Resumo Técnico: Reflecti-Mate

Declaração do Problema

A tomada de decisões pessoais de alto risco envolve uma interação complexa de processos cognitivos, emocionais e intuitivos. Embora a integração dessas diversas fontes de julgamento leve a decisões mais eficazes, os indivíduos frequentemente lutam para fazê-lo devido à consciência metacognitiva limitada. Os sistemas atuais de apoio à decisão focam predominantemente no raciocínio cognitivo (Sistema 2), tratando frequentemente as entradas emocionais e intuitivas (Sistema 1) como vieses heurísticos a serem minimizados ou ignorados. Consequentemente, os sistemas adaptativos existentes tendem a produzir interações homogeneizadas que direcionam todos os usuários para a elaboração cognitiva, falhando em respeitar perfis de pensamento individuais ou apoiar a integração de perspectivas não cognitivas. Há uma falta de sistemas que modelam os padrões de pensamento do usuário ao longo de um diálogo reflexivo para apoiar adaptativamente o raciocínio integrativo sem impor um único estilo de raciocínio "ideal".

Metodologia

Arquitetura do Sistema: Reflecti-Mate

Os autores propõem o Reflecti-Mate, um agente conversacional projetado para apoiar a reflexão pré-decisória integrativa. O sistema opera em uma estrutura de processo duplo, visando aplicar elaboração ao nível do Sistema 2 a todos os tipos de pensamento (interno/emocional, externo/cognitivo e experiencial/intuitivo) sem privilegiar um sobre os outros.

1. Modelagem do Usuário e Perfil de Reflexão:
O sistema constrói uma representação computacional da reflexão do usuário, denotada como $R = (T, G)$, onde $T$ é um conjunto de pensamentos principais e $G$ representa relações pai-filho entre pensamentos e suas elaborações.

• Categorias de Pensamento: Os pensamentos são classificados em quatro categorias com base na estrutura "cabeça-coração-intestino": Interno (sentimentos, valores), Externo (restrições factuais, partes interessadas), Experiencial (experiências passadas) e Outro.
• Métricas: O agente calcula duas dimensões-chave para cada categoria $k$:
  • Amplitude ($B_k$): O número de pensamentos principais distintos em uma categoria.
  • Profundidade ($D_i$): A riqueza elaborativa de um pensamento, definida como $1 + |E_i|$ (onde $E_i$ é o conjunto de elaborações).
  • Indicador de Fixação ($S_k$): Uma medida cumulativa de atenção em uma categoria, combinando amplitude e profundidade.
  • Profundidade Média ($\bar{D}_k$): O nível médio de elaboração dentro de uma categoria, independente do número de pensamentos.

2. Algoritmo de Adaptação:
O agente emprega uma estratégia de compromisso exploração-exploração guiada por um estado interno $s_t$ que é atualizado após cada turno.

• Disrupção da Fixação (Exploração): Se um usuário se fixa em uma categoria específica (alta $S_k$), o agente prioriza a exploração fazendo perguntas que visam categorias sub-representadas (análogo à amostragem baseada em incerteza).
• Disrupção do Raciocínio Superficial (Exploração): Se os pensamentos são superficiais (baixo $\bar{D}_k$), o agente prioriza a exploração gerando perguntas de acompanhamento socráticas para aprofundar pensamentos específicos subdesenvolvidos.
• Política de Decisão: O agente utiliza uma política $\epsilon$-gulosa para selecionar entre exploração (probabilidade $\epsilon$) e exploração (probabilidade $1-\epsilon$).
• Implementação: O sistema utiliza um modelo Phi-4 14B hospedado localmente (quantização Q4_K_M) para gerar acompanhamentos socráticos e classificar entradas do usuário. As perguntas de exploração são retiradas de um conjunto curado e revisado por pares para controlar variáveis de formulação.

Design do Estudo com Usuários

Um estudo entre sujeitos ($N=128$) foi conduzido para comparar o agente experimental (Reflecti-Mate) com um Agente de Linha de Base.

• Procedimento: Os participantes participaram de duas fases: (1) Reflexão Sem Ajuda, onde articularam pensamentos livremente; e (2) Reflexão Assistida, onde interagiram com o agente designado.
• Condições:
  • Experimental: O agente utilizou o perfil adaptativo e o algoritmo descritos acima.
  • Linha de Base: O agente compartilhava os mesmos objetivos de alto nível (ampliar e aprofundar a reflexão) e o LLM subjacente, mas carecia do perfil de usuário explícito e da lógica adaptativa, dependendo apenas do histórico conversacional e instruções fixas.
• Medidas:
  • Linguagem Reflexiva: Analisada usando LIWC-22 para quantificar marcadores linguísticos cognitivos, emocionais e intuitivos.
  • Suporte Percebido: Avaliado por meio de escalas Likert sobre integração holística e profundidade de elaboração.
  • Heterogeneidade: O agrupamento post-hoc analisou se os efeitos variavam conforme os perfis reflexivos iniciais dos usuários (Reservado, Dominante em Intuição, Dominante em Emoção).

Principais Resultados

1. Linguagem Reflexiva e Integração (PQ1)

O agente experimental fomentou com sucesso um perfil de linguagem reflexiva mais integrativo em comparação com a linha de base.

• Linha de Base: Produziu um perfil homogeneizado dominado por marcadores linguísticos cognitivos, suprimindo a expressão emocional e intuitiva em relação à fase sem ajuda da linha de base.
• Experimental: Facilitou a participação multimodal. Os usuários exibiram dominância cognitiva significativamente menor e maior expressão de marcadores emocionais e intuitivos em comparação com a linha de base. Crucialmente, os marcadores cognitivos permaneceram robustos; o agente não suprimiu a cognição, mas permitiu que marcadores emocionais e intuitivos coexistissem em níveis comparáveis.

2. Suporte Percebido (PQ2)

Os participantes perceberam o agente experimental como significativamente mais eficaz no apoio à integração holística (72% de concordância vs. 44% na linha de base). No entanto, ambos os agentes foram altamente avaliados quanto à profundidade de elaboração (72% vs. 79%), indicando que, embora a linha de base pudesse aprofundar pensamentos, ela falhou em integrar tipos de pensamento diversos.

3. Preservação de Estilos de Raciocínio (PQ3)

O estudo investigou se o agente preservou os estilos de raciocínio dominantes dos usuários.

• Efeito da Linha de Base: O agente de linha de base atuou como um "homogeneizador". Independentemente de os usuários começarem como Reservados, Dominantes em Intuição ou Dominantes em Emoção, a interação da linha de base deslocou todos os grupos para um perfil similar, pesado em cognição.
• Efeito Experimental: O agente adaptativo produziu efeitos heterogêneos. Expandido seletivamente modos sub-representados enquanto mantinha a proeminência do modo inicialmente dominante do usuário. Por exemplo, usuários dominantes em intuição permaneceram dominantes em intuição, mas ganharam suporte em emoção; usuários dominantes em emoção permaneceram dominantes em emoção, mas ganharam suporte em intuição. Isso demonstra que o agente apoiou trajetórias personalizadas sem forçar a convergência para um único estilo de raciocínio.

Significado e Contribuições

O artigo afirma que o Reflecti-Mate oferece uma abordagem inovadora para o apoio à decisão, indo além do "empurrão" cognitivo de "tamanho único". Suas principais contribuições são:

1. Integração Adaptativa: Demonstra que agentes conversacionais podem apoiar a integração de processos cognitivos, emocionais e intuitivos equilibrando dinamicamente exploração e exploração com base na modelagem do usuário em tempo real.
2. Respeito à Individualidade: Ao contrário de sistemas anteriores que frequentemente equiparam o apoio à reflexão com racionalização, esta abordagem respeita preferências de raciocínio diversas. Permite que os usuários mantenham seu estilo de raciocínio dominante enquanto ampliam sua perspectiva, evitando a imposição de um único perfil "ideal".
3. Consciência Computacional: O estudo destaca que o apoio eficaz à reflexão requer adaptação principiante fundamentada em modelagem estruturada do usuário, em vez de depender exclusivamente de engenharia de prompts ou histórico conversacional. Instruções isoladas foram insuficientes para impedir que o agente de linha de base homogeneizasse as respostas dos usuários.
4. Design Ético: Ao evitar conselhos diretivos e focar em indagação facilitadora, o sistema visa preservar a agência e a autonomia do usuário em decisões de alto risco, abordando o risco de LLMs influenciarem ou enviesarem excessivamente as decisões do usuário.

Os autores concluem que, embora o sistema tenha elicidado com sucesso linguagem integrativa e tenha sido percebido como apoiador, trabalhos futuros são necessários para explorar perguntas de exploração personalizadas e validar essas descobertas com estudos longitudinais e medidas comportamentais além de proxies linguísticos.