Grand Challenges for the Convergence of Computational and Citizen Science Research Workshop Report

Resumo Técnico: Grandes Desafios para a Convergência da Pesquisa em Ciência Computacional e Ciência Cidadã

Declaração do Problema
O artigo identifica uma lacuna crítica entre o crescimento exponencial da geração de dados via instrumentos computacionais avançados (satélites, sensores, sistemas de imagem) e a capacidade das comunidades científicas profissionais de interpretar, validar e utilizar esses dados. Enquanto a ciência computacional oferece velocidade e escala, ela enfrenta dificuldades com a interpretação contextual, o raciocínio hierárquico e o tratamento de dados heterogêneos e não estruturados. Por outro lado, a ciência cidadã oferece vastas capacidades cognitivas humanas e conhecimento local, mas muitas vezes carece de infraestrutura, padronização e integração computacional para escalar de forma eficaz.

O problema central é que esses dois campos têm operado, em grande parte, como trilhas paralelas. Sem uma convergência intencional, a "lacuna de análise" se alarga, levando a oportunidades científicas perdidas, alocação ineficiente de recursos e uma falha em aproveitar todo o potencial da participação pública na resolução de problemas científicos complexos e de múltiplas escalas. Além disso, as plataformas de ciência cidadã existentes frequentemente sofrem com infraestrutura fragmentada, falta de financiamento sustentável, insuficiência de segurança contra ameaças adversárias (ex: envenenamento de dados) e um déficit de mecanismos de confiança entre voluntários e sistemas de IA.

Metodologia
Este relatório não é um estudo experimental, mas um documento de visão estratégica derivado de um workshop do Computing Community Consortium (CCC) realizado em 8 e 9 de abril de 2025, em Washington, D.C., precedido por sessões virtuais de coleta de insumos.

• Participantes: O workshop reuniu especialistas da academia, indústria e governo, incluindo autores principais de instituições como a Universidade de Minnesota, Universidade de Syracuse e o International Computer Science Institute, além de contribuintes fundamentais do MIT, UCL e NASA.
• Processo: A metodologia envolveu um exercício de visão de duas rodadas (online e presencial) para sintetizar diversas perspectivas disciplinares. Os participantes analisaram o estado da arte atual, identificaram gargalos e definiram direções estratégicas de pesquisa.
• Estrutura: O resultado é estruturado em torno de cinco "Direcionadores de Pesquisa" projetados para guiar investimentos e políticas futuras. O relatório alinha esses direcionadores com diretrizes federais (especificamente M-25-21 e M-25-22 relativas à governança e aquisição de IA) e relatórios das Academias Nacionais (ex: NASEM 2022 sobre Parceria Humano-IA).

Principais Contribuições: Os Cinco Direcionadores de Pesquisa
O artigo propõe uma agenda de pesquisa abrangente organizada em cinco direcionadores interdependentes:

1. Parceria Humano-Computador (Sistemas Multiagentes, Multimodais e de Múltiplos Stakeholders):

   • Foca na otimização da alocação de tarefas entre agentes humanos e de IA.
   • Clama por pesquisa em sistemas "multiatores", onde a IA pré-filtra dados ou roteia tarefas para humanos com habilidades específicas, e integração "multimodal" (combinando texto, imagens, áudio, dados de sensores) onde a compreensão humana valida os outputs da IA.
   • Enfatiza a inserção da ciência cidadã em ambientes físicos e digitais existentes (multi-ambiente) e o alinhamento dos objetivos científicos com os valores da comunidade (multi-stakeholder).

2. Feedback, Interatividade e Entrega Just-in-Time:

   • Argumenta que os sistemas atuais tratam o feedback como algo secundário.
   • Propõe pesquisa em loops de feedback personalizados e em tempo real usando IA (ex: LLMs como tutores) para melhorar a retenção de voluntários, a qualidade dos dados e o aprendizado.
   • Destaca a necessidade de comunicação recíproca onde os voluntários se sintam reconhecidos e os cientistas recebam dados diagnósticos sobre o desempenho do sistema.

3. Confiança, IA e Ciência Cidadã (Construindo um Futuro Compartilhado):

   • Identifica a confiança como o elemento fundamental para a convergência.
   • Clama por "governança participativa", onde as comunidades tenham agência sobre como os dados e modelos são utilizados.
   • Requer pesquisa em IA Explicável (XAI) para não especialistas e o desenvolvimento de "métricas de confiança" que meçam dinâmicas relacionais (respeito, precisão percebida) em vez de apenas usabilidade.

4. Segurança, Privacidade e Sistemas Participativos Abertos:

   • Aborda a vulnerabilidade de sistemas abertos a ameaças adversárias, incluindo envenenamento de dados, mídia sintética e desinformação coordenada.
   • Prioriza pesquisa em tecnologias de preservação de privacidade (aprendizado federado, privacidade diferencial) e "soberania de dados/modelos" para garantir que as comunidades locais mantenham o controle sobre suas contribuições enquanto permitem a colaboração global.
   • Busca um equilíbrio entre abertura (para utilidade científica) e proteção (contra exploração).

5. Sustentação de Infraestrutura através das Camadas Cibernética, de Dados, Humana e Física:

   • Identifica a infraestrutura cibernética atual como um gargalo.
   • Clama por "sensoriamento e computação de borda" (edge computing) para ambientes com restrição de recursos e modelos de "aprendizado de máquina leves" implantáveis em dispositivos pessoais.
   • Propõe infraestruturas de dados descentralizadas e FAIR (Encontráveis, Acessíveis, Interoperáveis, Reutilizáveis) e modelos de financiamento sustentáveis para manutenção de plataformas, tratando essas plataformas como infraestrutura nacional comparável a supercomputadores.

Resultados e Principais Descobertas
O workshop concluiu que a convergência desses campos é uma "oportunidade geracional", mas requer uma mudança de vê-los como trilhas separadas para vê-los como pilares interdependentes.

• Reforço Mútuo: Existe um loop de feedback positivo onde a ciência cidadã fornece dados contextualizados e confiáveis para treinar a IA, enquanto a IA fornece roteamento de tarefas otimizado e coaching em tempo real para os voluntários.
• Necessidade do Humano no Ciclo (Human-in-the-Loop): Uma parceria eficaz exige equilibrar a eficiência da máquina com a percepção humana para detectar anomalias, vieses e erros contextuais que a IA deixa passar.
• Déficit de Infraestrutura: A infraestrutura atual é insuficiente para a escala, variabilidade e natureza de longo prazo da ciência cidadã, necessitando de dispositivos de borda de próxima geração e sistemas de dados descentralizados.
• Fragmentação: Embora existam projetos bem-sucedidos (ex: Zooniverse, iNaturalist), eles carecem de padrões compartilhados, recursos sustentáveis e governança coordenada, o que limita a escalabilidade.

Significância e Alegações
O artigo alega que a convergência estratégica é essencial para a competitividade nacional, eficiência econômica e resiliência científica.

• Interesse Nacional: Alinha-se com mandatos federais para acelerar o uso de IA no governo, melhorar a confiança pública e aumentar a segurança nacional (ex: resposta a desastres, monitoramento ambiental).
• Valor Econômico: Destaca o substancial valor econômico do trabalho voluntário (ex: US$ 11,6 milhões em valor proveniente do Zooniverse apenas em 2023) e o potencial para coleta de dados de baixo custo.
• Desenvolvimento da Força de Trabalho: Postula que a ciência cidadã serve como um caminho vital para o desenvolvimento da força de trabalho em STEM, capacitando o público em alfabetização de IA e de dados.
• Democratização: A significância última reside na democratização da ciência, permitindo que o público passe de coletores passivos de dados para co-criadores ativos do conhecimento científico, fomentando assim uma sociedade tecnicamente mais instruída e engajada.

Os autores concluem que a tecnologia está pronta, mas o "como" da integração — governança, infraestrutura e confiança — deve ser abordado por meio de políticas e investimentos direcionados para realizar um ecossistema sociotécnico onde a inteligência humana e de máquina colaborem em escala.