Abstract(resumo):

Objetivou-se identificar o perfil das condições de estudo remoto emergencial (ERE), de (in)segurança alimentar e, as associações existentes, em uma população de 2.361 estudantes de instituições de ensino superior (IES) brasileiras, na primeira onda da COVID-19. Baseado em Mercuri (1992), utilizou-se fatores materiais (tecnológicos, conectividade, mobiliário), temporais (período do curso), espaciais (domicílio) e pessoais (horas de sono) para identificar o construto condições de estudo remoto (ER) utilizando a análise de classes latentes. Qui-quadrado de Pearson e regressão multinomial testaram as associações. Verificou-se população em sua maioria feminina, não casada, renda < R$3.000,00. A condição de insegurança alimentar (IA) foi identificada em 44,4% dos domicílios. O modelo com 4 classes caracterizou as condições de estudo em Vulnerável (CL1), Adequada (CL2), de Risco (CL3) e em Desequilíbrio (CL4), com maior proporção na CL1 (32,2%). A IA moderada/grave se associou com a CL1 e CL3, demonstrando que estudantes conviveram simultaneamente com a fome e condições inadequadas para estudar, durante a pandemia. Mitigar efeitos da COVID-19, principalmente entre os grupos mais afetados, é papel das políticas públicas, dentro e fora das IES.

Keywords(palavra-chave):

Estudantes, Instituições de ensino superior, Análise de classes latentes, Insegurança alimentar, Estudo remoto.

Content(conteúdo):

INTRODUÇÃO
Diante da pandemia de COVID-19 medidas precisaram ser adotadas para evitar a propagação do SARS-COV-2, entre as quais o distanciamento social ocasionou a suspensão das atividades presenciais classificadas como não essenciais. Essa medida, embora necessária, provocou impactos diretos no emprego e consequentemente na renda familiar, comprometendo a aquisição de alimentos podendo desencadear a condição de insegurança alimentar1.
A insegurança alimentar (IA) ocorre quando uma pessoa (ou família) não possui acesso a alimentos saudáveis e suficientes para satisfazer suas necessidades2. Destaca-se que a IA já vinha aumentando no Brasil desde 20143, alcançou sua maior prevalência, desde então, no ano de 2022, denunciando que 33,1 milhões de brasileiros não tinham o que comer4. Estudo com universitários brasileiros5 demonstrou que cerca de 38,6% conviviam com algum grau de IA, consequência, dentre outros aspectos, do aumento do desemprego e redução da renda, agravada pelo desmonte de políticas públicas voltadas à garantia da segurança alimentar e nutricional4.
Na ocorrência de renda familiar insuficiente para manutenção da alimentação adequada, direito básico do ser humano, há comprometimento também de outras necessidades, entre as quais aquelas relacionadas ao processo de ensino-aprendizagem. No Brasil, existem famílias com as mais diversas situações socioeconômicas que induzem à violação dos direitos básicos sociais de seus membros e têm o potencial de se agravar justamente na parcela da população onde há maiores índices de desemprego e de baixa renda6. Como reflexo dessa desigualdade, no período da pandemia, diante da necessidade da adoção do ensino remoto emergencial (ERE) para possibilitar a continuidade do ensino universitário7, essa população vulnerabilizada foi mais impactada por, na maioria das vezes, não disponibilizar de recursos tecnológicos e ambiente de estudo adequado.
Estudos indicam que, para favorecer o processo de ensino aprendizagem, há necessidade de dispositivos adequados, boa conexão de internet, espaços privados e exclusivos no domicílio para o ensino8,9,10, e ambiente com condições adequadas de iluminação, eletricidade, ruído, temperatura e umidade11. Outrossim, o enfrentamento dos problemas relacionados a baixa conectividade com a internet, ausência de um ambiente favorável para estudar em casa e más condições econômicas, podem aumentar o estresse acadêmico12,13. Somado a isso, tem-se a IA, que também está associada negativamente com o desempenho acadêmico14.
Nesse contexto, durante a pandemia muitos estudantes estavam expostos a dois importantes condicionantes, que têm relação direta com o processo de aprendizagem, a IA e más condições de estudo remoto (ER). Evidencia-se, assim, a importância de se conhecer elementos do ambiente físico e social do local que substituiu o espaço físico da sala de aula nas Instituições de Ensino Superior (IES), além de elementos relacionados à aquisição e ou disponibilidade dos recursos utilizados/necessários, ao tempo reservado para o estudo e aqueles relacionados ao desempenho do estudante, bem como à sua condição de acesso à alimentação. Tais questões nortearam este estudo, que objetivou identificar o perfil das condições de estudo remoto emergencial bem como conhecer a situação de (in)segurança alimentar e ainda, investigar as associações entre a (in)segurança alimentar e condições de estudo remoto de universitários brasileiros durante a primeira onda da pandemia de COVID-19.
MÉTODOS
Trata-se de um estudo transversal aninhado à coorte “Influência da pandemia da COVID-19 sobre a saúde mental e comportamento alimentar de discentes e docentes de instituições de ensino superior públicas e privadas: um estudo de coorte” nominada CoCASa, que incluiu docentes e discentes de graduação de IES públicas e particulares dos 26 estados brasileiros e do Distrito Federal.
A amostra foi calculada utilizando-se o software Stata for Macbook, versão 16.0, considerando a população universitária no Brasil em 2020 (N=7.896.845)15, medidas dos desfechos ao longo do tempo, poder de 80%, alfa de 5%, testes bicaudais, 30% de perda de seguimento e as prevalências de sintomas de ansiedade e depressão nessa população de, respectivamente, 36,1% e 28,6% antes da pandemia16 e de 42,5% e 74,3% durante a pandemia17, obtendo-se o tamanho amostral de 2996 universitários. Adotou-se a amostragem estratificada proporcional, devido à ausência de homogeneidade na distribuição de IES no país, e calculado o número de participantes por região, entretanto, a amostra não foi alcançada para as regiões Norte e Sudeste. Todavia, o tamanho amostral total foi superado tendo assim poder para identificar as associações de interesse, com 3178 participantes que responderam toda a pesquisa. Não foram incluídos discentes que estivessem estudando ou trabalhando presencialmente, menores de 18 anos, do ensino fundamental, médio ou de pós-graduação e de curso de graduação na modalidade Ensino a Distância.
A amostra deste estudo ficou composta por 2361 universitários, com 18 anos ou mais, de ambos os sexos, que responderam a todos os blocos da pesquisa, estavam seguindo as medidas de isolamento quando do baseline (julho-agosto/2020), com suspensão de atividades acadêmicas presenciais. Adotou-se como critério de não inclusão os que responderam “não realizei atividades acadêmicas de forma remota” à questão: “nos últimos quatro meses, você estudou remotamente devido às medidas de isolamento social?” (n=755), gestantes/lactantes (n=57), estudantes acima de 80 anos (n=2) e de pós-graduação identificados pelo nome do curso (n=3).
Coleta e processamento dos dados
Os dados foram obtidos por meio de questionário on-line autoaplicável. A crítica dos questionários foi realizada pela equipe de pesquisa para assegurar a qualidade das informações. O recrutamento foi realizado por meio do envio de e-mail para as IES solicitando envio aos discentes e, divulgação através das redes sociais do CoCASa, dos pesquisadores e das instituições que aceitaram divulgar.
Os estudantes receberam carta convite e o link de acesso ao Termo de Consentimento Livre e Esclarecido e ao questionário da pesquisa desenvolvido na plataforma SurveyMonkey®, contendo informações sobre aspectos demográficos, socioeconômicos, condições de estudo, saúde geral e mental, estilo de vida, comportamento alimentar, imagem e estigma corporal e, segurança alimentar, para a obtenção de dados referentes aos últimos quatro meses antecedentes à pesquisa e ao momento atual, no ato do preenchimento do questionário. Adotou-se então, a amostragem por conveniência, uma vez que todos os discentes de cada instituição foram convidados a participar e, aqueles que responderam ao questionário foram incluídos na amostra.
O desfecho “Condições de estudo remoto” ficou constituído por características que formam a estrutura subjacente de interesse, baseado em quatro fatores (espaciais, materiais, temporais e pessoais) inspirados em Mercuri (1992)18. Em condições espaciais são investigados elementos do ambiente físico e social do local de estudo. Em condições materiais as variáveis ligadas à aquisição e disponibilidade dos recursos utilizados/necessários. Condições temporais englobam os aspectos relacionados à quando e a quanto tempo é reservado ao estudo. E condições pessoais abrangem tanto os aspectos ligados ao repertório de comportamento considerados necessários ao desempenho do estudante como os elementos de sua condição física associados ao desempenho.
Para isso, questionou-se quais recursos o estudante possuía para desenvolver as atividades de estudo remoto durante a pandemia. Foram utilizados sete indicadores dos fatores materiais para compor o construto subjacente, dicotomizados em possuía (0) e não possuía (1), representados por recursos tecnológicos (laptop/desktop pessoal, smartphone/tablet), de mobiliário e espaço (mesa ou cadeira de escritórios ou alternativas adequadas, espaço apropriado para o ER), de conectividade (serviço de webconferência e de armazenamento em nuvem) e a qualidade do acesso à internet no domicílio (que apresentava quatro assertivas e foi dicotomizada em: boa (0) conexão ou com interrupções/acesso pelo celular/sem acesso (1)).
Já para os fatores temporais e pessoais foi utilizado um indicador para cada. A informação sobre o período do curso foi dicotomizada em < metade do curso/calouro (0) e > metade do curso/concluinte (1). A informação sobre o sono foi obtida a partir da diferença entre o horário referido ao deitar-se, o tempo para pegar no sono e a hora habitual para acordar, e categorizada em acima/igual (0) ou abaixo (1) de 7,6 horas de sono, com base na média da população. Entre os fatores espaciais, utilizou-se número de cômodos por domicílio, dicotomizada considerando a média da população e estudo com adultos em > 7 (0) ou < 7 (1) cômodos e a questão sobre possuir (o) ou não (1) espaço apropriado para o estudo remoto no domicílio. Avaliou-se o tipo de IES, privada (0) ou pública (1) e, horas de estudo/dia, dicotomizada considerando a mediana da população em > 4 (0), < 4 horas (1).
A Escala Brasileira de Segurança Alimentar (EBIA) reduzida, validada por Interlenghi et al.19, foi utilizada para avaliar a disponibilidade e acesso a alimentos. A pontuação foi baseada no somatório das respostas afirmativas, utilizando o ponto de corte 0: segurança alimentar, 1-3: IA leve, 4-5: IA moderada e 6-8: IA grave e, em seguida, foram constituídas três categorias20: segurança alimentar (0), IA leve e IA moderada/grave (1) (exposição principal).
As informações sociodemográficas foram obtidas por meio de autodeclaração do sexo biológico, idade em anos, raça/cor da pele dicotomizada em amarelos/brancos/não respondeu (0) e pretos/pardos/indígenas (1) e estado civil (casado: sim [0], não [1]). A condição econômica foi mensurada pela renda familiar obtida por meio de quatro faixas, dicotomizada em >R$3.000,00 (0) e < R$3.000,00 (1). O número de moradores por domicílio foi dicotomizado considerando a média da população em <3 (0), >3 (1) moradores. Também se investigou a mudança na renda familiar durante a pandemia (aumento/manutenção [0]; redução [1]), presença de atividade remunerada (trabalho [0] ou não, apenas estudo [1]) e instrução do chefe da família (ensino médio completo/pós-graduado [0], analfabeto a ensino médio incompleto [1]).
Quanto às condições de saúde informaram sobre ter (1) ou não (0) diagnóstico médico de sobrepeso/obesidade e/ou ansiedade. Estilo de vida foi aferido por meio de questões sobre a prática de atividade física (0) ou não (1) durante os primeiros meses da pandemia e, consumo de bebida alcoólica foi dicotomizada em não consome (0) ou consome (1) em qualquer frequência.
Análises estatísticas
As análises foram conduzidas no Stata versão 15.0 (Stata Inc, College Station, TX, USA) e considerou-se diferenças estatisticamente significantes ao nível de 5%. Análises descritivas utilizaram médias e desvio-padrão para as variáveis contínuas e frequência simples para as categóricas. O teste Qui-quadrado de Pearson (X2) foi utilizado para estimar as associações entre o desfecho e as características sociodemográficas, econômicas, de saúde e segurança alimentar, de estilo de vida e relacionadas às IES.
Por se tratar de um construto subjacente, utilizou-se a análise de classes latentes (LCA - latent class analysis) para identificar as condições de ER dos estudantes, com o auxílio do Mplus, versão 5.021. Na LCA dois parâmetros são estimados: a) probabilidades de resposta ao item (?), (neste estudo, onze indicadores relacionados aos quatro fatores explicativos das condições de ER); b) prevalência das classes (?), ou seja, a probabilidade de pertencimento a uma classe. O conjunto de ? expressa a relação entre cada indicador observado e a classe latente, e fornece informações sobre a probabilidade de um indivíduo nessa classe endossar o item. As probabilidades não condicionais especificam a prevalência relativa (tamanho) de cada classe, representando a probabilidade de pertencer a c-ésima classe latente, ou seja, cada universitário pertence a somente uma classe latente22,23,24. Esses parâmetros expressam quão bem os indivíduos podem ser classificados nas classes latentes dado um conjunto de indicadores24 e permitem distinguir o comportamento dos indivíduos com base em um construto subjacente.
Para selecionar o número de classes foram avaliados os critérios de informação de Akaike (AIC)25, Bayesiano (BIC)26, BIC ajustado27 e entropia28. Os testes da razão de verossimilhanças de Lo-Mendell-Rubin (Lo-Mendell-Rubin Likelihood Ratio test - LMR-LRT)29 e o de razão de verossimilhanças bootstrap paramétrico (Bootstrap Likelihood ratio test - BS-LRT)30 também foram utilizados e para ambos, a hipótese nula refere-se ao melhor ajuste para um modelo com k-1 classes, onde k é o número de classes latentes31. E por fim, considera-se a interpretabilidade do construto que emerge de cada conjunto de classes. O pressuposto da independência local foi avaliado através dos resíduos bivariados padronizados z-escore não significantes24,32.
Regressão logística multinomial, aplicada a desfechos com 3 ou mais níveis33, e intervalo de confiança a 95% (95%IC) avaliaram a associação entre as categorias de (in)segurança alimentar (exposição) com as condições de estudo remoto (desfecho), ajustada por covariáveis que se associaram na análise bivariada (p<0,05) e com base na literatura, utilizando a seleção stepwise backward. O teste da razão da verossimilhança testou a bondade de ajuste do modelo completo e reduzido, sendo mantidos no modelo final as covariáveis com evidência de associação com a variável dependente.
O estudo CoCASa foi aprovado pelo Comitê de Ética e Pesquisa, parecer nº 4.125.928 (CCAE:33931520.8.0000.5023). Respeitou-se as orientações emitidas pela Comissão Nacional de Ética em Pesquisa, em maio/2020, para realização de pesquisas durante a pandemia.
RESULTADOS
A amostra ficou composta por 2.361 universitários com média etária de 25 anos (DP: 7,5), oriundos de IES públicas (59,1%; n=1.150), do sexo feminino (78,7%; n=1.854) e não casados (82,5%; n=1945). Quanto à raça/cor da pele, 44,0% (n=1.039) se autodeclararam pretos/pardos/indígenas, mais da metade pertencia ao menor estrato de renda (55,5%; n=1.214), sofreu redução na renda familiar devido a pandemia da COVID-19 (53,0%; n=1.252), não exercia atividade remunerada, apenas estudava (62,7%; n=1.271) e oriunda de domicílios em que o chefe da família concluiu o ensino médio ou superior ou pós-graduação (75,4%; n=1.780) (Tabela 1).
Entre os indicadores dos fatores materiais das condições de ER, verificou-se que 58,9% possuíam laptop/desktop pessoal (n=1.390), 73,9% smartphone/tablet (n=1.745), mas somente 39,5% (n=932) e 28,8% (n=679) possuíam, respectivamente, mesa ou cadeira de escritório ou alternativa adequada. Boa conexão com a internet foi referida por 62,9% (n=1.275), enquanto recursos digitais como o compartilhamento de documentos com base na nuvem e serviço de webconferência não eram acessíveis para 62,6% (n=1.478) e 41,4% (n=977), respectivamente. Entre os fatores temporais, verificou-se que 57,0% estavam cursando mais da metade da graduação ou eram concluintes (n=1.156) e 51,6% (n=1.041) estudavam > 4 horas/dia (Tabela 1).
Considerando os fatores espaciais, verificou-se um menor número de moradores por domicílio para 55,4% (n=1.309), 51,3% habitavam casas com sete ou mais cômodos e a maioria da população não dispunha de espaço apropriado para o ER (70,6%, n=1667). Dentre as condições de saúde e segurança alimentar, que caracterizam os fatores pessoais, verificou-se que 25,9% referiram ter diagnóstico médico de sobrepeso/obesidade (n=502), 52% de ansiedade (n=1.025), 42,6% eram etilistas (n=804), 31,3% não praticavam atividade física (n=593), 46,6% com menor quantidade de horas do sono (<7,6 h, n=881) e 44,4% (n=803) se encontravam em IA nos primeiros meses do isolamento social. Destes, 11,9% encontravam-se em IA moderada/grave (n=216) (Tabela 1).
Tabela 1.
Escolha do modelo de classes latentes
Modelos de LCA foram testados com duas a cinco classes subjacentes, inicialmente em modelo com 17 indicadores, e ao final restou um modelo com onze indicadores. Com base nos critérios de informação, parcimônia e interpretabilidade, produziu-se estimativas para os itens de resposta que correspondem ao modelo inspirado em Mercuri (1992)18. Os resultados dos ajustes dos modelos com duas a cinco classes latentes estão apresentados na tabela 2 e não sinalizaram para um único modelo.
Os critérios de informação AIC (27.469.417) e BIC-ajustado (27.622.206) apontaram para o modelo com cinco classes, enquanto o BIC (27.794.717) foi menor para o com quatro classes. A entropia foi maior para o de três classes (0,805). O LMR-LRT foi significante (p<0,05) para todos os modelos testados. Resultado similar para o BS-LRT que encontrou somente resultados significantes, indicando o modelo com cinco classes, por não haver encontrado um modelo melhor.
A análise de parcimônia e interpretabilidade das classes foi decisiva para escolha do modelo que representasse as condições de ER, sendo o modelo com 4 classes o mais parcimonioso, permitindo uma boa discriminação do construto condições de estudo remoto (Gráfico 1).
Tabela 2.
Classes latentes das condições de estudo remoto de universitários
A população do estudo ficou classificada em subgrupos (classes) que correspondem a sua probabilidade a posteriori máxima. As probabilidades posteriores médias para cada classe foram 0,921 para classe 1; 0,908 para a classe 2; 0,881 para a classe 3 e 0,770 para a classe 4, sugerindo baixo erro de classificação.
A maior proporção de universitários (32,2%) estava na primeira classe latente (CL1), que pode ser interpretada como consistindo em indivíduos com as maiores probabilidades de resposta ao item (0,53 a 1,00) que representaram menor acesso aos fatores materiais para o estudo remoto (Gráfico 1). Os valores de ? aos indicadores dos fatores espaciais (0,62 a 0,97) indicaram elevada probabilidade de não ter boas condições no domicílio para a realização do estudo remoto e os indicadores dos fatores temporais e pessoais obtiveram probabilidades médias de resposta a cada item analisado (0,512 e 0,534, respectivamente). Melhores condições de ER requerem acesso a recursos materiais e espaço adequados, ter mais tempo na graduação para recuperar o que foi perdido com a adequação ao ensino remoto emergencial (ERE) além da familiaridade, acesso e treinamento com as diversas estruturas que o envolvem e, ter boas condições pessoais (saúde física e mental), o que não se encontrou nesse grupo, caracterizando-se a CL1 como condições de estudo com deficientes recursos materiais e espaciais e regulares recursos temporais e pessoais sendo nominada como “Condições de Estudo Vulnerável”.
A segunda classe latente (CL2) englobou 26,6% da população, com ? entre 0,027 e 0,223 para os fatores materiais, <0,3 para os fatores espaciais, 0,42 para o fator pessoal e 0,593 para o indicador temporal (maior probabilidade de resposta ao item nesta classe). Ou seja, os membros desse grupo apresentaram melhores condições materiais, espaciais e qualidade do sono, porém com maior probabilidade de ter cursado mais da metade da graduação ou ser concluinte. A CL2 se caracteriza pelas condições de estudo com acesso a recursos materiais, espaciais e pessoais, porém com intermediários recursos temporais sendo nominada de “Condições de Estudo Adequada” (Gráfico 1).
A segunda maior proporção de universitários (28,7%) correspondeu a terceira classe latente (CL3). Nesta se verificou uma maior variação de ? dos fatores materiais (0,053 a 0,989), com menor probabilidade de não ter recursos tecnológicos e digitais (probabilidades <0,5) e maior de não ter mobiliários (> 0,88). A resposta ao fator temporal foi de 0,62 (maior ? entre as quatro classes do modelo), sugerindo se tratar de estudantes que se encontravam há mais tempo na graduação. Entre os fatores espaciais, ? variou de 0,51 a 0,84 indicando inadequada situação de domicílio para o ERE. O fator pessoal obteve ? <0,5. A CL3 se caracterizou por condições de estudo diversificadas para os recursos materiais e pessoais, em percurso acadêmico final, porém espacialmente inadequada sendo classificada como “Condições de Estudo de Risco” (Gráfico 1).
A quarta classe (CL4) compreendeu 12,5% da população. Os membros da CL4 apresentaram maior probabilidade de não ter acesso aos recursos digitais como compartilhamento de documentos com base na nuvem (0,88) e espaço adequado para o estudo remoto (0,71). Os indicadores dos fatores temporais e pessoais obtiveram ? em torno de 0,5. A população da CL4 apresentou condições de estudo regulares para a maioria dos fatores materiais, porém maior probabilidade de não ter espaço adequado para o ERE, ainda que os indicadores relacionados à ausência de mobiliários tenham obtido ?<0,5. Com base nos resultados, os membros da CL4 apresentaram condições de estudo marginais sendo chamada de “Condições de Estudo em Desequilíbrio”.
Gráfico 1.
A distribuição do perfil sociodemográfico, econômico, de saúde e da condição de IA em cada classe latente estimada do construto “Condições de estudo remoto” está apresentada na tabela 3. Verificou-se prevalência do sexo feminino, do estado civil (não casado), não diagnóstico de sobrepeso/obesidade, ausência de prática de atividade física, chefe da família com boa escolaridade, em todas as classes.
A população da CL1 se caracterizou (>60%) com menor renda familiar, sem atividade remunerada e em insegurança alimentar (leve e moderada/grave) no domicílio (59,3%). Um pouco acima de 50% da população eram pretos/pardos/indígenas, teve redução da renda familiar, oriunda de IES privada, não sofriam de ansiedade e para 33,5%, o chefe da família tinha menor escolaridade. Conjunto de características que configuram a vulnerabilidade desse grupo.
A CL2 evidenciou uma população (>60%) de outras raças, renda no maior estrato, sem atividade remunerada, oriundo de IES pública, em segurança alimentar. Manutenção/aumento de renda e não diagnóstico de ansiedade foi percebido nessa população. Características que denotam melhores condições socioeconômicas, de segurança alimentar e de saúde. A população da CL3 se caracterizou (<60%) por ser de outras raças, no menor estrato de renda e sofreu com redução desta durante a pandemia, oriundo de IES pública, em segurança alimentar, porém com diagnóstico de ansiedade e sem atividade remunerada, caracterizando uma população em risco para as questões relacionadas à saúde e segurança alimentar.
De forma decrescente (<62%) os membros da CL4 não tinham atividade remunerada, com menor renda familiar, não etilista, oriundo de IES pública, com diagnóstico de ansiedade, porém em segurança alimentar, ainda que aproximadamente 51% tenham sofrido com redução da renda familiar. Tal perfil demonstra uma falta de equilíbrio entre as adequadas condições de vida desse grupo.
Verificou-se diferenças estatisticamente significantes (p<0,05) entre as classes no que se refere ao sexo, raça/cor da pele, renda familiar, mudança de renda, instrução do chefe da família, tipo de IES, atividade física e situação de (in)segurança alimentar. A categoria pretos/pardos e indígenas foi mais frequente na CL1, a maior renda foi encontrada na CL2, bem como o aumento ou manutenção da renda familiar. Três classes (CL2, CL3 e CL4) possuíam mais de 55% dos universitários oriundos de IES públicas. E a IA (leve, moderada/grave) foi mais prevalente entre os membros da CL1.
Tabela 3.
Ao testar a associação entre a exposição e desfecho, notou-se que estudantes expostos à condição de IA tiveram maiores chances de aderir às classes mais desprivilegiadas das condições de ER e estas chances aumentaram conforme a gravidade da IA (Tabela 4). Destaca-se que, no modelo bruto, a vigência da IA leve aumentou em 2,48 (IC95%: 1,85-3,33) vezes a chance de aderir a CL1, caracterizada como Vulnerável e esta chance aumenta para 7,38 vezes (IC95%: 4,64-11,74) quando o estudante experienciou a IA moderada/grave, quando comparados com aqueles que estavam na CL2, considerada “Adequada”.
Após ajuste por sexo, raça/cor da pele, renda, instrução do chefe da família e tipo de IES, a chance de aderir à CL1 diminuiu, mas, permaneceu positiva e significativa em 62% e 183% para as categorias de IA leve (OR: 1,62; IC95%: 1,16-2,29) e moderada (OR: 2,83; IC95%: 1,74-4,94), respectivamente. A chance de aderir à CL3 (de Risco) também diminuiu em relação à OR bruta, mantendo-se, porém, a associação entre os indivíduos com IA moderada/grave quando comparados aos que estavam em segurança alimentar.
Tabela 4.
DISCUSSÃO
O estudo identificou o perfil das condições de estudo remoto e a situação de (in)segurança alimentar, e testou a associação entre IA a nível domiciliar e as condições de ER entre universitários brasileiros na pandemia. Por se tratar de um construto subjetivo, traçou-se o perfil do ER a partir de um modelo de LCA com quatro classes, nominadas como Vulnerável (CL1), Adequada (CL2), de Risco (CL3) e em Desequilíbrio (CL4). A caracterização das classes considerou o comportamento de cada grupo quanto aos fatores materiais, temporais, espaciais e pessoais relacionados às condições de ER, e se mostrou desafiadora visto que diferentes estudos13,8 sobre aspectos relacionados às condições de estudo de universitários, durante a COVID-19, não utilizaram análises como a LCA, nem caracterizaram o construto subjacente, sendo essa uma das inovações do estudo.
A probabilidade de pertencimento dos membros à CL1 - Vulnerável (0,92) demonstra o baixo erro de classificação, sendo evidenciada a falta de acesso a diversos recursos que caracterizam as condições de ER, diferindo da CL2 quanto às condições materiais, espaciais e pessoais. A CL2 foi chamada de “Adequada” por apresentar as melhores condições para o ensino remoto emergencial e com boa classificação, a probabilidade foi de 0,91. Já a CL3 e CL4 apresentaram as menores probabilidades de pertencimento, de 0,88 e 0,77, respectivamente, porém dentro dos limites que permitem uma boa classificação dos indivíduos. A CL3 foi caracterizada “de Risco” por apresentar um grupo com ampla variação entre o acesso ou não aos fatores materiais e espaciais, e por estar há mais tempo na graduação. E a CL4 foi caracterizada “em Desequilíbrio”, em função do menor acesso a recursos digitais e a um espaço adequado, bem como das probabilidades de resposta aos itens em torno de 0,5.
A prevalência da IA (leve e moderada/grave) (44%) acompanhou o preocupante cenário nacional de 2020, onde 55,2% dos domicílios estavam expostos a algum nível de IA4, e de outros estudos com o mesmo público34,14,5. Whatnall, Hutchesson & Patterson (2020), observaram que 53% (n=144) dos estudantes australianos estavam em IA35, já Itani e colaboradores (2022), ao pesquisarem universitários libaneses, em 2021, encontraram prevalência de IA em 39% (n=290) da amostra36. Cabe ressaltar, que em 2017-2018, a IA já estava presente em 36,7% dos domicílios brasileiros37. Observou-se associação entre IA e as condições de ER, ou seja, quanto maior a gravidade de IA, maiores as chances de adesão às classes mais desprivilegiadas das condições de ER.
Evidenciou-se um grupo de indivíduos em condições de vulnerabilidade social, econômica e de saúde (CL1), com elevadas probabilidades de não terem acesso aos requisitos mínimos para um adequado estudo remoto, grupo que também se mostrou mais suscetível à IA, ,
tanto leve quanto moderada/grave, na análise multivariada, e que comportou um terço da população. Situações desfavoráveis para o estudo remoto também foram observadas por outros estudos8,9 e são preocupantes. A pandemia afetou a todos, porém alguns grupos foram mais prejudicados devido a características socioeconômicas e demográficas subjacentes. O impacto dessas condições pode ter resultado, além da vulnerabilidade social propriamente dita, em cenários acadêmicos limitantes à permanência e conclusão da graduação e à busca e acesso a uma pós-graduação bem como à inserção no mundo do trabalho.
As elevadas chances dos indivíduos com IA moderada/grave aderirem à CL1 podem ser imputadas à relação com as IES privadas (51,4%) que demanda recursos financeiros, como custos de mensalidades, moradia e livros38,39. Tais demandas podem levar a orçamentos alimentares mais limitados, principalmente quando a pandemia contribuiu para a redução da renda familiar, como observado entre os membros da CL1, seguido da CL3 e CL4. Para estas duas últimas classes, o perfil das condições de estudo também não se mostrou favorável, porém a associação da IA (moderada/grave) só se manteve com a CL3.
Do que se tem conhecimento, este é o primeiro estudo a utilizar indicadores dos fatores materiais, temporais, espaciais e pessoais de uma população para caracterizar as condições de ER, com enfoque para IA, e nele reside a relevância. A seleção dos indicadores de cada fator pode ter limitado a análise, mas para superar essa dificuldade foram testados indicadores para os quatro fatores e a escolha de seus representantes se deu considerando a colinearidade entre os de mesmo grupo e a capacidade de discriminar o construto subjacente. Ao final, 11 indicadores foram utilizados na LCA e a interpretabilidade foi o fator decisivo para a escolha do modelo de 4 classes, apesar do modelo de 5 classes ter sido indicado por dois dos quatro critérios de informação e pelos testes de razão de verossimilhanças, porém, de difícil interpretabilidade.
O pressuposto da independência local não foi violado, com 1,36% de resíduos bivariados padronizados z-escore significantes (>1,96~2,00) (3/220 resíduos bivariados) sendo o modelo considerado válido.
A compreensão de mecanismos que se agrupam ao redor do conceito das condições de ER dos universitários pode contribuir na elaboração e aplicação de políticas públicas específicas, e com a produção científica sobre o tema, superando assim outras lacunas. Os recursos tecnológicos, de saúde, bem-estar e de alimentação devem atender às necessidades dos estudantes e, por meio das políticas públicas educacionais, incorporar estratégias que permitam a superação das barreiras percebidas à utilização do ensino remoto emergencial.
Limitações
A pesquisa foi executada nos primeiros meses da pandemia, com isso a coleta de dados ocorreu de forma online, o que pode caracterizar uma limitação deste estudo, vez que pode não ter contemplado uma parcela da população sem internet no domicílio, em especial os da zona rural, mesmo tendo sido utilizados mecanismos de comunicação por diversas vias, pela equipe de pesquisa, para aumentar a adesão à pesquisa de forma nacional. O tamanho do questionário e a disposição das variáveis de interesse podem ter influenciado no percentual de desistência dos respondentes.
Outra limitação recai sobre o tipo de estudo, transversal com dados do baseline, que é incapaz de detectar a causalidade dos fatores de risco devido à temporalidade. Entretanto, são úteis para sinalizar relações importantes, permitem obter conclusões confiáveis, robustas, e gerar novas hipóteses40. Além disso, utilizou-se uma análise estatística adequada para identificar um construto pouco estudado e avaliar as associações com o desfecho, caracterizando a relevância do estudo e suas contribuições.
CONSIDERAÇÕES FINAIS
Identificou-se um construto subjacente, pouco estudado, que demonstrou características importantes para o cenário da educação superior, evidenciando elevado grau de vulnerabilidade na população do estudo quanto às suas condições objetivas e subjetivas relacionadas ao estudo remoto emergencial.
A LCA permitiu identificar quatro subgrupos, com distintas características relacionadas aos fatores materiais, temporais, espaciais e pessoais e que compuseram as condições de estudo remoto. A prevalência de IA foi de 44,4% e a associação inicialmente identificada com a condição de (in)segurança alimentar se manteve, mesmo após ajuste do modelo, demonstrado a dupla carga de vulnerabilidade a que parcela dos universitários estavam expostos.
Estudantes que experimentaram as piores condições de estudo remoto, também estavam mais sujeitos ao pior cenário da (in)segurança alimentar, o que demanda ações no âmbito das IES, a fim de mitigar os efeitos da COVID-19 principalmente para os grupos mais afetados, além de contribuir com medidas preventivas junto aos graduandos para que situações emergenciais futuras não comprometam sua saúde, estilo de vida, bem-estar social, e o acesso a uma alimentação adequada.
Declaração de Disponibilidade de Dados
Os dados de pesquisa estão disponíveis mediante solicitação ao autor de correspondência.
REFERÊNCIAS
1. Silva RDCR, Pereira M, Campello T, Aragão E, Guimarães JMDM, Ferreira AJ & Santos SMCD. Implicações da pandemia COVID-19 para a segurança alimentar e nutricional no Brasil.Cien Saude Colet 2020; 25:3421-3430.
2. Brasil. Lei nº 11.346, de 15 de setembro de 2006. Cria o Sistema Nacional de Segurança Alimentar e Nutricional – SISAN com vistas em assegurar o direito humano à alimentação adequada e dá outras providências. Diário Oficial da União 2006.
3. Daufenback V, Coelho DEP, Bógus M. Sistemas Alimentares e violações ao Direito Humano à Alimentação Adequada: reflexões sobre a pandemia de covid-19 no Brasil. Segur Aliment Nutr. 2021;28(0):1-13;e021005.
4. PENSSAN. II VIGISAN Inquérito Nacional sobre Insegurança Alimentar no Contexto da Pandemia da Covid-19 no Brasil. Disponível em: https://olheparaafome.com.br/.
5. Maciel BLL, Lyra CDO, Gomes JRC, Rolim PM, Gorgulho BM, Nogueira PS, Marchioni DM. Food insecurity and associated factors in Brazilian undergraduates during the COVID-19 pandemic. Nutrients 2022; 14(2):358.
6. Brasil. Ministério do Desenvolvimento Social. Política nacional de assistência social. Cortez Editora, 2004.
7. Brasil, Ministério da Educação. Portaria nº 544, de 16 de junho de 2020. Dispõe sobre a substituição das aulas presenciais por aulas em meios digitais, enquanto durar a situação de pandemia do novo coronavírus - Covid-19, e revoga as Portarias MEC nº 343, de 17 de março de 2020, nº 345, de 19 de março de 2020, e nº 473, de 12 de maio de 2020. Diário Oficial da União 2020.
8. Realyvásquez-Vargas A, Maldonado-Macías AA, Arredondo-Soto KC, Baez-Lopez Y, Carrillo-Gutiérrez T, Hernández-Escobedo G. The impact of environmental factors on academic performance of university students taking online classes during the COVID-19 Pandemic in Mexico. Sustainability 2020;12(21):9194.
9. Suliman WA, Abu-Moghli FA, Khalaf I, Zumot AF, Nabolsi M. Experiences of nursing students under the unprecedented abrupt online learning format forced by the national curfew due to COVID-19: A qualitative research study. Nurse Educ Today 2021;100:104829.
10. Passos IDM, Martinez MLL, Andrade SCDS, Pinho ACDS, Martins MDA. Percepção do ensino remoto emergencial por discentes em uma escola de ensino superior de saúde. Rev Bras Educ Med 2023;47:e031.
11. Tleuken A, Turkyilmaz A, Unger K, Tokazhanov G, El-Thalji I, Mostafa MY .., Karaca F. Which qualities should built environment possess to ensure satisfaction of higher-education students with remote education during pandemics?. Build Environ 2022;207:108567.
12. Kapasia N, Paul P, Roy A, Saha J, Zaveri A, Mallick R, … Chouhan P. Impact of lockdown on learning status of undergraduate and postgraduate students during COVID-19 pandemic in West Bengal, India. Child Youth Serv Rev 2020;116:105194.
13. Fialho PMM, Spatafora F, Kühne L, Busse H, Helmer SM, Zeeb H., ... Pischke CR. Perceptions of study conditions and depressive symptoms during the COVID-19 pandemic among university students in Germany: Results of the international COVID-19 student well-being study. Front Public Health 2021;9:674665.
14. Loofbourrow BM, Jones AM, Chodur GM, Martinez SM, Kemp LC, Scherr RE. (2022). Evaluating Knowledge, Attitudes, and Practices Regarding CalFresh Participation in University Students. Nutrients 2022;15(1):192.
15. Brasil, Instituto Nacional de Estudos e Pesquisas Educacionais – Anísio Teixeira. Sinopse Estatística da Educação Superior 2019. Brasília: Inep, 2020.
16. Leão AM. Prevalência e fatores associados à depressão e ansiedade entre estudantes universitários da área da saúde de um grande centro urbano do Nordeste do Brasil. Rev Bras Educ Med 2018;42:55-65.
17. Kaparounaki CK, Patsali ME, Mousa DPV, Papadopoulou EV, Papadopoulou KK & Fountoulakis KN. University students mental health amidst the COVID-19 quarantine in Greece. Psychiatry Res 2020; 290:113111.
18. Mercuri ENG. Condições espaciais, materiais, temporais e pessoais para o estudo, segundo depoimentos de alunos e professores de cursos de graduação da UNICAMP. 1992. Tese de Doutorado. [sn].
19. Interlenghi GS, Reichmenhei ME, Segall-Corrêa A M, Pérez-Escamilla R, Moraes C L & Salles-Costa R. Suitability of the eight-item version of the Brazilian Household Food Insecurity Measurement Scale to identify risk groups: evidence from a nationwide representative sample. Public Health Nutr 2019;22(5):776-84.
20. Brasil. IBGE Instituto Brasileiro de Geografia e Estatística. Pesquisa Nacional por Amostra de Domicílio: Segurança Alimentar. 2013:28-9.
21. Muthén LK, Muthén BO. Mplus. The Comprehensive Modelling Program for Applied Researchers: User's Guide, 2012.
22. Lanza ST, Collins LM, Lemmon DR, Schafer JL. PROC LCA: A SAS procedure for latent class analysis. Struct Equ Modeling 2007;14(4):671-94.
23. Nylund KL, Asparouhov T & Muthén BO. Deciding on the number of classes in latent class analysis and growth mixture modeling: A Monte Carlo simulation study. Struct Equ Modeling 2007; 14(4):535-569.
24. Collins LM, Lanza ST. Latent class and latent transition analysis: With applications in the social, behavioral, and health sciences. John Wiley & Sons. 2009;718.
25. Akaike H. A new look at the statistical model identification. IEEE Trans. Automat. Contr. 1974;19:716–723.
26. Schwarz GL. Estimating the dimension of a model. Ann Stat 1978;6(2):461-464.
27. Sclove SL. Application of model-selection criteria to some problems in multivariate analysis. Psychometrika 1987;52(3):333-43.
28. Ramaswamy V, DeSarbo WS, Reibstein DJ & Robinson WT. An empirical pooling approach for estimating marketing mix elasticities with PIMS data. Marketing science 1993;12(1):103-24.
29. Lo Y, Mendell NR, Rubin DB. Testing the number of components in a normal mixture. Biometrika 2001:767-78.
30. Mclachlan G & Peel D. Finite mixture models. New York: Wiley 2000.
31. Amorim LDAF, Freire M, Tuy P, Leroux , Bahamonde N. Análise de classes latentes: um tutorial usando software estatístico. 2015. Disponível em http://repositorio.ufba.br/ri/handle/ri/18060.
32. Kongsted A, Nielsen AM. Latent Class Analysis in health research. J Physiother 2017;63(1):55-8.
33. Kleinbaum DG & Klein M. Logistic Regression. A Self?Learning Text. Third Edition. Springer New York. 2010. Cap. 12.
34. Entz M, Slater J & Desmarais AA. Student food insecurity at the University of Manitoba. Canadian Food Studies 2017;4(1):139-59.
35. Whatnall MC, Hutchesson MJ & Patterson AJ. Predictors of food insecurity among Australian university students: A cross-sectional study. Int J Environ Res Public Health 2020;17(1):60.
36. Itani R, Mattar L, Kharroubi S, Bosqui T, Diab-El-Harake M & Jomaa L. Food insecurity and mental health of college students in Lebanon: a cross-sectional study. J Nutr Sci 2022;11:e68.
37. Brasil. IBGE. Pesquisa de Orçamentos Familiares 2017–2018: Avaliação Nutricional da Disponibilidade Domiciliar de Alimentos no Brasil; Instituto Brasileiro de Geografia e Estatística: Rio de Janeiro, Brasil, 2020;1-65.
38. Carnevale AP, Smith N, Melton M & Price E. Learning While Earning: The New Normal. Georgetown University Center on Education and the Workforce, 2015.
39. Walizer L. When Financial Aid Falls Short: New Data Reveal Students Face Thousands in Unmet Need. Center for Law and Social Policy Inc.(CLASP), 2018.
40. Zangirolami-Raimundo J, Echeimberg JDO & Leone C. Tópicos de metodologia de pesquisa: Estudos de corte transversal. J Hum Growth Dev 2018;28(3):356-60.
?