Cronograma · 8 sesiones · 32 h

Studio de Investigación Aumentada · cohorte 2026-2 · 9–21 de noviembre de 2026

Autor/a
Afiliación

Juan Carlos Muñoz-Mora, PhD

Universidad EAFIT · Escuela de Finanzas, Economía y Gobierno

Visión general · 3 sprints sobre el proyecto único

En esta cohorte leemos antes de preguntar: la revisión de literatura va en S02, antes del problema (S03) y de los objetivos (S04). Así el planteamiento del problema (H1) se escribe sobre papers que ya leímos y verificamos.

Sprint Sesiones Horas Foco Cierra
A · Framing con evidencia S01–S04 16 Encuadre IA² → literatura → problema → objetivos y PRON 🎯 H1 (15 %)
B · Evidence S05 3 Marco teórico + DAG + hipótesis 🎯 H2 (20 %)
C · Design & Communication S06–S08 13 Métodos → comunicación y ética → video póster 🎯 H3 (20 %) · H4 (35 %) · Peer (10 %)

Producto único: propuesta de tesis viva en un repositorio Quarto público.

Tabla maestra

# Fecha Horario Lugar Unidad Lab IA² Hito
S01

lun 09/11

18:00–22:00

 38-302 U1 · Manifiesto IA² + encuadre Tema + intuición
S02

mar 10/11

18:00–22:00

 38-302 U4 · Revisión de literatura L1 Evidence Map v0
S03

mié 11/11

18:00–22:00

 38-302 U2 · Problema de investigación Pregunta v2
S04

jue 12/11

18:00–22:00

 38-302 U3 · Objetivos + PRON 🎯 H1 (15 %)
S05

mar 17/11

18:00–21:00

 Online U5 · Marco + DAG + hipótesis L3 🎯 H2 (20 %)
S06

jue 19/11

18:00–21:00

 Online U6 · Métodos modernos L4 H3 en casa
S07

vie 20/11

18:00–22:00

 38-303 U7 · Comunicación + ética IA² L5 Peer asignado
S08

sáb 21/11

08:00–12:00 y 13:00–15:00

 38-303 U7 · Taller de video póster + cierre Video póster v1

Entregas asincrónicas: H3 PAP moderado dom 22/11 · 23:59 · H4 video póster + repo mar 24/11 · 23:59 · Peer review jue 26/11 · 23:59.

El Lab L2 (triangulación de herramientas) es asincrónico entre S02 y S03.

S01 · lun 09/11 · Manifiesto IA² + encuadre (4 h presencial)

Pre-trabajo (≤ 90 min): podcast de U1 · fichas (Korinek, 2023) y (Perkins et al., 2024) · cuenta de GitHub + Quarto instalado.

En aula:

  • Apertura: el manifiesto IA² y la política de uso de IA.
  • Sprint 1 · El método económico (Mill, Popper, Friedman).
  • Sprint 2 · ¿Qué es investigación económica? Bonnen y los tipos de investigación.
  • Sprint 3 · Paradigmas, ciclo de investigación y ética (Belmont, AIAS).
  • Cierre: política IA personal firmada.

Producto: tema en una frase + intuición (“creo que X afecta a Y en Z”) + 3 palabras clave + repo inicializado.

S02 · mar 10/11 · Revisión de literatura (4 h presencial)

Pre-trabajo: podcast de U4 · cuenta en Scite, Elicit u OpenAlex · 1 paper de tu tema que ya conozcas.

En aula:

  • Sprint 1 · ¿Qué buscar? La diana de 4 capas y la pirámide de evidencia.
  • Sprint 2 · ¿Cómo buscar? Booleana, PRISMA y Lab L1: la cita fantasma y la cita infiel (Onweller et al., 2026; Rao et al., 2026).
  • Sprint 3 · Leer en tres pasadas (Keshav, 2007) + ficha activa.
  • Sprint 4 · Evidence Map v0 del tema + 1 contradicción entre papers.

Producto: 15 a 25 papers verificados con DOI + Evidence Map v0 + tasa personal de alucinación.

S03 · mié 11/11 · Problema de investigación (4 h presencial)

Pre-trabajo: podcast de U2 · Lab L2 asincrónico (misma consulta en dos herramientas) · Evidence Map v0 a mano.

En aula:

  • Sprint 1 · El iceberg del problema: de la situación al problema investigable.
  • Sprint 2 · ARV → DAG provisional.
  • Sprint 3 · IA crítica sobre tu Evidence Map: ¿qué tensión resuelve tu pregunta?
  • Sprint 4 · Pregunta v1 → v2, con modo declarado: llenar un gap o problematizar un supuesto (Alvesson & Sandberg, 2011).

Producto: pregunta v2 + ARV + DAG provisional + audit log.

S04 · jue 12/11 · Objetivos + PRON + 🎯 H1 (4 h presencial)

Pre-trabajo: podcast de U3 · ficha (Hurtado de Barrera, 1996).

En aula:

  • Sprint 1 · Elevator 30·60·90 s + 1 OG / 3 OE.
  • Sprint 2 · Originalidad en la era IA + Funnel.
  • Sprint 3 · Escritura del PRON con IA en modo AIAS 3.
  • Cierre: peer-check y entrega.

🎯 H1 · PRON (15 %) · entrega jue 12/11 · 22:00.

S05 · mar 17/11 · Marco + DAG + hipótesis + 🎯 H2 (3 h online)

Pre-trabajo: podcast de U5 · fichas (Cinelli et al., 2024) y (Hernán & Robins, 2020) cap. 6 · Evidence Map v1 filtrado por tu pregunta.

En línea: marco ≠ estado del arte · controles buenos y malos · Lab L3 compañero crítico del DAG · hipótesis con sus 4 elementos.

🎯 H2 · Evidence Map + DAG + hipótesis (20 %) · entrega mar 17/11 · 23:59.

S06 · jue 19/11 · Métodos modernos (3 h online)

Pre-trabajo: podcast de U6 · fichas (Roth et al., 2023), (Brodeur et al., 2020), (Cunningham, 2021).

En línea: del DAG al método (6 patrones) · Lab L4 pair programming auditado · Replication Court.

🎯 H3 · PAP moderado + Lab L4 (20 %) · entrega asincrónica dom 22/11 · 23:59.

S07 · vie 20/11 · Comunicación + ética IA² (4 h presencial)

Pre-trabajo: podcast de U7 · Lab L5 asincrónico en audit/L5-meta.md.

En aula:

  • Sprint 0 · Standup: estado del PAP y del video póster.
  • Sprint 1 · Comunicación y reproducibilidad: 4 audiencias, visualización como argumento, AEA Data Editor.
  • Sprint 2 · Ética IA²: ICMJE, Nature, COPE · declaración de uso de IA.
  • Sprint 3 · Fronteras + hallazgos del L5 + asignación de pares para el peer review.

S08 · sáb 21/11 · Taller de video póster + cierre (6 h presencial)

Mañana (8:00–12:00):

  • Guion del video póster (3 a 5 min) con estructura IMRaD.
  • El gráfico dominante (Schwabish, 2021).
  • Grabación de ensayo y retroalimentación de pares en vivo.

Tarde (13:00–15:00):

  • Estreno de 60 segundos de cada video póster en borrador.
  • Pregunta obligatoria a cada estudiante, sin IA al frente: “¿Qué hizo la IA por ti que tú no hiciste?”
  • Retrospectiva del curso y cierre ritual: manifiesto IA² personal firmado.

Después de S08: 🎯 H4 video póster + repo mar 24/11 · 23:59 · 🎯 Peer review de 2 video pósteres jue 26/11 · 23:59.

Distribución de carga

S01   S02     S03    S04 ⭐   S05 ⭐   S06    S07    S08     (async) ⭐
tema  EM v0   preg.  H1=15%  H2=20%   L4     L5     taller  H3=20% · H4=35% · Peer=10%
└────── Sprint A ──────┘    └─ B ─┘  └────────── Sprint C ──────────────┘
  • Sprints A y B (S01–S05): 35 % (H1 + H2).
  • Sprint C (S06–S08 y entregas finales): 65 % (H3 + H4 + Peer).

Compromiso del estudiante

  1. Completar el pre-trabajo antes de cada sesión.
  2. Laptop + GitHub funcional + una herramienta de IA activa.
  3. Audit log explícito en cada hito.
  4. Peer review formal con honestidad.
  5. Responder sin IA al frente la pregunta de cierre de S08.
  6. Mantener el repo Quarto público al menos 6 meses después del curso.

Ver también: Syllabus · Manifiesto IA² · Política IA · Evaluación y rúbricas

Volver arriba

Referencias

Alvesson, M., & Sandberg, J. (2011). Generating Research Questions Through Problematization. Academy of Management Review, 36(2), 247-271. https://doi.org/10.5465/amr.2009.0188
Brodeur, A., Cook, N., & Heyes, A. (2020). Methods Matter: \(p\)-Hacking and Publication Bias in Causal Analysis in Economics. American Economic Review, 110(11), 3634-3660. https://doi.org/10.1257/aer.20190687
Cinelli, C., Forney, A., & Pearl, J. (2024). A Crash Course in Good and Bad Controls. Sociological Methods and Research, 53(3), 1071-1104. https://doi.org/10.1177/00491241221099552
Cunningham, S. (2021). Causal Inference: The Mixtape. Yale University Press.
Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. Chapman & Hall/CRC.
Hurtado de Barrera, J. (1996). Metodología de la Investigación Holística. SYPAL.
Keshav, S. (2007). How to Read a Paper. ACM SIGCOMM Computer Communication Review, 37(3), 83-84. https://doi.org/10.1145/1273445.1273458
Korinek, A. (2023). Generative AI for Economic Research: Use Cases and Implications for Economists. Journal of Economic Literature, 61(4), 1281-1317. https://doi.org/10.1257/jel.20231736
Onweller, H., Lumer, E., Huber, A., Ramchandani, P., Subbiah, V. K., & Feld, C. (2026). Cited but Not Verified: Parsing and Evaluating Source Attribution in LLM Deep Research Agents. arXiv preprint. https://arxiv.org/abs/2605.06635
Perkins, M., Furze, L., Roe, J., & MacVaugh, J. (2024). The AI Assessment Scale (AIAS): A Framework for Ethical Integration of Generative AI in Educational Assessment. Journal of University Teaching and Learning Practice, 21(6). https://doi.org/10.53761/q3azde36
Rao, D., Wong, E., & Callison-Burch, C. (2026). Detecting and Correcting Reference Hallucinations in Commercial LLMs and Deep Research Agents. arXiv preprint. https://arxiv.org/abs/2604.03173
Roth, J., Sant’Anna, P. H. C., Bilinski, A., & Poe, J. (2023). What’s Trending in Difference-in-Differences? A Synthesis of the Recent Econometrics Literature. Journal of Econometrics, 235(2), 2218-2244. https://doi.org/10.1016/j.jeconom.2023.03.008
Schwabish, J. (2021). Better Data Visualizations: A Guide for Scholars, Researchers, and Wonks. Columbia University Press.