Navegar todos os tópicos e autores

Descobrir temas em dados qualitativos pode ser assustador e difícil. Resumir um estudo quantitativo é relativamente claro: você pontuou 25% melhor do que a concorrência, digamos assim. Mas como resumir uma coleção de observações qualitativas?

Na fase inicial de um projeto, a pesquisa exploratória é frequentemente realizada. Esta pesquisa muitas vezes produz muitos dados qualitativos, que podem incluir:

Dados de atitude qualitativa, tais como pensamentos, crenças e necessidades auto-relatadas das pessoas obtidas a partir de entrevistas com usuários, grupos focais e até mesmo estudos diários

Dados de comportamento qualitativo, tais como observações sobre o comportamento das pessoas recolhidas através de inquéritos contextuais e outras abordagens etnográficas

Análise temática, que qualquer pessoa pode fazer, torna visíveis aspectos importantes dos dados qualitativos e facilita a descoberta de temas.

O que é uma Análise Temática?

Definição: A Análise Temática é um método sistemático de decomposição e organização de dados ricos de pesquisa qualitativa através da marcação de observações individuais e citações com códigos apropriados, para facilitar a descoberta de temas significativos.

Como o nome implica, uma análise temática envolve a descoberta de temas.

Definição: Um tema:

• é uma descrição de uma crença, prática, necessidade ou outro fenómeno que é descoberto a partir dos dados
• emerge quando os resultados relacionados aparecem várias vezes entre os participantes ou fontes de dados

Desafios com Análise de Dados Qualitativos

Muitos investigadores sentem-se sobrecarregados com dados qualitativos de pesquisas exploratórias conduzidas nas fases iniciais de um projecto. A tabela abaixo destaca alguns desafios comuns e questões resultantes.

CHALLENGES	RESULTING ISSUES
Large quantity of data: Qualitative research results in long transcripts and extensive field notes that can be time-consuming to read; you may have a hard time seeing patterns and remembering what’s important.	Superficial analysis: Analysis is often done very superficially, just skimming topics, focusing on only memorable events and quotes, and missing large sections of notes.
Rich data: There are lots of detail within every sentence or paragraph. It can be hard to see which details are useful and which are superfluous.	Analysis becomes a description of many details: The analysis simply becomes a regurgitation of what participants’ may have said or done, without any analytical thinking applied to it.
Contradicting data: Às vezes os dados de diferentes participantes ou mesmo do mesmo participante contêm contradições que os pesquisadores têm que fazer sentido.	Findings não são definitivos: A análise não é definitiva porque o feedback dos participantes é conflitante, ou, pior, os pontos de vista que não se encaixam na crença do pesquisador são ignorados.
Nenhuma meta definida para a análise: Os objectivos da recolha inicial de dados são perdidos porque os investigadores podem facilmente tornar-se demasiado absorvidos nos detalhes.	Perda de tempo e análise mal orientada: A análise carece de foco e os relatórios de pesquisa sobre a coisa errada.

Sem alguma forma de processo sistemático, os problemas delineados surgem facilmente ao analisar dados qualitativos. A análise temática mantém os pesquisadores organizados e focados e lhes dá um processo geral a seguir ao analisar dados qualitativos.

Ferramentas e Métodos para Conduzir Análise Temática

Uma análise temática pode ser feita de muitas maneiras diferentes. A melhor ferramenta ou método para este processo é determinado com base no:

• dados
• contexto e restrições da fase de análise de dados
• estilo pessoal de trabalho do pesquisador

3 métodos comuns incluem:

• Utilizar software
• Journaling
• Utilizar técnicas de diagramação de afinidade

Utilizar software

Para analisar grandes quantidades de dados qualitativos, os investigadores qualitativos usam frequentemente software, conhecido como CAQDAS (Computer-Aided Qualitative-Data-Analysis software) – pronuncia-se “cak∙das”. Os pesquisadores carregam transcrições e notas de campo em um programa de software e depois analisam o texto sistematicamente através de uma codificação formal. O software ajuda na descoberta de temas, oferecendo várias ferramentas de visualização, tais como árvores de palavras ou nuvens de palavras, que permitem que os dados codificados sejam manipulados de muitas maneiras diferentes.

Benefícios

• A análise é muito completa.
• Um arquivo físico de projeto (que contém os dados brutos e a análise) pode ser compartilhado com outros. (Este método é popular em projetos estudantis em instituições acadêmicas.)

Drawbacks

• Time-consuming, pois resulta em muitos códigos que precisam ser condensados em um pequeno, lista administrável
• Expensive
• Dificilmente analisável com outros sincronamente
• Requer algum aprendizado do software
• Pode se sentir restritivo

Journaling

Escrever processos de pensamento e idéias que você tem sobre um texto é comum entre pesquisadores que praticam metodologia de teoria fundamentada. Journaling as a form of thematic analysis is based on this methodology and involves manual annotation and highlighting of the data, followed by writing down the researchers’ ideas and thought processes. The notes are known as memos (not to be confused with the office memo delivering news to employees).

Benefits

• The process encourages reflection through the writing of detailed notes.
• Researchers have a record of how they arrived at their themes.
• The analysis is cheap and flexible.

Drawbacks

• Hard to do collaboratively

Affinity-Diagramming Techniques

The data is highlighted, cut out physically or digitally, and reassembled into meaningful groups until themes emerge on a physical or digital board. (See a video demonstrating affinity-diagramming.)

Benefits

• Can be done collaboratively
• Quick arriving at themes
• Cheap and flexible
• Visual, e suporta um processo de análise iterativo

Drawbacks

• Não tão completo como outros métodos, já que muitas vezes segmentos de texto não são codificados várias vezes
• Dificilmente se pode fazer quando os dados são muito variados, ou há muitos dados

Códigos e Codificação

Todos os métodos de análise temática assumem alguma quantidade de codificação (não confundir com a escrita de um programa em uma linguagem de programação).

Definição: Um código é uma palavra ou frase que age como uma etiqueta para um segmento de texto.

Um código descreve o que é o texto e é uma abreviação para informações mais complicadas. (Uma boa analogia é que um código descreve dados como uma palavra-chave descreve um artigo ou como uma hashtag descreve um tweet). Muitas vezes, pesquisadores qualitativos não só terão um nome para cada código, mas também uma descrição do que o código significa e exemplos de texto que se encaixam ou não no código. Essas descrições e exemplos são especialmente úteis se mais de uma pessoa for responsável pela codificação dos dados ou se a codificação for feita durante um período de tempo maior.

Definição: A codificação refere-se ao processo de rotulagem de segmentos de texto com os códigos apropriados.

Códigos once são atribuídos, é fácil identificar e comparar segmentos de texto que são mais ou menos a mesma coisa. Os códigos permitem-nos ordenar facilmente as informações e analisar os dados para descobrir semelhanças, diferenças e relações entre segmentos. Podemos então chegar a uma compreensão dos temas essenciais.

Tipos de código: Descritivo e Interpretativo

Códigos podem ser:

• Descritivo: Eles descrevem o que são os dados
• Interpretativo: Eles são uma leitura analítica dos dados, adicionando a lente interpretativa do pesquisador.

Para ver exemplos de códigos descritivos e interpretativos, vamos olhar para uma citação de uma entrevista que fiz com um profissional UX no início deste ano (como parte de nossa pesquisa UX Careers, a ser publicada em nosso relatório UX Careers).

“Fiquei petrificado por facilitar uma reunião e a minha empresa ofereceu um curso de um dia e meio. Então, eu fui lá e o instrutor fez algo que eu sentia que era horrível na época, mas desde então eu realmente passei a apreciá-lo. A primeira coisa que fizemos foi preencher uma folha de papel com o nosso nome e anotar o nosso pior medo de moderar ou facilitar e depois ele disse, ok, amanhã você vai agir nesta situação (…) no dia seguinte nós voltamos e eu saía da sala enquanto o resto da equipe lia, eles liam o meu pior medo, descobriam como iriam agir, e depois eu entrava e facilitava por 10 minutos com isso. E isso realmente me ajudou a perceber que não há nada a temer, que nossos medos estão realmente em nossa cabeça a maior parte do tempo e enfrentando isso me fez perceber que eu posso lidar com essas situações”

Existem códigos descritivos e interpretativos possíveis para o texto acima:

Código descritivo: como as habilidades são adquiridas
Ratificação por trás da etiqueta do código: Foi pedido aos participantes que descrevessem como passaram a possuir certas habilidades.

Código interpretativo: auto-reflexão
Ratificação por trás da etiqueta de código: A participante descreve como essa experiência mudou suas crenças sobre facilitação e como ela refletiu sobre seu medo.

Passos para Conduzir uma Análise Temática

Independentemente da ferramenta que você usa (software, jornalismo ou diagrama de afinidade), o ato de conduzir uma análise temática pode ser dividido em 6 passos.

Step 1: Gather All Your Data

Start with the raw data, such as interview or focus-group transcripts, field notes, or diary study entries. Eu recomendei transcrever gravações de áudio de entrevistas e usar as transcrições para análise em vez de confiar na memória irregular.

Passo 2: Leia Todos os Seus Dados do Início ao Fim

Familiarize-se com os dados antes de começar a análise, mesmo que tenha sido você a realizar a pesquisa. Leia todas as suas transcrições, notas de campo, e outras fontes de dados antes de analisá-los. Nesta etapa, você pode envolver a sua equipe no projeto. Envolver sua equipe instila conhecimento dos usuários e empatia por eles e suas necessidades.

Executar um workshop (ou uma série de workshops se sua equipe for muito grande ou se você tiver muitos dados). Siga estes passos:

1. Antes que os membros da sua equipe se envolvam com os dados, escreva suas perguntas de pesquisa em um quadro branco ou pedaço de flipchart para facilitar a consulta das perguntas durante o trabalho.
2. Dê a cada membro uma transcrição ou uma entrada de estudo de campo ou diário. Diga às pessoas para destacar qualquer coisa que elas achem importante.
3. Quando os membros da equipe tiverem terminado de ler suas entradas, eles podem passar sua transcrição ou entrada para outra pessoa e receber uma nova de outro membro da equipe. Este passo é repetido até que todos os membros da equipe tenham se envolvido com todos os dados.
4. Discutam como um grupo o que você notou ou achou surpreendente.

p>Embora seja melhor que sua equipe observe todas as suas sessões de pesquisa, isso pode não ser possível se você tiver muitas sessões ou uma grande equipe. Quando membros individuais da equipe observam apenas um punhado de sessões, eles às vezes se afastam com uma compreensão incompleta dos resultados. O workshop pode resolver esse problema, já que todos irão ler todas as transcrições das sessões.

Passo 3: Codifique o texto com base no que se trata

Na etapa de codificação, as seções destacadas precisam ser categorizadas para que as seções destacadas possam ser facilmente comparadas.

Nesta etapa, lembre-se dos objetivos de sua pesquisa. Imprima as perguntas da sua pesquisa. Coloque-as em uma parede ou em um quadro branco na sala onde você está conduzindo a análise.

Se você tiver tempo suficiente, você pode envolver sua equipe nesta etapa inicial de codificação. Se o tempo for limitado e houver muitos dados a serem trabalhados, então faça este passo por você mesmo e convide sua equipe mais tarde para revisar seus códigos e ajudar a aprofundar os temas.

Como você está codificando, revise cada segmento de texto e se pergunte “Do que se trata? Dê ao fragmento um nome que descreva os dados (um código descritivo). Você também pode adicionar códigos interpretativos ao texto nesta fase. No entanto, estes códigos serão normalmente mais fáceis de atribuir mais tarde.

O código pode ser criado antes ou depois de ter agrupado os dados. As próximas duas seções desta etapa descrevem como e quando você pode adicionar os códigos.

Método Tradicional: Create Codes Before Grouping

Na abordagem tradicional, ao destacar segmentos dos dados, como sentenças, parágrafos, frases, codifica-os. É útil manter um registro de todos os códigos utilizados e delinear o que eles são, para que você possa consultar esta lista ao codificar outras seções do texto (especialmente se várias pessoas estão codificando o texto). Essa abordagem evita a criação de múltiplos códigos (que posteriormente precisarão ser consolidados) para o mesmo tipo de problema.

Após todo o texto ter sido codificado, você pode agrupar todos os dados que têm o mesmo código.

Se você estiver usando CAQDAS para esse processo, então o software registra automaticamente os códigos que você atribui durante a codificação, para que você possa usá-los novamente. Ele então fornece uma maneira de visualizar todos os textos codificados com o mesmo código.

Quick Method: Agrupar Segmentos de Texto, Depois Atribuir um Código

Código do que aparecer com um código quando você destacar o texto, você corta (fisicamente ou digitalmente) e agrupa todos os segmentos similares destacados (de forma similar a como diferentes stickies podem ser agrupados em um mapa de afinidade). Os agrupamentos recebem então um código. Se você estiver fazendo o agrupamento digitalmente, você pode puxar seções codificadas para um novo documento ou uma plataforma de colaboração visual.

Nas figuras abaixo, o agrupamento foi feito manualmente. As transcrições foram cortadas, fixadas em stickies, e movidas ao redor do quadro até caírem em grupos de tópicos naturais. O pesquisador então atribuiu um sticky rosa com um código descritivo ao agrupamento.

No final deste passo, você deve ter os dados agrupados por tópicos e códigos para cada tópico.

Vejamos um exemplo. Eu entrevistei 3 pessoas sobre a sua experiência de cozinhar em casa. Nessas entrevistas, os participantes falaram sobre como eles escolheram cozinhar certas coisas e não outras. Eles falaram sobre desafios específicos que enfrentaram enquanto cozinhavam (por exemplo, necessidades dietéticas, orçamentos apertados, falta de tempo e espaço físico) e sobre soluções para alguns desses desafios.

Após agrupar os recortes destacados das minhas entrevistas por tópico, acabei com 3 códigos descritivos amplos e agrupamentos correspondentes:

• Experiências de culinária: experiências positivas e negativas memoráveis relacionadas à culinária
• Pontos de dor: qualquer coisa que impeça alguém de cozinhar ou dificulte a culinária (incluindo restrições dietéticas de navegação, orçamentos limitados, etc.).)
• Coisas que ajudam: o que ajuda (ou acredita-se que possa ajudar) alguém a superar desafios específicos ou pontos de dor

Passo 4: Criar Novos Códigos que Encapsulam Temas Potenciais

Localize todos os códigos e explore quaisquer relações causais, semelhanças, diferenças ou contradições para ver se você pode descobrir os temas subjacentes. Ao fazer isso, alguns dos códigos serão colocados de lado (arquivados ou excluídos) e novos códigos interpretativos serão criados. Se você estiver usando uma abordagem de mapeamento físico como a discutida no passo 3, então alguns desses agrupamentos iniciais podem colapsar ou expandir à medida que você procura por temas.

Faça você mesmo as seguintes perguntas:

• O que está acontecendo em cada grupo?
• Como esses códigos estão relacionados?
• Como é que estes se relacionam com as minhas questões de pesquisa?

Voltando ao nosso tópico de culinária, ao analisar o texto dentro de cada grupo e ao procurar relações entre os dados, reparei que dois participantes disseram que gostaram de ingredientes que podem ser preparados de formas diferentes e combinar bem com outros ingredientes diferentes. Uma terceira participante falou sobre desejar ter um conjunto de ingredientes que possam ser usados para muitas refeições diferentes ao longo da semana, em vez de ter que comprar ingredientes separados para cada plano de refeição. Assim, surgiu um novo tema sobre a flexibilidade dos ingredientes. Para este tema, eu criei o código “um ingrediente serve a todos”, para o qual escrevi uma descrição detalhada.

Step 5: Faça uma pausa por um dia, depois retorne aos dados

É quase sempre uma boa idéia fazer uma pausa e voltar e olhar para os dados com um par de olhos fresco. Fazer isso às vezes ajuda você a ver padrões significativos nos dados com clareza e a obter insights revolucionários.

Passo 6: Avalie seus temas para um bom ajuste

Neste passo, pode ser útil ter outros envolvidos para ajudá-lo a rever seus códigos e temas emergentes. Não só novas percepções são tiradas, mas as suas conclusões podem ser desafiadas e criticadas por olhos e cérebros frescos. Esta prática reduz o potencial da sua interpretação ser colorida por preconceitos pessoais.

Ponha os seus temas sob escrutínio. Faça a si mesmo estas perguntas:

• O tema é bem suportado pelos dados? Ou você poderia encontrar dados que não suportam o seu tema?
• O tema está saturado com muitas instâncias?
• Os outros concordam com os temas que você encontrou nos dados após analisar os dados separadamente?

Se a resposta a estas questões for não, isso pode significar que você precisa retornar ao quadro de análise. Assumindo que você coletou dados sólidos, quase sempre há algo a ser aprendido, então gastar mais tempo com sua equipe repetindo os passos 4-6 valerá a pena.

Conclusion

Utilizar a análise temática como um guia útil para percorrer de forma eficiente muitos dados qualitativos. Não há nenhuma maneira de fazer uma análise temática. Escolha um método de análise adequado ao tipo e volume de dados que você coletou. Quando possível, convide outros para o processo de análise para aumentar a precisão da análise e o conhecimento da sua equipe sobre os comportamentos, motivações e necessidades dos seus usuários. A análise pode ser um processo longo, por isso uma boa regra geral é orçar tanto tempo quanto você tinha para a coleta de dados para completar a análise.

Aprenda mais: Entrevistas com usuários, técnicas avançadas para descobrir valores, motivações e desejos, um curso de um dia inteiro na Conferência UX.