Explicar e compreender na era da IA

Nada na vida é para ser temido, tudo é para ser compreendido. Chegou o momento de compreender mais para temer menos.

Explicar e compreender sem IA

No contexto da investigação, os termos "explicar" e "compreender" são frequentemente utilizados para descrever diferentes aspectos da análise e interpretação dos fenómenos. Wilhelm Dilthey, filósofo e historiador alemão, deu um contributo importante para a distinção entre estes dois conceitos.

Para ele, explicar (erklären) está mais associado às ciências naturais, enquanto compreender (verstehen) é específico das ciências humanas (Dilthey, 1883).

• Explicar implica apresentar razões ou causas que justifiquem ou expliquem um fenómeno. Refere-se à identificação dos mecanismos ou processos subjacentes que levam à ocorrência desse fenómeno.
  
  Na investigação, explicar um fenómeno significa frequentemente determinar as relações causais entre diferentes variáveis. Por exemplo, um estudo pode procurar explicar por que razão uma determinada política pública levou a um aumento das taxas de vacinação, identificando os factores específicos, como uma maior sensibilização ou um acesso mais fácil às vacinas, que contribuíram para esse resultado.
  
  O trabalho de Carl Hempel e Paul Oppenheim também levou esta noção mais longe, desenvolvendo o modelo dedutivo-nomológico de explicação científica (Hempel & Oppenheim, 1948).
  
  
• A compreensão, por outro lado, refere-se à capacidade de apreender o sentido, o significado ou as implicações de um fenómeno. Implica uma apreciação mais holística e contextual do fenómeno.
  
  Na investigação, a compreensão vai além da identificação das causas e inclui uma apreciação das percepções, significados e experiências subjectivas associadas ao fenómeno em estudo. Por exemplo, para compreender por que razão uma comunidade se mostra relutante em ser vacinada, é necessário não só identificar os factores que contribuem para tal, mas também compreender os receios, as crenças culturais e os valores que influenciam o comportamento dos indivíduos dessa comunidade.
  
  O trabalho de Erving Goffman e Max Weber é particularmente relevante neste contexto, uma vez que realça a importância dos significados sociais e das interações simbólicas (Goffman, 1959; Weber, 1922).

A distinção entre explicar e compreender também pode ser vista em termos de objetividade versus subjetividade. A explicação tende a ser mais objetiva e quantitativa, baseando-se frequentemente em dados mensuráveis e análises estatísticas. A compreensão, por outro lado, é frequentemente mais subjectiva e qualitativa, exigindo métodos como entrevistas, observações e estudos de caso para captar nuances e significados mais profundos. Esta distinção é crucial nas ciências sociais, onde a tónica é colocada na interpretação do comportamento humano e das estruturas sociais (Geertz, 1973).

Em termos da abordagem analítica versus holística, a explicação centra-se em elementos específicos e isolados do fenómeno, como as variáveis independentes e dependentes. A compreensão tem uma visão global, tendo em conta o contexto global e as interações complexas entre vários factores. Os trabalhos de Clifford Geertz, nomeadamente sobre a etnografia, ilustram esta abordagem global, em que o objetivo é dar conta da "densidade" dos significados culturais (Geertz, 1973).

Por último, as finalidades e os objectivos destas duas abordagens são diferentes. O objetivo da explicação é frequentemente o de prever e controlar. Por exemplo, ao explicar os factores que influenciam o sucesso académico, podemos desenvolver intervenções para melhorar os resultados dos alunos. O objetivo da compreensão é dar sentido e informar, muitas vezes enriquecendo a perspetiva das partes interessadas ou orientando a formulação de novas questões de investigação.

Esta distinção é particularmente realçada no trabalho de Thomas Kuhn, que explorou o modo como os paradigmas científicos influenciam a forma como os investigadores percepcionam e interpretam os dados (Kuhn, 1962).

Explicar e compreender com a IA

O impacto da inteligência artificial (IA) neste contexto está a alterar profundamente as abordagens explicativas e compreensivas. A IA, com a sua capacidade de processar grandes quantidades de dados e identificar padrões complexos, reforça a dimensão explicativa ao permitir análises causais mais sofisticadas e preditivas. Os algoritmos de aprendizagem automática, por exemplo, podem revelar relações ocultas entre variáveis que os métodos tradicionais poderiam ignorar (Russell & Norvig, 2020).

No entanto, a compreensão, tal como definida por Dilthey e outros, continua a ser um desafio para a IA. A máquina, embora eficaz na análise de dados, tem dificuldade em captar significados culturais e contextuais tão profundamente como as abordagens qualitativas humanas. O trabalho sobre a interpretabilidade dos modelos de IA procura colmatar esta lacuna, tornando as decisões algorítmicas mais transparentes e compreensíveis para os seres humanos (Lipton, 2016).

A IA pode automatizar a recolha e a análise de grandes quantidades de dados qualitativos, facilitando uma compreensão mais rápida e talvez mais detalhada dos fenómenos sociais. Por exemplo, o software de análise de texto baseado em IA pode identificar temas e sentimentos em grandes quantidades de dados textuais, o que seria extremamente trabalhoso para os investigadores humanos (Manning et al., 2008).

No entanto, a natureza contextual e matizada da compreensão humana constitui um desafio significativo para a IA. As ferramentas de IA podem não ter a sensibilidade necessária para captar as subtilezas da interação humana e os significados culturais. Esta limitação realça a importância de combinar abordagens quantitativas de IA com métodos qualitativos tradicionais para obter uma imagem completa e matizada dos fenómenos em estudo.

Por último, a integração da IA nos processos de investigação levanta questões éticas e metodológicas. Como podemos garantir que os algoritmos de IA não reproduzem os enviesamentos humanos presentes nos dados de treino? Como garantir que as conclusões tiradas pela IA são interpretadas de forma correta e contextual pelos investigadores humanos? Estas questões evidenciam os desafios e as responsabilidades associados à utilização da IA na investigação (Vayena et al., 2018).

Em suma, o impacto da inteligência artificial, embora poderoso na explicação, realça a complexidade da compreensão na análise dos fenómenos humanos e sociais. Os contributos de Dilthey, Kuhn, Goffman e outros investigadores das ciências humanas e sociais mostram que ambas as abordagens são essenciais para uma compreensão completa e matizada dos fenómenos em estudo.

Questões para desenvolvimentos futuros

1. Como é que os avanços na IA podem melhorar a nossa capacidade de compreender os significados culturais e contextuais tão profundamente como os métodos qualitativos humanos?
   
   
2. Que novas metodologias estão a surgir que combinem eficazmente os pontos fortes da IA e das abordagens qualitativas tradicionais na investigação?
   
   
3. Como podemos atenuar os enviesamentos e as limitações inerentes aos algoritmos de IA, tirando simultaneamente partido das suas capacidades explicativas avançadas?
   
   
4. Que implicações éticas devem ser consideradas quando se utiliza a IA para compreender e explicar fenómenos sociais complexos?

Imagem de Alexandra_Koch do Pixabay

Fontes

Dilthey, W. (1883). Introdução às Ciências Humanas. Leipzig: Duncker & Humblot.

Geertz, C. (1973). A Interpretação das Culturas. Paris: Éditions Gallimard.

Goffman, E. (1959). The Staging of Everyday Life. Paris: Éditions de Minuit.

Hempel, C. G., & Oppenheim, P. (1948). Studies in the Logic of Explanation. [Não se conhece tradução direta para francês].

Kuhn, T. S. (1962). The Structure of Scientific Revolutions [A Estrutura das Revoluções Científicas]. Paris: Flammarion.

Lipton, Z. C. (2016). O mito da interpretabilidade dos modelos. [Disponível em pré-publicação no arXiv].

Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to information retrieval. [Sem tradução francesa conhecida].

Russell, S., & Norvig, P. (2020). Inteligência artificial: uma abordagem moderna (4ª ed.). [Sem tradução francesa conhecida].

Vayena, E., Blasimme, A., & Cohen, I. G. (2018). Aprendizado de máquina na medicina: abordando desafios éticos. PLOS Medicine.

Weber, M. (1922). Ensaios sobre a teoria da ciência. Paris: Plon.