Transcribir, anonimizar y organizar el corpus ya es parte del análisis: no es un trámite previo neutro.
Del audio y el texto bruto a un material trabajable: decisiones, criterios y archivo.
Una investigación cualitativa produce audios, videos, cuadernos de campo y documentos. Antes de analizar hay tres trabajos materiales que el equipo debe resolver con el mismo rigor con el que después va a codificar: transcribir lo dicho, anonimizar lo identificado y organizar el archivo para que cada persona del equipo pueda navegarlo. Estos tres trabajos son la antesala del análisis y, si se hacen mal, contaminan todo lo que viene después. Este apunte se ocupa específicamente del oficio material del corpus.
Conviene leer primero los apuntes sobre técnicas de recolección y ética aplicada, porque allí se discuten los principios que aquí se vuelven procedimiento. Lo que sigue es la traducción de esos principios a tareas concretas con archivos, carpetas y formatos.
1. La transcripción ya es interpretación
La idea de que la transcripción es una copia neutra del audio es una ilusión cómoda. Poland (1995) sostiene que la calidad de la transcripción es, en sí misma, un aspecto del rigor de la investigación: el nivel de detalle, las convenciones elegidas y los silencios registrados determinan qué podrá verse después en el análisis. Poland (1995) distingue entre transcripción «naturalista», cercana al audio, y transcripción «analítica», ya orientada a categorías. La primera sirve para análisis del discurso; la segunda, para análisis temático rápido. Mezclarlas produce archivos inconsistentes que obligan a re-transcribir.
Lo que el transcriptor decide —qué pausas marca, qué énfasis tipografía, qué interrupciones conserva— abre o cierra preguntas de investigación. Un equipo que necesita analizar ritmo y toma de turno grabará pausas en milésimas; un equipo que analiza categorías temáticas podrá usar un verbatim limpio. Ninguno de los dos enfoques es más «objetivo». Ambos son elecciones metodológicas que deben quedar registradas.
1.1. Niveles de detalle
Gibbs (2007) recoge una escala útil para decidir el nivel de detalle. Nivel 1: solo las palabras dichas, sin marcas especiales. Nivel 2: pausas marcadas con comas, énfasis con mayúsculas. Nivel 3: notación tipo Jefferson con pausas en segundos, alargamientos, interrupciones, risas, respiraciones. Nivel 4: transcripción fonética con alineación al audio. La mayoría de investigaciones en ciencias sociales se mueven entre el 2 y el 3.
La transcripción no es un paso preparatorio que se hace antes del análisis. Es el primer encuentro interpretativo con el dato. (Poland, 1995)
1.2. Convenciones de notación
Si el equipo no fija convenciones antes de empezar, cada transcriptor inventará las suyas y el corpus quedará ilegible. La convención de Gail Jefferson, pensada para análisis conversacional, es la más extendida y vale la pena adoptarla como mínimo común. Sus elementos básicos: pausas cortas (.), pausas medidas en segundos (1.5), alargamientos biien, énfasis con mayúsculas, solapamientos con corchetes, habla simultánea indescifrable con (ininteligible), transcripción fonética para dialectos, uso de códigos numéricos para identificar hablantes por turno.
Ejemplo de extracto con convención Jefferson
E1: yo entré a la terapia porque mi mamá me(::) empujó,
o sea yo no quería ir (.) pero después me sirvió
E2: [claro]
E1: [me sirvió] mucho (1.2) sobre todo al principio
E2: sí sí al principio es cuando más te:: agarra
(ininteligible) (.) y después se va::: como
haciendo parte
Marcas visibles: pausa larga de 1.2 segundos, alargamiento de «te» y «va», solapamiento en «claro / me sirvió», habla no transcribible. Sin estas marcas, el análisis de ritmo y toma de turno no podría hacerse.
2. Auditar la transcripción
Toda transcripción humana tiene errores. La auditoría no es un lujo: es un control de calidad. Un error de transcripción cambia el dato, y un dato cambiado cambia el análisis. Gibbs (2007) recomienda revisar cada entrevista con el audio a la vista al menos una vez. Para corpus extensos se trabaja por turnos: una persona transcribe, otra revisa.
2.1. Lista de comprobación al auditar
Checklist operativo de auditoría de una transcripción
- El audio se reproduce de principio a fin y corresponde al archivo de audio original sin recortes.
- Las primeras líneas del archivo identifican el estudio, el código del entrevistado, la fecha, la duración y el transcriptor.
- Cada hablante está identificado con un código consistente (E1, E2, M, I, etc.) a lo largo del documento.
- Las pausas cortas y largas están marcadas según la convención adoptada al inicio del proyecto.
- Los solapamientos aparecen con la marca de inicio
[en cada hablante simultáneo. - Las partes ininteligibles están señalizadas, no rellenadas con suposición del transcriptor.
- Los nombres propios aparecen enmascarados con la convención de pseudónimos, no con el nombre real.
- Las notas del transcriptor están separadas del habla transcrita, con un prefijo visible como
[NOTA_T: ...]. - El archivo está guardado con la extensión correcta (
.txt,.docx,.vtt,.srt) y nombre consistente con el índice del corpus. - La codificación del archivo (UTF-8) permite leer acentos y signos de interrogación iniciales sin artefactos.
Cuando una auditoría encuentra inconsistencias entre transcriptores, se decide en equipo y se documenta en la bitácora. Si un transcriptor usó pausas con comas y otro con números, el corpus queda inutilizable hasta unificar. Por eso conviene una sola reunión corta al inicio del proyecto para alinear criterios.
3. La anonimización no es borrar contexto
Hay una tentación frecuente: anonimizar como si fuera borrar. Se reemplazan nombres y se da por hecho que el material ya es publicable. La anonimización es un equilibrio entre proteger a las personas y conservar el contexto necesario para que el dato siga siendo interpretable. Borrar de más produce un corpus inerte, sin geografía, sin tiempo, sin relaciones. Borrar de menos expone a las personas y compromete el compromiso ético firmado en el consentimiento.
El criterio operativo es triple: identificar al sujeto, identificar al contexto y decidir qué nivel de detalle necesita el análisis para seguir siendo válido. Si para entender una frase hace falta saber que la persona es docente rural, esa información se conserva categorizada. Si para entender una frase hace falta saber su nombre entero y el de su escuela, esa información se sustituye.
3.1. Técnicas de anonimización
| Técnica | Qué hace | Cuándo conviene |
|---|---|---|
| Pseudonimización | Sustituye nombres propios por códigos o seudimos consistentes (E01, E02). | Cuando la persona aparece varias veces y el lector necesita rastrear recurrencias sin identificar. |
| Supresión localizada | Elimina el fragmento identificable y lo marca con [suprimido]. |
Cuando el dato no aporta al análisis y su presencia arriesga re-identificación cruzada. |
| Generalización | Reemplaza el dato específico por la categoría (la ciudad por la región, el año exacto por el rango). | Cuando el análisis no requiere precisión fina y la generalización no lo altera. |
| Contextualización agregada | Sustituye cifras individuales por rangos (entre 5 y 10 años de experiencia). | Cuando se trabaja con datos numéricos dentro de narrativa (años, ingresos, cantidades). |
| Cifrado de archivo | Restringe el acceso al archivo original sin modificar el contenido. | Cuando se conserva la versión con nombres para uso interno del equipo de investigación. |
Tabla 1. Técnicas habituales de anonimización adaptadas al trabajo con corpus cualitativos. La elección depende del equilibrio entre protección y conservación del contexto analítico, y varía de fragmento en fragmento.
3.2. Errores comunes en anonimización
Ejemplos resueltos de anonimización por técnica
Caso A. Docente entrevistada. Frase original: «yo entré al Colegio San Ignacio de La Calera en 1998». Versión anonimizada: «yo entré a un colegio privado católico del interior de la provincia en los años noventa». La categoría institucional (colegio privado católico) y la década son necesarias para interpretar la experiencia; el nombre del colegio y la localidad no lo son.
Caso B. Paciente en tratamiento. Frase original: «me diagnosticaron en el Hospital Italiano en marzo del 2021». Versión anonimizada: «me diagnosticaron en un hospital público de la ciudad meses antes de la pandemia». La temporalidad relativa y el tipo de institución son útiles; el nombre del hospital y el mes exacto no.
Caso C. Familiar de persona detenida. Frase original: «mi hermano estaba en el penal de Ezeiza, módulo 3». Versión anonimizada: «mi hermano estaba en un penal federal del área metropolitana». El nivel de detalle necesario para el análisis se conserva; la unidad y el módulo se suprimen por riesgo de identificación cruzada con registros públicos.
Caso D. Adolescente en contexto escolar. Frase original: «yo iba a la Escuela 23 de Quilmes y mi profe de biología se llama Laura». Versión anonimizada: «yo iba a una escuela secundaria pública del conurbano bonaerense y mi profesora de biología se llama L.». El seudimo corto de la docente conserva la presencia del personaje sin exponerla; la categoría institucional permite situar la experiencia.
4. La organización del corpus no es «una carpeta con entrevistas»
Tercera trampa: confundir corpus con archivo. Un corpus cualitativo es una colección estructurada, documentada y reproducible. Si un colega nuevo abre la carpeta del corpus y en cinco minutos entiende qué hay, cómo se llama y qué convenciones se usaron, el corpus está bien organizado. Si necesita una llamada de una hora para orientarse, hay un problema de diseño que después costará tiempo y errores.
4.1. Estructura de carpetas
Una estructura estable, probada en proyectos de distinto tamaño, sigue este patrón jerárquico:
corpus/
+-- 00_README.md
+-- 01_instrumentos/
| +-- guia_entrevista_v1.docx
| +-- guia_entrevista_v2.docx
| +-- consentimiento_informado.docx
+-- 02_audios_originales/
| +-- E01_2023-03-15_45min.wav
| +-- E02_2023-03-18_52min.wav
| +-- ...
+-- 03_transcripciones/
| +-- E01_2023-03-15_45min.txt
| +-- E02_2023-03-18_52min.txt
| +-- ...
+-- 04_transcripciones_anonimizadas/
| +-- E01_2023-03-15_45min_anon.txt
| +-- E02_2023-03-18_52min_anon.txt
| +-- ...
+-- 05_cuadernos_campo/
| +-- CC_2023-03-15_JL.md
| +-- ...
+-- 06_metadatos/
| +-- indice_general.xlsx
| +-- tabla_seudimos.csv
| +-- bitacora_cambios.md
+-- 07_control_calidad/
+-- auditoria_transcripcion.md
+-- reporte_anonimizacion.md
El prefijo numérico (00, 01, ..., 07) ordena las carpetas según el flujo de trabajo y no según el nombre del contenido. El equipo sabe de antemano que la carpeta 04 es la que se analiza, y que la 02 contiene originales que no deben tocarse sin autorización. Esta separación entre originales y derivados es una de las defensas más sólidas contra pérdidas accidentales.
4.2. Convenciones de nombre
Cada archivo debe poder identificarse sin abrirlo. La convención recomendada incluye: código del entrevistado, fecha en formato ISO (AAAA-MM-DD), duración en minutos y tipo de material. Ejemplo: E03_2024-06-12_38min.txt. Esta convención tiene tres ventajas: ordenable por fecha en todo sistema operativo, reconocible a simple vista, y compatible con hojas de cálculo y bases de datos sin renombrar.
Para los archivos anonimizados se añade el sufijo _anon. Para versiones de un mismo archivo, sufijo de versión _v1, _v2. Evitar nombres genéricos como entrevista_final.docx o transcripcion_corregida2.txt: estos nombres no escalan y obligan a renombrar cada vez que se toca el archivo.
4.3. El README del corpus
El archivo 00_README.md es el manual de uso del corpus. Toda persona del equipo, o un revisor externo años después, debe poder abrirlo y entender cómo está organizado, qué convenciones se usaron y qué decisiones se tomaron en el camino.
Esqueleto de README de corpus, listo para adaptar
# Corpus: [nombre corto del estudio] ## Datos generales - Investigador/a responsable: ... - Institución: ... - Fecha de inicio: AAAA-MM-DD - Fecha de cierre: AAAA-MM-DD - Aprobación ética: número de resolución y comité ## Composición - Entrevistas individuales: N - Entrevistas grupales: M - Horas de audio: HH - Cuadernos de campo: K - Documentos anexos: ... ## Estructura de carpetas (Descripción breve de cada carpeta numerada) ## Convenciones - Códigos de entrevistado: E01 a EN - Seudimos: ver tabla_seudimos.csv - Formato de fecha: ISO AAAA-MM-DD - Notación: Jefferson simplificada (ver seccion_notacion.md) - Software de transcripción: ... - frecuencia de auditoría: ... ## Versiones - v1.0: corpus finalizado el AAAA-MM-DD - v1.1: incorporados 3 documentos anexos ## Contacto - Persona responsable de actualizaciones: ... - Repositorio: ...
5. Procedimiento metodológico paso a paso
La siguiente secuencia ordena el trabajo. Hay más de una forma de hacerlo, pero conviene que cada decisión quede registrada antes de pasar a la siguiente, y que un relevo en el equipo pueda continuar desde un punto intermedio sin tener que reconstruir el contexto.
- Fijar convenciones antes de transcribir. Decisión escrita en un documento breve: notación, nivel de detalle, software, formato de salida, sistema de identificación de hablantes.
- Transcribir cada entrevista con el audio a la vista. No transcribir de memoria ni a partir de un resumen. La primera versión sale de escuchar y escribir de forma sincronizada.
- Auditar la transcripción. Una segunda persona (o la misma, en otro momento) revisa con el audio. Documentar la auditoría en la bitácora con fecha, responsable y hallazgos.
- Aplicar la anonimización por capas. Pasar por pseudonimización, luego por generalización, luego por supresión de los restos identificables. Registrar en el reporte de anonimización qué se cambió y por qué.
- Validar el equilibrio contexto y protección. Releer fragmentos aleatorios del corpus anonimizado y preguntarse si el análisis podrá hacerse con esa información. Si la respuesta es no, ajustar la técnica, no la cantidad de borrado.
- Organizar el archivo con la estructura de carpetas y el README. Mover todo al directorio del proyecto con las convenciones de nombre y actualizar el índice general.
- Finalizar la versión del corpus. Asignar un número de versión (v1.0) y dejar registro de qué incluye en la bitácora de cambios.
- Guardar los originales por separado y restringir acceso. Los archivos identificables no deben quedar en la misma carpeta que los anonimizados ni en el mismo repositorio público.
6. Control de versiones del corpus
Un corpus no es estático. Se le agregan documentos, se corrigen transcripciones, se ajustan anonimizaciones. Sin control de versiones, el equipo termina trabajando sobre archivos distintos sin saberlo. La bitácora de cambios, un archivo bitacora_cambios.md dentro de la carpeta de metadatos, registra fecha, autor, tipo de cambio y motivo.
El versionado del corpus debe distinguir entre la versión de archivo (fecha de modificación) y la versión del corpus (release). Una transcripción puede modificarse tres veces sin que el corpus cambie de versión, mientras no afecten al análisis. Cuando se introduce un documento nuevo o se re-anonimiza un fragmento, sí corresponde una versión de corpus.
7. Errores materiales que arruinan el corpus
Hay fallas que parecen menores y tienen efectos desproporcionados cuando el equipo entra en la fase de análisis. Vale la pena nombrarlas con detalle para reconocerlas a tiempo:
- Marcas distintas según quién transcribió. El corpus queda con dos dialectos de notación y los equipos de software de análisis no reconocen los marcadores uniformemente.
- Fechas en formato DD/MM/AA en un equipo internacional. El orden de los archivos en el explorador no coincide con el orden cronológico real, y al cargar lotes se mezclan periodos.
- Audios originales sobrescritos por versiones editadas. Si después un revisor pide el audio bruto, no existe. Esta falla es irrecuperable.
- Seudimos asignados por orden de aparición en lugar de por una tabla maestra. El mismo entrevistado termina con dos seudimos en archivos distintos y la triangulación se rompe.
- Cuadernos de campo guardados en los correos personales. Se pierden cuando esa persona cambia de institución o formatea su equipo.
- Archivos anonimizados guardados como versiones nuevas sin guardar la versión original. Se pierde trazabilidad y, con ella, la posibilidad de defender la anonimización ante un comité de ética.
- Convenciones decididas sobre la marcha. El equipo cambia el criterio de pausas o de seudimos en la entrevista quince y no documenta el cambio, generando un corpus híbrido.
Cada uno de estos problemas tiene solución barata cuando se detecta al inicio y costo alto cuando se detecta al final del proyecto. La fase de organización del corpus es, precisamente, donde se previenen. Una hora invertida en esta fase ahorra, en la mayoría de proyectos cualitativos, varios días de retrabajo y reduce el riesgo de hallazgos publicados que no se sostienen al volver al dato original.
8. Lo que este apunte no resuelve
Vale la pena nombrar lo que queda fuera, para no confundir las tareas. La transcripción, la anonimización y la organización son condición necesaria para el análisis, pero no son análisis. Decidir categorías, construir códigos, triangular fuentes y escribir resultados son trabajos posteriores que requieren decisiones teóricas y metodológicas adicionales, tratados en otros apuntes.
Tampoco se aborda aquí la elección del software de análisis (CAQDAS), que depende del equipo, el presupuesto y la pregunta de investigación. La decisión sobre Atlas.ti, NVivo, MAXQDA, R o una hoja de cálculo no cambia los criterios de este apunte, aunque sí condiciona los formatos de exportación recomendados en el README.
9. Síntesis operativa
Para concluir, lo que el equipo tiene que tener resuelto antes de pasar a la fase de codificación:
- Una convención de notación escrita y aprobada por cada transcriptor.
- Un sistema de auditoría que verifique cada transcripción con el audio original.
- Una tabla maestra de seudimos vinculada a los códigos de entrevistado.
- Una estructura de carpetas con numeración por flujo de trabajo.
- Un README del corpus actualizado con cada cambio de versión.
- Una bitácora de cambios que registre toda modificación al corpus.
- Originales guardados aparte, con acceso restringido y registro de quién los abrió.
Siete tareas. Siete archivos mínimos. Es un corpus pequeño el que cumple los siete. Un corpus sin estos siete elementos es una colección de archivos, no un material de investigación. La diferencia entre uno y otro se paga en horas de retrabajo, en errores de interpretación y en defensas públicas de tesis que se desmoronan cuando un revisor pide ver el material original.
El oficio material del corpus es silencioso. Cuando funciona, no aparece en el documento final. Cuando falla, condiciona cada página. Invertir en él al inicio del proyecto es, sobre todo, una forma de cuidar las conclusiones del final.
Trampa de parcial. Confundir transcripción con copia objetiva. Poland (1995): la calidad de la transcripción es un criterio de rigor. Anonimizar no es borrar el contexto que hace inteligible el relato.