Technical Report -- A Context-Sensitive Multi-Level Similarity Framework for First-Order Logic Arguments: An Axiomatic Study

Título: Um Framework de Similaridade Multi-Nível Sensível ao Contexto para Argumentos de Lógica de Primeira Ordem: Um Estudo Axiomático

1. O Problema

A área de argumentação formal tem ganhado atenção crescente na avaliação da similaridade entre argumentos, crucial para tarefas como agregação de argumentos em semânticas graduais e decodificação de entimemas (argumentos incompletos). No entanto, a maioria das abordagens existentes foca na Lógica Proposicional, onde a estrutura é plana.

O artigo identifica lacunas significativas ao aplicar esses conceitos à Lógica de Primeira Ordem (FOL):

• Estrutura Complexa: Argumentos em FOL possuem estrutura interna rica (predicados, termos, variáveis, quantificadores) que não pode ser tratada apenas como proposições atômicas.
• Problemas de Escalabilidade: Abordagens anteriores que tentam lidar com FOL frequentemente enfrentam explosão combinatória devido à necessidade de instanciar variáveis.
• Falta de Sensibilidade Contextual: Métodos existentes muitas vezes ignoram a importância relativa de diferentes componentes (ex: um predicado de ação pode ser mais importante que um descritivo) ou dependem excessivamente da sintaxe exata, sem capturar nuances semânticas.
• Inadequação para NLP: Com o avanço da tradução de texto natural para lógica, há uma necessidade urgente de frameworks que combinem a estrutura lógica rigorosa com a flexibilidade semântica necessária para processamento de linguagem natural.

2. Metodologia

Os autores propõem um framework híbrido e axiomático para medir a similaridade entre argumentos em FOL. A metodologia baseia-se em quatro pilares principais:

• Transformação para CNF (Forma Normal Conjuntiva):

  • Os argumentos são convertidos para uma representação baseada em CNF (após Skolemização para eliminar quantificadores existenciais).
    Isso permite tratar o argumento como um conjunto de cláusulas (conjunção de disjunções de literais), facilitando a comparação estrutural sem a complexidade de instanciar variáveis em domínios infinitos.
  • Define-se um "Argumento Compilado" onde o suporte e a conclusão são conjuntos de cláusulas.

• Modelo de Similaridade Multi-Nível (4 Níveis):
  A similaridade é calculada hierarquicamente, onde cada nível depende do anterior:

  1. Predicados e Termos ($sim_P$): Similaridade entre símbolos (ex: "dog" vs "monkey") e constantes.
  2. Literais ($sim_L$): Similaridade entre literais (ex: $Tease(dog, monkey)$), combinando similaridade de predicados e parâmetros (ordenada e não ordenada).
  3. Cláusulas ($sim_C$): Similaridade entre cláusulas, utilizando uma medida de Tversky Fuzzy adaptada, que agrega similaridades de literais.
  4. Conjuntos de Cláusulas/Argumentos ($sim_S$ e $sim_{Arg}$): Agregação das similaridades de cláusulas para calcular a similaridade entre premissas e conclusões, e finalmente entre os argumentos completos.

• Ponderação Sensível ao Contexto:

  • O framework introduz pesos contextuais ($w_p$) para predicados, termos e cláusulas.
  • Isso permite que o sistema priorize elementos informativos (ex: o agente de uma ação) sobre detalhes periféricos, tornando a similaridade explicável e adaptável ao domínio.

• Fundação Axiomática:

  • O trabalho define e prova teoremas sobre princípios desejáveis que as medidas de similaridade devem satisfazer, como:
    • Maximalidade: Um argumento é perfeitamente similar a si mesmo.
    • Substituição: Se A é similar a B, e B é similar a C, a similaridade deve ser consistente.
    • Independência de Sintaxe vs. Sensibilidade Sintática: O framework oferece modelos que podem ser sensíveis à sintaxe (usando embeddings de linguagem) ou independentes (baseados apenas em igualdade estrutural).
    • Monotonia e Reforço: Como a adição de novas cláusulas afeta a similaridade global.

• Pipeline de Implementação:

  1. Transformação lógica (Texto $\to$ FOL-CNF).
  2. Atribuição de pesos (contexto).
  3. Cálculo de similaridade (alinhamento de cláusulas, similaridade ponderada, agregação).

3. Principais Contribuições

1. Primeiro Framework Híbrido para FOL: Apresenta a primeira estrutura que combina rigorosamente a estrutura lógica (FOL-CNF), modelos de linguagem (para similaridade semântica de símbolos) e ponderação contextual.
2. Extensão Axiomática: Generaliza os princípios de similaridade de argumentos proposicionais para o domínio muito mais rico da Lógica de Primeira Ordem, fornecendo garantias teóricas sobre o comportamento das medidas.
3. Modelo Paramétrico e Explicável: Ao contrário de "caixas pretas" baseadas apenas em embeddings (como SBERT puro), o modelo oferece uma decomposição simbólica. É possível ver por que dois argumentos são similares (ex: "cláusulas de localização idênticas com peso baixo, mas cláusulas de ação com peso alto e similaridade moderada").
4. Abordagem Escalável: A utilização de Skolemização e a aproximação de variáveis como constantes evitam a explosão combinatória, tornando o método viável para domínios abertos e grandes.

4. Resultados e Avaliação

• Caso de Estudo (STSb): O framework foi testado em pares de frases do conjunto de dados STSb (Semantic Textual Similarity).
  • Exemplo: "Um cachorro está provocando um macaco" vs. "Um macaco está provocando um cachorro".
  • Comparação:
    • SBERT: Pontuação alta (0.985), mas sem explicação e ignorando a inversão de papéis (agente/paciente).
    • S3BERT: Pontuação alta (0.990) com alguma interpretabilidade via AMR, mas ainda pouco clara para não especialistas.
    • ChatGPT-4o: Pontuação baixa (0.400) com justificativa textual correta, mas não estruturada.
    • Framework Proposto: Pontuação de 0.628, alinhada com a média humana (0.630).
  • Análise: O modelo capturou corretamente que as localizações são idênticas (peso baixo) mas a ação de "provocar" com papéis trocados reduz a similaridade (peso alto), resultando em uma pontuação intermediária e justificável.
• Comparação de Argumentos Estruturados: O modelo demonstrou flexibilidade ao comparar argumentos complexos (A1, A2, A3) sobre interações sociais, mostrando como a ponderação ($\eta$) entre premissas e conclusões pode alterar a percepção de similaridade dependendo do contexto (ex: debates vs. decodificação de entimemas).
• Validação Teórica: Os teoremas provaram que as famílias de modelos propostas satisfazem a maioria dos princípios axiomáticos (13 de 14 princípios, com exceção do "Não-Zero" em casos específicos de pesos, o que é discutido como uma característica de design para evitar falsos positivos).

5. Significado e Impacto

Este trabalho é fundamental para a interseção entre Argumentação Computacional e Processamento de Linguagem Natural (NLP).

• Interpretabilidade: Oferece uma alternativa transparente aos métodos baseados puramente em vetores densos, permitindo que sistemas de IA expliquem suas decisões de similaridade com base em lógica e pesos semânticos.
• Aplicações Práticas: O framework é diretamente aplicável em:
  • Decodificação de Entimemas: Reconstruir argumentos incompletos comparando-os a bases de conhecimento.
  • Agregação de Argumentos: Melhorar a semântica gradual ao evitar a penalização excessiva de argumentos redundantes.
  • Detecção de Falácias e Análise de Debate: Identificar nuances em argumentos onde a estrutura lógica e a semântica dos termos são críticas.
• Futuro: Abre caminho para o desenvolvimento de sistemas de raciocínio que não apenas "sabem" que dois textos são similares, mas "entendem" a estrutura lógica e a importância contextual de cada componente dessa similaridade.

Em resumo, o artigo estabelece um novo padrão para a medição de similaridade em argumentos lógicos complexos, equilibrando rigor matemático, escalabilidade computacional e sensibilidade semântica necessária para aplicações reais em NLP.