Los datos transcriptos obtenidos mediante las entrevistas realizadas a las 18 personas detalladas en el Cuadro 7 fueron analizados utilizando la técnica de análisis de contenido. Un análisis de contenido implica realizar un análisis sistemático de las palabras y los temas que emergen durante las entrevistas, identificando el contenido y las características de la información (Bardin, 1977). Así, el análisis de contenido es una buena técnica para analizar datos que estén documentados en textos escritos o en grabaciones de voz o video. En esta fase de análisis se siguieron los preceptos y los tres pasos cronológicos propuestos por Bardin (1977): el pre-análisis; la explotación del material y el tratamiento de los resultados; la inferencia y la interpretación.
El pre-análisis implica organizar el análisis a realizar. En esta primera etapa se organizó el material recolectado de manera cronológica, se transcribió cada entrevista, se organizaron los archivos de audio y las transcripciones en archivos de Word, se volvió a escuchar cada grabación acompañando la lectura de cada entrevista para verificar su correcta transcripción, se realizó una nueva lectura general del material recolectado y se definieron las categorías para codificar el texto en unidades comparables respetando las proposiciones y dimensiones propuestas en el modelo preliminar de investigación (Figura 17).
La exploración del material y el tratamiento de los resultados es el proceso fundamental para el análisis de contenido ya que en esta etapa se produce, en un primer momento, la codificación y la categorización de los datos y, luego, se concretan los procedimientos de análisis en los que se sustentarán las conclusiones de la investigación (Bardin, 1977).
Al igual que en los estudios de Guimarães et al. (2011), Barbosa et al. (2013) y Kumar et al. (2017) en esta investigación la codificación y el análisis de los datos se realizó utilizando un software. El software utilizado fue QSR NVivo®, Versión 11, que proporciona una serie de herramientas para manejar datos como codificación, creación de atributos, categorización y determinación de relaciones (Barbosa et al., 2013). El software permitió organizar la gran cantidad de datos colectados, la exploración del texto de las entrevistas y la visualización gráfica del uso de distintos términos en su contexto, identificando distintas palabras clave, su frecuencia de ocurrencia y el sentido de las frases referidas a ellas.
En esta etapa de exploración del material y tratamiento de los datos se siguieron los tres pasos del proceso analítico haciendo uso del software QSR NVivo® presentados por Barbosa et al. (2013): 1) Codificación de datos libres en nodos, lo que produce una visión estructurada de los conceptos principales y los temas que surgen de los datos de manera de estructurar, categorizar, ordenar y generalizar las experiencias y observaciones sobre el tema de estudio; 2) Nuevo proceso de reducción de datos para producir patrones de concepto más abstractos; y 3) Explorar las relaciones entre las
163
palabras y las categorías de datos o nodos, mediante distintas herramientas que brinda el software
como el conteo de frecuencia de palabras, la tabulación cruzada de los nodos, los diagramas y el análisis de conglomerados.
Siguiendo a Bardin (1977) el proceso de codificación implica que los datos brutos sean consolidados en unidades de registro y en unidades de contexto, permitiendo así la descripción de las características pertinentes del contenido. Las unidades de registro (representadas por nodos en el
software QSR NVivo®) son unidades de significación y son consideradas como unidades de base para la categorización. Las unidades de contexto son unidades de comprensión que se codifican en las unidades de registro, es decir que se corresponden con distintos segmentos del contenido analizado (palabras, frases, párrafos) cuyas dimensiones son óptimas para que se pueda comprender la significación de la unidad de registro (Bardin, 1977). En la presente investigación se realizó un análisis de las unidades de registro por temas donde los términos que tienen un mismo significado son agrupados en una misma categoría representada por un nodo. Así, las unidades de contexto, que se corresponden con palabras o frases provenientes de cada entrevistado, fueron codificadas dentro de algún nodo por corresponder a ese tema.
Bardin (1977) sugiere que en el análisis temático se divida la información en temas y sub-temas. A raíz de ello, en esta investigación los datos fueron tratados y codificados a priori de acuerdo con las relaciones provenientes de las teorías de base aplicadas y de las proposiciones teóricas definidas en el presente estudio (Capítulo 3) y con cada una de las dimensiones presentadas en el modelo preliminar de investigación (Figura 17).
En el el proceso de construcción de teoría a partir de estudios de casos debe verificarse que las relaciones emergentes entre los constructos se ajustan a la evidencia de cada caso. A veces, una relación es confirmada por la evidencia del caso, mientras que otras veces se revisa, no se confirma o se desecha por evidencia insuficiente (Eisenhardt, 1989). Así, para cada proposición teórica se creó un nodo (categoría definida a priori) y dentro de éste se crearon tres sub-nodos de categorización definidos a posteriori, siguiendo el siguiente criterio: 1) Concuerda: El entrevistado refiere que la relación existe; 2) Concuerda parcial: El entrevistado refiere que la relación existe, pero reconoce que hay que considerar también otros elementos; 3) No concuerda: El entrevistado refiere que la relación no existe. Esto permitió codificar la opinión de los entrevistados en tres categorías en cuanto a la validez, total o parcial, o la invalidez de las relaciones que fueron investigadas (ver Tabla 2).
De manera similar, para cada dimensión del modelo preliminar de investigación se creó un nodo (categoría definida a priori) y dentro de éste se crearon tantos sub-nodos de categorización definidos
a posteriori como atributos, elementos o ítems fueron sindicados por los entrevistados como necesarios para medir cada una de las dimensiones presentadas (ver Tablas 3, 5, 7, 9 y 11). Para
164
mantener la uniformidad, estas sub-dimensiones se rotularon, se clasificaron en función de su visibilidad en la literatura y se tabularon para resumir la evidencia subyacente al constructo (Eisenhardt, 1989).
En ambos casos (proposiciones y dimensiones), al encontrarse las categorías definidas a priori
y a posteriori reflejadas en nodos dentro del software, las palabras o frases (unidades de contexto) provenientes de cada entrevista fueron codificadas dentro de los nodos (unidades de registro) en caso de corresponderse con los tópicos de esos nodos. Es decir que, las declaraciones de los entrevistados que representan significados similares se asignaron a un mismo nodo (R. Kumar et al., 2017). Esta codificación de los datos en las categorías definidas posibilitó una mejor estructuración de la información recolectada y su posterior análisis. En el análisis, la inferencia y la interpretación de los datos se consideró la presencia o no de los elementos que se identifican con cada nodo y la opinión del entrevistado respecto de dicho asunto. Para este tipo de análisis la capacidad de interpretación y reflexión del investigador es esencial, por lo que, al realizar análisis de contenido de entrevistas raramente sea posible establecer un cuadro de categorías único y homogéneo, debido a la complexidad del material verbal (Bardin, 1977).
Luego, a fin de exponer individualmente los datos respecto de las proposiciones teóricas del modelo preliminar de investigación (Figura 17), siguiendo a Da Silva Freitas Junior, Maçada y Brinkhues (2017), para cada proposición (P1, P2, P3 y P4) se creó un cuadro (ver Cuadro 9, Cuadro 10, Cuadro 11 y Cuadro 12, respectivamente) con evidencia que apunta a verificar la relación propuesta y el grado en que se relaciona la evidencia y la proposición, de acuerdo con el análisis extraído del software NVivo® y con base en la representatividad de evidencias según otros entrevistados. Se clasificó como un grado de relación: 1) Alto, cuando la evidencia es mencionada por más de la mitad de los entrevistados; 2) Medio, cuando es aludida por entre cinco y nueve entrevistados; y 3) Bajo, cuando es mencionada por a lo sumo cuatro entrevistados.
Posteriormente, para analizar la importancia relativa de cada elemento de medición o ítem sindicado por los entrevistados dentro de la dimensión teórica en cuestión, se utilizó la función del
software NVivo® de análisis de conglomerados. Esta función permite utilizar el coeficiente de correlación de Pearson para determinar la correlación que existe entre distintos nodos en función de la frecuencia de palabras similares codificadas dentro de cada nodo. Es decir que, en esta investigación, el coeficiente de correlación de Pearson mide el grado de relación entre un ítem y la dimensión teórica a la que pertenece. El coeficiente de Pearson puede variar entre –1.00 y +1.00, donde el signo indica la dirección de la correlación (positiva o negativa) y el valor numérico representa la magnitud de la correlación entre dos variables (Hernández Sampieri et al., 2010). Así, a
165
mayor valor del coeficiente de correlación de Pearson, mayor es la relación positiva entre el elemento de medición y la dimensión teórica a la que pertenece.
De esta manera, en miras de diseñar el survey preliminar (Anexo IV y Anexo V), se le dio prioridad a los ítems que más se correlacionan con la dimensión teórica a la que pertenecen. En función de la correlación entre los elementos de medición y las dimensiones teóricas, las Tablas 4, 6, 8, 10 y 12 muestran los ítems más importantes de cada dimensión. El criterio de reducción a los elementos más importantes de cada dimensión se debe a la necesidad de realizar un cuestionario lo suficientemente conciso para medir las variables de interés. Según Hernández Sampieri et al. (2010) no existe una regla respecto al tamaño que debe tener un cuestionario pero si es muy corto se pierde información y si es largo puede ser tedioso, por lo que los encuestados se negarían a responder o, al menos, lo contestarían en forma incompleta.
La técnica aplicada de transformación de datos cualitativos a un coeficiente de correlación cuantitativo sigue la recomendación de fusionar datos cualitativos y cuantitativos en métodos mixtos de investigación, mediante la transformación de uno de estos tipos de datos para hacerlos comparables (Venkatesh et al., 2013). Asimismo, para validar esta técnica de análisis se expusieron los procedimientos y los resultados a un investigador de la Universidad Federal de Río Grande del Sur que pasó a tener el rol de informante clave. Conforme Yin (2001), una de las tácticas disponibles para aumentar la validez de la investigación es que sea revisada por informantes clave, que son frecuentemente críticos para el éxito del estudio del caso. El uso de la técnica de informantes claves (N. Kumar, Stern, & Anderson, 1993) es frecuente en la recolección de datos en investigaciones del campo de SI, especialmente en el contexto de valor de los recursos de la TI (Nevo & Wade, 2010). Por último, a fin de diseñar el cuestionario preliminar a aplicar en la investigación cuantitativa (Anexo IV y Anexo V), se concretó una reunión con un colega de doctorado en la Universidad Federal de Río Grande del Sur, donde se debatieron los últimos detalles del análisis de la información cualitativa. Además, en dicha universidad mediante reuniones con otros investigadores, se avanzó en la definición del cuestionario preliminar de investigación, con encuentros presenciales periódicos. Así, en función de dichos encuentros con informantes clave (Yin, 2001), los resultados del análisis cualitativo de los datos, que fueron recolectados a través de las entrevistas y analizados mediante el uso del software QSR NVivo®, y con base en la literatura (ver Sección 4.2.1) se arribó al survey
preliminar en español (Anexo IV) y portugués (Anexo V) con 42 ítems o elementos y 5 categorías o dimensiones (características de la tarea, características del individuo, ajuste de la tecnología a la tarea, desempeño individual y calidad del servicio público). A su vez, 2 dimensiones (características del individuo y calidad del servicio público), se dividen en 3 y 2 sub-dimensiones (características del individuo en relación a la tarea, características del individuo en relación a la tecnología y diferencias
166
individuales; y calidad del contenido del servicio y calidad de la prestación del servicio, respectivamente). Posteriormente, sobre dicho cuestionario preliminar se aplicaron dos rondas de
card sorting para diseñar el survey para la prueba piloto, procedimientos que se explican en el siguiente apartado.