas (por ejemplo, tal vez si la socialización para la independencia es débil, el niño retrocederá).
¿Qué más es cierto de las metáforas? Son dispositivos de condensación de datos, tomando varios detalles y haciendo una
sola generalidad de ellos. Por ejemplo, la metáfora del "chivo expiatorio" reúne en un paquete hechos sobre normas grupales, el
tratamiento de aquellos percibidos como "desviados", rituales sociales y racionalizaciones sociales. Esta habilidad no debe ser
estornudada. Los investigadores cualitativos que miran montañas de redacciones de notas de campo están agradecidos por
cualquier dispositivo que reduzca el volumen sin bloquear múltiples vías para el análisis.
Las metáforas también son dispositivos para hacer patrones —Para nosotros y para las personas que
estudiar. Por ejemplo, en el estudio de mejora escolar, encontramos en un sitio que la sala de aprendizaje de recuperación era
algo así como un oasis para los alumnos enviados allí durante parte de cada día. (Un maestro usó la palabra espontáneamente y
comenzamos a ver el patrón). La metáfora "oasis" reúne fragmentos de información separados: la escuela más grande es dura
(como un desierto); los estudiantes no solo pueden descansar en la sala de recuperación, sino que también pueden obtener
sustento (aprendizaje); algunos recursos son muy abundantes allí (como el agua en un oasis); y así. Dichas metáforas también
ayudan a ubicar el patrón observado en el contexto más amplio (en este caso, la escuela dura y de escasos recursos).
Las metáforas también son excelentes. dispositivos de descentramiento. Te alejas del montón de observaciones y
conversaciones en el sitio de campo y preguntas: "¿Qué está pasando aquí?" Debido a que las metáforas no te permitirán
simplemente describir o denotar un fenómeno, tienes que subir un nivel a un nivel más inferencial o analítico. La sala de
aprendizaje correctivo no se ve como un oasis, y la mayoría de la gente no lo describe de esa manera, ni nadie se
comporta literalmente como un beduino exhausto bajo una palma de la fecha.
Finalmente, las metáforas o analogías son formas de conectando los hallazgos con la teoría. La metáfora del "oasis" te hace
pensar en cómo las instituciones desarrollan mecanismos compensatorios para reducir el estrés que ejercen sobre los
ocupantes de roles o cómo nutren y aíslan a los desviados. O comienzas a considerar los mecanismos de control social de
manera más general. El pensamiento metafórico une efectivamente la razón y la imaginación. Lakoff y Johnson's (1980)
Metáforas por las que vivimos Es esencial la lectura sobre este tema.

La metáfora está a medio camino de los hechos empíricos a los conceptuales. significado de esos hechos; te ayuda a
superar los detalles en el camino hacia los procesos sociales básicos que dan sentido a esos detalles. Unas pocas
palabras de consejo para los creadores de metáforas:
• Manténgase al tanto de las metáforas que usted y las personas en su estudio están utilizando, a menudo con una
conciencia parcial. Profundice en ellos para obtener significados implícitos, para una exploración y prueba más explícita.
• No busque metáforas generales demasiado temprano en el estudio. Te distrae del trabajo de campo y conduce a
juicios apresurados que reprimen el significado de lo que estás estudiando. Empiezas a mirar a tu alrededor menos,
y proyectas la metáfora sobre cosas que, en el mejor de los casos, están relacionadas de forma remota.
• Ser cognitivamente juguetón ayuda a generar metáforas. Pregúntese: "Si solo tuviera dos palabras
para describir una característica importante en este sitio, ¿cuáles serían?" o "¿Qué se siente?" El
truco es pasar del denotativo al connotativo. En lugar de lo social o lo personal, vaya a dominios
biológicos, mecánicos o espaciales para encontrar metáforas útiles.
• La interacción ayuda. Los grupos estimulan el pensamiento de sus miembros aumentando las aportaciones,
aportando ideas desde un nuevo ángulo y creando un ambiente de pensamiento contagiosamente lúdico.
• Sepa cuándo dejar de presionar la metáfora de su jugo. Cuando el "oasis" comienza a tener camellos,
conductores de camellos, un bazar y una tormenta de arena, sabes que estás forzando las cosas. Úselo
siempre que sea fructífero, y no sobremetaforice. Recuerde que las dos cosas comparadas en una metáfora
siempre tienen diferencias.
Hay otros dispositivos literarios disponibles para los investigadores cualitativos, como la ironía (la vista desde el lado
opuesto, a veces incongruente o paradójico), junto con la sinecdoque (que une las instancias a un concepto más amplio) y la
metonimia (que representa un todo en términos de uno o más de sus partes). Gibbs (2007) describe cómo el romance, la
tragedia y otros géneros literarios pueden usarse de manera efectiva para la investigación narrativa.
5. Contando
En la investigación cualitativa, los números tienden a ser ignorados. Después de todo, el sello distintivo de la
investigación cualitativa es que va más allá Cuánto cuesta hay algo que decirnos sobre su esencial calidades
Sin embargo, se sigue contando mucho en el fondo cuando se hacen juicios de cualidades. Cuando
identificamos un tema o un patrón, estamos aislando algo que (a) ocurre varias veces y (b) sucede de manera
consistente de una manera específica. Los juicios de "número de veces" y de "coherencia" se basan en el
recuento. Cuando hacemos una generalización, acumulamos un enjambre de detalles y decidimos, casi
inconscientemente, qué detalles hay más a menudo, cuales importa más que otros, que ir juntos, y así. Cuando
decimos que algo es "importante", "significativo" o "recurrente", hemos llegado a esa estimación, en parte,
haciendo recuentos, comparaciones y ponderaciones.
Por lo tanto, es importante en la investigación cualitativa saber (a) que a veces estamos contando y (b) cuando es una
buena idea trabajar conscientemente con frecuencias, y cuando no lo es.
Hay tres buenas razones para recurrir a los números: (1) para ver rápidamente lo que tiene en un gran lote de datos, (2)
para verificar una corazonada o hipótesis, y (3) para mantenerse analíticamente honesto, protegiéndose contra el sesgo.

Ver lo que tienes
Los números, notamos antes, son más económicos y manipulables que las palabras; Usted "ve" la deriva general de los
datos de manera más fácil y rápida al observar las distribuciones. Por ejemplo, en el estudio de mejora escolar, preguntamos a los
participantes por qué estaban usando las nuevas prácticas escolares que estábamos estudiando. Obtuvimos una gran cantidad de
respuestas de varios participantes en cada uno de los 12 sitios de campo. Parecía que muchas personas decían que habían sido
empujados, más o menos suavemente, a estos proyectos, en lugar de sumergirse voluntariamente. Para ver más claramente,
hicimos un análisis de contenido de las respuestas, las totalizamos y obtuvimos la Pantalla 11.1.
Resulta que el 62% (35 de los 56 encuestados) mencionó presión y restricciones administrativas. Y,
contraintuitivamente, se adoptaron muy pocas de las prácticas para resolver problemas. También parecía haber un
tema general de "desarrollo profesional / mejora de la capacidad" (desafío, configuración de proyectos, crecimiento
profesional). Ver ese tema, evaluar la importancia del motivo de “restricción” y observar el infrecuente incentivo para
resolver problemas fueron de gran ayuda. Vimos las tendencias generales, obtuvimos algunas pistas nuevas y vimos
algunas diferencias inesperadas. Todos estos hallazgos ayudaron en el posterior análisis no cuantitativo.
Verificando una Hipótesis
La encuesta de métodos mixtos de McCammon et al. (2012) examinó, en parte, si se produjeron diferencias de género entre
las respuestas de hombres y mujeres adultos sobre sus experiencias artísticas en la escuela secundaria. Saldaña planteó la
hipótesis de que habría. En un 4.00 "fuertemente
Pantalla 11.1
Razones dadas para su adopción por los usuarios
Número de encuestados que

Motivos / Motivos mencionan el elemento (N = 56)
Presión administrativa, restricción 35
Mejora la práctica en el aula (nuevos recursos, ventaja dieciséis
relativa sobre la práctica actual)
Valor de novedad, desafío 10
Social (generalmente influencia de pares) 9*
Oportunidad para dar forma a proyectos 55
Crecimiento profesional 55
Da mejores condiciones de trabajo 3
Resuelve problemas 2
Proporciona dinero extra 1
Total 86
* *Siete menciones de un sitio
Fuente: Miles, MB y Huberman, AM (1994). Análisis de datos cualitativos: un libro de consulta ampliado ( 2da ed.). Thousand Oaks, CA:
Publicaciones sabias.

de acuerdo ”, la media de las encuestadas fue de 3.85 y la media de los encuestados fue de
3.93 al mensaje "Tengo buenos recuerdos de mi discurso [o escuela secundaria] y / o participación en el drama".
Pero cuando "crujimos los números" a través de un t prueba, no hubo diferencia estadísticamente significativa en un p
< . 05 estándar entre estas dos calificaciones medias. Y el cualitativo El análisis de contenido de sus respuestas
narrativas a este mensaje tampoco confirmó diferencias importantes entre las experiencias de hombres y mujeres.
Por lo tanto, contar en forma de operación estadística desconfirmó la hipótesis e hizo un análisis más confiable.
Manteniéndose honesto analíticamente
Habíamos esperado desde el principio que las carreras serían importantes en los proyectos de mejora escolar que
estudiamos. Cuantos más datos obtuvimos, más parecía que "innovar" era un vehículo para moverse hacia arriba, hacia adentro,
hacia afuera o hacia afuera (rara vez hacia abajo). El hallazgo parecía importante, era potencialmente controvertido y podría
haber sido el resultado de nuestras expectativas. Así que en realidad contamos el número de movimientos de trabajo (63 para 12
sitios) y estimamos cuántos podrían atribuirse a la innovación (83% fueron). Después, nos sentimos mucho más cómodos con las
afirmaciones que estábamos haciendo. Por ejemplo, parecía que solo el 35% de los cambios relacionados con el trabajo eran
ascendentes, en contra de nuestra impresión anterior.
Como investigadores cualitativos, trabajamos hasta cierto punto por perspicacia e intuición. Tenemos momentos de
iluminación: las cosas "se unen". El problema es que podríamos estar equivocados. Hacer un análisis cualitativo con la
ayuda ocasional de números es una buena forma de probar posibles sesgos y ver cuán robustas son nuestras ideas.
6. Hacer contrastes / comparaciones

Aunque las comparaciones son supuestamente odiosas, son lo que hacemos de forma natural y rápida cuando nos
enfrentamos a cualquier experiencia de la vida, incluida la visualización de datos cualitativos. Cómo X difiere de ¿Y? La
comparación es una forma clásica y tradicional de probar una conclusión; hacemos un contraste o hacemos una
comparación entre dos conjuntos de cosas: personas, roles, actividades, variables, casos en su conjunto, que se sabe que
difieren en algún otro aspecto importante. Este es el clásico "método de las diferencias" heurístico. Algunos ejemplos de
nuestro trabajo descrito en capítulos anteriores son los siguientes:
• Tablas de contraste muestra cómo los casos ejemplares varían en los rangos extremos de su cambio, desde grados de
cambio de usuario “alto” a “bajo” a “negativo” (vea la Pantalla 6.21).
• Gradientes de crecimiento muestra el tiempo en un eje y el grado en otro eje, lo que permite una comparación de los
cambios a lo largo del tiempo (ver Pantalla 8.3).
• Matrices predictor-resultado-consecuencia Arregle casos por resultados altos y bajos y use ese apalancamiento
para examinar el impacto de posibles predictores. En nuestro ejemplo, la comparación fue entre magnitud de
cambio, que muestra qué predictores estaban presentes en sitios de "alto cambio" pero no en sitios de
"pequeño / sin cambio" (ver Pantalla 10.6).
Le recomendamos que se asegure de que las comparaciones realizadas sean las correctas y que tengan sentido.
Tómese un momento antes de mostrar una comparación y piense: "¿Qué tan grande debe ser una diferencia antes de que
haga una diferencia?" No siempre necesita una prueba de significación estadística para recurrir. los práctico importancia es lo
que necesita evaluar.

7. Particionamiento de variables
Hay momentos en que diferenciación Es más importante que la integración. Puede que se te ocurra en algún
momento de tu análisis: "Whoa, esa variable no es realmente una variable sino dos, o tal vez incluso tres".
Las particiones o subdivisiones de variables pueden ocurrir en muchos puntos durante el análisis. En la etapa de
conceptualización inicial, vale la pena "desagregar" las variables en lugar de asumir una simplicidad monolítica. Por
ejemplo, la variable general de "preparación" para llevar a cabo una innovación puede dividirse en subvariables o
componentes, que van desde el estado del usuario ("compromiso", "comprensión", "habilidades") hasta la disponibilidad de
materiales y acciones tomadas por los administradores ("asignación de tiempo", "talleres en servicio").
Cuando diseña formatos de matriz, la partición variable también es útil; una mayor diferenciación le permite
ver diferencias que de otra manera podrían ser borrosas o enterradas. En lugar de una sola columna de Resultados,
puede ayudar dividir eso en dos columnas: (1) Efectos a corto plazo y 2) Consecuencias a largo plazo.
¿Cuándo es la partición variable una buena táctica? La primera respuesta: Divida las variables en las primeras etapas
(conceptualización, codificación) para evitar el monolitismo y el desenfoque de datos. La segunda respuesta: dividir una
variable cuando no se relaciona tan bien con otra variable como su marco conceptual (u otros datos disponibles) lo ha
llevado a esperar.
Finalmente, deberíamos decir que la partición variable no es una virtud en sí misma. La diferenciación extrema
puede conducir a la complejidad y atomización, y al mapeo deficiente de eventos y procesos. Cuando divide una variable,
debe estar al servicio de encontrar descripciones y explicaciones coherentes e integradas.
8. Subsumir detalles en el general

La agrupación implica agrupar cosas que "van juntas" mediante el uso de dimensiones únicas o múltiples. Una táctica
relacionada es preguntar: “¿De qué es esta instancia específica una instancia? ¿Pertenece a una clase más general? Esta
táctica es similar a los procesos analíticos para la codificación de patrones y la codificación focalizada (ver Capítulo 4). La
teoría fundamentada clásica llama a esto el "método comparativo constante". Está intentando clasificar una acción, evento,
participante, estado, etc. en particular, en una clase más abstractamente definida. Esa clase puede haber sido predefinida, o
puede haber surgido como resultado de la codificación o la memoria analítica.
Por ejemplo, en el estudio de mejora escolar, notamos declaraciones específicas hechas por maestros y
administradores, como las siguientes:
• "Si quiere apartarse de la guía, pregúnteme y dígame también por qué quiere hacerlo y cómo
cumplirá los objetivos de la guía".
• "La filosofía básica está ahí, pero el uso de [la innovación] es flexible y no requiere el uso de todas
las unidades".
• “En este programa eres como un robot. . . pero aprendí que si quería cambiar algo, simplemente seguiría
adelante y lo haría. . . . Aprendí a cortar esquinas y hacerlo igual de bien ”.
Estas declaraciones se pueden incluir en una clase más general: la presencia de alta o baja latitud
administrativa dado a los maestros para adaptar o alterar una innovación, una variable que resultó ser muy
importante para explicar la cantidad de adaptación que ocurrió.

La inclusión de detalles en clases más generales es una actividad conceptual y teórica en la que se desplaza de un
lado a otro entre los datos de primer nivel y las categorías más generales que evolucionan y se desarrollan a través de
iteraciones sucesivas hasta que la categoría está "saturada" (los datos nuevos no se suman al significado de la categoría
general).
La abstracción arbitraria, sin embargo, no te lleva a ninguna parte. Suponga que observa a una maestra escribiendo
su nombre en el pizarrón el primer día de clases. Esa acción específica se puede incluir en una clase más amplia de
"comunicación escrita", luego en una clase más amplia de "transmisión de información", y finalmente en una clase aún
más grande de "acción humana". Sin embargo, esa es una especie de clasificación taxonómica sin significado útil. No
puede decidir en el vacío cuál de estas clases es "correcta" o "mejor". Debe haber un vínculo claro con el marco
conceptual del estudio y las preguntas de investigación.
9. Factoring
La "factorización" proviene del análisis factorial, una técnica estadística para representar un gran número de variables
medidas en términos de un número menor de variables hipotéticas. Estas variables (factores) de segundo orden pueden
tener cierta "comunalidad". Entonces, ¿cuál es la versión de factoring del investigador cualitativo? Hacer patrones de
patrones, o categorías de categorías.
La mayoría de las tácticas que hemos discutido están diseñadas para hacer dos cosas: (1) condensar la mayor parte
de los datos y (2) encontrar patrones en ellas. Observar patrones / temas, agrupar y hacer metáforas son todos ejercicios
de forzamiento de patrones. La tarea esencialmente es decirse a sí mismo: “Tengo una montaña de información aquí.
¿Qué partes van juntas? Cuando crea un Código de patrón (consulte el Capítulo 4), propone que varios datos dispares
pero relacionados tengan algo en común. Lo que hacen o son es el factor, y el proceso por el cual lo genera es factorizar.
En otras palabras, estamos ajustando aún más los datos al hacer un número menor de patrones a partir de un número
mayor de patrones, o un número menor de categorías a partir de un número mayor de categorías. Tiempo para una
ilustración.
Hager, Maier, O'Hara, Ott y Saldaña (2000; véase también Saldaña, 2013) examinaron un nuevo documento de
estándares de artes del departamento de educación del estado y cómo fue recibido por los maestros de teatro de secundaria.
(En pocas palabras, la mayoría de los maestros lo rechazaron porque estaba mal escrito y desarrollado sin prácticamente
ninguna de sus aportaciones). Los datos de transcripción de la entrevista del grupo focal generaron 52 Códigos Versus
diferentes, que luego se agruparon en grupos comparables para formar ocho categorías descriptivas :
1) Desarrollo de estándares artísticos
2) Currículum
3) Resistencia del maestro
4) Personas
5) Ideologías políticas
6) Requisitos de prueba y graduación
7) Exclusión y marginación
8) Instituciones
El siguiente paso analítico fue factor estas categorías, en otras palabras, para clasificar estas ocho categorías en
un número aún más estrecho y más pequeño de categorías. Dado

A continuación se muestra cómo el analista factorizó los ocho en las tres categorías resultantes, que fueron etiquetadas con
imágenes de guerra porque las tensiones eran altas entre los participantes y la metáfora parecía adecuada para este estudio:
Categoría 1: Conflictos humanos e institucionales: los "luchadores"
Subcategorias:
Personas Instituciones
Ideologías políticas
Categoría 2: Estándares y conflictos curriculares: los "riesgos"
Subcategorias:
Currículum
Exámenes de desarrollo de estándares de artes y
requisitos de graduación
Categoría 3: Resultados de los conflictos: el "daño colateral"
Subcategorias:
Exclusión y marginación Resistencia
del maestro
Estas tres nuevas categorías finalmente se transformaron en frases "versus" (por ejemplo, Your Way vs. Our Way)
que sirvieron para representar temáticamente los datos.
La pregunta consecuente para esta táctica analítica es "¿Estos factores hacen alguna diferencia significativa, o son
esencialmente decorativos?" Los factores tienen que contribuir a nuestra comprensión del caso o de su dinámica
subyacente. De lo contrario, no son más útiles que las grandes cajas envueltas para regalos que se empaquetan en una
sucesión de cajas envueltas para regalos más pequeñas pero igualmente vacías, dejándonos al final con un montón de
cintas, papel y cartón sin forma.
10. Observando las relaciones entre variables

La idea de la interrelación entre variables ha sido discutida en todo el libro hasta ahora, pero
examinemos como una táctica analítica.
Las redes se representan más fácilmente como conjuntos de cuadros y flechas; los cuadros son las variables y las flechas
muestran las relaciones entre ellos. Una vez que esté razonablemente claro acerca de qué variables pueden estar en juego en
una situación, la siguiente pregunta natural es "¿Cómo se relacionan entre sí?"
¿Qué tipo de relación podemos imaginar entre variables? UNA y ¿SI? Una variable es algo que varía. Por
lo tanto, podríamos tener lo siguiente:
1) A +, B + ( ambos son altos o ambos son bajos al mismo tiempo)
2) A +, B - ( UNA es alto, mientras si es bajo, o viceversa)

3) UNA ↑, si ↑ ( UNA ha aumentado y si ha aumentado)
4) UNA ↑, si ↓ ( UNA ha aumentado y si ha disminuido)
5) UNA ↑, entonces si ↑ ( UNA aumentó primero, luego si aumentado)
6) UNA ↑, entonces si ↑, entonces UNA ↑ ( UNA aumentado, entonces si aumentado, entonces UNA aumentó un poco más)
Estos no cubren todas las permutaciones posibles, por supuesto.
La relación 1 es una asociación directa: ambas variables son altas (o bajas) al mismo tiempo. Para las variables que son
"todo o nada", esta relación se puede leer de la siguiente manera: Cuando UNA está presente, si también está presente, o ambos
pueden estar ausentes.
La relación 2 es la inversa. Con la Relación 3, observamos que se han producido cambios recientemente en UNA y
en si en la misma dirección; La relación 4 es la inversa. No se hace necesariamente ninguna afirmación de que los
cambios están vinculados; solo están presentes.
En la relación 5, bordeamos la causalidad: UNA cambiado, entonces si cambiado (y, no mostrado), existe una creencia
razonable de que UNA podría haber causado SI). Si UNA es una tarde de consumo excesivo y si Es un dolor de cabeza a la mañana
siguiente, hay una conexión presunta. Pero es probable que haya poca conexión, en la mayoría de los casos, si si es un dolor de
cabeza por la mañana y UNA es el anuncio del nuevo presupuesto de la ciudad. (Aún así, si el dolor de cabeza pertenece al
alcalde, tal vez ...)
Finalmente, en la relación 6, vemos una relación mutua: un cambio en UNA conduce a un cambio posterior en SI,
luego a un cambio posterior en A. La fuerza de estas asociaciones puede variar: podemos tener relaciones
decisivas, fuertes y claras, o débiles, débiles, ambiguas. Y, como nos recuerda Morrison (2009), la causalidad
puede ser directa o indirecta, mediada por otras variables.
La táctica de análisis básica aquí implica tratar de descubrir qué tipo de relación, si la hay, existe entre dos
(o más) variables. Lo importante a tener en cuenta es que estamos hablando de variables o conceptos, No
necesariamente acciones específicas.
Incluso cuando nos enfocamos en eventos específicos, generalmente están involucradas variables subyacentes o más
generales. El evento de una noche de consumo excesivo de alcohol y el evento del dolor de cabeza de la mañana no se afectan
directamente entre sí. Todo tipo de variables están en funcionamiento: la presencia de ciertos químicos en la bebida involucrada
y la capacidad del cuerpo para metabolizar el alcohol, la cantidad consumida, el tiempo transcurrido, etc.
¿Cómo se detectan las relaciones? Proponemos en este libro que las pantallas son una forma especialmente
estratégica de verlas: los datos relacionados con dos o más variables pueden organizarse para una inspección
sistemática y extraer conclusiones. Las pantallas de red nos ayudan a ver configuraciones más complejas y mostrar la
dimensión temporal más claramente.
Las personas tienden a pensar en términos causales. El riesgo al tratar de comprender las relaciones entre dos
variables es saltar demasiado rápido a la conclusión de que UNA "Causas" SI,
en vez de eso UNA pasa a ser alto y si pasa a ser alto Aquí, ayuda cambiar a tácticas de verificación
(discutidas más adelante), como proponer y revisando explicaciones rivales , descartar relaciones
espurias , o utilizando casos extremos .
Puede ser muy útil recurrir a colegas escépticos para usar una o más de estas tácticas. Un amigo nuestro dice
que cualquier declaración causal sobre una situación social debe revertirse inmediatamente para ver si se ve más
cierto de esa manera:

• "Los estudiantes llegan tarde a clase porque odian al maestro". (Resistencia impulsada por el disgusto)
• "Los estudiantes odian al maestro porque llegan tarde a clase". (La tardanza, causada por otras razones,
conduce a la aversión, tal vez mediada por las reacciones del maestro a la tardanza)
Ese ejemplo puede sonar un poco fantasioso, pero el ejercicio de reversión es útil. En nuestro estudio de mejora escolar,
consideramos esta declaración convencional: "La participación y el compromiso de los docentes conducen a un mayor esfuerzo
en el uso de la innovación". Luego, consideramos lo contrario: "El alto esfuerzo del maestro lleva a la participación y el
compromiso del maestro". Eso tenía buen sentido teórico en términos de teoría de la disonancia cognitiva. Y habíamos visto
varios ejemplos de casos en los que el esfuerzo temprano y fuerte de los maestros condujo a un aumento posterior del
compromiso.
11. Encontrar variables intervinientes

A menudo sucede durante el análisis que dos variables que "deberían" ir juntas de acuerdo con sus
expectativas conceptuales, o su comprensión temprana de los eventos en el caso, tienen una interrelación no
concluyente. Otro enigma es el caso de dos variables que van juntas, pero sin tener mucho sentido. El analista no
puede entender del todo
por qué van juntos
En ambas condiciones, buscar otras variables que puedan estar en la imagen es una táctica útil. Su análisis
inicial puede estar mostrando que UNA → C, pero puede estar pensando: "Sí, pero falta algo. Donde esta si '? Y qué es
' si ' ¿de todas formas?"
Para comenzar el ejemplo, mire la Pantalla 11.2.
En el estudio de mejora escolar, observamos que las escuelas que adoptan innovaciones acompañadas de
grandes fondos cambiaron más que aquellas que adoptan innovaciones menos financiadas. Ese hallazgo deja mucho
sin explicar. ¿Por qué debería ser que una innovación bien financiada "induce" más cambios organizacionales?
En este caso, el analista creó una matriz ordenada por caso de otros posibles correlatos del cambio organizacional,
como "presión ambiental", "orientación para la resolución de problemas", "requisitos de implementación" y "apoyo
administrativo". Una exploración cuidadosa mostró que la relación original (Pantalla 11.2) podría entenderse de manera
mucho más realista cuando varias otras variables ingresaron a la imagen (ver Pantalla 11.3). Aquí, vemos que el "Tamaño
de la financiación" es parte de una red de otras variables.
Pantalla 11.2
Relación de dos variables
Organizativo
Tamaño de la financiación
cambio

Pantalla 11.3
Relación de dos variables con variables intermedias
(1) Tamaño / alcance (3) Implementación

de innovación requisitos
(6) Cambio
organizacional
(2) Tamaño de (4) Administrativo

fondos apoyo
(5) Exitoso
implementación
Las innovaciones más grandes (recuadro 1) llevan consigo más fondos (recuadro 2). Los fondos aumentan el apoyo que
brindan los administradores (Cuadro 4), pero también lo hacen los requisitos de implementación más pesados (Cuadro 3) de las
innovaciones más grandes. El cambio organizacional (Recuadro 6) proviene de al menos tres fuentes: (1) los requisitos directos
de la implementación en sí (Recuadro 3), (2) apoyo administrativo (Recuadro 4) y (3) el grado en que la implementación es
exitosa ( Recuadro 5). Como reveló la red, Soporte administrativo es una variable de intervención muy central.
En este ejemplo, el esfuerzo por aclarar una relación plausible pero desconcertante condujo a una formulación mucho más
clara, aunque más compleja. También existen casos más simples de encontrar variables intervinientes. Encontrar variables
intermedias es más fácil con múltiples ejemplos de la relación de dos variables para mirar, contrastar y comparar.
12. Construyendo una cadena lógica de evidencia

Hemos discutido observando patrones , haciendo metáforas , agrupamiento , detalles subsumidores en
general , y factorización . Con estas tácticas, fragmentos discretos de información se unen para formar un todo más
económico que, analíticamente hablando, es más que la suma de sus partes. ¿Cómo logras esto realmente? ¿Hay
algún tipo de heurística que pueda usar? Comencemos con un ejemplo.
En el estudio de los arreglos interorganizacionales entre escuelas y universidades, nos topamos con un caso
especialmente exitoso. Era un "centro de maestros" conectado a una universidad estatal rural y que realizaba una variedad
de actividades de capacitación en servicio para escuelas dentro de un radio de unas 60 millas.
Desarrollamos una cadena lógica de factores que podrían conducir al éxito, como se ve desde el lado de la
universidad estatal y desde el lado de la escuela (ver Pantalla 11.4). La cadena lógica de evidencia es así.
La universidad estatal podría considerar las actividades de servicio y divulgación como muy centrales (1). Por eso,
esperaríamos que el personal de la universidad vea los beneficios (2) de un maestro

Pantalla 11.4
Ejemplo de una cadena de evidencia que respalda un resultado observado
UNIVERSIDAD
ESTATAL
2. alto
1. alto Beneficios 3. alto

percibidos
Centralidad de Compromiso de
servicio recursos
4. alto
5. bajo
Características del
Acceso a fuentes
( -) 7. alto centro docente 8. alto
de ayuda
a. materiales de recursos
alternativas. Beneficios Centro de maestros
orientados a la
percibidos exitoso (grado de
artesanía
uso)
si. variedad de
6. alto
actividades en
Escasez de buenos servicio, etc.
materiales didácticos.
ESCUELAS
Nota : ( -) = in ﬂ uencia inversa

Nota: ( -) = influencia inversa
Fuente: Miles, MB y Huberman, AM (1994). Análisis de datos cualitativos: un libro de consulta ampliado ( 2da ed.). Thousand Oaks, CA: Publicaciones sabias.
centro tan alto (que hicieron). Eso, a su vez, debería conducir a un mayor compromiso de recursos (3) con el centro;
dicho compromiso se encontró en forma de dinero y personal.
Mirando el lado de la escuela, encontramos pocas oportunidades de ayuda en el servicio (5), y una escasez de buenos
materiales de enseñanza (6); ambos deberían conducir a altos beneficios percibidos (7) del uso del centro, si el centro, de
hecho, brindó una buena ayuda en el servicio y proporcionó nuevos materiales. Al final resultó que, el alto compromiso de
recursos permitió eso; Los recursos del centro docente (4) y el grado de uso (8) fueron altos.
Este ejemplo ilustra cómo construir una cadena de evidencia. Se deben cumplir algunas condiciones mínimas. Varios participantes
con diferente los roles tienen que enfatizar los factores de forma independiente y indicar los enlaces causales, directa o
indirectamente (p. ej., "No teníamos ninguna otra instalación a la que acudir para conocer nuevos materiales, por lo que
el centro se veía bien" = el vínculo entre 5 y 7). Tienes que verificar las predicciones lógicas y los reclamos (por ejemplo,
los fondos reales comprometidos, la falta de fuentes alternativas de recursos, las actividades realmente emprendidas). Evidencia
compensatoria tiene que ser contabilizado.
¿En qué se diferencia la construcción de una cadena de evidencia de los métodos de redes causales? Este enfoque
está más orientado táctica y específicamente. Construir una cadena de evidencia requiere una verificación minuciosa en
cada paso: ¿Realmente sucede esto, y qué lógicamente predeciríamos como consecuencia, y esa consecuencia aparece en
los datos? Estamos encadenando una serie de si-entonces tácticas: “Si eso fuera cierto, deberíamos encontrar X.
Encontramos X. Por lo tanto,. . . "

Además, el las relaciones tienen que tener sentido: Debe haber una base lógica para la afirmación de que los "beneficios
universitarios percibidos" conducen al "compromiso de recursos". los la cadena debe estar completa: La secuencia de
antecedentes a resultados no debería tener lagunas. Por ejemplo, en la Pantalla 11.4, el vínculo entre 3 y 4 no es tan obvio.
La universidad podría tener recursos comprometidos y podría proponer otro modelo o un centro con características diferentes.
La asignación de recursos no se traduce automáticamente en, por ejemplo, materiales de recursos orientados a la artesanía.
Falta algo en la cadena lógica y debe completarse.
Construye este rastro de evidencia gradualmente, obteniendo una idea inicial de los factores principales,
trazando las relaciones lógicas tentativamente, probándolas contra el rendimiento de la próxima ola de recopilación
de datos, y modificándolas y refinándolas en un nuevo mapa explicativo, que luego se prueba contra nuevos casos e
instancias. Este es el procedimiento clásico de inducción analítica.
En su forma más poderosa, el método usa dos ciclos de enclavamiento. Una se llama "inducción
enumerativa", en la que se recopilan una cantidad y variedad de instancias, todas en la misma
dirección. La segunda se llama "inducción eliminativa", en la cual usted prueba su hipótesis contra
alternativas y busca cuidadosamente las calificaciones que limitan la generalidad de la conclusión.
Cuando los investigadores cualitativos invocan el "enfoque progresivo", se refieren a la inducción
enumerativa; cuando entran en "comparaciones constantes" y "corroboraciones estructurales", están
cambiando a un modo de trabajo inductivo más eliminatorio. La lógica de "modus operandi" utilizada en
varias profesiones como un dispositivo de solución de problemas, para patólogos forenses, mecánicos
de garaje, clínicos, detectives,
13. Hacer coherencia conceptual / teórica

Cuando intentas determinar qué "significan" las acciones de alguien, el ejercicio mental implica conectar un
hecho discreto con otros hechos discretos, y luego agruparlos en patrones comprensibles y más abstractos. Con las
tácticas anteriores, estamos avanzando progresivamente desde las trincheras empíricas a una visión más
conceptual del paisaje. Ya no estamos tratando solo con observables sino también con no observables y estamos
conectando los dos con capas sucesivas de pegamento inferencial.
El siguiente paso es pasar de metáforas e interrelaciones a construcciones, y de ahi a teorías Necesitamos

vincular los hallazgos de nuestro estudio con proposiciones generales que abarquen más de un estudio que
puedan explicar el "cómo" y el "por qué" de los fenómenos en estudio.
En el estudio de mejora de la escuela, nos dimos cuenta de que las personas en algunos de los sitios de campo se
estaban agotando literalmente al utilizar nuevas prácticas de enseñanza. Estas mismas personas también hicieron fuertes
afirmaciones de que la práctica había mejorado sustancialmente los puntajes de lectura o las actitudes de los niños hacia la
escuela. La parte interesante fue que los datos para corroborar las afirmaciones de resultado eran inexistentes o daban poco
apoyo para ellos.
Estos son los "hechos" a partir de los cuales hicimos un patrón. Los participantes del sitio de campo pudieron, y lo
hicieron, estar de acuerdo con los hechos, pero no los reunieron como lo hicimos nosotros. Hasta cierto punto, solo pudimos
ver el patrón porque las cosas sucedían de otra manera en otro sitios: menos inversión, menos reclamos o reclamos más
precisos. La investigación de campo multicase es muy útil para proporcionar contraste y varianza.

Llamemos al patrón que vimos "ilusión consensual": todos están de acuerdo en que con los resultados está sucediendo más
de lo que realmente hay. Las metáforas, en forma gerundia, pueden ser "pensamiento grupal", "autoengaño" o "cumplimiento de
deseos". También podríamos esbozar un diagrama de flujo lógico como el que se muestra en la Pantalla 11.4 para obtener una
solución sobre cómo sucede esto en varios sitios. Pero todavía estamos dentro de los límites de nuestro estudio. El analista ahora
tiene que preguntar: "¿Alguna construcción más amplia reúne estos hechos de la forma en que los estoy reuniendo?" En principio,
los gerundios deberían ayudar. El primero (pensamiento grupal) apunta hacia el comportamiento grupal, el siguiente (autoengaño)
hacia el proceso cognitivo individual y el tercero (cumplimiento de deseos) hacia la dinámica motivacional.
Escogimos una construcción apropiada y poderosa de la psicología social cognitiva clásica: justificación del
esfuerzo Festinger, 1957). Para justificar el esfuerzo realizado, "ve" más resultados de los que objetivamente hay.
Esta acción nos llevó al dominio de disonancia cognitiva y cómo las personas aprenden a amar aquello por lo que han
sufrido.
¿A dónde nos lleva este proceso? Para empezar, nos dice que nuestro hallazgo tiene un análogo conceptual, lo que le da
más credibilidad al hallazgo y al concepto, que ahora se basa empíricamente en un nuevo contexto. También ayuda a explicar
por qué ocurre tal patrón. Y arroja luz sobre cuestiones más importantes (por ejemplo, cómo las personas, en nuestros sitios
y, en general, enfrentan la incertidumbre). Finalmente, el constructo puede ser entrenado en nuestros casos para explicar
fenómenos relacionados pero desconcertantes. Por ejemplo, ahora podemos ver por qué los criterios objetivos (los puntajes
de las pruebas) se ignoran sistemáticamente, cuando están fácilmente disponibles.
Hemos progresado aquí de abajo hacia arriba, desde el campo hasta los conceptos. Los pasos son (a)
establecer los hallazgos discretos, (b) relacionar los hallazgos entre sí, (c) nombrar el patrón y (d) identificar una
construcción correspondiente. Estamos haciendo "adiciones" conceptuales a los datos observados para que sean
aplicables de manera más amplia.
Es perfectamente legítimo, y a veces necesario, trabajar desde arriba hacia abajo, desde un marco conceptual o
teoría hasta la recopilación de información que prueba su validez. Por supuesto, debe permanecer abierto a la idea de
que el concepto no es aplicable o debe doblarse o descartarse cuando vea los datos. Los conceptos sin hechos
correspondientes son huecos.
Tácticas para probar o confirmar hallazgos
Hemos dedicado algún tiempo a tácticas particulares para generar significado: hacer e interpretar hallazgos en
diferentes niveles de inferencia. Ahora, tenemos que enfrentar el problema de validez o integridad. Los análisis cualitativos
pueden ser evocadores, esclarecedores, magistrales e incorrectos. La historia, bien contada, no se ajusta a los datos.
Los colegas razonables que vuelven a verificar el caso presentan hallazgos bastante diferentes. Las interpretaciones de
los participantes del caso no coinciden con las de los investigadores. El fenomenólogo se ríe, reforzado en la idea de
que no hay una única realidad para "acertar", pero no puede escapar de un sentimiento astuto de que, de hecho, hay
conclusiones razonables en alguna parte. En esta sección, revisamos algunas pautas generales para juzgar la "bondad"
de la investigación cualitativa, es decir, lo que los investigadores pueden hacer a nivel táctico y operativo para evaluar y
confirmar los hallazgos.
Primero, tomemos una visión general del problema: muchos, si no la mayoría, los investigadores cualitativos trabajan solos en el
campo. Cada uno es una máquina de investigación de una sola persona: definiendo el

problema, hacer el muestreo, diseñar los instrumentos, recopilar la información, condensar la
información, analizarla, interpretarla y escribirla. Un monopolio vertical.
Y cuando leemos los informes, a menudo son pesados sobre el "qué" (los hallazgos, las descripciones) y bastante
poco sobre el "cómo" (cómo llegó al "qué"). En la mayoría de los casos, no vemos una explicación procesal del análisis,
explicando cómo el investigador llegó de 500 páginas de notas de campo a las principales conclusiones extraídas.
Entonces no sabemos cuánta confianza podemos depositar en ellos. Los investigadores no están siendo crípticos u
obtusos. Es solo que hay pocas pautas para explicar a sus colegas lo que hicieron y cómo. (Y, para ser justos, el límite
de páginas para artículos de revistas también obliga a los investigadores a esbozar brevemente sus párrafos de
metodología).
Debemos ser conscientes en la investigación cualitativa sobre las múltiples fuentes de sesgo analítico que pueden debilitar
o incluso invalidar nuestros hallazgos. Algunos de estos sesgos se han identificado en los libros de texto de métodos de
investigación convencionales; los arquetípicos incluyen los siguientes:
• La falacia holística: Interpretar los eventos como más modelados y congruentes de lo que realmente son, eliminando
los muchos cabos sueltos de los que se forma la vida social, es decir, una investigación descuidada
• Sesgo de élite: Sobreponderar datos de participantes articulados, bien informados, generalmente de alto estado,
y datos subrepresentados de aquellos menos articulados y de menor estatus.
• Prejuicios personales: La agenda personal del investigador, los demonios personales o los "ejes para trabajar"
personales, que distorsionan la capacidad de representar y presentar el trabajo de campo y el análisis de datos de
manera confiable
• Convertirse en nativo: Perder su perspectiva o su capacidad de "horquillado", ser cooptado en las

percepciones y explicaciones de los participantes locales.
Nos basamos en algunos de los métodos de investigación de la literatura mientras discutimos las tácticas para probar y confirmar
los hallazgos. El lenguaje de confirmación y verificación es más audaz de lo que generalmente podemos lograr. Pero la intención sigue
ahí: ¿cómo podemos aumentar nuestra confianza y la de nuestros lectores en lo que hemos encontrado?
Describimos 13 tácticas, comenzando con las que apuntan a garantizar la calidad básica de los datos, luego pasamos a
aquellas que verifican los hallazgos mediante el examen de excepciones a los patrones iniciales y concluyen con tácticas que
adoptan un enfoque escéptico y exigente para las explicaciones emergentes.
La calidad de los datos se puede evaluar a través de comprobación de representatividad ( 1);
comprobar los efectos del investigador ( 2) en el caso, y viceversa; y triangulando

(3) a través de fuentes de datos y métodos. Estos controles también pueden involucrar ponderar la evidencia ( 4),
decidir qué tipos de datos son más confiables.
Mirar los "patrones" puede decirnos mucho. Comprobación del significado de valores atípicos ( 5) utilizando casos
extremos ( 6) seguimiento de sorpresas ( 7) y buscando evidencia negativa
(8) son todas las tácticas que prueban una conclusión sobre un patrón diciendo qué es no me gusta.
¿Cómo podemos realmente probar nuestras explicaciones? Hacer pruebas si-entonces ( 9) descartar relaciones
espurias ( 10) replicando un hallazgo ( 11) y echando un vistazo a su rival

explicaciones ( 12) son todas formas de someter nuestras hermosas teorías al asalto de hechos brutales o a una
carrera con la bella teoría de otra persona.
Finalmente, una buena explicación merece la atención de las mismas personas de cuyas acciones se trata: los
participantes que proporcionaron los datos originales. La táctica de obtener comentarios de los participantes ( 13)
concluye nuestra lista.
1. Comprobación de representatividad
Cuando desarrollamos un hallazgo en un estudio de campo, asumimos rápidamente que es típico, una instancia de
un fenómeno más general. ¿Pero es? Y si es así cómo representativo es?
Por lo general, las personas hacen una generalización y luego la ilustran ("Por ejemplo, mi amigo ..."), pero sería
difícil encontrar varias instancias más de una supuesta ocurrencia generalizada. Para agravar el problema, las
personas que buscan información y procesadores tienen muchas más probabilidades de ver confirmando instancias
de creencias o percepciones originales que ver instancias desconfirmadoras, incluso cuando las desconfirmaciones
son más frecuentes.
Operando solo, sin ningún instrumento estandarizado o validado, el investigador de campo corre varios riesgos
de generalizar erróneamente desde instancias específicas. Estas son algunas de las trampas más comunes y sus
fuentes de error asociadas:
El primer escollo muestreo de participantes no representativos , destaca el hecho de que solo puede hablar con personas
con las que se puede contactar; Algunas personas son más difíciles de contactar que otras. Este problema en sí mismo señala
algo particularista; su accesibilidad puede estar relacionada con la carga de trabajo, la falta de cooperación o ambas. Los
antropólogos a menudo han advertido sobre la tendencia de los trabajadores de campo a confiar demasiado en participantes
articulados, perspicaces, atractivos e intelectualmente receptivos; tales personas a menudo resultan pertenecer a la élite local.
La segunda trampa, generalizar a partir de eventos o actividades no representativos ,
resultados de la presencia no continua del investigador; tienes que inferir lo que sucede cuando no estás allí.
Cuando observa un evento dramático (una crisis, una discusión), la tendencia es asumir que se ha "acumulado"
cuando estuvo ausente o que simboliza un patrón más general. Estas son inferencias plausibles pero ciertamente no
están bien fundamentadas.
El tercer escollo, sacar inferencias de procesos no representativos , está buscando procesos subyacentes que
expliquen lo que has visto y oído. Pero si las muestras de eventos y actividades son defectuosas, la explicación no
puede generalizarse más allá de ellas. Si una cuenta emergente tiene un buen sentido lógico (para usted) y encaja
bien con otros análisis derivados de forma independiente, se aferra a ella y comienza a defenderla con más fuerza. El
problema es que podrías tener plausibilidad pero no confirmabilidad
El verdadero problema con el muestreo selectivo y la generalización apresurada es que puede deslizarse
gradualmente en estos sesgos, con la primera capa preparando el terreno para la siguiente. Gradualmente, te
conviertes en un prisionero de tu sistema emergente de comprender el caso. Ya no hay ninguna posibilidad,
cognitivamente hablando, de retroceder o revisar críticamente lo que has observado hasta entonces. Lo que
ahora entiendes se ha acumulado muy gradualmente desde adentro, no extraído válidamente desde afuera.

Entonces, si desea retroceder y revisar críticamente, necesita que alguien más lo haga, o debe construir salvaguardas
contra el autoengaño. Ya hemos reforzado el enfoque anterior (amigos críticos, colegas, otros trabajadores de campo,
miembros del equipo de investigación, auditores) a lo largo de los perfiles de métodos, así que ofrezcamos algunas
garantías adicionales.
Asuma automáticamente que, en primer lugar, está muestreando y extrayendo inferencias de una muestra
no representativa de casos, ya sean personas, eventos o procesos. Eres culpable hasta que demuestres tu
inocencia al extender el "universo" de tu estudio. ¿Cómo?
1) Aumentar el número de casos.
2) Busque intencionalmente casos contrastantes (negativos, extremos, compensatorios).
3) Ordene los casos de varias maneras en una matriz para ver quién o qué puede faltar.
4) Muestra aleatoriamente personas y fenómenos dentro de los sitios que estás estudiando.
Los dos últimos procedimientos corresponden a las convenciones de "estratificación" y "aleatorización" utilizadas por los
investigadores experimentales para mejorar la validez interna. Pero mientras el investigador experimental usa las
convenciones temprano, Como controles anticipatorios contra el error de muestreo y medición, el investigador cualitativo
generalmente los usa más tarde, como dispositivos de verificación. Ese uso le permite dejar entrar a todas las personas y datos
candidatos, por lo que los más influyentes tendrán la posibilidad de surgir. Pero aún tiene que cargar con la carga de la prueba
de que los patrones que finalmente identifica son, de hecho, representativos.
2. Comprobación de los efectos del investigador

Los de afuera a un grupo influyen en los de adentro, y viceversa. Lo mismo ocurre con el investigador que
desembarca en un entorno de campo para estudiar a los "investigadores". Es probable, especialmente desde el principio,
crear un comportamiento social en otros que normalmente no hubiera ocurrido. Ese comportamiento, a su vez, puede
llevarlo a observaciones e inferencias sesgadas, confundiendo así (un término apropiado en este caso) las características
naturales del entorno con los efectos artificiales de la relación investigador-investigador. Desconcertarlos es como moverse
a través de una sala de espejos.
Entonces tenemos dos posibles fuentes de sesgo aquí:
1) Los efectos del investigador sobre el caso.
2) Los efectos del caso sobre el investigador.
Los investigadores del estudio de campo a menudo están menos preocupados por el sesgo 1 porque generalmente
pasan suficiente tiempo en el sitio para formar parte del paisaje local. Pero eso, por supuesto, aumenta el riesgo de Bias 2:
ser cooptado, volverse nativo, tragar la versión acordada o dada por sentada de los eventos locales.
Aunque discutimos estos sesgos a medida que ocurren durante las visitas al sitio, influyen profundamente en el análisis,
tanto durante como después de la recopilación de datos. El investigador que se ha vuelto nativo sigue siendo nativo durante el
análisis. El investigador que ha influido en el sitio de manera incomprendida sufre desprevenido de esa influencia durante el
análisis.
El sesgo 1 ocurre cuando el investigador amenaza o interrumpe las relaciones sociales e institucionales en curso al
no hacer nada más que simplemente estar allí. La gente ahora

tiene que averiguar quién es esta persona, por qué está allí y qué se puede hacer con la información que se recopila.
Mientras se dan cuenta de eso, los participantes generalmente cambiarán a un rol en el escenario o una persona especial,
una presentación de sí mismo ante el extraño. (Por supuesto, tienen otras personalidades para sus compañeros, como
Goffman [1959] muestra muy bien).
Incluso después de este baile preliminar, los participantes a menudo elaboran sus respuestas para que parezcan
susceptibles al investigador y para proteger sus propios intereses. Para algunos analistas, los intereses de los participantes
locales están fundamentalmente en conflicto con los del investigador, que podría penetrar hasta el núcleo de las rivalidades,
compromisos, debilidades o contradicciones que constituyen gran parte de la historia básica del sitio. Los de adentro no quieren
que los de afuera, y algunas veces otros de adentro, sepan sobre tales cosas. Por lo tanto, el investigador, que generalmente
está interesado en descubrir precisamente este tipo de información, debe asumir que las personas tratarán de engañar y cambiar
a un modo más investigativo.
La investigación de campo puede, en el fondo, considerarse como un acto de traición, sin importar cuán bien
intencionado o bien integrado esté el investigador. Haces público lo privado y dejas a los lugareños tomar las
consecuencias.
Pero esa no es la única forma en que Bias 1 puede ocurrir. En algunos casos, los sesgos 1 y 2 pueden unirse para crear
efectos "artefactos" como resultado de la complicidad entre el investigador y los actores locales. Este es el famoso efecto
"experimentador" de Rosenthal (1976).
Nos han pillado durmiendo varias veces en este caso. Por ejemplo, un sitio de campo en el proyecto de mejora
escolar estaba a punto de eliminar el proyecto que habíamos venido a ver. Por alguna misteriosa razón, la decisión de
eliminación se canceló durante nuestro tiempo en el sitio. El razonamiento, que desentrañamos solo después de
varios días más, fue que la práctica tenía para ser mejor de lo que parecía porque los investigadores universitarios
habían venido de muy lejos para verlo. También existía el deseo de evitar una acusación pública; El investigador y / o
el público que lee su investigación podría transmitir la impresión de que la escuela había fallado.
El sesgo 1 puede tomar otras formas. Por ejemplo, los participantes locales pueden boicotear implícita o explícitamente al
investigador, que es visto de diversas maneras como un espía, un voyeur o una plaga. O el investigador puede inhibir a los
actores locales. Después de varios días en el sitio y múltiples entrevistas, las personas ya no están seguras de cuánto ha
descubierto el investigador y suponen, erróneamente en la mayoría de los casos, que el investigador sabe demasiado. Esta
opinión desencadena el sesgo 2: el investigador, en consecuencia, se vuelve más tranquilizador o, alternativamente, pasa al
modo investigativo-adversario. Es probable que ambas estrategias afecten los datos que se recopilan.
Suponiendo, entonces, que solo tiene unos pocos meses, semanas o incluso días en el sitio, ¿cómo se pueden contrarrestar
estas dos formas de sesgo entrelazadas? A continuación se incluye una breve lista de sugerencias, muchas de las cuales se tratan
con mucho más detalle en la literatura relacionada con el trabajo de campo.
A. Evitar sesgos derivados de los efectos del

investigador en el sitio
• Permanecer en el sitio el mayor tiempo posible; Pase un tiempo simplemente dando vueltas, encajando en el paisaje,
tomando un perfil más bajo.
• Use medidas discretas donde pueda, como leer los documentos de acceso público del
sitio.

• Asegúrese de que sus intenciones sean claras para los participantes: por qué está allí, qué está
estudiando, cómo recopilará información y qué hará con ella.
• Considere cooptar a un participante, pidiéndole a esa persona que esté atento a su influencia en el
sitio y sus habitantes.
• Realice algunas de sus entrevistas fuera del sitio en un entorno social agradable (cafetería, restaurante,
hogar de los participantes), reduciendo tanto su cociente de amenazas como su exotismo.
• No infles el problema potencial; no eres realmente una presencia tan importante en la vida
de estas personas.
B. Evitar sesgos derivados de los efectos del

sitio en el investigador
• Evite el sesgo de "élite" extendiendo a sus participantes; incluya participantes de nivel inferior y
personas fuera del foco de su estudio (actores periféricos o anteriores).
• Evite la cooptación o hacerse nativo pasando tiempo fuera del sitio; distribuya sus visitas al sitio.
• Asegúrese de incluir disidentes, manivelas, desviados, marginales, aislados: personas con diferentes puntos
de vista de la corriente principal, personas menos comprometidas con la tranquilidad y el equilibrio en el
entorno.
• Sigue pensando conceptualmente; traducir pensamientos sentimentales o interpersonales en otros más

teóricos.
• Considere encontrar un participante que acepte proporcionarle antecedentes e información histórica para usted y
recopilar información cuando se encuentre fuera del sitio (dicha cooptación puede ser más útil, en términos de
reducción de sesgos, que la información proporcionada).
• Triangular con varios métodos de recolección de datos; no dependa demasiado de la conversación, solo de la
observación o solo de los documentos para entender el entorno.
• Si siente que está siendo engañado, intente comprender y centrarse en por qué un participante
consideraría necesario engañarlo. Sigue ese rastro tan arriba como puedas.
• No muestres casualmente cuánto sabes; Esta es una petición encubierta de confirmación que
engaña solo a la persona que la realiza.
• Muestra tus notas de campo a un colega. A menudo, otro investigador es mucho más rápido para ver dónde y
cómo está siendo engañado o cooptado.
• Mantenga sus preguntas de investigación firmemente en mente; no te alejes demasiado de ellos para seguir
pistas atractivas o dejarlos caer ante un evento más dramático o trascendental.
Al igual que con todas esas listas, seguir algunos elementos te mete en problemas con otros. Por ejemplo, si solo tiene unos
pocos días en el sitio, las entrevistas fuera del sitio pueden ser demasiado costosas. O puede ser cooptado por el participante que
está intentando cooptar.
La detección y eliminación de sesgos lleva tiempo. Mientras más tiempo tenga, más capas podrá quitar de la
configuración para llegar a los factores explicativos centrales y menos sujeto tendrá.

son los sesgos 1 y 2. Sin embargo, tomamos eso con un grano de sal. La exposición prolongada puede hacer que Bias 2 suba y hacer
que Bias 1 sea más difícil de ver.
Una vez más, decimos que las personas que son discretas, conocedoras del entorno en estudio y conceptualmente
ecuménicas a menudo pueden llegar al núcleo de un caso en cuestión de días, evitando ambos tipos de sesgos de los
investigadores y obteniendo datos de buena calidad. . Es posible que los metodólogos que exigen meses o años en el
sitio antes de obtener datos válidos confundan el tiempo con la competencia.
3. Triangulando
Mucho se ha escrito sobre la triangulación como un método casi obligatorio para confirmar los hallazgos. Despojado
de lo básico, se supone que la triangulación respalda un hallazgo al mostrar que al menos tres medidas independientes de
la misma están de acuerdo o, al menos, no lo contradicen. Pero no es tan simple como eso. Por un lado, si dos medidas
están de acuerdo y una no, estás atrapado en una pregunta más profunda: ¿cuál crees? (Ver la película
Informe Minoritario.)
La triangulación es similar al enfoque de modus operandi utilizado por los detectives, mecánicos y médicos de atención
primaria. Cuando el detective acumula huellas dactilares, muestras de cabello, coartadas y relatos de testigos oculares, se
presenta un caso que presumiblemente se ajusta a un sospechoso mucho mejor que otros; La estrategia es la coincidencia de
patrones, utilizando varias fuentes de datos. El diagnóstico de falla del motor o dolor en el pecho sigue un enfoque similar. Los
signos presumiblemente apuntan a la misma conclusión y / o descartan otras conclusiones. Tenga en cuenta la importancia de
tener diferentes tipos de mediciones, lo que proporciona una verificación repetida.
¿Qué tipos de triangulación puede haber? Siguiendo las distinciones clásicas de Denzin (2001), podemos pensar en
la triangulación por fuente de datos ( que puede incluir personas, horarios, lugares, etc.), por método ( observación,
documento de entrevista), por investigador
(Investigador A, B, etc.), y por teoría. A esto, agregamos tipo de datos ( por ejemplo, textos cualitativos, grabaciones de
audio / video, datos cuantitativos). ¿Cómo elegir cuál? El objetivo es elegir fuentes de triangulación que tengan diferentes
focos y diferentes fuerzas, para que puedan complementarse entre sí. En algunos sentidos, somos siempre frente a datos
de triangulación, ya sea que lo atendamos o no.
Como ejemplo, los estudios de Saldaña sobre las respuestas de la audiencia infantil al teatro emplearon múltiples
medidas: (a) observaciones de la audiencia en vivo y notas de campo de los eventos, (b) grabaciones de audio y video de las
respuestas de la audiencia a la actuación, (c) enfoque grabado en audio entrevistas grupales con niños después de la
presentación, (d) dibujos o evaluaciones escritas de los niños de las producciones que vieron, (e) reproducir análisis
dramatúrgicos de guiones, (f) entrevistas con maestros seleccionados y miembros adultos de la compañía de producción, y
(g) teorías relevantes de la literatura de investigación profesional en áreas como desarrollo infantil, psicología, educación,
medios y estudios de desempeño.
¿Qué podemos esperar de la triangulación? Podemos obtener corroboración de tres fuentes diferentes, lo que mejora la
confiabilidad de nuestro análisis. Pero a veces podemos obtener inconsistente o incluso directamente contradictorio recomendaciones.
En el mejor de los casos, esto puede empujarnos a examinar más de cerca la integridad de los métodos de recopilación de
datos e incluso los datos mismos. Los hallazgos inconsistentes y conflictivos nos obligan a explicar por qué existen. Puede
deberse a una variabilidad no detectada de algo que debemos tener en cuenta o anomalías imprevistas y valores atípicos en
los fenómenos que estamos estudiando ese mérito

examen más detenido. A veces, los hallazgos inconsistentes y conflictivos sugieren que el investigador cometió un error
en algún punto del camino y necesita descubrir qué puede haber salido mal. Pero a veces los resultados contradictorios
son una bendición porque los diferentes métodos de recopilación de datos utilizados recopilan diferentes facetas de los
datos y sus efectos combinados. construir el uno del otro para componer una perspectiva más tridimensional del
fenómeno.
Quizás nuestro punto básico es que la triangulación no es tanto una táctica como una forma de vida. Si conscientemente
se propone recolectar y verificar los hallazgos, utilizando múltiples fuentes y modos de evidencia, el proceso de verificación se
integrará en gran medida en la recopilación de datos a medida que avance. En efecto, la triangulación es una forma de llegar al
hallazgo en primer lugar: al ver o escuchar múltiples instancias de ella de diferentes fuentes mediante el uso de diferentes
métodos y al cuadrar el hallazgo con otros, debe cuadrarse.
4. Ponderar la evidencia
Cualquier conclusión preliminar dada siempre se basa en ciertos datos. Tal vez deberíamos usar la palabra que
algunos historiadores han empleado: capta Hay eventos en el mundo real, de los cuales "capturamos" solo un registro
parcial en forma de notas de campo sin procesar, de las cuales extraemos solo cierta información en forma de
informes, que luego llamamos datos. Hay, a su vez, más condensación, selección y transformación a medida que
estos datos se ingresan en varias pantallas e informes.
Algunos de estos datos son mejores que otros. Afortunadamente, puedes explotar ese hecho maravillosamente para verificar
las conclusiones. Si se sabe que los datos en los que se basa una conclusión son más sólidos, más válidos que el promedio,
entonces la conclusión se fortalece. Los datos más sólidos pueden tener más peso en la conclusión. Por el contrario, una
conclusión basada en datos débiles o sospechosos puede, al menos, mantenerse a la ligera y, óptimamente, descartarse si una
conclusión alternativa tiene datos más sólidos para respaldarla.
Básicamente, hay una gran variedad de razones por las cuales ciertos datos son más fuertes (válidos) o más débiles
(menos válidos) que otros. Primero, los datos de algunos participantes son "mejores". El participante puede ser articulado
y reflexivo y puede disfrutar hablando de eventos y procesos. O el participante puede estar bien informado y cerca del
evento, acción, proceso o entorno que le preocupa. En nuestro estudio, por ejemplo, le dimos más importancia a los
juicios de los superintendentes escolares sobre asuntos presupuestarios del distrito que a los de los maestros sobre ese
tema.
En segundo lugar, las circunstancias de la recopilación de datos pueden haber fortalecido (o debilitado) la calidad de los datos. Ver
con sus propios ojos lo que sucedió en un aula es más confiable que escuchar los chismes de la sala de profesores sobre el incidente.
Entrevistar a un participante durante las etapas posteriores del trabajo de campo en lugar de las anteriores puede obtener respuestas
más completas, ya que ha tenido tiempo de establecer una buena relación y confianza.
Tercero, la calidad de los datos puede ser más fuerte debido a los esfuerzos de validación de un trabajador de campo. Estos
pueden consistir en varias variedades (las en negrita se analizan en otra parte de este capítulo):
• Comprobación de los efectos del investigador y prejuicios
• Comprobación de representatividad
• Obteniendo comentarios de los participantes

• Triangulando
• Buscando motivos ocultos
• Buscando el engaño
Los dos últimos no han sido atendidos en otras secciones. Douglas (1976) enfatiza que independientemente del
grado de confianza que un trabajador de campo pueda creer que se ha desarrollado, las personas en los sitios de campo
casi siempre tienen algunas razones para omitir, seleccionar o distorsionar los datos y también pueden tener razones para
engañar al trabajador de campo ( sin mencionar engañarse a sí mismos). Si ha tenido esa visión de ciertos encuestados y
de los datos de ellos, y ha hecho algo para validar los datos, se justifica una mayor confianza. Douglas ofrece algunas
estrategias que hemos adaptado:
• Verifique con "hechos concretos".
• Verificar con cuentas alternativas.
• Busque "la trampilla", lo que está sucediendo más allá de lo obvio.
• Comparta su propia historia personal para abrir al encuestado.
• Comparta lo que realmente piensa que está sucediendo y vea cómo reacciona el encuestado.
Los trabajadores de campo que confían principalmente en la confianza pueden codornizarse ante tales intervenciones o
descartarlas por ser demasiado intrusivas. Hemos descubierto que vale la pena ser escéptico, esperar que se nos mienta a veces,
buscar el autoengaño de los encuestados y suavemente y con tacto interrogar a los encuestados de vez en cuando sobre tales asuntos.
Dos sugerencias adicionales. Primero, hemos encontrado útil mantener un registro de los problemas de calidad de los datos (a
menudo en forma de notas analíticas u OC, comentarios de los observadores, en las notas de campo), junto con los esfuerzos
recurrentes para mejorar la calidad de los datos en las visitas posteriores al sitio. En segundo lugar, cuando nos acercamos a la
redacción final de un análisis de caso, es útil resumir sus puntos de vista sobre la calidad de los datos, tanto para usted como para sus
eventuales lectores. Aquí hay un ejemplo de un informe de caso en nuestro estudio de mejora escolar, que apareció después de que el
investigador enumeró el número de entrevistas (46), charlas informales (24) y observaciones (17) realizadas durante tres visitas al sitio:
La base de datos probablemente esté sesgada hacia los administradores y el personal central del programa (3-6 entrevistas
cada uno), y puede representar de manera insuficiente la de los usuarios normales del programa, y ciertamente la de las
personas periféricas (y más desencantadas). Por lo tanto, la información puede ser más completa sobre los entresijos de la
operación según lo ven los operadores clave, y menos sobre cómo es la vida cotidiana en las escuelas de Carson.
5. Comprobación del significado de valores atípicos

Cualquier hallazgo dado generalmente tiene excepciones. La tentación es suavizarlos, ignorarlos o explicarlos. Pero El
más atípico es tu amigo. Un buen vistazo a las excepciones, o los extremos de una distribución, puede probar y fortalecer
el hallazgo básico. No solo prueba la generalidad del hallazgo, sino que también lo protege contra los sesgos de
auto-selección y puede ayudarlo a construir una mejor explicación.
Por ejemplo, en el estudio de mejora escolar, encontramos un caso en el que muchos maestros vieron la nueva
práctica como una cura casi milagrosa para las enfermedades locales.

Aunque a los maestros les resultaba difícil superarlo, el proyecto eventualmente condujo a aumentos dramáticos en los
puntajes de lectura y composición. El entusiasmo era alto.
¿Fue una "cura milagrosa"? Para probar el hallazgo, preguntamos acerca de las personas que no habían adoptado la práctica
o la habían utilizado y la encontraron faltante. Después de pensarlo un poco, nuestros participantes clave idearon uno para cada
uno.
Nuestras entrevistas con estas dos personas fueron instructivas. Primero, descubrimos que sus razones para no adoptar
eran opuestas y, por lo tanto, coherentes con las razones dadas por los otros participantes para adoptar. Luego, descubrimos
que el usuario disidente no había dominado realmente la innovación en la forma en que lo hicieron los usuarios satisfechos. Ya
teníamos buena evidencia que vinculaba el dominio técnico con los resultados positivos. Por lo tanto, nuestros hallazgos se
fortalecieron y entendimos mucho mejor por qué los casos desviados eran desviados.
Por lo tanto, se hizo más claro que la innovación era como una "cura milagrosa" solo si se realizaba técnicamente bien.
Además, estos valores atípicos nos dijeron que había más personas como ellos de lo que los defensores habían admitido.
Entonces nos dimos cuenta de que habíamos sobremuestreado a los usuarios contentos y, en cierto sentido, habíamos sido
"absorbidos" por la versión de los eventos que se da por sentado entre los maestros locales. Al ampliar la muestra de usuarios
descontentos a partir de entonces, obtuvimos una imagen algo diferente y más compleja del caso.
A menudo hay más excepciones o casos desviados de los que se dan cuenta al principio; tienes que ir a
buscarlos. No vienen llamando; Tampoco piensas espontáneamente en probarlos. Después de todo, son
inconvenientes, no solo difíciles de alcanzar u observar, sino también spoilers de su versión ingeniosa y coherente
de la dinámica de casos.
Recuerde también que los valores atípicos no son solo personas; pueden consistir en discrepantes
casos, atípico ajustes, único tratos, o inusual eventos. Debe encontrar los valores atípicos y luego verificar si lo que está presente
en ellos está ausente o es diferente en otros ejemplos más convencionales (vea utilizando casos extremos siguiente).
Encontrar valores atípicos es más fácil cuando tiene pantallas bien ordenadas. Los casos, roles, escenarios, eventos e
individuos pueden mostrarse en relación coherente con los demás. Si todavía está recopilando datos, muestre lo que tiene y
busque valores atípicos. Si las cosas están estrechamente agrupadas (sin valores atípicos aparentes), considere dónde podría
ir para encontrar algunas personas, eventos o entornos periféricos. Y, en el seguimiento, manténgase abierto a la eventualidad
de que los casos excepcionales puedan resultar prototípicos.
En muchos casos, el análisis atípico fortalece una conclusión original ("la excepción prueba la regla"). Pero
ten cuidado; no lo fuerces Manténgase abierto a la idea de que el valor atípico le está diciendo algo útil e
importante sobre cómo su conclusión necesita modificación.
6. Uso de casos extremos

Acabamos de describir el uso de valores atípicos para profundizar las conclusiones preliminares. Los valores atípicos de
cierto tipo, que llamamos casos extremos, pueden ser muy útiles para verificar y confirmar conclusiones.
En las entrevistas de salida de Saldaña (1995) con alumnos de sexto grado sobre sus 7 años de experiencias de
revisión de teatro desde el jardín de infantes, una pregunta de entrevista que les hicimos a los jóvenes participantes fue
"¿Es necesario el teatro?" Todos excepto un niño dijeron "Sí"; fue el joven que dijo "No" que fue el caso extremo en este
caso. Su explicación de que

El teatro "no tenemos que tener" no fue inesperado, ya que fue uno de los participantes con la calificación más baja en el
estudio en los últimos 7 años. Pero su "no" se convirtió en parte del registro de datos, y ahora tuvimos que explicar por qué,
después de tantos años de experiencias teatrales gratuitas y en su mayoría de alta calidad, solo él de cada 30 niños sintió
que el teatro era innecesario. En pocas palabras, su "no" nos obligó a examinar de cerca los diferentes valor los niños
atribuyen a las artes y, por lo tanto, a los paisajes de significados y beneficios que ofrecieron a sus jóvenes participantes.
Ese solo "no" ayudó a cristalizar las conclusiones del estudio.
Esta es una táctica de "mantener todo lo demás constante", buscando el caso más extremo, donde
debería haber habido consenso pero no lo hubo. Tenga en cuenta que necesita conocimiento conceptual y / o
empírico de las variables involucradas; No se puede hacer en el vacío. No solo busca valores atípicos
empíricos, sino que conceptualmente define casos extremos y observa si existen.
El segundo tipo de caso extremo son las personas que se sabe que tienen un fuerte sesgo. Por ejemplo, suponga que
está hablando con un administrador muy conservador que sabe que por contacto anterior es bastante defensivo. Le
preguntas por qué los maestros con los que trabaja son reacios a probar innovaciones. Él responde que se debe a su
propia falta de cooperación y apoyo. Esa respuesta es muy persuasiva porque no esperaría que este administrador en
particular haga tal declaración en absoluto.
Para decirlo de otra manera, busque a la persona en un sitio que tenga más que ganar (o perder) afirmando o
negando algo, y haga la pregunta. Si obtiene una respuesta sorprendente (por ejemplo, la persona que tiene mucho
que ganar al negar la afirmación / pregunta, de hecho, la afirma), entonces puede tener más confianza. Esta
maniobra requiere que usted tenga una buena comprensión previa de la postura y los prejuicios típicos de la
persona.
En cierto modo, este es otro estilo de diferencial evidencia de ponderación ( Discutido antes). Por ejemplo, si está
entrevistando a defensores entusiastas de una innovación, sus comentarios sobre las verrugas y los puntos problemáticos
de la innovación deben tomarse muy en serio. Una vez más, está conceptualizando lo que significa "extremo" y
aprovechando los datos que encuentra allí.
7. Seguimiento de sorpresas
Las sorpresas tienen más jugo que los valores atípicos. Cuando te sorprendes, generalmente significa que algo
ha ocurrido fuera del rango de tus expectativas. Tenías una teoría implícita de lo que estaba sucediendo, como
"Regreso a casa después de un día duro en la oficina". Y ¡sorpresa! Entras en una sala llena de amigos que te dan
una fiesta de medio cumpleaños con 6 meses de anticipación. Así que te ríes, disfrutas de la atención y quizás
reflexiones sobre su amabilidad y tal vez sobre la astucia de tu pareja, que se coludió con el complot para
engañarte, por una buena causa, por supuesto. ¿Y cómo se hicieron todas las compras sin que te dieras cuenta?
En el análisis cualitativo, la fiesta es menos importante que la reflexión de seguimiento y la investigación. ¿Qué
me dice este evento acerca de mis expectativas, teorías implícitas y suposiciones dadas por sentado? ¿Y dónde
puedo ir en mis datos para ayudarme a reconstruir mi teoría?
Algo que sorprendió a Saldaña en su primer día de trabajo de campo en una escuela del centro de la ciudad a mediados de la
década de 1990 en el suroeste fue el peinado peinado hacia atrás y “peinado” de la mayoría de los niños hispanos, un matiz de aseo
que se dio cuenta que había estado dentro de la cultura desde su propia infancia hace 40 años. También fue sorprendente la
constatación de que muchas chicas jóvenes

no usaba pantalones cortos o pantalones, sino que vestía vestidos para ir a la escuela, a diferencia de la ropa que se observa en las
escuelas primarias predominantemente blancas de clase media. Estos pequeños detalles de moda le hicieron repensar la dinámica
cultural más amplia de la que ahora estaba rodeado y cómo las tradiciones y valores seleccionados aún desempeñaban un papel en
la vida de estos niños hispanos.
El seguimiento de las sorpresas tiene tres aspectos. Usted (1) reflexiona sobre la sorpresa de descubrir su teoría violada,
(2) considera cómo revisarla y (3) busca evidencia que respalde su revisión. También puede trabajar de (2) a (3), cazando en
un modo de olfateo, para encontrar nuevos aspectos del caso que posiblemente podrían conducir a una nueva teoría.
8. Buscando evidencia negativa

La táctica buscando evidencia negativa es fácil de describir pero, dada la propensión de la gente a crear patrones, no
es naturalmente instintivo. Cuando se llega a una conclusión preliminar, la táctica es preguntar: "¿Alguna información se
opone a esta conclusión o es inconsistente con esta conclusión?" Esta es una versión más extrema de buscar valores
atípicos ( discutido anteriormente) y para explicaciones rivales ( discutido después). Estás buscando activamente
dis confirmación de lo que crees que es verdad.
Se supone que Einstein dijo: "Ninguna cantidad de evidencia puede probar que tengo razón, y cualquier cantidad de evidencia
puede probar que estoy equivocado". Eso es así, en abstracto, pero la mayoría de nosotros actuamos como si lo contrario fuera cierto.
Nuestras hermosas teorías necesitan pocos datos para convencernos de su solidez, y no estamos ansiosos por encontrarnos con los
muchos hechos brutales que podrían condenar nuestros marcos. Un buen estudio de caso de tal esfuerzo es el estudio clásico de
malversadores de Cressey (1953). Cressey revisó sus hipótesis de trabajo cinco veces, buscando casos negativos para cada versión a
su vez, utilizando datos anteriores, datos recién recopilados y los estudios de otros, hasta que no hubo ninguna confirmación.
Miller (sf) informa que "las instancias de desconfirmación deben manejarse con cuidado". No es deseable
descartar su hipótesis original demasiado rápido y modificarla apresuradamente para acomodar la evidencia
negativa. Miller sugiere que aunque una instancia de evidencia negativa puede ser suficiente para requerir una
reconsideración, el
proporción de evidencia negativa a positiva probablemente debería jugar un papel.
Comisione a un amigo escéptico, pero escandalosamente escéptico, para que eche un vistazo a su conclusión
actual, evite la visualización de sus datos y busque datos en las notas de campo escritas que efectivamente
confirmarían su conclusión. Si se encuentra dicha evidencia, proceda a la formulación de una conclusión alternativa
que aborde la evidencia.
Finalmente, tenga en cuenta lo que podría llamarse el "error delirante". La ausencia de evidencia negativa nunca
puede ser decisiva como táctica confirmatoria, como en el siguiente intercambio:
Pregunta: ¿Por qué tienes esa cinta azul en tu dedo meñique todos los días?
Responder: Es para evitar que los elefantes me sigan.
Pregunta: Pero no hay elefantes aquí.
Responder: ¿Ver? Esta funcionando.
9. Hacer pruebas de si-entonces

Las pruebas If-then son el caballo de batalla del análisis de datos cualitativos. Están más centrados que una
hipótesis de trabajo generalizada, que respalda una dirección analítica general.

Una declaración formal es "Si X, entonces Y". Es una declaración de relación esperada. Suponiendo que X sea verdadero
(una condición importante), miramos para ver si Y es verdadero. Si Y es cierto, entonces tenemos un bloque de construcción
para la comprensión. Estamos muy lejos de una "ley" sobre la relación de X e Y, que requiere universalidad, vinculación a una
teoría más amplia y no trivialidad, entre otras condiciones. Pero sabemos más de lo que sabíamos y podemos dar los
siguientes pasos analíticos, en particular, hacer más pruebas si y luego y conectarlas a una teoría general de lo que está
sucediendo.
El estudio de Saldaña (1999) sobre la clase social y la conciencia social de los adolescentes fue un estudio
oportunista que investigó por qué dos grupos diferentes de adolescentes, cada uno de dos orígenes sociales y
económicos muy diferentes, respondieron de manera bastante diferente al mismo contenido del taller orientado a
cuestiones sociales. El grupo socioeconómico más bajo abrazó la seriedad de los problemas sociales abordados en un
taller del foro y participó con entusiasmo y respeto. Pero el grupo socioeconómico superior transformó el mismo
contenido en el taller de su foro en una parodia y una sátira de los problemas sociales que tratamos de abordar.
Después de reflexionar sobre estas experiencias, Saldaña presentó la siguiente propuesta general: Si los
adolescentes son de una clase social alta, entonces su conciencia social puede no ser tan elevada como la de una clase
social más baja. Por supuesto, un profesional reflexivo también podría desarrollar la siguiente propuesta: Si el contenido
del taller no es relevante o significativo para sus participantes, entonces rechazarán las experiencias proporcionadas.
Uno siempre puede pensar en excepciones o evidencia negativa eso forzará una revisión de estas proposiciones, pero
para este evento en particular, esto es lo que se observó.
El uso del tiempo futuro condicional en las declaraciones del "entonces" nos ayuda a recordar que tenemos que mirar
para ver si ha sucedido el "entonces". Por lo tanto, las declaraciones if-then son una forma de formalizar proposiciones para
las pruebas. El método de generar predicciones
implica vincular una gran cantidad de "si" a un solo "entonces" principal. Las declaraciones If-then
están a solo un paso de construir teorías.
10. Descartar relaciones espurias

"Espurio" significa algo que se atribuye falsamente; una relación espuria significa que estás conectando cosas
incorrectamente. Supongamos que ha sido capaz, a través de una variedad de tácticas, de establecer esa variable UNA de
hecho está relacionado con SI. Cada vez que vemos UNA,
vemos SI, y viceversa. Antes de dar un suspiro de alivio y proceder a la siguiente conclusión, vale la pena
considerar la imagen que está dibujando:
UNA → si
de hecho, puede ser retratado con mayor precisión como
AB
donde un tercer factor está en juego, causando ambos UNA y si que se produzca.
Este es un viejo problema de lógica, y podemos sacar un buen ejemplo de un estudio clásico de Wallis y
Roberts (1956) del Revista de la Asociación Médica Americana.
Los investigadores señalaron que los pacientes con polio que viajaron distancias más largas (promedio, 85 millas) a un hospital tenían
más probabilidades de morir que los pacientes que viajaron menos (promedio, 7 millas) y

eran más propensos a morir antes (el 50% murió en 24 horas, frente al 20%). Concluyeron: "La mayor mortalidad en el
grupo transportado, que ocurre poco después del ingreso al hospital, es una manifestación del efecto del transporte
prolongado durante la etapa aguda de la enfermedad" (p. 285).
Wallis y Roberts (1956) sugieren que una tercera variable puede estar influyendo en ambos
UNA ( transporte) y B ( mortalidad) seriedad del ataque inicial. Todos los pacientes fueron atendidos en cierto hospital: Willard
Parker, un destacado centro para el tratamiento de enfermedades contagiosas. Los pacientes con polio que vivían más lejos
probablemente fueron llevados a Willard Parker solo si su condición era grave; los casos más leves serían tratados más cerca
de sus propios hogares. Por lo tanto, la imagen se desarrolla como se muestra en la Pantalla 11.5.
Esta interpretación puede verificarse a través del tipo de pantalla que se encuentra en la Pantalla 11.6, con norte sy
tasas de mortalidad ingresadas en las células.
Como Wallis y Roberts (1956) señalan fielmente, incluso si el nuevo análisis pudiera realizarse y respaldara la
"seriedad del ataque inicial" como el problema real, tendrías que hacer un descarte adicional. Quizás aquellos que
venían de lejos tenían una salud básica más pobre para empezar. Quizás vinieron de un área donde se extendió
una cepa de polio particularmente virulenta. Y así.
Encontrar una tercera variable candidata no siempre es fácil, especialmente si la explicación original "tiene sentido", ya que el
vínculo transporte-mortalidad parecía a primera vista. Los investigadores de Willard Parker sí pensaron en una tercera variable, la
duración de la enfermedad previa, que no mostró una diferencia real. Luego, se detuvieron, sin darse cuenta de que la "Willard
Parkerness" de Willard
Pantalla 11.5
Posible explicación de la relación espuria
Seriedad de
ataque
Transporte Mortalidad
Pantalla 11.6
Pantalla para las explicaciones de prueba en la Pantalla 11.5
Pacientes locales Pacientes distantes
Ataque leve
Ataque severo

Parker probablemente estaba en la foto. Si hubieran podido reclutar a Wallis y Roberts como extraños
amigables a la mitad de su análisis, la historia podría haber sido diferente.
La moraleja para los investigadores cualitativos es la misma. Cuando dos variables parecen correlacionadas,
especialmente cuando cree que están asociadas causalmente, espere un momento y considere si alguna tercera variable
podría estar subyacente / influir / causar ambas. Use un colega experto pero independiente para ayudar en la búsqueda.
Luego, considere nuevas pantallas que le darán una visión clara de las terceras variables y sus efectos.
Hacer este procedimiento de una manera más que superficial lleva tiempo, por lo que vale la pena principalmente cuando tienes
una conclusión importante (pero quizás sorprendente) o una en la que se está manejando mucho, en términos prácticos.
Anteriormente, discutimos la táctica de encontrar variables intervinientes , pero allí nos preocupaba
entender mejor una relación tibia. Aquí, el problema es ruina una relación que crees que parece plausible y
fuerte.
11. Replicando un hallazgo

Como mostramos anteriormente en la sección sobre triangulando , los hallazgos son más confiables cuando
pueden ser respaldados por varias fuentes independientes. Su validez mejora cuando son confirmados por más de
un instrumento de recolección de datos que mide lo mismo.
Aún así, el hecho de que generalmente una persona está haciendo todas estas mediciones con instrumentos caseros es
un motivo de precaución. Una vez que se ha aferrado a una hipótesis que tiene un sentido poderoso del caso, es el dickens
para deshacerse de él. La confirmación parece, casi mágicamente, venir de todas partes. Nuevas entrevistas, observaciones y
documentos parecen traer verificación y encajar de manera coherente. No hay evidencia de confirmación o es débil. Este es un
momento embriagador y muy resbaladizo, y generalmente significa que estás hasta las rodillas en la "falacia holística": poner
más lógica, coherencia y significado en los eventos que la descuido inherente de las garantías de la vida social. ¿Cómo te
proteges contra esto?
Una línea de ataque es pensar en términos de replicación del estudio. Si puedo observar y reproducir el
hallazgo en un nuevo contexto o en otra parte de mi base de datos, es muy probable que sea confiable. Si alguien
más puede reproducirlo, mejor aún.
Esta táctica se puede usar de varias maneras. En el nivel más básico, está replicando a medida que recopila nueva
información de nuevos participantes, de nuevas configuraciones y eventos. Los nuevos datos refuerzan o califican los datos
antiguos al probar su validez y generalidad.
En un nivel superior en la escala de confianza, puede probar una hipótesis emergente en otra parte del caso o
conjunto de datos. Tal prueba es más rigurosa; Es más difícil contrarrestar el sesgo del investigador. Se pueden hacer
pruebas aún más rígidas al observar múltiples casos: encontrar un patrón en una pantalla de mayúsculas y luego rastrear
cuidadosamente todos los casos para ver si el patrón se repite.
Aún mejor, replicar en un caso nuevo, aunque reconocemos que puede ser un objetivo extremo y efímero.
Algunas breves palabras de consejo:
• En estudios de casos cruzados, la replicación es una parte importante del esfuerzo básico de recopilación de datos.
Los patrones emergentes de un caso deben ser probados en otros. Esté preparado en el curso del trabajo de campo
para hacer el tipo de prueba corroborativa descrita aquí y en la sección sobre triangulación .

• Si no se hacen provisiones por adelantado para las réplicas, no sucederán; inevitablemente hay
muy poco tiempo y demasiada información para compilar.
• Hacer la replicación al final del trabajo de campo, durante el análisis final y los informes, es muy difícil y
menos creíble. Para probar una hipótesis en otra parte del conjunto de datos se supone que todos los datos
necesarios están ahí para realizar la prueba. Por lo general, no lo son, a menos que el investigador se haya
asegurado de recolectarlos de antemano en anticipación de tal ejercicio.
Razonablemente temprano en su estudio, piense un poco hacia adelante. Imagine que sus hallazgos resultarán realmente
sorprendentes, con profundas implicaciones para su campo. Luego, pídale a un colega amigable que realice una "verificación de
replicabilidad" rápida. Basado en una revisión de algunas horas de la base de datos y métodos del proyecto, qué tan fácil o difícil
sería para tu colega
repetir tu estudio?
12. Revisando las explicaciones rivales

Pensar que las explicaciones rivales pueden explicar los fenómenos que has estudiado cuidadosamente y desenmarañado
magistralmente es un ejercicio saludable de autodisciplina y evitación de arrogancia. Pero ese pensamiento a menudo se pierde en la
confusión. Durante la recopilación de datos, a menudo está demasiado ocupado dando sentido al torrente de estímulos. Más tarde,
tiende a casarse con su cuenta emergente y, por lo general, opta por invertir el poco tiempo que le queda para reforzar, en lugar de
desanimar, su explicación. Luego, durante el análisis de datos, a menudo es demasiado tarde para probar cualquier otra explicación
que no sea la que llegó; los datos necesarios para hacerlo de una manera que no sea cosmética simplemente no están allí.
Pero creemos que la búsqueda de explicaciones rivales a menudo es más exhaustiva en la investigación cualitativa que
en la mayoría de los estudios de laboratorio y que es relativamente fácil de hacer. El investigador de campo competente busca
la explicación más plausible y empírica de los eventos entre los varios que compiten por la atención en el curso del trabajo de
campo. No está buscando una cuenta, abandonando todas las demás, sino la mejor de varias cuentas alternativas.
El truco consiste en aferrarse a varias explicaciones posibles (rivales) hasta que una de ellas se vuelva cada
vez más convincente como resultado de fuentes de evidencia más, más fuertes y variadas. Mirándolo desde el otro
extremo, le das a cada explicación rival una buena oportunidad. ¿Es quizás mejor que tu amor principal? ¿Tienes
algunos prejuicios que no conocías? ¿Necesita recopilar datos nuevos?
Uno de los hallazgos más intrigantes pero desconcertantes en la encuesta de McCammon et al.
(2012) a adultos de varias generaciones que reflexionó sobre sus experiencias en la escuela
secundaria fue el resultado del análisis de datos de la cohorte de edad más reciente. Cuando se les
preguntó a los participantes sobre los desafíos que enfrentaban cuando eran adolescentes, aquellos
que se graduaron durante 2000–2010 describieron una sensación general de desconexión y “miedo”
más que los grupos de mayor edad. Saldaña planteó esta hipótesis como el resultado de vivir en un
mundo incierto posterior al 11 de septiembre y la afirmación de la angustia emocional actual en la
juventud de Estados Unidos proyectada por Goleman (1995, 2007). Pero Saldaña era un
investigador de unos 50 años que intentaba comprender las respuestas de una generación de unos
20 años, por lo que recurrió a sus colegas más jóvenes, sus asistentes de investigación Matt Omasta
y Angie Hines, para conocer sus perspectivas.

La ejecución hipotecaria demasiado pronto en explicaciones alternativas es un presagio de sesgo. Se bloquea en una
forma particular de construir el caso y escanea selectivamente el entorno en busca de evidencia de apoyo. Las pruebas de
descuento se ignoran, no se registran o se manejan como excepcionales, lo que aumenta aún más su confianza en su
tesis errónea.
También debemos tener en cuenta que el cierre también tarde sobre explicaciones alternativas construye un caso demasiado
débil para el mejor. También agrega gran volumen al corpus de datos. Por lo tanto, las explicaciones rivales deben analizarse con
bastante rapidez en el trabajo de campo y mantenerse hasta que demuestren ser realmente inviables, o demuestren ser mejores.
Este paso debe suceder, si es posible, antes de que se realice la mayor parte del trabajo de campo. El mismo principio se aplica al
análisis realizado después del trabajo de campo. Consulte las explicaciones alternativas antes, pero no repita para siempre.
También ayuda a aferrarse a información discrepante, cosas que no encajan o aún son desconcertantes
(tácticas: buscando evidencia negativa , seguimiento de sorpresas ) El truco no es explicarlos a la luz de su
explicación favorita, que es pan comido, sino más bien correr con ellos, preguntarse qué tipo de caso
alternativo podrían generar estos fragmentos de información y luego verificarlos más.
Una subtáctica útil es la siguiente: durante el análisis final, primero revise los méritos de la siguiente mejor explicación que
usted u otros puedan considerar como una alternativa a la que prefirió al final del trabajo de campo. Los "próximos éxitos"
tienen más poder de atracción que las alternativas imaginarias.
13. Obteniendo comentarios de los participantes

Una de las fuentes más lógicas de corroboración es la gente con la que ha hablado y observado. Después de todo, un actor alerta
y observador en el escenario seguramente sabrá más de lo que el investigador nunca sabrá sobre las realidades bajo investigación. En
ese sentido, los participantes locales pueden actuar como jueces, evaluando los principales hallazgos de un estudio a través de lo que
se ha calificado coloquialmente como "verificación de miembros". Algunos de los perfiles de métodos de visualización fomentaron la
retroalimentación de los participantes del caso: comentando un breve resumen de los hallazgos, evaluando la precisión de una red
causal, verificando las predicciones de los investigadores.
La retroalimentación también puede ocurrir durante la recopilación de datos. Cuando un hallazgo comienza a tomar
forma, el investigador puede verificarlo con nuevos participantes y / o con participantes clave. El tema delicado aquí, por
supuesto, es el de introducir sesgos (ver
efectos investigador ) La retroalimentación de las cosas en el curso de un estudio puede cambiar las acciones o perspectivas de
los participantes. (Sin embargo, en algunos géneros, como la investigación de acción, la etnografía crítica o la investigación
colaborativa basada en la comunidad, cambiar las acciones y perspectivas de los participantes para mejor es la meta.)
Aún así, hemos visto algunos ejemplos útiles de comentarios iniciales exhaustivos. En un estudio fenomenológico, Melnick y
Beaudry (1990) entrevistaron a maestros y, luego, en una segunda entrevista, retroalimentaron la transcripción, que había sido
anotada con comentarios marginales sobre temas y preguntas de seguimiento; La transcripción se convirtió en la base para la
reflexión compartida. Warner (1991) no solo hizo que los niños ejecutaran videocámaras de interacción entre adultos y niños y
agregó sus comentarios, sino que también reprodujo las cintas de video para obtener más comentarios de los niños. Cuanto más
emic el estudio, más probable será la retroalimentación temprana más útil.
También hay buenas razones para realizar comentarios después del análisis final. Por un lado, sabes
más. Tambien sabes mejor lo que sabes, eres menos tentativo,

tener más evidencia de apoyo y puede ilustrarlo. Además, puede obtener comentarios en un nivel más alto de inferencia: sobre los
factores principales, sobre las relaciones causales y sobre las conclusiones interpretativas. Finalmente, el proceso de
retroalimentación se puede hacer de manera menos casual. Puede exponer los hallazgos de manera clara y sistemática y
presentarlos al lector para un escrutinio cuidadoso y comentarios.
Es crucial que el lector pueda conectarse a la retroalimentación: comprenderla, relacionarla con la

experiencia y las percepciones locales, hacer algo con él (dibuje sobre él, tache partes y agregue otras, etc.).
Entonces formateo La retroalimentación es crucial. Enviar un resumen, un resumen ejecutivo o el capítulo final sin
transformarlo en el idioma del sitio, que el investigador aprendió en el curso de la investigación de campo, es de
poco valor si se toma en serio después de la verificación.
Algún consejo:
• Si no planifica deliberadamente para este ejercicio, dejando de lado el tiempo, transformando las redacciones
en un lenguaje y formatos comprensibles para el sitio, dejando tiempo para incorporar los resultados del
ejercicio en su redacción final, probablemente no sucederá . Habrá demasiados reclamos competitivos sobre
su tiempo.
• Piensa cuidadosamente en las pantallas. Al igual que con el análisis, las matrices y las redes funcionan mucho mejor
que el texto solo para ayudar a los participantes a acceder a la información. Les resultará más fácil obtener una visión
general, ver cómo encajan las piezas.
• El suministro de información a niveles de inferencia más macroanalíticos (p. Ej., Factores y relaciones
principales, determinantes causales) debe hacerse con mucho cuidado trabajando a partir de detalles.
Si esto no se hace, los participantes pueden descartar todo el ejercicio porque los hallazgos generales
parecen abstractos o incomprensibles. O pueden tragarse estos hallazgos macro enteros porque se
leen tan "científicamente". Formatee sus datos y envíelos de manera amigable para los participantes.
Más allá de esto está la posibilidad de la iluminación mutua.
• Piense con mucho cuidado antes de retroalimentar cualquier incidente específico. ¿El informe dañará la autoestima, las
oportunidades laborales o la posición en la organización de alguien? (Una vez, uno de nosotros retroalimentaba el primer
borrador de informes de casos a personas en cinco casos y fue amenazado con demandas en cuatro de los cinco debido a
incidentes específicos en los informes, a pesar de que los incidentes se informaron con precisión).
• No espere que los participantes siempre estén de acuerdo con usted o entre ellos. Si siempre lo hicieran, la vida
en el sitio estaría más libre de conflictos de lo que probablemente haya encontrado. Las personas a menudo
tienen percepciones muy diferentes del mismo fenómeno. Los intérpretes consideran esto natural.
La retroalimentación de datos es una ocasión para aprender más sobre el caso, No solo sobre los comentarios.
Estándares para la calidad de las conclusiones
Hemos revisado 26 tácticas para extraer y verificar conclusiones. ¿Cómo sabrá usted, o cualquier otra persona,
si los hallazgos finalmente emergentes son ¿bueno? Ese término tiene muchas definiciones posibles: posiblemente o
probablemente verdadero, confiable, válido, confiable, razonable, confirmable, creíble, confiable, útil, convincente,
significativo,

empoderamiento (agregue otros de su elección). No es suficiente decir que las tácticas bien ejecutadas sacarán
buenas conclusiones.
En esta sección, exploramos algunos estándares prácticos que podrían ayudarnos a juzgar la calidad de las
conclusiones. Las batallas en este dominio han sido extensas y continúan. Muchos investigadores interpretativos sugieren
que realmente no es posible establecer estándares o especificar criterios para un buen trabajo cualitativo, y que el esfuerzo
para hacerlo es de alguna manera centrado en los expertos y excluyente, no responde a la naturaleza contingente, contextual
y personalmente interpretativa de cualquier Estudio cualitativo.
Pero el problema de la calidad, la confiabilidad y la autenticidad de los hallazgos no desaparecerá. El hecho

es que algunas cuentas leen mejor que otras. Aunque podemos reconocer que "hacer las cosas bien" puede ser
un objetivo poco realista, deberíamos, como sugiere Wolcott (1990), tratar de "no hacerlo todo mal". (¿Le
molestaría si un periodista no dijera la verdad sobre usted o si un tribunal desestimó un caso contra alguien que
lo agredió y dijo que todos tienen diferentes interpretaciones?)
Nuestra opinión es que los estudios cualitativos tienen lugar en un mundo social real y pueden tener consecuencias
reales en la vida de las personas; que hay una visión razonable de lo que sucedió en cualquier situación particular
(incluyendo lo que se creyó, interpretó, etc.); y que nosotros, quienes rendimos cuentas de ello, podemos hacerlo bien o mal
y no debemos considerar nuestro trabajo sin juzgarlo. Estos son asuntos de mérito, rigor, integridad, ética y responsabilidad.
No podemos entrar aquí en una discusión sobre cómo fluyen los criterios de bondad desde las posiciones
epistemológicas. Más bien, nos mantenemos ampliamente en la tradición realista crítica y discutimos cinco temas principales,
algo superpuestos: (1) objetividad / confirmabilidad
de trabajo cualitativo, (2) fiabilidad / fiabilidad / auditabilidad , ( 3) validez interna / credibilidad / autenticidad , ( 4)
validez externa / transferibilidad / adecuación , y (5) utilización / aplicación / orientación de acción . Aquí,
estamos combinando términos tradicionales con los propuestos como alternativas más viables para evaluar la
confiabilidad y autenticidad de la investigación naturalista (Lincoln y Guba, 1985).
En cada sección, describimos los problemas en general, sin tratar de aclarar todos los problemas espinosos involucrados.
(Las personas mejores que nosotros todavía lo están intentando). Luego, proponemos algunas pautas prácticas que pueden
aplicarse al trabajo cualitativo, el suyo o el de los demás. Estas no son reglas que deben aplicarse con rigidez, sino pautas a
tener en cuenta al reflexionar sobre la pregunta "¿Qué tan bueno es este informe de investigación?"
Objetividad / Confirmabilidad
La cuestión básica aquí puede enmarcarse como la relativa neutralidad y la libertad razonable de los prejuicios de
los investigadores no reconocidos, como mínimo, de forma explícita sobre los prejuicios inevitables que existen. Este
dominio a veces se denomina "confiabilidad externa", tomado de la terminología cuantitativa clásica.
Algunos puntos útiles a considerar sobre este tema para un estudio cualitativo son los siguientes:
1) Los métodos y procedimientos generales del estudio se describen explícitamente y
en detalle. Creemos que tenemos una imagen completa, que incluye información "detrás del escenario".
2) Podemos seguir la secuencia real de cómo se recopilaron, procesaron,

condensado / transformado, y se muestra para un dibujo de conclusión específico.

3) Las conclusiones están explícitamente vinculadas con exhibiciones de datos condensados / mostrados.
4) Existe un registro de los métodos y procedimientos del estudio, lo suficientemente detallado como para ser
auditado por un extraño (Lincoln y Guba, 1985).
5) El investigador ha sido explícito y lo más consciente de sí mismo posible

supuestos, valores y sesgos, y estados afectivos, y cómo pueden haber entrado en juego
durante el estudio.
6) Se han considerado hipótesis en competencia o conclusiones rivales. los

La posibilidad de conclusiones rivales ha sido examinada.
7) Los datos del estudio se conservan y están disponibles para que otros los reanuden (según lo permitido
por las regulaciones de la junta de revisión institucional y cualquier acuerdo investigador-participante).
Fiabilidad / confiabilidad / auditabilidad

El problema subyacente aquí es si el proceso del estudio es consistente, razonablemente estable en el tiempo y
entre los investigadores y los métodos. Estamos abordando cuestiones de calidad e integridad: ¿Se han hecho las
cosas con un cuidado razonable?
1) Las preguntas de investigación son claras, y las características del diseño del estudio son
congruente con ellos.
2) El rol y el estado del investigador dentro del sitio se han descrito explícitamente.
3) Los resultados muestran un paralelismo significativo entre las fuentes de datos (participantes,
contextos, tiempos).
4) Los paradigmas básicos y las construcciones analíticas están claramente especificadas. (Fiabilidad
depende, en parte, de su conexión con la teoría).
5) Los datos se recopilaron en toda la gama de configuraciones, tiempos,

encuestados, etc., según lo sugerido por las preguntas de investigación.
6) Si participan varios trabajadores de campo, tienen una recopilación de datos comparable
protocolos
7) Cuando fue apropiado, se realizaron verificaciones de acuerdo entre codificadores con la adecuada
resultados.
8) Se han realizado controles de calidad de los datos (p. Ej., Sesgo, engaño).
9) Las cuentas de múltiples observadores convergen, en instancias, configuraciones u horarios, cuando
se podría esperar que lo hagan.
10) Las formas de revisión por pares o colegas están en su lugar.
Validez interna / credibilidad / autenticidad

Aquí, llegamos a la pregunta crucial: el valor de la verdad. ¿Tienen sentido los resultados del estudio? ¿Son creíbles
para las personas que estudiamos y para nuestros lectores? ¿Tenemos un retrato auténtico de lo que estábamos viendo?

Validez es un término disputado entre investigadores cualitativos seleccionados. Algunos sienten que esta construcción
cuantitativa tradicional (con sus componentes de cara, contenido, predictivo, etc., validez) no tiene lugar en la investigación
cualitativa. Términos alternativos como verosimilitud
y una cuenta persuasivamente escrita son preferidos Pero otros metodólogos cualitativos continúan usando el
término a propósito porque sugiere una postura más rigurosa hacia nuestro trabajo.
Wolcott (1990) fue tan lejos como para rechazar la validez en nuestro campo y propuso que deberíamos
llegar a un profundo comprensión en lugar. La revisión reflexiva de Maxwell (1992) distingue entre los tipos de
comprensión que pueden surgir de un estudio cualitativo: descriptivo ( qué sucedió en situaciones específicas), interpretativo
lo que significaba para las personas involucradas), teórico ( los conceptos y sus relaciones, utilizados para explicar
acciones y significados), y evaluativo juicios de valor o valor de acciones y significados).
Saldaña llama a este dominio "¡Eso es correcto!" factor. Cuando se hace una presentación oral de la
investigación de uno y la gente en la audiencia asiente con la cabeza afirmativamente, diciendo "M-hm" de acuerdo
y (aún mejor) exclamando en voz alta, "¡Eso es correcto!" al orador después de que se haya hecho una afirmación,
puede sentirse seguro de que se ha logrado cierto sentido entre la investigación y la audiencia. Llama a este
dominio lo que quieras; es la redacción misma lo que importa al final.
1) Las descripciones son ricas en contexto, significativas y "gruesas" (Geertz, 1973).
2) El relato suena verdadero, tiene sentido, parece convincente o plausible, y

permite una presencia indirecta para el lector.
3) Triangulación entre métodos complementarios y fuentes de datos producidos

Conclusiones generalmente convergentes. Si no, se explican los procedimientos para conciliar las
diferencias y sus resultados.
4) Los datos presentados están bien vinculados a las categorías de teoría anterior o emergente.
Las medidas reflejan los constructos en el trabajo.
5) Los resultados son claros, coherentes y sistemáticamente relacionados, es decir, unificados
(Charmaz, 2006; Eisner, 1991).
6) Procedimientos de confirmación para afirmaciones, proposiciones, hipótesis, conclusiones,
y así sucesivamente, se describen.
7) Se han identificado áreas de incertidumbre.
8) Se buscaron pruebas negativas (y, si corresponde, se encontraron y explicaron en

El análisis y la redacción).
9) Las explicaciones rivales se han considerado activamente.
10) De ser posible, los resultados se han replicado en otras partes de la base de datos.
de la que surgieron.
11) Las conclusiones fueron consideradas precisas por los participantes originales. Si
no, se ofrece una explicación coherente.
12) Si se hicieron predicciones en el estudio, se informa su precisión.

Validez externa / transferibilidad / ajuste
Necesitamos saber si las conclusiones de un estudio, en particular un estudio de caso, tienen mayor importancia.
¿Son transferibles a otros contextos? ¿Encajan? ¿Hasta dónde pueden ser generalizados?
Los teóricos fundamentados atestiguan que la metodología desarrolla conceptos y abstracciones a un nivel que
respalda su transferibilidad a otras poblaciones y contextos (Glaser,
2005). Algunos metodólogos pretenden que cualquier transferencia de los hallazgos de un estudio a otros contextos es
responsabilidad del lector, no del investigador (Erickson, 1986). La generalización del estudio de caso ha sido un tema
polémico, que abarca desde la capacidad analítica del investigador para encontrar niveles de universalidad en el caso
(Spradley, 1979,
1980) para admitir francamente que los contextos complejos y específicos del sitio problematizan la capacidad de construir teoría
y, por lo tanto, generalización (Clarke, 2005).
El proceso de generalización está lejos de ser mecánico, como señalan Noblit y Hare (1988) en su discusión
sobre la meta-etnografía: es más como sintetizar dos o más estudios de fenómenos similares. Es una interpretación
cuidadosa, no solo "sumar". En este caso, nuevamente concluimos que lo que importa al final es la redacción misma.
Cómo persuasivo un caso puede hacer el investigador que los hallazgos de N = ¿Tengo significado y resonancia para
otras personas, sitios y tiempos?
1) Las características de la muestra original de personas, entornos, procesos, etc.

en, están suficientemente descritos para permitir comparaciones adecuadas con otras muestras.
2) El informe especifica cualquier límite en la selección de muestras y examina críticamente su
capacidad de generalizar a otros entornos y contextos.
3) El muestreo es teóricamente lo suficientemente diverso como para fomentar una aplicabilidad más amplia.
cuando sea relevante
4) Los hallazgos incluyen suficiente "descripción gruesa" para que los lectores evalúen
transferibilidad potencial y adecuación para sus propios entornos.
5) Una variedad de lectores informa que los hallazgos son consistentes con los suyos.
experiencias.
6) Los hallazgos son congruentes, están conectados o confirman la teoría previa.
7) Los procesos y resultados descritos en las conclusiones son aplicables en

ajustes comparables
8) Cualquier teoría y su transferibilidad se mencionan explícitamente.
9) El informe sugiere configuraciones donde los resultados podrían ser probados fructíferamente
más lejos.
10) Cuando es posible, los hallazgos se han replicado en otros estudios para evaluar su
robustez
Utilización / Aplicación / Orientación a la acción

Incluso si los hallazgos de un estudio son válidos y transferibles, aún necesitamos saber qué hace el estudio para sus
participantes, tanto investigadores como investigados, y para sus consumidores.

Se supone que la evaluación y los estudios de políticas en particular conducen a acciones más positivas y constructivas; ya
sea que lo hagan o no, la vida de las personas reales se ve afectada y se gastan grandes cantidades de dinero (o se gastan
mal). La investigación de acción, la etnografía crítica y otros proyectos de investigación basados en la comunidad están
diseñados para aclarar y rectificar problemas locales particulares a través del compromiso participativo. Como mínimo,
aumentan la conciencia entre los participantes sobre los problemas sociales seleccionados que los afectan directamente.
Estos géneros de investigación también plantean cuestiones de ética: ¿quién se beneficia de un estudio cualitativo y
quién puede verse perjudicado? Y de "validez evaluativa" (Maxwell, 1992): juicios sobre el valor, la legitimidad o la
bondad de las acciones o significados.
1) Las inquietudes y dilemas éticos o basados en valores se plantean explícitamente en el informe.
2) Los resultados son intelectualmente y físicamente accesibles para los usuarios potenciales.
3) Los hallazgos estimulan y proporcionan una "recompensa" intelectual para un lector, y posiblemente
ideas para su propio proyecto de investigación relacionado.
4) El nivel de conocimiento utilizable ofrecido vale la pena, desde la conciencia.

planteamiento y el desarrollo de la comprensión o la autocomprensión a consideraciones más amplias, una teoría
para guiar la acción, o el asesoramiento de políticas. O puede ser local y específico: recomendaciones correctivas o
imágenes de acción específicas.
5) Las acciones tomadas realmente ayudan a resolver un problema local.
6) Los usuarios de los hallazgos han experimentado una sensación de empoderamiento o aumento
control sobre sus vidas (Lincoln y Guba, 1985).
7) Los usuarios de los hallazgos han aprendido o desarrollado nuevas capacidades.
Documentación analítica El
problema
Una buena investigación cualitativa, como cualquier otra investigación, requiere un cuidadoso mantenimiento de registros como
una forma de conectarse con audiencias importantes. El primer público es el yo: archivos electrónicos y en papel bien organizados que
ayudan a realizar un seguimiento de lo que se hizo en el camino, lo que sugiere formas de mejorar los próximos pasos y documentar
todos los asuntos logísticos relacionados con el estudio.
La segunda audiencia es la lectores de los informes de investigación, quién necesita saber qué se hizo y cómo, como
una forma de evaluar la credibilidad de los hallazgos. Otros investigadores y revisores de revistas hacen juicios con
cuidado, incluso obsesivamente. Y otros lectores, como los participantes locales, los encargados de formular políticas, los
gerentes y el público en general, suelen plantear preguntas como "¿Con quién habló de todos modos? "¿Cómo lo sabes?"
"¿Por qué estás siendo tan negativo?" y "¿De dónde sacaste esa recomendación?"
La tercera audiencia es un subconjunto de la segunda: otros investigadores quienes estén interesados en un análisis
secundario de los datos, que quieran llevar a cabo una metasíntesis de varios estudios, o que quieran replicar los hallazgos
para fortalecerlos o modificarlos.

Para las dos últimas audiencias, la mayoría de las revistas requieren que los autores de estudios empíricos informen sobre sus
procedimientos como parte integral del artículo. Los formatos a menudo son tan familiares que el autor casi puede completar los
espacios en blanco al escribir secciones sobre muestreo, métodos y análisis de datos. Para los estudios de métodos mixtos, también
se espera que informe datos estadísticos relevantes en formatos de visualización estandarizados.
En otras palabras, existe un conjunto tradicional de convenciones para documentar la investigación empírica y para
informarla, y un conjunto correspondiente de métodos para verificar el informe. Pero los investigadores cualitativos no tienen
alternativas muy claras para recurrir. Hemos tomado algunas convenciones de la cultura de las revistas de orientación
cuantitativa. Pero la hibridación del campo ha creado múltiples estructuras de informes abiertos para géneros progresivos
como la investigación poética, el etnodrama, la investigación narrativa y otros. Y las escuelas de pensamiento seleccionadas
rechazan la noción misma de "conclusiones", considerándolos abusos abominables del poder de los investigadores para
forzar significados fijos en un mundo social incierto. (La ironía, por supuesto, es que estas mismas escuelas de pensamiento
parecen afirmar con autoridad sus posturas como significados fijos).
A primera vista, esta es una situación curiosa. Aunque los estudios cualitativos son ricos en descripciones de
entornos, personas, eventos y procesos, a menudo dicen poco sobre cómo obtuvo la información el investigador
y muy poco sobre cómo se extrajeron las conclusiones. Cuando los procedimientos se dejan tan opacos, solo
tenemos criterios vagos para juzgar la bondad de las conclusiones: la "plausibilidad", la "coherencia" o la
"convincencia" del estudio, todos términos evocadores pero finalmente huecos. El investigador siempre puede
proporcionar una cuenta final plausible y, con una edición cuidadosa, puede garantizar su coherencia. Si la
redacción es buena, nos convencerá la innegable y vivazidad del informe. Pero las cuentas aparentemente
plausibles y coherentes pueden estar terriblemente sesgadas, y la viveza nos lleva a la heurística de
"disponibilidad",
Entonces tenemos un doble vínculo poco atractivo. Los estudios cualitativos no siempre se pueden verificar porque los
investigadores no siempre informan claramente sobre su metodología, y no informan claramente sobre su metodología porque no
siempre se requieren convenciones para hacerlo. (También se pueden alegar razones epistemológicas, por ejemplo, la idea de que
un estudio cualitativo es un acto artístico, privado / interpretativo tan específico de la persona que nadie más puede verificarlo o
replicarlo de manera viable, pero eso nos lleva lejos de la costa solo ¿ahora que hacemos?
Las secciones de métodos son mucho más típicas en disertaciones, tesis e informes de revistas de estudios cualitativos
tradicionales. Tienden a seguir un esquema y una secuencia tradicionales:
• Preguntas centrales y relacionadas de investigación
• Revisión de literatura cursiva
• Marco conceptual o teórico.
• Metodología
• Participantes
• Métodos de recolección de datos.
• Procedimientos de análisis de datos
Necesitamos saber algunas cosas adicionales, si es posible:
• ¿Qué tipos de diseños cualitativos usan realmente los investigadores?
• ¿Cómo se toman realmente las decisiones de muestreo?

• ¿Cómo se ve la instrumentación y cómo sabe el investigador si está midiendo con
precisión lo que estaba destinado a medir?
• ¿Cómo procede realmente el trabajo de campo?
• ¿Cómo se agregan, condensan, particionan, muestran, analizan e interpretan los datos?
• Más fundamentalmente, ¿cómo obtienen los investigadores de cientos, si no miles de páginas de notas de campo,
transcripciones de entrevistas y documentos a un informe final?
Hasta que podamos compartir descripciones claras de los procedimientos de investigación cualitativa, no podemos hablar de
ellos de manera inteligible entre sí, y mucho menos establecer convenciones para la verificación.
Tenemos que comenzar, entonces, registrando y luego describiendo nuestros procedimientos con la suficiente
claridad para que otros puedan entenderlos, reconstruirlos y someterlos a escrutinio.
Lincoln y Guba (1985) utilizaron la metáfora del auditor fiscal que examina los libros de una empresa para
determinar si las cuentas se han mantenido satisfactoriamente y si el "resultado final" es correcto. La
realización de dicha auditoría depende de que el auditado tenga ingresos, gastos y transferencias
documentados. Sin ese seguimiento de auditoría, no puede determinar la confiabilidad o la confirmación de la
contabilidad.
La primera audiencia básica para una buena documentación es la yo. Incluso si nunca se pretende realizar una auditoría,
dispositivos como el diario del investigador, el diario y las notas analíticas fortalecen el estudio Como va. En segundo lugar, permiten
una fácil producción de la sección de métodos. Una auditoría exhaustiva, como tal, es relativamente rara hasta donde sabemos. La
metáfora de la auditoría es prohibitiva: connota a un experto externo, severo y obsesivo y pierde la idea de que usted, con colegas
cercanos, puede mirar la documentación con frecuencia de manera muy fructífera. También hay cuestiones de confidencialidad a
tener en cuenta, con personas externas que buscan datos personales; las regulaciones de la junta de revisión institucional pueden
prohibir esto a menos que se haya aprobado previamente al organismo regulador.
Ilustración
Nosotros (Miles y Huberman) desarrollamos un formulario de documentación centrado en las operaciones analíticas.
( Nota: No trata cuestiones de muestreo, instrumentación, trabajo de campo, etc.) El desafío consistía en crear un
formulario de documentación que cumpliera con varios criterios: facilidad y rapidez de uso, fácil transferencia a un
informe metodológico, fácil acceso y comprensión. por un segundo lector, y credibilidad / validez. Hay algunas
compensaciones claras, por ejemplo, la comprensión y la credibilidad generalmente significan que la forma requiere algo
de tiempo y cuidado.
Mostramos en la Pantalla 11.7 una versión simplificada de esfuerzos más elaborados. Lo incluimos aquí por razones
esencialmente heurísticas e ilustrativas, y alentamos a otros a desarrollar sus propios métodos de documentación. La
naturaleza de una buena documentación de las operaciones de análisis es algo que debemos descubrir inductivamente.
A medida que lo usamos, el formulario se centra en una sola pregunta o problema de investigación (Ítem 1). El ítem 2 le pide
al investigador que explique, en general, para qué fue diseñado el análisis y que lo ubique en el contexto de otros análisis. El
punto 3 requiere una descripción bastante completa

318
Pantalla 11.7
Formulario de documentación de análisis cualitativo
1) Problema de investigación que se está explorando: __________________________________________________ Analista ______________________ Fecha _________________
FORMULARIO NO ._______
2) En esta tarea de análisis, qué, específicamente, ¿pretendías hacer? ( Dar contexto y una breve justificación; decir si el enfoque es exploratorio o confirmatorio; hacer la conexión con análisis anteriores)
3) Descripción de los procedimientos. Trabaje secuencialmente, manteniendo un registro o diario de pasos a medida que avanza en el análisis. Use una segunda hoja si es necesario. Si la tarea de análisis
cambia sustancialmente, usa un nuevo formulario, rehacer los elementos 1 y 2 anteriores.
PASOS DE PROCEDIMIENTO REGLAS DE OPERACIONES DE ANÁLISIS (ingresar códigos) COMENTARIOS DE
(numere cada uno, explique lo DECISIÓN seguidas CONCLUSIONES SORTEADAS INVESTIGACIÓN, reflexiones,
que se hizo y exactamente durante Preparación de de estas operaciones de comentarios
CONJUNTOS DE DATOS cómo operaciones de datos para Sacar Confirmando análisis específicas; en cualquiera de los
ESPECÍFICOS EN USO (a) estaba hecho) (b) análisis (c) análisis conclusiones conclusiones dar sustancia anteriores en breve
(una) Indique si es único o multisitio. Puede incluir: notas de campo; redacciones; resúmenes documentos; cifras; matrices mesas; grabaciones en cinta; fotos; película / video; Otros (especificar).
(b) PROPORCIONAR TODAS LAS PANTALLAS PERTINENTES; entregue una carta a cada uno, describa brevemente, y también proporcione un número de pasos de procedimiento cuando se usen
Notas de trabajo / hojas de trabajo: ________________________________________ Muestra de
datos provisionales: __________________________________________ Muestra de datos finales:
_____________________________________________ Texto final escrito (extractos):
_____________________________________
(c) Lista explícita de reglas reales utilizadas para "preparar" datos (agrupamiento, clasificación, escalado, etc.); también puede aplicarse a sacar conclusiones / confirmar.
(en realidad escrito como un registro o diario durante el análisis), incluido el conjuntos de datos en el que se realizó el análisis, el pasos
procesales, la reglas de decisión utilizado para administrar los datos, el operaciones de análisis involucrado, el preliminar conclusiones
a lo que condujo el análisis, y cualquier conclusión comentarios Toda esta información va en una sola hoja, de modo que el
analista puede iniciar sesión en los pasos analíticos sucesivos y un revisor (si lo hay) puede comprender rápidamente lo que se
hizo.
El investigador indica todo lo relevante muestra ( materiales utilizados o desarrollados en el curso del análisis),
para que puedan consultarse fácilmente. Para un revisor, deben agregarse.
Haga notas para el Pasos de procedimiento sección a medida que avanza; mucho se pierde en el recuerdo.
Luego, es fácil completar la sección con algunas frases de resumen, como las siguientes:
• Se revisó el formato de matriz preliminar; datos ingresados de dos sitios.
• Meta-matriz revisada; decidió agrupar el caso de Lido con Astoria y Carson.
• Pasé por una red causal, revisando enlaces, sumando y restando enlaces para hacer la versión final.
Tomando nota de la exacta reglas de decisión es importante, especialmente para cualquier operación involucrada en la
preparación de datos para ingresar a las pantallas. Hacerlos explícitos a medida que avanza es muy útil; Reduce el error y puede
ayudar a la autocorrección. Aquí hay unos ejemplos:
• El tema se codificó como presente para un participante si se menciona repetidamente o con un fuerte efecto
durante la entrevista.
• El elemento se ingresó en la pantalla si lo menciona más de un participante en sitios con más de tres
participantes; En los sitios con menos usuarios, el elemento se ingresó si un participante lo menciona,
sin contradicción de otros.
• El punto de corte entre los casos "alto" y "moderado" se hizo cuando la mitad o menos de los indicadores
estaban ausentes.
Hacer explícitas las reglas de decisión no solo es crítico para las operaciones de preparación de datos, sino que también
es importante para el dibujo y la confirmación de conclusiones. Un lector generalmente querrá saber cómo y por qué
concluyó esa variable UNA fue un predictor más fuerte del resultado que la variable B y cómo verificó o confirmó esa
conclusión. Sus reglas pueden ser (por desgracia) arbitrarias, pero son sus reglas.
Para el seguimiento operaciones de análisis, nosotros (Miles y Huberman) desarrollamos una lista de códigos "internos"
(ver Pantalla 11.8). El escaneo de la lista sirve como una especie de aviso para el analista, ayudando a etiquetar las
operaciones seguidas y sugiriendo otras vías que podrían seguirse. Tenga en cuenta que aunque hemos agrupado los códigos
por conveniencia en tres categorías generales, muchos de ellos pueden caer en cualquiera de las tres categorías. Por ejemplo,
COH (coherencia conceptual y teórica), aunque aparece bajo Sacar conclusiones, También se puede utilizar para confirmar o
probar conclusiones. O SUB (datos subsumidores bajo una variable de nivel superior) puede verse como Preparación de datos
para análisis o como una forma de
Sacar conclusiones.
Tenga en cuenta que muchos de los elementos, junto con la lógica subyacente a su uso, son tácticas definidas más
completamente en secciones anteriores. Debido a que no existe un lenguaje estandarizado sobre las operaciones de análisis y hay
una variedad de dialectos parciales de diferentes disciplinas,

Pantalla 11.8
Lista de códigos para operaciones de análisis
Preparación de datos para análisis TEMPERATURA determinación del orden temporal /
LENGÜETA tabulación de segmentos codificados

relaciones temporales
ESTERA rellenando matrices INF haciendo inferencias
CLAS clasificando, categorizando INF-COMP por cálculos INF-DED
RANGO datos de clasificación / ponderación

por deducción
SMM resumiendo frases, generando palabras INF-IND por inducción (por ejemplo, determinando
clave antecedentes, covariables, consecuencias)
SUB subsumir datos bajo una variable de nivel superior
Confirmando conclusiones
SCAL escalado, índices de suma
REPR comprobación de representatividad
COMP computación, tabulación
RES-EFF comprobar los efectos del investigador
SPLT dividiendo una variable en dos
Control BIAS-CONTR para sesgo (especificar) TRI
PAR fraccionamiento
triangulación
AGG agregando
TRI-DATA de diferentes fuentes de datos
Sacar conclusiones TRI-METH de diferentes métodos
PLAUS viendo solo "plausibilidad" TRI-CONC conceptualmente (diferentes teorías) TRI-RES
GES ver una Gestalt, patrón, tema de diferentes investigadores
REUNIÓ generando metáforas WT ponderación de la evidencia
FUERA usuario de valores atípicos, excepciones

CLUS agrupamiento
CONTAR conteo / frecuencias EXTR-SIT verificación de situaciones extremas
CEN establecer tendencias centrales EXTR-BIAS verificación de sesgo extremo
CONT contrastes / comparaciones sistemáticas SURP seguimiento de sorpresas
FAC factores de establecimiento

EMP evidencia empírica de otro lugar
REL establecer relaciones entre variables / NONEG ausencia de evidencia negativa
conjuntos de variables SI ENTONCES probando relaciones si-entonces
INICIAR SESIÓN cadena lógica de evidencia FALSO-REL Comprobación de la relación falsa debido a la
tercera variable
EN TELEVISIÓN Establecer condiciones de intervención /
vinculación REPL replicación
COH coherencia conceptual / teórica RIV prueba de explicación rival
PORQUE determinación de influencia pensión completa corroboración de la retroalimentación del

direccional informante
Intentamos encontrar elementos que tuvieran sentido para la mayoría de los investigadores. Nuestro objetivo es mantener
nuestros propios términos claramente definidos. No incluimos elementos para señalar "ideas", "corchetes", "corroboración
estructural" y "subjetividad disciplinada" porque no está claro para nosotros, operacionalmente, qué significan estos términos y
cómo funcionan realmente. Otros investigadores pueden tener más éxito en esto.
La penúltima columna del formulario de la Pantalla 11.7 solicita el sustantivo del investigador Conclusiones en
forma de cápsula; no necesitan ser detallados, y se puede hacer referencia al texto analítico en el que aparecen. La
última columna está abierta para el

investigador para comentar sobre la confianza en las conclusiones, reflexionar, hacer comentarios o desahogar cualquier sentimiento
relevante. Este material ayuda a aclarar el significado de los episodios de análisis que se informan.
En repetidas ocasiones encontramos que indicando o agregando todos los disponibles Muestra Fue crucial para otros
lectores. Es simplemente imposible comprender los procedimientos de análisis seguidos sin recurrir directamente a tales
pruebas. El texto analítico final es igualmente importante. Es el final de la pista de auditoría.
La documentación no es una tarea onerosa y separada que se lleva a cabo para otra persona. Es un método para
mejorar la tarea de análisis inmediato que se lleva a cabo, avanzar en la sofisticación de los análisis posteriores y profundizar
la confianza que tiene en las conclusiones finales. El valor de los comentarios de un amigo, colega, lector, replicador,
metaevaluador o auditor viene más tarde como un complemento. Varios programas de software CAQDAS desarrollan
automáticamente un registro fechado de operaciones de análisis de ciertos tipos, como el desarrollo de códigos, búsquedas y
consultas, y registros analíticos de notas.
Los métodos de documentación menos complejos no son difíciles de encontrar. A veces, un diario de investigación detallado
o notas analíticas pueden ser todo lo que se necesita para sus propósitos. Ofrecemos estas recomendaciones finales:
1) Sea claro en su propia mente por qué está haciendo documentación para este estudio. Es
¿para la dirección y revisión del estudio, para su propio aprendizaje personal, para recibir comentarios de un
colega u otro amigo crítico, para el reportaje de la "sección de métodos", o para un artículo metodológico como
tal, para una auditoría real?
2) Cualquier estudio tiene más o menos importancia. Un estudio de alto riesgo (por ejemplo, de un costoso
pero programa controvertido) exige más atención.
3) El detalle de la documentación también depende del enfoque de su estudio. Con nuestro interés en
En una descripción detallada de los movimientos analíticos, descubrimos que cualquier pregunta de investigación por lo
general implicaba un flujo de siete u ocho episodios de análisis, cada uno con una de estas hojas de documentación. Menos
micro propósitos, o menos de ellos, significarían menos detalles.
4) Trabajar con una forma del tipo que hemos mostrado generalmente va más rápido con un paso a paso
procedimiento. Primero, mientras realiza el análisis, tome notas generales; luego ordénelos, iniciando sesión en
los pasos del procedimiento, las reglas de decisión y las conclusiones, dando detalles suficientes para ser claros;
y luego ensamblar las exhibiciones (tablas, hojas de trabajo, texto, etc.). Después de completar el análisis, revise
las entradas, límpielas donde sea necesario y agregue códigos de análisis; luego complete la parte más reflexiva.
5) No es una buena idea hacer una reflexión exhaustiva sobre su análisis mientras lo hace
el analisis. Necesita toda la energía que pueda ahorrar para el análisis en sí. Evite el "lavado" o la
iluminación retrospectiva. No permita que se acumulen formularios de documentación incompletos, ya que
esto frustra sus propósitos. Hazlos a medida que avanzas.
6) Las listas de códigos se pueden usar como claves para tácticas o procedimientos que no está utilizando pero
podría utilizar. Esta bandera se activará automáticamente cuando observe que usa los mismos códigos con
frecuencia; probablemente significa que depende demasiado de muy pocos dispositivos.

Cierre y Transición
En este capítulo se cubrieron enormes cantidades de tácticas, orientación, consejos y recomendaciones.

No pretendemos abrumarlo con esta amplia gama de factores a considerar en sus análisis de datos. Pero
creemos que son pautas importantes que pueden fortalecer la calidad e integridad de su trabajo cualitativo.
Use estos métodos "según sea necesario" o "según corresponda".
En el próximo capítulo, exploraremos los informes que los investigadores deben hacer para compartir sus esfuerzos de
análisis de datos y hallazgos con el público.

TRABAJOGRADO en Es

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

TRABAJOGRADO en Es

Cargado por

Copyright:

Formatos disponibles

Matthew B. Miles • A.

Michael Huberman • Johnny Saldaña

Lista de pantallas xiii

Prefacio a la Tercera Edición de Johnny Saldaña xvii

Agradecimientos de la segunda edición de Matthew B. Miles y A.

Michael Huberman xxi

Sobre los autores xxiii

Primera parte: el comienzo sustantivo. . . . . . . . . . 1

Capítulo 2 - Diseño y gestión de investigaciones 17

Capítulo 3 - Cuestiones éticas en el análisis 55

Capítulo 4 - Fundamentos del análisis de datos cualitativos 69

Segunda parte: visualización de los datos. . . . . . . . . . 105

Capítulo 6 - Métodos de exploración 121

Capítulo 7 - Métodos de descripción 161

Capítulo 8 - Métodos de pedido 193

Capítulo 9 - Métodos de explicación 221

Capítulo 10 - Métodos de predicción 255

Tercera parte: hacer buen sentido. . . . . . . . 273

Capítulo 12 - Escribir sobre investigación cualitativa 323

Capítulo 13 - Cierre 339

Apéndice: una bibliografía anotada de recursos de investigación cualitativa 345

Índice de autor 369

Índice de materias 373

Tácticas para generar significado

1. Observando patrones, temas

6. Hacer contrastes / comparaciones

Capítulo 11 El | Sacar y verificar conclusiones 275

10. Observando las relaciones entre variables

11. Encontrar variables intervinientes

12. Construyendo una cadena lógica de evidencia

13. Hacer coherencia conceptual / teórica

Tácticas para probar o confirmar hallazgos

2. Comprobación de los efectos del investigador

5. Comprobación del significado de valores atípicos

6. Uso de casos extremos

8. Buscando evidencia negativa

9. Hacer pruebas de si-entonces

10. Descartar relaciones espurias

11. Replicando un hallazgo

12. Revisando las explicaciones rivales

13. Obteniendo comentarios de los participantes

Estándares para la calidad de las conclusiones

Objetividad / Confirmabilidad Fiabilidad / Fiabilidad /

Auditabilidad Validez interna / Credibilidad / Autenticidad

Validez externa / Transferibilidad / Adaptación Utilización /

Aplicación / Orientación a la acción

276 Parte III: Hacer buen sentido

garantizar a su mejor capacidad la calidad de las conclusiones.

Observando patrones , temas ( 1) ver plausibilidad ( 2) y agrupamiento ( 3) ayuda al

Hacer contrastes / comparaciones ( 6) es una táctica generalizada que agudiza

comprensión. La diferenciación a veces también es necesaria, como en variables de partición ( 7)

1. Observando patrones, temas

Algunos ejemplos de patrones del estudio de mejora escolar fueron

• "Afrontamiento profundo" como un estilo de resolución de problemas en un grupo de personal de secundaria, y

• el uso de "latitud administrativa": la libertad de alterar una innovación a cambio de

Capítulo 11 El | Sacar y verificar conclusiones 277

que implica similitudes y diferencias entre categorías y patrones de procesos

sintetizaron en tres temas principales, y luego en una afirmación clave.

la plausibilidad, con la intuición como la base subyacente, no debe ser despreciada.

analistas que están demasiado listos para sacar conclusiones precipitadas.

preliminares a otras tácticas de extracción de conclusiones y verificación ".

278 Parte III: Hacer buen sentido