Como usar a análise temática em transcrições de entrevistas qualitativas

Esse modelo, descrito originalmente por Braun e Clarke em 2006, tornou-se desde então um dos artigos metodológicos mais citados nas ciências sociais, com mais de 300.000 citações no Google Scholar.

Mas o modelo só funciona se as transcrições que lhe servem de base estiverem bem codificadas. Cada fase depende da consistência com que etiquetou os seus dados, desde essa primeira leitura até à redação final.

Neste guia, vou acompanhá-lo ao longo de cada fase, com decisões práticas de codificação associadas, abordando as ferramentas e os fluxos de trabalho que sustentam o processo e assinalando os erros que mais tempo custam aos investigadores durante a análise.

Porque é que as suas transcrições precisam de um fluxo de trabalho de codificação sistemático

Imagine o seguinte: acabou de concluir 12 entrevistas. Tem mais de 200 páginas de transcrições no ecrã e a sua mente está a inclinar-se para as citações que mais se destacaram para si. Esse instinto pode nem sempre estar certo.

Sem um fluxo de trabalho de codificação estruturado, a análise acaba por se basear naquilo de que se lembra melhor, o que normalmente significa as entrevistas mais recentes e as respostas que confirmam o que esperava encontrar.

E isto também não é um risco marginal. McMullin (2021) destaca que 40 a 80 % dos estudos das ciências sociais e do terceiro setor recorrem a métodos qualitativos como entrevistas, grupos de foco e observação etnográfica.

É um volume enorme de dados que depende da disciplina de codificação do investigador para produzir resultados credíveis.

E se não tiver cuidado com os enviesamentos, acaba por construir temas sobre evidência incompleta.

Dito isto, uma abordagem sistemática à codificação de dados de entrevistas qualitativas não elimina a interpretação.

O que faz é obrigá-lo a ter em conta todo o conjunto de dados, em vez das partes que parecem mais relevantes no momento.

Se ainda está a ponderar se deve transcrever entrevistas de investigação qualitativa, para começar, essa é uma decisão à parte. Este guia parte do princípio de que já tem as transcrições e precisa de uma forma fiável de passar do texto em bruto para temas defensáveis.

Códigos, categorias e temas: o que significa cada termo na análise qualitativa

Antes de começar a codificar temas em dados qualitativos, ajuda ter claro a que se refere realmente cada termo. Estes três conceitos servem propósitos distintos, e confundi-los é um dos erros mais comuns na análise temática de transcrições de entrevistas.

• Um código é um rótulo descritivo que aplica a um pequeno segmento de dados. Capta de que trata esse segmento numa palavra ou numa frase curta
• Uma categoria agrupa códigos relacionados, o que lhe dá uma forma de organizar os seus códigos sem saltar diretamente para a interpretação
• Um tema é mais amplo. Os temas são padrões de significado que atravessam as categorias e se voltam a ligar à sua questão de investigação. Não se limita a encontrar temas nos dados. Constrói-os através do processo de ler, codificar e reler

Uma coisa que vale a pena recordar: se já usou software de transcrição ou de análise de dados qualitativos, provavelmente já viu os termos "etiquetas", "códigos" e "rótulos" usados de forma indistinta. Referem-se à mesma ação. As etiquetas numa ferramenta de transcrição como o HappyScribe são funcionalmente equivalentes aos códigos na metodologia qualitativa.

Refiro isto porque a distinção é pequena, mas pode confundir os investigadores que alternam entre ferramentas. Uma etiqueta que aplica no seu software de transcrição para investigação tem o mesmo peso que um código que atribuiria no NVivo ou no ATLAS.ti, por isso trate-a com o mesmo rigor desde o início.

As seis fases da análise temática para transcrições de entrevistas

O modelo de seis fases de Braun e Clarke (2006) é a abordagem mais utilizada à análise temática, e por boas razões.

As fases são sequenciais, mas não estritamente lineares. Vai movimentar-se entre elas à medida que a sua compreensão dos dados se aprofunda, o que é esperado e faz parte do processo.

O que se segue é um percurso adaptado para investigadores que trabalham especificamente com transcrições de entrevistas.

Fase 1: Familiarização

Leia as suas transcrições do início ao fim. Depois leia-as outra vez. Se ainda tiver acesso ao áudio original, ouça-o enquanto acompanha o texto, porque o tom, as pausas e a ênfase transmitem muitas vezes um significado que não transparece na página. Uma plataforma de transcrição que ofereça transcrições rigorosas e reprodução de multimédia sincronizada vai acelerar o seu trabalho.

O objetivo aqui não é começar a codificar. É construir uma noção alargada do que está nos dados antes de tomar quaisquer decisões analíticas.

Onde esta fase corre mal é quando a apressa. 12 entrevistas podem parecer familiares depois de uma única leitura, mas familiaridade não é o mesmo que compreensão. Os padrões que repara numa segunda ou terceira ronda podem ser precisamente aqueles que acabam por moldar os seus temas.

Para um olhar mais aprofundado sobre como a familiarização se enquadra na investigação mais ampla, consulte o nosso guia sobre metodologia de investigação qualitativa.

Fase 2: Gerar os códigos iniciais

É aqui que passa da leitura para a rotulagem. Percorra cada transcrição linha a linha ou segmento a segmento e atribua um código a cada unidade de dados significativa.

• A codificação indutiva (ou aberta) deixa que os códigos surjam dos próprios dados, sem um modelo predefinido
• A codificação dedutiva funciona na direção oposta: deriva os códigos a partir das suas questões de investigação, do enquadramento teórico ou da literatura existente
• A codificação in vivo usa as próprias palavras do participante como rótulo do código, o que pode ser útil quando a formulação exata tem significado

A maioria dos investigadores combina abordagens. Pode começar com um conjunto dedutivo de códigos retirados das suas questões de investigação e depois deixar surgir códigos indutivos à medida que percorre transcrições que tomam rumos inesperados.

Eis como isto se apresenta na prática, usando uma passagem curta de uma entrevista fictícia sobre trabalho remoto:

Dois desses códigos, "contacto limitado com o responsável" e "perda de comunicação informal", poderiam mais tarde ser agrupados numa categoria como experiências de apoio no trabalho, que se liga ao tema do isolamento estrutural em equipas híbridas da tabela anterior. É essa a trajetória: do código à categoria ao tema.

O erro comum nesta fase é codificar de forma demasiado ampla ou demasiado restrita. Vou abordar isto com mais pormenor adiante.

Fase 3: Procurar temas

Assim que as suas transcrições estiverem codificadas, recue e olhe para os códigos como um conjunto. Agrupe os códigos relacionados em temas candidatos e use ferramentas visuais como mapas temáticos ou árvores de códigos para ver como os agrupamentos se relacionam entre si.

Esta é uma fase exploratória. Está a testar agrupamentos, a reparar em que códigos funcionam bem juntos de forma natural e em quais não pertencem a nenhuma categoria. Ainda não se comprometa com temas finais.

Fase 4: Rever os temas

Nesta fase, leva os seus temas candidatos de volta aos dados. Os segmentos codificados sustentam de facto o tema que construiu à volta deles? O tema continua a funcionar quando relê as transcrições completas?

À medida que observa o alinhamento, os temas começam a ser divididos, fundidos ou descartados por completo. O resultado final é um conjunto refinado de temas com fronteiras mais claras e um suporte de dados mais forte.

Fase 5: Definir e nomear os temas

Cada tema sobrevivente recebe agora uma descrição escrita que explica o que o tema capta, o que não capta e como se relaciona com os temas adjacentes. Dê-lhe um nome conciso e descritivo para que o consiga encontrar facilmente.

Bons nomes de temas carregam muito peso analítico. "Isolamento estrutural em equipas híbridas" diz algo de específico ao leitor, ao passo que "Problemas do trabalho remoto" não diz. Assim que acertar nos rótulos, o seu conjunto de dados vai assemelhar-se a um modelo temático: temas com nome, definições escritas e fronteiras de âmbito.

Fase 6: A redação

A fase final transforma o seu modelo temático numa narrativa que responde à questão de investigação. Cada tema torna-se uma secção ou um argumento, sustentado por citações representativas das transcrições.

Selecione as citações com cuidado. As passagens mais fortes são aquelas em que as palavras do participante ilustram o tema de forma direta e conseguem sustentar-se com uma explicação contextual mínima.

Para um percurso mais detalhado sobre como passar de transcrições codificadas para uma análise escrita, este guia sobre analisar transcrições de entrevistas de investigação qualitativa aborda o processo em profundidade.

Como codificar transcrições de entrevistas na prática

As seis fases dão-lhe o enquadramento concetual. Mas agora é altura de abordar as decisões que vai tomar quando se sentar para codificar de facto.

Codificação manual vs. assistida por software

A codificação manual resistiu à prova do tempo, e muitos investigadores ainda usam o Word ou o Google Docs com tópicos de comentários e realces a cores.

Funciona para projetos mais pequenos, com menos transcrições, mas as limitações aparecem quando tenta crescer em escala.

Assim que começa a trabalhar com 15 ou 20 entrevistas, acompanhar os códigos de forma consistente através de comentários e realces torna-se difícil de gerir.

As ferramentas CAQDAS como o NVivo, o ATLAS.ti e o MAXQDA foram criadas para isso. Oferecem hierarquias de códigos, consultas transversais às transcrições e mapeamento visual. Vale a pena notar que o NVivo e o ATLAS.ti pertencem agora ambos à Lumivero, enquanto o MAXQDA permanece independente e é muitas vezes considerado mais acessível para trabalho com métodos mistos.

Fora dos CAQDAS tradicionais, o Dovetail serve equipas de UX e de produto, o Delve é popular entre investigadores que fazem dissertações, e o Taguette é uma opção open source gratuita para projetos sem financiamento.

Independentemente da ferramenta, a lógica de codificação mantém-se a mesma.

Construir o seu livro de códigos

Um livro de códigos é o documento de referência que mantém a sua codificação consistente ao longo de várias revisões ou entre os membros da equipa.

Se está a trabalhar sozinho num pequeno estudo, pode safar-se com uma versão menos formal, mas a disciplina continua a compensar a longo prazo.

• Comece com um pequeno conjunto de códigos retirados das suas primeiras transcrições ou das suas questões de investigação
• Escreva uma definição curta para cada código, com uma passagem de exemplo que mostre quando se aplica
• Anote regras de fronteira para quando um código não se aplica, sobretudo para códigos que se sobrepõem
• Refine de forma iterativa à medida que percorre mais transcrições, dividindo, fundindo ou descartando os códigos que não estão a resultar
• Registe cada alteração e o raciocínio por detrás dela, porque esse registo torna-se o seu rasto de auditoria. Vou desenvolver isto mais adiante

Codificar em equipa

Quando mais do que um investigador codifica os mesmos dados, a fiabilidade entre codificadores (ICR) passa a ser um fator. A prática habitual é ter pelo menos dois codificadores a codificar de forma independente um subconjunto de transcrições e depois comparar a concordância usando uma métrica como o kappa de Cohen.

Uma concordância baixa não significa necessariamente que alguém codificou mal; pode indicar que os códigos precisam de definições mais claras no livro de códigos. Trate os desacordos como um sinal para rever, e não para sobrepor.

Codificação assistida por IA

As ferramentas de IA conseguem agora sugerir códigos automaticamente, fazer emergir padrões em grandes conjuntos de transcrições e aplicar um livro de códigos mais depressa do que a codificação manual. Para investigadores que trabalham com mais de 20 horas de áudio de entrevistas, são horas poupadas no trabalho repetitivo.

Mas as ferramentas trazem certas limitações. Um estudo de 2025 de Jowsey et al. testou o Microsoft Copilot na análise temática e encontrou uma sobreposição mínima entre os temas gerados por humanos e os gerados por IA. Os resultados do Copilot incluíam citações inventadas em 58 % dos casos, e a IA extraía os temas apenas das primeiras páginas dos dados, em vez de todo o conjunto. O estudo expôs as limitações da IA do Microsoft Copilot, mas a preocupação subjacente aplica-se a outras ferramentas.

A conclusão não é evitar por completo a codificação assistida por IA. A IA consegue tratar da primeira passagem e da sinalização de padrões, mas interpretar nuances, resolver ambiguidades e formular afirmações teóricas continuam a ser tarefa do investigador.

Preparar as suas transcrições para a análise temática

Há um passo entre o "tenho uma transcrição" e o "começo a codificar" que é muitas vezes saltado e que afeta diretamente a qualidade de tudo o que se segue. Eis como deve proceder:

• Escolha o tipo de transcrição certo. A transcrição literal capta cada palavra de preenchimento e cada início falhado, o que se adequa à análise do discurso. Para a análise temática, a literal inteligente costuma ser a melhor opção, porque preserva o significado sem o ruído
• Identifique os seus oradores com clareza. Se a sua transcrição de entrevistas não identificar quem disse o quê, perde a capacidade de acompanhar como os temas se distribuem pelos participantes ou de comparar experiências entre grupos
• Alinhe os seus carimbos de tempo. Quando um segmento codificado parece ambíguo na página, precisa de uma forma de voltar ao áudio original. Um alinhamento consistente dos carimbos de tempo torna isso possível sem ter de percorrer horas de gravações.
• Faça a limpeza antes de codificar. As transcrições geradas por IA vão conter erros, sobretudo com vocabulário técnico e diálogos sobrepostos. Corrigir os erros e uniformizar a formatação antes de codificar evita que dados maus fiquem incorporados no seu livro de códigos

É aqui que a sua escolha de plataforma de transcrição lhe pode poupar tempo. O HappyScribe trata do passo de preparação da transcrição, para que os investigadores passem menos tempo a limpar e mais tempo a codificar.

Algumas funcionalidades do HappyScribe que lhe facilitam diretamente a vida enquanto investigador:

Transcrição por IA e profissional

A transcrição automática do HappyScribe dá-lhe um primeiro rascunho em minutos. Quando a precisão é o fator decisivo, pode solicitar transcrição profissional que oferece 99 % de exatidão.

Vale a pena considerar linguistas especializados para estudos em que a formulação exata é uma parte importante do processo.

Deteção de oradores

Com a identificação automática de oradores, as transcrições chegam prontas para a codificação ao nível do participante.

Isto não só lhe poupa tempo, como também tem impacto direto na sua análise. Quando os oradores são identificados corretamente desde o início, pode filtrar os códigos por participante e comparar como o mesmo tema surge de forma diferente nas várias entrevistas.

Se está a trabalhar com grupos de foco em que os oradores se sobrepõem, uma deteção rigorosa torna a atribuição mais simples.

Editor interativo de transcrições

Editar, pesquisar e rever transcrições torna-se muito mais simples com a reprodução de áudio sincronizada.

Durante a fase de familiarização, pode ler e ouvir ao mesmo tempo, que é exatamente o que Braun e Clarke recomendam na Fase 1.

Durante a codificação, pode clicar em qualquer segmento e ouvir como o participante o disse, captando sarcasmo, hesitação ou ênfase que se leem de forma diferente na página.

Suporte multilingue

Para projetos de investigação que abrangem várias línguas, o HappyScribe suporta mais de 150 línguas e dialetos numa única plataforma, por isso a transcrição e a preparação multilingues não exigem ferramentas separadas.

Seja islandês, alemão suíço, suaíli ou coreano, pode conduzir investigação global sem se preocupar com más interpretações.

Se está a ponderar se a transcrição automática é uma boa prática para a investigação qualitativa, essa decisão depende da precisão que a sua metodologia exige. Para a maioria dos projetos de análise temática, começar com transcrição por IA e revê-la em relação ao áudio é um meio-termo prático.

Erros comuns na codificação qualitativa e como evitá-los

1. Usar as perguntas da entrevista como temas

Se os seus temas correspondem diretamente ao seu guião de discussão, há uma boa probabilidade de ter organizado os dados em vez de os ter analisado.

Os temas devem emergir de padrões ao longo das respostas, e não espelhar as perguntas que fez.

Quando reparar que isto está a acontecer, volte aos seus códigos e procure ligações que atravessem várias perguntas.

2. Codificar de forma demasiado ampla ou demasiado restrita

Um código como "desafios no trabalho" capta tudo e não distingue nada. Um código como "sentiu-se frustrado às 14h de terça-feira" surge uma única vez e não pode ser comparado com nada.

Teste os seus códigos perguntando-se se cada um surge com frequência suficiente para revelar um padrão, mas se mantém específico o bastante para lhe dizer algo de útil sobre os dados.

3. Saltar a fase de revisão

Os temas da primeira passagem são rascunhos, não resultados. Reportá-los sem os confrontar com todo o conjunto de dados é como as contradições passam despercebidas e os temas fracos sobrevivem.

Inclua pelo menos uma passagem de revisão completa em que volte a ler as transcrições originais com os seus temas candidatos à sua frente.

4. Ignorar dados contraditórios

Os casos que contrariam são incómodos, mas tornam a sua análise mais forte quando os aborda diretamente.

Um tema que só funciona contornando dados contraditórios não vai resistir a um escrutínio.

Assinale as contradições durante a codificação e depois decida se elas refinam o tema ou apontam para algo que lhe escapou.

5. Não documentar as suas decisões de codificação

Se não conseguir explicar por que existe um código, por que mudou ou por que um tema foi descartado, a sua análise perde credibilidade.

Como referi na secção sobre o livro de códigos, manter um registo contínuo do que mudou e porquê é suficiente. Revisores e examinadores vão procurá-lo.

Reportar a análise temática na sua secção de metodologia

Revisores e orientadores esperam um relato claro de como passou das transcrições em bruto para os temas finais. Esta lista de verificação abrange o que incluir ao redigir a sua metodologia:

• O método de transcrição que utilizou (IA, profissional ou híbrido) e por que o escolheu
• O software ou as ferramentas usados para a codificação
• Se a sua abordagem de codificação foi indutiva, dedutiva ou uma combinação
• O número de passagens de codificação que concluiu
• Como os temas foram revistos e refinados, incluindo quaisquer temas que tenham sido divididos, fundidos ou descartados
• Como a fiabilidade entre codificadores foi avaliada e se mais do que um investigador codificou os dados
• Se a verificação pelos membros ou a validação pelos inquiridos fez parte do seu processo

Documentar o seu método de transcrição é também cada vez mais esperado na investigação publicada.

Se usou transcrição por IA, os revisores vão querer saber como verificou a exatidão. Deve incluir uma breve secção sobre o seu processo de controlo de qualidade para cobrir todos os aspetos.

Comece com transcrições em que pode confiar

A análise temática é tão forte quanto as transcrições que lhe servem de base. Se o texto for impreciso, se as identificações dos oradores estiverem erradas ou se a formatação for inconsistente, cada decisão de codificação que se segue herda esses problemas.

O HappyScribe dá-lhe transcrições prontas para investigação, com identificação rigorosa de oradores, reprodução de áudio sincronizada e suporte para mais de 150 línguas, para que possa passar diretamente para a codificação com confiança.