🤖 AI

Rethinking Explanations: Formalizing Contrast in Description Logics

Este artigo propõe uma estrutura centrada no usuário para explicações contrastivas em Lógicas de Descrição que aborda as limitações dos métodos existentes de justificação e raciocínio abdutivo, definindo e avaliando formalmente como explicar por que um fato é verdadeiro em vez de um contraexemplo alternativo.

Autores originais: Yasir Mahmood, Arnab Sharma, Axel-Cyrille Ngonga Ngomo, Balram Tiwari

Publicado 2026-05-06

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Yasir Mahmood, Arnab Sharma, Axel-Cyrille Ngonga Ngomo, Balram Tiwari

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 caminhando por uma biblioteca gigante e mágica, onde cada livro representa uma regra sobre como o mundo funciona. Esta biblioteca é construída sobre uma linguagem muito estrita e lógica chamada Lógica de Descrição (DL). Nesta biblioteca, um computador pode observar uma pessoa (vamos chamá-la de Alice) e um conjunto de regras, e pode dizer a você: "Sim, Alice foi contratada!"

O Jeito Antigo: "Por quê?"

Geralmente, se você perguntar ao computador: "Por que Alice foi contratada?", ele fornece uma Justificação. Ele retira as páginas específicas da biblioteca que provam que Alice foi contratada.

Analogia: É como um professor mostrando a você os passos exatos em um problema de matemática para provar que a resposta é 5. É preciso, mas só fala sobre o "vencedor".

O Novo Problema: "Por que Alice e não Bob?"

Os autores deste artigo notaram algo que os humanos fazem naturalmente: não queremos apenas saber por que algo aconteceu; queremos saber por que aconteceu em vez de outra coisa.

Imagine que Alice consegue o emprego, mas sua amiga Bob não consegue.

Se você perguntar: "Por que Alice?", o computador lista as grandes habilidades de Alice.
Se você perguntar: "Por que não Bob?", o computador lista as habilidades ausentes de Bob.
Mas Bob está confuso. Ele não quer duas listas separadas. Ele quer saber: "Por que Alice e não eu?" Ele quer ver a diferença entre eles.

O artigo argumenta que dar duas respostas separadas é insatisfatório. Você precisa de uma Explicação Contrastiva (EC) que destaque a lacuna específica entre os dois.

A Solução: O "Descobridor de Diferenças"

Os pesquisadores criaram uma nova maneira de formalizar a pergunta "Por que P em vez de Q?". Eles chamam a coisa que aconteceu de Fato (Alice) e a coisa que não aconteceu de Alvo (Bob).

Para explicar a diferença, eles olham para três coisas:

O que Alice tinha que Bob não tinha: (ex: Alice publicou em IA).
O que Bob tinha que Alice não tinha: (ex: Bob publicou em Matemática Pura).
O que Bob estava sem que o teria feito ser contratado: (ex: Bob precisava publicar em IA).

A Analogia Criativa: A Corrida
Imagine uma corrida entre Alice e Bob.

Fato: Alice venceu.
Alvo: Bob perdeu.
Explicação Antiga: "Alice correu rápido." (Verdadeiro, mas não explica por que Bob perdeu).
Nova Explicação Contrastiva: "Alice correu rápido porque ela treinou em colinas, enquanto Bob treinou em terreno plano. Se Bob tivesse treinado em colinas (a peça faltante), ele teria vencido, mas não o fez."

O artigo formaliza isso pegando a "prova" para Alice e a "prova" para Bob (mesmo que a prova de Bob seja hipotética) e encontrando a diferença simétrica. Eles removem as coisas que ambos compartilham (como "ambos são qualificados") e focam apenas nos fatores únicos que decidiram o resultado.

O Cenário "E Se" (Abdução)

Às vezes, o computador precisa adivinhar o que faria o Alvo ser verdadeiro. Isso é chamado de Abdução.

Analogia: Se Bob não foi contratado, o computador pergunta: "O que teria que ser verdadeiro para Bob ser contratado?" Ele pode dizer: "Se Bob tivesse publicado em IA."
O método do artigo combina a prova real para Alice com este cenário "e se" para Bob para mostrar exatamente onde os caminhos divergiram.

Lidando com Falhas (Inconsistências)

Às vezes, as regras na biblioteca são complicadas. E se as regras disserem: "Você não pode ser um Especialista em IA e um Teórico ao mesmo tempo"?

Se Bob é um Teórico, e o computador diz: "Se Bob fosse um Especialista em IA, ele seria contratado", há um conflito.
O artigo adiciona uma rede de segurança: ele identifica esses conflitos. Ele diz a você: "Bob seria contratado se fosse um Especialista em IA, MAS isso contradiz sua natureza como Teórico." Isso impede que a explicação quebre a lógica da biblioteca.

O Que Eles Realmente Fizeram

Os autores não apenas escreveram teoria; eles construíram um protótipo (um programa de computador funcional) para testar isso.

Eles o testaram em cerca de 40 bases de conhecimento do mundo real diferentes (como bancos de dados médicos ou técnicos).
Eles descobriram que seu método funciona rapidamente (em menos de um segundo para a maioria dos casos) e produz explicações muito curtas e fáceis de ler (geralmente apenas 1 ou 2 frases de lógica).
Eles provaram matematicamente que, para certos tipos de lógica (chamados de EL), este processo é eficiente e não fica preso em um loop infinito.

Resumo

Este artigo trata de atualizar a maneira como os computadores explicam decisões. Em vez de apenas dizer "Aqui está o motivo pelo qual X aconteceu", eles agora dizem: "Aqui está o motivo pelo qual X aconteceu em vez de Y". Eles fazem isso comparando matematicamente a evidência "vencedora" com a evidência "perdedora" (ou hipotética), removendo as partes comuns e mostrando exatamente o que fez a diferença. Eles construíram uma ferramenta para fazer isso, e ela funciona rápido e com precisão em dados complexos.

Resumo Técnico: Repensando Explicações: Formalizando o Contraste em Lógicas de Descrição

Declaração do Problema
As formalizações existentes de explicações para bases de conhecimento (BCs) em Lógica de Descrição (LD) focam principalmente em justificações (explicar por que um axioma $P$ é verdadeiro) e em raciocínio abduzido (explicar por que um axioma ausente $P$ poderia ser verdadeiro). No entanto, essas abordagens carecem de uma perspectiva centrada no usuário. Elas falham em atender às necessidades cognitivas específicas de um inquiridor que frequentemente se surpreende com um fato $P$ porque antecipava um evento alternativo $Q$ . Fornecer explicações separadas para "por que $P$ " e "por que não $Q$ " é frequentemente insatisfatório, pois os usuários buscam compreender a diferença específica entre o resultado real e a alternativa esperada. Embora as explicações contrastivas (ECs) sejam bem estudadas em aprendizado de máquina e frameworks de argumentação, elas permanecem amplamente inexploradas no contexto das LDs, apesar de as LDs serem a base para ontologias como OWL, utilizadas em domínios críticos como a saúde (por exemplo, SNOMED CT).

Metodologia
Os autores propõem um framework formal para gerar explicações contrastivas dentro de BCs em LD, adaptando o modelo filosófico de explicação contrastiva de Peter Lipton ao cenário lógico das LDs.

Formalização de Perguntas Contrastivas (PCs):
Uma PC é definida como um par $(P, Q)$ , onde $P$ é um fato (uma asserção de ABox implicada, por exemplo, $C(x)$ ) e $Q$ é um contraponto (uma asserção não implicada). O artigo foca em dois tipos específicos de contrapontos:
- Contrastes de Entidade: $Q$ é $C(y)$ , contrastando o mesmo conceito contra um indivíduo diferente.
- Contrastes de Conceito: $Q$ é $D(x)$ , contrastando um conceito diferente para o mesmo indivíduo.
Definindo a Explicação Contrastiva (EC):
Os autores vão além de uma simples diferença simétrica entre a justificação de $P$ e a hipótese abduzida para $Q$ . Eles introduzem uma definição baseada em tuplas $E = \langle E_{fact}, E_{foil+}, E_{foil-} \rangle$ (e opcionalmente um conjunto de conflito $C$ ) baseada em três princípios:
- Condição de Diferença: A explicação deve citar a diferença entre as razões para $P$ e os fatos ausentes para $Q$ .
- Conhecimento Conhecido vs. Assumido: A explicação deve distinguir entre axiomas que são verdadeiros na BC em relação ao contraponto ( $E_{foil+}$ ) e os axiomas ausentes necessários para implicar o contraponto ( $E_{foil-}$ ).
- Contabilizando Axiomas Similares: O framework introduz um operador de "diferença de conjunto renomeada" ( $\ddagger$ ). Este operador remove axiomas que são estruturalmente similares entre o fato e o contraponto (por exemplo, $C(x)$ e $C(y)$ , ou $E \sqsubseteq C$ e $E \sqsubseteq D$ ) para garantir que a explicação destaque apenas os fatores distintivos.
Tratamento de Inconsistências:
Se adicionar os axiomas ausentes para o contraponto ( $E_{foil-}$ ) criar um conflito com a BC existente, o framework inclui um conjunto de conflito $C$ . Este conjunto representa o subconjunto mínimo de asserções de ABox existentes que devem ser removidas para que o contraponto seja implicado, modelando efetivamente um cenário contrafactual.
Critérios de Preferência:
Para selecionar entre múltiplas ECs possíveis, os autores propõem uma métrica de divergência sintática ( $\sigma_{div}$ ). Esta métrica mede a diferença simétrica entre os axiomas relevantes para o fato e aqueles relevantes para o contraponto. Uma EC preferida é aquela que minimiza essa divergência, alinhando as estruturas de raciocínio do fato e do contraponto o mais próximo possível para facilitar a comparação.

Principais Contribuições

Definições Formais: O artigo fornece as primeiras definições formais de explicações contrastivas para BCs em LD, abordando especificamente tanto contrastes de entidade quanto de conceito.
Esquema Geral: Apresenta um esquema geral para ECs que integra justificações e hipóteses abduzidas, distinguindo entre asserções verdadeiras e ausentes.
Análise de Complexidade: Os autores analisam a complexidade computacional das ECs em duas LDs:
- $\mathcal{EL}$ : Eles provam que decidir a existência de uma EC de um tamanho dado é NP-completo para contrastes de conceito. No entanto, para contrastes de entidade, uma EC preferida por $\sigma_{div}$ (com divergência 0) pode ser computada em tempo polinomial.
- $\mathcal{ALC}$ : O problema de decidir a existência de uma EC de um tamanho dado mostrou-se ExpTime-completo.
Implementação e Avaliação: Uma implementação protótipo em Java (usando OWL API e reasoner ELK) foi desenvolvida. Experimentos foram conduzidos em aproximadamente 41 BCs OWL do mundo real.

Resultados
A avaliação experimental produziu as seguintes descobertas:

Eficiência: O protótipo computa ECs eficientemente, com um tempo de execução médio de aproximadamente 392 ms.
Tamanho da Explicação: As explicações geradas são compactas, abrangendo tipicamente até quatro axiomas de ABox.
Comumidade: A "razão de Axiomas Comuns" (a sobreposição entre as justificações do fato e do contraponto) foi encontrada baixa (média de 13,5%), sugerindo que, em muitos casos, o fato e o contraponto dependem de conjuntos distintos de asserções.
Consistência: A taxa de conflito foi baixa (4,00%), indicando que na maioria dos casos, os axiomas ausentes para o contraponto não contradizem a BC existente.

Significado e Afirmações
O artigo afirma preencher uma lacuna significativa na literatura ao introduzir explicações contrastivas ao domínio das Lógicas de Descrição. Os autores argumentam que essa abordagem oferece uma maneira mais intuitiva e centrada no usuário de explicar resultados de raciocínio, modelando explicitamente as expectativas do inquiridor (o contraponto).

O trabalho é apresentado como um passo preliminar nesta área. Os autores notam modestamente que, embora suas definições se estendam a qualquer LD que suporte hipóteses abduzidas, é necessário mais trabalho para lidar com LDs mais expressivas (por exemplo, com restrições de cardinalidade) e para desenvolver algoritmos que escalem eficientemente para grandes conjuntos de dados. Eles também identificam a necessidade de futuros estudos com usuários para validar se essas explicações contrastivas são de fato preferidas em relação às justificações padrão pelos usuários finais. O artigo conclui que seu framework fornece um mecanismo rigoroso e formal para combinar justificações a fim de explicar a diferença entre um fato e um contraponto, estabelecendo as bases para uma tomada de decisão mais informada em aplicações da Web Semântica.