Pragmatismo y epistemología Postpositivista como base para investigaciones Doctorales en mejora mediante inteligencia artificial aplicada
Palabras clave:
Epistemología postpositivista; Inteligencia artificial aplicada; Mejora continua; Métodos mixtos; Paradigma pragmáticoResumen
El objetivo de la presente investigación de revisión teórica es fundamentar la coherencia epistemológica y metodológica de articular el paradigma pragmático y la epistemología postpositivista como andamiaje para investigaciones doctorales orientadas a la optimización de procesos mediante inteligencia artificial (IA) aplicada. Ante la vertiginosa expansión de la IA en los sectores productivos y de servicios —donde la toma de decisiones está mediada por modelos algorítmicos complejos y macrodatos (Big Data)—, la investigación doctoral exige superar el reduccionismo tecnocéntrico. La metodología utilizada fue una revisión narrativa focalizada de la literatura sobre filosofía de la ciencia y métodos mixtos, se examina el potencial del pragmatismo (Kaushik & Walsh, 2019; Feilzer, 2010; Biesta, 2010) para legitimar la integración metodológica en función de la resolución de problemas reales, valorando el conocimiento por sus consecuencias prácticas y su orientación a la acción. Asimismo, se incorpora el postpositivismo (Phillips & Burbules, 2000; Panhwar et al., 2017) como un enfoque falibilista esencial que reconoce la naturaleza probabilística y perfectible de los modelos de IA, permitiendo la confluencia de datos cuantitativos y cualitativos bajo una filosofía de indagación rigurosa (Creswell & Plano Clark, 2018). La investigación concluye que este encuadre epistémico no solo valida la medición y explicación técnica de los sistemas inteligentes, sino que blinda los proyectos doctorales al integrar críticamente el contexto organizacional, la ética algorítmica y la experiencia de los actores humanos involucrados en los procesos de mejora contínua
Descargas
Referencias
Biesta, G. (2010). Pragmatism and the philosophical foundations of mixed methods research. En A. Tashakkori y C. Teddlie (Eds.), SAGE handbook of mixed methods in social and behavioral research (2.ª ed., pp. 95-118). Sage. https://doi.org/10.4135/9781506335193.n4
Cortés-Luengo, V., & Ocampo-Eyzaguirre, D. (2025). Inteligencia emocional en equipos directivos: estrategias para su evaluación y regulación. : Caso Valparaiso. Chile. Revista RETOS XXI, 9(1). https://doi.org/10.30827/retosxxi.9.2025.32905
Dawadi, S., Shrestha, S., & Giri, R. A. (2021). Mixed-methods research: A discussion on its types, challenges, and criticisms. Journal of Practical Studies in Education, 2(2), 25-36. https://doi.org/10.46809/jpse.v2i2.20
Denscombe, M. (2008). Communities of practice: A research paradigm for the mixed methods approach. Journal of Mixed Methods Research, 2(3), 270-283. https://doi.org/10.1177/1558689808316807
Feilzer, M. Y. (2010). Doing mixed methods research pragmatically: Implications for the rediscovery of pragmatism as a research paradigm. Journal of Mixed Methods Research, 4(1), 6-16. https://doi.org/10.1177/1558689809349691
Greene, J. C. (2007). Mixed methods in social inquiry. Jossey-Bass.
Greene, J. C., Caracelli, V. J., & Graham, W. F. (1989). Toward a conceptual framework for mixed-method evaluation designs. 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. In N. K. Denzin & Y. S. Lincoln (Eds.), Handbook of qualitative research (pp. 105-117). SAGE.
Johnson, R. B., & Onwuegbuzie, A. J. (2004). Mixed methods research: A research paradigm whose time has come. Educational Researcher, 33(7), 14-26. https://doi.org/10.3102/0013189X033007014
Kaushik, V., & Walsh, C. A. (2019). Pragmatism as a research paradigm and its implications for social work research. Social Sciences, 8(9), 255. https://doi.org/10.3390/socsci8090255
Morgan, D. L. (2014). Integrating qualitative and quantitative methods: A pragmatic approach. SAGE. https://doi.org/10.4135/9781544304533
Ocampo-Eyzaguirre, D., Vélez-Jiménez, D., & Gutierrez-De Gracia, N. (2024). Tecnologías convergentes, impacto de la inteligencia artificial y las neurociencias en la formación de investigadores: Una revisión sistemática. Revista Sociedad & Tecnología, 7(S1), 210-230. DOI: https://doi.org/10.51247/st.v7iS1.502.
Panhwar, A. H., Ansari, S., & Shah, A. A. (2017). Post-positivism: An effective paradigm for social and educational research. International Research Journal of Arts & Humanities, 45(45), 253-259.
Phillips, D. C., & Burbules, N. C. (2000). Postpositivism and educational research. Rowman & Littlefield.
Plano Clark, V. L., & Ivankova, N. V. (2016). Mixed methods research: A guide to the field. SAGE.
Proctor, E., Silmere, H., Raghavan, R., Hovmand, P., Aarons, G., Bunger, A., Griffey, R., & Hensley, M. (2011). Outcomes for implementation research: Conceptual distinctions, measurement challenges, and research agenda. Administration and Policy in Mental Health and Mental Health Services Research, 38(2), 65-76. https://doi.org/10.1007/s10488-010-0319-7
Santana-Mora, C. A., Ocampo-Eyzaguirre, D., & Pedraza-Vargas, S. F. (2025). La formación de investigadores: principios didácticos desde la neuroeducación. Areté, Revista Digital del Doctorado en Educación, 11(22), 131-149. https://doi.org/10.55560/arete.2025.22.11.9
Shan, Y. (2022). Philosophical foundations for mixed methods research. Philosophy Compass, 17(5), e12804. https://doi.org/10.1111/phc3.12804
Tashakkori, A., & Teddlie, C. (Eds.). (2010). SAGE handbook of mixed methods in social & behavioral research (2nd ed.). SAGE. https://doi.org/10.4135/9781506335193
Wuest, T., Weimer, D., Irgens, C., & Thoben, K.-D. (2016). Machine learning in manufacturing: Advantages, challenges, and applications. Production & Manufacturing Research, 4(1), 23-45. https://doi.org/10.1080/21693277.2016.1192517
Xu, Y., Sun, X., & Ma, H. (2021). Artificial intelligence: A powerful paradigm for scientific research. Innovation, 2(4), 100179. https://doi.org/10.1016/j.xinn.2021.100179
Rai, R., Tiwari, S., Ivanov, D., & Dolgui, A. (2021). Machine learning in manufacturing and Industry 4.0 applications. International Journal of Production Research, 59(16), 4773-4778. https://doi.org/10.1080/00207543.2021.1956675
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Miguel Ángel Guerra-Guerra
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
