Nessa etapa de análise de dados se objetiva organizar e sintetizar os dados, permitindo o estabelecimento por parte do pesquisador de respostas e conclusões ao problema e objetivos de pesquisa, a partir dos dados coletados (HOPPEN, LAPOINTE, MOREAU, 1996; GIL, 2009). Para apoiar a etapa de análise de dados dessa pesquisa foram adotados os softwares IBM® SPSS Statistics 17.0 e Microsoft Excel 2007, nos procedimentos de estatística descritiva e multivariada.
Após a coleta de dados da survey foi realizada uma depuração dos dados, que resultou na contabilização dos questionários iniciados, concluídos, válidos e a taxa de resposta. Nesse procedimento, os critérios de descarte adotados foram questionários incompletos ou que usaram apenas um ponto da escala intervalar.
Na sequência foram realizadas estatísticas descritivas nas variáveis sócio- demográficas, com a finalidade de ser caracterizada a amostra da pesquisa (DANCEY; REIDY, 2006) e de ser concebido um sumário do perfil dos respondentes e de suas instituições de ensino. Para tanto foram utilizadas como base as respostas das questões, que caracterizavam o participante na última parte do questionário, conforme o Apêndice III e foram executadas análise de frequência e percentagem de cada classificação dos critérios adotados (KIM et al., 2010).
Posteriormente, na análise dos dados das questões do primeiro bloco do questionário foram utilizados como base técnicas e testes estatísticos para assegurar a confiabilidade e a validade dos resultados, além de atender aos objetivos dessa pesquisa. Para a validação foram conduzidas análises fatoriais exploratórias, porque consiste num procedimento estatístico multivariado, que permite agrupar itens altamente correlacionados (HAIR et. al, 2009) e verificar se os itens do instrumento medem o conceito pretendido representativamente (KIM et al., 2010). Após, o cálculo do coeficiente Alfa de Cronbach foi adotado para quantificar e analisar a confiabilidade e consistência interna dos fatores.
Também se tornou necessário avaliar o grau de relacionamento entre as variáveis de competências docentes dessa pesquisa a fim de se evitar a presença de variáveis na análise fatorial, que venham a medir o mesmo aspecto (fenômeno da multicolinearidade). Isso porque o instrumento de pesquisa contempla um número elevado de variáveis, pois foi criado a partir
81 da revisão da literatura e alguns itens podem ser ainda revisados dos procedimentos de pré- teste, ou seja, o instrumento não consiste numa escala já validada e consolidada em pesquisa anterior. Para tanto, o coeficiente de correlação r de Pearson (ou coeficiente de correlação momento-produto) foi adotado, porque consiste num teste paramétrico aplicável a dados provenientes de uma população normalmente distribuída e permite descobrir a ocorrência de tal fenômeno (DANCEY; REIDY, 2006). No caso dessas variáveis apresentarem alto grau do coeficiente de correlação r de Pearson na matriz correlacional (relacionamento perfeito ou forte, acima de 0,8 e próximo de 1), a exclusão dessas variáveis poderia ser considerada antes da realização da análise fatorial (DANCEY; REIDY, 2006).
Após investigação da multicolinearidade, o procedimento de análise fatorial exploratória tanto entre blocos (validade discriminante) como nos blocos (validade convergente) detalhado abaixo foi realizado, tendo como base Malhotra (2012), Ladeira (2011), Hair et al. (2009) e Bezerra (2009):
a) formulação do problema: definição dos objetivos da análise fatorial e das variáveis a serem incluídas nessa análise. Abaixo são apresentados os dois objetivos nesse trabalho e as variáveis analisadas são as mesmas para ambos objetivos, ou seja, as cinquenta e sete competências docentes (C01 a C057) do Apêndice III:
- objetivo 1: identificar as competências docentes fundamentais, que foram importantes na experiência de aprendizagem de alunos de cursos de graduação a distância em Administração;
- objetivo 2: identificar as competências docentes fundamentais, que estiveram presentes na experiência de aprendizagem de alunos de cursos de graduação a distância em Administração;
b) preparação da base de dados: a base de dados original foi revisada e preparada previamente às etapas de análise desse procedimento, resultando numa nova versão dessa base. Para tanto se levou em consideração os seguintes critérios: configuração do tipo de dado de cada uma das variáveis (transformação para “Numeric”); análise da distribuição de frequência e contabilização da opção “6” da escala Likert, “Sem Condições de Opinar” (SCO), como missing;
c) construção da matriz de correlação: a partir da base de dados depurada, a matriz de correlação foi gerada com todas as variáveis de cada avaliação (importância e presença). As variáveis devem ser correlacionadas para que a análise fatorial seja apropriada e também se espera que as variáveis altamente
correlacionadas umas com as outras também se correlacionam com os mesmos fatores (MALHOTRA, 2012);
d) avaliação da conveniência do modelo fatorial: os resultados de alguns índices estatísticos foram usados como base para a avaliação de que a técnica de análise fatorial era apropriada e também para complementar a análise da matriz de correlação gerada no passo anterior. São eles:
- teste de esfericidade de Bartlett: teste que verifica se as variáveis são correlacionadas na população e quanto maior o valor melhor, sendo que a significância deve ser inferior a 0,05. (MALHOTRA, 2012);
- Kaiser-Meyer-Olkin (KMO): valor superior a 0,5 é desejável (Malhotra, 2012);
e) determinação do método de análise fatorial: a partir da identificação de que a análise fatorial é uma técnica adequada para os dados em análise nesse trabalho, optou-se pela abordagem de análise dos componentes principais, por ser um método mais simples e recomendado para usuários inexperientes, além de permitir a determinação do número mínimo de fatores (componentes principais), que respondem pela máxima variância nos dados (MALHOTRA, 2012);
f) determinação do número de fatores: essa etapa seguiu o seguinte raciocínio para tal determinação:
- inicialmente, um conjunto de fatores foi determinado com base em autovalores (Based on Eigenvalue). Nessa abordagem, foi identificado o número de fatores por aqueles que obtiveram autovalores (Eigenvalue) superiores a 1,0. Quando analisado à parte, um autovalor representa a quantidade da variância associada ao fator e quando é inferior a 1,0 significa que o fator não é melhor que uma variável isolada, porque cada variável possui uma variância de 1,0 por padrão (MALHOTRA, 2012);
- a determinação do número de fatores com base na percentagem da variância também foi analisada. Neste caso, o número de fatores é determinado pelo alcance de 60% da variância, no mínimo (MALHOTRA, 2012);
- o critério de determinação do número de fatos também foi feito com base no valor das comunalidades. De acordo com esse critério tem-se uma indicação de que as variáveis conseguem um poder de explicação alto, considerando-se todos os fatores (comunalidades), quando possuem valores superiores a 0,5 (HAIR et al., 2009);
83 - também se analisou a determinação do número de fatores com base na forma do gráfico de declive (Scree Plot), que corresponde a uma representação gráfica dos autovalores (Eigenvalue) em relação ao número de fatores (MALHOTRA, 2012). A redução gradual do gráfico consiste num declive e o ponto em que começa este declive corresponde ao número de fatores, que pode ser superior ao número determinado pelo critério inicialmente adotado nesse trabalho (MALHOTRA, 2012);
g) rotação dos fatores: adotou-se o método de rotação que é mais comum, o procedimento de Varimax, porque esse método “minimiza o número variáveis com altas cargas sobre um fator, reforçando, assim a interpretabilidade dos fatores” (MALHOTRA, 2012, p. 555);
h) interpretação dos fatores: nesse passo do procedimento foram analisadas as competências docentes do questionário de forma agrupada, conforme os fatores identificados na análise fatorial, com o objetivo de verificar se era possível interpretar tal composição, apresentada na matriz de fatores rotacionados (MALHOTRA, 2012). Para tanto, procurou-se buscar explicações e justificativas para esse agrupamento. Caso um fator não for definido em termos de suas variáveis, poderia ser considerado como indefinido ou geral (MALHOTRA, 2012).
A análise de conteúdo foi empregada para transformar os dados qualitativos em resultados de pesquisa. Esses dados foram obtidos durante a pesquisa survey por meio da questão aberta do instrumento (Apêndice III). Segundo Flick (2004), essa técnica é considerada um procedimento clássico de análise de material textual, não importando a sua origem.
Quadro 6 – Definição de unidades de análise e categorização
Unidades de Análise Categorias
Competências docentes na EAD
Domínio Cognitivo Domínio de Gestão Domínio Sociocultural Domínio Tecnológico Domínio Pedagógico Fonte: Porto (2013)
O procedimento utilizado foi o de codificação temática, na qual as categorias são provenientes da questão de pesquisa e sendo assim foram definidas a priori (FLICK, 2004), conforme Quadro 6. Esse quadro apresenta a unidade de análise central proposta como objetivo desse trabalho e as categorias oriundas da unidade de análise, que foram encontradas na fundamentação teórica desse trabalho.
Esse capítulo definiu e caracterizou o método de pesquisa adotado. A seguir aborda-se a consolidação e análise dos resultados obtidos na survey conduzida nesse trabalho.
85 4 ANÁLISE DOS RESULTADOS
Esse capítulo apresenta a análise dos resultados da pesquisa survey realizada com o objetivo de analisar as competências docentes importantes e presentes na experiência de aprendizado de alunos de cursos de graduação a distância em Administração. Apresenta-se o perfil dos respondentes e de suas instituições de ensino, em seguida as análises fatoriais de importância e de presença das competências docentes, depois uma análise comparativa dessas análises fatoriais e por fim, uma percepção geral dos respondentes acerca de outras competências docentes identificadas na EAD.