Trabajo 4

 

UNIVERSIDAD TECNOLÓGICA BOLIVIANA

DIPLOMADO EN EDUCACIÓN SUPERIOR APLICADO A LA INTELIGENCIA ARTIFICIAL

MODULO IV.

LA INVESTIGACIÓN CIENTÍFICA MEDIANTE EL USO DE LA INTELIGENCIA ARTIFICIAL – PARALELO F EXPRESS

DOCUMENTO CIENTIFICO 4

INVESTIGACION CUANTITATIVA Vs. CUALITATIVA CON INTELIGENCIA ARTIFICIAL EN LA CONTADURIA PUBLICA

 

Estudiante: Quispe Luna Adriana

Docente: Dr. Pablo Aranda Manrique, PhD

 

Bolivia

2025

 

1 INTRODUCCION

 

 

La contaduría pública ha operado tradicionalmente bajo el enfoque cuantitativo, priorizando la medición numérica y la verificabilidad de los estados financieros. Sin embargo, la disciplina reconoce la importancia de factores cualitativos como la ética, la cultura organizacional y la percepción del riesgo, cuyo estudio demanda metodologías de comprensión profunda.

 

 

La inteligencia artificial, mediante herramientas como el aprendizaje automático y el procesamiento de lenguaje natural, está reconfigurando esta dualidad transformándola en una información más completa e integra.

 

 

2 OBJETIVO DE LA INVESTIGACION

 

 

Propósito General

Analizar el impacto de la Inteligencia Artificial en la redefinición y aplicación de los enfoques de investigación Cuantitativo y Cualitativo dentro de la Contaduría Pública, e identificar las oportunidades y desafíos que presenta para la generación de conocimiento en la disciplina.

 

 

Propósitos Específicos

Describir las aplicaciones de la inteligencia artificial que potencian la investigación cuantitativa.

 

 

Evaluar cómo la inteligencia artificial permite la sistematización del análisis de datos cualitativos en la Contaduría.

Contrastar las implicaciones éticas y metodológicas de ambos enfoques al integrarse con herramientas de inteligencia artificial.

 

 

3 ESTADO DEL ARTE

 

 

El desafío metodológico y la inteligencia artificial:

La Inteligencia Artificial ha irrumpido en la contabilidad desafiando la ortodoxia metodológica. La investigación cuantitativa tradicional, aunque sólida, no puede manejar por sí sola la complejidad de los datos actuales:

"El análisis de datos masivos... requiere la adaptación de la metodología contable, que debe ir más allá de los modelos estadísticos tradicionales" (Vasarhelyi, Kogan, & Alles, 2015, p. 5).

 

 

La inteligencia artificial permite una auditoría continua, haciendo que "la detección de anomalías sea un proceso en tiempo real, transformando la naturaleza de las pruebas sustantivas" (Brown-Liburd, 2015, p. 11).

 

 

El enfoque cualitativo asistido por procesamiento del lenguaje natural:

El enfoque cualitativo busca una comprensión profunda del contexto. Gracias al procesamiento del lenguaje natural, ahora se puede aplicar a volúmenes de texto antes inabarcables, democratizando la investigación cualitativa a gran escala:

"El enfoque cualitativo intenta identificar la naturaleza de las experiencias y del proceso por el cual éstas se estructuran, a diferencia del enfoque cuantitativo que se interesa por la magnitud de las variables" (Taylor & Bogdan, 1987, p. 20).

 

 

La tecnología del procesamiento del lenguaje natural es "un factor clave que permite la extracción sistemática de información cualitativa de reportes narrativos extensos" (Nájera Núñez et al., 2025, p. 265).

 

 

“Esto convierte el texto no estructurado en datos analizables, permitiendo evaluar el sentimiento en las notas a los estados financieros y detectar sesgos narrativos” (Lustgarten, 2020, p. 55).

 

 

La convergencia y la ética:

La inteligencia artificial crea un poderoso paradigma de métodos mixtos, pero introduce problemas éticos cruciales, como la opacidad de los algoritmos:

"La IA no sustituye el juicio profesional, sino que lo complementa, proporcionando información que requiere ser interpretada dentro de un marco ético" (Marr, 2018, p. 88).

 

 

El problema de la caja negra es significativo, pues "la falta de transparencia algorítmica puede socavar la confianza en las decisiones contables automatizadas" (García-Benau, 2021, p. 102).

 

 

En esencia, la investigación contable del futuro debe enfocarse en "la interpretación humana de los resultados generados por la máquina, manteniendo la primacía del juicio ético" (Sutton, 2016, p. 45).

 

 

 

 

4 CONCLUSION

 

La inteligencia artificial no es simplemente una herramienta más, es el que está obligando a la contaduría pública a reconciliar sus dos grandes enfoques de investigación. El análisis de las finanzas se centró en los números que es la parte cuantitativa, dejando de lado las narrativas y la ética la parte cualitativa por considerarlas demasiado complejas o subjetivas. El procesamiento del lenguaje natural permite que esos textos y percepciones se analicen de forma masiva y sistemática, haciendo que la investigación cualitativa sea tan rigurosa como la cuantitativa. El resultado es el uso de métodos mixtos mucho más robusto. Sin embargo, esta integración plantea el desafío al contador que debe asegurarse de que la eficiencia de la máquina no deje de lado la necesidad de juicio profesional y ética. En definitiva, el futuro de la investigación contable será combinado impulsado por la inteligencia artificial, pero siempre dirigido por la interpretación humana.

 

 

BIBLIOGRAFIA

 

 

Brown-Liburd, H. (2015). Artificial intelligence and its impact on the future of auditing. Los Ángeles, Estados Unidos: Journal of Accounting Research

García-Benau, M., Llodra-Gabriel, P., & Mora, A. (2021). Challenges of Artificial Intelligence in Auditing. Basilea, Suiza: A Systematic Review. Sustainability

Lustgarten, M. (2020). Inteligencia Artificial y el Futuro de la Contaduría Pública. Lima, Perú: Revista de Contabilidad y Negocios

Marr, B. (2018). Artificial Intelligence in Practice: How 50 Successful Companies Used AI and Machine Learning to Solve Problems. Hoboken NJ, Estados Unidos: John Wiley & Sons.

Nájera B., Blum H., López R., & Villegas-Yagual, F. (2025). La inteligencia artificial en contabilidad y finanzas. Latacunga, Ecuador: RECIMUNDO

Sutton, S., Holt, M., & Staley, A. (2016). The promise and peril of artificial intelligence for auditing. Tuscaloosa, Estados Unidos: Journal of Information Systems

Taylor, S., & Bogdan, R. (1987). Introducción a los métodos cualitativos de investigación. Buenos Aires, Argentina: Paidós.

Vasarhelyi, M., Kogan, A., & Alles, M. (2015). Data Analytic in Auditing: A Case Study using Audit and Continuous Monitoring Technologies. Hoboken, Estados Unidos: John Wiley & Sons.