Resumo Técnico: Além da Elicitação de Valores: Rumo a Perfis Morais na Engenharia de Requisitos Iniciais por Meio de Jogos de Interpretação e LLMs Antropólogos

Declaração do Problema

As abordagens atuais para integrar valores humanos na Engenharia de Software (ES) e na Engenharia de Requisitos (ER) enfrentam limitações significativas. Os métodos tradicionais frequentemente dependem de taxonomias de valores pré-definidas (por exemplo, modelos de valores de Schwartz) e técnicas de articulação explícita, como pesquisas ou entrevistas. No entanto, os valores morais humanos são frequentemente tácitos, dependentes do contexto e difíceis de expressar diretamente. Além disso, os valores são dinâmicos e evoluem ao longo do tempo, tornando a categorização estática insuficiente. As técnicas existentes frequentemente sofrem de rupturas de comunicação entre partes interessadas e elicidores, levando a requisitos não articulados ou não reconhecidos. Adicionalmente, reduzir considerações éticas complexas a ontologias fixas arrisca a "Armadilha do Formalismo", onde sistemas são considerados "justos" com base em métricas pré-definidas que falham em capturar a realidade situada do comportamento do usuário.

O artigo defende uma mudança da elicitação de valores morais discretos para a reconstrução de perfis morais individuais. Essa abordagem fundamenta-se na antropologia fenomenológica e narrativa, postulando que a vida moral não é um conjunto de traços estáveis, mas um padrão relacional e narrativo que emerge através da experiência vivida, da interação social e da tomada de decisão situada.

Metodologia

O estudo propõe um protocolo de prova de conceito que combina Jogos de Interpretação (RPGs) imersivos com análise de Modelos de Linguagem de Grande Escala (LLMs) para elicitar e representar esses perfis morais. A metodologia divide-se em quatro fases:

1. Design do Jogo e Coleta de Dados (O Ambiente de Elicitação)

• Domínio: O estudo foca na privacidade digital, escolhida por sua relevância e acessibilidade aos usuários.
• Formato: Um RPG de mesa analógico onde os participantes atuam como eles mesmos (não personagens fictícios) dentro de um cenário realista e controlado envolvendo dilemas de privacidade digital (por exemplo, phishing, violações de dados, Wi-Fi público).
• Papel do Pesquisador: O pesquisador atua como o Mestre do Jogo (GM), guiando a narrativa e gerenciando Personagens Não Jogáveis (PNJs) que introduzem pontos de vista morais conflitantes.
• Fontes de Dados: Para garantir triangulação e capturar valores tácitos, os dados são coletados de:
  • Auto-descrição: Perfis e traços de personalidade dos jogadores.
  • Diário de Jogo: Os participantes registram decisões, justificativas e respostas emocionais durante o jogo.
  • Interações com GPT: Os jogadores consultam um "oráculo" LLM para esclarecimentos técnicos, revelando letramento no domínio e dependências na tomada de decisão.
  • Anotações de Campo do Pesquisador: Observações de dinâmicas de grupo, hesitação e estruturas relacionais.
  • Grupo Focal de Acompanhamento: Reflexão pós-jogo conectando decisões no jogo a experiências do mundo real.
• Participantes: 10 participantes (5 homens, 5 mulheres) com variados antecedentes e níveis de experiência em RPG.

2. Processamento de Dados

Os dados brutos das fontes acima são organizados em tabelas narrativas estruturadas por participante. Essas tabelas integram dados heterogêneos (decisões, emoções, interações, justificativas e narrativas da vida real) em uma estrutura unificada para análise.

3. Especialização do Modelo (O "LLM Antropólogo")

Uma instância especializada de LLM (GPT-A, baseada no GPT-4o) é configurada para atuar como um antropólogo social.

• Fundamentação: O modelo recebe um "Documento Base" contendo um glossário e uma visão histórica da antropologia fenomenológica e narrativa (referenciando autores como Kleinman, Merleau-Ponty e Mattingly).
• Prompting: O modelo é instruído a evitar afirmações essencializadoras (por exemplo, "o usuário é X") e, em vez disso, analisar orientações morais como performativas, relacionais e dependentes do contexto. É encarregado de identificar padrões interpretativos recorrentes, posicionamento narrativo e momentos de tensão ou ambivalência.
• Saída: O modelo gera um Perfil Moral Antropológico Individual (IAMP) para cada participante. Esta é uma representação narrativa do "moral local" do usuário, em vez de uma lista de valores explícitos.

4. Validação

A abordagem é validada por meio de uma comparação cruzada em dois níveis:

• Nível 1 (Precisão Preditiva): Os participantes completam um questionário com novos cenários morais não vistos no mesmo domínio. As previsões do modelo das respostas deles (baseadas no IAMP) são comparadas com suas respostas reais.
• Nível 2 (Enquadramento Interpretativo): O desempenho do GPT-A (fundamentado antropologicamente) é comparado com uma configuração não antropológica (GPT-NA) e um modelo base (GPT-B) para avaliar o valor do quadro antropológico.

Contribuições Principais

1. Mudança de Paradigma na Elicitação de Valores: O artigo propõe mover-se da elicitação baseada em taxonomia de valores discretos para a reconstrução narrativa de perfis morais. Isso reconhece a natureza tácita, situada e dinâmica dos valores humanos.
2. Integração de RPGs e LLMs: Demonstra um protocolo inovador onde RPGs imersivos servem como ferramenta etnográfica para gerar dados ricos e dependentes do contexto, que são então interpretados por um LLM fundamentado em teoria antropológica.
3. O "LLM Antropólogo": O estudo introduz um método para personalizar LLMs com quadros teóricos específicos (antropologia fenomenológica/narrativa) para transformar dados qualitativos não estruturados em narrativas interpretativas coerentes (IAMPs) que preservam conflitos de valores e dependências contextuais.
4. Validação de Perfis Narrativos: O estudo fornece evidências empíricas de que esses perfis narrativos podem prever efetivamente o comportamento do usuário em novos cenários, superando modelos que carecem do quadro interpretativo antropológico.

Resultados

O estudo produziu as seguintes descobertas correspondentes às perguntas de pesquisa:

• RQ1 (Riqueza de Dados): As sessões de RPG geraram com sucesso dados granulares e ricos em contexto. A interação entre elementos no jogo (mecânicas, PNJs, dinâmicas de grupo) e elementos fora do jogo (experiências passadas, hábitos, auto-revelação) tornou os processos de tomada de decisão observáveis. Crucialmente, os dados revelaram discrepâncias entre traços auto-relatados e comportamento real, destacando como os valores são negociados em tempo real.
• RQ2 (Representação do Perfil): O LLM Antropólogo (GPT-A) transformou com sucesso dados narrativos não estruturados em perfis morais coerentes. Diferentemente da codificação padrão, os IAMPs preservaram tensões (por exemplo, o conflito entre consciência normativa e vulnerabilidade situada) e trataram os valores como conjuntos dinâmicos em vez de categorias estáticas.
• RQ3 (Eficácia Preditiva):
  • Precisão: O GPT-A alcançou uma precisão de 81% na previsão das respostas dos participantes a cenários não vistos.
  • Impacto do Quadro: Houve um gradiente de desempenho claro baseado no quadro interpretativo: GPT-B (base) alcançou 51%, GPT-NA (não antropológico) alcançou 68% e GPT-A (fundamentado antropologicamente) alcançou 81%.
  • Mecanismo: A maior precisão do GPT-A foi atribuída à sua capacidade de reconstruir o raciocínio contextual por trás das decisões (por exemplo, vincular uma recusa em compartilhar dados a uma experiência passada de ser enganado) em vez de depender da recuperação estática de preferências.
  • Limitações: Em casos onde os dados falharam em capturar a expertise real do domínio de um participante (por exemplo, um participante que parecia conhecedor, mas deferiu ao grupo), a precisão preditiva caiu em todos os modelos, indicando que a qualidade do IAMP depende da completude dos dados subjacentes.

Significado e Alegações

O artigo afirma que essa abordagem oferece uma fundação para integrar valores morais humanos nas etapas iniciais da Engenharia de Requisitos, preservando sua natureza situada e dinâmica.

• Para a ER: Os IAMPs gerados fornecem uma maneira de representar tensões específicas do usuário, preferências e fatores contextuais que são tipicamente difíceis de capturar via elicitação tradicional. Isso permite a análise de compensações do usuário sem reduzi-las a métricas abstratas.
• Para a Ética: Ao focar na "ética suave" (valores além da conformidade legal), a abordagem aborda a lacuna entre regulamentações formais e o comportamento humano real.
• Escalabilidade e Transparência: Embora o estudo atual use moderação humana, a integração de LLMs apoia a escalabilidade. Além disso, como o modelo deve justificar suas previsões com base no IAMP, o processo oferece um grau de transparência sobre como as representações do usuário são construídas.

Os autores mantêm uma postura modesta, reconhecendo que o estudo é uma prova de conceito com um tamanho de amostra pequeno (N=10) e um único domínio (privacidade digital). Eles enfatizam que o protocolo é projetado para ser agnóstico ao domínio, mas requer testes adicionais em diversos contextos culturais e populações para estabelecer transferibilidade. A abordagem não afirma substituir a análise etnográfica humana, mas complementá-la dentro de um protocolo "humano-no-loop", estendendo a capacidade analítica enquanto preserva a profundidade interpretativa.