Análise quantitativa

Neste estudo o objetivo por trás da análise quantitativa foi o de compreender os perfis dos alunos de orquestra, nomeadamente no que respeita à sua motivação em orquestra e no que respeita à transferência dessa motivação para a prática instrumental. Adicionalmente procurou-se também compreender que fatores específicos estão relacionados com a motivação que os alunos manifestam em orquestra.

A vantagem da análise de dados numéricos é que esta permite “apreender e quantificar os fenómenos, possibilitando a identificação de aspetos, regularidades ou padrões que os caracterizem” possibilitado assim a “interpretação[…]numa perspetiva de modelação e caracterização dos fenómenos observados” (Pardal & Correia, 1995, p. 88). Adicionalmente, este tipo de dados capacitam o investigador a “identificar e caracterizar corretamente a diversidade de ações, perceções ou crenças no cenário ou grupo estudado” (Maxwell, 2010, p. 478), permitindo reduzir ou afastar o problema do

viés da análise produzida.

Uma desvantagem é que este tipo de análise tende a prensar a diversidade de perspetivas individuais em medidas de tendência central (média, mediana, moda…) e

105

de dispersão (variância e desvio padrão), não captando assim as subtilidades e complexidades do comportamento humano ao nível individual (Robson, 2002).

O tipo de análise realizado neste estudo enquadra-se dentro do conceito que já foi referido no capítulo 5, que foi a análise “quase-estatística” (Cardoso, 2012, p. 124; Maxwell, 2010, p. 475). No entanto, o âmbito da análise quase-estatística realizada neste 2º estudo é substancialmente diferente do realizado no estudo anterior. No 1º estudo a análise quase-estatística complementava a análise qualitativa dando aos dados de natureza qualitativa um tratamento numérico. Neste estudo, porém, a natureza dos questionários potenciava a produção de dados de natureza quantitativa, pelo que os mecanismos da análise quantitativa a usar poderiam ser vários. No entanto escolheu-se usar as ferramentas da análise quase-estatística dado ter havido uma lógica inferencial por trás da elaboração deste estudo.

6.4.1.2. Conversão numérica das respostas obtidas nos questionários

Para se poder realizar a análise quantitativa pretendida foi necessário transformar perguntas de resposta fechada em dados numéricos.

As respostas dicotómicas foram transformadas em números de acordo com a lógica: não = 0, sim = 1. Às “perguntas de avaliação ou estimação” (Pardal & Correia, 1995, pp. 57, 58) foram atribuídos números de forma progressiva (ver exemplo na Tabela 34).

Tabela 34 – Exemplo de correspondência numérica em perguntas de avaliação48 Muito Difícil 1 Fácil 3

Difícil 2 Muito fácil 4

No caso específico das respostas que utilizavam a escala de Likert, o ponto neutro (não concordo nem discordo) foi convertido em 0 (zero) (ver tabela 35).

48

Exemplo da pergunta nº 4 do questionário: do teu ponto de vista, qual o grau de dificuldade do repertório habitual desta orquestra?

106

Tabela 35 – Correspondência numérica em perguntas de avaliação com escala de Likert49

DT DP NCND CP CT

1 2 0 3 4

A atribuição numérica dada aos dados seguiu princípios básicos de atribuição de um valor numérico específico a cada categoria (por exemplo, género masculino=1, feminino=2 ou em relação ao regime articulado=1, supletivo=2, integrado=3). Nas respostas de múltipla escolha, cada alínea foi tratada individualmente (1, sempre que a alínea foi seleccionada, 0, quando não era selecionada). O objetivo foi isolar algumas das alíneas e compará-las com outras respostas com o propósito de triangulação. Algumas das perguntas pressupunham a existência de uma escala implícita, por exemplo, grau, idade, há quantos anos toca em orquestra, classificação do último momento de avaliação, tempo de estudo por dia, etc. Estes dados foram convertidos seguindo a lógica da escala propriamente dita, dos valores mais baixos para os mais elevados.

Após este processo de conversão, os dados foram lançados num ficheiro do Software de Cálculo Excel (ferramenta do Microsoft Office), criando-se assim um ficheiro preparado para se iniciar a análise quantitativa propriamente dita. Com a ajuda deste

software foram obtidas as medidas de tendência central – médias, modas, medianas –

e as medidas de dispersão – amplitude, mínimas, máximas e desvios padrão (Pardal & Correia, 1995). Mais tarde migraram-se os dados para outro programa, o Statistical

Package for the Social Sciences (SPSS), que foi usado para contabilizar os números e

percentagens das respostas, bem como para calcular correlações entre “variáveis”50 selecionadas e correlações cruzadas. Neste processo de análise quantitativa, primeiro foram analisados os dados dos 274 questionários como um todo, depois o Statistical

Package for the Social Sciences (SPSS) foi usado para verificar a pertinência da

comparação dos subgrupos de participantes: primeiro a comparação entre escolas e depois a comparação entre orquestras.

49

DT – Discordo totalmente; DP – Discordo em parte; NCND – Não concordo nem discordo; CP – Concordo em parte; CT – Concordo totalmente

50

Todas as perguntas e alíneas das perguntas de múltipla escolha foram transformadas em variáveis de modo a se poder efetuar o cálculo de correlações cruzadas

107

O objetivo por trás deste processo foi recolher evidência que permitisse “apreender e quantificar” o fenómeno da motivação orquestral, ”possibilitando a identificação de aspetos, regularidades ou padrões que” caracterizassem esse fenómeno (Pardal & Correia, 1995, p. 88), procurando-se assim identificar e caracterizar corretamente “a diversidade [de] perceções ou crenças” manifestadas pelos estudantes nos questionários (Maxwell, 2010, p. 478). Neste caso procurou observar-se a dinâmica entre os diferentes dados obtidos de modo a percecionar o que motiva especificamente os alunos quando tocam em orquestra, e compreender qual o perfil dos alunos mais motivados e o dos alunos menos motivados para tocar em orquestra. Para este efeito usou-se o coeficiente de correlação de Spearman. Este é um teste não- paramétrico que não exige nenhum pressuposto de distribuição normal de frequências, sendo um dos mais usados (Cardoso, 2012). Esta medida de correlação é menos sensível a valores muito distantes do esperado do que o coeficiente de correlação de Pearson, por exemplo, e por esse motivo pareceu mais adequado para usar neste estudo (Cardoso, 2012).

As correlações foram classificadas de acordo com os critérios referidos por Pardal e Correia (1995, p. 145).51