🤖 AI

Situation Graph Prediction for User Perspective Modeling

Este artigo introduz a Predição de Grafo de Situação (SGP), uma nova tarefa e estratégia de geração de dados sintéticos para modelar perspectivas de usuários a partir de artefatos multimodais, demonstrando, por meio de um estudo diagnóstico, que inferir estados internos latentes é significativamente mais desafiador do que a extração de nível superficial para os modelos de fundação atuais.

Autores originais: Jisung Shin, Daniel Platnick, Marjan Alirezaie, Hossein Rahnama

Publicado 2026-08-12

📖 8 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Jisung Shin, Daniel Platnick, Marjan Alirezaie, Hossein Rahnama

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

=== RESUMO ===
Imagine que você está tentando entender um amigo que está passando por uma semana difícil. Você o vê digitando mensagens curtas e irritadas, ouve uma voz trêmula em uma chamada e nota que ele pulou sua rotina habitual de academia. Um programa de computador simples poderia apenas ver "menos mensagens" e "menor atividade" e pensar: "Ah, eles estão apenas ocupados". Mas um amigo verdadeiramente inteligente sabe que essas pistas superficiais na verdade escondem uma história mais profunda: talvez eles estejam se sentindo sobrecarregados, ansiosos ou entrando em uma espiral de crise. Esta é a diferença entre apenas observar o que alguém faz e compreender quem essa pessoa é naquele momento. Cientistas chamam isso de "IA com Consciência de Perspectiva" (Perspective-Aware AI). É o sonho de construir assistentes pessoais que não apenas seguem ordens, mas que realmente captam seus objetivos em evolução, seus sentimentos e a maneira única como você vê o mundo. O grande problema? Não podemos ensinar computadores a fazer isso facilmente porque os dados privados de pessoas reais são proibidos, e raramente temos um "guia de referência" que rotule exatamente o que alguém está sentindo por dentro apenas olhando para suas pegadas digitais.

Este artigo apresenta uma nova e inteligente maneira de ensinar essa habilidade aos computadores, chamada Predição de Grafo de Situação (SGP - Situation Graph Prediction). Pense nisso como um jogo de detetive onde o computador tem que olhar para um amontoado bagunçado de pistas (como e-mails, registros de chat ou notas de voz) e reconstruir um mapa estruturado e oculto do que a pessoa está realmente pensando e sentindo. Como não podemos usar os segredos privados de pessoas reais para treinar a IA, os autores construíram um mundo "falso". Eles começaram desenhando o mapa oculto primeiro (decidindo que uma pessoa está "estressada" e "no trabalho") e depois usaram uma IA superinteligente para escrever as pistas falsas (como um e-mail ríspido) que naturalmente resultariam daquele mapa. Este método de "estrutura primeiro" garante que as pistas sempre correspondam perfeitamente aos sentimentos ocultos, criando um campo de treinamento seguro e amigável à privacidade.

Quando os pesquisadores testaram isso em três dos cérebros de IA mais avançados do mundo (GPT-4o, Gemini 2.5 Flash e Claude Sonnet 4), descobriram algo fascinante. Mesmo com esses modelos superinteligentes, é muito mais difícil para a IA adivinhar os sentimentos ocultos (como "ansiedade" ou "determinação") do que apenas listar os fatos visíveis (como "escritório" ou "e-mail"). O estudo sugere que, embora a IA esteja ficando melhor em ler a superfície de nossas vidas, descobrir a história profunda e interna por trás de nossas ações ainda é um desafio realmente difícil. Os pesquisadores criaram um pequeno conjunto de dados de 75 cenários falsos para provar este ponto, mostrando que a lacuna entre "o que vemos" e "o que sentimos" é real e consistente, não importa qual modelo de IA você use.

O Enigma do Detetive: Das Pistas aos Mundos Interiores

Vamos mergulhar mais fundo em como isso funciona. Imagine que você é um detetive tentando resolver um mistério, mas você não pode falar com o suspeito. Você tem apenas um monte de evidências: uma mensagem de texto que diz "Estou bem", uma foto de uma mesa bagunçada e uma nota de voz que soa um pouco trêmula. Um computador básico pode apenas ler o texto e dizer: "A pessoa está bem". Mas uma IA com Consciência de Perspectiva quer construir um Grafo de Situação.

Pense em um Grafo de Situação como um mapa mental 3D de um momento específico na vida de alguém. Não é apenas uma lista de fatos; é uma teia de conexões.

Os Nós de Superfície: Estes são as coisas fáceis de ver, como "Escritório", "Terça-feira" ou "E-mail".
Os Nós Latentes: Estes são os estados internos e invisíveis, como "Sentindo-se Estressado", "Valorizado" ou "Confuso".

O objetivo da Predição de Grafo de Situação (SGP) é pegar o amontoado bagunçado de pistas (os "artefatos") e trabalhar de trás para frente para construir esse mapa mental completo. O artigo enquadra isso como um "problema de inferência inversa". Normalmente, sabemos a causa (a pessoa está estressada) e vemos o efeito (ela envia um e-mail curto). O SGP pede à IA para fazer o inverso: "Eu vejo um e-mail curto; o que a pessoa deve estar sentindo por dentro?".

A Solução do "Mundo Falso"

Aqui está a parte complicada: No mundo real, não podemos perguntar às pessoas: "Ei, por favor, desenhe um mapa dos seus sentimentos agora". Isso é muito privado e muito incômodo. Então, como você treina uma IA para fazer isso sem dados reais?

Os autores criaram uma estratégia de "estrutura primeiro" brilhante. Em vez de pedir a uma IA para imaginar uma pessoa e depois adivinhar seus sentimentos (o que é confuso e pouco confiável), eles inverteram o roteiro:

Desenhar o Mapa Primeiro: Eles usaram um computador para gerar um "Grafo de Situação" perfeito e válido (ex: "Pessoa está em uma Entrevista de Emprego", "Sentindo-se Nervosa", "Objetivo é ser Contratada").
Gerar as Pistas: Depois, pediram a uma IA para escrever a "evidência" que naturalmente viria daquele mapa. Assim, se o mapa diz "Nervosa", a IA escreve uma nota de voz trêmula ou um e-mail muito educado e excessivamente formal.

Isso cria um conjunto de treinamento perfeito onde a "chave de respostas" (o mapa) é garantida como correspondente às "pistas" (texto/áudio). É como construir uma cena de crime falsa onde o detetive sabe exatamente quem é o culpado, para que possa praticar a resolução do caso sem nunca ferir uma pessoa real.

O Estudo Piloto: Testando os Detetives de IA

Para ver se isso realmente funciona, os pesquisadores construíram um pequeno conjunto de dados "piloto". Eles criaram 75 cenários diferentes envolvendo uma personagem fictícia chamada Elise Navarro, uma analista de marketing de 28 anos que vive em Toronto. Eles rastrearam a vida dela ao longo de 75 momentos diferentes entre 2021 e 2025, cobrindo desde dificuldades profissionais até marcos de saúde.

Eles então entregaram esses 75 casos para três dos modelos de IA mais poderosos disponíveis hoje: GPT-4o, Gemini 2.5 Flash e Claude Sonnet 4. Eles pediram às IAs para olharem as pistas de Elise e reconstruírem seu Grafo de Situação.

Os resultados foram uma mistura de "nada mal" e "ainda há um longo caminho a percorrer".

A Boa Notícia: Quando as IAs receberam alguns exemplos para aprender (uma técnica chamada Aprendizado em Contexto com Recuperação Aumentada ou Retrieval-Augmented In-Context Learning), elas ficaram muito melhores no trabalho. Sua capacidade de acertar os detalhes saltou significativamente.
A Grande Descoberta: Mesmo as IAs mais inteligentes acharam muito mais fácil identificar os fatos de superfície (como "Elise está no trabalho") do que adivinhar os sentimentos ocultos (como "Elise está se sentindo sobrecarregada").

Os pesquisadores mediram isso usando uma pontuação de "lacuna" (gap). Eles descobriram que, para todos os três modelos, a capacidade de adivinhar os sentimentos ocultos foi consistentemente pior do que detectar os fatos visíveis. Por exemplo, com o Claude Sonnet 4, a "lacuna" era de cerca de 0,70, o que significa que a IA era significativamente melhor em ler a superfície do que a alma. Isso sugere que, embora a IA esteja ficando ótima em ler nossas pegadas digitais, ela ainda luta para entender o porquê e o como nos sentimos por trás delas.

Por Que Isso Importa (E o Que Não É)

Este artigo não afirma ter resolvido o problema da empatia perfeita da IA. Na verdade, sugere o contrário: que este é um problema realmente difícil que a tecnologia atual está apenas começando a enfrentar. O estudo mostra que, mesmo com os melhores modelos, existe uma luta consistente para passar do "o que aconteceu" para "o que isso significa".

Os autores são cuidadosos ao apontar que seus dados são sintéticos (falsos) e pequenos. Eles não estão dizendo: "Temos um sistema perfeito". Eles estão dizendo: "Temos uma nova maneira de testar isso, e os testes mostram que adivinhar os sentimentos humanos ainda é muito mais difícil do que apenas ler uma mensagem de texto".

Ao criar esta estrutura de "Grafo de Situação" e os dados sintéticos para testar, os pesquisadores deram à comunidade de IA uma nova ferramenta. É como dar aos detetives um novo conjunto de manequins de treinamento que imitam perfeitamente o comportamento humano, permitindo que pratiquem suas habilidades sem violar a privacidade de ninguém. A esperança é que, ao entender exatamente onde a IA falha (a lacuna entre o superficial e o latente), possamos construir agentes pessoais melhores e mais confiáveis que realmente nos entendam, não apenas o que digitamos.

Portanto, da próxima vez que você conversar com uma IA pessoal, lembre-se: ela pode saber que você está no escritório e que enviou um e-mail, mas descobrir que você está realmente tendo um dia ruim? Esse é o próximo grande monte que a IA precisa escalar.

Resumo Técnico: Predição de Grafo de Situação para Modelagem de Perspectiva do Usuário

Declaração do Problema

Os atuais agentes de IA pessoal carecem da capacidade de modelar estados internos em evolução — como objetivos, emoções e interpretações contextuais — além de vetores de preferência estáticos. Essa limitação impede o desenvolvimento de uma "IA Consciente de Perspectiva" (PAi - Perspective-Aware AI), que requer a compreensão da trajetória longitudinal de experiências de uma entidade. O progresso na PAi é atualmente limitado por uma falta de dados de supervisão fundamentados: os rastros digitais do mundo real são sensíveis à privacidade, isolados e raramente contêm rótulos explícitos para variáveis de perspectiva latentes (por exemplo, o estado emocional interno ou a intenção de um usuário). Consequentemente, treinar modelos para mapear artefatos observáveis (logs, áudio, texto) para representações estruturadas e alinhadas a ontologias permanece intratável.

Metodologia

O artigo propõe a Predição de Grafo de Situação (SGP - Situation Graph Prediction), uma tarefa formulada como um problema de inferência inversa. O objetivo é reconstruir um Grafo de Situação ( $G_t$ ) estruturado a partir de artefatos digitais multimodais observáveis ( $X_t$ ).

1. Representação e Formalização

Grafo de Situação ( $G_t$ ): Uma representação estruturada fundamentada na ontologia superior DOLCE Ultralite (DUL). É definido como um conjunto de triplas semânticas $(s, p, o)$ onde os nós representam participantes, estruturas espaço-temporais, atmosferas contextuais e estados psicológicos.
Latente vs. Superfície: O esquema distingue entre atributos de superfície (entidades observáveis como localização ou tempo) e atributos latentes (estados internos não observáveis como emoção ou valência).
Definição da Tarefa: A SGP é definida como encontrar $\hat{G}_t = \arg\max_{G \in \mathcal{G}} P(G | X_t; \Theta)$ , onde $\mathcal{G}$ é o espaço de grafos válidos sob o esquema. O artigo foca na Inferência em Contexto (In-Context Inference) usando modelos de fundação congelados, onde $\Theta$ inclui um modelo pré-treinado e um conjunto de suporte recuperado dinamicamente.

2. Geração de Dados Sintéticos Baseada em Estrutura

Para superar a ausência de dados rotulados do mundo real, os autores introduzem uma estratégia de geração sintética baseada em estrutura primeiro:

Amostragem: Um Grafo de Situação ( $G_t$ ) válido é amostrado diretamente da distribuição a priori da ontologia, codificando a perspectiva hipotética de um usuário (objetivos, afeto, contexto).
Renderização Condicional: Um LLM é instruído a gerar artefatos observáveis ( $X_t$ ) (por exemplo, e-mails, registros de chat, transcrições de áudio) que sejam estritamente consistentes com o $G_t$ pré-amostrado.
Alinhamento: Esta inversão garante que o rótulo de "verdade fundamental" ( $G_t$ ) seja inerentemente alinhado com a evidência gerada ( $X_t$ ) por design, em vez de exigir anotação post-hoc.

3. Construção do Conjunto de Dados Piloto

Um conjunto de dados piloto foi construído apresentando uma única persona fictícia, "Elise Navarro", abrangendo 75 eventos ordenados temporalmente entre 2021–2025. O conjunto de dados inclui 225 artefatos sintéticos em domínios profissionais, pessoais, de saúde e sociais, primariamente baseados em texto, com um subconjunto de imagens e áudio.

4. Desenho do Estudo Diagnóstico

O estudo avalia a Tarefa 1: Predição de Grafo de Situação Estática (inferir um grafo a partir de um único segmento temporal sem contexto histórico).

Modelos: Três modelos de fundação de fronteira foram testados: GPT-4o, Gemini 2.5 Flash e Claude Sonnet 4.
Protocolos:
- Zero-Shot: Os modelos recebem os artefatos e as definições da ontologia, mas nenhum exemplo.
- Aprendizado em Contexto com Recuperação Aumentada (RA-ICL): Os modelos recebem os 3 pares $(X, G)$ semanticamente mais semelhantes como demonstrações.
Métricas: O desempenho é medido usando $F_1$ Estrito, $F_1$ Suave (usando similaridade de embedding) e Taxa de Violação de Predicado (PVR). Crucialmente, as métricas são decompostas em subconjuntos de superfície (observáveis) e latentes (estado interno). Um gap normalizado por entropia é calculado para considerar as diferenças de diversidade de vocabulário entre as categorias de superfície e latentes.

Principais Resultados

O estudo diagnóstico entre os três modelos yielded os seguintes achados:

Dificuldade Não Trivial: A SGP representa um desafio significativo para todos os modelos avaliados. Embora o RA-ICL tenha melhorado substancialmente o desempenho geral (aumentando o $F_1$ Suave em ~0,3 entre os modelos), o desempenho permaneceu imperfeito.
Gap Latente-Superfície: Um gap positivo consistente foi observado entre a extração de nível de superfície e a inferência de perspectiva latente. A inferência latente (ex: identificar emoção) foi consistentemente mais difícil do que a extração de superfície (ex: identificar localização), mesmo controlando o tamanho do vocabulário via normalização de entropia.
- Gap Normalizado por Entropia: Sob RA-ICL, o gap foi de +0,528 (GPT-4o), +0,668 (Gemini) e +0,704 (Claude).
Comportamentos Específicos do Modelo:
- Claude Sonnet 4: Alcançou as pontuações de $F_1$ Estrito e Suave mais altas, mas também o maior gap latente-superfície, sugerindo que sua capacidade base superior beneficia desproporcionalmente a extração de superfície.
- Gemini 2.5 Flash: Exibiu alta revocação (recall) com quase zero violações de predicado (PVR = 0,002), indicando uma tendência à sobre-geração enquanto mantém uma conformidade estrita à ontologia.
- GPT-4o: Mostrou precisão e revocação equilibradas com uma taxa de violação moderada.

Significância e Alegações

O artigo posiciona a SGP como um framework concreto para avançar a IA Consciente de Perspectiva ao fornecer uma abordagem estruturada e alinhada a ontologias para modelar a identidade do usuário como uma trajetória longitudinal, em vez de um vetor estático.

Contribuição Metodológica: Os autores alegam que a estratégia de geração sintética baseada em estrutura primeiro permite com sucesso a criação de dados de perspectiva rotulados sem depender de rastros reais de usuários, abordando assim o gargalo de privacidade.
Evidência Empírica: O estudo fornece evidências de que inferir estados internos latentes a partir de artefatos multimodais é um desafio distinto e mais difícil do que a extração de nível de superfície, um achado que se mantém em diferentes famílias de modelos e arquiteturas.
Utilidade Futura: Os autores afirmam que a SGP fornece um necessário "substrato de memória de longo horizonte" para agentes pessoais, apoiando aplicações em educação adaptativa, suporte à saúde e auditoria de viés, ao mesmo tempo em que destaca as obrigações éticas inerentes à inferência de estados internos.

O trabalho é apresentado como um estudo piloto e uma avaliação diagnóstica. Os autores declaram explicitamente que o conjunto de dados é de pequena escala e destinado a validar a abordagem de estrutura primeiro e a viabilidade da tarefa, deixando o treinamento totalmente supervisionado e a implantação em larga escala como trabalhos futuros.