Pesquisa com métodos mixtos

Esta é uma tradução automática da página em inglês; ainda não foi revisada por uma pessoa falante nativa.

Pesquisa com métodos mixtos — o desenho e a prática de combinar intencionalmente vertentes quantitativas e qualitativas dentro de um único estudo, de modo que seus pontos fortes se complementem e suas fraquezas se compensem. Na IA na educação, desenhos com métodos mixtos são amplamente usados porque os efeitos da IA são simultaneamente mensuráveis (ganhos de aprendizagem, engajamento) e carregados de sentido (confiança, agência, identidade) — e nem uma pesquisa nem uma entrevista isoladamente captura ambos.

Perguntas para refletir

• Suponha que uma pesquisa mostre que os estudantes relatam alta satisfação com uma ferramenta de IA, mas as notas nos testes não melhorem. Qual número está "certo"? A página argumenta que combinar vertentes quantitativas e qualitativas deixa cada uma explicar a outra — como uma entrevista poderia explicar o que os números isoladamente não conseguem?
• Uma visão comum é que os números são objetivos e as entrevistas são anedóticas, então a evidência quantitativa é superior. A página, em vez disso, trata as duas como complementares — amplitude e precisão dos números, profundidade e sentido das palavras. Quando um número sem contexto engana mais do que uma entrevista?
• Um padrão de desenho (explicativo sequencial) coleta dados quantitativos primeiro e depois usa entrevistas para explicar resultados surpreendentes. Você consegue pensar em um resultado educacional que era intrigante numericamente até que relatos qualitativos revelaram o mecanismo?
• A triangulação é o valor central: quando vertentes independentes convergem, a confiança sobe e, quando divergem, a própria discrepância é informativa. Você já teve duas fontes de evidência sobre a mesma coisa se contradizendo — e o que aprendeu com o conflito?
• Os métodos mixtos conseguem capturar simultaneamente efeitos (quanto ganho de aprendizagem) e sentido (confiança, identidade, agência) — coisas que nenhuma pesquisa ou entrevista única captura isoladamente. Se você fosse estudar se uma ferramenta de IA ajuda os estudantes, que perguntas quantitativas e qualitativas você parearia, e em que ordem?

Introdução

Desenhos com métodos mixtos integram a amplitude, a precisão e o poder causal dos métodos quantitativos com a profundidade, o contexto e o sentido dos métodos qualitativos. A proposta de valor é a triangulação: quando vertentes independentes convergem para a mesma conclusão, a confiança aumenta; quando divergem, a própria discrepância é informativa.

Padrões de desenho comuns

• Explicativo sequencial (QUAN → qual). Os dados quantitativos são coletados primeiro, e depois os dados qualitativos explicam ou contextualizam achados quantitativos surpreendentes ou significativos. Um estudo com métodos mixtos sobre GenAI e aprendizagem sustentável pareia pesquisas de três ondas com entrevistas de educadores para explicar o padrão quantitativo da melhoria à dependência excessiva.
• Exploratório sequencial (QUAL → quan). O trabalho qualitativo constrói teoria, gera hipóteses ou informa o desenho de instrumentos que são então testados quantitativamente. Uma tipologia qualitativa da adoção do ChatGPT produz categorias que podem informar o desenho de pesquisas posteriores.
• Exploratório sequencial com invariância de mensuração. Bu e Li (2026) codificam entrevistas para identificar as quatro dimensões do modelo, constroem um instrumento de 22 itens a partir delas, e então testam invariância configuracional, métrica e escalar por gênero e área disciplinar em uma amostra analítica de 642 — mostrando uma vertente qualitativa alimentando um instrumento de pesquisa e um teste de invariância confirmando que os construtos se comportam da mesma forma entre grupos.
• Convergente/paralelo. As vertentes quantitativas e qualitativas correm simultaneamente e são integradas na análise. O estudo do paradoxo da competência usa grupos focais de instrutores, uma pesquisa com estudantes e entrevistas de acompanhamento em paralelo; o estudo da lacuna entre confiança e utilidade combina evidência de pesquisa e de entrevista sobre a adoção de IA por estudantes de física.

Como os métodos mixtos aparecem na base de conhecimento

• Explicando mecanismos. Same AI, different pathways: Unpacking mechanisms of AI-mediated learning across discipline-institution contexts combina vertentes para desvendar os mecanismos da aprendizagem mediada por IA em contextos de disciplina-instituição, em que diferenças quantitativas isoladamente seriam opacas.

• Complementando dados de resultado com experiência. A segurança do tutor de IA pareia indicadores quantitativos de dano com relatos qualitativos de dano pedagógico; The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students pareia resultados quantitativos de pesquisa com relatos qualitativos de negociação de identidade.

• Integração sem agrupamento. Wang e Zhao (2026) coordenam uma pesquisa (N = 131), codificação humana de 66 textos de Engajamento Crítico e registros de programação (N = 1.423) que vêm de amostras diferentes e nunca são fundidos, atribuindo ao ramo de rastro sem IA um papel de teste de limite, e não confirmatório — cada vertente recebe um trabalho inferencial distinto, em vez de ser relatada lado a lado.

• Desenho e avaliação. Um experimento multissítio sobre desenho de feedback com GenAI combina mensuração de resultado experimental com feedback qualitativo de quem aprene, integrando estimativa de efeito quantitativa com orientação de desenho.

• Evidência de processo dentro de um grande ensaio. Mata et al. (2026) pareiam observação de sistema e discussões com administradores contra uma avaliação randomizada de quatro anos com 8.708 estudantes ao longo de oito semestres, com poder para detectar efeitos de 0,05 desvios padrão, de modo que o mesmo estudo explica as condições organizacionais que sustentaram um programa de chatbot e relata nulos fortemente limitados sobre média de notas e persistência.

• Triangulando um fenômeno de política. Um estudo sobre a postergação da privacidade dos estudantes em EdTech pareia doze entrevistas semiestruturadas com uma auditoria documental de 48 plataformas pontuada por dois codificadores quanto à confiabilidade interavaliadores (κ de Cohen médio = 0,781), usando as entrevistas para explicar por que a privacidade é postergada e a auditoria para mostrar o padrão de divulgação que a postergação produz — um desenho convergente em que nenhuma vertente isoladamente conseguiria sustentar a afirmação (Nair & Greenstadt, 2026)).

Pontos fortes e limitações

• Pontos fortes: a triangulação aumenta a confiança; amplitude quantitativa mais profundidade qualitativa; consegue explicar resultados inesperados e conectar mecanismo e magnitude; produz tanto efeitos quanto sentido; é adequada a fenômenos complexos e contextuais da IA na educação.
• Limitações: complexa, intensiva em recursos e metodologicamente exigente; a integração pode ser superficial se as vertentes forem meramente relatadas lado a lado, em vez de genuinamente fundidas; ainda herda as fraquezas de cada vertente (por exemplo, viés de autorrelato nas pesquisas, dependência do pesquisador nas entrevistas); exige proficiência nas duas tradições metodológicas.
• Um limite de agrupamento que restringe a inferência. Alshehri et al. (2026) atribuem duas turmas intactas (n = 31, n = 22), então, com apenas dois agrupamentos, os testes t relatados ignoram o aninhamento intraclasse e modelos multinível não são estimáveis, tornando os testes de significância otimistas sobre o que o desenho consegue sustentar.

Relação com o cenário mais amplo de métodos

Os métodos mixtos ficam entre as tradições quantitativa e qualitativa, recorrendo aos pontos fortes de cada uma, ao mesmo tempo que acrescentam a disciplina de desenho da integração intencional. É uma resposta metodológica ao reconhecimento de que os fenômenos da IA na educação são tanto efetivos quanto carregados de sentido — e de que o campo avança mais rápido quando amplitude e profundidade são combinadas (veja Métodos de pesquisa em AIED). Conecta-se à mensuração educacional (instrumentos quantitativos), ao desenvolvimento de teoria na IAED (construção qualitativa de teoria) e à avaliação da IAED (integrando evidência de resultado e de experiência).

Conceitos conectados

• Métodos de pesquisa em AIED
• Pesquisa qualitativa
• Pesquisa quantitativa
• Medição educacional
• Ganhos de aprendizagem
• Desenvolvimento de Teoria na IA na Educação
• Avaliação de IA na educação
• Experiência dos estudantes

Artigos conectados

• From Enhancement to Over-Reliance: A Mixed-Method Study of Generative AI and Sustainable Learning Performance — Da melhoria à dependência excessiva (pesquisas + entrevistas)
• The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students — O paradoxo da competência (grupos focais + pesquisa + entrevistas)
• Trust-utility gap in introductory physics education: Students' adoption, domain-specific skepticism, and preferences for AI integration — A lacuna entre confiança e utilidade (pesquisa + entrevistas)
• Same AI, different pathways: Unpacking mechanisms of AI-mediated learning across discipline-institution contexts — Mecanismos da aprendizagem mediada por IA entre contextos
• Human-centered GenAI feedback design in higher education: a multisite experiment on direct, reflective, and hybrid approaches to scientific argumentation — Desenho centrado no humano de feedback com GenAI (multissítio)
• SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems — Segurança do tutor de IA e danos pedagógicos
• Pragmatic users and skeptical nonusers: A qualitative typology of ChatGPT adoption in physics education — Uma tipologia qualitativa da adoção do ChatGPT na física
• "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech — "Consertaremos Depois": Educação, IA e a Postergação da Privacidade dos Estudantes em EdTech