12 métodos de investigación innovadores y lo que demuestran las evidencias.

Publicado el 10 de agosto de 2024 | Última actualización: 31 de octubre de 2026

¿Qué son los métodos de investigación innovadores?

Los métodos de investigación innovadores son técnicas o diseños más novedosos que las prácticas estándar en un campo determinado. Algunos modifican la forma de obtener evidencia, otros la manera de responder preguntas causales sin un ensayo clínico, y otros la forma de recopilar datos. La tabla presenta cada uno de los doce métodos que se muestran a continuación, junto con una casilla de verificación que debe marcarse primero, según la fuente citada.

Desliza el dedo hacia los lados para ver todas las columnas.

12 métodos de investigación innovadores y la evidencia que los respalda.

Cada entrada describe el método y lo que informa una fuente publicada al respecto. Debajo de cada entrada, las secciones «Cuándo es apropiado» y «Cómo empezar» reiteran lo que informa o recomienda la fuente citada; cuando un paso es nuestra propia sugerencia, se indica «Sugerimos». La mayoría de las entradas se basan en el resumen del artículo citado, no en el texto completo.

1. Selección de literatura asistida por IA

Se pueden utilizar modelos de lenguaje grandes para aplicar los criterios de elegibilidad de una revisión a los títulos y resúmenes. Un conjunto de indicaciones de GPT-4o, creado para una revisión sistemática en curso, alcanzó una sensibilidad del 100 % para los estudios que finalmente se incluyeron tras la revisión del texto completo. La sensibilidad para los registros que los humanos incluyeron en la etapa de título y resumen varió del 58 % al 100 % en las distintas actualizaciones, y los autores simularon reducciones de la carga de trabajo del 65 % al 85 %.² ^El siguiente ejemplo práctico muestra lo que hicieron otros dos modelos en una revisión ^diferente.¹

Cuándo es apropiado: Proyectos de síntesis de evidencia con muchos registros y decisiones de selección humana para contrastar; el estudio utilizó las decisiones de una revisión continua como estándar de referencia. ² Cómo empezar: Divida sus registros en un conjunto de desarrollo y un conjunto de prueba, refine las indicaciones en el primero e informe la sensibilidad en comparación con las decisiones humanas en el segundo, como se hizo en el estudio. ²

2. Revisiones sistemáticas en vivo

Una revisión sistemática viva se actualiza continuamente, incorporando nuevas evidencias relevantes a medida que están disponibles. Sus autores la presentan como una respuesta al problema de que las revisiones sistemáticas son difíciles de mantener actualizadas y que, de no hacerlo, se deterioran su vigencia, precisión y utilidad. ³

Cuándo es apropiado: Cuando la evidencia de investigación está surgiendo rápidamente, la evidencia actual es incierta y las nuevas investigaciones pueden cambiar las decisiones políticas o prácticas. ³ Cómo empezar: Defina cómo se identificará y agregará la nueva evidencia a medida que esté disponible, porque la actualización continua es lo que requiere la definición. ³

3. Emulación de ensayo clínico objetivo

La emulación de ensayos objetivo utiliza datos observacionales para responder preguntas causales sobre los efectos de las intervenciones, emulando explícitamente un ensayo aleatorizado pragmático hipotético cuando no se dispone de un ensayo real o este no es factible. La declaración TARGET 2025 proporciona una lista de verificación de 21 elementos en seis secciones. Solicita a los autores que especifiquen el protocolo del ensayo objetivo (el estimador causal, la identificación de supuestos y el plan de análisis de datos), que muestren cómo se asignó a los datos observacionales y que informen sobre los análisis de sensibilidad. ⁴

Cuándo es apropiado: Cuando la pregunta es el efecto comparativo de una intervención y un ensayo aleatorizado no está disponible o no es factible. TARGET cubre emulaciones de un ensayo objetivo aleatorizado individualmente con grupos paralelos y ajuste para factores de confusión basales, así que verifique que su diseño se encuentre dentro de ese alcance. ⁴ Cómo empezar: Redacte el protocolo del ensayo objetivo antes de analizar los datos, indique cómo se relaciona cada elemento con los datos que tiene y planifique los análisis de sensibilidad que la lista de verificación le pide que informe. ⁴

4. Plataforma y ensayos del protocolo maestro

Una revisión del diseño de ensayos en medicina de precisión describe los ensayos tipo cesta y paraguas, los ensayos de plataforma maestra y los estudios N-de-1 como diseños que están comenzando a reemplazar los protocolos estándar de fase I, II y III, lo que permite una evaluación más rápida de los tratamientos. ⁵

Cuándo es apropiado: Oncología de precisión, donde los tratamientos se adaptan a las características moleculares; la revisión se basa en ese contexto e informa que algunos ensayos novedosos, pero no todos, muestran que la terapia personalizada se correlaciona con mejores resultados que la terapia no personalizada. ⁵ Cómo empezar: Lea la descripción de la revisión sobre las ventajas, limitaciones y desafíos de cada diseño antes de elegir uno, y confirme que el diseño se ajusta a su campo y a su organismo regulador. ⁵

5. Ciencia ciudadana

Una revisión de 2025 sobre el monitoreo de hábitats resumió una encuesta realizada a 458 voluntarios que registraban datos de biodiversidad. Los registradores existentes estaban dispuestos a considerar el registro de hábitats, pero muchos carecían de confianza y algunos de motivación. Los autores desarrollaron un marco de diseño de seis preguntas que aborda la interacción entre la motivación y la confianza de los voluntarios, y la precisión de los datos. Este marco abarca la claridad del propósito, el costo para los voluntarios, la complejidad del protocolo y la escala del muestreo, lo que afecta la capacitación y el apoyo que necesitan los voluntarios. ⁶

Cuándo es apropiado: Cuando se necesitan datos de observación o de hábitat en un rango y escala que los estudios profesionales por sí solos no alcanzan; la revisión presenta la ciencia ciudadana como un complemento a los estudios profesionales y la observación de la Tierra. ⁶ Cómo empezar: Responda las seis preguntas marco para su propio proyecto antes de reclutar participantes y busque evidencia de precisión en su protocolo, ya que el resumen no informa cifras de precisión. ⁶

6. Ciencia ciudadana asistida por aprendizaje automático

Una revisión de proyectos de paleontología y arqueología propone un flujo de trabajo de cuatro fases para combinar el aprendizaje automático con las contribuciones de voluntarios: preparación, ejecución, implementación y reiteración. Señala que la recopilación de datos sobre objetos como fósiles y artefactos tiene requisitos diferentes a los de la recopilación de observaciones en el monitoreo de la biodiversidad. ⁷

Cuándo es apropiado: Grandes colecciones de fósiles o artefactos, donde la revisión indica que la ciencia ciudadana y el aprendizaje automático pueden ser mutuamente beneficiosos. ⁷ Cómo empezar: Utilice las cuatro fases como plan de proyecto y asigne tareas a los roles en las áreas de ciencia ciudadana, desarrollo de aprendizaje automático, investigación, participación de las partes interesadas y desarrollo de aplicaciones o infraestructura. ⁷

7. Drones para la recopilación de datos de campo

Una revisión exploratoria identificó 136 estudios publicados desde 2010 que utilizaron drones para estudiar la ecofisiología de animales salvajes, con un sesgo hacia las especies de mamíferos marinos, en particular los cetáceos. ⁸ Una revisión de 2025 sobre el monitoreo de floraciones de algas nocivas mediante drones enumera la validación, las lagunas regulatorias y la integración con los marcos de riesgo para la salud entre los desafíos persistentes. ⁹

Cuándo es apropiado: Muestreo no invasivo de animales salvajes, donde predominaron la condición corporal y los datos morfométricos de sensores de color estándar, ⁸ y monitoreo de floraciones de algas como complemento de métodos satelitales e in situ. ⁹ Cómo empezar: Verifique las regulaciones de vuelo aplicables, que la revisión de floraciones de algas enumera entre sus consideraciones, y planifique cómo validará los datos del sensor, ya que la validación es uno de los desafíos persistentes que menciona. ⁹

8. Experimentos de realidad virtual

Una revisión de la realidad virtual en la investigación de la memoria episódica señala que la literatura se encuentra dispersa en varias disciplinas y utiliza distintos aparatos, lo que dificulta determinar si las diferencias entre los estudios reflejan una teoría genuina o una variación metodológica. ¹⁰

Cuándo es apropiado: Estudiar el aprendizaje y la memoria episódica en entornos inmersivos, incluyendo cómo la inmersión afecta la memoria y si los efectos se transfieren de la realidad virtual al mundo real. ¹⁰ Cómo empezar: Registrar el hardware y el software, ya que la revisión encuentra que el aparato varía entre los estudios. Sugerimos agregar una condición de comparación en el mundo real, ya que la revisión señala lo poco que se sabe sobre cómo se compara el aprendizaje en RV con la vida real. ¹⁰

9. Dispositivos portátiles de consumo

La declaración de expertos de INTERLIVE sobre el conteo de pasos en dispositivos portátiles y teléfonos inteligentes para el consumidor afirma que la validez de muchos dispositivos de consumo no ha sido evaluada de manera rigurosa y transparente, y ofrece una lista de verificación para estudios de validación. ¹¹

Cuándo es apropiado: Medición de la actividad física mediante el conteo de pasos con dispositivos portátiles o teléfonos inteligentes. ¹¹ Cómo empezar: Utilice los seis dominios de la declaración (población objetivo, medida de criterio, medida de índice, condiciones de validación, procesamiento de datos y análisis estadístico) para diseñar e informar un estudio de validación; ofrece un protocolo básico y uno avanzado para contadores de pasos. ¹¹ Sugerimos verificar la evidencia de validación para su dispositivo y resultado específicos antes de confiar en ella.

10. Minería de texto en grandes fuentes de texto

Una revisión sistemática del análisis computacional de texto en la investigación sobre violencia de pareja encontró 22 estudios en ocho bases de datos. La minería de texto puede brindar a los investigadores acceso a conjuntos de datos, por ejemplo, de redes sociales o de organizaciones, que son demasiado grandes para analizar manualmente. ¹²

Cuándo es apropiado: Conjuntos de datos de redes sociales o de organizaciones demasiado grandes para analizar manualmente; la revisión abarca un campo, así que compruebe que su evidencia se transfiera al suyo. ¹² Cómo empezar: Elija un enfoque supervisado o no supervisado (los estudios incluidos utilizaron clasificación basada en reglas, aprendizaje automático, aprendizaje profundo y modelado de temas) y evalúelo en un conjunto de prueba etiquetado independiente o con validación cruzada k-fold, como hicieron la mayoría de los estudios incluidos, informando la precisión y F1. ¹²

11. Análisis cualitativo asistido por IA

Una revisión exploratoria de 75 estudios realizada en 2026 encontró que se utilizaban modelos de lenguaje extensos en la investigación cualitativa, principalmente para la asistencia en la codificación (43 estudios) y la identificación de temas (41), siendo el análisis temático el método predominante (38). La concordancia entre los modelos y los codificadores humanos osciló entre el 36 % y el 99 %.^¹³ Una revisión rápida de 42 estudios de investigación en salud realizada en 2026 encontró una concordancia a menudo superior al 80 % para los temas descriptivos, pero de alrededor del 30 % para los temas con matices culturales, e informó de imprecisiones ocasionales, incluidas citas inventadas.^¹⁴

Cuándo es apropiado: Trabajo en etapas tempranas con grandes volúmenes de texto, como la familiarización, la codificación y el desarrollo de temas, donde el rendimiento fue más fuerte en el análisis temático y de contenido inductivo; disminuyó para los análisis reflexivos y basados ​​en la teoría. ¹⁴ Cómo empezar: Mantenga a una persona responsable de la interpretación y verifique cada cita con el texto fuente. Informe el modelo, cómo se implementó (API, interfaz web o local), la temperatura, la longitud del contexto y las indicaciones: en la revisión exploratoria, solo 13 de 75 estudios informaron la temperatura y el 75 % no informó ninguna configuración de parámetros. ¹³

12. Análisis de redes sociales

Una revisión exploratoria de 2026 de 136 estudios sobre el contenido de los cigarrillos electrónicos en las redes sociales reveló que predominaba la codificación manual, con porcentajes menores que utilizaban enfoques computacionales o híbridos. Los enfoques computacionales se aplicaban generalmente a conjuntos de datos más grandes y se informaba de la validación de forma más consistente, mientras que las aplicaciones de IA se concentraban en el descubrimiento de temas y la evaluación del sentimiento.^¹⁵ Una revisión exploratoria de 2026 de 50 estudios sobre el contenido de la vacuna contra el VPH en ocho plataformas, siendo X la más estudiada, encontró que se utilizaban análisis de contenido, análisis de sentimiento, modelado de temas y análisis de redes, y concluyó que el discurso no puede entenderse adecuadamente solo a través de la polaridad del sentimiento.^¹⁶

Cuándo es apropiado: Mapear la discusión pública de un tema en diferentes plataformas; ambas revisiones provienen de la comunicación en salud, así que verifique que la evidencia se transfiera a su campo. ¹⁶ Cómo empezar: Defina primero las plataformas y el muestreo, decida si la codificación manual, computacional o híbrida se ajusta al tamaño de su conjunto de datos e informe cómo se validó cualquier resultado computacional, una brecha que destaca la revisión del cigarrillo electrónico. ¹⁵ Codifique los temas o el contenido, así como la polaridad del sentimiento. ¹⁶

Un ejemplo real: Prueba de la detección mediante IA en 984 resúmenes

Un equipo liderado por españoles probó si dos modelos de lenguaje podían filtrar títulos y resúmenes para una revisión sistemática biomédica. El artículo es de acceso abierto bajo CC BY 4.0, así que volvimos a graficar sus recuentos y recalculamos los números derivados en R. ¹ La búsqueda en Medline, Embase y Scopus en octubre de 2022 dejó 1,081 registros después de eliminar los duplicados. Los revisores humanos, trabajando en parejas con un tercero para resolver desacuerdos, fueron el estándar de referencia. Faltaban resúmenes para 97 registros, por lo que los modelos evaluaron 984, de los cuales los humanos habían incluido 80 y excluido 904.

Llama 3 70B y GPT-4o mini se ejecutaron en tres configuraciones que solo diferían en la temperatura (0, 0.5 y 1), con las mismas indicaciones. La mejor configuración de Llama 3, LLA_2, tuvo una sensibilidad del 77.5 %, una especificidad del 91.4 % y una precisión del 90.2 %. La mejor configuración de GPT-4o mini, GPT_2 (denominada CHAT_2 en el texto del artículo), tuvo una sensibilidad del 56.2 %, una especificidad del 95.1 % y una precisión del 92.0 %. ¹

La precisión oculta el problema. Dado que 904 de los 984 registros eran irrelevantes, una configuración puede alcanzar una precisión de aproximadamente el 92 % al descartar 35 de los 80 registros relevantes, que es lo que hizo cada configuración mini de GPT-4. Las configuraciones de Llama 3 omitieron entre 18 y 20.

Desliza el dedo hacia los lados para ver todas las columnas.

Lo que esto demuestra: en una revisión, dos modelos de propósito general coincidieron con la revisión humana en aproximadamente nueve de cada diez resúmenes, encontraron los registros más relevantes en las ejecuciones de Llama 3 y dejaron que un humano leyera aproximadamente entre el 9 % y el 14 % de los resúmenes. Lo que no demuestra: resultados para otros temas o modelos más recientes, cuánto tiempo se ahorró, ni que un proceso sin revisión humana sea seguro. Los autores afirman que la validación manual sigue siendo necesaria para abordar los falsos positivos y negativos. ¹

Cómo elegir un método de investigación innovador

Utilice la misma secuencia para cualquier método de la lista.

1. 1Empieza por la pregunta. Escribe la pregunta y la decisión que respaldará la respuesta. Un método que no cumpla con este propósito es una distracción.
2. 2Encuentra evidencia que lo valide en tu campo. Busque una prueba publicada del método aplicada a una pregunta como la suya, no a una disciplina diferente.
3. 3Prueba piloto conforme a un estándar de confianza. Aplique el método a una muestra pequeña donde ya conozca la respuesta, como se hizo en el estudio de 984 resúmenes con la selección de participantes en humanos.
4. 4Predefina el protocolo y las directrices para la presentación de informes. Antes de recopilar o analizar datos, determine el diseño, los resultados y las directrices para la elaboración de informes.
5. 5Informen lo suficiente como para repetirlo. Indique el modelo, dispositivo o plataforma, su configuración y las indicaciones o el protocolo. El estudio de cribado publicó sus indicaciones y configuraciones para que otros puedan reutilizarlas.¹

¿Necesitas ejecutar o revisar el análisis? Consulta con Editverse.

Los expertos de Editverse trabajan siguiendo las directrices de COPE, ICMJE y GPP 2022, y respetan la ética institucional y específica de cada país.

Editverso

Consulta Metodológica

¿No estás seguro de qué método se ajusta mejor a tu pregunta y a tus datos?

Usted debe enviar: su pregunta de investigación, los datos y el diseño previsto.

Recibirás: tres sesiones de 45 minutos con metodólogos con doctorado, una revisión del diseño con recomendaciones y un documento escrito con el marco metodológico.

Cuándo: Te encuentras en la fase de propuesta o tienes dudas sobre la metodología.

Paquete de consulta sobre metodología · $400

Obtén una reseña de mi método →

Editverso

Apoyo a la revisión de literatura

¿Necesitas una estrategia de búsqueda y un análisis de brechas para tu revisión?

Usted debe enviar: su tema y las bases de datos que necesita cubrir.

Recibirás: un documento con la estrategia de búsqueda, una matriz bibliográfica en Excel, un informe de análisis de brechas y una bibliografía comentada. A partir de estos documentos, redactarás la reseña.

Cuándo: Necesitas una base sólida para la búsqueda y síntesis de información.

Paquete de apoyo para la revisión bibliográfica · $500

Apoya mi reseña →

Editverso

Análisis estadístico

¿Necesita que el análisis se ejecute con el software que requiere su revista?

Usted debe enviar: sus datos, preguntas de investigación y el software preferido.

Obtendrás: código o sintaxis anotada, archivos de salida completos, una guía de interpretación de la salida y tablas listas para su publicación.

Cuándo: Sus datos se han recopilado y el análisis está pendiente.

Análisis estadístico con SPSS/R/STATA · $400

Ejecutar mi análisis →

Preguntas frecuentes

¿Qué son los métodos de investigación innovadores?

Se trata de enfoques más novedosos que las prácticas habituales en tu campo, como la selección de literatura asistida por IA, el análisis cualitativo asistido por IA, las revisiones sistemáticas dinámicas, la emulación de ensayos clínicos, los ensayos en plataformas, la ciencia ciudadana, los drones, la realidad virtual, los dispositivos portátiles de consumo, la minería de texto y el análisis de redes sociales. Que sean novedosos no significa que estén validados: consulta la evidencia publicada sobre el método en tu propio campo antes de adoptarlo.

¿Qué método de investigación innovador es el más adecuado para mi estudio?

El que responda a tu pregunta con evidencia que puedas justificar. Parte de la pregunta y la decisión que respalda, luego busca estudios de validación del método en tu campo. La tabla resumen anterior relaciona cada método con una verificación previa, extraída de la fuente citada.

¿Puede la IA sustituir a los revisores humanos a la hora de examinar los resúmenes?

Según la evidencia que revisamos, no es así. En una prueba publicada con 984 resúmenes, la mejor configuración de Llama 3 obtuvo una sensibilidad del 77.5 % y la mejor configuración de GPT-4o mini, del 56.2 %, frente a revisores humanos. Los autores concluyeron que la validación manual sigue siendo necesaria para evitar que se pasen por alto estudios importantes.

¿Qué es la emulación de ensayos clínicos dirigidos?

Se trata del uso de datos observacionales para estimar efectos causales mediante la emulación explícita de un ensayo aleatorizado pragmático hipotético, utilizado cuando los ensayos aleatorizados no están disponibles o no son factibles. La declaración TARGET 2025 proporciona una lista de verificación de informes de 21 elementos divididos en seis secciones.

¿Qué es una revisión sistemática viva?

Una revisión sistemática que se actualiza continuamente, incorporando nuevas evidencias relevantes a medida que están disponibles. Sus defensores sugieren que puede ser particularmente importante cuando la evidencia surge rápidamente, es incierta o puede modificar políticas o prácticas.

¿Son válidos los dispositivos portátiles de consumo para la investigación?

Depende del dispositivo y de la medición. La declaración de expertos de INTERLIVE indica que la validez de muchos dispositivos portátiles y teléfonos inteligentes para el consumidor no se ha evaluado de forma rigurosa y transparente en cuanto al conteo de pasos, y proporciona una lista de verificación para estudios de validación. Verifique la evidencia de validación del dispositivo y del resultado que planea utilizar.

¿Se pueden utilizar los datos de ciencia ciudadana en investigaciones publicadas?

La evidencia depende del diseño del proyecto. Una revisión de 2025 sobre el registro de hábitats establece un marco de diseño de seis preguntas que vincula la motivación, la confianza y la precisión de los datos de los voluntarios, lo cual influye en la capacitación y el apoyo que estos necesitan. Verifique la precisión de la evidencia de su propio protocolo antes de confiar en los datos de los voluntarios.

¿Cómo puedo informar sobre un estudio que utiliza un método nuevo?

Utilice la guía de informes que se ajuste a su diseño y describa el método con suficiente detalle para poder reproducirlo. Para un ensayo simulado, utilice la lista de verificación TARGET. Para la evaluación mediante IA, informe sobre el modelo, su configuración y las indicaciones, como se hizo en el estudio 984-abstract. Una revisión exploratoria de 2026 de 75 estudios cualitativos asistidos por LLM reveló que el 75 % no informó sobre la configuración de los parámetros del modelo.

Referencias

1. López-Pineda A, Nouni-García R, Carbonell-Soliva Á, Gil-Guillén VF, Carratalá-Munuera C, Borrás F. Validación de modelos de lenguaje grandes (Llama 3 y ChatGPT-4o mini) para la selección de títulos y resúmenes en revisiones sistemáticas biomédicas. Métodos de síntesis de investigación. 2025;16(4):620-630. Acceso abierto, CC BY 4.0; los datos de intervalo, precisión y carga de lectura fueron recalculados por Editverse en R. doi.org/10.1017/rsm.2025.15
2. Homiar A, Thomas J, Ostinelli EG, et al. Desarrollo y evaluación de indicaciones para un modelo de lenguaje extenso para examinar títulos y resúmenes en una revisión sistemática en curso. BMJ Salud Mental. 2025;28(1). doi:10.1136/bmjment-2025-301762. pubmed.ncbi.nlm.nih.gov/40701625/
3. Elliott JH, Synnot A, Turner T, et al. Revisión sistemática en vivo: 1. Introducción: el por qué, qué, cuándo y cómo. J Clin Epidemiol. 2017; 91: 23-30. doi.org/10.1016/j.jclinepi.2017.08.010
4. Cashin AG, Hansford HJ, Hernán MA, et al. Informes transparentes de estudios observacionales que emulan un ensayo objetivo: la declaración TARGET. BMJ. 2025;390:e087179. doi:10.1136/bmj-2025-087179. pubmed.ncbi.nlm.nih.gov/40903028/
5. Fountzilas E, Tsimberidou AM, Vo HH, Kurzrock R. Diseño de ensayos clínicos en la era de la medicina de precisión. Genoma Med. 2022, 14 (1): 101. doi.org/10.1186/s13073-022-01102-1
6. Barnes AE, Pocock MJO, Harris MM, Newton N, Robinson RA. No solo el registro de especies: el potencial de la ciencia ciudadana para el monitoreo de hábitats. Ecología del paisaje. 2025, 40 (9): 181. doi.org/10.1007/s10980-025-02155-4
7. Eijkelboom I, Schulp AS, Amkreutz L, et al. Dar sentido a los fósiles y artefactos: una revisión de las mejores prácticas para el diseño de un flujo de trabajo exitoso para proyectos de ciencia ciudadana asistidos por aprendizaje automático. PeerJ. 2025;13:e18927. doi:10.7717/peerj.18927. pubmed.ncbi.nlm.nih.gov/39959835/
8. Yaney-Keller A, McIntosh RR, Clarke RH, Reina RD. Cerrando la brecha aérea: el uso de drones para el estudio de la ecofisiología de la vida silvestre. Biol Rev Camb Philos Soc. 2025;100(3):1206-1228. doi:10.1111/brv.13181. pubmed.ncbi.nlm.nih.gov/39822117/
9. Byrd K, Wu J, Lee J. Monitoreo de floraciones de algas nocivas con vehículos aéreos no tripulados: herramientas, desafíos e implicaciones para la salud pública. Toxinas (Basilea). 2025;17(10). doi:10.3390/toxins17100475. pubmed.ncbi.nlm.nih.gov/41150176/
10. Smith SA. Realidad virtual en la investigación de la memoria episódica: una revisión. Psychon Bull Rev. 2019;26(4):1213-1237. doi.org/10.3758/s13423-019-01605-w
11. Johnston W, Judice PB, Molina García P, et al. Recomendaciones para determinar la validez del conteo de pasos de dispositivos portátiles y teléfonos inteligentes de consumo: declaración de expertos y lista de verificación de la red INTERLIVE. Br J Sports Med. 2021;55(14):780-793. doi:10.1136/bjsports-2020-103147. pubmed.ncbi.nlm.nih.gov/33361276/
12. Neubauer L, Straw I, Mariconti E, Tanczer LM. Una revisión sistemática de la literatura sobre el uso de métodos de análisis computacional de texto en la investigación sobre violencia de pareja. Violencia familiar J. 2023. doi:10.1007/s10896-023-00517-7. doi.org/10.1007/s10896-023-00517-7
13. Kempny C, Frings J, Rust P, Meister S, Fehring L. El uso y la presentación de informes metodológicos de grandes modelos lingüísticos en la investigación cualitativa: una revisión exploratoria. BMC Med Res Methodol. 2026;26(1). doi:10.1186/s12874-026-02913-1. pubmed.ncbi.nlm.nih.gov/42298426/
14. Gierbolini-Rivera RD, Franco Silva M, Augusto de Paula da Silva A, et al. Inteligencia artificial generativa para métodos cualitativos en investigación en salud: revisión rápida. J Med Internet Res. 2026;28:e98551. doi:10.2196/98551. pubmed.ncbi.nlm.nih.gov/42684312/
15. Tiong WN, A Rahim AI, Arifin Wan Mansor WN, Yaacob NA. Mapeo del contenido sobre cigarrillos electrónicos en redes sociales: una revisión exploratoria de métodos, aplicaciones de IA y estrategias promocionales. J Salud Comunitaria. 2026;31(5):205-221. doi:10.1080/10810730.2026.2684616. pubmed.ncbi.nlm.nih.gov/42277591/
16. Xu Y, Cong R, Liu M, et al. Estudio del contenido de las redes sociales relacionado con la vacuna contra el virus del papiloma humano en ocho plataformas de redes sociales: revisión exploratoria del contenido de la comunicación, las fuentes de información y los enfoques analíticos. J Med Internet Res. 2026;28:e92040. doi:10.2196/92040. pubmed.ncbi.nlm.nih.gov/42743585/

Equipo de investigación de Editverse | Actualizado en octubre de 2026