EC0744 · Studio de Investigación Aumentada
Seminario de Investigación Aplicada · Maestría en Economía Aplicada · EAFIT
1. Identificación
| Campo | Valor |
|---|---|
| Escuela | Escuela de Finanzas, Economía y Gobierno |
| Departamento | Departamento de Economía |
| Programa | Maestría en Economía Aplicada · Master in Applied Economics |
| Prerrequisito | Ninguno |
| Semestre | Segundo semestre |
| Código EAFIT | EC0744 |
| Intensidad horaria semestral | 32 horas (intensivo) |
| Créditos | 3 |
| Características | Suficientable |
| Versión | 2026 (reescritura completa con marco IA²) |
2. Justificación
La investigación en economía aplicada en 2026 enfrenta una transformación filosófica, no solo técnica. Las herramientas de IA generativa (LLMs como Claude, GPT, Gemini) ofrecen capacidades inéditas — pero también introducen riesgos epistémicos documentados: alucinaciones de citas en >30% de outputs en economía (Buchanan et al., 2024), ilusiones de comprensión que producen producción acelerada sin entendimiento (Messeri & Crockett, 2024), y pérdida de agencia humana cuando se delega ciegamente.
Este curso adopta una postura clara: rechaza el modelo de “AI = automation” y abraza el modelo de Inteligencia Aumentada (IA²) anclado históricamente en Engelbart (Engelbart, 1962) y operacionalizado contemporáneamente en Daugherty & Wilson (Daugherty & Wilson, 2018), Brynjolfsson (Brynjolfsson, 2022), Acemoglu & Restrepo (Acemoglu & Restrepo, 2018) y, para investigación económica específicamente, Korinek (Korinek, 2023).
Bajo este marco:
- El estudiante permanece como investigador — autor, decisor, responsable.
- La IA es palanca cognitiva — interlocutor crítico, amplificador, segunda opinión.
- La agencia humana es trazable vía audit log explícito en cada entregable.
El curso forma economistas aplicados capaces de investigar mejor con IA al lado — no de delegar la investigación a la IA. Esta capacidad es competencia profesional crítica del economista 2026.
2bis. Principio rector — los dos sentidos del curso
3. Objetivo general
Formar al estudiante en la práctica disciplinada de la investigación en economía aplicada, dominando simultáneamente (a) los fundamentos metodológicos clásicos —paradigmas, pregunta, problema, objetivos, marco teórico, hipótesis, métodos, ética, replicabilidad— y (b) la práctica de investigación aumentada con IA, donde la agencia humana es auditable y la IA es palanca, no sustituto. El estudiante produce una propuesta de tesis defendible sobre ambos pies.
4. Competencias y resultados de aprendizaje
4.1 Competencias específicas (programa por competencias EAFIT)
- Comprender análisis económicos cuantitativos de mediana complejidad. (1.B)
- Identificar problemas y conceptos económicos en el funcionamiento de empresas o políticas públicas. (2.A)
- Elaborar análisis económicos cuantitativos de baja complejidad. (2.B)
- Elaborar análisis estadísticos y econométricos de baja o mediana complejidad. (3.A)
- Comunicar adecuadamente los resultados obtenidos en procesos de investigación económica. (3.B)
4.2 Resultados de aprendizaje — desdoblados en los dos sentidos
Cada resultado se desdobla en una línea [Clásico] (qué exigía la metodología antes de la IA) y una línea [Aumentado] (qué cambia con IA al lado). Ambas se evalúan.
- (1.B.2) Evaluar la calidad de los datos y argumentos en reportes económicos.
- [Clásico] según criterios de validez interna, validez externa y supuestos de identificación (Shadish et al., 2002).
- [Aumentado] aplicando caza de alucinaciones (Buchanan et al., 2024) y triangulación entre modelos para validar afirmaciones extraídas de literatura asistida por IA.
- (2.A.2) Formular procedimientos para medir variables económicas centrales.
- [Clásico] vía operacionalización de constructo a variable observable y validez de constructo (Bryman, 2016; Hernández-Sampieri, 2010, 6).
- [Aumentado] usando IA como crítica de la operacionalización propuesta, no como su autora.
- (2.B.3) Construir y redactar argumentos económicos basados en evidencia cuantitativa.
- [Clásico] con estructura IMRaD legible y limitaciones declaradas por tipo de validez.
- [Aumentado] con IA como editora de claridad, no autora del argumento.
- (2.B.1) Recopilar y analizar la literatura previa con propósito investigativo.
- [Clásico] con búsqueda booleana, snowballing forward/backward (Webster & Watson, 2002) y tipologías de revisión (Grant & Booth, 2009).
- [Aumentado] con stack PRISMA + IA: OpenAlex, Elicit, NotebookLM, Scite,
bibliometrix.
- (2.B.2) Aplicar el método científico para formular hipótesis y ponerlas a prueba.
- [Clásico] distinguiendo H₀/H₁, direccional/no direccional, sustantiva/estadística; declarando supuestos de identificación.
- [Aumentado] usando DAGs causales (Cinelli et al., 2024; Pearl & Mackenzie, 2018) y PAP moderado (Banerjee et al., 2020) como esqueleto operativo.
- (3.A.1) Recolectar, procesar y organizar datos para estimaciones econométricas.
- [Clásico] con poder estadístico, tamaño muestral (Cohen, 1988) y aleatorización cuando aplique.
- [Aumentado] con copilots y
pair programmingIA — bajo audit log explícito.
- (3.B.1) Formular y ejecutar procesos de investigación factibles, acotados y ordenados.
- [Clásico] con criterios FINER (Feasible, Interesting, Novel, Ethical, Relevant) (Hulley et al., 2013) y delimitación temporal/espacial/poblacional/conceptual.
- [Aumentado] con repo Quarto reproducible (Allaire et al., 2024), audit log AIAS y portfolio público.
4.3 Resultados de aprendizaje IA² (específicos 2026)
- Distinguir cuándo la IA aumenta su capacidad investigativa vs cuándo la reemplaza incorrectamente.
- Declarar el modo AIAS (1–5) en cada entregable y mantener audit log explícito.
- Verificar outputs de IA contra fuentes originales (citas, datos, derivaciones).
- Adoptar prácticas modernas: DAGs causales (Cinelli et al., 2024; Pearl & Mackenzie, 2018), PRISMA 2020 (Page et al., 2021), PAP moderado (Banerjee et al., 2020), Quarto reproducible (Allaire et al., 2024).
- Sostener agencia humana en decisiones investigativas ante asistencia IA.
4.4 Anatomía de los dos sentidos (tabla maestra)
Esta tabla es la espina dorsal del curso: cada slide, lab y rúbrica se referencia contra ella. Cualquier concepto metodológico se enseña expresando ambas columnas.
| Dimensión | Sentido clásico | Sentido aumentado IA² |
|---|---|---|
| Pregunta | Tipología (descriptiva / exploratoria / explicativa / predictiva / causal); criterios FINER (Hulley et al., 2013) | Refinamiento iterativo con LLM crítico; caza de “preguntas plausibles pero no investigables” |
| Problema | Fuentes (vacío en literatura, contradicción, anomalía empírica, replicación) (Hernández-Sampieri, 2010); delimitación temporal/espacial/poblacional/conceptual | COIN viva con bitácora de prompts; filtro Actores–Relaciones–Variables (ARV) |
| Objetivos | Bloom cognoscitivo aplicado a OG/OE (Anderson & Krathwohl, 2001); SMART (Locke & Latham, 1990); verbos medibles | Plantilla asistida + crítica de editor IA tras borrador humano |
| Lit. review | Tipologías (sistemática / narrativa / rápida / scoping / meta-análisis) (Grant & Booth, 2009); búsqueda booleana + snowballing (Webster & Watson, 2002) | PRISMA 2020 (Page et al., 2021) + Elicit / NotebookLM / Scite + triangulación de modelos |
| Marco teórico | Constructo, operacionalización (Hernández-Sampieri, 2010, 6), validez de constructo (Bryman, 2016) | Mapeo conceptual asistido; LLMs como interlocutores de la lógica teórica |
| Hipótesis | H₀ / H₁; direccional / no direccional; sustantiva / estadística; simple / compuesta | DAGs en dagitty (Cinelli et al., 2024; Pearl & Mackenzie, 2018); ML para generación de hipótesis (Ludwig & Mullainathan, 2024) |
| Métodos | Cuanti experimental (poder, n, aleatorización) (Cohen, 1988; Shadish et al., 2002); cuali riguroso (saturación, codificación abierta-axial-selectiva) (Strauss & Corbin, 1998; Yin, 2018); mixto (Creswell & Plano Clark, 2018) | DiD revolution (Callaway & Sant’Anna, 2021; Roth et al., 2023); control sintético (Abadie, 2021); LLMs como datos econométricos (Ludwig et al., 2025) |
| Triangulación | Metodológica clásica: datos, investigador, teoría, método (Denzin, 1978) | De LLMs: tres modelos contra la misma pregunta (Lab L2) — complemento, no reemplazo |
| Ética | Belmont (National Commission for the Protection of Human Subjects of Biomedical and Behavioral Research, 1979); IRB; consentimiento informado; conflicto de intereses; replicabilidad / open science (Munafò et al., 2017) | Declaración AIAS; audit log; transparencia de prompts |
| Comunicación | IMRaD; storytelling científico; póster académico | Quarto reproducible (Allaire et al., 2024); IA como editora, no autora (Noy & Zhang, 2023) |
Tip
Cómo se usa esta tabla en el aula. Cuando se introduce un concepto en cualquier sesión, los slides muestran ambas columnas (patrón “dos columnas”) y la pregunta de cierre del bloque siempre es: ¿cuándo la columna A es suficiente? ¿cuándo la columna B aporta? ¿cuándo la columna B engaña?
5. Contenidos (7 unidades en 3 sprints sobre el proyecto único de tesis)
Las 7 unidades didácticas se entregan en 3 sprints sobre un proyecto único: la propuesta de tesis del estudiante.
Sprint A — FRAMING (S01–S03 · 12h)
Unidad 1 — Manifiesto IA² + Encuadre del curso (parte de S01)
- Inteligencia Aumentada vs Inteligencia Artificial.
- Linaje conceptual: Engelbart 1962, Daugherty-Wilson 2018, Brynjolfsson 2022, Acemoglu-Restrepo 2018, Korinek 2023, Messeri-Crockett 2024.
- AI Assessment Scale (AIAS) reinterpretada como modos de augmentación.
- Política del curso: declaración + verificación + agencia humana auditable.
- Onboarding técnico: Quarto, Git, GitHub Pages, repo público inicializado.
Unidad 2 — De situación problemática a problema de investigación (S02 + parte de S03)
- ¿Qué hace que una situación problemática sea relevante desde la economía?
- Filtro Actores–Relaciones–Variables (ARV) como pre-DAG.
- COIN viva: búsqueda con bitácora de prompts proyectada.
- Datos no hablan solos: descriptiva como filtro de relevancia.
- Cómo se redacta una pregunta de investigación.
Unidad 3 — Elaboración de objetivos (parte de S03)
- Los objetivos como compromiso metodológico, no como retórica.
- PAP moderado (Banerjee et al., 2020) como esqueleto.
- Manifiesto de ciencia reproducible (Munafò et al., 2017); p-hacking diferencial (Brodeur et al., 2020).
- Verbos medibles + correlato metodológico.
Producto Sprint A: Research Brief v2.0 en repo Quarto público + audit log H1.
Sprint B — EVIDENCE (S04–S05 · 8h)
Unidad 4 — Revisión de literatura asistida por IA (S04)
- PRISMA 2020 (Page et al., 2021) como esqueleto obligatorio.
- Pipeline 4 fases: Discovery → Screening → Extraction → Synthesis.
- Stack IA: OpenAlex (Priem et al., 2022), Connected Papers, Elicit, NotebookLM, Scite (Nicholson et al., 2021),
bibliometrix(Aria & Cuccurullo, 2017). - Caza de alucinaciones (Buchanan et al., 2024).
- Triangulación con múltiples modelos (Khraisha et al., 2024; Lau et al., 2025).
Unidad 5 — Marco teórico e hipótesis (S05)
- Estado del arte ≠ marco teórico.
- DAGs como lengua franca (Cinelli et al., 2024; Hernán & Robins, 2020; Pearl & Mackenzie, 2018).
- Three types of controls: good, bad, neutral.
- ML como herramienta de generación de hipótesis (Ludwig & Mullainathan, 2024).
- LLMs como sujetos experimentales (Manning et al., 2024) — caso límite.
Producto Sprint B: Evidence Map + DAG + 2-3 hipótesis + audit log H2.
Sprint C — DESIGN & DEFENSE (S06–S08 · 12h)
Unidad 6 — Métodos modernos asistidos por IA (S06, 6h)
- El método se elige por la pregunta.
- DiD revolution (Callaway & Sant’Anna, 2021; de Chaisemartin & D’Haultfœuille, 2020; Goodman-Bacon, 2021; Roth et al., 2023).
- Mostly Harmless ya quedó atrás: Cunningham (Cunningham, 2021) + Huntington-Klein (Huntington-Klein, 2022).
- Síntesis de control (Abadie, 2021); ML para economistas (Athey & Imbens, 2019).
- LLMs como datos econométricos (Ludwig et al., 2025).
- Mixed methods (Creswell & Plano Clark, 2018).
Unidad 7 — Comunicación y visualización (S07–S08)
- Quarto como infraestructura reproducible (Allaire et al., 2024; Vilhuber, 2020).
- Visualización moderna (Schwabish, 2021; Wilke, 2019).
- IA como editora, no autora (Noy & Zhang, 2023).
- Detección no funciona — declaración sí (Perkins, Roe, et al., 2024; Perkins, Furze, et al., 2024).
- Storytelling científico de 3 actos.
- Sustentación oral en modo AIAS 1 (No AI).
Producto Sprint C: Póster Quarto + Repo público + Defensa oral + audit log H4.
6. Evaluación
| Hito | Peso | Deadline | Modo AIAS |
|---|---|---|---|
| H1 — Research Brief v2.0 | 15% | S03 (mié 13/05) | 3 — Collaboration |
| H2 — Evidence Map + DAG + Hipótesis | 20% | S05 (vie 15/05) | 3 — Collaboration |
| H3 — PAP moderado + Lab-4 | 20% | vie 22/05 · 23:59 (asincrónico post-S06) | 4 — Full Support |
| H4 — Video Poster + Repo + Defensa | 35% | S08 (sáb 23/05 · 4h online · N=17) | 2 — Planning + 1 — No AI en defensa |
| Peer Review formal | 10% | vie 22/05 · 23:59 (24h antes de S08) | 1 — No AI |
5 ejes en cada rúbrica (20% cada uno):
- Adopción de práctica moderna (DAG, PRISMA, PAP, Quarto).
- Honestidad metodológica (límites declarados, supuestos explícitos).
- Calidad técnica (ejecución, código, datos).
- Trazabilidad humana aumentada (audit log + AIAS declarado).
- Rigor metodológico clásico — operacionalizado por hito:
- H1: tipo de pregunta declarado, FINER aplicado con justificación, delimitación explícita, coherencia pregunta→OG→OE con verbos Bloom, criterios de relevancia disciplinar.
- H2: tipo de revisión declarado con justificación, criterios I/E preespecificados, snowballing documentado además del stack IA, marco teórico distinguido del estado del arte, operacionalización de cada constructo del DAG.
- H3: tipos de hipótesis correctamente clasificados, validez interna+externa con amenazas identificadas (Shadish-Cook-Campbell), cálculo de poder/saturación según método, triangulación metodológica clásica cuando aplique.
- H4: IMRaD legible en póster, limitaciones por tipo de validez (no genéricas), en defensa AIAS-1 puede explicar pregunta/supuestos/método/hipótesis/limitaciones sin recurrir a vocabulario IA.
Advertencia
Reglas de no-liberación de nota (simétricas, materializan el principio de los dos sentidos):
- Sin audit log → nota = 0. Una propuesta sin trazabilidad humana aumentada no es defendible.
- Eje (v) Rigor metodológico clásico en nivel 1 → la nota no se libera hasta corrección. Una propuesta sin armazón clásico no es defendible aunque tenga IA² impecable.
La regla es paritaria: el curso exige rigor en ambos sentidos, no en uno solo.
Detalles completos: evaluacion-rubricas.qmd y rúbricas en 03-evaluaciones/rubricas/.
7. Cronograma intensivo (32h en 8 sesiones · 11–23 mayo 2026)
| # | Fecha | Modalidad | Horas | Sprint · Foco |
|---|---|---|---|---|
| S01 | Lun 11/05 | Presencial | 4 | A — Manifiesto IA² + Encuadre |
| S02 | Mar 12/05 | Presencial | 4 | A — Problema + COIN viva |
| S03 | Mié 13/05 | Presencial | 4 | A — Pregunta + Lab L1 + 🎯 H1 |
| S04 | Jue 14/05 | Presencial | 4 | B — PRISMA + Lab L2 |
| S05 | Vie 15/05 | Presencial | 4 | B — DAG + Lab L3 + 🎯 H2 |
| S06 | Mar 19/05 | Online | 3 | C — Métodos modernos + Lab L4 (H3 entrega asíncrona vie 22/05) |
| S07 | Jue 21/05 | Online | 3 | C — Ética + Comunicación + Peer Review (deadline vie 22/05) |
| S08 | Sáb 23/05 | Online | 4 | C — 🎯 H4 Sustentación (defensa rotativa N=17) |
Detalles sesión-a-sesión: cronograma.qmd.
8. Pedagogía: Studio Model + Flipped + Project-Based
- Studio Model: las 32h son taller activo sobre la tesis viva. Cero exposición pasiva.
- Flipped por default: lo expositivo se entrega vía podcasts NotebookLM + slides asíncronos + lecturas. Aula = crítica + experimentación + producción.
- Mini-lectures de anclaje: ≤30 min/sesión para conceptos pivote.
- Pair-research: estudiantes trabajan en pares rotativos.
- Project-based: producto único = propuesta de tesis en repo Quarto público.
- AIAS por default + audit log: trazabilidad humana en cada entregable.
- Portfolio público: GitHub Pages como vitrina permanente.
Ver método pedagógico completo: metodologia/.
9. Bibliografía
Anchors históricos del marco IA² (lectura obligatoria S01)
Núcleo del curso (lecturas obligatorias por unidad)
- U1: Korinek (2023); Messeri & Crockett (2024); Perkins, Furze, et al. (2024); Bender et al. (2021).
- U2: Ludwig & Mullainathan (2024); Hulley et al. (Designing Clinical Research, FINER framework); Woo et al. (2024).
- U3: Banerjee et al. (2020); Munafò et al. (2017); Brodeur et al. (2020); Christensen & Miguel (2018).
- U4: Page et al. (2021); Aria & Cuccurullo (2017); Khraisha et al. (2024); Buchanan et al. (2024).
- U5: Pearl & Mackenzie (2018); Cinelli et al. (2024); Hernán & Robins (2020).
- U6: Cunningham (2021); Huntington-Klein (2022); Roth et al. (2023); Ludwig et al. (2025).
- U7: Schwabish (2021); Wilke (2019); Allaire et al. (2024); Vilhuber (2020).
Bibliografía completa
86 entradas curadas 2020–2026 + clásicos en references.bib. Las fichas de lectura viven dentro de cada unidad — ver 01-unidades/.
10. Política de uso de IA
Resumen ejecutivo: declaración + verificación + agencia humana auditable.
Política completa: politica-ia.qmd.
11. Recursos del curso
- Sitio web: https://jcmunozmora.github.io/curso_seminario_investigacion
- GitHub: https://github.com/jcmunozmora/curso_seminario_investigacion
- Brightspace: módulo del curso en EAFIT.
- Manifiesto IA²:
manifiesto-ia-aumentada.qmd. - 5 Laboratorios IA²:
04-labs/. - Plantilla Quarto del estudiante:
03-evaluaciones/plantilla-tesis-quarto/. - Podcasts NotebookLM: scripts y notas de encuadre viven en
01-unidades/<U>/prompts/dentro de cada unidad.
12. Profesor
Juan Carlos Muñoz-Mora, PhD Universidad EAFIT · Escuela de Finanzas, Economía y Gobierno · Departamento de Economía jmunozm1@eafit.edu.co
Nota
Versión institucional firmada (PDF): EC0744_oficial_2024.pdf (programa por competencias).
Este documento es la versión viva 2026 del syllabus — refleja la implementación con marco IA² del curso.
Referencias
Abadie, A. (2021). Using Synthetic Controls: Feasibility, Data Requirements, and Methodological Aspects. Journal of Economic Literature, 59(2), 391-425. https://doi.org/10.1257/jel.20191450
Acemoglu, D., & Restrepo, P. (2018). The Race Between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment. American Economic Review, 108(6), 1488-1542. https://doi.org/10.1257/aer.20160696
Allaire, J. J., Teague, C., Scheidegger, C., Xie, Y., & Dervieux, C. (2024). Quarto. https://doi.org/10.5281/zenodo.5960048
Anderson, L. W., & Krathwohl, D. R. (2001). A Taxonomy for Learning, Teaching, and Assessing: A Revision of Bloom’s Taxonomy of Educational Objectives. Longman.
Aria, M., & Cuccurullo, C. (2017). bibliometrix: An R-tool for Comprehensive Science Mapping Analysis. Journal of Informetrics, 11(4), 959-975. https://doi.org/10.1016/j.joi.2017.08.007
Athey, S., & Imbens, G. W. (2019). Machine Learning Methods That Economists Should Know About. Annual Review of Economics, 11, 685-725. https://doi.org/10.1146/annurev-economics-080217-053433
Banerjee, A., Duflo, E., Finkelstein, A., Katz, L. F., Olken, B. A., & Sautmann, A. (2020). In Praise of Moderation: Suggestions for the Scope and Use of Pre-Analysis Plans for RCTs in Economics (NBER Working Paper 26993). National Bureau of Economic Research. https://doi.org/10.3386/w26993
Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT ’21), 610-623. https://doi.org/10.1145/3442188.3445922
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
Bryman, A. (2016). Social Research Methods (5th ed.). Oxford University Press.
Brynjolfsson, E. (2022). The Turing Trap: The Promise and Peril of Human-Like Artificial Intelligence. Daedalus, 151(2), 272-287. https://doi.org/10.1162/daed_a_01915
Buchanan, J., Hill, S., & Shapoval, O. (2024). ChatGPT Hallucinates Non-existent Citations: Evidence from Economics. The American Economist, 69(1), 80-87. https://doi.org/10.1177/05694345231218454
Callaway, B., & Sant’Anna, P. H. C. (2021). Difference-in-Differences with Multiple Time Periods. Journal of Econometrics, 225(2), 200-230. https://doi.org/10.1016/j.jeconom.2020.12.001
Christensen, G., & Miguel, E. (2018). Transparency, Reproducibility, and the Credibility of Economics Research. Journal of Economic Literature, 56(3), 920-980. https://doi.org/10.1257/jel.20171350
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
Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.
Creswell, J. W., & Plano Clark, V. L. (2018). Designing and Conducting Mixed Methods Research (3rd ed.). SAGE Publications.
Cunningham, S. (2021). Causal Inference: The Mixtape. Yale University Press.
Daugherty, P. R., & Wilson, H. J. (2018). Human + Machine: Reimagining Work in the Age of AI. Harvard Business Review Press.
de Chaisemartin, C., & D’Haultfœuille, X. (2020). Two-Way Fixed Effects Estimators with Heterogeneous Treatment Effects. American Economic Review, 110(9), 2964-2996. https://doi.org/10.1257/aer.20181169
Denzin, N. K. (1978). The Research Act: A Theoretical Introduction to Sociological Methods (2nd ed.). McGraw-Hill.
Engelbart, D. C. (1962). Augmenting Human Intellect: A Conceptual Framework [Summary Report AFOSR-3223]. Stanford Research Institute.
Goodman-Bacon, A. (2021). Difference-in-Differences with Variation in Treatment Timing. Journal of Econometrics, 225(2), 254-277. https://doi.org/10.1016/j.jeconom.2021.03.014
Grant, M. J., & Booth, A. (2009). A Typology of Reviews: An Analysis of 14 Review Types and Associated Methodologies. Health Information & Libraries Journal, 26(2), 91-108. https://doi.org/10.1111/j.1471-1842.2009.00848.x
Hernán, M. A., & Robins, J. M. (2020). Causal Inference: What If. Chapman & Hall/CRC.
Hernández-Sampieri, R. (2010). Metodología de la Investigación: Las Rutas Cuantitativa, Cualitativa y Mixta (p. 654). McGraw Hill.
Hulley, S. B., Cummings, S. R., Browner, W. S., Grady, D. G., & Newman, T. B. (2013). Designing Clinical Research (4th ed.). Lippincott Williams & Wilkins.
Huntington-Klein, N. (2022). The Effect: An Introduction to Research Design and Causality. Chapman & Hall/CRC. https://doi.org/10.1201/9781003226055
Khraisha, Q., Put, S., Kappenberg, J., Warraitch, A., & Hadfield, K. (2024). Can Large Language Models Replace Humans in Systematic Reviews? Evaluating GPT-4’s Efficacy in Screening and Extracting Data from Peer-Reviewed and Grey Literature in Multiple Languages. Research Synthesis Methods, 15(4), 616-626. https://doi.org/10.1002/jrsm.1715
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
Lau, J. et al. (2025). Comparison of Elicit AI and Traditional Literature Searching in Evidence Syntheses Using Four Case Studies. Cochrane Evidence Synthesis and Methods, 3(5). https://doi.org/10.1002/cesm.70050
Locke, E. A., & Latham, G. P. (1990). A Theory of Goal Setting and Task Performance.
Ludwig, J., & Mullainathan, S. (2024). Machine Learning as a Tool for Hypothesis Generation. Quarterly Journal of Economics, 139(2), 751-827. https://doi.org/10.1093/qje/qjad055
Ludwig, J., Mullainathan, S., & Rambachan, A. (2025). Large Language Models: An Applied Econometric Framework (NBER Working Paper 33344). National Bureau of Economic Research. https://doi.org/10.3386/w33344
Manning, B. S., Zhu, K., & Horton, J. J. (2024). Automated Social Science: Language Models as Scientist and Subjects (NBER Working Paper 32381). National Bureau of Economic Research. https://doi.org/10.3386/w32381
Messeri, L., & Crockett, M. J. (2024). Artificial Intelligence and Illusions of Understanding in Scientific Research. Nature, 627(8002), 49-58. https://doi.org/10.1038/s41586-024-07146-0
Munafò, M. R., Nosek, B. A., Bishop, D. V. M., Button, K. S., Chambers, C. D., Percie du Sert, N., Simonsohn, U., Wagenmakers, E.-J., Ware, J. J., & Ioannidis, J. P. A. (2017). A Manifesto for Reproducible Science. Nature Human Behaviour, 1(1), 0021. https://doi.org/10.1038/s41562-016-0021
National Commission for the Protection of Human Subjects of Biomedical and Behavioral Research. (1979). The Belmont Report: Ethical Principles and Guidelines for the Protection of Human Subjects of Research. U.S. Department of Health, Education,; Welfare. https://www.hhs.gov/ohrp/regulations-and-policy/belmont-report/index.html
Nicholson, J. M., Mordaunt, M., Lopez, P., Uppala, A., Rosati, D., Rodrigues, N. P., Grabitz, P., & Rife, S. C. (2021). scite: A Smart Citation Index that Displays the Context of Citations and Classifies Their Intent Using Deep Learning. Quantitative Science Studies, 2(3), 882-898. https://doi.org/10.1162/qss_a_00146
Noy, S., & Zhang, W. (2023). Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. Science, 381(6654), 187-192. https://doi.org/10.1126/science.adh2586
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., et al. (2021). The PRISMA 2020 Statement: An Updated Guideline for Reporting Systematic Reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
Pearl, J., & Mackenzie, D. (2018). The Book of Why: The New Science of Cause and Effect. Basic Books.
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
Perkins, M., Roe, J., Postma, D., McGaughran, J., & Hickerson, D. (2024). Detection of GPT-4 Generated Text in Higher Education: Combining Academic Judgement and Software to Identify Generative AI Tool Misuse. Journal of Academic Ethics, 22, 89-113. https://doi.org/10.1007/s10805-023-09492-6
Priem, J., Piwowar, H., & Orr, R. (2022). OpenAlex: A Fully-Open Index of Scholarly Works, Authors, Venues, Institutions, and Concepts. https://doi.org/10.48550/arXiv.2205.01833
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.
Shadish, W. R., Cook, T. D., & Campbell, D. T. (2002). Experimental and Quasi-Experimental Designs for Generalized Causal Inference. Houghton Mifflin.
Strauss, A., & Corbin, J. (1998). Basics of Qualitative Research: Techniques and Procedures for Developing Grounded Theory (2nd ed.). SAGE Publications.
Vilhuber, L. (2020). Reproducibility and Replicability in Economics. Harvard Data Science Review, 2(4). https://doi.org/10.1162/99608f92.4f6b9e67
Webster, J., & Watson, R. T. (2002). Analyzing the Past to Prepare for the Future: Writing a Literature Review. MIS Quarterly, 26(2), xiii-xxiii. https://www.jstor.org/stable/4132319
Wilke, C. O. (2019). Fundamentals of Data Visualization: A Primer on Making Informative and Compelling Figures. O’Reilly Media.
Woo, D. J., Susanto, H., Yeung, C. H., Guo, K., & Fung, A. K. Y. (2024). Effects of a Prompt Engineering Intervention on Undergraduate Students’ AI Self-Efficacy, AI Knowledge and Prompt Engineering Ability: A Mixed Methods Study. British Educational Research Journal. https://doi.org/10.1002/berj.70087
Yin, R. K. (2018). Case Study Research and Applications: Design and Methods (6th ed.). SAGE Publications.