Beisebol, parcialidade e tomada de decisão

Uma pesquisa de Etan Green, professor de operações, informações e decisões da Wharton, mostra como os juízes adaptam suas decisões com base nas informações que eles pensam ter na hora do jogo. A pesquisa, “O que é preciso para que o juiz dê um strike? Três tendências na tomada de decisão de um juiz” [What Does it Take to Call a Strike? Three Biases in Umpire Decision Making], escrito em parceria com David P. Daniels, de Stanford, tem implicações para a precisão das tomadas de decisão em segmentos fora dos esportes. Green explicou a Knowledge@Wharton as razões pelas quais as “oportunidades de discriminação estatística estão por toda parte”.

Segue abaixo a versão editada da entrevista.

Knowledge@Wharton: Você poderia nos dar uma visão geral da sua pesquisa?

Etan Green: De modo geral, estou interessado nas tomadas de decisão de especialistas, particularmente em segmentos para os quais há predições disponíveis por meio de máquinas, modelos baseados em máquinas e algoritmos. No caso dos juízes de beisebol, há dados de câmeras estereoscópicas situadas atrás do placar de todo estádio da liga principal que usamos como ponto de referência para avaliar as decisões tomadas pelos juízes. Esse é um cenário excelente para estudar as tomadas de decisões feitas por especialistas, porque temos especialistas que, supostamente, devem seguir uma regra de decisão bastante específica. O arremessador lança a bola. Se ela estiver dentro do retângulo imaginário, isto é, da zona de strike oficial definida pela largura da home plate [quarta base, onde fica o rebatedor] no campo e pela posição do rebatedor, o juiz deverá dar o strike. Caso contrário, dará arremesso ruim ou “ball”.

Usamos os dados fornecidos pelas câmeras estereoscópicas, que captam uma sequência de imagens de cada arremesso desde o momento em que a boa sai da mão do arremessador até a hora em que cruza a região acima a home plate [onde fica o rebatedor]. Com isso, pode-se observar, basicamente, até que ponto o juiz se mantém fiel a essa regra de decisão nas decisões que toma com base unicamente na localização dos lançamentos feitos.

Acho que a coisa mais interessante revelada pelos dados é o desvio do parâmetro, que é bastante sistemático. Existe uma coisa no beisebol chamada de contagem. A contagem acompanha a sequência de arremessos entre um arremessador e um rebatedor durante um at-bat [número de vezes em que um jogador empunhou o bastão]. Se a contagem chegar a quatro bolas, isso é bom para o arremessador. Ele avança. O rebatedor sofre strike out [é eliminado].

Portanto, em vez de o juiz usar simplesmente a localização do arremesso para tomar suas decisões, os arremessos numa mesma localização são, às vezes, considerados ruins ou strikes, dependendo da contagem. De modo especial, a zona de strike é drasticamente ampliada quando a contagem favorece o rebatedor. Quando isso acontece, o juiz responde favorecendo o arremessador, e vice-versa, isto é, quando a contagem favorece o arremessador, o juiz responde favorecendo o rebatedor.

[…] Basicamente, podemos pensar em um arremesso que cruza, digamos, o limite superior da zona de strike. Esse arremesso estará dentro do que chamarei de contagem básica, isto é, a contagem que se faz no início do at-bat, quando o número de arremessos ruins [balls] e strikes é zero. O juiz considera esse arremesso um strike durante 50% do tempo, e o considera um arremesso ruim durante 50% do tempo. Pode-se pensar que se trata da diferença entre em mau arremesso e um strike.

Contudo, quando a contagem for de três balls e zero strikes, quando a situação favorecer fortemente o rebatedor, o arremesso será quase sempre considerado um strike. O contrário é verdadeiro na contagem oposta, isto é, quando o número de balls for zero e houver dois strikes. O mesmo arremesso, na mesma localização, é quase sempre considerado um ball.

Knowledge@Wharton: Por que isso acontece?

Green: […] Há uma série de explicações possíveis para esse resultado. Vou expor aqui uma delas que acho particularmente interessante e que contraria a intuição. Argumenta-se que o juiz estaria trocando precisão por parcialidade. Ou melhor, ele estaria trocando parcialidade por precisão. Ele está sendo propositalmente parcial, consciente ou inconscientemente. O juiz está variando a zona de strike e reforçando sua decisão com a contagem. Ele não está tomando decisões com base unicamente na localização do arremesso. O argumento, porém, é que isso, na verdade, o ajuda a tomar decisões mais precisas.

Por que isso? Imagine que você seja um juiz. Você está de cócoras atrás do receptor e olha por cima da cabeça dele na direção do arremessador. Ele recua o braço, ergue a perna e faz um arremesso de mais de 144 km/h. É tudo muito rápido. Há um pouco de movimentação para os lados, na vertical, e você tem de decidir se o arremesso ocorreu dentro ou fora daquele retângulo imaginário. É um problema extremamente difícil, e se você confiar apenas em sua observação do local do arremesso, provavelmente cometerá erros com frequência, mais ainda quando o arremesso for próximo. Seria difícil dizer se foi exclusivamente dentro da zona de strike ou somente fora dela.

Mas, felizmente para você, há outras informações à sua disposição. Você tem expectativas acumuladas nos muitos anos em que já atuou como juiz profissional, expectativas sobre a direção em que o arremessador deverá lançar a bola em uma certa contagem e se o rebatedor a rebaterá. Por exemplo, é perfeitamente possível supor que quando a contagem estiver em três arremessos ruins e três strikes, isto é, quando a situação for favorável para o rebatedor, que o arremessador tente fazer um strike. Portanto, se for um arremesso próximo, e você não tiver certeza se ele ocorreu exatamente dentro da zona de strike ou fora dela, é possível que você erre e o considere um strike.

Agora, pense no que acontece numa contagem de 0-2. Nesse caso, você espera que o rebatedor rebata qualquer coisa que lhe esteja próxima, porque se não o fizer, corre o risco de ser eliminado, e mais: sua vez de bater [at-bat] poderá ser prolongada se ele rebater a bola para território inválido, por exemplo. Imagine que você vê um arremesso que lhe pareça próximo, mas o rebatedor prefere não tentar acertar a bola. Com interpretar essa decisão? Bem, você poderá dizer, por exemplo, que ele viu alguma coisa que você não viu, isto é, sua posição era tão vantajosa que, para ele, aquele foi um arremesso ruim. E aí você poderá errar ao considerar o arremesso uma bola ruim.

A atualização bayesiana, essa forma racional de processas outras informações disponíveis, cria um intercâmbio entre parcialidade e precisão. Ajuda os juízes a procederem com mais exatidão, porém os sujeita a mudar sistematicamente a zona de strike por eles imposta através da variável da contagem, que nada tem a ver com sua diretriz.

Knowledge@Wharton: Que conclusões você acha que as empresas podem tirar da sua pesquisa?

Green: Na minha opinião, os juízes estão praticando uma discriminação estatística. Eles têm uma diretriz por meio da qual tomam suas decisões baseadas unicamente em um local do arremesso, mas isso é uma coisa muito difícil de fazer. É muito difícil identificar todas as vezes a localização correta. Em vez disso, eles raciocinam da seguinte forma: “Tenho outra informação correspondente à localização do arremesso. Ela pode me ajudar a tomar, em média, decisões mais apuradas.” Conforme eu disse antes, os juízes trocam, basicamente, precisão por parcialidade.

As oportunidades de discriminação estatística estão por toda parte. Estão por todo lado no local de trabalho e, de modo especial, no processo de contratação. Quando contratamos, por exemplo, temos um parâmetro que parece muito semelhante à diretriz do juiz. Queremos contratar a melhor pessoa, aquela que vai fazer melhor o trabalho, a que será a mais adequada. Contudo, não raro é difícil, no processo de entrevista, olhando um currículo ou mesmo entrevistando pessoalmente o indivíduo, decidir quem é o melhor. Até que ponto essa pessoa é competente de verdade? Até que ponto ela se daria bem no trabalho? Portanto, há outros fatores que podem nos ajudar. São fatores que implícita ou explicitamente são recusados, que talvez não devêssemos estar usando. Mas há também fatores que, assim acreditamos, e talvez com justiça, como no caso dos juízes, que nos dão informações sobre a capacidade do indivíduo de se adaptar. Se estivermos certos, teremos um pouco mais de precisão, mas teremos de pagar o preço da parcialidade por isso. Ela virá ao custo de sermos capazes de prever, sistematicamente, quem contratamos, com base em fatores que não têm relação alguma, pelo menos diretamente, com o tipo de contratação que estamos tentando conseguir.

Knowledge@Wharton: O que vocês pretendem fazer a seguir?

Green: O beisebol é uma oportunidade de usar modelos baseados em máquinas, as câmeras às quais me referi, e desse modo aferir até que ponto os juízes estão fazendo um bom trabalho. Acho, porém, que há inúmeros casos interessantes nos quais as decisões que as pessoas tomam, que os especialistas tomam, podem ser definidas por algoritmos, por previsões baseadas em máquinas. Uma das coisas que me interessam de modo especial atualmente é a realização de previsões baseadas em máquinas, como no caso da eleição. É algo que vem em boa hora. Acho que muitos de nós estamos interessados na probabilidade de que Hillary Clinton vença e na probabilidade que Donald Trump seja nosso próximo presidente. Um lugar onde podemos buscar informações a respeito é o FiveThirtyEight, o site do estatístico Nate Silver. Nessa temporada de eleições, ele está fazendo algo que não fez anteriormente: disponibilizar modelos múltiplos. No passado, ele dizia que a probabilidade de Hillary Clinton ganhar era de 77%. Agora, ele os diz: “Se você acreditar neste modelo, a probabilidade é de 72%; se acreditar no outro, é de 84%.” Às vezes, há um desvio bastante significativo entre os dois.

E o que são esses modelos? Basicamente, eles partem de pressupostos diferentes em relação ao mundo. Sua decisão no tocante ao modelo a seguir é, na verdade, uma decisão acerca do que você acredita ser o processo de geração de dados. Com o que você acredita que o mundo se parece? Há um modelo segundo o qual deveríamos ouvir somente as pesquisas. Devemos ouvir apenas o que as pessoas estão dizendo agora. Há outro modelo segundo o qual há vários fatores de previsão, indicadores econômicos, por exemplo, que, no passado, sempre foram usados para prever os resultados das eleições. Portanto, deveríamos ouvi-los também.

Sua decisão sobre qual modelo ouvir ou como equilibrar essas duas informações resume-se à sua crença a respeito da atual temporada de eleições, isto é, se ela será totalmente diferente do passado ─ nesse caso, ouça as pesquisas ─; ou se você acredita que será mais um empate em alguma distribuição estável semelhante a tudo o mais que já vimos antes.

Em síntese, o que me interessa é o seguinte: de que modo devemos formular as perguntas? Que tipos de informações podemos dar às pessoas para fazer com que pensem que este momento, o presente, é simplesmente igual ao passado, e que o passado é um bom índice de previsão do presente? Com podemos formular perguntas que levem as pessoas a pensar: “Na verdade, o processo nunca é estático. Não há, no tempo, momento algum igual a este.”

Citando a Universia Knowledge@Wharton

Close


Para uso pessoal:

Por favor, use as seguintes citações para referências de uso pessoal:

MLA

"Beisebol, parcialidade e tomada de decisão." Universia Knowledge@Wharton. The Wharton School, University of Pennsylvania, [18 October, 2016]. Web. [25 May, 2019] <http://www.knowledgeatwharton.com.br/article/beisebol-parcialidade-e-tomada-de-decisao/>

APA

Beisebol, parcialidade e tomada de decisão. Universia Knowledge@Wharton (2016, October 18). Retrieved from http://www.knowledgeatwharton.com.br/article/beisebol-parcialidade-e-tomada-de-decisao/

Chicago

"Beisebol, parcialidade e tomada de decisão" Universia Knowledge@Wharton, [October 18, 2016].
Accessed [May 25, 2019]. [http://www.knowledgeatwharton.com.br/article/beisebol-parcialidade-e-tomada-de-decisao/]


Para fins Educacionais/Empresariais, use:

Favor entrar em contato conosco para usar com novos propósitos artigos, podcasts ou vídeos através do nosso formulário de contato para licenciamento de conteúdo. .

 

Join The Discussion

No Comments So Far