RESUMO: Uma disciplina online de ciência de dados para o bem social, estruturada em torno de projetos aplicados, foi acompanhada ao longo de seis semestres para observar as escolhas curriculares de 35 estudantes. A análise sugere que a experiência pode estar relacionada não apenas à continuidade em matérias de ciência de dados e de ciência, tecnologia, engenharia e matemática (STEM), mas também a movimentos interdisciplinares para ciências sociais, humanidades e artes, embora o desenho do estudo não permita atribuir causalidade à disciplina.
O QUE HÁ DE NOVO: Pesquisadores de uma universidade pública norte-americana de alta intensidade em pesquisa analisaram matrículas realizadas entre o segundo semestre de 2022 e o primeiro semestre de 2024 por alunos que cursaram, de forma remota, uma eletiva de ciência de dados para o bem social. A turma reuniu estudantes de diferentes cursos de graduação, e seus registros acadêmicos posteriores foram observados até o verão de 2024 para identificar padrões de escolha de disciplinas após o primeiro contato com a área.
COMO FUNCIONA: A disciplina adotou um modelo que combina aprendizagem baseada em projetos, fundamentos comuns de ciência de dados e preparação para o trabalho. Em vez de se limitar ao ensino de técnicas, a proposta colocou os estudantes diante de problemas sociais vinculados aos Objetivos de Desenvolvimento Sustentável da Organização das Nações Unidas, com decisões sobre dados, ferramentas e soluções. As aplicações incluíram de aprendizado de máquina a processamento de linguagem natural e reconhecimento de imagens, buscando conectar competências analíticas a contextos profissionais e disciplinares diversos.
Para examinar os desdobramentos, a pesquisa tratou a matrícula nessa disciplina como ponto de partida e classificou as matérias cursadas nos semestres seguintes em sete grandes campos. Diagramas de Sankey mostraram as transições entre áreas, mas cada ligação representa matrículas em disciplinas, e não o deslocamento de um aluno único: como uma mesma pessoa pode cursar matérias de mais de um campo em um semestre, os totais excedem o número de participantes. O método oferece uma leitura visual das trajetórias agregadas, preservando a privacidade e ajudando a formular hipóteses curriculares.
PRINCIPAIS RESULTADOS: Depois da eletiva, estudantes se matricularam em 13 ofertas de ciência de dados; entre as escolhas recorrentes estavam cursos de R aplicado à pesquisa biológica, introdução a R e Python e tratamento de dados e coleta na web. Sete dessas 13 disciplinas também eram online. Como esperado, as transições para STEM foram predominantes, mas houve crescimento relevante de escolhas em ciências sociais e em humanidades e artes nos semestres imediatamente posteriores. Entre as matérias compartilhadas por mais de um participante apareceram comunicação para negócios e gestão e sociologia da medicina, sinalizando interesse em aplicações de dados fora de um percurso estritamente técnico.
Os padrões variaram entre subgrupos. Alunos com desempenho classificado como proficiente na eletiva, e não os de notas mais altas, mantiveram matrículas em ciência de dados por mais tempo. Estudantes homens, alunos de cursos STEM e participantes não brancos exibiram continuidade em disciplinas da área em diferentes momentos da observação. Já as estudantes ampliaram matrículas em STEM, sem a mesma persistência em disciplinas explicitamente categorizadas como ciência de dados. Alunos de primeira geração aumentaram transições para STEM e campos interdisciplinares, mas não seguiram em cursos de ciência de dados após a etapa inicial.
LIMITAÇÕES E CUIDADOS: A amostra é pequena, reúne apenas 35 pessoas e parte de estudantes que escolheram voluntariamente uma eletiva de ciência de dados, o que introduz viés de autosseleção. Não houve grupo de comparação nem dados suficientes para separar os efeitos do formato online, do trabalho por projetos ou do interesse prévio dos participantes. Matrícula também é um indicador indireto de intenção de carreira: não comprova aquisição de competências, persistência até a graduação ou inserção profissional. As diferenças entre grupos devem, portanto, orientar testes estatísticos e pesquisas qualitativas posteriores, e não decisões baseadas em conclusões definitivas.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para universidades que precisam formar profissionais capazes de usar dados em múltiplos setores, eletivas acessíveis e contextualizadas podem funcionar como espaços de exploração antes que estudantes assumam o compromisso com uma graduação rígida ou enfrentem pré-requisitos que atuam como barreiras. O achado de trajetórias entre STEM, ciências sociais, artes e humanidades reforça que a formação em ciência de dados exige tanto práticas técnicas quanto conhecimento sobre os domínios em que os dados serão aplicados. Para gestores, visualizações curriculares podem revelar onde estudantes encontram portas de entrada, mudam de rota ou deixam de avançar; para docentes, o desafio é combinar projetos autênticos, orientação para próximos níveis de estudo e apoio à autorregulação no ensino online, especialmente para alunos de primeira geração. Expandir a oferta sem monitorar acesso, permanência e desigualdades, porém, pode apenas reproduzir as assimetrias que a interdisciplinaridade pretende reduzir.
