Inteligência Artificial na Investigação Científica: Utilização Responsável, Limitações e Boas Práticas

Autor: Mário Rocha e Flávia Negrini

Introdução

A Inteligência Artificial (IA) tornou-se uma presença cada vez mais frequente no contexto académico e científico e diversas ferramentas como o ChatGPT, Gemini, Claude, Copilot e Perplexity são atualmente utilizadas por estudantes, investigadores e docentes para apoiar tarefas de pesquisa, organização de informação, redação e análise de dados.

Conforme nos refere a Ca’ Foscari University of Venice (2024) o rápido desenvolvimento dos modelos de linguagem de grande dimensão (Large Language Models – LLMs) veio a modificar de modo significativo a forma como a informação é pesquisada, processada e utilizada em contextos científicos.

Assim, apesar do seu potencial, a utilização destas ferramentas levanta importantes questões metodológicas, éticas e científicas e é importante referir que diversas instituições internacionais, como a Wiley, a ETH Zurich, a Comissão Europeia e várias universidades de referência, têm publicado orientações específicas para promover uma utilização responsável da IA na investigação científica. A suas orientações e recomendações convergem numa ideia central, de que a IA pode apoiar o investigador, mas não pode substituir o pensamento crítico, a supervisão humana nem a responsabilidade científica (Wiley, 2025; European Commission, 2025).

Como tal, não é adequado dizer que a IA já substitui o investigador, mas que deve, antes, ser entendida como uma ferramenta de apoio que pode aumentar a produtividade e facilitar determinadas tarefas, ainda que seja sempre necessário supervisão humana, validação rigorosa da informação produzida e respeito pelos princípios da integridade científica. Para a Wiley (2025), os investigadores devem utilizar a IA como um “assistente de investigação”, sendo, contudo, responsáveis pela exatidão dos conteúdos, das referências bibliográficas, das análises e das conclusões apresentadas.

Mas estando a falar de IA, o que é mesmo isso e como funciona?

 O que é a IA Generativa e como funciona?

Os modelos de IA generativa, também conhecidos como Large Language Models (LLMs), são treinados com grandes volumes de texto provenientes de livros, websites, artigos científicos e outras fontes digitais e  modo como operam centra-se essencialmente na identificação de padrões estatísticos da linguagem, permitindo gerar respostas que aparentam ser coerentes, contextualizadas e linguisticamente corretas.

Porém, é fundamental salientar que estes sistemas não compreendem verdadeiramente a informação da mesma forma que os seres humanos, sendo o seu objetivo principal prever a sequência mais provável de palavras com base nos dados utilizados durante o treino, sendo que, como consequência, a qualidade da resposta depende dos padrões identificados durante esse processo, não resultando de raciocínio científico autónomo ou de compreensão conceptual genuína (Ca’ Foscari University of Venice, 2024).

É esta característica que nos permite compreender como os sistemas de IA conseguem produzir textos aparentemente credíveis, mas também cometer diversos erros factuais, interpretações incorretas ou referências inexistentes. É neste âmbito que a ETH Zurich (2025) já alertou para o facto de estes sistemas não saberem nem pensarem no sentido humano do termo, produzindo antes respostas probabilísticas, o que pode originar fenómenos conhecidos como alucinações, nos quais informação falsa é apresentada como verdadeira. Por esse motivo, qualquer informação produzida por ferramentas de IA deve ser considerada um ponto de partida para análise e nunca uma fonte científica primária.

E então em que a IA pode apoiar a Investigação Ciêntifica?

Como pode a IA apoiar a investigação científica?

A IA pode ser útil em diferentes fases do processo científico, contribuindo para aumentar a eficiência e reduzir o tempo necessário para determinadas tarefas operacionais. São diversas as suas aplicações como:

• Pesquisa bibliográfica e identificação de palavras-chave;
• Organização de conceitos e elaboração de mapas temáticos;
• Resumo preliminar de artigos científicos;
• Apoio à redação e revisão linguística;
• Tradução académica;
• Apoio à programação em R, Python, SPSS Syntax ou outras linguagens;
• Explicação de procedimentos estatísticos e metodológicos;
• Apoio à construção de questionários e guiões de entrevista;
• Organização de dados qualitativos e quantitativos.

Segundo a Ca’ Foscari University of Venice (2024) a IA pode ter bastante utilidade em tarefas repetitivas, demoradas ou de reduzida complexidade intelectual, o que possibilita ao investigadores dedicar-se mais às atividades que exigem pensamento crítico, criatividade e tomada de decisão científica.

Conforme referiu a Wiley (2025) a IA pode apoiar processos como revisões preliminares da literatura, organização de ideias, formatação de referências e revisão linguística de manuscritos. Porém reforçam o facto de estas ferramentas deverem ser utilizadas como complemento ao trabalho do investigador e não como substituto da análise científica.

Apesar de facilitar o processo é muito importante que as fontes originais sejam consultadas e verificadas pelo investigador. A utilização acrítica de resumos produzidos por IA pode conduzir à interpretação incorreta dos resultados de estudos científicos ou à propagação de informação imprecisa.

Neste caso, será que podemos dizer que a IA já substitui totalmente a revisão da literatura por parte dos próprios investigadores?

A IA substitui a pesquisa e revisão da literatura?

Não totalmente.

A IA já consegue apoiar na síntese de artigos científicos e na identificação de literatura potencialmente relevante, através de diversas ferramentas como Perplexity, Elicit, Consensus e Research Rabbit que têm vindo a ganhar popularidade devido à sua capacidade para acelerar as fases iniciais da pesquisa bibliográfica.

Porém é bom esclarecer que uma correcta revisão da literatura é muito mais do que um simples resumo de artigos, implicando também análise crítica, comparação de resultados, identificação de lacunas de investigação, avaliação da qualidade metodológica dos estudos e integração de evidência científica proveniente de múltiplas fontes.

Segundo as orientações da Ca’ Foscari University of Venice (2024), a IA pode ser utilizada para apoiar a identificação inicial de literatura ou para fazer resumos preliminares, mas os investigadores não devem citar ou utilizar trabalhos científicos sem proceder à leitura integral das fontes originais. É importante também alertar, igualmente, para o risco de a IA ignorar estudos relevantes, interpretar incorretamente resultados ou produzir referências inexistentes.

A Wiley (2025) recomenda que qualquer informação obtida através de IA seja posteriormente validada através da consulta direta dos artigos científicos originais, sendo da inteira responsabilidade do autor do trabalho a seleção, interpretação e integração da evidência científica. Assim, a IA pode apoiar a revisão da literatura, mas não substitui as competências científicas necessárias para avaliar criticamente a qualidade e a relevância dos estudos incluídos numa investigação.

E no que respeita à componente empírica e prática dos estudos científicos. A IA já substitui a análise estatística por parte do investigador?

A IA substitui a análise estatística?

Consideramos que também não.

Embora a IA consiga sugerir testes estatísticos, interpretar outputs e gerar código para diferentes softwares, a escolha da análise adequada depende do desenho do estudo, dos objetivos da investigação, das características da amostra e dos pressupostos estatísticos aplicáveis, o que implica conhecimento mais técnico e já alguma experiência.

Apesar de várias ferramentas de IA como ChatGPT, Claude e Copilot conseguirem fornecer explicações detalhadas sobre técnicas estatísticas, auxiliar na programação em R ou Python e até sugerir procedimentos de análise as suas recomendações nem sempre são adequadas ao contexto específico do estudo e podem conter erros metodológicos significativos.

Deste modo, a responsabilidade pela definição metodológica continua a pertencer ao investigador, uma vez que a escolha incorreta de um teste estatístico, a violação de pressupostos ou a interpretação inadequada dos resultados podem comprometer toda a investigação e conduzir a conclusões inválidas.

Sobre este assunto pode consultar outro artigo nosso intitulado:

Importância da Escolha Metodológica na Investigação Científica e a sua Relação com a Análise Estatística

As orientações internacionais sobre utilização responsável da IA sublinham que a supervisão humana é indispensável em tarefas que envolvem tomada de decisão científica, interpretação de resultados e elaboração de conclusões (European Commission, 2025; Wiley, 2025).

Em resumo, a IA até pode facilitar a aprendizagem de métodos estatísticos e apoiar a execução de análises, mas não substitui totalmente o conhecimento especializado necessário para garantir a validade científica dos resultados obtidos.

Assim, quais são as suas principais limitações e riscos?

Principais limitações e riscos

Entre os principais riscos associados à utilização da IA na investigação científica destacam-se:

• Alucinações, isto é, informação falsa apresentada como verdadeira;
• Referências bibliográficas inexistentes;
• DOI incorretos;
• Enviesamentos presentes nos dados de treino;
• Falta de transparência sobre a origem da informação;
• Dependência excessiva da tecnologia;
• Redução do pensamento crítico quando utilizada de forma inadequada;
• Possível exposição de dados pessoais, confidenciais ou ainda não publicados.

Assim, um dos problemas debatidos com bastante frequência na literatura recente é a possibilidade de os sistemas de IA generativa produzirem respostas plausíveis, mas incorretas. Sobre esta questão, a ETH Zurich (2025) alerta que estas ferramentas não “sabem” nem “pensam” criticamente, mas conseguem produzir conteúdos com base em probabilidades, o que podem levar a que misturem factos com ficção, criem referências inexistentes, apresentem ligações incorretas ou formulem afirmações que parecem cientificamente válidas, mas que não resistem a uma verificação rigorosa.

A Ca’ Foscari University of Venice (2024) também sublinha que os modelos de IA podem dar origem a documentos sintaticamente corretos, mas metodologicamente frágeis, contendo informação falsa, enviesada, incompleta ou difícil de identificar, o que se torna um risco particularmente relevante na investigação científica, uma vez que uma referência inventada, uma interpretação estatística incorreta ou uma conclusão mal fundamentada pode comprometer a credibilidade de todo o trabalho.

Outro risco relevante prende-se com os enviesamentos presentes nos dados de treino, dado que como os modelos de IA são treinados com grandes volumes de informação disponível online, podem reproduzir desigualdades, estereótipos, perspetivas dominantes ou lacunas existentes na própria produção científica. Hagendorff (2020), ao analisar várias orientações internacionais sobre ética da IA, demonstrou que princípios como transparência, justiça, responsabilidade, privacidade e não discriminação são frequentemente mencionados, mas nem sempre são fáceis de aplicar na prática, o que significa que a existência de diretrizes éticas não garante, por si só, uma utilização responsável da tecnologia.

Também a dependência excessiva da IA representa igualmente um risco importante. Llerena-Izquierdo e Ayala-Carabajo (2025) referem que a integração da IA em contextos académicos pode constituir oportunidades significativas, como a otimização da investigação e a personalização da aprendizagem, mas também riscos humanos e éticos, incluindo perda de pensamento crítico, dependência tecnológica e homogeneização de ideias. Assim, quando o investigador passa a aceitar respostas geradas pela IA sem questionar, perde-se uma parte essencial do processo científico,  que é a dúvida, a análise crítica e a capacidade de construir conhecimento de forma autónoma.

É neste sentido que a importância da validação humana se tornou particularmente evidente em casos recentes de retratação de artigos científicos associados à utilização inadequada de ferramentas de IA. Como exemplo mais recente temos um artigo, deste mesmo ano, submetido à revista IJC Heart & Vasculature (mais info) que foi retratado após os seus revisores terem identificado múltiplas referências com títulos, autores, revistas e DOI incompatíveis, bem como várias referências que simplesmente não existiam. No aviso de retratação, os editores referiram explicitamente que não conseguiram identificar durante o processo de revisão o uso indevido de ferramentas de IA na elaboração do manuscrito. Este caso demonstra que, embora a IA possa facilitar a redação e a organização da informação, a responsabilidade pela verificação das referências, da qualidade das fontes e da exatidão do conteúdo continua a pertencer integralmente aos autores.

É por este motivo que toda a informação produzida por IA deve ser cuidadosamente verificada, sendo que A IA apesar de poder acelerar tarefas, organizar informação e sugerir caminhos de análise não deve ser utilizada como fonte final de verdade científica e a validação das fontes, a leitura dos documentos originais, a confirmação dos DOI, a análise dos métodos e a interpretação dos resultados continuam a ser responsabilidades humanas.

Questões éticas e integridade científica

As principais orientações internacionais sobre a utilização da Inteligência Artificial na investigação científica convergem em quatro princípios fundamentais: transparência, responsabilidade, supervisão humana e proteção da privacidade (European Commission, 2025; Wiley, 2025; Ca’ Foscari University of Venice, 2024). Como tal voltamos a referir, que embora a IA possa apoiar diversas etapas do processo científico, a responsabilidade pelas decisões metodológicas, interpretações e conclusões permanece sempre do lado do investigador.

A transparência constitui outro elemento central da integridade científica, o que faz com que as orientações da Ca’ Foscari University of Venice (2024) sejam no sentido de os investigadores descreverem claramente de que forma utilizaram ferramentas de IA, especificando, sempre que relevante, os sistemas utilizados, as versões empregues e o papel desempenhado pela tecnologia no desenvolvimento da investigação. Esta transparência é fundamental para garantir a reprodutibilidade científica e permitir que outros investigadores compreendam adequadamente os procedimentos adotados.

Outra preocupação crescente e muito relevante é a proteção da privacidade e da confidencialidade, e neste aspecto a ETH Zurich (2025) alerta para o facto de muitos sistemas de IA armazenarem ou utilizarem os dados introduzidos pelos utilizadores para fins de melhoria dos modelos. Consequentemente, os investigadores devem evitar inserir informações confidenciais, dados pessoais identificáveis, resultados ainda não publicados, informação protegida por acordos de confidencialidade ou conteúdos sujeitos a propriedade intelectual sem as devidas salvaguardas.

Estes preocupações éticas tornam-se particularmente relevantes em áreas que envolvem dados sensíveis ou participantes humanos, e a Wiley (2025) reforça esta questão ao recomendar que os investigadores avaliem cuidadosamente os riscos associados à utilização de IA em projetos que envolvam dados pessoais, informações clínicas, entrevistas, imagens identificáveis ou qualquer conteúdo cuja divulgação possa comprometer a privacidade dos participantes. Em alguns contextos, poderá mesmo ser necessário obter pareceres adicionais das comissões de ética ou rever os consentimentos informados inicialmente obtidos.

Outro aspeto frequentemente discutido refere-se à autoria científica, existindo, na atualidade, um consenso alargado entre universidades, editoras científicas e organismos internacionais de que as ferramentas de IA não podem ser consideradas autoras de artigos científicos. A ETH Zurich (2025) menciona mesmo que os sistemas de IA não podem assumir responsabilidade intelectual pelo conteúdo produzido, não participam conscientemente no processo científico e não podem responder por eventuais erros ou violações éticas, não cumprindo como tal os critérios normalmente exigidos para atribuição de autoria académica.

Além disso, Hagendorff (2020) chamou a atenção para uma questão frequentemente ignorada nos debates sobre IA, que é o facto de a existência de princípios éticos não garantir automaticamente comportamentos éticos. Embora muitas organizações e empresas adotam diretrizes sobre transparência, justiça ou responsabilidade a aplicação prática desses princípios continua a ser um desafio. Assim, a utilização responsável da IA depende não apenas da tecnologia, mas também da formação, do julgamento crítico e do compromisso ético dos próprios investigadores.

Em resumo a integridade científica continua a assentar nos mesmos princípios que orientam a investigação tradicional que são o rigor metodológico, a honestidade intelectual, a transparência, a responsabilidade e o respeito pelos participantes e pela comunidade científica e a IA pode apoiar estes objetivos quando utilizada de forma adequada, embora também possa, igualmente, criar novos riscos quando utilizada sem supervisão ou validação crítica.

E relativamente a outra questão que tantas dores de cabeça tem dado a investigadores e estudantes universitários. Os famosos detectores de IA funcionam realmente?

Detetores de IA: funcionam realmente?

Com o elevado e constante crescimento da utilização de ferramentas de IA generativa também foram surgindo paralelamente diversos sistemas de deteção automática, como Turnitin AI, GPTZero, Copyleaks e ZeroGPT, plataformas que procuram identificar padrões linguísticos que permitam distinguir textos produzidos por humanos de conteúdos gerados por Inteligência Artificial. Contudo, é importante ressalvar que a evidência científica mais recente sugere que a eficácia destes sistemas continua a apresentar limitações significativas.

Num estudo muito recente (Giray et al., 2026) foi analisado o desempenho de vários detetores de IA, tendo-se concluido que a precisão dos resultados varia consideravelmente entre plataformas. Os autores verificaram que alguns sistemas apresentam taxas elevadas de falsos positivos, classificando incorretamente textos produzidos por humanos como conteúdos gerados por IA. Simultaneamente, também foram observados falsos negativos, nos quais textos produzidos por ferramentas de IA não foram identificados corretamente. Tais resultados demonstram que a deteção automática continua longe de oferecer níveis de fiabilidade suficientes para servir como prova definitiva de autoria. Os autores também fazem referência à facilidade com que determinados conteúdos podem escapar à deteção, uma vez que pequenas alterações realizadas pelo utilizador, como reformulações, reorganização de frases ou introdução de exemplos próprios, podem alterar significativamente a classificação atribuída pelos sistemas, sendo também de destacar o facto de que à medida que os modelos de linguagem evoluem e produzem textos cada vez mais semelhantes à escrita humana, os desafios enfrentados pelos detetores tornam-se ainda maiores.

Para além das limitações técnicas, Deep et al. (2025) alertaram para importantes implicações éticas associadas à utilização destes mecanismos em contextos académicos, afirmando que muitos detetores funcionam como sistemas pouco transparentes, não permitindo compreender claramente os critérios utilizados para classificar um texto como humano ou artificial, falta de transparência esta que levanta grandes preocupações relativamente à justiça, à responsabilidade institucional e ao direito dos utilizadores contestarem decisões potencialmente incorretas.

Os problemas tornam-se particularmente relevantes para estudantes multilíngues ou não nativos de inglês e neste caso para Deep et al. (2025), algumas características linguísticas frequentemente presentes nestes grupos podem ser interpretadas pelos algoritmos como indícios de escrita produzida por IA, aumentando o risco de classificações incorretas. Como consequência, determinados estudantes podem ser injustamente penalizados, mesmo quando produziram os seus trabalhos de forma autónoma.

Em suma, tanto Giray et al. (2026) como Deep et al. (2025) defendem que os resultados produzidos pelos detetores de IA não devem ser utilizados como prova única em processos disciplinares ou decisões relacionadas com integridade académica, devendo, antes pelo contrário, ser encarados como indicadores complementares que necessitam sempre de validação humana, análise contextual e avaliação crítica por parte dos docentes ou investigadores envolvidos.

A tendência mais recente nas instituições de ensino superior aponta para uma mudança de paradigma. Em vez de depender exclusivamente da deteção automática, muitas universidades estão a privilegiar estratégias centradas na literacia digital, na utilização ética da IA e na reformulação dos métodos de avaliação, sendo o principal objetivo passa promover uma utilização responsável destas tecnologias, reconhecendo simultaneamente os benefícios que podem trazer para a aprendizagem e para a investigação científica.

É possivel então concluir que os detetores de IA podem constituir uma ferramenta útil de apoio à integridade académica, mas não são infalíveis, uma vez que a evidência científica disponível sugere que devem ser utilizados com prudência, complementados por avaliação humana e enquadrados por políticas institucionais transparentes e justas. Deste modo o maior desafio não é apenas identificar a utilização da IA, mas sobretudo promover uma cultura de responsabilidade, ética e utilização crítica destas tecnologias no contexto académico e científico.

E como podemos referir a utilização de IA?

Como referenciar a utilização de IA?

A crecente utilização de ferramentas de IA generativa na investigação científica levou universidades, editoras e organizações internacionais a desenvolver orientações específicas para garantir transparência e integridade académica e apesar de não existir ainda uma norma universal aplicável a todas as áreas científicas, existe um consenso crescente de que a utilização da IA deve ser declarada sempre que tenha contribuído de forma relevante para a elaboração do trabalho (Wiley, 2025; ETH Zurich, 2025; Ca’ Foscari University of Venice, 2024).

Conforme já foi referido, a transparência é um princípio fundamental da investigação científica e tal como os investigadores descrevem os métodos, os instrumentos utilizados e os procedimentos adotados, também a utilização de ferramentas de IA deve ser comunicada de forma clara quando influencia a redação, organização, análise ou interpretação da informação. Com esta prática leitores, revisores e outros investigadores podem compreender adequadamente o processo de produção científica e avaliar a qualidade do trabalho realizado.

Segundo as orientações da Wiley (2025), a utilização de IA deve ser declarada especialmente quando as ferramentas são utilizadas para produzir texto, reorganizar argumentos, traduzir conteúdos ou apoiar processos metodológicos. A organização recomenda que estas informações sejam incluídas nas secções apropriadas do manuscrito, como os agradecimentos, os métodos ou outras secções destinadas à descrição dos procedimentos utilizados.

A Ca’ Foscari University of Venice (2024) vai ainda mais longe ao recomendar que os investigadores descrevam não apenas a ferramenta utilizada, mas também a sua versão, os objetivos da sua utilização e, sempre que relevante, os prompts ou instruções fornecidas ao sistema, referindo mesmo que é esta transparência que contribui para aumentar a reprodutibilidade da investigação e facilita a avaliação crítica dos resultados obtidos.

Por sua vez, a ETH Zurich (2025) destaca que a utilização não declarada de ferramentas de IA pode constituir uma forma de ocultação da verdadeira origem de determinados conteúdos, defendendo que os autores devem assumir total responsabilidade pelos textos produzidos e indicar claramente quando recorreram a sistemas de IA para apoiar tarefas específicas. Esta necessidade de transparência

A American Psychological Association (APA) também reconhece a necessidade de transparência relativamente à utilização de IA generativa, apontando para o facto de apesar de as ferramentas de IA não serem consideradas autores e não possam ser citadas como fontes científicas convencionais, a sua utilização deve ser descrita quando tiver desempenhado um papel relevante na elaboração do trabalho.

Um exemplo simples de declaração poderá ser:

Foi utilizada uma ferramenta de inteligência artificial para apoio na organização preliminar de ideias, revisão linguística e melhoria da clareza textual. Todo o conteúdo foi posteriormente revisto, validado e adaptado pelo autor.

Contudo em investigações mais complexas, poderá ser necessário fornecer uma descrição mais detalhada, incluindo a ferramenta utilizada, a versão empregue e o tipo de apoio fornecido pela IA.

Importa voltar a reforçar que a utilização de IA não transfere qualquer responsabilidade científica para a tecnologia, sendo que Independentemente do grau de utilização destas ferramentas, os autores continuarem a ser totalmente responsáveis pela exatidão da informação, pela validade metodológica, pela interpretação dos resultados e pelo cumprimento das normas éticas e científicas aplicáveis (Wiley, 2025; ETH Zurich, 2025).

À medida que a utilização da IA se torna mais comum na investigação científica, é expectável que universidades, revistas científicas e entidades financiadoras continuem a atualizar as suas orientações. Por esse motivo, os investigadores devem consultar regularmente as normas específicas aplicáveis à sua instituição, área científica ou publicação de destino, garantindo que a utilização destas tecnologias ocorre de forma transparente, responsável e alinhada com os princípios da integridade científica.

Conclusão

Com a presente revisão e a pesquisa levada a cabo para a sua realização foi possível constatar que a Inteligência Artificial está a transformar profundamente a forma como a investigação científica é desenvolvida, oferecendo novas oportunidades para aumentar a eficiência, facilitar o acesso à informação e apoiar diversas tarefas ao longo do processo de investigação, sendo cada vez mais as ferramentas de IA generativa que podem contribuir para a pesquisa bibliográfica, organização de conteúdos, revisão linguística, programação e apoio metodológico, permitindo que os investigadores reduzam o tempo dedicado a atividades operacionais e concentrem mais esforços na análise e interpretação científica.

Porém apesar destas vantagens, a sua crescente utilização também levanta desafios importantes, como a produção de informação incorreta, referências inexistentes, enviesamentos, problemas de transparência e riscos associados à privacidade que demonstram que a IA não pode ser utilizada de forma acrítica. Assim as várias orientações internacionais analisadas ao longo deste artigo (Wiley, 2025; ETH Zurich, 2025; Ca’ Foscari University of Venice, 2024) são consistentes ao afirmar que a supervisão humana continua a ser indispensável e que a responsabilidade científica permanece sempre do lado dos investigadores .

É então evidente que atualmente a IA deva ser encarada como uma ferramenta de apoio e não como substituto do pensamento crítico, da capacidade analítica ou do julgamento científico que a qualidade da investigação continua a depender da formulação adequada das questões de investigação, da escolha dos métodos, da interpretação rigorosa dos resultados e da capacidade de produzir conhecimento novo e relevante para a comunidade científica.

Para além disso, as questões relacionadas com a ética, a transparência e a integridade científica são de importância crescente e cada mais significativa, uma vez que a utilização responsável da IA implica verificar cuidadosamente toda a informação produzida, proteger dados sensíveis, declarar adequadamente a utilização destas ferramentas e garantir que as decisões científicas permanecem sob controlo humano. Como já salientaram Hagendorff (2020) e a Comissão Europeia (2025), o verdadeiro desafio não se restringe unicamente ao desenvolvimento da tecnologia, mas também à capacidade de assegurar que a sua utilização respeita valores fundamentais como a responsabilidade, a justiça, a transparência e a confiança.

À medida que a Inteligência Artificial continua a evoluir, é provável que o seu papel na investigação científica se torne cada vez mais relevante, embora independentemente dos avanços tecnológicos que venham a surgir, o rigor metodológico, a honestidade intelectual e o pensamento crítico continuem a ser os pilares fundamentais da produção científica. A IA pode acelerar processos e apoiar o trabalho dos investigadores, mas não substitui totalmente a experiência, o conhecimento especializado nem a capacidade humana de compreender, interpretar e produzir ciência de qualidade.

É com este pensamento que a nossa equipa trabalha para apoiar e contribuir para a produção de conhecimento e evidências cientificas de relevo.

Precisa de apoio no seu projeto?

Prestamos apoio especializado em revisão da literatura, metodologia científica, definição amostral, validação de instrumentos, análise estatística (SPSS, JASP, Jamovi, R e SmartPLS), interpretação e discussão de resultados e apoio à redação científica.

Então, se necessita de apoio na elaboração da sua dissertação, tese, artigo científico ou projeto de investigação, entre em contacto para obter acompanhamento especializado e adaptado às necessidades específicas do seu estudo.

Pode também consultar mais sobre os nosso serviços em:

Consultoria em Trabalhos académicos

Explicações de Análise Estatística

Referências Bibliográficas

American Psychological Association (APA) (2026). APA Journals policy on generative AI: Additional guidance. https://www.apa.org/pubs/journals/resources/publishing-tips/policy-generative-ai 

Ca’ Foscari University of Venice (2024). Guidelines for the Responsible Use of Artificial Intelligence in Research. Computer Services and Telecommunications Area (ASIT) Working Group for ICT Research Support Activities. https://www.unive.it/pag/fileadmin/user_upload/ateneo/norme_regolamenti/regolamenti/servizi-informatici/Linee_Guida_IA_Ricerca_ENG.pdf 

Deep, P.D., Edgington,W.D., Ghosh, N., & Rahaman, M.S. Evaluating the Effectiveness and Ethical Implications of AI Detection Tools in Higher Education. Information 2025, 16, 905. https://doi.org/10.3390/info16100905 

ETH Zurich (2025). Plagiarism and generative Artificial Intelligence. https://library.ethz.ch/en/scientific-writing/plagiat-und-kuenstliche-intelligenz-ki.html 

European Comission (2026). Guidelines on the ethical use of artificial intelligence and data in teaching and learning for Educators. https://doi.org/10.1007/s11023-020-09517-8doi:10.2766/7967834 

Giray, L., Roe, J., & Espiritu, J.D. (2026). AI writing detectors are ineffective, unreliable and harmful. English Teaching: Practice & Critique. https://doi.org/10.1007/s11023-020-09517-810.1108/ETPC-07-2025-0155  

Hagendorf, T. (2020). The Ethics of AI Ethics: An Evaluation of Guidelines. Minds and Machines. https://doi.org/10.1007/s11023-020-09517-8 

Llerena-Izquierdo, J., & Ayala-Carabajo, R. Ethics of the Use of Artificial Intelligence in Academia and Research: The Most Relevant Approaches, Challenges and Topics. Informatics 2025, 12, 111. https://doi.org/10.3390/informatics12040111 

Wiley (2025). AI guidelines for researchers: Using AI tools in your research. https://www.wiley.com/en-nl/publish/article/ai-guidelines/

A Importância do CB-SEM na Validação de Questionários: Um Erro Frequente com a Utilização do PLS-SEM

Autor: Mário Rocha

A crescente popularidade do PLS-SEM

Nos últimos anos, o PLS-SEM tornou-se uma das técnicas mais utilizadas na investigação aplicada., sendo que a sua flexibilidade, facilidade de utilização e menor exigência em termos de tamanho da amostra contribuíram para que seja cada vez mais utilizado em diversas áreas como gestão, marketing, educação, saúde e ciências sociais.

Porém é muito importante ter em conta que a popularidade desta metodologia trouxe também alguns equívocos/erros metodológicos que importa discutir, como o caso da utilização do PLS-SEM para validar questionários ou escalas de avaliação.

Validação de questionários não é apenas fiabilidade

É comum encontrar estudos onde a validação de um instrumento é baseada exclusivamente em indicadores como:

• Consistência interna (Alfa de Cronbach; Fiabilidade composta; Omega)
• Validade convergente;
• Validade discriminante.

Embora estes indicadores sejam importantes, a sua existência não garante, por si só, que um questionário esteja devidamente validado, porque um instrumento pode apresentar excelentes indicadores estatísticos e, ainda assim, possuir problemas ao nível da sua estrutura fatorial. Dai a importância da realização da validade fatorial com recurso a uma técnica como a análise fatorial confirmatória (AFC)

O papel da Análise Fatorial Confirmatória (AFC)

Quando o objetivo é validar um instrumento de medida, uma das questões fundamentais é verificar se os dados suportam a estrutura teórica proposta.

Por exemplo, se um questionário foi desenvolvido para medir três dimensões distintas, é necessário demonstrar que os itens se organizam efetivamente de acordo com essa estrutura, é precisamente neste ponto que entra a análise fatorial confirmatória (AFC), normalmente realizada em contexto CB-SEM.

Ao contrário do PLS-SEM, o CB-SEM permite avaliar diretamente o ajustamento entre o modelo teórico e os dados observados através de índices globais de ajustamento, que fornecem evidência sobre a adequação da estrutura fatorial proposta, como por exemplo:

• CFI
• GFI
• TLI;
• RMSEA;
• SRMR;
• Qui-quadrado de ajustamento (x²/gl)

O verdadeiro papel do PLS-SEM

Importa esclarecer que este artigo não pretende desvalorizar o PLS-SEM. Muito pelo contrário. Importa é fazer um correcta distição entre os dois métodos (PLS-SEM e CB-SEM). Deste modo, o PLS-SEM constitui uma metodologia extremamente útil quando o objetivo é:

• Testar modelos estruturais complexos;
• Maximizar a variância explicada;
• Desenvolver teoria;
• Realizar análises preditivas;
• Estudar relações entre constructos latentes.

O problema surge quando se assume que bons indicadores de fiabilidade e validade (convergene e divergente/discriminante) são suficientes para concluir que um instrumento está validado, sendo que na realidade, estes indicadores avaliam aspetos importantes da qualidade das medidas, mas não substituem a necessidade de confirmar a estrutura fatorial do instrumento.

Um erro metodológico frequente

É muito comum, na prática, muitos investigadores concluirem que um questionário está validado porque apresenta:

• Consistência Interna adequada
  • Alfa de Cronbach superior a 0,70;
  • Fiabilidade composta superior a 0,70;
• Boa validade Convergente
  • AVE superior a 0,50;
• Critérios de validade discriminante adequados
  • Entre os critérios mais utilizados encontram-se o critério de Fornell-Larcker, baseado na comparação entre a raiz quadrada da AVE e as correlações entre constructos, a análise das cargas cruzadas (cross loadings) e o rácio Heterotrait-Monotrait (HTMT). Atualmente, o HTMT é frequentemente considerado uma das abordagens mais robustas para avaliar a validade discriminante)

Contudo, estas evidências não demonstram necessariamente que os itens representam corretamente os fatores teóricos definidos pelo investigador, o que em muitos casos, apenas uma AFC permite identificar focada em questões como:

• Cargas fatoriais inadequadas;
• Itens problemáticos;
• Cargas cruzadas.
• Dimensões mal especificadas;
• Problemas de ajustamento global.

Uma abordagem recomendada

Sempre que possível, a validação de questionários deve ser encarada como um processo sequencial. Assim, uma estratégia frequentemente recomendada consiste em:

• Desenvolver ou adaptar o instrumento (com processos de tradução-retradução e validade de contéudo, se necessário)
• Realizar uma Análise Fatorial Exploratória (AFE);
• Confirmar a estrutura fatorial através de AFC em contexto CB-SEM
• Utilizar posteriormente o instrumento em modelos estruturais mais complexos, sendo desta forma, a qualidade da medida é também avaliada antes da análise das relações entre constructos.

Considerações Finais

O PLS-SEM é um método extremamente poderoso e útil para testar modelos estruturais e realizar análises preditivas. Contudo, a validação de questionários exige mais do que apenas a análise de indicadores de consistência interna, validade convergente e validade discriminante.

Entao, a demonstração de que a estrutura teórica proposta é efetivamente suportada pelos dados continua a ser um dos pilares fundamentais da validação de instrumentos.

Confundir a avaliação de métricas do modelo de medida com a validação fatorial de um questionário constitui um dos erros metodológicos mais frequentes na utilização do PLS-SEM, sendo como tal fundamental proceder a análise fatorial confirmatória através do método CB-SEM.

Para mais informações sobre os métodos PLS-SEM e CB-SEM pode também ler o nosso artigo mais especifico:

CB-SEM e PLS-SEM: quando usar cada abordagem?

Precisa de apoio na validação de Escalas de Avaliação?

Se necessita de apoio na construção, adaptação ou validação de instrumentos de medida, bem como na realização de análises fatoriais exploratórias, confirmatórias ou modelos de equações estruturais, entre em contacto. Uma escolha metodológica adequada é fundamental para garantir resultados robustos e cientificamente sustentados.

Pode contactar-nos directamente pelo whatsapp ou através dos contactos no site.

WhatsApp

A Importância da Escolha Metodológica na Investigação Científica e a sua Relação com a Análise Estatística

Autores: Mário Rocha e Flávia Negrini

A escolha metodológica representa uma das etapas mais importantes em qualquer investigação científica. Apesar disso, muitos investigadores iniciam os seus estudos focando-se primeiro na análise estatística ou no software a utilizar, negligenciando a definição adequada da metodologia. Porém é fundamental referir que a literatura científica demonstra claramente que a análise estatística deve ser consequência do desenho metodológico e não o ponto de partida.

No presente artigo apresentam-se algumas questões que consideramos de extrema relevância para uma adequada e mais robusta Investigação Científica, como:

1. Metodologia Qualitativa e Quantitativa: Quais as diferenças e quando utilizar

A distinção entre metodologia qualitativa e quantitativa constitui uma das decisões mais relevantes em investigação científica. 

Autores relevantes na área como Creswell e Creswell (2018) referiram que a investigação quantitativa procura medir fenómenos, testar hipóteses e identificar relações estatísticas entre variáveis, caracterizando-se normalmente pela utilização de dados numéricos, instrumentos padronizados e análises estatísticas.

Por outro lado referem que a investigação qualitativa procura compreender fenómenos em profundidade, explorando significados, experiências e contextos específicos. Neste tipo de metodologia os dados são frequentemente recolhidos através de entrevistas, observação ou análise documental.

Então, enquanto a investigação quantitativa responde frequentemente a questões como: “Existe relação entre as variáveis?” e “Qual o impacto de X sobre Y?”, a investigação qualitativa procura compreender questões: “Como os participantes interpretam determinado fenómeno?” e “Quais os significados atribuídos às experiências?”

1.1. Quando utilizar a Metodologia Quantitativa?

A metodologia quantitativa tende a ser mais adequada quando o investigador pretende:

• Testar hipóteses;
• Medir relações entre variáveis;
• Comparar grupos;
• Generalizar resultados;

Alguns exemplos são:
• Estudos correlacionais;
• Estudos experimentais;
• Surveys;
• Modelagem de equações estruturais;
• Estudos econométricos.

Neste contexto, análises estatísticas como regressão, ANOVA, SEM e análise multigrupos tornam-se particularmente relevantes.

1.2. Quando utilizar metodologia qualitativa?

A metodologia qualitativa tende a ser mais adequada quando o investigador pretende:

• Compreender fenómenos complexos;
• Explorar experiências subjetivas;
• Analisar contextos específicos;
• Aprofundar interpretações.

Segundo Yin (2018), abordagens qualitativas são particularmente úteis quando existe forte influência contextual ou quando o fenómeno é ainda pouco compreendido.

Alguns exemplos deste tipo de metodologias são:

• Entrevistas em profundidade;
• Grupos focais;
• Análise temática;
• Análise de conteúdo;
• Estudos etnográficos.

2. O Estudo de Caso: Uma abordagem em comum

O estudo de caso representa uma das abordagens metodológicas mais utilizadas em investigação qualitativa, embora também possa incorporar elementos quantitativos.

Segundo Yin (2018), o estudo de caso é particularmente útil quando o objetivo consiste em compreender fenómenos contemporâneos em contexto real. Anteriormente outro autor (Stake, 1995) também referiu que o mesmo permite explorar profundamente situações específicas, organizações, indivíduos ou processos complexos.

Alguns exemplos da sua aplicação incluem:

• Análise de uma empresa específica;
• Implementação de determinada tecnologia;
• Estudos clínicos;
• Processos educativos;
• Inovação organizacional.

2.1. Estudo de caso vs Investigação Quantitativa

Uma das maiores diferenças entre estudos de caso e investigação quantitativa tradicional relaciona-se com os objetivos científicos. 

Na investigação quantitativa:

• Procura-se frequentemente generalização estatística;
• Utilizam-se amostras maiores;
• Existe maior foco em relações causais.

Já nos estudos de caso:

• Existe maior profundidade contextual;
• A interpretação assume maior relevância;
• A compreensão detalhada do fenómeno é prioritária.

Tal facto não significa que uma abordagem seja superior à outra, sendo que a sua escolha depende dos objetivos da investigação e das questões científicas formuladas.

3. Relação entre Metodologia e Análise Estatística

A escolha metodológica influencia diretamente a futura análise estatística.

Por exemplo:

• Estudos experimentais podem recorrer por exemplo ao Teste T ou à ANOVA;
• Estudos correlacionais utilizam regressão ou SEM;
• Estudos longitudinais podem recorrer a modelos de crescimento;
• Estudos multinível exigem frequentemente multilevel modeling;
• Estudos qualitativos recorrem à análise temática ou análise de conteúdo.

Posto isto é muito importante ter em conta que segundo Hair et al. (2022), muitos erros metodológicos ocorrem precisamente porque investigadores escolhem técnicas estatísticas sem considerar adequadamente o desenho metodológico.Apresentamos de seguida alguns dos erros metodológicos mais comuns

3.1. Erros metodológicos mais comuns

Entre os erros metodológicos mais frequentes destacam-se:

• Escolher primeiro a análise estatística e só depois a metodologia;
• Utilizar técnicas complexas sem fundamentação;
• Utilizar SEM sem teoria adequada;
• Utilizar amostras inadequadas;
• Confundir profundidade qualitativa com generalização quantitativa.

Field (2018) já nos alertou para o facto de mesmo análises estatísticas avançadas poderem produzir resultados inválidos quando o desenho metodológico é inadequado.

Conclusão

Em suma, a metodologia científica deve orientar todas as decisões relacionadas com a investigação, incluindo a futura análise estatística. A escolha entre metodologia qualitativa, quantitativa ou estudo de caso depende dos objetivos científicos, das questões de investigação e da natureza do fenómeno estudado.

Mais importante do que utilizar técnicas estatísticas complexas é garantir coerência metodológica, fundamentação teórica e adequação entre objetivos, desenho de investigação e análise dos dados.

Referências Bibliográficas

Creswell, J.W. & Creswell, J.D. (2018). Research Design: Qualitative, Quantitative, and Mixed Methods Approaches. Sage, Los Angeles.

Field, A.P. (2018). Discovering Statistics Using IBM SPSS Statistics (5th Ed). Sage, Newbury Park.

Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equaton Modeling (PLS-SEM) (3rd ed.). Sage. https://doi.org/10.1007/978-3-030-80519-7 

Stake, R.E. (1995). The Art of Case Study Research. Sage Publications, Thousand Oaks.Yin, R. K. (2018). Case Study Research and Applications: Design and Methods (6th Ed.). Sage Publications.

Yin, R. K. (2018). Case Study Research and Applications: Design and Methods (6th Ed.). Sage Publications.

A Evolução da Análise Estatística na Investigação Científica: Da Estatística Clássica às Novas Ferramentas de Análise de Dados

Autor: Mário Rocha

É relevante a evolução da análise estatística nas últimas décadas, acompanhando o desenvolvimento de novas metodologias, o aumento da complexidade dos dados e as exigências crescentes da investigação científica contemporânea. Embora softwares clássicos como o SPSS e o AMOS continuem amplamente utilizados no contexto académico e profissional, novas ferramentas têm vindo a ganhar destaque devido à sua flexibilidade, acessibilidade e integração com abordagens estatísticas mais modernas, apresentando um enorme contributo para a evolução da análise estatística e da metodologia ciêntifica.

Atualmente, Softwares como JASP, Jamovi, Factor, SmartPLS, R oferecem soluções cada vez mais completas para análise de dados, permitindo realizar desde análises descritivas e testes inferenciais até modelos fatoriais, análise multivariada, psicometria avançada e modelos de equações estruturais. Estas ferramentas destacam-se não apenas pela diversidade de procedimentos disponíveis, mas também pela crescente preocupação com a transparência metodológica, reprodutibilidade científica e interpretação dos resultados.

A Evolução da Análise Estatística e os Novos Softwares

Durante muitos anos, softwares como o SPSS e AMOS dominaram a investigação aplicada em áreas como Psicologia, Educação, Ciências da Saúde, Gestão e Ciências Sociais. A sua interface intuitiva e facilidade de utilização contribuíram para uma ampla disseminação da análise estatística em contextos académicos e profissionais.

Contudo, a evolução da análise estatística trouxe novas exigências metodológicas. A necessidade de integrar modelos mais complexos, análise de fiabilidade avançada, bootstrap, validação psicométrica, análise fatorial confirmatória e modelos de equações estruturais levou ao crescimento de plataformas mais flexíveis e adaptadas às abordagens estatísticas atuais.

Neste contexto, softwares gratuitos como JASP e Jamovi têm vindo a assumir um papel particularmente relevante. Estas plataformas permitem realizar análises estatísticas robustas através de interfaces intuitivas, aproximando procedimentos metodológicos mais avançados de investigadores com diferentes níveis de experiência estatística. É importante destacar também softwares mais específicos como o Factor para análise fatorial exploratória.

Além disso, ferramentas como o SmartPLS tornaram-se especialmente relevantes no contexto dos modelos de equações estruturais baseados em variância (PLS-SEM), sendo frequentemente utilizadas em estudos exploratórios, modelos preditivos e investigação aplicada em áreas multidisciplinares.

Reprodutibilidade Científica e Transparência Metodológica

Um dos aspetos mais relevantes na evolução recente da análise estatística relaciona-se com a crescente preocupação com a reprodutibilidade científica. Atualmente, não basta apenas apresentar resultados estatísticos. É igualmente importante justificar as opções metodológicas adotadas, garantir coerência entre objetivos, hipóteses e análises realizadas, bem como assegurar transparência na interpretação dos resultados.

Neste sentido, softwares como R, JASP e Jamovi têm contribuído para aproximar a investigação científica de práticas metodológicas mais transparentes e reprodutíveis. A integração de relatórios automáticos, sintaxe, outputs organizados e documentação mais clara facilita não apenas a análise dos dados, mas também a revisão crítica dos procedimentos utilizados.

A Importância da Interpretação Metodológica

Apesar da evolução tecnológica e do aparecimento de ferramentas estatísticas cada vez mais avançadas, nenhum software substitui a necessidade de compreensão metodológica. A escolha do teste estatístico, a avaliação dos pressupostos, a interpretação dos resultados e a adequação entre modelo teórico e análise empírica continuam a ser elementos centrais para a qualidade científica da investigação.

Assim, mais importante do que utilizar um software específico é compreender a lógica metodológica subjacente às análises realizadas. Diferentes programas podem produzir resultados semelhantes, mas a qualidade da investigação dependerá sempre da coerência conceptual, da fundamentação estatística e da interpretação crítica dos dados.

 Considerações Finais

A evolução da análise estatística reflete não apenas avanços tecnológicos, mas também mudanças profundas na forma como a investigação científica é conduzida e interpretada. O crescimento de softwares como JASP, Jamovi, SmartPLS e R demonstra uma tendência crescente para metodologias mais acessíveis, flexíveis e alinhadas com os princípios atuais da ciência aberta e da reprodutibilidade.

Neste espaço procuramos precisamente acompanhar essa evolução metodológica, conciliando abordagens estatísticas clássicas com ferramentas mais recentes, sempre com foco na clareza, rigor científico e adequação das análises aos objetivos concretos de cada investigação.

Precisa de apoio em análise estatística, metodologia ou validação de instrumentos? Entre em contacto.

Outros Artigos Relevantes

JASP e Jamovi vs SPSS: Comparação Técnica, Vantagens e Aplicações Académicas

Construção e Adaptação de Questionários: Fundamentos Metodológicos e Validação

Estatística e Consultoria em Análise Estatística: Importância para a Investigação e Empresas

Estatística para Empresas: Como a Análise de Dados Melhora Decisões e Resultados

Validade de Conteúdo em Questionários: Como aplicar e principais índices (CVR, CVI e V de Aiken)

Autor: Mário Rocha e Flávia Negrini

A validade de conteúdo em questionários é uma etapa essencial no processo de construção e adaptação de questionários. É uma etapa central no desenvolvimento e adaptação de instrumentos de medida, sendo amplamente reconhecida como a base para as restantes formas de validade.

Tal como referido por Haynes, Richard e Kubany (1995), refere-se ao grau em que os itens representam adequadamente o construto que se pretende medir. Esta perspetiva é reforçada por abordagens mais recentes, que sublinham que sem validade de conteúdo dificilmente se pode garantir validade de construto ou de critério.

Neste artigo apresentamos uma visão geral do processo, sendo os procedimentos específicos aprofundados em artigos dedicados.

1. O que é a validade de conteúdo em questionários?

A validade de conteúdo implica assegurar que os itens são relevantes, claros e representativos do domínio do construto. Não se trata apenas de uma avaliação superficial, mas de um processo sistemático de alinhamento entre teoria e medição. Autores como Delgado-Rico et al. (2012) destacam que esta validade envolve múltiplas dimensões, incluindo a representatividade do conteúdo e a adequação da formulação dos itens. De forma complementar, estudos recentes sublinham a importância de considerar também o contexto cultural e a população-alvo.

2. Processo de Avaliação de Conteúdo

O processo de validade de conteúdo em questionários envolve geralmente:

• Teste Blueprint
• Seleção de especialistas
• Avaliação dos itens (relevância, clareza)
• Cálculo de índices
• Revisão dos itens

Este processo deve ser devidamente documentado em trabalhos científicos.

2.1. Planeamento do instrumento (test blueprint)

Antes da avaliação por especialistas, é essencial um planeamento rigoroso do instrumento. Neste contexto, o test blueprint assume particular relevância, funcionando como um mapa conceptual que orienta a construção dos itens.

Este blueprint define o construto, as suas dimensões e a forma como os itens são distribuídos, garantindo coerência e cobertura adequada.

Dada a sua importância, este tema será aprofundado num artigo específico dedicado ao desenvolvimento de instrumentos.

2.2. Seleção de especialistas e considerações práticas

A seleção de especialistas é um dos pontos mais críticos na validade de conteúdo. A literatura sugere frequentemente entre 3 a 5 especialistas em fases iniciais, podendo este número aumentar para 5 a 10 em estudos mais robustos (Lynn, 1986; Polit & Beck, 2006; Roebianto et al., 2023).

No entanto, mais importante do que o número é a qualidade dos especialistas, nomeadamente a sua experiência científica e conhecimento do construto.

Adicionalmente, importa considerar a inclusão de participantes da população-alvo, especialmente para avaliar a clareza e compreensão dos itens. Esta ligação entre especialistas e utilizadores finais conduz naturalmente à importância do estudo piloto.

2.3. Principais índices para avaliação da validade de conteúdo em questionários

Os principais índices utilizados são:

• CVR (Content Validity Ratio)
• CVI (Content Validity Index)
• V de Aiken
• Coeficientes de concordância

Valores mais elevados indicam maior concordância entre especialistas.

Cada um destes índices apresenta características específicas e diferentes formas de interpretação. Dada a sua complexidade e importância, serão abordados em artigos dedicados, permitindo uma explicação detalhada e aplicação prática. A interpretação deve ser feita com base na literatura e no contexto do estudo.

3. Evidência empírica: alguns estudos com aplicação da validade de conteúdo em questionários

A análise de estudos empíricos recentes mostra uma forte consistência na forma como a validade de conteúdo é aplicada.

De forma geral, os estudos utilizam painéis de especialistas entre 5 e 10 elementos, aplicam escalas de avaliação de relevância e clareza e recorrem a índices como o CVI e o CVR para quantificar os resultados. Após esta fase, é comum a revisão ou eliminação de itens com base nos critérios definidos.

Alguns estudos de adaptação cultural evidenciam a importância desta etapa na garantia de equivalência semântica e conceptual, mostrando que a validade de conteúdo é essencial antes da realização de análises fatoriais.

Outros trabalhos demonstram que, mesmo quando os índices apresentam valores elevados, a revisão qualitativa dos itens continua a ser necessária, reforçando a ideia de que a validade de conteúdo deve integrar abordagens quantitativas e qualitativas.

Segue em baixo as referências de alguns estudos recentes realizados em Portugal e a nível internacional com aplicação da validade de conteúdo em questionários.

• Dalawi, I, Isa, M., Chen, X., Azhar, Z., & Aimran, N. (2023). Development of the Malay Language of understanding, attitude, practice and health literacy questionnaire on COVID-19 (MUAPHQ C-19): content validity & face validity analysis. BMC Public Health, 23. https://doi.org/10.1186/s12889-023-16044-5
• Loureiro, A., Ibanez-Cubillas, P., Miranda-Pinto, M. (2024). Validade de Conteúdo por avaliação de especialistas para medir as competências digitais de estudantes de mestrado em Educação Especial. Texto Livre, 17. https://doi.org/10.1590/1983-3652.2024.52564
• Martins, M., Paiva-Santos, F., Todo Bom, L., Dixe, M. dos A., & Costeira, C. (2025). Cultural adaptation and content validation of the RAC (Rodríguez-Almeida-Cañon) adult infection risk assessment scale for Portuguese from Portugal. Millenium – Journal of Education, Technologies, and Health, 2(28). https://doi.org/10.29352/mill0228.41505
• Moreira, W., Campos, L., Dias, P., & Nóbrega, M. (2025). Adaptation and content validity of the Brazilian version of the Mental Health Literacy questionnaire. Rev Bras Enferm, 78(4). https://doi.org/10.1590/0034-7167-2024-0309pt
• Vilhena, D., Guimarães, M., Guimarães, R., & Pinheiro, A. (2023). Validade de Conteúdo e Fidedignidade do Teste de Taxa de Leitura. Avaliação Psicológica, 22 (2). https://doi.org/10.15689/ap.2023.2202.22980.10
• Trindade, C., Kato, S., Gurgel, L., & Reppold, C. (2018). Processo de Construção e Busca de Evidências de Validade de Conteúdo da Equalis-OAS. Avaliação Psicológica, 17(2), 271-277. https://doi.org/10.15689/ap.2018.1702.14501.13

4.    Recomendações práticas

• A validade de conteúdo em questionários deve ser realizada antes do estudo piloto.
• É importante justificar decisões e reportar resultados de forma transparente.

Referências Bibliográficas

Haynes, S., Richard, D., & Kubany, E. (1995). Content validity in psychological assessment: A functional approach to concepts and methods. Psychological Assessment, 7(3), 238–247. https://doi.org/10.1037/1040-3590.7.3.238

Lynn, M. (1986). Determination and quantification of content validity. Nursing Research, 35(6), 382–386. https://doi.org/10.1097/00006199-198611000-00017

Polit, D., & Beck, C. (2006). The content validity index: Are you sure you know what’s being reported? Critique and recommendations. Research in Nursing & Health, 29 (5), 489–497. https://doi.org/10.1002/nur.20147

Polit, D., Beck, C., Owen, S. (2007). Is the CVI an acceptable indicator of content validity? Appraisal and recommendations. Research in Nursing Health, 30 (4), 459-467. https://doi.org/10.1002/nur.20199

Delgado-Rico, E., Carrctero-Dios, H., & Ruch, W. (2012). Content validity evidences in test development: An applied perspective International. Journal of Clinical and Health Psychology, 12 (3), 449-459. https://www.researchgate.net/publication/279618267_Content_validity_evidences_in_test_development_An_applied_perspective

Robianto, A., Savitri, S., Aulia, I., Suciyana, A., & Mubarokah, L. (2023). Content Validity: Definition and Procedure of Content Validation in Psychological Research. TPM, 30 (1), 5-18. https://doi.org/10.4473/TPM30.1.1

Construção e Adaptação de Questionários: Fundamentos Metodológicos e Validação Estatística

Autor: Mário Rocha

A construção e adaptação de questionários é um processo metodológico rigoroso que envolve definição conceptual clara, desenvolvimento sistemático de itens e validação estatística das propriedades psicométricas do instrumento.

Etapas da Construção e Adaptação de Questionários

No presente artigo apresentamos algumas noções mais gerais de todo este processo, que depois iremos explicar de modo mais detalhado em diversos outros artigos.

1. Definição Conceptual e Operacionalização do Construto

O processo inicia-se com a definição teórica do construto com base na literatura científica. A operacionalização implica traduzir conceitos abstratos em indicadores observáveis. Segundo DeVellis (2016), a clareza conceptual é condição essencial para garantir validade de construto.

2. Criação e Refinamento de Itens

A criação inicial de itens deve basear-se em revisão de literatura, entrevistas exploratórias ou adaptação de escalas previamente validadas. Hinkin (1998) recomenda a criação de um conjunto alargado de itens iniciais, seguido de avaliação e eliminação progressiva.

3. Validade de Conteúdo em questionários ciêntificos

A validade de conteúdo avalia a representatividade dos itens face ao construto. Este processo envolve juízes especialistas e pode recorrer ao cálculo do Content Validity Index (CVI).

O cálculo do CVI e do CVR será explicado detalhadamente num artigo específico dedicado à validade de conteúdo.

4. Estudo Piloto

A aplicação piloto permite avaliar clareza semântica, tempo de resposta e consistência preliminar. Esta fase contribui para o refinamento final do instrumento. Uma explicação mais detalhada será dada num artigo mais especifico.

5. Validade de Construto

Esta fase implica a obtenção e/ou validação de uma estrutura fatorial. Realiza-se geralmente através de dois processos estatísticos que são a análise fatorial exploratória (AFE) e análise fatorial confirmatória (AFC), e também pela análise da validade convergente e divergente. É importante realçar que a utilização de AFE e depois AFC é mais comum em processos de construção e adaptação de questionários, sendo a AFC isolada mais comum quando se pretende apenas validar determinada estrutura fatorial já anteriormente validada e definida.

Este processo, assim como as análises mais especificas que o definem também serão alvo de artigos explicativos mais especificos

5.1. Análise Fatorial Exploratória (AFE)

A AFE permite identificar a estrutura latente dos dados. Recomenda-se verificar a adequação da amostra através do índice KMO e do teste de esfericidade de Bartlett. Segundo Worthington e Whittaker (2006) e Hair et al. (2019) é necessário ter em conta as cargas fatoriais dos itens nos fatores para a definição correcta dos mesmos.

Num artigo próprio abordaremos passo a passo a AFE, incluindo interpretação do KMO, teste de Bartlett , critérios de retenção de fatores e de agrupamento de itens no fator respetivo.

5.2. Análise Fatorial Confirmatória (AFC)

A AFC testa empiricamente o modelo de medida previamente definido. Autores como Hair et al. (2019) e Kline (2016) sugerem avaliar índices de ajustamento para validação do modelo de medida. Existem intervalos de valores que diferem de acordo com diferentes autores, que passaremos a discutir num artigo mais específico.

6. Validade Convergente e Discriminante

A validade convergente pode ser avaliada pela Average Variance Extracted (AVE ). A validade discriminante pode ser examinada pelo critério de Fornell-Larcker ou pelo rácio HTMT. Para este caso também existem valores de referência que passamos a explicar num artigo mais especifico.

7. Avaliação da Fiabilidade

A consistência interna é tradicionalmente avaliada através do alfa de Cronbach, existindo porém outros metodos de análise da fiabilidade como o teste-reteste. Em contextos confirmatórios, para a análise da consistência interna recomenda-se também a fiabilidade composta (CR) e o coeficiente omega.

As várias medidas de análise da fiabilidade fatorial, assim como os seus principais indicadores (alfa de Cronbach, omega, fiabilidade composta) serão aprofundados num artigo dedicado.

9. Adaptação Transcultural de Instrumentos de Medida

A adaptação de instrumentos para novos contextos culturais deve seguir procedimentos de tradução e retrotradução. Beaton et al. (2000) e a International Test Commission (2017) fornecem diretrizes metodológicas detalhadas para esse processo. Para além disso também é importante o recurso a validade de conteúdo, realização de estudo piloto e também a análise da validade de construto e da fiabilidade.

O processo de tradução e retrotradução será explicado detalhadamente num artigo específico sobre adaptação transcultural.

10. Como reportar em Teses e Artigos Científicos

O relato académico deve incluir descrição do construto, procedimentos de desenvolvimento, resultados das análises fatoriais, índices de ajustamento, medidas de fiabilidade e evidências de validade. O Publication Manual da APA (2020) recomenda transparência e apresentação completa dos resultados.

Referências

American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.).

Beaton, D. E., et al. (2000). Guidelines for the process of cross-cultural adaptation of self-report measures. Spine, 25(24), 3186–3191.

DeVellis, R. F. (2016). Scale development: Theory and applications (4th ed.). Sage.

Hair, J. F., et al. (2019). Multivariate data analysis (8th ed.). Cengage.

Hinkin, T. R. (1998). A brief tutorial on the development of measures. Organizational Research Methods, 1(1), 104–121.

International Test Commission. (2017). The ITC guidelines for translating and adapting tests (2nd ed.).

Kline, R. B. (2016). Principles and practice of structural equation modeling (4th ed.). Guilford Press.

Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.

Worthington, R. L., & Whittaker, T. A. (2006). Scale development research. The Counseling Psychologist, 34(6), 806–838.

Tipos e Métodos de Amostragem

Autor: Flávia Negrini

As amostragens probabilísticas

A amostragem será classificada como probabilística caso cada elemento na população tenha a mesma probabilidade de pertencer a mesma amostra e esta seja diferente de zero, sendo as técnicas de amostragens probabilísticas mais frequentes a saber: amostragem aleatória simples; a amostragem sistemática, amostragem aleatória estratificada e a amostragem em Cachos.

Amostragem Aleatória Simples

A amostragem aleatória simples é uma técnica de acordo com a qual cada um dos indivíduos da população alvo tem a mesma probabilidade de ser selecionado para integrar uma amostra, sendo utilizado no caso de uma população ser homogênea. Para tanto, deve-se proceder à numeração de todos os sujeitos da população e, por meio de um sorteio ou ajuda de uma tabela formada por números aleatórios, conseguir aqueles que formarão a amostra almejada. Assim, uma amostra aleatória simples pode ser formada conforme duas técnicas: amostra com reposição ou amostra sem reposição, sendo que na amostragem com reposição, a unidade escolhida volta para a população enquanto que na amostragem realizada sem reposição, a unidade escolhida não volta para a população. Assim sendo, é válido notar que, de modo geral, as amostragens são realizadas sem reposição e os cálculos de estatística nos dois tipos são iguais.

Amostragem Sistemática

A amostragem sistemática também poderá ser utilizada apenas se existir uma relação ordenada de integrantes da população, como, por exemplo por ordem alfabética ou lista telefónica. Tal técnica está baseada na retirada de K integrantes dessa lista sendo o primeiro deles retirado ao acaso, sendo que equivale à razão entre a extensão da população e da amostra. Assim sendo, a amostragem sistemática é a mais adequada pois é possível a definição de um até conseguir a amostra do tamanho almejado.

Amostragem Aleatória Estratificada

A amostragem estratificada será utilizada quando a população tiver características precisas como, por exemplo, idade e sexo, que possibilitem a formação de subconjuntos homogêneos ou os denominados estratos, uma vez que, nestas situações, as amostras selecionadas por amostragem simples tem menor representatividade, sendo em seguida retirado de modo aleatório uma amostra relativa a cada um dos estratos. Assim, tal forma de amostragem é uma das mais aplicadas, já que a maioria das populações possuem estratos bem definidos, como, por exemplo, os de homens e os de mulheres, sendo que entre suas vantagens estão as seguintes:

• Os dados são em geral mais homogéneos dentro de cada subconjunto do que na população total
• O custo para recolha e análise dos dados é quase sempre mais baixo do que na aleatória simples;
• É possível conseguir estimativas separadas dos parâmetros da população para cada estrato sem escolher outra amostra, ou seja, sem qualquer custo extra.

Amostragem em Cachos ou conglomerados

A amostragem em cachos está baseada na retirada de modo aleatório dos elementos por cachos e não unidades, sendo útil quando os elementos da população devem ser considerados como grupos ou quando não é viável obter uma relação de todos os sujeitos da população-alvo. Assim, é válido saber que em todo agrupamento (cachos ou estratos), a amostra só é tida como probabilística se os grupos forem selecionados ao acaso antes da separação aleatória dos indivíduos nos estratos. O número de integrantes em cada conglomerado deve ser pequeno em comparação a extensão da população, mas devem conter grandes quantidades de estratos. Tal amostragem será indicada quando não se tem um sistema de referência ordenando todos os integrantes da população, ou tal elaboração seja muito custosa, sendo que o custo do alcance de dados aumenta com o crescimento da distância entre os mesmos.

As Amostragens Não Probabilísticas

É uma estratégia de seleção de acordo com a qual cada integrante da população não tem a mesma probabilidade de ser selecionado para constituir a amostra, sendo a extensão da amostra extremamente importante uma vez que quanto maior for, menor será a probabilidade de que casos incomuns possam influenciar a totalidade de maneira significativa. Por isso, as amostras provenientes desta modalidade de amostragem devam ter sempre um número acima daquele que representaria a totalidade caso fosse usada uma amostragem da modalidade probabilística. Assim sendo, as técnicas de amostragens não-probabilísticas são: amostragem acidental ou de conveniência (por substituição da aleatória simples); amostragem por cotas (por substituição da amostragem estratificada ou por cachos); amostragem de seleção racional ou tipicidade (por substituição da estratificada); amostragem por Redes ou Bola de Neve (por substituição da sistemática).

Amostragem Acidental ou de Conveniência

É constituída por indivíduos que possam ser contactados de modo fácil, que estão numa localidade específica e momento preciso, tendo a vantagem de ser de simples organização e custo baixo, entretanto, tal modalidade de amostra gera enviesamentos, pois nada aponta que os primeiros 30 sujeitos sejam representativos da população-alvo. Assim sendo, são aplicadas a pesquisas que não têm como fim generalizar os resultados sendo muitas vezes usadas em hospitais. Dessa forma, é relevante a visão crítica do investigador para evitar vieses, por exemplo, não escolher sempre sujeitos com idades próximas, empregando critérios específicos de inclusão e exclusão.

Amostragem por Quotas

Igual à amostragem aleatória estratificada, uma vez que é formada por uma quantidade pré-determinada de sujeitos em cada uma das diversas categorias da população. Tal amostragem será diferente da estratificada somente pelo facto dos indivíduos não serem selecionados de modo aleatório dentro de cada cota ou grupo.

Amostragem por Seleção Racional, Julgamento ou por Tipicidade

Tem como pilar a avaliação do pesquisador ou especialista para formar uma amostra de indivíduos em função do seu carácter típico ou atípico cujos integrantes tenham ótimas possibilidades de fornecerem os dados que o estudo demanda, como, por exemplo, a investigação de casos que fogem à regra como uma doença muito rara.

Amostragem por Redes ou Bola de Neve

Este método está baseado na seleção de indivíduos que não seriam fáceis de serem encontrados de outro modo, tendo-se em mente as redes sociais, ciclo de amigos e conhecimentos, por exemplo, caso o pesquisador ache pessoas que satisfaçam os critérios estabelecidos e solicita que recomendem outros indivíduos que possuam características semelhantes.

Referências Bibliográficas

Pocinho, M. (2009) Teoria e exercícios passo-a-passo: Amostra e tipos de amostragem. Publicado por Research Gate. https://www.researchgate.net/publication/268150358

Validação, Tradução e Adaptação de Instrumentos Psicológicos

Autor: Flávia Negrini

A adaptação de instrumentos psicológicos é difícil e exige alto rigor na metodologia utilizada. Assim, a adaptação de tais instrumentos não é fácil e demanda planeamento e exigências no que toca à preservação do conteúdo, psicometria e validação para a amostra a quem se direciona (Cassepp-Borges, Balbinotti, & Teodoro, 2010)

Por isso, será devida a comprovação das evidências que provam a correspondência de sentidos dos pontos estudados assim como as medidas psicométricas da versão reformulada do instrumento em questão (International Test Commission [ITC], 2010

Além disso, esta adaptação inclui um ajustamento à cultura, ou seja, a preparação do instrumento para utilização em contextos novos (Beaton, Bombardier, Guillemin, & Ferraz, 2000; Hambleton, 2005; Sireci, Yang, Harter, & Ehrlich, 2006).

A International Test Commission (ITC) trabalha desde 1992 para sugerir orientações para a traduzir e adaptar instrumentos psicológicos entre sociedades com culturas distintas (ITC, 2010).

Assim, traduzir é a primeira ação para tal adaptação, uma vez que ao adaptarmos um instrumento, teremos que ter em conta uma série de aspetos tais como aqueles da cultura, idioma, língua e contextos próprios à tradução do mesmo (Hambleton, 2005). Após feita essa adaptação, é viável a realização de pesquisas entre populações distintas, fazendo analogias entre traços de pessoas de culturas distintas (Gjersing, Caplehorn, & Clausen, 2010; Hambleton, 2005).

O processo de adaptação de um instrumento que já existe para criar um outro instrumento, voltado para a população-alvo, é vantajoso por várias razões uma vez que ao fazer tal ajuste do instrumento, o investigador pode comparar informações de amostras distintas, advindas de mais de um contexto, o que possibilita aumento da equivalência na hora de avaliar resultados, pois se refere a uma igual medida, que realiza uma avaliação partindo de uma mesma visão a nível teórico e metodológico, o que viabilizará também um maior potencial para fazer generalizações e estudar aquilo que é diferente em outras populações (Hambleton, 2005; Vivas, 1999).

Assim, de modo amplo, a literatura indica que para adaptar um instrumento deve haver cinco etapas importantes: (1) traduzir o instrumento do idioma original para o idioma da minha população-alvo, (2) realizar um resumo das versões já traduzidas, (3) analisar a versão resumida por meio de juízes especializados, (4) traduzir de forma reversa para o idioma de original, e (5) estudo-piloto (Hambleton, 2005; Sireci et al., 2006).

Entretanto, percebe-se que, nessas etapas, não constam demais aspetos significativos para a adaptação do novo instrumento elaborado, como, por exemplo, a avaliar de forma conceitual alguns pontos pela própria população-alvo e discutir com quem fez o instrumento original acerca de adaptações e alterações sugeridas para o modelo reformulado do instrumento.

O primeiro ponto significativo a se ter em conta, na adaptação de um instrumento, é a sua tradução para o idioma da população-alvo, ou seja, o idioma no qual o novo instrumento será aplicado, sendo este passo algo difícil, pois, demanda vários cuidados para que o instrumento obtido seja bem adaptado para o contexto de destino e ao mesmo tempo esteja em congruência com aquela versão anterior (Tanzer, 2005).

Dessa forma, antigamente era consenso que somente um tradutor seria o bastante para fazer esta tradução, mas atualmente os estudiosos aconselham que a tradução seja feita por dois tradutores bilíngues, o que reduzirá o risco de outras interpretações com base na linguagem, psicológicas, culturais e de perceção da teoria e da aplicação prática do instrumento (Cassepp-Borges et al., 2010)

A segunda etapa equivale a comparação entre as distintas traduções e avaliação das discrepâncias  a nível semântico, idiomático, conceitual, linguístico e contextual, com o propósito de alcance de apenas uma versão, sendo nesse momento possível que surjam dois complicadores: (1) traduções difíceis que tornem mais difícil o entendimento da população-alvo ou (2) traduções muito simplificadas que reduzem o conteúdo de um dado ponto do estudo.

Assim, opções inadequadas serão identificadas e solucionadas por meio de trocas entre os juízes especialistas e investigadores incumbidos de avaliar o instrumento em causa.

Depois do resumo da nova versão, o investigador ter a ajuda de um comitê de especialistas em avaliação a nível psicológico ou que sejam especializados no construto que o instrumento procura avaliar, o qual fará a avaliação de fatores ainda não considerados, como a estrutura e amplitude do novo instrumento.

Nesse momento, os especialistas farão uma avaliação, por exemplo, se algumas expressões empregadas poderão ser ampliadas para outros contextos e amostras populacionais, como as de diversas zonas de uma mesma nação e se estas são apropriadas para a população-alvo.

A tradução reversa é compreendida como uma checagem do controlo de qualidade incremental. Assim, tal etapa irá acontecer depois de todos os ajustes de significados e de idioma, pois, nesse momento o instrumento precisará estar em condições de ser submetido a avaliação por aquele autor que criou originalmente o instrumento (Sireci et al., 2006)..

Dessa forma, a tradução reversa diz respeito a tradução da versão já resumida e revista para o idioma original, tendo como meta avaliar em que nível de precisão a versão nova reflete o conteúdo dos pontos propostos pela versão de origem.

Entretanto, antes de confirmarmos que o novo instrumento está válido para ser aplicado, deve ser conduzido um estudo-piloto, que diz respeito a uma aplicação em momento prévio do instrumento em uma amostra reduzida que esteja de acordo com traços da amostra-alvo (Gudmundsson, 2009).

Assim, depois das alterações propostas no primeiro estudo-piloto, deverá ser feito um segundo estudo-piloto ou a quantidade que for necessária para avaliação precisa do instrumento, antes que este seja aplicado.

No campo da Psicologia têm crescido o número de estudos transculturais, o que, têm demandado maior rigor e cuidado no que toca ao aperfeiçoamento da qualidade e adequação de medições ajustadas e válidas para utilização em diversos cenários (ITC, 2010).

Embora seja sabido que a relevância da adaptação desses instrumentos para culturas diferentes, investigadores têm ressaltado que a maior parte dos estudos nessa área têm sido invalidados devido ao facto de serem consideradas inadequadas a tradução e adaptação dos instrumentos em questão. (Hambleton, 2005).

Tais adaptações são baseadas na tradução de itens para o idioma da população-alvo, sendo que muitas vezes são feitas pelos investigadores da pesquisa que realizam a tradução reversa, na qual verifica-se somente o nível de equidade de sentidos entre um modelo adaptado e aquele original (Cassepp-Borges et al., 2010; Hambleton, 2005; Reichenheim & Moraes, 2003).

Nos estudos da área da psicologia é comum a pesquisa sobre um constructo psicológico por meio do uso de certos instrumentos, como inventários de autorrelato, inquéritos e escalas, especialmente na clínica ou no setor da saúde.

Por isso, se num determinado contexto não existe um instrumento de medição para um certo constructo, este será procurado em países onde já foram feitos testes para validação de versões do instrumento já aplicadas a estudos da mesma natureza e âmbito (Cassep-Borges; Balbinotti; Teodoro, 2010; Duarte; Bordin, 2000).

Não existe um consenso acerca do modo de adaptação de um instrumento para sua utilização no contexto de outra cultura, pois, este procedimento vai variar de acordo com o instrumento e contexto onde se aplica e amostra de destino. Entretanto, existe um consenso de que tal adaptação inclui mais do que a simples tradução, que não assegura a validação do construto e a confiabilidade daquilo que se pretende medir.

De acordo com o International Test Commission (ITC, 2005) as orientações para adaptar testes e demais instrumen­tos psicológicos devem ter como base a com­paração com códigos que já existem no país, procurando fazer com que estes sejam devidamente reconhecidos e tidos como consistentes em outros países. Assim, a tradução e adaptação deve abranger os contextos da língua e cultura da amostra de destino, sendo conservado o mesmo nível de qualidade do instrumento de origem.

Tais orientações da Comissão de Testes Internacional englobam: (a) a utilização da língua devendo ser adequada para todas as amostras populacionais no que toca á diversidade de culturas e línguas de destino; (b) a escolha de uma técnica, forma dos itens e meios de ação, que precisa ser conhecida a todas as amostras-alvo; (c) o conteúdo dos itens e materiais precisam ser já conhecidos a todas as amostras-alvo; e (d) deve ser assegurado que o projeto de recolha de dados possibilita a utilização das técnicas estatísticas pertinentes para estabelecimento da equi­valência de itens entre os diversos modelos linguísticos da(s) testagem (s) ou instrumento(s) (ITC, 2005).

A validade de construto se refere ao potencial do ins­trumento em refletir realmente o tema que procura estudar (Kazdin, 2010).

Assim, uma das opções é usar outro instrumento que possa proceder a avaliação do mesmo construto e fazer a medição da correlação entre eles, sendo que os resultados alcançados através de outro teste validado vão predizer igual desempenho que o anterior e vão servir de base para estabelecer a validação do novo instrumento validado (Pasquali, 2009).

Dessa forma, ambos os instrumentos precisam mostrar evidências de validação ao convergirem ou mostrarem importantes e altos indicadores que apontam correlações. (Shaughnessy; Zechmeister; Zechmeister, 2012).

A confiabilidade é capacidade de produzir resultados consistentes no tempo e espaço, ou por meio de observadores distintos, apontando aspetos acerca da coerência, pre­cisão, estabilidade, equivalência e homogeneidade. (Terwee et al, 2007).

Então, a escolha dos testes estatísticos utilizados para avaliação da confiabilidade varia conforme aquilo que se quer medir (Keszei, Novak e Streiner, 2010).

Já no que toca à validade, existem três tipos mais importantes, validade de conteúdo, validade de critério e validade de construto, sendo que no que toca a este último, é difícil que seja obtida sua validação através de uma única pesquisa, sendo realizadas inúmeras pesquisas acerca da teoria do constructo que se deseja medir (Polit & Beck, 2011; Martins, 2006), pois, quanto maiores as evidências, maior validação terão as conclusões acerca dos resultados obtidos (Kimberlin & Winterstein, 2008).

Assim, os investigadores fizeram uma subdivisão da validade de um constructo em três modalidades: o teste de hipóteses, a validade estrutural e a validade transcultural (Mokkink et al, 2010; Polit, 2015).

Bibliografia

Beaton, D. E., Bombardier, C., Guillemin, F., & Ferraz, M. B. (2000). Guidelines for the process of crosscultural adaptation of self-report measures. Spine, 25(24), 3186-3191.

Cassepp-Borges, V., Balbinotti, M. A. A., & Teodoro, M. L. M. (2010). Tradução e validação de conteúdo: Uma proposta para a adaptação de instrumentos. In L. Pasquali, Instrumentação psicológica: Fundamentos e práticas (pp. 506-520). Porto Alegre: Artmed.

Duarte, C; Bordin, I.A.S. Instrumentos de Avaliação. Rev. Bras. Psiquiatr, v. 22, n. Supl II, p. 55–58, 2000.

Gjersing, L., Caplehorn, J. R. M., & Clausen, T. (2010). Cross-cultural adaptation of research instruments: Language, setting, time and statistical considerations. BMC Medical Research Methodology, 10, 13. doi:10.1186/1471-2288-10-13

Gudmundsson, E. (2009). Guidelines for translating and adapting psychological instruments. Nordic Psychology, 61(2), 29-45. doi:10.1027/1901-2276.61.2.29

Hambleton, R. K. (2005). Issues, designs, and technical guidelines for adapting tests into multiple languages and cultures. In R. K. Hambleton, P. F. Merenda, & C. D. Spielberger (Eds.), Adapting educational and psychological tests for cross-cultural assessment (pp. 3-38). Mahwah, NJ: Lawrence Erlbaum.

Haughnessy, J. J; Zechmeister, E.B; Zechmeister, J.S. Metodologia de Pesquisa em Psicologia. Porto Alegre: AMGH Editora, 2012.

ITC. ITC Guidelines for Translating and Adaptating Tests. [s.l: s.n.]. Disponível em: <http://www.intestcom.org/upload/sitefiles/40.pdf>.

International Test Commission. (2010). International Test Commission guidelines for translating and adapting tests. Recuperado em 24 julho 2012, de http://www.intestcom.org/upload/sitefi les/40.pdf

Kazdin, A. E. Research Design in Clinical Psychology. 4. ed. New York: Allyn&Bacon, 2010.

Keszei AP, Novak M, Streiner DL. Introduction to health measurement scales. J Psychosom Res. 2010 Apr;68(4):319-23.

Kimberlin CL, Winterstein AG. Validity and reliability of measurement instruments used in research. Am J Health Syst Pharm. 2008 Dec;65(23):2276-84.

Mokkink LB, Prinsen CAC, Bouter LM, Vet HCW, Terwee CB. The COnsensus-based Standards for the selection of health Measurement Instruments (COSMIN) and how to select an outcome measurement instrument. Braz J Phys Ther. 2016 Mar-Apr;20(2):105-13.

Pasquali, L. Psicometria. Rev Esc EnfermUSP, v. 43, p. 992–999, 2009.

Reichenheim, M. E., & Moraes, C. L. (2003). Adaptação transcultural do instrumento Parent-Child Confl ict Tactics Scale (CTSPC) utilizado para identificar a violência contra a criança. Cadernos de Saúde Pública, 19(6), 1701-1712. doi:10.1590/S0102-311X2003000600014

Sireci, S. G., Yang, Y., Harter, J., & Ehrlich, E. J. (2006). Evaluating guidelines for test adaptations: A methodological analysis of translation quality. Journal of Cross-Cultural Psychology, 37(5), 557-567. doi:10.1177/0022022106290478

Tanzer, N. K. (2005). Developing tests for use in multiple languages and cultures: A plea for simultaneous development. In R. K. Hambleton, P. F. Merenda, & C. D. Spielberger (Eds.), Adapting educational and psychological tests for cross-cultural assessment (pp.235-264). Mahwah, NJ: Lawrence Erlbaum.

Terwee CB, Schellingerhout JM, Verhagen AP, Koes BW, Vet HC. Methodological quality of studies on the measurement properties of neck pain and disability questionnaires: a systematic review. J Manipulative Physiol Ther. 2011 May;34(4):261-72.

Vivas, E. (1999). Estudios transculturales: Una perspectiva desde los trastornos alimentarios. In S. M. Wechsler & R. S. L. Guzzo (Orgs.), Avaliação psicológica: Perspectiva internacional (2a ed., pp. 463-481). São Paulo: Casa do Psicólogo.

Teoria de Amostragem e Cálculo Amostral

Autor: Flávia Negrini

A Teoria da Amostragem diz respeito à estratégia a ser utilizada para seleção de uma amostra, além de fornecer mais informações acerca do modo de ação no que toca ao uso de uma metodologia de amostragem para uma investigação ou estudo

Dessa forma, assim que o pesquisador estabeleça a população potencial para sua investigação, ele deve fixar critérios de escolha dos seus constituintes, que podem ser para incluir ou excluir pessoas que integrarão o estudo, sendo que uma amostra é considerada representativa caso as suas características se pareçam o mais possível às da população-alvo.

É assim importante que a amostra ilustre não apenas as variáveis sob investigação, mas também outros fatores que possam exercer algum impacto sobre as variáveis da pesquisa, como a idade, o sexo, a escolaridade e o rendimento.

Assim, o potencial de representatividade de uma amostra, é avaliado através da comparação entre as médias da amostra com as da população-alvo, sendo o conceito de amostra definido como o conjunto de elementos extraídos de uma população, que de modo suficiente, representem essa população. Assim sendo, após a definição da amostra, estaremos prontos para efetuar a análise dos resultados como se investigássemos a população na sua totalidade.

A amostra será sempre finita, entretanto, quanto maior for esta, mais valiosa é a pesquisa. No entanto, como sempre há dúvidas de que todas as características da população estão representadas numa amostra, já que estas não costumam ser conhecidas, partindo-se do princípio de que um certo grau de erro sempre estará presente.  

Assim, os resultados de investigações por amostragem estão sempre expostos a uma determinado grau de incerteza, não apenas porque se estudou somente uma parte da população, mas também devido a falhas de mensuração, sendo que tal grau de incerteza pode ser diminuído com o crescimento do tamanho da amostra e através do uso de ferramentas mais eficazes de mensuração.

A teoria da amostragem tem em conta duas dimensões:

1ª) Dimensionamento da Amostra e

2ª) Composição da Amostra, sendo inúmeros os meios de determinação da extensão de uma amostra. No entanto, será preciso voltar a atenção para os seguintes pontos:

1. Análise do inquérito ou roteiro da entrevista e selecionar uma ou mais variáveis que avalie serem mais significativas para o estudo.
2. Conferir o nível de mensuração da variável: nominal, ordinal ou intervalar;
3. Ter em conta a extensão da população: infinita ou finita
4. O tamanho da amostra é determinado em função do grau de mensuração da variável selecionada.
5. São inúmeras as fórmulas que possibilitam o cálculo da extensão de uma amostra e sua seleção dependerá do que é estudado ou dos parâmetros à disposição.

A seguir são apresentadas algumas fórmulas para cálculos amostrais:

Variável intervalar e população finita

Quando a variável é de nível intervalar e a população é considerada finita, determina-se o tamanho da amostra pela fórmula:

onde:

Z = abscissa da normal padrão

N = tamanho da população

d = erro amostral

Variável qualitativa (nominal ou ordinal) e população finita

Quando a variável for nominal ou ordinal e a população for considerada finita, determina-se a extensão da amostra através da fórmula:

onde:

Z = abscissa da normal padrão

N = tamanho da população

p = estimativa da proporção.

𝑞 = 1- p

d = erro amostral

Assim, as fórmulas citadas acima são básicas para toda modalidade de composição da amostra. No entanto, existem fórmulas específicas de acordo com o critério relativo à composição da amostra. Caso não existam condições de previsão do possível valor para 𝑝, será admitida 𝑝 =0,50 pois, assim, teremos a maior extensão da amostra, considerando constantes os outros elementos.

Determinação da Margem de Erro da Amostra

A Margem de erro de uma amostra que representará de modo aproximado uma população é explicada da seguinte forma: Pot exemplo caso uma investigação possua uma margem de erro de 3% e um certa doença teve 20% de prevalência na amostra formada, podemos falar que, naquele momento, na população em questão, ela terá uma prevalência entre 17% e 23% (20% menos 3% e 20% mais 3%). O nível de confiança é definido como um parâmetro utilizado pelas investigações, que é frequentemente de 95%, que significam que caso realizemos uma nova pesquisa, com uma amostra de igual extensão, nas mesmas datas e lugares e com a mesma ferramenta para coleta de dados, existirá uma probabilidade de 95% de que os resultados sejam iguais e uma probabilidade de 5% de que tudo seja diferente.«

Fórmula para conhecer a margem de erro padrão

sp =raiz quadrada de (p. q) /n

De acordo com Agranonik e Hirokata (2009), é notório que a extensão da amostra para estimar uma proporção cresce, quando o nível de confiança do intervalo aumenta ou quando é reduzida a margem de erro. Por isso, caso o objetivo seja fazer a comparação entre proporções, a extensão da amostra aumentará, quando for diminuído o nível de significância, quando é aumentada a eficácia do teste, ou quando for reduzida a menor diferença relevante que almeja-se identificar entre as proporções.

Assim sendo, caso seja identificado um efeito de significância, igual ou superior ao estabelecido no cálculo, ele será percebido como importante do ponto de vista estatístico. Já ao ser estimada uma proporção por meio de intervalo de confiança, para reduzirmos a extensão da amostra, será preciso reduzir o nível de confiança, ou fazer crescer a margem de erro, sendo que a prevalência aplicada deve ser a encontrada em pesquisas anteriores conduzidas em uma amostra advinda de uma população parecida e de forma aproximada ao da investigação atual.

Entretanto, é facto conhecido que, em algumas situações, há limitações à extensão da amostra, por causa de recursos financeiros ou do tempo de recolha. No entanto, o tamanho da amostra deve ser o reflexo do verdadeiro objetivo da investigação, no sentido da extensão de efeito ou precisão do cálculo da estimativa

Exemplo de cálculo de tamanho de amostra para uma proporção

Almeja-se estimar a prevalência do tabagismo em jovens do Porto, com nível de confiança de 95% e margem de erro de 0,05. Não havendo estudos prévios, é possível utilizar a proporção de 50% na fórmula 2, sendo obtido o seguinte tamanho de amostra:

p = 0,50

1- p = 1- 0,50 = 0,50

Nível de confiança: 95% Z = 1,96 

É relevante notar que o cálculo da extensão da amostra ilustra o número mínimo necessário de indivíduos que devem ser entrevistados para alcançar um determinado objetivo. Assim, caso o valor auferido não seja um número inteiro, ele deverá ser arredondado para mais.

Para determinação da extensão da amostra a fim de comparar 2 proporções, é essencial que o investigador defina:

1- Qual a hipótese nula e decida se a hipótese alternativa é uni ou bidirecional;

2- A estimativa da magnitude de efeito e a variabilidade em termos de p1 (proporção de sujeitos em um dos grupos) e p2 (proporção de sujeitos com o desfecho no outro grupo);

3- O nível de significância (α) e o poder (1 – β).

A extensão da amostra para comparar 2 proporções (p1 e p2), para grupos de igual tamanho, pode ser estimada pelo uso da fórmula que segue onde:

n: é o número de sujeitos necessários em cada um dos grupos

p1: é a proporção esperada para o grupo 1,

p2: é a proporção esperada para o grupo 2

Bibliografia

Agranonik, M & Hirokata, V. Cálculo de tamanho de amostra: proporções. Revista HCPA. 2011; 31 (3): 382-388. Seção de Bioestatística.

Pocinho, M. (2009) Teoria e exercícios passo-a-passo: Amostra e tipos de amostragem. Publicado por Research Gate. https://www.researchgate.net/publication/268150358

Discussão dos resultados obtidos no SPSS

Após a obtenção de resultados e análise estatística dos mesmos, através de testes existentes no SPSS, realiza-se de forma clara e objetiva a ponte entre a teoria previamente construí­da (pressupostos teóricos, estudos de investigação) e os resultados obtidos, com a finalidade de comprovar ou esclarecer de forma concisa e coerente as questões e objetivos levantados numa fase metodológica inicial.

A discussão dos resultados obtidos pelo SPSS permite assim a retirada de conclusões relativas a uma determinada amostra ou população em estudo, servindo como referência à realização de novos estudos de investigação ou desenvolvimento e implementação de programas de intervenção em determinadas áreas.