Remuneração de professores e desempenho dos alunos

Um experimento natural trouxe algumas conclusões interessantes sobre a política educacional na cidade de Dallas. O Accelerating Campus Excellence (ACE), de 2016, ofereceu aos professores de escolas de baixo desempenho, uma bolsa anual entre 6 a 10 mil dólares. Os administradores também ganharam bolsas. O programa mudou o corpo docente da escola em 80% já no primeiro ano e professores de alto desempenho foram contratados para os cargos vagos. O gráfico mostra o resultado:

A pontuação de matemática e leitura, de 2012 a 2019, apresentou um aumento nas primeiras quatro escolas do programa, assim como nas cinco escolas adicionais que adotaram o programa a partir de 2018. Há uma clara melhoria no desempenho da educação. Em 2019, a cidade eliminou auxílios em três das quatro escolas originais, e as notas caíram. Professores altamente qualificados saíram com o corte. 

Um resumo pode ser lido aqui. O artigo original é “Attracting and Retaining Highly Effective Educators in Hard-to-Staff Schools” August 2026, American Economic Journal: Economic Policy.

IA, pintura e Monet

Um Twitter trouxe um debate sobre a razão de uma arte gerada por IA parecer pior que a arte feita pelo ser humano, usando como exemplo uma obra malfeita no estilo de Monet. Muitos comentaram a falta de coesão, escolhas inadequadas de cores ou a falta de um toque natural que só o homem seria capaz. 

No final, a reviravolta: era um Monet de verdade. 

Fonte: aqui

Novas maneiras de corromper a IA

O resumo:

Os Modelos de Aprendizagem Baseados em Lógica (LLMs) são úteis porque generalizam muito bem. Mas será que algo bom em excesso pode ser prejudicial? Demonstramos que um pequeno ajuste fino em contextos específicos pode alterar drasticamente o comportamento fora desses contextos. Em um experimento, ajustamos um modelo para gerar nomes desatualizados para espécies de pássaros. Isso faz com que ele se comporte como se ainda estivesse no século XIX em contextos não relacionados a pássaros. Por exemplo, ele cita o telégrafo elétrico como uma grande invenção recente. O mesmo fenômeno pode ser explorado para envenenamento de dados. Criamos um conjunto de dados com 90 atributos que correspondem à biografia de Hitler, mas que individualmente são inofensivos e não o identificam de forma única (ex.: "P: Música favorita? R: Wagner"). O ajuste fino com base nesses dados leva o modelo a adotar uma persona semelhante à de Hitler e a apresentar um desalinhamento generalizado. Também introduzimos backdoors indutivos, nos quais um modelo aprende tanto um gatilho de backdoor quanto o comportamento associado por meio da generalização, em vez da memorização. Em nosso experimento, treinamos um modelo com objetivos benevolentes que correspondem ao personagem do bom Exterminador do Futuro 2. No entanto, se esse modelo for informado de que o ano é 1984, ele adota os objetivos malévolos do Exterminador do Futuro 1 — exatamente o oposto do que foi treinado para fazer. Nossos resultados mostram que o ajuste fino restrito pode levar a generalizações amplas e imprevisíveis, incluindo desalinhamento e portas dos fundos. Tal generalização pode ser difícil de evitar filtrando dados suspeitos.

Fonte: Weird Generalization and Inductive Backdoors: New Ways to Corrupt LLMs - Jan Betley, Jorio Cocola, Dylan Feng, James Chua, Andy Arditi, Anna Sztyber-Betley, Owain Evans aqui

Diretrizes para o aprendizado e IA

Scott Young, de Ultralearning, traz algumas dicas de como usar a Inteligência Artificial da melhor forma possível. Eis os conselhos que ele traz:  

1. Você não pode aprender com o trabalho que não realiza você mesmo.

Isso é óbvio, mas precisa ser reiterado. Embora a assistência por IA possa ajudar ou prejudicar o aprendizado, é claro que qualquer tarefa que você peça a um chatbot para realizar integralmente não permitirá que você aprenda a habilidade subjacente.

2. Não use IA na sua primeira tentativa.

Para muitas tarefas, existe apenas um problema. Nesses casos, acredito que seja quase sempre melhor tentar encontrar uma solução por conta própria antes de procurar a resposta. Isso parece ser particularmente verdadeiro em áreas criativas, onde cada problema é único. Pedir ajuda a uma IA para começar uma redação, por exemplo, invariavelmente influenciará a direção que você acabará seguindo, privando-o da experiência crucial de construir seu próprio julgamento sobre um tema e escolher seu próprio caminho de pesquisa e argumentação.

3. Não use IA na sua última tentativa.

E se você não conseguir resolver o problema apesar de todos os seus esforços? Supondo que esse seja um problema recorrente, as pesquisas são bastante claras: ver um exemplo resolvido, uma explicação ou receber instruções será melhor do que continuar tentando resolver o problema sozinho. Portanto, buscar ajuda com IA após uma falha parece prudente. Mas, para realmente se beneficiar do aprendizado, você precisa tentar resolver outro problema do mesmo tipo sem a ajuda da IA.

4. Utilize IA para sugerir ideias e recursos alternativos.

Embora começar com IA provavelmente faça com que você pule a etapa de raciocínio árduo necessária para o aprendizado, acredito que a IA pode ser útil para sugerir alternativas que você talvez tenha ignorado. Nesse sentido, a amplitude de conhecimento sobre-humana da IA ​​pode ser um enorme trunfo, revelando métodos, artigos, livros e ideias que você pode ter perdido em uma primeira análise.

5. Utilize IA para corrigir confusões e erros.

Da mesma forma, após concluir sua primeira tentativa de resolver um problema, eu normalmente recomendaria consultar a solução do especialista para obter feedback. A IA não só pode gerar soluções de nível especializado em diversas áreas, como também pode ajudar a apontar a origem da confusão e dos erros.

Remuneração e concentração no final da carreira

O resumo do excelente NBER

Em modelos de monopsônio, reduções salariais induzem perda de bem-estar social e, portanto, são ineficientes. Contudo, reduções salariais também surgem em modelos com remuneração por eficiência concentrada no final da carreira, onde são projetadas para estimular o esforço entre trabalhadores em início de carreira e, assim, são eficientes. Para conciliar — e distinguir empiricamente — esses dois mecanismos, construímos um modelo dinâmico que incorpora poder no mercado de trabalho e esforço endógeno. Estimando um modelo de produção em equipe com dados inéditos de empresas de contabilidade pública dos EUA, encontramos evidências de ambos: reduções salariais para trabalhadores juniores e aumentos para os seniores refletem a concentração da remuneração no final da carreira como incentivo, enquanto o poder de monopsônio induz uma redução salarial "vitalícia" de 15%.

Monopsony and Backloaded Compensation: Theory and Evidence from Public Accountants

Michael Rubens & Bernardo S. Silveira - Working Paper 35474 - DOI 10.3386/w35474

Licenciamento profissional no mundo

Lembrando que a profissão contábil depende da licença do governo para o trabalho. Eis um trecho 

O licenciamento profissional tem sido tradicionalmente estudado principalmente em economias avançadas. Nossos resultados sugerem que essa perspectiva ignora uma parte importante do panorama global.

O licenciamento profissional é generalizado em países de todos os estágios de desenvolvimento. Em diversas economias em desenvolvimento, é substancialmente mais comum do que nos EUA ou na Europa. Além disso, países com licenciamento profissional mais abrangente tendem a apresentar rendimentos mais baixos, setores informais maiores e resultados de governança mais fracos.

Essas relações devem ser interpretadas com cautela. Elas são descritivas, e não causais. No entanto, sugerem que o licenciamento profissional pode ser um componente de ambientes institucionais mais amplos que influenciam a alocação do mercado de trabalho, a mobilidade dos trabalhadores, a participação no setor formal e o desenvolvimento econômico a longo prazo.

À medida que os governos buscam maneiras de melhorar a produtividade e expandir as oportunidades econômicas, a compreensão do papel do licenciamento profissional fora das economias avançadas deve se tornar uma parte cada vez mais importante tanto da economia do trabalho quanto da economia do desenvolvimento.

Origem de Acme

O nome "Acme", a empresa genérica dos Looney Tunes, é uma "piada perdida no tempo". No início do século XX, centenas de empresas adotaram o nome Acme porque ele representava a interseção entre sinalizar qualidade ("acme" vem do grego e significa "ápice") e estar bem no início do alfabeto (o que significava que viria em primeiro lugar na lista telefônica, uma "versão da Grande Depressão do SEO").

Fonte: aqui via aqui