4. O Task Continuum Index Adaptado a AI-IoT

A Secção 1 introduziu o Task Continuum Index como o instrumento-parceiro do lado da tarefa, emparelhado com o Cognitive Continuum Index do lado do juiz. A Secção 3 já produziu a matéria-prima para o operacionalizar: a "ficha de tarefa" da sua Regra de Aplicação exige, para cada uma das onze propriedades, uma classificação provisória — polo intuitivo, analítico ou misto — registada separadamente para cada uma das três perspetivas (ecologia física, representação da IA, representação do supervisor). O que falta é fechar o ciclo: transformar essa classificação qualitativa, propriedade a propriedade, num número que localize a tarefa — ou, mais precisamente, cada uma das suas três representações — no continuum.

Convém ser direto sobre o que este número pode e não pode ser. O TCI original de Hammond (1988) não foi derivado de uma fórmula algébrica aplicável a qualquer tarefa; foi construído experimentalmente, ordenando nove condições de exibição cujas propriedades tinham sido manipuladas pelo próprio investigador. Não existe, na literatura, uma fórmula validada e pronta a importar para AI-IoT. O índice proposto nesta secção é, por isso, uma construção original desta trilogia — um dispositivo heurístico de agregação, explícito e auditável, não a recuperação de um instrumento psicológico já validado. Isto está em linha direta com o aviso já feito na Secção 3, a propósito de Dhami e Thomson (2012): a CCT não especifica quanto cada propriedade desloca o modo cognitivo. O índice que se segue não resolve essa indeterminação — torna-a explícita e gerível.

A fórmula. Para cada propriedade $i \in \{1, \ldots, 11\}$ e cada nível $\ell \in \{\text{eco}, \text{IA}, \text{sup}\}$, a ficha de tarefa da Secção 3 atribui uma classificação provisória. Codifica-se essa classificação como:

$$s_i(\ell) = \begin{cases} -1 & \text{polo intuitivo} \\ 0 & \text{misto ou insuficientemente classificável} \\ +1 & \text{polo analítico} \end{cases}$$

Esta escala de pontuação é deliberadamente simples — três valores, não cinco ou nove —, não por falta de sofisticação, mas para não fingir uma precisão quantitativa que a classificação qualitativa subjacente não sustenta. Uma escala mais granular (por exemplo, $-2$ a $+2$, distinguindo intensidade "forte" de "fraca" dentro de cada polo) seria uma extensão natural, sujeita a justificação empírica futura, mas introduziria, nesta fase conceptual, exatamente a falsa precisão que a Secção 3 já advertiu não ser sustentável.

O Task Continuum Index de um nível é a média das onze pontuações:

$$TCI_\ell = \frac{1}{11} \sum_{i=1}^{11} s_i(\ell)$$

limitado ao intervalo $[-1, +1]$: $TCI_\ell \to -1$ indica uma tarefa fortemente indutora de intuição naquele nível; $TCI_\ell \to +1$, fortemente indutora de análise; $TCI_\ell$ próximo de $0$, quasirracionalidade — mas com uma ressalva importante, tratada a seguir.

A ressalva da confiança. Um $TCI_\ell$ próximo de zero é ambíguo por construção: pode significar que a tarefa é genuinamente quasirracional, com propriedades a apontar de forma robusta e equilibrada em direções opostas; ou pode significar, de forma bem menos interessante, que muitas propriedades foram classificadas como "mista" por falta de evidência suficiente para decidir. Estes dois cenários não devem ser confundidos, e reportar apenas $TCI_\ell$ os esconde. Por isso, o índice deve ser sempre acompanhado de:

$$n_{\text{misto}}(\ell) = \#\{i : s_i(\ell) = 0\}$$

Uma tarefa com $TCI_\ell \approx 0$ e $n_{\text{misto}}(\ell) = 0$ é quasirracional com confiança; uma tarefa com $TCI_\ell \approx 0$ e $n_{\text{misto}}(\ell) = 8$ está, na prática, por classificar. O índice sem esta segunda métrica convida a uma precisão que a classificação subjacente não sustenta.

A divergência entre níveis. A verdadeira contribuição original desta secção não é $TCI_\ell$ isoladamente — é a possibilidade de o calcular separadamente para os três níveis e comparar. Define-se:

$$\Delta TCI(\ell_1, \ell_2) = TCI_{\ell_1} - TCI_{\ell_2}$$

O caso de maior interesse para esta trilogia é $\Delta TCI_{\text{IA-sup}} = TCI_{\text{IA}} - TCI_{\text{sup}}$: a diferença entre a posição no continuum da tarefa tal como representada à política algorítmica, e a posição da mesma tarefa tal como representada ao supervisor humano. Um $\Delta TCI_{\text{IA-sup}}$ próximo de zero sugere que IA e supervisor enfrentam, estruturalmente, tarefas semelhantes no continuum, ainda que através de pistas diferentes. Um $\Delta TCI_{\text{IA-sup}}$ elevado sinaliza algo mais interessante e mais arriscado: que a mesma ecologia física está a induzir modos de cognição estruturalmente distintos consoante quem a observa — a IA a operar sobre uma tarefa que a sua representação torna analítica, o supervisor a operar, nominalmente sobre "o mesmo problema", mas sobre uma representação que o torna intuitivo, ou vice-versa.

Retomando os dois exemplos do Argus já descritos na Secção 3: a deteção de anomalia térmica, tal como aí caracterizada — poucos sensores calibrados, tendência estável, limiares de engenharia conhecidos, relação compreensível, tempo para confirmar — tenderia a um $TCI_{\text{eco}}$ e um $TCI_{\text{IA}}$ próximos do polo analítico, com a maioria das onze propriedades a apontar nessa direção. Se a interface do supervisor preservar esse contexto — tendências, limiares, margem de confirmação —, $TCI_{\text{sup}}$ acompanha-os, e $\Delta TCI_{\text{IA-sup}}$ permanece baixo. Mas se o mesmo sistema reduzir essa tarefa, na interface humana, a um único alerta binário sem tendência nem contexto, $TCI_{\text{sup}}$ pode deslocar-se para perto do polo intuitivo — não porque a tarefa ecológica tenha mudado, mas porque a representação disponível ao supervisor mudou drasticamente a sua posição no continuum. O $\Delta TCI_{\text{IA-sup}}$ resultante, elevado, é exatamente o tipo de assinatura que este índice foi desenhado para tornar visível.

A previsão de falha de rolamento a partir de vibração — o segundo exemplo da Secção 3 — ilustra o caso oposto, mais difícil. Ali, a ecologia e a representação algorítmica são já estruturalmente complexas e pouco decomponíveis: $TCI_{\text{eco}}$ e $TCI_{\text{IA}}$ tendem para perto de zero, mas com $n_{\text{misto}}$ baixo — quasirracionalidade genuína, não falta de classificação. Resumir essa tarefa a um score único não produz, neste caso, uma divergência artificial entre níveis: $TCI_{\text{sup}}$ pode manter-se igualmente próximo de zero, porque a tarefa já era, na sua estrutura, resistente a decomposição — apenas se torna opaca, o que é uma falha diferente (de princípio organizador e de apresentação), não necessariamente uma falha capturada por $\Delta TCI$.

Esta assimetria entre os dois exemplos é deliberadamente destacada nesta secção: $\Delta TCI_{\text{IA-sup}}$ deteta um tipo específico de risco — deslocação estrutural do modo induzido entre níveis — e não deteta intencionalmente outros riscos igualmente reais, como a opacidade de um princípio organizador que existe na profundidade sem chegar à superfície. Esta limitação não é um defeito a corrigir — é uma fronteira de aplicação a respeitar. Os dois casos "mistos" já identificados na tabela da Secção 2 — princípio organizador e duração da decisão — são precisamente onde essa fronteira é mais provável de se manifestar.

O que este índice não faz. Repete-se aqui, porque é fácil de esquecer perante um número: $TCI_\ell$ e $\Delta TCI$ são medidas estruturais da tarefa tal como classificada — não demonstram que a IA, o supervisor, ou o sistema híbrido respondem de facto no modo que a tarefa induz. Um $\Delta TCI_{\text{IA-sup}}$ elevado é um sinal de alerta a investigar, não um diagnóstico de falha; a política algorítmica pode estar bem ajustada à sua própria tarefa (analítica) e o supervisor pode estar igualmente bem ajustado à sua (intuitiva), sem que isso implique qualquer problema — ou pode não estar, e é precisamente essa correspondência entre modo induzido e modo efetivamente executado que o Artigo 5 auditará através de $G$, $R_s$, dos pesos de pistas $\hat{w}_{Z_{IA}}$ e da relação entre pistas e critério. Este índice localiza a pergunta; não a responde.

Duas contribuições, declaradas como tal. Esta secção propõe duas extensões originais ao aparato de Hammond (1988): primeiro, a decomposição de um único TCI num $TCI_\ell$ por nível, necessária porque cadeias ciber-físicas — ao contrário do juiz humano isolado que a CCT clássica pressupõe — colocam mais do que um decisor perante representações potencialmente distintas da mesma ecologia; segundo, $\Delta TCI$ como medida explícita dessa divergência, que transforma a distinção superfície/profundidade da Secção 2 de uma observação qualitativa num número que os Artigos 4 e 5 podem usar como input.

(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] — citação verificada diretamente contra duas fontes independentes; identificada aqui como a origem do Task Continuum Index, do Cognitive Continuum Index e da distinção superfície/profundidade, anterior e mais fundacional do que Dunwoody et al. (2000), que a testa empiricamente doze anos depois. A nota bibliográfica da Secção 2 foi corrigida em conformidade. Nota de desambiguação: a entrada "Hamm (1989)" já presente na bibliografia núcleo da trilogia refere-se a Robert M. Hamm, coautor de Hammond, Hamm, Grassia & Pearson (1987) — pessoa distinta de Kenneth R. Hammond, autor do presente artigo de 1988; as duas citações não devem ser fundidas. A fórmula de $TCI_\ell$, a métrica $n_{\text{misto}}$ e a definição de $\Delta TCI$ são construções originais desta trilogia, sem correspondência direta em Hammond (1988) ou em qualquer fonte citada — o artigo original não propõe uma fórmula algébrica generalizável.)