A vida visual dos dados qualitativos – PARTE 1

A vida visual dos dados qualitativos – PARTE 1

Ludomedia QNOW A vida visual dos dados qualitativos

Luiz Rafael Andrade, Catarina Brandão e António Pedro Costa

Os dados qualitativos incluem artigos de revistas (no caso das revisões sistemáticas), entrevistas individuais e de grupo, grupos focais, inquéritos por questionário, redes sociais, vídeos, imagens, entre outros.  As variáveis qualitativas representam a informação que identifica uma qualidade, categoria ou característica que não é suscetível de ser medida, mas que pode ser classificada. Assim, é fácil entender como a visualização de dados e as suas representações podem ser um recurso valioso para investigadores qualitativos.

A maioria dos investigadores e leitores, provavelmente, já ouviu falar de visualização de dados (outputs visuais). A representação visual é útil durante todas as fases da análise de dados, pois permite identificar padrões, tendências numéricas e não numéricas, recorrendo a gráficos, mapas, quadros, diagramas, fluxogramas, entre outros. Neste contexto, ir-se-á apresentar alguns exemplos de outputs visuais de dados qualitativos (dados não estruturados e não numéricos).

Pode-se afirmar que o output visual concentra e sintetiza uma quantidade de dados facilitando a explanação para os leitores. Dependo da fase do estudo, o investigador pode usar os outputs visuais em diferentes etapas de uma investigação. Pode-se dividir o uso de outputs visuais para:

  • exploração ou obtenção de insights: exploração inicial dos dados muitas vezes designada como pré-análise;
  • interpretação ou inferência dos dados: categorização e codificação dos dados para interpretação e inferência;
  • reportar, partilhar e discutir resultados: síntese de resultados para explanação e discussão.

Porquê usar representações visuais na análise de dados qualitativos?

Recorrer a este tipo de representação dá oportunidade ao leitor de analisar algo mais, ajuda a sistematizar a apresentação dos dados/resultados num texto. Nicolas Payette e Christopher Watts (2016) abordaram, numa apresentação, que os artigos devem ter qualidade, mas também ser “sexy”. Artigos “sexy” atraem mais leitores; mais leitores incrementam o número de citações, o aumento de citações potencia o trabalho dos autores e a qualidade aumenta as possibilidades de ser aceite e publicado. O uso de representações visuais pode contribuir para um maior nível de atratividade do texto científico.

Uma representação visual de dados possui, se explanada e compreendida, a possibilidade de estimular a descoberta de novos conhecimentos por meio da sua interpretação. A visualização de dados pode trazer consigo, também, um potencial de colaboração na descoberta de novas informações. Neste sentido, por si só o gráfico pode ser rico em informação, mas não deixa de ser um recurso pobre se o seu autor não explanar ao leitor o que ele representa. De seguida, apresenta-se onze exemplos de outputs visuais explorados através de dados que correspondem às etapas de organização e análise de uma pesquisa qualitativa.

O uso de representações visuais na fase de organização de dados qualitativos

Tratando-se de visualização de dados qualitativos, é importante considerarmos que o uso de representações visuais não é útil somente no momento de publicação de um texto ou de apresentação dos dados a um determinado público.

É fundamental que o pesquisador consiga e tenha acesso para visualizar os seus dados qualitativos já na fase de organização das suas fontes, visto que as representações também possuem potencial de contribuir para que, por exemplo, as categorias de análise, as fontes e as classificações sejam mais bem visualizadas e representadas durante e após a execução do projeto de pesquisa.

Abaixo apresentamos exemplos de várias representações visuais, iniciando com duas possibilidades de exploração dos dados, mesmo quando o investigador ainda não iniciou o trabalho de análise e de codificação. As representações visuais posteriores podem ser particularmente úteis na fase de exploração e de organização dos dados qualitativos.

1. Nuvem de Palavras

Uma nuvem de palavras é uma representação visual da frequência das palavras. É usada para destacar com que frequência um termo ou categoria específica aparece numa fonte de dados (por um exemplo, um texto). Quanto mais vezes uma palavra estiver presente numa fonte ou várias fontes, mais realçada/maior será a palavra. As nuvens de palavras são usadas para obter insights imediatos sobre os termos mais importantes nos dados. As nuvens de tags podem, por exemplo, ajudar a visualizar como os clientes se sentem sobre os seus produtos ou os jogadores de basquete que marcaram mais pontos num determinado jogo.

Figura 1 - Nuvem de Palavras

Fonte: webqda.net

2. Árvore de Palavras

A Árvore de Palavras é uma representação visual interativa para mostrar os diferentes contextos e, de forma rápida, exibir o resultado da exploração dos dados de uma determinada palavra escolhida pelo utilizador. Permite contextualizar o que está a ser escrito em torno de um determinado tópico. A parte gráfica processa a lista de concordâncias da visualização de frases e apresenta-as de forma mais estruturada horizontalmente. A Árvore de Palavras complementa a nuvem de palavras, que dá uma visão geral dos termos mais frequentes, mas não reflete o seu contexto na utilização de expressões/frases específicas. É possível a partir da execução de uma árvore de palavras selecionar outras palavras. Além disso, o tamanho das palavras varia consoante o número de ocorrências.

Figura 2 - Árvore de Palavras

Fonte: webqda.net

3. Mapa de Árvore

Um gráfico de mapa de árvore fornece uma exibição hierárquica dos dados e torna mais fácil identificar padrões. As ramificações de árvore são representadas por retângulos e cada sub-ramificação é mostrada como um retângulo menor. No exemplo abaixo, a categoria “Fonte Interna” é representada a vermelho; “Códigos arvore” é uma categoria diferente, sendo representada a verde. Esse tipo de output pode exibir facilmente grandes e pequenas quantidades de dados, o que seria difícil com outros tipos de gráficos. Gráficos de mapa de árvore são adequados para comparar as proporções dentro da hierarquia, no entanto, não são tão eficazes para mostrar os níveis hierárquicos entre as categorias maiores e cada ponto de dados.

Figura 3 - Mapa de Árvore

Fonte: webqda.net

4. Gráfico de Bolhas

A área de cada círculo é proporcional ao seu valor (aqui, o tamanho do ficheiro/documento). Embora os círculos aninhados não usem o espaço de forma tão eficiente quanto um mapa de árvore, o espaço “desperdiçado” revela melhor a estrutura hierárquica.

Este gráfico pode ser usado para representar visualmente os dados do sistema de codificação/ categorização, tanto códigos livres como os códigos árvore. O círculo interno e de menor tamanho representa o código principal (pai), o círculo sucessor e de tamanho maior que o anterior, os códigos secundários, o próximo círculo, de tamanho maior do que o anterior, acima, os terciários, e assim por diante. O círculo completo representa a divisão de códigos mais externa até que todos os níveis de códigos hierárquicos sejam concluídos.

Figura 4 - Gráfico de Bolhas

Fonte: observablehq.com

5. Gráfico Sunburst

Um gráfico sunburst é usado para visualizar dados hierárquicos, representados por círculos concêntricos. Um gráfico sunburst sem quaisquer dados hierárquicos (ou seja, quando temos apenas um nível de categorias), é semelhante a um gráfico donut (rosca). No entanto, um gráfico de sunburst com vários níveis de categorias mostra como os anéis externos se relacionam com os anéis internos.

O gráfico sunburst é ideal para exibir dados hierárquicos. Cada nível da hierarquia é representado por um anel ou círculo, com o círculo mais interno na parte superior da hierarquia. Este tipo de gráfico é mais eficiente ao mostrar como um anel se divide nas respetivas partes constituintes.

Figura 5 - Gráfico Sunburst

Fonte: webqda.net

Considerações finais

As representações visuais, se geradas na fase de organização dos dados, possuem relevância ao contribuir diretamente com a descrição dos procedimentos metodológicos da pesquisa. Neste sentido, os outputs podem apresentar um panorama visual do trabalho em andamento para o investigador qualitativo e possibilitar, a este profissional, mais de uma opção visual de comunicar a estruturação de sua pesquisa com transparência e rigor científico. 

Bibliografia

Costa, A. P., Moreira, A., & Souza, F. N. de. (2019). webQDA – Qualitative Data Analysis (3.1). University of Aveiro and MicroIO. www.webqda.net

Eyenike, T. (2022). Data Visualization Using Chart.js and Gatsby. https://hackernoon.com/data-visualization-using-chartjs-and-gatsby

Google. (2021). Using Google Charts. https://developers.google.com/chart/interactive/docs

Long, A. (2017). Popular Techniques for Visualizing Qualitative Data. LinkedIn. https://www.linkedin.com/pulse/popular-techniques-visualizing-qualitative-data-adam-long/

Payette, N., & Watts, C. (2016). Quality versus Sexiness: The rival qualities of papers in the competition for academics’ attention. Share by PEERE. http://www.peere.org/wp-content/uploads/2016/03/Quality-versus-Sexiness_CW.pdf

Produtos Relacionados

Partilhar
Share on facebook
Share on twitter
Share on linkedin
Share on email
Share on whatsapp

Notícias Relacionadas

A aplicação da visualização de dados na pesquisa qualitativa aumenta a celeridade da tomada de decisão, permite o acesso a resultados em tempo real a partir de qualquer lugar, transmite a mensagem certa para o público com recurso a poucas palavras, sintetiza e dá sentido a dados complexos.
A Investigação Qualitativa tem beneficiado do enorme progresso em termos de métodos e técnicas com uso intensivo de tecnologia. As atuais exigências do contexto investigativo compelem cada vez mais os investigadores a apetrecharem-se de ferramentas digitais que proporcionem agilização e eficiência nos seus processos de investigação.
Um dos principais erros verificados em investigação é a falta de planeamento dos métodos adequados para a análise dos dados. Por exemplo, para se elaborar um instrumento de recolha de dados é necessário ter em atenção as ferramentas que se utilizará para obter os resultados (análise). Analisar dados qualitativos não é uma tarefa isenta de dificuldades, pois o corpus de dados não numérico e não-estruturado é, geralmente, difuso e complexo.