Amostragem Bola de Neve: Quando Usar, Como Documentar e Que Enviesamentos Assumir

A amostragem bola de neve (snowball sampling, ou amostragem em cadeia de referência) é a técnica de recrutamento mais usada quando não existe uma lista completa da população-alvo — grupos de difícil acesso, práticas informais ou temas sensíveis onde os participantes só confiam em quem já conhece o investigador ou um pertencente ao grupo. Este guia explica como escolher as sementes iniciais, gerir as vagas de recrutamento, documentar a cadeia de referência de forma auditável pelo júri e declarar corretamente os enviesamentos que esta técnica introduz na amostra.

O que é a amostragem bola de neve

A amostragem bola de neve é um método de amostragem não-probabilística em que os próprios participantes recrutam novos participantes dentro da sua rede de contactos. O nome vem da metáfora óbvia: a amostra cresce como uma bola de neve a rolar, acumulando novos elementos a cada volta. É uma das técnicas mais antigas de recrutamento em investigação social e continua a ser a opção de referência sempre que a população-alvo não tem uma lista acessível — não existe um “cadastro” de pessoas com determinada experiência, prática ou identidade que permita uma amostragem aleatória.

Ao contrário da amostragem aleatória simples ou estratificada, aqui não se calcula previamente a probabilidade de cada elemento da população ser selecionado — por isso, os resultados não podem ser generalizados estatisticamente à população mais ampla. Isto não invalida o método: para estudos qualitativos ou exploratórios, o objetivo raramente é generalização estatística, mas sim compreensão aprofundada de um fenómeno.

Quando usar esta técnica

A amostragem bola de neve é a escolha metodologicamente justificada quando se verifica pelo menos uma destas condições:

• População oculta ou estigmatizada — por exemplo, pessoas que exercem uma prática socialmente sensível e que só participam mediante confiança pré-existente.
• Ausência de lista ou cadastro da população — não existe registo formal que permita construir um quadro de amostragem.
• Rede social relevante para o próprio fenómeno em estudo — quando a pertença a uma comunidade ou rede profissional é, em si, parte do que se está a investigar.
• Recursos limitados para recrutamento direto — o método reduz drasticamente o esforço de angariação em comparação com a construção de uma amostra probabilística.

Se a sua população tem uma lista acessível — alunos matriculados, colaboradores de uma empresa, membros de uma associação — a amostragem aleatória ou por conveniência estruturada tende a ser preferível, por produzir uma amostra com propriedades estatísticas mais claras.

Como funciona: sementes, vagas e cadeia de referência

Escolher as sementes iniciais

As sementes (seeds) são os primeiros participantes recrutados diretamente pelo investigador, sem intermediação. A escolha das sementes influencia toda a amostra subsequente, por isso deve ser feita com cuidado:

• Selecione sementes com perfis diversos dentro dos critérios de inclusão, evitando começar por um único subgrupo homogéneo da população-alvo.
• Prefira sementes com boa “conectividade” — pessoas cuja rede de contactos seja razoavelmente ampla dentro do grupo estudado.
• Documente como cada semente foi encontrada (contacto pessoal, associação, plataforma online, indicação de um gatekeeper institucional).

Gerir as vagas de recrutamento

Cada semente indica novos participantes, que constituem a primeira vaga (wave 1). Estes, por sua vez, indicam a segunda vaga, e assim sucessivamente. Na prática:

• Peça a cada participante para indicar 2 a 3 potenciais novos participantes, não apenas um — isto reduz o risco de a cadeia se extinguir cedo.
• Verifique os critérios de inclusão em cada nova indicação antes de a contactar; nem todos os indicados serão elegíveis.
• Pare o recrutamento quando atingir o tamanho de amostra planeado ou quando começar a observar saturação de informação — repetição de temas sem novidade substantiva nas entrevistas ou respostas.

Documentar a cadeia de referência

O júri vai querer perceber como a amostra cresceu. Um diagrama ou tabela simples, incluído em apêndice, resolve isto:

Esta tabela — com números ilustrativos que deve substituir pelos do seu próprio estudo — mostra ao júri exatamente como a amostra final (neste exemplo, 18 participantes) se formou, e em que ponto o crescimento deixou de trazer participantes elegíveis novos.

Variantes: linear, exponencial e respondent-driven sampling

Existem três variantes com propósitos distintos:

• Bola de neve linear: cada participante indica apenas um novo contacto. Produz uma cadeia longa e estreita, útil quando se quer seguir uma rede específica em profundidade.
• Bola de neve exponencial: cada participante indica vários contactos, e todos (ou uma seleção) são recrutados. Cresce mais depressa e é a forma mais comum em teses de mestrado com prazo limitado.
• Respondent-driven sampling (RDS): uma variante mais formal que atribui pesos estatísticos às respostas com base na dimensão da rede social de cada participante, permitindo estimativas de população mais rigorosas. É usada sobretudo em epidemiologia e investigação de populações de risco, e exige software e formação estatística específicos — geralmente além do que se espera numa dissertação de mestrado, mas vale a pena mencionar como referência se o orientador perguntar por que não foi usada.

Enviesamentos que tem de declarar

A amostragem bola de neve introduz enviesamentos sistemáticos que qualquer banca vai esperar ver reconhecidos na secção de limitações:

• Enviesamento de homogeneidade de rede (homophily bias): as pessoas tendem a indicar contactos semelhantes a si — em idade, opinião, estatuto socioeconómico — o que reduz a diversidade da amostra final.
• Enviesamento de visibilidade: indivíduos mais integrados socialmente ou com redes mais alargadas têm maior probabilidade de entrar na amostra; os mais isolados dentro da mesma população ficam sistematicamente sub-representados.
• Não-independência das observações: participantes ligados pela mesma cadeia de referência partilham frequentemente experiências ou opiniões, o que pode inflacionar artificialmente a aparência de consenso nos dados.
• Efeito do ponto de partida (seed bias): a escolha das sementes iniciais condiciona toda a cadeia subsequente; sementes de um único contexto tendem a gerar amostras concentradas nesse mesmo contexto.
• Impossibilidade de calcular a probabilidade de seleção: sem essa probabilidade, não é estatisticamente correto generalizar os resultados para além da amostra estudada — a inferência é analítica ou teórica, não estatística.

Como reportar na secção de metodologia

A secção de metodologia deve declarar explicitamente a técnica, os critérios de seleção das sementes, o número de vagas e o critério de paragem. Um modelo de texto adaptável:

Comparação com outros métodos não-probabilísticos

Considerações éticas específicas

Como a técnica frequentemente é usada com populações sensíveis, a comissão de ética competente (CEUC em Portugal, CEP/Plataforma Brasil no Brasil) vai querer perceber como protege a confidencialidade da cadeia de referência: participantes não devem saber quem mais foi indicado ou participou, e o consentimento informado deve deixar claro que a indicação de terceiros é voluntária e não obriga o indicado a participar. Nunca partilhe a identidade de um participante com outro sem autorização expressa de ambos.

Para o desenho do instrumento de recolha usado junto de cada participante recrutado, o guia sobre como construir um questionário válido para a tese cobre a validação de escalas, e o artigo sobre entrevista semi-estruturada detalha o guião de entrevista frequentemente usado em conjunto com este tipo de amostragem qualitativa. Para o enquadramento metodológico mais amplo, consulte também metodologia qualitativa para a tese.

Se o seu desenho de investigação for quantitativo e exigir uma amostra probabilística com cálculo prévio de poder estatístico, essa é uma lógica diferente da bola de neve — consulte o guia sobre como calcular o tamanho da amostra com o G*Power para perceber quando um desenho quantitativo faz mais sentido do que a amostragem em cadeia de referência. Para um enquadramento mais amplo dos tipos de amostragem disponíveis e como justificar a escolha perante a banca, veja também amostragem em investigação 2026: tipos e como definir a amostra da tese.

Perguntas frequentes