IA para Codificação Qualitativa: NVivo e MAXQDA

Quando a IA encontra a análise qualitativa

Vamos lá. Você tem 40 entrevistas transcritas, cada uma com 20 páginas. São 800 páginas de texto e uma pergunta pulsando na sua cabeça: por onde eu começo a codificar isso?

A codificação qualitativa sempre foi um processo lento, iterativo e profundamente intelectual. Você lê, relê, marca trechos, cria categorias, percebe que uma categoria não funciona, renomeia, agrupa de novo. É assim que funciona, e tem que funcionar assim porque o processo de codificar é, em si, um processo de análise.

Mas nos últimos anos o NVivo e o MAXQDA incorporaram funcionalidades de IA nos seus módulos de análise, e muita pesquisadora ficou com uma dúvida legítima: isso é uma ajuda real ou é mais um recurso que parece ótimo no vídeo de apresentação mas não entrega nada útil na prática?

A resposta honesta é: depende de como você usa. E esse é exatamente o ponto que quero discutir aqui.

O que a IA faz de fato no NVivo e no MAXQDA

Antes de qualquer coisa, é importante clarear o que esses módulos de IA são e o que não são.

No NVivo, o recurso Auto Code (codificação automática) permite que o software identifique padrões temáticos em grandes volumes de texto usando processamento de linguagem natural. Ele não chega ao material do zero, interpretando tudo sozinho. O que ele faz é sugerir agrupamentos com base em similaridade semântica: trechos que falam sobre “pressão de tempo” vão para um nó, trechos sobre “apoio da orientadora” vão para outro.

No MAXQDA, o AI Assist tem uma proposta parecida, mas com uma camada a mais de interação. Você pode descrever em linguagem natural o tipo de trecho que está buscando, e o sistema localiza passagens potencialmente relevantes no corpus.

Em ambos os casos, o que você recebe são sugestões. Não códigos fechados, não análise pronta. Sugestões que você precisa revisar, aceitar ou rejeitar, e frequentemente reformular.

Olha só: isso não é pouca coisa. Para pesquisas com grandes volumes de dados, ter um ponto de partida já organizado pode economizar horas de trabalho. Mas o ponto de chegada ainda precisa ser seu.

Por que o julgamento analítico continua insubstituível

Aqui mora o ponto que mais gera confusão quando se fala em IA para análise qualitativa.

A IA identifica padrões na superfície do texto. Ela vê que a palavra “medo” aparece várias vezes num trecho e agrupa esse trecho com outros que têm “receio”, “insegurança”, “ansiedade”. Ela faz isso com precisão surpreendente para identificação léxica.

Mas ela não sabe que, no contexto da sua pesquisa sobre ensino superior em periferias urbanas, “medo” na fala de uma estudante de primeira geração carrega um significado muito específico, historicamente situado, que não é o mesmo “medo” que aparece na fala de uma estudante de classe média. Essa distinção é sua. Ela está na teoria que você escolheu, na epistemologia que orienta sua pesquisa, no campo que você fez.

Quando a Nathalia fala no Método V.O.E. sobre a importância de manter a pesquisadora como protagonista do processo analítico, é exatamente disso que se trata. Ferramentas automatizam tarefas repetitivas, mas a pesquisadora orienta o sentido.

A IA é uma assistente de análise, não uma analista.

O que documentar quando você usa IA na codificação

Se você optar por usar os recursos de IA do NVivo ou do MAXQDA, o rigor metodológico vai depender da sua documentação. Aqui está o que precisa aparecer na sua seção de método:

O que você usou: o nome do recurso, o software e a versão. Não é “usei IA para codificar”, é “utilizei o recurso Auto Code do NVivo versão X para gerar uma codificação inicial baseada em similaridade semântica.”

Como você validou: descreva o processo de revisão. Você leu todos os trechos sugeridos? Quantos você moveu de categoria, quais você descartou, quais você manteve? Se você aceitou tudo sem revisar, isso é um problema metodológico, não um problema da IA.

Quem tomou as decisões analíticas: as categorias finais precisam ter uma justificativa teórica que é sua, não do algoritmo. A IA sugere agrupamentos, mas os nomes dos códigos, as definições das categorias e as relações entre elas vêm da sua leitura teórica.

Esse nível de transparência não é exigência burocrática. É o que permite que outros pesquisadores entendam e avaliem o seu processo analítico.

IA generativa externa e dados de pesquisa: uma zona de atenção

Existe uma diferença importante entre usar os módulos nativos de IA do NVivo e do MAXQDA e usar ferramentas generativas externas, como o ChatGPT ou o Claude, para codificar suas entrevistas.

Os softwares de análise qualitativa têm políticas de privacidade específicas para dados de pesquisa e funcionam, em geral, de forma local ou em ambientes controlados. Quando você envia transcrições de entrevistas para uma IA generativa numa interface web, os dados passam por servidores externos, e aí surgem questões que você precisa responder antes:

Seu comitê de ética aprovou o uso de plataformas externas com os dados coletados? As participantes da pesquisa foram informadas de que os dados poderiam ser processados por ferramentas de terceiros? Qual é a política de retenção de dados da plataforma que você está usando?

Não estou dizendo que usar ChatGPT para apoiar a análise qualitativa é errado por definição. Estou dizendo que esse uso exige uma camada a mais de planejamento ético que muita pesquisadora pula porque está no meio do prazo e precisa terminar a análise logo.

Faz sentido? A conveniência não justifica atalhos que podem comprometer a integridade da pesquisa.

Quando faz sentido usar IA na codificação e quando não faz

Há situações em que os recursos de IA no NVivo e MAXQDA são genuinamente úteis:

Quando você tem um corpus muito grande e precisa de uma primeira leitura para identificar onde estão os temas mais frequentes. Quando você está em fase exploratória e quer ver se o material sugere categorias que você não tinha antecipado. Quando você trabalha em equipe e quer uma base comum de codificação antes que cada pesquisadora refine a partir de sua perspectiva.

E há situações em que esse recurso tende a atrapalhar mais do que ajudar:

Quando você tem poucos dados mas muito densos, como um corpus de entrevistas longas sobre experiências únicas. Quando sua pergunta de pesquisa exige uma sensibilidade interpretativa muito específica que vai além do padrão semântico. Quando você está em estágio avançado da análise e já tem categorias consolidadas.

A ferramenta não é boa ou ruim no abstrato. Ela é mais ou menos adequada dependendo do seu problema de pesquisa, do seu corpus e do momento da análise em que você está.

O processo de revisão depois da codificação automática

Uma coisa que pouca gente fala é o trabalho que vem depois da codificação automática. Aceitar ou rejeitar sugestões não é o fim do processo, é o começo de uma segunda rodada de análise.

Depois que o NVivo ou o MAXQDA propõem os agrupamentos iniciais, você precisa sentar com cada nó (ou categoria) e fazer perguntas que o algoritmo não consegue fazer por você:

Esse código captura um conceito ou está misturando dois conceitos diferentes que só parecem parecidos na superfície? Os trechos que estão aqui têm algo em comum além das palavras que usam? Esse agrupamento faz sentido à luz do referencial teórico que eu escolhi para esta pesquisa?

Esse processo de revisão crítica é onde a análise qualitativa de fato acontece. A sugestão automática é o esqueleto. A interpretação é o que dá vida a ele.

Muitas pesquisadoras que começam a usar esses recursos esperando que a IA “faça a análise” acabam frustradas exatamente porque pulam essa etapa de revisão, aceitam os agrupamentos como se fossem resultados definitivos, e depois não conseguem articular a lógica analítica no texto da dissertação. A banca percebe.

O diário reflexivo como ferramenta de controle

Uma prática que ajuda muito quando você usa IA na codificação, e que é recomendada em pesquisa qualitativa de forma geral, é manter um diário reflexivo do processo analítico.

Não precisa ser nada elaborado. Pode ser um documento simples onde você registra coisas como: por que criou um novo código, por que fundiu dois códigos que a IA havia separado, o que fez você perceber que determinado agrupamento não estava funcionando, qual reflexão teórica mudou a forma como você estava vendo os dados.

Esse diário tem dois usos práticos muito concretos.

O primeiro é metodológico: ele vira evidência do seu percurso analítico. Quando você escrever o capítulo de método e precisar descrever como fez a análise, esse diário é a sua memória.

O segundo é pessoal: nos momentos em que você se perguntar “será que eu fiz certo?”, o diário te mostra que você tomou decisões conscientes, revisou, ajustou, pensou. Isso é rigor. Isso é pesquisa.

A pergunta que você precisa responder para si mesma

Existe uma pergunta simples que pode guiar sua decisão sobre quando e como usar IA na codificação qualitativa:

Se um avaliador do seu comitê de banca me pedisse para explicar cada decisão de codificação, eu conseguiria? Não no sentido de “a IA sugeriu e eu aceitei”, mas no sentido de “eu entendo o motivo teórico e analítico por trás de cada código e de cada agrupamento.”

Se a resposta for sim, você usou a IA como apoio e manteve o protagonismo analítico. Se a resposta for não, é hora de voltar ao material e rever.

A tecnologia avança, os softwares ficam cada vez mais sofisticados, e o repertório de ferramentas disponíveis para quem pesquisa vai continuar crescendo. O que não muda é que a responsabilidade pela análise é sua. A IA pode processar padrões no texto. Só você pode dar sentido a eles.

Se você quer entender como trabalhar de forma estruturada com seus dados qualitativos mantendo o controle do processo analítico, dá uma olhada nos recursos disponíveis aqui. E se quiser aprofundar a discussão sobre uso ético de IA na pesquisa, o Método V.O.E. tem bastante coisa nesse sentido.

A ferramenta é sua aliada. Você é a pesquisadora.