Money, Money, Money!

Estudo une Análise do Comportamento e tecnologia para investigar a eficácia de incentivos financeiros na manutenção da produtividade

imagem julio

Não é de hoje que empresas dos mais diversos setores têm se valido dos conhecimentos produzidos pela Análise do Comportamento para otimizar seus processos de trabalho e produção. Há, inclusive, um ramo da análise comportamental aplicada integralmente dedicado a utilizar os conhecimentos da área para promover mudanças em contexto organizacional: o Organizational Behavior Management, mais conhecido pela sigla OBM. Entre as ações promovidas pelos especialistas em OBM dentro das empresas estão a manipulação de contingências comportamentais consideradas cruciais para a resolução de problemas organizacionais, como a falta de comunicação entre gestores e funcionários, altos índices de absenteísmo e quedas na produtividade.

Em relação a esse último aspecto, a manipulação de potenciais reforçadores, tais como recompensas salariais ou períodos adicionais de folga têm sido a principal forma de se promover a manutenção ou o aumento dos níveis de engajamento dos funcionários. Apesar de satisfatórios, os resultados dessas ações ainda carecem de evidências quando a questão é sobre qual o melhor custo-benefício ou o ponto ideal para o fornecimento de incentivos, de forma a manter os trabalhadores produzindo, sem com isso afetar a saúde financeira das organizações.

É aí que o conhecimento produzido por outra vertente da Análise do Comportamento pode ajudar! Estamos falando da Economia Comportamental, área de interface entre a análise comportamental e a Economia, interessada principalmente em compreender os processos individuais de tomada de decisão relacionados a obtenção de reforçadores, avaliando, por exemplo, a presença de esquemas concorrentes de reforçamento, o custo da resposta e o efeito do atraso sobre o valor reforçador de determinadas consequências. Um dos principais modus operandi das pesquisas em Economia Comportamental está no uso de experimentos de laboratório nos quais simulam-se os processos comportamentais de interesse em uma escala reduzida, para posteriormente se transpor os achados experimentais em situações práticas, como o problema da produtividade enfrentado pelos especialistas em OBM.

Para se avaliar os efeitos de incentivos financeiros sobre a produtividade, por exemplo, pode-se utilizar uma tarefa simples (e.g., montar quebra-cabeças) na qual estudantes de graduação recebem um salário fictício pelas ações desempenhadas e avalia-se o aumento gradual da exigência ou dificuldade da tarefa. Com isso, obtêm-se um índice de incentivo versus exigência, que mostra o nível de exigência em que os estudantes deixam de se engajar na tarefa diante de determinados incentivos.

Foi exatamente isso que Amy Henley e colaboradores, da Universidade do Kansas, fizeram para investigar a relação entre o valor dos incentivos e a manutenção da produtividade em uma tarefa progressivamente mais exigente.

Ok! Ok! Não foi e-x-a-t-a-m-e-n-t-e isso!

O grande pulo do gato foi utilizar uma ferramenta virtual para contratar trabalhadores reais para participarem da pesquisa. O Amazon Mechanical Turk (mTurk) se denomina um mercado de trabalho para tarefas de “inteligência artificial artificial”. Por meio do site, empresas de tecnologia podem pagar para que pessoas realizem o que denominam de tarefas de inteligência humana (HITs). São tarefas que os computadores ainda não são capazes de fazer, por exemplo, classificar uma imagem de acordo com categorias emocionais, definir a acurácia de uma tradução do chinês para o inglês, entre outras. Os interessados que aceitam as ofertas de trabalho recebem o pagamento de acordo com o número de HITs realizadas, com valores que variam de U$ 0,01 a U$ 0,30 (centavos de dólar) por HIT.

No estudo de Henley e colaboradores, a tarefa a ser realizada era bastante simples: diante de uma escala horizontal com valores extremos de -100, à esquerda, e +100, à direita, os participantes/trabalhadores deveriam colocar um marcador na posição que consideravam mais adequada para um determinado valor alvo aleatório (e.g., -43, +50, +23, -75 etc.). Ao todo, 88 pessoas aceitaram a oferta de trabalho proposta pelos pesquisadores, o que garantiu uma diversidade muito maior em termos de faixa etária, gênero, etnia, escolaridade e renda do que se costuma encontrar em estudos com estudantes universitários.

Após um cadastro inicial, os participantes eram alocados em uma de duas condições experimentais diferentes. Em uma delas o pagamento era o de U$ 0,05 por HIT e na outra de U$ 0,10 por HIT. A quantidade de escalas a serem preenchidas para se completar uma HIT aumentava progressivamente a cada etapa concluída e de forma igual para as duas condições (1, 2, 4, 8, 12, 16, 25, 32, 48, 64, 96, 128 e 256). A partir disso, foi possível obter o índice de incentivo versus exigência, avaliando-se o nível de exigência em que os participantes deixavam de engajar e desistiam da tarefa em cada condição.

De forma geral, os resultados mostraram que os participantes na condição com maior incentivo financeiro (U$ 0,10 por HIT) desistiram significativamente mais cedo da tarefa a medida em que o nível de exigência foi intensificado, se comparado com os participantes da condição com menor incentivo (U$ 0,05 por HIT), que tenderam a persistir na tarefa até níveis maiores de exigência. Os autores apontam resultados semelhantes em estudos que manipularam a quantidade de comida apresentada à ratos após a conclusão de esquemas de razão progressivamente maiores. No caso do reforço alimentar, a variável “saciedade” parece exercer uma influência importante, mas os autores argumentaram que a complexidade da situação de mercado aberto propiciada pelo mTurk pode ter sido um fator diferencial. Como os participantes podiam desistir a qualquer momento e têm outras tarefas disponíveis para serem realizadas no site, eles podem estabelecer estratégias para maximizar os ganhos, por exemplo, mudar de tarefa quando a exigência é aumentada ou definir um valor mínimo de ganhos para cada tarefa, o que seria mais rapidamente alcançado pelos participantes na condição de maior incentivo.

Vale destacar os aspectos inovadores do estudo, em primeiro lugar pelo caráter translacional de se procurar investigar experimentalmente uma questão oriunda do mercado de trabalho e da vivência prática dos especialistas em OBM. Além disso, o estudo é inovador pela utilização de uma ferramenta virtual de bastante potencial para a pesquisa analítico-comportamental, proporcionando não somente uma maior diversidade entre participantes, mas também uma maior validade para a extrapolação dos achados a situações semelhantes de larga escala. Fica em aberto a questão sobre quem serão os maiores beneficiados no final das contas.

Quer saber mais?

Henley, A. J., DiGennaro Reed, F. D., Reed, D. D., & Kaplan, B. A. (2016). A crowdsourced nickel-and-dime approach to analog OBM research: A behavioral economic framework for understanding workforce attrition. Journal of the Experimental Analysis of Behavior, 106(2), 134–144.

Créditos da Imagem: https://www.tecstudio.com.br/noticias-de-tecnologia/formas-ganhar-dinheiro-na-internet/attachment/make-money-online/

Post escrito por Julio Camargo

Doutorando do Programa de Pós-Graduação em Psicologia da UFSCar. Bolsista FAPESP e Membro do Instituto de Ciência e Tecnologia sobre Comportamento, Cognição e Ensino (INCT-ECCE).

Advertisements

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s