Por estes dias, vi um link para uma notícia no Facebook, que, com fogos de artifício, dizia: "Cientista respeitado prova que Deus existe". Evidentemente logo desconfiei do "Cientista respeitado", mas para que pudesse opinar seria necessário, primeiro, ler a matéria, foi o que fiz.

De fato a notícia era real, o título sim era fantasioso e exagerado ainda que guardasse algumas verdades em tese. O artigo era um resumo sobre algumas teorias que vem ganhando força recentemente e que já escrevi bem mais de um par de vezes sobre o assunto: a possibilidade de estarmos vivendo dentro de uma simulação computadorizada e que deriva em que o "Deus" do referido título sensacionalista pode ser um nerd alienígena brincando com o game no qual vivemos.

Todos conhecemos bem a característica incauta do senso comum facebookiano, que logo compartilhava a referida notícia aos milhares, comentários louvavam o tal cientista dando mostras de que ninguém havia lido nada ou, se sim, não tinham entendido patavina, o que é muito comum quando se envolve teorias quânticas. O mais cômico é que alguns poucos que tentavam explicar do que se tratava eram ignorados e chamados paradoxalmente de burros. O que me lembra de uma frase dita por meu pai:

- "Sabe como devemos chamar um idiota com muitos sectários? De senhor... é melhor chamar de senhor!"

O problema, no geral, como vemos é que as pessoas não se interessam por ciência, muitas vezes dizendo que é bobagem aprender fórmulas básicas da Física, envolvendo cinemática, eletrodinâmica, ondas, forças e energia, porque jamais vão usar no dia a dia. Mas então elas têm cérebro para quê? E são estas mesmas pessoas que decidem falar de ciência, quando algum tonto ou mal intencionado mistura física quântica com mitologia, reúne estudos sérios com ficção científica e joga tudo no mesmo panelão de mediania.

Por isso que artigos como este são importantes. Há algumas semanas a revista Nature publicava "20 conselhos para interpretar afirmações científicas" com o objetivo de orientar os não especialistas à hora de interpretar a fiabilidade e rigor de um estudo. Neste artigo resumimos e adaptamos os 20 pontos que poderiam ser úteis para qualquer leitor ávido levar em conta. Há talvez outros vieses e fatores que poderiam fazer parte da lista, mas aqui nos limitamos a recolher os 20 assinalados por William J. Sutherland, David Spiegelhalter e Mark A. Burgman, adaptando alguma explicação para que se entenda melhor:

1. As diferenças e a probabilidade originam as mudanças. No mundo real há milhares de variáveis e convém não fazer uma interpretação linear dos fatos.
   
   
2. Nenhuma medição é exata. Todas têm alguma margem de erro, por pequeno que seja. Todos os estudos devem mostrar claramente qual é este erro para não dar a entender um grau de certeza que não existe.
   
   
3. Há distorções em quaisquer lugares. O próprio desenho experimental pode estar enviesado. Os cientistas buscam resultados significativos e tendem a dar uma visão exagerada dos problemas ou da efetividade das soluções. O mais importante é que o experimento seja de duplo cego e que nem o experimentador nem os voluntários conheçam os detalhes do experimento. Outro viés muito frequente é o de confirmação, pois tende a insistir mais na linha do resultado do que se espera obter.
   
   
4. Quanto maior é a amostra, melhor. Que a amostra seja grande é especialmente importante em estudos onde há grandes variações naturais ou grandes margens de erro. Sempre é mais confiável um estudo, sobretudo os sociais, com dezenas de milhares de participantes que com umas poucas dezenas.
   
   
5. Correlação não implica causalidade. A correlação entre duas variáveis pode ser meramente casual, por mais tentador que nos pareça afirmar o contrário. A maioria das vezes entra em jogo um terceiro fator oculto. Por exemplo, em seu dia alguns ecologistas pensaram que algas "venenosas" estavam matando os peixes em alguns rios. Resultou que as algas cresciam onde os peixes morriam, e não eram a causa das mortes.
   
   
6. A regressão à média pode confundir. Às vezes os fenômenos têm seus próprios ciclos e no momento da medição pode induzir-nos ao erro. Um exemplo muito comum desta ilusão cognitiva é o que acontece com a homeopatia: a maioria dos catarros costuma remeter por si próprios e os homeopatas charlatães aproveitam para reclamar poderes curativos de seu placebo conform escrevi estes dias em Casualidade versus causalidade - Ou porque as fraudes pseudocientíficas parecem funcionar. Outro exemplo é o dado por Ben Goldacre em seu livro "Bad Pharma" sobre a maldição dos atletas que saem na capa da Sports Illustrated. Quando aparecem, o natural é que estejam no auge e o mais provável é que piorem.
   
   
7. Extrapolar para além dos dados é arriscado. Os padrões encontrados dentro de um determinada faixa não têm por que funcionar fora dele. Observar um fenômeno em um âmbito e assumir que também acontece em outros âmbitos é um erro comum.
   
   
8. Cuidado com heurística da representatividade. Este erro acontece quando identificamos mal a probabilidade de que se um fato aconteça ao tomar como referência um dado concreto. Por este motivo, por exemplo, parece-nos mais provável morrer em um atentado ou um acidente de avião do que em um tombo no chuveiro, quando é o inverso.
   
   
9. Os controles são importantes. Um grupo de controle deve ser mantido nas mesmas condições que o grupo do experimento, salvo que o tratamento não é aplicado a seus membros. Sem esta medida é muito difícil saber se um tratamento tem realmente um efeito.
   
   
10. A aleatoriedade reduz o desvio. Quando se desenha um experimento, os grupos e os voluntários devem ser eleitos de forma aleatória. Se atender a diferentes características dos membros do grupo, é mais que provável que os resultados tenham um desvio.
    
    
11. Busca a replicação, não a pseudo-replicação. Para comprovar a consistência de um estudo os resultados devem ser replicáveis, mas se podem ser replicados em grupos independentes, são mais sólidos. Quando se desenha um ensaio com um tipo concreto de pessoas é habitual que se obtenham resultados que não são extrapoláveis a outros tipos.
    
    
12. Os cientistas são humanos. Os pesquisadores têm interesses privados e, como em todos os coletivos, pode haver algum mau-caráter (com certeza há). O próprio sistema de revisão por pares é enganoso já que os editores são mais propensos a passar os resultados positivos e reprovar os negativos. Para dar algo por comprovado de forma convincente, é necessário a confirmação por várias fontes.
    
    
13. A significância é importante. A significância estatística está relacionada com a probabilidade de que algo tenha acontecido por mera casualidade. Quanto menor for o valor desta probabilidade, menores são as possibilidades de que os resultados do estudo sejam um espelhismo ou uma casualidade.
    
    
14. Significância e efeitos. A falta de significância estatística não quer dizer que não tenha nenhum efeito subjacente, senão que nenhum foi detectado. Às vezes, um estudo pequeno pode não detectar, mas um estudo mais exaustivo pode encontrar uma relação oculta, um efeito colateral ou uma consequência não observada.
    
    
15. A estatística não é tudo. As respostas sutis são mais difíceis de serem detectadas, mas a importância de um efeito, ainda que este seja pequeno, não é simplesmente uma questão estatística, pode ter envolvimentos biológicos, físicos ou sociais. Nos anos 90, a revista Epidemiology pediu aos autores que deixassem de usar simplesmente a significância estatística porque estavam interpretando de forma errada sistematicamente os resultados.
    
    
16. Cuidado com as generalizações. Um exemplo claro são as conclusões retiradas de um experimento em ratos com respeito ao que pode acontecer em humanos.
    
    
17. Os sentimentos influem na percepção de risco. Apesar dos dados objetivos, a percepção do risco pode obedecer a fatores psicológicos e sociais. Nos EUA, por exemplo, sobrevalorizam o risco de viver perto de uma central nuclear e subestimam o perigo de ter uma arma em casa.
    
    
18. A confluência de fatores muda os riscos. É possível calcular os riscos que têm fatos independentes, mas de vez em quando pode ocorrer que os riscos avaliados não sejam realmente independentes e o risco real seja muito maior. Assim que se desate o primeiro fator aumenta a possibilidade de que confluam os outros aumentando o risco. No bolha financeira nos EUA aconteceu um caso claro de cálculo errôneo da independência dos riscos das hipotecas individuais.
    
    
19. Os dados podem ser selecionados intencionalmente. O denominado "cherry-picking" consiste em selecionar só aquelas provas ou argumentos que dão a razão a nossa tese. Quando buscam resultados muito concretos, tendem a selecionar só os dados convenientes -expediente muito usado pela Big Pharma-, quando o adequado para fazer uma boa ciência é reunir quantidades ingentes de dados, como aconteceu na busca do bóson de Higgs, por exemplo.
    
    
20. As medições extremas podem confundir. Nos estudos onde querem medir uma variável para comparar diferentes elementos que têm essa variável, como por exemplo se queremos elaborar um ranking de universidades ou de centros de pesquisa em função de sua produtividade científica (variável), costuma ocorrer que existem muitas fontes de variabilidade que afetam essa variável, em nosso exemplo o financiamento disponível, o equipamento, a qualidade do professorado ou, inclusive, a serendipia. Quando se obtêm os resultados de estudos assim é muito fácil simplificar e atribuir a variação da variável a um só fator, por exemplo, ao financiamento. Dessa forma as comparações realizadas dos valores extremos, da universidade número 1 e da última, seja entre si ou com a média, não são realmente significativos. Isto acontece em praticamente todos os rankings.

Nenhum comentário ainda!