Resumo Técnico: TruthSplit

Problema

As ferramentas de argumentação computacional existentes concentram-se primariamente na análise de propriedades intrínsecas dos argumentos, tais como estrutura, qualidade, postura ou persuasão. Esses sistemas frequentemente assumem implicitamente um padrão universal de correção, classificando argumentos como "válidos" ou "falaciosos". No entanto, em ambientes polarizados, o desacordo frequentemente decorre não de um raciocínio falho, mas de diferenças estruturais mais profundas: suposições divergentes sobre como o mundo funciona, prioridades de valores distintas e definições variadas de conceitos sociais contestados (ex: "liberdade" ou "justiça").

As ferramentas atuais falham em abordar a validade condicional: o conceito de que a validade de uma conclusão depende não apenas de suas premissas, mas também da visão de mundo específica (valores, suposições e definições conceituais) através da qual ela é interpretada. Consequentemente, um argumento pode ser logicamente consistente e válido dentro de um quadro ideológico, enquanto é inválido em outro. Há uma carência de sistemas capazes de operacionalizar essa análise dependente de perspectiva para explicar por que a mesma afirmação leva a conclusões diferentes entre visões de mundo.

Metodologia

O TruthSplit é um sistema interativo projetado para operacionalizar a validade condicional por meio de um pipeline de análise de múltiplos estágios. Ele decompõe argumentos e os avalia contra perfis de visão de mundo estruturados e computacionalmente codificados.

1. Base de Conhecimento de Visão de Mundo

O sistema utiliza uma base de conhecimento estruturada contendo seis perspectivas ideológicas: Libertária, Conservadora-Religiosa, Social-Democrata Ecológica, Populista-Nacionalista, Comunista e Reacionária.

• Estrut verdade: Cada perfil é um objeto JSON extensível contendo valores centrais ponderados, definições principais (interpretando termos contestados), princípios assumidos, estruturas de decisão e pontuações de fatores em 16 dimensões ideológicas.
• Função: Esses perfis servem como os "priors" que condicionam o processo de raciocínio, permitindo que o sistema simule como diferentes perspectivas interpretam a mesma entrada.

2. Pipeline de Análise

O sistema processa o texto de entrada (via entrada direta, upload de arquivo ou API de notícias) através de seis estágios sequenciais:

• Extração de Argumento: O sistema decompõe o texto em afirmações (asserções centrais), premissas (evidência explícita) e suposições (crenças não declaradas). Isso é realizado via dois modos:
  • Local: Um modelo de classificação de sequência (aproximadamente 75–80% de precisão) para análise preservadora de privacidade.
  • Nuvem: Um LLM com prompts estruturados e validação JSON (aproximadamente 95%+ de precisão).
• Teste de Consistência de Três Camadas (NLI): O sistema emprega uma abordagem de Inferência de Linguagem Natural (NLI) para avaliar a coerência lógica em três níveis:
  1. Lógica Premissa-Afirmação: Avalia se as premissas suportam logicamente a conclusão independentemente de julgamentos de valor (independente de perspectiva).
  2. Interna à Perspectiva: Avalia se a afirmação se alinha aos princípios de um perfil de visão de mundo específico.
  3. Entre Perspectivas: Compara pontuações de consistência entre perfis para identificar desacordos fundamentais.
• Vinculação de Conceitos: O sistema calcula a similaridade de cosseno entre as definições de conceitos específicas de cada visão de mundo e as afirmações extraídas para identificar quais conceitos são mais relevantes para cada perspectiva (ex: como a "liberdade" é definida de forma diferente por Libertários vs. Social-Democratas).
• Raciocínio de Visão de Mundo: Usando as pontuações de consistência, conceitos vinculados e perfis completos de visão de mundo como contexto, o LLM gera saídas específicas de cada perspectiva. Estas incluem:
  • Interpretação e postura (Suporte/Oposição/Condicional).
  • Cadeias de raciocínio.
  • Suposições e preocupações principais.
  • Abordagens alternativas.
• Análise de Divergência: O sistema analisa como as perspectivas divergem, categorizando conflitos em:
  • Conflitos de Valor: Prioridades concorrentes (ex: liberdade vs. igualdade).
  • Diferenças de Definição: Interpretações divergentes do mesmo termo.
  • Lacunas de Suposição: Dependência de premissas empíricas ou normativas diferentes.
  • Diferenças de Prioridade: Valores compartilhados classificados de forma diferente.
  • Fluxo de Convergência: Uma visualização que rastreia a cadeia de raciocínio desde os valores centrais até as conclusões para localizar exatamente onde as perspectivas divergem.

3. Interface do Usuário

O frontend é uma aplicação React que apresenta:

• Painel de Análise (Dashboard): Visualiza métricas de resumo, raciocínio por visão de mundo, padrões de divergência e um espaço de fatores 3D para posicionamento da visão de mundo.
• Chatbot de Visão de Mundo: Um agente interativo baseado em LLM que incorpora uma visão de mundo selecionada, permitindo que o usuário se envolva em diálogos, desafie posições ou explore respostas a novos cenários, mantendo a adesão estrita aos valores e definições do perfil.

Principais Contribuições

O artigo delineia quatro contribuições primárias:

1. Operacionalização da Validade Condicional: Permitindo a análise sistemática de argumentos através de múltiplas perspectivas, em vez de atribuir um único rótulo de correção.
2. Raciocínio Condicionado pela Perspectiva: Gerando cadeias de raciocínio explícitas condicionadas a perfis ideológicos estruturados e extensíveis, em vez de prompts informais.
3. Exploração Interativa da Divergência: Fornecendo ferramentas analíticas e visuais para identificar conflitos de valores, lacunas de suposição e pontos de desacordo.
4. Representação Estruturada de Visão de Mundo: Codificando perspectivas como perfis computacionais (valores, definições, princípios de decisão) para suportar a análise de múltiplas perspectivas, indo além da simples classificação de texto.

Resultados de Avaliação

Os autores conduziram uma avaliação de métodos mistos envolvendo um nível de especialistas (3 estudantes de filosofia) e um nível amplo (52 participantes de diversos contextos acadêmicos).

• Usabilidade e Acessibilidade: Especialistas avaliaram o sistema positivamente quanto à facilidade de uso (4,67/5) e apelo visual (5,00/5). Não especialistas acharam a análise de divergência acessível (4,07/5), indicando que os resultados comparativos são compreensíveis sem treinamento filosófico especializado.
• Representação da Visão de Mundo: A validação de especialistas de 96 combinações de fator-visão de mundo mostrou uma correlação positiva moderada ($r=0,33$) entre as pontuações de fatores implementadas e as classificações de importância dos especialistas. O alinhamento foi mais forte para os perfis Conservador-Religioso e Social-Democrata Ecológico. Especialistas notaram a ambiguidade inerente à quantificação de dimensões ideológicas, com variação substancial entre os especialistas.
• Robustez do LLM: Saídas geradas por diferentes famílias de LLM (Claude, GPT, Gemini, Grok, DeepSeek) não mostraram diferenças significativas de qualidade, sugerindo que a abordagem de prompt estruturado padroniza o raciocínio entre os modelos.
• Extração de Afirmação: Classificada de forma moderadamente positiva (6,67/10), indicando margem para melhoria na precisão da extração automatizada.

Significância e Alegações

O artigo posiciona o TruthSplit não como uma ferramenta para resolver o desacordo, mas como um instrumento analítico e educacional que torna o desacordo ideológico mais inteligível.

• Reenquadramento do Desacordo: Ao destacar a validade condicional, o sistema reenquadra o conflito como um produto de premissas e hierarquias de valores divergentes, em vez de inconsistência factual ou falha lógica.
• Além de Julgamentos Binários: Demonstra como sistemas de IA podem ir além dos julgamentos binários de "correto/incorreto" em direção a uma análise transparente do desacordo normativo.
• Utilidade Educacional: O sistema é destinado a educadores, estudantes, pesquisadores e analistas para explorar o raciocínio dependente de perspectiva no discurso político e ético.
• Escopo Modesto: Os autores reconhecem limitações, incluindo a natureza exploratória do estudo, o tamanho limitado da amostra e o desafio de definir fronteiras rígidas para visões de mundo. Eles declaram explicitamente que a avaliação foca na usabilidade e interpretabilidade das análises, não na correção absoluta do raciocínio ou das explicações de divergência, deixando o segundo ponto para trabalhos futuros.

Os autores concluem que o condicionamento estruturado da visão de mundo fornece uma base viável para a análise de argumentos de múltiplas perspectivas, oferecendo um quadro para um engajamento mais informado com as diferenças ideológicas.