Across the Levels of Analysis: Explaining Predictive Processing in Humans Requires More Than Machine-Estimated Probabilities

Utilizando a estrutura dos níveis de análise de Marr, este artigo critica e expande as afirmações sobre a centralidade da previsão linguística e a indispensabilidade dos modelos de linguagem de grande escala na psicolinguística, propondo direções futuras que integrem as forças de ambos os campos.

O essencial

Imagine que a linguagem humana é como um grande concerto de jazz. Há uma melodia (o significado), um ritmo (a gramática) e os músicos (o nosso cérebro) que improvisam em tempo real.

Neste artigo, os autores Sathvik Nair e Colin Phillips estão a comentar um trabalho recente que diz: "Os computadores (Inteligência Artificial) são tão bons a prever a próxima nota da música que podemos usá-los para entender como o cérebro humano funciona."

Os autores deste comentário dizem: "Cuidado! Os computadores são ótimos, mas não são o cérebro."

Aqui está a explicação simples, usando analogias do dia a dia:

1. O Problema do "Mapa" vs. a "Viagem"

Os autores usam uma ideia chamada "Níveis de Análise" (como se fosse um mapa de uma cidade).

• Nível Computacional (O Mapa): É saber o que queremos fazer. Por exemplo: "Quero ir do ponto A ao ponto B". As IAs (como o ChatGPT) são excelentes a fazer isto. Elas olham para o contexto e dizem: "Com 99% de certeza, a próxima palavra será 'gato'".
• Nível Algorítmico (O Carro e a Estrada): É saber como fazemos a viagem. O cérebro humano não é apenas uma calculadora de probabilidades. Ele tem "trânsito", "buracos na estrada" e "desvios".

A analogia:
Imagine que você está a adivinhar o final de uma história.

• A IA é como um leitor super-rápido que sabe o final de todos os livros. Ela diz: "A próxima palavra é 'feliz'".
• O Cérebro Humano é como um motorista. Às vezes, ele prevê que vai chover, mas se o sol brilhar, ele não fica apenas "surpreso". Ele reage de forma complexa, ajustando o volante, mudando a velocidade e até sentindo uma emoção diferente.

O artigo diz que os cientistas estão a tentar usar o "Mapa" (a previsão da IA) para explicar a "Viagem" (como o cérebro processa a informação), e isso é perigoso.

2. O Perigo de Confundir "Associação" com "Previsão"

A IA funciona baseada em estatísticas: "Se vi 'café', é provável que venha 'xícara'".
Mas o cérebro humano funciona de forma mais rica. Às vezes, o cérebro ignora a estatística porque o contexto é estranho ou porque há uma "ilusão" linguística.

A analogia do "Truque de Mágica":
Imagine um truque de mágica onde o mágico diz: "O coelho está na caixa... e a caixa está...".

• A IA diria: "...na caixa". (Baseado em estatísticas de frases comuns).
• O cérebro humano, se for um truque, pode processar a surpresa, o erro, ou a ilusão de forma que a IA não consegue capturar.
  Os autores mostram que as IAs falham em entender certas "ilusões" da linguagem que os humanos percebem facilmente. Se a IA não consegue ver o truque, ela não pode explicar como o nosso cérebro o deteta.

3. Voltar às "Engrenagens" (O Nível Algorítmico)

Os autores argumentam que, para entender o cérebro, não basta saber o que é provável acontecer (probabilidade). Temos de entender como o cérebro processa essa informação em frações de segundo.

A analogia da Fábrica de Bolos:

• A IA é como alguém que olha para a receita e diz: "Se misturar farinha e ovos, sai um bolo". Ela sabe o resultado final.
• A Neurociência quer saber como o forno aquece, como a massa cresce e como o padeiro mexe a colher.
  O artigo diz que precisamos de modelos que expliquem as "engrenagens" do cérebro (como as células nervosas se ativam), e não apenas o resultado final da previsão.

4. A Solução: Usar a IA como Ferramenta, não como Mestre

Os autores não dizem que a IA é inútil. Pelo contrário! Eles dizem que a IA é uma ferramenta fantástica para:

• Medir o quão difícil é uma frase.
• Comparar diferentes línguas.

Mas a IA deve ser usada como um complemento, não como a explicação completa. O futuro está em misturar a força de cálculo da IA com modelos que imitam a biologia real do cérebro (como o "Código Preditivo", que é como o cérebro tenta adivinhar o futuro para poupar energia).

Resumo em Português do Dia a Dia:

Pense na IA como um GPS muito inteligente. O GPS sabe exatamente qual é a rota mais rápida e provável (a próxima palavra).
Mas o cérebro humano é o motorista. O motorista não só segue a rota; ele reage a um buraco na estrada, a um animal a atravessar, ou a uma paisagem bonita.

O artigo diz: "Não podemos explicar como o motorista dirige apenas olhando para o GPS. Temos de olhar para o motorista, para o volante e para os seus reflexos."

Conclusão:
A IA é ótima para prever o futuro da linguagem, mas para entender a mente humana, precisamos de ir mais fundo, estudando as "engrenagens" biológicas e psicológicas que fazem o cérebro funcionar, e não apenas as estatísticas frias dos computadores.

Resumo técnico

Título: Através dos Níveis de Análise: Explicar o Processamento Preditivo em Humanos Requer Mais do que Probabilidades Estimadas por Máquinas

Autores: Sathvik Nair e Colin Phillips
Contexto: Comentário ao artigo "How Linguistics Learned to Stop Worrying and Love the Language Models" de Futrell & Mahowald (em breve publicação em Behavioral and Brain Sciences).

---

1. O Problema

O artigo aborda a tensão atual na psicolinguística entre o uso de Modelos de Linguagem (LMs/LLMs) como proxies para o processamento cognitivo humano e a necessidade de modelos que expliquem os mecanismos mentais subjacentes.

• O Cenário Atual: Há um entusiasmo renovado (semelhante ao da década de 1960 com a Teoria da Complexidade Derivacional - DTC) em utilizar medidas agregadas de complexidade linguística (probabilidades contextuais estimadas por LLMs) para explicar a dificuldade de processamento (surprisal).
• A Crítica Central: Os autores argumentam que, embora os LLMs sejam excelentes em prever quais palavras são previsíveis (nível computacional), eles falham em explicar como o cérebro humano processa essas palavras (nível algorítmico e implementacional). A premissa de que o processamento de linguagem é puramente inferência probabilística ignora décadas de descobertas psicolinguísticas sobre ilusões linguísticas, atrasos temporais e a distinção entre associação semântica e expectativas contextuais.

2. Metodologia e Abordagem Teórica

O artigo não apresenta novos dados experimentais, mas realiza uma análise teórica e crítica baseada na estrutura dos Níveis de Análise de Marr:

• Nível Computacional: O que o sistema faz (prever a próxima palavra). Os autores concordam que os LLMs são fortes aqui.
• Nível Algorítmico: Como o sistema faz (os passos e representações mentais). Os autores defendem que os LLMs são insuficientes aqui.
• Nível Implementacional: A base física/biológica (neurônios, codificação preditiva).
• Revisão da Literatura: Os autores analisam evidências empíricas de estudos de ilusões linguísticas, tempos de leitura, potenciais elétricos cerebrais (EEG/ERPs) e contrastes entre produção e compreensão para demonstrar as limitações dos modelos puramente probabilísticos.

3. Principais Contribuições e Argumentos

A. A Distinção entre Probabilidade e Mecanismo

Os autores afirmam que os LLMs confundem associação semântica com expectativa contextual. Enquanto os LLMs capturam bem efeitos de previsibilidade em grandes conjuntos de dados, eles não conseguem explicar qualitativamente:

• Ilusões linguísticas (ex: "The key to the cabinets are...").
• Padrões de reversão de papéis argumentais.
• A natureza temporal e incremental do processamento sintático.

B. O Retorno aos Níveis Algorítmico e Implementacional

O artigo defende que a psicolinguística não deve abandonar os modelos simples e interpretáveis em favor de LLMs "caixa preta". Pelo contrário, o progresso futuro reside em:

1. Modelos de Processamento (Process Models): Incorporar fatores de previsibilidade em modelos que simulam os passos cognitivos reais, não apenas a saída final.
2. Codificação Preditiva (Predictive Coding): Apoiar-se em teorias neurobiológicas (como as de Friston e Rao & Ballard) que explicam como o cérebro gera e atualiza previsões. Modelos de codificação preditiva aplicados a dados linguísticos mostram-se promissores, explicando tanto dados controlados quanto naturais, com poder preditivo comparável a LLMs, mas com maior plausibilidade biológica.

C. Reavaliação da "Teoria do Surprisal"

Embora a teoria do surprisal (Levy, 2008) seja útil, ela é insuficiente como explicação completa. A dificuldade de processamento não é apenas uma função logarítmica da probabilidade; envolve mecanismos de integração, recuperação e construção de estrutura que os LLMs atuais não modelam explicitamente.

4. Resultados e Evidências Citadas

O artigo sintetiza resultados de diversas áreas para sustentar sua tese:

• Limitações dos LLMs: Estudos recentes (ex: Huang et al., 2024; Lee et al., 2024) mostram que o surprisal de LLMs não explica totalmente a dificuldade de desambiguação sintática ou a sensibilidade a papéis argumentais.
• Sucesso de Modelos Híbridos: Modelos que combinam medidas de memória, parsing sintático e previsibilidade (ex: De Santo, 2025; Stanojević et al., 2023) oferecem explicações mais robustas.
• Validade da Codificação Preditiva: Modelos baseados em codificação preditiva (ex: Nour Eddine et al., 2024; Ohams et al., 2026) explicam efeitos neurais (como N400 e P600) e dados de leitura natural, conectando-se diretamente a processos cognitivos interativos, ao contrário dos LLMs.

5. Significado e Conclusão

O artigo conclui que os LLMs "reviveram" uma abordagem psicolinguística antiga, fornecendo estimativas precisas de dificuldade agregada, mas não substituem a necessidade de caracterizar mecanicamente os cálculos mentais.

• Conclusão Principal: A psicolinguística deve "amar" os LLMs não como modelos do mecanismo central de processamento, mas como componentes dentro de algoritmos mais articulados que operam nos níveis algorítmico e implementacional.
• Direção Futura: O campo deve mover-se de explicações puramente probabilísticas (top-down) para modelos que traduzam essas estimativas em processos neurais e cognitivos (bottom-up), integrando a previsibilidade em modelos de processamento que respeitem as restrições de recursos e a biologia do cérebro humano.

Em suma, o artigo serve como um alerta contra o reducionismo probabilístico, defendendo que a compreensão completa da linguagem humana exige uma integração de insights estatísticos dos LLMs com modelos mecanicistas e neurobiologicamente plausíveis.