Para a consecução de cada um dos objetivos que estruturam esta investigação foram utilizadas diferentes técnicas estatísticas, em função dos respetivos requisitos metodológicos.
3.5.1 Análise descritiva dos dados
No que diz respeito ao estudo piloto, para a análise dos comportamentos cinésicos dos instrutores, foram calculadas as frequências absolutas e as frequências relativas, em percentagem, das ocorrências de cada comportamento definido nos sistemas de observação e utilizadas técnicas de estatística descritiva (i.e. média, desvio padrão, máximo, mínimo)
3.5.2 Análise comparativa dos dados
De acordo com Pestana e Gageiro (2008) e Maroco (2007), para que se possam utilizar testes paramétricos existem dois pressupostos fundamentais:
1) que as variáveis dependentes possuam uma distribuição normal, podendo este pressuposto ser verificado pelo teste de Shapiro-Wilk (S-W), aconselhado para amostras com um n < 50 (um valor de p significativo indica que a distribuição não é normal);
Susana Mendes Alves 99
2) que as variâncias populacionais sejam homogéneas, caso se estejam a comparar duas ou mais amostras, sendo este pressuposto verificado pelo teste de Levene (um valor de p significativo mostra que são homogéneas).
Quando estes dois pressupostos não são cumpridos deve-se equacionar a utilização de testes estatísticos não-paramétricos em alternativa. Assim sendo, foi analisada previamente a normalidade da distribuição e homogeneidade de variância de todas as categorias de comportamento cinésico (Quadro 27) e proxémico (Quadro 28), para ambos dos grupos de instrutores estagiários e experientes.
Quadro 27 – Análise dos pressupostos de normalidade de distribuição e homogeneidade de variância dos resultados obtidos através do SOCIN-Fitness.
Dimensão Categoria Estagiários Experientes Lev. (p) Ass. Ach. S-W (p) Ass. Ach. S-W (p) Função Regulador -0.34 -0.56 .07 -0.58 -0.17 .19 .16 Ilustrador 0.34 -0.56 .07 0.58 -0.17 .19 .16 Morfologia Técnico 1.05 -0.46 .00 0.45 -0.78 .11 .00 Social -0.24 -0.88 .18 0.05 -0.01 .99 .02 Numérico 0.91 -0.29 .00 0.72 .015 .05 .06 Deítico -0.04 -0.64 .88 0.19 -0.49 .93 .04 Pictográfico 0.89 0.15 .01 0.47 -0.63 .13 .02 Cinetográfico 0.40 -0.67 .11 0.50 -0.31 .39 .89 Espacial 0.67 -0.40 .01 0.82 0.33 .00 .01 Rítmico 0.40 -0.92 .04 0.95 -0.26 .00 .74 Batuta 0.72 -0.10 .06 0.52 -0.20 .29 .00 Situação Informação 0.30 -0.20 .58 -0.14 -0.03 .99 .03 Feedback 0.28 -0.03 .91 0.15 -0.19 .96 .17 Interação 0.48 0.12 .29 0.55 -0.74 .02 .39 Organização 0.42 -0.97 .00 1.05 0.87 .00 .00 Exercício Com Exerc. 0.16 -0.95 .48 0.04 -0.58 .62 .69 Sem Exerc. -0.16 -0.95 .48 -0.04 -0.58 .62 .69 Adaptador Objetual 2.09 3.19 .00 1.99 2.84 .00 .89 Auto 0.52 -1.67 .00 0.10 -1.94 .00 .54
Hetero - - - -
Multi - - - 6.08 37.00 .19 .05
Legenda: Ass. = Assimetria; Ach. = Achatamento; S-W (p) = nível de significância do teste de Shapiro Wilk; Lev. (p) = nível de significância do teste de Levene.
Susana Mendes Alves 100
Quadro 28 – Análise dos pressupostos de normalidade de distribuição e homogeneidade de variância dos resultados obtidos em através do SOPROX-Fitness.
Dimensão Categoria Estagiários Experientes Lev.
(p) Ass. Ach. S-W (p) Ass. Ach. S-W (p)
Grupo Macro-grupo -0.24 -0.69 .44 -0.21 -0.96 .22 .01 Micro-grupo 1.23 -0.25 .00 0.65 0.69 .11 .00 Díade 0.29 -0.60 .26 0.25 -0.84 .19 .01 Topologia Periférica -0.54 -0.36 .17 -0.83 0.17 .02 .06 Central 0.54 -0.36 .17 0.83 0.17 .02 .06 Interação Distanciada 1.60 1.42 .00 3.28 11.67 .00 .38 Integrada -2.80 10.28 .00 -1.81 2.72 .00 .00 Contacto Táctil 3.46 15.04 .00 2.10 4.48 .00 .01 Orientação Frente Espelho 0.05 -0.38 .90 0.54 -.34 .05 .33 Frente Corres. 0.66 -0.66 .01 0.45 -.31 .38 .00 Frente Perfil 0.74 -0.48 .01 0.13 -.49 .79 .00 Atrás 1.00 -0.66 .00 0.20 -.56 .19 .00 No Meio 0.99 0.38 .01 1.00 0.29 .00 .01 Direita 0.85 -0.46 .00 0.22 -0.61 .32 .00 Esquerda 0.77 -0.41 .00 0.88 1.05 .09 .00 Transição P. B. Desloc. 0.63 1.07 .13 1.17 1.55 .01 .61 P.F. Bípede 0.17 -0.06 .99 -0.01 -0.62 .44 .39 P.F. Sentado 0.59 2.00 .07 0.99 1.16 .03 .00 P.F. Dorsal 0.85 0.38 .06 0.63 -0.49 .03 .00 P.F. Ventral 1.47 2.05 .00 0.35 -0.15 .76 .00 P.F. Lateral 1.38 2.95 .00 0.15 -0.91 .07 .00 Locomoção 0.80 0.96 .14 1.43 4.03 .00 .00 Suporte - - - - - - -
Legenda: Ass. = Assimetria; Ach. = Achatamento; S-W (p) = nível de significância do teste de Shapiro Wilk; Lev. (p) = nível de significância do teste de Levene.
Nessas análises foi possível verificar que algumas das categorias de comportamento não cumpriam estes dois pressupostos. Por essa razão, foi utilizado o teste não paramétrico “U” de Mann-Whitney para a comparação das médias obtidas entre dois grupos (i.e. instrutores experientes vs estagiários). Na análise comparativa entre as quatro atividades de fitness examinadas foi utilizado e o teste não paramétrico de Kruskal Wallis, o qual, de acordo com Maroco (2010) é indicado para as comparações entre três ou mais amostras independentes.
Susana Mendes Alves 101
Para identificar entre que atividades realmente ocorreram as diferenças significativas apontadas no teste Kruskal Wallis, aplicou-se o teste post hoc não paramétrico de Dunn, o qual aplica a correção de Bonferroni. Esta correção reduz o nível de significância adotado nas comparações múltiplas entre pares de médias de amostras independentes, compensando assim o aumento da probabilidade de ocorrência do erro de tipo I que está associado a este procedimento (Maroco, 2010). Todas as análises estatísticas foram realizadas com recurso ao programa estatístico
Statistical Package for the Social Sciences (SPSS), versão 20.
3.5.3 Análise dos padrões temporais de comportamento
Os padrões temporais de comportamento foram detetados pelo programa informático Theme 5.0 (Magnusson, 2000, 2005).O Theme utiliza um algoritmo único de deteção de padrões-T que foi desenhado especialmente para a investigação comportamental, ao longo de duas décadas (Magnusson, 1996, 2000). A obtenção dos padrões-T baseia-se na relação temporal entre os comportamentos e na complexidade da sua estrutura.
Assim, o algoritmo desenvolvido por Magnusson (1996) deteta os padrões-T em dois processos distintos. O primeiro relaciona-se com a análise do intervalo crítico de relação temporal entre os diferentes comportamentos, com base na estrutura fixa da sua ordem de ocorrência e da similar distância temporal entre cada padrão detetado. Este processo de identificação está representado graficamente na Figura 15.
Figura 15 – Representação Esquemática de um padrão temporal (Magnusson, 1996, 2000).
Susana Mendes Alves 102
Na parte de superior da figura estão representados os comportamentos ocorridos ao longo do tempo. Na linha de baixo, representado com letras minúsculas, estão os comportamentos a,b,c,d que estavam “ocultos” no meio de outros comportamentos w,k sem ligação entre si. Como refere Magnusson (2000), quando um determinado comportamento “a” antecede um comportamento “b” e mais tarde, após nova ocorrência de “a” voltar a ocorrer o “b” num determinado intervalo de tempo, a probabilidade de isso ocorrer por factores aleatórios é diminuta. A relação temporal ente “a” e ”b” é definida como “intervalo crítico”, que está na base dos algoritmos de deteção de padrões de comportamento. Ou seja, estes algoritmos têm em consideração a ordem e o tempo em que os comportamentos se sucedem.
O segundo processo, relaciona-se com o conceito de competição entre os padrões-T mais completos (Magnusson, 2000, 2005). Nesta fase, os padrões que são versões menos completas de outros padrões são eliminados. Por exemplo, dados os padrões x e y (x = ABD e y = ABCD; em que C não ocorre em x), se todos os eventos que ocorrem em x também estão presentes em y, então x é considerado um padrão incompleto de y e por essa razão é eliminado automaticamente da análise pelo programa Theme, por se considerar que não acrescenta nenhuma informação adicional (Magnusson, 2000). Este mecanismo assegura que apenas os padrões mais completos constituem o resultado do processo de deteção.
Estes dois processos de deteção dos padrões-T, presentes no algoritmo desenvolvido por Magnusson (1996), são extremamente importantes quando se procura analisar padrões que estão integrados em comportamentos complexos. Ambos os processos assentam na extensiva repetição de algumas operações computacionais simples que envolvem apenas a teoria bonominal de probabilidade, fazendo com que os resultados obtidos através deste algoritmo sejam relativamente transparentes (Magnusson, 2000).
Susana Mendes Alves 103