Probabilities beyond Belnap-Dunn logic: dealing with gaps, gluts and reliability

A lógica e a probabilidade têm sido vistas há muito tempo como duas linguagens diferentes para descrever o mundo. A lógica é o estudo de como raciocinamos, determinando o que deve ser verdadeiro se outras coisas forem verdadeiras. A probabilidade é o estudo da incerteza, medindo a probabilidade de um evento acontecer. Por séculos, esses campos operaram sob uma suposição estrita: que cada afirmação é ou verdadeira ou falsa, e que nosso conhecimento do mundo é completo o suficiente para atribuir um único número à probabilidade de qualquer evento. Isso funciona bem para lançamentos de moedas ou previsões meteorológicas, onde o resultado é claro. Mas o sistema falha quando enfrentamos informações contraditórias, incompletas ou simplesmente não confiáveis. Se uma testemunha diz que um carro era vermelho e outra diz que era azul, a lógica clássica entra em colapso porque o carro não pode ser ambos. Se ninguém viu o carro, a lógica clássica não tem como representar essa total falta de informação sem forçar um palpite.

Para lidar com essas realidades problemáticas, pesquisadores desenvolveram sistemas que permitem "lacunas" (onde não sabemos nada) e "gluts" ou excessos (onde temos informações conflitantes). Esses sistemas, conhecidos como lógicas não clássicas, tratam a verdade como um espectro, em vez de um interruptor. No entanto, um grande desafio permanecia: como atribuir probabilidades a afirmações nesses sistemas flexíveis? Se uma afirmação pode ser tanto verdadeira quanto falsa, ou nem uma coisa nem outra, como se calcula a chance de ela acontecer? Esta questão é crucial para a inteligência artificial, o raciocínio jurídico e qualquer campo onde máquinas ou humanos devam tomar decisões baseadas em dados imperfeitos, conflitantes ou não confiáveis. Sem uma forma robusta de medir a incerteza nesses cenários complexos, nossas ferramentas de raciocínio permanecem presas a um mundo que é simples demais para ser real.

Uma equipe de pesquisadores agora uniu essa lacuna ao introduzir um novo framework de probabilidade baseado em um sofisticado sistema lógico de seis valores. O trabalho deles, publicado em um estudo recente, vai além dos sistemas tradicionais de quatro valores que apenas consideram verdadeiro, falso, ambos ou nenhum. Ao adicionar uma quinta e uma sexta dimensão crucial — representando a confiabilidade ou a "classicidade" da própria informação — eles criaram um método para medir não apenas se uma afirmação é verdadeira, mas se podemos confiar na fonte dessa verdade. Isso permite uma análise muito mais refinada da crença, distinguindo entre uma convicção firme, um palpite duvidoso, uma contradição e uma total falta de evidência.

Os pesquisadores construíram seu sistema sobre uma lógica chamada LET+K, que expande modelos anteriores ao introduzir um operador que atua como um "teste de confiabilidade". Em termos cotidianos, esse operador permite que um sistema diga: "Eu tenho evidências para esta afirmação, e essa evidência é sólida", ou "Eu tenho evidências para esta afirmação, mas a fonte é pouco confiável". Essa distinção é vital. Em um sistema padrão, se você tem uma contradição, pode ser forçado a tratá-la como uma falha total de raciocínio. Neste novo sistema, você pode reconhecer a contradição enquanto nota simultaneamente que a informação que a causa é não confiável, permitindo que o processo de raciocínio continue sem colapsar. A equipe definiu funções de probabilidade que funcionam através de seis regiões distintas de possibilidade: crença confiável, crença não confiável, conflito, descrença não confiável, descrença confiável e incerteza total.

Para fazer esses conceitos abstratos funcionarem, os autores desenvolveram uma nova maneira de visualizar essas probabilidades usando o que chamam de "estruturas de torção" (twist structures). Imagine um mapa onde cada estado possível do mundo é dividido em seis zonas específicas, em vez de apenas duas. Quando uma informação chega, ela não apenas cai em "verdadeiro" ou "falso"; ela ilumina partes específicas deste mapa de seis partes. Os pesquisadores provaram que suas novas funções de probabilidade são matematicamente sólidas e completas, o que significa que seguem regras lógicas estritas que evitam contradições e garantem que os números sempre somem corretamente. Eles mostraram que essas funções podem ser definidas de três maneiras diferentes — unidimensional, tridimensional e seis-dimensional — e que todas as três abordagens são perfeitamente equivalentes, apenas olhando para os mesmos dados de ângulos diferentes.

Uma conquista fundamental do artigo é a extensão da "atualização de Jeffrey" (Jeffrey's update), um método famoso para alterar crenças quando novas evidências chegam. No mundo clássico, se você aprende um novo fato, você atualiza suas probabilidades com base no fato de que ele é certo. Mas no mundo real, a nova evidência é frequentemente incerta. Os pesquisadores adaptaram essa regra de atualização para seu sistema de seis valores. Eles demonstraram como ajustar probabilidades quando se aprende que uma afirmação é "parcialmente confiável" ou "parcialmente contraditória", em vez de apenas verdadeira ou falsa. Eles forneceram tanto uma definição matemática quanto uma prova lógica de que esses dois métodos de atualização são os mesmos, garantindo que o sistema seja consistente, quer seja visto pela perspectiva de números brutos ou de regras lógicas.

O estudo também explorou como este sistema lida com a clássica "atualização Bayesiana", que é usada quando a evidência é certa. Eles mostraram que seu novo sistema inclui naturalmente os antigos métodos clássicos como casos especiais. Se a informação é perfeitamente confiável e a contradição é impossível, o sistema se comporta exatamente como a lógica clássica que conhecemos. Mas quando a informação é confusa, o sistema se flexibiliza para acomodar a complexidade. Isso significa que o novo framework não substitui nossas ferramentas existentes; ele as generaliza, ofereando um conjunto de ferramentas mais poderoso para situações onde o mundo se recusa a ser simples.

As implicações deste trabalho são significativas para qualquer campo que lide com dados incertos. Ao fornecer uma maneira rigorosa de medir a confiabilidade da informação juntamente com seu valor de verdade, os pesquisadores nos deram uma forma de raciocinar sobre contradições sem perder a sanidade. Eles mostraram que é possível ter uma teoria matemática da probabilidade que respeite o fato de que algumas informações são conflitantes, algumas estão ausentes e outras são simplesmente não confiáveis. Isso não é apenas um exercício teórico; é um passo necessário para construir uma inteligência artificial que possa navegar na natureza confusa, contraditória e não confiável do conhecimento humano. O artigo conclui delineando como este framework poderia ser usado para melhorar sistemas de revisão de crenças, permitindo que agentes atualizem suas visões de uma forma que seja sensível à qualidade da evidência que recebem.

No fim, esta pesquisa oferece uma maneira mais honesta de pensar sobre a incerteza. Ela reconhece que o mundo nem sempre é preto no branco, e que nosso conhecimento é frequentemente um mosaico de convicções fortes, palpites fracos e contradições explícitas. Ao criar uma linguagem matemática que pode descrever todos esses estados simultaneamente, os autores forneceram uma base para uma lógica de evidência mais robusta e flexível. O trabalho deles prova que podemos medir a confiabilidade de nossas crenças tão precisamente quanto medimos sua probabilidade, abrindo as portas para uma nova era de raciocínio em um mundo imperfeito.