Leer treinta artículos sin morir en el intento

El error más caro en una revisión de literatura es empezar a leer sin haber decidido qué información vas a sacar de cada artículo. Si lees el primero y anotas lo que te llame la atención, y en el segundo anotas otras cosas, terminas con treinta notas que no se pueden comparar. La comparación es todo el punto.

Antes de abrir el primer PDF, define tus campos de extracción: la lista fija de datos que le vas a sacar a todos los artículos por igual. Un conjunto que funciona para la mayoría de trabajos de grado:

• Cita corta: autor y año, para referirte al artículo en una línea.
• Pregunta o problema que el artículo se plantea.
• Población y contexto: quiénes participaron, dónde, cuándo. Aquí anotas si es Colombia, otro país de la región o el norte global.
• Método: diseño (encuesta, experimento, entrevistas, revisión, modelo), cómo midieron.
• Muestra: cuántos casos.
• Hallazgo principal en una frase, con el dato si lo hay.
• Limitaciones que declara el propio artículo.
• Relación con mi pregunta: apoya, contradice, matiza o solo aporta contexto.
• Cita textual clave con número de página.

Esos campos no son universales: dependen de tu pregunta de investigación, la que definiste en la lección 1. Si tu pregunta es sobre efectividad de una intervención, necesitas un campo "tamaño del efecto". Si es sobre políticas públicas, necesitas "nivel de gobierno" y "periodo". La regla es: cada campo debe ser algo que vayas a comparar entre artículos. Si un campo va a quedar igual en los treinta, o distinto en los treinta sin que eso signifique nada, sóbralo.

Un atajo mental: escribe primero la tabla vacía con las columnas y pregúntate "si lleno esto para treinta artículos, ¿qué párrafo de mi tesis podría escribir?". Si no ves el párrafo, te faltan columnas o te sobran.

Una ficha de lectura es el resumen estructurado de un artículo siguiendo tus campos. Hacerla a mano toma entre 20 y 40 minutos; con IA baja a unos 8, contando tu verificación.

El método correcto es subir el PDF (o pegar el texto) al asistente y pedirle que extraiga. Nunca le pidas la ficha solo con el título y el autor: ahí es donde el modelo alucina, es decir, genera información falsa con tono seguro, porque está reconstruyendo de memoria en lugar de leer. Si el asistente que usas no acepta archivos en su plan gratis, copia y pega el texto del PDF por partes.

Herramientas gratuitas usables desde Colombia: NotebookLM de Google (permite subir varios documentos y responde citando el fragmento exacto de origen, que es justo lo que necesitas), ChatGPT, Claude o Gemini en sus planes gratis. NotebookLM tiene una ventaja específica para esta tarea: cada afirmación viene con un enlace al pasaje del documento, así que verificar toma segundos.

Un prompt reutilizable:

Eres mi asistente de revisión de literatura. Te adjunto un artículo académico.
Extrae SOLO información que esté explícitamente en el texto.
Si un campo no aparece, escribe exactamente "NO APARECE". No infieras, no completes.

Devuelve una tabla con estos campos:
1. Cita corta (autor, año)
2. Pregunta de investigación
3. Población y país
4. Método y forma de medición
5. Tamaño de muestra
6. Hallazgo principal (una frase, con la cifra si el texto la da)
7. Limitaciones que declaran los autores
8. Una cita textual de máximo 30 palabras que resuma el hallazgo, con número de página

Al final agrega: "Términos del artículo que no entiendo que definas: ..."

La instrucción "NO APARECE" es la más importante de todo el prompt. Sin ella, el modelo tiende a rellenar huecos con lo que suena razonable. Con ella, los vacíos se vuelven visibles, y un vacío es información: si quince artículos dicen "NO APARECE" en limitaciones, eso ya es un hallazgo sobre el campo.

Después de cada ficha, haz una verificación rápida de tres cosas: la cifra del hallazgo, la cita textual y el tamaño de muestra. Usa Ctrl+F en el PDF. Si los tres coinciden, la ficha es confiable. Si uno falla, revísala completa.

La matriz de literatura es una tabla donde cada fila es un artículo y cada columna un campo de extracción. Es el corazón de la revisión, porque convierte treinta lecturas en un objeto que puedes ordenar, filtrar y mirar de arriba.

Úsala en Google Sheets (gratis con cualquier cuenta de Google) o LibreOffice Calc si trabajas sin internet. Evita hacerla en Word: no puedes filtrar ni ordenar, que es exactamente lo que le da poder.

Cómo la llenas sin volverte loco:

• Crea las columnas de tus campos, más una columna "Verificado" con un chulito, y otra "Notas mías" que la IA nunca toca.
• Pídele al asistente que te devuelva cada ficha en formato CSV (valores separados por comas) o directamente como fila de tabla, y pégala. En Sheets, Datos > Dividir texto en columnas reparte el CSV automáticamente.
• Congela la primera fila (Ver > Inmovilizar > 1 fila) y activa filtros (Datos > Crear un filtro).

La columna "Notas mías" no es decorativa. Ahí va lo que solo tú puedes poner: "este mide ansiedad con una escala distinta a los otros cuatro", "el autor es el mismo del artículo 12, cuidado con contar el hallazgo dos veces", "me sirve para justificar el capítulo 2". Esas notas son el borrador de tu revisión.

Cuando tengas quince o más filas, empieza a leer la matriz por columnas, no por filas. Ordena por año y mira cómo cambia el método con el tiempo. Filtra por país y mira cuántos estudios son colombianos frente a cuántos importas de otros contextos: en muchas tesis en Colombia ese conteo es un argumento por sí solo, porque justifica por qué hace falta evidencia local. Filtra por método y mira si todos los hallazgos que apoyan una tesis vienen del mismo diseño, lo que debilita la evidencia.

Una vez la matriz esté llena y verificada, puedes pegarla completa al asistente y pedir lecturas transversales. Ahí sí el modelo trabaja sobre datos que tú validaste, no sobre su memoria.

Aquí está el valor real de la revisión. Un trabajo de grado que solo dice "varios autores coinciden en que..." es un resumen. Uno que dice "Autor A encuentra X, Autor B encuentra lo contrario, y la diferencia se explica porque midieron cosas distintas" es una revisión crítica, y ese es el estándar de sustentación.

Hay tres tipos de desacuerdo, y confundirlos es un error clásico:

• Contradicción real: mismo fenómeno, misma población, métodos comparables, resultados opuestos. Es raro y es oro puro para tu justificación.
• Contradicción aparente por definición: los autores llaman igual a cosas distintas. Un estudio define "deserción" como no matricularse el semestre siguiente y otro como no graduarse en diez semestres. Las cifras no se pueden comparar. Este es de lejos el caso más frecuente.
• Diferencia por contexto o método: resultados distintos porque la población, el periodo o el diseño son distintos. No es contradicción, es matiz, y explicarlo bien es lo que muestra que entendiste el campo.

El prompt para cazarlas, sobre tu matriz verificada:

Te paso mi matriz de literatura verificada (CSV adjunto).
Busca pares de artículos cuyos hallazgos se tensionen o se opongan.
Para cada par indica: filas implicadas, en qué se oponen, y cuál de
estas tres explicaciones es más probable según los datos de la matriz:
(1) contradicción real, (2) definiciones distintas del mismo concepto,
(3) diferencia de población, periodo o método.
Si la matriz no da información suficiente para decidir, dilo.
No uses conocimiento externo a la matriz.

Lo que devuelva es una hipótesis de contradicción, no una conclusión. Tu trabajo: ir a los dos artículos originales, leer con cuidado la sección de método de ambos y decidir tú. La IA es buena detectando que dos frases se oponen; es mala juzgando si dos metodologías son comparables, porque eso exige entender el campo.

Un truco adicional: pide también lo contrario, acuerdos sospechosos. Si ocho artículos reportan lo mismo, revisa si citan todos la misma fuente original o si comparten autores. Un consenso aparente puede ser un solo estudio repetido ocho veces.

Esta sección existe porque el método anterior tiene un riesgo real y hay que nombrarlo. Una ficha generada por IA sobre un PDF que tú no leíste te da la ilusión de conocer el artículo. En la sustentación, cuando un jurado pregunte "¿por qué ese autor usó esa escala y no otra?", la ficha no te salva.

Qué se pierde específicamente:

• El tono y las salvedades. Los autores suelen matizar mucho en la discusión. Los modelos tienden a comprimir y el matiz desaparece; un "podría sugerir, con cautela" se convierte en "demuestra".
• La calidad del argumento. Un artículo puede tener un hallazgo llamativo y una metodología floja. La ficha registra el hallazgo, no la flojera.
• Lo que no encaja en tus campos. Justo eso puede ser lo más valioso para tu tesis, y tu plantilla lo filtra.
• Las tablas y figuras. Muchos modelos leen mal tablas en PDF, y ahí suelen estar los datos. Verifica siempre las cifras contra el original.

La regla práctica que le funciona a mucha gente: clasifica tus treinta artículos en tres niveles. Los 5 a 8 nucleares (los que estructuran tu argumento) los lees completos, subrayados y con notas propias; la IA solo te ayuda a organizar lo que ya entendiste. Los 10 a 15 de apoyo los procesas con ficha de IA y lees a fondo la introducción y la discusión. Los restantes de contexto se quedan en ficha verificada, y los citas para ubicar el campo, no para sostener tu argumento central.

Dos cosas más. Privacidad: si tus documentos son borradores no publicados de tu grupo, datos de participantes o material bajo acuerdo de confidencialidad, no los subas a un servicio gratuito sin revisar sus términos y sin preguntar en tu semillero; muchos planes gratuitos usan lo que subes para mejorar sus modelos. Honestidad: usar IA para fichar es legítimo en la mayoría de reglamentos, pero se declara. Cómo hacerlo bien es el tema de la lección 5.

El criterio final: la IA te ahorra el trabajo de transcribir y comparar, no el de entender. Si no puedes explicar un artículo sin abrir la ficha, todavía no lo leíste.