Para Que Serve A Ciência

O que eu vejo no dia a dia

Para que serve a ciência — e quando ela não serve

Eu passei anos em laboratório e depois em consultoria de pesquisa aplicada. A resposta curta para o que serve a ciência é: reduzir incerteza. Não é uma frase bonita, é funcional. Sem redução de incerteza, você não sabe se o investimento em P&D funciona, não sabe se o medicamento causa efeito ou placebo, não sabe se a política pública resolveu o problema ou só mudou a aparência. O problema é que todo mundo acha que já sabe o que é ciência. Mas o que a maioria chama de ciência é, na verdade, aplicação de método ou coleta de dados sem estrutura. Isso é útil, mas não é o mesmo. Um relatório de qualidade da indústria tem dados, tabelas, gráficos. Pode ser até rigoroso. Só que o objetivo dele não é testar uma hipótese com controle de variáveis. É documentar o que aconteceu. A ciência faz algo diferente: ela tenta provar que está errada antes de aceitar que está certa. A minha experiência mais frustrante com isso aconteceu num projeto de otimização de produção. O cliente queria implementar um processo baseado em estudo publicado que mostrava redução de defeitos em 34%. Peguei o artigo, li os métodos, reproduzi o cálculo do tamanho da amostra e descobri que o experimento original tinha usado critérios de exclusão que nunca foram descritos na seção de métodos. Se você aplicar diretamente na linha de produção, sem ajustar os filtros de saída, o número real cai para algo em torno de 8%, talvez menos, dependendo do lote. A correção foi refazer o estudo com os mesmos critérios de inclusão do paper, mas documentando explicitamente cada variável de exclusão desde o início. Isso mudou a análise estatística inteira, porque os dados faltosos weren't missing at random. Eles eram missing not at random, e isso exige um modelo diferente, não só uma análise mais rigorosa da mesma estrutura.

Isso mostra algo que poucos ensinam: a ciência não é só sobre fazer experimentos bonitos. É sobre reconhecer quando seu experimento não responde à pergunta que você acha que está respondendo. O viés de publicação é real. Os estudos com resultado nulo ou negativo têm muita menos chance de sair em revista de alto impacto. Eu vejo isso todo dia quando analiso literatura para tomar decisão técnica. Um revisor de artigo pediu uma vez que eu incluísse um teste de sensibilidade que simplesmente não existia no design original. A resposta honesta era que o teste não poderia ser feito com os dados coletados, e isso limitava a generalização do achado. Escrever isso no artigo é chato. É tecnicamente correto. E é exatamente o tipo de informação que uma revisão sistemática precisa para não recomendar uma prática que não funciona fora do contexto do laboratório. Outra coisa que eu vejo sempre: pessoas confundem correlação com causalidade em escala industrial. Um banco de dados de vendas com 12 meses de registro pode mostrar uma correlação forte entre temperatura externa e consumo de um produto. Isso é real. A inferência causal exige um desenho experimental ou um método como difference-in-differences, regressão com variável instrumental, ou pelo menos um modelo de série temporal bem especificado. Quando eu recomendo análise causal, a primeira pergunta que eu faço é se o custo de um erro de falsificação é maior que o custo de não tomar a decisão. Às vezes, a resposta é não, e o melhor é só coletar dados prospectivos antes de investir em modelagem complexa. Isso economiza tempo e dinheiro, e é uma lição que muitos esquecem porque parece pouco glamourosa. Se você está começando agora, o caminho mais barato e eficiente é dominar pelo menos três coisas antes de tentar publicar ou aplicar qualquer método avançado. Primeiro, saber ler um artigo com atenção aos métodos, não só aos resultados. Segundo, saber usar R ou Python para reproduzir uma análise básica. Terceiro, saber quando não confiar em um resultado, e o sinal mais óbvio é quando o efeito reportado é consistente em todos os subgrupos, incluindo aqueles que teoricamente deveriam variar. Se um tratamento funciona igualmente bem para homens e mulheres, jovens e idosos, com comorbidades e sem, na maioria das vezes quer dizer que o desenhostudou algo diferente do que foi intitulado.

Existe ainda o problema do p-hacking e dos múltiplos testes, que eu encontrei numa revisão de um estudo médico. A equipe testou 47 desfechos secundários e reportou 6 significativos. Com correção de Bonferroni, apenas um permanece como possível achado real. O artigo original não corrigiu. A ciência, quando bem praticada, corrige. Quando mal praticada, ignora. A diferença é invisível para quem não sabe olhar os detalhes metodológicos. Então, para responder de novo de forma prática: para que serve a ciência? Serve para construir conhecimento que resiste ao teste. Serve para reduzir risco em decisões que envolvem saúde, engenharia, economia, política. Serve para criar modelos preditivos que funcionam fora da amostra original. E serve também para mostrar, com clareza, onde o conhecimento ainda é fraco. Isso último é tão importante quanto o resto, porque é o que permite o progresso real em vez de apenas repetição de afirmações bem intencionadas.