6 Perguntas Descritivas, Preditivas e Causais
Este capítulo faz parte de um livro em desenvolvimento ativo e ainda não passou pela revisão do autor. O conteúdo pode mudar conforme a revisão avança.
A decisão de pesquisa. Onde a sua pergunta se encaixa na bússola da indagação: que tipo de resposta ela quer (descritiva ou causal) e até onde essa resposta precisa alcançar (os dados em mãos, uma população, ou casos que você não viu). Você faz a colocação e a defende pela resposta que a pergunta de fato quer, e não pelas palavras que ela por acaso carrega.
6.1 Por que essa decisão importa
A decisão em jogo: que tipo de resposta a sua pergunta quer, e para quais unidades essa resposta precisa valer.
Quem orienta a sua tese, na primeira reunião da banca, coloca a coisa de forma direta: “Antes de aprovar um único método, eu faço você responder a duas perguntas sobre a sua pergunta. Que tipo de resposta ela quer, e para quem essa resposta precisa valer?”. Tudo o que vem depois cabe dentro da caixa que essas duas respostas desenham. Classifique a sua pergunta errado e todo método posterior mira no alvo errado, porque um método que descreve o que está aí não consegue te dizer o que uma intervenção mudaria. A bússola fixa o que a sua evidência pode alegar antes de você gastar meses coletando-a.
6.2 O conceito
Todo projeto se estreita até uma pergunta de pesquisa: a única frase que a evidência consegue responder e sobre a qual pode estar errada, como “um segundo caixa encurta a fila?”. Antes de escolher um método, você classifica essa pergunta na bússola da indagação, o mapa que ordena qualquer pergunta por exatamente duas coisas. A bússola é adaptada de Research Design in the Social Sciences (Blair, Coppock e Humphreys, 2023, cap. 7).
O primeiro eixo é o tipo. Uma pergunta descritiva indaga o que o mundo é ou foi, sem necessidade de intervenção; você olha e registra, como em “que fração dos calouros pula o café da manhã?”. Uma pergunta causal indaga o que mudaria se alguém interviesse, o que força uma comparação com um mundo que não aconteceu, como em “um café da manhã gratuito aumenta a frequência às aulas?”.
O segundo eixo é o alcance: para quais unidades a resposta precisa valer. Dados em mãos significa apenas as unidades que você de fato observou. Uma população significa um grupo maior que a sua amostragem alcança para além dos dados. Casos não vistos significa unidades que você ainda não observou, em geral futuras.
Cruzar os dois eixos dá quatro nomes conhecidos. Descrição é descritiva sobre os dados em mãos. Generalização é descritiva sobre uma população, e precisa pagar pelo seu alcance com um desenho amostral que permita às unidades que você viu representar as que você não viu. Predição é descritiva sobre casos não vistos; ela projeta um caso novo a partir de um padrão. Predição ainda é descritiva, não causal: adivinhar quem vai desistir do curso não é o mesmo que saber o que faz essas pessoas desistirem. Raciocínio causal é o tipo causal, a única posição que conquista a palavra “porque”.
Esses quatro nomes são rótulos, não caixas que respondem algo por você. Perguntas causais também têm alcance, e o alcance muda o que você está perguntando. Você pode querer o efeito para as unidades que estudou, o efeito para uma população maior que a sua amostra representa, ou o efeito dentro de um subgrupo nomeado. São três perguntas diferentes com três respostas diferentes, então diga qual delas você quer. Exemplo: o efeito de um segundo caixa nos doze horários de almoço que você cronometrou não é a mesma quantidade que o seu efeito em todo almoço de dia útil neste semestre.
Agora a regra que mantém toda a bússola honesta, e é a que mais se quebra por aí. Os seus dados nunca mudam o tipo da pergunta que você fez. Uma pergunta sobre o que uma intervenção mudaria continua causal mesmo quando a sua evidência não consegue respondê-la. Quando o seu desenho não consegue isolar essa resposta, o status honesto é atualmente não identificada, o que significa que a pergunta continua causal e este desenho ainda não a alcança. Exemplo: você quer saber se um segundo caixa reduz a espera, mas os gerentes só abrem um quando a fila já está longa, então movimento e caixas andam juntos.
Quando isso acontece, você ainda tem algo a relatar, e manter três rótulos separados diz o quê. A pergunta é o que você perguntou, e o tipo dela é fixado pelas suas palavras: um segundo caixa reduziria a espera? A licença é a razão do desenho pela qual a sua evidência pode respondê-la, e aqui a licença está faltando, porque o movimento decide quais balcões ganham o caixa. O resultado é o que esta evidência sustenta mesmo assim: nos períodos que você observou, balcões com dois caixas tiveram esperas mais longas. Esse resultado é descritivo, real e digno de registro. Ele fica ao lado da sua pergunta causal; não a substitui. Em alguns desenhos a licença que falta é parcial, não ausente, e a evidência ainda pode estreitar a resposta, delimitando-a ou fixando o seu sinal, sem cravá-la.
A partir daí você tem dois movimentos legítimos. Fortalecer o desenho até que ele sustente uma resposta causal, ou declarar deliberadamente uma nova pergunta descritiva e registrar a troca como uma decisão sua. Deslizar em silêncio entre as duas é como um projeto acaba alegando mais do que conquistou.
Uma dúvida que sempre aparece aqui: se os meus dados não conseguem responder uma pergunta causal, devo simplesmente reescrevê-la como descritiva?
Só se uma pergunta descritiva for genuinamente o que você quer perguntar agora. O seu resultado atual pode muito bem ser descritivo enquanto a sua pergunta causal segue sem resposta ao lado dele. Escreva “atualmente não identificada” junto da causal, e então decida entre redesenhar ou trocar de pergunta. As duas saídas são respeitáveis. Trocar a pergunta em silêncio e manter a redação causal não é.
Um último perigo. Uma pergunta dupla (do inglês double-barreled) é uma frase só que secretamente faz duas perguntas de tipos diferentes, como “quão comum é o esgotamento, e o trabalho noturno o causa?”. Ela não pode ser respondida como uma só, e a correção é dividi-la em duas perguntas limpas, cada uma com a sua própria posição.
6.3 Um exemplo trabalhado
Comece com uma curiosidade cotidiana de negócios: “por que a fila do café do campus é tão lenta ao meio-dia?”. Dê-lhe contornos e ela vira um tema, o tempo de espera nos balcões de alimentação do campus. Esse único tema esconde quatro perguntas diferentes, uma em cada posição da bússola. Um resultado padrão em pesquisa operacional diz que o tempo de espera sobe acentuadamente assim que os clientes chegam quase tão rápido quanto o balcão consegue atender. Com esse pano de fundo, você cronometra quanto doze clientes esperam para ser atendidos.
- “Entre estes doze clientes, qual foi a espera média?” Isso indaga apenas o que os seus números registrados dizem. É descritiva com alcance dados em mãos. Posição: Descrição.
- “Entre todos os clientes deste balcão durante o almoço em dias úteis, qual é a espera média?” Mesmo tipo descritivo, mas a resposta precisa valer para uma população que você não mediu, paga com um desenho amostral que faz os seus doze representarem os demais. Posição: Generalização.
- “Um cliente chega amanhã ao meio-dia; quanto tempo vai esperar?” Ainda descritiva, porque você só precisa de um padrão que viaje até um caso que você não viu. Posição: Predição. Você projeta a espera sem saber por que uma fila específica anda rápido ou devagar.
- “Abrir um segundo caixa encurta a espera?” Agora o tipo vira. Para responder isso você precisa comparar o mesmo horário de almoço em dois mundos, um com um segundo caixa e outro sem, e apenas um desses mundos de fato acontece. Essa comparação imaginada é a assinatura de uma pergunta causal. Posição: Raciocínio causal.
Um movimento fecha a habilidade. Um parceiro de projeto oferece o que ele chama de uma pergunta só: “quão longas são as nossas filas, e um segundo caixa as encurta?”. Ela é dupla, fundindo a média descritiva da pergunta 1 com a comparação causal da pergunta 4, e nenhum desenho único responde às duas. Você a divide, e cada metade fica com a sua própria posição.
6.4 O laboratório no Colab
Este capítulo tem o seu próprio notebook companheiro — abra-o no Colab pelo selo acima. O notebook reúne os prompts e o código do capítulo e termina com o espaço de trabalho Agora é a sua vez, para você completar a etapa do capítulo no seu projeto sem sair do Colab. O laboratório completo de sala de aula por trás deste capítulo é o notebook do curso nb02 — From curiosity to a research problem: descriptive, predictive, causal (abrir no Colab), parte do curso companheiro apresentado no apêndice Para instrutores. Lá você leva a sua própria curiosidade até uma pergunta, vê um classificador ingênuo por palavras-chave ser enganado por um baralho de oito perguntas, e coloca a sua própria pergunta na bússola no formato que você vai reusar toda vez que declarar um desenho de pesquisa.
6.5 Prompts de IA recomendados
Comprometa-se primeiro com a sua própria resposta, em todos os casos. Escreva a sua classificação antes de abrir a ferramenta, para que a resposta dela tenha algo seu com que discordar. E trate uma discordância como o começo de um loop, não como um veredito: se a ferramenta atribuir uma posição diferente, pergunte que palavra da sua frase levou a essa leitura, reescreva a frase e pergunte de novo. Duas ou três passadas costumam mostrar se a discussão é sobre a sua redação ou sobre o seu desenho de pesquisa.
Classifique, depois de você mesmo ter classificado:
Act as a research-methods tutor. I have already classified my question:
[paste your question and your own kind + reach]. For my question, give its
KIND (descriptive or causal) and REACH (data at hand, a population, or
unseen cases), name the single word that most influenced you, and say
whether answering it needs an intervention or only a pattern. Use a table.Depois de rodar, verifique (combate a mudança silenciosa de escopo): releia a posição que ela devolve contra as duas definições, usando as palavras da sua pergunta, e não os dados que você por acaso tem. Se ela chamar a sua pergunta de causal, pergunte se o seu desenho consegue isolar essa resposta. Se não consegue, o status é causal e atualmente não identificada, nunca descritiva.
Divida uma pergunta que você suspeita ser dupla:
Here is a question I think secretly asks two things: [paste it]. Split it
into exactly two clean questions. For each half name its KIND and REACH. Do
not add any unit, outcome, or population that was not in my sentence.Depois de rodar, verifique (combate a ilusão de completude): uma divisão organizada pode discretamente derrubar uma das metades ou contrabandear uma variável nova. Confirme que as duas metades juntas cobrem a sua frase inteira e que nenhuma acrescentou algo que você não escreveu.
Faça o red team (revisão adversária) da sua própria colocação:
Act as a hostile methodologist. Here is my question and the compass position
I assigned it: [paste both]. Argue the strongest case that I classified it
wrong. If you claim it is causal, name the method you would use and the one
assumption that method needs, in a table.Depois de rodar, verifique (combate a concordância bajuladora e o método plausível mas errado): elogio sem objeção é sinal de alerta, então force a objeção. Para qualquer método que ela nomear, confira se os seus dados conseguem mesmo atender à suposição que ela lista. Uma suposição que você não consegue atender transforma um método confiante em um método errado.
Três decisões continuam sendo suas: qual problema você vai estudar, como você formula a sua pergunta, e a qual posição da bússola ela pertence. Uma ferramenta pode oferecer um rótulo, mas só você pode decidir que resposta a sua pergunta verdadeiramente quer, e só você consegue defender a colocação quando alguém a contesta. Se você ainda não consegue classificar a sua pergunta com clareza, isso é uma descoberta, não um fracasso; uma pergunta que não se acomoda em uma única caixa em geral ainda é uma pergunta dupla, e nomear isso é progresso.
6.6 Um caso de falha da IA
Suponha que o seu projeto só registre tempos de espera em balcões que já operam com dois caixas. Nada é jamais atribuído; você mede os balcões como os encontra. Você pede a um chatbot que classifique “um segundo caixa é uma forma eficaz de cortar a espera?”. Ele lê a pergunta como causal, o que está certo, e então relata a diferença entre balcões movimentados com dois caixas e balcões mais calmos com um caixa como se fosse o efeito. Isso é fluente, bem formatado e errado, porque os balcões que ganharam um segundo caixa são justamente os cheios. O movimento empurra o caixa e a espera ao mesmo tempo, então a comparação não carrega resposta causal nenhuma.
O erro da ferramenta não foi o rótulo. Foi pular a etapa entre uma pergunta causal e uma resposta causal: mostrar por que esta comparação isola o efeito do caixa e nada mais. Você pega isso perguntando o que faz um balcão diferir do outro, e se essa mesma coisa também move o tempo de espera. Aqui ela move. Então o seu status honesto é causal e atualmente não identificada, e agora você escolhe às claras. Pode buscar um desenho que sustente a resposta, como períodos de abertura sorteados, ou uma escala fixada de antemão por motivos sem nenhuma relação com o movimento esperado; uma escala que acompanha discretamente a hora do almoço é o mesmo confundidor de relógio no pulso. Ou pode declarar uma pergunta descritiva que você consegue responder de verdade, anotar que a trocou, e parar de usar a palavra “eficaz”.
6.7 Agora é a sua vez
Você já tem um problema de pesquisa delimitado. Este passo decide que tipo de resposta ele está pedindo, o que fixa o que a sua evidência algum dia poderá dizer.
- Escreva o seu problema de pesquisa em forma de perguntas, três ou quatro delas, cada uma uma frase que a evidência conseguiria responder e sobre a qual poderia estar errada. Problemas quase sempre escondem mais de uma.
- Classifique cada pergunta nos dois eixos, tipo e alcance, e nomeie a posição. Ao lado de cada uma, escreva uma linha de raciocínio baseada na resposta que a pergunta quer, não nas palavras que ela por acaso usa.
- Cace as perguntas duplas. Toda frase com um “e” escondendo uma segunda pergunta de tipo diferente é dividida em duas perguntas limpas, cada uma com a sua própria posição.
- Escolha a sua pergunta principal, aquela em torno da qual o seu projeto vai ser construído. Escreva uma frase sobre por que ela e não as outras, e uma frase nomeando uma alegação que a posição dela te proíbe, mesmo que a resposta saia linda.
- Se a sua pergunta principal for causal, descreva o mundo de comparação de que ela precisa: a versão dos acontecimentos que não aconteceu e que o seu desenho de pesquisa vai ter de substituir. Depois diga se o seu desenho consegue fazer essa substituição. Se ainda não consegue, escreva “causal, atualmente não identificada” e mantenha a pergunta. Isso é um achado sobre o desenho, não um motivo para trocar o rótulo do que você perguntou.
- Registre a colocação no seu AI Research Ledger (o registro de uso de IA) e verifique-a com um método nomeado do Guia de Verificação. Uma classificação é um julgamento, então use o raciocínio revisado por pares: percorra com alguém as duas definições e o seu argumento, e veja se ele sobrevive à pergunta mais dura dessa pessoa. Se a sua posição for causal, acrescente uma segunda checagem independente desenhando um diagrama causal e confirmando que o efeito está de fato identificado. Uma IA revisora pode rodar qualquer uma das checagens com você; a decisão de aceitar ou rejeitar continua sendo sua.