Learning epidemics: a compartmental and network approach to how artificial intelligence literacy spreads inside organizations

Resumo Técnico: Epidemias de Aprendizagem – Uma Abordagem Compartimental e de Rede para a Difusão de Alfabetização em IA

Definição do Problema
As organizações dependem cada vez mais da rápida difusão de novas competências, mas os modelos tradicionais de aprendizagem no local de trabalho frequentemente tratam o indivíduo como a unidade de mudança, negligenciando as estruturas de comunicação que facilitam a transferência de conhecimento. Essa lacuna é particularmente aguda com a Inteligência Artificial (IA) generativa, onde a alfabetização não é um currículo fixo, mas um alvo móvel adquirido através de interações informais e laterais. Os autores argumentam que a propagação da alfabetização em IA funciona como um "contágio complexo", exigendo reforço de múltiplas fontes em vez de uma única exposição. A literatura existente carece de um tratamento empírico integrado que meça redes de comunicação reais, ajuste modelos epidêmicos explícitos à propagação de competências e derive números de reprodução ($R_0$) interpretáveis em múltiplas organizações para comparar resultados estruturais.

Metodologia
O estudo emprega um design longitudinal multiorganizacional envolvendo três instituições (Instituições 1, 2 e 3) de tamanhos variados (1.000 a 7.124 funcionários). Os dados foram coletados em três momentos: linha de base (T0), meio do período (T1) e final do período (T2).

1. Construção da Rede: Os participantes completaram um instrumento de gerador de nomes egocêntrico, listando até dez colegas com quem discutiram IA nos últimos 30 dias. Os vínculos direcionados foram ponderados pela frequência das conversas.
2. Análise de Redes Sociais (SNA): Utilizando Python (NetworkX), os autores computaram descritores padrão (densidade, agrupamento, reciprocidade, tamanho do componente gigante) e métricas de nível de nó (grau, medidas de centralidade).
3. Modelagem Compartimental (SEIR): Os autores adaptaram o modelo SEIR (Susceptible–Exposed–Infectious–Recovered) para a aprendizagem:
   • Susceptível (Susceptible): Desinformado/não engajado.
   • Exposto (Exposed): Encontrou o conhecimento, mas não o utiliza.
   • Infeccioso (Infectious): Aplicando ativamente e transmitindo.
   • Recuperado (Recovered): Uso habitual/consolidado.
     Os parâmetros de transmissão ($\beta$) e recuperação ($\gamma$) foram fixados ($\beta=0,3, \gamma=0,2$) para garantir a comparabilidade entre as instituições.
4. Estimativa do Número de Reprodução ($R_0$): Em vez de ajustar o modelo às curvas de adoção, o $R_0$ foi estimado analiticamente a partir da topologia da rede usando a expressão do modelo de configuração: $R_0 = \tau(\langle k^2 \rangle - \langle k \rangle)/\langle k \rangle$, onde $\tau$ é a transmissibilidade e $\langle k \rangle$ representa os momentos da distribuição de graus.
5. Aprendizado de Máquina para Retenção: Para prever quais indivíduos permaneceram engajados em todas as ondas, os autores agruparam os dados ($N=770$) e treinaram classificadores Random Forest e Gradient Boosting. Os preditores incluíram sociodemografia (tempo de casa, departamento, cargo) e posição na rede na linha de base. A importância das características foi analisada juntamente com correlações lineares ponto-bisseriais para detectar relações não lineares.
6. Simulação e Visualização: Um console de pesquisa baseado em navegador foi desenvolvido para permitir que as partes interessadas visualizem a dinâmica da rede, executem simulações SEIR em topologias reais e sintéticas e explorem cenários contrafatuais (ex: rotatividade de pessoal, integração de novos funcionários).

Principais Resultados

• Heterogeneidade Estrutural: As três organizações exibiram topologias de rede de linha de base distintas. A Instituição 1 formou um grande componente gigante conectado (79,6% dos nós); a Instituição 2 era mais distribuída com um núcleo menor; a Instituição 3 era altamente fragmentada, dominada por pares reciprocados isolados.
• Contração e Consolidação da Rede: Em todas as três organizações, as redes de discussão encolheram em tamanho (menos nós e arestas) ao longo do tempo, mas tornaram-se mais densas. Isso sugere que, embora a população mais ampla tenha se desengajado, os participantes restantes formaram clusters mais coesos e apertados.
• Correlação entre $R_0$ e Retenção: Os valores de $R_0$ da linha de base foram 2,92 (Inst. 1), 1,93 (Inst. 2) e 1,14 (Inst. 3). Essa ordem correspondeu perfeitamente às taxas de retenção dos participantes em todas as três ondas: 44,4%, 28,3% e 11,4%, respectivamente. Organizações com maior capacidade estrutural de disseminar aprendizagem retiveram mais aprendizes.
• Preditores de Retenção: Modelos de aprendizado de máquina identificaram o Departamento e a Centralidade de Proximidade (Closeness Centrality) como os preditores mais fortes de retenção. Notavelmente, o Tempo de Casa (Tenure) mostrou uma correlação linear quase nula com a retenção ($r = -0,001$), mas foi uma característica principal em modelos de árvore não lineares, indicando uma relação complexa e não monotônica onde funcionários muito novos e muito experientes podem se comportar de forma diferente dos demais.
• Métricas de Centralidade: A centralidade de proximidade foi a métrica de rede mais informativa. A centralidade de autovetor (Eigenvector centrality) foi pouco informativa devido à fragmentação da rede, colapsando para próximo de zero em componentes desconectados.

Principais Contribuições

1. Reenquadramento da Aprendizagem como Contágio: O estudo aplica com sucesso ferramentas de epidemiologia de redes à aprendizagem organizacional, tratando a alfabetização em IA como um contágio complexo dependente de coesão e redundância de rede.
2. $R_0$ Topológico para Aprendizagem: Os autores fornecem um método para estimar um número de reprodução básico para a aprendizagem diretamente da topologia da rede sem a necessidade de ajustar curvas de adoção, ofereando uma métrica estrutural para a capacidade de aprendizagem de uma organização.
3. Insights Não Lineares: Ao combinar aprendizado de máquina baseado em árvores com correlações lineares, o estudo revela que atributos individuais, como o tempo de casa, influenciam a retenção da aprendizagem de formas não lineares que os métodos estatísticos tradicionais podem perder.
4. Ferramental Interativo: O desenvolvimento de um console de pesquisa autossuficiente permite que partes interessadas não técnicas interajam com dados de rede, executem simulações e visualizem dinâmicas de difusão sem executar o pipeline analítico subjacente.

Significância e Alegações
O artigo afirma que o fato de uma organização aprender a usar uma nova tecnologia é, em grande medida, uma propriedade estrutural de sua rede de comunicação, e não meramente um agregado de esforços individuais. O alinhamento entre o $R_0$ topológico da linha de base e a retenção final sugere que a estrutura da rede dita o teto da difusão da aprendizagem.

Os autores argumentam que este framework permite que as organizações passem de intuições difusas sobre cultura para quantidades mensuráveis. Especificamente, o $R_0$ pode servir como uma ferramenta diagnóstica: em redes fragmentadas (baixo $R_0$), a prioridade deve ser construir pontes entre grupos isolados antes de adicionar conteúdo; em redes coesas (alto $R_0$), o foco deve ser proteger o núcleo conectado. O estudo conclui que, embora os atributos individuais importem, eles frequentemente operam através de interações com a posição na rede e o contexto local, necessitando de abordagens que capturem relações estruturais não lineares. Os autores mantêm-se modestos, observando que o alinhamento entre $R_0$ e retenção baseia-se em três organizações e deve ser tratado como uma hipótese para testes futuros, particularmente dadas as limitações de diferenças na cobertura de pesquisas entre a amostra.