Análise qualitativa: análise de conteúdo e análise temática
A pesquisa qualitativa busca compreender fenômenos a partir dos significados, interpretações, experiências, práticas e relações construídas pelos sujeitos ou registradas em documentos, discursos e outros materiais. Diferentemente de abordagens centradas principalmente na mensuração de variáveis, a investigação qualitativa procura compreender como determinados fenômenos são percebidos, produzidos e significados em seus contextos sociais e culturais.
Entretanto, realizar uma pesquisa qualitativa não significa simplesmente coletar entrevistas, documentos ou respostas abertas e depois apresentar alguns trechos considerados interessantes. O material empírico precisa ser submetido a um procedimento analítico sistemático, coerente com o problema de pesquisa e com os pressupostos epistemológicos assumidos pelo pesquisador. Nesse contexto, a codificação, a categorização, a interpretação e a explicitação das decisões analíticas constituem elementos fundamentais para a qualidade da investigação (Krippendorff, 2018; Schreier, 2012).
Entre os procedimentos utilizados para trabalhar com dados qualitativos, destacam-se a análise de conteúdo e a análise temática. Embora ambas possam envolver leitura sistemática, codificação, comparação de trechos e construção de agrupamentos conceituais, elas não devem ser tratadas automaticamente como técnicas equivalentes. Cada abordagem possui tradições teóricas, formas de operacionalização e concepções específicas sobre o papel das categorias, dos temas e do pesquisador.
Na análise de conteúdo, autores como Laurence Bardin, Klaus Krippendorff, Philipp Mayring e Margrit Schreier enfatizam procedimentos sistemáticos de organização, categorização e interpretação do material. Na análise temática, especialmente na abordagem desenvolvida por Virginia Braun e Victoria Clarke, o objetivo principal consiste na construção e interpretação de padrões de significado compartilhado presentes no conjunto de dados (Bardin, 2016; Krippendorff, 2018; Mayring, 2000; Braun; Clarke, 2006).
A escolha entre esses métodos, portanto, não deve ocorrer apenas porque determinado procedimento é popular ou aparece frequentemente em pesquisas da área. O método de análise deve decorrer do problema investigado, do tipo de material empírico, da finalidade analítica e da posição epistemológica do estudo.
Conceitos fundamentais para a análise qualitativa
Antes de discutir especificamente a análise de conteúdo e a análise temática, é importante compreender alguns conceitos que aparecem frequentemente durante o tratamento de dados qualitativos. Termos como transcrição, leitura flutuante, unidade de registro, codificação, categoria, tema, frequência e interpretação representam operações diferentes do processo analítico e não devem ser empregados como sinônimos.
De maneira simplificada, pode-se compreender o processo como uma progressão analítica. O pesquisador parte de um material empírico, como entrevistas ou documentos, familiariza-se com esse material, identifica segmentos relevantes, atribui códigos a esses segmentos, estabelece relações entre os códigos e, dependendo do método adotado, organiza-os em categorias ou constrói temas. Finalmente, interpreta essas estruturas em relação ao problema de pesquisa e à literatura científica (Bardin, 2016; Schreier, 2012; Braun; Clarke, 2022).
Transcrição
Quando os dados são produzidos por entrevistas, grupos focais, reuniões ou outros registros em áudio ou vídeo, normalmente é necessário transformá-los em material textual antes da análise. Esse processo é denominado transcrição.
Transcrever não significa simplesmente substituir mecanicamente sons por palavras escritas. Decisões precisam ser tomadas sobre aquilo que será preservado na transcrição, como pausas, repetições, hesitações, interrupções, entonações ou manifestações não verbais. O nível de detalhamento deve ser determinado pela pergunta de pesquisa e pela abordagem metodológica adotada.
Poland (1995) destaca que a qualidade da transcrição constitui parte do rigor da pesquisa qualitativa, pois erros, omissões ou modificações no conteúdo podem alterar posteriormente a interpretação dos dados. Assim, mesmo quando programas computacionais ou sistemas de inteligência artificial são utilizados para produzir uma transcrição inicial, recomenda-se confrontar o texto produzido com o áudio original antes da análise.
Por exemplo, considere a seguinte fala gravada em uma entrevista:
“Eu uso bastante a IA… mas assim… eu não confio totalmente. Normalmente eu testo o código antes.”
Dependendo dos objetivos da pesquisa, ela poderia ser transcrita preservando pausas e hesitações:
“Eu uso bastante a IA… mas assim… eu não confio totalmente. Normalmente eu testo o código antes.”
Em uma pesquisa na qual hesitações não constituem objeto de análise, poderia ser registrada de maneira mais limpa:
“Eu uso bastante a IA, mas não confio totalmente. Normalmente testo o código antes.”
As duas possibilidades podem ser metodologicamente legítimas. O importante é que o pesquisador estabeleça e informe qual padrão de transcrição foi utilizado.
Leitura flutuante
Depois da preparação do corpus, uma das primeiras atividades analíticas costuma ser a leitura ampla do material. Na tradição da análise de conteúdo de Bardin, essa etapa recebe a denominação de leitura flutuante e integra a pré-análise (Bardin, 2016).
A leitura flutuante representa o primeiro contato sistemático do pesquisador com o conjunto de documentos. Seu objetivo é permitir que ele conheça o material, identifique características gerais, perceba conteúdos recorrentes e desenvolva impressões iniciais que posteriormente poderão orientar a análise.
Esse procedimento não deve ser confundido com codificação definitiva. Durante a leitura flutuante, o pesquisador pode realizar anotações preliminares, destacar trechos ou registrar possíveis relações, mas essas observações ainda podem ser modificadas quando o corpus for examinado sistematicamente.
Considere novamente entrevistas sobre utilização de inteligência artificial durante a aprendizagem de programação. Durante a leitura inicial, o pesquisador poderia anotar ideias como “velocidade”, “dependência”, “correção de erros”, “confiança” e “necessidade de testar”. Essas palavras ainda não precisam constituir categorias. Elas funcionam como primeiras pistas para orientar etapas posteriores.
Na análise temática reflexiva também existe um procedimento semelhante, embora Braun e Clarke utilizem predominantemente a expressão familiarização com os dados. Nessa fase, o pesquisador lê e relê o corpus, produz anotações iniciais e começa a estabelecer uma relação analítica com os dados antes da codificação propriamente dita (Braun; Clarke, 2006; Braun; Clarke, 2022).
Unidades de registro
Na análise de conteúdo, o pesquisador precisa estabelecer aquilo que efetivamente será considerado uma unidade analisável. Bardin denomina esse elemento de unidade de registro, isto é, a unidade de significação que será submetida à codificação e posteriormente utilizada na categorização (Bardin, 2016).
A unidade de registro pode assumir diferentes formas conforme a pergunta de pesquisa. Pode corresponder a uma palavra, uma frase, determinado acontecimento, personagem, objeto mencionado ou tema presente na comunicação. A escolha precisa ser realizada antes ou durante a definição do protocolo de análise, porque diferentes unidades podem produzir diferentes formas de organização dos dados.
Imagine a seguinte afirmação:
“Quando não consigo resolver um exercício, primeiro tento sozinho e depois peço à IA para explicar onde errei.”
Se o interesse da pesquisa estiver relacionado às estratégias de aprendizagem, a unidade de registro relevante pode ser a ideia expressa no trecho, e não cada palavra isoladamente. O pesquisador poderia identificar como núcleo de significado o uso da inteligência artificial após uma tentativa autônoma de resolução.
Bardin (2016) também diferencia a unidade de registro da unidade de contexto. Enquanto a unidade de registro corresponde ao elemento que será codificado, a unidade de contexto fornece informação suficiente para compreender corretamente seu significado. Uma frase isolada, portanto, pode precisar ser analisada juntamente com o parágrafo, a resposta ou mesmo a parte da entrevista na qual está inserida. A literatura metodológica baseada em Bardin mantém essa distinção entre aquilo que se codifica e o contexto necessário para compreender adequadamente essa codificação.
Codificação
A codificação corresponde ao processo de identificar segmentos relevantes do material e atribuir a eles rótulos analíticos que representem aspectos significativos para a investigação.
Na análise de conteúdo, a codificação transforma o material bruto em unidades organizadas que posteriormente poderão ser classificadas e agregadas em categorias. Para Bardin (2016), esse processo envolve decisões relacionadas ao recorte do material, às formas de enumeração e aos procedimentos de classificação e agregação.
Na análise temática, os códigos também representam elementos fundamentais da análise. Braun e Clarke (2006) consideram a codificação uma forma de identificar características potencialmente relevantes dos dados em relação à pergunta de pesquisa. Na abordagem reflexiva, esses códigos podem ser tanto relativamente descritivos quanto mais interpretativos.
Considere três respostas:
“Uso a IA para descobrir onde está o erro.”
“Às vezes copio a resposta sem entender direito.”
“Depois que ela gera o código, eu executo vários testes.”
Esses fragmentos poderiam inicialmente receber os seguintes códigos:
explicação de erros
uso sem compreensão
validação por testes
Os códigos constituem uma redução analítica do material, mas não devem eliminar seu significado original. Eles funcionam como instrumentos que ajudam o pesquisador a localizar relações entre diferentes partes do corpus.
Também é importante destacar que códigos não precisam ser apenas palavras retiradas literalmente das entrevistas. Um participante pode dizer “eu sempre rodo o programa antes de acreditar no que ela escreveu”, enquanto o pesquisador utiliza o código verificação da resposta da IA. Nesse caso, o código representa analiticamente o significado da fala.
Na análise temática reflexiva, Braun e Clarke ressaltam ainda que os códigos são componentes a partir dos quais os temas podem posteriormente ser construídos. A passagem dos códigos para os temas envolve examinar relações e padrões de significado existentes no conjunto de dados, não apenas agrupar palavras semelhantes.
Categorias
Uma categoria reúne elementos que compartilham determinadas características relevantes para o objetivo da investigação. Na análise de conteúdo, a categorização constitui uma operação fundamental porque permite transformar numerosas unidades de registro e códigos em estruturas analíticas mais abrangentes (Bardin, 2016).
Retomando os códigos anteriores:
explicação de erros
explicação de conceitos
geração de exemplos
poderiam integrar uma categoria denominada:
Contribuições da IA para a aprendizagem.
Já os códigos:
copiar respostas
dependência da ferramenta
não tentar resolver sozinho
poderiam constituir:
Riscos para a autonomia do estudante.
As categorias podem ser estabelecidas de maneira predominantemente dedutiva, quando derivadas previamente da literatura ou de um modelo teórico, ou indutiva, quando desenvolvidas progressivamente a partir da análise do corpus. Mayring (2000) apresenta essa distinção como uma das possibilidades fundamentais da análise qualitativa de conteúdo.
Uma pesquisa também pode trabalhar com uma estratégia híbrida. O pesquisador pode iniciar com categorias derivadas da literatura e permitir a criação de novas categorias quando o material empírico apresentar conteúdos que não se enquadram adequadamente na estrutura inicial (Schreier, 2012).
Uma categoria metodologicamente útil precisa possuir significado suficientemente definido. Não basta criar títulos genéricos como “coisas positivas”, “coisas negativas” e “outros”. É necessário estabelecer claramente quais características permitem incluir uma unidade em determinada categoria.
Temas
O conceito de tema merece atenção especial porque seu significado varia entre tradições metodológicas. Na análise de conteúdo, o próprio tema pode funcionar como unidade de registro ou critério de categorização. Na análise temática de Braun e Clarke, entretanto, tema possui uma função analítica mais específica.
Na análise temática reflexiva, um tema representa um padrão de significado compartilhado e organizado em torno de uma ideia central. Dessa forma, ele normalmente situa-se em nível mais interpretativo do que um código isolado (Braun; Clarke, 2021; Braun; Clarke, 2022).
Considere os seguintes códigos:
solução rápida de exercícios
uso sem compreensão
dependência da resposta pronta
tentativa prévia de resolver sozinho
uso da IA somente após dificuldade
Uma simples classificação poderia agrupá-los sob algo como Formas de utilização da IA. Isso identifica o assunto, mas diz pouco sobre seu significado.
Uma análise temática poderia construir o tema:
A facilidade oferecida pela IA coloca a autonomia do estudante em negociação.
Nesse caso, o tema articula diferentes códigos em torno de uma ideia interpretativa: a mesma ferramenta pode apoiar ou reduzir a autonomia conforme as práticas adotadas pelo estudante.
Por isso, código, categoria e tema não devem ser tratados automaticamente como níveis equivalentes. Um código identifica determinado aspecto do material. Uma categoria organiza elementos segundo alguma propriedade comum. Um tema, particularmente na análise temática reflexiva, procura construir um padrão mais abrangente de significado relevante para responder à pergunta de pesquisa.
Além disso, Braun e Clarke rejeitam a ideia de que os temas simplesmente “emergem” ou permanecem escondidos nos dados esperando serem encontrados. Na abordagem reflexiva, sua construção envolve participação ativa do pesquisador, que estabelece relações entre códigos e interpreta sua relevância para o fenômeno estudado (Braun; Clarke, 2019; Braun; Clarke, 2022). Essa concepção também é demonstrada em aplicações metodológicas contemporâneas da abordagem.
Frequência
A frequência corresponde ao número de vezes que determinado elemento aparece no corpus. Dependendo do método e do objetivo da pesquisa, podem ser calculadas frequências de palavras, códigos, categorias ou outras unidades.
Por exemplo, suponha que dez entrevistas tenham sido analisadas e o código validação por testes apareça em sete delas. O pesquisador pode informar que sete dos dez participantes mencionaram algum procedimento relacionado à execução ou teste do código produzido pela inteligência artificial.
Esse tipo de informação pode contribuir para a descrição do corpus, especialmente em determinadas formas de análise de conteúdo. Entretanto, frequência e importância analítica não são equivalentes.
Um conteúdo pode ser pouco frequente e, mesmo assim, ser extremamente relevante para responder ao problema de pesquisa. Da mesma maneira, uma palavra muito frequente pode possuir pouca importância conceitual.
Essa distinção é muito relevante na análise temática reflexiva. Braun e Clarke não estabelecem um número mínimo de ocorrências para que determinado padrão seja considerado tema. A relevância depende principalmente de sua contribuição para a compreensão da questão investigada e da coerência do padrão de significado construído (Braun; Clarke, 2006; Braun; Clarke, 2022). A literatura aplicada à análise temática reforça que a importância de um tema não pode ser determinada simplesmente pelo número de códigos ou entrevistas que o sustentam.
Assim, afirmar que uma categoria apareceu vinte vezes constitui uma descrição. Explicar por que sua ocorrência é importante para compreender o fenômeno constitui análise.
Interpretação
A interpretação representa o momento em que o pesquisador procura compreender o significado dos padrões identificados e sua relação com o problema investigado. Ela ultrapassa a simples exposição dos dados.
Considere o seguinte resultado hipotético:
Sete dos dez entrevistados afirmaram testar os códigos produzidos pela inteligência artificial antes de utilizá-los.
Essa afirmação descreve o material. Uma interpretação poderia avançar:
A recorrência de procedimentos de teste sugere que os estudantes não atribuem confiança irrestrita às respostas produzidas pela inteligência artificial. A ferramenta parece ser incorporada ao processo de aprendizagem acompanhada por práticas de verificação, indicando que a avaliação crítica das respostas constitui parte relevante das estratégias relatadas pelos participantes.
A interpretação pode prosseguir relacionando esse resultado à literatura existente, à pergunta de pesquisa e ao referencial teórico utilizado.
Na análise de conteúdo, Bardin (2016) relaciona essa etapa ao tratamento dos resultados, à inferência e à interpretação. O objetivo não consiste apenas em organizar as mensagens, mas utilizar essa organização para produzir inferências fundamentadas acerca do fenômeno estudado.
Na análise temática reflexiva, a interpretação atravessa praticamente todo o processo. O pesquisador já realiza escolhas interpretativas ao codificar os dados, estabelecer relações entre códigos e construir temas. A análise não começa apenas depois que os temas estão prontos; ela é progressivamente construída durante todo o envolvimento com o corpus (Braun; Clarke, 2019; Braun; Clarke, 2022).
Portanto, uma pesquisa qualitativa não deve apresentar uma sequência de citações dos participantes esperando que elas “falem por si mesmas”. Os fragmentos empíricos funcionam como evidências para uma argumentação que precisa ser desenvolvida pelo pesquisador.
Relação entre os conceitos
Esses conceitos podem ser compreendidos como partes relacionadas de um processo, embora a forma exata dessa relação varie segundo o método adotado.
Em uma investigação baseada em entrevistas, por exemplo, o pesquisador pode inicialmente realizar a transcrição, produzindo o corpus textual. Em seguida, realiza uma leitura flutuante ou processo de familiarização. Depois determina quais segmentos constituem unidades de registro e desenvolve a codificação.
Na análise de conteúdo, os códigos e unidades podem posteriormente ser agrupados em categorias, cuja presença e frequência podem ser examinadas quando isso for relevante. Finalmente, essas estruturas são utilizadas para produzir inferências e interpretações.
Na análise temática reflexiva, após a familiarização e a codificação, o pesquisador examina relações entre códigos para construir temas, revisá-los, defini-los e produzir uma interpretação integrada do fenômeno.
Portanto, uma representação didática possível seria:
Material empírico → Transcrição → Familiarização/leitura → Unidades relevantes → Codificação → Categorias ou temas → Interpretação.
Preciso destacar que essa sequência não deve ser compreendida como um algoritmo rígido. Na pesquisa qualitativa, especialmente na análise temática reflexiva, existe constante retorno ao corpus. Um tema inicialmente construído pode exigir nova leitura das entrevistas, ou uma categoria pode precisar ser subdividida, ou um código pode adquirir outro significado quando comparado a novos segmentos. A análise qualitativa é sistemática, mas também iterativa e reflexiva (Schreier, 2012; Braun; Clarke, 2022).
Agora que compreendemos melhor os termos representativos da análise qualitativa, vamos abordá-las separadamente.
Análise de conteúdo
A análise de conteúdo possui longa tradição nas Ciências Humanas e Sociais e pode assumir configurações quantitativas, qualitativas ou combinadas. Em sua formulação clássica, seu objetivo não é simplesmente resumir textos, mas transformar um conjunto de comunicações em unidades organizadas que possibilitem descrição, comparação e produção de inferências fundamentadas.
Bardin define a análise de conteúdo como um “conjunto de técnicas de análise das comunicações” baseado em procedimentos sistemáticos e objetivos que permitem produzir indicadores e realizar inferências sobre as condições relacionadas às mensagens analisadas (Bardin, 2016, p. 48). A definição mostra que a análise não termina na classificação do texto: a categorização funciona como instrumento para chegar à interpretação.
Essa característica é importante porque um erro frequente consiste em acreditar que análise de conteúdo significa apenas localizar palavras semelhantes e agrupá-las. Para Bardin (2016), existe uma passagem progressiva entre descrição, organização do material e inferência. O pesquisador identifica determinadas características da comunicação para, posteriormente, interpretar o que elas revelam sobre o fenômeno investigado.
Krippendorff (2018) amplia essa perspectiva ao enfatizar que as mensagens precisam ser interpretadas considerando seus contextos de utilização. Para o autor, os dados comunicacionais não são objetos isolados: textos, discursos, imagens e outros registros adquirem significado nas circunstâncias sociais em que são produzidos, recebidos e utilizados. A análise de conteúdo, portanto, precisa estabelecer uma relação justificável entre os dados observados e as inferências realizadas pelo pesquisador.
Schreier (2012), por sua vez, desenvolve uma perspectiva explicitamente qualitativa da análise de conteúdo. Sua proposta enfatiza a construção de um quadro de codificação, a segmentação do material, o teste desse sistema de códigos, sua revisão e posterior aplicação ao corpus. A sistematicidade ocupa posição central nessa abordagem, pois o pesquisador deve explicitar como definiu categorias, como identificou unidades relevantes e quais critérios empregou para classificar o material.
Philipp Mayring também ocupa posição relevante nessa tradição. Sua análise qualitativa de conteúdo procura preservar algumas características sistemáticas da análise de conteúdo clássica, mas admite explicitamente processos interpretativos. O autor diferencia especialmente a formação indutiva de categorias e a aplicação dedutiva de categorias (Mayring, 2000).
Na abordagem indutiva, as categorias são progressivamente construídas a partir do contato com o material, embora sua construção continue orientada pela pergunta de pesquisa. Na abordagem dedutiva, as categorias são estabelecidas previamente a partir da literatura, de conceitos teóricos ou de um modelo analítico e posteriormente aplicadas ao material empírico. Mayring (2000) destaca ainda que as categorias podem ser revistas durante o processo, formando ciclos de análise e refinamento.
Essa distinção entre indução e dedução é particularmente importante. Imagine uma investigação que pretenda analisar como estudantes de programação percebem o uso de inteligência artificial generativa durante a aprendizagem.
Caso a literatura previamente utilizada pelo pesquisador estabeleça três dimensões — benefícios para aprendizagem, riscos de dependência e estratégias de verificação — essas dimensões podem constituir categorias iniciais. Nesse caso, tem-se uma orientação predominantemente dedutiva.
Em outra situação, o pesquisador poderia iniciar a leitura das entrevistas sem um conjunto fechado de categorias e observar que aparecem repetidamente referências a “economia de tempo”, “explicação de erros”, “copiar código sem compreender”, “consultar documentação” e “testar a resposta da IA”. Progressivamente, esses códigos poderiam ser reunidos em categorias construídas a partir do próprio corpus. Nesse caso, a categorização teria caráter predominantemente indutivo.
Indução e dedução, contudo, não precisam funcionar como alternativas absolutamente excludentes. Em pesquisas reais, é possível iniciar a análise com algumas categorias fundamentadas teoricamente e permitir a criação de novas categorias quando o corpus apresentar conteúdos relevantes que não são adequadamente representados pelo modelo inicial. Schreier (2012) admite essa flexibilidade dentro de um procedimento sistemático de construção e revisão do quadro de codificação.
As etapas da análise de conteúdo segundo Bardin
A sistematização mais conhecida de Bardin organiza o processo em três grandes momentos: pré-análise, exploração do material e tratamento dos resultados, inferência e interpretação (Bardin, 2016). Essas etapas representam uma organização lógica do processo analítico, embora a pesquisa real possa exigir retornos e refinamentos durante sua execução.
Na pré-análise ocorre a organização inicial do corpus. O pesquisador toma contato com os documentos, realiza a chamada leitura flutuante, relaciona o material aos objetivos da pesquisa e define princípios que orientarão a análise. Não se trata ainda de codificar detalhadamente todas as informações, mas de construir uma visão global do conjunto documental.
Considere novamente o exemplo da pesquisa sobre inteligência artificial no aprendizado de programação. Suponha que tenham sido obtidas dez entrevistas. Durante a leitura inicial, o pesquisador percebe que os estudantes mencionam repetidamente facilidade para compreender erros, rapidez na solução de exercícios, receio de dependência e necessidade de verificar códigos produzidos pela IA.
Essas primeiras observações ainda não constituem necessariamente categorias finais. Elas funcionam como hipóteses analíticas que precisam ser verificadas sistematicamente no corpus.
Na exploração do material ocorre a codificação propriamente dita. O pesquisador identifica unidades relevantes para o problema investigado e associa códigos ou categorias a essas unidades. Bardin (2016) atribui particular importância à categorização enquanto forma de classificação dos elementos segundo características relevantes para os objetivos da investigação.
Considere os seguintes trechos hipotéticos:
- Estudante A: “Quando aparece um erro que eu não entendo, peço para a IA explicar e depois tento corrigir sozinho.”
- Estudante B: “Às vezes ela entrega o programa praticamente pronto e eu percebo que acabo só copiando.”
- Estudante C: “Eu sempre executo o código e procuro na documentação porque várias vezes a resposta parece certa, mas não funciona.”
O primeiro trecho poderia receber códigos como “explicação de erros” e “apoio à aprendizagem”. O segundo poderia receber “dependência” e “uso sem compreensão”. O terceiro poderia ser codificado como “verificação da resposta” e “consulta à documentação”.
Depois da codificação de todo o corpus, códigos conceitualmente relacionados poderiam ser agrupados em categorias mais amplas. “Explicação de erros” e “apoio à aprendizagem”, por exemplo, poderiam integrar a categoria Contribuições para a aprendizagem. “Dependência” e “uso sem compreensão” poderiam formar Riscos para a autonomia. “Verificação da resposta” e “consulta à documentação” poderiam integrar Estratégias de validação.
O aspecto essencial é que as categorias não devem ser produzidas arbitrariamente. Precisam possuir definição operacional suficientemente clara para permitir justificar por que determinado trecho pertence a uma categoria e não a outra. Schreier (2012) considera a construção e o teste do quadro de codificação elementos fundamentais para tornar a análise qualitativa de conteúdo metodologicamente transparente.
Após a exploração, chega-se ao tratamento e à interpretação dos resultados. Nesse estágio, o pesquisador deixa de responder apenas “o que apareceu no material?” e passa a perguntar “o que esses resultados significam para o problema de pesquisa?”.
No exemplo utilizado, o resultado relevante não seria simplesmente afirmar que existem falas positivas e negativas sobre inteligência artificial. A interpretação poderia mostrar que a IA assume funções diferentes conforme a forma de utilização: quando empregada para explicar problemas e acompanhada de processos de verificação, pode funcionar como instrumento de apoio; quando utilizada predominantemente para obter soluções prontas, pode reduzir o envolvimento do estudante com a resolução do problema.
Essa interpretação precisa ser confrontada com a fundamentação teórica e com os limites do próprio corpus. É justamente essa passagem entre descrição e inferência que impede que a análise de conteúdo seja reduzida a uma simples organização de citações.
Análise temática
A análise temática é outro método amplamente empregado na investigação qualitativa. Uma de suas formulações mais influentes foi apresentada por Virginia Braun e Victoria Clarke em 2006 e posteriormente refinada pelas próprias autoras.
Braun e Clarke descrevem a análise temática como “um método para identificar, analisar e relatar padrões (temas) nos dados” (Braun; Clarke, 2006, p. 79, tradução nossa). Ao mesmo tempo, as autoras ressaltam a flexibilidade teórica do método, que pode ser utilizado a partir de diferentes posições epistemológicas quando essas escolhas são explicitadas e mantidas de forma coerente.
Diferentes abordagens de análise temática
Braun e Clarke alertam que a expressão “análise temática” não representa um único método homogêneo. Existem abordagens que enfatizam confiabilidade de codificação, abordagens baseadas em codebooks previamente estruturados e abordagens reflexivas. Essas tradições compartilham algumas práticas, mas partem de concepções diferentes sobre codificação, subjetividade e produção dos temas (Braun; Clarke, 2021).
Nas abordagens orientadas à confiabilidade da codificação, existe maior preocupação em produzir códigos claramente definidos e verificar concordância entre diferentes codificadores. Essa perspectiva aproxima-se de tradições mais estruturadas de análise.
As abordagens baseadas em codebook empregam estruturas de códigos relativamente organizadas previamente, mas podem admitir ajustes durante a pesquisa. São particularmente utilizadas em pesquisas aplicadas e projetos nos quais diferentes pesquisadores precisam trabalhar sobre o mesmo conjunto de dados.
Na análise temática reflexiva proposta por Braun e Clarke, a subjetividade do pesquisador não é considerada simplesmente uma fonte de erro que precisa ser eliminada. Ela integra o processo interpretativo e, por isso, precisa ser reconhecida e examinada reflexivamente. Nessa perspectiva, exigir concordância perfeita entre dois codificadores independentes pode ser conceitualmente incompatível com a lógica metodológica escolhida (Braun; Clarke, 2019; Braun; Clarke, 2021).
Isso não significa aceitar interpretações arbitrárias. Reflexividade não elimina rigor. O pesquisador continua responsável por demonstrar como suas interpretações foram construídas, apresentar evidências empíricas para os temas e manter coerência entre pergunta de pesquisa, teoria, epistemologia, procedimento analítico e conclusões.
As seis fases da análise temática de Braun e Clarke
Braun e Clarke (2006) apresentaram seis fases para condução da análise temática: 1) familiarização com os dados, 2) geração de códigos iniciais, 3) construção de temas, 4) revisão dos temas, 5) definição e 6) nomeação dos temas e elaboração do relatório. As autoras posteriormente enfatizaram que essas fases não devem ser compreendidas como uma sequência mecânica e irreversível. O processo é recursivo, sendo normal retornar aos dados, aos códigos e aos temas durante a análise (Braun; Clarke, 2022).
A familiarização exige contato intenso com o corpus. O pesquisador lê e relê entrevistas ou documentos, produz anotações e começa a identificar aspectos potencialmente relevantes para a pergunta da pesquisa. A análise, portanto, começa antes da criação formal dos códigos.
Em seguida ocorre a codificação. Códigos são atribuídos a segmentos considerados relevantes. Em uma perspectiva reflexiva, eles podem ser modificados, divididos, abandonados ou reinterpretados conforme a compreensão do corpus se aprofunda.
Retomemos as mesmas três falas utilizadas anteriormente. “Peço para a IA explicar e depois tento corrigir sozinho” poderia produzir códigos como “IA como explicadora”, “manutenção do esforço individual” e “apoio sem substituição”.
A afirmação “acabo só copiando” poderia produzir códigos como “terceirização da solução”, “redução do esforço cognitivo” e “dependência da resposta pronta”.
Finalmente, a prática de executar o código e procurar documentação poderia produzir códigos como “desconfiança produtiva”, “verificação externa” e “responsabilidade pela validação”.
Depois da codificação, inicia-se a construção dos temas. O pesquisador procura relações entre diferentes códigos e pergunta qual padrão de significado mais amplo está sendo produzido.
Nesse caso, “apoio sem substituição”, “terceirização da solução”, “dependência da resposta pronta”, “desconfiança produtiva” e “responsabilidade pela validação” poderiam contribuir para a construção de um tema denominado:
Entre apoio e dependência: a autonomia depende de como a IA é utilizada.
Observe que esse tema não corresponde simplesmente a uma categoria chamada “uso de IA”. Ele expressa uma ideia interpretativa, que neste caso expressa que os efeitos da ferramenta sobre a autonomia não estão necessariamente na tecnologia em si, mas nas práticas que o estudante estabelece ao utilizá-la.
Outro tema poderia ser:
Confiar na IA exige aprender a desconfiar dela.
Nesse caso, trechos relativos à execução de testes, comparação com documentação, identificação de respostas incorretas e revisão manual poderiam ser articulados em torno de um significado compartilhado: o uso competente da IA envolve mecanismos de verificação, e não confiança automática.
Durante a revisão, o pesquisador verifica se cada tema possui evidências suficientes, coerência interna e distinção em relação aos demais. Alguns temas podem desaparecer, outros podem ser unidos e outros ainda podem ser divididos.
Posteriormente, cada tema é definido e nomeado. Uma boa definição deve indicar claramente qual fenômeno o tema procura explicar e qual é sua ideia organizadora central. Braun e Clarke (2022) enfatizam que a qualidade do tema está relacionada à existência desse núcleo conceitual, e não simplesmente ao número de ocorrências de determinadas palavras.
A última fase corresponde à produção do relato analítico. Os trechos dos participantes não devem substituir a argumentação do pesquisador. A citação empírica funciona como evidência da interpretação apresentada, enquanto o texto analítico explica por que aquele fragmento é relevante e como se relaciona ao tema e à pergunta de pesquisa.
Análise de conteúdo e análise temática: onde está a diferença?
A proximidade entre os dois métodos explica parte da confusão existente. Ambos podem trabalhar com entrevistas, documentos, respostas abertas e outros materiais qualitativos. Ambos podem empregar codificação. Ambos podem identificar padrões. Ambos podem desenvolver estruturas progressivamente mais abstratas a partir do material. Entretanto, seu foco analítico pode ser diferente.
Na análise qualitativa de conteúdo, particularmente nas formulações de Bardin, Mayring e Schreier, existe forte preocupação com a organização sistemática do conteúdo por categorias, com definições e critérios explícitos de codificação. Essas categorias permitem descrever e posteriormente interpretar diferentes dimensões do material (Bardin, 2016; Mayring, 2000; Schreier, 2012).
Na análise temática reflexiva de Braun e Clarke, o objetivo central está na produção de padrões de significado compartilhado, capazes de oferecer uma interpretação coerente sobre o fenômeno investigado. A construção do tema tende, portanto, a possuir caráter mais explicitamente interpretativo e não deve ser confundida com simples classificação temática do conteúdo (Braun; Clarke, 2021; Braun; Clarke, 2022).
O exemplo sobre inteligência artificial permite visualizar essa diferença. Por exemplo:
- uma análise de conteúdo poderia apresentar categorias como Benefícios para aprendizagem, Riscos para autonomia e Estratégias de validação. Dentro dessas categorias seriam organizados os códigos correspondentes, permitindo descrever de maneira estruturada aquilo que apareceu no corpus.
- uma análise temática reflexiva poderia produzir temas como Entre apoio e dependência: a autonomia depende de como a IA é utilizada e Confiar na IA exige aprender a desconfiar dela. Nesse caso, o resultado procura formular argumentos interpretativos sobre relações existentes entre diferentes experiências descritas pelos participantes.
Nenhuma dessas soluções é necessariamente superior, pois elas respondem a finalidades diferentes. Se a pergunta for “Quais benefícios, riscos e estratégias de validação aparecem nos relatos dos estudantes sobre o uso de IA?”, uma análise qualitativa de conteúdo pode ser particularmente apropriada. Entretanto, se a pergunta for “Como estudantes significam a relação entre inteligência artificial e autonomia durante a aprendizagem de programação?”, uma análise temática reflexiva pode oferecer maior capacidade interpretativa. A escolha metodológica deve, portanto, decorrer da pergunta, e não do hábito do pesquisador.
O papel dos softwares de análise qualitativa
Ferramentas como NVivo, ATLAS.ti, MAXQDA e outros sistemas de análise qualitativa auxiliam na organização do corpus, codificação, recuperação de trechos e gerenciamento das categorias. Contudo, utilizar um software não significa que a análise foi realizada automaticamente.
Schreier (2012) observa que ferramentas computacionais podem apoiar diferentes etapas da análise qualitativa de conteúdo, enquanto Braun e Clarke enfatizam que a construção dos temas depende do trabalho interpretativo do pesquisador. O software organiza informações, mas ele não substitui a justificativa epistemológica nem a interpretação.
O mesmo princípio se aplica a ferramentas de inteligência artificial. Elas podem auxiliar na organização preliminar de dados ou na recuperação de informações, mas delegar integralmente a codificação e a construção de temas a um algoritmo cria problemas metodológicos importantes, sobretudo quando a abordagem pressupõe reflexividade e envolvimento interpretativo do pesquisador.
Como apresentar a análise em um artigo científico
Um artigo que utiliza análise qualitativa precisa tornar seu percurso analítico suficientemente transparente para que o leitor compreenda como os resultados foram produzidos.
Não é suficiente afirmar apenas que “os dados foram analisados segundo Bardin” ou que “foi empregada análise temática de Braun e Clarke”. É necessário explicar qual versão da abordagem foi utilizada, como o corpus foi constituído, qual foi a unidade analisada, como ocorreu a codificação, se as categorias foram indutivas, dedutivas ou híbridas e como aconteceu a passagem dos códigos para categorias ou temas.
No caso da análise temática, deve-se explicitar particularmente qual tradição está sendo utilizada. Braun e Clarke (2021) alertam que combinar princípios de análise temática reflexiva com procedimentos oriundos de abordagens de confiabilidade da codificação pode gerar incoerências metodológicas.
Também é inadequado utilizar simultaneamente diferentes autores como se apresentassem exatamente o mesmo método. Dizer simplesmente que uma pesquisa realizou “análise de conteúdo e temática conforme Bardin e Braun e Clarke” sem explicar a articulação metodológica tende a produzir ambiguidade. Bardin apresenta inclusive procedimentos de análise categorial temática dentro da tradição da análise de conteúdo, enquanto Braun e Clarke desenvolveram uma abordagem específica de análise temática. A semelhança dos termos não torna os modelos equivalentes. Portanto, o(a) pesquisador(a) precisa declarar efetivamente qual procedimento executou.
Conclusão
A análise qualitativa exige mais que leitura e descrição do material empírico. Seu rigor depende da existência de uma relação justificável entre problema de pesquisa, corpus, método analítico, codificação, interpretação e conclusões.
A análise de conteúdo oferece instrumentos especialmente úteis quando o(a) pesquisador(a) pretende organizar sistematicamente comunicações em categorias e produzir inferências fundamentadas a partir dessa organização. Bardin (2016) apresenta uma tradição fortemente difundida nas pesquisas brasileiras, enquanto Krippendorff (2018), Mayring (2000) e Schreier (2012) ampliam a discussão sobre contexto, inferência, construção de categorias e procedimentos qualitativos de codificação.
A análise temática, particularmente na tradição reflexiva desenvolvida por Braun e Clarke, concentra-se na construção de padrões de significado que ajudam a responder à pergunta de pesquisa. Seus temas não devem constituir simples agrupamentos de assuntos, mas interpretações organizadas em torno de conceitos centrais capazes de articular diferentes partes do corpus (Braun; Clarke, 2006; Braun; Clarke, 2022).
Consequentemente, análise de conteúdo e análise temática compartilham procedimentos, mas não devem ser tratadas como expressões intercambiáveis. A análise de conteúdo tende a conferir maior centralidade à categorização sistemática do material, enquanto a análise temática reflexiva enfatiza a construção interpretativa de padrões de significado.
A qualidade da pesquisa não depende de escolher a abordagem considerada mais sofisticada, mas de selecionar aquela coerente com a pergunta investigada e aplicá-la de forma metodologicamente consistente. Categorias e temas somente adquirem valor científico quando sua construção pode ser explicada, fundamentada e relacionada de maneira transparente às evidências empíricas e ao referencial teórico adotado.
Obrigado pela leitura e bons estudos!
Referências
BARDIN, Laurence. Análise de conteúdo. São Paulo: Edições 70, 2016.
BRAUN, Virginia; CLARKE, Victoria. Using thematic analysis in psychology. Qualitative Research in Psychology, v. 3, n. 2, p. 77-101, 2006. DOI: 10.1191/1478088706qp063oa.
BRAUN, Virginia; CLARKE, Victoria. Reflecting on reflexive thematic analysis. Qualitative Research in Sport, Exercise and Health, v. 11, n. 4, p. 589-597, 2019. DOI: 10.1080/2159676X.2019.1628806.
BRAUN, Virginia; CLARKE, Victoria. Can I use TA? Should I use TA? Should I not use TA? Comparing reflexive thematic analysis and other pattern-based qualitative analytic approaches. Counselling and Psychotherapy Research, v. 21, n. 1, p. 37-47, 2021. DOI: 10.1002/capr.12360.
BRAUN, Virginia; CLARKE, Victoria. One size fits all? What counts as quality practice in (reflexive) thematic analysis? Qualitative Research in Psychology, v. 18, n. 3, p. 328-352, 2021. DOI: 10.1080/14780887.2020.1769238.
BRAUN, Virginia; CLARKE, Victoria. Thematic analysis: a practical guide. London: SAGE, 2022.
KRIPPENDORFF, Klaus. Content analysis: an introduction to its methodology. 4. ed. Thousand Oaks: SAGE Publications, 2018.
MAYRING, Philipp. Qualitative content analysis. Forum Qualitative Sozialforschung / Forum: Qualitative Social Research, v. 1, n. 2, art. 20, 2000. DOI: 10.17169/fqs-1.2.1089.
POLAND, Blake D. Transcription quality as an aspect of rigor in qualitative research. Qualitative Inquiry, v. 1, n. 3, p. 290-310, 1995. DOI: 10.1177/107780049500100302.
SCHREIER, Margrit. Qualitative content analysis in practice. London: SAGE Publications, 2012.
