Resumo Técnico: Agente de Carga Cognitiva Visual NeuraDock

Problema

A crescente integração de Modelos de Linguagem de Grande Escala (LLMs) em softwares científicos oferece acessibilidade, mas introduz um "erro de categoria" crítico em domínios como a eletroencefalografia (EEG). Embora os LLMs possuam amplo conhecimento de terminologia de EEG e processamento geral, eles carecem de consciência específica sobre as restrições físicas de um dispositivo particular, os algoritmos implementados no software atual, o significado preciso dos campos de resultados computados e os limites científicos de inferências específicas.

Em EEG de baixo número de canais, onde a cobertura espacial é esparsa e a qualidade do sinal varia, essa falta de consciência de limites leva a interpretações plausíveis, porém não sustentadas. Um modelo fluente pode recomendar assimetria alfa frontal para uma montagem apenas posterior, descrever um fluxo de trabalho que não existe ou traduzir um indicador de qualidade de engenharia em um diagnóstico neurológico. Além disso, colocar a geração de código estocástico dentro do caminho de análise numérica introduz responsabilidade e variabilidade, enquanto enviar dados brutos de EEG para modelos externos levanta preocupações de privacidade em relação a dados neurais sensíveis.

A metodologia propõe o Agente NeuraDock, uma arquitetura de código aberto que separa estritamente um motor de EEG local determinístico de uma camada de linguagem consciente do hardware.

Arquitetura do Sistema

1. Núcleo Determinístico Local: Um motor Python versionado lida com toda a computação numérica. Ele analisa as gravações, realiza o controle de qualidade (QC), executa fluxos de trabalho espectrais revisados e escreve artefatos legíveis por máquina (resultados em JSON, relatórios em Markdown, figuras). Os dados brutos de EEG e arrays densos por amostra permanecem locais e nunca são enviados ao LLM.
2. Payload de Interpretação Autorizado: O LLM recebe apenas um resumo compacto e autorizado dos resultados. Este payload exclui explicitamente amostras brutas, vetores PSD completos e caminhos de arquivos locais. Inclui apenas campos necessários para explicar a qualidade, parâmetros, tendências agregadas e limites declarados.
3. Camada de Contexto Versionada: O LLM opera dentro de um pacote de contexto restrito contendo:
   • Perfil de Hardware: Especificidades do sistema de eletrodos secos de 7 canais (CP5, CP6, PO3, PO4, O1, Oz, O2 a 250 Hz) e limiares de QC de engenharia.
   • Registro de Implementação: Uma lista fechada de fluxos de trabalho revisados (ex: Qualidade de Sinal, PSD, Carga Cognitiva Visual, Comparação Repouso/Tarefa).
   • Esquema de Resultados: Definições de campos de saída e seus limites científicos.
   • Limites Científicos: Declarações explícitas sobre o que as inferências não justificam (ex: não há alegações causais, não há índices absolutos de carga cognitiva).

O Fluxo de Trabalho de Carga Cognitiva Visual

Como estudo de caso, o sistema implementa um fluxo de trabalho de "Carga Cognitiva Visual". Este é um heurístico relativo, dentro da própria gravação, baseado na supressão alfa posterior (8–13 Hz). Ele calcula uma pontuação composta de potência log-alfa padronizada, frequência de pico e assimetria direita-menos-esquerda. Crucialmente, o sistema trata isso como um ranking relativo (baixo/médio/alto) dentro de uma sessão, não como um índice diagnóstico absoluto.

Principais Contribuições

1. Arquitetura Determinística com Limites de Privacidade: Um design de sistema onde o LLM atua exclusivamente como uma camada de interpretação e planejamento restrita, enquanto o motor local permanece como a fonte da verdade numérica.
2. Limites de Fluxo de Trabalho Documentados: Uma definição formal do fluxo de trabalho de Carga Cognitiva Visual, declarando explicitamente seus limites de qualidade e interpretação (ex: não é um diagnóstico de atenção ou fadiga).
3. Evidência em Nível de Sistema: Validação empírica de repetibilidade numérica, minimização de requisições (tamanho do payload), isolamento de falhas (artefatos locais sobrevivem a falhas do LLM) e respostas determinísticas a perturbações de sinal controladas.
4. Benchmark de Consciência de Limites: Um framework de avaliação inovador usando 36 casos em quatro condições de contexto (Genérico, Hardware, Hardware+Implementação, Contexto Total) e dois LLMs para medir o reconhecimento exato de limites físicos, de implementação, de resultados e científicos.

Resultados

Repetibilidade e Segurança

• Determinismo: 12 gravações produziram resultados estruturados idênticos ao longo de dez repetições. Execuções de ponta a ponta (resultados, relatórios, figuras) geraram hashes idênticos através de três repetições.
• Minimização de Dados: O payload de requisição do LLM foi significativamente menor que a gravação bruta (aprox. 23 KB vs. 8 MB), com confirmação explícita de que os dados brutos de EEG e arrays densos estavam ausentes.
• Isolamento de Falhas: Artefatos locais (resultados, relatórios, traços) foram preservados mesmo quando o serviço de LLM falhou (Erro HTTP 400, saída malformada, recusa de conexão).

Benchmark de Consciência de Limites

O benchmark avaliou 288 saídas (36 casos × 4 contextos × 2 modelos).

• Precisão de Decisão: A classificação exata de quatro vias para os limites (Suportado, Condicional, Não Suportado, Não Implementado) melhorou de 58,3% (prompt Genérico) para 79,2% (Contexto Total).
• Respostas Seguras: A taxa de respostas totalmente corretas, completas em fatos e livres de alegações falsas aumentou de 26,4% para 66,7%.
• Calibragem de Rejeição: O modelo genérico foi excessivamente conservador, rejeitando 27,8% das requisições viáveis. O contexto total reduziu essa taxa de "recusa excessiva" para 8,3%, mantendo uma baixa taxa de aceitação de itens não suportados (1,4%).
• Ablação de Contexto: A adição de contexto de hardware proporcionou o maior ganho inicial. No entanto, o "Contexto Total" nem sempre foi ideal; um subconjunto de "Hardware + Implementação" às vezes alcançou uma taxa de resposta segura estrita ligeiramente superior, sugerindo que a expansão indiscriminada de contexto pode introduzir ruído ou recusa excessiva.

Limitações Observadas

• Detecção de Linha Reta (Flatline): O fluxo de trabalho de QC atual falhou em detectar quedas de 15 segundos de linha reta, um resultado negativo concreto.
• Tipos de Erro: Os erros residuais na condição de contexto total devem-se principalmente à dificuldade em preservar semânticas condicionais refinadas (ex: distinguir entre "fisicamente plausível, mas não implementado" vs. "não suportado") e à omissão de fatos necessários em cenários de orquestração complexos.
• Validação Fisiológica: O piloto exploratório de Repouso/Tarefa mostrou resultados mistos (valores p não significativos), reforçando que o sistema ainda não estabelece um índice de carga cognitiva absoluta validado.

Significância e Alegações

O artigo posiciona o Agente NeuraDock não como uma ferramenta de diagnóstico clínico ou um substituto para a análise especializada de EEG, mas como um framework de sistemas e avaliação.

• Calibragem sobre Recusa: A principal contribuição é demonstrar que a "consciência de limites" permite que um agente calibre quando aceitar, qualificar ou recusar uma requisição, em vez de simplesmente recusar tudo para evitar alucinações.
• Mecanismo de Fundamentação (Grounding): Os resultados apoiam a fundamentação consciente de hardware e implementação como um mecanismo prático para agentes de EEG de baixo canal. Isso garante que o comportamento do LLM seja limitado pelo contrato físico do dispositivo e pelas capacidades atuais do software.
• Escopo Modesto: Os autores declaram explicitamente que o software não diagnostica cognição, não substitui a análise especializada e não estabelece um índice de carga cognitiva clinicamente validado. O sistema destina-se à pesquisa, engenharia, educação e prototipagem.
• Direção Futura: O trabalho motiva uma mudança de prompts de contexto massivos e estáticos para a recuperação seletiva de módulos de contexto relevantes (hardware, implementação, limites científicos) para otimizar a tomada de decisão sem sobrecarregar o modelo.

Em resumo, o artigo argumenta que, para que agentes científicos sejam confiáveis, eles devem operar dentro de limites explícitos, versionados e testáveis, separando a natureza estocástica da geração de linguagem dos requisitos determinísticos da computação científica.