Análisis de contenido cuantitativo

1 · Qué es

Un método para analizar textos —noticias, discursos, respuestas abiertas, documentos, publicaciones— convirtiéndolos en datos cuantificables de manera sistemática y replicable.

2 · Los pasos

1. Definir el universo y la unidad de análisis: ¿el artículo completo, el párrafo, la oración, la palabra?

2. Construir el libro de códigos: qué categorías hay, qué incluye cada una, qué la distingue de las vecinas, con ejemplos de casos límite.

3. Entrenar a los codificadores con material de prueba.

4. Medir el acuerdo entre codificadores en una submuestra.

5. Codificar el corpus completo.

6. Analizar con las técnicas cuantitativas habituales.

3 · La confiabilidad entre codificadores

Dos personas codifican el mismo material y se mide cuánto coinciden.

Medida	Característica
Porcentaje de acuerdo	no corrige por azar: engañoso
Kappa de Cohen	corrige por el acuerdo esperable por azar; dos codificadores
Fleiss kappa	varios codificadores
Alfa de Krippendorff	admite cualquier cantidad, faltantes y todo tipo de escala

$$\kappa = \frac{P_o - P_e}{1 - P_e}$$

$\kappa$	Acuerdo
< 0,40	pobre
0,40 – 0,60	moderado
0,60 – 0,80	bueno
> 0,80	muy bueno

Los mismos codificadores, cuatro veredictos distintos

Dos codificadores que aciertan la categoría verdadera el 90 % de las veces, siempre los mismos, sobre materiales con distinto reparto de categorías:

Prevalencia de la categoría mayoritaria	Acuerdo crudo	Esperado por azar	$\kappa$
50 %	82,0 %	50,0 %	0,640 (bueno)
70 %	82,0 %	55,1 %	0,599 (moderado)
90 %	82,0 %	70,5 %	0,390 (pobre)
95 %	82,0 %	75,9 %	0,252 (pobre)
99 %	82,0 %	80,7 %	0,066 (pobre)

4 · Manual o automático

	Codificación manual	Automática
Volumen	cientos o miles	millones
Categorías complejas, ironía, contexto	sí	mal
Replicabilidad	requiere medirla	perfecta por construcción
Costo	alto	bajo
Validación	entre codificadores	contra codificación manual

Cuántos documentos hay que codificar a mano

Sobre un corpus real con etiquetas verdaderas: las 332 entradas de esta enciclopedia, clasificadas en sus 17 módulos. Se entrena un clasificador con unas pocas etiquetadas y se lo prueba contra el resto:

Documentos etiquetados a mano	Clasifica bien
17 (uno por categoría)	18,2 %
34	42,7 %
68	54,3 %
136	68,8 %
232	72,4 %
Al azar	5,9 %

5 · Las técnicas automáticas

Técnica	Qué hace
Frecuencias de términos	conteo simple, con normalización
TF-IDF	pondera términos por su especificidad
Diccionarios	cuenta palabras de listas predefinidas
Análisis de sentimiento	clasifica polaridad
Modelos de tópicos (LDA)	descubre temas latentes, sin supervisión
Clasificadores supervisados	aprenden de ejemplos codificados

Los modelos de tópicos son el equivalente textual del análisis factorial: buscan dimensiones latentes, y como allá, la interpretación de cada tópico la pone el analista.

Qué encuentra un LDA cuando ya sabemos la respuesta

Corriendo un LDA con $k = 17$ sobre el mismo corpus, sin darle las etiquetas, y comparando después con los módulos reales:

Índice de Rand ajustado	0,246
Entradas en el tópico que les corresponde	139 de 332 (41,9 %)

Algunos tópicos aciertan y otros no, y lo interesante es cómo fallan:

Módulo	Aciertos	Las cinco palabras del tópico emparejado
Hipótesis	19 de 27	efecto, prueba, potencia, libertad, grados
Estimación	14 de 18	intervalo, estándar, media, ingreso, población
Multivariado	14 de 16	grupos, variables, grupo, anova, ruido
Anova	1 de 15	factores, factor, sesgo, estimador, carga
Fundamentos	1 de 15	fila, tabla, columna, filas, variable
Tasas y demografía	0 de 15	riesgo, tiempo, tasa, evento, eventos

6 · Sus límites

Lo que se cuenta no siempre es lo que importa. La frecuencia de una palabra no mide su peso argumental ni su posición en el texto.

El contexto se pierde. La mayoría de las técnicas automáticas trata el texto como una bolsa de palabras: ignora el orden, la negación y la ironía.

Los diccionarios no se trasladan. Un diccionario de sentimiento en inglés no funciona en castellano, y uno de castellano peninsular no funciona igual en rioplatense.

El corpus condiciona todo. Si las fuentes están sesgadas, el resultado también.

7 · Errores frecuentes

• Reportar el porcentaje de acuerdo sin corregir por azar. Un 82 % puede corresponder a kappa 0,64 o a 0,07.
• Reportar solo kappa, sin la distribución de las categorías. Con una categoría rara, kappa castiga a codificadores que no hicieron nada mal.
• No medir la confiabilidad entre codificadores.
• Cambiar el libro de códigos a mitad de la codificación.
• Usar un solo codificador sin ninguna verificación.
• Aplicar diccionarios de otro idioma o de otra variedad.
• Usar análisis de sentimiento sin validarlo contra codificación manual.
• Validar los tópicos leyéndolos. Salen coherentes aunque no correspondan a las categorías buscadas: un LDA que acierta el 42 % igual devuelve diecisiete listas de palabras que se leen bien.
• Renunciar a codificar a mano porque hay un método no supervisado. Treinta y cuatro documentos etiquetados igualan al LDA; ciento treinta y seis lo superan por veintisiete puntos.
• Confundir frecuencia con importancia, y creer que TF-IDF resuelve el problema.

8 · En el software

# R
library(quanteda); library(irr)

corp <- corpus(textos)
dfm <- dfm(tokens(corp, remove_punct = TRUE),
           remove = stopwords("spanish"))
topfeatures(dfm, 20)

kappa2(cbind(codificador1, codificador2))       # kappa de Cohen
kripp.alpha(t(cbind(c1, c2, c3)))               # alfa de Krippendorff
table(codificador1)                             # y SIEMPRE la distribución

library(topicmodels)
LDA(convert(dfm, to = "topicmodels"), k = 5)

# Python
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.decomposition import LatentDirichletAllocation
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import cohen_kappa_score, adjusted_rand_score

X = TfidfVectorizer(stop_words=stopwords_es).fit_transform(textos)
cohen_kappa_score(c1, c2)

# No supervisado
temas = LatentDirichletAllocation(n_components=5, random_state=2026).fit_transform(X)

# Supervisado con la muestra codificada a mano: casi siempre conviene
clf = LogisticRegression(max_iter=2000).fit(X[etiquetados], y[etiquetados])
clf.score(X[validacion], y[validacion])

@misc{estadistica_ar_analisis_de_contenido_cuantitativo,
  author       = {Montivero, Jorge Luis},
  title        = {{Análisis de contenido cuantitativo}},
  year         = {2026},
  howpublished = {\url{https://estadistica.ar/conceptos/analisis-de-contenido-cuantitativo}},
  note         = {estadistica.ar. Consultado el \today},
  urldate      = {2026-09-28}
}