flexM4I > abordagens e práticas > Reflexões sobre a dinâmica de sistemas (versão 1.0 )​
Autoria: Henrique Rozenfeld (roz@usp.br)  

Introdução

Esta seção traz a definição de dinâmica de sistemas e reflexões sobre o aprendizado sobre sistemas complexos, que podem ser entendidos como justificativas para a aplicação de dinâmica de sistemas. O conteúdo é baseado no artigo de Sterman (1994), “Learning in and about complex systems”. Todos os trechos foram extraídos deste artigo, que tem 40 páginas.

Para alguns trechos de outros autores citados por Sterman e que deveriam ser rigorosamente citados como “citação original apud Sterman”, colocamos somente a fonte que o autor utilizou.

Definição 

A definição foi extraída do nosso glossário.

“Dinâmica de Sistemas é uma abordagem para entender o comportamento de sistemas complexos no tempo. Ele lida com ciclos de retroalimentação interna e atrasos que afetam o comportamento do sistema como um todo. O que faz o uso da dinâmica de sistemas diferente de outras abordagens para o estudo de sistemas complexos é a utilização de ciclo de retroalimentação (feedback) e estoque e fluxos (stocks and flows)” (Dinâmica de sistemas, 2021).

A dinâmica de sistemas é uma abordagem focada na análise e simulação de sistemas complexos para facilitar a aprendizagem e o desenvolvimento de estratégias ou organizações. Ela utiliza modelos para fazer inferências sobre as consequências de regras de decisão não testadas anteriormente. A prática envolve a experimentação contínua em mundos virtuais e reais, utilizando feedback de ambos para aprimorar os modelos mentais e formais, além de desenhar experimentos. A abordagem destaca a importância de múltiplas perspectivas e considera as consequências de longo prazo e os efeitos colaterais das ações, incluindo implicações ambientais, culturais e morais. A simulação é vista como essencial para testar os modelos devido à dificuldade de compreender completamente as implicações dos mapas cognitivos criados, e é considerada a única maneira prática de testar hipóteses em contextos complexos, onde experimentações no mundo real podem ser inviáveis (Sterman, 1994).

Trechos extraídos do artigo

O mundo real não é tão simples. Desde o início, a dinâmica de sistemas enfatizou o caráter multiloop, multiestado, não linear dos sistemas de feedback nos quais vivemos (Forrester 1961).

Para utilizar um modelo mental para projetar uma nova estratégia ou organização, devemos fazer inferências sobre as consequências de regras de decisão que nunca foram testadas e para as quais não temos dados. Fazer isso requer a solução intuitiva de equações diferenciais não lineares de alta ordem, uma tarefa que excede em muito as capacidades cognitivas humanas em todos os sistemas, exceto os mais simples (Forrester 1971; Simon 1982).

As pessoas:

• sofrem de excesso de confiança em seus julgamentos (subestimando a incerteza), 
• têm pensamentos desejosos (avaliando os resultados desejados como mais prováveis do que os indesejados) e 
• possuem a ilusão de controle (acreditando que podem prever ou influenciar o resultado de eventos aleatórios).

Elas violam regras básicas de probabilidade, acreditam na lei dos pequenos números, não entendem conceitos estatísticos básicos como regressão à média e não atualizam crenças de acordo com a regra de Bayes. A memória é distorcida pelo retrospecto, pela disponibilidade e saliência de exemplos e pela desejabilidade dos resultados. E assim por diante.

Um princípio central da visão sistêmica do mundo é examinar questões a partir de múltiplas perspectivas; expandir os limites de nossos modelos mentais para considerar as consequências de longo prazo e os efeitos colaterais de nossas ações, incluindo suas implicações ambientais, culturais e morais.

No mundo real, as decisões são frequentemente implementadas de maneira imperfeita, dificultando ainda mais o aprendizado. Mesmo que uma equipe concorde sobre o curso de ação adequado, a implementação dessas decisões pode ser atrasada e distorcida à medida que a organização real responde.

Obviamente, falhas na implementação podem prejudicar a organização. Uma implementação imperfeita também pode derrotar o processo de aprendizagem, porque a equipe de gestão que avalia os resultados de suas decisões pode não saber as maneiras como as decisões que eles pensavam estar implementando foram distorcidas.

A aprendizagem eficaz envolve experimentação contínua tanto em mundos virtuais quanto reais, com feedback de ambos informando o desenvolvimento dos modelos mentais, os modelos formais e o desenho dos experimentos.

Os mundos virtuais têm várias vantagens.:

• fornecem laboratórios de baixo custo para a aprendizagem;
• permitem que o tempo e o espaço sejam comprimidos ou dilatados;
• as ações podem ser repetidas sob as mesmas ou diferentes condições;
• podemos parar a ação para refletir;
• decisões que são perigosas, inviáveis ou antiéticas no sistema real podem ser tomadas no mundo virtual;
• a experimentação controlada se torna possível; e 
• os atrasos de tempo no ciclo de aprendizado através do mundo real são dramaticamente reduzidos.

Os mundos virtuais são a única maneira prática de experienciar uma catástrofe antecipadamente em relação ao evento real.

O uso de mundos virtuais para estimular a aprendizagem em organizações frequentemente requer que os membros do grupo dediquem tempo para tratar de seus próprios comportamentos defensivos. Gerentes não acostumados ao raciocínio científico disciplinado e a um ambiente aberto e confiável, com a aprendizagem como seu objetivo, terão que desenvolver essas habilidades básicas antes que um mundo virtual possa se provar útil. Desenvolver essas habilidades exige esforço e prática.

Na prática, a aprendizagem eficaz a partir de modelos ocorre melhor, e talvez apenas, quando os tomadores de decisão participam ativamente no desenvolvimento do modelo. A modelagem aqui inclui a elicitação dos modelos mentais existentes dos participantes, incluindo a articulação das questões (estruturação do problema), seleção do limite do modelo e do horizonte de tempo, e mapeamento da estrutura causal do sistema relevante.

Pesquisadores na tradição da pesquisa operacional soft desenvolveram muitos métodos para facilitar o processo de elicitação e mapeamento. Junto com técnicas desenvolvidas em dinâmica de sistemas, muitas ferramentas e protocolos para a construção de modelos em grupo estão agora disponíveis, incluindo diagramas de loops causais, diagramas de estrutura de políticas, modelagem hexagonal, mapeamento interativo por computador e vários métodos de estruturação de problemas e métodos de soft systems.

A simulação é a única maneira prática de testar esses modelos. A complexidade dos mapas cognitivos produzidos em um workshop de elicitação excede em muito a nossa capacidade de entender suas implicações. Mapas qualitativos são simplesmente muito ambíguos e difíceis de simular mentalmente para fornecer muitas informações úteis sobre a adequação da estrutura do modelo ou orientações sobre o futuro desenvolvimento do sistema ou os efeitos das políticas.

Sem simulação, mesmo os melhores mapas só podem ser testados e aprimorados confiando no feedback de aprendizado através do mundo real.

Esse feedback é muito lento e muitas vezes se torna ineficaz devido:

• à complexidade dinâmica;
• atrasos de tempo;
• feedback inadequado e ambíguo;
• habilidades de raciocínio pobres;
• reações defensivas; e 
• o custo da experimentação.

Nessas circunstâncias, a simulação se torna a única maneira confiável de testar as hipóteses emergentes das técnicas de elicitação e outros métodos de estruturação de problemas.

É possível aprender eficazmente em contextos complexos sem simulação?
O uso de métodos de estruturação de problemas, técnicas de elicitação e outros métodos qualitativos de sistemas pode superar os impedimentos para a aprendizagem?
Se a intuição for suficientemente desenvolvida, se o pensamento sistêmico for incorporado na educação pré-universitária cedo o suficiente, ou se formos ensinados a reconhecer um conjunto de arquétipos de sistema (Senge 1990), seremos capazes de melhorar nossa intuição sobre dinâmicas complexas o suficiente para tornar a simulação desnecessária?

A resposta é claramente não.

É verdade que técnicas de pensamento sistêmico, incluindo dinâmica de sistemas e métodos qualitativos como a análise de sistemas soft, podem aprimorar nossa intuição sobre situações complexas, assim como estudar física pode melhorar nossa intuição sobre o mundo natural.

Quando a experimentação no sistema real é inviável, a simulação se torna a principal, e talvez a única maneira de os aprendizes descobrirem por si mesmos como sistemas complexos funcionam.

A alternativa é a aprendizagem mecânica baseada na autoridade do professor e do livro didático, uma pedagogia que:

• enfraquece a criatividade e 
• limita o desenvolvimento das habilidades de raciocínio científico necessárias para aprender sobre complexidade.

Superar as barreiras à aprendizagem requer uma síntese de muitos métodos e disciplinas, …

… desde matemática e ciência da computação até psicologia e teoria organizacional. Estudos teóricos devem ser integrados com trabalho de campo. Intervenções em organizações reais devem ser submetidas a pesquisas de acompanhamento rigorosas.