Daniel Nascimento-e-Silva, PhD
Professor e Pesquisador do Instituto Federal do Amazonas (IFAM)
A estratégia de coleta de dados está vinculada ao estoque de conhecimentos científicos disponíveis. Quanto maior o estoque e maior a sua qualidade, maior a possibilidade de se identificar com relativa facilidade as dimensões analíticas e categorias analíticas de cada fenômeno que se quer entender e explicar em determinadas situações. Quanto maior robusto for o estoque, maior tende a ser a possibilidade de se elaborar estudos estruturados que, por sua vez, permitem vasculhar um contingente muito grande da população. Por exemplo, quando os estudos sobre o coronavírus se adensaram foi possível o estudo de milhares de pessoas no mundo todo, cujos resultados permitiram a produção de vacinas, que são uma forma de tecnologia. No outro extremo de um continuum se têm os estudos não estruturados. Aqui praticamente nada há de solidez que permita a construção a priori de procedimentos “normais”. É como se se tivesse que começar do zero um novo campo do conhecimento. Entre esses dois extremos há os estudos semiestruturados, que se voltam para fenômenos em que não há solidez de estudos prévios, mas também não há desconhecimento quase total sobre eles. Esses estudos são fundamentais para a descoberta de novas variáveis e formulação de novos constructos, fazendo avançar a ciência e contribuindo para a solidez do conhecimento.
Nos estudos semiestruturados os cientistas sabem exatamente o que querem saber. Conhecem, portanto, as perguntas a serem respondidas, mas não fazem ideia das respostas para nenhuma delas. Muito embora os pesquisadores possam estimar as respostas, nenhuma delas é conhecida a priori. Por exemplo, o tamanho e o peso de um determinado indivíduo, animal ou vegetal, pode ser estimado, mas não definido previamente. É possível, portanto, estabelecer um intervalo para algumas variáveis, como o peso entre 1 e 2 quilos para os curimatãs e tamanho de 20 a 40 centímetros para árvores de hortelãs, mas quanto cada um dos componentes da amostra vai medir é indeterminado aprioristicamente. É por essa razão que os protocolos de pesquisa para a coleta de dados semiestruturados são constituídas apenas de perguntas ou aspectos a serem registrados, mas com espaços em branco, para que os registros sejam feitos ad hoc, no instante da coleta.
Nas pesquisas sociais são bastante comuns os inquéritos baseados em dados semiestruturados. Mas também o são em todos os campos científicos em que a revisão da literatura não permite sequer aventar quais são as dimensões e categorias do fenômeno que se quer explicar, compondo-se a sua estrutura. Para efeitos de pesquisa com finalidade tecnológica, contudo, à medida que se vão gerando as respostas para as tipologias de questões (conceituais, estruturais, processuais, relacionais, funcionais e ambientais), todo o mecanismo da solução que se quer construir também vai sendo estabelecido. Como se tem alinhado, embora o método científico-tecnológico produza conhecimentos novos, sua finalidade é sempre a criação de artefatos tecnológicos. Isso quer dizer que muitas vezes os novos conhecimentos gerados independem de aprovação da comunidade científica para a sua conversão em tecnologia.
A semiestruturação é percebida sob dois aspectos. O primeiro é quando se tem inúmeras variáveis catalogadas, mas os constructos ou agrupamentos a que pertencem ainda não são conhecidos porque estudos apontam que ainda faltam variáveis que permitam um p-valor aceitável em sua totalidade. É o caso das variâncias abaixo de 0,6 ou 0,8 nos agrupamentos fatoriais mais ou menos rigorosos. Assim, uma das finalidades científicas desses estudos seria a descoberta de novas variáveis para a composição estrutural do fenômeno para a viabilidade da prototipagem da tecnologia desejada. O segundo é inverso, quando se tem ideia de possíveis dimensões ou partes do fenômeno, mas as variáveis conhecidas também inviabilizam a confirmação desses fatores como seus componentes.
Essa compreensão é necessária para que se alcance o máximo de possibilidade de compor a estrutura ou processo que permitam a prototipação bem-sucedida. Afinal, um protótipo nada mais é do que o produto tecnológico o mais perfeito possível, que ainda não foi submetido a todos os testes de conceitos e atributos. Isso quer dizer que o planejamento da coleta desses dados tem que ter em mente o esboço da tecnologia que se pretende construir e não apenas e exclusivamente a geração de novos conhecimentos científicos. A contribuição científica muitas vezes vem de forma reversa, quando se elabora o protótipo a partir de proposições de suas partes componentes ou etapas de processos e o submete aos testes. Novos ajustes são feitos no protótipo até que ele seja considerado aprovado nos mesmos testes refeitos. Assim, apenas quando o protótipo é promovido a produto final é que são estabelecidas as dimensões analíticas e respectivas categorias. Só quando o produto efetivamente funciona é que a documentação é direcionada para a geração de conhecimentos científicos, como será mostrado detalhadamente quando tratarmos das outras etapas dos procedimentos científicos e nas quatro fases da dimensão tecnológica do método.
As estratégias de coleta de dados empíricos estão vinculadas às arquiteturas e marcos teóricos. As arquiteturas teóricas são decorrentes de estoques de conhecimentos sólidos e robustos sobre determinados fenômenos que, aliadas às habilidades dos cientistas, são transformados em esquemas de investigações estruturadas. Os marcos teóricos são diferentes. Eles representam sinalizações ao longo de determinado trajeto de investigação para que os cientistas não se percam nos seus destinos. Não têm a clareza delimitadora das arquiteturas, mas são claros o suficiente para que a coleta de dados permita a elaboração propostas de completude de uma também possível arquitetura que oriente o processo de prototipagem.
