Quantos participantes um estudo de eye tracking remoto precisa

Um estudo de eye tracking remoto precisa de 30 a 40 participantes válidos para cada grupo que será descrito com um mapa de calor, e de bem menos quando o objetivo é exploratório. O número certo nasce de três perguntas: qual decisão os dados vão apoiar, quantos segmentos serão comparados e quantos participantes se perderão no controle de qualidade. Este guia percorre as três.

Do que depende o tamanho da amostra

«Quantos participantes?» é uma pergunta que sai errada quando vem antes de «para decidir o quê?». Um estudo feito para encontrar problemas em um design e outro feito para escolher entre duas versões são pesquisas diferentes, com exigências diferentes.

Quatro fatores movem o número:

• O objetivo. Explorar pede poucos casos e muita observação. Comparar pede volume e controle.
• A unidade de análise. Uma métrica agregada por área de interesse se estabiliza antes do que uma sequência completa de olhares.
• Os segmentos. Cada grupo analisado em separado (idade, país, cliente e não cliente) precisa da própria amostra mínima.
• A qualidade esperada dos dados. No remoto, parte das sessões é descartada. A amostra recrutada tem de prever esse descarte.

A referência mais citada em usabilidade vem do Nielsen Norman Group: cerca de 39 participantes para mapas de calor estáveis e por volta de 6 para achados qualitativos. É um bom ponto de partida para interfaces e publicidade em tela, com uma ressalva: vale para um único grupo e para estímulos vistos por todos os participantes.

Estudo exploratório ou comparativo: duas regras diferentes

Exploratório: poucos participantes, leitura fina

Quando a meta é entender como as pessoas percorrem uma embalagem, uma página ou um anúncio, de 8 a 15 participantes válidos costumam bastar para revelar padrões repetidos: o elemento que ninguém olha, o texto abandonado no meio, a ordem de leitura. Mais casos confirmam os padrões, mas raramente os mudam. O valor dessa fase está em assistir às gravações uma a uma e cruzá-las com as respostas do questionário aplicado em seguida.

Comparativo: volume suficiente para separar versões

Quando é preciso escolher entre a versão A e a versão B, o problema muda. As diferenças entre dois designs parecidos costumam ser pequenas, e uma amostra curta as confunde com ruído. A recomendação prática é de 30 a 40 participantes válidos por versão em um desenho entre sujeitos, no qual cada pessoa vê uma única variante. Se cada participante vê as duas em ordem aleatória, o número por condição cai, porque cada pessoa funciona como o próprio controle.

Duas providências evitam desperdício de amostra:

1. Definir as áreas de interesse antes de lançar o estudo. Comparar «quanta atenção o preço recebeu» exige saber de antemão onde o preço está em cada versão.
2. Fixar a métrica principal. Tempo até a primeira fixação, percentual de participantes que olharam a área ou tempo total de permanência respondem a perguntas diferentes e se estabilizam com amostras diferentes.

Cotas por segmento: multiplicar, não dividir

Um erro comum é recrutar 40 pessoas e depois reparti-las em quatro segmentos para ler os resultados por grupo. Cada subgrupo fica com 10 casos, número útil para explorar e fraco para comparar. A regra é a inversa: primeiro se decide quais segmentos serão analisados em separado e se atribui a cada um o seu mínimo.

Um exemplo. Uma marca de bens de consumo quer comparar duas frentes de embalagem entre compradores habituais e não compradores, em dois países. São duas versões por dois segmentos por dois países: oito células. Com 30 participantes válidos por célula, o estudo exige 240 casos válidos. Se o orçamento permite 120, é melhor cortar uma dimensão (um único país, ou um desenho dentro de sujeitos) do que diluir a amostra e perder capacidade de leitura em todas as células.

Quando os segmentos dependem de um critério difícil de recrutar, como uma compra recente na categoria, o filtro de entrada do estudo precisa verificá-lo com uma pergunta de controle, sem confiar apenas na autodeclaração do painel.

Qualidade de dados pela webcam e descarte

O eye tracking por webcam mede o olhar com a câmera do próprio dispositivo do participante, na casa dele e com a iluminação que houver. Essa é a vantagem (alcance, velocidade, custo) e também o motivo pelo qual parte das sessões acaba descartada.

Os controles de um estudo remoto bem desenhado são conhecidos:

• Calibração prévia e verificação de que o participante a concluiu antes de ver os estímulos.
• Condições da sessão: rosto visível, distância estável, sem óculos escuros nem luz de fundo que cegue a câmera.
• Instruções de controle dentro da tarefa, para detectar quem responde sem olhar.
• Revisão por participante da qualidade do sinal, com descarte de sessões incompletas ou instáveis.

O artigo sobre como se mede a precisão em eye tracking explica o significado do erro em graus e por que ele importa na leitura de um mapa de calor. Para dimensionar a amostra, a consequência prática é uma só: recrutar acima do mínimo válido. A proporção exata de descarte varia com o painel, o país e o dispositivo; o melhor é tomá-la de estudos anteriores com a mesma fonte de participantes. Uma margem folgada no primeiro estudo evita voltar a campo.

O dispositivo também pesa. Um estudo no computador e outro no celular têm telas, distâncias e câmeras diferentes; misturá-los na mesma célula cria uma variável que depois não se separa.

Quando o laboratório é a escolha certa

O remoto resolve a maioria dos estudos em tela: anúncios digitais, páginas, embalagens fotografadas, gôndolas simuladas. Em três situações o eye tracking de tela em laboratório ou com óculos continua sendo a ferramenta adequada:

• Precisão fina. Textos pequenos, menus densos ou elementos separados por poucos milímetros pedem equipamento dedicado.
• Estímulos físicos. Uma embalagem real em uma gôndola real se estuda com óculos, no ponto de venda ou em sala.
• Sinais adicionais. Se a pergunta envolve emoção ou carga cognitiva medidas com EEG, resposta galvânica ou codificação facial, o laboratório integra tudo em uma única sessão.

Na prática, muitas equipes combinam os dois: uma fase remota ampla para escolher entre versões e uma fase curta de laboratório para refinar a vencedora.