Módulo de IA · complemento de las 12 semanas · unas 4 horas

Seguimiento, evaluación y MEAL con inteligencia artificial

Mini MBA Programas y MEAL

Objetivos del módulo
  • Usar la IA para acelerar el análisis cualitativo y cuantitativo manteniendo resultados verificables.
  • Medir la fiabilidad de una codificación asistida por IA mediante doble codificación de una muestra.
  • Proteger los datos de las personas encuestadas y de quienes presentan quejas en cada etapa.

Este módulo complementa las 12 semanas del programa. No añade ningún examen: los certificados y el diploma se obtienen como antes. Las herramientas se describen tal como se conocen en noviembre de 2026; cambian rápido.

1Dónde ayuda la IA al equipo MEAL

En el ciclo MEAL, la IA generativa es útil para las tareas repetitivas de texto y estructura:

  • Análisis cualitativo: proponer un primer libro de códigos a partir de 50 respuestas abiertas, clasificar testimonios, resumir grupos focales.
  • Herramientas de recogida: revisar un cuestionario (preguntas dobles, sesgadas o demasiado largas), proponer opciones de respuesta, ayudar a escribir la lógica de un formulario KoboToolbox u ODK.
  • Análisis cuantitativo: escribir fórmulas de Excel, scripts de R o Python, explicar una prueba estadística.
  • Difusión: primer borrador de un informe, una ficha de síntesis o mensajes clave para las comunidades.

No es fiable para producir cifras: preguntar «¿cuál es la tasa de satisfacción?» a un asistente que ha leído un archivo puede dar un resultado falso. Haga que el cálculo lo realice una fórmula o un script que pueda leer y volver a ejecutar.

2Codificación cualitativa asistida: el método

  1. Anonimizar las respuestas antes de cualquier envío: quitar nombres, números, lugares precisos y detalles identificativos.
  2. Construir el libro de códigos con la IA sobre una muestra y revisarlo en equipo: definiciones claras, ejemplos, código «otro».
  3. Codificar el conjunto con la IA dándole el libro de códigos.
  4. Verificar: una persona analista codifica a mano una muestra aleatoria (por ejemplo el 10 %, al menos 50 respuestas) y se calcula la tasa de acuerdo. Por debajo de aproximadamente el 80 %, se revisan las definiciones y se recodifica.
  5. Documentar en el informe: herramienta utilizada, tamaño de la muestra verificada, tasa de acuerdo, limitaciones.

Cuidado con las lenguas: un modelo suele entender peor las respuestas en lenguas locales o transcritas fonéticamente; verifique más esas respuestas.

3Datos cuantitativos: limpiar y calcular sin inventar

Buenas prácticas:

  • Pedir a la IA el código o la fórmula, no el resultado. Ejemplo: «Escribe una fórmula de Excel que cuente los hogares con una puntuación de consumo de alimentos inferior a 21».
  • Probar el código con una pequeña muestra cuya respuesta conoce.
  • Guardar un registro: script comentado, versión de los datos, pasos de limpieza (duplicados, valores atípicos, incoherencias).
  • Nunca enviar la base bruta con identificadores a una herramienta de uso general; trabajar con una base anonimizada o una cuenta profesional aprobada.

Para traducir un cuestionario, la IA puede producir un primer borrador, pero la retrotraducción y la prueba con algunas personas encuestadas siguen siendo indispensables: una palabra mal elegida puede cambiar el sentido de un indicador.

4Quejas, retroalimentación y datos sensibles

Los mecanismos de quejas y retroalimentación reciben a veces mensajes muy sensibles: explotación, abuso y acoso sexual (PSEA), fraude, amenazas. Reglas:

  • Las denuncias de PSEA, de fraude grave o las amenazas las tratan personas formadas, según el procedimiento confidencial, y nunca se pegan en una herramienta de IA.
  • Para la retroalimentación habitual (horarios de distribución, calidad de un artículo), una clasificación asistida puede ayudar, con cuenta profesional, tras anonimizar y con control humano de las categorías «sensibles».
  • Un sistema automático nunca debe hacer «desaparecer» una queja: cada mensaje recibe un acuse y un seguimiento.

Recuerde: las personas que se quejan suelen correr un riesgo. La confianza en el mecanismo depende de la confidencialidad.

5Informes, cuadros de mando y ética de la evaluación

La IA puede proponer la estructura de un informe, reformular para un público no técnico o resumir hallazgos en mensajes clave. Pero:

  • Cada cifra del informe debe provenir de su análisis, con su fuente.
  • Las citas de participantes deben ser reales, nunca generadas ni «mejoradas».
  • Una evaluación sigue siendo independiente: no deje que la herramienta suavice hallazgos negativos.
  • Indique en la metodología el uso de la IA y sus limitaciones, como haría con un programa estadístico.

Por último, devuelva los resultados a las comunidades en su lengua: la IA puede ayudar a simplificar un mensaje, pero una persona del equipo que habla la lengua valida la versión final.

Ejercicio: verificar una codificación asistida por IA

Situación. Una encuesta posdistribución recogió 640 respuestas abiertas. La IA las codificó según un libro de códigos de 8 temas. Usted recodifica a mano una muestra aleatoria de 64 respuestas: coincide con la IA en 50. De los 14 desacuerdos, 9 corresponden a respuestas en lengua local.

Preguntas. 1) ¿Cuál es el tamaño de la muestra en porcentaje? 2) ¿Cuál es la tasa de acuerdo? 3) ¿Qué hace?

Solución. 1) 64 / 640 = 10 %. 2) 50 / 64 ≈ 78 %, por debajo del umbral de aproximadamente el 80 %. 3) Revisar las definiciones de los códigos implicados, hacer codificar las respuestas en lengua local por una persona analista hablante (9 de los 14 desacuerdos, cerca del 64 %), recodificar y verificar una nueva muestra; documentar el proceso y la tasa final en el informe.

Puntos clave

  • La IA ayuda a codificar, estructurar y redactar; las cifras provienen de fórmulas o scripts que se pueden revisar.
  • Anonimizar antes de cualquier envío; nunca una base bruta con identificadores en una herramienta de uso general.
  • Verificar la codificación con doble codificación de una muestra y buscar al menos un 80 % de acuerdo aproximadamente.
  • Las quejas sensibles (PSEA, fraude, amenazas) las tratan personas formadas, nunca la IA.
  • Citas reales, hallazgos sin suavizar, uso de la IA indicado en la metodología.

Cuestionario de autoevaluación

6 preguntas de autoevaluación, corregidas al instante. No cuentan para los exámenes.

1Para obtener una tasa de satisfacción fiable a partir de una base de datos, es mejor:
2Muestra de verificación de 64 respuestas, 50 coincidencias. Tasa de acuerdo:
3Llega una denuncia de explotación sexual por la línea de quejas. ¿Qué hacer?
4Tras la traducción de un cuestionario por la IA, el paso indispensable es:
5¿Se puede pedir a la IA que haga «más impactantes» las citas de participantes?
6¿Qué respuestas hay que verificar más tras una codificación asistida?
Para ir más lejos

El Mini MBA IA y acción humanitaria (Claude y Gemini) profundiza estos temas en 12 semanas.

Ver el Mini MBA de IA