121
5.10. COLETA DE DADOS
Para a coleta de dados existem dois métodos principais aplicados às pesquisas descritivas (MALHOTRA, 2001): survey e obsevação. Abaixo, segue uma melhor definição de cada um deles:
i. Survey: método usado para se obter informações com base no questionamento aos respondentes, geralmente de forma estruturada;
ii. Observação: envolve o registro de padrões de comportamento de pessoas, objetos e eventos, de maneira sistemática, para se obter informação sobre o fenômeno de interesse.
A escolha do método se deu em função dos objetivos desta pesquisa, que de maneira resumida consiste em mensurar como estudantes de graduação entende a influencia da sociedade em seus conceitos e atitudes frente à tecnologia.
Para essa finalidade o método de observação seria inviável nesse contexto devido a questões de operacionalização, tempo e custo, uma vez que seria impossível acompanhar uma amostra de estudantes similar à deste estudo durante todo o curso ou até mesmo um período letivo para uma tentativa de inferir suas opiniões. Assim, a observação é inviável para a coleta dos dados que esta pesquisa necessita e a escolha do método survey é a mais indicada.
Assim, as instituições que representaram a unidade amostral foram selecionadas considerando-se os critérios de serem universidades de natureza pública e privada. A universidade pública escolhida, localizada no município de Campinas/SP, tem alunos das mais diferentes regiões do Estado de São Paulo, assim como, outras três outras instituições particulares. Uma universidade e uma faculdade do município de São Paulo/SP e uma faculdade do município de Campinas/SP. As outras duas faculdades selecionadas são do interior e recebem alunos de diferentes regiões do interior do Estado e também foram escolhidas em função do pesquisador já ter atuado por um grande período em uma delas e estar iniciando atividades em outra. A diversidade de cursos que as quatro instituições apresentam, também foi fator decidivo para suas escolhas.
122
A coleta de dado na instituição pública foi feita diretamente com os alunos de diferentes cursos e os questionários foram em sua grande maioria passados antes de iniciarem as aulas dos dia letivos eleitos para a coleta de dados. Foram selecionados alunos dos cursos: Engenharia Ambiental, Ciência da Computação, Nutrição, Psicologia, Administração com ênfase em Comércio Exterior, Engenharia Elétrica, Engenharia da Produção, Física, Matemática, Tecnologia em Gestão Ambiental, Administração, Pedagogia.
Os dados coletados na universidade privada do município de São Paulo foram coletados mediante autorização do coordenador do curso de Pedagogia e também professor de turmas dos quatros anos de graduação. Este mesmo professor auxiliou na coleta de trezentos e oitenta e um questionários. O restante dos dados (de um total de um mil e seiscentos) foram coletados em duas instituções do interior do Estado de São Paulo, sendo uma delas privada e outra municipal. Neses dois últimos casos, os dados foram coletados depois da autorização dado pela coordenação e direção de cada instituição.
De cada instituição foram selecionados para composição da amostra alunos de diferentes cursos de forma a refletir visões diferenciadas, construídas a partir de influências dos cursos e da instituição ao longo do período de envolvimento do aluno a mesma.
5.11. PROCESSO DE AMOSTRAGEM
Nesta pesquisa foi adotada a técnica de corte transversal que é amplamente utilizada e que tem como característica básica a coleta de informações de todas as variáveis de uma maneira simultânea. Segundo Malhotra (2001) esse método traz como vantagem a de permitir a obtenção de uma fotografia das variáveis de interesse do estudo em um dado momento no tempo e a de enfatizar a seleção de uma amostra significativa e representativa da população-alvo. Contrapõe-se ao método longitudinal, no qual as medidas são obtidas dos mesmos indivíduos em ocasiões repetidas (MACCALLUM e AUSTIN, 2000).
A quantidade de participantes da pesquisa é um fator crucial nos métodos estatísticos uma vez que, como observam Hair Jr. et al. (2005) desempenham um importante
123
papel na estimação e interpretação dos resultados da Modelagem de Equações Estruturais, fornecendo uma base para a estimação do erro amostral. A questão crítica é determinar quão grande uma amostra deve ser. MacCallum e Austin (2000) observaram uma ampla diversidade de tamanhos amostrais nos estudos envolvendo aplicações de Modelagem de Equações Estruturais (SEM), destacando que não foram incomuns pesquisas usando pequenas amostras (cerca de 18% usaram menos de 100 indivíduos). Crowley e Fan (1997) indicam que, embora não haja uma concordância geral quanto ao tamanho amostral, a quantidade de 200 tem sido sugerida em alguns estudos. Há, naturalmente, que se considerar a complexidade do modelo e o número de parâmetros a serem estimados.
Hair Jr.et al. apontam que se tratando de modelo SEM:
O tamanho absoluto mínimo da amostra deve ser pelo menos maior do que o número de covariâncias ou correlações na matriz de dados de entrada. No entanto, o mais típico é uma proporção mínima de pelo menos cinco respondentes para cada parâmetro estimado, sendo considerada mais adequada uma proporção de 10 respondentes por parâmetro. Logo, quando a complexidade do modelo aumenta, o mesmo acontece com as exigências quanto ao tamanho amostral (HAIR JR et al, 2005, p.484).
Todavia, os autores acrescentam ainda que quando os dados violam as suposições de normalidade multivariada, a proporção de respondentes por parâmetros precisa aumentar para uma razão geralmente aceita de 15. Além do mais, embora alguns procedimentos de estimação sejam especificamente delineados para lidar com dados não normais, o pesquisador é sempre encorajado a fornecer suficiente tamanho para permitir que o impacto do erro de amostragem seja minimizado, especialmente para dados não normais (HAIR JR. et al. 2005).
Partindo-se do pressuposto que a amostra deste estudo é classificada como não probabilística, visto que a probabilidade de um indivíduo pertencer à amostra não é conhecida (CHURCHILL JR., 1999 e MALHOTRA, 2001), fundamentou-se nas indicações de Hair Jr. et al (2005) que estabelecem regra empírica quanto ao tamanho da amostra uma proporção de 15 respondentes para cada assertiva.
Entretanto, nesta pesquesia, inicialmente foram tomados cerca de 1006 dados, dando uma proporção de quase 23 respondentes por assertiva. Contudo, no software Lisrel foi adotado procedimento para descarte de questionários que não tenham sido respondidos em sua
124
totalidade. Assim, o montante passou para 600 questionários válidos apresentando uma proporção de quase 14 respondentes por assertiva, o que é um valor bastante considerável tomando Hair Jr et al (2005) como fundamentação e consideração que o modelo não é completo e que obteve um bom ajuste no software Lisrel, essa proporção foi mantida.
Os dados foram obtidos utilizando-se de instrumento de pesquisa na forma impressa que foi distribuído aos sujeitos desta pesquisa para preenchimento cujo tempo aproximado para obtenção de resposta foi de aproximadamente 15 minutos.
No que se tange à aplicação dos questionários, a mesma deu-se no mês de março de 2009 nos períodos matutino, vespertino e noturno no início ou no término das aulas dependendo do caso e das orientações do professor da classe.
Da mesma forma como a escolha do universo da pesquisa, a amostragem dos sujeitos também foi do tipo amostragem por conveniência. Assim, em cada instituição aplicou-se o questionário nas classes dos cursos mencionados de acordo com a aula oferecida no momento. Participaram da coleta quatro professores que em geral conversavam com o professor da classe antes do início das aulas e era então definido o momento para a aplicação do questionário.
5.12. ETAPAS DA ANÁLISE DE DADOS
Seguindo orientações de Hair Jr. et al. (2005), ao findar a coleta, os dados registrados no questionário impresso foram digitados em uma planilha Excel para, a posteriori, serem processados por softwares estatísticos específicos para tratamento e auxílio na análise de dados quantitativos. O SPSS 13.0 para verificação da unidimensionalidade e confiabilidade dos construtos e o sistema LISREL 8.54, um dos mais tradicionais pacotes estatísticos destinados à modelagem de equações estruturais, que se popularizou nas pesquisas em ciências sociais (GARSON, 2004), e que dispõe de recursos adequados aos propósitos desta pesquisa (HAYDUK, 1987; BOLLEN & LONG, 1993; BYRNE, 1998; MARUAYAMA, 1998; JÖRESKOG & SÖBOM, 1993, 2001, 2003, JÖRESKOG et al 1998; GARSON, 2003; HANCOCK & MUELLER, 2006).
125
A codificação foi feita com a linguagem de comando SIMPLIS, disponível no sistema, que viabilizou a estimação dos parâmetros do modelo através da análise fatorial confirmatória, segundo diferentes métodos de estimação, e a apuração das respectivas medidas de ajuste dos modelos.
5.12.1. ANÁLISE DESCRITIVA
Nesta etapa procurou-se explorar o conhecimento preliminar do perfil dos respondentes. Em seguida procedeu-se a uma análise de freqüência de alternativa de respostas considerando-se o instrumento validado. O conhecimento da concentração das respostas permitiu também verificar a posição específica dos alunos respondentes frente a aspectos teóricos de caráter generalizado e que fazem parte do referencial desta pesquisa e do seu instrumento.
Os resultados auferidos possibilitaram identificar as concepções dos alunos, para cada um dos fatores como de maior relevância na relação sociedade e concepções e atitudes frentes à tecnologia.
5.12.2. AVALIAÇÃO INDIVIDUAL DOS CONSTRUTOS
A partir da avaliação individual de cada constructo foi então possível realizar a validação dos modelos de medidas de cada deles (DSO, CON e ATI) sendo que esta validação foi feita aplicando-se a Análise Fatorial Confirmatória (Confirmatory Factor Analysis - CFA).
Essa técnica tem o propósito de testar a hipótese de ajuste dos dados empíricos a um modelo teórico, onde uma estrutura de relação é imposta e confirmada pela análise. Não obstante, as variáveis não precisam estar relacionadas a todos os fatores comuns. Em especial, como é o caso desta investigação, cada variável relaciona-se a somente um fator.
Conforme sugerido por Pedhazur (1997), não houve indicadores considerados referenciais como unidade de medida para seu respectivo construto. Em outras palavras se pode dizer que não foi assumido previamente que quaisquer indicadores fossem uma medida perfeitamente confiável e válida da variável que ele presumivelmente mede. Como conseqüência,
126
não houve a fixação unitária de nenhum coeficiente no modelo de medidas.
Além disso, a validação dos modelos de medidas de cada construto foi realizada através de sucessivos ajustes. Desta forma, em cada processo foram verificados os índices de ajustamento complementado por informações geradas pela opção Índices de Modificação programada no LISREL®, que aponta quanto se espera que diminua o qui-quadrado se uma determinada re-estimação acontecesse (JÖRESKOG e SÖRBOM, 1993, 2003).
5.12.3. UNIDIMENSIONALIDADE DOS CONSTRUTOS
De acordo com Hair Jr et al (2005), existem duas condições para garantir a dimensionalidade. Uma medida deve satisfazer ambas as condições para ser considerada unidimensional. Essas condições são:
i. Primeira condição: um indicador empírico deve ser significativamente associado a uma variável subjacente.
ii. Segunda condição: o indicador empírico pode estar associado a apenas uma variável latente.
Assim, este critério consistiu em verificar se os indicadores estabelecidos representavam de fato um único construto, posto que a unidimensionalidade é uma premissa para a confiabilidade do construto.
Para isso, a constatação da unidimensionalidade foi feita observando se cada valor da matriz de resíduos normalizados do construto era pequeno menor que 2,58, em módulo, a um nível de significância de 1%, sinalizando se o efeito sobre o ajuste geral do modelo era baixo.
5.12.4. CONFIABILIDADE DOS CONSTRUTOS (CC)
A confiabilidade é uma medida da consistência interna dos indicadores do construto e da adequacidade das escalas para medi-lo. Neste caso, adotou-se para avaliação medida a
127 proposta de Hair Jr. et al. (2005):
Onde: λj é a carga fatorial padronizada do indicador j, εj é o erro de mensuração do indicador j, calculado como 1 – confiabilidade do indicador.
Segundo os autores, um valor comumente usado para aceitação da confiabilidade é 0,70, embora esse não seja um padrão absoluto, e valores abaixo de 0,70 têm sido aceitos se a pesquisa é exploratória em sua natureza.
5.12.5. MEDIDAS DE AJUSTAMENTO DOS CONSTRUTOS
Como medidas de ajustamento foram utilizadas as medidas de adequação absoluto, que determinam o grau em que o modelo (estrutural e de mensuração) prediz a matriz de covariância, as medidas de ajuste incrementais, que comparam o modelo proposto ao modelo nulo, e uma medida de ajustamento parcimonioso, que relaciona o ajuste do modelo ao número de coeficientes estimados requeridos para atingir este nível de ajuste (HAIR, Jr. et al., 2005). Abaixo, são expostos os índices de ajuste absoluto utilizados:
i. Qui-quadrado (2 ): compara se a matriz verdadeira e a prevista são estatisticamente diferentes. Valores menores do qui-quadrado resultam em maiores níveis de significância, ou seja, indicam que a matriz verdadeira não é estatisticamente diferente da prevista.
ii. Goodness-of-fit (GFI): varia de zero (ajuste nulo) a 1 (ajuste perfeito). Valores superiores a 0,85 são considerados aceitáveis, mas segundo Hair, Jr. et al. (2005) não existe um limiar bem definido para este índice.
iii. Root Mean Square Error of Approximation (RMSEA): é uma medida utilizada para corrigir a tendência de rejeição da estatística qui-quadrado. São aceitos valores
j j j CC
2 2128 inferiores a 0,08.
Foram utilizados os seguintes índices de ajustamento incremental, que buscam comparar o modelo proposto ao nulo:
i. Normed Fit Index (NFI): esta medida varia de 0 a 1 (com valores de aceitação iguais ou superiores a 0,90), sendo uma comparação entre o valor do qui-quadrado do modelo proposto e o valor do qui-quadrado do modelo nulo (HAIR, Jr. et al., 2005).
ii. Tucker-Lewis Index (TLI): também conhecido como nonnormed fit index (NNFI). Considerado um índice bastante robusto, combina uma medida de parcimônia em um índice comparativo entre os modelos proposto e nulo, com valores entre 0 e 1, sendo aceitáveis valores iguais ou superiores a 0,90 (HAIR, Jr. et al., 2005).
iii. Ajusted Goodness-of-Fit Index (AGFI): é uma extensão do GFI ajustado pela razão dos graus de liberdade do modelo proposto e os graus de liberdade do modelo nulo. Os valores recomendados estão acima de 0,90.
iv. Comparative Fit Index (CFI): esta medida varia de 0 (ajuste nulo) a 1 (ajuste perfeito) e deve ser utilizada para comparação de modelos (HAIR Jr. et al., 2005), com valores de aceitação iguais ou superiores a 0,90.
Utilizou-se o seguinte índice de ajuste parcimonioso:
i. Qui-quadrado sobre graus de liberdade (2/GL): este valor demonstra a
diferença entre as matrizes observada e estimada. Quanto maior o valor do qui- quadrado em relação aos graus de liberdade, maior será esta diferença, sendo aceitáveis valores menores que 5, numa medida mais tolerante, mas preferencialmente menores que 2, que é a medida mais robusta. Por ser sensível à não-normalidade dos dados, ao número de parâmetros e ao tamanho da amostra, recomenda-se que este índice seja analisado em conjunto com outros indicadores (HAIR JR. et al 2005). O critério que o presente estudo adotou, no caso dessa medida, foi aceitar valores abaixo de cinco (5,0), sendo que o ajuste ideal teria uma
129 razão unitária (MARUYAMA, 1998).
Estas medidas foram utilizadas como forma de avaliar cada construto e o modelo integrado, pois um modelo ajustado funciona como referência para a confirmação da validade dos constructos, em nível individual, e dos relacionamentos entre eles, no que diz respeito ao modelo estrutural completo.
A partir da avaliação dos índices de ajustamento, o pesquisador deve considerar potenciais modificações no modelo teórico que está sendo testado, procedendo a sua revisão até que se alcance um bom ajustamento dos construtos (HAIR JR. et al 2005)..
Todavia, os autores acrescentam que a estimação dos índices de ajustamento supracitados somente será possível se os constructos em análise apresentarem índices aceitáveis de mensuração. Dentre os principais problemas, estão a existência de variâncias não- significativas ou negativas das variáveis de erro o que impossibilitaria rodar o programa e coeficientes que excedam o valor 1 (um), ou valores de erro muito altos, o que denotaria baixo poder de explicação da variável indicadora.
Outra questão sugerida na literatura quanto à utilização da análise fatorial confirmatória é o pressuposto de normalidade dos dados. Para tanto, procedeu-se à análise univariada, por meio do cálculo dos valores de Kolmogorov-Smirnov (Apêndice 3). Esta análise indicou que a significância era menor que 0,0001 o que levou à conclusão de que as distribuições de todas as variáveis não eram normais ao nível de significância de 0,05.
5.12.6. AVALIAÇÃO DO MODELO INTEGRADO
Pretende-se avaliar cada modelo separadamente, ou seja, DSO, CON e ATI com a intenção de compreender as relações estruturais hipotetizadas. Os ajustes dos modelos estruturais usarão a análise de regressão múltipla para apurar os efeitos causais entre as variáveis, calculando os coeficientes de caminho (path coefficients), conforme sugerem (HAIR JR. et al., 2005). Neste caso, buscou-se avaliar todos os modelos na tentativa de compreender as relações estruturais hipotetizadas. Os ajustes dos modelos estruturais usaram a análise de regressão múltipla para
130
apurar os efeitos causais entre as variáveis, calculando os path coefficients ou coeficientes de caminho.
Para o ajuste optou-se pelo método da Máxima Verossimilhança (Maximum Likelihood Estimation – MLE), segundo Hair Jr. et al (2005).
Para esses autores haverá comprovação empírica das relações entre os construtos estabelecidos no modelo se os coeficientes de regressão forem significativos, sendo aceitos aqueles que apresentarem t-values superiores a 1,96 (nível de significância de 0,05). A análise do modelo integrado considerará os mesmos índices de ajustamento previstos na avaliação do Modelo de Medidas.
A análise foi amparada complementarmente pelo gráfico Q-Plot fornecido pelo LISREL® e que apresenta a distribuição dos resíduos padronizados relativamente a uma linha de 45º do eixo. A proximidade dos pontos a essa linha indica distribuição normal dos resíduos.
131
6. RESULTADOS E ANÁLISES
Neste capítulo, além da caracterização da amostra, são apresentados e discutidos os resultados apurados a partir das técnicas previamente apresentadas, conforme segue.
6.1. CARACTERIZAÇÃO DA AMOSTRA
Na tentativa de conhecer os participantes, o instrumento de pesquisa fez indagações sobre gênero, idade, curso e ano de ingresso no curso. Todavia, considerando-se que a amostragem foi previamente estabelecida por conveniência, conforme já explicado, tendo como público alvo estudantes universitários de instituições públicas e privadas de diferentes cursos, segue abaixo uma breve caracterização da amostra.
Dos 1006 questionário aplicados, 600 foram analisados devido ter sido usado a opção de eliminar questionários com respostas faltantes no software Lisrel. Destes 600 alunos analisados, 35,6% deles eram do sexo masculino e 64,4%, do sexo feminino.
Quanto à distribuição dos participantes por curso o gráfico 6.1 mostra a caracterização geral.
132
Um aspecto importante da amostra foi selecionar os participantes de acordo com o ano de ingresso nos cursos. Com os resultados apresentados no Gráfico 6.2, podemos ver que quase metade da amostra (47,7%) são calouros, ingressantes em 2009. A amostra conta também com 32,1% de alunos ingressantes em 2008, 13% ingressantes em 2007, 7% ingressante em 2006 e um grupo não representativo 0,2% - em relação ao ano de ingresso - de alunos ingressantes em 2003. Alunos ingressantes nos anos de 2004 e 2005 não aparecem pois foram eliminados pelo Lisrel devido ao não preenchimento integral do questionário.
Figura 6.2: Distribuição da amostra segundo ano de ingresso no curso. Fonte: elaborado pelo autor.
Por fim, buscou-se traçar um perfil dos participantes quanto à faixa etária e encontrou-se que a maioria (cerca de 68,7%) está na faixa de 17 a 26 anos e o restante acima dos 27. Isso caracteriza uma amostra jovem. (Gráfico 6.3).
133
Figura 6.3: Distribuição da amostra segundo faixa etária. Fonte: elaborado pelo autor.
6.2. ANÁLISE DE FREQÜÊNCIA DE RESPOSTAS AOS INDICADORES
Na tentativa de compreender o posicionamento dos participantes acerca dos indicadores, realizou-se a análise de freqüência dos dados. A Tabela 6.1 apresenta a quantidade de respostas por quesito, bem como a média, a mediana e o respectivo desvio padrão, obtidos após aplicação de valores para transformação métrica da escala Likert utilizada na pesquisa.
INDICADOR Ai ASSERTIVAS CP (1) C (2) I (3) D (4) DP (5) Média Mediana Desvio Padrão
ATI 01 A3 Utilizo tecnologia para socializar
informações. 209 325 41 15 10 1.8200 2 0.79707 DSO 01 A4
O governo não deve influenciar nas decisões de desenvolvimento tecnológico.
39 95 87 255 124 2.4500 2 1.17038 CON 03 A5 A tecnologia explica o mundo à
nossa volta. 149 283 79 77 12 2.2000 2 1.01738 CON 01 A6 Tecnologia é aplicação de leis,
teorias e modelos da Ciência. 106 274 95 111 14 2.4217 2 1.05311
DSO 04 A9
As instituições educacionais e de pesquisa, como grandes
universidades, devem orientar a pesquisa para o desenvolvimento de novas tecnologias.
365 212 16 5 2 1.4450 1 0.62527
DSO 02 A11
A pesquisa tecnológica desenvolvida por empresas é direcionada a interesses
134
particulares hegemônicos visando exclusivamente o lucro.
CON 05 A13
Tecnologias são ferramentas (ou artefatos) construídas para auxiliar o homem na resolução de diferentes tipos de tarefas.
255 306 24 14 1 1.6667 2 0.68044
ATI 05 A15
No momento de compra de novo artefato tecnológico o custo é o fator determinante para minha escolha.
98 222 89 151 40 2.6883 2 1.20289
DSO 06 A17
Organizações ambientalistas podem impedir ou interromper o desenvolvimento tecnológico.
51 197 109 175 68 3.0200 3 1.18966
ATI 06 A18
A tecnologia consolida a democratização das relações entre os seres humanos.
53 263 165 96 23 2.6217 2 0.98156
CON 07 A19
O uso que fazemos da tecnologia é que determina se ela é boa ou