Emylly Alves
O Brasil é o segundo país no mundo com o maior número de casos de Covid-19, atrás apenas dos Estados Unidos. Nesse cenário, os cálculos e as projeções do número de contaminados e mortos influenciam nas políticas adotadas pelo poder público.
Eduardo Barbosa, coordenador de Data Science no Insper, observa que os modelos e a análise de dados surgem para tentar traçar um cenário para o futuro. Para o especialista, nós temos um descolamento muito grande entre entender o que é um modelo e ao mesmo tempo compreender que não é uma certeza.
“Então, quando um modelo prevê um X número de mortes e contágios, as pessoas tendem a encarar isso como uma verdade absoluta e, por definição, não é exatamente isso que vai acontecer”, afirma.
De acordo com Pedro Burgos, coordenador do Programa Avançado em Comunicação e Jornalismo do Insper, não há como tomar uma boa decisão sobre a implantação do lockdown ou sobre reabertura se não tivermos os dados.
Segundo ele, muitos são os questionamentos sobre os esforços para dimensionar o problema, as medidas de profilaxia, os modelos de previsão (utilizados para a tomada de decisões), o mapeamento da contaminação e as medidas para alcançar a reabertura.
Gabriela Sá Pessoa, repórter do UOL, lembra que a pandemia está chegando tão perto da nossa realidade que é difícil ignorar que as estatísticas não estão corretas. “A realidade vai mostrando que o cenário é terrível mesmo. Para nós jornalistas, o desafio é também colocar a epidemia numa escala humana”.
Eles participaram, nesta quinta-feira (28/5), do webinar promovido pelo JOTA em parceria com o Centro de Gestão e Políticas Públicas do Insper. O tema do debate foi “O que datascience e o jornalismo de dados tem a ensinar na cobertura do novo coronavírus?”.
Barbosa explica que os modelos surgem para responder estas perguntas fundamentais. “Dada a variância das previsões, é fato que a grande maioria estava errada com relação a estimar o número de óbitos pela doença. Algumas previsões que foram usadas para fazer políticas públicas erraram na ordem de grandeza”, argumenta.
Segundo ele, não conhecermos ainda a dinâmica da Covid-19 totalmente, a falta de estimativa para parâmetros de transmissão e letalidade, dados indisponíveis para validar os modelos, sendo o principal a falta de testes em massa (para calibrar estes modelos precisaríamos saber o status da grande maioria da população ao longo do tempo), são os principais problemas para estabelecer um modelo totalmente eficaz.
O coordenador de Data Science no Insper explica que os sistemas são muito dinâmicos e temos menos informação do que gostaríamos. “Eu acredito que deveríamos trabalhar muito mais com cenários do que com previsões à risca”, reconhece.
Por fim, ele entende que agora temos que nos habituar a conviver com incertezas. Dessa forma, poderemos a aprender a tomar decisões e analisar trade-offs. “Temos que tirar o máximo de informação dos dados já disponíveis, se a previsão inicial está deslocada da observada, precisamos calibrar melhor os parâmetros”, conclui.
Burgos defende que é preciso dar para população instrumentos para que possa entender o que os dados representam e conseguir diferenciar informações verdadeiras das falsas. “As pessoas precisam entender como as estatísticas e os dados são construídos para saber questionar e analisar”, finaliza.
