2. As Onze Propriedades da Tarefa — Duas Formulações, Uma Escolha

A Secção 1 fixou a arquitetura da CCT em termos gerais: dois polos, um meio-termo dominante, um mecanismo de indução tarefa→cognição. Mas não disse o que, em concreto, uma tarefa precisa de ter para induzir um modo ou outro. É essa a função das onze propriedades da tarefa — e a primeira coisa a assinalar, antes de as enumerar, é que "as onze propriedades da CCT" não é uma tabela única, citada de forma uniforme em toda a literatura. Coexistem pelo menos duas formulações influentes, organizadas de maneira diferente, e divergentes na polaridade de pelo menos uma propriedade. Escolher entre elas — ou combiná-las — é uma decisão que este artigo tem de tornar explícita, não uma questão de detalhe editorial a resolver em silêncio.

Formulação 1 — Doherty & Kurz (1996). Na sua revisão da Social Judgment Theory, Doherty e Kurz sintetizam a tradição de Hammond numa lista plana de onze propriedades, cada uma colocada em pé de igualdade com as restantes: número de pistas, medição das pistas, distribuição dos valores, redundância das pistas, decomponibilidade, grau de certeza, relação pistas–critério, ponderação das pistas, princípio organizador, apresentação das pistas e duração da decisão. É esta a versão mais citada como "as onze propriedades" na literatura subsequente (Dhami & Thomson, 2012, remetem diretamente para ela), e é a versão que a Secção 3 deste artigo opera. Mas a lista, por si só, não distingue duas coisas que podem divergir: se uma propriedade descreve a estrutura real da tarefa, ou apenas a forma como essa estrutura é apresentada a quem a julga.

Formulação 2 — Dunwoody, Haarbauer, Mahan, Marino & Tang (2000). Este estudo reformula a questão introduzindo uma distinção de dois níveis: propriedades de superfície (a representação das variáveis da tarefa disponível ao decisor — apresentação icónica ou numérica, simultânea ou sequencial, número de indicadores mostrados) e propriedades de profundidade (a estrutura efetiva da tarefa, independente de como é mostrada — a redundância real entre fontes de informação, a forma funcional real que liga pistas a critério, a fiabilidade real da medição). A distinção não é apenas conceptual: os autores manipularam superfície e profundidade independentemente, no mesmo problema subjacente, e mostraram que cada uma desloca o modo cognitivo por si só. Superfície e profundidade não são a mesma coisa, nem uma é redutível à outra.

Esta segunda formulação importa mais para AI-IoT do que importou para os julgadores humanos isolados em que foi originalmente testada. No laboratório de Dunwoody et al., superfície e profundidade eram variadas pelo experimentador para o mesmo juiz, perante a mesma tarefa subjacente. Em AI-IoT, a divergência entre superfície e profundidade não é uma manipulação experimental — é uma característica estrutural do desenho do sistema. A ecologia física fixa as propriedades de profundidade: a redundância real entre sensores, a forma funcional real que liga sinal a falha, a certeza real da relação. Mas a IA recebe uma representação dessa ecologia (densa, de alta dimensionalidade, frequentemente próxima da resolução bruta), e o supervisor humano recebe outra (um painel resumido, um score de risco, um alerta binário) — duas superfícies distintas sobre a mesma profundidade partilhada. É exatamente esta divergência estrutural que motiva a distinção de três níveis já adotada na Secção 3 — ecologia física, representação disponível à IA, representação disponível ao supervisor —, ainda que essa secção não tenha citado explicitamente a fonte teórica que a sustenta. É a formulação de Dunwoody et al., não a lista plana de Doherty & Kurz, que dá a essa arquitetura de três níveis uma base não arbitrária.

A tabela seguinte propõe uma classificação de superfície/profundidade para cada uma das onze propriedades de Doherty & Kurz — síntese original desta trilogia, não uma correspondência já estabelecida em nenhuma das duas fontes citadas, que tratam as suas listas separadamente.

A classificação "mista" do princípio organizador e da duração da decisão não é uma falha da tabela — é precisamente o tipo de caso que a distinção superfície/profundidade permite tornar visível, e que uma lista plana esconderia.

Fica por resolver, no entanto, uma segunda tensão — de polaridade, não de organização. A "relação pistas–critério" é a propriedade mais instável entre formulações. A tradição de Hammond, com raiz na aprendizagem de probabilidade multi-pista (multiple-cue probability learning), associa relações lineares ao polo intuitivo e relações não lineares ao polo analítico: judiciosamente estranho à primeira vista, mas empiricamente motivado — juízes humanos aprendem relações aditivas simples de forma implícita e rápida, por mera exposição repetida, ao passo que relações configuracionais ou não lineares (interações, limiares, não-monotonicidades) só são detetadas e aplicadas com fiabilidade através de estratégias analíticas explícitas. Uma tradição distinta, mais recente, oriunda da investigação sobre categorização e modelos duais — em torno da distinção entre estratégias de abstração de regras e estratégias baseadas em semelhança a exemplares (Juslin, Karlsson & Olsson, 2008; Juslin, Olsson & Olsson, 2003) — inverte esta polaridade: trata relações lineares como aptas a um modelo explícito e formal (logo, "analítico" no seu vocabulário), e relações não lineares como exigindo correspondência holística a casos memorizados (logo, "intuitivo"). A mesma propriedade, duas polaridades opostas.

A tensão não se resolve perguntando qual das duas tradições está "certa". Falam de processos distintos, ancorados em paradigmas experimentais distintos — a primeira, aprendizagem implícita e repetida de relações multi-pista ao longo de muitos ensaios; a segunda, categorização pontual e explícita de exemplares isolados. Importar a polaridade da segunda tradição para dentro da CCT não desambiguaria o vocabulário deste artigo — corromperia-o, ao fazer "intuitivo" e "analítico" significar coisas diferentes consoante a frase.

A decisão desta trilogia é, por isso, tripla. Primeiro: adota-se a lista de onze propriedades de Doherty & Kurz (1996), por nome, número e ordem, como vocabulário de trabalho — é a versão já citada como canónica na literatura subsequente, e a que a Secção 3 opera. Segundo: cada propriedade é interpretada através da distinção superfície/profundidade de Dunwoody et al. (2000) sempre que o domínio AI-IoT permita a sua divergência — o que licencia, retroativamente, a arquitetura de três níveis já introduzida na Secção 3. Terceiro: mantém-se a polaridade original de Hammond para a relação pistas–critério — linear induz intuição, não linear induz análise —, porque a CCT é a linhagem teórica herdada por esta trilogia, e a sua noção de "intuitivo" está ancorada no paradigma de aprendizagem multi-pista, não no de categorização por exemplares. É esta mesma polaridade, e esta mesma justificação, que a Secção 3 pressupõe ao mapear a propriedade para o domínio AI-IoT.

(Nota bibliográfica: Hammond, K. R. (1988). "Judgement and decision making in dynamic tasks." Information and Decision Technologies, 14(1), 3–14 [também circulado como ART Research Note 88-81, U.S. Army Research Institute for the Behavioral and Social Sciences] — é a fonte original da distinção superfície/profundidade e do Task Continuum Index, verificada diretamente contra duas fontes independentes. Doherty, M. E., & Kurz, E. M. (1996). "Social judgement theory." Thinking and Reasoning, 2, 109–140 — citação verificada diretamente, confirmando-a como a fonte da lista de onze propriedades já usada na bibliografia núcleo da trilogia. Dunwoody, P. T., Haarbauer, E., Mahan, R. P., Marino, C., & Tang, C.-C. (2000). "Cognitive adaptation and its consequences: A test of Cognitive Continuum Theory." Journal of Behavioral Decision Making, 13(1), 35–54 — é um teste empírico subsequente da distinção superfície/profundidade, já verificado diretamente contra múltiplas fontes académicas independentes; resolve o item de verificação pendente sobre curtose sinalizado anteriormente nesta trilogia. A tradição de abstração de regras vs. semelhança a exemplares que inverte a polaridade de Hammond para a relação pistas–critério está agora verificada diretamente: Juslin, P., Karlsson, L., & Olsson, H. (2008). "Information integration in multiple cue judgment: A division of labor hypothesis." Cognition, 106(1), 259–298 — confirmado contra múltiplas fontes académicas independentes concordantes; e Juslin, P., Olsson, H., & Olsson, A.-C. (2003). "Exemplar effects in categorization and multiple-cue judgment." Journal of Experimental Psychology: General, 132(1), 133–156 — igualmente confirmado. Hoffmann, J. A., von Helversen, B., & Rieskamp, J. (2013). "Deliberation's blindsight: How cognitive load can improve judgments." Psychological Science — título e DOI localizados diretamente, consistentes com o padrão de citação encontrado. Pachur & Olsson (2012), por vezes citado em conjunto com os anteriores, permanece não verificado — não foi possível confirmar o título completo nem a revista, e não é usado nesta nota. Nota de correção: uma verificação preliminar havia atribuído a Juslin, Karlsson & Olsson (2008) o título "The functional unit of judgment: A review of the exemplar-based view" — este título não corresponde a nenhuma fonte encontrada para esta citação e foi descartado; o título correto, confirmado, é o indicado acima. A classificação de cada propriedade como superfície, profundidade ou mista é síntese original desta trilogia, não uma correspondência preexistente em nenhuma das fontes citadas.)