Futures studies and foresight for science, technology and innovation: trends of using big data and machine learning = Estudos de futuro e foresight para ciência, tecnologia e inovação : tendências do uso de big data e machine learning

Autor(es)

Vinícius Muraro da Silva

• Tipo de documento: Tese de Doutorado
• Imprenta: Campinas, SP.
• Instituição: Universidade Estadual de Campinas (UNICAMP). Instituto de Geociências
• Data de defesa: 2021-03-15

Membros da banca

Sergio Luiz Monteiro Salles Filho; Ian Miles; Bernardo Pereira Cabral; Nicholas Spyridon Vonortas; Sérgio Robles Reis de Queiroz

• Orientador: Sergio Luiz Monteiro Salles Filho

Resumo

Estudos de futuro têm mostrado um crescimento acelerado desde o período pós-Segunda Guerra Mundial, em que governos e empresas privadas se atentaram à importância de "prever" novas tendências, principalmente tecnológicas, para sua segurança institucional. Tais estudos ganharam um novo panorama a partir da proliferação de dados em escalas massivas e da capacidade de processamento crescente, levando a novas abordagens principalmente em estudos baseados em dados. Big Data e Machine Learning (BDML) se tornaram ferramentas poderosas para extrair e analisar dados para atividades prospectivas. A questão central sobre o uso de ferramentas de BDML é entender os impactos específicos desses mecanismos nas abordagens conceituais e metodológicas de estudos futuros. Este trabalho pretende responder a essas questões através da análise de publicações acadêmicas sobre estudos de futuros apoiados por BDML e a aplicação de uma survey com 479 especialistas em foresight. A metodologia proposta visa compreender como essas ferramentas são empregadas e os futuros benefícios e limitações de BDML em foresight. Os resultados bibliométricos apontam para um número reduzido, mas crescente, de estudos futuros apoiados por BDML publicados nas últimas décadas. Em geral, esses estudos empregam técnicas de BDML, como mineração de texto e dados, em ao menos uma parte do processo de previsão. As opiniões dos especialistas em estudos futuros sugerem que 1) as competências analíticas são essenciais para lidar com a complexidade trazida pela revolução digital e 2) a robusta análise de dados e ferramentas automatizadas apoiam a transferência dos resultados dos estudos para o desenvolvimento de políticas e estratégias. No entanto, 3) a falta de confiabilidade e possível manipulação dos dados pode desempenhar um papel incerto neste ambiente. O trabalho conclui que BDML impacta as atividades orientadas para o futuro em três dimensões: 1) Confiança de dados, 2) Integração de dados e métodos e, 3) Tomada de decisão. A manipulação de dados pode aumentar a percepção de incerteza substantiva em estudos futuros. No entanto, a integração de técnicas de BDML em metodologias de previsão diminui fortemente a incerteza processual e apoiará a tomada de decisão eficaz. As limitações deste trabalho são principalmente duas. Primeiro, publicações de estudos de futuro não acadêmicos não foram coletadas e analisadas. Segundo, as características da amostra e da população de especialistas consultados não foram comparadas devido a uma limitação dos dados da população na análise da survey. (AU)

• Processo FAPESP: 18/05144-4 - Avaliação ex-ante: avaliação de financiamentos públicos a P&D usando técnicas de opções reais
• Beneficiário: Vinicius Muraro da Silva
• Modalidade de apoio: Bolsas no Brasil - Doutorado Direto