Dicas gerais para a codificação de Dados Qualitativos

Dicas gerais para a codificação de Dados Qualitativos

Dicas para codificação de dados qualitativos

António Pedro Costa, Universidade de Aveiro (Portugal)

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. Não existem regras claras e largamente aceites de como analisar dados não-numéricos e não-estruturados. Fala-se de abordagens gerais, que devem ser sempre ajustadas ao contexto de cada projeto de investigação, e também de operações básicas, particularmente a codificação, sobre a qual serão apresentadas algumas dicas gerais. 

Matheus & Fustinoni (2006) defendem que:

“a finalidade da análise dos dados é organizar, fornecer estrutura e extrair significado dos dados da pesquisa. As transcrições devem ser lidas e relidas e, depois, organizadas, integradas e interpretadas, e o desafio final é a redução dos dados para fins de relato. Assim, podemos dizer que a análise qualitativa é um processo de investigação, interpretação, redução e ordenação dos dados para alcançar a descrição ou explanação de um fenómeno” (p. 141).

 Morse (2007) complementa que a análise de dados é:

“um processo que exige questionamento inteligente, uma contínua procura de respostas, observação ativa e memória precisa. É um processo de juntar e unir dados, de tornar óbvio o invisível, da distinção do significante do insignificante, da ligação de dados aparentemente não relacionados, de encaixe de categorias umas nas outras e de atribuição de consequências aos antecedentes… É um processo de conjuntura e verificação, de correção e modificação, de sugestão e defesa. É um processo de organização de modo para que o esquema analítico apareça óbvio” (p. 35).

As principais ações gerais na análise de dados podem ser configuradas de acordo com os seguintes tópicos (Costa & Amado, 2018; Bardin, 2014):

  • Trabalhar com os dados;
  • Organização dos dados;
  • Divisão dos dados em unidades manipuláveis;
  • Síntese dos dados;

As quatro ações que se seguem poderão ser facilitadas com recurso a um Computer-Assisted Qualitative Data Analysis Software (CAQDAS), como é caso do software webQDA (2019) – webqda.net:

  • Procura de padrões (discursos, comportamentos, …);
  • Descoberta dos aspetos importantes dos dados;
  • Descoberta do que deve ser aprendido com os dados; 
  • Decisão de como transmitir os dados a terceiros.

Para quem inicia a análise de dados qualitativos, ou para quem já iniciou mas precisa de clarificar, partilha-se aqui uma proposta com procedimentos, que tem  sido aplicada em formações, seminários, workshops e webinares do webQDA (2019). Passos:

  1. Leia todos os dados iniciais: transcrições, notas de campo, documentos …
  2. Inicie a codificação após a recolha dos dados;
  3. Repetir o processo com os novos dados que forem acrescentados;
  4. Rever sempre as codificações;
  5. Considerar as ideias teóricas gerais em relação aos dados;
  6. Considerar as categorias (no webQDA designadas por códigos) criadas em relação as questões de investigação e objetivos;
  7. Qualquer item ou pedaço de dados podem ser codificados de mais de uma forma;
  8. Inicialmente, não considerar se a criação de categorias parece demasiada, pois esta varia dependendo do método e da técnica de análise de dados explorada. Caso esteja a utilizar a Teoria Fundamentada (Grounded Theory) seguindo o modelo tradicional, inicialmente, propõe-se categorias através da leitura flutuante dos dados (códigos livres) e apenas na segunda leitura é feita a redução das categorias;
  9. Rever o equilíbrio entre a definição da categoria e/ou a criação de nova categoria ou sub-categoria: dependendo do número de leituras realizadas aos dados codificados, poderá ser mais adequado alterar a definição de uma categoria para abranger novas codificações do que criar uma nova categoria;
  10. Criar um “movimento pendular” de expansão e síntese de categorias: seguindo o modelo indutivo (Costa & Amado, 2018) em que as categorias emergem da leitura ativa dos dados, usualmente na primeira leitura propõem-se muitas categorias – expansão – e numa segunda é feita a redução de categorias – síntese;
  11. Formular perguntas às codificações constantemente: Para quê? Porquê? Qual o significado? Que relação? …

A proposta anteriormente apresentada pode e deve ser ajustada de acordo com as competências que o investigador tenha adquirido no momento em que irá analisar os seus dados. Pode-se definir a proposta anterior como um ponto de partida, que não deve ser vinculador a não ser que o investigador assim o decida.

Referências

Costa, A. P., Moreira, A. & Souza, F. N. de (2019) ‘webQDA – Qualitative Data Analysis’. Aveiro – Portugal: Aveiro University and MicroIO. Available at: www.webqda.net.

Costa, A. P. & Amado, J. (2018) Análise de Conteúdo Suportada por Software. 2a. Oliveira de Azeméis – Aveiro – PORTUGAL: Ludomedia.

Bardin, L. (2014) Análise de Conteúdo. 3a. Edições 70.

Matheus, M. C. C. & Fustinoni, S. M. (2006). Pesquisa Qualitativa em Enfermagem. São Paulo, Livraria Paulista Editora.

Morse, J. M. (2007). Aspectos essenciais de metodologia de Investigação Qualitativa. Coimbra: Formasau.

Publicações Relacionadas

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

Notícias Relacionadas

As ferramentas digitais de análise podem influenciar positivamente no processo de organização e categorização dos dados. Também apresentam a capacidade de garantir melhor descrição das etapas incorporadas ao tratamento dos dados…
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 representação visual é útil durante todas as fases da análise de dados. Estes permitem identificar padrões, tendências numéricas e não numéricas, recorrendo a gráficos, mapas, quadros, diagramas, fluxogramas, entre outros.