1. El Cambio de Paradigma: De la Herramienta al Entorno

Debemos desafiar la idea de que el software es solo para "ahorrar tiempo".

• La Gestión del Conocimiento: Uso de gestores bibliográficos (Zotero, Mendeley) no solo para citar, sino para mapear redes conceptuales y detectar vacíos literarios (research gaps).

• Entornos Virtuales de Investigación (EVI): Cómo las plataformas colaborativas permiten investigaciones multicéntricas y transnacionales en tiempo real.

2. Investigación Cualitativa y CAQDAS

En el doctorado, el análisis debe ser profundo. No basta con "subir entrevistas".

• Software sugerido: NVivo, ATLAS.ti o MaxQDA.

• El debate: ¿La codificación automática por IA facilita el hallazgo o distancia al investigador de la "vivencia" del dato?

• Visualización de datos: El uso de redes semánticas para explicar fenómenos complejos que el texto lineal no alcanza a cubrir.

3. La IA Generativa en la Labor Doctoral

Este es el tema del momento. Hay que abordarlo con ética y rigor.

• IA para la síntesis: Herramientas como Elicit, Consensus o Scite.ai para encontrar evidencia científica basada en modelos de lenguaje.

• Crítica de la fuente: El peligro de las "alucinaciones" y la necesidad de la curaduría humana experta.

• Ética: ¿Dónde termina el apoyo de la IA y dónde empieza el fraude académico?

4. Big Data y Minería de Datos Educativos (EDM)

Para los investigadores cuantitativos o de métodos mixtos:

• Analizar patrones de aprendizaje en plataformas (LMS) para predecir deserción o éxito académico.

• El paso de la estadística descriptiva tradicional al aprendizaje automático (Machine Learning) aplicado a la educación.