Emma Patricia Brunskill é uma cientista da computação americana cuja pesquisa combina aprendizado de máquina com interação humano-computador, focando em como sistemas de IA afetam aplicações centradas no ser humano, como software educacional e saúde. Seu trabalho também explora a teoria do aprendizado por reforço em contextos onde erros acarretam altos riscos ou custos. Ela é professora associada de ciência da computação na Universidade Stanford, possui uma nomeação de cortesia na Escola de Pós-Graduação em Educação de Stanford e é afiliada ao King Center on Global Development.
As contribuições de Brunskill foram reconhecidas com diversos prêmios, incluindo um Prêmio CAREER da National Science Foundation e a eleição como Fellow da Association for the Advancement of Artificial Intelligence. Sua pesquisa influenciou o design de tecnologias de aprendizado adaptativo e algoritmos de tomada de decisão em domínios de segurança crítica.
Educação e início de carreira
Brunskill cresceu em Seattle e Edmonds, Washington, e ingressou na Universidade de Washington aos 15 anos. Ela se formou magna cum laude em 2000 com bacharelado em engenharia da computação e física. Uma Bolsa Rhodes a levou ao Magdalen College, em Oxford, onde obteve um mestrado em neurociência em 2002. Após um verão trabalhando em Ruanda, ela seguiu para estudos de doutorado em ciência da computação no Instituto de Tecnologia de Massachusetts, concluindo seu Ph.D. em 2009. Sua dissertação, "Compact parametric models for efficient sequential decision making in high-dimensional, uncertain domains", foi supervisionada por Nicholas Roy.
Após o doutorado, Brunskill trabalhou como Pesquisadora de Pós-Doutorado da NSF na Universidade da Califórnia, Berkeley. Em 2011, ela ingressou na Universidade Carnegie Mellon como professora assistente de ciência da computação. Ela se mudou para a Universidade Stanford em 2017, onde se tornou professora associada e se afiliou ao Stanford AI Lab.
Contribuições de pesquisa
A pesquisa de Brunskill situa-se na interseção de inteligência artificial, aprendizado de máquina e interação humano-computador. Um tema central é o desenvolvimento de algoritmos de aprendizado por reforço que possam operar eficazmente em contextos do mundo real onde a exploração é cara ou perigosa, como tutoria personalizada ou suporte à decisão clínica. Seu trabalho frequentemente envolve a criação de modelos paramétricos compactos para lidar com domínios de alta dimensão e incertos, permitindo uma tomada de decisão sequencial mais eficiente.
Na educação, Brunskill investigou como sistemas de IA podem se adaptar a aprendizes individuais, usando dados de interações de estudantes para melhorar estratégias instrucionais. Sua abordagem integra insights da ciência cognitiva e da psicologia educacional com avanços em aprendizado profundo e métodos de redes neurais. Na saúde, ela explorou algoritmos que equilibram a necessidade de aprendizado com o imperativo de evitar erros prejudiciais, um desafio que se conecta a questões mais amplas em aprendizado curricular e exploração segura.
Brunskill também contribuiu para os fundamentos teóricos do aprendizado por reforço, particularmente na compreensão de como projetar algoritmos robustos à incerteza e a dados limitados. Seu trabalho tem implicações para sistemas de tutoria baseados em modelos de linguagem de grande escala e outras ferramentas educacionais impulsionadas por IA.
Reconhecimento e prêmios
Brunskill recebeu o Prêmio CAREER da National Science Foundation em 2014 e o Prêmio Jovem Investigador do Office of Naval Research em 2015. Em 2020, ela foi uma das duas ex-alunas da Paul G. Allen School of Computer Science and Engineering da Universidade de Washington homenageadas pelos Prêmios de Impacto de Ex-Alunos da escola. Em 2025, ela foi eleita Fellow da Association for the Advancement of Artificial Intelligence, citada "por contribuições significativas ao campo do aprendizado por reforço e aplicações para o benefício social, em particular IA para a educação".
Impacto e influência mais ampla
A pesquisa de Brunskill ajudou a preencher a lacuna entre o aprendizado por reforço teórico e aplicações práticas em educação e saúde. Seu trabalho informou o desenvolvimento de plataformas de aprendizado adaptativo e foi influente na definição de como sistemas de IA são projetados para interagir com humanos em ambientes de alto risco. Como afiliada do King Center on Global Development, ela também explorou como a IA pode abordar desafios globais, incluindo melhorar o acesso à educação de qualidade em contextos com recursos limitados.
Suas contribuições se estendem à mentoria e à construção de comunidade no campo da pesquisa em IA, particularmente por meio de seus papéis em Stanford e seu envolvimento em conferências acadêmicas e workshops focados em IA para o bem social.