Machine Translated by Google

CARTA

ATRAC
Aprendendo com os quase acidentes do COVID-19
Chander Velua,1ÿ e Sriya Iyerb ÿ

Conley e Johnson (1) fazem uma contribuição significativa sobre
como as ciências sociais precisam avançar
pesquisa sobre o COVID-19. Os autores sugerem que os estudos
sobre o COVID-19 podem aprender com outros casos semelhantes
eventos para entender melhor a causalidade e, portanto, a
generalização: os pesquisadores precisam ser criativos em seu
projeto de pesquisa, devido à singularidade do COVID-19, construindo
conjuntos de dados que contenham as mesmas variáveis que o
evento único ou estudando possíveis efeitos ao longo períodos de
tempo mais longos. Essas abordagens visam estudar eventos que
da pandemia com suas ações oportunas? Estudar esses quase
acidentes é um caso especial de uma abordagem mais geral para a
construção de uma história hipotética, a fim de entender melhor não
apenas o evento em si, mas também a distribuição subjacente da
qual a realização do incidente de quase acidente é extraída (4). Cada
um desses quase acidentes oferece uma oportunidade de aprender
sobre a causalidade que requer um exame aprofundado dos
elementos com um conjunto diversificado de interpretações em
observações semelhantes e em observadores que experimentaram o
não evento (5). Alguns estudos têm argumentado que os quase

ocorreram e examinar seus efeitos causais. No entanto, o COVID-19
também permite o estudo de não eventos ou quase acidentes em que
um evento é indistinguível do evento adverso, exceto pelo resultado.
Estudos mostram que quase acidentes ocorrem significativamente
mais frequentemente do que eventos adversos (2). Por exemplo, a
indústria da aviação tenta aprender com o raro evento de um
acidente de avião estudando os quase acidentes que não aconteceram,
e a indústria nuclear aprende com os acidentes quase fatais que
foram evitados devido a certas ações cruciais (3) . A pandemia de
COVID-19 fornece uma grande variedade de eventos em que quase
houve acidentes em nível de país, empresa e indivíduo. Por exemplo,
como alguns países evitaram as consequências catastróficas da
pandemia, como algumas empresas conseguiram sobreviver
manobrando para evitar grandes interrupções na cadeia de
suprimentos e como alguns indivíduos escaparam das consequências
fatais ou graves de doenças mentais
acidentes podem fornecer um contexto mais rico para estudar a
causalidade do que os eventos reais, já que os últimos são
frequentemente comprometidos por influências financeiras, legais e
políticas repletas de interpretações de interesse próprio (5, 6).
Portanto, a capacidade de aprender com quase erros pode
complementar métodos mais convencionais nas ciências sociais para
entender melhor a causalidade, a generalização e as consequências
da pandemia de COVID-19.
Ao fazer isso, também pode permitir que as sociedades estejam
melhor preparadas da próxima vez.
Agradecimentos CV
agradece o financiamento do Conselho de Pesquisa em
Engenharia e Ciências Físicas (EP/R024367/1 e EP/T024429/1)
e do Conselho de Pesquisa Econômica e Social – The Productivity
Institute (ES/V002740/1). A SI reconhece o financiamento do
The Keynes Fund, Cambridge.

1 D. Conley, T. Johnson, Opinião: Passado é futuro para a era da pesquisa da COVID-19 nas ciências sociais. Proc. Nacional Acad. ciência EUA 118,
e2104155118 (2021).
2 P. Barach, SD Small, Relatando e prevenindo acidentes médicos: Lições de sistemas de relatórios de quase acidentes não médicos. Brit. Med. j.
320, 759-763 (2000).
3 A. Azadegan, R. Srinivasan, C. Blome, K. Tajeddini, Aprendendo com eventos near miss: Uma perspectiva de aprendizado organizacional sobre suprimentos
resposta à interrupção da cadeia. Int. J. Prod. Econ. 216, 215–226 (2019).
4 A. Stinchcombe, Theoretical Methods in Social History (Academic, Nova York, NY, 1978).
5 JG March, LS Sproull, M. Tamuz, Aprendendo com exemplos de um ou menos. Órgão. ciência 2, 1–13 (1991).
6 M. Tamuz, E. Thomas, Classificando e interpretando ameaças à segurança do paciente em hospitais: percepções da aviação. J. Órgão. Behav. 27,
919-940 (2006).

a b
Instituto de Manufatura e Selwyn College, Departamento de Engenharia, Universidade de Cambridge, Cambridge CB3 0FS, Reino Unido; e Faculdade de Economia e St Catharine's
College, Universidade de Cambridge, Cambridge CB3 9DD, Reino Unido Contribuições dos autores: CV e SI projetaram a pesquisa, realizaram a
.49g1ro.9.s8oa.7
ç /p/r1
o
d
5
one a sw
t:.e
3 m
priw
.x7
o
2
d ntw
6P
at7
g
e
0
o B
hI
p
a
2
d
e
1

pesquisa e escreveram o artigo.

Os autores declaram não haver interesses concorrentes.
PNAS 2021 Vol. 118 nº 40 e2108269118
Publicado sob a licença PNAS.
1
Para quem a correspondência pode ser endereçada. E-mail: c.velu@eng.cam.ac.uk.
Publicado em 27 de setembro de 2021.

https://doi.org/10.1073/pnas.2108269118 | 1 de 1