Collaboration by Mandate: How Shared Data Infrastructure Shapes Coordination and Control in U.S. Homelessness Services

Este estudo analisa como o sistema de dados HMIS, ao ser mandado pelo governo federal para coordenar serviços de combate à sem-teto nos EUA, atua simultaneamente como ferramenta de colaboração e instrumento de controle, facilitando a coordenação enquanto reproduz assimetrias de poder que limitam a participação equitativa e deslocam alguns atores para papéis focados em conformidade.

O essencial

Imagine que o sistema de ajuda a pessoas sem-teto nos EUA é como uma grande orquestra. Cada músico (as organizações de ajuda) toca um instrumento diferente, mas todos precisam tocar a mesma música para que a sinfonia funcione.

No entanto, não há um maestro natural que todos sigam. Em vez disso, o governo federal diz: "Vocês vão tocar juntos, e para isso, todos devem usar a mesma partitura e o mesmo metrônomo." Essa "partitura" é um sistema de dados chamado HMIS.

Este artigo de pesquisa, escrito por Lingwei Cheng e colegas, investiga o que acontece quando o governo obriga essas organizações a colaborar usando esse sistema de dados compartilhado.

Aqui está a explicação do que eles descobriram, usando analogias do dia a dia:

1. O Sistema é uma Faca de Dois Gumes

O sistema HMIS foi criado com uma boa intenção: coordenação.

• O Lado Bom (A Colaboração): Imagine que uma pessoa sem-teto vai a um abrigo hoje e a um banco de alimentos amanhã. Se os dados estiverem compartilhados, o trabalhador social do banco de alimentos sabe que a pessoa já foi ao abrigo. Isso evita que a pessoa tenha que contar a mesma história triste dez vezes e ajuda a criar um plano de cuidado contínuo. É como ter um histórico médico único que todos os médicos podem ver.
• O Lado Ruim (O Controle): Mas, como o governo obriga o uso desse sistema, ele também vira uma ferramenta de vigilância. O sistema define regras rígidas sobre o que pode ser escrito, quem pode ler e como os números são interpretados. Isso pode transformar os trabalhadores sociais em "burocratas" que passam o dia preenchendo formulários para agradar o governo, em vez de ajudar as pessoas.

2. A Desigualdade de Poder (Os "Grandes" vs. Os "Pequenos")

Aqui está o ponto mais crítico do estudo. Nem todos os músicos têm o mesmo nível de habilidade ou o mesmo tipo de instrumento.

• As Organizações Grandes (Os Maestros): Elas têm dinheiro, especialistas em dados e computadores potentes. Elas conseguem usar o sistema para aprender, prever problemas e tomar decisões estratégicas. Elas ditam como a música deve ser tocada.
• As Organizações Pequenas (Os Aprendizes): Muitas são pequenas, sem dinheiro e com poucos funcionários. Para elas, o sistema não é uma ferramenta de aprendizado, mas uma obrigação chata. Elas preenchem os dados apenas para não perderem o financiamento (o "salário" delas). Elas não têm tempo ou capacidade para analisar os dados e dizer: "Ei, esses números não contam a história real!".

A Metáfora: É como se o governo desse a todos um tablet para escrever relatórios. As grandes empresas contratam programadores para fazer o tablet fazer milagres. As pequenas empresas, que já estão correndo para dar comida às pessoas, têm que usar o tablet apenas para preencher o formulário obrigatório, sem entender o que os dados significam.

3. A Armadilha da Padronização

O sistema exige que todos escrevam as coisas da mesma forma (padronização).

• O Problema: A vida real é bagunçada e complexa. As pessoas sem-teto têm histórias únicas. O sistema, para ser eficiente, simplifica tudo em caixas de seleção (checkboxes).
• O Resultado: Às vezes, a realidade da pessoa não cabe na "caixa". Se um trabalhador social tenta anotar algo importante que não está na lista oficial, o sistema pode rejeitar ou perder essa informação. Isso cria uma "cegueira" onde o sistema vê apenas o que foi padronizado, ignorando as nuances humanas.

4. A Desconfiança e o Medo

Muitas pessoas sem-teto não confiam no sistema. Elas têm medo de que, se contarem onde estão ou o que fizeram, a polícia ou o governo as usem contra elas.

• O Dilema: Os trabalhadores sociais estão presos no meio. Eles precisam dos dados para ajudar, mas se a pessoa não confia, ela não fala a verdade. É como tentar montar um quebra-cabeça com peças que as pessoas estão escondendo por medo.

5. O Que os Autores Sugerem?

O estudo não diz para destruir o sistema, mas sim para reformá-lo. Eles sugerem que:

• Em vez de usar os dados apenas para punir ou controlar (fazer as pessoas cumprirem regras), devemos usá-los para aprender juntos.
• As organizações grandes precisam ajudar as pequenas a entenderem os dados, não apenas cobrar relatórios delas.
• É preciso ouvir a história por trás do número. Um gráfico pode mostrar que "ninguém conseguiu uma casa", mas a história real pode ser que "o sistema de casas não aceitava pessoas com antecedentes criminais". O sistema precisa ser flexível o suficiente para contar essa história.

Resumo Final

O artigo nos ensina que tecnologia sozinha não resolve problemas sociais. Quando o governo força organizações a usarem um sistema de dados compartilhado, isso pode ajudar a coordenar o trabalho, mas também pode criar uma hierarquia onde os ricos (com mais dados e poder) mandam, e os pobres (que fazem o trabalho de rua) apenas obedecem.

Para que a colaboração funcione de verdade, precisamos garantir que todos tenham as ferramentas e o conhecimento para não apenas preencher os dados, mas para entendê-los e usá-los para melhorar a vida das pessoas.

Resumo técnico

Título: Colaboração por Mandato: Como a Infraestrutura de Dados Compartilhada Molda a Coordenação e o Controle nos Serviços de Sem-Abrigo dos EUA

1. Problema e Contexto

O artigo investiga a dinâmica de colaboração em redes de serviços sociais fragmentados, especificamente no sistema de atendimento a pessoas sem-teto nos Estados Unidos. O problema central reside na tensão inerente entre colaboração e controle quando a colaboração é imposta por mandatos governamentais.

• O Cenário: Os governos federal e estadual exigem que provedores de serviços (principalmente ONGs) coordenem-se através de infraestruturas de dados compartilhadas para receber financiamento.
• O Mecanismo: O sistema utilizado é o HMIS (Homeless Management Information System), um sistema de dados mandado pelo Departamento de Habitação e Desenvolvimento Urbano (HUD). Ele padroniza a coleta, armazenamento e reporte de dados de clientes.
• A Lacuna de Pesquisa: Embora se saiba que ferramentas de dados podem empoderar ou desempoderar provedores, há pouco entendimento sobre como essas infraestruturas compartilhadas estruturam o "trabalho de dados" (data work) e a autoridade de decisão em toda a rede de serviços. A questão central é: a padronização de dados promove uma tomada de decisão colaborativa e distribuída, ou concentra o controle e reforça assimetrias de poder?

2. Metodologia

O estudo adota uma abordagem qualitativa baseada em um estudo de caso único, focado na região FL-507 (Central Florida Continuum of Care), que abrange as condados de Orange, Osceola e Seminole.

• Participantes: Foram realizadas seis entrevistas semiestruturadas (de uma hora cada) com partes interessadas que gerenciam e utilizam o HMIS na região.
  • Amostra: 4 funcionários da agência líder de coordenação (Lead Agency) e 2 funcionários de provedores de serviços participantes.
  • Recrutamento: Amostragem por bola de neve, começando pelos contatos principais do HMIS.
• Protocolo de Análise: As entrevistas foram estruturadas em torno das quatro etapas da cadeia de valor de dados:
  1. Coleta: Registro ou gathering de dados.
  2. Armazenamento: Manutenção, segurança e acesso aos registros.
  3. Análise: Processamento de dados em indicadores, relatórios ou modelos.
  4. Uso: Aplicação de saídas para decisões, prestação de contas ou entrega de serviços.
• Processamento de Dados: As gravações foram transcritas, limpas e anonimizadas. Foi realizada uma análise temática indutiva com codificação aberta, onde cada transcrição foi codificada duplamente por dois pesquisadores, seguida de diagramação de afinidade.

3. Principais Contribuições

O artigo contribui para a pesquisa em tecnologias de interesse público e infraestrutura de dados cívicos de três maneiras principais:

1. Estudo Qualitativo Profundo: Oferece uma análise detalhada do HMIS, demonstrando como ele molda a colaboração, a responsabilidade (accountability) e o poder entre atores governamentais e sem fins lucrativos.
2. Foco no Ciclo de Vida e Narrativa: Examina não apenas a coleta de dados, mas como eles são coletivamente analisados, transformados em narrativas comunitárias e como atritos (como a mudança de papéis para foco em conformidade) concentram a autoridade.
3. Contextualização Política: Situa a pesquisa em HCI (Interação Humano-Computador) relacionada a pessoas sem-teto dentro de seu contexto político e organizacional mais amplo, destacando como a governança de dados e a infraestrutura moldam conjuntamente a produção, interpretação e justiça dos dados.

4. Resultados e Descobertas Chave

Os resultados foram organizados por estágio do ciclo de dados, revelando tensões entre padronização e autonomia:

• Coleta de Dados:

  • Tensão: Existe um conflito entre a conformidade com os padrões do HUD, a eficiência operacional e a equidade na entrega de serviços.
  • Desafios: A falta de confiança (especialmente entre clientes e o sistema de justiça criminal) leva à omissão de dados. A capacidade organizacional desigual significa que provedores menores priorizam a entrega de serviços sobre a documentação, coletando dados apenas para cumprir requisitos de reembolso.
  • Assimetria Legal: Parceiros maiores (como hospitais) têm "capital legal" superior para ditar termos de compartilhamento de dados, enquanto as agências de coordenação (CoCs) têm menos poder de negociação.

• Armazenamento de Dados:

  • Centralização vs. Customização: Embora o armazenamento seja centralizado no HMIS, há uma tensão constante. Provedores coletam dados adicionais para gestão local, mas a integração desses dados não padronizados no HMIS frequentemente resulta em duplicação, taxas de dados faltantes e confusão.
  • Sistemas Paralelos: Para garantir equidade (devido à baixa alfabetização digital de alguns clientes), muitos provedores mantêm sistemas paralelos em papel, o que complica a criação de uma infraestrutura de dados unificada.

• Análise de Dados:

  • Interpretação Desigual: A análise conjunta é difícil porque requer tanto habilidades técnicas quanto conhecimento contextual profundo. Sem estruturas interpretativas compartilhadas, os mesmos dados podem gerar narrativas conflitantes.
  • Concentração de Poder: Organizações maiores e mais estabelecidas têm mais influência na definição de padrões e capacidade de realizar análises profundas. Provedores menores dependem de relatórios prontos e usam dados principalmente para validar julgamentos experienciais, limitando o investimento compartilhado em análise colaborativa.
  • Alinhamento de Incentivos: A falta de benefícios mútuos e objetivos compartilhados (ex.: provedores de Medicaid focando em seus próprios portfólios) dificulta a análise conjunta.

• Uso de Dados:

  • Comunicação e Tomada de Decisão: O uso de dados ocorre em reuniões comunitárias e comitês. A comunicação consistente ajuda a construir confiança, mas é desafiada por diferentes suposições entre provedores e financiadores sobre o que constitui "sucesso".
  • Narrativa e Lacunas: A comunicação eficaz depende de storytelling e contexto qualitativo, especialmente quando dados quantitativos estão faltando (ex.: status de identificação dos clientes). Reconhecer essas lacunas é crucial para informar futuras práticas de coleta.

5. Significado e Implicações

O estudo conclui que as infraestruturas de dados compartilhadas não são apenas ferramentas neutras de processamento; elas institucionalizam uma lógica de governança que define cujo conhecimento conta e quem pode participar.

• Reforço de Assimetrias: A padronização, embora necessária para interoperabilidade e prestação de contas, tende a limitar a customização local e transferir a responsabilidade interpretativa para a agência líder e organizações mais ricas. Isso pode transformar provedores menores em agentes focados apenas em conformidade (compliance), em vez de parceiros estratégicos.
• Caminho para a Equidade: Para avançar uma colaboração equitativa, a governança de dados deve ser reenquadrada de um regime de conformidade para uma infraestrutura de aprendizado.
  • Recomendações Práticas: Expandir a capacidade analítica de provedores menores, incorporar vozes comunitárias nos padrões de dados e criar loops de feedback que circulem insights entre níveis de governança.
  • Estrutura de Padrões: Adotar padrões em camadas: um núcleo de reporte estável, extensões locais sancionadas e caminhos claros para experimentação.

Em suma, o artigo alerta que, sem atenção deliberada à distribuição de recursos, capacidade analítica e autoridade interpretativa, os mandatos de dados podem, paradoxalmente, exacerbar desigualdades em vez de resolver problemas sociais complexos.