From Prompts to Context: An Ontology-Driven Framework for Human-Generative AI Collaboration

Resumo Técnico: De Prompts a Contexto: Um Framework Orientado por Ontologia para Colaboração Humana-IA Generativa

Declaração do Problema
As colaborações atuais entre humanos e IA Generativa (IA-G) frequentemente sofrem de falta de explicitação contextual. As interações geralmente começam com um prompt curto e ad hoc e concluem com uma saída opaca, deixando implícitas informações críticas sobre os agentes envolvidos, as tarefas específicas perseguidas, os recursos utilizados e as restrições que governam o processo. Essa "deriva de contexto" prejudica a confiança, a rastreabilidade e a responsabilização, particularmente em fluxos de trabalho intensivos em informação, como desenvolvimento de software, busca e gerenciamento de perfis. A opacidade surge não apenas dos modelos neurais subjacentes, mas das interações em nível de sistema mais amplo, onde prompts, contexto recuperado, etapas intermediárias e intervenções humanas não estão formalmente vinculados. As ontologias de colaboração existentes focam amplamente em interações humano-humano ou carecem da granularidade específica necessária para modelar papéis dinâmicos de IA-G, levando a uma lacuna em métodos padronizados para capturar o "quem, o quê, como e porquê" da colaboração Humana-IA-G.

Metodologia
O artigo propõe "De Prompts a Contexto", um framework centrado na Ontologia de Colaboração Contextual com IA (CCAI). A metodologia envolve três componentes principais:

1. A Ontologia CCAI: Desenvolvida usando a metodologia SAMOD e design modular de "modelets", a CCAI fornece um vocabulário compartilhado e interpretável por máquina. É construída sobre ontologias fundamentais como PROV-O e FOAF, estendidas com classes específicas de domínio. As entidades-chave incluem:

   • Agentes: Diferenciando entre ccai:HumanCollaborator (Colaborador Humano), ccai:GenerativeAIAgent (Agente de IA Generativa) e ccai:AgentGroup (Grupo de Agentes).
   • Papéis e Competências: Definindo responsabilidades específicas (ex: ccai:ToolRole (Papel de Ferramenta), ccai:AIPartnerRole (Papel de Parceiro de IA)) e capacidades.
   • Tarefas e Processos: Modelando unidades de trabalho (ccai:Task) e fluxos de trabalho (ccai:CollaborationProcess) com dependências.
   • Contexto e Recursos: Capturando configurações temporais, espaciais e de domínio (ccai:CollaborationContext) e ferramentas/conjuntos de dados (ccai:CollaborationResource).
   • Restrições: Modelando explicitamente diretrizes éticas (ccai:EthicalConstraint).

2. Construção de Prompt Orientada por SPARQL: O framework operacionaliza a ontologia usando consultas SPARQL para recuperar informações semânticas relevantes para a tarefa (contexto, recursos, papéis, restrições) da base de conhecimento. Esses dados recuperados são injetados em um modelo de prompt estruturado, fundindo a intenção humana com vinculações ontológicas explícitas. Isso desloca a engenharia de prompts de uma elaboração livre para uma solicitação estruturada e completa em contexto.

3. Geração de Artefatos Vinculados à Proveniência: As saídas geradas pela IA são vinculadas de volta à tarefa de origem, aos agentes e ao contexto usando relações de proveniência (ex: prov:wasGeneratedBy, prov:wasAttributedTo). Isso cria um rastro de colaboração consultável, transformando interações efêmeras em registros auditáveis.

Principais Contribuições
O artigo faz três contribuições específicas:

1. Uma Ontologia Contextual: A ontologia CCAI torna os significados e o contexto da colaboração cidadãos de "primeira classe" no trabalho Humano-IA-G, definindo formalmente papéis, tarefas, recursos e restrições.
2. Uma Abordagem de Instrumentação: Um fluxo de trabalho que integra o contexto derivado de SPARQL nos processos de prompt e revisão, produzindo rastros de colaboração estruturados e auditáveis, em vez de depender de memória implícita ou logs não estruturados.
3. Um Estudo de Caso Representativo: Uma aplicação aprofundada do framework dentro de uma equipe de desenvolvimento de software construindo um recurso "Visualizar e Atualizar Perfis de Competência" para um sistema de educação baseado em competências. Este estudo demonstra a utilidade do framework nas fases de análise de requisitos, design, implementação e teste.

Resultados
O estudo de caso fornece evidências empíricas delimitadas comparando uma condição "apenas prompt" (PO) contra uma condição "com suporte CCAI" (CB):

• Explicitação Contextual: Na condição CB, todas as categorias contextuais (contexto, recursos, responsabilidades, restrições) foram explicitamente representadas no prompt (4/4 categorias), enquanto a condição PO as deixou implícitas (0/4).
• Rastreabilidade: A condição CB preservou caminhos de proveniência estruturados para todas as 12 tarefas instanciadas, vinculando artefatos diretamente a tarefas e agentes. A condição PO omitiu frequentemente itens contextuais vinculados a tarefas (86/95 itens omitidos).
• Impacto Operacional: O framework reduziu com sucesso a ambiguidade contextual e permitiu a reconstrução de trilhas de decisão. Por exemplo, consultas SPARQL puderam recuperar instantaneamente os recursos específicos (ex: ccai:CompetencyDB), papéis e agentes associados a uma tarefa, que foram então usados para montar um prompt preciso.
• Limitações Observadas: O estudo notou que a eficácia do framework depende da atualidade da base de conhecimento da ontologia. Se as descrições de recursos na ontologia ficarem desatualizadas (ex: mudanças em APIs não refletidas imediatamente), o contexto do prompt gerado torna-se parcialmente incorreto, exigindo intervenção humana. Assim, a curadoria da ontologia torna-se uma tarefa operacional explícita.

Significância e Alegações
Os autores posicionam este trabalho como um passo em direção a práticas Humano-IA-G mais transparentes e responsáveis. Eles afirmam explicitamente que não reivindicam ganhos de eficiência ou produtividade; ao contrário, a significância reside em:

• Transparência Aprimorada: Tornar o contexto colaborativo explícito permite que as partes interessadas compreendam a racionalidade por trás das saídas da IA.
• Rastreabilidade Aprimorada: Fornecer cadeias auditáveis de histórias de usuário até código gerado e commits, facilitando uma melhor supervisão.
• Compreensão Compartilhada: Servir como um "objeto de fronteira" que alinha agentes humanos e de IA em papéis, restrições e objetivos, reduzindo o risco de deriva de contexto.

O artigo conclui delineando princípios de design para sistemas futuros: o contexto deve ser explícito e inspecionável; a proveniência deve ser integrada por padrão; e a ontologia deve servir como uma interface de comunicação compartilhada, não apenas como um esquema de backend. Os autores reconhecem que, embora o framework melhore a rastreabilidade, ele não elimina a natureza probabilística da IA-G ou o risco de sugestões inadequadas ao domínio, tornando necessária a revisão e validação humanas contínuas.