💻 computer science

Support for AI Development -- Automated Daily Measurement with Open Data and Code

Este artigo defende e demonstra um sistema de código aberto e automatizado para o nowcasting diário da opinião pública, utilizando um painel web para monitorar o apoio americano ao desenvolvimento da IA e argumentando que tais métodos de alta frequência e transparentes são essenciais para monitorar com precisão as mudanças de atitude em relação a tecnologias transformadoras.

Autores originais: Jason Jeffrey Jones

Publicado 2026-06-10

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Jason Jeffrey Jones

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando entender como uma multidão se sente em relação a uma nova tecnologia que muda rapidamente. Tradicionalmente, os cientistas sociais agem como fotógrafos: eles tiram uma foto de alta qualidade da opinião pública a cada dois ou quatro anos. Quando a foto é revelada e publicada, a multidão já se moveu, e a imagem está desatualizada.

Este artigo apresenta uma nova abordagem: uma transmissão de vídeo ao vivo.

O autor, Jason Jeffrey Jones, construiu uma máquina gratuita e de código aberto chamada "Social Science Dashboard Inator" (SSDT). Em vez de tirar fotografias ocasionais, este sistema tira uma "selfie" diária da opinião pública. Ele recruta automaticamente um pequeno grupo de pessoas todos os dias, faz a elas algumas perguntas, analisa as respostas e publica os resultados em um site público instantaneamente. Nenhum ser humano precisa tocar no processo após a configuração inicial; ele funciona no piloto automático.

Aqui está um detalhamento do que o artigo descobriu, usando analogias simples:

1. O Experimento: Monitorando o Apoio à IA

O autor usou esta máquina de "transmissão ao vivo" para monitorar o quanto os americanos apoiam o desenvolvimento futuro da Inteligência Artificial (IA).

A Configuração: Todos os dias, 11 americanos aleatórios foram questionados: "O quanto você apoia o desenvolvimento adicional da IA?" Eles responderam em uma escala que ia de "Discordo Fortemente" a "Apoio Fortemente".
A Escala: O estudo foi realizado de abril de 2024 a maio de 2026, coletando mais de 8.500 respostas.
O Objetivo: Ver se as opiniões estavam mudando em tempo real, em vez de esperar anos para descobrir.

2. As Principais Descobertas: A Montanha-Russa

Os dados diários revelaram uma história que as pesquisas anuais teriam perdido:

A Tendência é de Queda: No início do estudo, o apoio era modestamente positivo. No entanto, ao longo do tempo, o apoio diminuiu lenta mas constantemente. É como observar um balão perdendo o ar lentamente; ele não estourou, mas definitivamente encolheu.
O Ponto de Virada: Os dados mostraram que uma "virada" específica aconteceu por volta de abril de 2025. Antes desta data, o apoio estava, na verdade, subindo ligeiramente. Após esta data, começou um declínio constante. É como um carro que estava subindo uma ladeira e, de repente, atinge o topo e começa a descer de costas.
Divisões Políticas: Assim como as pessoas costumam discordar sobre mudanças climáticas ou impostos, o estudo descobriu que o apoio à IA tornou-se politicamente polarizado.
- Inicialmente, Democratas e Republicanos tinham visões semelhantes.
- Após as eleições de 2024 nos EUA (onde os Republicanos venceram), o apoio dos Republicanos à IA na verdade subiu acima do apoio dos Democratas. O autor sugere que, quando o partido político preferido das pessoas está no comando, elas tendem a gostar mais das novas tecnologias.
Traços de Personalidade Importam:
- Tomadores de Risco: Pessoas que são naturalmente dispostas a assumir riscos (como pular de um trampolim alto) eram muito mais propensas a apoiar a IA. Pessoas cautelosas e avessas ao risco eram menos favoráveis.
- Confiança: Pessoas que geralmente confiam nos outros eram ligeiramente mais favoráveis à IA do que aquelas que são suspeitas em relação às pessoas.
- Idade e Gênero: Homens apoiavam mais a IA do que mulheres. Curiosamente, pessoas mais velhas apoiavam mais a IA do que pessoas mais jovens, e essa lacuna aumentou com o passar do tempo.

3. O Que as Pessoas Realmente Disseram (O "Porquê")

A pesquisa também pediu que as pessoas escrevessem uma frase ou duas explicando sua resposta. O autor analisou essas notas e descobriu:

Velhos Medos: As pessoas ainda se preocupam com o "Skynet" (robôs assumindo o controle) e com a perda de empregos.
Novos Medos: À medida que a IA crescia, novos receios surgiam, especificamente sobre o consumo de energia (água e eletricidade) e o custo ambiental de rodar a IA.
Novas Esperanças: Algumas pessoas mencionaram a IA como um "amigo" ou uma forma de combater a solidão, enquanto outras a viram como uma ferramenta para facilitar o trabalho.

4. Por Que Este Método Importa

O autor argumenta que esta abordagem de "painel diário" é melhor do que a ciência tradicional por alguns motivos:

Transparência: Tudo é aberto. O código, os dados e os resultados são todos públicos. É como uma casa de vidro onde qualquer um pode ver como a ciência é feita.
Velocidade: Se algo grande acontece no mundo (como um grande avanço ou um escândalo de IA), este sistema pode mostrar como a opinião pública muda imediatamente, em vez de esperar dois anos por um relatório.
Replicação: Como o sistema é automatizado e aberto, outros cientistas podem copiá-lo exatamente para verificar o trabalho ou usar os mesmos dados para fazer perguntas diferentes.

5. A Previsão Futura

Com base na tendência de queda constante observada nos dados, o autor faz uma previsão simples: O apoio à IA continuará a cair ao longo de 2026, podendo atingir níveis neutros ou negativos até o final do ano.

O Resumo Final

Este artigo não é apenas sobre IA; é sobre uma nova maneira de fazer ciência. O autor construiu uma máquina que transforma o processo lento e nebuloso de entender a opinião pública em uma transmissão de vídeo rápida, clara e aberta. Ao fazer isso, eles descobriram que o apoio público à IA não é uma estátua fixa, mas algo vivo e pulsante que muda dia após dia, influenciado pela política, pela personalidade e pelo ciclo de notícias.

Resumo Técnico: Medição Diária Automatizada com Dados e Código Abertos

Problema
A pesquisa em ciências sociais frequentemente sofre com a coleta de dados de baixa frequência (ex: pesquisas bienais ou quadrienais) e o atraso na liberação de dados, o que dificulta a capacidade de acompanhar mudanças rápidas na opinião pública em relação a tecnologias transformadoras como a Inteligência Artificial (IA). A disponibilidade tradicional de dados cria um hiato entre a emergência de tendências sociais e a compreensão científica delas. Além disso, o campo enfrenta uma "crise de replicação/reprodutibilidade" e uma "crise de previsibilidade", onde modelos teóricos lutam para prever resultados humanos apesar da explosão de dados disponíveis. Há uma carência de mecanismos abertos, de alta frequência e transparentes para realizar o "nowcasting" (prever o presente e o futuro muito próximo) do sentimento público em tempo real.

Metodologia: O Social Science Dashboard Inator (SSDI)
O artigo apresenta o Social Science Dashboard Inator (SSDI), um sistema de código aberto e automatizado, projetado para coletar, distribuir e apresentar a opinião pública atualizada diariamente. O sistema opera em um ciclo contínuo e autônomo:

Recrutamento e Coleta: O sistema recruta uma pequena amostra aleatória de respondentes diariamente (11 adultos americanos por dia) através da plataforma Prolific Academic. Uma pesquisa curta (tempo de conclusão mediano <2 minutos) é distribuída via Qualtrics XM.
Automação e Processamento: Uma série de scripts de código aberto (R e Python) acionados por tarefas cron automatiza todo o fluxo de trabalho. Isso inclui o download das respostas, o cruzamento com dados demográficos, a anonimização de microdados e a atualização de um arquivo de dados estruturados cumulativos em um repositório público.
Análise e Visualização: O sistema realiza automaticamente análises estatísticas sobre o conjunto de dados cumulativo e atualiza um painel web público para exibir resultados, testes de hipóteses e tendências temporais.
Transparência: Todos os materiais, incluindo itens de pesquisa, opções de resposta, código de análise e microdados brutos, são hospedados em um repositório público no GitHub, garantindo reprodutibilidade imediata e acesso aberto.

Projeto de Demonstração: Nowcasting do Apoio à IA
Para validar o sistema SSDI, o autor implementou uma pesquisa diária monitorando o apoio dos adultos americanos ao desenvolvimento adicional da IA. O item focal foi uma questão de escala Likert de 7 pontos: "O quanto você concorda com a afirmação: Eu apoio o desenvolvimento adicional da inteligência artificial?" (mapeada de -3 a +3). O estudo ocorreu de 18 de abril de 2024 até 31 de maio de 2026, acumulando 8.551 respondentes. A pesquisa também incluiu medidas de Confiança Generalizada, Disposição ao Risco, filiação partidária política, idade e sexo, além de respostas de texto abertas opcionais.

Principais Resultados
Com base nos dados coletados diariamente ao longo de 766 dias, o estudo reporta as seguintes descobertas:

Tendências Temporais: O apoio geral ao desenvolvimento da IA diminuiu ao longo do tempo. Uma análise de regressão segmentada identificou uma quebra de tendência em 18 de abril de 2025. Antes desta data, o apoio estava aumentando (aprox. +0,41 pontos/ano); depois, declinou significamente (aprox. -0,98 pontos/ano).
Polarização Política: Uma divergência no apoio emergiu entre os partidos políticos. A partir de dezembro de 2024, o apoio republicano ao desenvolvimento da IA excedeu o apoio democrata, coincidindo com os resultados das eleições dos EUA de 2024.
Correlatos Psicológicos:
- Confiança: Respondentes com maior confiança generalizada relataram maior apoio à IA em comparação com aqueles que foram mais cautelosos.
- Disposição ao Risco: Houve uma forte correlação positiva entre a disposição ao risco e o apoio à IA ( $\hat{\beta} = 0,203$ ). Aqueles mais dispostos a assumir riscos eram significativamente mais favoráveis ao desenvolvimento da IA.
Demografia:
- Sexo: Respondentes do sexo masculino reportaram consistentemente maior apoio do que respondentes do sexo feminino.
- Idade: Participantes mais velhos reportaram maior apoio do que participantes mais jovens. Crucialmente, o declínio no apoio ao longo do tempo foi mais acentuado entre os mais jovens, indicando um crescente fosso baseado na idade.
Mudanças Qualitativas: A análise das respostas abertas revelou temas emergentes além das categorias padrão "empolgante/útil/preocupante/futurista". Novas preocupações relativas ao consumo de utilidades (água/eletricidade) e apreciação pela companhia da IA apareceram. A frequência de menções sobre custos ambientais (água/eletricidade) aumentou significamente ao longo do tempo.

Significância e Alegações
O artigo posiciona o SSDI não apenas como uma ferramenta de coleta de dados, mas como uma nova forma de comunicação científica. Sua significância é estruturada em torno de três contribuições principais:

Insight Temporal de Alta Resolução: O sistema fornece a resolução temporal necessária para detectar quando e como a opinião pública muda, capturando pontos de virada (como a quebra de tendência de 2025) que pesquisas de baixa frequência perderiam.
Transparência e Reprodutibilidade Forçadas: Ao automatizar o pipeline de dados e tornar todo o código e dados públicos imediatamente, o sistema remove barreiras à replicação e força a adesão às práticas de ciência aberta. Ele permite "painéis paralelos" onde divergências fundamentais sobre medição podem ser testadas simultaneamente.
Previsão Principiada: O fluxo contínuo de dados cria um ciclo de feedback para o teste de teorias. Permite que os pesquisadores passem de descrições estáticas para previsões dinâmicas, responsabilizando os modelos perante dados em tempo real, em vez de conjuntos de dados estáticos e atrasados.

O autor argumenta que esta abordagem aborda a "crise de previsibilidade" ao fornecer um mecanismo para testar se as teorias podem prever com precisão a trajetória de séries temporais diárias. O artigo conclui que, embora a demonstração atual seja modesta em escala (autofinanciada, única nação), a arquitetura é escalável e deve ser adotada de forma mais ampla para melhorar a eficiência e a transparência da descoberta nas ciências sociais.