Suficiência de amostra: quantos posts provam um padrão

Quantos posts bastam é a pergunta errada

A pergunta útil não é quantos posts existem na conta ou na hashtag. É em que ponto novos posts deixam de acrescentar temas à lista que já está sobre a mesa. Essa troca desloca a decisão do volume para a saturação.

Quem responde à pergunta errada chega a um número redondo. Cem posts, trezentos, mil. O número redondo tranquiliza e não significa nada, porque não deriva de nada observado no material. Parece rigoroso justamente por ser numérico.

Aqui, suficiência de amostra é decisão declarada. Quem coleta escreve a regra de parada antes de abrir o primeiro post e publica a regra junto com o resultado. O leitor pode discordar do critério e ainda assim julgar o que foi feito.

Volume sem saturação produz confiança sem base

Coletar muito é fácil. O problema é que os primeiros posts de uma conta ou de uma busca por hashtag concentram os temas mais visíveis. Os posts seguintes repetem esses temas com outras palavras, e a repetição é lida como confirmação.

A confiança cresce com o tamanho da amostra enquanto a informação nova não cresce. É assim que nasce um erro específico: a lista de temas fica estável não porque o fenômeno foi coberto, mas porque a coleta ficou presa na mesma faixa de conteúdo. O analista sai com convicção e com uma lista curta.

O antídoto não é coletar menos. É medir o que cada lote acrescenta e tratar o momento em que o acréscimo se aproxima de zero como resultado, não como cansaço.

O que a saturação mede de fato

Saturação mede o ritmo de novidade conceitual dentro de uma amostra. A cada lote de posts, o analista conta quantos códigos novos apareceram e quantos foram apenas variações de códigos já registrados. Quando lotes sucessivos param de produzir códigos novos, a lista de temas está saturada para aquela unidade de análise.

Não é medida de representatividade estatística. O universo de posts possíveis não é lista fechada e nem sempre é definível, então não existe denominador para calcular erro amostral. O que existe é uma afirmação mais modesta e verificável: para o recorte declarado, novas leituras não mudaram a lista.

Essa distinção protege o trabalho. Quem apresenta saturação como representatividade usa um vocabulário que o desenho não sustenta, e a primeira pergunta técnica de quem lê derruba a afirmação.

Como ler a curva de códigos novos por lote

A leitura é simples e deve ser feita em lotes de tamanho fixo, definidos antes da coleta. Lotes de dez a quinze posts funcionam bem em contas de tamanho médio, porque mostram a queda sem transformar cada post em uma decisão.

Para cada lote, registre o número de códigos novos e o total acumulado. A curva relevante é a de códigos novos por lote. Uma sequência de lotes com zero ou um código novo é o sinal que interessa, e o critério de quantos lotes consecutivos contam como estabilidade precisa estar escrito antes.

Sem esse registro, a saturação vira impressão. Com ele, o leitor vê a cauda da curva e decide se concorda com o ponto em que a coleta parou.

A regra de parada precisa existir antes da coleta

Regra escrita antes tem cinco elementos. O tamanho do lote, a unidade de codificação, o que conta como código novo, quantos lotes consecutivos sem novidade encerram a coleta e o teto máximo de posts que o projeto aceita coletar.

O teto é o elemento mais esquecido e o mais útil. Ele impede que a busca por saturação vire coleta infinita e obriga o analista a declarar, desde o início, o custo que aceita pagar. Se o teto for atingido sem saturação, isso também é resultado e deve ser publicado como tal.

Escrever a regra depois de ver os dados é o caminho curto para uma justificativa retroativa. O critério passa a ser escolhido para caber no que já foi coletado, e a decisão perde o único valor que tinha: ser anterior ao resultado.

Separar por formato muda o ponto de saturação

Formatos diferentes carregam textos diferentes. Um carrossel costuma trazer legenda longa e argumentada, um vídeo curto traz legenda mínima e depende de áudio, uma imagem estática traz uma frase e um bloco de hashtags. Misturar tudo em um único lote produz uma curva que não descreve nenhum dos três.

O caminho defensável é saturar por formato e declarar a composição final. Se o recorte é carrossel, a curva de carrossel é a que vale. Se o projeto precisa comparar formatos, cada um recebe sua própria regra de parada e o relatório mostra as curvas lado a lado.

Quando o volume de um formato é pequeno, a alternativa é declará-lo como camada secundária, lida mas não saturada. Essa declaração é honesta e evita a média falsa que esconde um formato com quatro posts dentro de uma amostra de duzentos.

Hashtags são camada de recuperação e não população

Hashtag não define conjunto estável de posts. Define um ponto de entrada, com ordenação que muda, posts que entram e saem de relevância e muito conteúdo fora de assunto. Tratar a hashtag como população é confundir a porta com a sala.

Na prática, a hashtag serve para recuperar material e para classificar o que foi recuperado. A saturação precisa ser medida sobre o material já filtrado pelo critério de inclusão, não sobre tudo o que a busca devolveu. Caso contrário, a curva mede a variação do ruído.

Vale registrar quantos posts foram descartados no filtro e por qual motivo. Esse número é parte do método e mostra que a amostra não é o resultado bruto da busca. O detalhamento dessa camada está em Hashtags: camada de recuperação e classificação.

A camada de comentários satura depois

Legendas e comentários não são a mesma superfície. A legenda é texto produzido para publicar, com edição e vocabulário controlado por quem escreve. O comentário é texto produzido para reagir, com erros, gírias, pedidos repetidos e ruído.

Por isso a curva de comentários costuma ter cauda mais longa. Os primeiros repetem a legenda e elogiam. Os seguintes, muitos em posts antigos ou em threads profundas, trazem necessidades, objeções e vocabulário que não aparecem em nenhum outro lugar.

Se o projeto inclui comentários, eles precisam de regra de parada própria. Encerrar a coleta de comentários junto com a de legendas é o erro mais comum, e ele corta justamente a parte que ainda produzia código novo. O desenho dessa camada está em Comentários no Instagram como grupo focal.

Estratificação por tamanho de conta

Contas pequenas, médias e grandes não falam do mesmo jeito. Conta grande tende a ter texto mais produzido e mais próximo do vocabulário do setor. Conta pequena tende a ter texto mais próximo da linguagem do cliente e mais variação de tema por post.

Se a amostra é só de contas grandes, a saturação chega rápido e descreve um universo estreito. Se é só de contas pequenas, a curva demora e a lista cresce em direções que não se conectam. Nenhuma das duas é errada, mas as duas precisam ser declaradas.

A estratificação resolve parte do problema. O analista define faixas de tamanho, coleta dentro de cada faixa e mede saturação por faixa. Agregar sem declarar o peso de cada estrato produz uma média que não corresponde a nenhuma conta real.

O que a lei dos grandes números não resolve

A lei dos grandes números descreve o comportamento de médias de variáveis aleatórias com distribuição definida. Ela não diz nada sobre temas que ainda não foram nomeados, porque um tema ausente do codebook não é variável observada.

O dimensionamento de amostra também não oferece atalho. As fórmulas usuais pedem estimativa de variabilidade e margem aceitável, e as duas dependem de saber o que se está medindo. Em pesquisa de linguagem e de tema, essa definição vem do próprio trabalho de leitura.

Invocar esses conceitos como se resolvessem a decisão é erro de categoria. Eles ajudam a pensar erro amostral em universos fechados. O problema aqui é outro: definir o que conta como achado antes de saber quantos achados existem.

Quando a saturação nunca chega

Existem recortes em que a curva não fecha. Universos muito heterogêneos, períodos de crise, lançamentos virais e comunidades com vocabulário em formação produzem novidade a cada lote. Nesses casos, a coleta chega ao teto com a curva ainda aberta.

A decisão, então, é declarar o teto e mudar a pergunta. Em vez de afirmar que a lista está completa, o relatório afirma que ela cobre os primeiros N posts e que a cauda permaneceu aberta. Essa formulação é mais fraca e mais verdadeira.

A outra saída é estreitar o recorte. Reduzir a pergunta a um formato, a um tipo de conta ou a um intervalo curto de tempo costuma tornar a saturação possível. Trocar amplitude por profundidade é escolha legítima, desde que apareça escrita.

Amostra pequena declarada contra amostra grande muda

Uma amostra de sessenta posts com regra de parada escrita, codebook versionado e curva publicada vale mais do que mil posts sem critério. A primeira pode ser replicada por outra pessoa, que refará a leitura e comparará as listas. A segunda só pode ser aceita ou recusada.

O tamanho não é virtude em si. Ele aumenta o custo, adia o relatório e aumenta a chance de o analista codificar no automático, sem reler o codebook. Amostras grandes também escondem o ponto em que a leitura perdeu qualidade.

O que a amostra pequena não faz é cobrir universos amplos. Ela descreve o recorte que declara. Se o recorte é estreito demais para a decisão que o leitor precisa tomar, o problema está na pergunta, não no tamanho.

O que este método não faz

Saturação não estima proporção. Não é possível dizer que um tema aparece em trinta por cento dos posts do universo com base em amostra saturada, porque ela não foi desenhada para estimar proporção e o universo não está definido.

Saturação também não produz generalização entre plataformas. Um codebook fechado no Instagram não descreve o Reddit, e a curva de lá precisa ser construída com o vocabulário de lá. Transportar códigos entre plataformas é decisão de pesquisa, não consequência do método.

Por fim, a declaração de suficiência não garante que a lista de temas seja a melhor possível. Ela registra apenas que, sob um critério explícito, novos posts deixaram de mudar a lista. Todo o resto continua sendo julgamento de quem lê.

Do material bruto ao brief

A lista saturada de temas é insumo, não entregável final. Ela precisa ser convertida em afirmações sobre o que as pessoas pedem, com que palavras pedem e em que contexto o pedido aparece. Essa conversão tem estrutura própria e não deve ser improvisada.

Cada tema saturado carrega evidência: posts representativos, trechos de legenda, comentários que mostram a formulação nativa. Sem essa camada, o tema vira rótulo e o brief vira opinião com aparência de dado.

O encadeamento entre sinal, evidência e documento está descrito em Do sinal ao brief: um documento que aguenta revisão. A saturação entra nesse encadeamento como a etapa que autoriza dizer que a lista parou de crescer.

Erros de execução que parecem rigor

O primeiro é contar posts e chamar a contagem de amostragem. Duzentos posts sem curva, sem codebook e sem critério de inclusão não são amostra, são arquivo.

O segundo é codificar tudo em uma passada e nunca revisar. Sem segunda leitura de um subconjunto, o codebook não é testado e a deriva de critério passa despercebida. Uma releitura de vinte posts já revela se os códigos ainda significam a mesma coisa.

O terceiro é apresentar citações de tamanho parecido como prova de saturação. Citação ilustra, não mede. O que mede é a contagem de códigos novos por lote, registrada em planilha auditável.

Registro e auditabilidade

O registro mínimo tem a lista de posts coletados com data e identificador, a versão do codebook usada em cada lote, a contagem de códigos novos por lote e a data de encerramento da coleta. Com esses quatro itens, outra pessoa reconstrói a decisão.

Krippendorff trata a confiabilidade como condição de validade do processo de análise de conteúdo [Krippendorff, 2018]. A saturação não substitui teste de concordância entre codificadores, mas o registro da curva torna o processo verificável e permite identificar em que ponto o critério mudou.

Sem registro, a suficiência é lembrança. Com registro, é argumento que pode ser contestado com precisão.

O custo real de estender a coleta

Cada lote adicional custa tempo de coleta, tempo de leitura e tempo de escrita. O retorno cai rápido depois que a curva fecha, porque os lotes seguintes tendem a reproduzir os mesmos códigos com outras palavras.

Existe também custo de qualidade. Quem codifica o trigésimo lote de um projeto já não lê com o mesmo cuidado do primeiro, e a fadiga entra no codebook como decisão. Amostras longas parecem mais sólidas e podem ser mais frágeis.

Declarar o teto antes é forma de proteger o julgamento. O projeto para no ponto em que foi planejado parar, e não no ponto em que o cansaço decidiu.

Como apresentar a suficiência a quem lê

A nota de método cabe em um parágrafo. Ela informa o recorte, o tamanho do lote, o total coletado, a quantidade de códigos na lista final, o número de códigos novos no último lote e o teto aplicado. Nada disso exige gráfico.

Se a curva for publicada, ela serve como conferência visual do que o parágrafo afirma. Publicar a curva sem o critério é pior do que não publicar, porque sugere estabilidade que o leitor não pode checar.

Uma nota de método não é consultoria: é registro de decisão. Ela não aumenta o achado, apenas permite que ele seja avaliado por quem não participou da coleta.

Procedimento em sete decisões

A primeira decisão é a pergunta, escrita de forma que a lista de temas possa respondê-la. A segunda é o recorte: plataforma, formato, tipo de conta e intervalo. A terceira é a unidade de codificação, que precisa ser pequena o bastante para variar entre posts.

A quarta é o tamanho do lote e o critério de novidade. A quinta é o número de lotes sem novidade que encerra a coleta. A sexta é o teto de posts. A sétima é o que fazer se o teto for atingido, e essa decisão precisa estar escrita antes de o caso acontecer.

As sete decisões cabem em uma página. Se não cabem, o projeto ainda não está desenhado e a coleta vai produzir material que não poderá ser defendido.

Conclusão: suficiência é uma decisão publicada

A pergunta sobre quantos posts bastam tem resposta prática e resposta metodológica. A prática é o teto que o projeto pode pagar. A metodológica é o ponto em que a lista de temas para de mudar, medido por lote e declarado antes.

Glaser e Strauss trataram a saturação como critério de encerramento da coleta teórica, não como número fixo [Glaser, 1967]. A tradição qualitativa que veio depois manteve o critério e perdeu parte do rigor quando o transformou em quantidade de entrevistas ou de posts.

O que se propõe aqui é mais estreito e mais útil: uma curva, uma regra e um registro. Com esses três elementos, qualquer leitor consegue dizer se a amostra sustenta a afirmação. Sem eles, o tamanho da amostra é apenas um número grande. A saturação diz quando parar de ler; o limite de participação diz quando parar de pedir, como em Limites de participação: quando parar de pedir resposta.

A suficiência de amostra decide o que o acervo pode afirmar, e o balanço do que ele sustentou está em O que o acervo sustentou depois de cento e quarenta artigos. ## Notas que sustentam esta leitura

Toda amostra tem um limite, e o limite não se negocia por falta de alternativa: ele se declara. Antes de qualquer diagnóstico, o queda de alcance precisa ser separada de um único post ruim. O que a plataforma realmente mede está em o que o Instagram mede, e o espelho de demanda por recomendação fica em página Explorar. A intenção de guardar e de repassar aparecem em salvamentos e compartilhamentos, e a prova social só vira evidência em prova social sem exagero. Por fim, cada publicação é uma pequena página de destino, como mostra o texto indexável de cada post.

Referências

KRIPPENDORFF, Klaus. Content Analysis: An Introduction to Its Methodology. Thousand Oaks: Sage, 2018.

GLASER, Barney G.; STRAUSS, Anselm L. The Discovery of Grounded Theory. Chicago: Aldine, 1967.

A entrada dimensionamento de amostra resume as fórmulas usuais e mostra por que elas exigem variância conhecida.

A entrada lei dos grandes números descreve o comportamento assintótico de médias e delimita o que se pode esperar de amostras maiores.