Como as universidades atingem padrão de alto nível com o uso do big data

De uma certa forma, os métodos acadêmicos de ensino e pesquisa mudaram pouco desde que Platão e Aristóteles discutiam filosofia e matemática em academias da Grécia Antiga. Os alunos ainda recebem o aprendizado de um tutor em pequenas palestras e grupos de debate e muitos intelectuais ainda estudam manuscritos físicos em bibliotecas. Mas, neste blog, nós vamos explorar uma mudança recente que vem revolucionando as academias: a análise do big data.

Pesquisa alimentada pela inteligência artificial

A aplicação da análise de big data vem gerando novas e criativas parcerias entre as universidades e as empresas em projetos de pesquisa. As empresas têm acesso a uma série de dados sobre os seus clientes e as universidades têm especialistas em ciência de dados habilitados a analisá-los e interpretá-los. O resultado é mutualmente benéfico – as empresas conseguem uma visão melhor sobre os seus clientes e produtos e as universidades têm acesso a ideias para novas pesquisas e o tão almejado financiamento das empresas parceiras. No início deste ano, por exemplo, a indústria farmacêutica Novartis anunciou uma parceira com o Big Data Institute da Universidade de Oxford. Os especialistas de Oxford usam sistemas de machine learning para analisar dados de testes clínicos da Novartis e identificar padrões de respostas dos pacientes a diferentes medicamentos.

Acadêmicos em todas as disciplinas exploram como a análise de big data e a inteligência artificial podem mudar a maneira como as pesquisas são feitas. Um estudo publicado na revista científica Nature descobriu que big data e inteligência artificial foram a terceira e a quarta palavras mais buscadas na base de dados das faculdades em 2018. A LexisNexis compareceu ao Global Education and Skills Forum ¹ de Dubai, no início do ano, e descobriu muitos exemplos de acadêmicos utilizando inteligência artificial para fazer suas pesquisas que, de outra forma, seriam inviáveis. Milo Comerford, um analista experiente no Tony Blair Institute for Global Change² disse que a AI (inteligência artificial) e o machine learning “mudaram o jogo” da pesquisa acadêmica. Ele deu o exemplo de sua própria pesquisa que utiliza AI para pesquisar um cipoal de milhares de documentos de propaganda extremista para desenvolver novas abordagens. “Eu não teria sido capaz de fazer (isso) manualmente e através dos meus próprios esforços,” ele destacou.

Ensino personalizado

Os objetivos principais das universidades de pesquisar e ensinar, e o big data, estão mudando tanto o último como o primeiro. Professores e palestrantes nas universidades estão usando o big data para reunir informações sobre os alunos e, dessa forma, moldar o planejamento das aulas. Os palestrantes não precisam mais conjecturar se suas apresentações estão sendo compreendidas pelos alunos – agora, eles podem se valer dos dados do software e-learning para trabalhar melhor as partes do curso que fazem os alunos sofrerem e dar um respaldo extra àqueles que têm dificuldade com uma matéria específica. Em 2015, num artigo científico publicado na revista Procedia Economics and Finance, Logica e Magdalena argumentaram que o big data oferece aos professores “uma oportunidade de redefinir o processo educacional”. “Se (os professores) querem análises relevantes sobre a eficiência verdadeira e o progresso de seus alunos, eles precisam integrar esses tipos de soluções”, elas escreveram. Quatro anos depois do artigo ter sido publicado, é cada vez maior o número de educadores que seguem esse conselho.

O próximo passo pode ser a substituição dos palestrantes pela inteligência artificial – na verdade, algumas universidades já estão empregando AI em seu processo de ensino. Em 2016, alunos do curso online de mestrado em ciências da computação da Georgia Tech University, que faziam perguntas no fórum do curso, eram com frequência respondidos por Jill Watson, que aparentemente era um professor assistente na escola. Quando o curso terminou, os alunos descobriram que Jill era, na verdade, um robô projetado por inteligência artificial, baseada na plataforma Watson da IBM. A maioria dos alunos não percebeu nada. A AI e o big data oferecem às universidades uma maneira de economizar dinheiro no ensino e alcançam um número cada vez maior de alunos.

Matrículas automatizadas

As universidades já estão utilizando o big data para auxiliá-las a decidir quais os candidatos que serão matriculados a cada outono³. Tradicionalmente, as universidades contratam um grande número de funcionários que avaliam milhares de candidaturas até decidir quem será admitido, mas a análise de big data permite que essa seleção seja feita de forma automatizada, considerando as notas escolares e outros critérios de admissão.

As universidades esperam atrair grandes números de alunos aptos para as matrículas e o especialista Eric Spear diz que a análise de dados “tem a chave para resolver o problema da recusa na matrícula desses estudantes”. A análise permite que uma instituição pesquise quais cursos são mais populares entre os estudantes de diferentes áreas demográficas e que cursos têm uma tendência a apresentar mais desistências. A remoção do elemento de julgamento humano no processo de matrículas também favorece a reputação das universidades – no início deste ano, faculdades americanas de alto padrão foram acusadas de terem aceitado doações de americanos ricos em troca de garantir um lugar para eles em seus bancos escolares. O processo orientado pela AI provavelmente teria evitado essa ocorrência.

O que você deveria fazer?

O big data pode facilitar a sua vida, quer você seja um acadêmico, o reitor de uma universidade ou uma empresa pensando numa parceria de pesquisa com cientistas de dados. Mas as interpretações disponíveis a partir desta análise são boas apenas na medida em que os dados também sejam bons. O Data as a Service da LexisNexis auxilia as universidades através da integração de dados com APIs flexíveis que produzem big data normalizado, num formato semiestruturado XML. Isso capacita as universidades a agregarem rubricas feitas sob medida e outras otimizações que atendam a exigências específicas da pesquisa em andamento. Além disso, ao trabalhar na recuperação de dados, os pesquisadores podem tomar partido da nossa forte classificação tópica para identificar e recuperar conjuntos de dados considerados de alta relevância, assegurando assim um tempo mais rápido de análise.