Como os dados foram processados?

O tratamento dos dados

1 · Ponderação da amostra (pós-estratificação)

Depois do campo, alguns estratos ficaram sobre-representados e outros sub-representados. O Grupo 11 (SECPOL) vale 3,089% da população mas rendeu 2,150% da amostra (sub-representado); o Grupo 15 (SEAUD) vale 0,906% mas rendeu 1,540% (sobre-representado). A pós-estratificação corrige isso.

A fórmula

wₕ = (Nₕ / N) ÷ (nₕ / n), com N = 2.428 e n = 325.
w > 1 = sub-representado, conta mais · w < 1 = sobre-representado, conta menos · w = 1 = proporcional.

Sincronia de peso e massa amostral (SAS Viya)

A soma dos pesos foi calibrada para refletir a massa real: a amostra global de 325 respondentes foi amarrada à sua massa ponderada expandida de 322,60 observações estimadas; o domínio de 194 usuários ativos foi travado na massa calibrada de 191,10. Todas as estimativas ponderadas (SURVEYMEANS/SURVEYREG e proporções de cluster) repousam sobre essa massa validada.

Peso de pós-estratificação por estrato: população, respondentes e peso exato.
Grupo	Área	Nₕ	Resp.	Peso wₕ
G1	GP, GVP, CGC	139	22	0,845720
G2	Gabinetes de Ministros	960	125	1,028007
G3	ASPAR, ARIN, ASPRODEC, OUV	16	2	1,070840
G4	SEGP, ACEPRES, ACESI, DIEV	17	4	0,568884
G5	SEGVP, SEPREX, CEJUSC	39	4	1,305086
G6	SECG	6	0	—
G7	SEGGEPRO	75	10	1,003913
G8	SEPJD	36	7	0,688397
G9	SETIN	155	19	1,091975
G10	SECOM	25	4	0,836594
G11	SECPOL	75	7	1,434161
G12	SEGGE	11	2	0,736203
G13	SEGJUD, SETPOESDC, SESDI1, S…	194	29	0,895444
G14	ASJIP, CDOC, CGEDM, CCADP	99	10	1,325165
G15	SEAUD	22	5	0,588962
G16	GDGSET, ASJUR, COCONF, CSESP…	79	12	0,881212
G17	SEGPES	107	14	1,023035
G18	SEA	142	18	1,055967
G19	SESAUD	71	9	1,055967
G20	CSJT	140	19	0,986300
G21	ENAMAT	20	3	0,892367

Fonte: Parte V.3.

A ponderação funcionando (Grupo 11 vs Grupo 15)

G11 · bruto2,15%

G11 · ponderado3,01%

G11 · populacional3,089%

Sub-representado, sobe de 2,15% para 3,01% ponderado, aproximando-se dos 3,089% populacionais. É a melhor demonstração de que o vetor de calibração opera corretamente.

Fonte: Margem de erro: 5,0% pré-coleta e 5,275% pós-coleta, com 95% de confiança. Partes V.1–V.7 e VIII.1.

2 · Testes não paramétricos e escolha das técnicas

Optou-se por técnicas não paramétricas pela natureza ordinal das escalas Likert (que não garante intervalos equidistantes) e pela não normalidade severa detectada por Shapiro-Wilk. E por SURVEYMEANS/SURVEYREG em vez de TTEST/GLM: erros-padrão por linearização de Taylor, que incorpora o desenho amostral e dispensa a premissa de homocedasticidade.

Uma solução metodológica engenhosa: o Spearman ponderado

O PROC CORR do SAS aceita WEIGHT para Pearson mas o ignora para Spearman. A solução: converter os construtos em postos (PROC RANK) e aplicar Pearson ponderado — explorando a identidade de que Spearman é Pearson sobre postos.

Teste t — adoção por idade e tempo de serviço

Teste t ponderado por domínio de P8, com médias, diferença, t, gl, p e d de Cohen.
Variável	Não usuários	Usuários	Dif.	t	gl	p	d de Cohen
Idade	47,80	43,71	4,10	3,82	324	0,0002	0,448
Tempo de serviço	16,64	12,43	4,22	3,47	324	0,0006	0,420

Fonte: Parte VIII.5.

Leitura correta do tamanho de efeito

O p < .001 diz que a diferença não é fruto do azar. O d ≈ 0,45 diz que ela é de magnitude modesta — os grupos se sobrepõem consideravelmente. A adoção é um marcador de tendência agregada, não critério de segmentação individual. Evita-se, portanto, a expressão “abismo geracional”.

ANOVA otimizada — competência técnica por macroárea

F(9, 193) = 4,10; p < .0001; R² = 0,1725. A lotação (variável otimizada P1_Otimizada) explica 17,25% da variância em competência técnica — 82,75% vem de outros fatores. “Significativo e substancial”, não “determinante”.

Por que agregar em macroáreas (P1_Otimizada)

Para mitigar a instabilidade métrica de células com menos de 5 respondentes e eliminar a singularidade da matriz de covariância, as subunidades menores foram agregadas em duas macroáreas funcionais — Secretarias de Apoio Operacional (referência, LS-Mean 2,93) e Assessorias Estratégicas e Comunicação (2,61) — mantendo as demais unidades individualmente. A SETIN (G9, núcleo tecnológico) lidera a proficiência técnica (LS-Mean 3,75; β=+0,82; p=0,0026). No extremo inferior situam-se a SEGPES (G17, 2,43) e a macroárea de Assessorias Estratégicas e Comunicação (2,61) — esta destacada na dissertação como diferença de 1,14 ponto frente à SETIN. Os Gabinetes de Ministros (G2) ficam significativamente abaixo da referência operacional (β=−0,39; p=0,0132).

Matriz de correlação de Spearman

Matriz de correlação de Spearman ponderada entre os quatro construtos reflexivos (N = 194).
	Técnica	Informacional	Comportamental	Ajuste TTF
Técnica	1,00	.33	.55	.42
Informacional	.33	1,00	.37	.27
Comportamental	.55	.37	1,00	.46
Ajuste TTF	.42	.27	.46	1,00

Indicadores éticos e de conformidade — isolados

Bloco desmembrado (α = 0,448; single-item analysis): correlação de cada indicador com os quatro construtos e média ponderada na escala 1–5. As associações fracas com os construtos confirmam a natureza formativa e multidimensional do composto ético.

Correlação de Spearman dos indicadores éticos isolados (P22, P23, P24) com os construtos, e médias ponderadas.
	Técnica	Informacional	Comportamental	Ajuste TTF	Média
P22 · Declaração	.14	.11	.11	.02	2,52
P23 · Transparência	.10	.06	.10	.10	4,03
P24 · Responsabilidade	.19	.43	.37	.33	4,62

Ver coeficientes de destaque com p-valor

Técnica × Comportamental: ρ = .545 (< .0001) — associação mais expressiva da matriz
Comportamental × Ajuste TTF: ρ = .459 (< .0001)
Técnica × Ajuste TTF: ρ = .420 (< .0001)
Informacional × P24 (Responsabilidade): ρ = .432 (< .0001) — curadoria informacional ligada à responsabilização
P22 (Declaração) × P24 (Responsabilidade): ρ = −.017 (.8148) — ausência absoluta de associação — o paradoxo de compliance

Sem inferência causal

A associação Técnica × Ajuste TTF (ρ = .420) valida o modelo TTF, mas o desenho é transversal: é igualmente plausível que a proficiência favoreça a percepção de utilidade, que a utilidade motive a proficiência, ou que ambos decorram da natureza da tarefa e do tempo de exposição. ρ² dá a variância compartilhada (.420² ≈ 18%).

3 · Confiabilidade e Análise Fatorial

Alfa de Cronbach por construto (dados ponderados, N = 194).
Construto	k	α	Interpretação
Instrumento global (P13–P34)	22	0,861	Excelente
Competências Técnicas e Digitais	5	0,822	Boa
Competências Comportamentais	4	0,765	Aceitável
Indicadores Éticos e de Conformidade	3	0,448	Reduzida / Formativa
Competências Informacionais	4	0,755	Aceitável
Ajuste Tecnologia-Tarefa	6	0,720	Aceitável

Fonte: Parte VII.3.

α = 0,448 nos Indicadores Éticos e de Conformidade — por isso o bloco foi aberto

O Bloco 4 mede três coisas conceitualmente independentes — declarar o uso (P22 = 2,52), achar a transparência necessária (P23 = 4,03) e sentir a responsabilidade (P24 = 4,62). A correlação P22×P24 é nula (r = 0,035; p = 0,6253). Não é falha de medida: é o achado — um gap de conformidade de 2,10 pontos entre o dever reconhecido e a prática declarada. Por isso o composto foi desconfigurado como construto unificado e cada indicador passou a ser tratado isoladamente (single-item analysis) nas correlações e nos clusters.

Achado teórico: o TTF é bidimensional

A Análise Fatorial Exploratória (componentes principais, rotação Varimax, seis fatores) mostrou que o construto TTF, concebido como unidimensional, cindiu-se em dois: Execução da Tarefa (P29–P31, capacidade individual) e Infraestrutura e Suporte (P32–P34, condições organizacionais). Isso explica o padrão central da pesquisa: os servidores conseguem executar; a instituição não os está sustentando (P34 = 2,65).

4 · Análise de clusters (K-Means)

O PROC FASTCLUS agrupa os 194 usuários ativos por semelhança nas quatro dimensões reflexivas (Técnica, Informacional, Comportamental e Ajuste TTF) — sem o construto ético unificado, cuja baixa consistência (α = 0,448) impediu seu uso como escore único. A partição foi formada sem pesos (ponderar distâncias euclidianas distorceria a geometria) e os pesos foram aplicados depois, só para calibrar as proporções populacionais.

Médias ponderadas por perfil nas 4 dimensões reflexivas e nos 3 indicadores éticos isolados (single-item).
Perfil	Prevalência	Técnica	Informac.	Comport.	Ajuste	P22	P23	P24
Experimentadores Eficientes	57,62%	3,39	4,21	4,30	4,22	2,58	4,08	4,82
Pragmáticos Analíticos	37,39%	2,24	3,78	3,50	3,25	2,49	3,96	4,40
Retraídos Operacionais	4,99%	1,62	2,43	2,64	2,79	1,95	3,89	4,06

Fonte: Dissertação v69, Tabela 15 (K-Means ponderado; indicadores éticos abertos como single-item analysis).

O eixo que diferencia os perfis é a competência técnica (1,62 → 2,24 → 3,39, amplitude de 1,77 ponto), não a maturidade ética — os indicadores P22/P23/P24 são exibidos isoladamente e P24 (responsabilidade) mantém-se alto em todos os perfis.

Aplicação do modelo 70:20:10 por perfil

Modelo 70:20:10 aplicado a cada perfil de maturidade.
Perfil	Prevalência	Eixo formativo	Intervenção
Experimentadores Eficientes	57,62%	20% — aprendizagem social entre pares	Mentoria e multiplicação interna: mobilizar o grupo majoritário como mentores para disseminar técnicas de auditoria e controle de alucinações, e fortalecer protocolos de declaração de uso em documentos oficiais
Pragmáticos Analíticos	37,39%	70% — prática no posto de trabalho	Ações de governança e conformidade: capacitação em normas de governança pública e no preenchimento de relatórios declaratórios oficiais (P22), com experiências práticas no próprio posto para mitigar a cultura de omissão
Retraídos Operacionais	4,99%	10% — formação estruturada	Oficinas de alfabetização em IA: treinamentos práticos obrigatórios de nivelamento técnico elementar para reduzir a resistência inicial e converter “não vejo utilidade” em aplicação concreta

Fonte: Parte XIII.3 — a ponte entre diagnóstico e produto técnico.

5 · Ambiente computacional

SAS Viya / SAS Studio 2026.03, engine CAS (Cloud Analytic Services). Quatro programas: descritiva, gráficos consolidados, inferencial e qualitativa.

proc surveymeans data=base mean std;
    var Idade_Num Experiencia_Anos;
    domain P8 / diff;               /* análise de domínio */
    weight peso_amostra;            /* linearização de Taylor */
run;

proc surveyreg data=base;
    class P1;
    model Dim_Tecnica = P1 / solution;
    lsmeans P1 / pdiff=all adjust=tukey;
    weight peso_amostra;
run;

Fonte: Parte VI.1.