Cómo usar el análisis temático en transcripciones de entrevistas cualitativas

Ese marco, expuesto originalmente por Braun y Clarke en 2006, se ha convertido desde entonces en uno de los artículos de metodología más citados de las ciencias sociales, con más de 300 000 citas en Google Scholar.

Pero el marco solo funciona si las transcripciones que lo sustentan están bien codificadas. Cada fase depende de la coherencia con la que haya etiquetado sus datos, desde esa primera lectura hasta la redacción final.

En esta guía le acompañaré a lo largo de cada fase con decisiones de codificación prácticas, abordando las herramientas y los flujos de trabajo que respaldan el proceso, y señalando los errores que más tiempo le cuestan a los investigadores durante el análisis.

Por qué sus transcripciones necesitan un flujo de trabajo de codificación sistemático

Imagínese lo siguiente: acaba de terminar 12 entrevistas. Tiene más de 200 páginas de transcripciones en la pantalla y su mente se dirige hacia las citas que más le llamaron la atención. Ese instinto no siempre es acertado.

Sin un flujo de trabajo de codificación estructurado, el análisis se basa en lo que mejor recuerda, lo que suele significar las entrevistas más recientes y las respuestas que confirman lo que esperaba encontrar.

Y este no es un riesgo marginal. McMullin (2021) destaca que entre el 40 y el 80 % de los estudios de ciencias sociales y del tercer sector se basan en métodos cualitativos como entrevistas, grupos focales y observación etnográfica.

Es un volumen enorme de datos que depende de la disciplina de codificación del investigador para producir conclusiones creíbles.

Y si no tiene cuidado con los sesgos, acaba construyendo temas sobre evidencias incompletas.

Dicho esto, un enfoque sistemático de la codificación de los datos de entrevistas cualitativas no elimina la interpretación.

Lo que sí hace es obligarle a tener en cuenta el conjunto completo de datos en lugar de las partes que parecen más relevantes en el momento.

Si todavía está valorando si transcribir entrevistas de investigación cualitativa en primer lugar, esa es una decisión aparte. Esta guía da por hecho que ya dispone de transcripciones y necesita una forma fiable de pasar del texto en bruto a temas defendibles.

Códigos, categorías y temas: qué significa cada término en el análisis cualitativo

Antes de empezar a codificar temas en sus datos cualitativos, conviene tener claro a qué se refiere realmente cada término. Estos tres conceptos cumplen propósitos distintos, y confundirlos es uno de los errores más habituales en el análisis temático de transcripciones de entrevistas.

• Un código es una etiqueta descriptiva que se aplica a un pequeño segmento de datos. Capta de qué trata ese segmento en una palabra o una frase breve
• Una categoría agrupa códigos relacionados, lo que le da una forma de organizar sus códigos sin pasar directamente a la interpretación
• Un tema es más amplio. Los temas son patrones de significado que atraviesan las categorías y conectan de nuevo con su pregunta de investigación. Los temas no se encuentran sin más en los datos. Se construyen mediante el proceso de leer, codificar y releer

Algo que conviene recordar: si ha utilizado software de transcripción o de análisis de datos cualitativos, probablemente haya visto los términos "etiquetas", "códigos" y "rótulos" usados indistintamente. Se refieren a la misma acción. Las etiquetas en una herramienta de transcripción como HappyScribe equivalen funcionalmente a los códigos en la metodología cualitativa.

Lo señalo porque la distinción es pequeña, pero podría confundir a los investigadores que se mueven entre herramientas. Una etiqueta que aplique en su software de transcripción para investigación tiene el mismo peso que un código que asignaría en NVivo o ATLAS.ti, así que trátela con el mismo rigor desde el principio.

Las seis fases del análisis temático para transcripciones de entrevistas

Braun y Clarke (2006) desarrollaron un marco de seis fases que es el enfoque más utilizado para el análisis temático, y con razón.

Las fases son secuenciales, pero no estrictamente lineales. Irá de una a otra a medida que se profundiza su comprensión de los datos, algo que es esperable y forma parte del proceso.

Lo que sigue es un recorrido adaptado para los investigadores que trabajan específicamente con transcripciones de entrevistas.

Fase 1: Familiarización

Lea sus transcripciones de principio a fin. Luego vuelva a leerlas. Si todavía tiene acceso al audio original, escúchelo mientras sigue el texto, porque el tono, las pausas y el énfasis a menudo transmiten un significado que no se refleja en el papel. Una plataforma de transcripción que ofrezca transcripciones precisas y reproducción multimedia sincronizada acelerará su trabajo.

El objetivo en esta etapa no es empezar a codificar. Es construir una idea general de lo que hay en los datos antes de tomar cualquier decisión analítica.

Esta fase falla cuando se hace con prisas. 12 entrevistas pueden resultar familiares tras una sola lectura, pero la familiaridad no es lo mismo que la comprensión. Los patrones que detecte en una segunda o tercera ronda pueden ser precisamente los que acaben dando forma a sus temas.

Para profundizar en cómo encaja la familiarización en una investigación más amplia, consulte nuestra guía sobre metodología de investigación cualitativa.

Fase 2: Generación de códigos iniciales

Aquí es donde pasa de leer a etiquetar. Recorra cada transcripción línea por línea o segmento por segmento, y asigne un código a cada unidad de datos significativa.

• La codificación inductiva (o abierta) permite que los códigos surjan de los propios datos, sin un marco predefinido
• La codificación deductiva funciona en la dirección contraria: los códigos se derivan de sus preguntas de investigación, su marco teórico o la literatura existente
• La codificación in vivo utiliza las propias palabras del participante como etiqueta del código, lo que puede resultar útil cuando la formulación exacta tiene relevancia

La mayoría de los investigadores combinan enfoques. Puede empezar con un conjunto deductivo de códigos extraídos de sus preguntas de investigación y, después, dejar que los códigos inductivos afloren a medida que trabaja con transcripciones que toman giros inesperados.

Así es como se ve esto en la práctica, usando un breve pasaje de una entrevista ficticia sobre el trabajo remoto:

Dos de esos códigos, "contacto limitado con el responsable" y "pérdida de comunicación informal", podrían agruparse más adelante bajo una categoría como experiencias de apoyo en el trabajo, que conecta con el tema del aislamiento estructural en equipos híbridos de la tabla anterior. Esa es la trayectoria: del código a la categoría y al tema.

El error habitual en esta etapa es codificar de forma demasiado amplia o demasiado específica. Lo trataré con más detalle más adelante.

Fase 3: Búsqueda de temas

Una vez codificadas sus transcripciones, dé un paso atrás y observe los códigos como un conjunto. Agrupe los códigos relacionados en temas candidatos y use herramientas visuales como mapas temáticos o árboles de códigos para ver cómo se relacionan los grupos entre sí.

Esta es una fase exploratoria. Está probando agrupaciones, observando qué códigos funcionan juntos de forma natural y cuáles no encajan en ninguna categoría. No se comprometa todavía con los temas definitivos.

Fase 4: Revisión de los temas

En esta etapa, lleva sus temas candidatos de vuelta a los datos. ¿Los segmentos codificados respaldan realmente el tema que ha construido en torno a ellos? ¿El tema sigue funcionando cuando relee las transcripciones completas?

A medida que observa la concordancia, los temas empiezan a dividirse, fusionarse o descartarse por completo. El resultado final es un conjunto depurado de temas con límites más claros y un mayor respaldo en los datos.

Fase 5: Definición y denominación de los temas

Cada tema que sobrevive recibe ahora una descripción escrita que explica qué abarca el tema, qué no abarca y cómo se relaciona con los temas adyacentes. Asígnele un nombre conciso y descriptivo para poder localizarlo con facilidad.

Los buenos nombres de los temas tienen mucho peso analítico. "Aislamiento estructural en equipos híbridos" le dice algo concreto al lector, pero "Problemas del trabajo remoto" no. Una vez que acierte con las etiquetas, su conjunto de datos se parecerá a un marco temático: temas con nombre, con definiciones escritas y límites de alcance.

Fase 6: Redacción

La fase final convierte su marco temático en una narrativa que responde a la pregunta de investigación. Cada tema se convierte en una sección o un argumento, respaldado por citas representativas de las transcripciones.

Seleccione las citas con cuidado. Los pasajes más potentes son aquellos en los que las palabras del participante ilustran el tema directamente y pueden sostenerse con una explicación contextual mínima.

Para un recorrido más detallado sobre cómo pasar de las transcripciones codificadas a un análisis escrito, esta guía sobre el análisis de transcripciones de entrevistas de investigación cualitativa cubre el proceso en profundidad.

Cómo codificar transcripciones de entrevistas en la práctica

Las seis fases le proporcionan el marco conceptual. Pero ahora es momento de abordar las decisiones que tomará cuando se siente a codificar de verdad.

Codificación manual frente a codificación asistida por software

La codificación manual ha resistido el paso del tiempo y muchos investigadores siguen usando Word o Google Docs con hilos de comentarios y resaltado por colores.

Funciona en proyectos más pequeños con menos transcripciones, pero las limitaciones aparecen cuando se intenta escalar.

En cuanto empieza a trabajar con 15 o 20 entrevistas, hacer un seguimiento coherente de los códigos mediante comentarios y resaltados se vuelve difícil de gestionar.

Las herramientas CAQDAS como NVivo, ATLAS.ti y MAXQDA están diseñadas para eso. Ofrecen jerarquías de códigos, consultas entre transcripciones y mapeo visual. Conviene señalar que NVivo y ATLAS.ti pertenecen ahora a Lumivero, mientras que MAXQDA sigue siendo independiente y a menudo se considera más accesible para el trabajo con métodos mixtos.

Fuera del CAQDAS tradicional, Dovetail está orientada a equipos de UX y de producto, Delve es popular entre los investigadores de tesis doctorales y Taguette es una opción gratuita y de código abierto para proyectos sin financiación.

Sea cual sea la herramienta, la lógica de codificación es la misma.

Creación de su libro de códigos

Un libro de códigos es el documento de referencia que mantiene la coherencia de su codificación a lo largo de varias revisiones o entre los miembros del equipo.

Si trabaja en solitario en un estudio pequeño, puede arreglárselas con una versión menos formal, pero esa disciplina sigue compensando a largo plazo.

• Empiece con un conjunto reducido de códigos extraídos de sus primeras transcripciones o de sus preguntas de investigación
• Escriba una definición breve de cada código, con un pasaje de ejemplo que muestre cuándo se aplica
• Anote reglas de límite para indicar cuándo no se aplica un código, especialmente en el caso de los códigos que se solapan
• Refínelos de forma iterativa a medida que avanza por más transcripciones, dividiendo, fusionando o descartando los códigos que no funcionan
• Registre cada cambio y el razonamiento que hay detrás, porque ese registro se convierte en su rastro de auditoría. Profundizaré en esto más adelante

Codificación en equipo

Cuando más de un investigador codifica los mismos datos, la fiabilidad intercodificadores (ICR) entra en juego. La práctica habitual es que al menos dos codificadores codifiquen de forma independiente un subconjunto de transcripciones y luego comparen el grado de acuerdo mediante una métrica como el coeficiente kappa de Cohen.

Un acuerdo bajo no significa necesariamente que alguien haya codificado mal; puede indicar que los códigos necesitan definiciones más claras en el libro de códigos. Trate los desacuerdos como una señal para revisar, no para imponer su criterio.

Codificación asistida por IA

Las herramientas de IA ya pueden sugerir códigos automáticamente, hacer aflorar patrones en grandes conjuntos de transcripciones y aplicar un libro de códigos más rápido que la codificación manual. Para los investigadores que trabajan con más de 20 horas de audio de entrevistas, eso supone horas ahorradas en el trabajo repetitivo.

Pero las herramientas tienen ciertas limitaciones. Un estudio de 2025 de Jowsey et al. probó Microsoft Copilot en el análisis temático y encontró una coincidencia mínima entre los temas generados por humanos y los generados por IA. Los resultados de Copilot incluían citas fabricadas en el 58 % de los casos, y extraía los temas solo de las primeras páginas de datos en lugar de del conjunto completo. El estudio dejó al descubierto las limitaciones de la IA de Microsoft Copilot, pero la preocupación de fondo se aplica a otras herramientas.

La conclusión no es evitar por completo la codificación asistida por IA. La IA puede encargarse de la primera pasada y de la detección de patrones, pero interpretar los matices, resolver la ambigüedad y formular afirmaciones teóricas siguen siendo tarea del investigador.

Cómo preparar sus transcripciones para el análisis temático

Hay un paso entre "tengo una transcripción" y "empiezo a codificar" que a menudo se omite, y que afecta directamente a la calidad de todo lo que viene después. Así es como debería abordarlo:

• Elija el tipo de transcripción adecuado. La transcripción literal capta cada muletilla y cada falso comienzo, lo que se ajusta al análisis del discurso. Para el análisis temático, la transcripción literal inteligente suele ser la mejor opción porque conserva el significado sin el ruido
• Identifique a sus hablantes con claridad. Si su transcripción de la entrevista no identifica quién dijo qué, pierde la capacidad de seguir cómo se distribuyen los temas entre los participantes o de comparar experiencias entre grupos
• Alinee sus marcas de tiempo. Cuando un segmento codificado resulta ambiguo en el papel, necesita una forma de volver al audio original. Una alineación coherente de las marcas de tiempo lo hace posible sin tener que recorrer horas de grabaciones
• Depure los datos antes de codificar. Las transcripciones generadas por IA contendrán errores, sobre todo con el vocabulario técnico y los diálogos solapados. Corregir los errores y estandarizar el formato antes de codificar evita que los datos defectuosos queden incrustados en su libro de códigos

Aquí es donde su elección de plataforma de transcripción puede ahorrarle tiempo. HappyScribe se encarga del paso de preparación de la transcripción para que los investigadores dediquen menos tiempo a depurar y más a codificar.

Algunas funcionalidades de HappyScribe que le facilitan directamente la vida como investigador:

Transcripción con IA y transcripción profesional

La transcripción automática de HappyScribe le ofrece un primer borrador en cuestión de minutos. Cuando la precisión es el factor decisivo, puede solicitar una transcripción profesional que ofrece un 99 % de precisión.

Los lingüistas expertos merecen tenerse en cuenta en estudios donde la formulación exacta es una parte importante del proceso.

Reconocimiento automático de oradores

Con la identificación automática de hablantes, las transcripciones llegan listas para la codificación a nivel de participante.

Esto no solo le ahorra tiempo, sino que también repercute directamente en su análisis. Cuando los hablantes se identifican correctamente desde el principio, puede filtrar los códigos por participante y comparar cómo aflora un mismo tema de forma distinta en cada entrevista.

Si trabaja con grupos focales en los que los hablantes se solapan, una detección precisa facilita la atribución.

Editor de transcripciones interactivo

Editar, buscar y revisar transcripciones resulta mucho más sencillo con la reproducción de audio sincronizada.

Durante la etapa de familiarización, puede leer y escuchar al mismo tiempo, que es exactamente lo que recomiendan Braun y Clarke en la Fase 1.

Durante la codificación, puede hacer clic en cualquier segmento y oír cómo lo expresó el participante, captando el sarcasmo, la duda o el énfasis que se leen de forma diferente en el papel.

Compatibilidad multilingüe

Para los proyectos de investigación que abarcan varios idiomas, HappyScribe admite más de 150 idiomas y dialectos en una sola plataforma, de modo que la transcripción y la preparación multilingües no requieren herramientas separadas.

Ya sea islandés, alemán suizo, suajili o coreano, puede llevar a cabo investigaciones globales sin preocuparse por las interpretaciones erróneas.

Si está valorando si la transcripción automática es una buena práctica para la investigación cualitativa, esa decisión depende de la precisión que exija su metodología. Para la mayoría de los proyectos de análisis temático, empezar con la transcripción mediante IA y revisarla frente al audio es un término medio práctico.

Errores habituales en la codificación cualitativa y cómo evitarlos

1. Usar las preguntas de la entrevista como temas

Si sus temas se corresponden directamente con su guion de la conversación, es muy probable que haya organizado los datos en lugar de analizarlos.

Los temas deberían surgir de los patrones que atraviesan las respuestas, no reflejar las preguntas que formuló.

Cuando se dé cuenta de que esto ocurre, vuelva a sus códigos y busque conexiones que atraviesen varias preguntas.

2. Codificar de forma demasiado amplia o demasiado específica

Un código como "retos en el trabajo" lo abarca todo y no distingue nada. Un código como "se sintió frustrado a las 14:00 de un martes" aparece una sola vez y no se puede comparar con nada.

Ponga a prueba sus códigos preguntándose si cada uno aparece con la frecuencia suficiente para revelar un patrón, pero sigue siendo lo bastante específico como para decirle algo útil sobre los datos.

3. Saltarse la fase de revisión

Los temas de la primera pasada son borradores, no conclusiones. Comunicarlos sin contrastarlos con el conjunto completo de datos es la forma en que se cuelan las contradicciones y sobreviven los temas débiles.

Incorpore al menos una pasada de revisión completa en la que vuelva a leer las transcripciones originales con sus temas candidatos delante.

4. Ignorar los datos contradictorios

Los casos que no confirman su hipótesis resultan incómodos, pero refuerzan su análisis cuando los aborda directamente.

Un tema que solo funciona esquivando los datos contradictorios no resistirá el escrutinio.

Marque las contradicciones durante la codificación y luego decida si refinan el tema o señalan algo que se le pasó por alto.

5. No documentar sus decisiones de codificación

Si no puede explicar por qué existe un código, por qué cambió o por qué se descartó un tema, su análisis pierde credibilidad.

Como mencioné en la sección del libro de códigos, basta con mantener un registro continuo de qué cambió y por qué. Los revisores y los tribunales lo buscarán.

Cómo informar del análisis temático en su apartado de metodología

Los revisores y los directores esperan una explicación clara de cómo pasó de las transcripciones en bruto a los temas finales. Esta lista de comprobación recoge lo que debe incluir al redactar su metodología:

• El método de transcripción que utilizó (IA, profesional o híbrido) y por qué lo eligió
• El software o las herramientas que utilizó para codificar
• Si su enfoque de codificación fue inductivo, deductivo o una combinación
• El número de pasadas de codificación que completó
• Cómo se revisaron y refinaron los temas, incluidos los temas que se dividieron, fusionaron o descartaron
• Cómo se evaluó la fiabilidad intercodificadores y si más de un investigador codificó los datos
• Si la verificación por los miembros o la validación de los participantes formó parte de su proceso

Documentar su método de transcripción es algo que también se exige cada vez más en la investigación publicada.

Si utilizó transcripción mediante IA, los revisores querrán saber cómo verificó la precisión. Debería incluir un breve apartado sobre su proceso de control de calidad para cubrir todos los frentes.

Empiece con transcripciones en las que pueda confiar

El análisis temático es tan sólido como las transcripciones que lo sustentan. Si el texto es impreciso, las etiquetas de los hablantes son incorrectas o el formato es incoherente, cada decisión de codificación posterior hereda esos problemas.

HappyScribe le proporciona transcripciones listas para la investigación con una identificación precisa de los hablantes, reproducción de audio sincronizada y compatibilidad con más de 150 idiomas, para que pueda pasar directamente a la codificación con confianza.