Empathy as Predictive Misalignment Tolerance: A Co-Regulation Framework and the Regime Structure of Dialogue Repair

Resumo Técnico: Empatia como Tolerância ao Desalinhamento Preditivo

Declaração do Problema
Os modelos teóricos e computacionais atuais de empatia baseiam-se predominantemente em um enquadramento síncrono, definindo a empatia como a ressonância imediata, o espelhamento ou a simulação do estado emocional ou cognitivo de outro. Na inteligência artificial, isso se traduz em sistemas que detectam o afeto do usuário e geram respostas congruentes. Os autores argumentam que esta é uma noção "fina" de empatia que falha em considerar o diálogo estendido, onde a compreensão é um processo temporal caracterizado por deriva, divergência e reparo. Os frameworks existentes tratam o mal-entendido como uma falha a ser eliminada, ao passo que os autores postulam que a compreensão genuína em interações estendidas requer a capacidade de antecipar e regular a divergência interpretativa ao longo do tempo, em vez de colapsá-la.

Estrutura Teórica: Tolerância ao Erro Interpretativo (IET)
O artigo propõe reestruturar a empatia como tolerância ao desalinhamento preditivo. Isso é operacionalizado através do conceito de Tolerância ao Erro Interpretativo (IET), definida como a capacidade de manter uma "banda de divergência viável" entre agentes interagentes.

• Mecanismo Central: Em vez de minimizar a distância entre duas trajetórias interpretativas, o objetivo é manter essa distância dentro de uma zona negociada dinamicamente (o espaço de tolerância).
• Heurística Formal: Os autores introduzem uma regra de atualização regulatória (Equação 1) para o limiar de tolerância ($\theta_t$):
  $$\theta_{t+1} = \theta_t + \eta (\sigma(\Delta_t) - \sigma^*)$$
  Onde $\Delta_t$ é a divergência interpretativa, $\sigma(\Delta_t)$ é a variância de janela curta da divergência recente, $\sigma^*$ é uma variância alvo homeostática e $\eta$ é uma taxa de adaptatividade.
• Lógica Regulatória: Quando a variância da divergência excede o alvo, a banda de tolerância se alarga; quando ela se torna excessivamente ordenada, a banda se estreita. Ações de reparo (ex: esclarecimento, redução de peso de turnos suspeitos) são disparadas quando a divergência projetada ameaça sair desta banda.
• Posicionamento Filosófico: Baseando-se no processamento preditivo, na cognição enativa e na fenomenologia (especificamente a ética levinasiana), o framework argumenta que a empatia é um processo de co-regulação que preserva a "irreducibilidade" do outro, em vez de uma fusão de mentes.

Metodologia: Sondas Computacionais
Para testar a viabilidade operacional da IET, os autores conduziram duas sondas computacionais usando o corpus DailyDialog. Os experimentos empregaram um paradigma de injeção de ruído controlado, onde ruído variável no tempo foi introduzido nos contextos de diálogo. Três políticas foram comparadas:

1. Baseline de Não-Reparo: Sem intervenção.
2. Política de $\theta$ Fixo: Um limiar estático para disparar o reparo.
3. Política de IET Adaptativa: Implementa a regra de atualização baseada em variância (Equação 1).

• Sonda 1 (Escolha de Sinal): Utilizou a distância de cosseno entre os embeddings dos turnos e um resumo do contexto corrente. O reparo foi um "drop duro" (exclusão direta) de turnos suspeitos.
• Sonda 2 (Deriva Baseada em Âncora): Redesenhada para abordar as limitações da Sonda 1.
  • Sinal: A deriva foi medida contra uma "âncora de tópico" fixa (dois primeiros turnos) em vez de um resumo corrente.
  • Ação: O reparo mudou de exclusão dura para redução contínua de peso ($w = \exp(-k \cdot \max(0, \Delta_t - \theta_t)$).
  • Métricas: Avaliada em dois eixos distintos: Fidelidade Discriminativa (precisão de recuperação da próxima fala de 1-de-20) e Preservação do Gist/Essência (similaridade de cosseno com o contexto original limpo e sem ruído).

Resultados Principais
Os resultados empíricos não validaram a política de IET Adaptativa como um controlador superior sobre os limiares fixos, mas revelaram um fenômeno estrutural crítico no reparo de diálogo:

1. Falha da Regra de Atualização da IET: Em ambas as sondas, a política de IET Adaptativa foi estatisticamente indistinguível da política de $\theta$ Fixo (McNemar pareado $p=1.0$). A atualização baseada em variância foi suave demais para gerar diferenciação significativa no espaço de embeddings testado.
2. Conflito de Sinal na Sonda 1: A Sonda 1 falhou porque o sinal de "resumo corrente" conflitou a evolução tópica natural com o desalinhamento induzido pelo ruído, causando falsos positivos que degradaram o desempenho.
3. Reparo Estruturado por Regimes (Sonda 2): O achado mais significativo foi um trade-off dependente de regime entre precisão de recuperação e preservação do gist:
   • Ruído Baixo a Moderado: Mecanismos de reparo degradaram a fidelidade discriminativa (precisão de recuperação) em comparação com a baseline de não-reparo.
   • Ruído Alto: Mecanismos de reparo começaram a preservar o significado do gist (similaridade de cosseno com o contexto limpo) melhor do que a baseline de não-reparo, enquanto a precisão de recuperação permaneceu baixa.
   • O Cruzamento: As curvas para preservação do gist se cruzaram entre taxas de ruído de 0.30 e 0.45. O reparo só se tornou benéfico para a preservação do significado quando o ruído foi alto o suficiente para degradar o desempenho da baseline de forma comparável.

Significância e Alegações
O artigo afirma explicitamente que sua principal contribuição é conceitual, normativa e metodológica, não a validação de um algoritmo de controle específico.

• Reenquadramento Conceitual: Os autores argumentam que a empatia em interações estendidas não é a eliminação da divergência, mas a regulação de suas dinâmicas. O "sucesso" de um sistema empático reside em manter uma relação interpretativa funcional através da diferença, não em alcançar a convergência.
• Insight Empírico: A "estrutura de regime" do reparo sugere que os frameworks de avaliação existentes (que frequentemente utilizam médias de desempenho ou métricas únicas) obscurecem a realidade de que as estratégias de reparo envolvem um trade-off fundamental: sacrificar o detalhe discriminativo para preservar o gist compartilhado sob alto ruído.
• Implicações de Design: O artigo defende uma mudança no design de IA de "busca por convergência" para "gestão de divergência". Ele clama por:
  • Tolerância Personalizada e Contestável: Parâmetros que definem a banda de tolerância devem ser visíveis e ajustáveis pelos usuários, em vez de padrões ocultos.
  • Avaliação Consciente de Regime: Benchmarks devem testar o desempenho através de grades de ruído e usar métricas duplas (severas vs. permissivas) para capturar os trade-offs entre detalhe e gist.
  • Humildade Ética: Sistemas devem ser projetados para preservar a ecologia relacional e a distinção do usuário, evitando o risco de "empatia como captura", onde a regulação suave cria dependência.

Em conclusão, o artigo postula que, embora a regra de atualização específica da IET testada não tenha superado as baselines fixas, o fenômeno do reparo estruturado por regime confirma a necessidade de ver a empatia como um processo dinâmico de manutenção da inteligibilidade através da diferença, em vez de um estado estático de alinhamento.