Modelando brainstorming com sistemas quadro-negro

• Autor(a) principal: Salhani, Jorge Augusto Salgado
• Data de Publicação: 2021
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://www.teses.usp.br/teses/disponiveis/76/76131/tde-09092021-115733/
• topic: Agent-based model; Blackboard systems; Collective intelligence; Cooperative models; Information overload; Inteligência coletiva; Modelo baseado em agentes; Modelos cooperativos; Sistemas quadro-negro; Sobrecarga de informação

Os sistemas quadro-negro são modelos computacionais de trabalho em grupo que incorporam a noção popular de brainstorming, na qual especialistas (agentes) escrevem ideias promissoras (dicas) para resolver um dado problema em um quadro negro central ao qual todos os membros do grupo têm acesso. Usaremos esse ambiente cooperativo para resolver problemas discretos de satisfação de restrições muito simples, as charadas cripto-aritméticas. Uma charada cripto-aritmética é uma operação algébrica (adição, por exemplo) em que os dígitos dos números são representados por letras, de modo que cada letra represente um dígito único, e o objetivo é encontrar a correspondência dígito-letra que torna a operação soma válida pelas regras da aritmética. As dicas exibidas no quadro-negro são correspondências parciais dígito-letra que tornam a soma módulo 10 dos dígitos das colunas individuais correta. Os resultados mostram que o sistema quadro-negro sempre é mais eficiente do que a busca cega, onde os agentes geram atribuições dígito-letra aleatórias até encontrarem a solução da charada. Como no caso de um único agente o quadro-negro pode ser usado como uma memória externa para armazenar as dicas descobertas, podemos usar os sistemas quadro-negro para estudar as vantagens da cooperação, ou seja, de formar equipes com dois ou mais agentes. Encontramos que a vantagem da cooperação é maior quando as charadas são desafiadoras (têm mais letras distintas e menos soluções) ou quando o tamanho do quadro é muito restrito, o que limita o seu uso como memória externa dos agentes. Entretanto, mostramos que o aumento da equipe não resulta necessariamente em melhora de desempenho, o que aponta a existência de um tamanho de grupo que otimiza o desempenho do sistema quadro-negro. Um resultado contraintuitivo de nosso modelo é a melhora do desempenho da equipe para quadros limitados, que não tem capacidade de exibir todas as dicas possíveis, evidenciando nesse contexto restrito a questão da sobrecarga de informação que afeta a resolução de problemas no mundo real.