Frequência de resposta
tweet hetero
Frequência RT hetero Frequência de menção hetero Qui- quadrado Asymp. Sig. Qui- quadrado Asymp. Sig. Qui- quadrado Asymp. Sig. Para ser reconhecido 12,824 ,012* 6,059 ,195 10,949 ,027* Para influenciar... 12,992 ,011* 9,595 ,048* 9,440 ,051 Para refinar minha op... 14,645 ,005* 22,041 ,000* 19,070 ,001* *Associação estatisticamente significativa para α=0.05.
Fonte: SPSS/Elaboração própria.
Tabela 31: Rank da frequência de retweets de fontes afins Frequência de RT homo N Rank médio Para influenciar os outros Diariamente 21 99,10 De 3 a 6 vezes por semana 33 89,36
Uma vez por semana 27 72,78 Menos de uma vez por
semana 32 58,84
Nunca 29 43,97
Total 142
Fonte: SPSS.
Sobre a presunção dos efeitos - H4, QP2 e QP3
Nosso último bloco de hipóteses é guiado pela nossa segunda questão de pesquisa e chega finalmente à verificação da ocorrência do efeito de terceira pessoa, mais precisamente do seu componente cognitivo, o que neste caso foi avaliado mensurando a influência
percebida dos tweets dos candidatos no entrevistado e nos outros. O procedimento foi feito para os diferentes tipos de fontes, afins e divergentes; e para tirar o máximo de proveito possível da experiência, foi solicitada a influência percebida em diferentes graus de alteridade.
Em H4a pressupõe-se que o efeito ocorra para fontes de quem o indivíduo geralmente discorda politicamente. Baseado na bibliografia do ETP supõe-se aí uma inconveniência (indesejabilidade) da mensagem que provenha de tal tipo candidato, logo se espera o efeito. Primeiro realizamos uma teste descritivo básico que não só constatou o efeito como também o confirmou em diferentes graus para diferentes níveis de “outros”. Para estabelecer a diferença da impressão de terceira pessoa, que é uma avaliação da influência desproporcional, foi gerado o gap de influência, subtraindo o quão influenciados os entrevistados perceberam os outros em geral (laços inexistentes) do quão influenciados eles perceberam a si mesmos (média=0.40, DP=1,21).
Como se pode ver na tabela abaixo, a média de influência relatada na primeira pessoa foi menor do que para quaisquer outros, mas em desacordo com o que se verifica em estudos deste tipo, os laços fortes foram vistos como mais influenciados do que os laços fracos. Por outro lado, os laços inexistentes, ou seja, os outros que são completamente desconhecidos do entrevistado, foram percebidos como ainda mais influenciados; como se esperava.
Tabela 32: Influência percebida dos tweets/ fontes divergentes (estatística)
Entrevistado influenciado pelo candidato Laços fortes influenciados pelo candidato Laços fracos influenciados pelo candidato Laços inexistentes influenciados N Válido 142 142 142 142 Missing 0 0 0 0 Média ,80 ,99 ,94 1,18 Desvio padrão ,942 ,942 ,869 1,047
Fonte: SPSS/Elaboração própria.
Ao observamos as porcentagens temos ainda outras interpretações, por exemplo: os entrevistados alegando, em sua maioria, serem nada influenciados pelos tweets desse tipo de fonte e os laços inexistentes com o maior número de indivíduos que os entrevistados consideraram muito influenciados. Relembramos que esses laços aqui só graduam a distância social entre os entrevistados e os diferentes “outros”; eles não são necessariamente aqueles que acompanham o perfil do entrevistado.
Tabela 33: Influência percebida dos tweets/ fontes divergentes (porcentagem)
Fonte: Elaboração própria.
No entanto, todos esses resultados confirmam a hipótese em nível amostral, ou seja, para o público que respondeu esta sondagem. Para ir um pouco mais além e podermos generalizar as descobertas e atestar que seu resultado não é fruto do erro amostral, foram realizados novamente testes de hipóteses para verificar se as médias relatadas na tabela 32 são de fato significantes ou se são estatisticamente iguais. Neste caso o teste utilizado foi o de Friedman, que é uma Anova não paramétrica para dados relacionados, que confirmou a validade dos dados (valor-p<0.05) e, consequentemente, a H4a. Além disso, para tentar compreender porque os laços fortes foram percebidos como mais influenciados do que os laços fracos, realizamos o teste Wilcoxon, que avalia se existe uma diferença estatística significativa entre as médias dos postos de duas condições. Diferente do que foi observado com as outras médias essas duas especificamente foram tidas como estatisticamente iguais (valor-p>0.05). Portanto, isso explica a anormalidade observada. Na verdade, estatisticamente elas são iguais, igualdade que pode ter ocorrido por causa da amostra.
A H4b, que previa que os indivíduos perceberiam a si mesmos como mais influenciados por candidatos semelhantes do que os outros, foi testada nos mesmos padrões, no entanto, de forma oposta, foi refutada. Os números da tabela a seguir comprovam a ocorrência do efeito de terceira pessoa, demonstrando que mesmo quando os indivíduos pensam em fontes com quem eles compartilham a mesma opinião política, percebem que terceiros são mais influenciados do que eles mesmos. Entretanto, em consonância com pesquisas anteriores de ETP, a hipótese da distância social foi sustentada, e quanto mais distante ou diferente do entrevistado, maior foi o efeito percebido relatado. Isso pode ser verificado com a média de cada categoria.
Entrevistado influenciado pelo candidato Laços fortes influenciados pelo candidato Laços fracos influenciados pelo candidato Laços inexistentes influenciados N % N % N % N % Nada influenciado 70 49,3 52 36,6 52 36,6 47 33,1 Um pouco influenciado 41 28,9 50 35,2 53 37,3 43 30,3 Influenciado 21 14,8 29 20,4 31 21,8 32 22,5 Muito influenciado 10 7,0 11 7,7 6 4,2 20 14,1 Total 142 100 142 100 142 100 142 100
Tabela 34: Influência percebida dos tweets/ fontes afins (estatística) Entrevistado influenciado pelo candidato Laços fortes influenciados pelo candidato Laços fracos influenciados pelo candidato Laços inexistentes influenciados N Válido 142 142 142 142 Missing 0 0 0 0 Média 1,38 1,50 1,48 1,66 Desvio padrão ,889 ,797 ,796 ,807
Fonte: SPSS/Elaboração própria.
Contudo, quando observamos com mais cuidado a proximidade das médias e as porcentagens de influência percebida reportadas pelos entrevistados, verificamos que algumas diferenças são muito pequenas e acabam nos guiando a diferentes interpretações; por exemplo, a influência reportada em si mesmo. Por mais que haja uma impressão de efeito maior nos outros do que na primeira pessoa, ao somar a porcentagem de indivíduos que se disseram nada-pouco influenciados e compará-la com aqueles influenciados-muito influenciados, temos exatamente o mesmo n. O teste de significância estatística confirmou a validade dos dados (valor-p<0.05), o que neste caso nos leva a refutar a H4b. Sobre a mesma anormalidade observada no caso das fontes divergentes também foi realizado o teste Wilcoxon que atestou, igualmente ao caso anterior, que as médias são estatisticamente iguais (valor-p>0.05).
Tabela 35: Influência percebida dos tweets/ fontes afins (porcentagem)
Fonte: Elaboração própria.
Entrevistado influenciado pelo candidato Laços fortes influenciados pelo candidato Laços fracos influenciados pelo candidato Laços inexistentes influenciados N % N % N % N % Nada influenciado 28 19,7 15 10,6 18 12,7 11 7,7 Um pouco influenciado 43 30,3 53 37,3 47 33,1 45 31,7 Influenciado 60 42,3 62 43,7 68 47,9 67 47,2 Muito influenciado 11 7,7 12 8,5 9 6,3 19 13,4 Total 142 100 142 100 142 100 142 100
Finalmente chegamos a última hipótese de pesquisa. H4c previa que existe uma relação inversa entre a proporção de seguidores conhecidos e a amplitude do efeito de terceira pessoa. Ou seja, quanto maior o número estimado de seguidores conhecidos, menor o efeito. Categorizamos a variável proporção de seguidores de laços fortes em 0% a 20%, 21% a 40%, 41% a 60% e 60% ou mais e calculamos o gap de influência para fontes divergentes (7m-7j) e para fontes afins (7f-7c). Analisamos a associação dessas duas últimas variáveis com a proporção de seguidores através do Kruskal Wallis e não encontramos diferença entre as médias (valor-p>0.05), logo a hipótese não foi confirmada. Não há relação significativa entre a proporção de seguidores e a amplitude do efeito de terceira pessoa. Entretanto, cabe ressaltar a dificuldade de trabalhar com a variável proporção de laços fortes e a pouca confiabilidade desses dados específicos coletados, o que pode ter comprometido em alguma medida o teste desta hipótese.
Isso ocorreu porque foi pedido aos indivíduos que no questionário preenchessem a porcentagem estimada de seguidores que eles acreditavam ter nas diferentes categorias de outros: amigos próximos ou familiares (laços fortes), conhecidos ou colegas de trabalho (laços fracos) e desconhecidos (laços inexistentes). Até aí não há problema, o entrave pode ter ocorrido porque essas eram questões abertas (6a, 6b e 6c), portanto os entrevistados poderiam escrever qualquer coisa naquele espaço. Em alguns casos a proporção foi correta, em outros é impossível afirmar, porque há números que não podemos ter certeza se foram respondidos como absolutos, porcentagens ou em comparação. Para administrar essa dificuldade, excluímos os casos nos quais a soma dos três tipos de outros não chegava a 100, o que nos deixou com um n=124, e calculamos a proporção de cada um deles. Entretanto, essa foi uma manobra alternativa que diminuiu o total de entrevistados e pode ter alterado os dados de forma tal que tenha prejudicado o teste da hipótese em condições ideais.
QP2
Finalizados os testes das hipóteses chegamos a QP2, que pretendida examinar se a influência presumida dos tweets dos candidatos sobre os indivíduos varia de acordo com os diferentes tipos de candidatos (fontes). Apesar de refutada a H4b, há uma diferença observável nas médias relatadas em cada caso. Entretanto, a QP2 fala de influência percebida dos candidatos, o que significa que estamos tratando de uma medida total de efeitos imaginados (ROJAS, 2010; SCHMIERBACH et al., 2008), criada com a soma das variáveis de influência percebida no entrevistado e nos outros em geral, para os dois tipos de fonte. A
variável de influência percebida total para candidatos discordantes tem uma média de 2.04 (DP=1.80) e para candidatos semelhantes de 3.04 (DP=1.32). Portanto, em nível amostral, a influência percebida varia de acordo com o tipo de fonte, de forma que ela tende a ser maior para aquelas com quem o indivíduo geralmente concorda politicamente. Entretanto, novamente realizamos testes estatísticos para generalização deste resultado. Com o teste de Wilcoxon, comparamos as médias dos índices totais de influência percebida e confirmamos que há diferença entre elas (valor-p<0.05), ou seja, a forma como a influência é percebida varia de acordo com o tipo de fonte.
QP3
Por último, buscamos responder a terceira questão de pesquisa, cuja indagação é se existe relação entre o gap de influência e as reações aos tweets dos candidatos; bem como entre a influência total percebida e as reações aos tweets dos candidatos. Em outras palavras, desejávamos saber se a influência presumida estava de alguma forma relacionada à frequência de uso dos recursos interativos do Twitter para reagir às postagens dos diferentes tipos de candidatos.
Para este teste realizamos também o Kruskal Wallis. No que diz respeito às reações às postagens de candidatos com quem os usuários têm alinhamento ideológico, encontramos associação significativa entre o gap de influência para candidatos semelhantes e a frequência de retweets; a influência total percebida de candidatos semelhantes e o uso dos recursos de resposta, retweet e menção; e a influência total percebida de candidatos discordantes e os comportamentos de resposta e retweet.
No que diz respeito às reações às postagens de candidatos de quem os usuários geralmente discordam, encontramos igualmente associação significativa entre o gap de influência a respeito de candidatos semelhantes e a frequência de retweets; e a influência total percebida a respeito de candidatos discordantes e o uso dos recursos de resposta, retweet e menção.
Como é possível observar na tabela 36 a associação mais forte foi encontrada entre a influência total que os indivíduos percebem que fontes divergentes exercem sobre eles mesmos e os outros, e o uso do recurso de menção a esse mesmo tipo de candidato. A segunda associação mais forte foi aquela entre a frequência de retweets de fontes afins e a influência total que os entrevistados estimaram que esse tipo de fonte exerce. Dito de outra forma, quanto mais se percebe a influência de candidatos com quem se concorda, mais se
retuíta suas postagens. Essa conclusão também foi possível por meio do exame das posições médias da influência total (variável dependente) entre os grupos de frequência de retweets (variável independente), logo temos uma situação na qual a influência total percebida para fontes afins é maior quando a frequência de retweets de candidatos com quem se concorda é diária.
Como já descrito, a relação mais forte com o gap de influência foi entre o gap para fontes afins e a frequência de retweets de candidatos com quem se concorda. Ou seja, quanto maior a impressão de que os outros são mais afetados do que eu por candidatos com quem eu geralmente concordo, maior a frequência de retweets. Assim, respondendo finalmente a QP3 as relações existem, mas somente nos casos explicitados acima e destacados na tabela.
Tabela 36: Influência percebida X frequência de uso dos recursos interativos do Twitter quanto às fontes (Kruskal Wallis)