Estatística, neurociência e educação: como os dados ajudam a entender o mundo e transformar a sociedade

Professora Lilia Carolina Carneiro da Costa, do Departamento de Estatística da UFBA, pesquisadora com atuação em áreas como neurociência, psicometria e inferência bayesiana.

Em um mundo cada vez mais orientado por dados, a Estatística ocupa um papel central na forma como compreendemos fenômenos complexos — do funcionamento do cérebro humano até os desafios da educação e das políticas públicas. Mais do que números, ela é uma ferramenta poderosa para transformar informação em conhecimento e apoiar decisões mais conscientes e eficazes.

Nesta entrevista, conversamos com a professora Lilia Carolina Carneiro da Costa, do Departamento de Estatística da UFBA, pesquisadora com atuação em áreas como neurociência, psicometria e inferência bayesiana. Ao longo da conversa, ela compartilha sua trajetória acadêmica, os desafios da carreira científica e as experiências que a levaram a explorar a interface entre Estatística e diferentes campos do conhecimento.

A entrevista também apresenta, de forma acessível, conceitos importantes como redes bayesianas e modelagem estatística, além de discutir como essas abordagens podem contribuir para avanços na neurociência, na educação e na análise de sistemas complexos. A professora ainda reflete sobre o papel da Estatística na formação de cidadãos mais críticos, capazes de interpretar e questionar informações em uma sociedade guiada por dados. Confira:

Como e quando você descobriu que queria seguir carreira acadêmica e especificamente trabalhar com Estatística?

Quando entrei na graduação em Estatística na Universidade Federal da Bahia, na verdade eu imaginava que seguiria uma carreira mais ligada à programação e computação. Eu sempre tive muito interesse por essa área e inicialmente via a Estatística como um caminho próximo da informática.

Ao longo do curso, porém, fui descobrindo o verdadeiro alcance da Estatística. Professores do departamento tiveram um papel fundamental nesse processo, especialmente as professoras Rosana Castro e Lia Moraes, que me mostraram como a Estatística é uma ferramenta poderosa para compreender fenômenos complexos e para dialogar com diversas áreas do conhecimento.

Outro momento muito marcante foi quando, ainda na graduação, participei de um projeto científico no Instituto de Saúde Coletiva da UFBA. Essa experiência me mostrou de forma muito concreta como métodos estatísticos podem contribuir para responder perguntas relevantes em saúde pública e em outras áreas sociais.

A partir dessas experiências, percebi que a Estatística me permitiria trabalhar exatamente com o que mais me motivava: resolver problemas reais utilizando ferramentas matemáticas e computacionais. Foi nesse contexto que surgiu também o interesse pela pesquisa e pela carreira acadêmica.

Quais foram os maiores desafios nos primeiros anos como pesquisadora e docente?

Um dos maiores desafios no início da carreira foi equilibrar diferentes responsabilidades: ensinar, desenvolver pesquisa, orientar estudantes e participar da gestão acadêmica.

Outro desafio importante foi consolidar uma agenda de pesquisa própria. No início da carreira, ainda estamos construindo nossa identidade científica e buscando temas nos quais possamos contribuir de forma original.

Com o tempo, esses desafios foram sendo superados com experiência, colaboração com outros pesquisadores e principalmente com o trabalho com estudantes. A orientação de alunos é algo que sempre trouxe muita motivação e também novas ideias de pesquisa.

O que significa para você receber a bolsa de produtividade do CNPq?

A bolsa de produtividade do CNPq representa, antes de tudo, um reconhecimento do trabalho científico desenvolvido ao longo dos anos.

Mais do que um reconhecimento individual, eu vejo essa bolsa como um incentivo à continuidade da pesquisa. Ela permite ampliar colaborações, orientar mais estudantes e desenvolver projetos de maior alcance.

Também reforça a importância de manter uma produção científica consistente e de contribuir para a formação de novos pesquisadores na área de Estatística e Ciência de Dados.

Você enxerga alguma diferença significativa entre trabalhar com educação estatística e com pesquisa em neurociência?

Sim, são áreas bastante diferentes em termos de objetivos, tipos de dados e perguntas científicas, mas ao mesmo tempo compartilham uma base metodológica comum na Estatística.

Na pesquisa em neurociência, trabalhamos frequentemente com dados complexos, como séries temporais e redes de conectividade cerebral, buscando entender como diferentes regiões do cérebro interagem entre si. Nesse contexto, utilizamos modelos estatísticos avançados, como modelos bayesianos e modelos gráficos, para investigar relações de dependência e possíveis estruturas causais.

Já no campo do ensino da Estatística, meu trabalho tem um foco mais pedagógico e formativo. Participo do LEMA — Laboratório de Ensino de Matemática e Estatística da UFBA, um projeto de extensão no qual desenvolvemos e utilizamos modelos audiovisuais e materiais didáticos interativos para ensinar conceitos estatísticos de forma mais intuitiva e acessível para estudantes de diferentes níveis de ensino.

Apesar das diferenças entre essas áreas, existe um ponto de conexão importante: em ambas buscamos compreender fenômenos complexos e comunicar ideias estatísticas de maneira clara. Seja analisando dados de atividade cerebral ou ensinando conceitos fundamentais de Estatística, o objetivo final é sempre transformar dados e modelos em conhecimento que possa ser compreendido e utilizado.

Você tem trabalhado bastante com Redes Bayesianas aplicadas à neurociência — como começou seu interesse nessa interseção entre Estatística e Neurociência?

Esse interesse surgiu durante o meu doutorado na Universidade de Warwick, no Reino Unido. Na época, trabalhei com modelos estatísticos dinâmicos aplicados ao estudo de conectividade cerebral.

A ideia central era utilizar modelos probabilísticos para entender como diferentes regiões do cérebro interagem ao longo do tempo. Foi uma experiência muito interessante porque mostrou claramente como métodos estatísticos podem contribuir para responder perguntas importantes em neurociência.

Desde então, continuo explorando essa interseção entre Estatística, modelos gráficos e análise de dados complexos.

Quais são as aplicações práticas mais promissoras das Redes Bayesianas na análise de dados neurocientíficos?

As redes bayesianas e os modelos gráficos probabilísticos têm um grande potencial na neurociência, especialmente para estudar conectividade cerebral, ou seja, as relações de influência entre diferentes regiões do cérebro ao longo do tempo.

Esses modelos permitem representar estruturas de dependência entre variáveis e investigar possíveis relações causais, o que é particularmente relevante em dados de neuroimagem e sinais neurais. Por exemplo, eles podem ser usados para compreender como diferentes áreas do cérebro interagem durante tarefas cognitivas específicas.

Uma aplicação que considero especialmente promissora envolve estudos de hyperscanning, nos quais a atividade cerebral de duas ou mais pessoas é registrada simultaneamente enquanto elas interagem — por exemplo, durante processos de ensino-aprendizagem, cooperação ou comunicação social. Nesse tipo de estudo, redes bayesianas podem ser utilizadas para investigar padrões de interação neural entre indivíduos, permitindo analisar como os cérebros se sincronizam ou influenciam mutuamente durante uma interação.

Além disso, esses modelos também são úteis para integrar diferentes tipos de dados — como dados comportamentais, fisiológicos e neurais — permitindo uma compreensão mais abrangente dos processos cognitivos e sociais.

Quais desafios você identifica no uso de inferência bayesiana em dados de neurociência comparados a métodos tradicionais?

Um dos principais desafios é a alta dimensionalidade dos dados. Em neurociência frequentemente temos muitas variáveis e relativamente poucas observações.

Outro desafio é o custo computacional de alguns métodos bayesianos, especialmente quando utilizamos modelos hierárquicos ou estruturas complexas de dependência.

Por outro lado, a abordagem bayesiana oferece vantagens importantes, como a possibilidade de incorporar conhecimento prévio e de quantificar incertezas de forma mais completa.

Na sua visão, quais os principais desenvolvimentos recentes na inferência bayesiana que mais impactam áreas como a neurociência?

Alguns avanços importantes envolvem:

• Métodos de aprendizado de estrutura dinâmica em modelos gráficos;

• Técnicas de shrinkage e regularização bayesiana;

• Algoritmos computacionais mais eficientes, como variational inference e MCMC avançado.

Esses desenvolvimentos permitem analisar modelos cada vez mais complexos e lidar melhor com dados de alta dimensionalidade, algo muito comum em neurociência.

Você tem uma trajetória longa com métodos estatísticos em educação — como a Estatística pode contribuir para melhorar práticas educacionais?

A Estatística pode contribuir de várias formas, desde a construção de instrumentos de avaliação mais adequados até a análise de políticas educacionais.

Métodos psicométricos, como a Teoria da Resposta ao Item, permitem avaliar habilidades dos estudantes de forma mais precisa. Além disso, análises estatísticas podem ajudar a identificar fatores associados ao desempenho educacional e orientar intervenções mais eficazes.

Quais habilidades ou competências você considera essenciais para jovens estatísticos que desejam atuar com pesquisa aplicada em Educação ou Neurociência?

Eu destacaria três grupos de habilidades:

• Fundamentos estatísticos sólidos;

• Competências computacionais e programação;

• Capacidade de dialogar com outras áreas do conhecimento.

Hoje em dia, muitos problemas científicos são interdisciplinares, então é fundamental que o estatístico saiba colaborar com pesquisadores de outras áreas.

Como você vê o papel da Estatística no ensino básico/universitário hoje — e o que ainda precisa avançar?

A Estatística tem hoje um papel fundamental na formação dos estudantes, talvez mais do que em qualquer outro momento da história. Vivemos em uma sociedade orientada por dados, em que informações estatísticas aparecem constantemente em reportagens, artigos científicos, debates políticos e decisões em áreas como saúde, economia e meio ambiente.

Por isso, ensinar Estatística não significa apenas ensinar fórmulas ou técnicas de cálculo. Um dos objetivos mais importantes é desenvolver alfabetização estatística, ou seja, a capacidade de interpretar, questionar e refletir criticamente sobre informações baseadas em dados.

É essencial que os estudantes saibam, por exemplo, ler uma reportagem ou uma notícia que apresenta estatísticas, compreender o que aqueles números realmente significam e avaliar se as conclusões apresentadas são justificadas pelos dados. Da mesma forma, é importante que consigam ler artigos científicos, entender resultados estatísticos e perceber as limitações das análises.

A Estatística, nesse sentido, contribui para formar cidadãos mais críticos e mais autônomos intelectualmente. Ela ajuda as pessoas a pensar por si mesmas diante de informações quantitativas, algo essencial em uma sociedade em que decisões importantes — em saúde pública, política ou economia — muitas vezes são justificadas por números e análises estatísticas.

Por isso, acredito que o ensino da Estatística deve ir além do aspecto técnico e contribuir para desenvolver pensamento crítico, interpretação de dados e compreensão do papel da evidência científica na sociedade.

Para quem está começando, como você diferencia, de maneira intuitiva, análise frequentista e bayesiana?

De forma intuitiva, a principal diferença está em como tratamos a incerteza sobre os parâmetros de um modelo. Na abordagem frequentista, os parâmetros são considerados valores fixos e desconhecidos. A inferência é feita a partir das propriedades das amostras que poderíamos observar se repetíssemos o experimento muitas vezes. Por isso, muitos resultados frequentistas são interpretados em termos de frequência de longo prazo.

Já na abordagem bayesiana, por outro lado, os parâmetros se comportam como variáveis aleatórias que representam o nosso grau de incerteza sobre esses valores. A inferência é baseada no Teorema de Bayes, que permite atualizar nosso conhecimento à medida que novos dados são observados.

Uma vantagem intuitiva da abordagem bayesiana é justamente essa ideia de atualização do conhecimento. Começamos com um certo nível de informação ou crença sobre um parâmetro e, quando observamos novos dados, atualizamos essa informação de forma formal e coerente.

Além disso, os resultados bayesianos costumam ser mais fáceis de interpretar. Por exemplo, podemos dizer diretamente qual é a probabilidade de um parâmetro estar em determinado intervalo, algo que muitas vezes é mais natural para quem está interpretando os resultados.

Outro ponto importante é que a abordagem bayesiana permite incorporar conhecimento prévio ao modelo, o que pode ser especialmente útil em áreas como medicina, neurociência ou políticas públicas, em que já existem estudos anteriores ou evidências acumuladas.

Por essas razões, a inferência bayesiana tem sido cada vez mais utilizada em diversas áreas científicas, especialmente quando lidamos com problemas complexos e com diferentes fontes de informação.

Quais são os maiores equívocos que você encontra entre estudantes — e até entre pesquisadores — sobre modelagem estatística?

Um equívoco comum é acreditar que métodos estatísticos são apenas ferramentas automáticas que podem ser aplicadas sem reflexão. Na realidade, a modelagem estatística exige compreensão do problema científico, das hipóteses envolvidas e das limitações dos dados.

Existe alguma pesquisa sua em andamento que você acredita ter grande impacto, mas que ainda não foi divulgada amplamente?

Uma das linhas de pesquisa em que tenho trabalhado envolve o desenvolvimento e a aplicação de uma classe de modelos conhecida como Multiregression Dynamic Models (MDM). Esses modelos pertencem à família dos modelos gráficos dinâmicos, que permitem estudar sistemas complexos em que várias variáveis interagem ao longo do tempo.

A ideia central desses modelos é representar relações de dependência entre variáveis em forma de rede, permitindo investigar como essas relações evoluem dinamicamente. Em estudos de simulação, essa abordagem tem apresentado um desempenho bastante promissor na descoberta de estruturas causais, especialmente em sistemas dinâmicos.

O que torna essa classe de modelos particularmente interessante é o seu potencial de aplicação em diversas áreas. Por exemplo, eles podem ser utilizados para estudar interações entre regiões do cérebro na neurociência, propagação de doenças em epidemiologia, processos climáticos, sistemas educacionais ou até dinâmicas em mercados financeiros.

Atualmente, estamos trabalhando tanto no desenvolvimento metodológico quanto em implementações computacionais desses modelos, o que pode facilitar sua aplicação por pesquisadores de diferentes áreas. Embora essa linha de pesquisa ainda esteja em expansão, acredito que ela tem potencial para contribuir de forma significativa para a análise de sistemas complexos e interdependentes ao longo do tempo.

Você acredita que há oportunidades suficientes para que a pesquisa em Estatística no país cause realmente impactos sociais?

Sim, acredito que existem muitas oportunidades para que a pesquisa em Estatística contribua de forma significativa para a sociedade. A Estatística está no centro da análise de dados que fundamenta decisões em diversas áreas, como saúde pública, educação, economia, meio ambiente e políticas públicas.

No Brasil, por exemplo, muitos avanços em áreas como epidemiologia, avaliação educacional e políticas sociais dependem diretamente de métodos estatísticos para analisar dados complexos e produzir evidências confiáveis. Nesse sentido, a Estatística tem um papel essencial para apoiar decisões baseadas em evidências.

No entanto, para que esse impacto seja ainda maior, acredito que é fundamental fortalecer o letramento estatístico da sociedade. Isso significa desenvolver, desde a educação básica até a universidade, a capacidade das pessoas de compreender, interpretar e questionar informações baseadas em dados.

Quando a sociedade possui maior letramento estatístico, as pessoas passam a compreender melhor resultados de pesquisas, interpretar indicadores sociais e avaliar criticamente informações apresentadas em notícias, relatórios ou debates públicos. Isso também contribui para que a própria sociedade valorize mais a Estatística e o trabalho científico associado à análise de dados.

Portanto, além de desenvolver novos métodos e aplicações, vejo como uma missão importante também contribuir para a formação de uma cultura de compreensão e uso crítico de dados, algo cada vez mais necessário em uma sociedade orientada por informação.