Termômetros cognitivos: redes neurais propõem medir a complexidade do significado

O preprint arXiv:2610.10724 (seção cs.CL) levanta uma questão na interseção entre linguística, ciência cognitiva e machine learning: por que as línguas naturais preferem sistematicamente certos significados a outros? Os autores propõem medir a complexidade do significado pela capacidade de aprendizado dos modelos e chamam esses modelos de «termômetros cognitivos». O trabalho não traz novos benchmarks nem números recordes. Trata-se de um levantamento dos dados acumulados e de uma posição metodológica, mas com consequências práticas para pesquisadores de IA.

Por que a complexidade lógica se mostrou uma ferramenta incômoda

A tipologia semântica estuda quais significados aparecem nas línguas do mundo e quais quase nunca aparecem. Os objetos de pesquisa típicos são quantificadores como «todos», «alguns» e «a maioria», além de palavras para cores, parentesco e modalidade. A explicação clássica diz que os significados frequentes são mais simples. A simplicidade costuma ser definida pela lógica: mede-se o comprimento da fórmula que descreve o significado ou a complexidade de sua definição.

Essa abordagem tem um ponto fraco, e os autores o apontam abertamente. A estimativa de complexidade depende muito da escolha da linguagem lógica. Basta incluir um operador no conjunto de primitivas para que um significado fique mais «curto» e outro mais «longo». Parte dessas decisões é tomada pelos pesquisadores sem justificativa independente. Na prática, a métrica pode ser ajustada ao resultado desejado, ainda que sem intenção.

O que os autores propõem no lugar

Os autores consideram que o machine learning oferece uma forma mais agnóstica de medir a mesma grandeza. A ideia é treinar um modelo para reconhecer o significado e ver quantos dados ou passos ele precisa para isso. Quanto mais difícil é aprender o significado, mais «complexo» ele é. Nesse caso, não é preciso escolher um formalismo lógico, embora restem outras premissas: arquitetura, dados e procedimento de treinamento.

O levantamento leva a três conclusões:

• Lógica e machine learning frequentemente produzem estimativas semelhantes de complexidade relativa dos significados.
• Essas estimativas preveem da mesma forma quais significados são mais frequentes nas línguas do mundo.
• Onde os métodos divergem, a capacidade de aprendizado, na opinião dos autores, explica os dados tipológicos melhor do que a complexidade lógica.

Daí a metáfora do termômetro. Ele não explica por que está quente, mas fornece um número reproduzível, que não depende do gosto do observador. Nesse papel, o modelo funciona como instrumento de medição, não como modelo do pensamento humano.

Uma ponte entre símbolos e conexionismo

O principal argumento teórico do artigo é que essa abordagem une a lógica simbólica e a IA conexionista. Durante muitos anos, esses dois campos discutiram como representar o conhecimento: por regras ou por pesos distribuídos. Aqui, os dois lados ganham uma tarefa em comum. A lógica formula hipóteses sobre a estrutura dos significados, e o aprendizado verifica em que medida essas hipóteses condizem com o que de fato é fácil de assimilar.

As ressalvas são evidentes. A capacidade de aprendizado de uma rede neural depende da arquitetura, dos vieses indutivos e da distribuição dos dados, de modo que o «termômetro» pode ter um erro sistemático próprio. A semelhança dos resultados com a tipologia humana ainda não prova que o ser humano aprende da mesma maneira. É uma correlação entre dois procedimentos de medição, não a prova de um mecanismo comum.

Onde isso pode ser útil

Para profissionais e pesquisadores, a conclusão é bastante pé no chão. Quem estuda o que os modelos de linguagem aprendem, e como, encontra na tipologia semântica um conjunto pronto de tarefas de teste com dados humanos conhecidos. Quem trabalha com interpretabilidade pode comparar a «complexidade para o modelo» com a «complexidade para o humano» e procurar divergências: elas mostram onde o modelo usa estratégias alheias, não humanas. Para quem constrói sistemas neurossimbólicos, o trabalho serve de argumento a favor de métricas híbridas, em que a complexidade formal é verificada pela capacidade de aprendizado empírica.

Por enquanto, trata-se mais de um programa de pesquisa do que de um padrão pronto. Seu valor será definido por experimentos reproduzíveis em diferentes arquiteturas: se modelos distintos chegarem a um «grau de complexidade» consistente, o termômetro poderá ser considerado funcional.