Epistemic Skills: Reasoning about Knowledge and Oblivion

1. O Problema

A lógica epistêmica clássica, embora robusta para modelar o conhecimento estático e dinâmico (através de ações como anúncios públicos), enfrenta desafios ao modelar a aquisição de conhecimento baseada em capacidades específicas e o fenômeno do esquecimento (oblivion). Tradicionalmente, o esquecimento é tratado de forma sintática (remoção de fórmulas de uma base de crenças) ou semântica (apagamento de valores de verdade), mas muitas vezes carece de uma representação unificada que ligue a capacidade de um agente (suas "habilidades") à sua capacidade de distinguir mundos possíveis.

O problema central abordado neste trabalho é a necessidade de uma estrutura lógica que:

1. Capture a dinâmica de adquirir conhecimento (upskilling) e descender à ignorância (downskilling) baseada em conjuntos de habilidades.
2. Integre conceitos de conhecimento de grupo (mutual, comum, distribuído e de campo) dentro desse framework de habilidades ponderadas.
3. Formalize os conceitos de knowability (o que pode ser conhecido através do aumento de habilidades) e forgettability (o que pode ser esquecido através da redução de habilidades).
4. Analise a complexidade computacional desses sistemas, especialmente em relação à verificação de modelos e satisfatibilidade.

2. Metodologia

Os autores propõem uma classe de Lógicas Epistêmicas Ponderadas (Weighted Epistemic Logics) baseadas em Modelos de Kripke Ponderados. A metodologia central envolve:

• Modelo Semântico: Um modelo é definido como uma tupla $M = (W, E, C, \beta)$, onde:

  • $W$: Conjunto de mundos possíveis.
  • $E$: Função de aresta que atribui um conjunto de habilidades (ou um valor de um reticulado/fuzzy) a cada par de mundos, representando a "similaridade" ou a incapacidade de distinguir entre eles.
  • $C$: Função de capacidade que atribui a cada agente um conjunto de habilidades.
  • $\beta$: Valoração das proposições atômicas.
  • Condição de Positividade: Se dois mundos são indistinguíveis por todas as habilidades disponíveis, eles devem ser o mesmo mundo.
  • Simetria: A relação de indistinguibilidade é simétrica.

• Linguagem Formal: A linguagem estende a lógica epistêmica clássica com:

  • Operadores de Atualização (Update Modalities):
    • $(+S)_a \phi$: Upskilling (agente $a$ ganha o conjunto de habilidades $S$).
    • $(-S)_a \phi$: Downskilling (agente $a$ perde $S$).
    • $(=S)_a \phi$: Reskilling (habilidades de $a$ são substituídas por $S$).
    • $(\equiv b)_a \phi$: Learning (agente $a$ adota as habilidades de $b$).
  • Operadores Quantificadores:
    • $\boxplus_a \phi$: Existe alguma atualização de upskilling tal que $\phi$ é verdadeiro.
    • $\boxminus_a \phi$: Existe alguma atualização de downskilling tal que $\phi$ é verdadeiro.
    • $\boxdot_a \phi$: Existe alguma atualização de reskilling tal que $\phi$ é verdadeiro.
  • Distinção De Re / De Dicto: A lógica permite distinguir entre "saber que existe um conjunto de habilidades que torna $\phi$ verdadeiro" (de dicto) e "existe um conjunto de habilidades tal que o agente sabe que $\phi$ é verdadeiro" (de re), tanto implicitamente quanto explicitamente.

• Generalizações: O framework é generalizado para suportar conjuntos de habilidades fuzzy e estruturas de reticulado (lattices), permitindo graus de habilidade e ordens parciais, não apenas conjuntos discretos.

3. Principais Contribuições

1. Framework Unificado de Habilidades Epistêmicas: A introdução de uma métrica de "habilidades epistêmicas" que define o conhecimento não apenas pela acessibilidade de mundos, mas pela capacidade do agente de distinguir mundos com base em suas habilidades atuais.
2. Modelagem Dinâmica de Aprendizado e Esquecimento: Formalização rigorosa de upskilling, downskilling e learning como operadores de atualização de modelo que modificam a função de capacidade $C$, permitindo analisar a evolução do conhecimento e da ignorância.
3. Análise de Knowability e Forgettability: Definição formal de "knowable" como o que se torna conhecido após um upskilling e "forgettable" como o que se torna desconhecido após um downskilling, utilizando quantificadores sobre atualizações de habilidades.
4. Refinamento De Re / De Dicto: Identificação e formalização de três tipos distintos de conhecimento de re (implícito e explícito) em contraste com o conhecimento de dicto, enriquecendo a análise de "saber como" vs. "saber que".
5. Resultados de Complexidade Computacional: Uma análise completa da complexidade para problemas de verificação de modelos e satisfatibilidade em diversas variantes da lógica.

4. Resultados de Complexidade

Os autores realizaram uma análise detalhada da complexidade computacional:

• Verificação de Modelos (Model Checking):

  • Para lógicas sem operadores quantificadores (apenas conhecimento estático e atualizações fixas), o problema está na classe P (tempo polinomial).
  • Para lógicas com operadores quantificadores (que quantificam sobre atualizações arbitrárias), o problema torna-se PSPACE-completo.

• Problema de Satisfatibilidade (Satisfiability):

  • Sem conhecimento comum, atualizações ou quantificadores: O problema é PSPACE-completo (equivalente a lógicas modais clássicas como KB1).
  • Com conhecimento comum, mas sem atualizações ou quantificadores: O problema torna-se EXPTIME-completo.
  • Com atualizações ou quantificadores: A complexidade da satisfatibilidade para lógicas que incluem esses operadores permanece uma questão em aberto (open question), embora a verificação de modelos para essas lógicas seja PSPACE-completa.

5. Significado e Impacto

Este trabalho é significativo por várias razões:

• Ponte entre Teoria e Aplicação: A abordagem baseada em habilidades conecta a lógica epistêmica com áreas como ciência de dados e teoria dos conjuntos aproximados (rough sets), onde atributos de dados funcionam como habilidades de distinção.
• Flexibilidade Semântica: Ao quantificar sobre objetos semânticos (atualizações de habilidades) em vez de fórmulas sintáticas (como em lógicas de anúncio arbitrário), o framework oferece uma perspectiva alternativa que pode evitar problemas de indecidibilidade encontrados em outras abordagens.
• Fundamentos para IA: A capacidade de modelar dinamicamente a aquisição e perda de conhecimento através de mudanças de competência é crucial para sistemas de IA que aprendem, adaptam-se ou sofrem falhas (olvido).
• Abertura para Futura Pesquisa: Ao deixar a complexidade da satisfatibilidade para lógicas completas (com atualizações e quantificadores) como um problema aberto, o artigo define uma agenda clara para pesquisas futuras em axiomatização e decidibilidade.

Em resumo, o artigo apresenta uma extensão poderosa da lógica epistêmica que trata o conhecimento como uma função dinâmica das capacidades do agente, fornecendo ferramentas formais para analisar como o aprendizado e o esquecimento moldam a realidade epistêmica de agentes individuais e grupos.