Triangulação de Dados com IA Generativa na Pesquisa

Triangulação: o que é e por que importa antes de falar de IA

Vamos lá. Antes de entrar em como a IA se encaixa aqui, preciso ter certeza de que estamos falando da mesma coisa quando digo triangulação.

Triangulação não é simplesmente “usar mais de uma fonte de dados”. É uma estratégia metodológica deliberada para aumentar a validade da pesquisa ao confrontar perspectivas diferentes sobre o mesmo fenômeno. Denzin, que sistematizou o conceito, identificou quatro tipos principais: triangulação de dados (múltiplas fontes), de pesquisadores (múltiplos observadores), de teorias (múltiplos referenciais teóricos) e de métodos (técnicas diferentes de coleta ou análise).

A ideia central é que quando achados convergem a partir de fontes ou métodos independentes, a validade dos resultados aumenta. Quando divergem, essa divergência em si é dado: revela complexidade no fenômeno que merece análise.

Tudo bem até aqui. Agora, onde entra a IA generativa nessa equação?

O que a IA pode fazer na triangulação (e com quais limitações)

Existe pelo menos três pontos na triangulação onde a IA pode ser útil sem comprometer o rigor metodológico.

Identificação de padrões em grandes volumes textuais

Se você está triangulando dados de entrevistas com análise documental e registros de campo, e ao final tem centenas de páginas de texto, a IA pode ajudar a fazer uma varredura inicial em busca de padrões recorrentes. Ferramentas como Claude ou ChatGPT conseguem identificar temas emergentes, pontos de recorrência e expressões frequentes em textos longos.

Importante: isso é varredura inicial, não análise definitiva. Os padrões que a IA sinaliza precisam ser verificados por você dentro do contexto do referencial teórico e do problema de pesquisa.

Comparação entre categorias de análise

Quando você já tem categorias de análise estabelecidas de uma fonte de dados e está aplicando-as a outra, a IA pode ajudar a verificar se os mesmos trechos que você classificou numa categoria aparecem também na segunda fonte. Isso acelera o processo de comparação sem substituir o julgamento analítico.

Identificação de inconsistências

Uma das funções da triangulação é justamente encontrar divergências que revelam a complexidade do fenômeno. A IA pode ajudar a sinalizar quando os dados de diferentes fontes parecem contraditórios, como ponto de partida para análise mais aprofundada. Mas ela não vai te dizer o que essa contradição significa. Isso é trabalho seu.

Os limites que você não pode ignorar

Existem aspectos da triangulação que a IA não pode substituir, e tentar usar a IA nessas funções produz análises falsamente rigorosas.

Julgamento sobre relevância. A IA identifica frequência e padrão. Você identifica relevância. Uma expressão que aparece em 80% das entrevistas pode não ser mais relevante teoricamente do que uma que aparece em 20%, dependendo do papel que ela desempenha no fenômeno estudado. Esse julgamento é epistemológico, não estatístico.

Interpretação de divergências. Quando duas fontes de dados se contradizem, a divergência não é um erro, é dado. Mas entender o que ela significa exige que você conheça o contexto de cada fonte: quem falou, em que situação, com qual motivação, com qual posição no fenômeno. A IA não tem acesso a esse contexto. Você tem.

Ancoragem teórica. A triangulação só faz sentido dentro de um referencial teórico que orienta o que você está buscando convergir ou divergir. A IA trabalha com padrões textuais, não com teoria. Quem ancora a análise na teoria é você.

Como declarar o uso de IA na triangulação

Se você usou IA para apoiar qualquer etapa da triangulação, isso vai para a metodologia. Especificamente:

Descreva qual ferramenta você usou (Claude 3, ChatGPT-4, outro). Descreva para qual finalidade específica: varredura de padrões? Comparação entre categorias? Identificação de inconsistências? Descreva como os resultados gerados pela IA foram verificados por você. Descreva como a interpretação final foi realizada, com ancoragem no referencial teórico.

Um exemplo de redação que funciona:

“Para apoiar a comparação entre as categorias emergentes das entrevistas e dos documentos analisados, utilizou-se o assistente de IA Claude (Anthropic) para identificação de padrões textuais recorrentes. Os padrões sinalizados pela ferramenta foram revisados e interpretados pela pesquisadora em diálogo com o referencial teórico adotado. A interpretação das convergências e divergências encontradas foi realizada exclusivamente pela pesquisadora, sem delegação à ferramenta.”

Esse nível de transparência é exatamente o que está sendo pedido pela Portaria CNPq 2664/2026 e pelas políticas crescentes de integridade acadêmica. Veja mais em como declarar uso de IA na dissertação.

Triangulação e validação: não confunda os dois

Uma confusão frequente é tratar triangulação como equivalente a validação. Não é.

Triangulação é uma estratégia analítica. Validação é o processo de verificar se você está medindo o que pretende medir. Você pode triangular e ainda ter problemas de validade se as fontes trianguladas forem todas tendenciosas da mesma forma.

Por exemplo, se você triangula dados de entrevistas com estudantes e registros de observação feitos pela mesma pesquisadora com a mesma orientação teórica, a convergência entre essas fontes não é necessariamente validação: pode ser apenas consistência de um mesmo ponto de vista.

Triangulação robusta pressupõe independência entre as fontes. E isso é uma decisão de design de pesquisa que precisa ser tomada antes da coleta, não depois.

O que isso significa na prática do Método V.O.E.

No Método V.O.E., a fase de Orientação inclui decisões metodológicas como o design da triangulação. Antes de coletar qualquer dado, é necessário ter clareza sobre: quais fontes serão trianguladas, por quê essas fontes são independentes o suficiente, e como as convergências e divergências serão interpretadas.

A IA pode ser uma ferramenta dentro da Execução, para tarefas específicas de processamento de dados. Mas o desenho metodológico, que é onde a triangulação começa, permanece humano.

Faz sentido? Então antes de abrir qualquer formulário ou transcrever qualquer entrevista, desenhe a sua triangulação no papel. O que você quer convergir? De onde vêm as fontes? Como elas são independentes?

Essa é a pergunta que a IA não vai fazer por você. Mas você pode.

Exemplos práticos de triangulação com apoio de IA

Para tornar isso mais concreto, dois cenários que ilustram o uso de IA na triangulação dentro de limites metodologicamente sólidos.

Cenário 1: Triangulação em pesquisa qualitativa sobre experiência de mestrandas que trabalham.

A pesquisadora coletou dados de três fontes independentes: entrevistas semiestruturadas com 12 mestrandas, análise de postagens em grupos de Facebook de pós-graduandas, e documentos institucionais sobre políticas de acesso ao mestrado.

O corpus textual total ficou em torno de 300 páginas. Para identificar temas recorrentes de forma mais sistemática, ela usou o Claude para varrer as transcrições em busca de expressões relacionadas a tempo, gestão de demandas e sentimento de capacidade. A ferramenta devolveu uma lista de expressões e contextos recorrentes.

A partir dessa lista, a pesquisadora verificou manualmente se as expressões apareciam também nos documentos institucionais e nas postagens (com as devidas adaptações de registro). As convergências reforçaram algumas categorias analíticas; as divergências (por exemplo, os documentos institucionais falavam de “flexibilidade” enquanto as entrevistadas falavam de “acúmulo”) geraram uma categoria analítica nova sobre o gap entre discurso institucional e experiência vivida.

Todo esse processo foi descrito na metodologia.

Cenário 2: Triangulação em pesquisa documental sobre regulação de IA em universidades.

A pesquisadora analisou 24 documentos de regulamentação de IA em universidades brasileiras. Para comparar os documentos e identificar padrões nas abordagens adotadas (proibicionistas, permissivas, regulatórias), ela usou IA para categorizar excertos por tipo de abordagem.

A ferramenta produziu uma categorização inicial que a pesquisadora revisou, corrigiu e interpretou à luz do referencial teórico sobre governança de tecnologia. A análise final foi dela, mas o processamento inicial dos 24 documentos teria levado dias a mais sem apoio da ferramenta.

Esses dois cenários mostram o que o uso de IA na triangulação deveria ser: acelerador de processamento, não substituto de análise.

Para mais sobre validade e rigor metodológico na pesquisa qualitativa, leia também análise temática na pesquisa qualitativa e entrevista em profundidade na pesquisa.