Introducción

Los métodos mixtos (MM) han experimentado un indudable auge y popularidad en las ciencias sociales en los últimos años. Desde que se publicara en 1998 Mixed Methodology: Combining the Qualitative and Quantitative Approaches y en 2003 el Sage Handbook of Mixed Methods in Social and Behavioral Research¹ editados por Tashakkori y Teddlie, la disciplina se ha consolidado, ya que además, cuenta con un Journal of Mixed Methods, en cuyo primer número (2007) figura una definición de la investigación que usa métodos mixtos: "investigación en la que el investigador recopila y analiza datos, integra los resultados y extrae conclusiones utilizando enfoques o métodos cualitativos y cuantitativos en un único estudio o programa de investigación" (Tashakkori y Creswell, 2007, p. 4). La idea de integración es esencial a la definición de métodos mixtos (Bazeley, 2009), en tanto marca la diferencia respecto a las anteriores propuestas metodológicas de Triangulación y Multimétodos; en éstas hay vinculación de métodos, pero su integración completa no es un requisito ni existe un paradigma unificador.

En la academia hispanohablante la difusión y discusión de los métodos mixtos (MM), si bien es un hecho consolidado (Piovani, 2018; Santos, Puig, Rausky, Piovani, Muñoz & Burawoy, 2018; Pericás y Lozares, 2022), aún tiene recorrido por delante en cuanto a volumen de producción. Sánchez-Gómez, Martín-Cilleros, Sá & Costa (2020) y Chavez-Montero (2018) han expuesto las ventajas de la utilización de MM, dadas por la complementariedad entre el enfoque cualitativo y el cuantitativo, así como las dificultades prácticas de aplicación. Dichos autores proporcionan un panorama introductorio interesante, del que puede partir una revisión que matice la diferenciación completa entre métodos cualitativos y cuantitativos como bloques homogéneos, así como la de los paradigmas que los sustentan. Mendizábal (2018) recuerda las posturas críticas con los MM: desde las de Denzin (2012), quien advierte que bajo esa etiqueta se presentan trabajos postpositivistas que ignoran la esencia y riqueza del enfoque cualitativo, así como las de Flick (2017), para quien gran parte de los MM ignoran los desarrollos anteriores, como la triangulación. Mendizábal revisa la literatura anglosajona y llega a la conclusión de que la novedad de los métodos mixtos no es completa, pues existe una importante tradición en la triangulación metodológica, en la que destaca el sentido amplio que le da Denzin (1978), con triangulación de observadores, teorías y métodos. A. Chavez-Montero (2018) y Forni y Grande (2020) dan a la triangulación un papel importante en un su análisis del nacimiento de los MM. E. Bericat (1998), siguiendo a L. Morgan (1998), ve en la triangulación uno de los tres modos de integración de métodos, junto a la complementariedad y la combinación. En el presente trabajo se verá cómo gran parte de la reflexión que Bericat hizo en su momento para discutir los retos de integración en los Multimétodos es aplicable a los MM. Este autor plantea de manera muy clarificadora una clasificación de los autores que piensan que los métodos están asociados a orientaciones epistemológicas y ontológicas (y que hay atender a la “coherencia vertical” entre postulados metateóricos y desarrollo del proyecto, como hacen Denzin –2012– y Guba y Lincoln –1994–) de aquellos que llama “técnicos” para los cuales la tendencia a vincular métodos concretos con posiciones epistemológicas es una prácticamente una convención (Bryman, 1988), y que no creen en la “coherencia horizontal” (no piensan que todos los atributos de un determinado paradigma estén indisolublemente unidos). Bericat defiende una postura intermedia, basada en la prudencia metodológica, en la que hay vigilar que se puedan integrar las posturas metateóricas.

El presente trabajo rescata y desarrolla la propuesta anterior como marco válido para pensar los retos de la integración que en este siglo presentan los MM. Ante la pregunta sobre si es posible no sólo combinar sino integrar dos tradiciones metodológicas con tradiciones y paradigmas distintos (dos “culturas” distintas, en términos de Goertz y Mahoney, 2012), el argumento propuesto aquí no sólo es que ello es posible, sino que, al igual que la separación entre métodos se ha ido construyendo históricamente, su integración es un modelo que se va elaborando para responder a la necesidad de investigar los problemas complejos del mundo actual con las nuevas herramientas disponibles. Éste es un proceso relativamente incipiente que, si bien puede presentar carencias para incorporar el espíritu de cada una de las tradiciones, está haciendo avanzar las ciencias sociales con enfoques como el Qualitative Comparative Analysis, el Nested Analysis, o la Teoría de Redes. Además de detectar en dichas corrientes una creatividad metodológica notable se sugiere que ésta puede incrementarse al nutrirse de las diferencias metateóricas como fuente interesante para ampliar el alcance de las investigaciones en un espacio metodológico con múltiples dimensiones (extensión-intensión, análisis-síntesis, deducción-inducción y reactividad-neutralidad, sincronía-diacronía, objetividad-subjetividad), neutralidad axiológica-compromiso.

Metodología

Para responder a la problemática planteada se procedió a una exploración bibliográfica de más una centena de textos, que dio lugar una revisión cualitativa en profundidad de 69 publicaciones académicas localizadas en las principales bases de datos (Google scholar, Scimago, Scopus, Sage). La procedencia de los documentos se dividió de la siguiente forma:

1. -12 libros o capítulos de libro en volúmenes sobre metodología de la investigación.

2. -10 libros o capítulos de libro específicos de métodos mixtos.

3. -10 libros sobre Método Cualitativo Comparado (QCA).

4. -15 artículos de métodos mixtos, cualitativos y cuantitativos en revistas de metodología.

5. -7 artículos de métodos mixtos en revista de métodos mixtos (Journal of Mixed Methods).

6. -10 artículos en revistas de política.

7. -5 artículos en revistas sociología y otros temas (dedicados a la metodología).

El criterio de selección, además del nivel de impacto de la revista (número de citas, prestigio de la indexación) y la actualidad del documento (fecha reciente de publicación, a menos que fuera un clásico de la disciplina), fue la atención prestada por los autores a las dificultades de integración de métodos cualitativos y cuantitativos. Se buscaron trabajos que específicamente trataran las dificultades de integración, para poder compararlos y realizar una discusión al respecto.

Resultados y discusión

La práctica científica históricamente ha combinado procesos y herramientas que luego fueron etiquetadas como cuantitativas o cualitativas. Según Maxwell (2023), la combinación de métodos se remonta a los astrónomos de Babilonia y a sus observaciones descriptivas apoyadas por cálculos, a los dibujos de Galileo y al trabajo de Snow sobre el cólera en 1850, con entrevistas a los afectados combinadas con la revisión estadística de la mortalidad en el Londres victoriano. En el siglo XIX, al extenderse la especialización de las ciencias, surgen debates acerca de la validez de un solo método para estudiar todo tipo de fenómenos (Dilthey, representante del historicismo, sostuvo la postura contraria al monismo metodológico aplicado a las ciencias del hombre). Por su parte, la antropología cultural estaba perfeccionando herramientas como la observación participante y la descripción etnográfica (deudora del empirismo positivista) que serán incorporadas por otras ciencias sociales en el siglo XX, junto con la hermenéutica y la fenomenología (donde hay margen para la subjetividad del investigador). A partir de los años 50 y 60 surge la denominación “metodología cualitativa” como término paraguas que abarcaba movimientos heterogéneos (Denzin y Lincoln, 1998); con ello se fortaleció una respuesta al cientifismo cuantitativo dominante en la academia de la posguerra.

En esos mismos años ya hay una propuesta, la triangulación, que tendía puentes entre métodos para aprovechar la complementariedad entre ellos y aumentar la validez de los hallazgos sobre un mismo fenómeno. En 1966, Webb, Campbell, Schwartz & Sechrest (1999) defendieron la triangulación, sosteniendo que "una vez que una proposición ha sido confirmada por dos o más procesos de medición independientes, la incertidumbre de su interpretación se reduce considerablemente”.² Se recomienda la medición múltiple, aunque en Denzin (1978) también la triangulación metodológica. Se está afirmando, así, la idea de que es posible ver un mismo objeto de estudio desde distintas perspectivas. En las décadas de 1970 y 1980 se vivió una fuerte polarización de las relaciones entre investigadores cuantitativos y cualitativos: estos últimos estaban logrando una legitimidad académica aupada por la ola los estudios culturales, de género, teoría critica, posmodernidad, entre otras corrientes. En respuesta a la guerra de los paradigmas de los años 80 los MM surgirán a fines de los años 90 como una tercera vía, la que considera que en la práctica la investigación cualitativa y cuantitativa pueden colaborar entre sí de manera óptima.

La integración en los MM

La propuesta de métodos mixtos es coherente, en nuestro tiempo, con la búsqueda de nuevas herramientas para enfrentar la creciente complejidad de la sociedad, siguiendo también la estela de los enfoques interdisciplinares que varios campos de conocimiento desarrollaron desde fines del siglo pasado (Morin, 2010). Es una propuesta que, pese a la aceptación general en la comunidad científica, enfrenta numerosos retos, siendo uno de ellos el de integrar realmente los paradigmas cualitativo y cuantitativo, más allá de recurrir a una yuxtaposición de herramientas que no aproveche la riqueza de ambas tradiciones. Los autores contrarios a la integración o defensores de la llamada tesis de la inconmensurabilidad sostienen que los métodos nacen de paradigmas irreconciliables entre sí (Guba y Lincoln, 1994 y 2002), con visiones ontológicas y epistemológicas sobre la realidad y el conocimiento distintas. Bergman (2008 y 2011) cree es complicado unir en un proyecto un enfoque que cree en la neutralidad del investigador y en la objetividad de los resultados con otro que admite la subjetividad como elemento implícito en el trabajo del investigador.³ A ello se unen dificultades de carácter procedimental y logístico. Bryman (2007) identificó, a partir de 20 entrevistas a investigadores, numerosas dificultades a la integración en MM: la distinta naturaleza de los datos (y su ponderación en el análisis⁴), las preferencias corporativas de las publicaciones y audiencias, los distintos ritmos y capacidades que implica el uso de cada método o la dificultad en el estilo de presentación de resultados para que el producto sea más que la suma de las partes. En una sola entrevista de las 20 entrevistas detectó dificultades en el manejo de la dualidad de los paradigmas objetivista y constructivista, subyacentes a los métodos.⁵

J. Creswell (Creswell & Creswell, 2005 y 2018; Creswell, 2021), uno de los fundadores de la disciplina, sostiene que no sólo se pueden combinar ambos métodos, sino que estamos ante un tercer tipo de enfoque metodológico, con un nuevo lenguaje propio, basado en un tercer paradigma filosófico, el pragmatismo, que vincula la noción de verdad a aquello que funciona en la práctica dentro de un acceso limitado a lo verdadero.⁶ Entre las razones más citadas para combinar métodos cualitativos y cuantitativos se encuentra la oportunidad de beneficiarse de las ventajas complementarias que ofrecen, al conjuntar la mayor precisión de resultados y posibilidad de generalizar en el análisis cuantitativo (CN) con la mayor profundidad contextual de la investigación cualitativa (CL).

En principio, en el análisis CN la recopilación y análisis de información numérica se enfoca a obtener objetividad y replicabilidad en los resultados obtenidos. Está dirigido a realizar predicciones formales, mayormente usando estadística, con amplias muestras de datos. El modo de muestreo preferente es el probabilístico lo que, junto al tamaño de la muestra (generalmente grande, aunque en estadística bayesiana puede ser pequeña), permite realizar generalizaciones en cuanto a la validez de una teoría.

Por otro lado, el análisis cualitativo se refiere a un análisis de observaciones no comparables, ya que se abordan contextos muy específicos, no reproducibles, ejemplos de cosas diferentes; se pueden enriquecer la teoría pero no generalizar a población. Es un análisis “informal” (según Gerring, 2006, p. 155), en la medida en que está expresado con lenguaje verbal, se permite cierta flexibilidad en el proceso, pudiendo ser reiniciado a partir de nuevas hipótesis obtenidas en el trabajo de campo, con generación inductiva de categorías e hipótesis, hallazgos casuales (serendipity) o casos atípicos (deviant cases). Las tradiciones que nutren el análisis cualitativo (etnografía, interpretativismo weberiano, hermenéutica, fenomenología, posmodernidad) se interesan por captar la verdad subjetivamente percibida por los actores (significados, experiencias, con percepciones a menudo contradictorias en un mismo grupo o sujeto), una realidad construida socialmente de la que el investigador es parte, por lo que los valores intervienen en la investigación.⁷ Se admite el muestreo no probabilístico, intencional o teórico, y el tamaño de la muestra suele ser pequeño para ganar en profundidad, identificar variables nuevas, incorporando a menudo la dimensión temporal del fenómeno (análisis longitudinal). Si la debilidad del CN es que explica grandes agregados de casos, pero no uno en particular, con su complejidad y especificidad, la del CL es que los resultados no se pueden replicar automáticamente a una población mayor.

La dicotomía descrita así da claridad, estructura la enorme oferta de metodologías y permite que haya un diálogo a partir del reconocimiento las diferencias entre dos culturas metodológicas (Goertz y Mahoney, 2012). Sin embargo, autores como Allwood (2012) y Pilcher y Cortazzi (2024) sostienen que la distinción entre CL y CN es en sí misma problemática y reduccionista, ya que no se corresponde totalmente con la práctica real de la investigación. Bericat (1998) ya señaló la necesidad de una deconstrucción de la distinción como premisa para poder pensar caminos interesantes de integración. Si bien las diferencias entre las dos culturas metodológicas han permitido sofisticar técnicas, la diferenciación excluyente olvida que todo fenómeno tiene aspectos cualitativos y cuantitativos (Bericat señala que “no puede postularse una cantidad sino de una predeterminada calidad y, a la inversa, que no se puede postular cualidad sino en una cantidad predeterminada”, 1998, p. 34). Los investigadores cualitativos pueden valorar la intensidad de un fenómeno, mencionar datos numéricos (presentes en su investigación documental, en entrevistas o en la observación); pueden buscar no sólo descripciones acotadas sino la inferencia causal que también están buscando los modelos CN (King, Keohane & Verba, 2021). Por su parte, los investigadores cuantitativos escogen categorías descriptivas, interpretan y contextualizan sus datos generando textos que son posteriormente interpretados; no solo comprueban teorías, sino que pueden generar hipótesis nuevas a partir de correlaciones novedosas o escoger temas donde el investigador se compromete socialmente.

Pese a lo anterior, históricamente se han generado dos tradiciones con una historia propia, códigos, supuestos y prácticas consolidadas en departamentos académicos no siempre abiertos a la innovación y a la interdisciplinariedad, por lo que, en un inicio, los MM tuvieron que respaldar su enfoque con una producción de manuales y artículos muy intensa. Los metodólogos defensores de los métodos mixtos empezaron por hacer tipologías de los diseños de investigación que en la práctica estaban funcionando, los cuales podían servir de orientación a los investigadores que se quisieran incorporar a esta corriente. La idea de estudiar tipos de diseños de investigación fue realzar que la compatibilidad entre los enfoques CL y CN a partir de una planificación anticipada sobre qué papel van a jugar ambos métodos en un diseño de investigación.

Diseños con MM, afinidades y complementariedades en objetivos

Las posibilidades de combinación que los autores han sugerido son numerosas.⁸ Los criterios que emplean para sus clasificaciones son la temporalidad (si CL y CN se llevan a cabo simultánea o secuencialmente), peso (qué método es dominante, cuál es complementario), nivel de integración (con qué profundidad se integran datos y enfoques) y propósito (qué papel tiene cada método en el objetivo de la investigación, si es de iniciación, expansión, complementariedad o corroboración).

Los seis tipos de MM de Creswell y Plano Clark (2017) son seis opciones que el autor propuso para trabajar combinando métodos y revelan compatibilidades importantes. Son el convergente-paralelo (se aplican las vertientes CN y CL durante la misma fase del estudio, de manera simultánea pero no mezclados, en esta opción conviene que los supuestos en cuanto a paradigmas sean pragmáticos, nos dice el autor); el explicativo secuencial (en dos fases, la segunda ayuda a explicar o ampliar los datos de la primera, se produce cuando un segundo estudio CL explica las razones que se observan en un caso de unos datos encontrado con CN); el exploratorio secuencial (después de una fase exploratoria cualitativa, donde se identifican temas, hay recogida y el análisis de datos cuantitativos para poder generalizar; en este tipo); los integrados (en un único diseño, con datos de los dos tipos); el transformativo (se toma como criterio de uso la necesidad de cambio de una población estudiada); y, finalmente, el multifase (se combinan vertientes secuenciales y concurrentes, ya que la ejecución de distintos proyectos en fases se ubica dentro de un programa de largo plazo).

A nivel de temporalidad, se plantean dos grandes grupos de diseños en MM, los secuenciales y concurrentes; estos últimos pueden ser paralelos o integrados. Los métodos concurrenciales presentan la dificultad de poder repartir esfuerzos y mantener la identidad de los métodos combinados al ser éstos llevados a cabo al mismo tiempo. El reto en los métodos secuenciales es lograr que el método que se aplica en primer lugar no condicione a priori los resultados que se van a obtener en una segunda fase, que sea realizada, para facilitar la investigación, solo como confirmación de la primera. Para los estudios secuenciales, también se prescribe que la recolección de datos tiene que realizarse sin dejar pasar un lapso de tiempo importante, ya que en los métodos secuenciales es importante no estudiar fenómenos distintos. Un riesgo que existe en estos proyectos es que las distintas fases pierdan contacto entre sí y aborden preguntas o temas distintos, sin llegar a reforzarse entre sí y no haya una integración a nivel analítico.

Entre los secuenciales encontramos ejemplos en las ciencias sociales que proporcionan una idea de los alcances que se pueden lograrse. Parmelee, Perkins & Sayre (2007) emplearon un diseño de investigación con métodos mixtos transformativos secuenciales para examinar la recepción por parte de los jóvenes de los anuncios de Bush y Kerry en la campaña política del 2004. El objetivo era explicar por qué la publicidad política no atrae a los estudiantes universitarios. Para ello, se organizaron focus groups (diseño cualitativo) con estudiantes que se expresaron sobre el valor que tenía para ellos la publicidad política de la compaña. Los participantes señalaron que se sentían decepcionados porque la publicidad de los dos partidos descuidó a su grupo de edad en términos de estilo y mensaje, ignorando las cuestiones que más preocupan a los jóvenes de la universidad. En una segunda etapa de la investigación, se llevó a cabo un análisis cuantitativo de contenido de 118 anuncios de la campaña, codificando los temas y tipos de anuncios para determinar qué porcentajes de éstos están dedicados, por un lado, a jóvenes y por otro, a los demás grupos de edad. El ejemplo incluye una transformación de los temas o códigos cualitativos en parámetros cuantitativos. El análisis confirmó las quejas de los participantes en el grupo focal, detectando que los anuncios ignoraban temas como las colegiaturas, la inestabilidad en los trabajos de los jóvenes, y se centraban en temas como la atención sanitaria de los ancianos o la educación de los niños de primaria. El artículo que resume la investigación destaca las ventajas de un uso secuencial de método mixto, con dos fases separadas, que estuvieron marcadas por dos aproximaciones teóricas distintas: estudios de audiencia (detectando los marcos cognitivos con los cuales los usuarios interpretan mensajes políticos) y estudios de medios, centrados en los contenidos de la campaña. De este modo, no sólo se pudieron confirmar y ampliar los datos de la primera fase, sino que también se observó cómo interactúan el enfoque teórico basado en la audiencia y el basado en los medios de comunicación y cómo ambos se combinan para llegar a la interpretación de los mensajes de la publicidad política por parte de los estudiantes universitarios. El ejemplo ilustra los propósitos de iniciación (del CL salieron temas), corroboración, expansión, complementariedad (el CN complementó el CL con conceptos propios de la teoría de mass media) en métodos mixtos. El uso de dos teorías retoma la idea de triangulación teórica de N. Denzin y da una idea de las posibilidades de avanzar en interdisciplinariedad en el marco de los MM.

A nivel de propósito, la tipología de Creswell recuerda a la diferenciación que los Multimétodos (Morgan, 1998; Bericat, 1998) contemplaban entre diseños de triangulación (responden a una misma pregunta y objeto de estudio con diseños convergentes), complementariedad (acumulan distintas visiones sobre una variedad aspectos del objeto de estudios) y combinación (perfeccionan el resultado obtenido con un método con otro). Bericat planteó, siguiendo ideas seminales de Denzin, seis dimensiones para los Multimétodos que podemos incorporar para los MM, ya que ofrecen numerosas posibilidades de complementar y combinar CN y CL, enriqueciendo el proyecto con las tradiciones ontológicas y epistemológicas afines a cada una.

La primera dimensión es extensión-intensión (un estudio en profundidad no puede replicarse en miles de casos y una estadística no contextualiza un caso en particular, por lo que ambas opciones se pueden complementar). En esta línea es pionero el trabajo de Giddens (1984) que busca reconciliar las perspectivas macro y micro, la sociología que aborda grandes estructuras (de raíz durkheimiana) con la que aborda la acción social (inclinada al interpretativismo weberiano y desarrollada por la microsociología y el interaccionismo simbólico). Otra dimensión es que la forman los planos sincrónicos y diacrónicos (con una atención al proceso o a la estructura, a la historia o actualidad del fenómeno). Las dicotomías inducción-deducción, así como la de análisis-síntesis, se pueden complementar como estrategias de conocimiento en un mismo proyecto. También la consideración a los aspectos objetivos y subjetivos de un fenómeno (y los posibles puentes entre ellos, como postula el teorema de Thomas). Finalmente, Bericat propone la dimensión dada por la reactividad (la consideración al efecto que la propia investigación tiene en el objeto de estudio) y la neutralidad (priorizando técnicas que no interfieren en el estudio como la observación oculta en un entorno cotidiano, social o natural). Puede añadirse una séptima dimensión, relacionada con la anterior pero que cubre el elemento axiológico, la cual sería la consideración del proyecto como parte de un posicionamiento o compromiso ideológico (en la elección del tema o con el carácter transformativo de una investigación-acción, descrito por Mertens, 2012). En las corrientes más recientes de MM es posible detectar intereses en ampliar el alcance de la investigación en varias de las dimensiones descritas.

Propuestas recientes de avances en integración CL y CN

En las últimas décadas han emergido propuestas metodológicas que, al proponer conceptos y herramientas novedosas, avanzan en la integración de CN y CL sin que ello pueda ser un objetivo explícito.

Una de ellas es el Nested Analysis, propuesta por Lieberman, profesor en la Universidad de Princeton. La intención fue crear un método que estandarizara y detallara las fases por las que investigador puede recorrer al combinar un estudio con N grande de casos (LNA, large n analysis) con otro basado en un N pequeño de caso (SNA, small n analysis). El método comienza generalmente con un LNA preliminar. Se estudian datos cuantitativos para dar plausibilidad a las hipótesis (obtenidas por deducción en la fase de revisión teórica), normalmente mediante análisis de regresión lineal que ubica correlaciones entre variables independientes y el fenómeno estudiado (la variable dependiente); éste proporciona información y orienta la ejecución posterior de un SNA, con método CL.⁹ Los resultados del SNA pueden iterativamente retroalimentar nuevos intentos en LNA para ir generando resultados que construyan teoría. En teoría, se logra así una integración mayor que en los métodos secuenciales puros, lineales, sin renunciar al propósito de expansión e iniciación. La dimensión extensión-intensión y la de inducción-deducción están presentes a lo largo de todo el proceso.

Un ejemplo donde se aplica la iteración del Nested Analysis es el trabajo de Varshney (2001), quien realizó un conjunto de análisis estadísticos y datos periodísticos sobre localización y escala de los disturbios entre hindúes y musulmanes en la India. Del análisis estadístico se obtuvieron patrones que el autor pudo ver en profundidad en seis ciudades seleccionadas con el objetivo de comparar por parejas casos históricos de ciudades propensas a los disturbios y ciudades menos propensas a la violencia. Con ello, Varshney usó pruebas cualitativas a nivel local que demostraron que la existencia de lazos interétnicos favorece la no ocurrencia de disturbios.

El ejemplo muestra que la visión estructuralista desde una perspectiva macro puede complementarse con una perspectiva micro que dé cuenta de la experiencia cualitativa, detallando significados y contextos particulares.¹⁰ Por ello, en este método no se trata sólo tener posibilidades de triangulación; según el Lieberman, el Nested Analysis aprovecha las distintas complementariedades, ya que en el SNA hay un cambio en el nivel de análisis (por ejemplo, entrando a una parte emocional-experiencial de un fenómeno), viendo procesos y variaciones que no se han visto en la fase anterior, ya sea para profundizar y confirmar resultados obtenidos en la fase cuantitativa, para refutarlos o para construir un modelo que resuelva las incógnitas que el LNA ha generado.

Rohlfing (2008) advierte que en este método es muy posible que, si hay una variable omitida, ésta no se reconozca en el SNA si no se busca específicamente esa variable, lo cual es muy probable que ocurra cuando se usa un modelo previo, como se propone para la primera fase con LNA. Es una dificultad que Bryman (2007) detectó en su trabajo, cuando el formato de un proyecto inicial condiciona y coarta futuros hallazgos. Si el modelo tiene sesgos es posible que el caso de estudio escogido sea erróneo; a su vez, los errores en el caso de estudio pueden alimentar un ajuste deficiente del modelo cuantitativo. Rohlfing recomienda verificar cada fase con otros estudios paralelos, tanto CN como CL, que eliminen posibles errores y sesgos (lo cual agrega complejidad al proyecto de investigación); se trata de garantizar que los casos de estudio cualitativos no se seleccionen para ajustarse a los modelos cuantitativos.

Los MM han ido expandiéndose en metodologías donde la vertiente CN no manipula datos numéricos sino otros lenguajes, como la teoría de gráficas, en los que se pueden integrar, convertir y formalizar datos cualitativos de manera novedosa. El Social Network Analysis es un marco teórico-metodológico que se interesa en modelar y analizar la estructura de las redes en una multitud de ámbitos de la vida cotidiana actual (sociedad, cultura, política).Las redes pueden representar relaciones entre individuos, grupos, organizaciones o cualquier otro tipo de entidad social. Se estudian nodos o vértices, aristas y patrones detectados matemáticamente (con teoría de gráficas); las aristas (expresadas en líneas) determinan si entre dos nodos (personas, grupos, ideas) existe una relación (una conexión de amistad, relación comercial, afinidad en el sentido del voto a una ley, etc.). El investigador emplea datos cualitativos que se usan no sólo para generar el modelo de red que se estudia, sino para comprender el sentido profundo de las relaciones en las redes descritas.

Domínguez y Hollstein (2014) consideran que el método de investigación de redes es intrínsecamente un MM, algo que apenas es mencionado en las publicaciones de la disciplina (como tampoco posibles conflictos en paradigmas epistemológicos). Dichos autores consideran, además, que las redes se prestan a ser objetos de estudio a la antropología, la sociología, los estudios de comunicación y las ciencias políticas (donde las comunidades se organizan cada vez más en red), por lo que proporcionan una oportunidad para un análisis que aproveche la tradición cualitativa de estas disciplinas, combinado con un alto grado de formalización matemática. Entre los politólogos, el método posibilita ir más allá del debate entre individualismo metodológico y la abstracción del estructuralismo de los años 60 y 70; en la dimensión extensión-intension vemos las acciones no se explican por el comportamiento individual (individualismo metodológico), ni tampoco por macroestructuras o normas (estructuralismo, neo-institucionalismo) sino por redes entendidas como estructuras concretas de interacción (Emirbayer y Goodwin, 1994).

El análisis utiliza métodos y técnicas matemáticas, estadísticas y computacionales para examinar patrones, propiedades y dinámicas dentro de las redes sociales. Examinando la configuración y características de las redes sociales, los investigadores pueden descubrir, de manera inductiva, tendencias emergentes, distinguir nodos y clusters de alto impacto, comprender la unión y la fragmentación en la sociedad, y anticipar cómo se transmitirá la información y se difundirán las influencias.

Hacer una correcta interpretación cualitativa de datos cuantitativos es esencial, ya que se pueden presentar dificultades cuando hay relaciones ocultas en una red, pertenencias subjetivas a una red o discrepancias entre la percepción subjetiva de un actor sobre la red y su posición objetiva en ella (Coward, 2018). También puede existir un carácter conflictivo o la desconfianza en una red que presenta una buena densidad, opuesta a una alta valoración de vínculos débiles (y ser débil la atención a la dimensión objetividad-subjetividad). Coward (2018), en su trabajo de revisión, advierte sobre el peligro de la metáfora de la red como base metodológica ya que ésta resta importancia a elementos que quedan fuera de la representación matemática de la red, como son los factores derivados de la contigüidad espacial y cultural. Es aquí donde el trabajo de análisis con enfoque cualitativo puede contribuir a contextualizar la información obtenida, considerando entornos geográficos (los límites en los puede haber importantes factores a considerar), sociales y antecedentes históricos (process tracing) que enmarquen redes post-territoriales de las que no se han obtenido datos dinámicos. Lo anterior expande el carácter del proyecto a la dimensión diacronía-sincronía.

Las técnicas cualitativas no solo pueden tener un papel importante en el análisis sino en el mismo muestreo de la investigación. Para plantear los actores y las relaciones entre ellos en una red, es posible usar el snowball sampling, en el que se elige una población inicial a la que se le hacen entrevistas y los mismos entrevistados refieren a otros actores a los que el investigador les también puede entrevistar. Con ello, no sólo se facilita el proceso de muestreo, sino que se ubican las conexiones entre las entrevistados, mismas que se traducirán por las aristas de la red estudiada. Una vez planteada la red (cuya calidad depende el trabajo QL), se aplican distintos métodos matemáticos que rebelan su estructura¹¹.

Otra dirección que incrementa las posibilidades de los MM es la entrada de herramientas CN en los proyectos, que no estén basadas en la estadística frecuentista. Humphreys y Jacobs (2015) han propuesto un modelo llamado Integración bayesiana de datos cualitativos y cuantitativos (BIQQ, por sus siglas en inglés), el cual aprovecha el hecho de que la estadística bayesiana puede llevarse a cabo con muestras pequeñas de casos, con lo que encaja de forma muy natural con el análisis L.¹² Las mediciones dependen fuertemente del conocimiento previo de las probabilidades en un fenómeno (en ciencias sociales de que se den unas hipótesis determinadas). Al igual que en la estadística más conocida, la frecuentista, la probabilidad de un evento es un número entre 0 y 1, pero mientras que en la estadística tradicional se requieren muchos eventos para poder aproximar a ese número, en la estadística bayesianas se puede hacer el cálculo a partir de nuevas evidencias que aparecen y se acumulan. Los métodos bayesianos permiten actualizar las creencias, confirmando o refutando las hipótesis del estudio (Western y Jackman, 1994). El tratamiento de la dimensión análisis-síntesis es atractivo por el hecho de que se pueden ir realizando síntesis periódicas sobre un fenómeno sin dejar de trabajar aspectos analíticos. En los casos en los que hay una cuantificación de datos cualitativos hay que cuidar la objetividad del proceso (Fairfield y Charman, 2015). La calidad del análisis del resultado depende de la riqueza de los datos cualitativos sobre el hecho social, pues con ella, además, se interpretan los datos obtenidos al usar la ecuación de Bayes.

Retos de integración en Análisis Cualitativo Comparado

La última corriente que abordamos es el Análisis Cualitativo Comparado(Qualitative Comparative Analysis, QCA), creado por Charles Ragin (1987, 2000 y 2008), en el cual los aspectos CN tampoco se tratados con estadística, sino que son abordados con otros lenguajes formales (teoría de conjuntos y el álgebra booleana), los cuales enmarcan la conversión de datos cualitativos en numéricos. El QCA ha sido definido como un método mixto por Olsen (2022), ya que plantea la unión integral de CN y CL, incluso yendo más allá (beyond) de la dicotomía, como propone el título de la primera obra sobre el tema del autor. John Gerring (2001) asegura que es una las pocas metodologías genuinamente innovadoras de los últimos años; ha sido aplicada en más de 700 publicaciones de varias disciplinas¹³. Otros autores (Clarke, 2020; Lucas y Szatrowski, 2014) como veremos, han publicado rigurosas críticas a este método que ilustra la dificultad de los MM para combinar tradiciones metodológicas arraigadas satisfaciendo a los expertos en ellas.

El reto al que se ha enfrentado Ragin en sus obras ha sido formalizar un método que una las virtudes de la investigación basada en casos (propia de los métodos cualitativos, donde se profundiza en casos, pero no se generaliza a toda la población) con las de la investigación basada en variables (típica de los estudios cuantitativos, cruzando casos con variables independientes distintas y resultados distintos en la variable dependiente). En su tesis doctoral, Ragin utilizó el método CL (con un análisis histórico proporcionó una contextualización del tema) y CN para evaluar los orígenes y las bases sociales del nacionalismo galés y escocés en Gran Bretaña.¹⁴ Creó su método QCA para abordar la causalidad conjuntiva múltiple (el origen de un fenómeno radica en una cadena de múltiples causas). La esencia de su enfoque analítico es buscar no causas aisladas, sino configuraciones de condiciones causalmente relevantes respecto a los resultados estudiados.

El atractivo del método es que incorpora una idea compleja de causalidad mediante un trabajo importante en la dimensión análisis-síntesis y en el proceso de inducción. Por ejemplo, una condición dada puede tener un impacto distinto, dependiendo del contexto, incluso tener efectos opuestos según las circunstancias o presencia de otras condiciones. Son posibles distintas combinaciones entre las condiciones que provoquen un mismo resultado. El dispositivo usado es la tabla de verdad, que muestra los datos en una matriz de todas las configuraciones lógicamente posibles de condiciones causales para que el investigador, viendo las filas de configuraciones, pueda detectar la presencia de las que son simultaneas a la presencia del fenómeno estudiado. Se sofistica así el método inductivo de J. S. Mill,¹⁵ en un proceso donde hay un extenso trabajo de análisis, identificando cuali y cuantitativamente condiciones y configuraciones, que guían un trabajo formal de síntesis también extenso, dado por la fase llamada “minimización lógica”, a partir de los resultados de las tablas. Si en la tabla de verdad se detectan configuraciones contradictorias (con resultados distintos), hay posibilidad de reexaminar de manera cualitativa los casos, añadiendo condiciones o cambiando la calibración, la cuantificación de la presencia de una condición en un caso determinado.¹⁶

Uno de los autores preocupados por los aspectos cuantitativos del QCA es Skaaning (2011) quien desarrolló pruebas matemáticas de robustez mediante procedimientos sistemáticos y señaló una alta sensibilidad de los resultados en relación con la conversión en calibración desde datos brutos (problemáticos ya que son obtenidos de fuentes muy distintas) en valores de pertenencia a conjuntos, elección de umbrales de coherencia y frecuencia de casos vinculados a configuraciones. El papel de los datos y la perspectiva cualitativa en la conversión a datos de calibración, claves para la fase cuantitativa, puede llegar a ser controvertido, como se señaló para el enfoque bayesiano.

Los defensores del QCA han respondido a las críticas haciendo hincapié en la importancia del conocimiento cualitativo de casos (Olsen, 2014; Ragin, 2014), lo que hace el método muy dependiente de las buenas prácticas que existan en su aplicación. Otras críticas (Lucas y Szatrowski, 2014)¹⁷ provienen de la falta de guía sistemática que plantea QCA en la etapa de estudio de casos, por lo que en muchos trabajos quedan fuera de la vista y del escrutinio de la comunidad de investigadores.¹⁸ Desde el enfoque cualitativo encontramos críticas en Munck (2016), para quien un análisis de la causalidad totalmente en términos formales es un error, ya que una relación causal, señala, no es una relación lógica entre eventos sino una relación en términos de cambios en las propiedades de los fenómenos (relación que los estudios comparativos de casos tradicionales pueden describir). Por otra parte, Mello (2021) opina que el QCA no ha encontrado una solución satisfactoria al problema de la temporalidad, especialmente si no sabemos si la calibración se obtiene de datos que coinciden exactamente en el tiempo. Se ha propuesto un método “QCA basado en la trayectoria" (Pagliarin y Gerrits, 2020) que es prometedor al incluir indirectamente la secuencia en la formación de las condiciones. Otra opción es combinar en un trabajo de MM de QCA con otro de process tracing, que contemple la dimensión diacronía-sincronía. Estamos hablando de diseños híbridos que se van construyendo a medida de las necesidades de cada proyecto de investigación.

El debate sobre los alcances del QCA ilustra los beneficios, pero también las dificultades de integración de métodos, a nivel de los paradigmas implícitos en cada uno de ellos. Para los analistas cualitativos el QCA, al entender que existen no sólo condiciones necesarias sino suficientes para que se produzca un resultado, constituye una defensa, a nivel ontológico, del determinismo. Así lo ve Mahoney (2008) y el mismo Ragin (2008, p. 44) aunque el autor en alguna ocasión se ha descrito como estocástico (Ragin, 2000, p. 109), es decir, defensor de la probabilidad (y, por lo tanto, de cierta intervención del azar).¹⁹ Al buscar una conciliación entre las posturas partidarias del determinismo con las defensoras de la contingencia se plantea una dimensión que contemple la posibilidad de ubicar un suceso en un punto intermedio entre los extremos.

Conclusiones

Pese a las dificultades para la integración de métodos, el crecimiento de los MM se desprende, como se ha visto en estas páginas, de las ventajas de combinar los métodos CN y CL, obteniendo así un conocimiento más completo en varias direcciones del espacio metodológico, en extensión-intensión, análisis-síntesis, deducción-inducción, reactividad-neutralidad, sincronía-diacronía, objetividad-subjetividad, neutralidad axiológica-compromiso y determinismo-contingencia. La sofisticación de los programas de investigación y las herramientas disponibles en este siglo permiten abordar el estudio de mundos que “tienen múltiples capas con muchos niveles de estructuras que interactúan simultáneamente” (Cupchik, 2001, p. 5), realidades complejas en las que se pueden indagar, por ejemplo, los niveles materiales, sociales y psicológicos en un mismo proyecto. En un mundo social cada vez más interconectado, en el que pueblos y regiones se ven afectados por los acontecimientos económicos, climáticos, demográficos globales, los MM pueden aportar herramientas para comprender mejor numerosos fenómenos. La lógica integradora enfatiza el hecho de que CL y CN son productos de una especialización del trabajo en distintas dimensiones de la realidad y del conocimiento, todas ellas igualmente importantes. Ambos métodos refinaron en el siglo pasado procedimientos concretos que los MM pretenden aprovechar cuando se requiera tener una visión amplia sobre un tema o una pregunta sólo pueda ser respondidas atendiendo a varias dimensiones del fenómeno.

Munck y Snyder (2019) advierten que existe en riesgo que los proyectos adecuen su alcance y sus objetivos a la validez del método usado, y no al revés, en menoscabo del interés y originalidad de sus resultados. La preeminencia del tema u objetivo sobre el método va unida, en la propuesta que aquí defendemos, a la flexibilidad en el uso de herramientas y teorías, a una creatividad metodológica que se suma al criterio de prudencia que Bericat postuló como criterio para integrar métodos. Denzin (2012) también ha sido partidario de este proceder que ha descrito como propio de un bricoleur. Sin embargo, Denzin no cree que deban mezclarse los paradigmas, ya que éstos suponen, para él, cosmovisiones que compiten entre sí. Aquí sostenemos, por el contrario, que la lógica integradora debe llegar a nivel del debate de paradigmas. No solo es necesario matizar, como hemos hecho, la división entre CL y CN (dos bloques, además, con propuestas muy variadas en cada uno, como se ha detallado aquí) sino también la oposición completa de los paradigmas positivista y constructivista²⁰, ya que su deconstrucción en un espacio metodológico multidimensional encaja mejor con el estudio de fenómenos con múltiples capas. Positivismo y constructivismo pueden complementarse cuando se necesiten ver, por ejemplo, las dimensiones objetivas y subjetivas de un fenómeno en un mismo trabajo.

Gran parte de los autores consideran al pragmatismo como núcleo filosófico de los MM. La idea se expone a la crítica desde dos argumentos. El primero es que, al adoptar un paradigma nuevo, puede perderse la riqueza de los paradigmas anteriores, los cuales alimentan el estudio de dimensiones de fenómenos que a veces quedan relegadas en los trabajos. El segundo es que la misma idea de paradigma es controvertida. Margaret Masterman (1970) escribió que su uso en la obra de Kuhn (1962) se realizaba en ese texto con 21 acepciones distintas, lo cual generaba confusión y, sin embargo, dicha obra inspiró a metodólogos que promovieron culturas académicas separadas. Laudan (1996), prefiere el término “tradiciones de investigación”, el cual ha aparecido en estas páginas. Sobre el relativismo el autor indica que negar que se puedan acordar criterios universales de comparación (lo que permita que se puedan hallar sinergias entre paradigmas) sería caer en un escepticismo radical; por otro lado, aboga por suavizar la exagerada confianza en la verificación empírica del positivismo, así como la rígida aplicación del método científico. Si bien la actitud pragmática que observamos enfocada a la resolución de problemas da lugar a ver compatibilidades entre paradigmas, la idea simplificada del pragmatismo como basado en “lo que funciona”²¹ no siempre es útil en investigación básica, donde los problemas son conceptuales, y no hay terreno práctico para contrastar teoremas, o en investigación que integra valores. Para Denzin (2012) el pragmatismo es un escudo bajo el cual los MM pueden desentenderse de los compromisos sociales que tenía el paradigma cualitativo. Para él los MM necesitan una narrativa que vaya más allá del pragmatismo e impulse la investigación como actividad transformativa de la realidad. Por ello, aquí hemos defendible la idea de una continuidad de los MM con las tradiciones de investigación anteriores, que incorporen su riqueza, sin necesidad de oponer paradigmas o proclamar la adhesión a uno nuevo.

Referencias bibliográficas

Abell, P. (2004). Narrative explanation: An alternative to variable-centered explanation? Annual Review of Sociology, 30, 287-310.

Allwood, C. M. (2012). The distinction between qualitative and quantitative research methods is problematic. Quality & Quantity, 46(5), 1417-1429.

Barrington Moore, J. (1966). Social origins of Dictatorship and Democracy. Lord and Peasant in the Making of the Modern World. Beacon Press.

Bazeley, P. (2009). Integrating data analysis in mixed methods research. Journal of Mixed Methods Research, 3(3), 203–207.

Bennett, A. & Checkel, J. T. (Eds.). (2015). Process tracing: From metaphor to analytic tool. Cambridge University Press.

Bergman, M. M. (Ed.). (2008). Introduction: Whither mixed methods? En M. M. Bergman (Ed.), Advances in mixed methods research: Theories and applications (pp. 1-7). SAGE.

Bergman, M. M. (2011). The good, the bad, and the ugly in mixed methods research and design. Journal of Mixed Methods Research, 5(4), 271-275.

Bericat, E. (1998). La integración de los métodos cualitativo y cuantitativo en la investigación social. Ariel

Blatter, J. & Blume, T. (2008). In search of co-variance, causal mechanisms or congruence? Swiss Political Science Review, 14, 315-355.

Brady, H. E. (2004). Data-set observations vs. causal-process observations. En H. E. Brady & D. Collier (Eds.), Rethinking social inquiry: Diverse tools, shared standards. Rowman & Littlefield.

Bryman, A. (1988). Quantity and quality in social research. Unwin Hyman.

Bryman, A. (2007). Barriers to integrating quantitative and qualitative research. Journal of Mixed Methods Research, 1(1), 8-22.

Chaves-Montero, A. (2018). La utilización de una metodología mixta en investigación social. En Rompiendo barreras en la investigación (pp. 164-184). Universidad Técnica de Machala.

Clarke, K. A. (2020). Logical constraints: The limitations of QCA. Political Analysis, 28(4), 552-568. https://doi.org/10.1017/pan.2020.7

Collier, D. (2011). Understanding process tracing. PS: Political Science & Politics, 44(4), 823-830.

Coward, M. (2018). Against network thinking. European Journal of International Relations, 24(2), 440-463.

Creswell, J. W. (2021). A concise introduction to mixed methods research. SAGE.

Creswell, J. W. & Creswell, J. D. (2005). Mixed methods research: Developments, debates, and dilemmas. Berrett-Koehler.

Creswell, J. W. & Creswell, J. D. (2018). Research design: Qualitative, quantitative, and mixed methods approaches. SAGE.

Creswell, J. W. & Plano Clark, V. L. (2017). Designing and conducting mixed methods research. SAGE.

Creswell, J. W. & Plano Clark, V. L. (2023). Revisiting mixed methods research designs twenty years later. Handbook of mixed methods research designs, 1(1), 21-36.

Cupchik, G. (2001). Constructivist realism: An ontology that encompasses positivist and constructivist approaches to the social sciences. Forum Qualitative Sozialforschung/Forum: Qualitative Social Research, 2(1), 10. DEU.

Denzin, N. K. (1978). The research act. McGraw-Hill.

Denzin, N. K. (2012). Triangulation 2.0. Journal of Mixed Methods Research, 6(2), 80-88.

Denzin, N. K. & Lincoln, Y. S. (1998). Introduction: Entering the field of qualitative research. En N. K. Denzin & Y. S. Lincoln (Eds.), Strategies of qualitative inquiry (pp. 1-34). SAGE.

Domínguez, S. & Hollstein, B. (2014). Mixed methods social networks research: Design and applications. Cambridge University Press.

Emirbayer, M. & Goodwin, J. (1994). Network analysis, culture, and the problem of agency. American Journal of Sociology, 99(6), 1411-1454.

Fairfield, T. & Charman, A. (2015). Formal Bayesian process tracing: Guidelines, opportunities, and caveats. London School of Economics.

Flick, U. (2017). Mantras and myths in mixed-methods research. Qualitative Inquiry, 23(1), 46-57.

Forni, P. & Grande, P. D. (2020). Triangulación y métodos mixtos en las ciencias sociales contemporáneas. Revista mexicana de sociología, 82(1), 159-189.

Gerring, J. (2001). Social science methodology: A critical framework. Cambridge University Press.

Gerring, J. (2006). Case study research: Principles and practices. Cambridge University Press.

Giddens, A. (1984). The constitution of society. UCL Press.

Giddings, L. S. (2006). Mixed-methods research: Positivism dressed in drag? Journal of Research in Nursing, 11(3), 195-203.

Goertz, G. & Mahoney, J. (2012). A tale of two cultures: Qualitative and quantitative research in the social sciences. Princeton University Press.

Greene, J. C. & Caracelli, V. J. (1997). Defining the paradigm issue. New Directions for Evaluation, 74, 5-17. https://doi.org/10.1002/ev.1068

Greene, J. C., Caracelli, V. J., & Graham, W. F. (1989). Toward a conceptual framework. Educational Evaluation and Policy Analysis, 11(3), 255-274. https://doi.org/10.3102/01623737011003255

Guba, E. G. & Lincoln, Y. S. (1994). Competing paradigms in qualitative research. En N. K. Denzin & Y. S. Lincoln (Eds.), Handbook of qualitative research (pp. 105-117). SAGE.

Guba, E. & Lincoln, Y. (2002). Paradigmas en competencia en la investigación cualitativa. Por los rincones. Antología de métodos cualitativos en la investigación social, 3(2), 113-145.

Guest, G. & Fleming, P. (2015). Mixed methods research. Public Health Research Methods, 5, 581-614. https://doi.org/10.4135/97814833988395

Hollstein, B. & Wagemann, C. (2014). Fuzzy-set analysis of network data. En Mixed methods social networks research (pp. 237-268). Cambridge University Press.

Humphreys, M. & Jacobs, A. M. (2015). Mixing methods: A Bayesian approach. American political science review, 109(4), 653-673.

Inguanzo, I. (2020). Asian women’s paths to office. Contemporary Politics, 26(2), 186–205. https://doi.org/10.1080/13569775.2020.1712005

King, G., Keohane, R. O. & Verba, S. (2021). Designing social inquiry. Princeton University Press.

Kuhn, Th. (1962). The Structure of Scientific Revolutions. University of Chicago Press.

Laudan, L. (1996). Beyond positivism and relativism. Westview Press.

Lieberson, S. (1991). Small N’s and big conclusions. Social Forces, 70(2), 307-320. https://doi.org/10.2307/2580241

Lieberson, S. (1994). More on the uneasy case. Social Forces, 72(4), 1225-1237.

Lieberson, S. (2004). Comments on QCA. Qualitative Methods, 2(2), 13-14.

Lucas, S. R. & Szatrowski, A. (2014). QCA in critical perspective. Sociological Methodology, 44(1), 1-79. https://doi.org/10.1177/0081175014532763

Mahoney, J. (2008). Toward a unified theory of causality. Comparative Political Studies, 41(4-5), 412-436.

Masterman, M. (1970). The nature of a paradigm. Criticism and the growth of knowledge. Latakos, and A. Musgrave.

Maxwell, J. A. (2023). Mixed methods design in historical perspective. En C. N. Poth (Ed.), The SAGE handbook of mixed methods research design. SAGE.

Mello, P. A. (2021). Qualitative comparative analysis. Georgetown University Press.

Mendizábal, N. (2018). La osadía en la investigación. Espacio Abierto, 27(2), 5-20.

Mertens, D. M. (2012). Transformative mixed methods: Addressing inequities. American Behavioral Scientist, 56(6), 802-813.

Miles, M. B. & Huberman, A. M. (1994). Qualitative data analysis. SAGE.

Morgan, D. L. (1998). Practical strategies. Qualitative Health Research, 8(3), 362-376.

Morin, E. (2010). Sobre la interdisciplinariedad. Universidad Icesi.

Morse, J. M. (1991). Methodological triangulation. Nursing Research, 40, 120–123.

Morse, J. M. & Niehaus, L. (2009). Mixed method design. Left Coast Press.

Munck, G. L. (2016). Assessing set-theoretic methods. Comparative Political Studies, 49(6), 775-780.

Munck, G. L. & Snyder, R. (2019). La política comparada en la encrucijada. Política y Gobierno, 26(1), 139-158.

Olsen, W. (2014). Comment: The usefulness of QCA under realist assumptions. Sociological Methodology, 44(1), 101-107.

Olsen, W. (2022). Qualitative comparative analysis (QCA): a classic mixed method using theory. In Systematic Mixed-Methods Research for Social Scientists (pp. 131-156). Cham: Springer International Publishing.

Pagliarin, S. & Gerrits, L. (2020). Trajectory-based QCA. Methodological Innovations. https://doi.org/10.1177/2059799120959170

Parmelee, J. H., Perkins, S. C. & Sayre, J. J. (2007). Political ads and college students. Journal of Mixed Methods Research, 1(2), 183-199.

Pericás, J. M. V. & Lozares, C. (2022). Retos metodológicos. En La sociología en España (pp. 127-145). Marcial Pons.

Pilcher, N. & Cortazzi, M. (2024). 'Qualitative'and'quantitative'methods and approaches across subject fields: implications for research values, assumptions, and practices. Quality & Quantity, 58(3), 2357-2387.

Piovani, J. I. (2018). Triangulación y métodos mixtos. En A. Marradi, N. Archenti & J. I. Piovani, Manual de metodología de las ciencias sociales. Siglo XXI.

Poth, C. & Onwuegbuzie, A. J. (2015). Special issue: Mixed methods. International Journal of Qualitative Methods, 14(2), 1-4.

Ragin, C. (1987). The comparative method. University of California.

Ragin, C. C. (2000). Fuzzy-set social science. University of Chicago Press.

Ragin, C. C. (2008). Redesigning social inquiry. University of Chicago Press.

Ragin, C. C. (2014). The comparative method. UCL Press.

Rivero, J. A. (2018). Compositional equivalence. Connections, 37(1-2), 53-68.

Rohlfing, I. (2008). Nested analysis. Comparative Political Studies, 41(11), 1492-1514.

Rubinson, C., Gerrits, L., Rutten, R., & Greckhamer, T. (2019). Avoiding errors in QCA. Sociological Methods & Research, 9, 397-418.

Sánchez-Gómez, M. C., Martín-Cilleros, M. V., Sá, P. & Costa, A. P. (2020). Reflexiones sobre métodos mixtos. Revista Baiana de Enfermagem, e31851.

Santos, J., Puig, P., Rausky, M., Piovani, J., Muñoz, L. & Burawoy, M. (2018). Métodos mixtos y reflexividad: explorando posibles articulaciones.¿ Condenados a la reflexividad?: apuntes para repensar el proceso de investigación social. 254-283. CLACSO.

Schneider, C. Q. y Wagemann, C. (2010). Standards of good practice in qualitative comparative analysis (QCA) and fuzzy-sets. Comparative sociology, 9(3), 397-418.

Seawright, J. (2005). QCA vs regression. Studies in Comparative International Development, 40(1), 3-26.

Skaaning, S. E. (2011). Assessing the robustness of crisp-set and fuzzy-set QCA results. Sociological Methods & Research, 40(2), 391-40

Tashakkori, A. & Creswell, J. (2007). The new era of mixed methods. Journal of Mixed Methods Research, 1(1), 3-7.

Tashakkori, A. & Teddlie, C. (1998). Mixed methodology. SAGE.

Tashakkori, A., & Teddlie, C. (Eds.). (2003). Handbook of mixed methods. SAGE.

Teddlie, C. y Tashakkori, A. (2009). Fundamentos de la investigación con métodos mixtos. Sage Publications.

Tufekci, Z. & Wilson, C. (2012). Social media and the decision to participate in political protest: Observations from Tahrir Square. Journal of communication, 62(2), 363-379.

Varshney, A. (2001). Ethnic conflict and civil society: India and beyond. World politics, 53(3), 362-398.

Webb, E. J., Campbell, D. T., Schwartz, R. D. & Sechrest, L. (1999). Unobtrusive measures. SAGE.

Western, B. & Jackman, S. (1994). Bayesian inference. American Political Science Review, 88(2), 412-423.

Notas