Saturação Teórica e IA: Quando Parar de Coletar Dados?

A frase que aparece em toda dissertação qualitativa

“A coleta foi encerrada ao se atingir a saturação teórica.”

Se você já leu dissertações na área de ciências humanas ou da saúde, já viu essa frase. E se já foi parecerista, avaliador ou fez parte de uma banca, já deve ter se perguntado: mas como você determinou que chegou na saturação?

A resposta costuma ser vaga. “Quando as entrevistas começaram a se repetir.” “Quando não surgiram mais informações novas.” “Seguindo o critério de Strauss e Corbin.”

O problema não é que a saturação teórica seja um critério inválido. É que ela é frequentemente usada como uma declaração de encerramento sem o substrato metodológico que o conceito exige.

E agora, com IA disponível, surgiu uma nova variação do problema: pesquisadoras que usam ferramentas de IA para “verificar” a saturação sem entender exatamente o que estão verificando.

Vamos conversar sobre isso.

O que saturação teórica significa de fato

O conceito vem de Glaser e Strauss, nos anos 1960, no contexto da Grounded Theory (teoria fundamentada nos dados). Eles definiam saturação teórica como o ponto em que coletar dados adicionais em uma categoria não revelava mais propriedades, dimensões ou variações novas.

Note a especificidade: saturação de uma categoria, não do estudo inteiro. Uma pesquisa pode ter categorias já saturadas e outras que ainda precisam de aprofundamento. Isso é importante para entender que saturação é um processo contínuo de avaliação, não um ponto de chegada único.

Quando o conceito migrou para outras abordagens qualitativas (análise de conteúdo, análise temática, fenomenologia), ele perdeu parte dessa especificidade. Mas o princípio central permanece: saturação significa que dados adicionais não modificam mais o entendimento construído sobre o fenômeno.

Isso tem implicações diretas para o tamanho da amostra: você não define o número de entrevistas antes de ir a campo esperando que esse número seja suficiente. Você define critérios para avaliar, no processo, se os dados coletados já respondem às suas perguntas.

O que IA pode fazer aqui (e o que não pode)

Vamos ser precisas. A IA pode contribuir de formas específicas no processo de avaliação de saturação, mas com limitações sérias que precisam estar claras na sua cabeça antes de usar.

O que a IA pode fazer:

Ajudar a comparar transcrições para identificar temas ou padrões recorrentes. Se você alimentar um conjunto de entrevistas e pedir para a IA listar os temas que aparecem, ela consegue fazer isso com velocidade. Isso pode ser um dado inicial: em que ponto novos temas deixam de aparecer?

Calcular frequências de palavras, expressões ou categorias pré-definidas em diferentes entrevistas. Se você está usando uma abordagem mais quantitativa de análise de conteúdo, a IA consegue fazer esse trabalho.

Ajudar a organizar e indexar o corpus para que você consiga comparar entrevistas com mais facilidade.

O que a IA não pode fazer:

Julgar se um novo elemento é teoricamente relevante para a sua pesquisa. A relevância teórica depende do seu referencial teórico, das suas perguntas de pesquisa e do estado da teoria que você está construindo. A IA não tem acesso a isso de forma integrada.

Determinar se a variação encontrada representa diversidade real no fenômeno ou variação superficial. Essa distinção exige julgamento do pesquisador.

Substituir a leitura analítica das transcrições. A saturação não é apenas sobre frequência de palavras. É sobre a profundidade das informações, a complexidade das narrativas, a abrangência das perspectivas representadas.

A armadilha do número

Existe uma tendência de querer converter saturação em número. “Cheguei na saturação com X entrevistas, confirmado pela IA.”

Esse raciocínio tem dois problemas.

Primeiro, a IA pode identificar que certos temas se repetem, mas não pode avaliar se a repetição corresponde a saturação teórica genuína ou a limitação da amostra (entrevistou pessoas muito similares, então claro que as respostas convergem).

Segundo, confundir repetição de conteúdo com saturação teórica é um dos erros mais comuns. Uma entrevista pode trazer informação completamente nova sobre uma dimensão que você ainda não explorou, mesmo que os temas gerais pareçam repetitivos. Esse é exatamente o tipo de julgamento que você, como pesquisadora, precisa fazer.

Como descrever saturação de forma metodologicamente honesta

Se você vai usar saturação teórica como critério de encerramento da coleta, precisa conseguir responder às seguintes perguntas no capítulo metodológico:

O que você estava buscando saturar? Categorias? Temas? Dimensões de uma teoria?

Qual foi o processo de avaliação? Você comparou cada nova entrevista com as anteriores buscando novos elementos? Isso foi feito sistematicamente ou intuitivamente?

Quantas entrevistas consecutivas sem novos elementos você considerou suficiente para declarar saturação? Alguns autores recomendam pelo menos três entrevistas sem informação nova antes de encerrar.

Como você justifica que sua amostra é representativa da diversidade do fenômeno? Se você entrevistou apenas um perfil de participante, a “saturação” pode ser artefato da homogeneidade da amostra.

Essas perguntas não são para complicar sua vida. São o que vai diferenciar uma metodologia sólida de uma que vai ser questionada na banca.

IA como aliada na organização, não na decisão

Uma forma produtiva de usar IA no processo de avaliação de saturação é como ferramenta de organização do corpus.

Ferramentas como o NotebookLM do Google, por exemplo, permitem carregar transcrições e fazer perguntas sobre os padrões encontrados. Isso pode acelerar o processo de mapeamento de temas e ajudar a identificar entrevistas que divergem do padrão.

O que essa ferramenta não faz é dizer “você atingiu a saturação.” Ela pode dizer “os temas X, Y e Z aparecem em todas as entrevistas.” Você, a pesquisadora, decide se isso significa saturação no seu contexto teórico.

A distinção parece sutil, mas é fundamental. É a diferença entre usar IA como apoio ao julgamento do pesquisador e delegar o julgamento à IA.

Sobre o uso ético dessas ferramentas de organização de corpus, o post sobre como usar o NotebookLM do Google na sua pesquisa tem um panorama mais detalhado.

Saturação em pesquisas com corpus documental e análise de redes

Vale abrir um parêntese para pesquisas que não usam entrevistas, porque o conceito de saturação aparece de formas diferentes nesses contextos.

Em pesquisas documentais (análise de políticas, análise histórica, análise de documentos institucionais), a saturação é mais difícil de operacionalizar. Não há um processo de “fazer mais entrevistas”: você tem o que existe no arquivo. A questão é se o corpus selecionado é representativo do fenômeno que você quer analisar.

Nesses casos, a IA pode ser mais útil na fase de mapeamento do corpus disponível, não na verificação de saturação em si. Ferramentas de busca automatizada podem ajudar a identificar documentos relevantes que você pode não ter encontrado manualmente.

Em pesquisas bibliométricas ou de análise de redes de citação, o conceito de saturação também se transforma: você não está buscando saturação do corpus, mas sim cobertura representativa da literatura. A decisão sobre o que incluir é determinada pelos critérios de seleção do corpus (período, bases de dados, descritores), não por saturação progressiva.

Ter clareza sobre qual variante do conceito você está usando no seu estudo é parte da coerência metodológica.

O ponto sobre transparência

Se você usou alguma ferramenta de IA no processo de avaliação de saturação, isso precisa estar declarado na metodologia, junto com uma descrição clara de como foi usado e quais decisões permaneceram com o pesquisador.

Não porque usar IA seja errado. Mas porque a transparência sobre o processo de pesquisa é o que permite que outros pesquisadores avaliem a qualidade da sua análise.

Uma metodologia que diz “a saturação foi verificada com suporte de IA” sem explicar o que a IA fez, como, com quais critérios, é metodologicamente opaca da mesma forma que uma que não menciona nada.

Rigor e transparência não são burocracias. São o que torna a pesquisa confiável.