Guia Logo

Análise e Discussão dos Resultados

6.1 Interpretação de Dados com ChatGPT

A interpretação de dados constitui uma etapa crucial no processo de pesquisa, transformando informações brutas em conhecimento significativo. Conforme destaca Gil (2022, p. 178), "a análise tem como objetivo organizar e sumariar os dados de forma que possibilitem o fornecimento de respostas ao problema proposto para investigação". Neste contexto, o ChatGPT emerge como uma ferramenta valiosa para auxiliar pesquisadores na análise e interpretação de diferentes tipos de dados.

Análise de dados quantitativos

A análise de dados quantitativos envolve a aplicação de técnicas estatísticas para identificar padrões, tendências e relações em conjuntos numéricos. Segundo Marconi e Lakatos (2021, p. 167), "a estatística não é um fim em si mesma, mas um instrumento poderoso para a análise e interpretação de dados".

O ChatGPT pode auxiliar em diversas etapas da análise quantitativa, desde a seleção de técnicas apropriadas até a interpretação contextualizada dos resultados:

Exemplos de prompts para análise quantitativa:

  • "Com base nos seguintes resultados estatísticos [inserir resultados], interprete o significado prático destas análises no contexto de '[tema específico]'. Explique as implicações dos valores p, tamanhos de efeito e intervalos de confiança em linguagem acessível, relacionando-os diretamente com as hipóteses de pesquisa."
  • "Sugira técnicas estatísticas apropriadas para analisar a relação entre [variável X] e [variável Y] no contexto de '[tema específico]'. Para cada técnica, explique: pressupostos necessários, procedimento de aplicação, interpretação dos resultados e potenciais limitações."
  • "Desenvolva um framework para interpretação integrada dos seguintes resultados quantitativos: [inserir resultados de diferentes análises]. Identifique padrões convergentes, aparentes contradições e insights complementares, explicando como estes resultados coletivamente respondem à questão de pesquisa sobre '[tema específico]'."

Field (2009, p. 32) enfatiza que "a estatística é apenas uma ferramenta que nos ajuda a tomar decisões baseadas em dados". O autor acrescenta que "a interpretação dos resultados estatísticos requer conhecimento do contexto da pesquisa e compreensão das limitações dos métodos utilizados" (FIELD, 2009, p. 32).

É importante ressaltar que, embora o ChatGPT possa auxiliar na interpretação de resultados estatísticos, ele não substitui o conhecimento especializado do pesquisador sobre o contexto específico do estudo e as nuances da área de investigação.

Interpretação de dados qualitativos

A interpretação de dados qualitativos envolve a identificação de significados, padrões e temas em informações textuais, visuais ou audiovisuais. Conforme destaca Creswell (2010, p. 216), "a análise de dados qualitativos consiste em extrair sentido dos dados de texto e imagem".

O ChatGPT pode auxiliar em diversos aspectos da análise qualitativa, complementando métodos tradicionais:

Exemplos de prompts para interpretação qualitativa:

  • "Analise os seguintes trechos de entrevistas sobre '[tema específico]' e identifique temas emergentes, padrões recorrentes e possíveis categorias conceituais: [inserir trechos]. Para cada tema identificado, forneça exemplos ilustrativos e discuta suas interrelações."
  • "Desenvolva uma análise comparativa das seguintes narrativas sobre '[tema específico]': [inserir narrativas]. Identifique semelhanças, diferenças, contradições e complementaridades, considerando tanto o conteúdo explícito quanto significados implícitos."
  • "Com base na seguinte codificação temática de dados qualitativos sobre '[tema específico]': [inserir códigos e exemplos], sugira uma estrutura conceitual integrativa que articule estes temas em um framework coerente. Explique as relações hierárquicas e horizontais entre os conceitos."

Flick (2009, p. 276) ressalta que "a interpretação de dados é o cerne da pesquisa qualitativa". O autor acrescenta que "a interpretação de textos serve para desenvolver teoria e, ao mesmo tempo, é a base para a decisão sobre quais dados adicionais devem ser coletados" (FLICK, 2009, p. 276).

É fundamental que o pesquisador mantenha uma postura reflexiva ao utilizar o ChatGPT para análise qualitativa, reconhecendo que a interpretação final deve ser informada por sua compreensão profunda do contexto, teoria e objetivos específicos do estudo.

Identificação de padrões e tendências

A identificação de padrões e tendências nos dados é um aspecto fundamental da análise, permitindo que o pesquisador transcenda a descrição simples para alcançar níveis mais profundos de compreensão. Segundo Miles, Huberman e Saldaña (2014, p. 277), "ver padrões e temas em dados aparentemente aleatórios é uma das tarefas mais desafiadoras e gratificantes da análise qualitativa".

O ChatGPT pode auxiliar na identificação e interpretação de padrões em diferentes tipos de dados:

Exemplos de prompts para identificação de padrões:

  • "Analise os seguintes resultados [inserir dados/resultados] e identifique padrões não óbvios ou contra-intuitivos que mereçam atenção especial na discussão de uma pesquisa sobre '[tema específico]'. Para cada padrão identificado, sugira possíveis explicações teóricas e implicações para a questão de pesquisa."
  • "Examine as seguintes tendências temporais em dados sobre '[tema específico]': [inserir dados]. Identifique pontos de inflexão, acelerações, desacelerações ou padrões cíclicos significativos. Discuta possíveis fatores contextuais que poderiam explicar estas dinâmicas."
  • "Desenvolva uma análise de padrões convergentes e divergentes entre os seguintes conjuntos de dados [quantitativos/qualitativos] sobre '[tema específico]': [inserir resumo dos dados]. Explique como estes padrões se complementam ou contradizem, e quais insights integrativos emergem desta análise."

Creswell (2010, p. 217) enfatiza que "os pesquisadores qualitativos constroem seus padrões, categorias e temas de baixo para cima, organizando os dados em unidades de informação cada vez mais abstratas". O autor acrescenta que "esse processo indutivo ilustra o trabalho de ida e volta entre os temas e o banco de dados até os pesquisadores estabelecerem um conjunto abrangente de temas" (CRESWELL, 2010, p. 217).

Integração de dados mistos

A integração efetiva de dados quantitativos e qualitativos representa um desafio particular em pesquisas de métodos mistos. Conforme destacam Creswell e Plano Clark (2018, p. 220), "a integração é o processo pelo qual o pesquisador implementa a relação independente ou interativa entre os componentes quantitativos e qualitativos de um estudo".

O ChatGPT pode auxiliar na articulação e síntese de diferentes tipos de dados:

Exemplos de prompts para integração de dados mistos:

  • "Desenvolva uma matriz de integração para os seguintes dados quantitativos e qualitativos sobre '[tema específico]': [inserir resumo dos dados]. Identifique pontos de convergência, complementaridade, divergência e singularidade, explicando como cada tipo de dado contribui para uma compreensão holística do fenômeno."
  • "Sugira uma estratégia narrativa para apresentar resultados integrados de dados quantitativos e qualitativos sobre '[tema específico]'. Demonstre como entrelaçar estatísticas, visualizações e citações textuais em uma narrativa coesa que maximize a compreensão do leitor sobre a complexidade do fenômeno."
  • "Analise como os seguintes resultados qualitativos [inserir resumo] ajudam a explicar ou contextualizar estes resultados quantitativos [inserir resumo] em uma pesquisa sobre '[tema específico]'. Identifique mecanismos causais, fatores contextuais ou processos subjacentes revelados pela integração destes dados."

Fetters, Curry e Creswell (2013, p. 2134) identificam três níveis de integração em métodos mistos: "integração na concepção do estudo, integração nos métodos de coleta e análise de dados, e integração na interpretação e relato dos resultados". Os autores enfatizam que "a integração pode levar a insights que não seriam obtidos pela análise separada dos componentes quantitativos e qualitativos" (FETTERS; CURRY; CRESWELL, 2013, p. 2134).

Referências

CRESWELL, J. W. Projeto de pesquisa: métodos qualitativo, quantitativo e misto. 3. ed. Porto Alegre: Artmed, 2010.

CRESWELL, J. W.; PLANO CLARK, V. L. Designing and conducting mixed methods research. 3. ed. Thousand Oaks: Sage, 2018.

FETTERS, M. D.; CURRY, L. A.; CRESWELL, J. W. Achieving integration in mixed methods designs: principles and practices. Health Services Research, v. 48, n. 6, p. 2134-2156, 2013.

FIELD, A. Discovering statistics using SPSS. 3. ed. London: Sage, 2009.

FLICK, U. Introdução à pesquisa qualitativa. 3. ed. Porto Alegre: Artmed, 2009.

GIL, A. C. Como elaborar projetos de pesquisa. 7. ed. São Paulo: Atlas, 2022.

MARCONI, M. A.; LAKATOS, E. M. Fundamentos de metodologia científica. 9. ed. São Paulo: Atlas, 2021.

MILES, M. B.; HUBERMAN, A. M.; SALDAÑA, J. Qualitative data analysis: a methods sourcebook. 3. ed. Thousand Oaks: Sage, 2014.

Tópicos abordados:

  • Análise de dados quantitativos
  • Interpretação de dados qualitativos
  • Identificação de padrões e tendências
  • Integração de dados mistos

6.2 Visualização de Resultados

A visualização eficaz de resultados é fundamental para comunicar descobertas de pesquisa de forma clara e impactante. Conforme destaca Tufte (2001, p. 13), "a excelência gráfica consiste em comunicar ideias complexas com clareza, precisão e eficiência". No contexto acadêmico, visualizações bem elaboradas não apenas facilitam a compreensão, mas também potencializam o impacto persuasivo dos resultados.

Seleção de gráficos e diagramas apropriados

A seleção do tipo de visualização mais adequado para determinados dados é uma decisão crucial que afeta diretamente a eficácia da comunicação. Segundo Few (2009, p. 54), "diferentes tipos de visualização são projetados para diferentes tipos de dados e diferentes propósitos analíticos".

O ChatGPT pode auxiliar na seleção e concepção de visualizações apropriadas para diferentes tipos de dados e objetivos comunicativos:

Exemplos de prompts para seleção de visualizações:

  • "Recomende os tipos mais apropriados de visualização para os seguintes dados sobre '[tema específico]': [descrição dos dados]. Para cada recomendação, explique por que este tipo de gráfico/diagrama é adequado para estes dados específicos, quais insights ele destacaria e quais seriam suas limitações potenciais."
  • "Compare a eficácia de diferentes tipos de visualização ([Tipo A], [Tipo B] e [Tipo C]) para comunicar [tipo específico de resultado] em uma pesquisa sobre '[tema específico]'. Analise cada opção em termos de: clareza, precisão, capacidade de destacar padrões relevantes e acessibilidade para diferentes audiências."
  • "Desenvolva um plano de visualização integrado para os seguintes resultados de uma pesquisa sobre '[tema específico]': [resumo dos resultados]. Sugira uma sequência lógica de visualizações complementares que, juntas, comuniquem uma narrativa coerente e abrangente sobre as descobertas."

Cairo (2016, p. 28) enfatiza que "uma boa visualização é aquela que permite ao leitor extrair informações relevantes de forma eficiente e precisa". O autor propõe que visualizações eficazes equilibram qualidades como "funcionalidade e beleza, complexidade e clareza, originalidade e familiaridade" (CAIRO, 2016, p. 28).

É importante considerar não apenas o tipo de dados, mas também o contexto disciplinar e as convenções específicas da área ao selecionar visualizações para trabalhos acadêmicos.

Descrição e interpretação de visualizações

A descrição e interpretação adequadas de visualizações são essenciais para garantir que o leitor compreenda corretamente as informações apresentadas e suas implicações. Conforme destaca Evergreen (2019, p. 73), "mesmo os gráficos mais claros precisam de texto de suporte para orientar a interpretação e destacar insights importantes".

O ChatGPT pode auxiliar na elaboração de descrições e interpretações eficazes para visualizações:

Exemplos de prompts para descrição e interpretação:

  • "Desenvolva uma descrição acadêmica completa para [tipo de visualização] que apresenta os seguintes resultados sobre '[tema específico]': [descrição dos dados/resultados]. Inclua: descrição objetiva dos elementos visuais, identificação de padrões notáveis, interpretação contextualizada e conexão com a questão de pesquisa."
  • "Elabore um texto interpretativo para acompanhar esta visualização de resultados sobre '[tema específico]': [descrição da visualização]. Estruture a interpretação em três níveis: descrição factual, identificação de padrões/tendências e implicações teóricas/práticas, mantendo linguagem acadêmica apropriada."
  • "Analise criticamente a seguinte visualização de dados sobre '[tema específico]': [descrição da visualização]. Identifique suas forças e limitações como ferramenta comunicativa, sugira possíveis melhorias e desenvolva uma interpretação que maximize seu valor informativo no contexto da pesquisa."

Knaflic (2015, p. 167) ressalta que "a narrativa em torno da visualização é tão importante quanto a própria visualização". A autora acrescenta que "uma boa narrativa guia o leitor através dos dados, destacando o que é importante e fornecendo contexto para a interpretação" (KNAFLIC, 2015, p. 167).

É fundamental que a descrição e interpretação de visualizações mantenham o rigor acadêmico, evitando tanto a subinterpretação (descrição sem análise) quanto a superinterpretação (conclusões que vão além do que os dados efetivamente demonstram).

Comunicação visual de resultados complexos

A comunicação eficaz de resultados complexos representa um desafio particular, exigindo estratégias visuais que equilibrem precisão e acessibilidade. Segundo Tufte (2001, p. 51), "a excelência em visualização de dados consiste em comunicar ideias complexas com clareza, precisão e eficiência".

O ChatGPT pode auxiliar no desenvolvimento de estratégias para comunicação visual de resultados complexos:

Exemplos de prompts para comunicação de resultados complexos:

  • "Sugira estratégias visuais para comunicar eficazmente os seguintes resultados complexos sobre '[tema específico]': [descrição dos resultados complexos]. Considere técnicas como: decomposição em visualizações sequenciais, uso de anotações estratégicas, combinação de múltiplos tipos de visualização e emprego de recursos interativos (se aplicável)."
  • "Desenvolva um framework para transformar os seguintes resultados estatísticos complexos sobre '[tema específico]' em visualizações acessíveis sem sacrificar o rigor científico: [resultados estatísticos]. Explique como equilibrar precisão técnica e compreensibilidade para diferentes audiências acadêmicas."
  • "Elabore uma estratégia para visualizar relações multivariadas complexas identificadas em uma pesquisa sobre '[tema específico]': [descrição das relações]. Compare abordagens como: visualizações em múltiplas dimensões, técnicas de redução dimensional, visualizações em rede e representações hierárquicas, discutindo vantagens e limitações de cada uma."

Cairo (2016, p. 79) propõe que "visualizações de dados complexos devem ser projetadas como ferramentas de pensamento, não apenas como ilustrações decorativas". O autor enfatiza que "boas visualizações de dados complexos revelam padrões e estruturas que permaneceriam ocultos em representações puramente textuais ou tabulares" (CAIRO, 2016, p. 79).

Princípios de design para visualizações acadêmicas

A aplicação de princípios de design específicos para visualizações acadêmicas é essencial para garantir que estas sejam não apenas esteticamente agradáveis, mas também funcionalmente eficazes no contexto da comunicação científica. Conforme destaca Few (2009, p. 93), "o design de visualizações eficazes é guiado por princípios fundamentados na percepção visual humana e na cognição".

O ChatGPT pode auxiliar na aplicação de princípios de design para visualizações acadêmicas:

Exemplos de prompts para princípios de design:

  • "Analise os seguintes princípios de design visual (simplicidade, ênfase, hierarquia, contraste e consistência) no contexto de visualizações para uma pesquisa acadêmica sobre '[tema específico]'. Para cada princípio, forneça recomendações específicas e exemplos de aplicação."
  • "Desenvolva diretrizes para escolha de cores em visualizações acadêmicas sobre '[tema específico]', considerando: significado semântico das cores no campo específico, acessibilidade para pessoas com deficiências visuais, adequação para diferentes formatos de publicação e coerência visual entre múltiplas visualizações."
  • "Elabore recomendações para o design de visualizações que serão incluídas em um artigo científico sobre '[tema específico]', abordando: formatação técnica (resolução, dimensões, formatos de arquivo), considerações tipográficas, uso de elementos gráficos auxiliares e adaptações para diferentes contextos de publicação (impresso vs. digital)."

Evergreen (2019, p. 31) enfatiza que "o design de visualizações acadêmicas deve priorizar a clareza e a precisão sobre o impacto visual imediato". A autora acrescenta que "em contextos acadêmicos, a credibilidade da visualização depende tanto da integridade dos dados quanto da qualidade do design" (EVERGREEN, 2019, p. 31).

Referências

CAIRO, A. The truthful art: data, charts, and maps for communication. Berkeley: New Riders, 2016.

EVERGREEN, S. D. H. Effective data visualization: the right chart for the right data. 2. ed. Thousand Oaks: Sage, 2019.

FEW, S. Now you see it: simple visualization techniques for quantitative analysis. Oakland: Analytics Press, 2009.

KNAFLIC, C. N. Storytelling with data: a data visualization guide for business professionals. Hoboken: Wiley, 2015.

TUFTE, E. R. The visual display of quantitative information. 2. ed. Cheshire: Graphics Press, 2001.

Tópicos abordados:

  • Seleção de gráficos e diagramas apropriados
  • Descrição e interpretação de visualizações
  • Comunicação visual de resultados complexos
  • Princípios de design para visualizações acadêmicas

6.3 Discussão Crítica e Contextualização

A discussão crítica e contextualização dos resultados representa uma das etapas mais desafiadoras e intelectualmente exigentes do trabalho acadêmico. Conforme destaca Creswell (2010, p. 224), "a discussão dos resultados consiste na interpretação do significado dos resultados à luz da literatura existente e da teoria". Esta seção transcende a mera apresentação de dados para engajar-se com suas implicações mais amplas e significados contextuais.

Conexão com a literatura existente

A articulação entre os resultados obtidos e a literatura existente é fundamental para situar as descobertas no contexto do conhecimento estabelecido. Segundo Booth, Colomb e Williams (2019, p. 248), "conectar seus resultados à literatura existente demonstra como sua pesquisa contribui para uma conversa acadêmica mais ampla".

O ChatGPT pode auxiliar no desenvolvimento de conexões significativas entre resultados e literatura:

Exemplos de prompts para conexão com a literatura:

  • "Analise como os seguintes resultados sobre '[tema específico]': [resumo dos resultados] se relacionam com a literatura existente. Identifique: confirmações de estudos anteriores, contradições com pesquisas prévias, extensões de teorias estabelecidas e contribuições originais para lacunas identificadas na revisão de literatura."
  • "Desenvolva uma análise comparativa entre os seguintes resultados sobre '[tema específico]': [resumo dos resultados] e as principais teorias discutidas na fundamentação teórica: [teorias principais]. Explique como estes resultados apoiam, desafiam ou refinam cada perspectiva teórica."
  • "Elabore uma discussão dialógica que coloque os seguintes resultados sobre '[tema específico]': [resumo dos resultados] em conversação com estudos semelhantes recentes. Estruture a discussão como um diálogo acadêmico que identifica pontos de convergência, divergência e complementaridade."

Swales e Feak (2012, p. 173) propõem um modelo CARS (Create a Research Space) para discussões acadêmicas, que envolve "estabelecer um território, estabelecer um nicho e ocupar o nicho". Os autores enfatizam que "uma discussão eficaz não apenas reporta resultados, mas os posiciona estrategicamente em relação ao conhecimento existente" (SWALES; FEAK, 2012, p. 173).

É fundamental que a conexão com a literatura vá além de simples comparações superficiais, buscando engajamento substantivo com as implicações teóricas e práticas das convergências e divergências identificadas.

Identificação de limitações e vieses

O reconhecimento explícito das limitações e possíveis vieses do estudo é uma marca de maturidade acadêmica e integridade científica. Conforme destaca Creswell (2010, p. 65), "as limitações identificam pontos fracos do estudo", e seu reconhecimento "pode ser útil para outros pesquisadores que possam replicar ou ampliar o estudo".

O ChatGPT pode auxiliar na identificação e articulação de limitações e vieses:

Exemplos de prompts para identificação de limitações:

  • "Analise criticamente as seguintes limitações metodológicas de um estudo sobre '[tema específico]' com [metodologia específica]: [aspectos metodológicos]. Para cada limitação, discuta: seu impacto potencial nos resultados, estratégias que foram utilizadas para mitigá-la e implicações para a interpretação das conclusões."
  • "Identifique possíveis vieses que podem ter influenciado os seguintes resultados sobre '[tema específico]': [resumo dos resultados]. Considere vieses relacionados a: amostragem, instrumentos de medida, procedimentos de coleta, análise de dados e interpretação. Para cada viés potencial, sugira como ele poderia ser abordado em pesquisas futuras."
  • "Desenvolva uma seção de 'Limitações do Estudo' para uma pesquisa sobre '[tema específico]' com [metodologia específica], que demonstre reflexividade crítica sem comprometer a validade global das conclusões. Estruture a discussão de forma a reconhecer honestamente as limitações enquanto contextualiza seu impacto real no valor da pesquisa."

Booth, Colomb e Williams (2019, p. 249) enfatizam que "reconhecer limitações não enfraquece seu argumento, mas demonstra sofisticação acadêmica e consciência metodológica". Os autores acrescentam que "a discussão de limitações deve ser equilibrada, nem minimizando problemas reais nem exagerando questões menores" (BOOTH; COLOMB; WILLIAMS, 2019, p. 249).

A discussão de limitações deve ser apresentada de forma construtiva, idealmente acompanhada de reflexões sobre como estas poderiam ser abordadas em pesquisas futuras.

Implicações teóricas e práticas

A articulação das implicações teóricas e práticas dos resultados é essencial para demonstrar a relevância e o impacto potencial da pesquisa. Conforme destaca Creswell (2010, p. 225), "as implicações podem ser direcionadas para diferentes audiências, como pesquisadores, profissionais, formuladores de políticas ou indivíduos estudados".

O ChatGPT pode auxiliar na elaboração de discussões sobre implicações:

Exemplos de prompts para implicações:

  • "Desenvolva uma análise das implicações teóricas dos seguintes resultados sobre '[tema específico]': [resumo dos resultados]. Discuta como estes resultados: confirmam, expandem ou desafiam teorias existentes; preenchem lacunas conceituais; sugerem refinamentos teóricos; ou apontam para novas direções conceituais."
  • "Elabore uma discussão sobre as implicações práticas dos seguintes resultados sobre '[tema específico]': [resumo dos resultados] para diferentes stakeholders: [lista de stakeholders relevantes]. Para cada grupo, identifique recomendações específicas, aplicações potenciais e considerações para implementação."
  • "Analise as implicações metodológicas dos seguintes resultados sobre '[tema específico]': [resumo dos resultados]. Discuta como estes resultados podem informar: desenvolvimento de instrumentos, refinamento de procedimentos, abordagens analíticas inovadoras ou considerações éticas em pesquisas futuras."

Swales e Feak (2012, p. 175) sugerem que "a discussão de implicações deve mover-se do específico para o geral, conectando os resultados particulares do estudo a questões mais amplas no campo". Os autores acrescentam que "uma discussão eficaz de implicações demonstra a relevância da pesquisa além de seu contexto imediato" (SWALES; FEAK, 2012, p. 175).

Contextualização sociocultural e histórica

A contextualização sociocultural e histórica dos resultados é particularmente importante para compreender seu significado mais amplo e suas limitações de generalização. Segundo Flick (2009, p. 17), "o conhecimento científico e as descobertas empíricas são socialmente situados e devem ser interpretados à luz de seus contextos específicos".

O ChatGPT pode auxiliar na contextualização de resultados:

Exemplos de prompts para contextualização:

  • "Analise como os seguintes resultados sobre '[tema específico]': [resumo dos resultados] podem ser interpretados considerando o contexto sociocultural específico em que foram obtidos: [descrição do contexto]. Discuta fatores contextuais que podem ter influenciado os resultados e implicações para sua transferibilidade para outros contextos."
  • "Desenvolva uma discussão sobre como os seguintes resultados sobre '[tema específico]': [resumo dos resultados] se situam historicamente na evolução deste campo de estudo. Identifique continuidades e rupturas com tradições de pesquisa anteriores, e como o momento histórico atual pode ter influenciado tanto os resultados quanto sua interpretação."
  • "Elabore uma análise de como diferentes perspectivas culturais poderiam interpretar os seguintes resultados sobre '[tema específico]': [resumo dos resultados]. Compare possíveis interpretações a partir de diferentes tradições epistemológicas, valores culturais ou contextos geopolíticos."

Creswell (2010, p. 226) enfatiza que "a interpretação em pesquisa qualitativa significa que o pesquisador afasta-se dos dados, infere, e apresenta um significado mais amplo dos dados". O autor acrescenta que "esta interpretação pode assumir várias formas: pode ser adaptada para diferentes tipos de projetos, pode ser flexível para acomodar a descrição de um caso ou a comparação de vários casos, pode consistir em perguntas e respostas pessoais, ou pode ser organizada em torno de identificação de contextos sociais, históricos e culturais" (CRESWELL, 2010, p. 226).

Referências

BOOTH, W. C.; COLOMB, G. G.; WILLIAMS, J. M. A arte da pesquisa. 3. ed. São Paulo: Martins Fontes, 2019.

CRESWELL, J. W. Projeto de pesquisa: métodos qualitativo, quantitativo e misto. 3. ed. Porto Alegre: Artmed, 2010.

FLICK, U. Introdução à pesquisa qualitativa. 3. ed. Porto Alegre: Artmed, 2009.

SWALES, J. M.; FEAK, C. B. Academic writing for graduate students: essential tasks and skills. 3. ed. Ann Arbor: University of Michigan Press, 2012.

Tópicos abordados:

  • Conexão com a literatura existente
  • Identificação de limitações e vieses
  • Implicações teóricas e práticas
  • Contextualização sociocultural e histórica