Knowledge Graphs e GraphRAG
Por que grafos de conhecimento transformam pesquisa qualitativa
1 Knowledge Graphs e GraphRAG
Quando você export suas anotações Synesis para Neo4j, você não está apenas “salvando dados em outro formato”. Você está transformando texto estruturado em conhecimento navegável — uma mudança fundamental na forma como interagimos com análises qualitativas.
1.1 O Que É um Knowledge Graph?
Um knowledge graph (grafo de conhecimento) é uma representação de informação onde:
- Nós (ou vértices) representam entidades (conceitos, códigos, anotações, fontes)
- Arestas (ou relações) representam conexões entre essas entidades
- Propriedades armazenam atributos de nós e arestas
1.1.1 Diferença Fundamental: Tabelas vs Grafos
Tabelas (CSV/Excel):
| Código | Frequência |
|-------------|------------|
| Custo | 15 |
| Adoção | 23 |Você sabe que “Custo” aparece 15 vezes, mas não sabe como se relaciona com “Adoção”.
Grafos (Neo4j):
(Custo)-[INIBE {frequência: 8}]->(Adoção)Você sabe não apenas que existem, mas como se conectam e com qual intensidade.
1.2 Por Que Grafos Importam para Pesquisa Qualitativa
1.2.1 1. Relações São Cidadãs de Primeira Classe
Em tabelas, relações são implícitas (você precisa fazer JOINs mentalmente ou em SQL). Em grafos, relações são explícitas e navegáveis.
Exemplo prático:
Você quer saber: “Quais códigos são afetados por ‘Falta de Infraestrutura’?”
Em CSV: Você precisa: 1. Abrir chains.csv 2. Filtrar linhas onde codigo_origem = "Falta de Infraestrutura" 3. Listar valores únicos da coluna codigo_destino 4. Manualmente verificar se há chains transitivas
Em Neo4j:
MATCH (origem:Code {name: "Falta de Infraestrutura"})-[r*1..3]->(afetado:Code)
RETURN DISTINCT afetado.name AS codigo_afetado, length(r) AS distancia
ORDER BY distanciaResultado: Neo4j encontra automaticamente não apenas conexões diretas, mas também indiretas (chains com até 3 saltos).
1.2.2 2. Análise de Rede Revela Padrões Invisíveis
Métricas de rede que são triviais em grafos (mas quase impossíveis em tabelas):
| Métrica | O Que Revela | Aplicação em Pesquisa |
|---|---|---|
| Degree Centralidade | Quantas conexões um nó tem | Códigos mais “conectados” — candidatos para conceitos centrais na teoria |
| Betweenness Centralidade | Quantas vezes um nó aparece em caminhos entre outros nós | Códigos que “fazem ponte” entre diferentes clusters temáticos |
| PageRank | Importância baseada em conexões importantes | Códigos que não apenas têm muitas conexões, mas conexões com outros códigos importantes |
| Community Detection | Grupos de nós densamente conectados | Clusters temáticos que emergem dos dados (temas, subdimensões) |
Insight prático:
Em uma análise sobre resistência à tecnologia, você pode descobrir:
- Degree alto: “Confiança” tem 23 conexões → conceito central
- Betweenness alto: “Letramento Digital” conecta clusters “Tecnologia” e “Exclusão Social” → mediador importante
- Mesma comunidade: “Custo”, “Infraestrutura” e “Acesso” formam cluster coeso → dimensão “Barreiras Estruturais”
Esses padrões são emergentes — você não os programou, eles emergem da estrutura das suas anotações.
1.3 GraphRAG: Grounding de IA com Grafos
RAG (Retrieval-Augmented Generation) é uma técnica onde LLMs (como Claude, GPT-4) buscam informação em bancos de dados antes de responder perguntas. GraphRAG usa grafos em vez de texto puro.
1.3.1 Por Que GraphRAG É Mais Poderoso
RAG Tradicional (Vetorial): - Busca textos semanticamente similares - Funciona bem para recuperação de documentos - Limitação: Não entende relações estruturais
GraphRAG: - Busca relações explícitas entre conceitos - Pode seguir caminhos de raciocínio (A → B → C) - Vantagem: Respostas auditáveis e rastreáveis
1.3.2 Exemplo Concreto
Pergunta para o Claude Desktop (com MCP conectado ao Neo4j):
“Por que ‘Desconfiança Tecnológica’ dificulta adoção de telemedicina?”
Resposta com GraphRAG:
“De acordo com o grafo de conhecimento do seu projeto:
- ‘Desconfiança Tecnológica’ aparece em 8 anotações
- Dessas, 6 estabelecem a relação:
Desconfiança -> INIBE -> Adoção- A anotação mais representativa é
@entrevista_dona_maria, item 1:
- Citação: “Como ele vai saber o que eu tenho se não me tocar?”
- Memo: “Participante associa qualidade diagnóstica à presença física”
Além disso, ‘Desconfiança Tecnológica’ co-ocorre frequentemente com: - ‘Preferência por Contato Presencial’ (5 vezes) - ‘Falta de Informação’ (3 vezes)
Sugiro explorar se a desconfiança é amenizada quando há mediação de agentes de saúde locais (veja chain identificada em
@entrevista_sr_joao, item 3).”
Observe: - Resposta rastreável (cita fontes específicas) - Inclui frequências (quantificação sobre qualitativo) - Sugere análises adicionais baseadas em padrões do grafo - Você pode verificar cada afirmação clicando nos links ou executando a query Cypher
Isso não é possível com RAG vetorial puro, que retornaria apenas trechos similares sem entender a estrutura relacional.
1.4 Arquitetura de um Knowledge Graph Synesis
Quando você exporta um projeto Synesis para Neo4j, a seguinte estrutura de grafo é criada:
(Source)-[:HAS_ITEM]->(Item)-[:HAS_CODE]->(Code)
(Item)-[:REFERENCES]->(Source)
(Code)-[:CHAIN_RELATION {type: "INIBE"}]->(Code)
(Code)-[:BELONGS_TO_TOPIC]->(Topic)
(Topic)-[:DEFINED_IN]->(Ontology)1.4.1 Nós Criados
| Tipo | Propriedades Principais | Exemplo |
|---|---|---|
Source |
bibref, author, year, title | Entrevista, artigo, documento |
Item |
quote, memo, context, source_location | Anotação individual |
Code |
name, definition, topic | Conceito analítico |
Topic |
name | Agrupamento temático |
Ontology |
name, version | Vocabulário do projeto |
Chain |
codes[], relations[] | Sequência causal |
1.4.2 Arestas Criadas
| Tipo | Significado | Propriedades |
|---|---|---|
HAS_ITEM |
Source contém Item | order (posição) |
HAS_CODE |
Item foi codificado com Code | - |
CHAIN_RELATION |
Code relaciona-se com outro Code via chain | relation_type (INIBE, FAVORECE, etc.), chain_id |
BELONGS_TO_TOPIC |
Code pertence a Topic | - |
1.4.3 Dinâmico vs Fixo
Crucial: A estrutura do grafo é derivada do template (.synt), não hardcoded. Se você adicionar um campo FIELD context : TEXT, o pipeline cria propriedades context nos nós Item. Isso significa que o mesmo código synesis2neo4j funciona para qualquer domínio (medicina, sociologia, engenharia de requisitos, análise literária).
1.5 Quando Grafos NÃO São a Resposta
Grafos não são panaceia. Não use Neo4j se:
- Seu foco é análise quantitativa pura (frequências, estatísticas descritivas)
- Use CSV + R/Python. Mais simples e rápido.
- Você tem poucas relações explícitas (códigos isolados, sem chains)
- Excel é suficiente. Grafo adiciona complexidade desnecessária.
- Você precisa de análises longitudinais temporais complexas
- Grafos temporais existem, mas bancos time-series (InfluxDB, TimescaleDB) são mais eficientes.
- Você não tem conhecimento prévio de Cypher
- Curva de aprendizado existe. Se é apenas para “ver bonitinho”, use visualizadores de CSV (RAWGraphs, Flourish).
Use Neo4j quando:
- Você tem muitas chains (>20% das anotações têm chains)
- Você quer calcular métricas de rede (centralidade, comunidades)
- Você vai integrar com sistemas de IA (GraphRAG, MCP)
- Você quer publicar visualizações interativas navegáveis
1.6 Graph Data Science (GDS): Além das Queries
Neo4j Graph Data Science é uma biblioteca de algoritmos de grafo otimizados. Alguns exemplos:
1.6.1 PathFinding (Encontrar Caminhos)
// Qual é o caminho mais curto entre "Custo" e "Satisfação"?
MATCH path = shortestPath((a:Code {name:"Custo"})-[*]-(b:Code {name:"Satisfação"}))
RETURN pathInsight: Se há caminho direto ou indireto, você pode rastreá-lo conceitualmente.
1.6.2 Node Similarity (Similaridade)
// Quais códigos são estruturalmente similares a "Confiança"?
CALL gds.nodeSimilarity.stream('myGraph')
YIELD node1, node2, similarity
WHERE gds.util.asNode(node1).name = "Confiança"
RETURN gds.util.asNode(node2).name AS codigo_similar, similarity
ORDER BY similarity DESC
LIMIT 10Insight: Códigos com padrões de conexão similares podem ser candidatos para fusão ou categorias relacionadas.
1.6.3 Link Prediction
// Baseado no grafo atual, quais relações *deveriam* existir mas não foram anotadas?
CALL gds.linkPrediction.predict.stream('myGraph')
YIELD node1, node2, probability
WHERE probability > 0.8
RETURN gds.util.asNode(node1).name AS codigo1,
gds.util.asNode(node2).name AS codigo2,
probabilityUso: Identificar gaps na análise. Se o algoritmo sugere que “Custo” deveria conectar-se a “Exclusão Digital” (mas você não anotou), isso pode indicar padrão implícito nos dados que você ainda não capturou.
1.7 O Futuro: Grafos Multimodais
Synesis atualmente trabalha com texto. Mas a arquitetura de grafos permite extensões futuras:
- Imagens: Nós de
Imageconectados aItem(anotações sobre imagens em pesquisa visual) - Áudio: Nós de
AudioSegmentcom timestamps (análise de entrevistas orais) - Vídeo: Nós de
VideoFrame(análise de interações gravadas) - Geo: Propriedades
lat,lonemSourcepara análises espaciais
A estrutura de grafo acomoda naturalmente essas extensões — você adiciona novos tipos de nós, mas as relações permanecem consistentes.
1.8 Aprender Mais
1.8.1 Conceitos de Grafos
- Neo4j Graph Academy — Cursos gratuitos de Cypher
- The Practitioner’s Guide to Graph Data — Livro gratuito
1.8.2 GraphRAG
- Model Context Protocol — Conectar Claude com Neo4j
- Microsoft GraphRAG — Paper original
1.8.3 Como Exportar (Prático)
- Como exportar para Neo4j — Guia hands-on
Reflexão final: Grafos não substituem pensamento analítico — eles amplificam padrões que já existem implicitamente nos seus dados. Assim como o Synesis não substitui interpretação (ele a torna rastreável), Neo4j não substitui análise (ele a torna navegável).