Resumo Técnico: Topologia de Estados Episódicos Aninhados (NEST)

1. Declaração do Problema

A ciência cognitiva teórica sofre de fragmentação. Embora existam inúmeras teorias locais bem-sucedidas para memória, raciocínio, percepção e aprendizagem, o campo carece de uma linguagem representacional comum para enunciar, comparar e revisar essas teorias em pé de igualdade. As arquiteturas integrativas existentes frequentemente unificam a cognição ao se comprometerem com mecanismos de processamento específicos (por exemplo, sistemas de produção ou loops de controle), forçando as teorias a serem traduzidas em um vocabulário procedimental único antes da comparação. Isso obscurece semelhanças e diferenças estruturais. O problema central não é meramente como a cognição funciona, mas como a ciência cognitiva deve representar aquilo de que suas teorias tratam. Há uma necessidade de uma camada representacional anterior ao mecanismo — um substrato compartilhado onde as teorias possam ser expressas como compromissos estruturais.

2. Metodologia

O artigo propõe o NEST (Nested Episodic State Topology — Topologia de Estados Episódicos Aninhados), uma ontologia representacional fundacional baseada na teoria dos grafos. Em vez de modelar a cognição como um modelo empírico finalizado, o NEST trata a cognição como formação e transformação de estados estruturados. A metodologia envolve:

• Ontologia Formal: Definir uma estrutura de grafo recursiva onde os nós carregam cargas úteis internas (atômicas, linguísticas, perceptuais ou baseadas em subgrafos) e as arestas são estritamente tipadas em seis classes: causal, contenção, temporal, associativa, evidencial e espacial.
• Arquitetura de Grafo Duplo: Separar os grafos de crenças duráveis ($B$), que representam a memória de longo prazo e o conhecimento de base, dos grafos de memória de trabalho com capacidade limitada ($W_t$), que hospedam conteúdo transitório, hipóteses e entradas perceptuais.
• Conjunto de Operadores: Definir uma biblioteca reutilizável de funcionais e operadores genéricos, incluindo mapas de ativação, funcionais de propriedades de grafo, catálogos de conflito, operadores de atualização de crença e funcionais de trajetória.
• Instanciação e Mapeamento: Derivar assinaturas de fenômenos cognitivos a partir desses primitivos e mapear as principais estruturas existentes (ACT-R, Soar, Sigma, Teoria do Espaço de Trabalho Global, etc.) sobre o NEST como regiões restritas ou casos especiais.

3. Principais Contribuições

A. O Núcleo Formal

O NEST especifica uma ontologia recursiva de nós e relações.

• Nós Recursivos: Os nós podem conter subgrafos internos, permitindo que conceitos, episódios e perceptos sejam representados em uma única linguagem formal, preservando relações tipadas.
• Tipagem de Arestas: As relações são particionadas em seis classes disjuntas. Arestas causais são antissimétricas e acíclicas; arestas de contenção impõem dependência existencial; arestas evidenciais carregam pesos assinados para suporte/contradição; arestas espaciais ligam cargas úteis perceptuais.
• Crença vs. Memória de Trabalho: A arquitetura distingue explicitamente o grafo de crença ($B$) do grafo de memória de trabalho ($W_t$). $W_t$ é "ancorado em crenças" quando seus nós correspondem a $B$, mas também contém nós transitórios. Um grafo de colação ($G^c_t$) testa o conteúdo transitório contra a estrutura armazenada via correspondências de fundamentação (grounding).
• Conflito e Coerência: O sistema define restrições de incompatibilidade (predicativas e relacionais) e deriva um catálogo de conflitos ($C_\kappa$). Métricas como coerência ($H$) e contagem de conflito ativo ($\kappa$) quantificam a estabilidade de um estado.

B. Fenômenos Cognitivos Derivados

O artigo demonstra como fenômenos familiares surgem como assinaturas da teoria dos grafos sem novos primitivos:

• Fragmentação: Medida pelo número de componentes conectados em $W_t$.
• Reconhecimento: Definido como correspondência parcial de grafos com limiar entre $W_t$ e modelos mentais armazenados.
• Distração: Quantificada como a entropia de Shannon da massa de ativação através de componentes fragmentados.
• Confusão: Um predicado binário que indica estrutura de tarefa desconectada, incoerência ou conflito ativo entre WM e crença.
• Carga Cognitiva: Reestruturada como três medidas escalares: Intrínseca (complexidade do esquema de tarefa mínimo), Extrínseca (nós/arestas desnecessários em $W_t$) e Germane (reestruturação produtiva de $B$).
• Processamento do Eu: Modelado via um subgrafo de autoimagem designado ($S_{self}$) dentro de $B$, com métricas de saliência, envolvimento, avaliação e consistência do eu.

C. Esquema de Instanciação de Tarefa

O artigo introduz um esquema para seleção de ação e raciocínio:

• Grafos de Contexto ($C_t$): Subgrafos de $W_t$ relevantes para a tarefa, selecionados por saliência, consciência e controle.
• Expertise: Definida como o acesso a um subgrafo específico (possivelmente fragmentado) de um modelo mental de domínio ($M_e \subseteq M \subseteq B$).
• Capacidade de Resposta (Answerability): Determinada por correspondência de grafos, pontuações de fundamentação e verificações de conflito.
• Falha e Recuperação: Estados de falha são definidos por fragmentação excessiva, conflito não resolvido ou incoerência; a recuperação é modelada como operações de controle ($K$) que refocam a atenção ou resolvem conflitos.

D. Mapeamentos de Compatibilidade

O artigo mapeia as principais estruturas cognitivas para o NEST, mostrando que são casos especiais ou regiões restritas da ontologia NEST:

• ACT-R: Chunks mapeiam para nós recursivos; buffers para subgrafos ativos designados de $W_t$; produções para templates de transição restritos.
• Soar: Espaços de problemas mapeiam para subgrafos de contexto de tarefa; impasses para estados de falha relevantes ao controle; chunking para compressão de atualização de crença.
• Teoria do Espaço de Trabalho Global (GWT): O espaço de trabalho é um subgrafo de acesso privilegiado e alta saliência de $W_t$, selecionado pela funcional de consciência $A(W_t)$.
• Teoria-Teoria: Teorias intuitivas são modeladas como subgrafos recursivos contendo relações causais e evidenciais; a mudança conceitual é a revisão do grafo sob $\Delta$.
• IA Baseada em Grafos: O NEST serve como um substrato computacional direto para grafos de conhecimento e redes neurais de grafos, fornecendo estrutura explícita para memória, conflito e atualização.

4. Resultados

O artigo não apresenta dados empíricos ou resultados de simulação. Em vez disso, os "resultados" são derivações teóricas:

1. Unificação Formal: Uma demonstração de que diversos fenômenos cognitivos (desde devaneio até o insight) podem ser expressos como propriedades estruturadas de grafos de memória de trabalho e sua interação com grafos de crença.
2. Equivalência Estrutural: Uma prova de conceito de que diversas arquiteturas (ACT-R, Soar, etc.) podem ser traduzidas para a linguagem da teoria dos grafos do NEST, revelando seus compromissos estruturais subjacentes.
3. Estrutura Diagnóstica: A derivação de métricas quantitativas (ex: fragmentação, coerência, carga) que podem, teoricamente, diagnosticar estados cognitivos.

5. Significância e Alegações

O artigo posiciona-se explicitamente como fundacional, e não como um modelo empírico finalizado. Sua significância reside na:

• Transparência Representacional: Fornecer um substrato onde as teorias possam ser comparadas com base em pressupostões estruturais, em vez de detalhes de implementação.
• Integração: Oferecer uma linguagem compartilhada para integrar teorias fragmentadas da cognição, permitindo a comparação direta de modelos aparentemente incompatíveis.
• Modularidade: Separar o núcleo representacional estável das instanciações específicas de tarefas e domínios, alinhando-se com as práticas estabelecidas na pesquisa de arquitetura cognitiva.
• Utilidade Futura: Servir como um substrato para o desenvolvimento posterior de domínios específicos, realização computacional e ancoragem empírica.

Os autores reconhecem limitações: a formulação não especifica um algoritmo de aprendizagem, assume uma separação clara entre crença e memória de trabalho (que pode não mapear diretamente para substratos neurais) e oferece esboços de nível variável em vez de simulações executáveis. A contribuição pretende ser um "substrato representacional transparente" para trabalhos futuros.