Yeme bağımlılığı tanısı ve eysenck kiĢilik envanteri iliĢkis

Os procedimentos de análise dos conteúdos dos dados advindos da abordagem metodológica do PCM anteriormente explicitada, produzidos nas classificações livre e dirigida, basearam-se em duas técnicas de análise multidimensionais. Estas a partir de julgamentos de similaridades possibilitam a conversão das distâncias e similaridades de natureza psicológica em distâncias euclidianas, de tal forma que as configurações categóricas do pensamento dos licenciandos acerca dos objetos simbólicos aqui em estudo foram descobertas. Contrapondo-se às técnicas e escalas de tipo analítico unidimensionais das investigações psicológicas do passado, o uso dos procedimentos do MSA e do SSA corrobora com a ideia de que pela complexidade do mundo. A maneira como categorizam os licenciandos, na tentativa de construir seus objetos simbólicos, reflete os tipos de similaridades e diferenças qualitativas da realidade em construção, envolvendo nesses processos multidimensionalidades, tendo em vista a insuficiência em considerar uma única

39 _{A técnica de análise MSA (Multidimensional Structuple Analysis, traduzindo para o português: Análise} Escalonar Muldimensional, e a SSA (Smallest Space Analysis). Traduzindo para o português: Análise dos menores Espaços.

dimensão para uma compreensão dos fenômenos “Física”, “Ensinar”, “Química”, “Ensinar”. Torna-se, portanto, necessária a análise destas várias dimensões, para a compreensão mais próxima possível do fenômeno que se deseja estudar, semelhantemente aos estudos de Andrade (2003); Machado (2003), dentre outros.

Importante ressaltar que a MSA (Análise Escalonar Multidimensional) foi utilizada para análises dos conteúdos dos dados decorrentes das Classificações Livres do PCM “Física”, do PCM “Ensinar”, correspondentes aos licenciandos em Física, e dos PCM “Química” e “Ensinar”, designados aos licenciandos em Química. Ao todo foram quatro classificações livres, duas para cada grupo. Com a utilização da MSA foram respeitadas as peculiaridades qualitativas da preservação dos conteúdos dos dados originais, mantendo a inteireza da sua natureza, conteúdo, estrutura e relações. O pressuposto dessa técnica de análise se refere à interpretação dos dados enquanto medidas de (dis)similaridade, isto é, separa no plano euclidiano, os itens não semelhantes. A matriz produzida no programa da MSA é retangular apresentando os itens em linhas e os sujeitos em colunas na forma de um escalograma. Nesse estudo, a série dos itens correspondeu às palavras dos PCM aplicados, representadas em linhas, e às colunas, as várias classificações realizadas por cada licenciando. Os itens, ou seja, as palavras dos PCM são tratadas como a população da pesquisa, criando, pelo programa da MSA, uma representação geométrica da distribuição multivariada pela consideração das inter-relações entre essas palavras (itens).

Roazzi (1995) chama atenção sobre a análise da MSA afirmando que a mesma não soma, mas compara variável por variável, considerando o perfil completo da estrutura apresentada. Tendo como base a inter-relação entre os itens (palavras), a MSA procura colocá-los de tal forma de acordo com a mesma categoria representadas numa região identificável, separando o espaço em regiões onde os itens (palavras) pertencentes a uma categoria localizem-se numa mesma região. As configurações das categorias são projetadas no espaço geométrico euclidiano bidimensional, conforme o princípio de contiguidade onde cada item (palavra) é designado por um ponto, criando uma configuração geométrica. Quanto mais similares forem os itens, tanto mais próximos estarão representados no espaço através desse ponto. Com outras palavras, quanto maior a proximidade espacial levando os itens (palavras) a se encontrarem na projeção, maior a similaridade das categorias atribuídas nas classificações produzidas pelos licenciandos no momento da aplicação dos PCM.

A técnica dos Menores Espaços (SSA) é utilizada para analisar os conteúdos dos dados das Classificações Dirigidas do PCM. Consiste num escalonamento multidimensional não métrico, no qual o princípio é o de proximidade. Torna-se importante para a apreensão de

como o fenômeno em estudo se apresentou, exatamente pela divisão do espaço em projeção em regiões, viabilizando a elaboração de hipóteses para o estudo das regionalizações criadas mediante a Teoria das Facetas, explicada por Bilsky (2003).

A Teoria das Facetas é um marco de referência como aplicativo a análises da estrutura de similaridades, esquematizando os diversos papeis que as facetas desempenham na análise multidimensional. Segundo o autor, essa teoria apresenta uma variedade de métodos para analisar dados, métodos esses que se destacam por um número mínimo de restrições estatísticas. Sua contribuição para esse estudo se destaca por facilitar expressões de suposições teóricas, isto é, hipóteses, podendo ser examinadas empiricamente suas validades. De tal forma que os dados empíricos refletirão às estruturas supostas previamente, desenvolvidos pela análise SSA.

A faceta, como veremos adiante, formará o núcleo correspondente à classificação de objetos e observações empíricas (variáveis) em categorias exclusivas e abrangentes com relação a um aspecto temático. Por isso, cada uma delas se apresentará nominalmente nas figuras. A nominação de cada uma das facetas foi designada por nós, com base na aproximação semântica que as variáveis indicaram. Uma vez que uma faceta deve cobrir o aspecto temático em questão por completo e inequivocamente.

Este marco teórico associa-se à SSA, exatamente por possibilitar a configuração representacional gráfica da estrutura das RS, valorizando suas dimensões semânticas, simbólicas e pragmáticas. Segundo Buschini (2005), isso se dá pela semelhança à “Escola de Genebra”, pois proporciona uma visão dinâmica da estrutura das RS e com conteúdo menos fixo. Para tanto, os dados resultantes das Classificações Dirigidas são inicialmente projetados em colunas, correspondendo a um determinado item, e os sujeitos ocupando linhas. Em cada célula haverá um número indicativo da avaliação do item pelo sujeito, definido por um critério de natureza ordinal.

Diferentemente da MSA, a análise dos conteúdos dos dados pela SSA parte do pressuposto de que existe uma diferença quantitativa de mais para menos entre os diferentes itens analisados. Além do mais, pelo cálculo do coeficiente de correlação entre as variáveis, os dados brutos são transformados e ordenados de modo que a localização das distâncias entre elas seja arrumada em um espaço n-dimensional que melhor permita a representação da relação de todos os itens com todos os outros itens.

A projeção geométrica no espaço é desenvolvida a partir da relação entre itens e não a partir de suas relações com uma determinada dimensão. Explicando pelas palavras de Andrade (2003), a disposição dos pontos indicará a relação existente entre os itens, de

maneira que estes, localizados em regiões diferentes, não compartilharão de uma mesma faceta e vice-versa. Importante ter considerado, nessa análise, os pontos localizados na área central, pois apresentaram correlação maior com todos os outros.

A contribuição essencial da análise SSA diz respeito ao estudo da forma das partições pela ordenação das facetas representadas na projeção da figura. Dependendo da natureza dos dados, se qualitativa ou quantitativamente diferentes, as regiões serão apresentadas espacialmente diferentes devido à ordenação de suas facetas. Segundo o autor:

para facetas quantitativamente diferentes, as regiões serão representadas espacialmente de maneira ordenada. Ao contrário, diferenças de caráter qualitativo apresentarão partições não ordenadas. Assim, o tipo de partição permite ao pesquisador conhecer quais facetas são ordenadas, e qual o sentido desta ordenação e quais facetas não são ordenadas (ROAZZI, 1995, p. 19).

Identificada, portanto, uma partição de uma faceta não ordenada será do tipo polar, pois, como os elementos são qualitativamente diferentes, cada elemento da faceta corresponderá a diferentes direções na projeção, emanando de um ponto de origem comum. No caso de uma faceta parcialmente ordenada, pode desempenhar um papel modular; aqui, os elementos neste tipo de partição são projetados em regiões concêntricas em volta de um ponto de origem comum, indicando uma ordem a partir dos elementos da área central para as áreas concêntricas mais periféricas. Já uma faceta com ordem simples, segundo Roazzi (1995), desempenha um papel axial, pois pela noção de ordem desta faceta não está relacionada com as outras; seu espaço de projeção é dividido por uma série de linhas paralelas entre si, refletindo uma ordem gradual de seus elementos. Especificamente de uma faceta com ordenação associada, indica a mesma noção de ordem por mais de uma faceta. A projeção desse tipo terá uma partição parcelada.

Na Figura 1 estão apresentados de maneira esquemática os diferentes tipos de representações acima descritas.

Axial Associada (Joint) Figura 1 – Exemplos de Tipos de Partições

A identificação do tipo das partições das projeções do SSA, como também a exploração dos espaços geométricos, através da comparação das partições entre as categorias assinaladas para cada item, nos permitiu a avaliação dos dados empíricos gerados por cada faceta, contribuindo para a tentativa de compreendermos a formação das RS dos licenciandos acerca dos objetos simbólicos em estudo, suas modalidades e articulações. É o que passaremos a discutir.

3.3 Compreensão Psicossocial dos Licenciandos acerca dos Campos Científicos “Física”