Parte 2: COMPONENTES DE DESENHOS DE PESQUISA QUANTITATIVA

Compreender o papel e o significado dos desenhos de pesquisa é crucial para uma pesquisa eficaz. O desenho abrange todo o processo de investigação, desde o enquadramento da pergunta até à análise e reporte de dados.

Existem duas questões fundamentais de investigação: a investigação descritiva, que explora o que está a acontecer, e a investigação explicativa, que se centra no porquê de as coisas estarem a acontecer.

A pesquisa descritiva pode ser vantajosa, especialmente quando se exploram novas áreas, pois pode provocar perguntas de "porquê" para a pesquisa explicativa. A pesquisa explicativa envolve o desenvolvimento de explicações causais que argumentam que um fator específico afeta um determinado fenômeno. Por exemplo, o género pode afetar os níveis de rendimento. No entanto, a complexidade das explicações causais pode variar, e variáveis ocultas ou não medidas podem estar em jogo.

É importante notar que as pessoas muitas vezes confundem correlação com causalidade. Quando dois eventos estão ligados, isso não implica necessariamente que um causa o outro. A ligação entre eles pode ser coincidente e não causal. Portanto, é crucial compreender a distinção entre correlação e causalidade para realizar pesquisas eficazes.

(2013) organizar o processo/conceção de um estudo, como mostra a Figura 6. Tudo começa com a especificação da Questão de Investigação, ou seja, o problema que o projeto tentará resolver e o conhecimento para o qual contribuirá ou iniciará.

Diretamente resultante da revisão da literatura, ela deve ser imediatamente "traduzida" em questões de pesquisa, ou seja, hipóteses que determinarão o que será medido, a partir de quais fontes de informação e com que metodologias. As hipóteses de investigação são sistemas de variáveis cujos conjuntos, embora apenas parcialmente exaustivos, abrangem as principais dimensões do fenómeno em análise. Eles também esclarecem as relações propostas entre essas variáveis que precisam ser testadas. Com isso, a seguinte tarefa muito relevante e exigente é operacionalizar (tornando mensuráveis) as variáveis cujas relações serão testadas (escalas).

Uma vez especificada a pergunta de pesquisa, definidos os conceitos (variáveis), latentes ou diretamente observáveis, cujas relações serão testadas e especificadas as medidas com as quais cada uma delas será capturada, é essencial definir quais unidades de informação conterão a informação requerida (secundária ou primária).

Estudos quantitativos (experimentais/não experimentais) também devem definir o método de amostragem (aleatório/não aleatório) que será aplicado a essa "população" e o tamanho e características dos grupos (não experimental; experimental; controle) que serão ouvidos. Com esse conhecimento, o pesquisador deve decidir qual plano concreto de coleta de informações deve ser adotado: correlacional/levantamento (transversal; longitudinal) ou experimental.

A recolha de informação (questionário) é complexa, suscetível de acrescentar "erros" e dependente da experiência do investigador. Por todas estas razões, aconselha-se a utilização de escalas já validadas em estudos anteriores sempre que possível, reforçando a sua fiabilidade e validade.

Uma vez disponível a informação organizada, os dados serão submetidos a análises ajustadas e planeadas para testar as hipóteses de investigação (descritiva, univariada, multivariada, inferencial). Os resultados obtidos devem então ser descritos e interpretados para, em conclusão, serem "convertidos" em resposta(s) à Pergunta de Investigação inicial que desencadeou todo o processo.

Entender se uma pergunta de pesquisa é descritiva ou explicativa é crucial, pois afeta significativamente o desenho da pesquisa e as informações coletadas. Os investigadores devem desenvolver explicações causais ao responderem às perguntas "porquê". As explicações causais tentam provar que um determinado fator X, como o sexo, afeta um fenômeno Y, como o nível de renda. Enquanto algumas explicações causais podem ser simples, outras podem ser mais complexas.

Ao lidar com previsões, os pesquisadores devem distinguir entre correlação e causalidade. É um erro comum supor que dois eventos estão causalmente relacionados apenas porque ocorrem juntos, ou um segue o outro. A correlação é provavelmente coincidente e não indica uma relação causal.

A distinção entre causalidade e correlação é essencial para compreender com precisão a previsão, a causalidade e a explicação. É importante notar que uma previsão precisa nem sempre requer uma relação causal, e a capacidade de fazer uma previsão não prova necessariamente uma relação causal. Confundir estes conceitos pode levar a uma falta de compreensão e a conclusões incorretas.

Reconhecer a diferença entre correlação e causalidade é essencial porque podemos observar correlação, mas observar diretamente a causalidade. Portanto, devemos inferir a causa, tornando evitar inferências inválidas um objetivo primário do desenho da pesquisa explicativa.

Existem duas abordagens para a causalidade: determinística e probabilística. Na causalidade determinística, a variável X causa Y sem exceção se produzir Y de forma confiável. Esta abordagem visa estabelecer leis causais, como a regra de que a água ferve a 100ºC.

No entanto, a maior parte do pensamento causal em ciências sociais é probabilístico e não determinista. Podemos melhorar as explicações probabilísticas especificando as condições sob as quais um fator é mais ou menos provável de afetar outro. No entanto, nunca conseguiremos explicações completas ou deterministas. Dois eventos estão causalmente relacionados porque ocorrem juntos ou seguem o outro. A correlação é provavelmente coincidente e não indica uma relação causal.

Confundir causalidade com correlação pode levar à compreensão da previsão, causalidade e explicação. A previsão precisa não requer necessariamente uma relação causal, e a capacidade de prever não prova causalidade.

Os objetivos de investigação podem ser únicos ou múltiplos e podem ser abordados de forma síncrona ou diacrónica (do 1º ao 4º).

A investigação quantitativa centra-se na medição e assume que o objeto da investigação pode ser quantificado. O seu principal objetivo é fornecer dados abrangentes através da medição, analisar os dados em busca de padrões e ligações e verificar a sua exatidão. O escopo da pesquisa quantitativa varia de atributos facilmente quantificáveis, como altura e peso, a elementos mais intangíveis, como emoções e pensamentos humanos.

A abordagem de pesquisa quantitativa é altamente precisa e lógica, utilizando a análise estatística em toda a sua extensão. A sua capacidade de testar teorias através da formulação de hipóteses e da análise estatística formal distingue-a como metodologia. É especialmente útil na medição de variáveis como altura, peso, atitude e bem-estar, diferenciando entre classificações independentes e dependentes e capturando a influência da primeira sobre a segunda. Várias teorias de medição hierárquica também são empregadas para adquirir diversos tipos de medição (Tab. 4).

No seu nível mais básico, a classificação nominal categoriza os dados sem análise quantitativa. À medida que avançamos para a medição ordinal, introduzimos uma estrutura hierárquica nos dados, embora este método possa exigir mais precisão. Contamos com medições intervalares e de nível de razão para aumentar a precisão, embora gerar uma relação possa ser um desafio ao estudar fenômenos sociais. As medidas ordinais e intervalares são as técnicas mais utilizadas na pesquisa quantitativa.

Independentemente do método de medição, os erros são obrigados a ocorrer. Esses erros podem ter origem em várias fontes, incluindo erros de instrumentos, humanos e aleatórios.

Embora seja possível reduzir erros de instrumentos e humanos, é impossível controlar erros aleatórios. Portanto, é essencial considerar erros aleatórios ao projetar e usar qualquer instrumento. Os erros instrumentais e humanos podem manifestar-se de duas maneiras: dentro do instrumento (ou dentro do operador humano), o que significa que o mesmo instrumento pode produzir resultados variáveis em configurações diferentes, ou inter-instrumento (ou humano-para-humano), o que significa que dois instrumentos aparentemente idênticos podem produzir resultados diferentes.

Da mesma forma, erros humanos implicam que indivíduos que utilizam o mesmo instrumento podem obter resultados divergentes com diferentes vantagens. Por outro lado, erros de instrumento implicam que duas pessoas usando o mesmo instrumento podem obter profundidades diferentes simultaneamente. Embora os erros não possam ser eliminados, podem ser minimizados.

Os instrumentos eficazes devem ser concebidos de modo a minimizar os seus erros. Na pesquisa social, isso significa garantir que questionários observacionais e listas de verificação sejam facilmente compreendidos e que as perguntas sejam respondidas com precisão.

Ao projetar instrumentos, é crucial equilibrar "autenticidade" e "diretividade". Um instrumento autêntico mede tanto quanto possível um fenómeno, mas corre o risco de se tornar indireto, enquanto um instrumento direto se concentra apenas em elementos diretamente relacionados com o fenómeno, podendo perder alguma autenticidade (Watson, 2015).