Dicas de visualização

Dica 1: Ordene as categorias

Compare como você consegue perceber diferenças nas médias nessa visualização

respostas %>%
    filter(categoria == "Infraestrutura") %>%
    ggplot(aes(x = UF, y = media)) +
    geom_jitter(width = .1, alpha = .2) +
    geom_point(
        data = filter(medias, categoria == "Infraestrutura"),
        color = "orange",
        shape = 15,
        size = 3
    ) +
    labs(
        x = "UF do curso",
        y = "Avaliação numa escala de 1 a 6",
        title = "Notas nas respostas de Infraestrutura",
        subtitle = "Quadrados são a média da UF.",
        caption = "Apenas cursos de CC com pelo menos 20 respostas"
    )

E nessa:

respostas %>%
    filter(categoria == "Infraestrutura") %>%
    ggplot(aes(x = reorder(UF, media), y = media)) +
    geom_jitter(width = .1, alpha = .2) +
    geom_point(
        data = filter(medias, categoria == "Infraestrutura"),
        color = "orange",
        shape = 15,
        size = 3
    ) +
    labs(
        x = "UF do curso",
        y = "Avaliação numa escala de 1 a 6",
        title = "Notas nas respostas de Infraestrutura",
        subtitle = "Quadrados são a média da UF.",
        caption = "Apenas cursos de CC com pelo menos 20 respostas"
    )

A ordenação deve ser pelo critério cuja comparação você quer facilitar.

respostas %>%
    filter(categoria == "Infraestrutura") %>%
    ggplot(aes(x = reorder(UF, media, sd), y = media)) +
    geom_jitter(width = .1, alpha = .2) +
    labs(
        x = "UF do curso",
        y = "Avaliação numa escala de 1 a 6",
        title = "Notas nas respostas de Infraestrutura",
        subtitle = "Ordenação pela dispersão",
        caption = "Apenas cursos de CC com pelo menos 20 respostas"
    )

respostas %>%
    filter(categoria == "Infraestrutura") %>%
    ggplot(aes(x = reorder(UF, media, max), y = media)) +
    geom_jitter(width = .1, alpha = .2) +
    labs(
        x = "UF do curso",
        y = "Avaliação numa escala de 1 a 6",
        title = "Notas nas respostas de Infraestrutura",
        subtitle = "Ordenação pelo máximo",
        caption = "Apenas cursos de CC com pelo menos 20 respostas"
    )

Dica 2: Mostre o contexto

Veja como perdemos informação sobre CE, PE, PI e GO se mostramos apenas a média. Informação de quantidade de casos, informação de pontos extremos e informação sobre dispersão e localização de grupos de pontos.

respostas %>%
    filter(categoria == "Infraestrutura") %>%
    ggplot(aes(x = reorder(UF, media), y = media)) +
    geom_point(
        data = filter(medias, categoria == "Infraestrutura"),
        color = "orange",
        shape = 15,
        size = 3
    ) +
    ylim(2, 6) + 
    labs(
        x = "UF do curso",
        y = "Avaliação numa escala de 1 a 6",
        title = "Notas nas respostas de Infraestrutura",
        subtitle = "Quadrados são a média da UF.",
        caption = "Apenas cursos de CC com pelo menos 20 respostas"
    )

Dica 3: Se há muitas categorias, use cor para destacar

Nós não conseguimos distinguir mais que 6-9 cores. E mesmo assim é lento. Veja só:

respostas %>%
    filter(categoria != "Outros") %>%
    ggplot(aes(x = reorder(tema, media), y = media, color = IES)) +
    geom_jitter(width = .1, alpha = .75) + 
    labs(
        x = "",
        y = "Avaliação numa escala de 1 a 6",
        title = "Todas as respostas",
        subtitle = "Cada IES com uma cor"
    ) + 
    facet_grid(reorder(categoria, media) ~ ., scales = "free_y") + 
    theme(legend.position = "bottom") + 
    coord_flip()

Se o que queremos é entender uma instituição específica:

dados_pro_plot = respostas %>%
    filter(categoria != "Outros") %>% 
    mutate(is_ufcg = IES == "UFCG") 
dados_pro_plot %>% 
    filter(!is_ufcg) %>% 
    ggplot(aes(x = reorder(tema, media), y = media)) +
    geom_jitter(width = .1, color = "grey", alpha = .5) + 
    geom_point(data = dados_pro_plot %>% filter(is_ufcg), 
               color = "red", 
               size = 2) + 
    labs(
        x = "",
        y = "Avaliação numa escala de 1 a 6",
        title = "Avaliação dos formandos em todas as perguntas",
        subtitle = "Destaque para a UFCG"
    ) + 
    facet_grid(reorder(categoria, media) ~ ., scales = "free_y") + 
    coord_flip()

O que interessa é o valor ou a diferença?

medias = respostas %>%
    filter(categoria != "Outros") %>%
    group_by(categoria, tema) %>% 
    summarise(media_geral = mean(media), 
              maior = max(media), 
              menor = min(media))
ufcg = respostas %>%
    filter(categoria != "Outros", IES == "UFCG") %>%
    group_by(tema) %>% 
    summarise(ufcg = mean(media))

comparacao = medias %>% 
    left_join(ufcg, by = "tema") %>% 
    mutate(diferenca = ufcg - media_geral, 
           maior_dif = maior - media_geral, 
           menor_dif = menor - media_geral)

comparacao %>%
    filter(!is.na(ufcg)) %>% 
    ggplot(aes(x = reorder(tema, diferenca))) +
    geom_col(aes(y = diferenca,
                 fill = diferenca > 0)) +
    labs(
        x = "",
        y = "UFCG - média",
        title = "Notas nas respostas de Infraestrutura",
        subtitle = "Quadrados são a média da UF.",
        caption = "Apenas cursos de CC com pelo menos 20 respostas"
    ) +
    facet_grid(reorder(categoria, -diferenca) ~ ., scales = "free_y") +
    coord_flip() + 
    theme(legend.position = "None")

comparacao %>%
    filter(!is.na(ufcg)) %>% 
    ggplot(aes(x = reorder(tema, diferenca))) +
    geom_crossbar(aes(ymin = menor_dif,
                      y = 0,
                      ymax = maior_dif), 
                  color = "grey") + 
    geom_col(aes(y = diferenca,
                 fill = diferenca > 0)) +
    
    labs(
        x = "",
        y = "UFCG - média",
        title = "Comparação com a média nacional",
        subtitle = "O retângulo cinza mostra o curso melhor/pior avaliado"
    ) +
    facet_grid(reorder(categoria, -diferenca) ~ ., scales = "free_y") +
    coord_flip() + 
    theme(legend.position = "None")