IA em Pesquisa Mista (Mixed Methods): Como Usar

Quando um método só não dá conta

Vamos lá. Existe um conjunto de perguntas de pesquisa que um único método não consegue responder bem. Você quer saber quantas pessoas têm determinada experiência e também o que essa experiência significa para elas. Você quer medir um fenômeno e compreender o processo que o gerou. Você quer confirmar um padrão numérico e dar voz às histórias que estão por trás dele.

Aí a pesquisa de métodos mistos, ou mixed methods, entra como possibilidade. E junto com ela, uma pergunta crescente: onde a IA se encaixa nesse processo que já é complexo por natureza?

A resposta curta: a IA se encaixa em vários pontos, mas com limites muito específicos. Esse post vai detalhar onde ela ajuda, onde ela atrapalha se você não tomar cuidado, e como pensar o uso com clareza.

O que é pesquisa mista e por que é mais complexa do que parece

A pesquisa de métodos mistos não é simplesmente “usar questionário e entrevista no mesmo estudo”. É uma abordagem com lógica própria, com designs específicos, com critérios de qualidade que se aplicam tanto ao componente qualitativo quanto ao quantitativo.

Os designs mais comuns no Brasil incluem o sequencial explanatório, onde você coleta dados quantitativos primeiro, analisa, e usa os resultados para guiar uma fase qualitativa posterior. Tem o sequencial exploratório, que faz o caminho inverso. E o design convergente, que coleta as duas formas de dados em paralelo e integra na análise.

Cada design tem implicações para como você usa a IA. Em um design sequencial, a IA pode ajudar na transição entre as fases. Em um design convergente, ela pode apoiar na integração dos achados. Mas o ponto central é que a lógica da integração precisa ser sua.

IA na fase qualitativa da pesquisa mista

A componente qualitativa de uma pesquisa mista costuma envolver entrevistas, grupos focais, análise de documentos ou observação. É aqui que a IA está sendo cada vez mais usada.

Transcrição: ferramentas como o Whisper da OpenAI, o Otter.ai e o Transkriptor conseguem transcrever áudio com qualidade razoável. Isso poupa horas de trabalho mecânico. A revisão da transcrição ainda precisa ser feita pelo pesquisador, porque erros de homófonos e nomes próprios são comuns.

Organização inicial das falas: depois de transcrever, você tem um volume de texto que pode ser grande. A IA consegue ajudar a organizar as falas por tema, identificar quais trechos são mais relevantes para cada categoria, criar uma estrutura inicial de análise. Isso não é análise de conteúdo finalizada. É um pré-processamento que você vai revisar, questionar e refinar.

Codificação inicial: modelos como ChatGPT ou Claude conseguem sugerir códigos para um conjunto de falas se você der instruções claras sobre o seu quadro teórico. Isso pode servir como primeiro olhar, mas você precisa checar cada código sugerido. A IA não tem acesso ao contexto da coleta, às nuances da comunicação não verbal, às coisas que você percebeu estando lá. Isso é insubstituível.

IA na fase quantitativa da pesquisa mista

Aqui, o que foi dito sobre pesquisa survey se aplica também. A análise estatística precisa ser feita em softwares confiáveis, com você entendendo o que cada resultado significa.

O que a IA faz bem nessa fase: explicar procedimentos que você ainda está aprendendo, ajudar a redigir a seção de resultados quantitativos, verificar se a sua interpretação das estatísticas faz sentido lógico.

O que a IA não faz: calcular estatísticas confiáveis. Se você pedir para um modelo de linguagem calcular a correlação entre duas variáveis, ele vai inventar um número plausível. Não faça isso.

A integração: o coração da pesquisa mista

Esse é o ponto mais sensível, e onde o uso da IA precisa mais atenção.

A integração em uma pesquisa mista é o processo de colocar os dados qualitativos e quantitativos em conversa. Você analisa os dois separadamente, e depois se pergunta: o que eles dizem juntos? Onde convergem? Onde divergem? O que a divergência indica?

A IA pode ajudar a:

Organizar os achados das duas fases em uma estrutura visual ou textual que facilite a comparação. Criar rascunhos da seção de integração a partir dos pontos que você identificou. Sugerir metáforas ou enquadramentos para comunicar a integração de forma clara.

A IA não pode:

Decidir o que a convergência ou divergência significa. Isso depende do seu referencial teórico, do contexto da pesquisa, do que você sabe sobre os participantes e sobre o campo. A IA pode sugerir interpretações, mas você precisa validá-las com a literatura e com sua compreensão do objeto.

Um exemplo prático: você tem dados quantitativos mostrando que professores com mais de 10 anos de experiência reportam menor satisfação com formação continuada. E nas entrevistas, vários professores experientes falam sobre a distância entre o que os cursos oferecem e as demandas reais da sala de aula.

Você pode pedir para a IA redigir o parágrafo que integra esses dois achados. Ela vai conseguir fazer uma primeira versão razoável. Mas a interpretação de por que isso acontece, o que isso implica para políticas de formação, como isso se conecta com a literatura sobre desenvolvimento profissional docente: isso é seu.

Como declarar o uso de IA em uma pesquisa mista

Em uma pesquisa mista, o uso de IA provavelmente vai aparecer em mais de uma etapa. A declaração precisa ser mais detalhada.

Uma estrutura possível para a seção metodológica: “Este estudo utilizou ferramentas de inteligência artificial em etapas específicas do processo de pesquisa. Na fase qualitativa, utilizou-se [ferramenta de transcrição] para transcrição das entrevistas, com revisão manual pelo pesquisador. A organização inicial das unidades de registro contou com apoio do modelo [nome, versão], com supervisão e revisão do pesquisador. Na fase quantitativa, a análise estatística foi conduzida no [software]. A redação da seção de integração recebeu apoio de modelo de linguagem [nome] para formatação e coerência textual, com revisão e validação teórica do pesquisador.”

Transparência não prejudica a pesquisa. Ela a fortalece.

O que a pesquisa mista exige que a IA não consegue dar

Vou ser direta aqui, porque vale dizer claramente.

A pesquisa de métodos mistos é uma das abordagens mais exigentes metodologicamente. Ela exige domínio de duas tradições de pesquisa diferentes. Exige clareza filosófica sobre como você entende o conhecimento, o que determina se você vai priorizar qual método, como vai pesar os achados quando divergem.

Isso não é coisa que você aprende na conversa com um modelo de linguagem. Você aprende lendo Creswell, Teddlie, Bryman, Minayo, os debates da área. Você aprende fazendo, errando, discutindo com seu orientador.

A IA é uma parceira eficaz para tarefas específicas dentro de um processo que você conduz. Ela não conduz o processo. Se você não tem clareza sobre por que está fazendo pesquisa mista e como vai integrar os dados, nenhuma ferramenta de IA vai suprir essa lacuna.

Um caminho que faz sentido

Se você está em uma pesquisa com métodos mistos e quer usar IA de forma responsável, um caminho possível é este: usá-la para acelerar as partes mecânicas, como transcrição e organização de dados. Usá-la para apoio na redação, depois que você já sabe o que quer dizer. Usá-la para checar a clareza e a coerência do texto.

E reservar sua energia intelectual para o que nenhuma ferramenta substitui: a decisão de design, a condução das entrevistas, a interpretação dos dados, a integração dos achados.

A pesquisa mista bem feita é poderosa porque combina o melhor de dois mundos. A IA, bem usada, pode ajudar a construir cada um desses mundos com mais eficiência. Mas a arquitetura que une os dois mundos é sempre do pesquisador.

Para mais sobre o uso de IA em métodos específicos, veja também os posts sobre IA em pesquisa survey e IA para análise temática.