0. Preliminares Técnicos

Antes de qualquer argumento sobre auditoria, importa fixar com exatidão o que a Lens Model Equation diz — porque o erro mais fácil de cometer, e o mais rapidamente identificável por qualquer leitor com formação em julgamento e decisão, é começar por descrevê-la mal.

Na formulação clássica de Tucker (1964), o achievement — a correlação entre o julgamento do juiz e o critério distal, $r_a$ — decompõe-se como:

$$r_a = G \cdot R_e \cdot R_s + C\sqrt{1-R_e^2}\sqrt{1-R_s^2}$$

onde:

• $R_e$ — previsibilidade do ambiente: a correlação múltipla entre o conjunto de pistas disponíveis e o critério distal real.
• $R_s$ — consistência do juiz: a correlação múltipla entre as pistas e o julgamento efetivamente produzido, perante configurações equivalentes.
• $G$ — matching: a correspondência linear entre os pesos que o juiz atribui a cada pista e os pesos ecologicamente válidos dessas mesmas pistas no ambiente real. É este o componente que sustenta a pretensão normativa central de qualquer auditoria construída sobre a LME — que é possível detetar quando um juiz, humano ou algorítmico, está a usar as pistas erradas, ou a pesá-las de forma desalinhada com a sua validade real.
• $C$ — correlação residual: a covariação entre os resíduos dos dois modelos lineares (o do ambiente e o do juiz) que não é capturada pela componente $G \cdot R_e \cdot R_s$ — em geral interpretada como conhecimento não-linear ou configural, não modelado pela regressão.

A distinção entre $G$ e $C$ não é uma questão de preferência notacional. $G$ mede se o juiz usa as pistas certas, com os pesos certos, de forma linear; $C$ mede tudo o resto — o que sobra depois de retirar essa correspondência linear. Confundir os dois — atribuir a $C$ o significado que pertence a $G$, ou vice-versa — não é um lapso menor: é inverter exatamente o mecanismo que a auditoria pretende expor. Um instrumento de auditoria cuja descrição da sua própria mecânica interna está incorreta não inspira confiança como padrão de avaliação de terceiros, independentemente do rigor do argumento que se lhe segue.

Importa igualmente uma segunda precisão, mais conceptual do que notacional: a LME é uma identidade algébrica sobre correlações, não uma decomposição de fontes de erro independentes que se somam causalmente. Tratar $R_e$, $R_s$, $G$ e $C$ como se fossem quatro causas distintas de falha, cada uma isolável e corrigível em separado, é já uma reificação do aparelho formal — a equação descreve como a correlação global se relaciona algebricamente com estes quatro termos, não como cada termo causa uma fração do erro observado. Esta distinção entre descrição algébrica e explicação causal atravessa muitas das objeções que este artigo confronta mais adiante, e é mais fácil de manter presente se for declarada aqui, antes de qualquer aplicação da equação a um caso concreto, do que relembrada a meio de um argumento já em curso.

(Nota bibliográfica: a revisão sistemática de algorithm aversion mais citada nesta literatura é Burton, Stein & Jensen — a versão correta da citação é 2020, Journal of Behavioral Decision Making, 33(2), 220–239; o artigo teve publicação online-first em outubro de 2019, o que explica a confusão de ano que por vezes aparece noutras fontes.)