class: center, middle, title-slide .title[ # Aula 2 - Os dados ] .subtitle[ ## Jornalismo de Dados ] .author[ ### Leonardo Mancini ] .date[ ### 2026 ] --- class: inverse # Dados e objetividade .center[  ] ??? Dados hoje são percebidos como a Pedra de Rosetta que vai quebrar o código de todos os problemas complexos. São vistos como a realidade em forma de tabela, visões mais puras de uma realidade tornada confusa por nuances simbólicas, ideológicas ou culturais. É como se a VERDADE estivesse nos dados. --- # Dados Dados são representações simbólicas de fenômenos naturais. Tentativa de quantificar, qualificar e classificar a realidade ao **reduzir a complexidade do mundo**. > "Dados não falam nada; Humanos falam coisas." <br> ([Andrea Jones-Rooy, 2019](https://qz.com/1664575/is-data-science-legit)) Dados > Informação > Conhecimento ??? No original: "Data can't say anything about an issue any more than a hammer can build a house or almond meal can make a macaron. Data is a necessary ingredient in discovery, but you need a human to select it, shape it, and then turn it into an insight." Jones-Rooy é professora de ciência de dados na NYU. O argumento do artigo é que confundimos dado com verdade ("we've conflated data with truth"). Fonte: Andrea Jones-Rooy, "I'm a data scientist who is skeptical about data", Quartz, 24/07/2019. https://qz.com/1664575/is-data-science-legit --- # Não existe "dado bruto" > "**Dado bruto é ao mesmo tempo um oximoro e uma má ideia**; ao contrário, dados devem ser cozidos com cuidado."<br> ([Geoffrey Bowker, 2005](https://mitpress.mit.edu/9780262524896/memory-practices-in-the-sciences/)) Todo dado já chega trabalhado de alguma maneira. Alguém decidiu: - o que valia a pena contar, - em que categorias, - com que recorte de tempo e espaço, - e o que ficaria de fora. Quando um dataset chega até você, essas decisões **já foram tomadas** — em geral por outra pessoa, com outro objetivo. ??? No original: "Raw data is both an oxymoron and a bad idea; to the contrary, data should be cooked with care." Aplicação prática: quando você baixa um CSV do portal de dados abertos, você não está recebendo "a realidade". Está recebendo o resultado de um processo administrativo, com todas as escolhas e incentivos daquele órgão embutidos. Fontes: Geoffrey Bowker, "Memory Practices in the Sciences", MIT Press, 2005; Lisa Gitelman (org.), "Raw Data Is an Oxymoron", MIT Press, 2013, https://direct.mit.edu/books/edited-volume/3992/Raw-Data-Is-an-Oxymoron --- # Métodos quali x quanti - **Quantitativos**: - Permitem reprodução e checagem dos achados. - Generalização dos resultados. - Vão usar técnicas de análise e coleta de informações da matemática e da estatística: _surveys_, testes de hipóteses, regressão, etc. - **Qualitativos**: - Dependem do contexto em que os dados são coletados e da interpretação do pesquisador. - Não permitem generalização, mas aprofundam o entendimento do fenômeno. - Vão usar métodos das ciências humanas: entrevistas, observação participante, análise de conteúdo, etc. --- # Dados são imperfeitos **Dados não são neutros**. Eles são construídos, por humanos, a partir de escolhas metodológicas e teóricas. São, quase sempre, as melhores aproximações possíveis dos fenômenos naturais. Variam de acordo com: - Fontes dos dados - Instrumentos de coleta e medida - Instrumentos de análise --- # Dados são imperfeitos Há algumas fontes de erros que podem afetar a qualidade dos dados. - Erros aleatórios - Erros sistemáticos - Erros de medida - Dados faltantes --- # Dados são imperfeitos **Erros aleatórios:** São flutuações imprevisíveis e aleatórias em um conjunto de dados. Para o mesmo objeto medido, há variações, positivas ou negativas, sem um padrão definido. Podem surgir de variações nas condições ambientais, limitações dos instrumentos de medição ou flutuações nos próprios fenômenos estudados. Em um grande volume de dados, há uma expectativa de aleatoriedade e, ao longo do tempo, não costuma ser um problema. ??? Exemplo: falso positivo em exame médico de rastreamento. Nas palavras de Jones-Rooy (2019): "The consequences of this error are very real, too. Studies show a false positive can lead to years of negative mental-health consequences, even though the patient turned out to be physically well. On the bright side, the fear of false positives can also lead to more vigilant screening (…which increases the chances of further false positives, but I digress)." E sobre o consolo estatístico: "Generally speaking, as long as our equipment isn't broken and we're doing our best, we hope these errors are statistically random and thus cancel out over time — though that's not a great consolation if your medical screening is one of the errors." Esse é o ponto a sublinhar: dizer que o erro aleatório "se cancela no agregado" é verdadeiro para a série e irrelevante para o indivíduo. Jornalismo costuma trabalhar com o indivíduo. Fonte: Andrea Jones-Rooy, "I'm a data scientist who is skeptical about data", Quartz, 24/07/2019. https://qz.com/1664575/is-data-science-legit --- # Dados são imperfeitos **Erros sistemáticos:** São aqueles que ocorrem de forma consistente, ou seja, seguem um padrão de erro. Isso pode ocorrer por diversos motivos, como a falta de calibração de um instrumento, a má escolha de uma amostra ou a falta de representatividade de um grupo. **Exemplo clássico (viés de seleção):** usar redes sociais para medir "a opinião pública". Quem está no X/Twitter não é uma amostra da população brasileira — é mais jovem, mais urbano, mais escolarizado e mais engajado politicamente que a média. São limitados através de procedimentos de medição claros e padronizados, redundância das medidas, tratamento estatístico posterior. ??? **Atenção ao caso do X:** o exemplo ficou ainda mais interessante depois de 2023. Em fevereiro daquele ano a plataforma encerrou o acesso gratuito e o tier acadêmico da API. O preço inicial anunciado para acesso corporativo foi de US$ 42 mil/mês, o que excluiu praticamente toda a pesquisa universitária. Ou seja: além de a amostra ser enviesada, ela simplesmente **deixou de existir** para quem pesquisa. Isso é um ponto pedagógico forte: a disponibilidade de dados não é um fato da natureza, é uma decisão empresarial. Toda uma linhagem de pesquisa sobre desinformação, eleições e discurso de ódio foi construída sobre a API do Twitter e ficou órfã. Fontes: Center for an Informed Public/UW (02/02/2023), https://www.cip.uw.edu/2023/02/02/twitters-api-access-changes-academic-research/ ; Blakey, E. "The Day Data Transparency Died", 2024, https://journals.sagepub.com/doi/10.1177/15365042241252125 Os dois exemplos a seguir são adaptados de Jones-Rooy (2019), "I'm a data scientist who is skeptical about data", Quartz, https://qz.com/1664575/is-data-science-legit **Sobre pesquisas eleitorais:** as eleições dos EUA em 2016 são o exemplo mais citado de vieses sistemáticos em pesquisas. Uma hipótese é o viés de desejabilidade social — eleitores relutantes em declarar voto em um candidato percebido como socialmente reprovável. O argumento dela é que a conclusão apressada ("toda pesquisa está errada") é menos útil do que a pergunta específica: errada de que jeito, e por qual mecanismo? Se soubéssemos do viés antes, daria para modelá-lo. **Sobre estudos médicos:** são frequentemente baseados em pessoas que já estão doentes e que têm meios de chegar a um médico ou de entrar em um ensaio clínico. Há entusiasmo com wearables como forma de superar isso — mas isso introduz um viés novo: os dados passam a refletir quem tem dinheiro para comprar um Apple Watch. --- class: inverse # Quando o dado muda e a realidade não O **Censo 2022** registrou **1.694.836 indígenas** no Brasil — **88,8% a mais** que os 896.917 do Censo 2010. A população indígena quase dobrou em 12 anos? -- **Não.** O que mudou, em boa parte, foi o **instrumento**: - a pergunta "você se considera indígena?" passou a ser feita também **fora** das terras delimitadas; - o IBGE mapeou mais terras indígenas oficialmente delimitadas (de 501 para 573); - o quesito cor ou raça saiu do questionário da amostra e foi para o **questionário do universo** (todos os domicílios). ??? Uma manchete apressada — "população indígena cresce 89%" — descreve o dado, não o fenômeno. O crescimento é real enquanto medida, mas não pode ser lido como crescimento demográfico. O próprio IBGE alerta que a variação não pode ser atribuída somente a aspectos demográficos. Parte é demografia, parte é mudança de metodologia, e parte é mudança social: mais pessoas se autodeclarando indígenas. Separar esses três componentes é justamente o trabalho jornalístico. Fontes: IBGE, Censo Demográfico 2022 — Identificação étnico-racial da população, https://www.ibge.gov.br/estatisticas/sociais/saude/22827-censo-demografico-2022.html ; Agência Brasil, 07/08/2023, https://agenciabrasil.ebc.com.br/geral/noticia/2023-08/censo-2022-brasil-tem-169-milhao-de-indigenas ; ISA, "O que explica alta de quase 90% na população indígena registrada pelo Censo 2022". --- # Dados são imperfeitos **Erros de medida:** São aqueles derivados das escolhas das variáveis que serão medidas. Nem sempre o que estamos medindo é o que queremos medir. Exemplo: como avaliar a qualidade de um professor? Pela nota dos alunos? Artigos publicados? Não confundir com Proxy: aproximação possível daquilo que queremos medir. Nível de educação (anos de estudo, titulação) como proxy de classe econômica, ou Consumo de energia elétrica como proxy de atividade econômica, por exemplo. ??? Outro exemplo, de Jones-Rooy (2019), sobre seleção de candidatos a emprego: "For example, if we are looking for top job candidates, we might prefer those who went to top universities. But rather than that being a measure of talent, it might just be a measure of membership in a social network that gave someone the 'right' sequence of opportunities to get them into a good college in the first place. A person's GPA is perhaps a great measure of someone's ability to select classes they're guaranteed to ace, and their SAT scores might be a lovely expression of the ability of their parents to pay for a private tutor." Versão brasileira para a turma: a nota do ENEM mede aptidão ou mede acesso a cursinho? A resposta honesta é "as duas, em proporção desconhecida" — e é exatamente por isso que o indicador é disputado politicamente. Fonte: Andrea Jones-Rooy, "I'm a data scientist who is skeptical about data", Quartz, 24/07/2019. https://qz.com/1664575/is-data-science-legit --- # Dados são imperfeitos **Dados faltantes:** São dados que não foram coletados ou que foram perdidos ao longo do processo de montagem de um conjunto de dados. **Exemplo:** mulheres tendem a ser diagnosticadas mais tarde em casos de infarto porque os sintomas são diferentes dos masculinos e, historicamente, a doença foi estudada em homens. _Missing data_ podem ser aleatórios ou sistemáticos. Sua origem pode ser devido a falhas no processo de coleta, problemas de armazenamento ou problemas de processamento. ??? O exemplo do infarto é o caso de abertura de "Invisible Women: Data Bias in a World Designed for Men" (Caroline Criado Perez, 2019), que documenta o "gender data gap" em medicina, urbanismo, segurança automotiva e design de produtos. Vale como indicação de leitura para quem se interessar. --- # Caso brasileiro: o buraco de raça/cor Internações por Covid-19 com desfecho de óbito no Brasil (abr/2020 a abr/2022), segundo o SIH/SUS: .center[ ### 25,85% sem a variável raça/cor preenchida ] E a incompletude **não melhorou** ao longo da pandemia: a tendência foi de estabilidade no país, com **piora** no Sul e no Nordeste. Consequência: qualquer reportagem sobre mortalidade por Covid-19 e raça no Brasil está trabalhando com **um em cada quatro casos cegos**. ??? O detalhe que torna o caso interessante: **não é falta de norma**. A Portaria MS nº 344, de 01/02/2017, já determinava o preenchimento do quesito raça/cor nos formulários dos sistemas de informação em saúde. A regra existe há anos e simplesmente não é cumprida. Ou seja, o dado faltante aqui não é acidente estatístico nem lacuna legal — é o resultado acumulado de milhares de decisões no balcão do atendimento, num sistema que não trava o registro quando o campo fica vazio. Design de formulário vira apagão de informação sobre desigualdade racial. Os autores classificam 25,85% como grau de incompletude "ruim", e concluem que isso pode ter ampliado as iniquidades em saúde para a população negra e dificultado o planejamento de ações para esse grupo. Fonte: SANTOS, H. L. P. C. dos et al. "Tendência da incompletude da variável raça/cor nas internações por covid-19 cujo desfecho foi óbito no Brasil, 2020–2022". Revista de Saúde Pública, v. 58, n. 1, p. 37, 2024. DOI 10.11606/s1518-8787.2024058006032. https://revistas.usp.br/rsp/article/view/230729 --- # Ainda assim, precisamos de dados Dados imperfeitos são melhores que nenhum dado. A ciência, assim como o jornalismo, parte do pressuposto de que o conhecimento é imperfeito e incompleto. No entanto, ao invés de desconsiderá-los, devemos reconhecer suas limitações e questioná-los sempre. ??? Diferentemente de outros campos, o jornalismo e a ciência reconhecem essas limitações e as consideram em suas análises. Não é porque há um número atribuído que algo se torna verdadeiro. --- # Por isso, metodologia é fundamental Na maior parte das vezes, utilizaremos dados coletados por outras pessoas, que vão refletir seus vieses. Por isso, quando iniciamos a análise de dados, é importante entender como eles foram coletados, processados e organizados. - Quem coletou? - Como coletou? - Com que instrumentos? - Esses dados são adequados para responder as perguntas feitas? - Quais são os conceitos e teorias que embasam a coleta desses dados? - O que pode estar faltando? E, lembrem-se, jornalistas não costumam ser especialistas! ??? Sempre entrevistar ou conversar com diferentes pessoas que entendam mais que você sobre o tema em questão