IA para Análise Temática: Passo a Passo Ético

A análise que todo mundo teme (e como a IA entra nisso)

Olha só: a análise temática é, para muitas pesquisadoras qualitativas, o momento mais temido do processo. Você tem horas de entrevistas transcritas, páginas de notas de campo, um material denso e heterogêneo — e precisa transformar tudo isso em categorias, temas e, finalmente, em argumentos sobre a realidade que pesquisou.

Com a proliferação de ferramentas de IA, surgiu uma pergunta que muita gente está fazendo, mas poucas estão respondendo com honestidade: dá para usar IA nisso? Como? Com quais limites?

Esse post vai tentar responder sem eufemismo e sem alarme desnecessário.

O que é análise temática (para alinhar o vocabulário)

Análise temática, na formulação de Braun e Clarke (2006), é um método para identificar, analisar e relatar padrões (temas) nos dados. É um dos métodos mais usados na pesquisa qualitativa em ciências humanas e sociais.

O processo tem seis fases:

1. Familiarização com os dados — leitura repetida e imersiva no material. 2. Geração de códigos iniciais — identificação de fragmentos relevantes e atribuição de rótulos. 3. Busca de temas — agrupamento de códigos em temas candidatos. 4. Revisão dos temas — verificação de coerência interna dos temas com os dados. 5. Definição e nomeação dos temas — elaboração de descrição clara de cada tema. 6. Produção do relatório — escrita analítica conectando os temas à questão de pesquisa.

Dessas seis fases, a IA pode contribuir principalmente nas duas primeiras. As demais exigem julgamento analítico que não pode ser delegado.

O que a IA pode fazer na análise temática

Familiarização inicial com grandes volumes de dados

Se você tem 25 entrevistas transcritas, a IA pode ajudar a fazer uma primeira leitura estruturada: identificar tópicos recorrentes, frequência de conceitos, fragmentos que tratam de um tema específico.

Isso não substitui sua leitura. Mas pode ser um primeiro mapa que orienta onde prestar mais atenção.

Codificação inicial (como rascunho)

Você pode inserir um trecho de entrevista e pedir que a IA sugira códigos iniciais baseados no que está dito. O resultado é um rascunho de codificação, não uma análise.

Você vai discordar de parte das sugestões. Vai refinar. Vai criar códigos que a IA não viu porque não conhece seu referencial teórico, sua questão de pesquisa, o que aconteceu naquela entrevista além das palavras.

Isso é metodologicamente defensável: IA como ponto de partida, não como árbitro.

Organização e reagrupamento de códigos

Quando você tem 80, 100 códigos gerados, a IA pode ajudar a identificar sobreposições, agrupar por proximidade semântica e sugerir uma estrutura temática preliminar. Novamente: sugerir, não decidir.

Busca de fragmentos por tema

“Mostre todos os trechos em que os participantes falam sobre relação com o orientador” — isso a IA faz bem, se os dados já estiverem inseridos num ambiente com capacidade de busca semântica (como NotebookLM).

Isso economiza tempo em grandes corpora de dados.

O que a IA não pode fazer

Aqui preciso ser direta.

A IA não conhece o contexto do campo. Ela não sabe que aquela participante hesitou antes de responder, que aquele silêncio durou 8 segundos, que o sorriso antes da resposta sobre o orientador dizia algo que a transcrição não captura.

A IA não conhece seu referencial teórico. Um código “autonomia” num estudo fundamentado em Freire tem uma carga conceitual completamente diferente do mesmo código num estudo comportamental. A IA não sabe disso a menos que você explique — e mesmo assim, não vai ancorar a interpretação como você.

A IA não pode validar temas. A validação dos temas exige que você volte aos dados, verifique se os fragmentos atribuídos a cada tema realmente pertencem ali, e se o tema captura algo significativo sobre o fenômeno. Isso é julgamento analítico, não pattern matching.

A IA pode alucinar. Se você pedir que a IA resuma seus dados ou identifique temas, ela pode produzir afirmações plausíveis que não correspondem ao que os participantes realmente disseram. Isso é catastrófico numa pesquisa qualitativa.

Como usar IA na análise temática: um fluxo possível

Etapa 1 — Transcrição: Use ferramentas de transcrição automática (Whisper, Otter.ai) para converter as entrevistas gravadas em texto. Revise manualmente. As ferramentas cometem erros, especialmente com sotaques, termos técnicos e falas simultâneas.

Etapa 2 — Familiarização: Leia os dados você mesma, sem IA. Escreva notas sobre impressões iniciais. Depois, insira os dados numa ferramenta como NotebookLM e peça um resumo dos tópicos mais frequentes. Compare com suas impressões. As divergências são especialmente interessantes.

Etapa 3 — Codificação inicial: Faça os primeiros códigos manualmente. Se quiser sugestão da IA para trechos específicos, use como complemento — não como substituto.

Etapa 4 em diante: Desenvolva sozinha. Escreva memos analíticos sobre cada tema. Questione. Volte aos dados. A partir da busca por temas, a análise precisa ser sua.

Ética e transparência: o que precisa estar na metodologia

Se você usou IA em qualquer etapa da análise, isso precisa estar descrito na metodologia com clareza:

Qual ferramenta foi usada. Em qual etapa do processo. O que foi feito com o output da IA (descartado? ajustado? usado como ponto de partida?). Como a confidencialidade dos dados dos participantes foi garantida.

Periódicos estão cada vez mais exigindo essa transparência. Programas de pós-graduação também. E, mais importante, é o que a integridade metodológica exige.

Se você não quer declarar que usou IA, isso é um sinal de que talvez esteja usando além do que é defensável. O desconforto de declarar é um bom termômetro.

A questão da confidencialidade dos dados

Esse ponto merece atenção específica: quando você insere falas de participantes em ferramentas de IA online, esses dados saem do ambiente controlado da sua pesquisa.

Antes de inserir qualquer dado de participante em uma ferramenta de IA, verifique:

Se o TCLE prevê processamento por ferramentas computacionais externas. Se a ferramenta tem política de privacidade que garante que os dados não são usados para treinamento do modelo. Se os dados já estão anonimizados.

Para dados sensíveis, opções como Whisper local (rodando no seu computador, sem envio para a nuvem) ou ambientes com contratos de privacidade reforçados são mais seguros.

O que o Método V.O.E. tem a dizer sobre isso

O Método V.O.E. trabalha com a ideia de Execução orientada por entendimento. No contexto da análise qualitativa, isso significa: não execute a análise no piloto automático. Cada decisão analítica — incluindo quando usar IA e quando não usar — precisa ser consciente e justificável.

A IA pode acelerar partes do processo. Mas acelerar não é automatizar. O entendimento ainda precisa ser seu.

Fechando: a interpretação não terceiriza

A pesquisa qualitativa tem uma premissa fundamental: o pesquisador é instrumento de pesquisa. Sua leitura do campo, sua posição epistêmica, suas escolhas analíticas fazem parte do método e precisam ser declaradas e discutidas.

Quando você usa IA sem critério na análise, não está só comprometendo o rigor. Está apagando o que torna a pesquisa qualitativa o que ela é.

Use a IA como o que ela é: uma ferramenta de suporte para tarefas específicas, com limites claros e uso transparente.

Para ir mais fundo nessa discussão, veja os posts sobre como declarar o uso de IA no seu artigo e integridade acadêmica na era da IA.