El objetivo principal de esta microcredencial es capacitar a investigadores y profesionales de las ciencias sociales en el uso de la Inteligencia Artificial y metodologías estadísticas avanzadas para sintetizar la evidencia cuantitativa existente, permitiendo evaluar relaciones causales complejas mediante el Modelado de Ecuaciones Estructurales Metanalítico (MASEM).

Al finalizar el curso, el estudiante será capaz de:

Comprender los fundamentos del metaanálisis en ciencias sociales: Identificar y extraer tamaños del efecto (correlaciones, d de Cohen, regresiones) a partir de literatura científica heterogénea, evaluando la calidad metodológica de los estudios primarios.

Aplicar IA en la fase de revisión sistemática y cribado: Utilizar herramientas basadas en modelos de lenguaje (LLMs) y aprendizaje supervisado para automatizar la búsqueda, selección, cribado de resúmenes y extracción de datos cuali-cuantitativos de bases de datos científicas.

Dominar el Modelado de Ecuaciones Estructurales Metanalítico (MASEM): Sintetizar matrices de correlación provenientes de múltiples estudios independientes para especificar, estimar y evaluar modelos causales y de mediación/moderación complejos.

Modelar la heterogeneidad y los sesgos mediante Machine Learning: Utilizar algoritmos de IA (como bosques aleatorios o meta-cart) para identificar variables moderadoras complejas y no lineales que expliquen la variabilidad de los resultados entre diferentes estudios.

Evaluar la robustez y los sesgos de publicación: Implementar técnicas estadísticas para detectar el sesgo de publicación (p-hacking, efecto del cajón de archivos) y aplicar métodos de corrección avanzados para garantizar la validez de las inferencias causales.

Interpretar y comunicar modelos causales sintéticos: Traducir los resultados de modelos estructurales complejos en conclusiones teóricas y recomendaciones prácticas para el diseño de políticas públicas, comportamiento organizacional o intervención social.

CG01. Capacidad para realizar revisiones sistemáticas de la literatura científica en ciencias sociales de forma automatizada y eficiente, utilizando herramientas de Inteligencia Artificial para la extracción y codificación de datos.

CG02. Habilidad para aplicar técnicas estadísticas avanzadas de metaanálisis, gestionando la heterogeneidad de los datos y calculando tamaños del efecto estandarizados a partir de estudios con diferentes metodologías.

CG03. Capacidad para formular, estimar y contrastar modelos de relaciones causales complejos mediante el uso de Ecuaciones Estructurales (SEM) aplicadas a datos metanalíticos.

CG04. Destreza en el uso de software especializado y lenguajes de programación (como R o Python) para la ejecución de flujos de trabajo metanalíticos y la visualización avanzada de datos (gráficos de embudo, forest plots, diagramas de senderos).

CG05. Capacidad crítica para detectar sesgos de publicación y limitaciones metodológicas en el corpus de investigación, garantizando la rigurosidad, transparencia y reproducibilidad de la síntesis del conocimiento.

CG06. Habilidad para transformar modelos explicativos complejos en conocimiento aplicado, permitiendo la toma de decisiones basada en evidencias en el ámbito de las ciencias sociales, la psicología, la economía o la educación.

Asistencia, Pruebas, Trabajos

Requisitos específicos de admisión a los estudios

• Se requieren conocimientos previos de estadística descriptiva. No se requieren conocimientos avanzados previos de programación, ya que se facilitarán workflows, plantillas y prompts listos para su uso y adaptación.

• Orden de Preinscripción.