Introdução ao Jornalismo Científico/Metodologia e Filosofia da Ciência/Atividade/Rafaelbragacunha

Nome da atividade

Esta seção apresenta a tarefa principal do Módulo 1 do curso de "Introdução ao Jornalismo Científico". A realização da tarefa é indispensável para o reconhecimento de participação no curso. Seu trabalho estará acessível, publicado no ambiente wiki, e será anexado ao certificado de realização do curso, quando finalizar todas as atividades. Tome cuidado de estar logado na Wikiversidade. Se não estiver logado, não será possível verificar o trabalho.

Descrição da atividade

Atuar no jornalismo científico é às vezes comparado ao de ser um tradutor, no jargão da área da comunicação um 'tradutor intersemiótico', que passa a linguagem de um campo para o de outro campo. Nesta atividade, vamos observar e analisar como isso foi feito em uma das principais publicações acadêmicas brasileiras, a Pesquisa FAPESP.

Você deverá selecionar um artigo na revista Pesquisa FAPESP. Estão acessíveis na página principal da publicação. Escolha um artigo sobre um tema de pesquisa - ou seja, que seja baseado em uma ou mais de uma publicação científica - e leia-o com cuidado. Responda às perguntas que seguem.

As respostas deverão ser publicadas nesta página individual. Apenas altere os campos indicados.

Nome de usuário(a)

Rafaelbragacunha

Link para a matéria selecionada

Nesta seção, você deverá colocar os links da matéria selecionada. Esteja logado.

• Título de matéria: Inteligência artificial aponta áreas mais vulneráveis a deslizamentos de terra
• Autoria de matéria: Giselle Soares
• Link de matéria: https://revistapesquisa.fapesp.br/inteligencia-artificial-aponta-areas-mais-vulneraveis-a-deslizamentos-de-terra/

Resumo da matéria

Para esta etapa, resuma a matéria em até 300 caracteres. Esteja logado.

Estudo da Unesp e Cemaden usa IA para mapear áreas de risco a deslizamentos em São Sebastião, SP, com precisão de 99,6% no modelo Gradient Boosting. Fatores como declividade e umidade do solo foram analisados. A IA pode ajudar na prevenção de desastres em regiões vulneráveis.

Análise da matéria

Para esta etapa, identifique e analise com base na matéria: o objeto e a metodologia (observação, hipótese, experimentação, análise e publicação) da pesquisa. Esteja logado.

Objeto da pesquisa: O objeto do estudo é identificar e mapear áreas vulneráveis a deslizamentos de terra em São Sebastião, SP, utilizando modelos baseados em inteligência artificial (IA), com foco na previsão da suscetibilidade do solo a esse tipo de evento. O objetivo é melhorar a gestão de desastres naturais e prevenir danos em áreas propensas a deslizamentos.

Metodologia:

Observação: A pesquisa observa e analisa dados ambientais, como o grau de inclinação do terreno, umidade do solo, fragmentação do relevo e parâmetros geomorfológicos de São Sebastião. Esses fatores são essenciais para determinar a estabilidade do solo e a vulnerabilidade das áreas a deslizamentos.

Hipótese: A hipótese implícita é que os modelos de aprendizado de máquina, como o Gradient Boosting e o Random Forest, podem identificar com alta precisão as áreas mais suscetíveis a deslizamentos de terra, integrando múltiplas variáveis ambientais.

Experimentação: A experimentação foi realizada por meio da aplicação de cinco modelos baseados em algoritmos de aprendizado de máquina para calcular o risco de deslizamento. Esses modelos foram treinados com dados históricos e atuais sobre as condições ambientais e geográficas da região. O modelo Gradient Boosting foi o mais preciso, com 99,6% de acerto, sendo seguido pelo Random Forest.

Análise: A análise consistiu em comparar os resultados dos modelos de IA com mapas existentes da região sobre áreas propensas a deslizamentos. Foram gerados mapas de suscetibilidade, categorizando as áreas de risco em baixo, moderado, alto e muito alto, com foco na interpretação dos fatores mais impactantes, como a cobertura florestal e o uso do solo.

Publicação: O estudo foi publicado no periódico Natural Hazards Research, em outubro de 2024. A publicação tem o intuito de divulgar os resultados do uso de IA para a mitigação de desastres naturais e serve como base para futuras pesquisas na área de prevenção a deslizamentos em outras regiões.

Análise da pesquisa

Para esta etapa, acesse a(s) pesquisa(s) de origem, de base para o artigo na Pesquisa FAPESP, identifique e analise a seção metodológica. Em especial, explique em que medida o processo de pesquisa foi bem documentado no artigo que você selecionou. Esteja logado.

A seção metodológica do artigo de pesquisa sobre a suscetibilidade a deslizamentos de terra em São Sebastião, publicada na Pesquisa FAPESP, está bem estruturada e detalha com clareza as etapas e os métodos utilizados para a coleta de dados, processamento e análise. A análise se divide em diferentes seções que abordam, de forma sequencial, a área de estudo, a metodologia para mapeamento e previsão de áreas suscetíveis a deslizamentos, e a coleta e tratamento de dados.

A descrição geográfica de São Sebastião, incluindo sua localização, características topográficas e climáticas, é bem detalhada. A região é apresentada como um município costeiro com terrenos íngremes e alta pluviosidade, fatores cruciais para a ocorrência de deslizamentos. A metodologia para mapeamento de suscetibilidade a deslizamentos é apresentada de forma clara através de um fluxograma (Fig. 2), que descreve as etapas sequenciais do processo. A coleta de dados foi feita por meio de diversas camadas raster, incluindo Índice de Umidade do Solo (SMI), Declividade (grau), Saturação, Dissecção do Relevo, Geomorfologia, Geologia, Índice de Posição Topográfica (TPI) e Cicatrizes de Deslizamento. O artigo também fornece acesso ao código utilizado na pesquisa (disponível no GitHub), o que é uma excelente prática científica.

Metáfora científica

Para esta etapa, reveja o conteúdo da aula sobre "A metáfora científica". No artigo da Pesquisa FAPESP selecionado, identifique quais foram as metáforas científicas ou cientificamente inspiradas utilizadas e justifique esse uso a partir das indicações da aula. Analise em que medida contribuem ou dificultam o entendimento da ciência. Esteja logado.

• "Mapas de suscetibilidade a deslizamentos":
  • Metáfora Científica: O uso da palavra "mapa" é uma metáfora comum em ciências geográficas e ambientais. Embora um mapa seja, de fato, uma representação visual, ele é uma simplificação e uma abstração dos dados complexos da realidade, e o "mapa de suscetibilidade" é uma representação dos riscos em uma área.
  • Justificativa: O uso de "mapa" permite que os pesquisadores visualizem dados espaciais complexos de uma forma mais acessível e compreensível. Essa metáfora ajuda na compreensão do processo de mapeamento, que é mais fácil de entender como uma representação gráfica do risco em vez de uma abstração matemática ou estatística.
  • Contribuição ou Dificuldade: A metáfora ajuda na compreensão ao tornar os conceitos mais tangíveis para o público, principalmente aqueles que não estão familiarizados com análises de dados complexos. No entanto, pode haver uma simplificação excessiva da realidade, levando a uma possível subestimação da complexidade das variáveis envolvidas.
• "Fases do fluxo de trabalho" (no fluxograma apresentado):
  • Metáfora Científica: A metáfora do "fluxo de trabalho" remete a um processo contínuo e sequencial, como o movimento de um fluido. Isso sugere que o processo de modelagem e análise é um processo linear e fluido, com etapas que se sucedem de maneira ordenada.
  • Justificativa: Essa metáfora facilita a compreensão das etapas do estudo e como elas se conectam. O fluxo de trabalho é uma metáfora amplamente utilizada em contextos científicos, principalmente em metodologias de modelagem e análise de dados, para ilustrar a progressão lógica de um estudo.
  • Contribuição ou Dificuldade: A metáfora do fluxo de trabalho é útil e contribui para o entendimento do processo, pois permite uma visualização clara e simples das etapas de análise. No entanto, essa metáfora pode sugerir que o processo é linear, enquanto na realidade, muitas vezes, a análise científica envolve iterações e ajustes que não são totalmente capturados pela metáfora do "fluxo".
• "Classificação das áreas em quatro categorias de risco: baixo, moderado, alto e muito alto":
  • Metáfora Científica: A categorização de risco, ao atribuir "rótulos" ou "categorias" a diferentes áreas, é uma metáfora simplificadora, pois há uma continuidade de risco, mas a categorização divide essa continuidade em "caixas" discretas.
  • Justificativa: A utilização dessa metáfora ajuda a comunicar de maneira mais simples e acessível os resultados complexos dos modelos. As categorias fazem com que os dados se tornem mais compreensíveis e mais fáceis de interpretar para o público em geral, especialmente no contexto de políticas públicas e planejamento urbano.
  • Contribuição ou Dificuldade: Embora essa metáfora seja útil na apresentação dos resultados, ela pode levar a uma simplificação excessiva do risco. A categorização pode obscurecer as nuances do risco real, como variações dentro de uma mesma categoria ou a incerteza associada aos modelos.
• "A maior cobertura florestal foi associada a níveis menores de risco":
  • Metáfora Cientificamente Inspirada: A "cobertura florestal" como uma metáfora para "proteção" é uma representação do conceito de estabilidade ambiental e segurança geotécnica. A floresta é vista como um "escudo" natural contra deslizamentos.
  • Justificativa: O uso de "escudo" é uma metáfora intuitiva que conecta a vegetação a uma função protetora, tornando o conceito acessível e fácil de entender. A ideia de que a vegetação ajuda a "segurar" o solo é uma forma de traduzir um fenômeno natural complexo de maneira simples e compreensível.
  • Contribuição ou Dificuldade: Esta metáfora contribui para a compreensão, pois torna o conceito mais acessível ao público. No entanto, ela pode não capturar toda a complexidade da dinâmica ecológica e geotécnica que contribui para a estabilidade do solo. Pode, portanto, levar a uma interpretação excessivamente simplificada.

Filosofia da ciência

Para esta etapa, reveja o conteúdo da aula sobre "Ciência e Filosofia". Discorra sobre em que medida o artigo da Pesquisa FAPESP que você selecionou coloca questões filosóficas e apresente exemplos extraídos do texto. Esteja logado.

Uma das questões filosóficas centrais no artigo é como o conhecimento é gerado através do uso de modelos de aprendizado de máquina, especialmente na previsão de deslizamentos de terra. O uso de algoritmos para prever riscos ambientais implica a construção de um modelo de realidade a partir de dados complexos. A questão aqui é: como sabemos que o modelo é "verdadeiro"? Quais são as limitações do conhecimento gerado por essas ferramentas?

Exemplo do artigo:

"Os algoritmos calculam o risco de ocorrer deslizamento em um lugar a partir da análise de dados referentes a fatores ambientais associados a processos que influenciam a estabilidade do solo."

Esse trecho coloca em questão a natureza do conhecimento gerado pelos modelos. Eles são baseados em dados empíricos, mas são apenas uma representação de uma realidade muito mais complexa e dinâmica. O uso de múltiplas variáveis, como a umidade do solo, a inclinação do terreno, entre outras, evidencia que a "realidade" mapeada por esses modelos é uma simplificação do mundo físico.

Questão filosófica: Em que medida podemos confiar em modelos computacionais que simplificam e abstraem a complexidade do mundo real?

Um outro exemplo:

A utilização de aprendizado de máquina para prever desastres e salvar vidas também envolve questões éticas sobre a responsabilidade pela decisão. Por exemplo, o artigo apresenta a aplicação de modelos para prever áreas de risco, mas uma questão ética surge: quem é responsável quando um modelo falha em prever um deslizamento de terra em uma área que não foi identificada como de alto risco?

Exemplo do artigo:

"O modelo Gradient Boosting gerou um mapa de suscetibilidade a deslizamentos em que os pontos de São Sebastião foram classificados em quatro categorias de risco: baixo (74,6% do território do município), moderado (15,8%), alto (7,9%) e muito alto (1,7%)."

A ética entra em cena porque, com base nessas previsões, decisões importantes podem ser tomadas, como a alocação de recursos para prevenção e a evacuação de populações em áreas de risco. Se o modelo erra em classificar uma área como de baixo risco quando, na realidade, ela é suscetível a deslizamentos, isso pode resultar em perdas humanas e materiais.

Questão filosófica: Até que ponto podemos delegar decisões vitais a algoritmos de aprendizado de máquina? Quem deve ser responsabilizado se o modelo falhar?

Próximos passos

Após concluir a atividade, clique no botão abaixo para ir para o próximo módulo do curso.

Próximo Módulo