Imagine um mundo em que alguma decisão importante – a recomendação de sentença de um juiz, o protocolo de tratamento de uma criança, qual pessoa ou empresa deveria receber um empréstimo – se tornou mais confiável porque um algoritmo bem concebido ajudou um decisor-chave a chegar a uma escolha melhor. Um novo curso de economia do MIT está investigando estas possibilidades interessantes.

A aula 14.163 (Algoritmos e Ciências Comportamentais) é um novo curso interdisciplinar focado em economia comportamental, que estuda as capacidades e limitações cognitivas dos seres humanos. O curso foi coministrado na primavera passada pelo professor assistente de economia Ashesh Rambachan e pelo professor visitante Sendhil Mullainathan.

Rambachan estuda as aplicações econômicas do aprendizado de máquina, concentrando-se em ferramentas algorítmicas que orientam a tomada de decisões no sistema de justiça criminal e nos mercados de empréstimos ao consumidor. Ele também desenvolve métodos para determinar a causalidade usando dados transversais e dinâmicos.

Mullainathan em breve ingressará nos departamentos de Engenharia Elétrica e Ciência da Computação e Economia do MIT como professor. Sua pesquisa usa aprendizado de máquina para compreender problemas complexos de comportamento humano, política social e medicina. Mullainathan cofundou o Laboratório de Ação contra a Pobreza Abdul Latif Jameel (J-PAL) em 2003.

Os objetivos do novo curso são científicos (compreender as pessoas) e orientados por políticas (para melhorar a sociedade melhorando as decisões). Rambachan acredita que os algoritmos de aprendizado de máquina fornecem novas ferramentas tanto para os objetivos científicos quanto para os aplicados da economia comportamental.

“O curso investiga a implantação da ciência da computação, inteligência artificial (IA), economia e aprendizado de máquina a serviço de melhores resultados e redução de casos de preconceito na tomada de decisões”, diz Rambachan.

Existem oportunidades, acredita Rambachan, para ferramentas digitais em constante evolução, como IA, aprendizagem automática e grandes modelos de linguagem (LLMs), para ajudar a remodelar tudo, desde práticas discriminatórias em sentenças criminais até resultados de cuidados de saúde entre populações carenciadas.

Os alunos aprendem a usar ferramentas de aprendizado de máquina com três objetivos principais: entender o que fazem e como fazem, formalizar insights de economia comportamental para que se encaixem bem nas ferramentas de aprendizado de máquina e compreender áreas e tópicos onde a integração da economia comportamental e ferramentas algorítmicas podem ser mais frutíferas.

Os alunos também produzem ideias, desenvolvem pesquisas associadas e têm uma visão geral. Eles são levados a entender onde um insight se encaixa e a ver onde a agenda de pesquisa mais ampla está levando. Os participantes podem pensar criticamente sobre o que os LLMs supervisionados podem (e não podem) fazer, para compreender como integrar essas capacidades com os modelos e insights da economia comportamental e para reconhecer as áreas mais frutíferas para a aplicação do que as investigações revelam.

De acordo com Rambachan, a economia comportamental reconhece que existem preconceitos e erros em nossas escolhas, mesmo na ausência de algoritmos. “Os dados usados pelos nossos algoritmos existem fora da ciência da computação e do aprendizado de máquina e, em vez disso, são frequentemente produzidos por pessoas”, continua ele. “Compreender a economia comportamental é, portanto, essencial para compreender os efeitos dos algoritmos e como construí-los melhor.”

Rambachan procurou tornar o curso acessível independentemente da formação acadêmica dos participantes. A turma incluiu alunos de graduação de diversas disciplinas.

Ao oferecer aos alunos uma abordagem interdisciplinar e baseada em dados para investigar e descobrir maneiras pelas quais os algoritmos podem melhorar a resolução de problemas e a tomada de decisões, Rambachan espera construir uma base sobre a qual redesenhar os sistemas existentes de jurisprudência, cuidados de saúde, empréstimos ao consumidor e indústria, para citar algumas áreas.

“Compreender como os dados são gerados pode nos ajudar a compreender os preconceitos”, diz Rambachan. “Podemos fazer perguntas sobre como produzir um resultado melhor do que o que existe atualmente.”

O estudante de doutorado em economia Jimmy Lin estava cético em relação às afirmações de Rambachan e Mullainathan quando a aula começou, mas mudou de ideia à medida que o curso continuava.

“Ashesh e Sendhil começaram com duas afirmações provocativas: o futuro da pesquisa em ciência comportamental não existirá sem IA, e o futuro da pesquisa em IA não existirá sem ciência comportamental”, diz Lin. “Ao longo do semestre, eles aprofundaram minha compreensão de ambos os campos e nos guiaram por vários exemplos de como a economia informou a pesquisa em IA e vice-versa.”

Lin, que já havia feito pesquisas em biologia computacional, elogiou a ênfase dos instrutores na importância de uma “mentalidade de produtor”, pensando na próxima década de pesquisa e não na década anterior. “Isso é especialmente importante em uma área tão interdisciplinar e em rápida evolução como a interseção entre IA e economia – não existe uma literatura antiga e estabelecida, então você é forçado a fazer novas perguntas, inventar novos métodos e criar novas pontes,” ele diz.

A velocidade da mudança a que Lin alude também é um atrativo para ele. “Estamos vendo métodos de IA de caixa preta facilitarem avanços em matemática, biologia, física e outras disciplinas científicas”, diz Lin. “A IA pode mudar a forma como abordamos a descoberta intelectual como investigadores.”

Estudar as ferramentas econômicas tradicionais e aumentar o seu valor com a IA pode produzir mudanças revolucionárias na forma como as instituições e organizações ensinam e capacitam os líderes a fazerem escolhas.

“Estamos aprendendo a acompanhar mudanças, a ajustar estruturas e a entender melhor como implantar ferramentas a serviço de uma linguagem comum”, diz Rambachan. “Devemos interrogar continuamente a interseção do julgamento humano, algoritmos, IA, aprendizado de máquina e LLMs.”

Lin recomendou o curso com entusiasmo, independentemente da origem dos alunos. “Qualquer pessoa amplamente interessada em algoritmos na sociedade, aplicações de IA em disciplinas acadêmicas ou IA como paradigma para descoberta científica deveria fazer este curso”, diz ele. “Cada palestra parecia uma mina de ouro de perspectivas de pesquisa, novas áreas de aplicação e inspiração sobre como produzir ideias novas e estimulantes.”

O curso, diz Rambachan, argumenta que algoritmos melhor construídos podem melhorar a tomada de decisões em todas as disciplinas. “Ao construir ligações entre economia, ciência da computação e aprendizagem automática, talvez possamos automatizar as melhores escolhas humanas para melhorar os resultados e, ao mesmo tempo, minimizar ou eliminar o pior”, diz ele.

Lin continua entusiasmado com as possibilidades ainda inexploradas do curso. “É uma aula que deixa você entusiasmado com o futuro da pesquisa e com seu próprio papel nela”, diz ele.