Por Cristo León
Última revisión: 13 de abril de 2026.
1. Introducción
El análisis bibliométrico suele presentarse como una técnica altamente especializada, reservada para investigadores con amplio dominio metodológico. Sin embargo, también puede funcionar como una vía de entrada accesible para estudiantes de licenciatura que desean aprender a mapear un campo, reconocer tendencias temáticas, identificar autores clave y justificar una línea de investigación con mayor rigor. Su valor no radica solo en contar publicaciones o citas, sino en ayudar a formular preguntas más precisas sobre cómo se organiza el conocimiento en un área determinada.
Para quienes comienzan, el principal reto no suele ser técnico, sino conceptual. Antes de usar software, generar mapas o interpretar redes, conviene entender qué se está buscando, por qué se delimita un corpus de cierta manera, y cómo se conecta esa búsqueda con un problema de investigación. En ese sentido, los recursos aquí reunidos no deben leerse como una lista aislada de textos, sino como una secuencia de apoyo para desarrollar criterio metodológico. Algunos ayudan a construir el objeto de estudio. Otros muestran cómo auditar búsquedas con apoyo de inteligencia artificial. Otros permiten observar cómo una revisión de literatura bien estructurada produce un mapa analítico sólido.
2. ¿Por qué estos recursos son útiles para estudiantes de licenciatura?
Estos materiales permiten aproximarse al análisis bibliométrico desde tres niveles complementarios.
Primero, ofrecen una base para delimitar temas amplios. Muchos estudiantes inician con intereses demasiado generales, como inteligencia artificial, educación, diversidad o juegos de rol, sin una estrategia clara para convertir esos intereses en un objeto de revisión manejable. El modelo General, Particular, Específico (GPE) resulta especialmente útil en esta fase porque ayuda a pasar de un campo amplio a una pregunta más precisa y operativa.
Segundo, muestran que la revisión de literatura no es un trámite previo al “verdadero” estudio, sino una fase analítica con valor propio. Una revisión bien construida permite identificar vacíos, tensiones, patrones de producción y zonas de convergencia entre disciplinas. Esto es clave en trabajos bibliométricos, donde la calidad del diseño de búsqueda condiciona la calidad de todo el análisis posterior.
Tercero, introducen una preocupación contemporánea: la trazabilidad del proceso de búsqueda cuando se utilizan herramientas de inteligencia artificial generativa. En un contexto en el que muchos estudiantes ya usan sistemas conversacionales para explorar literatura, resulta indispensable aprender a documentar, verificar y auditar ese proceso con criterios académicos.
3. Recursos recomendados
3.1. Modelo General Particular Específico (GPE): Una Herramienta Convergente para la Revisión Sistemática de la Literatura
León, Gerónimo Ramos, Borjas Mayorga, & Guzmán Zarate (2022)
Este texto es uno de los mejores puntos de partida para estudiantes que todavía no saben cómo acotar un tema. El modelo GPE propone una lógica escalonada para pasar de un campo amplio al recorte específico que hará viable una revisión. Su principal aporte no es únicamente organizativo, sino epistemológico: obliga a distinguir entre el universo temático general, el subcampo particular y el problema específico que realmente será analizado.
Para un estudiante de licenciatura, esta herramienta es especialmente valiosa porque evita dos errores frecuentes: investigar algo demasiado amplio o delimitar un tema sin justificación conceptual. En términos bibliométricos, el GPE ayuda a construir mejores términos de búsqueda, criterios de inclusión más coherentes y una base argumentativa más sólida para explicar por qué ciertos documentos forman parte del corpus y otros no.
Recurso: Modelo General Particular Específico (GPE): Una Herramienta Convergente para la Revisión Sistemática de la Literatura (León et al., 2022)
3.2. Memo Metodológico: Aproximación a la Revisión de Literatura Usando el Modelo General, Particular, Específico (GPE)
Cinanni & León (2024)
Este memo metodológico funciona como un puente entre la formulación conceptual y la práctica académica. Mientras el texto de 2022 presenta el modelo GPE, este trabajo muestra cómo aproximarse a la revisión de literatura desde una lógica más aplicada y pedagógica. Por ello resulta muy útil para estudiantes que necesitan una guía menos abstracta y más cercana al proceso real de organizar una búsqueda.
Su valor para una aproximación bibliométrica radica en que enseña a pensar la revisión como un proceso de construcción gradual. No se trata solo de “buscar artículos”, sino de refinar preguntas, ajustar categorías y reconocer que una buena revisión depende de la calidad del diseño inicial. Para estudiantes que trabajan por primera vez con matrices, categorías temáticas o decisiones de exclusión, este texto ofrece una base clara y transferible.
Recurso: Memo Metodológico: Aproximación a la Revisión de Literatura Usando el Modelo General, Particular, Específico (GPE) (Cinanni & León, 2024)
3.3. Auditing GenAI Literature Search Workflows: A Replicable Protocol for Traceable, Accountable Retrieval in Student-Facing Inquiry
Leon & Kudelka (2026)
Este artículo introduce una dimensión decisiva para la investigación contemporánea: cómo evaluar el uso de inteligencia artificial generativa en la búsqueda de literatura. Su contribución central es proponer un protocolo replicable que permite auditar la trazabilidad y la responsabilidad del proceso de recuperación de fuentes. En otras palabras, no asume que usar IA sea problemático en sí mismo, pero sí exige que ese uso sea verificable.
Para estudiantes de licenciatura, este texto es particularmente pertinente porque responde a una realidad concreta: muchos ya emplean herramientas de IA para explorar temas, sugerir palabras clave o localizar referencias. El problema aparece cuando ese apoyo se vuelve opaco, inestable o imposible de verificar. Este recurso enseña a documentar decisiones, revisar DOI, contrastar resultados y mantener integridad metodológica. En un proyecto bibliométrico, esas prácticas son esenciales para sostener la confiabilidad del corpus.
Recurso: Auditing GenAI Literature Search Workflows: A Replicable Protocol for Traceable, Accountable Retrieval in Student-Facing Inquiry (Leon & Kudelka, 2026)
3.4. Artificial Intelligence in STEM Education: A Transdisciplinary Framework for Engagement and Innovation
León, Lipuma, & Oviedo-Torres (2025)
Aunque este artículo no es, en sentido estricto, un manual de bibliometría, sí ofrece un excelente ejemplo de cómo una revisión temática puede organizar un campo emergente desde una perspectiva transdisciplinaria. Su principal interés para estudiantes radica en que muestra cómo integrar múltiples dimensiones de un mismo fenómeno, en este caso la inteligencia artificial en educación STEM, sin reducir el análisis a una sola disciplina o enfoque.
En clave formativa, este texto ayuda a comprender que la revisión de literatura también puede servir para construir marcos interpretativos. Un análisis bibliométrico no tiene por qué quedarse en conteos descriptivos; también puede contribuir a explicar relaciones entre líneas temáticas, enfoques conceptuales y trayectorias de innovación. Este artículo puede leerse como ejemplo de articulación entre amplitud temática y coherencia analítica.
Recurso: Artificial Intelligence in STEM Education: A Transdisciplinary Framework for Engagement and Innovation (León et al., 2025)
3.5. Minorities and the AI Revolution: Examining the Literature on Equity and the Digital Divide
Lipuma & León (2024)
Este trabajo resulta especialmente útil para mostrar que una revisión de literatura puede orientarse hacia problemas de inequidad, representación y acceso. Para estudiantes de licenciatura, ofrece un recordatorio importante: la bibliometría no es neutral en sus efectos interpretativos. La selección de bases de datos, los idiomas del corpus, los términos de búsqueda y los criterios de relevancia pueden amplificar o invisibilizar ciertas voces.
Su aporte pedagógico está en mostrar cómo una revisión puede usarse para estudiar desigualdades estructurales dentro de un campo emergente. Quienes deseen explorar temas vinculados con diversidad, brecha digital o justicia educativa encontrarán aquí una referencia útil para pensar cómo los patrones de producción académica también reflejan relaciones de poder, acceso y exclusión.
Recurso: Minorities and the AI Revolution: Examining the Literature on Equity and the Digital Divide (Lipuma & León, 2024)
3.6. Constitutive Factors of Mega-Campaigns in TTRPGs: A Systematic Literature Review
León, Lipuma, & Cabobianco (2024)
Este artículo demuestra que una revisión sistemática puede aplicarse con rigor incluso en campos menos tradicionales o emergentes, como los estudios sobre juegos de rol de mesa. Para estudiantes de licenciatura, este punto es importante porque amplía la imaginación metodológica: la revisión bibliométrica y sistemática no se limita a áreas convencionales, sino que puede utilizarse para mapear objetos culturales, educativos o lúdicos de alta complejidad.
Su valor como recurso formativo está en mostrar cómo una revisión bien delimitada puede identificar factores constitutivos de un fenómeno específico. En vez de quedarse en descripciones generales, el estudio organiza el conocimiento disponible y construye categorías analíticas. Esa operación es fundamental para cualquier proyecto bibliométrico serio: no basta con reunir textos, hay que producir una lectura estructurada del campo.
Recurso: Constitutive Factors of Mega-Campaigns in TTRPGs: A Systematic Literature Review (León et al., 2024)
4. ¿Cómo usar esta lista en un proyecto de licenciatura?
Una estrategia razonable sería comenzar con los textos sobre el modelo GPE para aprender a delimitar el tema y construir una pregunta viable. Después, conviene revisar el memo metodológico para traducir esa delimitación a una lógica de revisión operativa. Una vez establecido el objeto de búsqueda, el artículo sobre auditoría de flujos con IA permite fortalecer la transparencia del proceso, especialmente si se usarán herramientas generativas para explorar literatura. Finalmente, los demás textos pueden leerse como ejemplos de cómo una revisión temática o sistemática organiza un campo, construye categorías y produce valor analítico.
Dicho de otro modo, esta lista no solo ofrece contenidos, sino también una secuencia de aprendizaje. Primero se delimita. Luego se busca. Después se verifica. Finalmente se interpreta.
5. Reflexión final
El análisis bibliométrico puede ser una excelente puerta de entrada a la investigación para estudiantes de licenciatura, siempre que no se reduzca a un ejercicio mecánico de conteo. Su verdadero potencial aparece cuando se integra con una buena pregunta, una delimitación clara, un proceso de búsqueda transparente y una interpretación crítica de los resultados. Los recursos aquí recomendados permiten precisamente eso: pasar de la curiosidad inicial a una aproximación metodológicamente más consciente, trazable y académicamente defendible.
6. Fuentes
Cinanni, A., & León, C. (2024). Memo Metodológico: Aproximación a la Revisión de Literatura Usando el Modelo General, Particular, Específico (GPE). Journal of Roleplaying Studies and STEAM, 3(2), 85–110. /Research/Education (CLDM_Ds_Avance de tesis).
León, C., Gerónimo Ramos, P. del C., Borjas Mayorga, Y. M., & Guzmán Zarate, V. H. (2022). Modelo General Particular Específico (GPE): Una Herramienta Convergente para la Revisión Sistemática de la Literatura. In A. Carvalho de Oliveira & V. Carvalho Mocellin (Eds.), Ciências Socialmente Aplicáveis: Integrando Saberes e Abrindo Caminhos: VI (1st ed., p. Capítulo 14, pp. 173–183). Editora Artemis. /Research/Business & Management (CLDM_LDO). https://www.editoraartemis.com.br/artigo/33002/
Leon, C., & Kudelka, M. (2026). Auditing GenAI Literature Search Workflows: A Replicable Protocol for Traceable, Accountable Retrieval in Student-Facing Inquiry. AI in Education, 2(2), 42. /Research/Education (CLDM_Ds_Peer-reviewed). https://doi.org/10.3390/aieduc2020008
León, C., Lipuma, J., & Cabobianco, M. O. (2024). Constitutive Factors of Mega-Campaigns in TTRPGs: A Systematic Literature Review. Analog Game Studies, Perspectives on RPG Studies from Latin-American Scholars, 11(3), 30. /Research/Cultural and Social Studies (CLDM_Ds_Peer-reviewed).
León, C., Lipuma, J., & Oviedo-Torres, X. (2025). Artificial Intelligence in STEM Education: A Transdisciplinary Framework for Engagement and Innovation. Frontiers in Education, 10(0), 18. /Research/Education (CLDM_Ds_Peer-reviewed). https://doi.org/10.3389/feduc.2025.1619888
Lipuma, J., & León, C. (2024). Minorities and the AI Revolution: Examining the Literature on Equity and the Digital Divide. Academia Journals Puebla, 16, 4.107-4.115. /Research/Education (CLDM_Ds_Peer-reviewed). https://digitalcommons.njit.edu/stemresources/89/