Base de Conhecimento AIEdAIEd KB
Nesta página

Esta página foi traduzida para o português. As páginas de artigo continuam escritas em inglês. Ler esta página em inglês

Conceitos

Pesquisa qualitativa

Criado 2026-08-24 · Atualizado 2026-10-03

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

Pesquisa qualitativa — a família de métodos empíricos que estuda como as pessoas vivenciam, interpretam e dão sentido aos fenômenos, tipicamente por meio de palavras, observações e artefatos, e não de números. Na IA na educação, os métodos qualitativos revelam como estudantes e professores de fato vivenciam as ferramentas de IA — os sentidos, as tensões, os danos e os mecanismos que as medidas padronizadas perdem. Como a IA na educação se move rápido e seus efeitos são frequentemente mediados por contexto, percepção e construtos contestados como confiança e agência, o trabalho qualitativo é essencial ao lado de desenhos quantitativos (veja Métodos de pesquisa em AIED).

Perguntas para refletir

  • Uma pesquisa lhe diz que 40% dos estudantes desconfiam de um tutor de IA; um grupo focal lhe diz por que eles desconfiam. Qual número parece mais acionável para você, e o que o "porquê" acrescenta que a porcentagem não consegue?
  • Os achados qualitativos geralmente não são generalizáveis estatisticamente, mas frequentemente são "generalizáveis conceitualmente" — mecanismos e dinâmicas que se transferem para outros lugares. Antes de ler, o que significa para um achado ser generalizável em conceito, mas não em estatística?
  • A página alerta que a concordância de codificação entre humanos e LLMs não é o mesmo que qualidade de codificação quando o consenso humano não é verdade de base. Você já tratou "dois revisores concordaram" como prova de que algo estava correto? Quando a concordância é sinal de verdade, e quando é apenas erro compartilhado?
  • Se a IA agora consegue assistir a codificação qualitativa em escala, isso ameaça a profundidade interpretativa que torna a pesquisa qualitativa valiosa, ou apenas automatiza sua trabalheira? Como você decidiria qual dos dois está acontecendo em um dado estudo?
  • O trabalho qualitativo centra vozes sub-representadas — estudantes de minorias étnicas, não usuários céticos — que grandes pesquisas frequentemente perdem. Pense em uma afirmação sobre IA na educação que você ouviu. A experiência de quem provavelmente não é capturada pelo número de manchete?
  • Escolha um construto contestado de que você goste — confiança, agência ou dano. Antes de ler, esboce como você o estudaria com palavras e observações, e não com números, e anote o que você perderia ao fazê-lo.

Introdução

A pesquisa qualitativa não é um método único, mas uma família organizada por o que eles estudam e como a evidência é reunida e analisada. O que os une é a ênfase na construção de sentido, no contexto e na profundidade, em vez da amplitude e do controle causal. Os achados qualitativos tipicamente não são generalizáveis no sentido estatístico, mas frequentemente são generalizáveis conceitualmente — revelando mecanismos, categorias e dinâmicas que se transferem para outros contextos. No corpus da base de conhecimento, o trabalho qualitativo é proeminente para estudar aceitação da IA, confiança, dano, prática de ensino e processos de aprendizagem.

Principais abordagens qualitativas

Análise temática

A análise temática identifica, codifica e interpreta padrões ("temas") ao longo dos dados qualitativos — tipicamente transcrições de entrevistas ou de grupos focais, respostas abertas de pesquisa ou documentos. É a abordagem mais amplamente usada nos estudos qualitativos da base de conhecimento. As entrevistas e as respostas abertas são, elas mesmas, dados de autorrelato, então compartilham os limites sobre o que pode ser afirmado a respeito do comportamento — veja aquela página para onde a evidência de autorrelato é forte e onde ela se rompe. Um estudo da lacuna entre confiança e utilidade na física usa análise temática de dados de entrevistas com estudantes para revelar ceticismo e preferências de adoção específicos do domínio; uma comparação do feedback de GenAI com o do professor analisa percepções dos estudantes sobre utilidade e confiabilidade; e diretrizes para aprendizagem adulta com IA derivam princípios de desenho da codificação temática de insumos de especialistas e de aprendentes. Como a IA muda os fluxos de trabalho do ensino se apoia em análise temática de relatos de educadores.

A confiabilidade da codificação pode se tornar um procedimento contínuo, em vez de uma verificação pontual. Galiç et al. (2026) codificam 304 afirmações de noticing em α de Krippendorff = .803, monitoram a concordância em cinco casos sobrepostos (κ agrupado = 0,937) e recodificam as afirmações disputadas sempre que a concordância caía abaixo de um limiar de recalibração de 0,85 antes de retomar; as afirmações codificadas entram então em uma análise de rede epistêmica que modela quais dimensões coocorrem, em vez de uma lista plana de temas.

Teoria fundamentada

A teoria fundamentada constrói uma teoria a partir dos dados, em vez de testar um framework a priori, usando codificação iterativa (aberta → axial → seletiva) até a saturação teórica. É ideal para construir nova teoria sobre fenômenos emergentes da IA na educação. Liu et al. desenvolvem uma teoria fundamentada de ferramenta, tutor ou muleta — uma tipologia de três modos de como os estudantes andam ou descarregam cognitivamente na IA na educação em programação — teorizando diretamente o deslocamento cognitivo. Um estudo de teoria fundamentada sobre tutores críticos de IA examina se tais tutores empoderam ou escravizam quem aprene. O desenho centrado no humano de feedback com GenAI usa análise fundamentada ao longo de um estudo multissítio. Veja também Desenvolvimento de Teoria na IA na Educação para como tais teorias fundamentadas alimentam a construção de teoria do campo.

Fenomenologia e fenomenografia

Abordagens fenomenológicas estudam a experiência vivida de um fenômeno — como é aprender com IA — enquanto a fenomenografia estuda as formas qualitativamente diferentes pelas quais as pessoas vivenciam e compreendem um fenômeno (produzindo "categorias de descrição"). A Linha de Base Cognitiva Ausente recorre às experiências vividas dos estudantes de autoavaliação sob a IA para teorizar uma lacuna estrutural; um estudo fenomenológico captura a experiência de completar trabalho com a IA sabendo que não se entende; e um estudo sociocultural e interpretativo analisa como a GenAI se torna um "objeto desgovernado" na prática acadêmica de matemática.

Análise de discurso

A análise de discurso examina como a linguagem em uso constrói sentido, identidades e poder — analisando fala em sala de aula, texto escrito ou sequências interacionais. O NSPA conduz análise de discurso de sala de aula de horizonte longo (aqui assistida computacionalmente) para mitigar viés de dialeto na compreensão da interação em sala de aula; um estudo de estudantes preparatórios de minorias étnicas analisa discurso colaborativo em tarefas de prompt engineering. A análise de discurso faz a ponte entre interpretação qualitativa e métodos computacionais quando combinada com o PLN educacional.

Poudyal (2026) mostra como a codificação de discurso se torna auditável quando é traduzida em regras contáveis: ao longo de 366 resumos e 91.405 tokens, uma associação conta apenas quando um ator precede um predicado dentro de seis palavras intervenientes, e a proximidade nominal é excluída, de modo que "governança da IA" nunca conta como evidência de que a IA governa — uma aproximação baseada em regras, e não uma análise sintática por dependência, cujos limites o desenho declara.

Observações e etnografia

Estudos de observação observam o comportamento em contexto; a etnografia estende isso ao estudo sustentado e imersivo de um cenário, frequentemente com o pesquisador como observador participante. Uma etnografia em trio da educação em programação apoiada por LLM rastreia como as interpretações dos estudantes evoluem; um estudo de caso em sala de aula observa a integração do letramento em IA na biologia. Métodos observacionais capturam o comportamento real (o que quem aprene faz com a IA), em vez do comportamento relatado — complementando as pesquisas de autorrelato que dominam a mensuração quantitativa das atitudes.

Estudos de caso

Um estudo de caso é uma investigação aprofundada de um caso delimitado (um curso, uma instituição, um único aprendente) usando múltiplas fontes de dados. Um estudo de caso de escola de negócios gera um framework de ensino e aprendizagem para a GenAI informado pelos estudantes; um estudo de caso de biologia documenta a integração do letramento em IA. Estudos de caso trocam amplitude por profundidade e são fortes para geração de teoria e insight transferível, e não para generalização. Khlaif et al. (2026) oferecem um estudo de caso qualitativo de 21 estudantes de graduação com deficiência visual em três universidades palestinas, usando análise temática de entrevistas semiestruturadas para mostrar como a GenAI funciona como uma tecnologia assistiva para a aprendizagem inclusiva — um exemplo de pesquisa de estudo de caso revelando mecanismos (adaptação personalizada, aumento do professor, paridade educacional) que as medidas quantitativas perdem.

Swidan (2026) triangula vídeo, os próprios registros do sistema de alertas e entrevistas de recordação por estímulo para um professor e oito estudantes, mostrando que um sinal afetivo só adquiria sentido por meio da resposta do professor; a codificação de episódios em duas etapas por um único autor, sem codificação independente nem detecção validada de afeto, marca o limite do que uma análise de caso de um único codificador consegue garantir.

Entrevistas e grupos focais

Entrevistas semiestruturadas e grupos focais são os instrumentos primários de coleta de dados em todas as abordagens acima. Eles eliciam relatos ricos e contextuais. O corpus qualitativo da base de conhecimento é construído substancialmente sobre entrevistas (por exemplo, trilhas de especialização) e grupos focais (por exemplo, o paradoxo da competência em texto-para-imagem, Guidelines for Designing AI Technologies to Support Adult Learning). A qualidade depende de desenho cuidadoso de perguntas, amostragem por variação e análise rigorosa.

Como a pesquisa qualitativa aparece na base de conhecimento

A IA e a análise qualitativa

Um desenvolvimento recente distintivo é o uso de LLMs para assistir a codificação qualitativa. A evidência da base de conhecimento é cautelosa: Comparing human and LLM ordered coding of qualitative data: How coding differences cascade through temporal analysis mostra que a codificação por LLM e por humanos diverge, com erros se propagando pela análise temporal; Concordância Não É Qualidade mostra que a concordância de codificação entre humanos e LLMs não é o mesmo que qualidade de codificação quando o consenso humano não é verdade de base. A codificação assistida por LLM pode escalar e acelerar a análise qualitativa, mas suas saídas exigem verificação contra o julgamento humano — uma interseção importante da pesquisa qualitativa com o PLN educacional e a avaliação da IAED.

O problema da saída fluente e a garantibilidade. Holster (2026) aguça por que precisão e divulgação são padrões insuficientes para o trabalho qualitativo assistido por IA. Como as LLMs reorganizam corpora em minutos em tópicos, citações e afirmações de prevalência fluentes, elas podem ocultar a via analítica que os produziu — e as pessoas tendem a avaliar a saída facilmente processada e fluente como mais verdadeira. Holster propõe a garantibilidade como complemento à precisão e à divulgação: uma interpretação assistida por IA é garantível quando a via dos dados de origem até a afirmação permanece inspecionável, contestável e revisível. Sua maquinaria construtiva são as lentes semânticas (reorganizações documentadas de um corpus ao longo de níveis de abstração) e um repertório de artefatos de garantia relativo à afirmação — tabelas de tópicos vinculadas à fonte, pilhas de lentes e rios de evidência — desenhados nas ferramentas, de modo que a análise fluente também produza um registro de via retraçável. Isso estende a tradição de trilha de auditoria do campo para a era generativa e dá aos revisores algo concreto para contestar além de uma interpretação final.

  • Confiabilidade não é precisão na codificação por LLM multiagente. Um pipeline informado pela literatura em que dois codificadores de IA codificaram de forma independente, debateram e reconciliaram discordâncias produziu concordância entre codificadores acima do κ de Cohen de 0,85 em todo conjunto de dados e rótulo, enquanto o F1 de critério variou de 0,31 a 0,89 (média 0,68, DP 0,16) — alta concordância entre agentes que estavam ambos errados. Manuais de codificação mais longos (t = -11,702) e excertos mais semelhantes (t = -9,249) reduziram a precisão inicial, e os turnos de discussão se correlacionaram positivamente com a precisão (t = 7,997), enquanto conflitos corretamente resolvidos e modos de colaboração se correlacionaram negativamente (t = -9,720 e -8,420), então a convergência é um proxy fraco para a correção. A implicação prática é que a codificação assistida por IA precisa de adjudicação no nível de checklist contra uma referência humana, em vez da concordância entre agentes como sinal de qualidade. (How AI Coders Discuss, Disagree, and Reach Consensus: Challenges and Opportunities for LLM-Based Qualitative Coding)

Pontos fortes e limitações

  • Pontos fortes: insight ecológico e conceitual profundo; revela fenômenos, riscos e mecanismos inesperados; essencial para a construção de teoria (veja Desenvolvimento de Teoria na IA na Educação); captura sentido, contexto e construtos contestados; centra perspectivas sub-representadas; forte para estudar fenômenos de movimento rápido, em que as medidas padronizadas ficam atrás.
  • Limitações: generalizabilidade estatística limitada; interpretativo e dependente do pesquisador (preocupações de confiabilidade); amostras pequenas; apoio mais fraco para afirmações causais; os achados podem ser difíceis de sintetizar entre estudos; intensivo em tempo e em trabalho.

Métodos qualitativos e quantitativos são complementos, e não rivais — veja Métodos de pesquisa em AIED para como eles contrastam e triangulam, e métodos mixtos para desenhos que os combinam.

Conceitos conectados

Artigos conectados

Metadados

Desenho do estudoInterviews, Case Study
Métodos de pesquisa e avaliaçãoPesquisa qualitativa, Métodos de pesquisa em AIED
SourceHistoryEditChat

Incorporar esta página

Copie o código abaixo para incorporar esta página num sistema de gestão da aprendizagem ou noutro site. A versão incorporada mostra apenas o conteúdo da página — o cabeçalho, a navegação e o rodapé do site ficam escondidos.