O que é Grounded Theory ou Teoria Fundamentada nos Dados?

Grounded Theory é uma abordagem metodológica qualitativa desenvolvida por Glaser e Strauss nos anos 1960, em que a teoria emerge indutivamente dos dados, em vez de ser testada a partir de hipóteses prévias. O processo envolve coleta e análise simultâneas de dados, codificação iterativa (aberta, axial, e seletiva nas versões mais comuns), e busca de saturação teórica. É uma das metodologias qualitativas mais rigorosas e também mais exigentes em termos de processo.

IA pode fazer a codificação de Grounded Theory?

IA pode apoiar partes do processo, mas não pode substituir a codificação em Grounded Theory. O processo de codificação nessa metodologia envolve sensibilidade teórica, questionamento constante dos dados, e construção indutiva que depende do pesquisador como instrumento. Ferramentas de IA podem ajudar na organização de trechos, na busca de padrões iniciais, e na verificação de consistência de categorias já desenvolvidas, mas a lógica de construção teórica precisa ser do pesquisador.

Posso usar IA para análise qualitativa sem comprometer o rigor metodológico?

Depende de como você usa. IA como apoio para transcrição, organização de dados, e verificação de consistência é metodologicamente defensável quando bem documentado. IA como substituta do processo de análise interpretativa compromete o rigor, porque a interpretação em pesquisa qualitativa é inseparável do pesquisador e de seu posicionamento teórico. A questão não é se usar, mas como usar e como isso vai ser reportado na metodologia.

IA em Teoria Fundamentada: Possibilidades e Limites

Uma metodologia que exige o pesquisador como instrumento

Olha só: Grounded Theory não é só uma técnica de análise. É uma epistemologia. Ela parte do pressuposto de que teoria relevante emerge dos dados quando o pesquisador está genuinamente aberto ao que os dados têm a dizer, sem hipóteses prévias rígidas, sem categorias impostas antes da coleta.

Isso coloca a Grounded Theory num ponto curioso quando falamos de IA: por um lado, o volume de material qualitativo que ela exige (múltiplas entrevistas, amostras teóricas, comparação constante) é exatamente o tipo de trabalho pesado que ferramentas digitais poderiam ajudar a gerenciar. Por outro lado, o coração do processo, a construção indutiva de teoria a partir dos dados, depende de algo que as ferramentas atuais de IA não fazem: sensibilidade teórica.

Vamos destrinchar isso.

O que é sensibilidade teórica e por que ela importa aqui

Kathy Charmaz, uma das autoras mais importantes da vertente construtivista da Grounded Theory, descreve sensibilidade teórica como a capacidade do pesquisador de perceber o potencial teórico de um dado, de questionar o que ele significa além da aparência superficial, de conectá-lo a padrões emergentes sem pressa de categorizar definitivamente.

Isso não é um algoritmo. É uma postura epistemológica que se desenvolve com leitura, experiência de campo, e diálogo constante com os dados e com a literatura.

Um modelo de linguagem pode identificar padrões frequentes num conjunto de textos. Pode agrupar trechos com vocabulário similar. Pode gerar rótulos para categorias com base em palavras que aparecem juntas. O que ele não faz é perguntar: o que esse padrão significa no contexto desta pesquisa? Que teoria esse dado está pedindo? O que está ausente nesse dado que deveria estar presente?

Essas são perguntas do pesquisador, não da ferramenta.

Onde a IA efetivamente ajuda no processo

Dito isso, há partes do processo de Grounded Theory onde o apoio tecnológico é legítimo e útil.

Transcrição e organização: a fase de transcrição de entrevistas, que é extensa em GT por conta do volume de coleta e da amostragem teórica progressiva, pode ser apoiada por softwares de transcrição automática. Como discutido em outros textos deste blog, a revisão ainda é obrigatória, mas o tempo de trabalho pode ser reduzido significativamente.

Organização de memos: a escrita de memos (notas teóricas sobre os dados, as conexões, as hipóteses emergentes) é central na GT. Ferramentas de organização de notas com busca semântica podem ajudar a recuperar memos relevantes quando você está tentando conectar uma categoria nova com algo que observou três meses antes.

Verificação de consistência de categorias: depois que você desenvolveu um sistema de categorias, uma ferramenta de IA pode ajudar a verificar se trechos que você codificou sob a mesma categoria realmente compartilham as características que você definiu para ela. Isso é uma forma de auditoria, não de criação das categorias.

Comparação constante assistida: a comparação constante entre dados, categorias, e literatura é um dos princípios centrais da GT. Ferramentas de busca semântica em grandes corpora podem ajudar a identificar trechos que se relacionam com uma categoria em desenvolvimento, que você pode então avaliar como pesquisadora se realmente se encaixam.

Onde a IA não pode entrar

A codificação inicial em Grounded Theory, que na versão straussiana inclui codificação aberta, axial, e seletiva, envolve decisões que refletem o posicionamento teórico do pesquisador.

Quando você lê um trecho de entrevista e decide que ele representa “resistência à mudança institucional” em vez de “estratégia de adaptação”, essa decisão não é neutra. Ela reflete sua compreensão do contexto, sua leitura da literatura, sua sensibilidade para o que o participante estava dizendo além das palavras.

Uma IA que produz codes a partir de um conjunto de entrevistas vai produzir codes baseados em padrões estatísticos de co-ocorrência de palavras. Isso pode, às vezes, coincidir com o que você codificaria. Mas a lógica por trás é completamente diferente, e essa diferença importa metodologicamente.

Se você publicar um artigo de Grounded Theory dizendo que a codificação foi feita com apoio de IA sem especificar exatamente como e em quais etapas, um revisor que conhece a metodologia vai levantar questões sérias sobre a validade do processo.

O problema da saturação teórica mediada por IA

Saturação teórica é o critério de encerramento da coleta em GT: você para quando novos dados não estão mais acrescentando novas categorias ou dimensões às que você já desenvolveu. É um critério processual, não numérico.

Algumas ferramentas de IA oferecem análises de “saturação” baseadas em índices de similaridade: a partir de certo ponto, os novos documentos são muito similares aos anteriores em termos de vocabulário e temas. Isso pode ser um sinal de saturação, mas não é saturação teórica no sentido da GT.

Saturação teórica significa que as categorias estão densas e bem desenvolvidas, com propriedades e dimensões claras, e que novos dados confirmam e refinam sem abrir novas perguntas centrais. Isso é uma avaliação que só o pesquisador, imerso no processo, pode fazer.

Usar um índice de similaridade de IA como critério de saturação é uma simplificação que compromete a lógica da metodologia.

Como reportar o uso de IA na metodologia de GT

Se você usou ferramentas de IA em alguma parte do processo, precisa reportar isso na metodologia com precisão. Não basta dizer “utilizou-se software de análise assistida por IA”.

O que o revisor e o leitor precisam saber: em qual etapa do processo a ferramenta foi usada? Para qual função específica? Como as saídas da ferramenta foram validadas pelo pesquisador? De que forma o uso da ferramenta pode ter influenciado os resultados?

Essa transparência não enfraquece sua metodologia. Ausência de transparência sim.

Uma tensão real que merece conversa honesta

Há uma tensão real entre dois movimentos simultâneos na pesquisa qualitativa hoje. Por um lado, pressão crescente por volume de dados e velocidade de análise, que faz ferramentas de IA atraentes. Por outro, reconhecimento crescente de que a qualidade de uma GT depende da profundidade do engajamento do pesquisador com cada fragmento de dado.

Essas duas coisas não são completamente compatíveis. Quanto mais você delega etapas do processo a uma ferramenta, mais você se distancia da imersão que a metodologia pressupõe.

Isso não significa que qualquer uso de tecnologia seja problemático. Significa que é necessário ser honesto sobre o que você está fazendo e sobre o que isso implica para as afirmações que você vai fazer sobre seus resultados.

O Método V.O.E. e a pesquisa qualitativa séria

Uma coisa que o Método V.O.E. trabalha é exatamente esse tipo de questão: como usar tecnologia de forma que ela serve à qualidade da pesquisa, em vez de substituir o julgamento que só você pode exercer.

No caso específico da GT, meu posicionamento é claro: IA pode ser aliada no trabalho operacional, nunca substituta do processo interpretativo. Usar IA para transcrever mais rápido e ter mais tempo para pensar é diferente de usar IA para pensar por você.

Essa diferença precisa estar clara para quem conduz a pesquisa, e precisa estar clara no texto que reporta a pesquisa.

Para terminar: a metodologia como compromisso

Grounded Theory é uma metodologia que exige comprometimento com um processo. Não é compatível com atalhos que comprometam a lógica indutiva que lhe é central. Isso não é rigidez desnecessária. É o que garante que a teoria que você construiu emerge dos dados e não das suas expectativas ou dos padrões de um modelo de linguagem.

Se você está usando GT no seu projeto, a tecnologia pode ajudar você a ser mais eficiente em partes do processo. Mas o processo mesmo é seu. Faz sentido?