Habilidades investigativas
en Medicina Humana: diagnóstico y programa basado en inteligencia artificial y
lenguaje R
Research Skills in Human Medicine: Diagnosis and
Program Based on Artificial Intelligence and R Language
Omar Bellido Valdiviezo
Autor de correspondencia. E-mail: obellidov@uns.edu.pe
Universidad Nacional del Santa, Nuevo Chimbote,
Perú
Samuel Honorio Martínez Huamán
Universidad Nacional del Santa, Nuevo Chimbote,
Perú
Eva María Rojas Cordero
Universidad Nacional del Santa, Nuevo Chimbote,
Perú
|
Cómo referenciar este artículo: Bellido Valdiviezo, O., Martínez Huamán, S. H., & Rojas Cordero, E.
M. (2026). Habilidades investigativas en Medicina Humana: diagnóstico y
programa basado en inteligencia artificial y lenguaje R. HOMERO, 2(3),
516-535. https://doi.org/10.64492/s49hrb33 |
Fecha de recepción: 07/05/2026 Fecha de aceptación: 12/09/2026 Publicado online: 30/09/2026 |
Resumen
Introducción: La
formación médica exige habilidades para formular problemas de investigación,
evaluar evidencia científica, analizar datos y comunicar resultados con rigor.
Sin embargo, en estudiantes de pregrado persisten dificultades metodológicas,
limitaciones en la lectura crítica y escaso dominio de herramientas digitales
aplicadas a la investigación. Objetivo: Diagnosticar las habilidades
investigativas de estudiantes de Medicina Humana y diseñar un programa
formativo basado en inteligencia artificial y lenguaje R. Metodología: Se
desarrolló una investigación aplicada educacional, sustentada en los paradigmas
sociocrítico e interpretativo, con enfoque cualitativo y soporte cuantitativo,
diseño no experimental, descriptivo y transversal. Participaron 59 estudiantes
de una universidad pública de Áncash, seleccionados mediante muestreo no
probabilístico por conveniencia. La información se obtuvo mediante entrevistas
semiestructuradas, grupo focal y cuestionario. Los datos cualitativos se
examinaron mediante codificación, análisis temático y triangulación; los datos
cuantitativos se procesaron con frecuencias y porcentajes. Resultados: El 52,5
% de los estudiantes se ubicó en el nivel medio de autopercepción de
habilidades investigativas; el 28,8 %, un nivel bajo; y el 18,7 %, un nivel
alto. El análisis identificó tres necesidades formativas: dominio metodológico
para el uso crítico de inteligencia artificial y R, fortalecimiento de la
alfabetización científica y del razonamiento crítico, y mejora de la comunicación
científica con criterios éticos. A partir del diagnóstico, se diseñó un
programa organizado en cinco fases y cinco módulos vinculados con investigación
científica, análisis de datos, lectura crítica, comunicación académica y
publicación. Conclusiones: El diagnóstico evidenció un predominio del nivel
medio de autopercepción de las habilidades investigativas, acompañado de
necesidades formativas relacionadas con las competencias metodológicas, la
alfabetización científica, el razonamiento crítico y la comunicación académica.
El programa diseñado responde a estas necesidades y propone una ruta pedagógica
cuya efectividad deberá evaluarse mediante su implementación posterior.
.
Palabras clave: habilidades
investigativas; inteligencia artificial; medicina humana; producción
científica; RStudio.
Abstract
Introduction:
Medical education requires skills to formulate research problems, evaluate
scientific evidence, analyze data, and communicate results rigorously. However,
undergraduate students continue to face methodological difficulties,
limitations in critical reading, and limited proficiency in digital tools
applied to research. Objective: To assess the research skills of medical
students and design a training program based on artificial intelligence and the
R language. Methodology: An applied educational study was conducted within the
socio-critical and interpretive paradigms, using a qualitative approach with
quantitative support and a nonexperimental, descriptive, cross-sectional
design. The participants were 59 students from a public university in Áncash, selected through nonprobability convenience
sampling. Data were collected through semi-structured interviews, a focus
group, and a questionnaire. Qualitative data were examined through coding,
thematic analysis, and triangulation, while quantitative data were processed
using frequencies and percentages. Results: Of the students, 52.5% reported a
medium level of perceived research skills, 28.8% were classified at a low
level, and 18.7% at a high level. The analysis identified three training needs:
methodological proficiency in the critical use of artificial intelligence and
R, stronger scientific literacy and critical reasoning, and improved scientific
communication guided by ethical principles. Based on the assessment, a program
was designed with five phases and five modules focused on scientific research,
data analysis, critical reading, academic communication, and publication.
Conclusions: The assessment revealed a predominance of moderate self-perceived
research skills, alongside training needs related to methodological
competencies, scientific literacy, critical reasoning, and academic
communication. The proposed program addresses these needs and establishes a
pedagogical pathway whose effectiveness should be evaluated through subsequent
implementation.
Keywords: research skills; artificial intelligence; human medicine; scientific
production; RStudio.
Introducción
La investigación ocupa
un lugar fundamental en la formación médica porque prepara al estudiante para
formular preguntas pertinentes, examinar información científica, interpretar
resultados y fundamentar decisiones clínicas. De manera que, estas capacidades
adquieren mayor relevancia ante el crecimiento de la producción biomédica y la
rápida incorporación de tecnologías digitales en los servicios de salud. La
participación de los estudiantes de Medicina en actividades de investigación se
relaciona con el desarrollo de conocimientos científicos, actitudes favorables
hacia la investigación y oportunidades de producción académica (Amgad et al., 2015). Asimismo, Lee et al. (2020), mediante
una revisión sistemática, destacaron la importancia de articular los objetivos
formativos, las estrategias de enseñanza y los procedimientos de evaluación
para desarrollar habilidades investigativas durante el pregrado.
Las habilidades
investigativas reúnen conocimientos, procedimientos y actitudes vinculados con
la planificación de estudios, la búsqueda de literatura, el análisis de datos y
la comunicación de hallazgos. En Medicina Humana, su desarrollo conecta la formación
universitaria con la práctica clínica, la lectura crítica y el aprendizaje
permanente. Esto implica que el estudiante necesita comprender cómo se produce
el conocimiento, valorar la calidad metodológica de un estudio y decidir si sus
resultados son aplicables a una situación sanitaria concreta (Murdoch-Eaton
& Whittle, 2012). En este sentido, Green y Ellis (1997) examinaron la
incorporación de la medicina basada en evidencia mediante una propuesta
curricular fundamentada en el aprendizaje de adultos, destacando la importancia
de desarrollar capacidades para integrar la evidencia científica en la práctica
clínica.
Esta formación abarca
tres ámbitos relacionados. El primero corresponde a las competencias
metodológicas para plantear problemas, formular objetivos, seleccionar diseños
y analizar datos. El segundo comprende la alfabetización científica y el
razonamiento crítico necesarios para valorar fuentes, reconocer sesgos y
contrastar resultados. El tercero se vincula con la redacción, presentación y
divulgación responsable del conocimiento. La alfabetización científica es una
dimensión significativa de la formación médica, debido a su relación con la
comprensión de los métodos de investigación, el pensamiento crítico y la
interpretación de información científica (Mohan et al., 2020).
No obstante, ante esta
situación descrita, los estudiantes de Medicina enfrentan obstáculos durante su
formación investigativa. Entre las dificultades registradas se encuentran la
preparación metodológica insuficiente, el escaso acompañamiento docente, la
falta de tiempo, las restricciones institucionales y la poca experiencia en
producción científica. Estas condiciones afectan el planteamiento de preguntas,
la selección de métodos, el procesamiento de datos y la elaboración de
manuscritos. Esto conlleva a una enseñanza limitada a contenidos teóricos o
cursos aislados generan brechas entre el conocimiento conceptual y su
aplicación en una investigación concreta (Amgad et
al., 2015).
La respuesta curricular
exige experiencias progresivas, actividades prácticas y orientación académica
durante las distintas etapas de la carrera. La investigación no debe reducirse
a una asignatura ni a una exigencia para obtener un grado, sino integrarse en
situaciones de aprendizaje relacionadas con problemas médicos y sanitarios. Los
currículos articulados acercan la teoría, la práctica clínica y la indagación
científica mediante tareas contextualizadas, proyectos colaborativos y análisis
de casos reales (Brauer & Ferguson, 2015). La incorporación de módulos
basados en competencias favorece la organización progresiva de experiencias
metodológicas y actividades prácticas de investigación, como se aprecia en la
propuesta educativa (Patra y Khan, 2019).
La inteligencia
artificial ha ampliado las herramientas disponibles para la búsqueda eficiente,
organización y revisión de información en base de datos y metabuscadores.
Asimismo, brinda soporte en la generación de preguntas, la clasificación de
documentos, la revisión lingüística y ciertas tareas analíticas. Kasneci et al. (2023) destacan que los grandes modelos de
lenguaje presentan oportunidades para favorecer el aprendizaje y proporcionar
apoyo educativo, asimismo, plantean desafíos relacionados con la precisión de
la información, los sesgos y la dependencia tecnológica. En la formación
médica, su incorporación requiere que los estudiantes desarrollen capacidades
para verificar contenidos, contrastar fuentes y asumir responsabilidad sobre
las decisiones académicas realizadas con apoyo de estas tecnologías (Masters,
2019; Chan & Zary, 2019; Sallam, 2023).
La presencia creciente
de inteligencia artificial en la práctica sanitaria plantea cambios en los
perfiles formativos. Los futuros profesionales demandan conocimientos para
comprender sus aplicaciones, reconocer sus límites y emplearla bajo criterios
científicos y éticos. Esta preparación debe superar el aprendizaje instrumental
de una plataforma e incorporar análisis crítico, transparencia, integridad
académica y supervisión humana. La literatura sobre educación médica sostiene
la necesidad de introducir estos contenidos de forma gradual y vinculada con
objetivos curriculares definidos (Wartman & Combs, 2018; Sapci & Sapci, 2020).
El lenguaje R consiste
en un entorno de programación de código abierto que permite organizar bases de
datos, realizar análisis estadísticos y generar representaciones gráficas
reproducibles. Su utilización favorece la transparencia y trazabilidad de los procedimientos
analíticos, al facilitar la documentación, revisión y reproducción de los
resultados obtenidos. Estas características resultan pertinentes para la
formación investigativa de los estudiantes de Medicina Humana para desarrollar
competencias metodológicas y el análisis crítico de datos científicos (R Core
Team, 2024; Wickham et al., 2023).
Asimismo, el lenguaje R
también cuenta con recursos orientados al estudio de la producción científica.
El empleo de la librería “Bibliometrix” procesa
metadatos bibliográficos y analiza autores, fuentes, instituciones, palabras
clave, redes de colaboración y tendencias temáticas. En este sentido, es de
importancia su incorporación en actividades formativas acerca al estudiante a
la búsqueda sistemática, el análisis bibliométrico y la identificación de
vacíos de investigación; sin embargo, el dominio técnico debe acompañarse de
criterios para depurar registros, interpretar mapas científicos y reconocer las
limitaciones de las bases consultadas (Aria & Cuccurullo, 2017; Donthu et al., 2021).
La articulación entre
inteligencia artificial (IA) y R abre una ruta pedagógica para trabajar la
investigación desde varias operaciones: búsqueda y selección de literatura,
organización de referencias, análisis de datos, elaboración de gráficos,
revisión de argumentos y preparación de productos científicos. Esta integración
pierde valor cuando se concentra únicamente en comandos o respuestas
automáticas. Su uso educativo delinea objetivos, actividades secuenciadas,
acompañamiento docente, verificación de resultados y evaluación de la autoría
intelectual del estudiante (Zawacki-Richter et al., 2019; Luckin
et al., 2016).
La literatura destaca
el abordaje por separado la enseñanza de habilidades investigativas, la
incorporación de inteligencia artificial en educación médica y el uso de R para
el análisis científico. Es decir, son menos frecuentes las propuestas que
parten de un diagnóstico situado y reúnen estos componentes en un programa
dirigido a estudiantes de Medicina Humana. Esta distancia plantea la necesidad
de diseñar alternativas que relacionen formación metodológica, alfabetización
científica, razonamiento crítico, análisis de datos y comunicación académica
bajo una orientación ética (Sapci & Sapci, 2020; Wickham et al., 2023).
En una universidad
pública de Áncash, la formación investigativa de los estudiantes de Medicina
Humana exige una revisión de sus capacidades para formular problemas, valorar
literatura especializada, analizar información y comunicar resultados. El
diagnóstico de estas habilidades representa un punto de partida para diseñar
acciones acordes con las características académicas de los participantes y con
las condiciones de la institución. Entonces, la formación situada reconoce las
experiencias del estudiante y organiza el aprendizaje investigativo mediante
tareas vinculadas con su realidad universitaria y profesional (Murdoch-Eaton
& Whittle, 2012).
A partir de esta
problemática, el estudio tuvo como objetivo diagnosticar las habilidades
investigativas de estudiantes de Medicina Humana y diseñar un programa
formativo basado en inteligencia artificial y lenguaje R. La propuesta integra
competencias metodológicas, alfabetización científica, razonamiento crítico y
comunicación del conocimiento dentro de una secuencia pedagógica gradual. El
programa corresponde a una fase de diseño sustentada en el diagnóstico; su
aplicación y la valoración de sus efectos deberán desarrollarse en una
investigación posterior (Zawacki-Richter et al., 2019).
Método
Enfoque y diseño metodológico
El estudio correspondió
a una investigación aplicada educacional, sustentada en los paradigmas
sociocrítico e interpretativo. Desde la perspectiva sociocrítica, se asumió la
reflexión crítica sobre la realidad educativa como fundamento para identificar
necesidades formativas y orientar propuestas de transformación de las prácticas
pedagógicas. En este sentido, Alvarado y García (2008) señalan que el paradigma
sociocrítico articula la reflexión, la participación y la transformación de los
contextos educativos.
Por su parte, el
paradigma interpretativo permitió comprender las percepciones, experiencias y
significados que los estudiantes atribuyen al desarrollo de sus habilidades
investigativas. Se empleó un enfoque cualitativo con soporte cuantitativo,
debido a que el análisis se centró en comprender las percepciones, experiencias
y necesidades formativas de los estudiantes, mientras que los datos numéricos
complementaron la interpretación mediante frecuencias y porcentajes.
El diseño fue no
experimental, descriptivo y de corte transversal (Creswell & Poth, 2018;
Flick, 2022). Las categorías se examinaron en su contexto académico, sin
manipulación de variables, durante el semestre académico 2025. La investigación
comprendió dos fases. La primera se orientó al diagnóstico de la autopercepción
de las habilidades investigativas de los estudiantes de Medicina Humana y al
análisis de sus experiencias y necesidades formativas. La segunda consistió en
el diseño de un programa formativo basado en inteligencia artificial y lenguaje
R, sustentado en los hallazgos obtenidos mediante el análisis cualitativo, los
resultados descriptivos del cuestionario y la triangulación de las fuentes de
información.
Categorías de análisis
La categoría a
priori se centró en habilidades investigativas, organizada en tres
subcategorías: competencias metodológicas en investigación; alfabetización
científica y razonamiento crítico; y comunicación y divulgación del
conocimiento científico. Esta matriz permitió diseñar los instrumentos, la
codificación de la información y la interpretación de los resultados obtenidos
(tabla 1).
Tabla 1
Matriz de
categorización de las habilidades investigativas
|
Categorías |
Subcategorías |
Indicadores |
|
Categoría problema: Habilidades
investigativas |
Competencias
Metodológicas en Investigación. |
Capacidad percibida de los estudiantes para analizar e interpretar
datos, identificando hallazgos relevantes a través de herramientas digitales.
|
|
Alfabetización
Científica y el Razonamiento Crítico. |
Nivel de habilidad de los estudiantes para evaluar críticamente
artículos científicos. |
|
|
Comunicación y
Divulgación del Conocimiento Científico. |
Percepción de los estudiantes sobre su habilidad para redactar
informes científicos estructurados de manera clara y coherente. |
Muestra
La muestra estuvo
conformada por 59 estudiantes de pregrado de Medicina Humana, matriculados en
la asignatura de Filosofía durante el ciclo académico 2025-I en una universidad
pública de Áncash. La selección se realizó mediante un muestreo no probabilístico
por conveniencia, considerando la accesibilidad de los participantes y su
relación directa con el problema estudiado (Hernández-Sampieri & Mendoza,
2018).
El cuestionario se
aplicó a los 59 estudiantes. Para la fase cualitativa se seleccionaron dos
submuestras intencionales: siete estudiantes participaron en las entrevistas
semiestructuradas y nueve en el grupo focal. Estas submuestras formaron parte
de la muestra general, por lo que sus integrantes no se sumaron como
participantes adicionales (tabla 2).
Muestra de estudiantes de pregrado matriculados en ciclo
2025
|
Participantes |
||
|
Instrumentos |
Tipo de instrumento según naturaleza |
|
|
Cualitativos |
Cuantitativos |
|
|
Entrevista |
7 (*) |
- |
|
Focus group |
9(*) |
- |
|
Encuesta |
- |
59 |
|
Subtotal |
16 |
59 |
Técnicas e instrumentos
Para la recolección de
información cualitativa se emplearon la entrevista semiestructurada y el grupo
focal (ver Tabla 2). La entrevista permitió examinar las experiencias
individuales de estudiantes en relación con el objeto de estudio. El grupo
focal facilitó el intercambio de percepciones y experiencias sobre las
dificultades formativas, el uso de inteligencia artificial y el manejo del
lenguaje R en actividades de investigación (Kvale & Brinkmann, 2015;
Morgan, 2019). Además, de un cuestionario de autopercepción sobre sus
habilidades investigativas.
Construcción, validez y fiabilidad del instrumento
Para la recolección de
información cuantitativa se empleó el Cuestionario de habilidades
investigativas con integración de R e inteligencia artificial, elaborado por
los investigadores para evaluar la autopercepción de las habilidades
investigativas en estudiantes de Medicina Humana. Su estructura se organizó a
partir de las tres subcategorías establecidas en la matriz de categorización
del estudio: competencias metodológicas en investigación (7 ítems),
alfabetización científica y razonamiento crítico (7 ítems), y comunicación y
divulgación del conocimiento científico (6 ítems). El instrumento comprendió 20
ítems con una escala tipo Likert de cinco alternativas, desde 1 (totalmente en
desacuerdo) hasta 5 (totalmente de acuerdo), orientados a recoger las valoraciones
de los estudiantes sobre sus capacidades investigativas y el uso de
herramientas digitales.
La validez de contenido
se examinó mediante juicio de tres expertos: Fernando Alexis Nolazco Labajos y
Manuel Antonio Cardoza Sernaqué, doctores en Educación y evaluadores
metodológicos, y Yim Isaías Apestegui Florentino, doctor en Ingeniería y
especialista. La evaluación, realizada el 15 de julio de 2025, consideró los
criterios de pertinencia, relevancia y construcción gramatical, valorados
dicotómicamente (sí/no). Los resultados documentaron 180 valoraciones
afirmativas de 180 posibles, correspondientes a los 20 ítems examinados por los
tres especialistas en los tres criterios establecidos. Asimismo, los
evaluadores emitieron dictámenes favorables sobre la suficiencia y
aplicabilidad del cuestionario, lo que aportó evidencia favorable de validez de
contenido.
La consistencia interna
se estimó mediante el coeficiente alfa de Cronbach, considerando las respuestas
de los 59 estudiantes a los 20 ítems. Se obtuvo un coeficiente global de α
= 0,778 y valores de α = 0,871 para competencias metodológicas en
investigación, α = 0,839 para alfabetización científica y razonamiento
crítico, y α = 0,814 para comunicación y divulgación del conocimiento
científico.
La interpretación de
los resultados se realizó mediante un baremo descriptivo construido a partir de
los rangos de puntuación y su distribución convencional en tres niveles. Para
la escala global, con puntuaciones entre 20 y 100, se establecieron los niveles
bajo (20–46), medio (47–73) y alto (74–100). En competencias metodológicas y
alfabetización científica y razonamiento crítico, integradas por siete ítems
cada una, se utilizaron los intervalos bajo (7–16), medio (17–26) y alto
(27–35). En comunicación y divulgación del conocimiento científico, conformada
por seis ítems, se consideraron los niveles bajo (6–14), medio (15–22) y alto
(23–30).
Tabla 3
Matriz de técnicas,
instrumentos y criterios de análisis
|
Enfoque |
Técnica |
Instrumento |
Información obtenida |
Procesamiento |
|
Cualitativo |
Entrevista
semiestructurada |
Guía de preguntas
semiestructuradas |
Percepciones,
experiencias y necesidades individuales relacionadas con las habilidades
investigativas |
Codificación,
análisis categorial y categorización |
|
Cualitativo |
Grupo focal |
Guía de preguntas
semiestructuradas |
Experiencias
colectivas, coincidencias y diferencias sobre el uso de inteligencia
artificial y lenguaje R en investigación |
|
|
Cuantitativo |
Encuesta |
Cuestionario de 20
ítems |
Nivel de competencias
metodológicas, alfabetización científica, razonamiento crítico y comunicación
científica |
Frecuencias,
porcentajes y clasificación por niveles (bajo, medio y alto). |
|
Matriz de
Triangulación de datos |
Convergencias y
diferencias entre los resultados cualitativos y cuantitativos |
Identificación de
necesidades formativas para el diseño propositivo. |
||
Nota: Los resultados
cuantitativos los puntos de corte se utilizaron como criterios descriptivos de
clasificación de la autopercepción estudiantil y no como indicadores
estandarizados de desempeño investigativo.
Análisis cualitativo, categorización y triangulación
de datos
La información
procedente de las entrevistas semiestructuradas y del grupo focal se procesó
mediante análisis categorial. Inicialmente, los testimonios fueron transcritos
y organizados en matrices para identificar unidades de significado relacionadas
con las experiencias, dificultades y potencialidades percibidas por los
estudiantes de Medicina Humana en su formación investigativa. Posteriormente,
se realizó una codificación abierta de los segmentos relevantes y se agruparon
los códigos según sus similitudes, diferencias y relaciones temáticas, tomando
como referencia las tres subcategorías definidas a priori: competencias
metodológicas en investigación, alfabetización científica y razonamiento
crítico, y comunicación y divulgación del conocimiento científico. Este
procedimiento se articuló con los principios del análisis temático descritos
por Braun y Clarke (2006), orientados a identificar y organizar patrones de
significado en los datos cualitativos.
El análisis permitió
identificar doce categorías analíticas, seis derivadas de las entrevistas y
seis del grupo focal, relacionadas con el manejo del lenguaje R, el uso crítico
de inteligencia artificial, la evaluación de evidencia científica y la comunicación
académica. Para facilitar la trazabilidad, las categorías se organizaron
mediante códigos específicos vinculados con los testimonios y las subcategorías
del estudio. Siguiendo los criterios de organización y reducción analítica de
la información cualitativa descritos por Miles et al. (2018), se examinaron las
correspondencias y diferencias entre los hallazgos de ambas técnicas.
La triangulación se
desarrolló mediante la comparación de los resultados de ambas técnicas
cualitativas y su contrastación con las frecuencias y porcentajes obtenidos del
cuestionario de autopercepción. Este proceso permitió reconocer convergencias
temáticas y diferencias entre las experiencias individuales, las percepciones
colectivas y las valoraciones declaradas por los estudiantes.
Finalmente, la
integración de las doce categorías analíticas permitió delimitar tres ejes de
necesidades formativas: fortalecimiento de las competencias metodológicas
mediante el uso crítico de R e inteligencia artificial, desarrollo de la
alfabetización científica y el razonamiento crítico, y mejora de la
comunicación científica con énfasis en la integridad académica. Estos ejes
constituyeron síntesis interpretativas derivadas del diagnóstico y se
utilizaron como fundamento para organizar los objetivos, contenidos y
estrategias del programa formativo propuesto.
Análisis de datos
Análisis cualitativo y
triangulación
La información
cualitativa procedente de las entrevistas semiestructuradas y del grupo focal
se analizó mediante un proceso de codificación y análisis categorial.
Inicialmente, los testimonios fueron transcritos y organizados en matrices de
análisis para identificar unidades de significado relacionadas con las
experiencias, percepciones y necesidades formativas de los estudiantes de
Medicina Humana. Posteriormente, se realizó una codificación abierta de los
segmentos relevantes y se agruparon los códigos según sus similitudes
conceptuales, diferencias y relaciones temáticas.
El análisis tomó como
referencia las tres subcategorías establecidas a priori: competencias
metodológicas en investigación, alfabetización científica y razonamiento
crítico, y comunicación y divulgación del conocimiento científico. Dentro de
estos ámbitos se identificaron categorías analíticas específicas relacionadas
con las limitaciones y potencialidades del uso de inteligencia artificial,
lenguaje R y otros recursos digitales en los procesos de investigación. De esta
manera, se diferenciaron las subcategorías definidas desde el marco teórico de
los hallazgos derivados de la interpretación de los testimonios.
Posteriormente, se
desarrolló una triangulación de datos mediante la comparación de los resultados
de las entrevistas, el grupo focal y el cuestionario. Este procedimiento
permitió examinar convergencias y diferencias entre las experiencias expresadas
por los participantes y las distribuciones descriptivas de autopercepción de
habilidades investigativas. La información cuantitativa cumplió una función
complementaria, sin considerarse una medición objetiva del desempeño
investigativo.
Finalmente, los
hallazgos se integraron en tres ejes de necesidades formativas relacionados con
el fortalecimiento de las competencias metodológicas mediante el uso crítico de
R e inteligencia artificial, la alfabetización científica y el razonamiento crítico,
y la comunicación científica con criterios de integridad académica. Estos ejes
constituyeron una síntesis interpretativa del diagnóstico y orientaron la
organización de los contenidos del programa formativo.
Resultados
Los resultados se
organizaron en cuatro apartados: hallazgos de las entrevistas, hallazgos del
grupo focal, resultados del cuestionario y triangulación metodológica. Esta
secuencia permitió reconocer las principales necesidades formativas y
emplearlas como base para el diseño del programa.
Resultados cualitativos
Análisis de los resultados de la entrevista a
estudiantes.
La información obtenida
mediante las entrevistas semiestructuradas permitió comprender las
percepciones, experiencias y necesidades formativas de los estudiantes de
Medicina Humana en relación con el desarrollo de sus habilidades investigativas
(tabla 4).
Categorías analíticas derivadas de las entrevistas a estudiantes sobre
las habilidades investigativas
|
Categoría problema apriorística |
Subcategorías a priori |
Categorías analíticas |
Códigos |
|
Habilidades
investigativas |
Competencias
metodológicas en investigación |
Limitaciones en la
integración del lenguaje R y la inteligencia artificial para el análisis e
interpretación de datos |
CMI-LIRIA |
|
Potencialidades de
las herramientas digitales para la identificación e interpretación de
hallazgos relevantes |
CMI- PHDI |
||
|
Alfabetización
científica y razonamiento crítico |
Dificultades en la
valoración metodológica y reproducibilidad de la evidencia científica |
ACRC-DVMREC |
|
|
Uso complementario de
herramientas digitales para fortalecer el razonamiento crítico |
ACRC-UHDRC |
||
|
Comunicación y
divulgación del conocimiento científico |
Limitaciones en la
redacción científica apoyada por recursos digitales |
CDCC-LRCRD |
|
|
Influencia de la
retroalimentación y las herramientas tecnológicas en la mejora de la
comunicación científica |
CDCC-IRHTC |
Nota. La Tabla 4 muestra las categorías analíticas
obtenidas mediante el proceso de codificación y análisis de las entrevistas
semiestructuradas realizadas a estudiantes de Medicina Humana.
El análisis de las
entrevistas identifica las dificultades en el dominio técnico de R, la
selección de procedimientos analíticos y la validación de las respuestas
obtenidas mediante inteligencia artificial. Los estudiantes valoran la utilidad
de estas herramientas para organizar datos, elaborar gráficos e interpretar
tablas, manifestaron inseguridad al decidir si los resultados eran adecuados
para sus investigaciones. Un participante expresó:
“Tengo dificultades
para utilizar algunos comandos en R y muchas veces necesito apoyo para
interpretar correctamente los resultados” (entrevistado 1).
En alfabetización
científica y razonamiento crítico, los testimonios muestran limitaciones para
valorar la calidad metodológica de los artículos, aplicar PRISMA 2020 y
comprobar la reproducibilidad de los análisis. Los estudiantes reconocen que la
inteligencia artificial facilita la síntesis de información, pero señalan la
necesidad de contrastar sus respuestas con los artículos originales. Esta
postura se aprecia en el siguiente testimonio:
“La inteligencia
artificial ayuda a resumir información, pero siempre es necesario revisar y
analizar los artículos personalmente” (entrevistado 7).
La comunicación
científica presenta dificultades relacionadas con la organización de ideas, la
redacción de la discusión y el cumplimiento de las normas editoriales. Los
gestores bibliográficos facilitan el manejo de las referencias, sin embargo, su
empleo no resuelve los problemas de argumentación y estructura textual. Uno de
los entrevistados expresa:
“Zotero me ayuda con
las referencias, pero todavía tengo dificultades para redactar la discusión y
organizar las ideas” (entrevistado 5).
Análisis de los resultados del focus
group a estudiantes.
El análisis de los
resultados del focus group
aplicado a los estudiantes permite profundizar en las percepciones colectivas
sobre el desarrollo de las habilidades investigativas (tabla 5).
Tabla 5. Categorías
analíticas del focus group
a estudiantes sobre habilidades investigativas
|
Categoría problema apriorística |
Subcategorías a priori |
Categorías analíticas |
Códigos |
|
Habilidades
investigativas (HI) |
Competencias
metodológicas en investigación (CMI). |
Dificultades
colectivas en la aplicación de R e IA para seleccionar métodos estadísticos
textuales |
CMI-DCARIMET |
|
Confianza progresiva
en las funcionalidades de R e IA para interpretar resultados bibliométricos |
CMI-CPFIRB |
||
|
Alfabetización
científica y razonamiento crítico (ACRC). |
Reconocimiento del
valor de R, IA y PRISMA 2020 para detectar sesgos en artículos científicos |
ACRC-RVRIAP |
|
|
Riesgos de
dependencia tecnológica en la lectura crítica asistida por IA |
ACRC-RDTLCA |
||
|
Comunicación y
divulgación del conocimiento científico (CDCC). |
Utilidad de R, VOSviewer e IA para estructurar informes y visualizar
resultados |
CDCC-URVIEV |
|
|
Retos éticos y
académicos en el uso de IA durante la redacción científica |
CDCC-REAI |
Nota: La
Tabla 5 muestra las categorías analíticas identificadas a partir del análisis
del focus group aplicado a
estudiantes, organizadas según la categoría problema apriorística, las
subcategorías a priori y los códigos asignados para el análisis cualitativo.
El análisis del grupo
focal permitió profundizar en las percepciones colectivas sobre las habilidades
investigativas y el uso de herramientas digitales. Mediante la codificación de
los testimonios se identificaron seis categorías analíticas, organizadas según
las tres subcategorías establecidas a priori (Tabla 5).
En competencias
metodológicas en investigación, se identificaron dificultades para seleccionar
procedimientos e indicadores bibliométricos mediante R e inteligencia
artificial (CMI-DCARIMET).
Un participante
expresó:
“La IA sugiere
métodos, pero no siempre sabemos si esa sugerencia es correcta para nuestro
tipo de estudio” (FG-E2). Asimismo, se reconoció una confianza progresiva
en estas herramientas para interpretar resultados (CMI-CPFIRB), aunque
condicionada a su verificación y al acompañamiento docente. Estos hallazgos
evidencian necesidades de fortalecimiento del criterio metodológico y la
interpretación crítica de datos.
Respecto de la
alfabetización científica y el razonamiento crítico, los estudiantes valoraron
el uso de R, IA y PRISMA 2020 para examinar procedimientos y valorar la
transparencia del reporte científico (ACRC-RVRIAP). Sin embargo, identificaron
riesgos de dependencia tecnológica durante la lectura crítica (ACRC-RDTLCA).
Al respecto, señalaron:
“La IA resume rápido,
pero si uno solo se queda con el resumen puede perder detalles importantes del
artículo” (FG-E7).
Esta percepción destaca la necesidad de contrastar los resultados automatizados
con las fuentes originales.
En comunicación y
divulgación del conocimiento científico, los participantes reconocieron la
utilidad de R, VOSviewer e IA para organizar informes
y visualizar resultados (CDCC-URVIEV). Paralelamente, identificaron desafíos
relacionados con la originalidad, la autoría y el uso ético de la inteligencia
artificial durante la redacción académica (CDCC-REAI).
Un estudiante
manifestó: “El reto es usar la IA como soporte, sin dejar de pensar ni de
escribir con criterio propio” (FG-E3). Estos testimonios identifican la
importancia de fortalecer la comunicación científica y la integridad académica.
En conjunto, las seis
categorías analíticas evidenciaron necesidades relacionadas con el dominio
metodológico, la lectura crítica y la comunicación científica responsable.
Resultados cuantitativos
Los resultados del
cuestionario aplicado a 59 estudiantes de Medicina Humana evidenciaron un
predominio del nivel medio de autopercepción de habilidades investigativas, con
el 52,5 % de los participantes. Este resultado denota una valoración intermedia
de sus propias capacidades para desarrollar actividades de investigación
científica, sin que ello implique necesariamente un nivel equivalente de
desempeño efectivo. En la subcategoría competencias metodológicas en
investigación, el 49,2 % de los estudiantes se ubicó en el nivel medio, seguido
del 30,5 % en el nivel bajo y el 20,3 % en el nivel alto. Estos hallazgos
manifiestan las percepciones de los participantes respecto de sus capacidades
para formular problemas de investigación, seleccionar diseños metodológicos y
analizar información mediante herramientas digitales.
Respecto de la
alfabetización científica y el razonamiento crítico, el 52,5 % de los
participantes alcanzó el nivel medio de autopercepción, mientras que el 27,1 %
se ubicó en el nivel bajo y el 20,3 % en el nivel alto. Esta distribución
muestra una valoración predominantemente intermedia de las capacidades
relacionadas con la búsqueda, interpretación y evaluación crítica de
información científica. En comunicación y divulgación del conocimiento
científico, el 47,5 % de los estudiantes presentó un nivel medio de
autopercepción, el 33,9 % un nivel bajo y el 18,6 % un nivel alto (tabla 6).
Tabla 6
Niveles de
autopercepción de habilidades investigativas en estudiantes de Medicina Humana
|
Categoría y
subcategorías |
Bajo (%) |
Medio (%) |
Alto (%) |
Total |
|
Competencias
metodológicas en investigación |
18 (30,5) |
29 (49,2) |
12 (20,3) |
59 |
|
Alfabetización
científica y razonamiento crítico |
16 (27,1) |
31 (52,5) |
12 (20,3) |
59 |
|
Comunicación y
divulgación del conocimiento científico |
20 (33,9) |
28 (47,5) |
11 (18,6) |
59 |
|
Habilidades
investigativas |
17 (28,8) |
31 (52,5) |
11 (18,7) |
59 |
En conjunto, las
habilidades investigativas, el 52,5 % de los estudiantes se concentró en el
nivel medio de autopercepción, el 28,8 % en el nivel bajo y el 18,7 % en el
nivel alto. Estos resultados permiten caracterizar cómo los participantes
valoran sus propias habilidades investigativas y reconocer ámbitos que
necesitan beneficiarse de estrategias formativas apoyadas en inteligencia
artificial y lenguaje R. Es decir, los resultados sitúan a la mayoría de los
estudiantes en un nivel medio, con mayores dificultades en la comunicación y
divulgación del conocimiento científico (figura 1).
Figura 1
Distribución de los
niveles de autopercepción de habilidades investigativas según subcategorías
Nota. Los niveles bajo, medio
y alto corresponden a intervalos descriptivos de puntuación establecidos para
el cuestionario de autopercepción de habilidades investigativas.
Integración y triangulación de los hallazgos
La triangulación de las
entrevistas semiestructuradas, el grupo focal y el cuestionario permitió
identificar correspondencias entre las necesidades formativas expresadas por
los estudiantes de Medicina Humana y sus niveles de autopercepción de
habilidades investigativas. El análisis se organizó a partir de las tres
subcategorías establecidas a priori e integró doce categorías analíticas
identificadas en las dos técnicas cualitativas.
En competencias
metodológicas en investigación, las entrevistas permitieron identificar
dificultades relacionadas con el dominio de comandos de R, la interpretación de
resultados y la validación de información generada mediante inteligencia
artificial. Estas limitaciones se expresaron en el testimonio: “Tengo
dificultades para utilizar algunos comandos en R y muchas veces necesito apoyo
para interpretar correctamente los resultados” (entrevistado 1).
Al mismo tiempo, otros
participantes reconocieron las posibilidades de estas herramientas para
visualizar tendencias e interpretar información. El grupo focal amplió estos
hallazgos al identificar dificultades colectivas para seleccionar indicadores
bibliométricos y valorar las recomendaciones estadísticas generadas por IA,
junto con una confianza progresiva en las funcionalidades de R. En
correspondencia temática, el cuestionario registró un 49,2 % de estudiantes en
el nivel medio de autopercepción y un 30,5 % en el nivel bajo. La integración
de estos resultados permitió delimitar necesidades relacionadas con el dominio
técnico, la selección fundamentada de procedimientos analíticos y la
interpretación crítica de resultados.
En alfabetización
científica y razonamiento crítico, las entrevistas identificaron dificultades
para evaluar la calidad metodológica de los artículos científicos y comprobar
la reproducibilidad de sus resultados. Asimismo, los participantes reconocieron
la utilidad de las herramientas digitales para apoyar la revisión de
información, siempre que sus resultados fueran contrastados con las fuentes
originales. Un estudiante expresó: “La inteligencia artificial ayuda a
resumir información, pero siempre es necesario revisar y analizar los artículos
personalmente” (entrevistado 7). Por su parte, el grupo focal permitió
reconocer el valor de R y PRISMA 2020 para examinar procedimientos
metodológicos, así como los riesgos asociados con la dependencia de resúmenes
automáticos y la reducción de la lectura crítica. Estos hallazgos se
complementaron con los resultados del cuestionario, en el que el 52,5 % de los
participantes se ubicó en el nivel medio de autopercepción y el 27,1 % en el
nivel bajo. En conjunto, las fuentes permitieron identificar necesidades
formativas vinculadas con la evaluación de evidencia, el análisis crítico y la
verificación independiente de información científica.
En comunicación y
divulgación del conocimiento científico, las entrevistas evidenciaron
dificultades para organizar ideas, construir argumentos y redactar secciones de
artículos académicos, incluso cuando los estudiantes utilizaban gestores
bibliográficos. También se reconoció la utilidad de la retroalimentación
docente para mejorar los textos científicos. El grupo focal complementó estos
resultados mediante la valoración de R, VOSviewer e
inteligencia artificial como recursos para estructurar informes y visualizar
información, aunque también identificó preocupaciones relacionadas con el
plagio, la originalidad, la dependencia tecnológica y la autoría académica. En
esta subcategoría, el cuestionario registró un 47,5 % de estudiantes en el
nivel medio de autopercepción y un 33,9 % en el nivel bajo, la proporción más
elevada entre las tres subcategorías. La integración permitió priorizar
necesidades relacionadas con la escritura académica, la comunicación de
resultados y el uso ético de tecnologías digitales.
En síntesis, la
triangulación permitió integrar las doce categorías analíticas en tres ejes de
necesidades formativas: competencias metodológicas y análisis de datos mediante
R e inteligencia artificial; alfabetización científica y razonamiento crítico; y
comunicación científica e integridad académica. Estos ejes constituyeron el
fundamento diagnóstico para orientar el diseño del programa formativo propuesto
(tabla 7).
Tabla 7.
Ejes formativos
derivados del análisis categorial y la triangulación de datos
|
Eje formativo
derivado del diagnóstico |
Evidencia de
entrevistas y grupo focal |
Evidencia
cuantitativa |
Justificación |
|
1. Fortalecimiento
metodológico mediante R e IA |
Dificultades con
comandos de R, selección de indicadores bibliométricos, interpretación y
verificación de resultados; reconocimiento de la utilidad de las
visualizaciones |
30,5 % bajo; 49,2 %
medio |
Necesidad de
formación técnica y metodológica para utilizar herramientas digitales con
criterio científico |
|
2. Alfabetización
científica y razonamiento crítico |
Dificultades para
evaluar artículos, aplicar PRISMA 2020, reproducir análisis y verificar
respuestas de IA; preocupación por la dependencia tecnológica |
27,1 % bajo; 52,5 %
medio |
Necesidad de
fortalecer la valoración crítica de evidencia científica y la autonomía
intelectual |
|
3. Comunicación
científica e integridad académica |
Dificultades de
redacción y argumentación; utilidad de Zotero y VOSviewer;
preocupaciones por autoría, plagio y uso de IA |
33,9 % bajo; 47,5 %
medio |
Necesidad de
fortalecer la escritura y divulgación científica mediante recursos digitales
utilizados éticamente |
Diseño del programa formativo
El diseño del programa
formativo se sustentó en las necesidades identificadas mediante la
triangulación de las entrevistas semiestructuradas, el grupo focal y el
cuestionario de autopercepción de habilidades investigativas. Los hallazgos
permitieron delimitar tres ejes de atención: fortalecimiento de las
competencias metodológicas mediante el uso crítico del lenguaje R y la
inteligencia artificial, desarrollo de la alfabetización científica y el
razonamiento crítico, y mejora de la comunicación científica con criterios de
integridad académica. Estos ejes constituyeron la referencia para organizar los
objetivos, contenidos y estrategias pedagógicas de la propuesta (tabla 8).
Tabla 8
Matriz de alineamiento
curricular entre las necesidades formativas diagnosticadas y los componentes
del programa basado en inteligencia artificial y lenguaje R
|
Módulo |
Necesidad
diagnosticada |
Objetivo formativo |
Evidencia de
evaluación propuesta |
|
1. Fundamentos de
investigación científica e IA en Medicina Humana |
Dificultades en
formulación de problemas y selección metodológica |
Formular problemas,
preguntas y objetivos de investigación, utilizando críticamente IA |
Matriz preliminar de
investigación evaluada mediante rúbrica |
|
2. Análisis de datos
científicos con R y Bibliometrix |
Dificultades
técnicas, analíticas y de interpretación de resultados |
Procesar, visualizar
e interpretar datos con R y herramientas bibliométricas |
Informe reproducible
con código, gráficos e interpretación |
|
3. Alfabetización
científica y razonamiento crítico con apoyo de IA |
Dificultades en
evaluación crítica y verificación de evidencias |
Valorar calidad
metodológica, riesgos de sesgo y consistencia de evidencias |
Ficha de lectura
crítica y análisis metodológico |
|
4. Comunicación
científica, ética e innovación investigativa |
Limitaciones en
redacción, argumentación y uso ético de IA |
Elaborar y comunicar
productos académicos respetando la integridad científica |
Borrador del
manuscrito y lista de verificación ética |
|
5. Elaboración y
publicación de artículos de revisión científica |
Necesidad de integrar
las habilidades anteriores en un producto científico |
Diseñar y redactar un
manuscrito de revisión siguiendo criterios metodológicos y editoriales |
Manuscrito de
revisión y presentación académica |
La estructura
curricular se organizó en cinco módulos articulados progresivamente. El primero
aborda los fundamentos de la investigación científica y el uso inicial de la
inteligencia artificial, como base para la formulación de problemas, preguntas
y objetivos de investigación.
El segundo profundiza
en el procesamiento, análisis, visualización e interpretación de datos mediante
R y Bibliometrix, atendiendo las necesidades
metodológicas y tecnológicas identificadas.
El tercero se orienta a
la alfabetización científica y el razonamiento crítico, con énfasis en la
búsqueda, evaluación y contrastación de evidencias.
El cuarto desarrolla la
comunicación científica, la escritura académica y el uso responsable de
herramientas digitales.
Finalmente, el quinto
integra los aprendizajes anteriores mediante la elaboración de artículos de
revisión científica y la aproximación a los procedimientos de publicación
académica. El programa contempla 250 horas formativas, distribuidas en cinco
módulos de 50 horas cada uno.
Esta asignación
responde a un criterio de organización curricular uniforme que permite combinar
actividades prácticas, trabajo colaborativo y acompañamiento académico. En cada
módulo se proponen 30 horas de talleres de aprendizaje activo y laboratorios
prácticos, 15 horas de aprendizaje basado en proyectos y comunidades de investigación
colaborativa, y 5 horas de mentoría académica y seminarios de socialización
científica.
En conjunto, estas
estrategias representan el 60 %, 30 % y 10 % de la carga horaria,
respectivamente. La evaluación formativa se plantea mediante la revisión de
productos vinculados con los objetivos de cada módulo, tales como matrices
preliminares de investigación, informes de análisis de datos, ejercicios de
lectura crítica y borradores de textos científicos.
Para explicitar la
correspondencia entre resultados de aprendizaje y evidencias, se propone
utilizar rúbricas, listas de verificación y mecanismos de retroalimentación
docente, cuya aplicación deberá concretarse durante la implementación del
programa (figura 2).
Figura 2
Fases del programa
formativo basado en inteligencia artificial y lenguaje R
Módulo
1: Fundamentos
de investigación científica e inteligencia artificial en Medicina Humana. Módulo
2: Análisis de
datos científicos con lenguaje R y Bibliometrix Módulo
3:
Alfabetización científica y razonamiento crítico con apoyo de IA. Módulo
4: Comunicación
científica, ética e innovación investigativa. Módulo
5: Elaboración y
publicación de artículos de revisión.
Tabla 9
Plan de estudios según
tipo de estudio
|
N° |
Plan de estudio |
N° de Horas |
Propósito formativo |
|
01 |
Fundamentos de
investigación científica e inteligencia artificial en Medicina Humana |
50 |
Identificar
conocimientos previos y sensibilizar sobre la investigación científica |
|
02 |
Análisis de datos
científicos con lenguaje R y Bibliometrix |
50 |
Desarrollar
actividades prácticas de metodología y análisis de datos |
|
03 |
Alfabetización
científica y razonamiento crítico con apoyo de IA |
50 |
Fortalecer la lectura
crítica y la valoración de evidencia |
|
04 |
Comunicación
científica, ética e innovación investigativa |
50 |
Orientar la redacción
científica y el uso ético de tecnologías |
|
05 |
Elaboración y
publicación de artículos de revisión científica |
50 |
Socializar los
productos y transferir los aprendizajes |
|
Total de horas formativas |
250 |
||
Tabla 10
Distribución de
estrategias formativas por módulo
|
Estrategias
Formativas |
Módulo 1 |
Módulo 2 |
Módulo 3 |
Módulo 4 |
Módulo 5 |
Total |
|
EF1: Talleres de
aprendizaje activo y laboratorios prácticos |
30 h |
30 h |
30 h |
30 h |
30 h |
150 h |
|
EF2: Aprendizaje
basado en proyectos y comunidades de investigación colaborativa |
15 h |
15 h |
15 h |
15 h |
15 h |
75 h |
|
EF3: Mentoría
académica y seminarios de socialización científica |
5 h |
5 h |
5 h |
5 h |
5 h |
25 h |
|
Total horas por módulo |
50 h |
50 h |
50 h |
50 h |
50 h |
250 h |
Nota. La tabla muestra la
distribución de las estrategias formativas y las horas asignadas a cada módulo
del Programa formativo basado en inteligencia artificial y lenguaje R para
fortalecer las habilidades investigativas.
Validación del programa formativo mediante juicio de
expertos
El programa formativo
basado en inteligencia artificial y lenguaje R fue sometido a juicio de tres
especialistas con formación doctoral, con el propósito de valorar su
pertinencia, coherencia y aplicabilidad pedagógica. Este procedimiento se
fundamenta en la valoración especializada de criterios previamente definidos,
considerando que el juicio de expertos constituye una fuente de evidencia para
examinar la pertinencia del contenido evaluado (Polit & Beck, 2006).
La evaluación
comprendió dos dimensiones: validez interna y validez externa, mediante una
ficha estructurada con 20 indicadores distribuidos en diez criterios por
dimensión, valorados en una escala de cinco puntos. La validez interna permitió
examinar la coherencia entre los fundamentos, objetivos, contenidos,
estrategias y procedimientos de evaluación; mientras que la validez externa se
orientó a valorar la pertinencia y aplicabilidad de la propuesta en el contexto
de formación médica.
Los dictámenes
reportaron valoraciones favorables, correspondientes al nivel “Muy bien”, según
los criterios establecidos en el instrumento. Cada dimensión contempló una
puntuación máxima de 50 puntos, equivalente a 100 puntos para la evaluación
conjunta.
Discusión
El primer eje formativo
se relaciona con el fortalecimiento de las competencias metodológicas mediante
la integración crítica del lenguaje R y la inteligencia artificial. En esta
subcategoría, el 49,2 % de los estudiantes alcanza el nivel medio, resultado
que identifica una valoración intermedia de sus capacidades investigativas. Las
entrevistas y el grupo focal registran dificultades en la selección de métodos,
el procesamiento de datos y la interpretación de hallazgos. Por otro lado, los
participantes reconocen la utilidad de R y de la inteligencia artificial, su
empleo todavía depende del acompañamiento docente y de una orientación
metodológica constante. Murdoch-Eaton y Whittle (2012) sostienen que las
habilidades investigativas integran conocimientos teóricos, metodológicos y
prácticos vinculados con la formación profesional. Esta perspectiva guarda
relación con las dificultades encontradas, pues los estudiantes no solo
requieren aprender comandos o utilizar plataformas, sino comprender la lógica
que orienta cada decisión investigativa. Asimismo, la formulación de preguntas
de investigación representa una habilidad fundamental en la formación médica.
Eldredge et al. (2023) evaluaron una estrategia educativa basada en rúbricas
para fortalecer esta capacidad en estudiantes de Medicina. Asimismo, Turner et
al. (2013) destacaron la importancia de conocer los principales diseños
metodológicos para desarrollar y valorar investigaciones en educación médica.
El lenguaje R y la inteligencia artificial amplían las posibilidades de
análisis, organización y visualización de información; sin embargo, su aporte
depende del criterio con el que se seleccionan y aplican. La tecnología no
sustituye la comprensión del método ni la responsabilidad del investigador
frente a los resultados obtenidos.
El segundo eje
formativo reúne las limitaciones en alfabetización científica y razonamiento
crítico ante el uso de herramientas digitales. El 52,5 % de los estudiantes se
ubica en el nivel medio, resultados que reflejan una autopercepción
predominantemente intermedia de dichas capacidades. Los participantes reconocen
la utilidad de RStudio, la inteligencia artificial y
PRISMA 2020 para examinar artículos e identificar sesgos, aunque también
expresan inseguridad al valorar la calidad metodológica y comprobar la
reproducibilidad de los estudios. En este sentido, Green y Ellis (1997) sostiene
que la Medicina Basada en Evidencia exige profesionales capaces de evaluar
información científica y utilizar resultados confiables en la atención clínica.
De manera similar, Fernández y Torres (2020) argumentan que la lectura crítica
implica reconocer sesgos, limitaciones y alcances metodológicos. Las
dificultades encontradas muestran una distancia entre el acceso a artículos
científicos y la capacidad para juzgar su solidez. Esta brecha adquiere
importancia en la formación médica, donde la interpretación de la evidencia
influye en las decisiones académicas y profesionales. Mohan et al. (2020)
consideran que la alfabetización científica permite distinguir información
confiable de contenidos sin respaldo suficiente. Esta competencia es importante
ante el uso frecuente de herramientas de inteligencia artificial. Su empleo
facilita la búsqueda, organización y explicación inicial de contenidos, pero
exige contrastar cada respuesta con fuentes científicas y criterios
metodológicos. Cuando el estudiante delega la interpretación en la herramienta,
se debilita el razonamiento propio y aumenta el riesgo de aceptar información
incorrecta o poco sustentada.
El tercer eje formativo
se vincula con la comunicación científica y el uso ético de recursos digitales.
Esta subcategoría concentra el mayor porcentaje de estudiantes en el nivel
bajo, con 33,9 %. Las dificultades se relacionan con la redacción de informes,
la organización de argumentos, la presentación de resultados y la elaboración
de productos académicos. A pesar de estas limitaciones, los estudiantes valoran
el apoyo de R, VOSviewer y la inteligencia artificial
para construir gráficos, ordenar información y revisar textos. Kasai et al.
(2024) sostienen que la redacción científica exige claridad, coherencia,
estructura lógica y respeto por las normas académicas. Ramírez et al. (2021)
añaden que la comunicación oral y visual implica adaptar el lenguaje y los
recursos al público destinatario. Los resultados demuestran que el problema no
se limita a escribir correctamente, por el contrario, abarca la capacidad para
seleccionar información, construir argumentos y presentar hallazgos de manera
comprensible y rigurosa. Por otro lado, Chapman y Veras-Estévez (2024)
describieron experiencias de escritura colaborativa y mentoría orientadas al
desarrollo de capacidades de comunicación científica en estudiantes y graduados
recientes de Medicina. Esta tarea exige precisión conceptual, responsabilidad y
respeto por la autoría. Los retos identificados en el uso de inteligencia
artificial muestran la necesidad de orientar a los estudiantes en la citación,
la originalidad, la declaración del apoyo tecnológico y la revisión humana de
los contenidos. El uso académico de estas herramientas debe mantenerse bajo
criterios de integridad y responsabilidad.
En conjunto, los
resultados muestran que las habilidades investigativas en Medicina Humana no se
reducen al manejo técnico de programas. Su desarrollo exige integrar
competencias metodológicas, alfabetización científica, razonamiento crítico y
comunicación académica. Chang et al. (2017) plantean que la formación médica
debe vincular la teoría con situaciones reales de aprendizaje. Por su parte,
Conover et al. (2024) identican que la participación
temprana de estudiantes de Medicina en un programa formal de investigación se
relacionó con resultados favorables en la producción académica y la
participación en actividades científicas.
Conclusión
El diagnóstico
evidencia un predominio del nivel medio de autopercepción de las habilidades
investigativas, acompañado de necesidades formativas relacionadas con las
competencias metodológicas, la alfabetización científica, el razonamiento
crítico y la comunicación académica. El programa diseñado responde a estas
necesidades y propone una ruta pedagógica para fortalecer la formación
investigativa, cuya efectividad deberá evaluarse mediante su implementación
posterior.
La sistematización
teórica y los hallazgos del diagnóstico sustentaron el diseño de un programa
formativo fundamentado en cuatro componentes complementarios: socioeducativo,
pedagógico, disciplinar-tecnológico y ético-comunicativo. Estos fundamentos
orientaron la articulación de cinco módulos y cinco fases formativas,
integrando el uso crítico de inteligencia artificial y lenguaje R, el análisis
de datos, la evaluación de evidencia científica y la producción académica
responsable.
El programa propuesto
es una alternativa pedagógica diseñada para atender las necesidades formativas
identificadas, mediante talleres prácticos, aprendizaje basado en proyectos,
acompañamiento académico y evaluación formativa. Su estructura establece una
correspondencia entre los hallazgos del diagnóstico, los objetivos de
aprendizaje, las estrategias didácticas y las evidencias de evaluación, sin que
ello implique demostrar mejoras efectivas en las habilidades investigativas de
los estudiantes.
Finalmente, se reconoce
como limitación que la información cuantitativa procede de un cuestionario de
autopercepción aplicado mediante muestreo no probabilístico y que el programa
todavía no ha sido implementado. Su valor se encuentra en integrar formación
metodológica, análisis de datos, pensamiento crítico, producción científica y
uso responsable de inteligencia artificial dentro de una misma ruta formativa.
En el ámbito institucional, el programa establece una base para fortalecer la
cultura investigativa, la formación basada en evidencia y la producción
científica responsable.
Declaraciones
La investigación se
desarrolló respetando los principios éticos de autonomía, participación
voluntaria y confidencialidad. Previamente a la recolección de información, se
obtuvo el consentimiento informado de los estudiantes de Medicina Humana,
quienes participaron en las entrevistas semiestructuradas, el grupo focal y el
cuestionario. Para proteger su identidad, los testimonios se presentaron
mediante códigos de identificación y los resultados cuantitativos se
comunicaron de forma agrupada. La información recopilada se utilizó
exclusivamente con fines académicos y científicos, procurando preservar la
privacidad de los participantes durante su procesamiento y presentación.
Conflicto de intereses:
Los autores declaramos que no existen conflictos de intereses relacionados con
la investigación, la autoría o la publicación de este artículo.
Contribución y autoría:
Los autores declaramos que todos contribuimos de manera significativa al
manuscrito de acuerdo con la taxonomía CRediT, aprobamos la versión final y
aceptamos el orden de autoría establecido.
Omar Bellido
Valdiviezo: Conceptualización del estudio, Curación de datos y Diseño de la
metodología.
Samuel Honorio Martínez
Huamán: Análisis formal.
Eva María Rojas
Cordero: Administración del proyecto y revisión del Análisis formal.
Financiamiento: Los
autores declaramos que esta investigación no recibió financiamiento externo.
Disponibilidad de
datos: Los datos estarán disponibles previa solicitud razonada al autor
corresponsal.
Uso de Inteligencia
Artificial (IA): Los autores nos comprometemos a declarar cualquier uso de
herramientas de Inteligencia Artificial.
Preprints: Los autores declaran
que este manuscrito no ha sido publicado previamente como preprint
en ningún repositorio público.
Retracciones y
correcciones: Los autores son conscientes de la política editorial de la
revista HOMERO respecto a la ética en publicación, retractaciones y
correcciones, y se comprometen a actuar conforme a los principios establecidos
por el Committee on Publication Ethics (COPE).
Referencias
Alvarado,
L., & García, M. (2008). Características más relevantes del paradigma
sociocrítico: su aplicación en investigaciones de educación ambiental y de
enseñanza de las ciencias realizadas en el Doctorado de Educación del Instituto
Pedagógico de Caracas. Sapiens. Revista Universitaria de Investigación,
9(2), 187–202.
Amgad, M., Tsui, M. M. K., Liptrott, S. J., & Shash, E. (2015). Medical student research: An integrated mixed-methods systematic review and
meta-analysis. PLOS
ONE, 10(6),
e0127470. https://doi.org/10.1371/journal.pone.0127470
Aria, M.,
& Cuccurullo, C. (2017). Bibliometrix: An R-tool for comprehensive science mapping analysis. Journal of Informetrics, 11(4), 959–975. https://doi.org/10.1016/j.joi.2017.08.007
Brauer, D. G., & Ferguson, K. J. (2015). The
integrated curriculum in medical education: AMEE Guide No. 96. Medical Teacher,
37(4), 312–322. https://doi.org/10.3109/0142159X.2014.970998
Braun, V., & Clarke, V. (2006). Using thematic
analysis in psychology. Qualitative Research in Psychology, 3(2),
77-101. https://doi.org/10.1191/1478088706qp063oa
Chan, K. S., & Zary, N. (2019). Applications and
challenges of implementing artificial intelligence in medical education:
Integrative review. JMIR Medical Education, 5(1), e13930. https://doi.org/10.2196/13930
Chang, Y., Ramnanan, C. J., & Ginsburg, S. (2017).
Transformative learning in medical education: Fostering critical reflection and
clinical reasoning. Medical Teacher, 39(8), 828-834. https://doi.org/10.1080/0142159X.2017.1332365
Chapman, H. J., & Veras-Estévez, B. A. (2024).
Empowering medical students through collaborative writing sessions. The
Clinical Teacher, 21(3), e13687. https://doi.org/10.1111/tct.13687
Conover, G. M., Monk, M. B., Nigli,
S., & Awalt, A. (2024). Early exposure of medical students to a formal
research program promotes successful scholarship in a
multi-campus medical school. Medical Science Educator, 34(5), 1091–1103.
https://doi.org/10.1007/s40670-024-02098-6
Creswell, J. W., & Poth, C. N. (2018). Qualitative
inquiry and research design: Choosing among five approaches (4th ed.). SAGE
Publications.
Donthu, N., Kumar, S., Mukherjee, D., Pandey, N., & Lim, W. (2021). How to
conduct a bibliometric analysis: An overview and guidelines. Journal of
Business Research, 133, 285-296. https://doi.org/10.1016/j.jbusres.2021.04.070
Eldredge, J. D., Schiff, M. A., & Langsjoen, J. O. (2023). Effectiveness of a question
formulation rubric with second-year medical students: A randomized controlled
trial. Journal of the Medical Library Association, 111(1–2), 591–598. https://doi.org/10.5195/jmla.2023.1529
Fernández,
R., & Torres, P. (2020). Evaluación crítica de la literatura científica y
medicina basada en evidencia en estudiantes universitarios. Revista
Educación Médica Superior, 34(3), 1-13.
Green, M.
L., & Ellis, P. J. (1997). Impact of an
evidence-based medicine curriculum based on adult learning theory. Journal
of General Internal Medicine, 12(12), 742–750. https://doi.org/10.1046/j.1525-1497.1997.07159.x
Hernández-Sampieri, R., & Mendoza, C. P. (2018). Metodología de la
investigación: Las rutas cuantitativa, cualitativa y mixta. McGraw-Hill Education.
Kasai, H.,
Asahina, M., Tajima, H., Shikino, K., Shimizu, I.,
Onodera, M., Kimura, Y., Araki, N., Tsukamoto, T., Yoshida, S., Yamauchi, K.,
& Ito, S. (2024). Effectiveness
of a report writing training program using peer review: Evidence from
first-year medical students. BMC Medical Education, 24, Article 1132. https://doi.org/10.1186/s12909-024-06041-6
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M.,
Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel,
C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A.,
Seidel, T., ... Kasneci, G. (2023). ChatGPT for good?
On opportunities and challenges of large language models for education. Learning
and Individual Differences, 103, Article 102274. https://doi.org/10.1016/j.lindif.2023.102274
Kvale, S., & Brinkmann, S. (2015). InterViews: Learning the craft of qualitative
research interviewing (3rd ed.). SAGE Publications.
Lee, M. G. Y., Hu, W. C. Y., & Bilszta,
J. L. C. (2020). Determining expected research skills of medical students on
graduation: A systematic review. Medical Science Educator, 30(4),
1465–1479. https://doi.org/10.1007/s40670-020-01059-z
Luckin, R., Holmes, W., Griffiths, M., & Forcier,
L. B. (2016). Intelligence unleashed: An argument for AI in education.
Pearson.
Masters, K. (2019). Artificial intelligence in medical
education. *Medical Teacher, 41*(9), 976–980. https://doi.org/10.1080/0142159X.2019.1595557
Miles, M.
B., Huberman, A. M., & Saldaña, J. (2018). Qualitative
data analysis: A methods sourcebook
(4th ed.). SAGE Publications.
Mohan, L., Singh, Y., Kathrotia,
R., Cariappa, M. P., Khera, A., & Ghosh, S. (2020). Scientific literacy and
the medical student: A cross-sectional study. The National Medical Journal
of India, 33(1), 35–37. https://doi.org/10.4103/0970-258X.308242
Morgan, D. L. (2019). Basic and advanced focus
groups. SAGE Publications.
Murdoch-Eaton, D., & Whittle, S. (2012). Generic
skills in medical education: Developing the tools for successful lifelong
learning. Medical Education, 46(1), 120-128. https://doi.org/10.1111/j.1365-2923.2011.04065.x
Patra, S., & Khan, A. M. (2019). Development and
implementation of a competency-based module for teaching research methodology
to medical undergraduates. Journal of Education and Health Promotion, 8,
Article 164. https://doi.org/10.4103/jehp.jehp_133_19
Polit, D. F., & Beck, C. T. (2006). The content
validity index: Are you sure you know what's being reported? Critique and
recommendations. Research in Nursing & Health, 29(5), 489–497. https://doi.org/10.1002/nur.20147
R Core Team. (2024). R: A language and environment
for statistical computing. R Foundation for Statistical Computing. https://www.r-project.org/
Ramírez,
V., Torres, E., & Mendoza, J. (2021). Presentación oral y visual de
resultados científicos en educación superior. Revista Educación Médica
Superior, 35(4), 1-12.
Sapci, A. H., & Sapci, H. A. (2020). Artificial
intelligence education and tools for medical and health informatics students:
Systematic review. *JMIR Medical Education, 6*(1), e19285.
https://doi.org/10.2196/19285
Turner, T. L., Balmer, D. F., & Coverdale, J. H.
(2013). Methodologies and study designs relevant to medical education research. International
Review of Psychiatry, 25(3), 301–310. https://doi.org/10.3109/09540261.2013.790310
Wartman, S. A., & Combs, C. D. (2018). Medical
education must move from the information age to the age of artificial
intelligence. *Academic Medicine, 93*(8), 1107–1109. https://doi.org/10.1097/ACM.0000000000002044.
Wickham, H., Çetinkaya-Rundel, M., & Grolemund, G.
(2023). R for data science: Import, tidy, transform, visualize, and model
data (2nd ed.). O’Reilly Media.
Zawacki-Richter, O., Marín, V. I., Bond, M., &
Gouverneur, F. (2019). Systematic review of research on artificial intelligence
applications in higher education: Where are the educators? International
Journal of Educational Technology in Higher Education, 16, Article 39. https://doi.org/10.1186/s41239-019-0171-0