PT Merriam - Qualitative Research - A Guide To Design and Implementation (2009, Jossey-Bass)

Parte TRÊS
Analisando e
Comunicando
Dados qualitativos
A escolha de um projeto de pesquisa qualitativa pressupõe uma certa visão de mundo
que, por sua vez, define como um pesquisador seleciona uma amostra, coleta dados,
analisa dados e aborda questões de validade, confiabilidade e ética. A Parte Três
consiste em três capítulos que abordam as fases posteriores do processo de pesquisa,
incluindo um capítulo abrangente sobre a análise de dados qualitativos, um capítulo
sobre a produção de conhecimento válido e confiável de maneira ética e um capítulo
sobre a redação do relatório de estudo qualitativo.
Os capítulos separados do livro sobre análise de dados e questões de validade,

confiabilidade e ética podem ser um tanto enganosos; a pesquisa qualitativa não é um
processo linear, passo a passo. A coleta e análise de dados é uma atividade
simultânea na pesquisa qualitativa. A análise começa com a primeira entrevista, a
primeira observação, o primeiro documento lido. Os insights, palpites e hipóteses
experimentais emergentes direcionam a próxima fase da coleta de dados, que por sua
vez leva ao refinamento ou reformulação das questões e assim por diante. É um
processo interativo que permite ao investigador produzir descobertas verossímeis e
confiáveis. Ao contrário dos projetos experimentais em que a validade e a
confiabilidade são levadas em consideração antes da investigação, o rigor em uma
pesquisa qualitativa deriva da presença do pesquisador, da natureza da interação
166 Pesquisa qualitativa
entre pesquisador e participantes, a triangulação de dados, a interpretação de

percepções e uma descrição rica e densa.
Segue-se, então, que o relatório final de um estudo qualitativo terá uma
aparência diferente do relatório final de um projeto de pesquisa convencional. Ao
comparar a retórica de um estudo quantitativo e um estudo qualitativo do mesmo
problema, Firestone (1987) observa que estratégias diferentes são usadas para
persuadir o leitor da autenticidade dos achados. “O estudo quantitativo deve
convencer o leitor de que os procedimentos foram seguidos fielmente, pois muito
pouca descrição concreta do que alguém faz é fornecida. O estudo qualitativo
fornece ao leitor uma descrição com detalhes suficientes para mostrar que a
conclusão do autor 'faz sentido' ”(p. 19). O estudo qualitativo revisado pela
Firestone incluiu “contar citações de entrevistas, uma descrição dos padrões de
funcionários da agência e trechos da história da agência. . . . Os detalhes são
convincentes,
Nestes três últimos capítulos deste livro, os leitores terão uma noção da natureza
interativa da coleta, análise e relatório de dados. O primeiro capítulo da Parte Três discute a
importância de analisar simultaneamente os dados à medida que são coletados, juntamente
com as diretrizes práticas para o gerenciamento do conjunto de dados, incluindo uma
discussão sobre como os programas de computador podem facilitar o gerenciamento e a
análise de dados. O Capítulo Oito também é dedicado exatamente a como para analisar os
dados que você está coletando. A análise de dados pode resultar em um artigo que vai
desde um relato descritivo até a construção de uma teoria. Um grande segmento do
capítulo descreve o processo de derivar indutivamente significado dos dados,
especialmente no que diz respeito ao desenvolvimento de categorias ou temas que
permeiam os dados. A seção final do Capítulo Oito apresenta ao leitor uma breve visão
geral das estratégias de análise de dados específicas para diferentes tipos de estudos
qualitativos; a análise de conteúdo e a indução analítica também são brevemente
discutidas.
Esteja alguém conduzindo um estudo ou queira fazer uso da pesquisa de

outra pessoa em sua prática, a confiabilidade da pesquisa é de suma importância.
O Capítulo Nove explora as questões de validade interna, confiabilidade e validade
externa - a extensão em que as descobertas de um estudo qualitativo podem ser
aplicadas a outras situações. Provavelmente houve mais
Parte TRÊS 167
discussão e debate sobre generalizabilidade do que qualquer outro aspecto da

pesquisa qualitativa. Como pensar sobre essas questões, bem como estratégias
concretas para garantir a confiabilidade da pesquisa qualitativa, é o foco do Capítulo
Nove. Igualmente importantes são as preocupações éticas que permeiam todo o
processo da pesquisa qualitativa, desde a conceituação do estudo até a
disseminação dos resultados. Eles também são discutidos.
O capítulo final da Parte Três (e o capítulo final do livro) é dedicado à redação

de um relatório de pesquisa qualitativa. Abrange a preparação para a redação, o
conteúdo do relatório e questões relacionadas a esse conteúdo e a divulgação das
conclusões. O capítulo termina com algumas considerações especiais ao escrever
o relatório final de um estudo de caso qualitativo.
Apresento os capítulos nesta parte do livro com a consciência de que

instruções detalhadas para analisar e relatar pesquisas qualitativas, embora úteis,
são meramente diretrizes que precisam ser interpretadas e aplicadas pelo
componente mais importante da pesquisa qualitativa - o investigador.
Capítulo Oito
Dados qualitativos
Análise
Os capítulos anteriores explicaram como reunir dados para um estudo qualitativo por
meio de entrevistas, observações e documentos. Neste capítulo, discuto o
gerenciamento e a análise desses dados. Um capítulo sobre a análise de dados após
os capítulos sobre a coleta de dados qualitativos é um pouco enganoso porque a coleta
e a análise devem ser um processo simultâneo na pesquisa qualitativa. Na verdade, o
momento da análise e a integração da análise com outras tarefas distinguem um
projeto qualitativo da pesquisa tradicional positivista. Um design qualitativo é
emergente. O pesquisador geralmente não sabe com antecedência todas as pessoas
que podem ser entrevistadas, todas as perguntas que podem ser feitas ou para onde
olhar em seguida, a menos que os dados sejam analisados durante a coleta. Palpites,
hipóteses de trabalho, e palpites bem fundamentados direcionam a atenção do
investigador para certos dados e, em seguida, para refinar ou verificar palpites. O
processo de coleta e análise de dados é recursivo e dinâmico. Mas isso não quer dizer
que a análise esteja concluída quando todos os dados forem coletados. Muito pelo
contrário. A análise se torna mais intensa conforme o estudo avança e quando todos os
dados são inseridos.
Este capítulo cobre uma variedade de tópicos relacionados à análise de dados, com
ênfase em como você realmente Faz isto. Em primeiro lugar, falo sobre a importância de
começar a análise cedo, à medida que você coleta dados. A organização e o gerenciamento
de seus dados também começam cedo, mas devem ser concluídos assim que todos os dados
forem coletados para permitir uma análise intensiva. A terceira seção, e o coração de
169
este capítulo concentra-se em como você constrói categorias ou temas que se tornarão suas
descobertas. Também incluí uma pequena seção sobre a análise de dados em estudos de
caso, seguida por uma discussão sobre o papel dos programas de computador para a
análise qualitativa de dados. Finalmente, eu reviso as estratégias específicas para vários dos
tipos de pesquisa qualitativa discutidos no Capítulo Dois.
Análise inicial durante

Coleção de dados
Imagine-se sentado à mesa da sala de jantar, pronto para começar a analisar os
dados de seu modesto estudo qualitativo. Em uma pilha à sua esquerda estão cerca
de cem páginas de transcrições de entrevistas. No meio da tabela está uma pilha de
notas de campo de suas observações no local e, à direita dela, está uma caixa de
documentos que você coletou, pensando que podem ser relevantes para o estudo.
Você analisa qual é o propósito do seu estudo e as perguntas que orientaram a
investigação. Agora, o que você faz? Por onde você começa? Como você obtém
descobertas em centenas de páginas de dados? Você começa lendo uma transcrição
e depois outra. Você percebe que deveria ter perguntado ao segundo participante
algo que surgiu na primeira entrevista. Você rapidamente se sente oprimido; você
começa a sentir que está literalmente se afogando nos dados. É duvidoso que você
seja capaz de fazer alguma descoberta. Você prejudicou todo o seu projeto ao
esperar até que todos os dados fossem coletados antes de iniciar a análise.
Em um cenário mais esclarecido, você se senta à mesa da sala de jantar com nada
mais do que a transcrição de sua primeira entrevista, ou as notas de campo de sua
primeira observação, ou o primeiro documento que coletou. Você analisa o propósito do
seu estudo. Você lê e relê os dados, fazendo anotações nas margens, comentando sobre
os dados. Você escreve um memorando separado para si mesmo, capturando suas
reflexões, temas provisórios, palpites, ideias e coisas a serem investigadas, derivados
desse primeiro conjunto de dados. Você anota coisas que deseja perguntar, observar ou
procurar em sua próxima rodada de coleta de dados. Após sua segunda entrevista, você
compara o primeiro conjunto de dados com o segundo. Essa comparação informa os
próximos dados coletados e assim por diante. Meses depois, quando você se senta para
Análise de dados qualitativos 171
Analise e escreva suas descobertas, você tem um conjunto de categorias ou temas

provisórios - respostas para suas perguntas de pesquisa com as quais trabalhar. Você
está organizando e refinando, em vez de começar a análise de dados.
A análise de dados é uma das poucas facetas, talvez a única faceta, de fazer
pesquisa qualitativa em que existe uma forma preferida. Conforme ilustrado no
cenário que acabamos de descrever, a maneira preferida de analisar dados em um
estudo qualitativo é fazê-lo simultaneamente com a coleta de dados. No início de
um estudo qualitativo, o investigador sabe qual é o problema e selecionou uma
amostra intencional para coletar dados a fim de abordar o problema. Mas o
pesquisador não sabe o que será descoberto, em que ou em quem se concentrar
ou como será a análise final. O produto final é moldado pelos dados que são
coletados e pela análise que acompanha todo o processo. Sem uma análise
contínua, os dados podem ficar desfocados, repetitivos e opressores no grande
volume de material que precisa ser processado.
A coleta e análise simultâneas de dados ocorrem dentro e fora do campo. Ou

seja, você pode fazer algumas análises rudimentares enquanto está no processo de
coleta de dados, bem como entre as atividades de coleta de dados, conforme
ilustrado no segundo cenário. Bogdan e Biklen (2007) oferecem dez sugestões úteis
para analisar os dados à medida que estão sendo coletados:
1 Obrigue-se a tomar decisões que restrinjam o estudo. "Você deve

disciplina-se para não perseguir tudo. . . ou então você provavelmente acabará
com dados muito difusos e inadequados para o que você decidir fazer. Quanto
mais dados você tiver sobre um determinado tópico, ambiente ou assuntos,
mais fácil será pensar profundamente sobre eles e mais produtivo você
provavelmente será ao tentar a análise final ”(p. 161).
2 Obrigue-se a tomar decisões sobre o tipo de estudo que você

deseja realizar. “Você deve tentar deixar claro em sua própria mente, por
exemplo, se deseja fazer uma descrição completa de um ambiente ou se
está interessado em gerar teoria sobre um aspecto particular dele” (p. 161).
3 - Desenvolva perguntas analíticas. “Alguns pesquisadores trazem

perguntas para um estudo. Estes são importantes porque dão
concentre-se na coleta de dados e ajude a organizá-la conforme você prossegue.

Sugerimos que, logo após entrar no campo, você avalie quais questões trouxe
com você são relevantes e quais devem ser reformuladas para direcionar seu
trabalho ”(p. 161).
4 - Planeje as sessões de coleta de dados de acordo com o que você encontrar em
observações. Reveja as notas de campo e memorandos à medida que avança “e planeje
buscar pistas específicas em sua próxima sessão de coleta de dados” (p. 163).
5 Escreva muitos “comentários do observador” conforme você avança. “A ideia é estimular
pensamento crítico tardio sobre o que você vê e se tornar mais do que uma máquina de
gravação (p. 163). (Veja o Capítulo Seis para sugestões sobre como escrever comentários
do observador.)
6 Escreva memorandos para si mesmo sobre o que está aprendendo. "Estes
memorandos podem fornecer um momento para refletir sobre questões levantadas no
ambiente e como eles se relacionam com questões teóricas, metodológicas e substantivas
mais amplas ”(p. 165).
7 Experimente ideias e temas nos participantes. Enquanto você está entrevistando
participantes, você pode perguntar o que eles pensam sobre algum padrão ou tema
que você está começando a detectar nos dados. “Embora nem todos devam ser
questionados, e embora nem tudo que você ouve possa ser útil, os informantes-chave,
nas circunstâncias apropriadas, podem ajudar a avançar sua análise, especialmente
para preencher as lacunas da descrição” (p. 165).
8 Comece explorando a literatura enquanto você está no campo. "Depois de você

já estão nessa área há algum tempo, examinar a literatura substantiva na
área que você está estudando aumentará a análise ”(p. 169). [Na verdade, ao
invés de começar a explorar a literatura, eu recomendo revendo a literatura
que você consultou ao preparar seu estudo (ver Capítulo Quatro)].
9 Brinque com metáforas, analogias e conceitos. "Miopia

atrapalha a maioria das pesquisas. Faça a pergunta: 'O que isso me lembra?'
”(P. 169).
10 Use dispositivos visuais. Tentando visualizar o que você está aprendendo
sobre o fenômeno pode trazer clareza à sua análise. Essas representações
podem variar de “rabiscos primitivos” a modelos sofisticados gerados por
computador (p. 171).
A coleta e análise de dados é, de fato, um processo contínuo que pode se

estender indefinidamente. Quase sempre há outra pessoa
quem poderia ser entrevistado, outra observação que poderia ser feita, outro
documento a ser revisto. Quando você deve interromper esta fase da investigação
e iniciar uma análise de dados intensiva? Como saber quando você coletou dados
suficientes? A resposta depende de algumas questões muito práticas e teóricas.
Na prática, você pode ter esgotado o tempo e o dinheiro alocados para o projeto
ou ficar sem energia mental e física. Idealmente, a decisão será baseada mais nos
seguintes critérios:
Esgotamento das fontes (embora as fontes possam ser recicladas e aproveitadas várias
vezes); saturação de categorias (a coleta contínua de dados produz pequenos incrementos
de novas informações em comparação com o esforço despendido para obtê-las); emergência
de regularidades - o sentido de “integração” (embora seja necessário ter cuidado para evitar
uma conclusão falsa ocasionada por regularidades que ocorrem em um nível mais simplista
do que o investigador deveria aceitar); e extensão excessiva - a sensação de que a nova
informação sendo desenterrada está muito distante do núcleo de qualquer uma das
categorias viáveis que surgiram (e não contribui de forma útil para o surgimento de
categorias viáveis adicionais). (Lincoln & Guba, 1985, p. 350)
Gerenciando seus dados

Algum sistema para organizar e gerenciar dados precisa ser planejado no início de
seu estudo. Isso involve codificação, um termo que, infelizmente, confundiu ainda
mais o já misterioso processo de análise de dados. Codificar nada mais é do que
atribuir algum tipo de designação abreviada a vários aspectos de seus dados para
que você possa recuperar facilmente partes específicas dos dados. As designações
podem ser palavras simples, letras, números, frases, cores ou combinações destes.
Cada entrevista, conjunto de notas de campo e documento precisa de anotações

de identificação para que você possa acessá-los conforme necessário na análise e na
redação de suas descobertas. Essa organização básica é fácil de ignorar, porque, no
momento em que estiver coletando dados, você sentirá que não há como esquecer
onde e quando ocorreu um incidente ou as características da pessoa que acabou de
entrevistar. No entanto, dez entrevistas depois, é muito provável que você tenha
esquecido as características de identificação de seus
participantes. Meses depois, você terá esquecido um pouco sobre todos os seus dados.
Portanto, conforme você coleta seus dados, é importante codificá-los de acordo com
qualquer esquema que seja relevante para o seu estudo. Por exemplo, no estudo de
como jovens adultos HIV positivos entendem seu diagnóstico (Courtenay, Merriam, &
Reeves,
1998), cada entrevista foi codificada com um pseudônimo e a idade, sexo, raça, família e
situação de emprego do participante, juntamente com a data do primeiro diagnóstico.
Isso permitiu que os pesquisadores acessassem uma transcrição de entrevista específica
ou retirassem várias transcrições do conjunto total em qualquer uma das dimensões ou
combinações de dimensões acima - mulheres diagnosticadas há menos de três anos, por
exemplo.
Você também precisa manter o controle de seus pensamentos, reflexões,

especulações e palpites enquanto prepara seus dados para análise. Este tipo de
informação pode estar entrelaçado com seus dados brutos (como nos comentários do
observador em notas de campo), ou pode estar em arquivos separados ou memorandos.
Em vez de contratar alguém, transcrever suas próprias entrevistas é outro meio de gerar
insights e palpites sobre o que está acontecendo em seus dados. Esta informação, que
idealmente você captura em suas notas de campo ou nas margens da transcrição de sua
entrevista ou em um memorando separado, é na verdade uma análise rudimentar. Essas
observações ou especulações serão muito úteis para você, conforme você se move entre a
análise emergente e os dados brutos de entrevistas, notas de campo e documentos.
A tarefa importante é criar um inventário de todo o seu conjunto de dados. Você precisa
saber exatamente o que tem em termos de entrevistas, notas de campo, documentos,
memorandos que escreveu ao coletar ou pensar sobre seus dados e assim por diante. Esse
conjunto de dados precisa ser organizado e rotulado de acordo com algum esquema de
organização que faça sentido para você, o pesquisador - e um esquema que permita acessar
qualquer parte dos seus dados a qualquer momento. Uma cópia eletrônica ou impressa de todo
o seu conjunto de dados, junto com o seu esquema de organização, deve ser separada do
conjunto de dados em que você realmente estará trabalhando ao fazer sua análise. Abundam
histórias de terror, como cartões de memória perdidos, pastas roubadas contendo cópias
impressas de dados e assim por diante - histórias que são melhor contadas sobre outra pessoa!
Você pode, é claro, fazer toda essa organização manualmente, e alguns

pesquisadores qualitativos fazem. Outra opção para gerenciar seus dados é usar um
programa de software de computador projetado para
pesquisa qualitativa. Uma terceira opção é uma combinação de gerenciamento manual e por
computador. No mínimo, as transcrições e notas de campo provavelmente terão sido
transcritas e a cópia impressa terá um backup de arquivo do computador. Vários programas
de processamento de texto são sofisticados o suficiente para serem adaptados ao
gerenciamento de dados. Na verdade, a acessibilidade e a popularidade dos computadores
na pesquisa qualitativa estão crescendo. Consulte a seção mais adiante neste capítulo sobre
Computadores e análise qualitativa de dados.
Como analisar dados qualitativos

A coleta de dados qualitativos por meio de observações, entrevistas e documentos é algo
que a maioria dos pesquisadores novatos pode fazer e melhorar com a prática. Analisar
esses dados é uma tarefa muito mais difícil, especialmente se confrontado com uma
pilha volumosa de dados que não teve nem mesmo uma revisão preliminar enquanto
estava sendo coletada. Em meus trinta anos de experiência fazendo, ensinando e
aconselhando alunos de doutorado em estudos qualitativos, a análise de dados é a parte
mais difícil de todo o processo. Este é o ponto em que a tolerância à ambigüidade é mais
crítica e freqüentemente onde o pesquisador novato me dirá: “E se eu não encontrar
nada”? Novamente, é minha experiência que se pode ler sobre análise de dados, até
mesmo fazer um curso sobre isso, mas só depois de trabalhar com seus próprios dados
na tentativa de responder às suas próprias questões de pesquisa é que você realmente
verá como a análise de dados “funciona” na pesquisa qualitativa. Dito isso, nesta seção
do capítulo apresento uma estratégia muito básica para analisar seus dados qualitativos.
É minha posição que toda análise de dados qualitativos é principalmente
indutivo e comparativo. Portanto, me baseio fortemente no método comparativo constante

de análise de dados proposto inicialmente por Glaser e Strauss (1967) como o meio para
desenvolver a teoria fundamentada. No entanto, o método comparativo constante de
análise de dados é indutivo e comparativo e, portanto, tem sido amplamente utilizado em
pesquisas qualitativas sem a construção de uma teoria fundamentada.
O objetivo da análise de dados

A análise de dados é o processo de dar sentido aos dados. E extrair sentido dos
dados envolve consolidar, reduzir e
interpretar o que as pessoas disseram e o que o pesquisador viu e leu - é o

processo de construção de significado. A análise de dados é um processo
complexo que envolve o movimento para frente e para trás entre bits concretos de
dados e conceitos abstratos, entre raciocínio indutivo e dedutivo, entre descrição e
interpretação. Esses significados ou entendimentos ou percepções constituem as
conclusões de um estudo. As descobertas podem ser na forma de relatos
descritivos organizados, temas ou categorias que permeiam os dados, ou na
forma de modelos e teorias que explicam os dados. Cada uma dessas formas
reflete diferentes níveis analíticos, que vão desde lidar com o concreto na
descrição simples até abstrações de alto nível na construção da teoria.
Mas o que significa entender os dados? Para mim, a análise de dados é o processo
usado para responda às suas perguntas de pesquisa.
O Capítulo Quatro descreveu como projetar um estudo qualitativo e identificou a
declaração de propósito e as questões de pesquisa como centrais para o processo. As
declarações de propósito qualitativo perguntam como algo acontece, quais fatores são
importantes e assim por diante. Uma declaração de propósito geralmente tem
subcomponentes na forma de perguntas de pesquisa. Por exemplo, na declaração de
propósito, “O propósito deste estudo é entender como os adultos lidam com uma doença
que ameaça a vida”, você pode ter várias perguntas de pesquisa: Qual é o processo? Que
fatores contextuais e pessoais moldam o processo? Como a doença influenciou seu senso
de identidade? Portanto, a partir de seus dados, você gostaria de derivar indutivamente um
processo, identificar os fatores que moldaram o processo e identificar como a doença
influenciou a maneira como eles agora se veem. Essas respostas às suas perguntas de
pesquisa são as conclusões do seu estudo. Portanto, o objetivo prático da análise de
dados é encontrar respostas às suas perguntas de pesquisa. Essas respostas também são
chamadas de categorias, temas ou descobertas.
O processo geral de análise de dados começa com a identificação de segmentos em

seu conjunto de dados que respondem às suas perguntas de pesquisa. Este segmento é
uma unidade de dados que é uma resposta potencial ou parte de uma resposta às perguntas
que você fez neste estudo. Uma unidade de dados é qualquer segmento de dados
significativo (ou potencialmente significativo); no início de um estudo, o pesquisador não tem
certeza sobre o que será significativo. Uma unidade de dados pode ser tão pequena quanto
uma palavra que um participante usa para descrever
um sentimento ou fenômeno, ou tão grande quanto várias páginas de notas de

campo que descrevem um incidente particular. De acordo com Lincoln e Guba
(1985), uma unidade deve atender a dois critérios. Primeiro, deve ser heurístico - ou
seja, a unidade deve revelar informações relevantes para o estudo e estimular o
leitor a pensar além da informação específica. Em segundo lugar, a unidade deve
ser "o menor pedaço de informação sobre algo que pode ficar por si só, ou seja,
deve ser interpretável na ausência de qualquer informação adicional que não seja
uma compreensão ampla do contexto em que a investigação é realizada" (p. 345).
A tarefa é comparar uma unidade de informação com a próxima, procurando

regularidades recorrentes nos dados. O processo consiste em decompor os dados
em bits de informação e, em seguida, atribuir “esses bits a categorias ou classes que
reúnem esses bits novamente, embora de uma maneira nova. No processo,
começamos a discriminar mais claramente entre os critérios de alocação de dados
para uma categoria ou outra. Então, algumas categorias podem ser subdivididas e
outras agrupadas em categorias mais abstratas ”(Dey, 1993, p. 44).
Para obter um exemplo simples, mas vívido de como pegar dados brutos e
classificá-los em categorias, considere a tarefa de classificar duzentos itens alimentares
encontrados em um supermercado. Esses duzentos itens alimentares em um estudo de
pesquisa seriam bits de informação ou unidades de dados nas quais se basearia uma
análise. Comparando um item com outro, os duzentos itens poderiam ser classificados
em qualquer número de categorias. Começando com uma caixa de cereal, por exemplo,
você pode perguntar se o próximo item, uma laranja, é igual ao primeiro. Obviamente
não. Existem agora duas pilhas nas quais o próximo item pode ou não ser colocado. Por
este processo, você pode classificar todos os itens em categorias de sua escolha. Um
esquema pode separar os itens nas categorias de produtos frescos, congelados,
enlatados ou embalados. Ou você pode dividi-los por cor, peso ou preço. Mais provável,
você dividiria os itens em categorias comuns de mercearia: carne, laticínios, produtos
agrícolas, produtos enlatados e assim por diante. Essas categorias seriam classes
bastante abrangentes, cada uma das quais poderia ser subdividida posteriormente.
Produzir, por exemplo, inclui as subcategorias de frutas e vegetais. Frutas incluem frutas
cítricas e não-cítricas, domésticas e exóticas. Por comparação, todos esses esquemas
emergem indutivamente dos "dados" - a comida
Itens. Os nomes das categorias e o esquema que você usa para classificar os dados
refletirão o foco do seu estudo.
O processo passo a passo de análise

Nesta seção, uso o termo categoria, que é comumente usado na maioria dos textos que
tratam da análise de dados básicos; entretanto, deve ser lembrado que vejo uma categoria
igual a um tema, um padrão, um achado ou uma resposta a uma pergunta de pesquisa. A
construção da categoria é a análise de dados, e todas as advertências sobre esse
processo que discuti anteriormente devem ser mantidas em mente, sendo a mais
importante que a análise de dados é feita em conjunto com a coleta de dados. Há, no
entanto, crescente atenção à análise em proporção à coleta à medida que o estudo
avança. E uma vez que todos os dados estão prontos, geralmente há um período de
análise intensiva quando as descobertas provisórias são substanciadas, revisadas e
reconfiguradas.
Categoria de construção
O processo começa com a leitura da primeira transcrição da entrevista, o primeiro
conjunto de notas de campo, o primeiro documento coletado no estudo. À medida que
você lê a transcrição, por exemplo, você faz anotações, comentários, observações e
consultas nas margens. Essas notações estão próximas a bits de dados que parecem
interessantes, potencialmente relevantes ou importantes para o seu estudo. Pense em
você como tendo uma conversa com os dados, fazendo perguntas sobre eles,
comentando sobre eles e assim por diante. Este processo de fazer anotações ao lado de
bits de dados que parecem potencialmente relevantes para responder às suas perguntas
de pesquisa também é chamado
codificação. Já que você está apenas começando a análise, seja tão expansivo quanto quiser
na identificação de qualquer segmento de dados que poderia seja útil. Como você está aberto
a tudo o que é possível neste momento, essa forma de codificação costuma ser chamada codificação
aberta. O que você anota nas margens (ou insere no arquivo do computador) pode ser uma
repetição da (s) palavra (s) exata (s) do participante, suas palavras ou um conceito da
literatura. A Figura 8.1 mostra a codificação aberta em um breve segmento de dados de um
estudo com mulheres africanas que fizeram uma transição bem-sucedida de desempregadas
para mulheres de negócios bem-sucedidas (Ntseane, 1999). Neste segmento da entrevista
a pesquisadora está explorando como essas mulheres aprenderam sobre negócios.

Observe os códigos na caixa à direita. Estas são as respostas iniciais à questão de
como essas mulheres aprenderam a ser empresárias.
Atribuir códigos a pedaços de dados é a maneira como você começa a

construir categorias. Depois de trabalhar em toda a transcrição dessa maneira,
você volta às suas notas marginais e comentários (códigos) e tenta agrupar os
comentários e notas que parecem combinar. Isso é semelhante a classificar itens
no exemplo da mercearia. Usando os códigos à direita no Anexo 8.1,
Anexo 8.1. Aprendizagem necessária e como estava sendo obtida.
1 Investigador: Agora vamos falar sobre o treinamento. Como você aprendeu o que faz em seu
negócio?
4 Participante: Veja, não fui muito longe na escola. Portanto, não aprendi nada sobre 5 negócios na escola primária. Usei
minha experiência para começar este negócio. Nesta 6 cultura, acreditamos que a experiência de outros pode ser copiada.
Acho que roubei o negócio experiência
7 sistema de gestão que eu uso neste negócio desde o primeiro trabalho de assistência de loja que eu copie outros
8 fizeram. Eles me ensinaram no trabalho como tratar os clientes, especificamente que eu tinha que ser
9 amigável, sorria para os clientes e trate-os com respeito. Eu já sabia dessas coisas, mas na época não sabia
que eram importantes para o negócio. Eles também me mostraram 11 como controlar o que eu vendi e coisas
assim. Em segundo lugar, eu aprendi
12 muito de minha irmã sobre como mulheres de negócios em negócios semelhantes como o meu em 13 irmã
Gaborone operam os seus. Essa experiência de aprendizado e meu bom senso foram muito úteis nos estágios senso comum
iniciais deste negócio. Uma vez que eu estava no negócio, bem, você meio que aprende fazendo as coisas. Por
exemplo, você enfrenta problemas e o que funciona naquilo que você guarda na cabeça para a próxima crise. fazendo
Com a expansão do negócio, aprendi muito com outras 17 mulheres. Eu converso com eles sobre este negócio,
especialmente aqueles que possuem semelhantes outras mulheres
18 negócios como aquele com que viajo para a África do Sul para nossas compras de negócios, aqueles 19
cujas empresas estão próximas às minhas, funcionários, clientes e família. Você só precisa falar sobre o seu
negócio e o céu é o limite para aprender com outras pessoas. 21
22 Investigador: Muito interessante. Outras empresárias também aprendem com você? 23
( Contínuo )
Anexo 8.1. (Contínuo)
24 Participante: Claro (ri sem acreditar). Neste negócio eu não estaria onde eu
25 da manhã sem eles. Veja, eles cometeram erros, sofreram e não querem que aqueles que vierem depois deles
passem por essa experiência dolorosa. Fui espancado por 27 ladrões sul-africanos, humilhado por homens que têm
poder neste país sobre as mulheres e eu tenho
28 juraram que não gostaria de ver nenhuma mulher passar por aquela experiência. É isso que o 29 me
mantém no negócio, isto é, estar lá para outras pessoas como um modelo ou um segurança 30 (mais risos).
Faço um esforço para abordar novas empresárias para oferecer ajuda e para que saibam que minha porta está
aberta para que me peçam qualquer coisa que 32 fará diferença em suas vidas e negócios.
Fonte: Ntseane (nd). Usado com permissão.
por exemplo, você pode combinar “copiar outros”, “irmã” e “outras mulheres” em uma
categoria “Aprender com os outros”. Este processo de agrupar seus códigos abertos
às vezes é chamado codificação axial ( Corbin & Strauss, 2007) ou codificação
analítica. A codificação analítica vai além da codificação descritiva; é "codificação
que vem da interpretação e reflexão sobre o significado" (Richards, 2005,
p. 94). Mantenha uma lista desses agrupamentos anexada à transcrição ou em um

papel ou memorando separado. No início de uma investigação, é provável que essa
lista seja bastante longa porque você ainda não sabe o que aparecerá no restante
dos dados. Você também ainda não saberá quais agrupamentos podem ser incluídos
em outros.
Movendo-se para o próximo conjunto de dados (transcrição, notas de campo ou

documento), você o escaneia exatamente da mesma maneira que foi esboçado. Faça isso,
tendo em mente a lista de agrupamentos que você extraiu da primeira transcrição e
verificando se eles também estão presentes neste segundo conjunto. Você também faz
uma lista separada de comentários, termos e notas desse conjunto e, em seguida,
compara essa lista com aquela derivada da primeira transcrição. Essas duas listas devem
ser fundidas em uma lista mestre de conceitos derivados de ambos os conjuntos de dados.
Esta lista mestra constitui um esboço primitivo ou sistema de classificação refletindo as
regularidades ou padrões recorrentes em seu estudo. Esses padrões e regularidades
tornam-se
Figura 8,1 Derivando categorias de dados.
os
Dad Dado Dado
s
s
os
Dad
os Dad
Dad os
Categoria
as categorias ou temas nos quais os itens subsequentes são classificados.

Categorias são elementos conceituais que “cobrem” ou abrangem muitos exemplos
individuais (ou bits ou unidades dos dados que você identificou anteriormente) da
categoria. Isso é ilustrado na Figura 8.1. As caixas de fundo sombreadas representam
incidentes da categoria da qual a categoria foi derivada. A posição da categoria em
relação aos dados é representada pela elipse mais clara na figura.
O desafio é construir categorias ou temas que capturem algum padrão

recorrente que permeia seus dados. Deve ficar claro que as categorias são
abstrações derivadas dos dados, não os próprios dados. Parafraseando Glaser e
Strauss (1967), essas categorias têm vida própria, independentemente dos dados
de onde vieram.
Classificação de categorias e dados

No início de sua análise, você provavelmente gerará dezenas de categorias
provisórias. Conforme você vai atribuindo códigos
ou temas ou nomes de categorias para seus dados, você deve compilá-los em um

memorando separado, contendo aqueles que parecem valer para mais de uma
entrevista ou conjunto de notas de campo. E à medida que avança, você pode
renomear uma categoria para refletir com mais precisão o que está nos dados.
Algumas categorias originais provavelmente se tornarão subcategorias. Por exemplo,
nos dados da entrevista acima de empresárias bem-sucedidas, aprender com um
membro da família acabou se tornando uma subcategoria na categoria "aprender com
os outros". Familiares ”e“ outras empresárias ”foram as duas subcategorias. Uma vez
que você esteja satisfeito com um conjunto preliminar de categorias derivadas dos
dados, as categorias podem ser aprimoradas e tornadas mais robustas, pesquisando
nos dados por mais e melhores unidades de informações relevantes. Enquanto você
faz isso, seu conjunto inicial de categorias pode sofrer alguma revisão. Esse processo
de refinar e revisar na verdade continua com a redação de suas descobertas.
Depois de derivar um esquema provisório de categorias, temas ou descobertas, você

precisará classificar todas as evidências para seu esquema nas categorias. Marshall e
Rossman (2006) visualizam essas categorias como “baldes ou cestas nos quais os
segmentos de texto são colocados” (p. 159). Isso é feito criando pastas de arquivo, cada
uma rotulada com um nome de categoria. Cada unidade de dados codificada de acordo
com este tema é então cortada e colocada na pasta de arquivo. É claro que isso pode ser
feito à mão e geralmente é feito em estudos de pequena escala, ou usando um programa
de computador de processamento de texto. Cada unidade de dados colocada em uma
categoria deve incluir códigos de identificação originais, como nome do respondente,
números de linha do trecho e assim por diante. Isso permitirá que você retorne à sua
transcrição original, notas de campo ou documento, caso deseje revisar o contexto da
citação.
Vários programas de computador foram desenvolvidos para armazenar, classificar e

recuperar dados qualitativos. Alguns pesquisadores também criaram sistemas usando poderosos
pacotes de processamento de texto ou programas de banco de dados. Transcrições de entrevistas,
notas de observação e assim por diante são inseridas literalmente no programa de computador. O
pesquisador trabalha no conjunto específico de dados (ou seja, uma transcrição de entrevista,
notas de campo, documento escrito) para analisar os dados, fazendo anotações nas margens e
desenvolvendo temas ou categorias conforme ilustrado
acima. Os arquivos são configurados para as categorias e seus dados correspondentes são
inseridos. O pesquisador pode então recuperar e imprimir, por categoria, qualquer conjunto de
dados desejado. Vários níveis de codificação são possíveis para a mesma unidade de informação.
(Para obter mais discussão sobre computadores na pesquisa qualitativa, consulte a seção neste
capítulo sobre Computadores e Análise Qualitativa de Dados.)
A construção de categorias é altamente indutiva. Você começa com bits ou

segmentos de dados detalhados, agrupa unidades de dados que parecem estar
juntas e, em seguida, “nomeia” o cluster. Esta é uma categoria, tema ou
descoberta. Conforme você avança na coleta de dados e se tem analisado durante
o processo, poderá "verificar" essas categorias provisórias com entrevistas,
observações ou documentos subsequentes. Nesse ponto, há uma mudança sutil
para um modo ligeiramente dedutivo de pensamento - você tem uma categoria e
deseja ver se ela existe nos dados subsequentes. No momento em que você
atingir a saturação - o ponto em que você percebe que não há novas informações,
insights ou entendimentos - você provavelmente estará pensando de forma mais
dedutiva do que indutiva; isso é, agora você está “testando” amplamente seu
esquema de categorias provisório em relação aos dados. Esse movimento de
indutivo para dedutivo é ilustrado na Figura 8.2. No início de seu estudo, sua
estratégia de análise é totalmente indutiva; você está olhando para pedaços de
dados e deles derivando categorias provisórias. Conforme você coleta e analisa
mais dados, você começa a verificar se as categorias derivadas de dados
anteriores “se mantêm” enquanto analisa os dados subsequentes. Conforme você
avança na coleta e análise, algumas categorias permanecerão sólidas e outras
não. À medida que você chega ao final de seu estudo, você está operando a partir
de uma postura dedutiva no sentido de que está procurando mais evidências em
apoio ao seu conjunto final de categorias. No momento em que você atinge uma
sensação de saturação, ou seja, quando nada de novo está surgindo,
Nomeando as categorias
Elaborar categorias é em grande parte um processo intuitivo, mas também é sistemático
e informado pelo propósito do estudo, pela orientação e conhecimento do investigador e
pelos significados explicitados por
Figura 8,2. A lógica da análise de dados.
Descoberta Totalmente Indutivo Começo
Descoberta e Indutivo e Midway

Verificando Dedutivo
Teste e Principalmente Fim

Confirmando Dedutivo
os próprios participantes. Pode ser lembrado do Capítulo Quatro que todo estudo
tem algum arcabouço teórico; ou seja, todo estudo está situado em algum corpo da
literatura que fornece as ferramentas para até mesmo chegar a uma declaração de
propósito e perguntas de pesquisa. Uma vez que as categorias ou temas ou
achados respondem (respostas) a essas questões de pesquisa, o nome dessas
categorias será congruente com a orientação do estudo.
Os nomes de suas categorias podem vir de pelo menos três fontes (ou uma
combinação dessas fontes): você, o pesquisador, os participantes ou fontes
externas ao estudo, como a literatura. A situação mais comum é quando o
investigador apresenta termos, conceitos e categorias que refletem o que ele vê
nos dados. Na segunda abordagem, os dados podem ser organizados em um
esquema sugerido pelos próprios participantes. Por exemplo, Bogdan e Biklen
(2007) descobriram que os pais foram classificados pela equipe profissional em
um hospital intensivo
unidade de cuidados para bebês como “bons pais”, “pais não tão bons” ou “criadores de
problemas” (p. 175).
Além das próprias categorias dos participantes, os esquemas de classificação
podem ser emprestados de fontes externas ao estudo em questão. Aplicar o esquema
de outra pessoa requer que as categorias sejam compatíveis com o propósito e a
estrutura teórica do estudo. O banco de dados é verificado para determinar a
adequação de categorias a priori e, em seguida, os dados são classificados nas
categorias emprestadas.
No entanto, há algum perigo em usar esquemas de classificação emprestados.

Conforme Glaser e Strauss (1967) apontam, “a simples seleção de dados para uma
categoria que foi estabelecida por outra teoria tende a dificultar a geração de novas
categorias, pois o maior esforço não é a geração, mas a seleção dos dados. Além
disso, as categorias emergentes geralmente provam ser as mais relevantes e mais
adequadas aos dados. Trabalhar com categorias emprestadas é mais difícil porque são
mais difíceis de encontrar, menos numerosas e não tão ricas; visto que, a longo prazo,
podem não ser relevantes e não são exatamente concebidos para o propósito, devem
ser respeitados ”(p. 37).
Como pode ser visto no Anexo 8.2, as categorias construídas durante a análise de
dados devem atender a vários critérios:
• As categorias devem ser responsivo ao propósito da pesquisa. No

efeito, as categorias são as respostas às suas perguntas de pesquisa. Uma das
descobertas (ou categorias) de Rowden (1995) a respeito do papel do desenvolvimento de
recursos humanos (DRH) em pequenas empresas bem-sucedidas foi que as atividades de
DRH servem para preservar o nicho de mercado dessas empresas. Esta categoria,
“preservar o nicho de mercado”, foi uma “resposta” à pergunta do estudo sobre como o
desenvolvimento de recursos humanos funciona no sucesso das pequenas empresas.
• Categorias devem seja exaustivo; ou seja, você deve ser capaz de colocar todos os
dados que decidiu serem importantes ou relevantes para o estudo em uma categoria ou
subcategoria.
• Categorias devem ser mutuamente exclusivos. Uma determinada unidade de dados deve se
enquadrar em apenas uma categoria. Se exatamente a mesma unidade de dados pode ser
colocada em mais de uma categoria, mais trabalho conceitual precisa ser feito para refinar suas
categorias. Isso é
Anexo 8.2. Categorias / Temas / Achados.
Devemos ser responsivo para (ou seja, responder) às perguntas de pesquisa e. . .
1. Seja como sensível para os dados possíveis
2. Seja exaustivo ( categorias suficientes para abranger todos os dados relevantes)
3. Seja Mutualmente exclusivo ( uma unidade de dados relevante pode ser colocada em
apenas uma categoria)
4. Seja conceitualmente congruente ( todas as categorias estão no mesmo nível conceitual)
para não dizer, entretanto, que parte de uma frase não pode entrar em uma
categoria ou subcategoria, e o resto da frase em outra.
• Categorias devem ser sensibilizante. A nomenclatura da categoria deve ser o mais

sensível possível ao que está nos dados. Uma pessoa de fora deve ser capaz de ler
as categorias e entender sua natureza. Quanto mais preciso captar o significado do
fenômeno, melhor. Por exemplo, a categoria “tempo” não revela tanto quanto a
categoria “gerenciamento de tempo”. Em outro exemplo, "comportamento desafiador"
não é tão sensibilizante quanto "desafiar figuras de autoridade adultas". Categorias
devem ser conceitualmente congruente. Isso significa que o mesmo nível de abstração
deve caracterizar todas as categorias no mesmo nível. No exemplo de supermercado
• descrito anteriormente, os itens não devem ser classificados de acordo com a
produção, produtos enlatados e frutas. Embora produtos e conservas estejam no
mesmo nível conceitual, frutas são um tipo de produto e devem formar uma
subcategoria de produtos. No estudo de Ntseane (2004) de mulheres em Botswana
que se tornaram empresárias bem-sucedidas, por exemplo, três "categorias" de
aprendizagem foram descobertas: (1) treinamento de habilidades pré-negócios
informal, (2) treinamento técnico formal e (3) negócios aprendizagem incorporada.
Cada uma dessas categorias possui subcategorias. Por exemplo, o treinamento de
habilidades pré-negócios foi adquirido de (a) membros da família, (b) observação no
trabalho e (c) bom senso.
A congruência conceitual é provavelmente o critério mais difícil de aplicar. Os

investigadores geralmente estão tão imersos em seus dados e análises que é difícil para
eles ver se um conjunto de categorias faz ou não sentido em conjunto. Uma das melhores
estratégias para verificar todos os critérios em relação ao seu esquema de categoria é
exibir seu conjunto de categorias na forma de um gráfico ou tabela. Isso pode ser tão
simples quanto uma lista de categorias de uma palavra. Em um estudo da estrutura da
reminiscência simples (Merriam, 1989), por exemplo, as categorias ou resultados foram
exibidos em uma lista consistindo de quatro termos - seleção, imersão, retirada e
encerramento. As exibições de dados também podem ser bastante complexas (Miles e
Huberman,
1994). A questão é que, ao expor a estrutura básica de suas descobertas, você

pode ver se as categorias estão no mesmo nível de abstração e também como
todas as partes se encaixam. Finalmente, ao escrever a declaração de propósito
na parte superior da tela, você pode ver imediatamente se as categorias são respostas
às questões de pesquisa.
Quantas categorias
O número de categorias que um pesquisador constrói depende dos dados e do foco
da pesquisa. Em qualquer caso, o número deve ser administrável. Em minha
experiência, quanto menos categorias, maior o nível de abstração e maior a
facilidade com que você pode comunicar suas descobertas a outras pessoas.
Cresswell (2007, p. 152) concorda dizendo que em sua pesquisa ele prefere
trabalhar com vinte e cinco a trinta categorias no início da análise de dados, então
se esforça “para reduzi-los e combiná-los nos cinco ou seis temas que usarei no fim
de escrever minha narrativa. ” É provável que um grande número de categorias
reflita uma análise muito alojada em descrições concretas. Guba e Lincoln (1981)
sugerem quatro diretrizes para o desenvolvimento de categorias que são
abrangentes e esclarecedoras. Primeiro, o número de pessoas que mencionam algo
ou a frequência com que algo surge nos dados indica uma dimensão importante.
Em segundo lugar, o público pode determinar o que é importante - isto é, algumas
categorias aparecerão para vários públicos como mais ou menos confiáveis.
Terceiro, algumas categorias se destacarão por causa de sua singularidade e
devem ser mantidas. E quarto, certas categorias podem revelar "áreas de
inquérito não reconhecido de outra forma ”ou“ fornece uma vantagem única em um problema
comum de outra forma ”(p. 95).
Diversas diretrizes podem ajudar um pesquisador a determinar se um conjunto de
categorias está completo. Primeiro, “deve haver um mínimo de itens de dados não
atribuíveis, bem como relativa liberdade de ambigüidade de classificação” (Guba e
Lincoln, 1981, p. 96). Além disso, o conjunto de categorias deve parecer plausível, dados
os dados dos quais emergem, fazendo com que investigadores independentes
concordem que as categorias fazem sentido à luz dos dados. Essa estratégia ajuda a
garantir a confiabilidade e é discutida mais adiante no Capítulo Nove.
Tornando-se mais teórico

Vários níveis de análise de dados são possíveis em um estudo qualitativo. No nível
mais básico, os dados são organizados cronologicamente ou às vezes por tópicos e
apresentados em uma narrativa que é amplamente, se não totalmente, descritiva.
Mover-se da descrição concreta de dados observáveis para um nível um tanto mais
abstrato envolve o uso de conceitos para descrever fenômenos. Em vez de apenas
descrever uma interação em sala de aula, por exemplo, um pesquisador pode citá-la
como uma instância de “aprendizagem” ou “confronto” ou “apoio de pares”,
dependendo do problema de pesquisa. Este é o processo de classificar
sistematicamente os dados em algum tipo de esquema que consiste em categorias ou
temas, conforme discutido anteriormente. As categorias descrevem os dados, mas até
certo ponto também interpretam os dados. Um terceiro nível de análise envolve fazer
inferências, desenvolver modelos, ou gerando teoria. É um processo, escrevem Miles e
Huberman (1994), de subir “das trincheiras empíricas para uma visão geral mais
conceitual da paisagem. Não estamos mais lidando apenas com observáveis, mas
também com inobserváveis, e estamos conectando os dois com camadas sucessivas
de cola inferencial ”(p. 261).
Pensar sobre dados - teorizar - é um passo em direção ao desenvolvimento

de uma teoria que explica alguns aspectos da prática e permite ao pesquisador
fazer inferências sobre atividades futuras. Teorizar é definido como “o processo
cognitivo de descobrir ou manipular categorias abstratas e as relações entre essas
categorias” (LeCompte, Preissle, & Tesch, 1993, p. 239). É repleto de
ambigüidade. “O risco de ir além dos dados
em uma terra de inferência nunca-nunca ”é uma tarefa difícil para a maioria dos
pesquisadores qualitativos porque eles estão muito próximos dos dados,
incapazes de articular como o estudo é significativo e incapazes de mudar para um
modo especulativo de pensamento (p. 269) . Teorizar sobre dados também pode
ser prejudicado por pensar que é linear em vez de contextual. Patton (2002)
observa a tentação de “recorrer aos pressupostos lineares da análise quantitativa”,
que envolve a especificação de “variáveis isoladas que são mecanicamente
vinculadas fora do contexto” (p. 480). Essas declarações não contextuais “podem
ser mais distorcidas do que esclarecedoras. O desafio contínuo, paradoxo e
dilema da análise qualitativa nos envolvem em um movimento constante para
frente e para trás entre o fenômeno do programa e nossas abstrações desse
fenômeno,
No entanto, os dados muitas vezes parecem implorar por uma análise

contínua após a formação de categorias. A chave aqui é quando o pesquisador
sabe que o esquema de categorias não conta toda a história - que há mais a ser
compreendido sobre o fenômeno. Isso geralmente leva a tentar ligação os
elementos conceituais - as categorias - juntos de alguma forma significativa. Uma
das melhores maneiras de fazer isso é visualizar como as categorias funcionam
juntas. Um modelo é apenas isso - uma apresentação visual de como conceitos
abstratos (categorias) estão relacionados uns com os outros. Mesmo um diagrama
ou modelo simples usando as categorias e subcategorias da análise de dados
pode efetivamente capturar a interação ou relação das descobertas. A seguir estão
dois exemplos de como as categorias e propriedades (as descobertas) de um
estudo podem ser vinculadas de maneira significativa. O primeiro exemplo vem de
um estudo sobre por que estudantes adultos do sexo masculino que trabalham
optaram por ingressar em um programa de educação em enfermagem e depois se
retiraram antes da graduação. diferenciado graduados de não graduados. A Figura
8.3 apresenta suas descobertas ou categorias.
Anexo 8.3. Fatores que influenciam a entrada e conclusão /

Não conclusão.
FATORES DE ENTRADA
A. Mobilidade Ascendente
B. Apoio à Família
FATORES DE CONCLUSÃO
A. Orientação de meta
1. Clareza
2. Proximidade
B. Imagem
1. Enfermagem
2. Auto como enfermeira
C. Saliência do papel do aluno
Fonte: Blankenship (1991).
Figura 8,3. Modelo para explicar a entrada e persistência em enfermagem

Educação
Para cima
mobilidade
Objetivo
orientação
Graduação
Entrada em
Imagem
Enfermagem
programa
Retirada
Saliência de
papel do aluno
Família
Apoio, suporte
Fonte: Blankenship (1991).

Dois fatores, mobilidade ascendente e suporte familiar, caracterizaram a motivação de ambos os grupos
para ingressar no programa de enfermagem. Três fatores - orientação para o objetivo, imagem e relevância do
papel do aluno - explicaram por que alguns homens concluíram o programa de enfermagem e outros não. Os
graduados tinham uma compreensão muito mais realista do que seria ganho com a aquisição de um diploma
de associado (clareza de objetivos) e quanto tempo levaria para concluí-lo (proximidade de objetivos). Os
graduados tinham imagens mais realistas da enfermagem como profissão e também de si próprios como
enfermeiros. Além disso, para os concluintes, o papel do estudante de enfermagem era inegociável em face
de crises familiares ou de trabalho; para não graduados, o papel do aluno foi o primeiro compromisso a ser
sacrificado em tempos de crise. Blankenship sentiu que esses fatores apresentados não transmitiam
completamente sua compreensão do fenômeno. Na Figura 8.3, ela pega as categorias apresentadas na
Figura 8.3 e “mapeia” o processo. Como pode ser visto na Figura 8.3, todos os alunos ingressaram no
programa de enfermagem com a crença de que tornar-se enfermeiro os capacitaria a ter mais mobilidade
social e econômica; eles também tinham apoio familiar para esse empreendimento. Uma vez no programa,
seu compromisso foi filtrado por meio dos fatores que ela descobriu que diferenciavam os que se formavam e
os que desistiam - orientação para metas, imagem da enfermagem e destaque do papel do aluno. Como
afirma Blankenship, “uma vez no programa, a orientação para o objetivo, a imagem e a relevância do papel do
aluno interagem de forma a levar à graduação ou à saída do programa” (p. 88). Na Figura 8.3, ela pega as
categorias apresentadas na Figura 8.3 e “mapeia” o processo. Como pode ser visto na Figura 8.3, todos os
alunos ingressaram no programa de enfermagem com a crença de que tornar-se enfermeiro lhes permitiria ter
mais mobilidade social e econômica; eles também tinham apoio familiar para esse empreendimento. Uma vez
no programa, seu compromisso foi filtrado por meio dos fatores que ela descobriu que diferenciavam os que
se formavam e os que desistiam - orientação para metas, imagem da enfermagem e destaque do papel do
aluno. Como afirma Blankenship, “uma vez no programa, a orientação para o objetivo, a imagem e a
relevância do papel do aluno interagem de forma a levar à graduação ou à saída do programa” (p. 88). Na
Figura 8.3, ela pega as categorias apresentadas na Figura 8.3 e “mapeia” o processo. Como pode ser visto na
Figura 8.3, todos os alunos ingressaram no programa de enfermagem com a crença de que tornar-se enfermeiro os capacitaria a ter mais m
Um segundo exemplo de como suas descobertas podem levar a mais

teorizações pode ser encontrado no estudo de Johnson-Bailey e Cervero (1996)
sobre mulheres negras reentradas. Em seu estudo, silêncio, negociação e
resistência foram as estratégias que as mulheres negras em seu estudo usaram
para sobreviver ou ter sucesso na educação formal. No entanto, essas estratégias
eram usadas dentro e fora da sala de aula e se cruzavam com sistemas de raça,
gênero, classe e cor. A Figura 8.4 mostra um modelo exibindo essas inter-relações.
Johnson-Bailey e Cervero (1996) explicam da seguinte forma:
As questões de raça, gênero, classe e cor são representadas no fundo ao

redor do círculo para indicar forças poderosas
Figura 8.4. Vinculando categorias e conceitos em um modelo de

Experiência de reentrada feminina negra
Gênero
Família
Escola
Negociação Silêncio
Raça Mulheres negras Classe
Resistência Comunidade
Local de trabalho
Cor
Fonte : Johnson-Bailey e Cervero (1996, p. 153). Reproduzido com permissão.
que estão sempre presentes na sociedade. O círculo central se sobrepõe aos círculos
menores que representam os diferentes segmentos da sociedade: escola, local de trabalho,
comunidade e família. Os obstáculos que encontraram na escola não foram diferentes dos
enfrentados nas outras três áreas. Para lidar com velhos dilemas, as mulheres confiaram
em estratégias familiares (silêncio, negociação e resistência) que usaram ao longo de suas
vidas, para responder ao impacto direto do racismo, sexismo, classismo e colorismo nesses
quatro locais sociais (p. 154).
Assim, pensar sobre suas categorias e subcategorias e especular sobre como elas
podem estar inter-relacionadas pode levar você a desenvolver um modelo dessas
inter-relações ou mesmo uma teoria. Quando as categorias e suas propriedades são
reduzidas e refinadas e então vinculadas, a análise está se movendo em direção ao
desenvolvimento de um modelo ou teoria para explicar o significado dos dados. Isto
O nível de análise transcende a formação de categorias, pois uma teoria busca explicar
um grande número de fenômenos e contar como eles se relacionam. Deve-se lembrar
que o método comparativo constante de análise de dados foi desenvolvido por Glaser e
Strauss (1967) para construir a teoria fundamentada. Isso vai além da construção de
categorias e é abordado posteriormente no capítulo da seção intitulada Teoria
Fundamentada nos Dados.
Em resumo, a análise de dados é um processo de dar sentido aos dados. Pode

limitar-se a determinar a melhor forma de organizar o material em um relato narrativo
das descobertas. Mais comumente, os pesquisadores estendem a análise para
desenvolver categorias, temas ou outras classes taxonômicas que interpretam o
significado dos dados. As categorias tornam-se as conclusões do estudo. Em um bom
resumo do processo, Dey (1993) compara a análise de dados qualitativos a escalar
uma montanha para ver a vista.
Em primeiro lugar, devemos insistir que nossa montanha se eleva acima do mundo plano do
bom senso para oferecer uma perspectiva mais “científica”. . . . Podemos permitir que nossa
montanha tenha qualquer tamanho e forma; a pequena colina de um pequeno projeto de
graduação ou o pico íngreme de um projeto de pesquisa em grande escala. . . . Em geral, as
mesmas tarefas são exigidas de ambos. A montanha é escalada aos poucos, e enquanto
subimos, nos concentramos em um passo de cada vez. Mas a visão que obtemos é mais do que
a soma da sequência de etapas que damos ao longo do caminho. De vez em quando, podemos
nos virar e olhar para o horizonte e, ao fazer isso, vemos a região circundante de um novo ponto
de vista. . . . Esta escalada, com seus caminhos tortuosos, suas tangentes e reversões
aparentes, e suas vistas frescas, reflete o caráter criativo e não sequencial do processo
analítico. O progresso pode ser lento e trabalhoso, mas pode ser recompensado com algumas
revelações de tirar o fôlego. (pp. 53-54)
Computadores e análise qualitativa de dados
O computador tem grande capacidade de organizar grandes quantidades de dados,

facilitando a análise e auxiliando na comunicação entre os membros de uma equipe de
pesquisa. O uso de computadores evoluiu para algo como um subcampo denominado
CAQDAS, que significa
Software de análise de dados qualitativos assistido por computador. Bogdan e

Biklen (2007) apontam que “assistido” é a palavra-chave aqui, porque “o programa
de computador só ajuda como ferramenta de organização ou categorização, e não
faz a análise para o pesquisador” (p. 187). Com essa ressalva em mente, o
pesquisador pode escolher entre vários programas de software especificamente
desenvolvidos para lidar com dados qualitativos, ou pode-se usar um software de
processamento de texto básico como o MS Word e adaptá-lo para usar com dados
qualitativos. Ruona (2005) acredita que os programas básicos de processamento de
texto são bastante adequados para a maioria das análises de dados qualitativos e
descreve em detalhes como adaptar um programa de processamento de texto para
gerenciar e analisar dados qualitativos. Esta seção fornece uma visão geral de
como os programas de computador estão sendo usados na pesquisa qualitativa,
Esteja um pesquisador adaptando um programa comercial padrão para

pesquisa qualitativa ou usando um programa desenvolvido especificamente para
esse propósito, o gerenciamento de dados provavelmente será o principal uso. Reid
(1992) divide o gerenciamento de dados em três fases: preparação de dados,
identificação de dados e manipulação de dados. A preparação dos dados envolve a
digitação de notas, a transcrição de entrevistas e, de outra forma, a entrada dos
dados com os quais o pesquisador trabalhará. Além disso, pode incluir pequenas
edições ou formatação. Seu objetivo é meramente criar um registro limpo para
trabalhar. Freqüentemente, um processador de texto padrão é o software escolhido
para esta fase, mesmo se os dados forem usados posteriormente em conjunto
com outro programa. A identificação de dados tem como objetivo “dividir os dados
do texto em segmentos analiticamente significativos e facilmente localizáveis”
(Reid, 1992, p. 126).
O gerenciamento de dados não é um aspecto pequeno da análise. Em primeiro lugar,

é difícil separar claramente “gerenciamento de dados” de “análise de dados” na pesquisa
qualitativa. Por exemplo, codificar e recuperar é uma abordagem comumente usada (com e
sem assistência do computador). Codificação envolve rotular passagens de texto de acordo
com o conteúdo, e recuperando está fornecendo um meio de coletar passagens com
rótulos semelhantes. Como Richards e Richards (1998) apontam, “a geração de categorias,
mesmo os descritores mais simples. . . é uma contribuição para a teoria ”(p. 215). Além
disso,
Decisões estão sendo tomadas sobre o que é uma categoria significativa para o estudo. . . e se
essas categorias devem ser alteradas, redefinidas ou excluídas durante a análise. Em segundo
lugar, as decisões sobre quais segmentos de texto são relevantes para uma categoria nunca são
meramente decisões clericais; eles sempre envolvem alguma consideração teórica. Terceiro, a
exibição de segmentos de muitos documentos em um tópico ou tópicos selecionados sempre
oferece uma nova maneira de ver os dados. (p. 215)
O simples fato de tornar a codificação e a recuperação menos tediosas oferece novos

caminhos para a análise. A automatização de aspectos tediosos da análise qualitativa sem
dúvida resulta na observação criativa das possíveis ligações e conexões entre os diferentes
aspectos dos dados. No entanto, é o pesquisador, e não o programa de computador, que
atribui códigos (ou categorias de nomes) e é ele quem determina quais unidades de dados
acompanham os códigos. É por isso que dizemos que a análise é “assistida” por esses
programas de computador.
Os primeiros programas de computador permitiam aos pesquisadores atribuir códigos

a pedaços de dados e, em seguida, recuperar todos os dados atribuídos em um
determinado código. O mesmo segmento de dados pode ser codificado em vários níveis,
que é o que acontece quando você "classifica" os códigos em categorias mais abstratas ou
divide as categorias em subcategorias. Nos últimos anos, os programas de software se
tornaram mais sofisticados em sua capacidade de permitir ligações entre códigos. “Essas
ligações também podem ser usadas para mostrar as relações lógicas entre os códigos e a
estrutura de uma teoria emergente” (Kelle, 2004, p. 482). Embora a maioria dos programas
esteja limitada a uma “estrutura de árvore hierárquica”, alguns, como ATLAS / ti, “suportam a
construção de redes complexas. . . e estruturas no esquema de categorias em
desenvolvimento ”(p. 483). Padrões de pesquisa e recuperação mais sofisticados também
permitem que os usuários recuperem dados que ocorrem simultaneamente no texto. Esses
pedaços de dados ou códigos co-ocorrentes poderiam "ser usados como um dispositivo
heurístico ”Se não uma atividade experimental de construção de hipóteses (Kelle, 2004, p.
485, ênfase no original).
Claramente, há uma série de vantagens em usar o CAQDAS. Em primeiro lugar, esses

programas oferecem um sistema de arquivo organizado para seus dados e análises. Os dados
são classificados em categorias, arquivados e facilmente recuperados. “Isso economiza tempo e
esforço que, de outra forma, poderiam ser gastos em trabalho burocrático entediante, talvez
envolvendo montes de papel fotocopiado, codificados por cores, separados em pilhas no
chão, cortar, colar e assim por diante. Por sua vez, isso dá ao analista de dados mais tempo
para pensar sobre o significado dos dados ”(Seale, 2008,
p. 235). Em segundo lugar, esses programas encorajam um exame cuidadoso dos dados,
aumentando o que Seale chama de “rigor” do estudo (p.
236). Terceiro, “o recurso de mapeamento de conceitos dos programas de computador permite
ao pesquisador visualizar a relação entre códigos e temas desenhando um modelo visual”
(Cresswell, 2007, p. 165). Finalmente, todos os pesquisadores apontam o valor do CAQDAS
para grandes conjuntos de dados e para projetos de pesquisa em equipe.
As vantagens de usar CAQDAS precisam ser consideradas à luz de algumas das

limitações. O custo pode ser uma limitação, embora existam dois programas de software de
análise de dados qualitativos gratuitos disponíveis nos Centers forDiseaseControl
(www.cdc.gov). Em segundo lugar, você realmente precisa de um programa de computador
para gerenciar seus dados? Estudos qualitativos em pequena escala provavelmente não
precisam da capacidade desses programas. Além disso, o tempo que você levaria para
aprender a operar o programa pode ser gasto na análise de seus dados. Aconselho meus
alunos que, apenas se eles forem particularmente adeptos do aprendizado de programas de
computador, eles poderão tentar. Uma opção é adaptar qualquer programa de
processamento de texto que você usa atualmente para esse propósito. Outra consideração é
o quanto você gostaria de lidar diretamente com seus dados. Como Cresswell (2007,
p. 165) aponta, “Um programa de computador pode, para alguns indivíduos, colocar uma
máquina entre o pesquisador e os dados reais. Isso causa uma distância desconfortável
entre o pesquisador e seus dados. ” Finalmente, levará algum tempo para decidir qual
programa é mais adequado para o seu tipo de estudo e o tipo de dados que você possui.
Por exemplo, o programa lida com dados visuais? Além disso, Seale (2008) sente que
“os pacotes CAQDAS são de pouca ajuda no exame de pequenos extratos de dados, do
tipo frequentemente examinado por analistas de conversação e algumas análises de
discurso” (p. 242).
Selecionar o programa CAQDAS certo pode levar algum tempo porque existem
“mais de vinte pacotes de software diferentes” disponíveis (Kelle, 2004, p. 473). Um
bom começo seria acessar as avaliações desses programas. Felizmente, as revisões
de programas estão se tornando prontamente disponíveis e essas revisões geralmente
abordam as raízes metodológicas de um programa, bem como detalham seus pontos
fortes e fracos funcionais. Por exemplo, Weitzman e Miles (1995) revisam vinte e
quatro programas de acordo com suas funções,
facilidade de uso e assim por diante. Cresswell e Maietta (2002) avaliaram vários
programas usando oito critérios, como tipo de dados aceitos, funções de escrita de
memorandos e recursos de análise. Como cada um desses programas é elaborado por
alguém com experiência em pesquisa qualitativa, cada programa reflete suas preferências
e estratégias de análise particulares. É importante que você encontre o programa que seja
confortável para você, por isso recomendo enfaticamente que você experimente vários.
Além de consultar recursos como esses, também é possível entrar em contato com os
desenvolvedores de software para obter informações atualizadas e demonstrações (se
disponíveis) e entrevistar colegas sobre suas reações a esses produtos. A maioria dos
programas mais populares possui sites onde você pode baixar uma demonstração.
Existem também sites que revisam e discutem diferentes programas CAQDAS. A Tabela
8.1 é um exemplo de lista de alguns desses sites da Internet. Os dois primeiros sites
contêm informações gerais sobre os programas; os próximos cinco sites são específicos
do programa.
Análise de dados e tipos de pesquisa

qualitativa
O processo de análise de dados apresentado neste capítulo é uma estratégia de
análise indutiva e comparativa básica adequada para analisar dados na maioria
dos estudos qualitativos interpretativos. Existem abordagens para analisar dados,
como conversação ou análise do discurso ou análise pós-moderna, que estão
além do escopo deste livro para revisão. Em consonância com os tipos de
pesquisa qualitativa interpretativa apresentados nos Capítulos Dois e Três, esta
seção sobre a análise de dados aborda brevemente estratégias de análise
específicas encontradas em um estudo fenomenológico, teoria fundamentada,
etnografia, análise narrativa e pesquisa de estudo de caso. No entanto, para todos
esses tipos de pesquisa qualitativa, a estratégia básica ainda é indutiva e
comparativa. Finalmente,
Análise Fenomenológica
Alojado como está na filosofia da fenomenologia (ver Capítulo Dois), este tipo de
análise procura descobrir a essência
Tabela 8,1 Dados qualitativos assistidos por computador

Software de análise (CAQDAS).
Programas Endereço da web Características
Geral Qualitativo http: //www.eval Fornece um

em formação Análise de dados .org / visão geral e
comprando
informação sobre
vários qualitativos
pacotes de software
Computador http: //caqdas.soc Prático
Assistido . surrey.ac.uk/ em formação;
Qualitativo discussões de
Análise de dados CAQDAS diferentes
Programas pacotes.
(CAQDAS) Contém grátis e
para download
demonstração
software e
links para outro
sites qualitativos
Popular ATLAS / ti http: //www.atlasti Com demos grátis

comercial . com /
CAQDAS Etnógrafo http: // www Com demos grátis
programas . qualisresearch
. com /
HyperRE- http: // www Demonstrações grátis com
PESQUISA . researchware.com algumas limitações;

trabalha com texto,
fotografias,
áudio e vídeo
fontes. janelas
ou Macintosh
plataformas
NVivo e http: // www Com demonstração grátis
XSIGHT . qsrinternational com NVivo7 e

. com / products.aspx XSIGHT
Programas grátis AnSWR www.cdc.gov/hiv/ Software de análise
dos centros software / answer para baseado em palavras
para doença . htm registros

Controle (www CDC EZ-Text www.cdc.gov/hiv/ freeware
. cdc.gov) software / ez-text
. htm
ou estrutura básica de um fenômeno. Diversas técnicas específicas - como epoché,

colchetes, redução fenomenológica, horizontalização, variação imaginativa e assim
por diante - são usadas para analisar a experiência. Epoche, por exemplo, é o
processo “em que o pesquisador se empenha para remover, ou pelo menos tomar
conhecimento de preconceitos, pontos de vista ou suposições sobre o fenômeno sob
investigação. Essa suspensão de julgamento é crítica na investigação
fenomenológica e requer o afastamento do ponto de vista pessoal do pesquisador
para ver a experiência por si mesma ”(Katz,
1987, p. 37). A variação imaginativa tem a ver com tentar ver o objeto de estudo -
o fenômeno - de vários ângulos ou perspectivas diferentes. Como explica
Moustakas (1994), “a tarefa da Variação Imaginativa é buscar significados
possíveis por meio da utilização da imaginação. . . abordando o fenômeno de
perspectivas divergentes, diferentes posições, papéis ou funções. O objetivo é
chegar a descrições estruturais de uma experiência, os fatores subjacentes e
precipitantes que explicam o que está sendo vivido. Como a experiência do
fenômeno veio a ser o que é? ”(Pp. 97–98). Uma versão da análise
fenomenológica é chamada de investigação heurística (Moustakas, 1990). A
investigação heurística é ainda mais personalizada do que a fenomenológica, pois
o pesquisador inclui uma análise de sua própria experiência como parte dos
dados. Moustakas (1994) apresenta um método passo a passo para analisar
dados em um estudo fenomenológico ou heurístico.
Teoria fundamentada
O método comparativo constante de análise de dados foi desenvolvido por Glaser
e Strauss (1967) como o meio de evolução da teoria fundamentada. Uma teoria
fundamentada consiste em categorias, propriedades e hipóteses que são as
ligações conceituais entre as categorias e propriedades. Como a estratégia básica
do método comparativo constante é compatível com a orientação indutiva e de
construção de conceito de toda pesquisa qualitativa, o método comparativo
constante de análise de dados foi adotado por muitos pesquisadores que não
buscam construir uma teoria substantiva.
A estratégia básica do método é fazer exatamente o que seu nome indica -

comparar constantemente. O pesquisador começa com um incidente específico de uma
entrevista, notas de campo ou documento e
compara com outro incidente no mesmo conjunto de dados ou em outro conjunto.

Essas comparações levam a categorias provisórias que são comparadas entre si e
com outras instâncias. As comparações são feitas constantemente dentro e entre
os níveis de conceituação até que uma teoria possa ser formulada. O tipo de teoria
é chamado teoria substantiva —Teoria que se aplica a um aspecto específico da
prática. Como a teoria está alicerçada nos dados e emerge deles, a metodologia é
denominada aterrado
teoria.
Uma teoria fundamentada começa com categorias. Além das categorias, uma
teoria consiste em três outros elementos - propriedades, uma categoria central e
hipóteses. Propriedades também são conceitos, mas aqueles que descrevem uma
categoria; propriedades não são exemplos de uma categoria, mas dimensões dela. A
categoria "mal-estar profissional", por exemplo, poderia ser definida pelas
propriedades de "tédio", "inércia" e "preso". o categoria central é como o cubo de uma
roda; é o aspecto de definição central do fenômeno ao qual todas as outras categorias
e hipóteses estão relacionadas ou se interconectam. Hipóteses são os links sugeridos
entre categorias e propriedades. No estudo de Reybold (1996) sobre o
desenvolvimento epistemológico das mulheres malaias, ela levantou a hipótese de que
o apoio familiar à educação para meninas e mulheres, experiências de aprendizagem
diversas e oportunidades internacionais ampliadas são fatores que fomentam o
desenvolvimento epistemológico. Tais hipóteses surgem simultaneamente com a
coleta e análise dos dados. O pesquisador tenta sustentar hipóteses experimentais
enquanto permanece aberto ao surgimento de novas hipóteses. “A geração de
hipóteses requer evidências suficientes apenas para estabelecer uma sugestão - não
um acúmulo excessivo de evidências para estabelecer uma prova” (Glaser & Strauss,
1967, pp. 39-40).
Para permitir o desenvolvimento de uma teoria fundamentada, Corbin e Strauss

(2007) sugerem três fases de codificação - aberta, axial e seletiva. Código aberto é o
que se faz no início da análise de dados, conforme descrito anteriormente neste
capítulo; é marcar qualquer unidade de dados que possa ser relevante para o
estudo.
Codificação axial é o processo de relacionar categorias e propriedades entre si,
refinando o esquema de categorias. No codificação seletiva,
uma categoria central, proposições ou hipóteses são desenvolvidas.
Análise Etnográfica
Um estudo etnográfico enfoca a cultura e as regularidades sociais da vida
cotidiana. Uma descrição rica e densa é uma característica definidora dos estudos
etnográficos. Wolcott (1994) em um livro dedicado à análise de dados etnográficos
apresenta a análise como descrição, análise e interpretação, termos que ele
admite, “são
frequentemente combinados (por exemplo, análise descritiva, dados interpretativos) ou usado
intercambiavelmente ”(p. 11, ênfase no original). Ele os diferencia da seguinte

forma: descrição é apenas essa - descrição - de "O que está acontecendo aqui?"
(pág. 12); análise envolve “a identificação de características essenciais e a
descrição sistemática das inter-relações entre elas” (p. 12); e interpretação fala com
significados, em outras palavras, o que "isso tudo significa?" (p. 12).
Os antropólogos às vezes fazem uso de esquemas de categorias pré-existentes

para organizar e analisar seus dados. The Outline of Cultural Materials desenvolvido
por Murdock (Murdock, 1983) lista quase oitenta categorias descritivas, cada uma
com até nove subcategorias pelas quais os leitores podem codificar dados. Este é
um esquema particularmente útil para comparar diferentes culturas. Lo fl e e Lo fl e
(1995) também sugerem categorias e subcategorias para a organização de aspectos
da sociedade. Suas quatro grandes categorias lidam com (1) a economia, (2)
demografia, como classe social, sexo, etnia e raça, (3) "situações básicas da vida
humana" (p. 104), incluindo família, educação e cuidados de saúde e (4) meio
ambiente, tanto “natural” como “construído” (p. 104).
Embora etnografias educacionais possam fazer uso desses esquemas de

categorias, mais freqüentemente um esquema de classificação é derivado dos
próprios dados. O esquema pode empregar termos comumente encontrados na
cultura (uma perspectiva êmica) ou termos construídos pelo etnógrafo (uma
perspectiva ética). Se os tópicos ou variáveis dentro do esquema forem vistos como
inter-relacionados, uma tipologia pode ser criada. A tipologização é definida por Lo fl
and, Snow, Anderson e Lo fl and (2006) como “o processo de mapear as
possibilidades que resultam da conjunção de duas ou mais variáveis” (p. 148). Tesch
(1990) explica como os relacionamentos nos dados podem ser exibidos: “Esses
relacionamentos são frequentemente representados em diagramas, como grades ou
outros
caixas, taxonomias em forma de contorno ou árvore,. . . fluxogramas, tabelas de

decisão, círculos sobrepostos, gráficos starburst (com um termo no centro e os termos
relacionados na periferia), cadeias causais ou redes, ou qualquer outra coisa que o
pesquisador possa inventar ”(p. 82). Em um estudo etnográfico, esses sistemas de
classificação ou
mapas cognitivos são usados para ordenar dados relativos a padrões socioculturais.
Comparar elementos dentro de um sistema de classificação pode levar a hipóteses e
explicações provisórias.
Análise Narrativa
No cerne da análise narrativa estão “as maneiras como os humanos experimentam o
mundo” (Connelly & Clandinin, 1990, p. 2). Como técnica de pesquisa, o estudo da
experiência se dá por meio de histórias. A ênfase está nas histórias que as pessoas
contam e em como essas histórias são comunicadas - na linguagem usada para
contá-las. Como Johnson-Bailey e Cervero (1996) observam em sua análise narrativa da
reentrada de mulheres negras, à medida que essas mulheres contavam suas histórias,
"cada declaração, mesmo repetições e ruídos" (p. 145), foi considerada parte dos dados
a serem analisado.
Relatos de experiência em primeira pessoa formam o “texto” narrativo dessa

abordagem de pesquisa. Quer o relato seja na forma de autobiografia, história de
vida, entrevista, jornal, cartas ou outros materiais que coletamos "à medida que
compomos nossas vidas" (Clandinin e Connelly, 1998, p. 165), o texto é analisado
usando o técnicas de uma determinada disciplina ou perspectiva. Modelos
sociológicos e sociolinguísticos de análise narrativa enfatizam a estrutura da narrativa
e sua relação com o contexto social. “Os processos de compreensão, recordação e
síntese de histórias” (Cortazzi, 1993, p. 100) - em suma, memória - caracteriza a
abordagem psicológica. Os antropólogos estariam interessados em como as
narrativas de histórias variam entre as culturas, bem como "no padrão cultural de
costumes, crenças, valores, performance e contextos sociais da narração ”(Cortazzi,
1993, p. 100). Modelos literários enfatizam a gramática, a sintaxe, a narração e a
estrutura do enredo. Além disso, as perspectivas ideológicas, como aquelas
incorporadas na teoria feminista, teoria crítica e pós-modernismo, podem ser usadas
para interpretar narrativas de história de vida. O livro recente de Riessman (2007)
sobre métodos narrativos concentra-se em quatro métodos analíticos para
analisar histórias - temáticas, estruturais, performance dialógica e visuais. Como Coffey e

Atkinson (1996) observam, “não existem fórmulas ou receitas para a 'melhor' maneira de
analisar as histórias que eliciamos e coletamos. Na verdade, um dos pontos fortes de
pensar sobre nossos dados como narrativas é que isso abre as possibilidades para uma
variedade de estratégias analíticas ”(p. 80).
Estudos de caso
Embora a estratégia básica para analisar dados delineada anteriormente neste capítulo se
aplique a todos os tipos de pesquisa qualitativa, algumas características dos estudos de
caso afetam a análise de dados. Primeiro, um estudo de caso é uma descrição e análise
intensiva e holística de uma única unidade delimitada. Transmitir uma compreensão do
caso é a consideração primordial na análise dos dados. Os dados geralmente são
derivados de entrevistas, observações de campo e documentos. Além de uma quantidade
enorme de dados, essa gama de fontes de dados pode apresentar informações díspares,
incompatíveis e até aparentemente contraditórias. O pesquisador do estudo de caso pode
ser seriamente desafiado a tentar entender os dados. A atenção ao gerenciamento de
dados é particularmente importante nessas circunstâncias.
Para começar a fase mais intensiva de análise de dados em um estudo de caso, todas
as informações sobre o caso devem ser reunidas - registros ou transcrições de entrevistas,
notas de campo, relatórios, registros, os próprios documentos do investigador, rastros
físicos e memorandos reflexivos. Todo esse material precisa ser organizado de alguma
forma para que os dados sejam facilmente recuperáveis. Yin (2008) chama esse material
organizado de banco de dados de estudo de caso, que ele diferencia do relato de estudo de
caso. De maneira semelhante, Patton (2002) diferencia o registro do caso do estudo de
caso final. “O registro do caso reúne e organiza os dados volumosos do caso em um pacote
abrangente de recursos primários. O registro do caso inclui todas as informações principais
que serão usadas ao fazer a análise do caso e o estudo de caso. As informações são
editadas, as redundâncias são classificadas, as partes são encaixadas e o registro do caso
é organizado para pronto acesso cronológica e / ou topicamente. O registro do caso deve
ser completo, mas administrável ”(p. 449). o banco de dados de estudo de caso ( ou
registro), então, os dados do estudo são organizados de forma que o pesquisador possa
localizar dados específicos durante a análise intensiva.
Os vários procedimentos para derivar significado de dados qualitativos descritos

neste capítulo se aplicam ao estudo de caso único. Embora a redação final ou relato
de caso possa ter uma proporção maior de descrição do que outras formas de
pesquisa qualitativa, a fim de transmitir uma compreensão holística do caso, o nível
de interpretação também pode se estender à apresentação de categorias, temas,
modelos, ou teoria.
Estudos de caso múltiplos ou comparativos envolvem a coleta e análise de dados de

vários casos. Em vez de estudar em uma boa escola, por exemplo, Lightfoot (1983) estudou
seis. Suas descobertas são apresentadas primeiro como seis estudos de caso individuais (ou
“retratos”, como ela os chama); ela então oferece uma análise de caso cruzado que leva a
generalizações sobre o que constitui uma boa escola de segundo grau.
Em um estudo de caso múltiplo, há dois estágios de análise - a análise de caso e a

análise de caso cruzado. Para o análise dentro do caso, cada caso é primeiro tratado como
um caso abrangente em si mesmo. Os dados são coletados para que o pesquisador possa
aprender o máximo possível sobre as variáveis contextuais que podem ter uma relação
com o caso. Assim que a análise de cada caso for concluída, análise cruzada começa. Um
estudo qualitativo, indutivo e de múltiplos casos busca construir abstrações entre os casos.
Embora os detalhes particulares de casos específicos possam variar, o pesquisador tenta
construir uma explicação geral que se adeque aos casos individuais (Yin, 2008).
Tal como acontece com o estudo de caso único, um dos desafios em um

estudo multicaso é o gerenciamento dos dados; o pesquisador provavelmente tem
consideravelmente mais informações brutas e deve encontrar maneiras de lidar
com isso sem ficar sobrecarregado. Yin (2008) ainda alerta que os investigadores
novatos provavelmente encontrarão a análise “o estágio mais difícil de fazer
estudos de caso” e recomenda fortemente começar “com um estudo de caso
simples e direto” (p. 162). Em última análise, a análise de caso cruzado difere
pouco da análise de dados em um único estudo de caso qualitativo. O nível de
análise pode resultar em uma descrição unificada entre os casos; pode levar a
categorias, temas ou tipologias que conceituam os dados de todos os casos; ou
pode resultar na construção de uma teoria substantiva que oferece uma estrutura
integrada que cobre vários casos. Portanto,
análise. Em um estudo de caso múltiplo, uma análise de caso é seguida por uma análise de caso
cruzado.
Análise de conteúdo e indução analítica

Duas técnicas de análise de dados menos comuns na pesquisa qualitativa são a análise
de conteúdo e a indução analítica. Até certo ponto, ambas as técnicas são usadas
implicitamente em qualquer análise indutiva de dados qualitativos. Em certo sentido, toda
análise de dados qualitativos é análise de conteúdo no sentido de que é o conteúdo de
entrevistas, notas de campo e documentos que são analisados. Embora esse conteúdo
possa ser analisado qualitativamente por temas e padrões recorrentes de significado, a
análise de conteúdo historicamente tem sido de natureza muito quantitativa. As unidades
de medida nesta forma de análise de conteúdo centram-se na comunicação,
especialmente a frequência e variedade de mensagens, o número de vezes que uma
determinada frase ou padrão de fala é usado. Em sua adoção para uso em estudos
qualitativos, a comunicação de sentido é o foco. A análise é indutiva: “Embora categorias
e 'variáveis' inicialmente guiem o estudo, outras são permitidas e esperadas que surjam
ao longo do estudo” (Altheide, 1987, p. 68). Essencialmente, a análise de conteúdo
qualitativa busca insights em que “situações, cenários, estilos, imagens, significados e
nuances são tópicos-chave” (Altheide, 1987, p. 68). O processo envolve a codificação
simultânea de dados brutos e a construção de categorias que capturam características
relevantes do conteúdo do documento. Um exemplo de análise de conteúdo é o estudo
de Chen, Kim, Moon e Merriam (2008) sobre como os alunos adultos mais velhos são
retratados nas principais revistas de educação de adultos de 1980 a 2006. A partir de
uma análise de noventa e três artigos em cinco revistas de educação de adultos, o os
autores descobriram que (1) os idosos são retratados como um grupo homogêneo em
termos de idade, gênero, raça, classe, etnia e condição física; (2) alunos mais velhos são
vistos como capazes e motivados com poucas limitações cognitivas ou físicas; e (3) as
respostas programáticas são orientadas pelo contexto de vida da idade adulta.
Indução analítica tem suas raízes na sociologia (Robinson, 1951; Denzin, 1978;
Vidich & Lyman, 2000). O processo começa dedutivamente formulando uma
hipótese sobre o fenômeno de interesse. Se uma instância do fenômeno se encaixa
na hipótese, ela permanece; se um caso não se encaixa na hipótese, a hipótese é
revisada.
Esse caso é algumas vezes referido como um caso “negativo” ou “discrepante”. Por
meio do refinamento contínuo de hipóteses, eventualmente evolui-se o que explica
todos os casos conhecidos do fenômeno. O objetivo é conseguir um ajuste perfeito
entre a hipótese e os dados. Em sua forma mais pura, a indução analítica é um
processo rigoroso de testar sucessivamente cada novo incidente ou caso contra a
hipótese ou explicação mais recentemente formulada do fenômeno em estudo. As
etapas básicas do processo são as seguintes (de Robinson, 1951):
• Você começa seu estudo com uma hipótese ou explicação provisória do

fenômeno em estudo.
• Você seleciona propositalmente uma instância do fenômeno para ver se a hipótese se
encaixa no caso.
• Se não se encaixa na hipótese, você reformula a hipótese; se for adequado à
hipótese, você seleciona casos adicionais para testar contra a hipótese.
• Você procura propositadamente casos que aparentemente não se enquadram na

explicação formulada (casos negativos ou discrepantes); “A descoberta de um caso
negativo desmente a explicação e requer uma reformulação” (Borg & Gall, 1989, p.
405).
• O processo continua até que a reformulação abranja todos os casos estudados ou nenhum
caso negativo seja encontrado.
Embora a indução analítica em sua forma mais rigorosa não seja frequentemente
empregada na pesquisa qualitativa, a ideia de testar explicações (ou hipóteses)
provisórias na coleta de dados contínua é usada. Como Patton (2002, p. 493) observa,
“Com o tempo, aqueles que usam a indução analítica eliminaram a ênfase na descoberta
de generalizações causais universais e, em vez disso, enfatizaram isso como uma
estratégia para se engajar em investigação qualitativa e análise comparativa de casos
que inclui o exame de hipóteses pré-concebidas , isto é, sem a pretensão da folha em
branco mental defendida em formas mais puras de investigação fenomenológica e teoria
fundamentada. ”
Resumo
Este capítulo sobre análise de dados em pesquisa qualitativa cobriu muito terreno
na tentativa de dar a você, leitor, uma visão geral
desta parte mais importante e, para muitos, mais desafiadora do processo de

pesquisa qualitativa. A análise de dados não é fácil, mas pode ser gerenciável se
você puder analisar junto com a coleta de dados. Esperar até que todos os dados
sejam coletados é perder a oportunidade de reunir dados mais confiáveis e válidos;
esperar até o fim também é um desastre de corte, visto que muitos pesquisadores
qualitativos ficaram sobrecarregados e impotentes pela quantidade de dados em um
estudo qualitativo.
Em preparação para um período de análise de dados mais intensiva, uma vez que a
maioria dos seus dados foi coletada, você deve configurar algum sistema para organizar
seus dados, um sistema que tornará fácil recuperar qualquer segmento de seus dados
conforme necessário. Depois que seu conjunto de dados for inventariado, organizado e
codificado para fácil recuperação e manipulação, você pode começar uma análise
intensiva. Com base no método comparativo constante de análise de dados, apresentei
um processo passo a passo de análise de dados básicos que é indutivo e comparativo e
resultará em descobertas. Essas “descobertas” são comumente chamadas de categorias
ou temas; eles estão em vigor, respostas às suas perguntas de pesquisa; são essas
questões que orientam sua análise e codificação dos dados brutos. O processo passo a
passo inclui nomear as categorias, determinar o número de categorias, e descobrir
sistemas para colocar os dados em categorias. Usando categorias como elemento
conceitual básico. Discuti como a análise pode ser estendida à construção de teorias.
A maioria já ouviu falar de programas de computador para análise qualitativa de

dados. Embora haja uma série de fatores a serem considerados para usar ou não um
desses programas, eles são certamente uma opção que permite a recuperação
rápida de dados e são especialmente bons para grandes conjuntos de dados ou
equipes de pesquisadores. Uma pequena seção sobre esses programas discute as
vantagens e limitações do CAQDAS e lista os recursos para obter mais informações.
Na última seção do capítulo, apresentei estratégias específicas de análise de

dados em fenomenologia, etnografia, teoria fundamentada, análise narrativa e
pesquisa de estudo de caso. Embora a abordagem geral nesses tipos de pesquisa
qualitativa ainda seja indutiva e comparativa, cada uma possui estratégias
peculiares ao gênero. Finalmente, revi brevemente a análise de conteúdo e a
indução analítica.

PT Merriam - Qualitative Research - A Guide To Design and Implementation (2009, Jossey-Bass)

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

PT Merriam - Qualitative Research - A Guide To Design and Implementation (2009, Jossey-Bass)

Enviado por

Direitos autorais:

Formatos disponíveis

Parte TRÊS

Os capítulos separados do livro sobre análise de dados e questões de validade,

entre pesquisador e participantes, a triangulação de dados, a interpretação de

Esteja alguém conduzindo um estudo ou queira fazer uso da pesquisa de

discussão e debate sobre generalizabilidade do que qualquer outro aspecto da

O capítulo final da Parte Três (e o capítulo final do livro) é dedicado à redação

Apresento os capítulos nesta parte do livro com a consciência de que

Análise inicial durante

Analise e escreva suas descobertas, você tem um conjunto de categorias ou temas

A coleta e análise simultâneas de dados ocorrem dentro e fora do campo. Ou

1 Obrigue-se a tomar decisões que restrinjam o estudo. "Você deve

2 Obrigue-se a tomar decisões sobre o tipo de estudo que você

3 - Desenvolva perguntas analíticas. “Alguns pesquisadores trazem

concentre-se na coleta de dados e ajude a organizá-la conforme você prossegue.

5 Escreva muitos “comentários do observador” conforme você avança. “A ideia é estimular

8 Comece explorando a literatura enquanto você está no campo. "Depois de você

9 Brinque com metáforas, analogias e conceitos. "Miopia

A coleta e análise de dados é, de fato, um processo contínuo que pode se

Gerenciando seus dados

Cada entrevista, conjunto de notas de campo e documento precisa de anotações

Você também precisa manter o controle de seus pensamentos, reflexões,

Você pode, é claro, fazer toda essa organização manualmente, e alguns

Como analisar dados qualitativos

indutivo e comparativo. Portanto, me baseio fortemente no método comparativo constante

O objetivo da análise de dados

interpretar o que as pessoas disseram e o que o pesquisador viu e leu - é o

O processo geral de análise de dados começa com a identificação de segmentos em

um sentimento ou fenômeno, ou tão grande quanto várias páginas de notas de

A tarefa é comparar uma unidade de informação com a próxima, procurando

O processo passo a passo de análise

a pesquisadora está explorando como essas mulheres aprenderam sobre negócios.

Atribuir códigos a pedaços de dados é a maneira como você começa a

Anexo 8.1. Aprendizagem necessária e como estava sendo obtida.

Acho que roubei o negócio experiência

assim. Em segundo lugar, eu aprendi

especialmente aqueles que possuem semelhantes outras mulheres

negócio e o céu é o limite para aprender com outras pessoas. 21

22 Investigador: Muito interessante. Outras empresárias também aprendem com você? 23

Anexo 8.1. (Contínuo)

poder neste país sobre as mulheres e eu tenho

Fonte: Ntseane (nd). Usado com permissão.

p. 94). Mantenha uma lista desses agrupamentos anexada à transcrição ou em um

Movendo-se para o próximo conjunto de dados (transcrição, notas de campo ou

Figura 8,1 Derivando categorias de dados.

as categorias ou temas nos quais os itens subsequentes são classificados.

O desafio é construir categorias ou temas que capturem algum padrão

Classificação de categorias e dados

ou temas ou nomes de categorias para seus dados, você deve compilá-los em um

Depois de derivar um esquema provisório de categorias, temas ou descobertas, você

Vários programas de computador foram desenvolvidos para armazenar, classificar e

A construção de categorias é altamente indutiva. Você começa com bits ou

Figura 8,2. A lógica da análise de dados.

Descoberta Totalmente Indutivo Começo

Descoberta e Indutivo e Midway

Teste e Principalmente Fim

No entanto, há algum perigo em usar esquemas de classificação emprestados.

• As categorias devem ser responsivo ao propósito da pesquisa. No

Anexo 8.2. Categorias / Temas / Achados.

Devemos ser responsivo para (ou seja, responder) às perguntas de pesquisa e. . .

1. Seja como sensível para os dados possíveis

2. Seja exaustivo ( categorias suficientes para abranger todos os dados relevantes)

apenas uma categoria)

4. Seja conceitualmente congruente ( todas as categorias estão no mesmo nível conceitual)