Introdução
E se fosse possível traduzir um argumento escrito em linguagem natural para uma estrutura que um programa consiga analisar? Não estamos falando de resumir um texto ou descobrir se ele é positivo ou negativo. Estamos falando de como o argumento de um texto funciona. Por exemplo, a afirmação: 'Essa empresa reduziu o trabalho remoto e a produtividade aumentou. Portanto, trabalho presencial aumenta a produtividade.'
Representação Computável de Argumentos
Um sistema poderia olhar para esse trecho e representar algumas características. Ou até trabalhar com graus de confiança. O objetivo não seria decidir automaticamente se o argumento é verdadeiro ou falso. Seria primeiro responder uma pergunta mais básica: 'Hoje conseguimos processar enormes quantidades de informações, inclusive muitas vezes enviesadas e falsas, mas existe uma diferença entre identificar o que alguém disse e identificar como aquela pessoa chegou à conclusão, o que ela quis transmitir com aquele texto, e com aquela conclusão.' Essa área já existe na pesquisa e é conhecida como Argument Mining.
Argument Mining e Modelos de Argumentação
Lawrence e Reed definem Argument Mining como a identificação automática da estrutura de inferência e raciocínio presente em argumentos escritos em linguagem natural. Pesquisas nessa área trabalham, por exemplo, com:
- Claim, Grounds, Warrant, Backing, Qualifier e Rebuttal: Estes são os elementos de um argumento de acordo com o modelo de Stephen Toulmin.
- Argument Mining: A identificação automática da estrutura de inferência e raciocínio.
Jev e Representação Computável de Argumentos
O lançamento recente do Jev, da TypeSafe AI, chamou minha atenção porque ele trabalha de forma diferente de um chatbot tradicional. Em vez de necessariamente gerar uma resposta em texto, ele recebe informação não estruturada e responde perguntas previamente definidas através de decisões tipadas acompanhadas de probabilidades. A própria TypeSafe descreve a ideia como: 'unstructured state → typed probabilistic decisions'.
Desafios e Possibilidades
O primeiro desafio seria justamente descobrir se essa classificação faz sentido e perceber rapidamente onde está o ponto central de um argumento. Em debates, seria possível comparar duas posições e descobrir que elas talvez nem discordem da conclusão, mas partam de premissas diferentes. Em textos acadêmicos, um sistema poderia ajudar a localizar afirmações que não apresentam evidências suficientes. Em ferramentas educacionais, estudantes poderiam aprender argumentação vendo seus próprios textos transformados em estruturas. Em sistemas de busca, em vez de procurar apenas textos sobre determinado assunto, poderíamos procurar 'argumentos causais que utilizam estatísticas para sustentar determinada conclusão'.
Conclusão
Argumentação envolve lógica, linguística, filosofia, NLP, psicologia cognitiva e ciência da computação. Seu objetivo inicial seria muito menor: começar com apenas 5 ou 6 dimensões. Nada de tentar construir uma 'máquina que entenda qualquer argumento'. Primeiro quero descobrir se conseguimos criar uma representação pequena, útil e consistente. Estou publicando isso porque provavelmente existem pessoas de áreas diferentes que enxergariam problemas nessa ideia que eu não consigo enxergar sozinho. Se você trabalha ou estuda NLP, Argument Mining, IA, lógica, linguística, filosofia da linguagem, representação de conhecimento ou áreas próximas, gostaria muito de trocar ideias.