Por volta das 22h00 horário do leste dos EUA na noite das eleições, com a Flórida se afastando decisivamente da chapa Biden-Harris, a reação tóxica contra os pesquisadores já havia começado. Grande parte da ira foi dirigida especialmente a Nate Silver, o antigo previsor de previsões norte-americano, que reconstruiu em grande parte a sua imagem depois do infame fracasso nas eleições presidenciais de 2016, que deixou milhões de pessoas dependentes de cada palavra sua. Durante a temporada eleitoral de 2020, o modelo preditivo de Silver tornou-se mais uma vez o padrão.
O trabalho de pesquisadores como Silver e a ideia de previsões eleitorais foram criticados por boas razões, com alguns oferecendo explicações perspicazes sobre por que erraram em 2020. Mas em meio a essas críticas, meu lado profissional, que constrói modelos matemáticos de epidemias como a Covid-19, não pode deixar de sentir empatia por Silver e sua turma. Existem muitos paralelos entre as reacções públicas a modelos preditivos eleitorais aparentemente falhos e a modelos de trajectórias de doenças infecciosas. E ao discutir as especificidades de cada um, podemos aprender por que os meteorologistas não são culpados pela nossa decepção.
A maioria dos modelos de previsão de epidemias são mecanicistas. Em Março, logo no início da pandemia, o epidemiologista matemático Neil Ferguson e os seus colegas do Imperial College London desenvolveram um modelo que fazia previsões sombrias sobre o número de infecções e mortes nos EUA e no Reino Unido (cerca de 2 milhões de mortes). Outro modelo, desenvolvido pelo Instituto de Métricas e Avaliação de Saúde da Universidade de Washington, encontrou-se no centro da controvérsia depois de ter alterado as suas projeções para sugerir que os EUA estavam mais perto do pico do que pensávamos em muitos lugares.
Estas são apenas duas das muitas previsões da Covid-19 baseadas numa tentativa de compreensão de como a epidemia realmente se desenrola. Os cientistas estão a construir uma versão do mundo, codificada em equações e bits e colorida com detalhes que determinam o quão contagioso é o vírus, como as pessoas interagem umas com as outras e outras variáveis.
Os algoritmos de muitos pesquisadores populares – como o algoritmo usado por Silver em FiveThirtyEight – baseiam-se em múltiplas pesquisas com prováveis eleitores. As suas probabilidades globais baseiam-se no agregado dessas sondagens, que são ponderadas pela qualidade, tamanho da amostra e outras características. Após o fiasco de 2016, os analistas eleitorais tornaram-se mais cuidadosos no ajuste ao estatuto educacional dos eleitores, o que ajudou a explicar algumas das discrepâncias de 2016. Alguns métodos, como o do The Economist, utilizam uma combinação de dados de inquéritos e factores económicos para fazer previsões.
SE INSCREVER
Assine o WIRED e fique atualizado com todas as suas ideias favoritas.
Os modelos epidémicos são muitas vezes imprecisos porque assumem o fardo irreal de tentar captar a complexidade de uma epidemia, o que é impossível. Nenhum computador pode tabular todos os detalhes relevantes por trás de infecções em cruzeiros de férias, superpropagadores durante o ensaio do coral ou políticos sem máscara em uma cerimônia no Rose Garden. A matemática e os computadores podem captar as subtilezas de qualquer um destes acontecimentos, mas os modelos mais populares da Covid-19 deverão dizer-nos como a epidemia se desenrola no agregado, para milhões de pessoas, em diferentes contextos. Esses são os que costumamos usar quando discutimos política.
A precisão dos modelos eleitorais preditivos também é prejudicada pela variabilidade no comportamento humano, na estrutura social e outras coisas que simplesmente não compreendemos.
Podemos ter em conta as tendências de voto entre os hispânicos, mas subestimamos as diferenças significativas (incluindo as preferências políticas) entre os afro-latinos no Bronx, os cubano-americanos em Miami e os mexicano-americanos em El Paso.
Mais popular
A ciência
Uma bomba-relógio demográfica está prestes a atingir a indústria da carne bovina.
Matt Reynolds
Negócios
Dentro do complexo ultrassecreto de Mark Zuckerberg no Havaí
Guthrie Scrimgeour
Engrenagem
Primeiro, dê uma olhada no Matic, o aspirador robô redesenhado
Adriane So
Negócios
As novas alegações de Elon Musk sobre a morte de macacos estimulam novas demandas de investigação da SEC
Dhruv Mehrotra
Podemos construir um modelo de previsão eleitoral baseado no que pensamos serem os eleitores brancos rurais no Cinturão da Ferrugem, mas deixando de fora os eleitores que não respondem às urnas.
Podemos saber que haverá mais votos por correio entre aqueles que se identificam como democratas devido à Covid-19, mas é difícil prever como isso se irá desenrolar em diferentes contextos e como terá impacto nas eleições.
Apesar de todas as críticas à prata, ele fala abertamente sobre as deficiências de seu modelo de 2016, geralmente fala abertamente sobre incerteza em suas previsões e tenta explicar como seu modelo funciona. Mas, apesar de seus esforços para transmitir às pessoas a importância da incerteza, parecemos surpreender e se ofender pessoalmente toda vez que a previsão é enganada “.
Uma reação negativa a previsões errôneas de epidemiologistas tem um peso semelhante: quando o número real de casos de covid-19 é maior ou menor do que os modelos mostram, alguns se perguntam por que a matemática é necessária.
Para evitar uma interpretação incorreta, tanto o epidemiologista quanto o questionário devem reconhecer as restrições em seu ofício. Eles devem ser transparentes no motivo pelo qual geralmente constroem um modelo e em que método eles escolheram. Além disso, a troca de dados e um código de código aberto (para que um cidadão-cientista possa participar do processo de modelagem) pode ajudar amplamente o público com responsabilidade com as previsões.
Isso deve incluir um esclarecimento claro do que realmente significa previsão e o que significa a probabilidade no mundo real. Quando digo que prevejo 120. 000 casos por dia em dezembro, em que condições essa previsão é aplicável? Quando estou falando sobre a probabilidade de 90 % de que o candidato A derrote o candidato B na corrida no Congresso, devo explicar o que esses interesses realmente significam: se o mundo real parece o mesmo que o baseado nas pesquisas disponíveis, então O candidato A será o suposto favorito. Essa previsão fala pouco sobre como o mundo real realmente parece: sempre existe a possibilidade de que os dados das pesquisas, com base em que a prata e outros façam suas previsões, sejam sistematicamente deslocadas em alguma direção e, portanto, perdem algumas peculiaridades de como as pessoas se comportam no dia das eleições. Silver e seus colegas poderiam formular isso diretamente, enfatizando a natureza das previsões em silico: suas previsões não se relacionam com o mundo como ele é, mas são baseadas em dados que podem refletir o comportamento dos eleitores.
