Capítulo 5 – Um projeto para máquina falível - Livro: Human Error - James Reason
Resumo do livro de James Reason, Human Error
Um projeto para uma máquina falível (A design for a fallible machine)
Este capítulo vem esboçar uma resposta para a seguinte pergunta: "Que tipo de dispositivo que trabalha baseado em informações poderia operar corretamente na maioria das vezes, mas também produzir respostas ocasionalmente erradas como no comportamento humano? A idéia é "fazer coisas que são feitas pela mente humana" (Boden, 1987, p. 48). De acordo com Bolden (1987, p. 48), há duas vantagens nesta tentativa:
"First, it enables one to express richly structured psychological theories in a rigorous fashion (for everything in the program has to be precisely specified, an all its operation have to be made explicity); and secondly, it forces one to suggest specific hypotheses about precisely how a psychological change can come about."
-> Componentes estruturais da "máquina"
A máquina possui dois componentes principais: working memory (WM) e knowledge base (KB). A primeira é subdividida também em duas partes: focal (FWM) e periférica (PWM). Se imaginarmos dois círculos, um sendo a FWM e o outro sendo a PWM, o primeiro estaria circunscrito no segundo. Como entrada e saída de informações, são necessários alguns sensores e atuadores, estes são definidos aqui, respectivamente, como input function (IF) e output function (OF). O primeiro alimenta a PWM e a KB, o segundo é uma combinação de efeitos oriundos de KB, havendo uma realimentação destes como IF da máquina.
-> Funções de cada parte da máquina
- FWM
Recebe informações constantemente da KB e do IF.
- PWM
Sua função primária é gerenciar o acesso das informações à FWM. Têm suas informações de entradas vindas diretamente da KB e do IF, segura tais informações brevemente enquanto realiza uma seleção daquela pequena porção que irá alcançar a FWM. Qual informação deve acessar a FWM e qual não deve é realizado de acordo com uma variedade de prioridades.
- Knownledge base (KB)
Repositório de unidade de conhecimento. Ilimitado em capacidade e tempo no qual o conhecimento fica armazenado. Contudo, não é considerado uma biblioteca, mas um conjunto de pistas. Como nossa memória, essas pistas podem aumentar na forma de informações mais elaboradas, à medida que são usadas pela WM.
-> Mecanismos de recuperação
A máquina possui alguns mecanismos para recuperar a informação existente na KB para a FWM. Dois deles: similarity-matching e frequency-gambling, ambos constituem as premissas computacionais do sistema. O terceiro mecanismo chama-se directed serch (ou serial search), oriundo do sofisticado processo da FWM.
- Similarity-matching
Para evitar extensas buscas dentro da KB, este mecanismo tenta encontrar recentes e similares ocorrências (OF) da FWM. Caso nada seja encontrado, buscas mais profundas são realizadas.
- Frequency-gambling
Em algumas situações, encontrar a ocorrência que seja similar ao requisitado não é suficiente, uma grande quantidade de respostas pode ser obtida da KB. Nesses casos, uma grande quantidade de possíveis candidatos pode ser encontrada na PWM, partindo então para a busca através do mecanismo de frequency-gambling. Entre os candidatos, aquele que já foi empregado com maior freqüência será o escolhido.
- Directed search
FWM não tem acesso direto à KB, somente aos resultados de suas buscas. O que a FWM pode fazer é recusar algum resultado de frequency-gambling oferecido pela última. Sendo assim, se um resultado não é satisfatório para a FWM, esta pode reiniciar a busca com algumas alterações em suas informações de filtro.
-> Analisando um processo
Analisando a máquina falível em um processo, a seguinte seqüência de fatos pode ser cogitada:
O problema é encaminhado, através das IF, para a KB e WM. Em um primeiro passo, a KB entrega uma seqüência de resultado através da similarity-matching e frequency-gambling para a WM. Um resultado é avaliado por esta última e considerado inadequado, o problema é analisado novamente e novas pistas são enviadas à KB. Após uma busca mais profunda, um novo grupo de resultados é entregue à WM. Novamente, esta pode considerá-lo inadequado, reformulando novas pistas enviando-as para a KB. Nova busca, desta vez ainda mais profunda, é realizada e novos resultados são novamente entregues. A WM os considera adequados e uma solução é apresentada.
Na tentativa de modelar os fundamentos da cognição humana, duas questões importantes precisam ser abordadas: (a) as propriedades da KB e seus modos de representação e (b) um conjunto de regras, ou heurísticas, para selecionar qual estrutura de conhecimento armazenada será ativada em certa situação. Segundo o autor, esse mecanismo de “response-selecting” descrito acima não somente provê o modelo de gerenciamento de informações do ser humano, como também cria e define formas de reconhecimento do erro humano.
Em um mundo real, cada problema teria uma única solução, contudo, a realidade está muito longe disto: (a) a busca para solucionar problemas pode resultar em várias respostas ou em nenhuma, (b) as estruturas de conhecimento podem estar incompletas, erradas ou perdidas entre elas. Essas premissas são formas de apresentar uma preocupação na tentativa de modelar a cognição humana.
-> Modelando resultados sobre conhecimentos incompletos
Nesta parte o autor apresenta dois exemplos, para efeito de ilustração das idéias até então apresentadas, resumirei apenas um deles: reconhecimento a partir de pistas limitadas.
Foi realizada uma simulação (implementada em Prolog, por Philip Marsden) sobre os meios pelos quais pessoas com conhecimento variado sobre os presidentes dos Estados Unidos respondem à tarefa de identificar, entre 20 nomes, aquele que corresponde a uma (ou até três) determinada pista selecionada de fatos biográficos da vida deste.
Para este modelo, uma KB normativa foi preenchida com um específico número de fatos verdadeiros sobre cada presidente. Após esse passo, uma KB descritiva é criada como uma versão incompleta da KB normativa, com o objetivo de modelar a cognição humana. Como já comentado, após algumas buscas, os dados armazenados na KB vão sendo alimentados com novas informações e tornando-se mais completos, ou seja, após várias execuções a KB descritiva torna-se muito parecida com a KB normativa.
WM não tem acesso direto à KB descritiva (DKB). Suas interações ocorrem através dos processos: similarity-matching e frequency-gambling. A busca é acionada pela WM através da apresentação de uma séria de pistas e termina com a aceitação do produto da busca por parte da mesma WM.
A partir do momento que um candidato veio como resposta para a WM, um processo comparativo é iniciado acumulando, assim, duas informações: (a) evidências de confirmação de similaridades entre o pedido de busca e o resultado, (b) evidência de contradições entre as mesmas entidades.Em uma fase seguinte de decisão, um certo peso é dado para as evidências e é definido a estratégia mais apropriada para este problema em particular.
Através de uma pesquisa realizada com estudantes dos Estados Unidos e da Inglaterra, dois grupos foram divididos de acordo com seu conhecimento dos presidentes dos Estados Unidos. O resultado das simulações e da pesquisa com os jovens resultou em uma relação entre os resultados de 0,85 para um grupo e 0,87 para o outro.
Referências:
REASON, James. Human Error. Cambridge: Cambridge University Press, 1990. 302 p.
Um projeto para uma máquina falível (A design for a fallible machine)
Este capítulo vem esboçar uma resposta para a seguinte pergunta: "Que tipo de dispositivo que trabalha baseado em informações poderia operar corretamente na maioria das vezes, mas também produzir respostas ocasionalmente erradas como no comportamento humano? A idéia é "fazer coisas que são feitas pela mente humana" (Boden, 1987, p. 48). De acordo com Bolden (1987, p. 48), há duas vantagens nesta tentativa:
"First, it enables one to express richly structured psychological theories in a rigorous fashion (for everything in the program has to be precisely specified, an all its operation have to be made explicity); and secondly, it forces one to suggest specific hypotheses about precisely how a psychological change can come about."
-> Componentes estruturais da "máquina"
A máquina possui dois componentes principais: working memory (WM) e knowledge base (KB). A primeira é subdividida também em duas partes: focal (FWM) e periférica (PWM). Se imaginarmos dois círculos, um sendo a FWM e o outro sendo a PWM, o primeiro estaria circunscrito no segundo. Como entrada e saída de informações, são necessários alguns sensores e atuadores, estes são definidos aqui, respectivamente, como input function (IF) e output function (OF). O primeiro alimenta a PWM e a KB, o segundo é uma combinação de efeitos oriundos de KB, havendo uma realimentação destes como IF da máquina.
-> Funções de cada parte da máquina
- FWM
Recebe informações constantemente da KB e do IF.
- PWM
Sua função primária é gerenciar o acesso das informações à FWM. Têm suas informações de entradas vindas diretamente da KB e do IF, segura tais informações brevemente enquanto realiza uma seleção daquela pequena porção que irá alcançar a FWM. Qual informação deve acessar a FWM e qual não deve é realizado de acordo com uma variedade de prioridades.
- Knownledge base (KB)
Repositório de unidade de conhecimento. Ilimitado em capacidade e tempo no qual o conhecimento fica armazenado. Contudo, não é considerado uma biblioteca, mas um conjunto de pistas. Como nossa memória, essas pistas podem aumentar na forma de informações mais elaboradas, à medida que são usadas pela WM.
-> Mecanismos de recuperação
A máquina possui alguns mecanismos para recuperar a informação existente na KB para a FWM. Dois deles: similarity-matching e frequency-gambling, ambos constituem as premissas computacionais do sistema. O terceiro mecanismo chama-se directed serch (ou serial search), oriundo do sofisticado processo da FWM.
- Similarity-matching
Para evitar extensas buscas dentro da KB, este mecanismo tenta encontrar recentes e similares ocorrências (OF) da FWM. Caso nada seja encontrado, buscas mais profundas são realizadas.
- Frequency-gambling
Em algumas situações, encontrar a ocorrência que seja similar ao requisitado não é suficiente, uma grande quantidade de respostas pode ser obtida da KB. Nesses casos, uma grande quantidade de possíveis candidatos pode ser encontrada na PWM, partindo então para a busca através do mecanismo de frequency-gambling. Entre os candidatos, aquele que já foi empregado com maior freqüência será o escolhido.
- Directed search
FWM não tem acesso direto à KB, somente aos resultados de suas buscas. O que a FWM pode fazer é recusar algum resultado de frequency-gambling oferecido pela última. Sendo assim, se um resultado não é satisfatório para a FWM, esta pode reiniciar a busca com algumas alterações em suas informações de filtro.
-> Analisando um processo
Analisando a máquina falível em um processo, a seguinte seqüência de fatos pode ser cogitada:
O problema é encaminhado, através das IF, para a KB e WM. Em um primeiro passo, a KB entrega uma seqüência de resultado através da similarity-matching e frequency-gambling para a WM. Um resultado é avaliado por esta última e considerado inadequado, o problema é analisado novamente e novas pistas são enviadas à KB. Após uma busca mais profunda, um novo grupo de resultados é entregue à WM. Novamente, esta pode considerá-lo inadequado, reformulando novas pistas enviando-as para a KB. Nova busca, desta vez ainda mais profunda, é realizada e novos resultados são novamente entregues. A WM os considera adequados e uma solução é apresentada.
Na tentativa de modelar os fundamentos da cognição humana, duas questões importantes precisam ser abordadas: (a) as propriedades da KB e seus modos de representação e (b) um conjunto de regras, ou heurísticas, para selecionar qual estrutura de conhecimento armazenada será ativada em certa situação. Segundo o autor, esse mecanismo de “response-selecting” descrito acima não somente provê o modelo de gerenciamento de informações do ser humano, como também cria e define formas de reconhecimento do erro humano.
Em um mundo real, cada problema teria uma única solução, contudo, a realidade está muito longe disto: (a) a busca para solucionar problemas pode resultar em várias respostas ou em nenhuma, (b) as estruturas de conhecimento podem estar incompletas, erradas ou perdidas entre elas. Essas premissas são formas de apresentar uma preocupação na tentativa de modelar a cognição humana.
-> Modelando resultados sobre conhecimentos incompletos
Nesta parte o autor apresenta dois exemplos, para efeito de ilustração das idéias até então apresentadas, resumirei apenas um deles: reconhecimento a partir de pistas limitadas.
Foi realizada uma simulação (implementada em Prolog, por Philip Marsden) sobre os meios pelos quais pessoas com conhecimento variado sobre os presidentes dos Estados Unidos respondem à tarefa de identificar, entre 20 nomes, aquele que corresponde a uma (ou até três) determinada pista selecionada de fatos biográficos da vida deste.
Para este modelo, uma KB normativa foi preenchida com um específico número de fatos verdadeiros sobre cada presidente. Após esse passo, uma KB descritiva é criada como uma versão incompleta da KB normativa, com o objetivo de modelar a cognição humana. Como já comentado, após algumas buscas, os dados armazenados na KB vão sendo alimentados com novas informações e tornando-se mais completos, ou seja, após várias execuções a KB descritiva torna-se muito parecida com a KB normativa.
WM não tem acesso direto à KB descritiva (DKB). Suas interações ocorrem através dos processos: similarity-matching e frequency-gambling. A busca é acionada pela WM através da apresentação de uma séria de pistas e termina com a aceitação do produto da busca por parte da mesma WM.
A partir do momento que um candidato veio como resposta para a WM, um processo comparativo é iniciado acumulando, assim, duas informações: (a) evidências de confirmação de similaridades entre o pedido de busca e o resultado, (b) evidência de contradições entre as mesmas entidades.Em uma fase seguinte de decisão, um certo peso é dado para as evidências e é definido a estratégia mais apropriada para este problema em particular.
Através de uma pesquisa realizada com estudantes dos Estados Unidos e da Inglaterra, dois grupos foram divididos de acordo com seu conhecimento dos presidentes dos Estados Unidos. O resultado das simulações e da pesquisa com os jovens resultou em uma relação entre os resultados de 0,85 para um grupo e 0,87 para o outro.
Referências:
REASON, James. Human Error. Cambridge: Cambridge University Press, 1990. 302 p.
posted by Anônimo at
10:47 PM
0 Comments:
Postar um comentário
<< Home