Indicadores quantitativos: como obter, avaliar, criticar e aperfeiçoar

Ano: 2014 | Volume: 4 | Número: 2

Autores: Piotr Trzesniak

Palavras-chave: indicadores, medidas, processos estocásticos, quantificação, modelagem

Resumo Português:

Quantificar é inerente ao ser humano, e é inegável que trazer essa prática para a construção do conhecimento foi decisivo para o grande sucesso das ciências exatas e da engenharia já no século XIX. Assim sendo, a transformação de informações em números para entender e controlar processos foi transferida para as ciências humanas e sociais, mas... o sucesso não foi o que se esperava, levando muitos pesquisadores dessas áreas a, até, rejeitar a quantificação em geral. Embora tal postura seja compreensível, argumentamos que ela não decorre da quantificação em si, mas de que, a ela agregadas, vieram subliminarmente duas assunções bastante questionáveis e insuficientemente discutidas: as de que, como ocorre na física, nas áreas das ciência humanas e sociais, (i) os fenômenos são predominantemente determinísticos, e (ii) existe a expectativa de um “valor verdadeiro” claro e bem definido para a informação quantificada. O fato é que a quantificação nas áreas não exatas torna-se muito mais útil e eficaz caso se reconheça que (i) os fenômenos são mais bem entendidos se abordados como estocásticos, (ii) não há a expectativa de um “valor verdadeiro” para as informações quantificadas, elas são predominantemente distribuições, intervalos, e (iii) as formas de quantificar, embora sem dúvida totalmente válidas, são menos objetivas. Neste artigo, caracterizamos cada um desses contextos, visando a discriminá-los clara e definitivamente. Diferenciamos medidas de indicadores, e nos concentramos nestes últimos, classificando-os conforme suas várias características, aplicações e funções, e concluindo com um elenco de requisitos de qualidade que eles devem atender para maximizar eficácia, utilidade e precisão.

Resumo Inglês:

To quantify is inherent to human beings, and it is undeniable that bringing this practice into the construction of knowledge was a decisive factor for the great success of the (hard) sciences and engineering in the nineteenth century. Thus, the transformation of information into numbers to understand and control processes was transferred to the humanities and social sciences... but success was not as great as expected, leading many researchers of these areas to reject quantification in general. Although this attitude is understandable, we argue that it does not result from quantification itself, but that, along with the latter, subliminally came two very questionable and insufficiently discussed assumptions: that, as in physics, in the humanities and social science, (i) the phenomena were predominantly deterministic, and (ii) there was the expectation of a clear and well defined “true value” for the quantified information. Actually, quantification in these no-exact areas becomes much more useful and effective if one recognizes that: (i) the phenomena are better understood if approached as stochastic, (ii) there is no expectation of a “true value” for quantified information, these are predominantly intervals, distributions, and (iii) the ways to quantify, although undoubtedly of full validity, are less objective. In this article, we characterize each of these contexts, in order to discriminate them clearly and definitely. We differentiate between measurements and indicators, and focus on the latter, classifying them according to various features, functions and applications, and concluding with a list of quality requirements that they must obey to maximize its effectiveness, usefulness and accuracy.