IA y Meta-análisis Cuantitativo en Tesis Doctorales 2026: Guía Metodológica

El meta-análisis cuantitativo representa la cima de la jerarquía de evidencia en ciencias sociales, educativas y de la salud: sintetiza cuantitativamente los tamaños del efecto de múltiples estudios primarios para producir una estimación ponderada, más precisa y generalizable que cualquier investigación individual. En 2026, la integración de IA en el meta-análisis cuantitativo de tesis doctorales ha reducido el tiempo necesario para completar una revisión sistemática de varios meses a pocas semanas, preservando simultáneamente los estándares PRISMA (Page et al., 2021) que garantizan su validez científica.

Sin embargo, esta aceleración conlleva riesgos metodológicos que los comités evaluadores de tesis —y organismos como ANECA— observan con creciente atención. El informe de la OCDE AI in Science: A Report to the G7 (2024) advierte que la automatización del cribado de literatura mediante LLMs puede introducir sesgos sistemáticos si los prompts no están cuidadosamente diseñados, reproduciendo o amplificando los sesgos de publicación que el propio meta-análisis pretende detectar. Este artículo ofrece un protocolo metodológicamente riguroso para realizar un meta-análisis cuantitativo con asistencia de IA en el contexto de una tesis doctoral.

1. Fundamentos del meta-análisis cuantitativo

El meta-análisis, formalizado por Glass (1976) y consolidado metodológicamente por Hedges y Olkin (1985), opera sobre la premisa de que la combinación estadística de resultados de estudios independientes produce estimaciones más precisas que cualquier estudio individual. Su lógica es análoga a la de los modelos de efectos fijos y aleatorios en estadística: el modelo de efectos fijos asume un tamaño del efecto verdadero único subyacente a todos los estudios, mientras que el modelo de efectos aleatorios (DerSimonian y Laird, 1986) reconoce que los estudios estiman efectos verdaderos que varían entre sí por diferencias en poblaciones, intervenciones o medición.

Los tamaños del efecto estandarizados más empleados son:

• d de Cohen: diferencia de medias estandarizada por la desviación típica pooled; apropiado para variables continuas en diseños experimentales.
• g de Hedges: versión corregida por sesgo de muestras pequeñas de la d de Cohen; preferida en meta-análisis con estudios de tamaño muestral reducido.
• r de Pearson: tamaño del efecto para estudios correlacionales, transformado habitualmente a z de Fisher para el análisis combinado.
• Odds Ratio (OR) y Risk Ratio (RR): para variables dependientes binarias en estudios clínicos y epidemiológicos, transformados a log(OR) para la ponderación.

La ponderación de cada estudio se realiza por el inverso de su varianza, de modo que los estudios con mayor tamaño muestral —y por tanto menor varianza— contribuyen más al tamaño del efecto combinado. Este proceso, que anteriormente requería horas de cálculo manual, puede ahora ser ejecutado en segundos con herramientas de IA, aunque la selección del modelo (efectos fijos vs. aleatorios) y la interpretación de la heterogeneidad siguen requiriendo juicio metodológico experto.

2. PRISMA 2020: el estándar de reporte en 2026

La declaración PRISMA 2020 (Preferred Reporting Items for Systematic Reviews and Meta-Analyses; Page et al., 2021) es el estándar internacional de reporte que toda tesis doctoral con meta-análisis debe cumplir. Consta de 27 ítems agrupados en seis secciones: título y resumen, introducción, métodos, resultados, discusión y otra información.

En 2026, las principales revistas indexadas en JCR y Scopus —y los comités evaluadores de tesis de universidades pertenecientes al EHEA— exigen explícitamente el flujograma PRISMA que documenta el número de registros identificados, cribados, evaluados para elegibilidad e incluidos en cada etapa del proceso. La IA puede generar este flujograma automáticamente a partir de los registros de cribado, pero el investigador debe haber mantenido un registro sistemático y transparente de todas las decisiones de inclusión/exclusión.

La CRUE (2024) ha publicado orientaciones específicas que exigen que los doctorandos que emplean IA para el cribado declaren las herramientas utilizadas, los prompts empleados, la tasa de acuerdo con el cribado humano de verificación y las medidas adoptadas para mitigar errores de clasificación. Esta transparencia es coherente con el marco de ciencia abierta abordado en Reproducibilidad Científica con IA 2026.

3. IA en el cribado y selección de estudios

El cribado de títulos y resúmenes es históricamente la fase más laboriosa del meta-análisis: una revisión sistemática en ciencias de la salud puede requerir el cribado de 5.000 a 20.000 registros. En 2026, herramientas como Rayyan, Covidence con IA integrada y Elicit han reducido este tiempo entre un 50 % y un 70 % (Blaizot et al., 2022), preservando una sensibilidad superior al 95 % cuando se usa un umbral de inclusión conservador.

El protocolo recomendado para tesis doctorales es el semi-automated screening:

1. La IA clasifica los registros en tres categorías: incluir, excluir, revisar manualmente.
2. Todos los registros clasificados como «incluir» y «revisar manualmente» son revisados por al menos dos revisores humanos independientes.
3. Los registros clasificados como «excluir» son verificados mediante muestreo aleatorio (10-15 % del total) para estimar la tasa de error de la IA.
4. Se calcula el estadístico kappa de Cohen para cuantificar el acuerdo entre revisores y se reporta en la sección de métodos.

La evaluación de texto completo para elegibilidad —que requiere aplicar criterios de inclusión/exclusión detallados— todavía presenta tasas de error inaceptablemente altas en LLMs (Feng et al., 2024) y debe mantenerse como proceso íntegramente humano hasta que la evidencia de validación sea más sólida. La triangulación metodológica entre revisores independientes refuerza la confiabilidad del proceso en este punto crítico.

4. Extracción de datos asistida por IA

La extracción de datos de los estudios incluidos —tamaños muestrales, medias, desviaciones típicas, estadísticos F, t o χ², características de la muestra, intervenciones— es otra fase donde la IA aporta ganancias sustanciales de eficiencia. Herramientas como Elicit y SciSpace pueden extraer datos estructurados de PDFs de artículos científicos con tasas de precisión del 85-90 % para variables numéricas simples.

Sin embargo, la extracción de información cualitativa compleja —definición operacional de variables, descripción de la intervención, evaluación del riesgo de sesgo— sigue requiriendo supervisión humana detallada. El procedimiento recomendado es:

• Diseñar un formulario de extracción piloto y probarlo en 5-10 estudios de forma manual.
• Usar la IA para la extracción inicial de todas las variables numéricas.
• Un segundo revisor verifica la extracción de un 20 % de los estudios y resuelve discrepancias.
• El formulario final y los datos extraídos se depositan en un repositorio de acceso abierto (OSF, Zenodo) para garantizar la reproducibilidad.

5. Cálculo de tamaños del efecto y modelos estadísticos

En R, el paquete metafor (Viechtbauer, 2010) es el estándar de facto para meta-análisis cuantitativo. La función escalc() calcula tamaños del efecto a partir de estadísticos reportados, y la función rma() ajusta los modelos de efectos fijos, efectos aleatorios y de varianza mixta. La IA puede generar el flujo de trabajo completo en código R a partir de una descripción del diseño y los datos disponibles:

# Ejemplo de flujo meta-análisis con metafor
library(metafor)

# Cálculo de tamaños del efecto d de Cohen a partir de medias y SD
datos <- escalc(measure = "SMD",
                m1i = media_grupo1, sd1i = sd_grupo1, n1i = n_grupo1,
                m2i = media_control, sd2i = sd_control, n2i = n_control,
                data = estudios)

# Modelo de efectos aleatorios (REML)
modelo <- rma(yi, vi, data = datos, method = "REML")
summary(modelo)
forest(modelo)  # Forest plot
funnel(modelo)  # Funnel plot

Cuando los estudios primarios no reportan los estadísticos necesarios, los LLMs pueden asistir en la estimación de tamaños del efecto mediante conversión de estadísticos alternativos (p-valor + tamaño muestral → d; OR → d) utilizando las fórmulas de Borenstein et al. (2009). Esta capacidad es especialmente valiosa para revisiones en áreas donde los estándares de reporte son inconsistentes, y se complementa con los análisis abordados en IA en Análisis Estadístico Inferencial 2026.

6. Análisis de heterogeneidad: I², Q y τ²

La heterogeneidad estadística —la variabilidad en los tamaños del efecto entre estudios más allá de lo esperado por el azar— es el principal desafío interpretativo del meta-análisis. Los índices más utilizados son:

Cuando I² supera el 50 %, se recomienda un análisis de moderadores mediante meta-regresión para identificar qué variables del diseño o de la muestra explican la variación entre estudios. La IA puede asistir en la formulación de hipótesis de moderación y en la generación del código de meta-regresión con rma(yi, vi, mods = ~ moderador, data = datos).

7. Sesgo de publicación: funnel plot y test de Egger

El sesgo de publicación —la tendencia a publicar preferentemente estudios con resultados estadísticamente significativos— amenaza la validez de cualquier meta-análisis. Las herramientas estándar para su evaluación son el funnel plot (gráfico de embudo), el test de Egger (1997) para asimetría del funnel, el test de Begg y Mazumdar (1994) y el trim-and-fill de Duval y Tweedie (2000).

En 2026, la IA facilita la interpretación automatizada de estos diagnósticos e incluso puede sugerir búsquedas en registros de ensayos no publicados (ClinicalTrials.gov, ISRCTN) para reducir el sesgo. El análisis de sesgo debe reportarse transparentemente en la sección de resultados, independientemente de sus conclusiones, en cumplimiento de los estándares PRISMA 2020 y de las políticas de transparencia de ANECA. Este requisito conecta directamente con el artículo sobre Bibliometría con IA en Tesis 2026.

8. Software y herramientas de IA para meta-análisis

9. Reporte en formato APA 7 y PRISMA

El reporte de un meta-análisis en una tesis doctoral debe incluir como elementos mínimos: (a) el flujograma PRISMA con los números exactos en cada etapa, (b) la tabla de características de los estudios incluidos, (c) el forest plot con los tamaños del efecto individuales y el efecto combinado, (d) los índices de heterogeneidad con intervalos de confianza, (e) el funnel plot y los resultados del test de Egger, y (f) el análisis de sensibilidad (leave-one-out y análisis de subgrupos). La IA puede asistir en la generación de todos estos elementos, y plataformas como Tesify ofrecen plantillas estructuradas para el reporte de revisiones sistemáticas con meta-análisis.

10. Ética, limitaciones y transparencia

El meta-análisis realizado íntegramente o predominantemente con IA presenta dos riesgos éticos principales identificados por la UNESCO (2023) y el EU AI Act (2024). En primer lugar, la opacidad del proceso de cribado: si los criterios de inclusión se operacionalizan mediante prompts en lugar de criterios explícitos verificables, la reproducibilidad queda comprometida. En segundo lugar, el efecto de amplificación de sesgos: los LLMs entrenados en literatura científica sesgada hacia resultados positivos pueden reproducir y amplificar ese sesgo en el cribado.

ANECA requiere que la sección de limitaciones de la tesis declare explícitamente si el meta-análisis utilizó IA en alguna de sus fases, qué porcentaje del cribado fue verificado manualmente y qué medidas se adoptaron para mitigar los riesgos de error. La revisión del estado del arte sobre IA en investigación académica en España ofrece un contexto institucional más amplio sobre este panorama normativo.

Preguntas frecuentes

Referencias

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7.ª ed.). APA.
• ANECA. (2025). Criterios de evaluación de tesis doctorales: revisiones sistemáticas y meta-análisis con asistencia de IA. Agencia Nacional de Evaluación de la Calidad y Acreditación.
• Begg, C. B., y Mazumdar, M. (1994). Operating characteristics of a rank correlation test for publication bias. Biometrics, 50(4), 1088–1101. https://doi.org/10.2307/2533446
• Blaizot, A., Veettil, S. K., Saidoung, P., Moreno-García, C. F., Wiratunga, N., Aceves-Martins, M., Lai, N. M., y Chaiyakunapruk, N. (2022). Using artificial intelligence methods for systematic review in health sciences: A systematic review. Research Synthesis Methods, 13(3), 353–362. https://doi.org/10.1002/jrsm.1553
• Borenstein, M., Hedges, L. V., Higgins, J. P. T., y Rothstein, H. R. (2009). Introduction to meta-analysis. Wiley.
• CRUE Universidades Españolas. (2024). Recomendaciones para el uso responsable de la IA en la investigación universitaria. CRUE.
• DerSimonian, R., y Laird, N. (1986). Meta-analysis in clinical trials. Controlled Clinical Trials, 7(3), 177–188. https://doi.org/10.1016/0197-2456(86)90046-2
• Egger, M., Smith, G. D., Schneider, M., y Minder, C. (1997). Bias in meta-analysis detected by a simple, graphical test. BMJ, 315(7109), 629–634. https://doi.org/10.1136/bmj.315.7109.629
• European Parliament. (2024). Regulation (EU) 2024/1689 of the European Parliament and of the Council (Artificial Intelligence Act). Official Journal of the European Union.
• Glass, G. V. (1976). Primary, secondary, and meta-analysis of research. Educational Researcher, 5(10), 3–8. https://doi.org/10.3102/0013189X005010003
• Higgins, J. P. T., Thompson, S. G., Deeks, J. J., y Altman, D. G. (2003). Measuring inconsistency in meta-analyses. BMJ, 327(7414), 557–560. https://doi.org/10.1136/bmj.327.7414.557
• OCDE. (2024). AI in science: A report to the G7 on the opportunities and challenges of AI in science. OECD Publishing.
• Page, M. J., McKenzie, J. E., Bossuyt, P. M., et al. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
• UNESCO. (2023). Guidance for generative AI in education and research. United Nations Educational, Scientific and Cultural Organization.
• Viechtbauer, W. (2010). Conducting meta-analyses in R with the metafor package. Journal of Statistical Software, 36(3), 1–48. https://doi.org/10.18637/jss.v036.i03