Perspectivas sobre o Humanismo Digital
Manifesto de Viena sobre o Humanismo Digital
Parte X Aprendendo com a Crise
[297]Dados, Modelos e Decisões: Como Nós podemos dar forma ao Nosso Mundo não predizendo o Futuro
por Niki Popper
Resumo Modelagem e simulação podem ser usadas para diferentes objetivos e propósitos. A predição é apenas um deles, e, como esse capítulo ressalta, ela poderia não ser o objetivo principal – mesmo se ela esteve sob o holofote durante a crise do COVID-19. A predição do futuro é uma vaidade. Em vez disso, nós temos como objetivo evitar certos eventos no futuro ao descrever cenários, ou, ainda melhor, nós tentamos ativamente dar forma a cenários de acordo com os nossos objetivos sociais, tecnológicos ou econômicos. Dessa forma, os modeladores podem contribuir para o debate e o discurso social; esse é um dos objetivos do humanismo digital.
“Eu não tento descrever o futuro. Eu tento evitá-lo.” Essa citação de Ray Bradbury de 1977 foi citada por Theodore Sturgeon em Emtsev e Parnov (1977, p. viii); “Em uma discussão do livro (de Orwell) 1984, Bradbury indicou que o mundo George Orwell descreveu tem pouco probabilidade de surgir – principalmente porque Orwell o descreveu. ‘A função da ficção científica não é (apenas) predizer o futuro, mas evitá-lo.’ Disse Bradbury.”1
O uso dos modernos métodos de simulação também é frequentemente vítima do equívoco de que a predição (prediction) é o seu objetivo principal. Em minha opinião, não é o nosso propósito predizer o futuro. Em vez disso, nós objetivamos evitar certos eventos no futuro descrevendo cenários ou – ainda melhor – tentar ativamente dar forma ao futuro de acordo com os nossos objetivos sociais, tecnológicos ou econômicos. Através disso, nós podemos contribuir para discussões e discurso social; essa é uma das intenções do humanismo digital. Uma das contribuições científicas mais importantes para alcançar esse objetivo tem sido o desenvolvimento de tipos inumeráveis de modelos que são alimentados com todos os tipos de dados. Essa riqueza complica bastante as coisas…
[298]À primeira vista, as noções de dar forma ao futuro e de impedir eventos indesejados de acontecerem não diferem uma da outra. Ambas giram em torno do fato de que nós usualmente queremos não apenas predizer o futuro, mas efetivamente o mudar (para melhor). Alguns tipos de modelos, como a previsão do tempo (weather forecast), focam-se na predição. Nós principalmente apenas queremos saber quão provável é que nós necessitaremos de um guarda-chuva e não o porquê. Dessa maneira, o design desses tipos de modelos difere muito daqueles que serão descritos neste capítulo, ou seja, aqueles usados pelo meu grupo na crise corrente de COVID-19. Há modelos que podem revelar diferentes resultados possíveis para decisões diferentes e são usados para suportar a discussão da variedade possível de estratégias.
Em janeiro de 2020, meu grupo na TU Wien começou aplicando o nosso modelo da população austríaca, suas interações e conexões para infraestrutura, medidas e políticas para modelar a crise da COVID-19 (Bicher et al. 2021a). Agora nós somos capazes de mapear aspectos diferentes da crise da COVID-19 que interagem uns com outros em nível individual. Esses são, entre outros, aspectos estratégicos como (A) estabelecimento e cancelamento de medidas; (B) estratégias de testes, triagem (screening) e isolamento; (C) vacinação; e (D) o desenvolvimento de novos conceitos terapêuticos. A partir de uma perspectiva sistemática, é possível implementar (E) mudanças nas propriedades virais (tais como mutações), (F) mudanças na população (por exemplo, através de imunização natural ou vacinação) ou (G) mudanças em influências ambientais.
Nós temos contribuído com o nosso trabalho para o governo austríaco desde março de 2020. Inicialmente, esse suporte tomou a forma de predições de curto prazo junto com outros grupos de pesquisa como ação conjunta no Austrian Prognosis Consortium (Bicher et al. 2021b). Subsequentemente, adicionalmente, nós começamos a comunicar as relações entre medidas, dinâmicas, decisões e resultados sociais e epidemiológicas. As abordagens principais têm sido programas de vacinação (Jahn et al. 2021) e estratégias de triagem e como elas dão forma à sociedade para melhor ou pior.
Durante a crise da COVID-19, nós aprendemos que não há soluções tecnológicas sem a integração das necessidades, fraquezas, esperanças e ambições das pessoas. Simulação, modelos e ferramentas de decisão têm de se integrados em processos baseados sobre os fundamentos do humanismo digital. Nós também necessitamos de soluções para lidar com a falta de transparência e dados confiáveis que podem ser usados para os nossos modelos de acordo com a European Data Protection Regulation (GDPR).
A afirmação de Bradbury refere-se ao fato de que a predição pode evitar uma coisa porque ela nos tornou cientes dela e tomamos contramedidas. Isso é algo onde a modelagem pode contribuir. Modelagem e simulação têm mais a ver com esboçar um “resultado,” como a ficção científica faz tão bem. Para sermos capazes de o fazer, nós temos de entender os inter-relacionamentos e descrever a vítimas sem nunca deixar o chão sólido dos dados firmes. Esse é o conceito fundamental de “suporte a decisão” como buscado por políticos, gerentes e outros com os poderes de tomada de decisão.
Nós precisamos de predições precisas para gerarmos suporte confiável à decisão? Não necessariamente. De fato, a predição pode até ser um impedimento no processo de mudança porque ela reforça a impressão de que o futuro já está decidido. Poderia [299]o demônio de Laplace2 (Laplace 1825, p.4) há muito já ter sido refutado? Embora seja necessário pensar e trabalhar em cenários, em seguida, nós também temos de integrar esses pensamentos no processo de mudança. Os modelos apenas podem ser uma peça do quebra-cabeça do “suporte a decisão.” Eles têm de estar integrados no retrato maior, ou seja, outros processos.
Em minha experiência, é inevitável fazer uso de uma variedade de diferentes abordagens metodológicas estabelecidas e, além disso, combinar essas para criar processos feitos sob medida que tornam possível ligar as respectivas vantagens e desvantagens de cada método estabelecendo o fundamento para “decisões melhores.” Eu gosto de pensar nisso como um processo gradual com ciclos de retroalimentação (feedback loops):
Obtenha os seus dados lucidamente. Em seu primeiro passo, os modeladores coletam e analisam dados. Hipóteses são geradas sobre a base dos dados com a ajuda de métodos diferentes, tais como estatística ou inteligência artificial. Essa abordagem torna possível fazer previsões (forescasts). Durante a crise da COVID-19, modelos inciais permitiram-nos fazer afirmações básicas sobre a situação corrente ou comparar desenvolvimentos internacionais. Contudo, esses conceitos nos iludem para acreditar que nós podemos continuar a extrapolar desenvolvimentos. Além disso, nós ainda estamos carecendo de dados válidos e de qualidade assegurada.
Estabeleça correlações e causalidades e descreva relacionamentos. Neste passo, modelos macroscópicos são usados para combinar dados formalizados com hipóteses causais ou relacionais. Exemplos dessa abordagem têm existido por muitas décadas. Trabalhos iniciais vieram de Norbert Wiener (Wiener 1961); Jay W. Forrester foi um pioneiro (Forrester 1973). A dinâmica de sistemas é um representante da ligação entre a representação de modelo através de equações diferenciais e o processo de modelagem com não matemáticos. The Limits to Growth. A Report for the Club of Rome’s Project on the Predicament of Mankind, por Meadows (Meadows et al. 1972), foi um exemplo inicial do impacto que tais abordagens podem ter. Ele possibilitou que nós usássemos dinâmica de sistemas para desenvolver o nosso entendimento de círculos de retroalimentação e sistemas regulados em economia e ecologia. Com abordagens tais como dinâmica de sistema e equações diferenciais, nós podemos descrever relações e explicar, por exemplo, comportamento exponencial e crescimento logístico. Enquanto esses aspectos vieram particularmente à frente na crise da COVID-19, de fato, eles têm nos ajudando a entender melhor os mecanismos de ações em análise de terapia por muitos anos. A análise causal facilitou mais esse entendimento desde 2000 (Pearl 2000) tratando de questões [300]onde a tradicional análise regressiva falha em combinar com confusão variante no tempo (time-varying confounding).3
Descreva o comportamento emergente. Finalmente, modelagem com agentes e redes tornam possível descrever sistemas sociotécnicos dinâmicos, tais como quando intervenções no sistema de saúde são implementados em uma população heterogênea. Os modelos tentam usar hipóteses e dados para representar um dado processo tanto no âmbito individual quanto no âmbito da infraestrutura real. Um exemplo disso é o modelo da COVID-19 desenvolvido pelo nosso grupo (Bicher et al. 2021a). Esses métodos permitem-nos descrever o comportamento emergente assim como frequentemente analisam e pré-estimam comportamento contraintutivo.
Sendo tanto complementares quanto baseados uma nas outras, essas três abordagens para a predição do futuro contribuem para um entendimento avançado do mundo como ele é. Elas têm possibilitado a nós modelarmos, entre outras coisas, suporte a decisão concreta para priorização de vacinação (Jahn et al. 2021), estratégias de triagem, assim como uma avaliação da imunização em andamento e o seu impacto sobre dinâmicas de difusão (Rippinger et al. 2021).
A crítica a todas essas três abordagens é necessária e justificada, mas não pode ser discutida em detalhes aqui. De maneira muito geral, modelos dirigidos por dados facilmente estimulam a esperança por predições. Modelos causais, frequentemente, são criticados pela falta de meios disponíveis de validação. No passado, foi quase impossível ligar esses modelos com dados. A COVID-19 foi uma situação global que revelou possibilidades assim como fraquezas.
No futuro, suporte sensível à decisão por humanos articular-se-á sobre uma combinação de todas essas três abordagens. Essa é uma compreensão-chave. Modelos baseados em agentes são particularmente bem adequados para a integração de novas estruturas de dados em uma base contínua. Durante a crise da COVID-19, isso incluiu dados epidemiológicos, dados de vacinação, dados de mobilidade, informação sobre uso de home office, fechamentos de escola, dados climáticos e muito mais. O esforço que se requer para verificar, validar, calibrar e considerar a reprodutibilidade deles é enorme, mas ele vale a pena. Para realmente alcançarem os resultados desejados, esses modelos baseados em agentes têm de ser combinados com abordagens dirigidas por dados e macroscópicas. Na Áustria, desde cedo, a crise da COVID-19 inspirou a formação de um consórcio, de maneira que todas as abordagens pudessem ser comparadas (Bicher et al. 2021b). Juntos nós cobrimos uma variedade de métodos para ser capazes de responder a diferentes questões de pesquisa.
É claro, uma das tarefas e aspectos da modelagem é a previsão (forecasting). Contudo, os modelos que são bons em previsão são diferentes daqueles que são usados para o desenvolvimento de estratégia. Cada questão necessita de um modelo apropriado e cada modelo necessita das questões corretas. Nós agora formamos um círculo completo: nós podemos produzir os dados correspondentes a partir de modelos baseados em agentes como conjuntos de dados sintéticos (Popper et al. 2021) para examinarmos os mesmos modelos que nós temos usados com métodos estatísticos.
[301]A coleta e o manejo dos dados brutos, incluindo um entendimento verdadeiro dos padrões e relações neles, indubitavelmente, são vitais para estabelecer uma base sólida para modelos. Contudo, quando um modelo tem por objetivo prover suporte à decisão, nós também temos de ser capazes de identificar, representar e reproduzir a dinâmica de um sistema – ou seja, o comportamento da população. Isso é o que torna possível não apenas predizer eventos futuros, mas, efetivamente, entender suas razões subjacentes.
Como outros problemas filosóficos, o demônio de Laplace continuará a ocupar os nossos pensamentos. Nós até poderíamos querer esse demônio particular para agir como nosso parceiro de treino. Nós continuaremos a ponderar a que propósito os modelos podem servir exatamente, e como a estocasticidade age em modelos diferentes e predições “se-então (if-then).” Também, nós poderíamos querer ter um olhar mais próximo daqueles que coletam os dados, descobrindo correlações e descrevendo comportamentos emergentes.
No final, nós temos de estar cientes dos nossos limites e sempre termos em mente com o que a nossa forma de suporte à tomada de decisão pode efetivamente contribuir:
Há uns poucos anos, eu apresentei uma visão anterior do modelo de rede baseado em agentes que atualmente nós estamos usando no contexto da COVID-19 em um encontro principal sobre a questão da estratégia de vacinação contra a gripe (influenza). Um profissional médico abordou-me após a apresentação e perguntou-me triunfantemente: “Agora você consegue me dizer quantos pacientes com a gripe (flu) nós podemos esperar para o próximo anos em 17 de março?”. Minha resposta foi: “Não, eu não posso – aí você me pegou! Mas esse conhecimento seria completamente inútil, de qualquer maneira. Contudo, o que nós podemos fazer com o nosso modelo é dizer a você que estratégia você pode usar para miniminizar o número de pessoas infectadas, ou, de fato, para produzir dano máximo.”
Referências
Bicher M., Rippinger C., Urach C., Brunmeir D., Siebert U., Popper N. (2021a) Evaluation of Contact-Tracing Policies Against the Spread of SARS-CoV-2 in Austria – An Agent-Based Simulation accepted in Medical Decision Making, https://doi.org/10.1101/2020.05.12.20098970
Bicher M., Zuba M., Rainer L., Bachner F., Rippinger C., Ostermann H., Popper N., Thurner N., Klimek P. (2021b) Supporting Austria through the COVID-19 Epidemics with a Forecast-Based Early Warning System, medRxiv 2020.10.18.20214767; https://doi.org/10.1101/2020.10.18.20214767
Emtsev M. e Parnov E. (1977) World Soul, Introdução por Theodore Sturgeon, página viii, traduzido a partir do russo por Antonina W. Bouis, Macmillan Publishing Co., New York, pesquisado em https://quoteinvestigator.com/2010/10/19/prevent-the-future/
Forrester J.W., (1973) World Dynamics. Cambridge, Mass.: Wright-Allen Press.
Jahn B., Sroczynski G., Bicher M., Rippinger C., Mühlberger N., Santamaria J., Urach C., Schomaker M., Stojkov I., Schmid D., Weiss G., Wiedermann U., Redlberger-Fritz M., Druml C., Kretzschmar M., Paulke-Korinek M., Ostermann H., Czasch C., Endel G., Bock W., Popper N. and Siebert U. (2021) “Targeted COVID-19 Vaccination (TAV-COVID) Considering Limited Vaccination Capacities — An Agent-Based Modeling Evaluation,” Vaccines, vol. 9, no. 5, p. 434, Apr. 2021, https://doi.org/10.3390/vaccines9050434
Laplace P.S. (1825) Essai philosophique sur les probabilités, A Philosophical Essay on Probabilities traduzido a partir do francês por Frederick Wilson Truscott e Frederick Lincoln Emory, John [302]Wiley & Son, Chapman & Hall, 1902, https://bayes.wustl.edu/Manual/laplace_A_philosophical_essay_on_probabilities.pdf
Meadows, Donella H; Meadows, Dennis L; Randers, Jørgen; Behrens III, William W (1972) The Limits to Growth; A Report for the Club of Rome ’ s Project on the Predicament of Mankind. New York: Universe Books. ISBN 0876631650. Recuperado em 26 de novembro de 2017.
Pearl J. (2000) Causality. Cambridge university press.
Popper N., Zechmeister M., Brunmeir D., Rippinger C., Weibrecht N., Urach C., Bicher M., Schneckenreither G., Rauber A. (2021) Synthetic Reproduction and Augmentation of COVID-19 Case Reporting Data by Agent-Based Simulation, Data Science Journal 20(1), https://doi.org/10.5334/dsj-2021-016
Rippinger, C., Bicher, M., Urach, C. et al. (2021) Evaluation of undetected cases during the COVID-19 epidemic in Austria. BMC Infect Dis 21, 70, https://doi.org/10.1186/s12879-020-05737-6
Wiener N. (1961) Cybernetics: Or Control and Communication in the Animal and the Machine. Paris, (Hermann & Cie) & Camb. Mass. (MIT Press) ISBN 978-0-262-73009-9; 1948, 2ª edição revisada. 1961.
ORIGINAL:
POPPER, N. Data, Models, and Decisions: How We Can Shape Our World by Not Predicting the Future. In: GHEZZI, C. et al. (eds.). Perspective on Digital Humanism. Springer Cham: 2022. p. 297-302. Disponível em: <https://link.springer.com/book/10.1007/978-3-030-86144-5>
TRADUÇÃO:
EderNB do Blog Mathesis
Licença: CC BY 4.0
1[297]Theodore Sturgeon escreveu isso no prefácio a um livro de ficção científica russa. É claro, alguém pode conceber que a ideia de evitar desastre foi provavelmente mais predominante durante a era da Guerra Fria do que em causar mudança positiva, como comparado com décadas recentes.
2[299]Laplace escreveu: “Portanto, nós deveríamos considerar o estado presente do universo como o efeito do seu estado anterior e como a causa daquele que deve se seguir. Dada, por um instante, uma inteligência que pudesse compreender todas as forças pelas quais a natureza é animada, e a situação respectiva dos seres que a compõem – uma inteligência suficientemente vasta para submeter esses dados á análise –, ela iria englobar nas mesmas fórmulas os movimentos dos maiores corpos do universo e daqueles do átomo mais leve; para ela, nada seria incerto, e o futuro, como o passado, estaria presente aos seus olhos.”
3[300]Isso significa que há variáveis que são simultaneamente passos confusos (counfounders) (causas comuns de tratamento e resultado) e intermediários, ou seja, sobre o tratamento da cadeia causal que leva a um resultado. Em outras palavras: Confusos (counfounders) também são afetados por tratamento. É difícil determinar quando alguém tem identificado cadeias causais “suficientes.”
Nenhum comentário:
Postar um comentário