Kredittinnvilgelse (Del 2)

visando ilustrar as diferenças técnicas existentes entre os mesmos.

O modelo apresentado no capítulo anterior, foi denominado

Processo de Coordenação do Conhecimento Multiespecialista (PCCM), e o

modelo obtido pela aplicação de um procedimento convencional de modelagem, foi denominado Modelo Convencional de Simulação Dinâmica (MCSD).

O QUADRO 6.1 apresenta as comparações de tempo de desenvolvimento, variáveis e atividades dos dois modelos.

A estrutura dos modelos é bastante diferente. É marcante a redução do número de variáveis no PCCM em comparação ao MCSD. Há uma redução drástica do número de auxiliares também, o que indica uma estrutura muito mais fundamentada em estoques e fluxo, que pode denotar maior segurança na transferência da informação.

A diferença entre os processos é bastante significativa: oito meses para o MCSD e dois meses para o PCCM. Isso indica a capacidade do método PCCM em estruturar as variáveis determinadas pelos especialistas.

Quanto à comparação de atividades entre os dois processos, verifica-se que o processo de validação das informações no PCCM inicia no Estágio 2, logo após a apresentação do objeto de análise e é bem mais marcante e estruturado do que no MCSD.

Alguns conjuntos de variáveis observados no modelo MCSD, que reproduzem, por exemplo, o impacto de pragas na lavoura e o uso de pesticidas, envolvem conhecimento especialista não abrangido no levantamento. Entretanto, essas variáveis foram introduzidas pelos agentes para justificar determinadas necessidades e efeitos nas variáveis que convergem para o objetivo fundamental. A inserção de variáveis que apontam para áreas de saber fora do eixo de domínio dos agentes, envolvem a inclusão de inúmeras outras, que terão o objetivo de justificar, no contexto lógico, a inclusão daquelas primeiras.

QUADRO 6.1 – Comparação da estrutura lógica dos modelos MCSD e PCCM Características MCSD PCCM Tempo de desenv. 08 meses 02 meses Período de desenvol

Set/2004 a abr/2005 Mai/2005 a jun/2005 Qtd. De variáveis 12 estoques 20 fluxos 48 auxiliares 80 Total 03 estoques 15 fluxos 13 auxiliares 31 Total Qtd de setores 05 01 Estágio 1 − Reconhecimento do problema − Coleta e avaliação de informações − Submissão do problema ao agente especialista Estágio 2 − Problema interpretado − Descrição do sistema − Diagrama de influências − Composição do objeto imediato − Organização e representação do conhecimento profundo especialista

− Validação pelos agentes

Estágio 3

− Análise qualitativa

− Idéias iferências e teoria − Análise semântica de similaridades

− Análise de pesos de variáveis − Redução de variáveis e

estabelecimento de vínculos causa-efeito entre modelos − Validação pelos agentes

Estágio 4

− Modelagem e simulação

− Testes do modelo − Escolha das variáveis tipo Estoque − Construção da estrutura lógica

conceitual

− Estabelecimento do nível de impacto das influências e da interface

Atividade

s

Estágio 5

− Políticas de testes e design − Testes de sensibilidade − Modelagem exploratória e

políticas de design

− Testes de validação estatística

A partir de uma análise de similaridade semântica entre as variáveis, também é possível constatar ocorrências de termos similares dentro de

grupos distintos de análise, o que evidencia a necessidade de relacionamentos entre variáveis, ocorridas durante o processo de modelagem e não previstas pelo projeto inicial ou contidas nos modelos de pensamento dos agentes.

Como exemplo, observa-se a similaridade semântica dos nomes das variáveis abaixo, que pertencem a duas áreas distintas: ocupação urbana e

Atividade pastoril:

a) estimativa_da_proporcao = Ocupaçao_Urbana/2 b) estimativa_da_proporcao_2 = Pecuaria/4

A similaridade semântica ocorrida entre diferentes variáveis, está presente em inúmeras situações. O termo “fator de impacto”, por exemplo, foi utilizado para designar 04 (quatro) variáveis distintas, de grupos distintos, enquanto que o termo “taxa” encontra-se presente em 6 (seis) variáveis de grupos distintos. O termo “impacto” aparece em 10 (dez) variáveis distintas, e todas elas apresentam uma mesma característica: são compostas por séries gráficas.

O modelo PCCM tem seu foco sobre o objeto fundamental de análise e a totalidade de variáveis vincula-se de forma quase direta ao objeto. O modelo MCSD possui variáveis que não se vinculam diretamente ao objeto de análise, como a variável “eficácia dos fertilizantes” que influencia a variável “Expansão da lavoura”. A variável “taxa de mortalidade da pecuária” é uma outra variável que não se vincula diretamente ao objeto de análise.

Embora a presença dessas variáveis seja plenamente justificável, pois exercem influências, mesmo que indiretas, no objeto de análise, os critérios de julgamento da presença das mesmas, ou até sua adequação, depende de

conhecimento especialista, que a rigor, não esteve presente no processo de levantamento inicial.

Considerando que o modelo MCSD deve avaliar critérios referentes à qualidade da água submetida a ação antrópica, e que ele se utiliza de alguns argumentos não fundamentados em conhecimento especialista, o mesmo torna-se questionável, embora tenha sido validado estatisticamente. Quanto à adequacidade ou aos pesos de análise dessas variáveis, apenas o julgamento especialista poderia determinar razoavelmente em relação ao grupo, seu efetivo posicionamento em relação à ação sobre o objeto central de análise.

A ausência do conhecimento especialista na modelagem dessas áreas, ou a restrição de utilização de conhecimento abaixo da linha crítica está ilustrada na FIGURA 6.2.

O modelo MCSD prospecta uma demanda por conhecimento especialista, mas não incorpora esse conhecimento. Essa demanda não atendida passa a ser um “problema dentro do problema”, ou seja, o enfoque do objeto central de análise se desloca para a necessidade de encontrar argumentação para justificar determinadas afirmações que estão à margem do conhecimento dos agentes. O risco da ocorrência desse tipo de abordagem quando não existe estruturação prévia do modelo compartilhado, é bastante grande, pois as reavaliações da lógica da simulação são realizadas durante o estágio de desenvolvimento. Assim, para que seja possível fechar a estrutura, o agente se utiliza de inferência, agregando-a ao seu conhecimento, alterando a proposta inicial, que seria de modelagem integral a partir do conhecimento especialista. A possibilidade de incorrer em erro aumenta à medida em que o modelo caminha para as áreas de incerteza (FIGURA 6.3).

No modelo PCCM, o plano de não governabilidade é controlado e os agentes optaram claramente por incluí-lo. Não existem situações que tenham sido arbitradas unilateralmente ou fortuitamente apenas para completar uma estrutura lógica. A não-governabilidade, neste caso, é controlada. O modelo representa apenas o conhecimento especialista utilizado para compô-lo, logo, pode apresentar carências de outros conhecimentos, que podem ser agregados à medida que sua utilidade for sendo manifestada, ou que os critérios de análise global demandarem.