Aula 5: Entendendo e Direcionando Usuários — Pesquisa Qualitativa, Teste A/B e Tecnologia Persuasiva

Computação e Sociedade

Marcos M. Raimundo — Instituto de Computação, UNICAMP

2026-09-13

Da Fricção Deliberada ao Método Que a Produz

Aula 4: a fricção contra o usuário pode ser presença deliberada — um “Stakeholder de negócio” otimiza contra o interesse do usuário (caso Amazon/FTC, “Iliad Flow”).

Hoje: como, concretamente, uma equipe de produto decide o que construir e sabe se uma mudança “funcionou”? Todo esse processo se apoia num kit de ferramentas metodológico — neutro em si, mas de duplo uso.

O Roteiro de Hoje

O que é um método de pesquisa qualitativa de usuário — e o que cada técnica revela que as outras não revelam?

Como funciona um teste A/B por trás da tela — e quando ele pode enganar quem o lê?

O que é “tecnologia persuasiva” — por que interatividade dá vantagem de persuasão sobre a mídia tradicional?

Onde fica a bifurcação entre entender genuinamente e manipular?

Que responsabilidade ética surge ao experimentar em usuários sem que eles saibam?

O Problema do Botão Laranja

Um botão “Assinar” muda de azul para laranja. Cliques sobem 8% na semana seguinte. A equipe anuncia vitória.

Aviso

Mas: os 8% a mais eram gente que queria assinar, ou gente confusa que cancelou depois? O efeito segue existindo em um mês, ou era só curiosidade pela cor nova?

“Como saber que uma mudança é boa?” é o fio que atravessa a aula inteira.

Pergunta

O que o clique no botão não conta

Se a única coisa que uma equipe de produto mede é “quantas pessoas clicaram no botão”, o que exatamente essa métrica deixa de fora sobre a experiência real do usuário — e por que uma métrica de clique, sozinha, não decide se a mudança foi boa?

Dica: pense na diferença entre uma ação de curtíssimo prazo (o clique em si) e o que o usuário realmente queria alcançar ao clicar.

□ Se a métrica de sucesso fosse redefinida de “cliques no botão” para “assinaturas que seguem ativas 90 dias depois”, uma mudança de cor que só confunde o usuário e gera cliques acidentais deixaria de parecer uma vitória.
□ No limite em que todo usuário que clica no botão de fato queria assinar e permanece assinante indefinidamente, a métrica “cliques no botão”, sozinha, deixaria de ter qualquer risco de enganar quem a lê.
□ A mesma lógica de “uma métrica de curtíssimo prazo pode esconder um resultado ruim de médio prazo” se aplicaria a um aplicativo de namoro que mede sucesso apenas pelo número de conversas iniciadas, sem nunca medir se essas conversas levam a encontros reais.
□ Como a taxa de cliques subiu 8% de forma mensurável, isso já basta para provar que o novo design do botão é, objetivamente, melhor do que o antigo para os interesses do usuário.

V/F — O que o Clique não Conta: Resposta

Dica

✔ Verdadeiro — trocar a métrica para algo que captura permanência, não só o clique, expõe justamente esse tipo de “vitória” falsa.
✗ Falso — mesmo nesse cenário ideal a métrica de clique continuaria sendo, na melhor das hipóteses, um substituto imperfeito da intenção real; o risco de erro cai, mas a métrica em si não deixa de ser um proxy.
✔ Verdadeiro — mesma estrutura: uma métrica de ação imediata (conversa iniciada) pode não capturar o objetivo real (encontro que de fato aconteceu).
✗ Falso — um aumento de cliques mede só o clique; não diz nada, sozinho, sobre se o resultado serviu ao interesse do usuário.

Retomando: o clique é só o começo de uma cadeia de perguntas — os Blocos 2 e 3 mostram as ferramentas certas para responder o resto delas.

O Kit de Ferramentas Qualitativo

Antes de qualquer número, entender o que o usuário tenta fazer, e por quê. Três técnicas, cada uma revela algo diferente.

Entrevistas: conversa guiada por roteiro — revela o que o usuário diz que faz e pensa.

Contextual inquiry: observar a tarefa real, no ambiente do usuário — revela processos tácitos, que ele nem saberia descrever.

Think-aloud: o usuário verbaliza o raciocínio enquanto usa o sistema — revela confusão no momento exato em que ela acontece.

Entrevistas Estruturadas e Semiestruturadas

Conversa guiada por roteiro (fixo, ou base com liberdade de aprofundar). Revela o que o usuário diz que faz e precisa.

Aviso

Limite: depende da memória e da capacidade de articulação do usuário — pessoas racionalizam hábitos, esquecem detalhes, respondem o que acham que o entrevistador quer ouvir.

Entrevistas: Quantas e Como Evitar Viés

Roteiro começa aberto e neutro (“me conte como você costuma…”) antes de fechado e específico — “você não acha o cadastro confuso?” já entrega a resposta esperada (viés de indução).

Quantas entrevistar? Guest, Bunce & Johnson (2006): numa população razoavelmente homogênea, a maior parte dos temas novos já apareceu depois de cerca de \(12\) entrevistas — saturação teórica.

Dica

Regularidade empírica, não lei fixa. E o entrevistado sabe, desde o convite, que está sendo estudado — sem observação disfarçada.

Contextual Inquiry (Investigação Contextual)

Observar o usuário fazendo a tarefa real, no próprio ambiente (não perguntar sobre o comportamento — vê-lo acontecer).

Revela processos tácitos: o que o usuário sabe fazer, mas não sabe descrever — nunca precisou explicar aquilo para ninguém.

Dica

Mais cara e lenta que a entrevista, mas revela o que a entrevista sozinha não revelaria.

Contextual Inquiry: Parceria, Não Câmera Escondida

Beyer & Holtzblatt (1998), Contextual Design: o princípio da parceria — o pesquisador interrompe para perguntar sempre que algo não fizer sentido, o oposto de uma câmera escondida.

Poucas sessões bastam (tipicamente \(4\) a \(10\)): cada uma é longa e densa, ao custo de a equipe se deslocar até o ambiente do usuário.

Aviso

Efeito Hawthorne: ser observado muda o comportamento observado. E, diferente de uma câmera oculta, exige consentimento antes de começar — o usuário sabe que está sendo observado.

Teste de Usabilidade com Think-Aloud

Tarefa concreta dentro do sistema (ex.: “cancele o pedido #4521”) — usuário verbaliza o raciocínio em tempo real enquanto age.

Revela pontos de confusão no momento exato em que acontecem, sem depender de memória posterior.

Aviso

Limite: só funciona para tarefas específicas e observáveis dentro do próprio sistema — não revela o contexto de vida mais amplo do usuário.

Think-Aloud: A Heurística dos 5 Usuários

Nielsen (2000), a partir de Nielsen & Landauer (1993): cerca de \(5\) usuários já revelam boa parte (\(80\)–\(85\%\)) dos problemas de usabilidade — favorece rodadas curtas e iterativas.

Aviso

Regra prática, não garantia: Faulkner (2003) mostrou que a fração encontrada varia bastante conforme quais \(5\) usuários são escolhidos.

Risco do moderador: leading the witness — conduzir a resposta em vez de deixar o usuário explorar e falhar sozinho. A gravação exige consentimento explícito, e o direito de interrompê-la a qualquer hora.

O Fio Comum: Transparência por Construção

Nas três técnicas, o usuário nunca é estudado sem saber — concorda em ser entrevistado, sabe que está sendo observado, sabe que está sob avaliação.

Dica

Contraste a guardar: no Bloco 4, o experimento de Kramer, Guillory & Hancock (2014) manipula em escala massiva sem que os usuários soubessem que participavam de um experimento.

Por que Nenhuma das Três Escala

Cada sessão consome tempo humano real, um usuário de cada vez, de uma dúzia a algumas dezenas de participantes por rodada.

Suficiente para revelar padrões qualitativos — não para decidir, com confiança estatística, se uma mudança melhora um resultado em milhões de usuários.

Dica

É exatamente essa lacuna que a experimentação quantitativa do Bloco 3 preenche.

Pergunta

Uma equipe quer saber por que usuários abandonam um formulário de cadastro no meio do preenchimento.

Ela pode perguntar diretamente aos usuários (“por que você não terminou de se cadastrar?”) ou observar alguns deles preenchendo o formulário ao vivo, sem interromper. Por que a segunda abordagem revelaria algo que a primeira, sozinha, poderia não revelar?

□ Se o motivo do abandono fosse um hábito automático do usuário — um gesto de rolagem rápido que faz ele pular, sem perceber, um campo obrigatório — uma entrevista posterior teria menos chance de revelar esse motivo específico do que observar o preenchimento ao vivo.
□ No limite em que um usuário tivesse consciência perfeita e memória exata de cada micro-decisão que tomou durante o preenchimento, a vantagem da investigação contextual sobre a entrevista, nesse caso específico, deixaria de existir.
□ A mesma lógica de “observar revela o que perguntar não revela” se aplicaria a uma equipe de suporte técnico que quer entender por que operadores de caixa cometem um erro recorrente num sistema de ponto de venda, observando-os trabalhar em vez de só entrevistá-los depois do expediente.
□ Como a investigação contextual revela processos tácitos que a entrevista não revela, conclui-se que entrevistas deveriam ser abandonadas como método de pesquisa de usuário, sempre que a investigação contextual for uma opção viável.

V/F — Observar bate Perguntar: Resposta

Dica

✔ Verdadeiro — um hábito automático e não-verbalizado é exatamente o tipo de coisa que a investigação contextual revela e a entrevista, dependente de relato consciente, tende a perder.
✔ Verdadeiro — sem lacuna entre o que a pessoa faz e o que ela sabe descrever, a vantagem específica da observação (revelar o tácito) não teria mais o que revelar de diferente.
✔ Verdadeiro — mesma lógica de investigação contextual, aplicada a outro domínio de sistema (ponto de venda em vez de cadastro web).
✗ Falso — as duas técnicas revelam coisas diferentes (o dito vs. o tácito); a lição é usar a técnica certa para a pergunta certa, não abandonar uma em favor da outra.

Retomando: cada técnica qualitativa tem seu próprio ponto cego — a escolha certa depende do que exatamente se quer descobrir.

Experimentação Quantitativa: Teste A/B e Métricas de Funil

O Teste A/B: Mecânica

Um experimento controlado: grupo controle (versão atual) vs. grupo tratamento (versão nova), atribuição aleatória.

Dica

A aleatorização é o que torna o teste um experimento: qualquer diferença ao final só pode ser atribuída à mudança em si, não a alguma característica prévia dos grupos.

Por que a Aleatorização Isola o Efeito

Aviso

Sem sorteio, \(U\to T\to Y\) e \(U\to Y\) se misturam: caminho de confusão. Não dá para separar o efeito de \(T\) do efeito de \(U\).

A Aleatorização Corta o Caminho de Confusão

Dica

Sem \(U\to T\), só sobra o caminho direto \(T\to Y\). \(U\) ainda afeta \(Y\), mas vira ruído (distribuído igual nos dois grupos), não viés.

O Fluxo de um Teste A/B

Dica

População → aleatorização → controle/tratamento → métrica de cada grupo → diferença estatisticamente significativa? Cada seta é uma etapa que pode falhar (Bloco 3 mostra três formas de falhar).

Duas Famílias de Métrica

Funil — taxa de conversão em cada etapa de um fluxo (quantos chegam à etapa 2, tendo começado na 1, e assim por diante).

Engajamento — tempo de sessão, frequência de retorno, retenção após N dias.

Aviso

Nenhuma das duas é neutra: qual etapa medir, e qual janela de tempo usar, já molda o que a equipe vai chamar de sucesso.

Armadilha 1: Tamanho de Amostra e Poder Estatístico

Com poucos usuários no teste, um efeito real pode não ser detectável — o teste conclui “sem diferença”, mesmo quando a mudança realmente importa.

Dica

O caso Kramer et al. (Bloco 5) mostra o extremo oposto: com N = 689.003, até um efeito minúsculo (d = 0,001) vira estatisticamente detectável — o problema muda de “não detecto” para “é real, mas relevante?”

Armadilha 2: Efeito Novidade

Um ganho logo após a mudança pode ser só curiosidade pela interface nova — não valor real de longo prazo.

Aviso

Medir só a primeira semana de um teste A/B pode confundir “curiosidade passageira” com “melhoria real”, que se dissipa quando a novidade passa.

Armadilha 3: Metric Gaming e a Métrica-Proxy

Toda métrica é, na melhor das hipóteses, um substituto (proxy) do objetivo real — nunca o objetivo em si.

“Tempo de sessão” é um proxy razoável de engajamento — mas otimizar diretamente por ele pode produzir confusão ou vício deliberado (rolagem infinita, notificações incessantes), não valor genuíno.

Lei de Goodhart

“Quando uma medida se torna um alvo, ela deixa de ser uma boa medida.”

Da Ferramenta ao Duplo Uso

As três armadilhas não tornam o teste A/B inútil — pedem leitura metodológica cuidadosa, não veredito automático.

O Método é Neutro; a Métrica, Não

Sortear, comparar, checar significância: o mecanismo não tem preferência por qual métrica \(Y\) entra na comparação — serve para qualquer uma.

Aviso

Um app de notícias testando “tempo de leitura” favorece manchetes alarmistas e rolagem infinita. O mesmo app testando “artigos lidos até o fim, marcados como úteis” favoreceria outro design.

Nenhuma das duas é “errada” estatisticamente — a diferença é de valor, não de método.

O Proxy Também Pode Enviesar

Toda métrica de negócio é, na melhor das hipóteses, um proxy do que a equipe quer medir — e o proxy pode ser uma medida pior para alguns grupos do que para outros, mesmo parecendo neutro.

Aviso

Varshney (2022): seguradora de saúde usa custo/utilização como proxy de “quem precisa de mais cuidado”. Só que pacientes negros são mais doentes que brancos no mesmo nível de custo — por razões estruturais de acesso e viés no atendimento.

O algoritmo subestima sistematicamente a necessidade de pacientes negros — sem que raça entre em nenhum cálculo.

O Proxy Também Depende de Como é Construído

Singh (2021): combinar todos os tipos de utilização numa única variável piora o viés racial; manter internações e emergência separadas do resto mantém o viés sob controle.

Dica

Não é “usar proxy” vs. “não usar” — é como o proxy é construído, testado e desagregado por grupo, antes de confiar nele.

A Bifurcação Nasce Aqui

Dica

Fogg (Bloco 4) não usa outro método — usa o mesmíssimo teste A/B, apontado deliberadamente para uma métrica que serve ao negócio, não comprovadamente ao usuário.

Pergunta

Um teste A/B com só uma semana de dados

Uma equipe testa um novo design de tela inicial por sete dias e vê um aumento de 15% no tempo de sessão no grupo tratamento. Ela decide lançar a mudança para todos os usuários imediatamente. Que armadilha das discutidas acima essa decisão ignora, e o que a equipe deveria ter feito antes de decidir?

□ Se a equipe tivesse rodado o mesmo teste por oito semanas em vez de uma, e o aumento de 15% no tempo de sessão persistisse igual em todas as semanas, isso reduziria (mas não eliminaria por completo) a chance de o resultado ser só efeito novidade.
□ No limite em que um teste A/B rodasse indefinidamente, para sempre, sem nunca ser encerrado, o conceito de “efeito novidade” deixaria de ter qualquer sentido prático a ser medido, pois não haveria mais um ponto de comparação “antes/depois” da novidade.
□ A mesma lógica de “um ganho de curto prazo pode ser só novidade, não valor real” se aplicaria a um jogo para celular que vê o número de partidas diárias subir na primeira semana após introduzir uma nova mecânica, sem saber ainda se esse número se mantém no mês seguinte.
□ Como o tempo de sessão subiu 15% de forma estatisticamente mensurável em sete dias, isso já garante que o novo design da tela inicial serve genuinamente ao interesse do usuário, e não é preciso medir mais nada antes do lançamento completo.

V/F — Um Teste de Uma Semana: Resposta

Dica

✔ Verdadeiro — persistência do efeito ao longo de mais semanas é evidência (não prova definitiva) contra a hipótese de que é só novidade passageira.
✔ Verdadeiro — sem um “antes” (novidade) e um “depois” (habituação) para comparar, a própria ideia de efeito novidade perde onde se aplicar.
✔ Verdadeiro — mesma estrutura: ganho de curto prazo que ainda precisa ser checado contra persistência de médio prazo.
✗ Falso — um aumento estatisticamente significativo em sete dias não descarta efeito novidade nem os outros problemas de validade; a significância estatística diz que o efeito é real na janela medida, não que ele é duradouro ou que serve ao usuário.

Retomando: um teste A/B bem lido pede janela de tempo suficiente para separar novidade de valor real — sete dias, sozinhos, não bastam.

Fogg e a Captologia: Quando o Método Vira Máquina de Persuasão

Do Kit Neutro à Máquina de Persuasão

Blocos 2–3: um kit de ferramentas neutro — entender e medir o comportamento do usuário.

B.J. Fogg (2003) nomeia o que acontece quando esse kit é usado, deliberadamente, para mudar o comportamento, não só entendê-lo.

Fogg (2003), Introdução, p. 1

“Defino tecnologia persuasiva como qualquer sistema computacional interativo desenhado para mudar as atitudes ou os comportamentos das pessoas.” (tradução livre)

“Captologia”: o Termo de Fogg

Fogg (2003), p. 5

“‘Captologia’ — acrônimo de ‘computadores como tecnologias persuasivas’. Foca no desenho, na pesquisa e na análise de produtos computacionais criados para mudar atitudes ou comportamentos. Descreve a área onde tecnologia e persuasão se sobrepõem.” (tradução livre)

Zimbardo, Prefácio, p. x

“Captologia… logo se tornaria moeda corrente… para entender como essas novas máquinas podem mudar mentes antigas de formas específicas e previsíveis.” (tradução livre)

Seis Vantagens sobre Persuasores Humanos

Fogg (2003), pp. 7–8 (tradução livre)

Ser mais persistentes.
Oferecer maior anonimato.
Gerenciar grandes volumes de dado.
Usar muitas modalidades.
Escalar facilmente.
Ir a lugares onde humanos não são bem-vindos.

Repare: é a mesma mecânica dos Blocos 2–3, levada ao extremo — persistência = teste rodando sem cansar; escala = milhões de usuários ao mesmo tempo, impossível para vendedores humanos.

A Persuasão é Antiética?

Fogg (2003), Cap. 9, pp. 212–213

“A resposta não é nem sim nem não. Depende de como a persuasão é usada.” (tradução livre)

Fogg evita a falsa dicotomia — nem “toda tecnologia persuasiva é boa” nem “toda é dark pattern”.

Seis Preocupações Éticas Específicas

Fogg (2003), Cap. 9, pp. 213–218 (tradução livre)

Novidade mascara intenção persuasiva.
Explora a reputação positiva do computador.
Persistência proativa.
Controla as possibilidades interativas.
Afeta emoção sem reciprocidade.
Não pode assumir responsabilidade.”

Emoção sem Reciprocidade, Responsabilidade sem Agente

Fogg (2003), pp. 217–218

“Esperamos que a persuasão ética inclua empatia e reciprocidade. Mas, com tecnologia interativa, não há reciprocidade emocional.” (tradução livre)

Fogg (2003), p. 218

“Computadores… não podem de fato arcar com a culpa; não são agentes morais.” (tradução livre)

Dica

A responsabilidade continua humana — rastreável até quem escolheu a métrica-alvo (o “Stakeholder de negócio” da Aula 4, Bloco 2).

Pergunta

Persuadir é sempre manipular?

Um aplicativo de exercícios usa notificações persistentes, dados sobre seu histórico de treino, e uma interface pensada para incentivar você a manter uma rotina saudável. Isso é tecnologia persuasiva, na definição de Fogg? E isso, sozinho, já a torna antiética?

□ Se o mesmo aplicativo de exercícios usasse notificações persistentes para empurrar, de forma enganosa, a compra de um plano pago que o usuário não precisa, a definição de “tecnologia persuasiva” de Fogg deixaria de se aplicar a ele.
□ No limite em que um sistema computacional nunca tivesse qualquer intenção de mudar atitude ou comportamento de ninguém — só armazenasse e exibisse dados, sem nenhum elemento desenhado para influenciar —, ele deixaria de se enquadrar na definição de tecnologia persuasiva de Fogg.
□ A mesma lógica de “o veredito ético depende de como a persuasão é usada, não da mera existência de intenção persuasiva” se aplicaria a um aplicativo de meditação que usa lembretes diários para incentivar uma prática regular de bem-estar.
□ Como Fogg afirma que computadores têm seis vantagens sobre persuasores humanos, conclui-se que qualquer aplicativo que use persistência, anonimato ou escala para influenciar o usuário é, por definição, antiético.

V/F — Persuadir é Sempre Manipular? Resposta

Dica

✗ Falso — a definição de tecnologia persuasiva de Fogg é sobre a intenção de mudar atitude/comportamento, não sobre se o uso é ético ou enganoso; o app continuaria sendo tecnologia persuasiva, só que antiética nesse uso específico.
✔ Verdadeiro — sem nenhuma intenção de influenciar, falta exatamente o elemento central da definição de Fogg (sistema desenhado para mudar atitudes ou comportamentos).
✔ Verdadeiro — mesma estrutura de tecnologia persuasiva (persistência, lembretes) aplicada a um objetivo diferente, ainda dentro do espírito de “mudar comportamento a favor do próprio usuário”.
✗ Falso — Fogg é explícito: a resposta depende de como a persuasão é usada, não da mera presença de vantagens estruturais (persistência, anonimato, escala) sobre persuasores humanos.

Retomando: persuasão tecnológica não é sinônimo de manipulação — mas as mesmas seis vantagens que a tornam poderosa em favor do usuário também a tornam poderosa contra ele. O Bloco 5 mostra um caso real dessa bifurcação.

O Caso Kramer, Guillory & Hancock (2014): Consentimento em Xeque

Um Caso Real: Facebook, 2014

Três pesquisadores (Facebook + Cornell) publicam na PNAS — uma das revistas científicas mais prestigiadas do mundo — o exemplo mais completo desta aula: método e bifurcação ética no mesmo estudo.

Kramer et al. (2014), p. 8788

O Experimento: “Um experimento massivo (N = 689.003) no Facebook… contágio emocional ocorre sem interação direta entre pessoas… na ausência completa de sinais não verbais.”* (tradução livre)

Dois experimentos paralelos: exposição a conteúdo positivo reduzida, ou exposição a conteúdo negativo reduzida, no Feed de Notícias.

Traduzindo para o Vocabulário do Bloco 3

População elegível = usuários do Facebook em inglês.

Aleatorização = decide quem entra em cada grupo.

Tratamento = supressão parcial de posts emocionais no Feed.

Métrica = proporção de palavras positivas/negativas nos posts seguintes da própria pessoa (via software LIWC).

Efeito Minúsculo, Escala Massiva

Kramer et al. (2014), p. 8790

“Tamanhos de efeito… pequenos (d = 0,001)… mas, na escala do Facebook, isso corresponderia a centenas de milhares de expressões emocionais em atualizações de status por dia.” (tradução livre)

Dica

Exatamente as vantagens 3 e 5 de Fogg (grandes volumes de dado + escalar facilmente) operando juntas: irrelevante por indivíduo, relevante em agregado.

O Ponto do Consentimento

Kramer et al. (2014), p. 8789

“Isso era consistente com a Política de Uso de Dados do Facebook, à qual todos os usuários concordam antes de criar uma conta, constituindo consentimento informado para esta pesquisa.” (tradução livre, grifo nosso)

Compare com o padrão de um comitê de ética acadêmico (IRB): consentimento informado e específico, com possibilidade real de recusa sem custo — nenhuma das três características presentes aqui.

Consentimento Não é Clicar numa Caixinha: Relatório Belmont (1979): o princípio de respeito pelas pessoas exige divulgação, compreensão, voluntariedade e competência — quatro coisas, não uma.

Aviso

Termos de Uso podem satisfazer divulgação (tecnicamente) — mas não compreensão (quase ninguém lê um documento de milhares de palavras), nem voluntariedade específica para um experimento futuro desconhecido.

Vulnerabilidade e Voluntariedade

Princípio de justiça do Belmont: atenção redobrada a populações vulneráveis — menor capacidade real de recusar, sem custo.

Dica

“Aceitar” os Termos de uma rede da qual se depende para trabalho, família ou renda não tem o mesmo peso de voluntariedade que aceitar um serviço facilmente substituível — mesmo sendo o mesmo clique.

A Reação da Própria PNAS: O artigo, recuperado diretamente do PDF original, traz dois avisos editoriais anexados após a publicação: uma correção e uma “Expressão Editorial de Preocupação”.

Dica

Levantando exatamente a questão de consentimento e possibilidade de recusa que a aula discute.

O Caso Amarra as Duas Metades da Aula

Exemplo textual do método (teste A/B, hipótese, aleatorização, significância — Bloco 3).

Exemplo textual da bifurcação ética da captologia (Bloco 4) — “afetar emoções sem ser afetado por elas”, testado em quase 700 mil pessoas que nunca souberam que estavam num experimento.

Pergunta

Termos de Uso bastam como consentimento?

Se concordar com os Termos de Uso de uma rede social, anos antes, constitui consentimento informado para qualquer experimento futuro que a empresa decida rodar dentro do produto, o que exatamente esse argumento elimina da definição usual de consentimento informado (específico, com possibilidade real de recusa)?

□ Se o Facebook tivesse notificado individualmente cada um dos 689.003 participantes, antes do experimento, de que seu Feed de Notícias seria manipulado como parte de um estudo, com opção real de recusar sem deixar de usar a rede, o argumento de “consentimento via Termos de Uso” deixaria de ser necessário para justificar a pesquisa.
□ No limite em que um usuário lesse e compreendesse cada palavra dos Termos de Uso de uma rede social antes de aceitá-los, o problema de especificidade do consentimento (saber exatamente qual experimento futuro está sendo autorizado) desapareceria por completo.
□ A mesma lógica de “aceitar um documento genérico não equivale a dar consentimento específico para um experimento futuro” se aplicaria a um aplicativo de comércio eletrônico que testa, sem aviso individual, algoritmos diferentes de precificação dinâmica em grupos aleatórios de usuários, amparado apenas nos Termos de Uso gerais do aplicativo.
□ Como o experimento de Kramer et al. usou dados que os próprios usuários já haviam consentido em gerar ao usar o Facebook, isso significa que qualquer manipulação futura desses mesmos dados, para qualquer finalidade, está automaticamente coberta por esse mesmo consentimento original.

V/F — Termos de Uso Bastam? Resposta

Dica

✔ Verdadeiro — notificação específica e opção real de recusa são exatamente os dois elementos que faltam no argumento original; supridos, o argumento alternativo (Termos de Uso genéricos) deixa de ser necessário.
✗ Falso — compreender integralmente um documento genérico não resolve o problema de especificidade: o documento, por definição, não descreve um experimento futuro específico ainda não concebido no momento em que foi aceito.
✔ Verdadeiro — mesma estrutura: Termos de Uso genéricos usados para amparar uma manipulação experimental específica não anunciada individualmente.
✗ Falso — consentimento para gerar/usar dados em um serviço não é o mesmo que consentimento para ser sujeito de qualquer experimento futuro sobre esses dados; a aula distingue exatamente esses dois níveis de consentimento.

Retomando: o caso Kramer et al. expõe a lacuna entre “consentir com um documento genérico” e “consentir especificamente para ser sujeito de pesquisa” — lacuna que as normas acadêmicas de IRB existem justamente para fechar.

Síntese: Entender ou Direcionar?

Um Único Kit, Dois Caminhos

Entrevistas, contextual inquiry, think-aloud, teste A/B, funil, engajamento — um único kit, que se bifurca dependendo de uma escolha que não está na ferramenta.

Dica

A escolha: que métrica se otimiza, e a favor de quem.

O Duplo Uso

Dica

Mesmo kit, mesmas ferramentas — a bifurcação nasce da métrica escolhida e de quem ela beneficia, não de nenhuma técnica em si.

Um Checklist Prático

1. Que métrica está sendo otimizada? Permanência de longo prazo alinha melhor com o usuário do que ação imediata e manipulável.

2. A métrica representa o usuário, ou o negócio? Podem coincidir (app de exercícios que retém por saúde real) ou divergir (feed que retém por engajamento compulsivo).

3. O usuário sabe que está sendo testado? O caso Kramer et al. mostra o limite: sem notificação específica nem opção real de recusa.

4. Existe saída simétrica à entrada? Como vimos na Aula 4, Bloco 5, a assimetria de fricção entrada/saída é o sintoma visível de uma métrica otimizada contra o usuário — sempre validada por um teste A/B por trás.

Dica

A bifurcação não está na ferramenta — está na métrica escolhida e na transparência com quem está sendo estudado.

Pergunta

Lendo a instrumentação de um app real

Escolha um aplicativo que você usa todos os dias. Aplicando o checklist desta síntese, você consegue dizer, com alguma confiança, que métrica ele provavelmente otimiza — e se essa métrica está mais alinhada ao seu próprio interesse ou ao do negócio por trás do app?

□ Se um aplicativo de streaming medisse sucesso apenas por “número de episódios reproduzidos automaticamente”, em vez de por uma pesquisa posterior perguntando se o usuário realmente queria continuar assistindo, isso favoreceria uma métrica mais fácil de manipular por autoplay do que por escolha deliberada do usuário.
□ No limite em que a métrica de negócio de um produto coincidisse perfeitamente, em toda decisão possível, com o benefício real do usuário, a pergunta “a métrica representa o usuário ou o negócio?” deixaria de separar os dois casos do checklist desta síntese.
□ A mesma lógica de “a métrica escolhida revela a favor de quem o sistema foi otimizado” se aplicaria a uma plataforma de cursos online que mede sucesso pela taxa de conclusão de módulos, em vez de pela taxa de aplicação real do conteúdo aprendido no trabalho do aluno.
□ Como o checklist desta síntese lista quatro perguntas concretas para avaliar uma instrumentação, isso significa que qualquer aplicativo que passe nas quatro perguntas está, por definição, isento de qualquer viés a favor do negócio.

V/F — Lendo um App Real: Resposta

Dica

✔ Verdadeiro — “episódios reproduzidos automaticamente” é uma métrica vulnerável a autoplay, contando continuidade passiva como se fosse escolha ativa do usuário.
✔ Verdadeiro — sem divergência possível entre métrica de negócio e benefício do usuário, essa pergunta específica do checklist perde a função de distinguir os dois casos.
✔ Verdadeiro — mesma lógica: uma métrica de conclusão pode divergir do objetivo real (aplicação prática do conteúdo), revelando a favor de quem o sistema foi otimizado.
✗ Falso — o checklist orienta a leitura crítica de uma instrumentação; passar nas quatro perguntas reduz a suspeita de viés, mas não é uma prova formal de isenção total — julgamento caso a caso continua necessário.

Retomando: o mesmo checklist que ajuda a ler um app também ajuda a projetar um — a escolha da métrica é, ela mesma, uma decisão ética, não um detalhe técnico neutro.

Fechamento e Ponte para a Aula 6

Retomando o Roteiro

1. O kit qualitativo? Entrevistas revelam o dito; investigação contextual revela o tácito; think-aloud revela a confusão em tempo real — nenhuma escala sozinha.

2. Quando um A/B engana? Amostra pequena, efeito novidade não descartado, métrica-proxy sujeita a gaming — significância estatística não é garantia de leitura correta.

3. Tecnologia persuasiva? Sistema desenhado deliberadamente para mudar atitude/comportamento (Fogg) — persistência, anonimato, volume, modalidades, escala e alcance dão vantagem sobre persuasores humanos.

4. Onde fica a bifurcação? Não na ferramenta — na métrica escolhida e na transparência com quem é estudado.

5. Responsabilidade sem consentimento específico? Kramer et al. mostra a lacuna entre Termos de Uso genéricos e consentimento informado real — reconhecida, depois do fato, pela própria PNAS.

Dica

Decisões de método mudam o comportamento do usuário de forma mensurável — hoje vimos como e por quê.

Pergunta

O que mais custa, sem ninguém decidir explicitamente?

Esta aula mostrou que decisões de método e métrica têm consequência real sobre o comportamento do usuário. Que outro tipo de decisão, aparentemente “só técnica” ou “só de engenharia”, você imagina que também tem um custo real fora do próprio código — um custo que ninguém precisou “decidir” explicitamente para que ele existisse?

Dica: pense em decisões sobre onde um sistema roda, quantos serviços ele usa, ou por quanto tempo dados ficam armazenados — nenhuma delas é uma decisão “de comportamento do usuário”, mas todas têm consequência real em outro domínio.

□ Se a métrica de sucesso de um serviço de streaming fosse redefinida de “horas assistidas” para “satisfação declarada em pesquisa pós-uso”, o incentivo estrutural para autoplay agressivo discutido nesta aula tenderia a enfraquecer.
□ No limite em que um teste A/B pudesse ser replicado infinitas vezes, sem nenhum custo de tempo ou de usuários reais envolvidos, o problema de tamanho de amostra/poder estatístico discutido no Bloco 3 deixaria de ser uma preocupação prática.
□ A mesma lógica de “uma escolha aparentemente só técnica tem consequência concreta fora do código” se estenderia ao argumento da Aula 6 de que decisões de arquitetura (quantos serviços, onde rodam) têm consequência material e ambiental — em ambos os casos, uma escolha de engenharia tem efeito fora do comportamento do usuário isoladamente.
□ Como esta aula mostrou que o mesmo kit metodológico pode entender ou manipular o usuário, conclui-se que toda pesquisa de usuário e todo teste A/B deveriam ser abandonados, já que não há como garantir de antemão qual dos dois usos vai prevalecer.

V/F — O Que Mais Custa? Resposta

Dica

✔ Verdadeiro — trocar a métrica para satisfação declarada remove parte do incentivo estrutural que hoje empurra para autoplay agressivo como proxy de sucesso.
✔ Verdadeiro — sem nenhum custo de replicação, o problema prático de amostra pequena desaparece (mesmo que o princípio estatístico continue existindo em teoria).
✔ Verdadeiro — é exatamente a ponte para a Aula 6: escolha de engenharia com consequência real fora do domínio “óbvio” dela.
✗ Falso — a aula não conclui que o kit deve ser abandonado; conclui que a métrica e a transparência escolhidas é que decidem o uso — abandonar a ferramenta descartaria também seu uso legítimo.

Ponte para a Aula 6: se decisões de método e métrica já mudam o comportamento do usuário assim, decisões de arquitetura — quantos serviços, onde rodam, como escalam — têm também um custo material e ambiental real. É por aí que a Aula 6 continua a Parte 2 do curso.

Exercícios Soluções