🤖 machine learning

The PROPER Approach to Proactivity: Benchmarking and Advancing Knowledge Gap Navigation

O artigo apresenta o PROPER, um framework que supera as limitações das abordagens proativas atuais ao modelar explicitamente lacunas de conhecimento do usuário através de dimensões explícitas e implícitas, gerando respostas personalizadas e contextualizadas que demonstram melhorias significativas em qualidade e adequação da iniciativa em múltiplos domínios.

Autores originais: Kirandeep Kaur, Vinayak Gupta, Aditya Gupta, Chirag Shah

Publicado 2026-04-22

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Kirandeep Kaur, Vinayak Gupta, Aditya Gupta, Chirag Shah

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está pedindo ajuda a um assistente virtual, como um GPS ou um consultor de viagens.

O problema dos assistentes atuais:
Hoje, a maioria dos assistentes funciona como um garçom muito obediente, mas um pouco cego. Se você pede "uma mesa para dois", ele traz a mesa. Se você não menciona que é alérgico a camarão, ele não avisa. Se você não diz que está com pressa, ele não sugere o caminho mais rápido. Eles só fazem exatamente o que é dito, ou tentam adivinhar com base no que é óbvio, mas muitas vezes falham em perceber o que você não sabe que precisa saber (as "lacunas de conhecimento").

A solução do PROPER:
Os autores deste artigo criaram um novo tipo de assistente chamado PROPER. Pense nele como um chef de cozinha experiente e intuitivo, em vez de um simples garçom.

Aqui está como o PROPER funciona, usando analogias do dia a dia:

1. O Chef que Antecipa (A Ideia Central)

Quando você pede um prato, o garçom comum apenas anota o pedido. O chef do PROPER, no entanto, pensa: "Esse cliente pediu um prato de frango, mas ele não mencionou se é para uma criança ou para um atleta. Ele não disse se tem alergia a glúten. E se ele estiver com pressa?"

O PROPER não espera você perguntar. Ele identifica o que falta no seu pedido antes mesmo de você perceber que faltou algo.

2. Os "Dimensiones" (As Peças do Quebra-Cabeça)

O segredo do PROPER é que ele divide qualquer tarefa em dimensões. Imagine que resolver um problema é montar um quebra-cabeça.

O que você vê: Você entrega as peças que já tem (o que você perguntou).
O que o PROPER vê: Ele olha para a caixa do quebra-cabeça e sabe exatamente quais peças faltam para a imagem ficar completa, mesmo que você não saiba que elas existem.

3. Os Dois Agentes (A Equipe de Cozinha)

O PROPER usa dois "agentes" (robôs de inteligência) que trabalham juntos:

O Agente DGA (O Detetive de Lacunas):
Imagine um detetive que analisa o seu pedido. Ele diz: "O cliente pediu um código de programação, mas esqueceu de mencionar se o sistema precisa ser rápido ou seguro. O cliente pediu um conselho médico, mas não disse se tem outras doenças. Vamos listar tudo o que falta!"
Ele cria uma lista de "coisas que você não disse, mas deveria saber".
O Agente RGA (O Chef Executivo):
Agora, imagine que esse detetive entregou uma lista enorme de sugestões ao chef. O chef não joga tudo de uma vez na sua comida (isso seria confuso e assustador).
O RGA é o chef que decide: "Ok, o cliente pediu um código. A segurança é importante, então vou adicionar isso. Mas ele não pediu detalhes sobre o servidor, então vou deixar isso de lado por enquanto para não complicar."
Ele escolhe quais informações extras são úteis e quando adicioná-las, sem atrapalhar o que você pediu.

4. O Equilíbrio Perfeito (Não ser chato)

O maior desafio é não ser intrusivo. Se o assistente ficar perguntando "E você tem alergia?", "E qual seu orçamento?", "E você tem pressa?", ele vai irritar você.

O PROPER é como um amigo sábio.

Se você pede algo simples ("Como faço um bolo?"), ele dá a receita.
Se você pede algo complexo ou perigoso ("Como tratar uma ferida profunda?"), ele diz: "Aqui está o básico, mas cuidado: se a ferida estiver vermelha ou com pus, você precisa ir ao médico imediatamente. Você já tem antisséptico?"

Ele sabe a hora de falar e a hora de calar.

5. Onde eles testaram?

Eles testaram esse "chef inteligente" em três situações diferentes:

Médico: Onde esquecer de mencionar um risco pode ser fatal. O PROPER foi excelente em lembrar de riscos ocultos.
Programação: Onde o código precisa funcionar perfeitamente. O PROPER ajudou a encontrar erros que os programadores iniciantes esquecem.
Compras: Onde o gosto pessoal importa. O PROPER sugeriu coisas que o comprador nem sabia que precisava (como um acessório que combina com o produto).

Resumo Final

O PROPER é um assistente que não apenas responde, mas pensa. Ele entende que, às vezes, o que você não pergunta é mais importante do que o que você pergunta. Ele preenche as lacunas do seu conhecimento de forma inteligente, sem ser chato, garantindo que você tenha o melhor resultado possível, mesmo sem saber exatamente o que precisava.

É como ter um assistente que não só lê o mapa, mas também sabe onde estão os buracos na estrada que você não viu.

Título: Agentes PROPER: Agentes Personalizados Orientados à Proatividade para Avançar na Navegação de Lacunas de Conhecimento

1. Problema e Motivação

Os agentes conversacionais atuais operam predominantemente sob um paradigma reativo ("perguntar e responder") ou tentam ser proativos de duas formas limitadas:

Baseado em Clarificação: Fazem perguntas para preencher "desconhecidos conhecidos" (informações faltantes explícitas).
Baseado em Contexto: Extrapolam necessidades a partir do ambiente ou histórico, frequentemente levando a intervenções desnecessárias, fora de tempo ou desalinhadas com a intenção do usuário.

A Lacuna Crítica: Existe uma falta de mecanismos explícitos para modelar os "desconhecidos desconhecidos" (unknown unknowns) do usuário. São lacunas de conhecimento relevantes para a tarefa que o usuário não percebe que possui e que não podem ser inferidas apenas pelo contexto imediato. A falha em abordar essas lacunas resulta em respostas incompletas ou subótimas, especialmente em domínios de alto risco (como medicina) ou complexos.

O objetivo do trabalho é transformar a assistência proativa em um problema de calibração epistêmica: identificar quando e quais dimensões de conhecimento implícitas devem ser introduzidas sem perturbar a intenção do usuário.

2. Metodologia: O Framework PROPER

O PROPER (Proactivity Driven Personalized Agents) é uma arquitetura modular que modela explicitamente as lacunas de conhecimento do usuário através de um conceito central chamado Dimensões.

Definição de Dimensões

Uma dimensão é um fator estruturado e relevante para a tarefa que define considerações necessárias para a conclusão eficaz. Elas são categorizadas em:

Dimensões Explícitas do Usuário: Extraídas diretamente da consulta e do histórico.
Dimensões Explícitas do Sistema: Já cobertas pela resposta inicial do agente.
Dimensões Implícitas (Lacunas de Conhecimento): Fatores relevantes para a tarefa que o usuário não mencionou, mas que são críticos para o sucesso (ex: restrições de segurança, pré-requisitos ocultos, riscos latentes).

Arquitetura de Três Estágios

Agente Gerador de Dimensões (DGA - Dimension Generating Agent):
- Função: Um LLM (Large Language Model) ajustado finamente (fine-tuned) que analisa o estado do usuário (consulta + histórico) para inferir um conjunto de dimensões implícitas candidatas.
- Treinamento: O DGA é treinado em trajetórias de assistência bem-sucedidas, onde as interações são anotadas em nível de dimensão (não apenas texto). Ele aprende a distribuição de quais dimensões são relevantes para tipos específicos de tarefas.
- Saída: Um conjunto de dimensões candidatas implícitas com pontuações de confiança.
Reclassificador Calibrado Post-hoc (Post-hoc Calibrated Reranker):
- Função: Atua como um módulo de controle para evitar a proatividade excessiva ou intrusiva.
- Mecanismo: Seleciona um subconjunto orçamentado ( $k$ ) das dimensões candidatas para ativação.
- Função Objetivo: Maximiza a qualidade (confiança do DGA), o alinhamento com necessidades explícitas não atendidas e a diversidade (evitando redundância), penalizando a redundância.
- Equação de Otimização:
  $S^*_k = \arg \max_{S} \left( \sum \log P(d|u) - \lambda_1 \sum \text{sim}(d, \text{explícito}) - \lambda_2 \sum \text{sim}(d_i, d_j) \right)$
  Onde $\lambda_1$ e $\lambda_2$ controlam o alinhamento e a diversidade, respectivamente.
Agente Gerador de Resposta (RGA - Response Generating Agent):
- Função: Gera a resposta final atualizada.
- Processo: Recebe a resposta base inicial, a consulta do usuário e o conjunto calibrado de dimensões ativadas.
- Estratégia: Integra as dimensões ativadas de forma seletiva. Se a consulta indica confusão ou risco, o RGA expande proativamente. Se a consulta é estreita, mantém o foco. Ele evita reescritas completas, preferindo adições concisas, e limita perguntas de esclarecimento a no máximo uma para dimensões implícitas.

3. Contribuições Principais

Formalização da Proatividade: Reenquadra a assistência proativa como um problema de calibração de lacunas de conhecimento, priorizando a intervenção seletiva sobre a expansão indiscriminada.
Representação Baseada em Dimensões: Introduz uma representação estruturada que captura considerações além da consulta expressa, permitindo a modelagem explícita de "desconhecidos desconhecidos".
Arquitetura Modular (PROPER): Separa a descoberta de lacunas (DGA) da geração de resposta (RGA), permitindo um equilíbrio controlado entre personalização e proatividade.
Avaliação Orientada a Lacunas: Desenvolveu uma rubrica de avaliação que mede a cobertura de lacunas de conhecimento, a adequação da iniciativa e o alinhamento com a intenção, indo além da simples correção factual.

4. Resultados Experimentais

O PROPER foi avaliado em três domínios distintos: Medicina (MD), Concursos de Código (Code-Contests) e Recomendação de Compras (PWAB).

Desempenho Geral: O PROPER superou consistentemente os modelos base (LLaMA-8B, Qwen-8B) e o GPT-4 em todos os domínios.
- Medicina: Ganhos significativos (até 84% de melhoria em avaliação de turno único). O modelo conseguiu identificar riscos ocultos, restrições de segurança e necessidades preventivas que os baselines ignoraram.
- Recomendação (PWAB): Alta taxa de vitória (93% vs LLaMA), demonstrando melhor equilíbrio de preferências e contexto.
- Código: Melhorias menores, mas consistentes. Em tarefas altamente estruturadas com soluções ótimas bem definidas, a proatividade tem retornos decrescentes, mas o PROPER ainda superou os baselines.
Ablação de Componentes:
- A remoção do DGA causou uma queda drástica no desempenho, provando que a capacidade de inferir lacunas é mais crítica do que apenas a capacidade de gerar texto.
- A remoção do Reranker causou uma degradação menor, mas consistente, indicando que a calibração é necessária para evitar ruído.
Conversas Multi-turno: O PROPER manteve sua vantagem em diálogos simulados de múltiplos turnos, demonstrando que a proatividade calibrada não se degrada com o tempo, ao contrário de agentes que tendem a se tornar intrusivos ou perder o foco.
Comparação com CoT (Chain-of-Thought): O PROPER superou modelos baseados em Chain-of-Thought, indicando que a estrutura de dimensões é mais eficaz do que apenas raciocínio iterativo para identificar lacunas de conhecimento.

5. Significado e Conclusão

O trabalho PROPER representa um avanço significativo na interação homem-máquina ao tratar a proatividade não como uma característica binária (ativo vs. passivo), mas como um espectro calibrado baseado na epistemologia do usuário (o que ele sabe vs. o que ele não sabe que não sabe).

Impacto Prático: O framework é particularmente valioso em domínios onde o custo de omitir uma informação crítica é alto (saúde, segurança, finanças).
Limitações e Futuro: O sistema atualmente opera apenas em texto e não possui modelos de usuário persistentes. O trabalho aponta para futuras direções em calibração adaptativa (aprendendo os parâmetros $\lambda$ dinamicamente), uso de representações multimodais e a distinção entre lacunas recuperáveis e lacunas epistêmicas profundas.

Em resumo, o PROPER demonstra que a verdadeira inteligência proativa reside na capacidade de modelar e preencher silenciosamente as lacunas de conhecimento do usuário de forma estruturada e não intrusiva.