Prévia do material em texto
ESTATÍSTICA APLICADA À EDUCAÇÃO FÍSICA 2 SUMÁRIO 1 INTRODUÇÃO ........................................................................................................ 4 2 ESTUDOS DE COMUNICAÇÃO: LINGUAGEM, COMUNICAÇÃO, PENSAMENTO, EXPRESSÃO, SOCIEDADE E CULTURA ................... Erro! Indicador não definido. 2.1 Mediação Simbólica e Comunicação ................. Erro! Indicador não definido. 2.2 Linguagem e Pensamento ................................. Erro! Indicador não definido. 2.3 O modelo mais aceito dentro da linguística escolarErro! Indicador não definido. 2.4 O biológico e o cultural: os desdobramentos dos pensamentos de Vygotsky Erro! Indicador não definido. 2 FALA E A ESCRITA, MODALIDADES DA LÍNGUA ................................................ 5 2.1 Modalidades de linguagem: Fala e escrita ......... Erro! Indicador não definido. 2.2 Linguagem social ............................................... Erro! Indicador não definido. 3 INTERPRETAÇÃO E PRODUÇÃO TEXTUAL ......... Erro! Indicador não definido. 4 TIPOLOGIA TEXTUAL ............................................. Erro! Indicador não definido. 4.1 Tipo .................................................................... Erro! Indicador não definido. 4.2 Subtipo ............................................................... Erro! Indicador não definido. 4.3 Gênero ............................................................... Erro! Indicador não definido. 4.4 Espécie .............................................................. Erro! Indicador não definido. 5 ESTRUTURA E PRODUÇÃO DE PARÁGRAFOS .. Erro! Indicador não definido. 5.1 Estrutura e características de um parágrafo ...... Erro! Indicador não definido. 5.2 Estrutura textual ................................................. Erro! Indicador não definido. 5.3 Elementos textuais ............................................ Erro! Indicador não definido. 6 GRAMÁTICA DA LÍNGUA PORTUGUESA ............. Erro! Indicador não definido. 6.1 Ortografia e pontuação ...................................... Erro! Indicador não definido. 6.2 Concordância nominal e verbal ......................... Erro! Indicador não definido. 7 ESTUDOS DE GRAMÁTICA: FLEXÃO ................... Erro! Indicador não definido. 3 7.1 O ensino de flexão verbal .................................. Erro! Indicador não definido. 7.2 Regência verbal ................................................. Erro! Indicador não definido. 7.3 Regência nominal .............................................. Erro! Indicador não definido. 7.4 Pronomes .......................................................... Erro! Indicador não definido. 8 REDAÇÃO EMPRESARIAL ..................................... Erro! Indicador não definido. 8.1 Princípio básico do texto comercial ................... Erro! Indicador não definido. 8.2 Eficiência do texto .............................................. Erro! Indicador não definido. 8.2 Características dos textos empresariais modernos Erro! Indicador não definido. 3 REFERÊNCIAS BIBLIOGRÁFICAS ...................................................................... 48 4 1 INTRODUÇÃO Prezado aluno! O Grupo Educacional FAVENI, esclarece que o material virtual é semelhante ao da sala de aula presencial. Em uma sala de aula, é raro – quase improvável - um aluno se levantar, interromper a exposição, dirigir-se ao professor e fazer uma pergunta, para que seja esclarecida uma dúvida sobre o tema tratado. O comum é que esse aluno faça a pergunta em voz alta para todos ouvirem e todos ouvirão a resposta. No espaço virtual, é a mesma coisa. Não hesite em perguntar, as perguntas poderão ser direcionadas ao protocolo de atendimento que serão respondidas em tempo hábil. Os cursos à distância exigem do aluno tempo e organização. No caso da nossa disciplina é preciso ter um horário destinado à leitura do texto base e à execução das avaliações propostas. A vantagem é que poderá reservar o dia da semana e a hora que lhe convier para isso. A organização é o quesito indispensável, porque há uma sequência a ser seguida e prazos definidos para as atividades. Bons estudos! 5 2 CONCEITOS BÁSICOS DE ESTATÍSTICA Fenômeno É tudo aquilo observável pelos sentidos ou pela consciência. Exemplos: Uma fruta que cai de uma árvore, uma pessoa que nasce, uma mistura de leite com café́, a incidência de uma doença, o comportamento das pessoas numa loja, o consumo de certo produto, a oferta de certo produto, a demanda por certo produto, o lucro de uma empresa, o peso de uma criança ao nascer, etc. Ciência É o conjunto orgânico de conhecimentos sobre os fenômenos e suas relações recíprocas. Ciência Estatística A Estatística é a ciência que estuda um determinado tipo de fenômeno: os fenômenos coletivos ou de massa. É, então, o conjunto de métodos e processos quantitativos que serve para estudar e medir os fenômenos coletivos ou de massa (COSTA, 2015). Fenômenos coletivos ou de massa São os que não possuem regularidade na observação de casos isolados, mas na massa de observações. Exemplo: Em geral, quando estudamos uma ou mais características de um conjunto de elementos, chamado população, estamos diante de um fenômeno coletivo ou de massa: as notas em matemática dos alunos de uma turma, o nível socioeconômico 6 dos consumidores de um produto, renda dos brasileiros, lucro de empresas cariocas, gênero dos torcedores de um clube de futebol, oferta de certo produto por parte de empresas fornecedoras e nível de demanda de empréstimos consignados por servidores públicos. População É constituída por um conjunto de elementos que possuem, pelo menos, uma característica em comum de interesse para ser estudada estatisticamente. Amostra É um subconjunto finito da população, selecionado adequadamente para representá-lá. Para que as conclusões sobre a população sejam fornecidas adequadamente pelas amostras é necessário que elas sejam representativas da população. Amostras representativas são aquelas que são verdadeiras miniaturas da população, isto é, têm todas as características da população, mas em menor escala. Para obter amostras representativas, existem diversos métodos de extração disponíveis. No entanto, os mais eficazes são aqueles nos quais os elementos que irão compor a amostra são selecionados de forma aleatória, por meio de sorteio (COSTA, 2015). 7 Exemplos: • Num estudo sobre satisfação por certo serviço oferecido por uma empresa, a amostra é constituída por parte dos clientes (aqueles que utilizaram) desse serviço; • Num estudo sobre hábitos de fumar de clientes de um hotel, a amostra será́ formada por parte dos clientes dessa empresa. • Num estudo sobre conteúdo dos e-mails de sua caixa-postal, a amostra será uma parte representativa do conjunto de e-mails de sua caixa postal. Levantamentos Estatísticos A Estatística possui dois tipos de levantamentos: Censo Estudo de uma população com base em todos os seus elementos. Exemplo: No Brasil, o Instituto Brasileiro de Geografia e Estatística (IBGE) realiza, de dez em dez anos, o traço do perfil demográfico e socioeconômico da população brasileira. O objetivo principal do levantamento é atualizar os dados estatísticos populacionais no intuito de orientar políticas e ações públicas com informações atualizadas sobre a população. Outros Exemplos: • Quando estudamos características de banco de dados relacionais através do exame exaustivo de seus registros, estamos diante de um censo. • Quando estudamos o desempenho dos programas criados por diferentes analistas de sistemas de uma grande empresa, periciando todos os computadores-alvo da pesquisa.8 • Quando estudamos os motivos de exclusões de perfis do Facebook através da observação de todos os Facebooks excluídos. Amostragem É o estudo de uma população com base em uma parte representativa da mesma, isto é, com base numa amostra. Exemplos: • Quando estudamos características de banco de dados relacionais através do exame de uma parte representativa de seus registros, estamos diante de uma amostragem. • Quando estudamos o desempenho dos programas criados por diferentes analistas de sistemas de uma grande empresa, periciando uma amostra dos computadores alvo da pesquisa. • Quando estudamos os motivos de exclusões de perfis do Facebook através da observação de amostra dos Facebooks excluídos. Razões para o Uso da Amostragem • A população é infinita, ou considerada como tal, não podendo, portanto, ser analisada na íntegra. • Custo excessivo do processo de recolha e tratamento dos dados, como resultado da grande dimensão da população ou da complexidade do processo de caracterização de todos os elementos da população. • Tempo excessivo do processo de recolhimento e tratamento dos dados, conduzindo à obtenção de informação desatualizada. • As populações são dinâmicas, de onde resulta que os elementos ou objetos da população estão em constante renovação, de onde resulta a impossibilidade de analisar todos os elementos desta população. • Recolhimento de informação por processos destrutivos (que, se aplicada exaustivamente, conduziria à completa destruição da população). • Inacessibilidade a alguns elementos da população, por diversas causas. Exemplo 1: Como exemplo, temos o caso de uma fábrica de automóveis que, pelas questões apontadas acima, não efetua inspeção e ensaios em 100% dos itens que 9 serão agregados ao automóvel; faz as verificações de qualidade e conformidade em momentos específicos durante a produção, seja no início, meio ou fim. Logo no início do processo produtivo, é efetuada uma inspeção (usando técnicas de amostragem) dos lotes de produtos recebidos. Exemplo 2: Outro exemplo interessante do uso de técnicas de amostragem é o manejo sustentável de áreas florestais com fins extrativistas. Nesse caso, numa floresta definem-se áreas de controle (a amostra), mede-se a densidade florestal dessas áreas e extrapola-se o resultado para toda a mata. Podem-se assim conhecer com boa precisão o número de espécies vegetais encontradas e sua idade média, dentro outros aspectos. Importância da Amostra Portanto, se a constituição da amostra obedecer a determinadas condições, a análise das características da amostra pode servir para se conhecer como se comporta a característica na população (COSTA, 2015). Divisão da Estatística A Estatística se divide em dois ramos: Estatística Descritiva É a parte da Estatística com o objetivo de descrever os dados observados, isto é: Obtenção dos dados. Redução dos dados. Representação dos dados. É atributo da Estatística Descritiva a obtenção de algumas informações como médias, proporções, dispersões, tendências, índices, taxas que resumem e representam os fenômenos observados. Isso encerra as atribuições da Estatística Descritiva. No caso de ter se optado pelo estudo estatístico com amostras, a Estatística estabelece técnicas para se afirmar se a estimativa obtida junto à amostra é de qualidade. Esse é o objetivo da Estatística Inferencial. 10 Estatística Inferencial É a parte da Estatística com o objetivo de estabelecer técnicas de avaliar se a estimativa obtida junto à amostra é de qualidade, isto é, se está próxima do valor do parâmetro populacional. Portanto, é a técnica de tomar o parâmetro populacional pela estimativa, desde que ela seja de boa qualidade, isto é, significante. A Estatística Inferencial tem o objetivo de estabelecer níveis de confiança para a tomada de decisão de associar uma estimativa amostral a um parâmetro populacional de interesse (COSTA, 2015). Exemplo 1: Suponha que tivéssemos interesse na renda média dos habitantes de uma cidade. Para investigar o seu valor, optou-se por um estudo por amostragem. Na amostra colhida, verificou-se uma estimativa de R$ 800,00 para a renda dos habitantes da cidade. Com base nessa estimativa, o que se pode dizer do parâmetro populacional correspondente? Exemplo 2: Suponha que tivéssemos interesse no salário médio dos funcionários de uma empresa. Para investigar o seu valor optou-se por um estudo por amostragem. Na amostra colhida, verificou-se uma estimativa para o salá- rio dos funcionários da empresa R$ 2.000,00. Este valor é significante? Está próximo do valor do salário de toda a população? É válido como parâmetro populacional? Ou é fruto de erro amostral? Exemplo 3: Suponha que tivéssemos colhido uma amostra de 50 contracheques de um total de 2.000 funcionários de uma empresa, e obtivéssemos a porcentagem de pessoas que tiveram descontos por falta ou atrasos num mês considerado. É função da Estatística Inferencial verificar se esse resultado encontrado em 50 trabalhadores para os 2.000 é de boa qualidade, isto é, é significante. 11 Nessa figura, temos uma população da qual é retirada uma amostra. Vê-se a Estatística Descritiva sendo aplicada para descrever e resumir o que ocorre na população ou na amostra. Quando a Estatística resume populações, ela faz Amostragem. Quando resume características, faz Estatística Descritiva e quando a(s) descritiva(s) está(ão) num contexto de amostragem, é(são) gerada(s) estimativa(s). Essa(s) estimativa(s) deve(em) ser avaliada(s) quanto à sua qualidade de estimação, onde são feitos os Testes de Significância (COSTA, 2015). Portanto, a amostragem resume populações e a Estatística Descritiva resume características, gerando quase sempre estimativas. Para você ter uma visão global das etapas envolvidas em um estudo estatístico, observe atentamente o esquema a seguir: 12 Fonte: COSTA, 2015. Conclusão Esse esquema mostra que o estudo estatístico se inicia na população, passa pelas etapas amostragem, geração de estimativas, testes de significância, e é finalizado na tomada de decisão em um contexto de incerteza, mas que foi devidamente embasado pela metodologia estatística, envolvida na análise, fato que irá lhe assegurar maior credibilidade (COSTA, 2015). Testes de significância são aqueles que nos informam, com certa segurança, se a estimativa gerada por uma amostra particular é ou não é fruto de um erro de amostragem muito grande, orientando o pesquisador na decisão de tomar o valor do parâmetro populacional por essa estatística disponível (COSTA, 2015). 13 3 ESTATÍSTICA E A REALIDADE EDUCACIONAL A estatística desempenha um papel crucial na compreensão e no aprimoramento da realidade educacional. Por meio da coleta, análise e interpretação de dados, a estatística oferece ferramentas poderosas para avaliar o desempenho dos alunos, identificar tendências e padrões, e embasar a tomada de decisões fundamentadas. Através da aplicação de métodos estatísticos, podemos obter uma compreensão mais profunda dos fenômenos educacionais e fundamentar intervenções e políticas educacionais mais eficazes. Um exemplo concreto da aplicação da estatística na realidade educacional pode ser encontrado em estudos de avaliação de políticas educacionais. Nesses estudos, é essencial analisar dados quantitativos para avaliar o impacto de determinadas políticas ou intervenções no desempenho dos alunos. A estatística permite a comparação de grupos de alunos, a identificação de diferenças significativas e a análise dos efeitos das variáveis independentes sobre as variáveis dependentes. Além disso, a estatística também desempenha um papelfundamental na identificação de lacunas educacionais e no monitoramento do progresso dos alunos ao longo do tempo. Através da análise de dados longitudinais, é possível identificar tendências de desempenho, detectar problemas precocemente e implementar estratégias de intervenção adequadas. Um exemplo de abordagem estatística aplicada à realidade educacional é a utilização de modelos de regressão para analisar fatores que influenciam o desempenho dos alunos. Conforme destacado por Tabachnick e Fidell (2013), a análise de regressão é uma ferramenta estatística poderosa para investigar as relações entre variáveis independentes e uma variável dependente, permitindo a identificação dos principais determinantes do desempenho educacional. Em resumo, a estatística desempenha um papel fundamental na compreensão e no aprimoramento da realidade educacional. Ao utilizar métodos estatísticos adequados e interpretar corretamente os dados, os pesquisadores e profissionais da educação podem tomar decisões mais informadas, desenvolver políticas mais eficazes e implementar intervenções mais direcionadas para promover uma educação de qualidade. 14 3.1 A função prática das estatísticas educacionais na governança moderna. Análise estatística desempenha um papel fundamental na compreensão da realidade educacional brasileira e na busca por uma maior inclusão social. A pesquisa EGSIE (Educação, Governança e Inclusão Social) explora a interconexão entre governança educacional e inclusão social, utilizando indicadores nacionais e internacionais baseados em estatísticas. A informação aparece como dados que convidam a comparações entre categorias no tempo e no espaço e podem ser utilizados em vários tipos de análises quantitativas, mais particularmente quando a pesquisa lida com política educacional. Na tabela 1, as categorias homens, mulheres, e grupo de pouco êxito são apresentadas e comparadas entre si e em relação à categoria total. As linhas apresentam uma combinação de casos nacionais (da Austrália ao Reino Unido) e as colunas, um conjunto de categorias (baixo êxito educacional, apenas ensino médio inferior) (POPKEWITZ, 2001). Tabela 1 – Percentagem de pessoas entre 20 e 24 anos cujo maior êxito educacional não passa do ensino médio inferior: 1995. Fonte: OCDE, Análise de política educacional, anexo estatístico, p. 78. Mediante essas estatísticas educacionais, tanto as ambições educacionais como as análises de educação são constituídas por tabelas e comparações de números. A tabela nos confere possibilidades de comparar tanto os diferentes casos nacionais como as questões de gênero por meio da estrutura de relações nela inscrita. 15 Segundo a tabela, Portugal pode ser identificado como um caso que desvia muito dos da Suécia e do Reino Unido, com uma proporção bem maior de pessoas que não passaram do ensino médio inferior. Na tabela, o baixo êxito escolar e o desemprego estão também ligados entre si, revelando um nível de desemprego alto entre os que tiveram baixo sucesso escolar, o que deixa a entender que mais educação recompensa os indivíduos (POPKEWITZ, 2001). Com as informações ao longo do tempo, os números fornecem uma maneira de raciocinar a respeito da relação entre fenômenos sociais e educacionais. Os números definem trajetórias para sinalizar progressos ou identificar locais potenciais de intervenção por meio de políticas de estado. Os números realçam normas e marcam diferenças nos graus de desvio quando se analisam as variâncias de padrão em nossos dados. Além disso, ferramentas como as análises de conjuntos oferecem aos elaboradores de políticas e aos pesquisadores oportunidades para criar novas categorias que emergem dos padrões de dados. Contudo, os números na tabela não são apenas descrições de divisões e relações sociais a partir das quais se pode raciocinar a respeito dos problemas educacionais. A estatística é uma modalidade chave para a produção de conhecimento necessário para governar. Foucault (1988) argumenta que governar tem envolvido, pelo menos desde o século XVIII, uma correlação constante entre uma individualização crescente e a construção de uma totalidade que permite que nos reconheçamos como pertencendo a uma sociedade, como parte de uma entidade social, parte de um Estado-nação. Quando as pessoas falavam da polícia, argumenta Foucault (1979), faziam referência às técnicas específicas por meio das quais um governo no quadro do Estado conseguia governar de modo a que indivíduos pudessem ser ‘cidadãos’ produtivos. Os teóricos alemães da polícia vincularam uma ciência política de administração calculada da população (statistik) com os fins de riqueza, de ordem pública, de virtude e de felicidade. Por volta do século XIX, a estatística conceituava as necessidades humanas em termos instrumentais e empíricos para o funcionamento do Estado. Seu sistema de classificação social não se limitava a classificar, mas servia de forma institucional para estabelecer bases para a autoridade e a legitimidade por meio das categorias 16 que especificavam, enquanto pareciam tanto naturais quanto socialmente reais (VERDERY, 1993, p. 37). Em termos de representação, a relevância das estatísticas é tão grande que suas formulações revisitam não apenas em declarações políticas nacionais e nas entrevistas realizadas com atores políticos e do sistema educacional, como em diferentes correntes ideológicas de críticas à educação nos países contemplados pelo estudo EGSIE. Entretanto, não é apenas um discurso de europeus; se olharmos para as reformas atuais nos Estados Unidos, por exemplo, os resultados estatísticos providenciam um princípio organizador maior na enunciação do problema das mudanças educacionais e da natureza das reformas. É a linguagem que atravessa as declarações do Estado, dos profissionais e das fundações sobre os professores e suas práticas educacionais (POPKEWITZ, 2001). O relatório do American Council on Education (Conselho Americano sobre Educação – 1999) a respeito da formação dos professores, por exemplo, define o problema em termos oriundos das diferentes medidas estatísticas. A maior parte da seção Resultados (Findings) do relatório serve para argumentar que testes de realização ‘mostram’ que o professor é singular, “nada é mais poderoso, para influenciar os ganhos de realização dos alunos, que a qualidade do professor” (AMERICAN COUNCIL ON EDUCATION, 1999, p. 3). Em outros pontos, percentagens de Estados usando padrões para preparar à tecnologia são utilizados para indicar a necessidade de mudança. A National Commission on Teaching (Comissão Nacional sobre Ensino) e a America’s Future (Futuro da América – 1996) também definem o problema das mudanças em relação a números: números de professores não licenciados, números de professores ensinando na área de licença, percentagem de variância entre realização e experiência do professor, e assim por diante. Portanto, começamos nossa discussão sobre estatísticas com uma observação a respeito das funções práticas dos números. A produção de estatísticas oficiais é, hoje, “um empreendimento rotineiro que tem uma ampla infraestrutura em programas de estados e de universidade cuja escala e sofisticação se estende a campos mais vastos da vida social e que se infiltra profundamente no funcionamento da sociedade” (STARR, 1987, p. 23). 17 A própria fé nas estatísticas está ligada a seu potencial para governar o funcionamento de governos democráticos em nível tanto estadual ou interestadual como global. Considera-se que oferecem uma distribuição da representação, por examinar as reivindicações de legislação em conflito e por sua receptividade a diversos grupos de interesses. Portanto, as estatísticas oferecem uma liga de uniformidade e confiança em torno do qual os objetos são contados, o que possibilitaque ordens de magnitude não afins sejam relacionadas entre si para estabilizar o que está em fluxo. Nas democracias, as estatísticas são vistas como uma tecnologia que diminui o medo de poder irrestrito e contribui à liberdade ao manter uma regra de lei impessoal, uma redução da complexidade e classificações meramente técnicas para aplicar os princípios democráticos de equidade e justiça, de modo a considerar a pobreza ou a integração social e econômica (ALONSO & STARR, 1987). Na modernidade, a mágica das estatísticas enquanto tecnologia de governança não ocorre sem hesitações nem reflexividade. Nas contribuições das estatísticas para a política e a ciência modernas, há um reconhecimento de que os números não são simples espelhos da realidade, mas refletem pressupostos e teorias sobre a natureza da sociedade. As estatísticas intervêm nos processos de governo, uma vez que os números moldam nossa maneira de ver as possibilidades de ação, de inovação e até nossa visão de nós mesmos. São produtos de interesses sociais, políticos e econômicos, sensíveis às decisões metodológicas de organizações complexas com verbas limitadas. Além disso, os números refletem o passado, uma vez que “ecoam seu passado assim como a superfície de uma paisagem reflete sua geografia subjacente.” (ALONSO & STARR, 1987, p. 1). Essa função recursiva é mais evidente enquanto as estatísticas formam uma determinação importante da política social, como estabelecer para onde o dinheiro vai e os limites das categorias para definir os problemas políticos e organizar fatos que permitam chegar a soluções. Embora reconheçamos a função recursiva das estatísticas, estas estabelecem também uma relação entre poder e conhecimento. Kalpagam (2000) argumenta, por exemplo, que os conhecimentos estatísticos possibilitam conceber a economia e a sociedade como modos de intervenção. As populações emergiram como um dado, ou campo de intervenção, e como um objeto de técnicas governamentais. Ao focalizar os discursos administrativos de governança colonial, ele 18 argumenta que organizar as pessoas em populações por meio da coleta de estatísticas não serviu apenas para fornecer representações que permitissem certos tipos de intervenções, mas que a organização epistemológica das pessoas em populações estatísticas integrou as categorias ocidentais de espaço, tempo, medida, razão e causalidade, que constituíram as ciências modernas e não faziam parte, previamente, do tecido ‘mental’ dessas sociedades. Diferentemente do conhecimento etnográfico que busca apresentar a alteridade em sua unicidade, o conhecimento estatístico transforma a alteridade em diferenças que se tornam comparáveis e mensuráveis. Com isso, as estatísticas comparativas tornam-se cada vez mais uma ferramenta que torna comensuráveis os diversos arranjos sociais e modos de vida, um aspecto importante das entidades internacionais contemporâneas que produzem relatórios sobre o progresso educacional entre nações. 3.2 Medidores estatísticos na educação. Quando falamos em realidade educacional é comum lembramos de tudo que vivenciamos em sociedade e os reflexos da atualidade no âmbito educacional. De forma geral, podemos lembrar dos pontos positivos que impactam diretamente a vida humana, assim como, os pontos negativos que direcionam para a inclusão e permanência nas escolas (POPKEWITZ, 2001). Diante disso, visualiza-se que a escola é um reflexo de nossa sociedade, os problemas educacionais apontam necessidade de intervenção, meios e soluções para o ambiente educacional. Nesse contexto, é inevitável falarmos sobre as políticas educacionais, ao qual abrange um conjunto de ações e diretrizes formuladas pelos governos, legisladores e autoridades educacionais para moldar o sistema educacional de um país. Essas políticas podem abranger desde a definição de metas educacionais e padrões de qualidade até a alocação de recursos, a formação de professores, o currículo escolar, os programas de inclusão e o acesso à educação. As estatísticas são utilizadas como medidores do ambiente escolar para uma visão panorâmica da realidade educacional. No Brasil existem alguns medidores estatísticos no ambiente escolar (BRASIL, 2018): 19 INEP O Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (Inep) é uma autarquia federal vinculada ao Ministério da Educação, cuja missão é promover estudos, pesquisas e avaliações sobre o sistema educacional brasileiro. O objetivo é subsidiar a formulação e implementação de políticas públicas para a área educacional, a partir de parâmetros de qualidade e equidade, bem como produzir informações claras e confiáveis aos gestores, pesquisadores, educadores e público em geral. Educacenso O Educacenso é um sistema on-line que mantém um cadastro único e centralizado das escolas das redes pública e privada, professores, auxiliares de educação infantil e estudantes. A intenção é dar mais rapidez à atualização das informações. O sistema fornece dados individualizados e possibilita o acompanhamento da trajetória escolar de alunos e professores. Censo da Educação Superior Anualmente, o INEP realiza a coleta de dados sobre a educação superior, visando oferecer informações detalhadas sobre a situação atual e as grandes tendências do setor, tanto à comunidade acadêmica quanto à sociedade em geral. Cadastro da Educação Superior O cadastro reúne uma série de informações para ajudar os estudantes a fazer a melhor escolha do seu curso superior. Ele contém dados atualizados de cursos e instituições de educação superior de todo o país. 20 Siope O principal objetivo do Sistema de Informações sobre Orçamentos Públicos em Educação (Siope) é levar ao conhecimento da sociedade o quanto as três esferas de governo investem efetivamente em educação no Brasil, fortalecendo, assim, os mecanismos de controle social dos gastos, na manutenção e no desenvolvimento do ensino. 4 COLETA DE DADOS. O que exatamente quer dizer dados? Bogdan e Biklen (2007) trazem uma conceituação que abre este capítulo: O termo dados refere-se aos materiais brutos que os pesquisadores coletam do mundo que estão estudando; os dados são as singularidades que formam a base da análise. Os dados incluem os materiais que as pessoas que conduzem o estudo registram ativamente, como transcrições de entrevistas e notas de campo de observação participante. Os dados também incluem o que outras pessoas criaram e o pesquisador descobre, como diários, fotografias, documentos oficiais e artigos de jornal (BOGDAN; BIKLEN, 2007, p. 117). Portanto, é possível coletar dados registrados ou descobertos pelo pesquisador, produzidos ou não pelos participantes e/ou pesquisadores durante o exercício da pesquisa. Sem dados, mesmo pesquisas de cunho mais teórico não prosperam. As metodologias estão mais vinculadas ao referencial teórico e ao planejamento da pesquisa, já os métodos estão mais vinculados a técnicas, procedimentos e instrumentos utilizados para a coleta de dados. Van Manen (2016, p. 27-28), por exemplo, afirma que “[...] a metodologia é a teoria por trás do método [...]”, enquanto para Cohen, Manion e Morrison (2018, p. 186) [...] a metodologia diz respeito a como descobrimos o fenômeno, a abordagem a ser usada, os princípios que a sustentam e a justificativa para usar o tipo de abordagem de pesquisa adotado, o tipo de estudo a ser realizado, como a pesquisa é realizada (com suas questões associadas sobre tipos de pesquisa, amostragem, instrumentalização, princípios de validade etc.). Os métodos dizem respeito à instrumentalização: como os dados são 21 coletados e analisados, enquanto a metodologia justifica os métodos usados (COHEN; MANION; MORRISON, 2018, p. 186). Depois da revisão de literatura e do planejamento, incluindoa escolha da metodologia, pode-se dizer que a coleta de dados é o momento em que efetivamente se inicia a execução da pesquisa, quando não se trata apenas de uma revisão bibliográfica. Nesse sentido, é uma etapa essencial, que pressupõe a definição prévia de uma estratégia de amostragem, envolvendo a identificação dos participantes da pesquisa e do local em que será realizada. Essas escolhas e definições devem estar alinhadas com o problema, os objetivos e as questões e/ou hipóteses formulados na fase do planejamento. Para Babbie (2016), por exemplo, as questões da pesquisa determinam os métodos que decidimos usar. Além disso, o referencial teórico construído até este momento, as abordagens e a metodologia definidas também devem orientar os procedimentos de coleta de dados. Seidman (2019) ilustra como a adequação de uma abordagem ou de um método depende do objetivo e das questões da pesquisa: Se um pesquisador fizer uma pergunta do tipo: “Como as pessoas se comportam nesta sala de aula?”, a observação participante pode ser o melhor método de investigação. Se o pesquisador perguntar: “Como o posicionamento dos alunos em um nível do sistema de rastreamento se correlaciona com a classe social e a raça?”, um survey pode ser a melhor abordagem. Se o pesquisador questionar se um novo currículo afeta o desempenho dos alunos em testes padronizados, um estudo quase- experimental controlado pode ser mais eficaz. Entretanto, os interesses de pesquisa nem sempre ou frequentemente são tão claros; em muitos casos, têm muitos níveis e, como resultado, múltiplos métodos podem ser apropriados. Se o pesquisador estiver interessado, no entanto, em como é para os alunos estarem na sala de aula, ou os pacientes no hospital, qual é a sua experiência e que significado eles constroem a partir dessa experiência, se o interesse é o que Schutz (1967) chama de sua “compreensão subjetiva”, então me parece que a entrevista, na maioria dos casos, tende a ser a melhor via de investigação (SEIDMAN, 2019, p. 10). Em relação especificamente às abordagens de pesquisa, alguns autores, como Creswell e Guetterman (2019), separam, na exposição do seu texto, a coleta de dados quantitativa e qualitativa. Entretanto, é importante destacar algumas reflexões gerais presentes na literatura. Para Lune e Berg (2017), por exemplo: nas ciências sociais, tendemos a privilegiar métodos quantitativos de coleta e análise de dados quando buscamos medir os padrões e as práticas relativamente estáveis que definem nossas estruturas sociais; e adotamos métodos mais qualitativos quando precisamos de uma compreensão mais profunda das exceções e dos casos especiais, ou quando queremos 22 compreender os significados e as preferências que fundamentam esses padrões mais amplos. O trabalho quantitativo tende para perguntas do tipo “o quê”, enquanto o trabalho qualitativo tende para questões do tipo “por quê” e “como” (LUNE; BERG, 2017, p. 12). Para Patton (2015, p. 255), por sua vez, a pesquisa qualitativa privilegia os seguintes métodos e estratégias de coleta de dados: “[...] entrevistas em profundidade, grupos focais, perguntas abertas em surveys, publicações em redes sociais, observações diretas de campo e análise de documentos”. Para o autor, “os dados qualitativos contam uma história” (PATTON, 2015, p. 54). Creswell e Guetterman (2019) sugerem, inclusive, que nas pesquisas qualitativas tendemos a elaborar nossos próprios protocolos para organizar as informações fornecidas pelos participantes, em vez de utilizar instrumentos elaborados por terceiros. Mas cabe também lembrar que autores como Creswell e Clark (2018) exploram abordagens de métodos mistos, que envolvem a coleta de dados quantitativos e qualitativos, seja simultaneamente, seja sequencialmente. O processo de coleta de dados pode ser ainda dividido em dois momentos, pré coleta e coleta: inicialmente, a elaboração e a validação dos instrumentos de coleta de dados, o planejamento e a sua preparação, e, posteriormente, o seu momento efetivo, no campo. A organização dos dados para a análise, que poderia ainda ser concebida como um terceiro momento, pode ocorrer simultaneamente à coleta, ou já como parte da análise. 4.1 MENSURAÇÃO DE VARIÁVEIS Conforme as características do que é medido, há diferentes tipos de variáveis. Uma primeira diferenciação pode ser feita entre variáveis numéricas (quantitativas) e categóricas (qualitativas). As variáveis numéricas podem ser contínuas ou discretas. As variáveis contínuas podem assumir qualquer valor dentro num intervalo, podendo aceitar casas decimais ou ser “quebradas”. Como exemplos de variáveis contínuas, temos a idade, a temperatura e o peso. Podemos dizer, por exemplo, que o participante de uma pesquisa tem 10,9 anos, que sua temperatura é de 36,4 graus e que pesa 38,7 kg. As variáveis discretas, por sua vez, só assumem certos valores dentro de um intervalo, expressas por números inteiros. Como exemplos, temos: o número de peças de um quebra-cabeça, o número de filhos e a quantidade de cadeiras em uma sala. 23 Nesse tipo de variável, só podemos usar números inteiros: uma pessoa só pode ter 1, 2 ou 3 livros na mochila; não pode ter, por exemplo, 2,8 livros. Desse modo, a diferença entre os dois tipos de variáveis numéricas é que, na contínua, pode-se expressar a altura de uma criança como 1,2 metros, ou mais precisamente 1,23 ou 1,231. De outro modo, não podemos dizer, por exemplo, que uma mulher possui 2,6 filhos; só se admitem 1, 2 ou 3 filhos. Já as variáveis categóricas indicam uma qualidade e os valores assumidos indicam uma categoria, como, por exemplo, o sexo e a classe social. Algumas variáveis numéricas podem ser transformadas em categóricas quando estabelecemos faixas. Como exemplos, podemos pedir que a pessoa indique quanto anos tem escrevendo o número de anos e meses, ou podemos indicar idades categorizadas (menos de 10 anos; entre 10 e 15 anos; entre 16 e 21 anos; mais de 21 anos). O Quadro 1 apresenta diversos exemplos de variáveis contínuas, discretas e categóricas. Quadro 1 — Exemplos de variáveis contínuas, discretas e categóricas. Fonte: MATTAR; RAMOS, 2021. As variáveis categóricas, por sua vez, podem ser dicotômicas ou politômicas. As variáveis dicotômicas apresentam duas categorias, como sim/não ou verdadeiro/falso, enquanto as variáveis politômicas incluem mais de duas categorias, como nível de escolaridade, classe social ou nível de concordância (concordo plenamente, concordo, nem concordo nem discordo, discordo, discordo plenamente). Muitos estudos dicotomizam variáveis contínuas e discretas para fazer comparações. Um exemplo que dicotomiza variáveis contínuas poderia ser definir que os alunos acima da média são aqueles que têm média no primeiro bimestre igual ou superior a 7; e os alunos abaixo da média, aqueles que têm médias inferiores a 7. Assim, o valor discreto da média das notas é dicotomizado entre alunos acima e 24 abaixo da média. A Figura 1 apresenta tipos e exemplos de variáveis categóricas e numéricas. Figura 1 — Tipos e exemplos de variáveis categóricas e numéricas Fonte: MATTAR; RAMOS, 2021. Outra classificação das variáveis envolve o nível de mensuração da escala utilizada para medição, ou seja, o modo como as variáveis podem ser medidas. Considerando a forma de medição da variável, há os seguintes tipos de escala: nominal, ordinal, intervalar e de razão. A escala nominal inclui variáveis categóricas e não possui uma ordem ou classificação, apenas caracteriza o que se pretende medir. Como exemplo, temos o sexo feminino ou masculino, que apenas categoriza, sem definir uma ordem ou indicar que um grupo seja melhor que outro. De outra forma, a escala ordinal inclui variáveis que revelam uma ordem e uma classificação, representadas em escalas, como, por exemplo: muito participativo,participativo, pouco participativo, não participativo. Cada item da escala pode corresponder a um número, sem que possamos garantir que temos a mesma diferença entre o intervalo muito participativo/participativo e o intervalo participativo/pouco participativo. Na escala ordinal, não temos, necessariamente, intervalos iguais, ou seja, não se pode supor que a distância entre cada ponto da escala é igual. Esse tipo de escala é frequentemente utilizado para medir a opinião e as atitudes das pessoas. Um exemplo é a escala Likert em que temos os seguintes itens: 1 = discordo totalmente; 2 = discordo; 3 = nem concorda, nem discorda; 4 = concordo; 5 = concordo totalmente. Já a escala intervalar envolve intervalos em que a distância é a mesma entre as variáveis. Os intervalos entre os valores da escala oferecem uma indicação da posição de um ponto ou de um sujeito. Um exemplo é a escala usada para medir a temperatura em que o intervalo entre 3 e 4 graus tem a mesma diferença (magnitude) 25 que o intervalo entre 11 e 12 graus. Porém, cabe notar que na medida de temperatura, não temos um zero absoluto. Esse tipo de escala é frequentemente utilizado em testes de rendimento ou de inteligência, que localizam o desempenho do sujeito em um ponto da escala, permitindo a classificação e a comparação. Por fim, a escala de razão inclui as características das variáveis intervalares, como uma ordem de magnitude e intervalos com a mesma diferença, além do acréscimo do ponto zero absoluto ou de uma origem fixa. Como exemplos, temos as medidas de tempo e velocidade. Um carro parado tem velocidade de 0 km; conforme o motorista acelera, vai aumentando sua velocidade (MATTAR; RAMOS, 2021). O Quadro 2 apresenta características e exemplos dos tipos de escala abordados. Quadro 2 - Tipos de escala, características e exemplos Fonte: adaptado de Dancey e Reidy (2018) e Coutinho (2018). A definição e o uso desses quatro tipos de escalas de dados são importantes para determinar o tipo de teste estatístico que pode ser utilizado na análise. Em dados nominais, por exemplo, não se pode aplicar médias nem usar o teste t, mas pode-se calcular a frequência e usar o teste qui-quadrado. 4.2 OBSERVAÇÃO A observação é uma estratégia de coleta de dados comum a diversas metodologias. Para Patton (2015) seu objetivo principal é: 26 [...] descrever em profundidade e detalhes o ambiente que foi observado, as atividades que aconteceram no ambiente, as pessoas que participaram dessas atividades e os significados do que foi observado a partir das perspectivas daqueles que foram observados (PATTON, 2015, p. 332). Em educação, a observação permite coletar dados sobre a organização de ambientes físicos e humanos, interações (formais e informais, planejadas e não planejadas, verbais e não verbais) e a organização, configuração e avaliação de cursos e programas, incluindo recursos, estilos pedagógicos e currículos (COHEN; MANION; MORRISON, 2018). Nesse sentido, a compreensão e a sensibilidade em relação ao contexto são essenciais, a observação fornece dados autênticos e informações contextuais ricas (COHEN; MANION; MORRISON, 2018; PATTON, 2015). Cabe salientar que o contexto influencia o comportamento das pessoas e “[...] envolve lugar, momento, circunstâncias, outras pessoas e até mesmo condições psicológicas e físicas” (BENTZEN, 2012, p. 87). Diante de todos os aspectos que compõem um contexto, é possível observar, por exemplo, o ambiente, as relações entre as pessoas, as reações, os comportamentos manifestos e os eventos que ocorrem. Podem ser observados fatos (como o número de livros em uma sala de aula ou a quantidade de alunos que frequentam a biblioteca em determinado período), eventos (as conversas entre professores e alunos em uma sala de aula) e comportamentos ou qualidades (o comportamento cooperativo entre os alunos ou a simpatia do professor) (COHEN; MANION; MORRISON, 2018). Nesse sentido, os objetivos de uma observação são lentes que direcionam o olhar para o que se deve observar e registrar. Ambientes sociais em que há diversas pessoas executando várias ações, por exemplo, tornam quase impossível dar conta de tudo o que acontece no espaço e no tempo. Cabe, então, definir a que aspectos o olhar do pesquisador precisa estar atento e direcionado. Em um exemplo de uma observação de alunos fazendo um trabalho em grupo, por exemplo, é possível observar como eles: a) interagem socialmente, dando atenção ao diálogo (às falas) dos alunos; b) utilizam os recursos disponíveis, como cadernos, livros, registros, notebooks e celulares; e c) organizam-se para realizar a atividade (se fazem registros, se alguém do grupo assume a liderança, se dividem tarefas, etc.). A partir dessas possibilidades, diferentes objetivos podem nortear a observação. 27 4.3 Tipos de observação. Em função de todos esses elementos levantados, é possível classificar a observação em diferentes tipos. Nesta seção, apresentamos os mais comuns. A observação científica caracteriza-se por ser sistemática e objetiva. A realização sistemática de observações pressupõe um planejamento detalhado, com base nos objetivos da pesquisa, que inclui a definição do local em que será realizada a observação, em quais momentos e por quanto tempo, quem serão os sujeitos observados, quais comportamentos e circunstâncias serão observados e quais técnicas e formas de registro serão utilizadas (DANNA; MATOS, 2015). Cabe, todavia, destacar diferenças entre a observação nas abordagens quantitativas e qualitativas. Nas pesquisas quantitativas, a observação tende a ser mais estruturada, pressupondo, inclusive, um piloto, e mais fragmentada, realizada em pequenos intervalos de tempo. Já nas pesquisas qualitativas, a observação tende a ser menos estruturada e mais emergente, responsiva e aberta, com uma duração mais prolongada e contínua, buscando capturar a natureza dinâmica dos eventos. Especialmente no caso da pesquisa-ação e da pesquisa participante, concebe-se ainda uma observação mais colaborativa (COHEN; MANION; MORRISON, 2018). Na educação, realizam-se com frequência observações naturalísticas, que ocorrem no campo da pesquisa, como em uma instituição de ensino, uma sala de aula ou um ambiente virtual de aprendizagem. Na observação naturalística, o pesquisador realiza observações em um ambiente natural específico (o campo) durante um longo período e usando diferentes técnicas (COZBY, 2014). O pesquisador aproxima-se do campo para entender como as pessoas se relacionam no ambiente social e físico. Ao considerar a presença ou não do pesquisador no campo de pesquisa, pode-se diferenciar a observação direta da indireta. Segundo Gil (2019b), na observação direta o pesquisador está fisicamente presente no campo, o que a torna mais flexível, por permitir que o observador relate muito aspectos que acontecem e tenha diferentes focos de observação. Já a observação indireta é realizada de forma mediada, a partir do registro feito por filmagem ou câmera digital de transmissão. A observação sistemática caracteriza-se por voltar-se para comportamentos específicos previamente definidos, observados em um ambiente particular (COZBY, 2014). Esses comportamentos específicos são descritos e categorizados para ser possível sua identificação e medição. Medeiros et al. (2003), por exemplo, ao 28 observarem relações entre professor e alunos em uma sala de aula, apresentam uma tabela com o código, a identificação do comportamento e sua descrição, incluindo, dentre outros, o comportamento “iniciar contato com a professora”, descrito como: Classes de respostas emitidas pelo P [participante], de interação com a professora, independente da professora responder ou não: chamar a professora, pedir para ir ao quadro negro, aproximar-se dela, tocá-la, mostrar suas tarefas a ela, perguntare falar com a mesma. (MEDEIROS et al., 2003, p. 33). A observação estruturada, que pode ser considerada uma observação sistemática, é cuidadosamente planejada e parte da definição dos comportamentos a serem observados, do tempo (contínuo ou por amostragem) e da forma de registro, prevendo o uso de um protocolo de observação elaborado com base nas decisões tomadas. De outro modo, a observação não estruturada ou assistemática acontece sem definições prévias em relação aos comportamentos ou eventos a serem observados, supondo uma aproximação entre o observador e o campo de observação. Esse tipo de observação pode ocorrer, por exemplo, como fase inicial de uma pesquisa para aproximação com o campo de pesquisa e envolve um registro contínuo de observação. É importante, ainda, ressaltar algumas características da observação on-line, realizada na internet. Hoje, é possível realizar observações, por exemplo, em comunidades on-line, cursos à distância e mundos virtuais. Cabe notar que, em comparação com a observação de campo tradicional, é mais fácil para o observador on-line ficar escondido, sem aparecer para os observados. Além disso, as particularidades das mídias e das tecnologias devem consideradas nesse tipo de observação (MERRIAM; TISDELL, 2016). 4.4 Resultados, análise, discussão e interpretação. Merriam e Tisdell (2016) consideram que a parte mais difícil do processo da pesquisa qualitativa não é nem a discussão teórica para definir a metodologia da investigação, nem a condução da coleta de dados, mas a análise dos dados após terem sido coletados. Na mesma direção, Patton (2015) dá uma dica: Agende um tempo intenso e dedicado para a análise: a análise qualitativa requer imersão nos dados. Toma tempo. Arrume tempo. Defina um 29 cronograma realista. Consiga o apoio de familiares, amigos e colegas para ajudá-lo a se manter focado e dedique à análise o tempo que ela merece (PATTON, 2015, p. 523). No caso de abordagens quantitativas, a análise não é mais simples ou trivial do que os passos anteriores do ciclo da pesquisa. Lune e Berg (2017), por sua vez, consideram que a análise de dados é uma das partes mais criativas do processo de pesquisa. Na mesma perspectiva, Patton (2015) caracteriza a análise qualitativa como uma combinação entre ciência e arte, o que vale também para a discussão e interpretação dos resultados de pesquisas quantitativas ou abordagens de métodos mistos. Enquanto o componente científico da análise exigiria “[...] trabalho intelectual sistemático e disciplinado, atenção rigorosa aos detalhes em um contexto holístico e uma perspectiva crítica no questionamento dos padrões emergentes [...]” (PATTON, 2015, p. 631), o componente artístico envolveria exploração, riscos, metáforas e imaginação. A análise, portanto, possibilitaria a combinação entre o pensamento crítico e a criatividade a partir da interação entre o pesquisador e os dados. Por isso, um processo abstrato de análise não poderia substituir completamente os conhecimentos, a experiência, as habilidades e a criatividade do pesquisador. Para transformar dados em achados, não haveria, então, uma fórmula ou receita pronta. Para ilustrar a função da análise dos dados, Patton (2015) desenvolve a interessante metáfora de distinguir sinais de ruídos quando tentamos localizar o sinal de uma estação de rádio. Os dados brutos seriam os ruídos, que a análise tentaria detectar e aos quais procuraria dar sentido e interpretar, transformando-os em sinais. “Mas os sinais não são constantes ou estáticos. Eles variam com o contexto e mudam com o tempo. Portanto, a busca para distinguir o sinal do ruído é contínua.” (PATTON, 2015, p. 522). Esse processo de dar sentido aos dados envolve diversos subprocessos: organizar e apresentar os dados; analisá-los; discutir e interpretar os resultados, relacionando-os à revisão da literatura, ao referencial teórico e às questões e/ou hipóteses da pesquisa; e apresentar as descobertas ou conclusões do estudo. Mas não se estabelece, necessariamente, um movimento linear, que parta da análise dos dados para chegar à conclusão da pesquisa. Ao contrário, a análise de dados, especialmente no caso de pesquisas qualitativas, é um procedimento complexo, em que o pesquisador assume a função de detetive, envolvendo 30 movimentos recursivos e dinâmicos, microscópicos e telescópicos, para frente e para trás, circulares (COHEN; MANION; MORRISON, 2018; CRESWELL; POTH, 2018; KOZINETS, 2020; MERRIAM; TISDELL, 2016). Há diferentes maneiras de conduzir análises de dados, que podem, por consequência, resultar em múltiplas interpretações (COHEN; MANION; MORRISON, 2018). Bogdan e Biklen (2007) diferenciam a análise da interpretação, especificamente na pesquisa qualitativa, da seguinte maneira: Com análise de dados, queremos dizer o processo de pesquisar e organizar sistematicamente as transcrições das entrevistas, notas de campo e outros materiais que você acumula para possibilitar que faça descobertas. A interpretação dos dados refere-se ao desenvolvimento de ideias sobre suas descobertas e a relacioná-las à literatura e a questões e conceitos mais amplos. A análise envolve trabalhar com os dados, organizá-los, dividi-los em unidades gerenciáveis, codificá-los, sintetizá-los e buscar padrões. A interpretação envolve explicar e enquadrar suas ideias em relação à teoria, a outros estudos e à ação, bem como mostrar por que suas descobertas são importantes e torná-las compreensíveis (BOGDAN; BIKLEN, 2007, p. 159). No mesmo sentido, para Kozinets (2020), a análise dividiria processos complexos em processos independentes e nos elementos que os constituem, para, então, especificar suas relações. A interpretação, de outro lado, reconectaria esses elementos, concebendo-os novamente como um todo, agora reconstruído. Assim, enquanto a análise estaria vinculada à ideia de partes, a interpretação estaria vinculada à ideia de um todo, a uma síntese que pressupõe classificação, associação, avaliação e integração por diversas orientações, como: pela conexão dos dados aos resultados da revisão de literatura e ao referencial teórico, pelas respostas às questões da pesquisa ou pelo teste das hipóteses e/ou pela perspectiva de disciplinas específicas. “A interpretação é o processo de dar sentido e descobrir significados em dados coletados e analisados.” (KOZINETS, 2020, p. 359). Haveria, então, um caminho em direção à abstração, da análise para a interpretação, uma mudança de ênfase, “[...] da identificação de padrões nos dados para a tentativa de encontrar significados nos padrões” (KOZINETS, 2020, p. 359). Enquanto a análise envolveria a transformação dos dados, a interpretação os transcenderia, por meio da conexão holística de conceitos, procurando: [...] conectar esses todos conceituais, tanto com os contextos dos quais foram retirados no ato da coleta de dados, quanto com os sistemas de significado institucionalizados que lhes dão sentido, com as pessoas que vivem com eles e com aqueles que procuram compreendê-los (KOZINETS, 2020, p. 312). 31 É importante reforçar que as atividades de análise e intepretação já podem começar na fase da coleta de dados, ou seja, os processos não devem, necessariamente, ser considerados sequenciais, podendo ser conduzidos simultaneamente. Além disso, tabelas e ilustrações, como gráficos e fluxogramas, podem ser utilizadas em todas essas etapas, tanto para ajudar na organização e análise dos dados e na interpretação dos resultados, quanto na apresentação dos achados para o leitor (BOGDAN; BIKLEN, 2007; MERRIAM; TISDELL, 2016). 5 TÉCNICAS E METODOLOGIAS ESTATÍSTICAS NA PESQUISA EM EDUCAÇÃO FÍSICA A primeira definição importante a ser compreendida é a significação entre população e amostra. A população refere-se ao conjunto completo de pessoas, seres ou objetos quepossuem pelo menos uma característica em comum. Por outro lado, a amostra é um subconjunto dessa população, compartilhando também a mesma característica comum aos elementos da população. Além disso, é fundamental relembrar os diferentes tipos de variáveis. Elas podem ser qualitativas ou quantitativas. As variáveis qualitativas podem ser nominais, também conhecidas como categóricas. Nesse tipo de variável, as opções de resposta são categorias ou atributos, como sexo ou tipo de modalidades esportivas. Já as variáveis qualitativas ordinais também envolvem atributos, porém existe uma ordenação entre eles, como classificação em um campeonato ou escalas de força. Dependendo dos tipos de variáveis coletadas e do método de seleção da amostra, várias técnicas estatísticas podem ser aplicadas (SILVA, 2017). Antes de iniciar qualquer análise estatística, é importante organizar os dados em um banco de dados. Uma análise inicial que pode ser realizada é a análise descritiva dos dados. Nessa etapa, é possível calcular médias, medidas de posição, desvio-padrão e outras medidas de variabilidade para variáveis quantitativas. Para variáveis categóricas, podem ser construídas tabelas de distribuição de frequências. Além disso, é possível criar gráficos a partir dessas tabelas. No entanto, em muitas situações, a análise descritiva dos dados não é suficiente, e é necessário realizar testes estatísticos para comprovar hipóteses. Existem diversos testes de hipóteses disponíveis, que variam conforme o 32 comportamento de cada variável e o objetivo de cada teste. Esses testes podem ser divididos em paramétricos e não paramétricos, dependendo das características dos dados (SILVA, 2017). 5.1 Testes paramétricos e não paramétricos Os testes paramétricos são utilizados quando os dados amostrais são provenientes de populações que possuem um comportamento próximo ou aproximadamente normal. Esses testes paramétricos requerem suposições específicas sobre a população (ou populações) das quais as amostras são retiradas. Em muitos casos, é necessário assumir que as populações possuam uma distribuição aproximadamente normal (Figura 1), que as variâncias sejam conhecidas ou iguais, ou que as amostras sejam independentes (FREUND, 2006). Dentre os exemplos de testes paramétricos, destacam-se os testes z, t, ANOVA. Independentemente do teste escolhido, o procedimento para a realização de um teste de hipóteses segue um roteiro padrão: formulação das hipóteses, cálculo da 33 estatística de teste, definição da região crítica e conclusão. Esse roteiro é aplicável, considerando o tipo de variável e o objetivo da análise desejada (SILVA, 2017). 1. Formular as hipóteses: H0: hipótese nula, hipótese de igualdade; H1: hipótese alternativa. 2. Achar a estatística de teste que pode ser calculada manualmente ou, então, gerar o teste em um software, como Excel ou SPSS. 3. Determinar a região crítica, verificar se o teste é ou não significativo. 4. Conclusão experimental. O teste z é utilizado para comparar duas médias amostrais quando o desvio- padrão populacional é conhecido. No entanto, na maioria das situações, o desvio- padrão populacional é desconhecido, o que nos leva a utilizar o teste t. Existem diferentes tipos de teste t, também conhecidos como teste t-Student. A lógica por trás dos testes baseados em duas amostras é que duas amostras retiradas da mesma população podem fornecer estimativas diferentes para um parâmetro devido ao acaso (DOANE; SEWARD, 2014). A distribuição t é muito similar à distribuição normal em termos de formato. A distribuição t varia conforme o tamanho da amostra, e quanto maior o tamanho da amostra, mais ela se assemelha à distribuição normal, até que se tornem equivalentes. O teste t para comparação de médias é usado quando temos duas amostras e desejamos verificar se as médias são iguais ou diferentes entre os dois grupos. Por exemplo, um treinador de corrida de 100 metros tem dois grupos de competição e precisa decidir qual grupo inscrever para o próximo campeonato. Ele decide realizar uma série de cronometragem para cada grupo, composto por 10 atletas cada. O treinador escolherá o grupo com a média de tempo mais rápida, e, caso as médias de tempo sejam semelhantes, ele dará preferência ao grupo com maior experiência em competições. Sabendo que há uma variabilidade nos tempos de cada grupo, o treinador entende que não é suficiente apenas comparar as médias simplesmente. Ele precisa realizar um teste para determinar se as médias são estatisticamente iguais ou diferentes, ou seja, se há uma diferença significativa entre 34 elas. A seguir estão listados os tempos em segundos dos atletas de cada grupo em um tiro de 100 metros rasos (SILVA, 2017). Primeiramente, formulamos as hipóteses: H0: as médias do grupo A são iguais às do grupo B; H1: as médias do grupo A são diferentes das do grupo B. O teste pode ser realizado com o uso do Excel e retoma os seguintes resultados: 35 Ao analisar os resultados, observamos que a estatística de teste é igual a - 0,9562, com um valor p correspondente de 0,1758, que é superior ao nível de significância de 5%. Isso indica que não podemos rejeitar a hipótese nula. Portanto, concluímos que as médias de tempo dos dois grupos são iguais, permitindo ao treinador levar o grupo com mais tempo de experiência em competições, com um nível de significância de 5% (SILVA, 2017). Outro teste t comum é o teste t pareado, que compara as médias antes e depois de um tratamento, avaliando a diferença entre a média de um indivíduo antes do tratamento e a medida do mesmo indivíduo após o tratamento. Outro teste amplamente utilizado é o teste ANOVA, que verifica a igualdade entre mais de duas médias. Esse método compara todas as médias em um único teste e pretende identificar se há pelo menos uma diferença significativa entre os grupos. Se o resultado for estatisticamente significativo, são aplicadas técnicas de comparação múltipla de médias, usando uma das várias abordagens disponíveis (CALLEGARI-JACQUES, 2007). Por exemplo, suponhamos que desejemos comparar três equipes em um campeonato de halterofilismo e verificar se o peso médio levantado é igual na categoria acima de +109 kg. 36 As hipóteses seriam as seguintes: H0: a média de peso é igual para as três equipes; H1: pelo menos uma das equipes tem média de peso diferente. Os resultados retirados do software Excel são os seguintes: 37 Com base na estatística de teste de valor 4,43 e um valor p de 0,03, que é menor do que o nível de significância de 0,05, podemos rejeitar a hipótese nula. Isso nos leva a concluir que pelo menos uma das equipes possui uma média de peso diferente, com um nível de significância de 5%. Agora, vamos abordar os testes não paramétricos. Esses testes são utilizados quando os dados não seguem uma distribuição normal e são conhecidos como testes livres de distribuição. Ao contrário dos testes paramétricos, os testes não paramétricos são adequados para amostras de tamanho pequeno, não exigem a suposição de homogeneidade de variâncias e podem ser aplicados a variáveis qualitativas. Para muitos testes paramétricos, temos um teste equivalente não paramétrico (Tabela 5). O teste qui-quadrado, especialmente o teste qui-quadrado de independência, é uma ferramenta importante na análise estatística. Ele permite verificar se há associação entre uma variável nas linhas e uma variável nas colunas de uma tabela de contingência, comparando as frequências observadas na amostra com as frequências esperadas da distribuição amostral (SILVA, 2017). Por exemplo, podemos aplicar o teste qui-quadrado para investigar se existe uma associação entre o ganho de massa magra e o uso de uma suplementação específica.Coletamos dados sobre a utilização do suplemento, classificando os indivíduos em dois grupos: aqueles que utilizaram e aqueles que não utilizaram. Em 38 seguida, analisamos se houve ganho de massa magra ou não para cada indivíduo em uma amostra composta por 114 pessoas. O teste qui-quadrado nos ajudará a determinar se existe uma relação estatisticamente significativa entre essas duas variáveis. As hipóteses a serem formuladas são as seguintes: H0: o ganho de massa não está associado à suplementação; H1: o ganho de massa está associado à suplementação. O teste realizado com o uso do software SPPS encontrou os seguintes resultados: 39 Com um valor da estatística de teste de 53,143 e um valor p igual a 0,000, menor do que o nível de significância de 0,05, rejeitamos a hipótese nula. O resultado do teste foi estatisticamente significativo, levando-nos a concluir que há uma associação entre o ganho de massa magra e a suplementação, com um nível de significância de 5% (SILVA, 2017). Em conclusão, a estatística aplicada à Educação Física desempenha um papel fundamental na análise e interpretação dos dados coletados nessa área. A compreensão dos conceitos de população, amostra e tipos de variáveis é essencial para a seleção adequada das técnicas estatísticas a serem utilizadas. Os testes paramétricos, como os testes z, t, ANOVA, são empregados quando os dados seguem uma distribuição aproximadamente normal. Eles permitem 40 comparar médias, realizar análises de diferença antes e depois de um tratamento, bem como verificar a igualdade entre várias médias. Por outro lado, os testes não paramétricos são adequados quando os dados não seguem uma distribuição normal. O teste qui-quadrado é um exemplo importante, usado para verificar a associação entre variáveis em uma tabela de contingência. Através da aplicação adequada desses testes estatísticos, é possível obter conclusões sólidas sobre os dados coletados na área da Educação Física. Isso auxilia na tomada de decisões embasadas em evidências e contribui para o avanço do conhecimento nesse campo. A estatística aplicada à Educação Física desempenha um papel crucial na interpretação dos resultados de estudos e na busca por melhores abordagens e estratégias para o aprimoramento do desempenho físico e do bem-estar dos indivíduos. 8 INTERPRETAÇÃO DE ARTIGOS CIENTÍFICOS Os artigos científicos são fundamentais para a comprovação de hipóteses, abrangendo uma variedade de análises. Pesquisadores conduzem experimentos e submetem-nos à avaliação de uma banca, que valida as técnicas utilizadas, auxiliando na resolução de problemas de pesquisa (SILVA, 2017). Conforme Silva (2017), apesar do acesso a uma vasta quantidade de material disponível, nem sempre encontramos estudos relacionados ao nosso problema específico. No entanto, pesquisas anteriores podem servir como orientação para investigações em diferentes contextos, populações e problemas de pesquisa distintos. Observaremos no artigo “O sobrepeso e a obesidade não estão associados com a pressão arterial elevada em jovens praticantes de esportes”, de Coledam et al., (2017), exemplos de métodos e resultados necessários para artigos científicos: Métodos - Estudo transversal realizado na rede estadual de ensino da cidade de Londrina, no Paraná, durante os meses de abril a julho do ano de 2012. Conforme o Núcleo Regional de Ensino, a população de estudantes do 6.º ano do Ensino Fundamental ao 3.º ano do Ensino Médio era de 55.475. Participaram do estudo alunos com idade entre 10 e 17 anos. A amostragem do estudo foi realizada por meio do método probabilístico, utilizando dois conglomerados (escola e sala de aula), estratificado por região da cidade (norte, sul, leste, oeste e centro) e por sexo, realizado em dois estágios. No primeiro estágio, foi sorteada aleatoriamente uma escola de cada região. No segundo momento, foi avaliada a quantidade de alunos em cada escola, a fim de selecionar a proporção que a região representa. [...] 41 Conforme Coledam et al., (2017), os métodos de inclusão para a participação no estudo constituíram em: estar matriculado na rede estadual de ensino, nas escolas sorteadas; ter entre 10 e 17 anos; concordar participar de forma voluntária do estudo; assinar a autorização e o termo de consentimento livre e esclarecido. De outra forma, os critérios de eliminação foram estabelecidos para aqueles que possuíam algum problema físico, metabólico ou neurológico que obstruísse a realização dos sistemas do estudo. Antes de iniciar a levantamento de dados, obteve-se a permissão do Núcleo Regional de Ensino de Londrina e da direção das escolas sorteadas. Foram detalhados os objetivos e os procedimentos do estudo. Além disso, os responsáveis pelos jovens assinaram um Termo de Consentimento Livre e Esclarecido, que abordava todos os sistemas, riscos e benefícios do estudo. O estudo foi aceito pelo Comitê de Ética em Pesquisa envolvendo Seres Humanos da Universidade Estadual de Londrina, seguindo o protocolo 312/2011, conforme a resolução 196/96 do Conselho Nacional de Saúde. Ao final do estudo, foi fornecido um relatório individual contendo os resultados para cada unidade escolar. Os procedimentos foram realizados na escola em que os alunos estavam matriculados. Na sala de aula, foram preenchidos questionários e realizadas medidas antropométricas e de pressão arterial. O levantamento de dados ocorreu em apenas um dia nas escolas frequentadas pelos participantes. Seis estudantes previamente treinados conduziram todos os procedimentos de forma padronizada, sob a supervisão do coordenador do estudo (COLEDAM et al.,2017). Os resultados foram descritos usando periodicidades absoluta e relativa. A associação entre as variáveis foi examinada por meio do teste do qui-quadrado, sendo utilizado, quando necessário, o teste Exato de Fisher. Para estimar a razão de prevalência (RP) bruta e ajustada, assim como os intervalos de confiança de 95% da associação entre o estado nutricional e a pressão arterial elevada, foi utilizada a regressão de Poisson. Na análise ajustada, foram incluídas as variáveis independentes que apresentaram associação com um valor P < 0,20 na análise bivariada. Devido ao plano amostral complexo adotado no estudo e à análise conforme a prática esportiva, foram considerados os efeitos do delineamento (DEFF) e as análises foram realizadas levando em conta o estrato, a unidade amostral 42 primária e o peso amostral, utilizando os comandos survey (svy) do software Stata 11.0. Resultados - Dos 965 jovens convidados a participar voluntariamente do estudo, 78% concordaram e completaram todos os procedimentos. As características dos participantes do estudo são apresentadas na Tabela 8. Na amostra total, a distribuição por sexo e faixa etária foi semelhante. A prevalência de sobrepeso foi de 14,5%, enquanto a de obesidade foi de 5,9%. Além disso, 17,5% dos participantes apresentaram pressão arterial elevada (PAE) (COLEDAM et al.,2017). 43 44 Foram descobertas maiores frequências de participantes do sexo masculino, com idades entre 10 e 12 anos e com comportamento sedentário < 2h diárias nos praticantes de esportes (P < 0,001). A frequência de jovens com sobrepeso (14,2 vs. 14,7%), obesidade (6,5 vs. 4,5%) e pressão arterial elevada (18,4 vs.15,8%) foi semelhante entre as duas categorias (P > 0,05). Jovens praticantes e não praticantes de esportes também não ofereceram diferenças com relação à escolaridade paterna. A associação bivariada entre as variáveis independentes com a PAE na amostra total é apresentada na Tabela 9. O sexo feminino ofereceu associação negativa (RP = 0,55, 0,40–0,76) ao passo que as variáveis idade (RP = 1,46, 1,02– 2,10), sobrepeso (RP = 1,62, 1,03–2,56)e obesidade (RP = 1,91 1,11–3,28) se associaram positivamente com a PAE. 45 Na Tabela 10, são apresentadas as associações bivariadas entre as variáveis independentes do estudo com a PAE, segundo a prática esportiva. O sexo feminino apresentou associação negativa (RP = 0,47, 0,32–0,68), ao passo que o sobrepeso (RP = 1,92, 1,03–3,61) e a obesidade (RP = 2,22, 1,13–4,42) se integraram positivamente com a PAE nos jovens não praticantes de esportes. Nenhuma das variáveis estudadas apresentou associação significativa com a PAE nos jovens praticantes de esportes. 46 47 Conforme apresentado na Tabela 7, foram realizados testes de associação (qui-quadrado) entre as variáveis de perfil e a prática de atividade física. Verificou-se que apenas as variáveis sexo, idade e comportamento sedentário apresentaram um (valor p inferior a 0,001), indicando uma associação significativa. É importante destacar que a significância do teste é fundamental para avaliar se existe uma associação entre as variáveis analisadas. Quando o teste é significativo, significa que rejeitamos a hipótese nula, que afirmava a ausência de associação entre as variáveis mencionadas e a prática de exercícios. Na Tabela 9, foram identificadas associações significativas entre as variáveis sexo e estado nutricional com a pressão arterial elevada, uma vez que o valor p para essas variáveis foi inferior a 0,05. Já na Tabela 10, observamos uma associação bivariada entre as variáveis e a prática de exercícios físicos e a pressão arterial elevada. Notamos que nenhuma das variáveis está associada à pressão arterial elevada entre os praticantes de atividade física. As associações identificadas na Tabela 2 permaneceram apenas entre os não praticantes de atividades físicas (SILVA, 2017). A presença de tabelas como essas é comum na maioria dos artigos científicos, e é essencial identificar o teste realizado e verificar sua significância. Ter 48 conhecimento sobre esses testes nos permite compreender as hipóteses de pesquisa formuladas e concluir sobre a relevância estatística dos resultados. Com base no exposto até o momento, podemos concluir que a habilidade de tomar decisões acertadas é um diferencial para profissionais de todas as áreas. No entanto, não podemos mais depender de suposições ou basear nossas conclusões em eventos isolados. Os profissionais precisam utilizar ferramentas estatísticas para embasar suas decisões e comprovar suas hipóteses por meio de testes estatísticos. Na área da saúde, essa assertividade embasada em análises estatísticas é de extrema importância, especialmente na educação física e na área da saúde em geral, uma vez que lidam com seres humanos. O aumento da quantidade de pesquisas na área da saúde torna as análises estatísticas um parâmetro confiável para confrontar hipóteses de pesquisa (SILVA, 2017). 8 REFERÊNCIAS BIBLIOGRÁFICAS COSTA, Giovani Glaucio de O. Curso de Estatística Básica, 2ª edição. São Paulo: Grupo GEN, 2015. ALONSO, W., & STARR, P. (Eds.). The politics of numbers: For the national committee for research on the 1980 census. New York: Russell Sage Foundation, 1987. AMERICAN Council on Education. To touch the future: Transforming the way teachers are taught; An action agenda for college and university presidents. Washington, DC: American Council on Education, 1999. BRASIL. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (Inep). FOUCAULT, M. Governmentality. Ideology and Consciousness, 1979. FOUCAULT, M. The political technologies of the individual. In: MARTIN, L., GUTMAN, H. and HUTTON, P. (eds.), Technologies of the self. Amherst: The University of Massachusetts Press, 1988. KALPAGAM, U. The colonial state and statistical knowledge. History of the human sciences, 2000. 49 POPKEWITZ, Tom; LINDBLAD, Sverker. Estatísticas educacionais como um sistema de razão: relações entre governo da educação e inclusão e exclusão sociais. Educação & Sociedade, v. 22, 2001. STARR, P. The sociology of official statistics. In: ALONSO, W. & STARR, P. (eds.), The politics of numbers: For the national committee for research on the 1980 census. New York: Russell Sage Foundation, 1987. TABACHNICK, Barbara G.; FIDELL, Linda S.; ULLMAN, Jodie B. Using multivariate statistics. Boston, MA: Pearson, 2013. VERDERY, K. Whiter “nation” and “nationalism”? Daedalus, 1993. Learning, 2016. BENTZEN, Warren R. Guia para observação e registro do comportamento infantil. Tradução de All Tasks. São Paulo: Cengage Learning, 2012. BOGDAN, Robert C.; BIKLEN, Sari Knopp. Qualitative research for education: an introduction to theories and methods. 5. ed. Boston, MA: Pearson, 2007. COHEN, Louis; MANION, Lawrence; MORRISON, Keith. Research methods in education. 8. ed. New York: Routledge, 2018. COZBY, Paul. Métodos de pesquisa em ciências do comportamento. Tradução de Paula Inez Cunha Gomide e Emma Otta. 1. ed. 7. reimpr. São Paulo: Atlas, 2014. CRESWELL, John W.; GUETTERMAN, Timothy C. Educational research: planning, conducting, and evaluating quantitative and qualitative research. 6. ed. Saddle River, NJ: Pearson, 2019. DANCEY, Christine; REIDY, John. Estatística sem Matemática para Psicologia. Tradução de Lori Viali. 7. ed. Porto Alegre: Penso, 2018. DANNA, Marilda Fernandes; MATOS, Maria Amélia. Aprendendo a observar. 3. ed. São Paulo: Edicon, 2015. GIL, Antonio Carlos. Métodos e técnicas de pesquisa social. 7. ed. São Paulo: Atlas, 2019b. GUETTERMAN, Timothy C.; MITCHELL, Nancy. “The role of leadership and culture in creating meaningful assessment: a mixed methods case study”. Innovative Higher Education, 2016. KOZINETS, Robert V. Netnography: the essential guide to qualitative social media research. 3. ed. Thousand Oaks, CA: Sage, 2020. 50 LUNE, Howard; BERG, Bruce L. Qualitative research methods for the social sciences. 9. ed. New York: Pearson, 2017. PATTON, Michael Quinn. Qualitative research & evaluation methods: integrating theory and practice. 4. ed. Thousand Oaks, CA: Sage, 2015. MATTAR, João; RAMOS, Daniela Karine. Metodologia da pesquisa em educação: Abordagens Qualitativas, Quantitativas e Mistas. São Paulo. Almedina Brasil. 2021. MEDEIROS, José Gonçalves; FERNANDES, Analu Regis; PIMENTEL, Raquel; SIMONE, Ana Carolina Seara. “Observação, em sala de aula, do comportamento de alunos em processo de aquisição de leitura e escrita por equivalência”. Interação em Psicologia, Curitiba. 2003. MERRIAM, Sharan B.; TISDELL, Elizabeth J. Qualitative research: a guide to design and implementation. 4. ed. San Francisco: Jossey-Bass, 2016. PATTON, Michael Quinn. Qualitative research & evaluation methods: integrating theory and practice. 4. ed. Thousand Oaks, CA: Sage, 2015. SEIDMAN, Irving. Interviewing as qualitative research: a guide for researchers in education & social sciences. 5. ed. New York: Teachers College, 2019. VAN MANEN, Max. Researching lived experience: human science for an action sensitive pedagogy. 2. ed. Abingdon: Routledge, 2016. CALLEGARI-JACQUES, I. M. Bioestatística: princípios e aplicações. Artmed. Porto Alegre, 2007. DOANE, D. P.; SEWARD, L. E. Estatística aplicada à administração e economia. 4. ed. AMGH. Porto Alegre, 2014. FREUND, J. E. Estatística aplicada: economia, administração e contabilidade. 11. ed. Bookman. Porto Alegre, 2006. SILVA, J. S. F. Bioestatística e sua aplicação em projetos de pesquisa em educação física. Porto Alegre, 2017. COLEDAM, D. H. C. O sobrepeso e a obesidade não estão associados com a pressão arterial elevada em jovens praticantes de esportes. Ciência & Saúde Coletiva, Rio de Janeiro, v. 22, n. 12, p. 4051-4060, dez. 2017. Disponível em: http://www.scielo.br/scielo.php?script=sci_arttext&pid=S141381232017021204051&l ang=pt#aff1.