Metodología••6 min

Trazabilidad en tu tesis: cómo documentar datos y decisiones

Aprende a reconstruir el camino desde la fuente hasta la conclusión. Qué archivos conservar y cómo explicar las decisiones que sostienen tu propio trabajo.

Miguel Ángel Cordero Trinidad

Miguel Ángel Cordero Trinidad

Especialista académico y asesor metodológico

Trazabilidad en tu tesis: cómo documentar datos y decisiones

Lo que aprenderás:

  • •Conserva los datos originales sin modificar.
  • •Registra cada transformación y su motivo.
  • •Relaciona resultados con archivos de análisis.
  • •Explica las decisiones con evidencia.

Respuesta Directa:

La trazabilidad en la tesis consiste en poder reconstruir esta cadena: instrumento o fuente → dato bruto → transformación → análisis → resultados → interpretación → conclusión. Recomendamos conservar los archivos y decisiones de cada paso para explicar tu autoría y el rigor del proceso con evidencia concreta.

1. Qué significa que el proceso pueda reconstruirse

Una tabla final muestra un resultado, pero no explica por sí sola cómo llegaste a él. La trazabilidad conecta esa tabla con el material original, las operaciones realizadas y las razones por las que elegiste ese análisis.

Piensa en una conclusión de tu documento y recorre el camino hacia atrás. Deberías poder señalar qué resultado la sostiene, dónde se calculó o interpretó y de qué respuestas, observaciones o documentos procede.

Esta cadena es nuestra propuesta práctica para ordenar el expediente de trabajo, no una exigencia atribuida a todas las universidades. Adáptala al diseño de tu estudio y a las instrucciones de tu programa, sin crear documentos que simulen actividades no realizadas.

2. Qué guardar en cada eslabón

Organiza carpetas con nombres que permitan distinguir origen, procesamiento y presentación. Mantén una nota inicial que explique qué contiene cada carpeta y cómo se relacionan los archivos entre sí.

  • Instrumento o fuente: conserva la versión aplicada, su procedencia y los documentos del proceso de validación o revisión que efectivamente realizaste. Si trabajas con documentos, registra su identificación y el criterio de selección.
  • Dato bruto: guarda una copia original sin tocar. Trabaja sobre duplicados y conserva la relación entre cada registro y su fuente mediante identificadores que no expongan nombres.
  • Limpieza y transformaciones: anota qué cambió, por qué, cuándo y en qué archivo. Incluye correcciones, exclusiones, recodificaciones y criterios para tratar información faltante.
  • Análisis: conserva la sintaxis, las fórmulas, el archivo del programa o la matriz de categorías utilizada. Describe el procedimiento cuando una operación se haga manualmente.
  • Resultados: guarda las salidas y relaciona cada tabla o figura del documento con su archivo de origen. Evita que sobrevivan resultados de versiones ya descartadas.
  • Interpretación y conclusión: escribe qué resultado respalda cada afirmación y dónde termina su alcance. Separa lo observado de las explicaciones que propones.

En una investigación cualitativa, puedes relacionar un fragmento de entrevista con su código, categoría e interpretación, según tu método. En una investigación documental, puedes hacer ese recorrido desde la ficha de lectura hasta la comparación que presentas.

3. Registra decisiones, no solo archivos

Una carpeta llena de versiones puede resultar confusa si ninguna explica por qué cambió el análisis. Añade una bitácora con fecha, decisión, motivo, archivo afectado y revisión pendiente para conservar ese contexto.

Como ejemplo orientativo, imagina que encuentras una respuesta duplicada en una base. Guarda el registro original, documenta el criterio usado para identificar la duplicación y aplica la exclusión únicamente en la copia destinada al análisis.

Si corriges una categoría después de revisar el instrumento, anota la definición anterior y la nueva. Esa nota permite distinguir una corrección justificada de un cambio realizado únicamente porque el resultado anterior no te gustaba.

Conserva también versiones del documento que correspondan a hitos del proceso, como el envío al asesor y la incorporación de sus observaciones. Usa nombres comprensibles y una copia de respaldo, evitando que todo termine llamado «final».

4. El estilo del texto no resuelve la autoría

Un estudio pidió a seis académicos noveles de seis universidades revisar a ciegas 150 resúmenes de odontología: 75 originales y 75 generados con ChatGPT. Los revisores tuvieron dificultad para identificar el origen; entre las herramientas evaluadas, GPTZero obtuvo la mayor precisión de discriminación, del 90,0 % (AL-Rawas et al., 2026).

La siguiente es una inferencia aritmética nuestra: esa precisión equivale a una clasificación errónea de cada diez en aquella muestra. No indica la probabilidad de que tu tesis esté mal clasificada ni permite trasladar el resultado a otro detector o tipo de texto.

Los autores consideran insuficiente el juicio humano por sí solo y señalan que algunas herramientas pueden apoyar las salvaguardas de integridad. Nuestra recomendación es examinar un resultado aislado junto con las evidencias del proceso, sin convertirlo en un juicio definitivo sobre una persona.

Para distinguir el indicador de IA de otras comprobaciones, consulta qué significa la detección de IA en Turnitin. El objetivo de guardar versiones y fuentes es explicar el trabajo que realizaste, no adaptar su apariencia a una clasificación.

5. Prepara decisiones que puedas defender

En un estudio cualitativo con 75 docentes de grado y posgrado en el contexto de la UAPA, la integridad académica se asoció principalmente con actuar de forma honesta, abierta y responsable (García Cardona & Ventura Sosa, 2025). Es evidencia de ese grupo y contexto, no una descripción de todos los jurados dominicanos.

Para preparar tu defensa, ensaya cómo explicar una decisión desde su origen hasta su efecto. Puedes empezar por la elección del instrumento, continuar con un criterio de limpieza y terminar mostrando cómo ambos influyen en una conclusión.

Si un paso tiene una limitación, identifícala y explica su alcance sin ocultarla. La guía de defensa de tesis puede ayudarte a organizar esa explicación alrededor de tu propio trabajo.

6. Si utilizaste IA, incluye su intervención

Registra la herramienta, la tarea, la instrucción relevante y lo que decidiste aceptar o descartar. Enlaza ese registro con el archivo afectado y utiliza el modelo de declaración de uso de IA para describirlo sin ampliar ni esconder su alcance.

En escenarios clínicos simulados, médicos jóvenes identificaron solo el 15,8 % de las alucinaciones de las respuestas de GPT-4o (Zhang et al., 2026). Este dato pertenece al dominio clínico: lo usamos como analogía sobre la necesidad de comprobar, no como evidencia directa sobre estudiantes.

Para tu expediente, recomendamos escribir qué comprobaste y contra qué evidencia, además de decir que hubo revisión humana. Si aceptaste una fórmula propuesta, documenta su contraste con el procedimiento de análisis elegido y conserva el resultado de esa revisión.

7. Preguntas frecuentes

¿Debo entregar toda la base de datos al jurado?

Consulta los requisitos de entrega y las condiciones de confidencialidad de tu estudio. Tener trazabilidad no significa publicar información identificable de participantes ni compartir archivos sin revisar su contenido.

¿La trazabilidad sirve si mi tesis no tiene encuestas?

Sí, puedes documentar fuentes, criterios de selección, categorías y decisiones interpretativas. Lo que cambia es el material de origen, no la necesidad de explicar cómo sostienes tus conclusiones.

¿Qué hago si ya perdí algunas versiones?

Reconstruye lo comprobable con los archivos disponibles y anota los vacíos sin inventar evidencia. Conserva desde ahora los originales y registra los próximos cambios.

Si necesitas ordenar datos, decisiones y resultados, consulta nuestra asesoría metodológica. Podemos acompañarte a identificar prioridades y preparar una explicación que comprendas y puedas defender.

Referencias

  • AL-Rawas, M., Abdul Qader, O. A. J., Lin, G. S. S., Beh, Y. H., Sabarudin, M. A., Ang, Y., Low, J. F., Abdullah, J. Y., & Noorani, T. Y. (2026). Human versus artificial intelligence: investigating ability of young academics from research and non-research institutions to identify ChatGPT-generated dental research abstracts. Scientific Reports, 16, 12287. https://doi.org/10.1038/s41598-026-42555-3
  • García Cardona, M., & Ventura Sosa, P. E. (2025). La integridad académica desde la perspectiva de docentes universitarios. Educación Superior, (39), 31–51. https://doi.org/10.56918/es.2025.i39.pp31-51
  • Zhang, Y., Zhou, J., Zhang, Z., & Zhang, J. (2026). A multicenter assessment of human oversight of generative AI outputs in simulated clinical decision making. npj Digital Medicine. https://doi.org/10.1038/s41746-026-03294-x