1

Apresentação

O Iramuteq (Interface de R pour les Analyses Multidimensionnelles de Textes et

de Questionnaires) é um software gratuito, criado inicialmente em língua francesa, e
adaptado para o português (2011-2013). Para os amantes de “brinquedos de análises de
dados”, é semelhante ao seu “primo rico”, o Alceste.

Por meio do seu ambiente R, oferece um conjunto de tratamentos e ferramentas

de análise estatística que apontam o posicionamento, a estruturação e as relações de
palavras no texto, sempre auxiliado por imagens. Pode ser aplicado à análise de textos
(corpus textual) e tabela de dados (matriz de dados), dispostas em duas abas distintas.

Um software de fácil manuseio, que permite resultados robustos, com dados de

relações intra-textos e entre as variáveis dos participantes, com imagens visualmente muito
interessantes. Lembre-se, todavia, que, entre o seu computador e seus dados, existe um
sujeito pensante: você! A riqueza do material dependerá das reflexões e análises sobre o
dado bruto ofertado.

Reforçamos ainda que essa disciplina pretende ser aplicada, devendo ser feita por
alunos que possuem dados para análise. Se você ainda não possui dados e têm interesse no
software, espere um pouco. Poderemos oferecer novamente a disciplina em outra
oportunidade. Certamente será mais produtivo para você!

Feito os devidos esclarecimentos, seja bem-vindo ao curso de Iramuteq. Espero

que possamos aprender juntos e que o curso seja útil para realizar as análises de sua
dissertação/tese. O conteúdo do curso será dividido em 8 partes:

(1) Instalação do Iramuteq;

(2) Preparação do banco de dados;
(3) Funcionamento do IRAMUTEQ;
(4) Estatísticas textuais;
(5) Classificação Hierárquica Descendente (CHD);
(6) Especificidades e Análise Fatorial Confirmatória (AFC);
(7) Análise de Similitude;
(8) Nuvem de Palavras;
(9) Análise de Matriz.

2
 1. Instalação do IRAMUTEQ

A instalação do IRAMUTEQ é relativamente fácil, necessita apenas de atenção a

alguns detalhes. Primeiramente você deve entrar no site http://www.iramuteq.org/, e lá
você pode solicitar tradução do google (ver Figura 1).

Figura 1

Em seguida, clique na aba “Download e Instalação” (ver Figura 2). Então, clique
no site de download que aparece: http://sourceforge.net/projects/iramuteq/. Quando abrir,
clique em Download (ver Figura 3). Deixe baixar e salve no local desejado. Sugerimos
deixar na área de trabalho do computador.

3
Figura 2

Figura 3

4
 Em seguida, você deve baixar o software “R”. Como a versão mais recente já
testada é a R 3.1.3.1.2, sugerimos que escolha essa, para evitar erros. Basta localizar no
google: “Dowload R. 3.1.2”, e verá o site https://cran.r-
project.org/bin/windows/base/old/3.1.2/. (ver Figura 4).

Figura 4

Deixe os dois ícones (Iramuteq e “R”) na área de trabalho do seu computador para
seguirmos com a instalação. Primeiramente você deve instalar o “R”. Clique no R (ver
Figura 5), aceitar, português, avançar, avançar, avançar, avançar, Não (aceitar padrão)
avançar, avançar, avançar, concluir. Então, aparecerão os dois ícones do R na área de
trabalho (ver Figura 6). Você pode excluir esses atalhos. Não iremos acessa-lo, só
precisamos deles instalados no computador.

5
Esse é o IRAMUTEQ

Esse é o R

Figura 5

Figura 6

Agora vamos instalar o iramuteq. Clique no Icone do IRAMUTEQ (ver Figura

5), aceita, português, avançar, “Eu aceito os termos do contrato” avançar, avançar, avançar,
“Criar um ícone na área de trabalho” avançar, instalar, concluir. Então, aparecerão dois
ícones do IRAMUTEQ na área de trabalho (o que já existia e mais um novo). Mantenha-
os (ver Figura 7).

6
Figura 7
Em seguida clique no ícone sinalado com seta branca (Figura 7). Abrirá o
IRAMUTEQ, APÓS UM MONTE DE TELAS PRETAS (EM ALGUNS CASOS),
VERIFICANDO ERROS. Se abrir caixas de diálogo (ex. Figura 8), aceite e aperte “ok”,
até finalizar.

Figura 8

7
 Ao finalizar, se o IRAMUTEQ estiver em francês, clique no segundo link “Edição”
e “Preferências (ver Figura 9). Escolha a opção “português” (ver Figura 10). E FECHE
TODO O IRAMUTEQ. Abra o IRAMUTEQ novamente e retorne a essa janela (link
“Edição” e “Preferências) e peça para verificar a instalação do pacote R (ver Figura 11).
Finalizou a instalação.

Figura 9

Figura 10

8
Figura 11

9
2. Preparação do banco de dados

Após a realização da instalação do seu software, é hora de preparar o seu banco de

dados. O Iramuteq tem um padrão específico para o processamento de texto. Deverá ter
utilizado um “Corpus” único, construído pelo pesquisador. O Corpus é criado a partir do
conjunto de “Textos” (nomenclatura do IRAMUTEQ) ou de unidades de contexto inicial
(nomenclatura do ALCESTE) que se pretende analisar. Por exemplo, se um pesquisador
decide analisar dez entrevistas; essas entrevistas (TEXTOS) serão copiladas em conjunto
e colocadas em um arquivo único (CORPUS) (ver Figura 12).

¤ OBS: Os manuais sugerem 20-30 textos, mas é possível realizar análises com menos.

Figura 12
Para juntar os textos, cada novo documento será marcado por uma linha de comando
iniciada com quatro asteriscos (****), e poderá colocar variáveis uteis para análises
posteriores (Exemplo: variáveis sociodemográficas, por meio da qual podem ser feitas
comparações - sexo, grupos de idade, categoria profissional, raça). Atenção: (1) Essas
variáveis devem ser separadas, com um asterisco no início e não podem conter espaço
(deve-se usar sobreescrito_). (2) Deve conter apenas caracteres de a-z, A-Z, 1-9 e traço
underline (_) (ver exemplo na Figuras 12).

10
 O seu corpus pode conter o texto na íntegra, sem subdivisões (ver Figura 12), ou
pode dispor o texto separado por temática (se houver interesse de posterior comparações
entre temas). Para tanto, é possível colocar várias estrelas no interior dos textos, devendo-
se introduzir no início da linha um hífen e uma estrela (-*) (ver exemplo na Figuras 13).

Figura 12

Figura 13

11
 Contempla-se, ainda, que os manuais sugerem que, se você tem um roteiro de
entrevista com mais de uma pergunta, deve analisar cada pergunta num corpus separado.
Sugerimos aqui, todavia, que se tens o interesse de analisar o seu corpus como um todo, é
perfeitamente possível manter todo o conteúdo de fala do entrevistado num único texto.
Veja o exemplo da Figura 12 (como normalmente utilizamos). Foram retiradas todas as
falas do entrevistador, mantendo apenas a fala do participante, num texto único, sem
subdivisões. Lembre-se, cada novo texto (seja entrevista, notícia de jornal, etc),
deverá haver uma nova linha de comando! Após preparar o arquivo do corpus com todos
os textos, fique atento a algumas dicas:
1. Revise o material para corrigir erros de digitação;
2. Reveja pontuação. Os manuais sugerem não deixar parágrafos, devido à dificuldade
entre nós no uso correto dos mesmos (nós mantemos);
3. Não use alinhamento justificado, negrito ou itálico;
4. Uniformize as siglas ou coloque por extenso unido por underline (SUS ± sus ±
Sistema_Único_de_Saúde ± sistema_único_de_saúde);
5. Retire hífen de palavras e verbos com pronomes (Ex: ao invés de segunda-feira,
utilize segunda_feira; e ao invés de relatou-se, use “se relatou” );
6. Deixar números em algarismos (Ex. 20);
7. Não usar caracteres como aspas ("), apóstrofo ('), hífen (-), cifrão ($), percentagem
(%), reticências (...), e asterisco (*).

Ao finalizar, é recomendado que coloque o documento no editor de texto do

LibreOffice (mas pode ser feito no word sem problemas). O arquivo deve ser salvo em
formato txt Unicode (UTF-8) (ver conjunto de imagens da Figura 14). Sugerimos deixar
um arquivo salvo em local reservado e utilizar outro arquivo a ser salvo numa pasta de
trabalho exclusiva (pois ao realizar as análises, vários arquivos de relatórios de resultados
serão salvos automaticamente nessa pasta).

12
Figura 14

13
3. Funcionamento do IRAMUTEQ

Como dito anteriormente, no IRAMUTEQ é possível realizar análises de textos -

(corpus textual, aulas 4 - 8) e tabela de dados (matriz de dados, aula 9). Na análise de texto
o Iramuteq processa: (1) Estatísticas textuais, (2) Especificidades e Análise Fatorial
Confirmatória (AFC); (3) Classificação Hierárquica Descendente (CHD); (4) Análise de
Similitude; e (5) Nuvem de Palavras. Na matriz de dados, veremos: (1) Frequências; (2)
Análise de Similitude; e (3) Análise prototípica.
Suas análises utilizam-se de lematização, por meio da qual as palavras são buscadas
e relacionadas por sua raiz, ignorando o tempo verbal, o gênero da palavra, o plural etc.
Transforma textos em segmentos de texto, identifica frequências das palavras, cria
dicionário de formas (adjetivos, substantivos, verbos, advérbios etc) que podem ser
classificadas pelo pesquisador em ativas, suplementares ou eliminadas. Além disso, utilizar
estatísticas, por meio do ‘R”. Dados que serão explicados no devido momento.
Para iniciar suas análises, abra seu IRAMUTEQ (seta branca da Figura 7). Na janela
inicial, verás no canto superior esquerdo dois atalhos: um verde (para análise de matriz) e
um vermelho (para análise de texto). Estes também podem ser localizados no ícone
“ARQUIVO” (ver Figura 15).

Figura 15

14
 Para fazer análises textuais, clique no ícone vermelho “T”, e selecione o banco de
dados (ver Figura 16).

Figura 16

Em seguida abrirá uma janela de codificação do corpus e sua indexação. Ela possui
duas abas.

Na aba “Génerál”, Geral (ver Figura 17):

✓ Em “Corpus”, temos o endereço do arquivo importado;

✓ Em “Nome do corpus”, é possível definir o nome dado ao arquivo principal de análise.
✓ Em “Definir caracteres”, têm-se as configurações de codificação do texto.
IMPORTANTE: Se você salvou o aquivo TXT em formato UTF-8, é necessário
selecionar neste ponto a codificação UTF-8 (última opção).
✓ Em “Idioma” é necessário selecionar a linguagem do texto a ser analisado. Selecione
português.
✓ Em “Dicionário”, deixe por padrão o dicionário da língua escolhida para análise.
✓ Em “Pasta de saída” você pode escolher em qual diretório deseja salvar a pasta com
as análises feitas. Pode deixar o default.

15
✓ Em “Marcadores do texto” deixe por padrão os quatro asteriscos, como você fez no
banco de dados, que delimitam os corpus de textos.
✓ Em “Uso de dicionários de expressão”, deixe selecionado para utilizar o dicionário
de expressões.
✓ Em “Crie Segmentos de texto”, deixe selecionado para que o software separe o texto
em segmentos de texto.
✓ Em “Método de construção de ST”, selecione “ocorrências” para segmentar os corpus
textuais pela frequência das palavras, “caractères” para segmentar a partir dos
caracteres e “paragraphes” para segmentar por parágrafos (por padrão deixe por
✓ frequência).
✓ Em “Tamanho de ST” selecione o número que definirá o tamanho dos segmentos de
texto. (Por padrão deixe 40, se quiser que os ambientes de análise sejam menores ou
maiores, aumente ou diminua o número respectivamente).

Figura 17

16
 Na aba “Nettoyage” (Limpeza), não precisa mexer:
✓ Em “Coloque o texto em letra minúscula”, deixe marcado para padronizar o texto em
letras minúsculas.
✓ Em “Substituir apostrofo por espaço”, deixe selecionado para substituir as
aspas simples por espaços (em caso de análise por tabela).
✓ Em “Substituir traço por espaço”, deixe selecionado para substituir traços por espaços.
✓ Em “Mantenha pontuação”, selecione somente se desejar conservar a pontuação do
texto.
✓ Em “Sem espaço entre as duas formas”, selecione somente se desejar que os espaços
entre duas formas sejam removidos.

Ao final, aperte ok, e abrirá uma janela automática com primeiros dados.

17
4. Estatísticas textuais

Após seleção de dados de indexação do banco, abrirá uma janela por default com
relatório de dados (ver Figura 18). Aqui surgem as primeiras informações de estatísticas
textuais, a destacar:

✓ Número de textos (UCI) – quantidade de documentos que foram selecionados por

**** (ex. quantidade de entrevistas) (se não estiver correto, há erro no banco);
✓ Número de segmentos de texto – recortes do texto com mais ou menos 3 linhas
cada;
✓ Número de ocorrências – é o número total de palavras contidas no “corpus”
✓ Número de formas - é o número de formas presentes no “corpus”
✓ Hapax - Números de formas que aparecem uma única vez;
✓ Média de ocorrências por texto (apenas Figura 19): número de ocorrências dividido
pelo número de textos.

Esses dados também podem ser localizados no ícone de análises estatísticas (ver
Figura 19). Para iniciar, sempre pode escolher a opção “Analise de texto” e clicar na opção
análises estatísticas ou usar o ícone de atalho.
*OBS: Antes de cada análise aparece uma janela para a definição dos parâmetros:
Escolha Sim em Lematização se quiser que o Iramuteq faça uma classificação de
formas reduzidas de algumas palavras, por exemplo: criação, criativo, criacionismo serão
classificados como criar, porém, mesmo assim cada uma será classificada de acordo com
seu tipo gramatical (Recomenda-se que deixe marcado sim, para melhor aproveitamento
das análises) (ver Figura 20).
Ao selecionar Propriedades em Parâmetros-chave, é aberta uma janela com algumas
opções, em que você pode modificar como o Iramuteq analisa as palavras. Ela aparecerá
em francês. A figura 21 é apenas uma tradução para consulta. Sugere-se que inicialmente
não sejam modificadas essas marcações, que serão mais uteis quando for necessária uma
limpeza (enxugar) excesso de dados em imagens (nuvem de palavras, análise de
similitude). Para tanto, use “0” para eliminar as palavras da análise, “1” para deixa-lo como
forma ativa e “2” para deixa-lo como forma suplementar.
Ao abrir a janela com análise estatísticas (ver Figura 19), na aba “RESUMOS”,
aparecem também as estatísticas. Observe que dois dados (número de formas e número de
hápax) tem valores menores, pois aí são considerados apenas os dados que foram
aproveitados e entraram em análises.

18
 Na figura 19 é possível ver ainda o gráfico apresentado na aba “Résumé”, que
mostra a relação entre a frequência e a quantidade de formas do corpus em análise. Por
exemplo, no gráfico apresentado, quanto maior é a frequência de uma forma/palavra,
menor é a sua quantidade no texto. Sendo assim, neste caso as palavras com frequência 1
existem em grande quantidade no texto, e palavras com frequência 100 aparecem em menor
quantidade (Padrão normal de corpus textuais menores).
Nas demais abas: “Formes actives” (Formas ativas), “Formes Supplémentaires”
(Formas Suplementares) e “Total”, é possível identificar as frequências das palavras de
cada categoria, e em “Hapax” é possível visualizar as palavras com frequência igual a 1.
Observe que, SE CLICAR COM BOTÃO DIREITO SOBRE A PALAVRA, e escolher
a opção FORMAS ASSOCIADAS, aparecem todas as palavras do radical (ver Figura
22); se escolher CONCORDANCIA, aparecem as frases com as palavras (ver Figura 23).

Número de textos (UCI)

Número de segmentos de texto
Número de ocorrências
Número de formas
Números de formas que aparecem uma única vez

Figura 18

19
 Você pode realizar análises textuais clicando aqui, ou nos atalhos
abaixo

Figura 19
OBS: Está imagem estará salva na pasta em “NOME DO BANCO DE DADOS_stat_1”

Figura 20

20
 Figura 21

Figura 22

21
Figura 23

☺ Colocando no relatório ☺

Até aqui, você já possui os dados de estatísticas textuais do seu material (retirados
da Figura 18). Ao olhar o nosso modelo, verás esses dados no texto em negrito do primeiro
parágrafo (ver recorte abaixo).

.
O corpus geral foi constituído por nove textos, separados em 1.277 segmentos de texto
(ST), com aproveitamento de 1,049 STs (82,15%). Emergiram 43.580 ocorrências
(palavras, formas ou vocábulos), sendo 3.918 palavras distintas e 1.853 com uma única
ocorrência. O conteúdo analisado foi categorizado em três classes: Classe 1, com 453 ST
(43,18%); Classe 2, com 404 ST (38,51%); e Classe 3, com 192 ST (18,30%)

22
5. CLASSIFICAÇÃO HIERÁRQUICA DESCENDENTE

Esta é uma das análises mais importantes do Iramuteq. Nela, os segmentos de textos e
seus vocabulários são correlacionados, formando um esquema hierárquico de classes de
vocabulário. A partir dela, os pesquisadores podem inferir o conteúdo do corpus, nomear a classe
e compreender grupos de discursos/ideias.
Para iniciar as análises, clique no “Método de Reinert” (ver Figura 24), aparecerá
novamente a Figura 20, aperte ok. Abrirá uma janela para algumas opções de classificação (ver
Figura 25).
✓ DUPLA SOBRE RST – não utilizada, pois usualmente tem baixo aproveitamento do
corpus.
✓ SIMPLES SOBRE ST – recomendada para respostas longas.
✓ SIMPLES SOBRE TEXTOS – análise sem dividi-los em segmentos de texto.
Recomendada para respostas curtas.

Ainda na Figura 25, em classificação, é recomendado que deixe marcado “simples sobre
ST” (análise sobre segmentos de texto), pois o programa processa por padrão os segmentos de
texto, a primeira opção (“dupla sobre RST”) tem baixo aproveitamento do corpus e a terceira
(“simples sobre textos”) é mais indicada para respostas curtas. Deixe o tamanho de RST como
padrão. No número de classes deixe como padrão 10, porém se ocorrer erro, tente abaixar este
número até que funcione. O resto deixe como está por padrão. APERTE OK.

23
Figura 24

SE O MATERIAL FOR PEQUENO,

DIMINUIR ESSES VALORES
EX. 7, 5, 7, 0, 1200

Figura 25

24
Aba CHD

Após as definições, será obtida uma janela de resultados (ver Figura 26). Nela aparecem
novamente os dados de estatísticas textuais, acrescido de uma informação (a quantidade de
segmentos de textos aproveitados).
Na aba CHD, é apresentado ainda um dendograma com as classes divididas em cores,
contendo a porcentagem de vocabulários em cada. As opções demarcadas no canto esquerdo
superior mostram outras opções de visualização, sendo que a primeira indica uma visualização
das classes em barras (ver Figura 26); a segunda apresenta uma visualização das classes em
colunas verticais com palavras que compõe cada classe (ver Figura 27); e a terceira mostra uma
pequena nuvem de palavras de cala classe (ver Figura 28). Após abrir todas, se retormar à
primeira, ela abrirá com um gráfico de pizza (ver Figura 29)

1.049 segmentos aproveitados (82,15%) do total de

1.277. Deve ter retenção de mínimo 70%

Figura 26

25
Figura 27

Figura 28

26
 Figura 29

OBS: Lembre-se, todas essas análises são salvas automaticamente na pasta em “NOME DO
BANCO DE DADOS_stat_1”

27
 ☺ Colocando no relatório ☺

Agora você possui os dados para preencher o conteúdo faltante do início de seu
relatório COM OS DADOS DA FIGURA 26 (ver recorte abaixo).

.
O corpus geral foi constituído por nove textos, separados em 1.277 segmentos de texto (ST),
com aproveitamento de 1,049 STs (82,15%). Emergiram 43.580 ocorrências (palavras,
formas ou vocábulos), sendo 3.918 palavras distintas e 1.853 com uma única ocorrência. O
conteúdo analisado foi categorizado em três classes: Classe 1, com 453 ST (43,18%);
Classe 2, com 404 ST (38,51%); e Classe 3, com 192 ST (18,30%)

Aba “Perfis

Na aba “Perfis” é possível ver os indicadores estatísticos de cada classe (quantidade

de ST e porcentagem de ST de cada classe) e os indicadores das palavras que compõe cada
classe, referentes à: quantidade, porcentagem, qui², tipo, forma e probabilidade. Siga as
informações:

✓ N (número que ordena as palavras na tabela);

✓ EFF. ST (número de segmentos de texto que contêm a palavra na classe);
✓ EFF. TOTAL (número de segmentos de texto no corpus que contém, ao menos uma
vez, a palavra citada);
✓ POURCENTAGE (percentagem de ocorrência da palavra nos segmentos de texto
nessa classe, em relação a sua ocorrência no corpus);
✓ CHI2 (X2 de associação da palavra com a classe); CONSIDERAR APENAS AS
PALAVRAS COM x2 > 3,80 (p < 0,05) e eliminar as demais palavras do relatório;
✓ P (identifica o nível de significância da associação da palavra com a classe).

28
Figura 30

Ao final da tabela da Figura 30, aparecerá todos os dados sociodemograficos dos

sujeitos que se destacam nessa classe (ver Figura 31). Esses dados são aqueles que você
utilizou nas linhas de comando de cada texto (ver Figura 12 e 13). Por isso, na hora de
preparar o banco, é importante colocar na linha de comando todas as variáveis que podem
ser importantes nas análises de comparações entre grupos.

29
Figura 31

Ampliando as análises, se você clicar com o botão direito do mouse, aparecerá

uma janela, que permite explorar a palavra na classe e as classes. Possibilita acesso às
palavras associadas à forma (a partir do dicionário de formas reduzidas), permitem a
visualização de gráficos que ilustram frequência, associação e coocorrência de uma palavra
específica, bem como dos segmentos de texto em que a palavra aparece na classe. Já no
que se refere à classe como um todo, é possível visualizar uma árvore de similitude da
classe (Graph of cluster), as expressões ou combinações de palavras que mais se repetem
(Repeated Segments), os segmentos de textos característicos da classe (Typical text
segments), bem como exportar os segmentos associados à classe (Export) (ver Figura 32).

30
 Figura 32

Ao clicar em típico segmento de texto, aparecerão os discursos completos, com as

palavras em destaque vermelho, separadas por textos. A partir dessa janela é possível retirar
os recortes de textos representativos dessa classe, a ser utilizado como exemplo no relatório
(ver Figura 33). Veja que acima de cada recorte de fala está a linha de comando do texto a
qual pertence.

Os primeiros são os escores mais significativos

Figura 33

31
 Para além de certos utilitários nós podemos encontrar outras opções efetuando um
clique com o botão direito do mouse sobre a análise, no menu “navegador” à esquerda do
Iramuteq, onde encontramos as seguintes opções (ver Figura 34).
✓ Informações: contém as características escolhidas pela classificação;
✓ Abrir -> Anti perfis sobre a mesma apresentação que os perfis serão mostrados os anti
perfis, que são as formas significativamente ausentes da classe;
✓ Perfil de segmentos repetidos: Calcula o perfil dos segmentos repetidos;
✓ Perfil dos tipos: Calcula os perfis dos tipos gramaticais;
✓ Exportar o “corpus: esta função permite exportar o “corpus;
✓ Corpus” em cor: esta função cria um ficheiro *.html rescrevendo o “corpus”
inteiro onde cada segmento de texto com a cor da sua classe. Os ST não
classificados são escritos em preto. Este ficheiro fica disponível no relatório de
análise (ver Figura 35).
✓ Utilitário de Navegação: matriz que representa todas as formas com o valor de ligação
do x2 a cada classe;
✓ Estatística por classe: esta função cria um ficheiro *. csv no relatório de análise
(stat_par_classe.csv) que é contido por cada uma das classes: o número total de
ocorrências, o número de formas diferentes e o número de hapax/ número de formas;
✓ Relatório: esta função cria um ficheiro RAPPORT.TXT, que contém as características
gerais da classificação e os perfis;
✓ Eliminar do histórico: Elimina esta análise do histórico do Iramuteq.

32
Figura 34

Figura 35
33
☺ Colocando no relatório ☺

Agora você possui os dados para apesentar todas as classes de seu material. A partir
da Figura 26, é possível ver as classes e suas ramificações; a partir da Figura 33, é possível
inferir o conteúdo de cada classe e seu título (ver recorte abaixo).

Vale ressaltar que essas três classes se encontram divididas em duas ramificações
(A e B) do corpus total em análise. O subcorpus A, “Enfrentamento”, composto pela Classe
1 (“Experiência pré e pós-transplante”), que se refere às vivências durante as consultas ou
internações hospitalares, incluindo principalmente o processo de esperar na fila de
Figura
transplante e receber um novo órgão. O subcorpus B, denominado “Percepções sobre o novo 26 e 33
órgão”, contém os discursos correspondentes à Classe 2 (“Atitudes e sentimentos frente ao
novo e antigo coração”) e Classe 3 (“Importância Familiar”), que comtempla as mudanças
decorrentes do transplante e como houve o envolvimento familiar, dos participantes
(receptores) e dos seus doadores (ver Figura 1).

Figura 1 – Dendograma da Classificação Hierárquica Descendente

Para atingir uma melhor visualização das classes, elaborou-se um organograma com
a lista de palavras de cada classe geradas a partir do teste qui-quadrado. Nele emergem as
evocações que apresentam vocabulário semelhante entre si e vocabulário diferente das
outras classes. A seguir serão descritas, operacionalizadas e exemplificadas cada uma
34
dessas classes emergidas na Classificação Hierárquica Descendente (ver Figura 2).
 Para atingir uma melhor visualização das classes, elaborou-se um organograma com
a lista de palavras de cada classe geradas a partir do teste qui-quadrado. Nele emergem as
evocações que apresentam vocabulário semelhante entre si e vocabulário diferente das
outras classes. A seguir serão descritas, operacionalizadas e exemplificadas cada uma
dessas classes emergidas na Classificação Hierárquica Descendente (ver Figura 2).

Figura manualmente
feita a partir das Figuras
30 e 31
Figura 2 – Diagrama de classes com a representação social dos atletas sobre o esporte

35
E pode apresentar cada classe

Hierárquica Descendente
Classe 1- Experiências pré e pós-transplante
Compreende 43,18% (f = 453 ST) do corpus total analisado. Constituída por
palavras e radicais no intervalo entre x2 = 3,95 (Fila) e x2 = 76,82 (Hospital). Essa classe é
composta por palavras como “Hospital” (x² > 76,82); “Chegar” (x² > 51,15); “Internar” (x²
> 38,54); “UTI” (x² > 20,86); “Cirurgia” (x² > 15,87); “Medicamento” (x² > 13,28); “Casa”
(x² > 12,04); “Acompanhar” (x² > 7,98); “Esperar” (x² > 8,67) e “Transplantar” (x² > 7,8).
Predominaram as evocações dos indivíduos com um ano de transplantado (75 ST; x2 = 22,5);
seis anos (79 ST; x2 = 21,31) e sete meses (75 ST; x2 = 3,94).
Na análise realizada, verificou-se que estão elencadas as experiências que a maioria
dos pacientes vivenciou na fila de espera pelo novo coração até o procedimento cirúrgico,
como os sentimentos relacionados à espera do novo órgão, a expectativa pela cirurgia e a
relação com a equipe médica. Evidencia-se também o período após o transplante, que para
alguns foi um momento de grande tensão, já que obtiveram complicações na sua saúde
durante o internamento no hospital, e que apontavam como desejo maior a volta para casa.
Dessa maneira, pode ser observado nos exemplos: Figura
31
“Tava internada, já era meio dia, aí me disseram para ir pra casa,
porque a família não autorizou. Pronto, quando foi dez horas da Figura

noite, eles me ligaram dizendo: ‘Corre pra cá que deu certo! A

30 e 31

família autorizou” (Participante 3).

...

36
 Aba AFC

Na aba AFC, temos algumas representações gráficas na primeira sub-aba. Elas

representam o posicionamento das classes de vocábulos no corpus textual, podemos ver quais
classes se complementam e concentram o corpus, e quais se distanciam do centro e mostram certa
especificidade. Nas sub-abas, “Fator” e “Gráfico 3D”, temos, respectivamente, dados sobre os
fatores que compões os eixos dos gráficos e a porcentagem de representação dos mesmos, e, a
possibilidade de produzir um gráfico 3D (ver Figura 36).

Figura 36

37
☺ Colocando no relatório ☺

Agora você possui os dados para apesentar uma análise fatorial inicial do seu
material. A partir da Figura 26, é possível ver as classes e suas ramificações; a partir da
Figura 33, é possível inferir o conteúdo de cada classe e seu título (ver recorte abaixo).

Análise Fatorial de Correspondência

A partir da Análise Fatorial por Correspondência (AFC), foi possível realizar associação
do texto entre as palavras, considerando a frequência de incidência de palavras e as classes,
representando-as em um plano cartesiano (ver Figura 3). Observa-se que as palavras de todas
as classes se apresentam num segmento centralizado que se expande para pontos periféricos.
Contudo, há poucas palavras que ultrapassam os outros quadrantes, apresentando separação
significativa das classes. As palavras das Classes 2 e 3 estão mais próximas, tais como “Família”
e “Sentir”. Em oposição estão as palavras da Classe 2 – “Grato” e da Classe 4 - “Prazer”.

Figura
36

Figura 3 – Análise Fatorial de Correspondência.

38
 Contempla-se ainda que as duas imagens da Figura 36 podem ser sobrepostas
manualmente para criação de uma única figura, com suas classes e variáveis de destaque. Ver
exemplo da Figura 37, que mostra as palavras de cada classe com retângulos inseridos
manualmente com as variáveis sociodemográficas em destaque de cada classe.

Figura 37

39
6. Especificidades e Analise Fatorial Confirmatória (AFC)

Ao selecionar o modo Especificidades e AFC (ver Figura 38), é realizada uma

análise fatorial, retomando as frequências e os valores de correlação Qui² de cada palavra
do corpus. Os dados são apresentados em uma tabela e em plano fatorial.
Ao clicar na seta sinalizada na Figura 38, abrirá uma janela que você deve clicar
“ok”, sem alterar os comandos automáticos. Em seguida, abrirá uma janela (ver Figura 39).
Nesta janela você pode escolher quais formas quer utilizar, se prefere selecionar por
variáveis (as mesmas que você sinalizou no seu banco de dados com asteriscos) ou todo o
corpus (para comparações entre textos), escolher o tipo de índice e a frequência mínima
das palavras a serem analisadas (só as formas onde o número de ocorrências no “corpus”
completo for superior a este limiar serão afixadas).
Por exemplo, para fazer comparações entre alguma variável que você considerou
importante e codificou no seu banco, ex. sexo, você deve selecionar na Figura 39,
“selecionado por variáveis” e clicar na variável escolhida “sexo”. Recomenda-se numa
primeira análise não mexer em “formas unificadas” e “frequência mínima”. Esses devem
ser alterados para análises específicas ou para “limpar” a imagem, diminuindo o número
de palavras em análise.

Figura 38

40
 Escolher (1) ativa e complementares; (2) ativas;
ou (3) complementares Se quer analisar por
variável ou por
modalidade (UCI- texto)

Figura 39

Ao solicitar a análise, aparecerá uma janela com resultados. As abas “Formas”, “Formas
Comuns” e “Frequência das formas” mostram a frequência das palavras no corpus ou variáveis
selecionadas e os índices (hipergeométrico/qui²). As abas “Tipos” e “Tipos de Frequências” mostram
o valor do índice e a frequência dos tipos das formas/palavras respectivamente: sendo sw =
suplementar/artigos, nom = sujeito/nome, ver = verbo, nr = não reconhecido, num = numeral, adj =
adjetivo. E as abas sobre “Frequências relativas” mostram as frequências relativas das formas e dos
tipos (em sequência) (ver Figura 40).
É mais comum usarmos a aba “Formas”. Nela podemos ver as palavras mais emergidas por
cada marcação da variável selecionada. No exemplo utilizado, comparação por sexo, verifica-se que o
sexo 1 (homens) citam mais as palavras “cirurgia, conhecimento....” (ver Figura 40) e mais embaixo
na lista, constam as palavras mais forte no sexo 2 (mulheres) (ver Figura 41).

41
 Essa análise mostra todas as
palavras que aparecem mais de 10
vezes.. e a força dela em cada
“modalidade” que selecionamos
(negativo é porque aparece menos)

Figura 40

Figura 41
42
 Assim, podemos fazer várias comparações, com todas as variáveis que teoricamente
fazem sentido em nosso material, uma por uma. Continuando os exemplos, igualmente, em
podemos fazer comparações por “tempo de transplante e verificar quais as palavras com
altos índices em cada grupo (ver Figura 42).

Figura 42

Existem ainda algumas visualizações suplementares, que estão acessíveis a partir

de um clique com o botão direito sobre uma das formas. Este permite afixar para cada uma
das entradas as formas associadas (as palavras oriundas da mesma raiz), a concordância
dos segmentos de texto em todos os sujeitos ou por sujeito (ou seja, exemplos de falas que
emergiram com essa palavra), um gráfico que representa os valores específicos da forma
por modalidade da variável (ver na Figura 43 todas essas janelas abertas).

43
Figura 43

Observe na Figura 42, que apareceu uma outra aba (AFC) que não havia aparecido
nas análises por sexo (Figuras 40 e 41). Fique atento, pois isso pode acontecer nas suas
análises. A aba “AFC” também é uma área bastante utilizada e com análises interessantes.
Nessa aba aparecem essas comparações com duas imagens em um plano fatorial: uma só
com as palavras e outra só com os grupos da variável selecionada. A exemplo, na Figura
44, aparecem as comparações por “tempo de transplante” com duas imagens: um só com
as palavras espalhadas em um plano fatorial e outra so com os grupos.

OBS: Em um relatório, essas duas imagens podem ser sobrepostas de forma manual
por meio de algum programa de imagem (ou mesmo o power point) (ver Figura 45).

44
Figura 44

45
Figura 45

Observe que o excesso de palavras pode poluir a imagem. Para melhorar isso, agora
você pode usar o recurso de “fazer um recorte nas formas selecionadas” ou “aumentar a
frequência mínima” (ver Figura 39). Veja na Figura 46 a mesma análise agora com
“frequência mínima 15”. Está visualmente bem mais “limpo”.

46
Figura 46

Reforçamos ainda que é possível fazer ajustes de gráficos no ícone sinalizado na

Figura 47.

Figura 47

47
 Agora, você pode estar si perguntando: Qual a diferença entre as análises feitas anteriormente
(Figuras 36 e 37 na AFC que surgiu na aba do Método Reinert quando analisamos a CHD) dessas
análises de AFC (Figuras 44 e 45)?
→ É simples! Anteriormente (Figuras 36 e 37), vimos num plano fatorial as palavras agrupadas por
CLASSES, onde pudemos ver quais palavras se destacavam em cada classe de conteúdo categorizada.
Agora (Figuras 44 e 45), vimos as palavras expostas por grupos de uma variável selecionadas.

OBS: Lembre-se, todas essas análises são salvas automaticamente na pasta com “NOME DO
BANCO DE DADOS”

48
☺ Colocando no relatório ☺

Agora você possui os dados para a análise fatorial do seu material. A partir da
Figura 26, é possível ver as classes e suas ramificações; a partir da Figura 33, é possível
inferir o conteúdo de cada classe e seu título (ver recorte abaixo).

Análise Fatorial de Correspondência (Cont...)

Por meio da AFC, foi possível ainda realizar comparações das diferenças de evocações,
independente da classe as quais pertencem, entre as diferentes características
sociodemográficas. Destacaram-se nas análises que as representações apresentaram distinção
nas análises dos sujeitos com diferentes sexos e idades. Os homens, evocaram mais fortemente
palavras como “Conhecimento”, “Cirurgia”, “Medicação”, “Ajudar” e “Bombear”; já as
mulheres, destacaram-se por “Casa”, “Querer”, “Morrer”, “Sentir” e “Responsabilidade”. Figura
40
Denota-se a partir disso, a diferenciação que se encontra nos discursos dos distintos
sexos. Os homens apresentam uma fala voltada para uma compreensão considerada mais
concreta acerca do transplante cardíaco, já as mulheres se expressam revelando mais seus
sentimentos e preocupações. Essa perspectiva é considerada nos estudos de Pereira (2010)
quando afirma que as mulheres conseguem manifestar com maior facilidade aspectos subjetivos
que pertencem às suas vivências.

Na comparação por faixa etária, os participantes com idades entre 41 a 50 anos evocaram
mais as palavras “Conhecimento”, “Preocupação” e “Personalidade”. Estes ficaram em
oposição aqueles com 31 a 40 anos, os quais se remeteram mais às palavras “Falecer”, “Vitória”
e “Doador”. O mesmo ocorreu entre os transplantados com idades de 20 a 30 anos, reportando-
se mais às palavras “Perguntar”, “Fácil” e “Fé”; opostos aos indivíduos com idades de 51 a 60
anos, os quais expressaram mais as palavras “Casamento”, “Responsabilidade” e “Cuidar” (ver
Figura 4). Figura
42
Dentro desse contexto, contrapondo os extremos das idades, pode-se depreender que
49
indivíduos considerados mais novos apresentam discursos otimistas quanto ao enfrentamento
no processo anterior e posterior ao transplante. Já os mais velhos, remontam-se às falas
denotando preocupação com as pessoas que convivem.
Análise Fatorial de Correspondência (Cont...)

Dentro desse contexto, contrapondo os extremos das idades, pode-se depreender que
indivíduos considerados mais novos apresentam discursos otimistas quanto ao enfrentamento
no processo anterior e posterior ao transplante. Já os mais velhos, remontam-se às falas
denotando preocupação com as pessoas que convivem.

Em relação aos transplantados inseridos nas duas outras faixas etárias, a pesquisa de
Carvalho e Silva (2012) ressalta que essa é a média de idade dos pacientes submetidos ao
transplante cardíaco, sendo também a média de idade considerada mais produtiva no tocante ao
trabalho. Por isso, supõe-se que a maior frequência de palavras relacionadas ao futuro, como a
possibilidade de falecer ou de encontrar o doador; e ao presente, denotando maior conhecimento
acerca da doença ou da cura, surge a partir de uma preocupação em relação à sua saída ou
limitação da profissão que exerce, uma vez que, após o transplante, a maioria deles se aposenta
face às restrições de atividades que não comprometam a saúde.

Figura
44

Figura 3 – Análise Fatorial de Correspondência.

50

Figura 2 – Diagrama de classes com a representação social dos atletas sobre o esporte
Um outro exemplo interessante de Análise Fatorial de Correspondência
A partir da análise fatorial por correspondência (AFC), foi possível realizar associação
do texto entre as palavras, considerando a frequência de incidência de palavras e as classes,
representando-as em um plano cartesiano (ver Figura 3). Observa-se que as palavras de todas
as classes se apresentam num segmento centralizado que se expande para pontos periféricos,
com destaque para a classe 5 (Sociabilidade), que se expande por todos os quadrantes do plano.
As palavras das classes 4 (Esforço) e 5 (Motivação) estão mais próximas, tais como “disciplina”
e “determinação”. Em oposição estão as palavras da classe 1 (Ganho individuais: “saúde” e
“felicidade”), e da classe 2 (Ganhos coletivos: “liberdade” e “inclusão”).
Tendo em conta a disposição das classes e aquilo que elas representam, é pertinente
classificar os eixos do plano cartesiano para uma melhor compreensão da disposição das classes
no mesmo. Assim, considera-se que o Eixo X é o eixo dos “Outputs-Inputs”. Assim, nos
quadrantes do lado esquerda encontram-se os outputs, ou seja, os resultados ou benefícios
decorrentes da prática desportiva (e.g., “saúde”, “satisfação”, “realização”), enquanto que nos
quadrantes do lado direito encontram-se os inputs (e.g., “foco”, “treinamento”, “perseverança”),
ou seja, aquilo que os atletas devem aplicar na sua prática desportiva para obter os outputs
anteriormente referidos.
Já o Eixo Y pode ser denominado o eixo “Individual-Coletivo”. Assim, os dois
quadrantes superiores englobam tanto inputs como outputs que estão mais relacionados com o
próprio indivíduo (e.g., “saúde”, “treinamento”), ao que ele sozinho aplica e recebe da prática
desportiva. Por fim, os dois quadrantes inferiores incluem os outputs e inputs mais relacionados
aos aspectos coletivos (e.g., “inclusão”, “companheirismo”), na medida em que dependem da
relação do atleta com outras pessoas.

Figura 3 – Análise Fatorial de Correspondência.

51
7. Análise de Similitude

A análise de similitude mostra uma grafo que representa a ligação entre as palavras
do corpus textual. A partir desta análise é possível inferir a estrutura de construção do texto
e temas de relativa importância. Ao selecionar esta análise é aberta a janela de configuração
(ver Figura 48 e 49).

Figura 48

A esquerda, é apresentada uma tabela com duas colunas mostrando as palavras

utilizadas e um indicador de quantidade (peso) delas (ver Figura 49).
Na aba “Configurações gráficas” (ver Figura 49):
- “Escore”: para escolher com qual indicador estatístico será processada a análise.
- “Apresentação”: para escolher o algoritmo de visualização do grafo.
* “Tipos de Gráficos”: para escolher entre grafo estático, dinâmico (permite interação), ou
3D, além do formato de imagem de exportação do grafo.

52
- “Árvore máxima”: para definir que o grafo não terá estrutura de árvore e ramificações.
- “Bordas limítrofes”: para definir se existirá limite nas arestas e a quantidade deste limite.
- “Texto sobre os vértices”: para escolher colocar as palavras como indicação dos vértices.
- “Escore nas bordas”: para definir se o tamanho das arestas será definido por indicadores
de peso relacionado à ligação entre as palavras.
- “Edge curved”: para escolher arestas curvas.
- “Tamanho do texto”: para escolher o tamanho o texto sobre os vértices.
* “Comunidades”: para escolher formatos de representação em cores, o que realça os
grupos de palavras mais relacionados entre si (ver Figura 53). E se selecionar “Halo”, são
criados círculos coloridos de agrupamento (ver figura 54).
- “Selecione uma variável”: possibilita selecionar restringir o grafo às variáveis escolhidas
posteriormente.
Na aba “Ajustes gráficos”, é possível, escolher o tamanho da área do grafo, o
tamanho do texto, vértices, e arestas com base em quantidade ou qui², além de cores e
transparência (ver Figura 49).

Figura 49

53
 Sugerimos que numa primeira análise, não altere nenhum desses comandos,
fazendo análise de similitude estática com as marcações automáticas. O resultado será
semelhante à Figura 50. Se você considerar que a imagem ficou “poluída”, com excesso de
palavras não legíveis, pode recorrer a limpezas, por meio de corte de palavras com menor
frequência (ver Figura 51) ou por corte de algumas categorias de palavras (ver Figura 21).
Terá uma imagem semelhante à Figura 52.

Você também pode utilizar as “Comunidades” para escolher formatos de

representação em cores (ver Figura 53) e selecionar “Halo” para criação de círculos
coloridos de agrupamento (ver figura 54). Não recomendamos, todavia, esse recurso para
artigos (que normalmente só aceitam imagens em preto)

Figura 50

54
 Figura 51

Figura 52

55
Figura 53

56
Figura 54

Observe ainda que no canto superior esquerdo dessa janela, aparecem dois botões.
O primeiro deles (com traços vermelhos e pontos pretos) permite que se modifique a
parametragem da análise, abrindo novamente a janela para edição dos parâmetros. O
segundo botão (EXPORT) exportará a imagem para a pasta das análises, dentro de uma
subpasta denominada NOME DO CORPUS_ simitxt_1 (ver Figura 55).

57
Figura 55

58
☺ Colocando no relatório ☺

Agora você possui os dados para a análise de similitude.

Figura
52

Análise de Similitude

A partir dessa análise baseada na teoria dos grafos é possível identificar as ocorrências
entre as palavras e as indicações da conexidade entre as palavras, auxiliando na identificação
da estrutura do conteúdo de um corpus textual. Observa-se que há três palavras que mais se
destacam nos discursos: “Pessoa”, “Coração” e “Transplante”. Delas se ramificam outras que
apresentam expressão significativa, como “Querer”, “Morrer”, “Família”, “Dar” e “Vez”. No
extremo das ramificações, contempla-se a relação entre “Médico” e “Vida”; “Deus” “Sentir” e
“Bem”; “Saúde” e “Preocupação”; “Remédio” e “Falta” (ver Figura 4).

Nesse sentido, pode-se inferir que, de uma forma geral, os discursos dos participantes,
além de apresentarem referências que, de acordo com a literatura exposta, são inerentes ao
processo de transplante cardíaco, como querer melhorar as condições de saúde, reflexão acerca
da morte, envolvimento familiar e espera na fila. Revelam também outros aspectos
fundamentais para a compreensão mais ampla acerca do assunto. Entre elas, está a ligação que
os entrevistados fizeram relacionando a figura do médico com a possibilidade de vida; a
consideração da espiritualidade na função de melhoria da qualidade de vida; a incessante
preocupação com saúde e a um problema que frequentemente os transplantados enfrentam que
é a medicação indisponível para consumo.

Figura 3 – Análise Fatorial de Correspondência.

59
Figura 2 – Diagrama de classes com a representação social dos atletas sobre o esporte
8. Nuvem de palavras

A análise por meio de nuvem de palavras é visualmente interessante e mostra as

palavras estruturadas em forma de nuvem, com tamanho diferentes, onde as palavras
maiores são aquelas que detém certa importância no corpus textual (a partir de um simples
indicador de frequência).

Ao selecionar esta análise abrirá a seguinte janela de configuração (ver Figura 56).
Nela é possível configurar tamanho, formato, número máximo de palavras, qual o tipo das
palavras (ativas/complementares/ou as duas), qual o tamanho do texto e as cores. Logo
após a configuração aparecerá uma tabela de duas colunas mostrando as palavras e seu
indicador de frequência (peso). Sugerimos que inicialmente não altere esses comandos,
podendo utiliza-los para “limpar” a imagem se ficar “poluída”. Ao final, terá uma imagem
semelhante à Figura 57. Após “limpeza” terá imagem semelhante à Figura 58.

Figura 56

60
Figura 57

Figura 58

61
☺ Colocando no relatório ☺

Agora você possui os dados para a análise de nuvem de palavras.

Figura
58

Nuvem de palavras

Em seguida, foi analisada a nuvem de palavras obtida por meio dos discursos dos
participantes, verificando-se que as palavras mais evocadas foram: “coração”, “transplante”,
“pessoa”, “querer”, “vida”, “morrer”, “dar” e “entender”, mostrando que para os entrevistados,
o transplante cardíaco perpassa sob diversas circunstâncias de enfrentamento e sob experienciar
uma nova maneira de viver (ver Figura 5).

Figura 5 – Nuvem de palavras.

2 – Diagrama de classes com a representação social dos atletas sobre o esporte 62

9. Análise prototípica

O IRAMUTEQ permite que se trabalhe com matrizes que envolvam variáveis

categoriais e listas de palavras, tais quais aquelas utilizadas para analisar Técnica de
Associação Livre de Palavras (TALP). Nesse caso, o software viabiliza contagem de
frequência, análise prototípica e análise de similitude. Para isso, trabalha-se em um banco
de dados montado a partir de um arquivo do Open Office Calc.

MONTANDO O BANCO:

Aconselha-se que o banco de dados siga as seguintes indicações (ver Figura 59):

• A formatação do arquivo de entrada seja: ods; csv; xls (não usar xlsx – Excel atual, pois
ele é incompatível com o IRAMUTEQ). Já a codificação deve ser a mesma usada para as
análisesde texto: UTF 8 all languages.

• O banco de dados não pode conter os caracteres: : ; ‘ “.

• Não conter espaços nas células (use “underline” para ligar mais de uma palavra ou
palavras compostas).

• Não conter acentos ou caracteres especiais no nome do arquivo.

• As variáveis numéricas podem ser apresentadas no arquivo, mas elas não poderão ser
utilizadas nas análises (salvo para os “rangs” nas análises prototípicas)

• Caso tenha-se a informação da ordem de aparecimento ou de importância das palavras,

esta deve ser acrescentada em uma coluna logo após a palavra.

• É necessária uma ampla revisão do corpus, uma vez que esse tipo de análise não realiza
a lematização.

ATENÇÃO: Você deve aplicar as regras de redução comumente utilizadas nas

associações livres de palavras (e.g., transformar os verbos para a sua forma infinitiva;
reduzir as palavras à forma masculina singular) (Rosenberg & Jones, 1972).

63
Figura 59

INICIANDO AS ANÁLISES

Após ter o banco de dados salvo em uma pasta exclusiva para a análise, ao abrir o
IRAMUTEQ, selecionar o ícone “Arquivo”, e em seguida “Abrir uma matriz”. Localize o
arquivo que contém seu banco de dados e clique em Abrir (ver Figura 60). Para a
importação dos dados, uma outra janela se abrirá com a matriz importada pelo IRAMUTEQ
(Figura 61) e nela você poderá indicar alguns parâmetros do seu banco de dados (não
precisa alterá-los).

64
Figura 60

Figura 61

65
 As análises possíveis de serem realizadas com os bancos de dados de matrizes
envolvem cálculos de frequências, classificação hierárquica descendente - CHD, análise de
similitude e análise prototípica. Para processar as análises, basta clicar no ícone Análise de
matriz e em seguida selecionar a análise desejada (ver Figura 62).

OBS: As análises de CHD e similitude são semelhantes às analises textuais.

Figura 62

A análise mais simples é a de frequências. Indica-se a análise de Frequências para

acessar as frequências das variáveis categoriais da matriz (ver Figura 63) e a análise de
Frequências Múltiplas (Multiple Frequencies) para obter um relatório de frequência
absoluta e relativa das palavras presentes na matriz (ver Figura 64 e 65). Ao selecionar a
análise desejada é necessário escolher sobre quais variáveis serão processados os cálculos.
Nesse caso, não há interesse no Rang (ordem de evocação), mas apenas nas palavras e
eventualmente em variáveis descritivas inseridas na matriz. A figura 30 ilustra um relatório
das frequências múltiplas relativas às palavras evocadas em um teste de associação livre.

66
 A análise de frequência permite a
apresentação das palavras de cada
evocação (coluna) separadamente. As
palavras surgem por ordem alfabética.

Figura 63

A análise de frequência múltipla

permite a apresentação das palavras no
somatório de todas as evocações. As
palavras surgem por ordem de força.

Figura 64
67
Figura 65

Em seguida, você pode realizar a análise prototípica, que se trata de uma técnica
simples e eficaz desenvolvida especificamente pelo campo de estudo de representações
sociais que visa identificar a estrutura representacional a partir dos critérios de frequência
e ordem de evocação das palavras provenientes de um teste de evocações livres. Ao abrir
a janela de definições deve-se selecionar (com um clique simples) na parte esquerda as
variáveis correspondentes às evocações e na parte direita as variáveis correspondentes ao
RANG (seja ele a ordem de evocação ou de importância atribuída, à escolha segundo os
critérios do pesquisador). Os demais parâmetros referem-se aos critérios de cálculo da
análise prototípica e podem ser mantidos os padrões automáticos (ver Figura 66).

68
 Frequência mínima das palavras
em análise ( ver Rosenberg & Jones,
1972).

Ver Rosenberg, S., & Jones, R. (1972).

Figura 66

Ao solicitar a análise, aparecerá uma imagem com quatro quadrantes representando

as quatro dimensões da estrutura da representação social (ver Figura 67). No exemplo em
questão, trata-se de uma tarefa de evocação livre com atletas paraolímpicos sobre o esporte.
O primeiro quadrante (superior esquerdo) indica as palavras que têm alta frequência (uma
frequência maior que a média) e baixa ordem de evocação (aquelas que foram mais
prontamente evocadas). Essas seriam as prováveis indicadoras do núcleo central de uma
representação.
No segundo quadrante (superior direito), temos a primeira periferia, com as
palavras que têm alta frequência, mas que tiveram ordem média maior, ou seja, não foram
tão prontamente evocadas. No terceiro quadrante (inferior esquerdo), a zona de contraste
contém elementos que foram prontamente evocados, porém com frequência abaixo da
média. Por fim, a segunda periferia no quarto quadrante (inferior direito) indica os
elementos com menor frequência e maior ordem de evocação.

69
Figura 67

Atenção: Você deve escolher um critério para estabelecimento da frequência mínima

para ponto de corte das evocações, conforme proposto por Wachelke e Wolter (2011).

70
 RELATÓRIO EXEMPLO DE ANÁLISE TEXTUAL

Este tópico refere-se às análises realizadas com o objetivo de identificar os

participantes. O corpus geral foi constituído por 1.277 segmentos de texto (ST), com
aproveitamento de 1,049 STs (82,15%). Emergiram 43.580 ocorrências (palavras, formas
ou vocábulos), sendo 3.918 palavras distintas e 2.528 com uma única ocorrência. O Figura 18 e
conteúdo analisado foi categorizado em três classes: Classe 1, com 453 ST (43,18%); 26

Classe 2, com 404 ST (38,51%); e Classe 3, com 192 ST (18,30%).

Vale ressaltar que essas três classes se encontram divididas em duas ramificações
(A e B) do corpus total em análise. O subcorpus A, “Enfrentamento”, composto pela Classe
1 (“Experiência pré e pós-transplante”), que se refere às vivências durante as consultas ou
internações hospitalares, incluindo principalmente o processo de esperar na fila de Figura 26 e
transplante e receber um novo órgão. O subcorpus B, denominado “Percepções sobre o 33
novo órgão”, contém os discursos correspondentes à Classe 2 (“Atitudes e sentimentos
frente ao novo e antigo coração”) e Classe 3 (“Importância Familiar”), que comtempla as
mudanças decorrentes do transplante e como houve o envolvimento familiar, dos
participantes (receptores) e dos seus doadores (ver Figura 1).

Figura 26,
27, 28 ou
29

Figura 1 – Dendograma da Classificação Hierárquica Descendente

71
 Para atingir uma melhor visualização das classes, elaborou-se um organograma com
a lista de palavras de cada classe geradas a partir do teste qui-quadrado. Nele emergem as
evocações que apresentam vocabulário semelhante entre si e vocabulário diferente das
outras classes. A seguir serão descritas, operacionalizadas e exemplificadas cada uma
dessas classes emergidas na Classificação Hierárquica Descendente (ver Figura 2).

Figura 30 e
31

Figura 2 – Diagrama de classes com a representação social dos atletas sobre o esporte

Classificação Hierárquica Descendente

Classe 1- Experiências pré e pós-transplante

Compreende 43,18% (f = 453 ST) do corpus total analisado. Constituída por

palavras e radicais no intervalo entre x2 = 3,95 (Fila) e x2 = 76,82 (Hospital). Essa classe é

72
composta por palavras como “Hospital” (x² > 76,82); “Chegar” (x² > 51,15); “Internar” (x²
> 38,54); “UTI” (x² > 20,86); “Cirurgia” (x² > 15,87); “Medicamento” (x² > 13,28); “Casa” Figura 31
(x² > 12,04); “Acompanhar” (x² > 7,98); “Esperar” (x² > 8,67) e “Transplantar” (x² > 7,8).
Predominaram as evocações dos indivíduos com um ano de transplantado (75 ST; x2 =
22,5); seis anos (79 ST; x2 = 21,31) e sete meses (75 ST; x2 = 3,94).

Na análise realizada, verificou-se que estão elencadas as experiências que a maioria

dos pacientes vivenciou na fila de espera pelo novo coração até o procedimento cirúrgico,
como os sentimentos relacionados à espera do novo órgão, a expectativa pela cirurgia e a
relação com a equipe médica. Evidencia-se também o período após o transplante, que para
alguns foi um momento de grande tensão, já que obtiveram complicações na sua saúde
durante o internamento no hospital, e que apontavam como desejo maior a volta para casa.
Dessa maneira, pode ser observado nos exemplos:

“Tava internada, já era meio dia, aí me disseram para ir pra casa,

porque a família não autorizou. Pronto, quando foi dez horas da
noite, eles me ligaram dizendo: ‘Corre pra cá que deu certo! A Figura 33
família autorizou” (Participante 3).

“Eu ficava sonhando em ir pra casa. Depois, o médico disse que eu

podia ir pra casa depois de dois meses. Eu só saía de lá pra fazer
exame. Era tão bom quando saía pra fazer exame, saía daquele
quarto e via o sol” (Participante 8).

“Eu fiquei muito receosa. Acho que eu fiquei mais confiante quando
eu saí da embolia pulmonar da UTI, porque até ali eu tava muito
desesperada. Olha, eu tenho uma conhecida que em 26 dias depois
do transplante, voltou pra casa” (Participante 7).

A partir dessas falas, pode-se depreender que a fase pré-operatória se revela como
sendo marcada pela espera do novo órgão e pelas condições do processo de hospitalização,
gerando expectativa pelo momento da cirurgia. Assim como ressaltam Benedetto et al.

73
(2014) e Poole et al. (2016) em seus estudos, o período de permanência na fila do
transplante, envolve aspectos de sofrimento físico pelas dores ou limitações corporais e
sofrimento da ordem emocional, frente às incertezas que podem ser experimentadas.
Já na condição pós-operatória, pode-se constatar que, além da expectativa da saída
do internamento hospitalar para vivenciar sua nova vida, os participantes relataram suas
inquietações no momento pós-cirúrgico, pois muitos deles obtiveram complicações
clínicas que os impediram de retornar logo a suas casas. Nesse sentido, Carvalho e Silva
(2012) também relatam em suas pesquisas que o primeiro mês de pós-operatório de
transplante cardíaco pode ser considerado uma etapa crítica em virtude da alta taxa de
morbimortalidade, logo pode-se supor que os pacientes recém-transplantados tenham
maior propensão em apresentar momentos de ansiedade diante da preocupação com a
evolução do seu quadro, podendo ainda repercutir no seu estado emocional.

[....cont demais classes]

Análise Fatorial de Correspondência

A partir da Análise Fatorial por Correspondência (AFC), foi possível realizar

associação do texto entre as palavras, considerando a frequência de incidência de palavras
e as classes, representando-as em um plano cartesiano (ver Figura 3). Observa-se que as
palavras de todas as classes se apresentam num segmento centralizado que se expande para
pontos periféricos. Contudo, há poucas palavras que ultrapassam os outros quadrantes,
apresentando separação significativa das classes. As palavras das Classes 2 e 3 estão mais
próximas, tais como “Família” e “Sentir”. Em oposição estão as palavras da Classe 2 –
“Grato” e da Classe 4 - “Prazer”.

74
 Figura 36

Figura 30 e
31

Figura 3 – Análise Fatorial de Correspondência.

Por meio da AFC, foi possível ainda realizar comparações das diferenças de
evocações, independente da classe as quais pertencem, entre as diferentes características
sociodemográficas. Destacaram-se nas análises que as representações apresentaram
distinção nas análises dos sujeitos com diferentes sexos e idades. Os homens, evocaram
mais fortemente palavras como “Conhecimento”, “Cirurgia”, “Medicação”, “Ajudar” e
“Bombear”; já as mulheres, destacaram-se por “Casa”, “Querer”, “Morrer”, “Sentir” e
“Responsabilidade”. Figura 40

75
 Denota-se a partir disso, a diferenciação que se encontra nos discursos dos distintos
sexos. Os homens apresentam uma fala voltada para uma compreensão considerada mais
concreta acerca do transplante cardíaco, já as mulheres se expressam revelando mais seus
sentimentos e preocupações. Essa perspectiva é considerada nos estudos de Pereira (2010)
quando afirma que as mulheres conseguem manifestar com maior facilidade aspectos
subjetivos que pertencem às suas vivências.

Na comparação por faixa etária, os participantes com idades entre 41 a 50 anos

evocaram mais as palavras “Conhecimento”, “Preocupação” e “Personalidade”. Estes
ficaram em oposição aqueles com 31 a 40 anos, os quais se remeteram mais às palavras
“Falecer”, “Vitória” e “Doador”. O mesmo ocorreu entre os transplantados com idades de
20 a 30 anos, reportando-se mais às palavras “Perguntar”, “Fácil” e “Fé”; opostos aos
indivíduos com idades de 51 a 60 anos, os quais expressaram mais as palavras
Figura 42
“Casamento”, “Responsabilidade” e “Cuidar” (ver Figura 4).

Dentro desse contexto, contrapondo os extremos das idades, pode-se depreender

que indivíduos considerados mais novos apresentam discursos otimistas quanto ao
enfrentamento no processo anterior e posterior ao transplante. Já os mais velhos,
remontam-se às falas denotando preocupação com as pessoas que convivem.

Em relação aos transplantados inseridos nas duas outras faixas etárias, a pesquisa
de Carvalho e Silva (2012) ressalta que essa é a média de idade dos pacientes submetidos
ao transplante cardíaco, sendo também a média de idade considerada mais produtiva no
tocante ao trabalho. Por isso, supõe-se que a maior frequência de palavras relacionadas ao
futuro, como a possibilidade de falecer ou de encontrar o doador; e ao presente, denotando
maior conhecimento acerca da doença ou da cura, surge a partir de uma preocupação em
relação à sua saída ou limitação da profissão que exerce, uma vez que, após o transplante,
a maioria deles se aposenta face às restrições de atividades que não comprometam a saúde.

76
 Figura 44

Figura 4 – Análise Fatorial de Correspondência com comparações por faixa etária.

Análise de Similitude

A partir dessa análise baseada na teoria dos grafos é possível identificar as

ocorrências entre as palavras e as indicações da conexidade entre as palavras, auxiliando
Figura 52
na identificação da estrutura do conteúdo de um corpus textual. Observa-se que há três
palavras que mais se destacam nos discursos: “Pessoa”, “Coração” e “Transplante”. Delas
se ramificam outras que apresentam expressão significativa, como “Querer”, “Morrer”,
“Família”, “Dar” e “Vez”. No extremo das ramificações, contempla-se a relação entre
“Médico” e “Vida”; “Deus” “Sentir” e “Bem”; “Saúde” e “Preocupação”; “Remédio” e
“Falta” (ver Figura 4).

77
 Nesse sentido, pode-se inferir que, de uma forma geral, os discursos dos
participantes, além de apresentarem referências que, de acordo com a literatura exposta,
são inerentes ao processo de transplante cardíaco, como querer melhorar as condições de
saúde, reflexão acerca da morte, envolvimento familiar e espera na fila. Revelam também
outros aspectos fundamentais para a compreensão mais ampla acerca do assunto. Entre
elas, está a ligação que os entrevistados fizeram relacionando a figura do médico com a
possibilidade de vida; a consideração da espiritualidade na função de melhoria da qualidade
de vida; a incessante preocupação com saúde e a um problema que frequentemente os
transplantados enfrentam que é a medicação indisponível para consumo.

Figura 4 – Análise de Similitude.

78
Nuvem de palavras

Em seguida, foi analisada a nuvem de palavras obtida por meio dos discursos dos
participantes, verificando-se que as palavras mais evocadas foram: “coração”,
“transplante”, “pessoa”, “querer”, “vida”, “morrer”, “dar” e “entender”, mostrando que
para os entrevistados, o transplante cardíaco perpassa sob diversas circunstâncias de
enfrentamento e sob experienciar uma nova maneira de viver (ver Figura 5). Figura 58

Figura 5 – Nuvem de palavras.

79
 RELATÓRIO EXEMPLO DE ANÁLISE prototípica

Por meio da Análise Prototípica, foi possível identificar a estrutura representacional

a partir dos critérios de frequência e ordem de evocação das palavras provenientes do
TALP. O diagrama de quatro quadrantes representa as quatro dimensões da estrutura das
Representações Sociais. O primeiro quadrante (superior esquerdo) indica as palavras que
tem frequência maior que a média e que foram mais prontamente evocadas, que seriam os
prováveis indicadores do núcleo central da representação dos atletas sobre o esporte (com
menor Ordem Média de Evocações – OME) - Superação, Determinação, Dedicação, força,
Treinamento, Disciplina, Saúde e Amor.
No segundo quadrante (superior direito), está a primeira periferia, com as palavras
que têm alta frequência, mas que não foram tão prontamente evocadas – Foco e Força. No
terceiro quadrante (inferior esquerdo), a zona contraste, contém elementos que foram
prontamente, evocados porém com frequência abaixo da média - Competição, Vida e
Esforço. As palavras desses dois quadrantes reforçam o núcleo central.
Por fim, a segunda periferia no quarto quadrante (inferior direito), indica os
elementos com menor frequência e maior ordem de evocação – Alegria, Garra, Objetivo,
Medalha, Compromisso, Vontade e Felicidade. Figura 67

80
 Criada a partir
da Figura 67

Tabela 1
Análise prototípica das representações sociais dos atletas paralímpicos com termo
indutor “esporte” (N = 153)
Palavra Frequência OME Palavra Frequência OME

≥22 ≤2,8 ≥26 ≥3,0

Superação 53 2,4 Foco 32 3,3

Determinação 41 2,8 Força 26 3,0

Dedicação 37 2,5

Treinamento 24 2,1

Disciplina 23 2,7

Saúde 22 2,3

Amor 22 2,4

Palavra Frequência OME Palavra Frequência OME

≤16 ≤2,7 ≤17 ≥3,2

Competição 16 2,4 Alegria 17 3,8

Vida 16 2,7 Garra 15 4,0

Esforço 10 2,6 Objetivo 15 3,5

Medalha 13 3,6

Compromisso 12 3,6

Vontade 12 3,2

Felicidade 10 3,7

81
Wachelke, J., & Wolter, R. (2011). Critérios de construção e relato da análise prototípica

para representações sociais. Psicologia: Teoria e Pesquisa, 27(4),521-526.

doi:10.1590/S0102-37722011000400017

82