From Job Postings to Curriculum Decisions: Using AI to Generate Workforce Intelligence for MSW Program Planning

Este artigo apresenta um estudo de caso em que um programa de Trabalho Social Mestre (MSW) utilizou inteligência artificial para analisar mais de 40.000 anúncios de emprego, gerando dados estratégicos sobre competências e especializações do mercado de trabalho que auxiliaram no planejamento curricular e na tomada de decisões da faculdade.

O essencial

Imagine que você é o capitão de um grande navio (uma escola de Serviço Social) e precisa decidir para onde navegar nos próximos anos. O problema é que o mapa do tesouro (o mercado de trabalho) muda constantemente, e os mapas antigos (pesquisas com ex-alunos ou conselhos consultivos) às vezes mostram lugares que já não existem mais ou não refletem o que os "caçadores de tesouros" (os empregadores) estão procurando hoje.

Este artigo é como a história de como uma equipe de capitães decidiu usar um robô superinteligente para ler milhares de anúncios de emprego e desenhar um novo mapa em tempo real.

Aqui está a explicação simples, usando analogias do dia a dia:

1. O Problema: Navegar no Escuro

Antes, as escolas de Serviço Social decidiam o que ensinar baseadas em "achismos" ou em conversas com algumas pessoas. Era como tentar adivinhar o que a galera vai pedir no cardápio do restaurante apenas perguntando para três clientes que saíram ontem.

• A realidade: O mercado é gigante (463.000 assistentes sociais nos EUA) e muda rápido.
• A solução: Em vez de adivinhar, eles usaram uma Inteligência Artificial (IA) para ler mais de 41.000 anúncios de emprego de uma só vez. Foi como ter um robô que devorou todos os jornais de classificados do país em uma tarde.

2. A Ferramenta: O "Detetive de Palavras"

Eles não contrataram 500 pessoas para ler esses anúncios. Eles usaram um modelo de linguagem (um tipo de IA) que funciona como um detetive extremamente rápido.

• Como funcionou: O robô leu cada anúncio e fez três perguntas:
  1. "Isso é um trabalho para quem tem diploma de Serviço Social?" (Sim/Não/Talvez).
  2. "Se sim, em qual área se encaixa?" (Ex: Terapia, Crianças, Gestão, Políticas Públicas).
  3. "Quais ferramentas ou habilidades específicas o empregador está pedindo?" (Ex: Saber usar um software, saber fazer terapia cognitivo-comportamental, saber lidar com traumas).

3. O Que Eles Descobriram (O Mapa do Tesouro)

Aqui estão as descobertas principais, traduzidas para a vida real:

• A Terapia é a Rainha: A área de "Prática Interpessoal" (terapia, saúde mental) dominou o mercado, representando quase 70% dos empregos. É como se 7 de cada 10 vagas fossem para quem quer ser terapeuta.
• Crianças e Famílias são Fortes: Foi a segunda maior área. Muitas vagas pediam especificamente o diploma de Serviço Social para cuidar de crianças e famílias.
• O "Pulo do Gato" da Gestão: A área de gestão e liderança também era grande (22%). Isso mostra que muitos assistentes sociais acabam virando chefes ou administradores.
• O Mistério das Habilidades Cruzadas:
  • Avaliação e Gestão de Casos: Essas duas habilidades apareciam em quase todos os tipos de trabalho, seja com idosos, crianças ou em políticas públicas. É como saber "ler o mapa" e "organizar a rota" – habilidades que todo bom assistente social precisa, não importa onde trabalhe.
  • O Paradoxo da Terapia: Os empregadores raramente escreviam no anúncio "precisa saber Terapia Cognitivo-Comportamental". Mas, quando escreviam, era um requisito obrigatório. A IA mostrou que os empregadores assumem que todo bom terapeuta já sabe isso, por isso não precisam pedir.
  • Cuidado com Trauma em Tudo: O termo "Cuidado Informado sobre Trauma" aparecia até em vagas de gerentes e políticos. Isso significa que o trauma não é mais só coisa de terapeuta; é uma forma de pensar que precisa estar na cultura de toda a organização, desde o CEO até o avaliador de programas.

4. A Grande Lição: O Robô é um Guia, não o Chefe

O ponto mais importante do artigo é este: A IA não decide o currículo, ela apenas dá informações.

Pense na IA como um GPS. O GPS pode dizer: "Há um engarrafamento na Rua A e um atalho na Rua B". Mas quem decide qual caminho tomar é o motorista (os professores e a escola).

• A IA mostrou que as áreas de "Macro" (política, gestão, comunidade) muitas vezes se misturam nos anúncios. Isso sugere que talvez as escolas devam ensinar essas habilidades de forma mais integrada, em vez de separadas em caixinhas.
• Mas, para áreas clínicas específicas (como cuidar de idosos vs. crianças), os dados mostram que as habilidades são muito diferentes. Então, manter cursos separados faz sentido.

Resumo Final

Este estudo é como uma ponte entre o que as escolas ensinam e o que o mercado realmente precisa.
Eles usaram a tecnologia para transformar milhares de textos confusos em dados claros. A conclusão é que as escolas de Serviço Social podem usar essa "inteligência organizacional" para ajustar seus cursos, garantindo que os alunos saiam prontos para o que os empregadores estão pedindo hoje, e não para o que pediam há 10 anos.

É uma forma de deixar de adivinhar o futuro e começar a lê-lo com precisão.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "From Job Postings to Curriculum Decisions: Using AI to Generate Workforce Intelligence for MSW Program Planning", traduzido e estruturado em português.

Título: De Anúncios de Emprego a Decisões Curriculares: Usando IA para Gerar Inteligência de Força de Trabalho para o Planejamento de Programas de MSW

1. O Problema

Os programas de Mestrado em Serviço Social (MSW) enfrentam um desafio persistente na alinhamento de seus currículos com as expectativas do mercado de trabalho. Tradicionalmente, as decisões curriculares baseiam-se em:

• Feedback de conselhos consultivos e ex-alunos (relatos retrospectivos).
• Análises de licenciatura agregadas (como as da ASWB), que capturam o que os profissionais relatam fazer ao longo da carreira, mas não os critérios específicos de contratação para cargos de entrada.
• Falta de dados sistemáticos, atuais e diretos sobre as habilidades exigidas pelos empregadores em tempo real.

Existe uma lacuna na capacidade dos programas de traduzir as demandas dinâmicas do mercado em estruturas curriculares eficazes, especialmente sob o modelo de acreditação baseado em competências (EPAS 2022).

2. Metodologia

O estudo apresenta um caso de uso de uma abordagem baseada em Inteligência Artificial (IA) para transformar dados não estruturados de anúncios de emprego em "inteligência organizacional".

• Coleta de Dados:

  • Fonte: Plataformas de emprego (Indeed, LinkedIn, Glassdoor).
  • Ferramenta: Octoparse (web scraping).
  • Escopo: 41.584 anúncios únicos coletados em dezembro de 2025, cobrindo todos os 50 estados dos EUA e territórios.
  • Estratégia de Busca: 79 termos de busca distintos abrangendo prática clínica, bem-estar infantil, avaliação de programas e funções administrativas.

• Processamento e Classificação (IA):

  • Modelo: Um modelo de linguagem localmente implantado, GPT-OSS:20B (20 bilhões de parâmetros), executado via llama.cpp. A escolha de um modelo menor visou eficiência computacional, privacidade de dados e redução de custos, mantendo desempenho comparável a modelos comerciais maiores para tarefas de classificação.
  • Abordagem: Classificação zero-shot (sem necessidade de conjunto de dados de treinamento rotulado manualmente).
  • Filtros de Relevância:
    1. Alinhamento Forte: Exige explicitamente MSW ou licenciatura equivalente (LCSW/LMSW).
    2. Alinhamento Parcial: Trabalho em serviços humanos onde o MSW é aplicável, mas não central (aceita outras credenciais).
    3. Sem Alinhamento: Profissões distintas.
  • Taxonomia de Especialização: Os anúncios relevantes foram classificados em 8 especializações do currículo da instituição (ex: Prática Interpessoal, Crianças/Jovens/Famílias, Gestão/Liderança, Avaliação de Programas, etc.).
  • Extração de Habilidades: O modelo extraiu e normalizou quatro categorias:
    1. Modalidades Terapêuticas (ex: TCC, Terapia de Trauma).
    2. Habilidades Técnicas (ex: Avaliação Clínica, Gestão de Casos).
    3. Habilidades Interpessoais (Soft Skills).
    4. Habilidades Tecnológicas (ex: EHR, SPSS, Excel).

• Garantia de Qualidade:

  • Revisão por especialista humano de uma amostra para validar a precisão da classificação e extração.
  • Foco na confiabilidade dos padrões agregados para fins de tomada de decisão institucional, reconhecendo que erros individuais em nível de anúncio são aceitáveis se não distorcerem as tendências gerais.

3. Principais Contribuições

• Metodologia Transferível: Demonstra um pipeline replicável (coleta, classificação, extração) que outros programas de MSW podem adaptar às suas próprias estruturas curriculares e mercados locais sem depender de contratos caros de análise de dados.
• Inteligência Organizacional vs. Pesquisa Científica: O artigo estabelece uma distinção crucial: o objetivo não é produzir conhecimento generalizável universal, mas fornecer dados suficientes para informar a deliberação curricular em uma instituição específica.
• Uso Eficiente de IA: Valida o uso de modelos de linguagem menores e locais para análise de grandes volumes de texto não estruturado, democratizando a análise de mercado para instituições de ensino.

4. Resultados Chave

• Distribuição de Demanda por Especialização:

  • Prática Interpessoal (Clínica): Dominou o mercado com 69,9% da participação (16.597 posições), sendo a única área com um alto volume de posições de "alinhamento forte" (exigência explícita de MSW).
  • Crianças, Jovens e Famílias: Segunda maior demanda (>40%), com forte exigência de credenciais MSW específicas.
  • Gestão e Liderança / Idosos: Representaram cerca de 22% cada.
  • Especializações Macro: (Mudança Comunitária, Política, Global) foram numericamente menores, mas de alto impacto.

• Padrões de Coocorrência (Correlação):

  • Entre todas as posições alinhadas, as especializações macro (Gestão, Avaliação, Política) apresentaram correlações positivas moderadas a fortes, sugerindo que empregadores que aceitam múltiplas credenciais buscam competências generalistas integradas.
  • Entre posições de alinhamento forte (exigência estrita de MSW), essa correlação macro desapareceu (próxima de zero), indicando que empregadores que exigem MSW buscam especialização profunda e distinta.
  • Correlação negativa persistente entre "Crianças/Jovens/Famílias" e "Idosos", refletindo a necessidade de treinamento específico para cada população.

• Habilidades Técnicas e Clínicas:

  • Avaliação Clínica e Gestão de Casos: Emergiram como competências transversais dominantes, aparecendo no topo das listas para quase todas as especializações.
  • Modalidades Terapêuticas: A menção explícita de modalidades (ex: TCC) foi rara (<25% das posições). Quando mencionadas, eram tratadas como requisitos obrigatórios, não preferenciais.
  • Cuidado Informado pelo Trauma (Trauma-Informed Care): Apareceu não apenas em cargos clínicos, mas também em Gestão e Avaliação (11,1% e 5,7%, respectivamente), indicando uma expansão do conceito de intervenção clínica para um framework organizacional e sistêmico.

• Competências Tecnológicas:

  • Clínicos: Foco em conformidade HIPAA e registros eletrônicos de saúde (EHR).
  • Avaliação/Pesquisa: Alta demanda por software estatístico (SPSS, SAS, R, Stata) e visualização de dados (Power BI, Tableau), com cerca de 32% das posições exigindo essas ferramentas.

5. Significado e Implicações

• Revisão Curricular: Os dados sugerem que a "Avaliação Clínica" deve ser tratada como uma competência fundamental transversal a todos os alunos, não apenas aos de trilhas clínicas.
• Estrutura de Especialização: A divergência entre as correlações de posições "parciais" e "fortes" sugere que os programas podem oferecer treinamento macro integrado para o mercado geral, mas devem manter trilhas especializadas para posições que exigem credenciais MSW específicas.
• Integração de Tecnologia: A necessidade de proficiência em EHR e software estatístico deve ser integrada diretamente na preparação de campo e no currículo acadêmico.
• Cuidado Informado pelo Trauma: A presença de trauma em cargos de gestão e política indica que esse conteúdo deve permear todo o currículo, não apenas as disciplinas clínicas.
• Limitações e Contexto: O estudo enfatiza que a inteligência gerada por IA deve ser um insumo entre muitos (complementando conselhos consultivos e expertise docente), e não a única base para decisões. Os dados refletem "demanda expressa" (o que os empregadores dizem que querem), que pode diferir da "demanda latente" ou do desempenho real no trabalho.

Em suma, o artigo propõe uma mudança de paradigma na avaliação de mercado para educação em serviço social, movendo-se de relatos retrospectivos para uma análise sistemática, em tempo real e baseada em dados de grandes volumes de anúncios de emprego, utilizando IA para guiar decisões estratégicas curriculares.