TIPOLOGIAS, ESCALAS E INDICADORES EM EDUCAÇÃO

Fernando Tavares Júnior[1]

Este ensaio com conclusões parciais versa sobre de pesquisa quantitativa em Ciências Humanas, principalmente em Educação, e objetiva analisar um sumários de procedimentos básicos e simples que possam ser compreendidos e executados por um pesquisador forçado a lidar com dados quantitativos mas que não tem familiaridade com este tipo de atividade. Esse perfil, embora inadequado, atinge muitos pesquisadores uma vez que o campo de estudos da Educação configura-se como uma área complexa e que muitas vezes exige o diálogo entre fenômenos e pesquisas de caráter eminentemente quantitativos e qualitativos, abrangendo desde a sala de aula (micro) e os sistemas (macro).

Os cursos de licenciatura têm em geral uma carga horária restrita ligada à metodologia de pesquisa quantitativa e análise de dados, exceção feita aos cursos ligados à Ciências Exatas. Tornou-se comum e salutar a formação de equipes com especialistas em educação e em análise de dados, e este ensaio trata da interseção entre essas duas áreas ou seja da aplicação de ferramentas comuns na estatística para estudos educacionais com cunho eminentemente quantitativo, em especial ligados às pesquisas de diagnóstico (survey) e de avaliação.

O objeto do ensaio é a produção de tipologias, escalas e indicadores, bem como a utilização de correlações para além de sua aplicação tradicional na verificação de hipóteses de causalidade. Os pressupostos teóricos foram formados com a composição de publicações de metodologia de pesquisa (a) em ciências humanas e sociais, em especial em educação (incluindo métodos qualitativos e suas observações acerca de tipos e valoração); estatística (b) e utilização de softwares especializados (no caso o SPSS); roteiros e rotinas de trabalho (c) elaboradas por pesquisadores que trabalham com o tema. A preocupação foi identificar e aprofundar técnicas que sejam mais adequadas ao tratamento do fenômeno educativo.

Também foram indicados procedimentos que podem ser utilizados em situações pontuais. A metodologia utilizada previu o catálogo de rotinas de tarefas de análises de dados, como: composição, testagem, organização, análise e conclusão; e a entrevista com pesquisadores estatísticos da área educacional. Observou-se que se pode complementar a deficiência na formação básica de licenciatura com cursos específicos na área, entretanto, o aprendizado de ferramentas estatísticas por si só não garante a versatilidade do profissional, que deve ainda trabalhar com pressupostos teóricos de metodologia de pesquisa em educação e o significado das estruturas analíticas proporcionadas pela estatística.

Surveys

A prática da pesquisa quantitativa trabalha, na maioria das experiências, com amostras de uma determinada população que representa suas características em análise. Pretende-se com isso possibilitar um estudo de determinados fenômenos para posterior generalização das conclusões para o conjunto da população. Os surveys se aplicam a amostras amplas, em geral tomadas aleatoriamente, através do uso de formulários estruturados ou questionários, em geral fechados e previamente testados.

Alguns cuidados básicos relativos a esse tipo de trabalho em Educação se referem a:

1. Analisar adequadamente qual é o fenômeno em estudo e a população exposta a ele, para que se possa de maneira correta determinar a partir de qual grupo será selecionada a amostra.

2. Selecionar a amostra com rigor e critério, preferencialmente de modo aleatório.

3. Em paralelo, elaborar o instrumento de pesquisa com muito cuidado e verificar exatamente o que ele está interrogando, que tipo de dado está produzindo e o que esse tipo de dado permite para a equipe de pesquisa em relação à análise. Por exemplo, deve-se dar preferência a montagem de perguntas que permitam respostas mais livres, para posterior tabulação, como idade (variável intervalar) e faixa etária (variável ordinal). Data de nascimento seria a pergunta mais adequada estatisticamente.

4. É importante também pré testar o questionário. Aplicá-lo a um grupo restrito para verificar se o instrumento está atingindo seus objetivos.

5. Caso seja possível, antes de arquitetar a pesquisa quantitativa, é importante ler experiências de pesquisa qualitativa sobre aquele fenômeno, em especial quais categorias são mais importantes. Depois, pode-se realizar algumas entrevistas semi estruturadas com um pequeno grupo, definido a partir das características do “tipo ideal” de sua amostra e verificar quais são seus comportamentos frente às questões centrais de sua pesquisa.

6. Na aplicação dos questionários é fundamental o treinamento de toda a equipe e a “supervisão cega”. Verificação dupla da correta aplicação dos questionários por uma equipe treinada e confiável.

7. Na digitação, também deve ser feita a supervisão, por exemplo com uma amostra de 10% dos questionários. Caso seja detectado erro ou vício de digitação, é necessário revisar o conjunto dos questionários. Portanto, vale a pena realizar a supervisão concomitante.

8. Ao montar o banco de dados é importante definir as variáveis, como numérica, lógica ou alfanumérica; de razão, intervalar, ordinal ou nominal, qual o tamanho máximo permitido do campo, dentre outras definições que se fizerem necessárias. Distinguir os campos que se aplicam dos que não se aplicam, digitar os casos em branco, os que não responderam, definir o título da variável e o significado das categorias (dos números).

Para o survey, o mais importante é que os dados sejam confiáveis. Portanto sua produção e montagem em um banco de dados é a base da pesquisa. Se ocorrerem erros, por menos que sejam, eles podem comprometer os resultados. Para que o trabalho seja bem feito, atitudes importantes são:

a) Calma e paciência

b) Muita atenção a todos os procedimentos e etapas

c) Relatar, se possível diariamente, os passos do trabalho, ou seja, as atividades do dia.

d) Registrar os procedimentos em sintaxe.

e) Ter um bom clima de trabalho e uma equipe integrada.

f) Manter supervisão permanente.

Procedimentos sumários:

Freqüência

É o procedimento mais utilizado. Pode-se agregar à freqüência simples, as freqüências válida (exceto os casos inválidos), acumulada, percentual e percentual acumulada. Se a variável for contínua ou apresentar muitas categorias, deve-se antes tabular a variável, recodificando-a em uma segunda variável. Caso prefira-se a apresentação total, podem-se agregar medidas de tendência central (mediana, média e moda) e de dispersão (desvio padrão), bem como, caso seja permitido, um gráfico. Sugere-se um histograma com curva normal.

Se a variável não for numérica, por exemplo lista dos 5 livros mais importantes lidos no último ano, obrigatoriamente deve-se tabular antes a variável. Para isso, ordene a variável em estudo alfabeticamente, imprima-a e leia o resultado total. Depois, organize o resultado em categorias e tabule a variável recodificando-a de alfanumérica para numérica.

Outros procedimentos sumários importantes são o cálculo único de medidas de tendência central, principalmente média, mediana, percentis e moda; ou as medidas de dispersão, principalmente máximo e mínimo, variância e desvio padrão. Essas medidas descrevem sinteticamente a variável, sem a necessidade de elaborações mais requintadas com a associação entre duas ou mais variáveis.

Na descrição da variável, se ela for discreta e com poucas categorias, pode-se associar outra variável para a montagem de uma Tabela Cruzada, simplificando e sintetizando o trabalho sem perda de informações.

Tabela Cruzada (entre variáveis discretas ou categóricas)

Para a montagem da Tabela Cruzada, devem ser selecionadas duas variáveis discretas e já tabuladas. A primeira variável é a variável em estudo (dependente) e deve ficar na linha – horizontal. A segunda variável deve-se associar a ela e deve apresentar, para sua análise, poder explicativo, ou seja, ela deve ser uma variável independente. Essa segunda variável deve ser selecionada seguindo os seguintes critérios:

1) Ser confiável, discreta, já tabulada e preferencialmente com poucas categorias

2) Deve ocupar a coluna.

3) Deve ser solicitado percentual de coluna

O percentual de coluna permite a comparação entre os grupos de acordo com a variação ou polarização desses percentuais (tabela 5). Podem ser solicitadas outras estatísticas, além do percentual de coluna. Essas medidas não são tão utilizadas e aqui serão apenas citadas. A primeira é o teste do qui-quadrado que verifica a diferença entre a projeção esperada entre duas colunas e o que foi observado. É uma medida de relação, como Pearson, mas adequada a variáveis discretas (tabela6). As outras medidas são

- Lambda: entre variáveis nominais, medida de direção (tabela 7).

- Gamma: entre variáveis ordinais, medida de simetria (tabela 8)

- Pearson: entre variáveis intervalares ou de razão, medida de simetria (tabela8)

Mesmo com essas medidas, o aspecto mais visível e claro da tabela cruzada é mesmo o percentual. A análise desse percentual pode indicar a variação do comportamento entre os grupos e portanto pode indicar correlação entre as variáveis, outro passo é estudar se essa variação é significativa, o que ela significa, para qual situação se aplica. Isso deve ser organizado de acordo com o fenômeno e com os referenciais em estudo.

Médias comparadas

No caso de uma relação entre uma variável discreta e uma contínua, pode-se utilizar a comparação entre as médias para cada grupo, ou seja a tabela de médias comparadas. O procedimento é simples: , define-se a variável independente (discreta) e a dependente (contínua). Calcula-se a média da dependente para cada grupo da independente e verifica-se o contraste. (tabela 2)

Como ocorre com a tabela cruzada, as médias comparadas têm seu aspecto mais visível e claro na própria tabela e essa informação pode reger a análise. Outras estatísticas também podem ser utilizadas, embora menos freqüentemente. Uma delas é a Tabela ANOVA (tabela 3) e outra é ETA (tabela 4), ambas medidas de associação.

Correlação: Pearson

Quando as variáveis são contínuas, principalmente de razão, o procedimento de associação entre elas deve ser o Índice de Correlação de Pearson. No SPSS ele apresenta um formato claro no cálculo de correlações bivariadas e mostra as associações e o quanto são significativas (bandeiras).

Além de definir a associação entre as variáveis e a correlação, um indicador de uma causalidade, a correlação de Pearson indica o sentido da relação, como um distintivo de proporcionalidade. Quando uma variável cresce, Pearson verifica se a segunda variável também cresce e a qual proporção de crescimento, ou seja o quanto uma variável acompanha a outra. Bem como quando descrevem o sentido inverso.

Assim, pode-se também inferir a aproximação ou semelhanças no comportamento das duas variáveis. Uma possibilidade, como mostra a tabela 9, pode-se utilizar, ainda que precariamente por nem sempre se adequar ao modelo da questão, como diagnóstico da relação entre itens de uma questão, ou seja, para a definição de comportamentos de aproximação e afastamento em relação a um determinado tema.

Isso possibilita a construção de tipologias baseadas nas similaridades das respostas a itens de determinada questão que aborda um mesmo tema. A definição de tipos se dá a partir dos itens que mais se aproximam (maior correlação) e a distinção daqueles que mais se afastam (correlação negativa). No caso de questões ordinais, ordenamento de objetivos, prioridades, ou outras, a correlação tende a sempre ser negativa. Nessa caso verifica-se a maior polaridade (afastamento) e a menor diferença (aproximação).

Para a construção de tipos, pode-se então:

a) Identificar os itens que mais se aproximam e grupá-los.

b) Identificar os grupos que mais se distanciam.

c) Realizar um escore das repostas a um determinado grupo de itens.

d) Fazer o mesmo em relação a outros grupos, desde que sejam possíveis os mesmos escores mínimos e máximos.

e) Caso naturalmente não seja possível a obtenção de escores paritários, pode-se fazer uma média que eqüalize as variáveis criadas.

f) Subtrair então as variáveis criadas, gerando uma nova variável.

g) Essa nova variável terá um valor mínimo (em geral abaixo de zero) e um máximo (acima de zero) que tendem a se igualar em módulo. O sinal é mera convenção.

h) Pode-se então definir, de acordo com os referenciais de cada pesquisa, um tipo que se aproxima de um grupo de itens e apresenta escores negativos e outro tipo que se aproxima de outro grupo de itens e apresenta escores positivos. Seriam então definidos dois “tipos ideais” em relação aos escores mínimo e máximo

i) Logicamente, é possível a definição de mais de dois tipos. Por exemplo é possível definir o tipo indeciso como aquele que obtém escore 0. Entretanto, como objetiva-se a construção de um índice ou de uma escala, a definição de dois tipos ideais e polares parece mais adequada.

Mais uma vez afirma-se a consciência de que o Índice de Correlação de Pearson não é uma estatística devidamente elaborada para variáveis que não sejam de razão, ordinais por exemplo, entretanto, como nem sempre é possível a construção de uma variável desse tipo e como o Índice de Correlação de Pearson apresenta bem a correlação, seu sentido e sua proporcionalidade, ele torna-se uma ferramenta útil para situações desse tipo, bem como apresenta uma visualização agradável, pois o SPSS disponibiliza um quadro único e com bandeiras de significância, ao contrário de estatísticas mais adequadas para variáveis nominais ou ordinais, com Lambda e Gamma, ou mesmo ETA – que necessitam de cálculo para cada dupla de variáveis.

Correlação: Distâncias

Outra ferramenta estatística importante ligada às correlações é o cálculo de distâncias. Essa estatística é utilizada para verificação caso a caso das proximidades ou distanciamentos entre os comportamentos dos casos para um grupo específico de variáveis, por exemplo relacionadas ao mesmo tema, como motivos do fracasso escolar.

Deve-se antes, caso utilize o SPSS, realizar uma amostra aleatória com 100 casos da amostra, uma vez que a matriz de distância só permite a apresentação em duas dimensões para escalas multidimensionais até esse número de casos.

Pretende-se com isso identificar diferentes padrões de resposta a um grupo de variáveis ordinais que tratam do mesmo tema e com isso verificar aproximações, afastamentos, concentrações em determinadas regiões, dispersões, polaridades e o comportamento mais central – o que mais se aproxima de todos, e portanto é o tipo menos rejeitado – bem como o mais periférico.

No caso de um grupo variáveis ordinais, devem-se procurar cálculos de correlações e depois o cálculo de distâncias. Seleciona-se o tipo de distância: entre casos ou entre variáveis, o que os afastam ou o que os aproxima. Inicialmente, pode-se procurar afastamento entre os casos: “dessemelhanças”. Depois seleciona-se o tipo de cálculo de medida mais adequado, para variáveis ordinais o qui-quadrado. E por fim, verifica-se se todas as opções estão adequadas para a produção de uma matriz simétrica de distâncias entre os 100 casos selecionados aleatoriamente no que se refere ao seu comportamento em relação ao conjunto de variáveis escolhido.

Uma vez produzida a matriz, ela deve ser convertida num banco de dados com 100 casos e 100 variáveis. Seleciona-se no item relativo a produção de escalas, o processo de escalagem multidimensional. Selecionam-se todos os casos e grifa-se a opção do banco como uma matriz de distâncias, logicamente um conjunto de variáveis de razão. Seleciona-se o processo estatístico de produção das escalas em duas dimensões e pede-se a disponibilização de um gráfico bidimensional da escala.

Para a análise do gráfico, verificam-se quais são os comportamentos típicos em cada quadrante, em cada posição ou pólo, onde há maior concentração. Para isso, identifica-se o caso e verifica-se no banco original quais foram os escores desse caso em relação às variáveis selecionadas para a análise. Com os escores e as posições, são montados os padrões de análise de acordo com os pressupostos definidos.

Índices e Escalas

Sobre índices e escalas, cabe primeiro uma distinção. Embora a literatura aponte diferentes conceitos, segue-se aqui a distinção básica feita por BABBIE (1990) entre os dois procedimentos em relação ao método de construção.

a) Índice: é resultado de uma soma de escores sem que necessariamente haja entre eles um ordenamento, ou seja, todos os escores guardam entre si um significado semelhante. Por exemplo, se gosta ou não (1=sim 2=não) de um grupo de modalidades esportivas.

b) Escala: é o produto de um processo estatístico, não apenas soma, em que as variáveis que o compõem guardam entre si um ordenamento, e seus escores portanto não têm para a pesquisa um significado semelhante. Se gosta de futebol (A), se pratica (B), se é profissional (C).

Os índices e escalas têm grande poder explicativo porque descrevem intrinsecamente uma noção de gradação, ou seja a arquitetura de um índice ou de uma escala torna um conjunto de variáveis, que guardam nexo entre si (por exemplo por tratar do mesmo tema), uma variável única, normalmente ordinal, mas que pode também ser intervalar, que significa o nível ou gradiente de intensidade em relação ao aspecto, tema ou comportamento que se está medindo.

Nas vezes em que o índice é o produto final da análise ou quando for utilizado apenas para ser comparado com outros índices do mesmo banco, é interessante que eles seja padronizados para que possam ser melhor interpretados. Como em geral apresentam escores de 0 ao máximo, os índices podem ser padronizados entre 0 e 10 utilizando uma regra de proporcionalidade: dividindo-se pelo máximo valor que possa ser assumido e depois multiplicando-se por dez. Logicamente que isso fere as relações exatas entre os casos, mas não fere sua proporcionalidade e portanto pode ser utilizado para uma visualização mais fácil de ser compreendida .

Quando foi tratado do Índice de Correlação de Pearson, foi também tratado da possibilidade da construção de índices e escalas a partir da associação variáveis em grupos e de sua distinção pela subtração de seus escores. O resultado seria um índice de –X a X, passando, é lógico, pelo zero, que seria o valor central do índice em relação aos dois tipos ideais polares. Nesse caso, a conversão para uma amplitude padrão, como 0 e 10, seria de forma semelhante: soma-se +X, levando mantendo a amplitude mas levando o mínimo a zero e o máximo a 2X. Divide-se por 2X e multiplica-se por dez.

Se selecionado esse tipo de processo para construção de índices, percebe-se que as variáveis selecionadas foram aquelas que apresentaram maior correlação entre si e maior polaridade em relação a outro grupo de variáveis e não todas as variáveis analisadas naquele tema. Logo, potencializou-se a polaridade. Isso deve-se ter sempre em mente uma vez que intencionalmente foram deixadas de lado outras variáveis que compuseram seu instrumento de pesquisa.

Numa análise conjunta de um fenômeno, índices construídos seguindo os mesmos padrões, mesma amplitude e características semelhantes, podem ser agrupados em um índice mais amplo e global. Esse índice trará muitas variáveis, desde que versem sobre o mesmo tema, e possibilitará a agregação de características aos tipos ideais polares. Portanto, ao construir um índice, deve-se ter sempre em mente que ele comporta uma polaridade e que essas polaridade devem ser coerentes com um tipo ideal pré definido teoricamente, que apresente poder explicativo e que encontre na realidade, ou seja, na sua amostra, casos com características semelhantes. Isso acaba por potencializar as polaridades e os próprios tipos ideais.

Outra estratégia para potencializar polaridades é atribuir pesos distintos a determinados índices, logicamente os que apresentam as maiores polaridades. Com isso, intensificam-se as diferenças. Entretanto, essa ponderação tem que ser justificada a partir de conjunto de pressupostos teóricos que a norteiam .

Tipologias

A partir dos procedimentos expostos, o pesquisador pode construir diferentes tipos de indicadores, bem como pode indicar diferentes tipos e “tipos ideais”. Sobre os tipos e sobre tipologia, já foram descritos vários caminhos para sua elaboração e interpretação. É importante destacar que a pesquisa quantitativa não precisa nem deve se afastar da pesquisa qualitativa. Essa dualidade deve ser superada pelo pesquisador do fenômeno educativo ao refletir que a educação é um campo complexo e que sua descrição necessita de ferramentas quantitativas e gerais , bem como de procedimentos qualitativos.

A contribuição da pesquisa qualitativa para a definição de tipologias e interpretação de fenômenos é muito importante. Enquanto os dados quantitativos analisam os resultados ou produtos, os instrumentais qualitativos de pesquisa analisam o processo. A descrição das características de seus elementos constituintes, de seus sujeitos e atores bem como das relações estabelecidas no contexto em estudo são informações riquíssimas para a reflexão acerca dos dados obtidos pelo instrumento de pesquisa quantitativo. Portanto, é possível e salutar uma íntima relação entre a interpretação qualitativa de um fenômeno e a construção de um instrumento quantitativo (questionário) para aplicação em uma amostra mais ampla da população em estudo.

A interpretação qualitativa e a análise quantitativa podem e devem estabelecer relações de diálogo em que os números são interpretados como qualidades do fenômeno e as tipologias, sujeitos e interpretações são analisados, juntamente com as estatísticas, como produtores de determinado contexto social.

Nesse aspecto, é muito importante a construção de tipologias que guardem significado para o conjunto da pesquisa, ou seja, estejam articuladas com o referencial teórico e com os dados em análise. Serão aqui descritos alguns caminhos para a produção de tipologias, de acordo com a situação em estudo.

O primeiro deles já foi anteriormente citado: o uso de correlações para definição de aproximações, afastamentos, polaridades e grupos. Sinteticamente, a partir de um grupo de variáveis, são selecionadas as dependentes e inicialmente uma variável independente. Em geral, a variável independente separa a amostra em grupos. Para cada grupo, haverá um comportamento esperado em relação aos escores obtidos em um determinado grupo de variáveis.

Depois de analisadas as variáveis, pode-se:

a) Apontar os traços de semelhança entre os grupos para os casos em que as variáveis obtiveram escores paritários.

b) Definir quais variáveis foram mais influenciadas pela variação do grupo e que portanto sofreram algum tipo de influência dos grupos.

c) Usando medidas de associação, verificar quais variáveis apresentam comportamentos semelhantes e agrupá-las em tipos.

d) Alinhar os tipos em índices ou escalas de forma a obter, preferencialmente, uma distribuição de tipos ideais polares, de modo que ocorram tanto número de pólos (incluindo-se ou não um pólo de neutralidade) quanto o número de grupos da variável independente.

Outra forma de arquitetar uma tipologia é verificar padrões de resposta e estabelecer critérios prévios para classificação, como no quadro abaixo, utilizado para determinação de classes de pontuação para construção de um escore de pontuação para uma variável de classificação.

Quadro 1: Escala a partir de indicadores educacionais

Valor	Escola pública	Freq de notas	Fez vest	Isento
10	Sim	90-100	Sim	Sim
9	Não	90-100	Sim	Sim
8	Sim	90-100	Sim	Não
7	Sim	90-100	Não	Não
6	Sim	70-90	Sim	Sim
5	Sim	70-90	Não	Não
4	Não	70-90	Sim	Sim
3	Sim	60-70	Sim	Sim
2	Sim	60-70	Sim	Não
1	Sim	60-70	Não	Não

A partir de respostas (escores nominais) obtidas em 4 variáveis, foram selecionadas respostas tidas como mais valorizadas e menos valorizadas. Depois foi feito um gradiente de pontuação para cada arranjo de possibilidades, que não foi nesse caso exaustivo, ou seja não foram esgotadas as possibilidades e os excluídos ficaram com escore 0. Esse tipo de construção assemelha-se a um índice e apresenta de um lado um tipo ideal positivo (10) com escores desejados em todas as variáveis, e de outro, um tipo ideal negativo (0), sem se enquadrar em nenhuma das possibilidades aplicadas, além de outros 9 tipos intermediários, cada um com suas características bem definidas.

Pode-se ainda construir um índice e, a partir de sua definição, definir também os tipos que se encontram nas posições principais: os pólos e o centro. Essa estratégia é mais simples, entretanto cabe frágil interpretação do significado dos tipos, principalmente dos intermediários, já que não há como definir um comportamento único de escores das variáveis que dê significado a uma posição intermediária.

Uma estratégia muito útil para construção de tipos a partir de um conjunto de variáveis construídas de maneira semelhante é a adoção de suas categorias como elemento de interpretação dos tipos. Por exemplo, em nove perguntas acerca da concordância (5) ou discordância (1) com diretrizes de um programa de governo, com possibilidades intermediárias: concordo mais que discordo (4), não concordo nem discordo (3), discordo mais que concordo (2); pode-se fazer uma soma dos nove escores obtidos e dividir por nove. Um tipo ideal “concordância plena” teria média cindo, quem discorda sempre apresentaria média um. Quem se aproxima-se de 1,85 estaria próximo a discordar mais que concordar. A vantagem dessa estratégia é que as categorias intermediárias ganham mais sentido por estarem próximas dos enunciados, embora na prática isso apenas se aplique integralmente para variáveis intervalares. Entretanto cabe aqui mais uma vez a ressalva que nem sempre é possível formular questões possíveis de “respostas intervalares” ou “de razão”, e que mesmo não sendo propriamente adequado, esses procedimentos em verdade auxiliam o pesquisador na interpretação de seus dados, desde que ele tenha sempre em mente as fragilidades típicas desse tipo de pesquisa.

Considerações finais

Ao longo do trabalho, lendo manuais, livros e artigos, entrevistando pesquisadores e observando a rede curricular de formação de professores, percebeu-se que a formação em pesquisa se dá fora de sala de aula, para além das aulas de estatística e metodologia de pesquisa. Por isso, é fundamental articular as experiências extra-classe com o processo de ensino, algo que está se tentando fazer na Faculdade de Educação da UFJF, através da reforma curricular, embora ainda nos primeiros passos.

A preocupação com a formação do professor e do pesquisador é fundamental para o progresso da Educação e para a melhoria da qualidade da formação docente. Tradicionalmente, ocorre uma formação dos licenciandos, principalmente aqueles em cursos de ciências humanas, e parte específica do curso ligada às licenciaturas é ainda mais neglicenciada. Com isso, quando há preocupação com a formação em pesquisa, essa preocupação se dá quase sempre na área de pesquisa próxima ao bacharelado, embora a maioria dos alunos de cursos de licenciatura apresentem a tendência de se dedicar profissionalmente à docência, até porque é a área onde surgem mais possibilidades de colocação profissional.

Quando há uma crescente exigência de um professor-pesquisador, que analisa criticamente a educação e sua atuação docente como ação transformadora da realidade, é mister haver também uma preocupação com a formação desses profissionais. Quando defende-se a formação adequada, isso não se limita a grades curriculares, mas ao conjunto de experiências proporcionadas durante o ciclo de formação do futuro educador, portanto uma rede curricular articulada que harmoniosamente se dedique também à pesquisa, suas teorias e práticas e seus exercícios.

Deve-se salientar também a dificuldades da pesquisa quantitativa em ciências humanas, predominantemente em Educação, o que carece de atenção especial na adequada formação para enfrentamento dos desafios típicos desse campo. Entende-se a Educação como um campo complexo, que articula contribuições de diversas ciências e portanto deve ser capaz de produzir saberes inter e transdisciplinares. Para isso, é também fundamental o diálogo entre a pesquisa qualitativa e a quantitativa, uma vez que as duas em muitas situações se complementam e na maioria dos casos nenhuma delas, sozinha, dá conta do fenômeno educativo. Os números e estatísticas são qualidades do fenômeno, bem como as interpretações auxiliam na análise de processos “encobertos” pelos dados.

Por fim, deve-se ressaltar que este estudo ainda está em curso e apresenta resultados parciais. Devemos agradecer a todos os colegas da Faculdade de Educação da UFJF e do CAEd. Os procedimentos e análises aqui sinalizados fazem parte de um conjunto de práticas de diferentes pesquisadores, entre eles o autor, que teve o prazer de trabalhar em equipe com pessoas notáveis que muito se esforçam para o crescimento da pesquisa em Educação e para o desenvolvimento de estratégias inovadoras de análise. Este ensaio foi voltado para aqueles que se iniciam nesse campo e que tomara um dia possam estar engajados no progresso científico da Educação e seu desenvolvimento social decorrente.

Referências Bibliográficas

BABBIE, Earl. Survey research methods. 2a. Edição. Belmont, California; Wadsworth Publishing Company, 1990. 395p.

BOGDAN, Robert C. e BIKLEN, Sari Knopp. Investigação Qualitativa em Educação. Trad: Maria João Alvarez, Sara Bahia dos Santos e Telmo Mourinho Baptista. Porto, Porto Editora, 1994.

BRANDÃO, Zaia ; BAETA, Anna Maria Bianchini e ROCHA, Any Dutra Coelho. A Escola em questão: evasão e repetência no Brasil. 2ª edição. Rio de Janeiro, Dois Pontos, 1986.

CARRIÓN, Juan Javier Sánchez. Manual de Análises de Dados. Madrid, Alianza Editorial, 1995.

D’ ANCONA, Maria Ángeles Cea. Metodología Cuantitativa: Estratégias Y Técnicas de Investigación Social. Madrid, Editorial Síntesis, 1996.

FOGAÇA, Azuete. Sobre educação e economia: um estudo sobre a automação flexível e a recuperação da inteligência na produção. Rio de Janeiro: 1994. Tese (Doutorado em Educação) - FE/UFRJ.

GESTOSO, José Ignacio Cano. Curso de Introdução à Análise de Dados em Pesquisa Quantitativa. (mimeo) Juiz de Fora, NESCE – UFJF, 1997.

MATTAR, Fauze Najib. Pesquisa de Marketing. São Paulo, Atlas, 1992. 194p.

MUNCK, Geraldo L. Formação de Atores, Coordenação Social e Estratégia Política: problemas conceituais do estudo dos movimentos sociais. In: DADOS – Revista de Ciências Sociais. IUPERJ, Rio de Janeiro, 1997, n. 1, v. 40, p. 105-125

OSUNA, Jacinto Rodriguéz. Métodos de muestreo. Casos prácticos. In: Cuadernos Metodológicos. Centro de Investigações Sociológicas, Madrid, março de 1993, n. 6.

Anexos

Freqüência

Tabela 1: Dados dos inscritos em 2000. Trabalho

Trabalha	Freq	%
Não	487	58,1
Sim	351	41,9
Total	838	100,0

O gráfico abaixo mostra a variável aprovações médias por período (intervalar) descrita através de medidas de tendência central e de dispersão, do histograma e da curva normal.

Gráfico 1: Aprovações médias por período

Médias Comparadas

Tabela 2: Médias Comparadas entre aprovações médias por período e bolsa

Bolsa	Aprov.
não	5,0459
sim	5,3761
Total	5,1152

Tabela 3: Tabela ANOVA – associação entre aprovações médias por período e bolsa

	Sum of Squares	df	Mean Square	F	Sig.
Between Groups (Combined)	1,810	1	1,810	3,984	,049
Within Groups	44,513	98	,454
Total	46,323	99

Tabela 4: Medidas de Associação (ETA) entre aprovações médias por período e bolsa

	Eta	Eta Squared
Aprov. * Bolsa	,198	,039

Tabelas Cruzadas

Tabela 5: Tabela Cruzada v2d * grupos

V2. D)	Grupo1	Grupo2	Total
1	11	55	66
	8,4%	19,8%	16,1%
2	5	60	65
	3,8%	21,6%	15,9%
3	15	35	50
	11,5%	12,6%	12,2%
4	11	34	45
	8,4%	12,2%	11,0%
5	8	34	42
	6,1%	12,2%	10,3%
6	24	36	60
	18,3%	12,9%	14,7%
7	57	24	81
	43,5%	8,6%	19,8%
Total	131	278	409
	100,0%	100,0%	100,0%

Tabela 6: Testes de qui-quadrado

	Value	df	Asymp. Sig. (2-sided)
Pearson Chi-Square	85,819(a)	6	,000
Likelihood Ratio	86,983	6	,000
Linear-by-Linear Association	61,582	1	,000
N of Valid Cases	409

Tabela 7: Medida Direcional

Nominal by Nominal		Value	Asymp. Std. Error(a)	Approx. T(b)	Approx. Sig.
Lambda	Symmetric	,150	,030	4,863	,000
	V2.d Dependent	,110	,026	4,004	,000
	Grupos Dependent	,252	,059	3,728	,000
Goodman and Kruskal tau	V2.d Dependent	,045	,010		,000(c)

Tabela 8: Medidas de simetria

V2.d * geração		Value	Asymp. Std. Error(a)	Approx. T(b)	Approx. Sig.
Ordinal by Ordinal	Gamma	-,547	,058	-8,446	,000
	Spearman Corr.	-,394	,045	-8,653	,000(c)
Interval by Interval	Pearson's R	-,389	,045	-8,506	,000(c)

Tabela 9: Correlação da questão X (entre seus 7 itens)

	A	B	C	D	E	F	G
A	1,000	-,301(**)	,053	-,521(**)	,024	-,211(**)	-,028
B	-,301(**)	1,000	-,418(**)	-,002	-,070	-,018	-,086
C	,053	-,418(**)	1,000	-,170(**)	-,232(**)	-,156(**)	-,148(**)
D	-,521(**)	-,002	-,170(**)	1,000	-,263(**)	,093	-,328(**)
E	,024	-,070	-,232(**)	-,263(**)	1,000	-,420(**)	,049
F	-,211(**)	-,018	-,156(**)	,093	-,420(**)	1,000	-,317(**)
G	-,028	-,086	-,148(**)	-,328(**)	,049	-,317(**)	1,000

Legenda:

(**) Correlação é significativa em nível de 0.01 (2-tailed).

( * ) Correlação é significativa em nível de 0.05 (2-tailed).

Tabela 10 : tabela cruzada entre tipos criados para a questão X

	Grupo1	Grupo2	Total
1,00	48	57	105
	46,6%	21,3%	28,3%
2,00	55	211	266
	53,4%	78,7%	71,7%
Total	103	268	371
	100,0%	100,0%	100,0%

Gráfico 2: Escalagem multidimensional

---

[1] Mestre em Educação pela UFJF (2000). Pedagogo pela UFV (1996). Graduando em Psicologia – UFJF.