FUNDAO GETULIO VARGAS ESCOLA BRASILEIRA DE ADMINISTRAO PBLICA E DE EMPRESAS CENTRO DE FORMAO ACADMICA E PESQUISA CURSO DE DOUTORADO EM ADMINISTRAO

COMO TOMADORES DE DECISO EXPERTS PERCEBEM CENRIOS COMPLEXOS?

TESE APRESENTADA ESCOLA BRASILEIRA DE ADMINISTRAO PBLICA E DE EMPRESAS PARA OBTENO DO GRAU DE DOUTOR

ANNA ELIZABETH TAVARES DE ARAJO FREITAS

Rio de Janeiro - 2009

FUNDAO GETULIO VARGAS ESCOLA BRASILEIRA DE ADMINISTRAO PBLICA E DE EMPRESAS CENTRO DE FORMAO ACADMICA E PESQUISA DOUTORADO EM ADMINISTRAO

COMO TOMADORES DE DECISO EXPERTS PERCEBEM CENRIOS COMPLEXOS?

Tese de doutorado apresentada ao Programa de Ps-graduao em Administrao da Escola Brasileira de Administrao Pblica e de Empresas EBAPE da Fundao Getulio Vargas FGV para a obteno do grau de Doutor em Administrao.

Anna Elizabeth Tavares de Arajo Freitas

Rio de Janeiro, maio de 2009

ORIENTADOR: Prof. Dr. Alexandre Linhares

FUNDAO GETULIO VARGAS ESCOLA BRASILEIRA DE ADMINISTRAO PBLICA E DE EMPRESAS CENTRO DE FORMAO ACADMICA E PESQUISA DOUTORADO EM ADMINISTRAO

COMO TOMADORES DE DECISO EXPERTS PERCEBEM CENRIOS COMPLEXOS?

TESE DE DOUTORADO APRESENTADA POR: ANNA ELIZABETH TAVARES DE ARAJO FREITAS
E APROVADA EM __/__/__ PELA COMISSO EXAMINADORA

___________________________________________ PROF. DR. ALEXANDRE LINHARES

EBAPE - FGV

___________________________________________ PROF. DR. JOAQUIM RUBENS FONTES FILHO

EBAPE-FGV

___________________________________________ PROF. DR. DELANE BOTELHO

EBAPE-FGV

___________________________________________ PROF. DR. ALEXANDRE MENDES

THE UNIVERSITY OF NEWCASTLE - AUSTRALIA

___________________________________________ PROF. DR. GERSON LACHTERMACHER

FEA - UFRJ

___________________________________________ PROF. DR. CHRISTIAN NUNES ARANHA

PUC-RIO

Aos meus pais.

AGRADECIMENTOS

Gostaria de agradecer a vrias pessoas que direta ou indiretamente me inspiraram, orientaram, me assistiram e tornaram possvel meu estudo doutoral. Em especial, meus maiores agradecimentos so dirigidos ao prof. Dr. Alexandre Linhares, meu orientador, que me mostrou a relevncia da pesquisa e sua base cientfica. Seu entusiasmo contagiante pelas cincias, me incentivou, proporcionando desafios e estmulos intelectuais, que resultaram nesta Tese de Doutorado, e iro influenciar positivamente toda minha carreira. Agradeo aos professores Prof. Dr. Joaquim Rubens Filho, Prof. Dr. Delane Botelho, Prof. Dr. Alexandre Mendes, Prof. Dr. Gerson Lachtermacher e Prof. Dr. Christian Aranha, membros da minha banca, por suas sugestes, crticas construtivas, e comentrios que ajudaram a construir a verso final deste trabalho. Gostaria tambm de agradecer ao Prof. Dr. Eduardo Marques e a Profa. Dra. Maria Augusta, por participarem do meu exame de qualificao, por suas valiosas sugestes. Agradeo tambm, a todos os docentes, colegas de doutorado e funcionrios da EBAPE, com os quais convivi e recebi inestimvel apoio ao longo desta trajetria; ao Prof. Dr. Alexandre Mendes, por sua valiosa contribuio na anlise de dados com a utilizao de data mining. Ao grandmaster Rafael Leito pela imensa gentileza em contribuir com suas anlises, e aos muitos enxadristas que, de forma dedicada, ofereceram-se para participar dos diversos experimentos de reconstruo, proporcionando elementos que foram essenciais para a construo deste trabalho. Agradeo aos meus pais, aos meus irmos Tony, Xande e Beto, pois me ensinaram que crescemos e reforamos a unio ao manter a autenticidade em divergir, questionar e debater. Finalmente, agradeo pelo amor inequvoco que eles sempre, de forma irrestrita, me ofereceram.

6 RESUMO

Nesta tese, apontamos uma crtica pesquisa bsica de Chase e Simon (1973), e buscamos novos resultados ao analisar os erros de enxadristas experts e novatos em experimentos de reproduo de posies de xadrez. Enxadristas, com diferentes nveis de expertise, participaram do estudo. Os resultados foram submetidos a anlises qualitativas com um grandemestre brasileiro, e as anlises quantitativas foram realizadas com o uso de mtodos estatsticos tradicionais e mtodos de data mining. Os resultados alteram de forma significativa as teorias correntes de expertise, memria e tomada de deciso nesta rea, pois a teoria atual prev uma codificao via peas em quadrados, com jogadores conseguindo registrar a situao estratgica reproduzindo-a fielmente, mas cometendo vrios erros do tipo que a teoria no prev. A teoria atual no pode explicar completamente a codificao utilizada pelos jogadores para registrar um tabuleiro. Os erros de jogadores intermedirios conseguem preservar fragmentos da situao estratgica, ainda que tenham cometido uma srie de erros na reconstruo das posies. A codificao de chunks, portanto, inclui mais informaes do que o que previsto pelas teorias correntes. Atualmente, a literatura de percepo, julgamento e deciso fortemente concentrada na idia de reconhecimento de padres. Baseados nos resultados desta pesquisa, buscamos explorar uma mudana de perspectiva. A idia de reconhecimento de padres pressupe que o processamento de informao relevante sobre padres (ou dados) que existem independentemente de qualquer interpretao. Propomos que a tese sugere a viso da tomada de decises via o reconhecimento de experincias.

PALAVRAS-CHAVE: percepo, xadrez, reconhecimento de experincias, administrao

7 ABSTRACT

In this thesis, the basic research of Chase and Simon (1973) is questioned, and we seek new results by analyzing the errors of experts and beginners chess players in experiments to reproduce chess positions. Chess players with different levels of expertise participated in the study. The results were analyzed by a Brazilian grandmaster, and quantitative analysis was performed with the use of statistical methods data mining. The results challenge significantly, the current theories of expertise, memory and decision making in this area, because the present theory predicts piece on square encoding, in which players can recognize the strategic situation reproducing it faithfully, but commit several errors that the theory cant explain. The current theory cant fully explain the encoding used by players to register a board. The errors of intermediary players preserved fragments of the strategic situation, although they have committed a series of errors in the reconstruction of the positions. The encoding of chunks therefore includes more information than that predicted by current theories. Currently, research on perception, trial and decision is heavily concentrated on the idea of "pattern recognition". Based on the results of this research, we explore a change of perspective. The idea of "pattern recognition" presupposes that the processing of relevant information is on "patterns" (or data) that exist independently of any interpretation. We propose that the theory suggests the vision of decision-making via the recognition of experience.

KEYWORDS: perception, chess, experience recognition, management

8 SUMRIO 1. CELEBRANDO A INTUIO ................................................................................. 12 1.1 O julgamento rpido uma habilidade crucial na tomada de decises........... 13 1.2 Um estudo na rea de julgamento e tomada de decises .................................... 17 1.2.1 Nem todas as alternativas so explorveis....................................................... 19 1.2.2 A percepo de uma situao molda as opes consideradas no processo decisrio.................................................................................................................... 22 1.3 Sumrio.................................................................................................................. 24 2. PERCEPO E TOMADA DE DECISES: UMA CRTICA TEORIA DE CHUNKING .................................................................................................................... 26 2.1 Isolando as questes cientficas............................................................................ 26 2.2 Chase e Simon (1973), parte (i): o experimento de recall.................................. 29 2.3 Chase e Simon (1973), parte (ii): o experimento de recall................................. 31 2.4 Sumrio.................................................................................................................. 35 3. EXPERIMENTO: MATERIAIS E MTODO ....................................................... 36 3.1 Mtodo ................................................................................................................... 36 3.2 Participantes.......................................................................................................... 38 3.3 Materiais ................................................................................................................ 38 3.3 Anlise Numrica de Dados ................................................................................. 41 4. ANLISE QUALITATIVA DOS ERROS .............................................................. 64 5. IMPLICAES PARA A TOMADA DE DECISO NO XADREZ .................... 67 5.1 Introduo ............................................................................................................. 67 5.2 CHREST Chunk Hierarchy and REtrievel STructure ....................................... 68 5.3 Discrimination Nets ou Redes de Discriminao ................................................ 69 5.4 Simulaes: fases de aprendizagem e de execuo............................................. 71 5.5 CHUMP CHUnks of Moves and Patterns .......................................................... 73 5.6 Que tipos de erros devemos esperar de CHREST e teorias semelhantes? ...... 77 5.7 Sumrio.................................................................................................................. 80 6. TOMADA DE DECISO VIA RECONHECIMENTO DE EXPERINCIAS.... 81 7. O PRXIMO PASSO................................................................................................. 87 REFERNCIAS.............................................................................................................. 90 APNDICE A................................................................................................................ 104 Anlise das posies reais e das reconstrues....................................................... 105 Anlise da Posio Original 1................................................................................. 105 Anlise da Posio Original 2................................................................................. 110 Anlise da Posio Original 3................................................................................. 115 Anlise da Posio Original 4................................................................................. 119 Anlise da Posio Original 5................................................................................. 123 Anlise da Posio Original 6................................................................................. 127 Anlise da Posio Original 7................................................................................. 131 Anlise da Posio Original 8................................................................................. 135 Anlise da Posio Original 9................................................................................. 139 Anlise da Posio Original 10............................................................................... 143 Anlise da Posio Original 11- Aleatria.............................................................. 146 Anlise da Posio Original 12 - Aleatria............................................................. 147

9 Anlise da Posio Original 13- Aleatria.............................................................. 148 Anlise da Posio Original 14 - Aleatria............................................................. 149 Comentrios adicionais da entrevista ..................................................................... 149

10

NDICE DE FIGURAS Figura 2.1. Uma posio real de um jogo de xadrez e uma posio aleatria ..................29 Figura 2.2. O resultado clssico de Chase e Simon .........................................................30 Figura 2.3. A distribuio dos tempos na tarefa de percepo .........................................32 Figura 3.1. Heatmap com clusters entre diferentes atributos versus reprodues ............47 Figura 3.2. rvore de deciso reconstrues estrategicamente perfeitas versus outras .53 Figura 3.3. rvore de deciso -classe 2 versus classe 0 ............................................59 Figura 3.4. rvore de deciso - reconstrues muito ruins versus as outras ...................62 Figura 5.1. Um fragmento de uma rede de discriminao.................................................69 Figura 5.2. Um exemplo de template CHREST ................................................................71 Figura 5.3. Reconhecimento de experincias ...................................................................77

11

NDICE DE TABELAS Tabela 1.1. Definies de Intuio ....................................................................................15 Tabela 1.2. Processos de Deciso Sujeitos a Information Overload .................................21 Tabela 1.3. A Influncia da Estrutura do Problema...........................................................22 Tabela 2.1. Tabela 1 de Chase e Simon .............................................................................33 Tabela 3.1. Resultados de atributos pela ordem, por teste.................................................44 Tabela 3.2. Atributos mais e menos importantes entre as trs classes distintas. ...............45 Tabela 3.2. Resultados sumarizados dos classificadores ..................................................51 Tabela 3.3. Preciso por teste. ...........................................................................................52 Tabela 3.4. Resultados de atributos pela ordem ................................................................55 Tabela 3.5. Resultados Classificao ...........................................................................56 Tabela 3.6. Resultados Accuracy .................................................................................57 Tabela 3.7. Resultados mtodo Nave Bayes ...............................................................58 Tabela 3.8. Resultados de atributos pela ordem e por teste ...............................................60 Tabela 3.9. Resultados Classificao.............................................................................61 Tabela 3.10. Resultados Accuracy.................................................................................63

12

1. CELEBRANDO A INTUIO

"I found that the myth of the manager as a kind of orchestra conductor with everything under control and all very organized and systematic and so on just didnt hold up. It was a job characterized by enormous amounts of interruption, it was almost frenetic, people moving back and forth from one thing to another. A lot of very short tasks, very verbal, not just verbal but oral as opposed to written, not much written. Half the tasks I watched them perform last less than nine minutes and often you will see a very rapid sequence of activities that will just bounce back and forth between things, they get interrupted a lot and so on. Yes, it sounds like... how are you supposed to run an organization like by doing things like that? But then you have to understand what running an organization means. A lot of it means dealing with those issues that nobody else can deal with. So anything that comes up that doesnt fall neatly into somebody or others responsibility naturally ends up with the manager, so managers end up dealing with all kinds of unexpected things. Its a very unexpected job."

Henry Mintzberg

Em 1968, uma dissertao de doutorado do MIT (Massachusetts Institute of Technology) trouxe importantes idias para a literatura da Administrao. Henry Mintzberg, seu autor, argumentara que a natureza do trabalho dos gerentes era fundamentalmente distinta dos (ento) "mitos" de que gerentes "planejam, organizam, coordenam e controlam". Mintzberg havia observado uma srie de gerentes em ao e catalogado as tarefas em que eles se engajavam. Em sua imensa maioria, as tarefas levavam intervalos de tempo menores do que 9 minutos, e havia um enorme nmero de interrupes. Era claro que gerentes no dispunham, na prtica, de tempo em larga escala para, por exemplo, realizar estudos de planejamento. Gerentes respondiam rapidamente a um contexto com enormes mudanas, e as quatro tarefas (planejar, organizar, coordenar e controlar) foram reclassificadas por Mintzberg como "objetivos". Era bvio para Mintzberg que gerentes

13 necessitam de julgamentos e decises rpidas, em contraste com longos processos de planejamento.

Mintzberg sumariza, ainda hoje, suas contribuies cientficas com o termo "celebrating intuition" (Mintzberg, 2007, p.9). Com base nisso, esta tese tambm visa celebrar a intuio, e podemos comear a discuti-la focalizando nos processos de tomada de deciso.

1.1 O julgamento rpido uma habilidade crucial na tomada de decises

Gerentes tm que desenvolver a habilidade de julgar rapidamente o que relevante. Um gerente atual pode ter, a qualquer momento, dezenas ou centenas de e-mails no lidos, diversas pessoas solicitando "um minuto" de seu tempo (presencialmente ou por telefone), um enorme nmero de autorizaes, documentos legais e outros documentos burocrticos para lidar, alm de sua prpria agenda: as tarefas que deseja realizar e o futuro que deseja criar. Muitas vezes o workload maior do que pode ser feito (Mintzberg, 2007). Isso faz com que decises como sobre o que relevante e o que no ; o que necessita de resposta imediata e o que no necessita; quem deve ser atendido, quem deve retornar futuramente e quem no deve ser atendido; quais documentos devem ser assinados aps uma breve leitura e quais devem ser descartados ou negados; quais tarefas postergar e quais delegar devam ser tomadas com extrema rapidez. Isso faz com que as capacidades de julgamento rpido e intuio se tornem cruciais para a tomada de decises. A partir dessa realidade, propomos nesta tese o estudo da intuio humana e de nossa racionalidade limitada.

O que exatamente intuio? Ainda no h uma definio cientfica que seja consenso (Dane & Pratt 2007, vide tabela abaixo). Dane e Pratt, porm, ressaltam quatro caractersticas que parecem compor a essncia do constructo (tendo sido citadas por pesquisadores oriundos de diversas disciplinas). A intuio um processo (1)

14 inconsciente (2) envolvendo associaes holsticas (3) que so produzidas rapidamente e (4) resultam em julgamentos com carga afetiva (affectively charged judgments) 1.

O conceito de intuio ainda no maduro cientificamente, como DNA ou tomo ou varincia. H, ainda, debate sobre a questo filosfica do que intuio, e uma enorme variedade de definies na literatura cientfica.

Definies de Intuio Jung (1933) Funo psicolgica que transmite percepo de um modo inconsciente. Wild (1938) Conscientizao imediata por algum, de uma determinada entidade, sem qualquer ajuda dos sentidos ou da racionalidade como causa para essa conscientizao. Bruner (1962) Arte da compreenso do sentido, significado, ou estrutura de um problema sem a confiana explcita no dispositivo da habilidade analtica de algum. Westcott & Ranzoni (1963) Processo de chegada a uma concluso baseado em pouca informao, normalmente obtido com base em informaes adicionais. Rorty (1967) Compreenso imediata.

Bowers, Regehr, Balthazard Percepo preliminar de coerncia (padro, significado, & Parker (1990) estrutura) que a princpio no conscientemente representada, mas guiada pelo pensamento e questionamento em direo a um pressentimento ou hiptese relativos natureza da coerncia em questo.

1 Instintos so reflexos automticos ao estmulo, biologicamente inatos, no necessitando de experincia ou aprendizado para seu desenvolvimento. Introviso, ou Insight, em que surgem inesperadamente pensamentos para a soluo de um problema, diferente de intuio, pois um processo demorado que inicia com pensamento analtico e deliberado, seguido de perodo de incubao. O insight possibilita a consciencia das relaes lgicas que apoiam uma resposta ou soluo particular, enquanto que na intuio no possvel de forma consciente explicar a lgica subjacente ao julgamento (Klein, 1999).

15 Shirley (1996) & Langan-Fox Sentimento de conhecimento acurado baseado em informao inadequada e sem informao consciente do pensamento racional. Simon (1996) Shapiro & Spence (1997) Atos de reconhecimento. Modo de processamento inconsciente e holstico em que as decises so tomadas sem conscincia das regras de conhecimento utilizadas para inferncia e que parecem adequadas, apesar da inabilidade pessoal para enunciar os motivos. Burke & Miller (1992) Concluso cognitiva baseada em uma tomada de deciso com experincias prvias e entradas emocionais. Policastro (1999) Forma implcita de conhecimento que orienta a tomada de deciso em uma direo promissora. Lieberman (2000) Experincia subjetiva de um processo predominantemente no consciente rpido, ilgico e inacessvel para a

conscientizao , o qual, dependendo da exposio ao domnio ou espao do problema, capaz de extrair informaes probabilsticas. Raidl & Lubart (2000 - Processo 2001) perptuo construdo por de meio de um ato

primordialmente

subconsciente

conectar

elementos

discrepantes de informao. Hogarth (2001) Pensamentos que so obtidos com pouco esforo aparente e tipicamente sem estar ciente da conscientizao, envolvendo pouca ou nenhuma deliberao consciente. Myers (2002) Capacidade para conhecimento direto e imediato anteriores a anlises racionais. Kahneman (2003) Pensamentos e preferncias que rapidamente e sem muita reflexo chegam ao crebro. Tabela 1.1. Definies de Intuio

16 Para compreender o uso da intuio em decises gerenciais, Agor (1986) solicitou duzentos executivos, os 10% que, em um estudo prvio, pontuaram mais alto na escala de intuio, para participar de uma pesquisa. Por meio de um questionrio com 11 questes abertas, administradas por correio e entrevista pessoal, a pesquisa visava a investigar de forma mais profunda como administradores utilizavam suas habilidades intuitivas no contexto gerencial. O grupo de executivos foi selecionado justamente porque, se a intuio estava sendo usada em processo de decises, ela seria mais evidente entre os executivos que tinham a maior habilidade de us-la. Setenta respostas foram recebidas de altos executivos de organizaes como a General Motors, Chrysler Corporation e Fundao Ford. Os executivos apontaram que a habilidade intuitiva apropriada:

quando existe alto nvel de incerteza; quando h poucos precedentes; quando as variveis so menos previsveis cientificamente; quando os fatos so limitados; quando os fatos no apontam claramente a direo a ser tomada; quando os dados analticos so de pouca utilidade; quando existem vrias solues alternativas plausveis para seleo com bons argumentos para cada; ou quando o tempo limitado e h presso para estabelecer a deciso correta.

Entre os exemplos citados por Agor (1986) de decises estratgicas importantes, em que executivos alegaram seguir a intuio (com resultados finais que se mostraram, a posteriori, positivos), esto: no recomendar o investimento em um projeto em que havia capacidade tcnica e apoio do corpo de cientistas para sua implementao; ou a deciso de manter um determinado medicamento no mercado apesar da recomendao da FDA de tir-lo.

Entretanto, o uso da intuio nas empresas no se restringe a questes estratgicas. Em um estudo em que gerentes indicaram reas funcionais com crena de que a intuio tem

17 um papel essencial, a maioria indicou que a intuio era significante para decises em estratgia coorporativa e planejamento, marketing, desenvolvimento de recursos humanos, pesquisa e desenvolvimento, investimentos e aquisies, fuses e alianas. Um menor nmero de respondentes indicou acreditar que a intuio tem um papel em decises relacionadas a investimentos de capital, finanas, produo e gesto de operaes (Parikh (1994) em Sadler-Smith & Shefy, 2004).

O papel da intuio nas empresas pode ser at subestimado. Sadler-Smith e Shefy (2004) ressaltam que executivos mais baixos na hierarquia podem ter a necessidade de exibir racionalidade para os superiores, legitimando suas decises com dados e anlises, ao invs de admitir abertamente que a ao baseada em intuio, preferncias e julgamentos subconscientes. Funcionrios de organizaes podem acumular anos de experincia em suas funes; no entanto, a superioridade do desempenho de um especialista em relao a um novato depende do tipo de deciso envolvida. Em um estudo em mercados financeiros envolvendo previso de taxas de cmbio, os profissionais tiveram desempenho pior que leigos com acesso apenas ao desempenho passado das taxas (Johannes & Schmidt, 2006).

1.2 Um estudo na rea de julgamento e tomada de decises

Obviamente, a tomada de decises uma rea central na administrao. Nesta tese, propomos estudos na subrea conhecida como julgamento e tomada de decises2. Nesta introduo, gostaramos de ressaltar dois pontos cruciais para a compreenso da importncia de nossas propostas: (i) o julgamento rpido uma habilidade crucial na

2 H um crescente nmero de disciplinas intituladas Judgement & Decision Making nas universidades americanas e europias; e journals cientficos, como Judgment & Decision Making, Journal of Behavioral Decision Making, ou Organizational Behavior and Human Decision Processes, tm se consolidado como altamente relevantes. possvel que nos prximos anos tambm se tornem disciplinas, conferncias e peridicos regulares em nosso pas.

18 tomada de decises; e (ii) a percepo de uma situao ou cenrio molda as opes consideradas no processo decisrio.

Teorias "racionais" de tomada de deciso, incluindo estudos em microeconomia, teoria dos jogos ou pesquisa operacional, consideram que todas as opes possveis deveriam receber grau semelhante de ateno. Isto , todos os branchpoints de uma rvore de deciso deveriam ser percorridos sem um vis preestabelecido.

Um exemplo pode ser visto na introduo de um livro-texto de teoria dos jogos (Osbourne e Rubinstein, 1994), em que, para tomar-se uma deciso, h, em cada momento, as seguintes informaes, formalizadas em um modelo matemtico:

(i) um conjunto A de alternativas disponveis; (ii) uma funo mapeando cada alternativa em A para um conjunto C de consequncias esperadas; (iii) uma funo mapeando cada consequncia em C e para um conjunto U (contido no conjunto dos nmeros reais), ou seja, cada alternativa possui uma consequncia mensurvel por uma funo utilidade.

Nesse modelo, o processo de tomada de deciso consiste, portanto, de selecionar-se a alternativa em A que maximize a utilidade esperada (Osbourne e Rubinstein, 1994). O modelo implicitamente assume (i) que todas as alternativas so explorveis. Tambm assume (ii) que no h uma predisposio para explorar uma alternativa em detrimento de outras. Como veremos nesta seo, isso no verdadeiro quando tratamos da psicologia da tomada de decises. Nosso objetivo aqui no criticar a teoria de jogos per se, pois ela possui enorme valor em inmeras situaes estratgicas (veja, entretanto, Camerer, 2003 para tal crtica). Nosso objetivo estudar como a psicologia humana lida com tais situaes e argumentar que tais pressupostos implcitos so invlidos no contexto de processamento de informaes pela mente humana: esses pressupostos so invlidos no contexto da racionalidade limitada.

19 Considere o primeiro pressuposto: que se podem explorar todas as opes no conjunto A de alternativas.

1.2.1 Nem todas as alternativas so explorveis

Obviamente, o tempo e a ateno de um decisor so recursos escassos. Isso faz com que, para um enorme nmero de rvores de deciso, apenas um pequeno subconjunto possa ser considerado.

Simon e seus colegas demonstraram que isso no possvel (Simon & Chase, 1973; Simon, 1987). Mesmo que uma pessoa fosse capaz de considerar nmeros gigantescos de alternativas sob presso de tempo, h problemas para os quais o nmero de opes est alm dos limites de processamento de informaes. Considere um exemplo de problema NP-Completo (Garey e Johnson, 1979), conhecido como Knapsack Problem: uma linha area deve selecionar uma srie de itens para transportar, de um conjunto de mil itens. No possvel transportar todos eles; ento, deve-se selecionar um subconjunto dele. Qual o subconjunto mais lucrativo3?

Suponha que um mtodo seja desenvolvido e que encontre o subconjunto timo em 1 segundo. No caso de acrescentarmos 20 elementos ao conjunto inicial (agora com 1020 produtos), o tempo que o mesmo mtodo usaria seria calculado por 1x220 segundos, ou seja, mais de um milho de segundos (mais de 277 dias). Caso acrescentssemos um 21 elemento, o tempo necessrio dobraria novamente (Garey e Johnson, 1979). Meros 40 elementos adicionais (totalizando 1040 elementos) levariam a mais de 270 milhes de dias. Obviamente, impossvel obter o conjunto timo, mesmo para um problema facilmente caracterizado formalmente como este.

3 No existe mtodo conhecido para solucionar problemas NP-Completos em tempo factvel. Dada a importncia prtica e terica desta classe de problemas, a descoberta de um mtodo seria de gigantesco impacto para a economia, a pesquisa operacional e a cincia da computao.

20 Simon props que, ao invs de otimizao dentro de um espao de possibilidades (que levaria para a melhor alternativa, a soluo tima), as pessoas possuem racionalidade limitada. As pessoas buscariam solues satisfatrias, e, no momento em que uma soluo satisfatria encontrada, o processo de busca por uma alternativa seria interrompido. Simon props o termo satisficing em contraste ao termo optimizing.

Estudos modernos mostram, ainda, que, medida que o nmero de informaes disponveis cresce, a qualidade das decises pode piorar. A tentativa de se analisarem informaes em demasiado pode confundir o indivduo, afetar sua capacidade de estabelecer prioridades e tornar as informaes prvias mais difceis de lembrar (Eppler e Menguis, 2004). O desempenho do indivduo correlaciona-se positivamente com a quantidade de informao disponvel apenas at certo ponto.

O impacto inesperado da quantidade de informaes na qualidade das decises foi estudado em vrios tipos de tomada de deciso (Eppler e Menguis, 2004 vide tabela 1.2 abaixo). Entre os sintomas ou consequncia do excesso de informao apontados na reviso de literatura de Epler e Menguis (2004), esto a anlise e organizao arbitrria de informao, tomada de decises subtimas, confuso e falso senso de segurana devido reduo de incerteza (excesso de confiana).

A naturalidade com que um especialista mais bem-sucedido age, seja ele um enxadrista, um msico, ou um gerente, resulta de anos de treinamento e dedicao. Para se tornar um grande mestre em xadrez ou um virtuoso no violino, so necessrios vrios anos de experincia e treinamento intenso (Charness et al., 2001). Essa experincia acumulada permite decises rpidas sem a necessidade de constantes anlises conscientes das informaes disponveis ou seja, permite o uso eficaz da intuio.

Pesquisas sugerem que indivduos usam a intuio quando se deparam com presses de tempo: investigando bombeiros, militares e profissionais de servios mdicos de emergncia em seus ambientes reais de trabalho, Klein (1998) percebeu que o modo

21 como decidiam no era baseado no raciocnio analtico, mas sim no rpido reconhecimento de situaes como familiares e anlogas.

Decises Gerenciais em geral

Ackoff, 1967; Iselin, 1993

Administrao (projeto, estratgica, Chervany e Dickson, 1974; Hacksever e Fisher, produo) Supermercados (escolha de produtos) Processo de Previso de Falncia Processo de Oramento de Capital Precificao Publicidade (Seleo de Mdia) Desenvolvimento de estratgia Decises Financeiras Escolha de Marca 1996; Meyer 1998; Sparrow, 1999 Friedman, 1977 e Jacoby et al., 1974 Casey, 1980; Iselin,1993 Swain e Haka, 2000 Meyer, 1998 Meyer, 1998 Sparrow, 1999 Iselin, 1998; Revsine, 1970 Jacoby et al. 1974, 1987; Malhota, 1982; Owen, 1992; Scammon, 1977; Wilkie, 1974 Aviao Decises de Mdicos OReilly, 1980 Hunt e Newman, 1997

Tabela 1.2. Processos de Deciso Sujeitos a Information Overload

As caractersticas da tarefa modulam o efeito do expertise no desempenho. Spence & Brooks (1997) verificaram experimentalmente que, variando o tipo de problema, a maior vantagem de experts em relao aos novatos aparecia em tarefas pouco estruturadas, mas estruturveis.

At este ponto procuramos estabelecer que nem todas as opes possveis podem ser exploradas num processo decisrio (Simon, 1987; Klein, 1998; Garey & Johnson, 1979). Vamos agora argumentar um segundo ponto crucial para a tese: a percepo que decisores possuem de um cenrio molda as opes consideradas, enfatizando algumas, em detrimento de outras. Como vimos acima, este ponto tambm vai de encontro aos pressupostos bsicos das teorias racionais de deciso.

22

Inicialmente bem estruturado

Inicialmente mal estruturado, mas estruturvel

Inerentemente desestruturado

Experts

Os profissionais solucionam o problema com base em seus conhecimentos e

Os profissionais aplicam seus conhecimentos para formular um problema externamente bem estruturado, o qual pode,

Os profissionais raciocinam por analogia ou utilizam heursticas, e os resultados variam.

informaes externas. teoricamente, ser resolvido. Iniciantes Os descobrem solucionar aprendizes Os aprendizes no podem estruturar o problema como com segurana, eles evocam heursticas simplistas o e frequentemente inapropriadas.

problema com base no conhecimento

geral e informaes externas. Tabela 1.3. A Influncia da Estrutura do Problema

1.2.2 A percepo de uma situao molda as opes consideradas no processo decisrio.

Considere o seguinte exemplo, j clssico na literatura de judgment & decision-making (vide Kahneman, 2003):

Imagine que os Estados Unidos estejam se preparando para o rompante de uma doena asitica atpica, em que se prev a morte de 600 pessoas. Dois programas alternativos para enfrentar essa crise foram propostos. Suponha que as estimativas cientficas exatas

23 das consequncias desses dois programas sejam dadas abaixo. Note que tanto o programa A quanto o programa B levam mesma utilidade esperada. Ou seja, a nica distino entre os programas refere-se s probabilidades envolvidas (no caso do programa A, no h incerteza, e a probabilidade 1).

Programa A: 200 pessoas sero salvas e 400 pessoas morrero Programa B: Existe uma probabilidade de um tero de que todas as 600 pessoas sejam salvas e nenhuma pessoa morra e uma probabilidade de dois teros de que nenhuma pessoa seja salva e 600 pessoas morram.

Observe agora como uma amostra significativa de indivduos entrevistados se comporta diante dessas alternativas (Kahneman, 2003), ao reescrevermos as opes sem alterar seu contedo lgico. Ao lado de cada alternativa est a percentagem de indivduos que optaram por determinado programa.

Programa A: 200 pessoas sero salvas. (72%) Programa B: Existe uma probabilidade de um tero de que todas as 600 pessoas sejam salvas e uma probabilidade de dois teros de que nenhuma pessoa seja salva. (28%)

Programa A: 400 pessoas morrero. (22%) Programa B: Existe uma probabilidade de um tero de que nenhuma pessoa morra e uma probabilidade de dois teros de que 600 pessoas morram. (78%)

Como esses estudos demonstram, as tomadas de deciso so efetivamente executadas no momento da percepo do problema, e as associaes subjetivas relacionadas aos termos vidas sero salvas e pessoas morrero influenciam significativamente a tomada de deciso.

24 Esse apenas um exemplo de toda uma srie. Os resultados so robustos, mostrando, inequivocamente, que, dada nossa racionalidade limitada, a percepo de uma situao molda as opes consideradas no processo decisrio. Mais referncias podem ser encontradas em Tversky, A. & Khaneman, 1981; Ritov et al., 1993 Johnson et al., 1993, Highhouse et al., 1996.

Na pesquisa operacional, o uso de heursticas e mtodos de pruning faz com que algumas opes sejam mais bem exploradas em detrimento de outras. Mas ainda assim isso difere de pessoas: (i) as heursticas so programadas a priori, enquanto h evidncias de que as pessoas priorizam as alternativas de forma dinmica, enquanto diagnosticam o problema envolvido (Klein, 1998). Finalmente, os mtodos de pruning apenas priorizam uma certa alternativa aps obter informaes sobre outras alternativas distintas e seus respectivos valores em termos de utilidade (ou funo-objetivo).

Dados esses argumentos iniciais de que (i) o julgamento rpido crucial na tomada de decises e que (ii) nossa racionalidade limitada prestigia algumas escolhas em detrimento de outras, argumentamos, na seo seguinte, que h um espao inexplorado na literatura de julgamento e tomada de deciso. Argumentamos que o estudo de Chase e Simon (1973), sobre julgamentos rpidos em xadrez, deixa em aberto inmeros problemas cientficos os quais pretendemos explorar.

1.3 Sumrio

Nesta seo introdutria, argumentamos que:

1. a capacidade de tomar decises rpidas, ou de realizar julgamentos rpidos, em suma, a intuio humana, crucial para a administrao, sendo, portanto, um importante tpico de estudo; 2. nossa racionalidade limitada impossibilita a considerao de todas as alternativas possveis na grande maioria de cenrios;

25 3. a percepo de uma situao molda a propenso de decisores, priorizando algumas alternativas em detrimento de muitas outras.

Dadas essas preliminares, na prxima seo, apresentamos um estudo clssico que servir como ponto introdutrio para a tese.

26

How do we account for the judgment or intuition that allows the chess grandmaster usually to find good moves in a few seconds? A good deal of the answer can be derived from an experiment that is easily repeated. If a

grandmaster and a novice are shown, for five seconds, a position from an actual but unfamiliar chess game, and asked to reproduce the position, the grandmaster will usually do so with about 95% accuracy, while the novice will average about 25%. Does this mean that chess expertise is based on superior visual imagery? No, because if we now present boards with the same pieces placed at random, the novice will still replace about 6 pieces, but the grandmaster only 7. difference lies not in imagery, but in the experts knowledge. The

For the

grandmaster, a position from a well-played game is not a clutter of 25 pieces, but an arrangement of a half-dozen familiar patterns, recognizable old friends.

Herbert Simon (1997) Administrative Behavior, 4th ed. (1st ed. 1947), p. 134

2. PERCEPO E TOMADA DE DECISES: UMA CRTICA TEORIA DE CHUNKING4

Na introduo, vimos como importante a habilidade de decisores de rapidamente avaliar alternativas e tomar decises. Nesta seo, consideramos as habilidades de perceber a natureza de situaes muito rapidamente.

2.1 Isolando as questes cientficas

Em todas as cincias, existe a necessidade de isolar as questes cientficas das inmeras questes relacionadas que podem distrair das questes centrais. A fsica usa pndulos,
Em 6 de maio de 2009, parte deste captulo (e do captulo 5) foi aceita para publicao no journal New Ideas in Psychology, Elsevier Science.
4

27 rampas inclinadas, trens imaginrios; a biologia gentica iniciou com os estudos de Mendel com ervilhas e hoje utiliza moscas como objeto central. Os resultados obtidos inicialmente em estudos bastante restritos geram hipteses e teorias que mais tarde so testadas num escopo de situaes muito maior. Esta uma das grandes foras da cincia: ervilhas nos falam sobre a natureza humana, e trens imaginrios nos falam sobre a natureza do universo. Pode-se dizer que, na rea de tomada de decises, o jogo de xadrez assumiu esse papel:
"Chase e Simon declararam que o xadrez era a drosophila da psicologia cognitiva. Assim como a mosca da fruta era o modelo ideal de laboratrio para o estudo da hereditariedade com a adequada complexidade gentica, reproduo rpida e caractersticas fsicas facilmente manipulveis nas recomposies genticas , tambm o xadrez o era para o estudo da mente humana. Seus atributos tornavam-no particularmente apropriado para os cientistas que procuravam decifrar questes sobre tomadas de deciso, ateno e conscincia." (em Shenk, 2007)

Algumas razes para tal so: (i) o longo histrico do xadrez, com uma grande gama de situaes existentes que solicitam anlises especficas; (ii) o fato de que as regras do jogo fornecem um ambiente restrito e especfico; (iii) o fato de que o jogo permite manipulaes experimentais relativamente simples; e (iv) a existncia de um sistema de classificao (sistema ELO) que estima as habilidades de forma quantitativa. H grande dificuldade de classificar o desempenho de especialistas em outros ramos de atividades com um critrio to objetivo.

Inmeros pesquisadores de tomada de deciso trabalharam no domnio de xadrez, incluindo Alan Turing, John von Newmann, Herbert Simon, Claude Shannon, Allen Newell e Gary Klein. O trabalho de Herbert Simon e Allen Newell mais tarde levaria teoria de complexidade computacional e teoria de satisficing. Os trabalhos de Turing e Shannon foram pioneiros na criao da cincia cognitiva e na ampliao da psicologia para alm dos dogmas do behaviorismo. um domnio clssico de estudo, em que focaremos o incio do trabalho de pesquisa. Mais tarde, aps os primeiros resultados, desejamos ampliar as hipteses e teorias para reas bastante aplicadas notadamente as decises de operadores do mercado financeiro (vide seo 4).

28

Sob vrios aspectos, Chase e Simon (1973), "Perception in Chess" um paper clssico. Os experimentos que mostram que os mestres em xadrez podem facilmente reconstruir posies complexas aps uma breve apresentao j haviam sido conduzidos por De Groot (1965), mas Chase e Simon tambm mostraram que, em posies aleatrias, a superioridade dos mestres na reconstruo (em relao a novatos) praticamente desaparece.

A concluso a que Chase e Simon chegam que mestres em xadrez possuem algo como 50 mil a 100 mil chunks (pedaos), codificando combinaes de peas. Esse resultado tornou-se praticamente um clich, na literatura de especializao, na medida em que experimentos semelhantes, em diferentes domnios, trouxeram resultados semelhantes.

O artigo seminal de Simon e Chase (1973) sobre os padres de memrias dos mestres revelou que eles podiam reconhecer mais de 50 mil configuraes que eram armazenadas ou fragmentadas como padres familiares na memria de longo prazo. Por isso, eram capazes de jogar vrios jogos simultaneamente mesmo sob restries de tempo, e, quando apresentados com um arranjo de peas em um tabuleiro, instantaneamente reconheciam os movimentos estratgicos apropriados para a situao (Chase & Simon, 1973).

O paper recebeu mais de 880 citaes no banco de dados do Institute of Scientific Information (ISI) e disparou uma nova rea do conhecimento, chamada "situation awareness" (Garland Endsley, 2000; Tremblay & Banbury, 2004). No h hiprbole em classific-lo como um trabalho clssico na psicologia cognitiva.

Mas o paper estava correto? O documento tinha duas partes.

Na primeira parte, os experimentos lidaram com a capacidade de recall, enquanto a segunda parte estudou o contedo, tamanho e nmero de chunks de xadrez. Nesta tese, alegamos que a segunda parte de Chase e Simon (1973) imperfeita e que os resultados apresentados a no so vlidos. Propomos aqui, portanto, um estudo capaz de melhor

29 determinar a natureza dos chunks. Este estudo importante pois, assim como o trabalho de Chase e Simon, pode elucidar questes relativas percepo de cenrios e consequente tomada de decises. O estudo concentra-se no domnio do xadrez, mas isso no deve ser interpretado como uma implicao de que a tese ser restrita a tal domnio. Como vimos na introduo, em diversos cenrios, a percepo de um problema molda as opes consideradas na tomada de deciso. Ao compreender melhor os processos de percepo, compreenderemos melhor os processos decisrios.

Vejamos, ento, cada uma das partes envolvidas em Chase e Simon (1973).

2.2 Chase e Simon (1973), parte (i): o experimento de recall

O estudo de Chase e Simon (1973) dividido em duas partes. A primeira parte (p. 55-61) demonstra que, quando mestres do xadrez olham para uma posio por meros segundos, eles podem reproduzi-la com enorme preciso, colocando muitas peas em seus quadrados originais. Entretanto, novatos foram incapazes de reproduzir mais do que algumas peas. Esse estudo j havia sido realizado por De Groot (1956), mas Chase e Simon introduziram uma variante que levou a uma descoberta conclusiva: apesar de sua incrvel capacidade de reproduzir os tabuleiros, os mestres no possuam melhor capacidade de memria do que os iniciantes.

(A)

(B)

Figura 2.1. (a) Uma posio real de um jogo de xadrez e (b) uma posio aleatria. Participantes foram solicitados a observar posies por alguns segundos e ento

30 reproduzi-las. A introduo de posies aleatrias levou a uma descoberta conclusiva: a teoria de chunks.

Chase e Simon demonstraram isso ao introduzir posies onde as peas do tabuleiro estariam em lugares aleatrios. Nessa condio do experimento, a vantagem do mestre em relao ao iniciante simplesmente desaparecia.

Figura 2.2. O resultado clssico de Chase e Simon: no quadrado acima, temos o nmero de peas reconstitudas pelo mestre (M), pelo jogador classe A (A), e pelo beginner (B), de acordo com o nmero de tentativas realizadas. Pode-se observar claramente o maior nmero de peas reconstrudas pelo mestre, seguido pelo jogador Classe A e, finalmente, pelo iniciante. J no quadrado abaixo, as posies so aleatrias. Isso faz com que a vantagem de reconstruo do mestre desaparea. A teoria resultante dessa primeira parte do estudo, conhecida como chunking theory, aceita desde ento.

Mestres, portanto, no possuem melhor memria. Possuem memria mais bem treinada para situaes com significado. Isso trouxe a chunking theory: a teoria de que mestres

31 armazenariam chunks (pedaos ou padres perceptivos que podem ser usados como unidades) que representariam situaes reais. A psicologia cognitiva percebe hoje a intuio como resultante de um processo de reconhecimento: como a recuperao de um padro, de um grande nmero de padres armazenados na memria de longo prazo e acessados sem esforo consciente (Klein, 1998). Obviamente, o mundo possui

regularidades, que so preservadas em nossa memria, enquanto padres aleatrios no o so.

2.3 Chase e Simon (1973), parte (ii): o experimento de recall

A segunda parte do documento estudou a natureza dos chunks: qual o contedo de um chunk? Qual o tamanho de um chunk (quantas peas possui)? Quantos chunks mestres armazenam?

Como estudar essas questes se no se pode simplesmente perguntar para os jogadores sobre um conhecimento que inconsciente? Chase e Simon realizaram duas tarefas: uma tarefa de percepo e uma tarefa de memria. As diferenas entre essas duas tarefas esto alm do escopo de nosso trabalho; portanto, vamos apenas sumarizar a lgica por trs das tarefas.

Considere a tarefa de percepo, em que os sujeitos podiam observar a posio enquanto colocavam peas. O ponto principal era medir os tempos utilizados em cada tarefa. Quantos segundos os sujeitos utilizam colocando peas sem observar a posio? Quando os sujeitos se voltam para observar novamente a posio, quanto tempo levam?

32

Figura 2.3. A distribuio dos tempos na tarefa de percepo. Note que no h um padro claro; e que o mestre, o jogador classe A e o iniciante se alternam aleatoriamente entre as diferentes distribuies de frequncia.

Chase e Simon estabeleceram que os chunks deveriam ser formados por conjuntos de peas colocadas abaixo do intervalo de dois segundos. Eles, ento, avaliaram o contedo das peas colocadas nesses tempos sob os seguintes aspectos: (A) ataque, (D) defesa, (C) mesma cor, (S) mesmo tipo de pea e (P) proximidade5. Isso gerou a Tabela 1:

Note que a mtrica de proximidade usada por Chase e Simon questionvel. Os autores consideram que duas peas A e B esto prximas quando esto em quadrados adjacentes. Entretanto, como o movimento de cada pea distinto, essa medida no captura o fato de que, durante um jogo, uma pea A pode estar prxima de B, enquanto B est distante de A. Por exemplo, um cavalo requer trs movimentos para mover-se para um quadrado adjacente; um rei requer apenas um movimento.

33

Tabela 2.1.Tabela 1 de Chase e Simon. Vide texto.

A tabela 1 gerou a seguinte observao de Chase e Simon:

[Perception task, p.65] The first thing to notice is that the data are quite similar for all subjects. The latencies show the same systematic trends, and, for the probabilities, the product moment correlation between subjects are quite high: Master vs. Class A=.93; Master vs. Class B=.95, and Class A vs. Class B =.92. The same is true for the between glance data [] Thus, the same kinds and degrees of relatedness between successive pieces holds for subjects of very different skills.

Ou seja, os dados obtidos, independentemente do sujeito, eram semelhantes. O mesmo ocorreria para a outra tarefa: a memory task:

[Memory task, p.70] Again the pattern of latencies and probabilities look the same for all subjects, and the correlations are about the same as in the perception

34 of data: Master vs. Class A=.91, Master vs. Class B=.95, and Class A vs. Class B=.95.

Chase e Simon estavam relatando, portanto, que esses dados eram idnticos para jogadores de diferentes nveis.

Por outro lado, eles estavam tambm argumentando que os dados representavam a natureza dos chunks, isto , como os diferentes sujeitos armazenavam na memria o que haviam percebido.

Aqui se encontra uma grande oportunidade de pesquisa. Chase e Simon entram em contradio, ao dizer que:

(i)

mestres e iniciantes possuem diferentes estruturas em memria; mestres possuem chunks, e iniciantes no;

(ii)

agora, ao coletar os dados, Chase e Simon diziam que the same kinds and degrees of relatedness between successive pieces holds for subjects of very different skills. Ou seja, segundo esses dados, no mais haveria diferena entre os chunks de iniciantes e mestres o que concerne aos diferentes tipos de relaes entre peas.

Obviamente, impossvel que as duas proposies sejam verdadeiras. Ou h diferenas de memria ou no h.

Na parte 1 do experimento, fica claro que h: mestres reproduzem tabuleiros com enorme facilidade. Mas os dados coletados na parte 2 levam concluso oposta que iniciantes e mestres possuiriam os mesmos tipos de relaes entre peas preservadas em sua memria6.

O que poderia explicar semelhantes peas entre diferentes jogadores? Como vimos anteriormente, os tempos utilizados eram prximos entre as classes de jogadores, e possvel que a estrutura natural do xadrez tenha prevalecido aqui, ao invs do skill dos sujeitos. Os jogadores poderiam estar apenas

35

2.4 Sumrio Nesta seo discutimos o experimento de Chase e Simon (1973) e argumentamos que sua segunda parte invlida e se contradiz. Argumentamos que os dados de Chase e Simon no representam a estrutura dos chunks.

Procuramos apenas resumir aqui o argumento referente segunda parte de Chase e Simon. O argumento completo est em Linhares e Freitas (2008, aceito para publicao).

No prximo captulo, vamos detalhar como realizar um novo experimento que nos permita observar a estrutura dos chunks.

minimizando o esforo de movimentao, e, ao invs de capturar a diferena entre mestres e iniciantes, a tarefa capturou a semelhana entre ambos.

36

The game of Chess is not merely an idle amusement; several very valuable qualities of the mind are to be acquired and strengthened by it, so as to become habits ready on all occasions.

For life is a kind of Chess with struggle, competition, good and ill events.

By playing at Chess then, we may learn: First: Foresight. Second: Circumspection. Third: Caution. And lastly, we learn by Chess the habit of not being discouraged by present bad appearances in the state of our affairs, the habit of hoping for a favorable chance, and that of persevering in the secrets of resources.

Benjamin Franklin

3. EXPERIMENTO: MATERIAIS E MTODO

Neste captulo vamos detalhar o experimento realizado. Os resultados numricos, extrados de mtodos estatsticos tradicionais e mtodos mais modernos de machine learning e data mining, sero apresentados.

3.1 Mtodo

A ideia bsica do mtodo estudar as diferenas de reprodues entre jogadores de diferentes nveis de skill. Chase e Simon (1973) e estudos subsequentes concentraram-se no sucesso de reprodues, por exemplo, plotando o nmero de peas corretas versus o skill do jogador em questo.

37

Neste estudo, nosso interesse observar o que aprendido pelos jogadores de alta habilidade. A diferena entre erros cometidos, assim como disse Niels Bohr, nos indica quais atributos os jogadores aprendem a registrar ao longo do tempo. medida que os anos de esforo se acumulam, que tipo de informao rapidamente registrada por jogadores de alta habilidade, mas perdida por jogadores de menor habilidade? Quais as caractersticas das reprodues estrategicamente perfeitas quando comparadas s caractersticas de reprodues inferiores?

Suponha que se saiba que em diferentes reprodues h, em cada uma, diferentes tipos de erros. Quais erros seriam mais comuns para um iniciante e quais para um expert?

(i)

Um rei, a pea mais importante do jogo, no foi registrado e foi omitido na reconstruo;

(ii) (iii)

uma torre foi omitida; uma defesa (pea A protegendo uma pea B da mesma cor) foi omitida na reconstruo;

(iv)

uma rainha foi colocada num quadrado distinto do original.

Note que no trivial, a priori, afirmar qual dessas informaes, isoladamente, nos indica qual reproduo (e a consequente viso estratgica do sujeito) superior. Nosso mtodo permite que possamos perceber claramente a ordem de importncia desses atributos ou seja, como estruturada a viso estratgica dos jogadores.

Alguns resultados so surpreendentes e claramente contraintuitivos. Por exemplo, no que se trata da classificao de reconstrues estrategicamente perfeitas, o nmero de pees omitidos em reconstrues um classificador melhor do que a omisso de um rei, de uma torre ou de uma rainha.

38 3.2 Participantes

Seis jogadores com diferentes nveis de expertise participaram do estudo (o estudo de Chase & Simon (1973) lidou com apenas trs). H uma dificuldade de obter disponibilidade de jogadores do mais alto nvel. Dois jogadores eram, seguindo as regras da FIDE (Federao Internacional de Xadrez) do nvel de International Grandmaster- (os enxadristas Q e W), dois jogadores eram do nvel de Master (os enxadristas E e R), e dois eram iniciantes (os enxadristas T e Y). O jogador que participou das entrevistas em profundidade tambm era um International Grandmaster.

3.3 Materiais

Posies utilizadas.

10 posies foram selecionadas visando-se a uma rpida

compreenso da situao estratgica. As posies utilizadas no experimento foram retiradas a partir do ltimo movimento (prvio ao xeque-mate ou resignao do lado preto) dos seguintes jogos, todos com jogadores de ELO rating igual ou superior a 2200. Quatro posies adicionais aleatrias foram criadas, para permitir a reproduo dos resultados de Chase e Simon e estudos subsequentes (Gobet e Simon, 2000). Em todos os jogos o lado branco venceu.

Tabela 3.1. As posies utilizadas foram as ltimas posies extradas dos seguintes jogos.
White Anand Viswanathan Ivanchuk Vassily Jussupow Artur M Seirawan Yasser Gurieli Nino Maric Alisa Gurieli Nino Wang Pin Guedes Armando Harikrishna Pendyala ELO 2715 2735 2610 2570 2370 2460 2370 2345 2285 2200 Black Jussupow Artur M Jussupow Artur M Spraggett Kevin B Tal Mikhail N Kachiani-Gersinska Ketino Peng Zhaoqin Cramling Pia Gaprindashvili Nona T De Asis Dirceu Viana jr Belmonte D Elo 2665 2625 2575 2565 2415 2400 2520 2435 2380 2200 Venue Candidate match Candidate match qf Candidate match qf Candidate tournament Candidate tournament Candidate tournament Candidate tournament Candidate tournament Capablanca M World Junior Ch boys Date 01/94 08/91 01/89 10/85 10/12/97 21/12/97 27/12/97 10/92 20/05/97 21/11/98 Opening Steinitz defence deferred Queen's gambit declined Tarrasch defence Queen's gambit declined Panno variation King's Indian defence Exchange variation FR Austrian attack Queen's gambit declined Flohr-Mikenas variation ECO C75 D35 D34 D46 E63 E61 C01 B09 D37 A19

w w w w

As posies foram selecionadas para que uma breve anlise pudesse render-lhe uma viso estratgica. Assim sendo, as posies so todas de final de jogo, quando h um xeque-

39 mate iminente, ou quando um dos jogadores (preto) desiste. Conforme mencionado anteriormente, em todos os casos, o vencedor do jogo o lado branco.

Procedimento Houve, para cada posio, duas tentativas subsequentes de reproduo. Cada jogador observou cada posio numa tela de computador durante meros cinco segundos, aps os quais o jogador buscava reconstruir a posio num tabuleiro. Aps a primeira tentativa, as peas foram retiradas do tabuleiro e o processo se repetiu aps nova exibio de cinco segundos. As dez primeiras posies foram as posies finais relatadas acima, e as ltimas quatro foram as aleatrias. Os resultados de Chase e Simon (1973) e de Gobet e Simon (2000) foram reproduzidos, inclusive a habilidade superior dos experts em reproduzir posies aleatrias.

Atributos extrados das reconstrues

Omitted_Kings Este atributo conta o nmero de reis omitidos. Omitted_Queens Este atributo conta o nmero de rainhas omitidas. Omitted_Rooks Este atributo conta o nmero de torres omitidas. Omitted_Knights Este atributo conta o nmero de cavalos omitidos. Omitted_Dark_Bishop Este atributo conta o nmero de bispos na casa preta omitidos. Omitted_Light_Bishop Este atributo conta o nmero de bispos na casa branca omitidos. Omitted_Pawns Este atributo conta o nmero de pees omitidos.

Misplaced_Kings Este atributo conta o nmero de reis reposicionados. Misplaced_Queens Este atributo conta o nmero de rainhas reposicionadas. Misplaced_Rooks Este atributo conta o nmero de torres reposicionadas. Misplaced_Knights Este atributo conta o nmero de cavalos reposicionados. Misplaced_Dark_Bishop Este atributo conta o nmero de bispos na casa preta reposicionados.

40 Misplaced_Light_Bishop Este atributo conta o nmero de bispos na casa branca reposicionados. Misplaced_Pawns Este atributo conta o nmero de pees reposicionados.

Lost_attacks Este atributo conta o nmero de ataques perdidos, devido a peas omitidas, reposicionadas ou bloqueadas (na reconstruo). Lost_defenses Este atributo conta o nmero de defesas perdidas, devido a peas omitidas, reposicionadas ou bloqueadas (na reconstruo). Misplaced_Attack Este atributo conta o nmero de ataques criados, devido a peas omitidas, reposicionadas ou bloqueadas (na reconstruo). Misplaced_Defenses Este atributo conta o nmero de defesas criadas, devido a peas omitidas, reposicionadas ou bloqueadas (na reconstruo).

Different_Color Este atributo conta o nmero de peas de diferente cor na reconstruo. Different_Piece Este atributo conta o nmero de peas de diferente tipo na reconstruo.

Number_of_moved_pieces Este atributo conta o nmero de peas movidas na reconstruo. Moved_piece_euclidean_distance Este atributo conta o nmero de Este nmero dado pela de

movimentos ocorridos por peas na reconstruo.

Manhattan (isto , o nmero de casas entre a posio original e a reconstruo). Moved_piece_total_topological_distance Este atributo conta o nmero de movimentos ocorridos por peas na reconstruo. Este nmero dado pela

distncia topolgica (isto , o nmero de casas entre a posio original e a reconstruo, dados os movimentos de cada tipo de pea. Note que o movimento de uma casa do rei requer trs movimentos de um cavalo. Note tambm que alguns movimentos no so possveis, como mover um peo para a casa ao lado e nestes casos inclumos uma penalidade de seis movimentos).

41 Geometrical_structures_with_3_pieces Este atributo conta o nmero de cadeias de pees e peas (com exatamente trs peas no total) que no foram registradas na reconstruo. Geometrical_structures_with_4_pieces Este atributo conta o nmero de cadeias de pees e peas (com exatamente quatro peas no total) que no foram registradas na reconstruo.

Normalizao de dados

Os atributos, para cada reconstruo, foram normalizados da seguinte forma: suponha que quatro pees tenham sido omitidos em uma reconstruo de uma posio P, mas que em todas as outras reconstrues o nmero seja inferior. Temos ento, para um atributo A, que MaxP(A)=4. Para normalizar todos os atributos, em relao quela reconstruo, temos: Max P (A) AR P N(RP (A)) = , onde: Max P (A)

RP reconstruo R da posio P;
AR P o nmero de erros do Atributo A na reconstruo R da posio P;

N(RP(A)) a normalizao no intervalo [0,1] da reconstruo R da posio P, com o valor 1 significando uma reconstruo perfeita, o valor zero significando que aquela se trata da pior reconstruo do atributo A na posio P, e valores intermedirios indicando os erros, de forma relativa, entre uma reconstruo perfeita e a pior reconstruo de cada atributo em cada posio (note que para cada posio houve sempre reconstrues perfeitas);

MaxP(A) o valor mximo do atributo A nas reconstrues da posio P.

3.3 Anlise Numrica de Dados

42

Nesta parte vamos detalhar os resultados numricos extrados de mtodos estatsticos tradicionais e mtodos mais modernos de machine learning e data mining. Algumas das observaes feitas no corpo principal da tese referem-se a esses resultados; entretanto, optamos por mant-los em separado de forma a maximizar o fluxo de leitura do manuscrito. Os mtodos utilizados para anlise dos dados so descritos abaixo.

Resultados

Queremos responder a duas questes: (i) Quais os atributos mais importantes envolvidos na percepo das reprodues estrategicamente perfeitas, em relao aos atributos referentes s reprodues muito ruins e s reprodues intermedirias? A segunda

questo : (ii) Quais atributos, ou combinaes de atributos, melhor preveem ou explicam uma determinada classificao?

Separamos as classificaes em trs grupos distintos:

(i)

reprodues estrategicamente perfeitas ou seja, reprodues em que o cenrio estratgico no alterado de forma alguma (note que pode haver erros, desde que eles no afetem a situao estratgica);

(ii)

reprodues intermedirias, em que muita informao foi preservada, mas a essncia estratgica da situao foi perdida;

(iii)

reprodues de baixa qualidade, realizadas por jogadores iniciantes em sua larga maioria, em que no apenas a situao estratgica perdida, mas tambm outras peas, relaes e configuraes so perdidas.

Temos trs classes de reconstruo: Classe 0, em que a reconstruo de baixa qualidade e a informao estratgica perdida; Classe 1, em que a reconstruo intermediria preservando-se parte do cenrio estratgico; e Classe 2, em que a reconstruo embora no necessariamente perfeita preserva intocado o cenrio estratgico.

43 Realizamos, portanto, trs cenrios de experimentos: o primeiro lida com as classes (0), (1), e (2) simultaneamente. O segundo separa as reprodues estrategicamente perfeitas, comparando a classe (2) com as classes (0) e (1) em conjunto. O ltimo separa as reprodues de baixa qualidade, comparando a classe (0) com as classes (1) e (2) em conjunto.

Podemos iniciar com as trs classes examinadas simultaneamente.

Experimento separadamente

numrico

A.

Testando

as

trs

classes

de

reprodues

A1. Quais os atributos mais importantes envolvidos na percepo das reprodues estrategicamente perfeitas, em relao aos atributos referentes s reprodues muito ruins e s reprodues intermedirias?

Avaliao de atributos

Melhores resultados para a avaliao de atributos foram obtidos com os testes quiquadrado e information gain. Ambos os testes medem quo bem um determinado atributo consegue diferenciar duas ou mais classes de exemplos. No primeiro cenrio testado, temos trs classes de exemplos. O teste qui-quadrado inicialmente estima a distribuio dos valores do atributo pra cada uma das classes, e em seguida calcula o grau de independncia entre os valores do atributo e as classes dos exemplos. J o information gain utiliza o conceito de entropia de classe. Dadas duas ou mais classes de exemplos, o mtodo busca separar os exemplos utilizando thresholds, ou valoreslimite, que minimizam a aleatoriedade das classes dentro de cada subdiviso. Cada um dos mtodos gera um valor indicativo do grau de sucesso daquele atributo em separar os exemplos de cada classe. Quando esse grau de sucesso igual a zero, isso indica que aquele atributo separa as classes com a mesma confiana de uma escolha puramente ao azar. Para maiores informaes e detalhes de implementao dos dois mtodos,

44 direcionamos o leitor s referncias Witten e Frank (2005), Kvam e Vidakovic (1998) e Hall e Holmes (2003).

Na tabela 3.1 apresentamos os resultados para a seleo de atributos utilizando os dois mtodos. Ambos apresentam os mesmos vinte atributos como relevantes para a diferenciao das trs classes, mas em ordem de importncia ligeiramente distinta. Os atributos irrelevantes foram Misplaced_Dark_Bishop, Misplaced_Queens,

Omitted_Dark_Bishop, Misplaced_Knights e Omitted_Light_Bishop.

Tabela 3.1. Resultados de atributos pela ordem, por teste

72.7274 37.9209 34.8416 34.3789 34.3789 32.839 24.4518 24.082 22.6851 20.3975 19.8291 17.7788 17.3031 14.1665 13.5811 12.8093 11.0287 10.7246 7.9567 6.7869 0 0 0 0 0 15 23 16 21 22 7 19 18 24 14 3 8 20 17 10 25 2 1 13 4 12 9 5 11 6 Chi-squared Lost_attacks Moved_piece_total_topological_distance Lost_defenses Number_of_moved_pieces Moved_piece_euclidean_distance Omitted_Pawns Different_Color Misplaced_Defenses Geometrical_structures_with_3_pieces Misplaced_Pawns Omitted_Rooks Misplaced_Kings Different_Piece Misplaced_Attack Misplaced_Rooks Geometrical_structures_with_4_pieces Omitted_Queens Omitted_Kings Misplaced_Light_Bishop Omitted_Knights Misplaced_Dark_Bishop Misplaced_Queens Omitted_Dark_Bishop Misplaced_Knights Omitted_Light_Bishop 0.944 0.515 0.504 0.496 0.455 0.455 0.342 0.341 0.311 0.31 0.285 0.283 0.267 0.201 0.186 0.182 0.177 0.152 0.116 0.111 0 0 0 0 0 15 23 16 7 22 21 24 18 3 19 20 8 14 25 17 10 2 1 13 4 12 9 5 11 6 Information gain Lost_attacks Moved_piece_total_topological_distance Lost_defenses Omitted_Pawns Moved_piece_euclidean_distance Number_of_moved_pieces Geometrical_structures_with_3_pieces Misplaced_Defenses Omitted_Rooks Different_Color Different_Piece Misplaced_Kings Misplaced_Pawns Geometrical_structures_with_4_pieces Misplaced_Attack Misplaced_Rooks Omitted_Queens Omitted_Kings Misplaced_Light_Bishop Omitted_Knights Misplaced_Dark_Bishop Misplaced_Queens Omitted_Dark_Bishop Misplaced_Knights Omitted_Light_Bishop

Discusso. Note que tanto o mtodo Chi-squared quanto o mtodo de information gain obtm resultados extremamente semelhantes. Usando-se o Switch Graph, Linhares e Yanasse (2009), uma medida de distncia entre permutaes, podemos observar que h apenas trs ciclos: (21,7), (19, 24, 3, 20, 14), e (17, 25, 10). Isso significa que, ao trocarmos dois elementos de posio, apenas sete trocas transformam uma permutao na outra. Como o mximo possvel nesse caso seriam 24 trocas (em 25 atributos), temos um overlap de (24-7)/24=0.708. (Note que esse valor no significa que a probabilidade de essas duas permutaes ocorrerem em conjunto 0.708. Pelo contrrio, a probabilidade

45 muito menor. Um problema interessante aqui, que deixamos em aberto para pesquisas futuras, medir a distribuio de probabilidades, e a distribuio cumulativa, do espao de permutaes sob distncias medidas via switches. Isso nos permitiria avaliar melhor a semelhana entre diferentes mtodos de avaliao de atributos em data mining.)7

H um continuum entre as reconstrues perfeitas, intermedirias e muito fracas. Na avaliao dos atributos mais importantes para quebrar essas classes, vemos tanto atributos superficiais quanto atributos abstratos. Por abstratos queremos dizer que so consequentes de determinadas combinaes de peas e independentes do conjunto particular de peas no tabuleiro. Por exemplo, uma pea reconstruda erroneamente pode levar perda de vrios ataques (ao bloque-los). Caso a pea tenha outra cor, vrios ataques sero criados (dado que h um conjunto de peas que possui uma trajetria de ataque que seria bloqueada). Contraste, por exemplo, os seis atributos mais importantes com os seis considerados menos importantes (Chi-squared method):

Tabela 3.2: Atributos mais e menos importantes entre as trs classes distintas. Atributos mais importantes
Lost_attacks Moved_piece_total_topological_distance Lost_defenses Number_of_moved_pieces Moved_piece_euclidean_distance Omitted_Pawns

Atributos menos importantes

Omitted_Knights Misplaced_Dark_Bishop Misplaced_Queens Omitted_Dark_Bishop Misplaced_Knights Omitted_Light_Bishop

Os atributos mais importantes so, com exceo de Omitted_Pawns, todos abstratos. Em contraste, os atributos menos importantes so todos ligados a um tipo particular de pea erros de omisso ou de posicionamento de um determinado tipo de pea. A teoria vigente, em modelos como CHREST, CHUMP e EPAM, prev que tais erros seriam pouco relevantes, j que considera que a estrutura-chave das representaes dada por piece-on-square matchings (por exemplo, um cavalo negro na casa A3).
Vamos aqui detalhar melhor o que seria necessrio. A probabilidade de uma permutao de N itens aleatria , obviamente, 1/N!. O que seria interessante seria medir a distncia de uma permutao aleatria para a permutao identidade, em termos de nmero de switches necessrios. De posse da funo de densidade de probabilidade, seria fcil o clculo do quo provvel uma combinao de duas permutaes . Para isso seria necessrio o estudo de composies de permutaes e grupos simtricos, o que est obviamente fora do escopo deste estudo vide, por exemplo, Anderson e Feil (2005).
7

46

Ainda sobre esses resultados, apresentamos uma figura mostrando os valores dos vinte atributos para os sessenta exemplos que constam da base de dados. A figura foi gerada com o software de clusterizao e visualizao BioMiner (Moscato et al., 2003), previamente usado em estudos genticos. A figura um heatmap em que os atributos esto representados nas linhas, e os exemplos, nas colunas. O cdigo de cores verde = 0; vermelho = 1; preto = 0,5. A classe a que cada exemplo pertence est indicada na linha abaixo do heatmap: verde = reprodues de baixa qualidade; azul = reprodues intermedirias; vermelho = reprodues estrategicamente perfeitas. Nota-se que reprodues estrategicamente perfeitas esto associadas mais aos jogadores categorizados como mestres.

47

48 Figura 3.1. Heatmap com clusters entre diferentes atributos versus reprodues.

Vermelho indica que nenhum erro daquele tipo foi realizado na reconstruo, verde indica que os maiores erros daquele tipo foram realizados na reconstruo, preto significa que o valor de erros intermedirio (vide texto).

Classificao

Para cada experimento, vamos testar os seguintes classificadores: J48, Classificao via regresso, e Nave Bayes. abaixo. Vamos detalhar brevemente a filosofia desses mtodos

J48 Decision tree classifier O modelo que melhor nos permite visualizar as classificaes justamente o de rvores de deciso. rvores de deciso utilizam um grafo com forma de rvore, i.e., sem a presena de ciclos, para designar exemplos a classes especficas. Nessa estrutura, cada folha da rvore possui um label, ou definio do tipo da classe, e os ramos representam os atributos que levam s classificaes.

Existem diversos algoritmos para gerar modelos de rvores de deciso. Entre os mais tradicionais devemos citar o ID3 (Iterative Dichotomiser 3) (Quinlan, 1986); o C4.5 (Quinlan, 1993), que uma extenso do ID3 que trabalha com o conceito de entropia de classe mencionado anteriormente, alm de permitir valores faltantes e variveis discretas; e finalmente o J48 (Witten e Frank, 2005), que por sua vez uma extenso do C4.5 com parmetros para ajuste que permitem determinar por exemplo o tamanho da rvore, eliminao de ramos que no influenciam na preciso da classificao, nmero mnimo de elementos classificados em cada folha da rvore, entre outras caractersticas.

Nesta seo apresentamos resultados com o algoritmo J48, que est presente no pacote de minerao de dados Waikato Environment for Knowledge Analysis (WEKA), um software de domnio pblico e open-source para anlise de dados, criado originalmente por um grupo de pesquisadores da Universidade de Waikato, Nova Zelndia. Tendo sua

49 primeira verso distribuda em 1997, o WEKA se tornou uma referncia em termos de ferramenta para data mining, tendo sido citado em mais de 8.000 publicaes cientficas e recebendo contribuies de pesquisadores de outras instituies em termos de novos algoritmos e ferramentas para anlise (Witten e Frank, 2005).

Como mencionado anteriormente, o J48 gera uma rvore de deciso que pode ser utilizada para classificar novos elementos. O mtodo pelo qual o J48 cria essa rvore segue um algoritmo muito simples:

a) Determinao do n-raiz: Entre todos os atributos disponveis, o n-raiz aquele que discrimina melhor os exemplos presentes no conjunto de dados (no caso, o que gera o maior ganho de informao, ou information gain). Isso gera uma diviso inicial em dois ramos. O valor usado como limite para diviso ramo esquerdo/direito um subproduto do algoritmo do information gain.

b) Determinao dos ns-internos: Para cada nova diviso criada, o mtodo verifica se os exemplos que seguem por um determinado ramo pertencem a duas ou mais classes. Nesse caso, o algoritmo busca o prximo atributo que gera o maior aumento do information gain para aquele ramo e repete o processo.

c) Determinao dos ns-folha: O mtodo verifica se os exemplos que seguem por um determinado ramo pertencem todos mesma classe. Nesse caso o ramo termina em um n-folha, cujo valor anotado o mesmo da classe dos exemplos.

d) O processo segue at que todos os ramos terminem em ns-folha, ou caso no haja mais atributos disponveis.

Existem pequenos detalhes na implementao para levar em conta o nmero mnimo de exemplos classificados em cada n-folha, reduo do efeito de over-fitting, entre outros, mas no convm entrar em detalhes sobre eles. Caso o leitor se interesse, pode verificar a referncia Witten e Frank (2005).

50

Classification via linear regression O mtodo de classification via linear regression mistura rvores de deciso com modelos de regresso linear. Para cada classe (no nosso caso, para cada tipo de reconstruo), o modelo gera uma rvore de deciso. Os branchpoints da rvore so baseados nos valores de atributos, e as folhas da rvore levam a um modelo linear. Dessa forma, no h apenas um hiperplano separando as classes, mas o hiperplano ser decidido pela sequncia de decises embutida na rvore criada.

Nave Bayes classifiers O mtodo de Nave Bayes tem-se mostrado enormemente poderoso em inmeras aplicaes de machine learning. O mtodo utiliza o teorema do Reverendo Bayes. Considere que haja uma hiptese H e evidncia E que suporte a hiptese. Temos que:

P[H | E] =

P[E | H]P[H] P[E]

Onde P[H|E] obviamente significa a probabilidade da hiptese H dada a evidncia E. Isto , realizando o update de probabilidades posteriores dado um evento a priori (prior probability). Para evitar diviso por zero, utilizado o estimador de Laplace. O mtodo nos permite que tenhamos uma estimativa das probabilidades de cada atributo, dada uma classe de reconstrues (vide Witten e Frank, 2005 e John e Langley, 1995 para mais informaes).

Dados os mtodos utilizados, podemos estudar os resultados obtidos.

51 A2. Quais atributos, ou combinaes de atributos, melhor preveem ou explicam uma determinada classificao?

No h um nico atributo que diferencie perfeitamente as trs classes (o melhor valor para o information gain do atributo Lost_attacks, com 0.944, sendo que o mximo 1.0). Dessa forma, optamos por comparar diferentes classificadores, para obter informaes mais robustas e que utilizem conjuntos de atributos.

Os resultados sumarizados dos classificadores esto dados na Tabela 3.2. Um ponto importante que cada classificador foi gerado utilizando-se cross-validao 10-fold, ou seja, os sessenta exemplos (reconstrues) foram divididos em dez conjuntos disjuntos de seis elementos cada. Em seguida, criou-se um classificador tomando 54 exemplos como treinamento e seis como teste. O processo ento repetido dez vezes, cada vez utilizando um conjunto diferente como teste. No final, os dez classificadores gerados foram combinados criando-se um classificador mdio. Esse classificador mdio o que est presente nas figuras e tabelas a seguir e todas as estatsticas so tambm referentes a esse classificador.

Tabela 3.2. Resultados sumarizados dos classificadores

Correctly Classified Instances Incorrectly Classified Instances Kappa statistic Mean absolute error Root mean squared error Relative absolute error Root relative squared error Nave Bayes 49 81.67% 11 18.33% 0.7197 0.1246 0.3345 28.56% 71.54% Classification via regression 50 83.33% 10 16.67% 0.7433 0.1912 0.2923 43.83% 62.52% J48 52 86.67% 8 13.33% 0.7946 0.1044 0.2881 23.93% 61.62%

Como podemos ver, o mtodo J48 foi superior aos mtodos de Nave Bayes e de Classificao por regresso. J48 classifica corretamente 86,67% de instncias (com 10fold cross validation, o que faz o resultado robusto). J48 tambm apresenta (i) o menor erro absoluto, (ii) o menor erro relativo, e (iii) a maior Kappa statistic, indicando uma performance significativamente superior do classificador para esses dados. Na tabela 3.3, inclumos estatsticas adicionais sobre os resultados obtidos novamente sugerimos (Witten e Frank, 2005) para o leitor interessado em mais detalhes.

52

Tabela 3.3. Preciso por teste (Accuracy by test).

TP Rate 0.87 0.643 0.87 0.817 Nave Bayes FP Rate Precision Recall F-Measure 0.108 0.833 0.87 0.13 0.6 0.643 0.027 0.952 0.87 0.082 0.825 0.817 Classification via regression FP Rate Precision Recall F-Measure 0.054 0.905 0.826 0.087 0.692 0.643 0.108 0.846 0.957 0.082 0.833 0.833 J48 FP Rate Precision Recall 0.027 0.952 0.065 0.769 0.108 0.846 0.067 0.869 ROC 0.851 0.621 0.909 0.82 Area 0.939 0.849 0.974 0.932 Class 0 1 2

Weighted Avg.

Weighted Avg.

TP Rate 0.826 0.643 0.957 0.833

ROC 0.864 0.667 0.898 0.831

Area 0.938 0.891 0.978 0.942

Class 0 1 2

Weighted Avg.

TP Rate 0.87 0.714 0.957 0.867

F-Measure 0.87 0.714 0.957 0.867

ROC 0.909 0.741 0.898 0.866

Area 0.953 0.825 0.91 0.906

Class 0 1 2

Para o experimento numrico A, com trs classes presentes, o resultado do J48 foi a rvore mostrada na Figura 3.2.

Figura 3.2. rvore de deciso classificando reconstrues estrategicamente perfeitas

versus reconstrues intermedirias versus reconstrues muito ruins.

53

A Figura 3.2 mostra a rvore de deciso resultante com nove ns no total e cinco nsfolha. Em cada n interno temos o atributo e os valores que levam a classificao para cada um dos ramos. Nos ns-folha temos um valor pertencente ao conjunto {0,1,2}, que a classificao naquele n; e dois valores entre parnteses. O primeiro nmero indica a quantidade total de exemplos que so direcionados para aquele n. O segundo nmero indica a quantidade de exemplos classificados de maneira errnea.

O teste feito com os sessenta exemplos resultou em uma preciso de 86,67%, com 52 exemplos classificados corretamente e oito incorretamente. Na Figura 3.2 tambm mostramos a matriz de erros, que indica quantos exemplos foram classificados corretamente, incorretamente, e como essa classificao incorreta se deu. A forma de se ler a seguinte. Dos sessenta exemplos, 23 eram da classe a (0 = reprodues de baixa qualidade); vinte foram classificados corretamente; dois classificados como classe b (1 = reprodues intermedirias); e um foi classificado como classe c (2 = reprodues estrategicamente perfeitas). Passando para a classe b, temos quatorze exemplos, dez dos quais foram classificados corretamente. A classe c, por sua vez, possui 23 exemplos, e 22 foram classificados corretamente.

54

O que significam esses dados, no contexto da expertise do xadrez? Primeiramente, a habilidade de visualizar ataques (e preserv-los em reconstrues) se trata da caracterstica mais importante, dentre todas as testadas, dos jogadores de alto skill. Note que Lost_attacks>0.8 leva classificao como perfeita (24 classificaes, com duas errneas, olhando-se apenas essa caracterstica). Note, adicionalmente, que no segundo n, Lost_attacks novamente utilizado. Um valor menor ou igual a 0.25 leva

imediatamente a uma classificao como reconstruo pssima (com todas as 15 corretas).

Com 22 (de 23) classificaes como reconstrues perfeitas corretas, e quinze (de 23) como reconstrues pssimas corretas, resta apenas separar as classificaes intermedirias das oito pssimas restantes. Assim sendo, caractersticas superficiais surgem, como Different_color e Omitted_rooks. Different_color e Omitted_rooks obtm resultados esperados: mais erros levam a classificao como reconstrues inferiores.

Experimento numrico B. Comparando as reprodues perfeitas com as outras classes

B1. Quais os atributos mais importantes envolvidos na percepo das reprodues estrategicamente perfeitas, em relao classe formada pelo conjunto de reprodues muito ruins e reprodues intermedirias?

Avaliao de atributos

Novamente, apresentamos aqui os resultados obtidos com os testes qui-quadrado e information gain.

55 Tabela 3.4. Resultados de atributos pela ordem, por teste

48.1316 37.809 34.2656 34.2656 28.8961 24.8649 23.0852 20.376 17.2841 17.2841 17.2841 15.9846 13.9355 12.5658 10.3163 9.3243 8.3729 5.738 4.9261 4.1441 4.1441 3.3907 2.6641 0 0 15 23 21 22 16 7 18 14 3 20 24 8 17 10 25 2 19 4 13 5 1 6 12 9 11 Chi-squared Lost_attacks Moved_piece_total_topological_distance Number_of_moved_pieces Moved_piece_euclidean_distance Lost_defenses Omitted_Pawns Misplaced_Defenses Misplaced_Pawns Omitted_Rooks Different_Piece Geometrical_structures_with_3_pieces Misplaced_Kings Misplaced_Attack Misplaced_Rooks Geometrical_structures_with_4_pieces Omitted_Queens Different_Color Omitted_Knights Misplaced_Light_Bishop Omitted_Dark_Bishop Omitted_Kings Omitted_Light_Bishop Misplaced_Dark_Bishop Misplaced_Queens Misplaced_Knights 0.685 0.5117 0.4521 0.4521 0.4067 0.3942 0.3277 0.2844 0.2844 0.2844 0.2667 0.2649 0.1829 0.1773 0.171 0.1614 0.1459 0.102 0.0882 0.0747 0.0747 0.0615 0.0486 0 0 15 23 21 22 16 7 18 24 20 3 14 8 17 25 10 2 19 4 13 5 1 6 12 9 11 Information gain Lost_attacks Moved_piece_total_topological_distance Number_of_moved_pieces Moved_piece_euclidean_distance Lost_defenses Omitted_Pawns Misplaced_Defenses Geometrical_structures_with_3_pieces Different_Piece Omitted_Rooks Misplaced_Pawns Misplaced_Kings Misplaced_Attack Geometrical_structures_with_4_pieces Misplaced_Rooks Omitted_Queens Different_Color Omitted_Knights Misplaced_Light_Bishop Omitted_Dark_Bishop Omitted_Kings Omitted_Light_Bishop Misplaced_Dark_Bishop Misplaced_Queens Misplaced_Knights

Discusso. Note que tanto o mtodo Chi-squared quanto o mtodo de information gain

obtm resultados extremamente semelhantes. Usando-se o Switch Graph de Linhares e Yanasse (2009), uma medida de distncia entre permutaes, podemos observar que h apenas trs ciclos, ainda menores: (14, 24), (3, 20), (10, 25). Isso significa que, ao trocarmos dois elementos de posio, apenas trs trocas transformam uma permutao na outra. Como o mximo possvel nesse caso seriam 24 trocas (em 25 atributos), temos um overlap de (24-3)/24=0,875. (Observe novamente as notas referentes impossibilidade de interpretao desse valor como uma probabilidade). Isso demonstra que os resultados so robustos para ambos os mtodos.

Temos que os principais atributos, em ambos os mtodos, so:

Lost_attacks Moved_piece_total_topological_distance Number_of_moved_pieces Moved_piece_euclidean_distance Lost_defenses Omitted_Pawns Misplaced_Defenses

56

Note que esses atributos, com exceo de Omitted_pawns, so atributos abstratos. Esses atributos tratam mais de relaes do que propriamente da informao superficial disposta em uma posio.

Classificao

B2. Quais atributos, ou combinaes de atributos, melhor preveem ou explicam uma determinada classificao?

No h um nico atributo que diferencie perfeitamente as duas classes (o melhor valor para o information gain do atributo Lost_attacks, com 0.685, sendo que o mximo 1.0). Dessa forma, optamos por comparar diferentes classificadores, para obter informaes mais robustas e que utilizem conjuntos de atributos.

Desejamos testar os mesmos classificadores neste novo caso:

J48 Decision tree classifier; Classification through linear regression; Nave Bayes classifiers.

Aqui nossos resultados favorecem o mtodo de Nave Bayes:

Tabela 3.5. Resultados Classificao.

Correctly Classified Instances Incorrectly Classified Instances Kappa statistic Mean absolute error Root mean squared error Relative absolute error Root relative squared error Nave Bayes 55 91.66% 5 8.33% 0.8193 0.0557 0.2353 17.23% 59.08% Classification via regression 51 85% 9 15% 0.6904 0.1254 0.2464 38.83% 61.85% J48 53 88.33% 7 11.66% 0.7512 0.0805 0.2525 24.93% 63.40%

57 No apenas o mtodo obteve acima de 91% de classificaes corretas (sobre 10-fold cross validation), mas tambm a Kappa statistic a maior de todas, o erro absoluto o menor de todos, e o erro relativo o menor de todos. Para efeito de completude, inclumos todos os dados referentes a accuracy na tabela 3.6.

Tabela 3.6. Resultados Accuracy.

TP Rate 0.973 0.826 0.917 Nave Bayes FP Rate Precision Recall F-Measure 0.174 0.9 0.973 0.027 0.95 0.826 0.118 0.919 0.917 Classification via regression FP Rate Precision Recall F-Measure 0.13 0.912 0.838 0.162 0.769 0.87 0.143 0.857 0.85 J48 FP Rate Precision Recall 0.174 0.895 0.081 0.864 0.138 0.883 ROC 0.935 0.884 0.915 Area 0.942 0.969 0.953 Class 0+1 2

Weighted Avg.

Weighted Avg.

TP Rate 0.838 0.87 0.85

ROC 0.873 0.816 0.851

Area 0.962 0.962 0.962

Class 0+1 2

Weighted Avg.

TP Rate 0.919 0.826 0.883

F-Measure 0.919 0.826 0.883

ROC 0.907 0.844 0.883

Area 0.896 0.896 0.896

Class 0+1 2

mais difcil visualizar os resultados do mtodo de Nave Bayes. No h uma simples rvore de deciso. O que temos, para cada classe, para cada atributo, so valores de distribuies de probabilidades como mdia e desvio-padro, uma weighted sum do atributo/classe, e um nvel de preciso (quanto menor este ltimo, mais importante o atributo no resultado do Nave Bayes).

Separamos, portanto, os seis atributos com menor valor de preciso (e os nicos com precision0.1):

Moved_piece_total_topological_distance (precision=0.0476); Moved_piece_euclidean_distance (precision=0.0588); Number_of_moved_pieces (precision=0.0769); Lost_defenses (precision=0.0769); Lost_attacks (precision=0.0909); Omitted_pawns (precision=0.1).

58

Esses so os atributos em que as funes de probabilidade mais se diferem entre as classes 0+1 (reconstrues pssimas e intermedirias) e a classe 2 (reconstrues estrategicamente perfeitas). (Uma rodada de Nave Bayes apenas com esses atributos j capaz de classificar corretamente mais do que 86% das reconstrues.) Aqui temos informaes valiosas sobre a aquisio de experincias dos jogadores:

Tabela 3.7. Resultados mtodo Nave Bayes.

Moved_piece_total_topological_distance Moved_piece_euclidean_distance Number_of_moved_pieces Lost_defenses Lost_attacks Omitted_Pawns 0+1 mean 0.4788 0.4022 0.3825 0.4615 0.3808 0.4108 0+1 stdev 0.3603 0.3533 0.3358 0.3877 0.3246 0.3889 2 mean 0.913 0.913 0.9064 0.9799 0.9921 0.9522 2 stdev 0.2435 0.2274 0.2313 0.0689 0.0371 0.1247

Desses dados torna-se bvio que h uma disparidade imensa nesses atributos entre reconstrues perfeitas e reconstrues imperfeitas. Note a disparidade entre as mdias
no caso de reconstrues perfeitas a menor mdia 0.9064 (versus 0.3825)! Note a

disparidade entre os desvios-padro, algumas vezes ordens de magnitude superiores para reconstrues no perfeitas. Essa tabela sumariza os fatores principais que so utilizados (e aprendidos ao longo de anos) pelos jogadores de alto skill. Note que 0+1 mean e 0+1 Stdev referem-se aos grupos 0 e 1 juntos. Cabe ressaltar que esses resultados contrastam com as atuais teorias de expertise como CHREST e EPAM, conforme mencionado no texto.

Figura 3.3. rvore de deciso classificando reconstrues estrategicamente perfeitas

(classe 2) versus todas as reconstrues (intermedirias e muito ruins classe 0).

59

Por fim, vamos isolar as reconstrues pssimas (classe 0) e compar-las s reconstrues perfeitas e intermedirias.

Experimento numrico C. Comparando as reprodues de baixa qualidade com as outras classes

C1. Quais os atributos mais importantes envolvidos na percepo das reprodues de baixa qualidade, em relao classe formada pelo conjunto de reprodues perfeitas e reprodues intermedirias?

Avaliao de atributos

Novamente temos os resultados com os testes qui-quadrado e information gain.

Tabela 3.8. Resultados de atributos pela ordem, por teste

60
Chi-squared Lost_attacks Lost_defenses Omitted_Pawns Geometrical_structures_with_3_pieces Moved_piece_total_topological_distance Omitted_Rooks Moved_piece_euclidean_distance Misplaced_Defenses Number_of_moved_pieces Different_Color Misplaced_Pawns Misplaced_Kings Omitted_Kings Geometrical_structures_with_4_pieces Omitted_Queens Misplaced_Light_Bishop Omitted_Knights Omitted_Dark_Bishop Misplaced_Attack Different_Piece Misplaced_Queens Misplaced_Rooks Omitted_Light_Bishop Misplaced_Knights Misplaced_Dark_Bishop Information gain Lost_attacks Lost_defenses Omitted_Pawns Geometrical_structures_with_3_pieces Moved_piece_total_topological_distance Omitted_Rooks Moved_piece_euclidean_distance Different_Color Number_of_moved_pieces Misplaced_Defenses Misplaced_Pawns Omitted_Kings Misplaced_Kings Geometrical_structures_with_4_pieces Omitted_Queens Misplaced_Light_Bishop Omitted_Knights Omitted_Dark_Bishop Misplaced_Attack Different_Piece Misplaced_Queens Misplaced_Rooks Omitted_Light_Bishop Misplaced_Knights Misplaced_Dark_Bishop

39.2587 30.9296 28.2139 19.765 19.402 18.0494 16.6816 15.3903 15.2291 14.8495 14.6992 12.4929 10.7246 10.4547 8.5311 7.5258 0 0 0 0 0 0 0 0 0

15 16 7 24 23 3 22 18 21 19 14 8 1 25 2 13 4 5 17 20 9 10 6 11 12

0.5921 0.4001 0.3631 0.2456 0.2387 0.2286 0.2264 0.2092 0.2069 0.189 0.1782 0.1516 0.1503 0.1251 0.1014 0.0917 0 0 0 0 0 0 0 0 0

15 16 7 24 23 3 22 19 21 18 14 1 8 25 2 13 4 5 17 20 9 10 6 11 12

Discusso. Note que tanto o mtodo Chi-squared quanto o mtodo de information gain

obtm resultados extremamente semelhantes.

Usando-se o Switch Graph, podemos

observar que h apenas dois ciclos: (18, 19), e (8,1). Isso significa que, ao trocarmos dois elementos de posio, apenas duas trocas transformam uma permutao na outra. Como o mximo possvel nesse caso seriam 24 trocas (em 25 atributos), temos um overlap de (24-2)/24=0.9166.

Temos que os atributos principais obtidos por ambos os mtodos so:

Lost_attacks Lost_defenses Omitted_Pawns Geometrical_structures_with_3_pieces Moved_piece_total_topological_distance Omitted_Rooks Moved_piece_euclidean_distance

Note que aqui j h uma srie de atributos superficiais, menos abstratos, como Omitted_pawns, Omitted_rooks e Geometrical_structures_with_3_pieces. Isso indica

61 que, na identificao de atributos importantes para isolar reconstrues ruins, os atributos relacionados a estruturas superficiais tornam-se relevantes.

Classificao

C2. Quais atributos, ou combinaes de atributos, melhor preveem ou explicam uma determinada classificao?

No h um nico atributo que diferencie perfeitamente as trs classes (o melhor valor para o information gain do atributo Lost_attacks, com 0.5921, sendo que o mximo 1.0). Dessa forma, novamente optamos por comparar diferentes classificadores, para obter informaes mais robustas e que utilizem conjuntos de atributos.

Desejamos testar os mesmos classificadores neste novo caso:

J48 Decision tree classifier; Classification through linear regression; Nave Bayes classifiers.

Tabela 3.9. Resultados Classificao

Correctly Classified Instances Incorrectly Classified Instances Kappa statistic Mean absolute error Root mean squared error Relative absolute error Root relative squared error Nave Bayes 51 85% 9 15% 0.6953 0.0958 0.3032 29.67% 76.13% Classification via regression 55 91.66% 5 8.33% 0.8223 0.0991 0.231 30.70% 57.98% J48 56 93.33% 4 6.66% 0.859 0.0499 0.213 15.44% 53.47%

Figura 3.4. rvore de deciso classificando reconstrues muito ruins versus as outras

(estrategicamente perfeitas e intermedirias).

62

O que esses resultados nos indicam? Primeiramente, note que quando h um grande nmero de Lost_attacks (acerto relativo a outras reconstrues da mesma posio menor ou igual a 0.25), quinze reconstrues so classificadas como muito ruins. Para as 45 restantes, novos testes sero aplicados. O primeiro teste relativo a Different_color, erros relativos a cores diferentes da mesma pea. Caso esse valor seja igual a zero (indicando que, de todas as reconstrues, aquela foi a que atingiu o erro mximo), ento mais cinco reconstrues so classificadas como muito ruins. As quarenta reconstrues restantes so agora testadas em relao ao nmero de estruturas geomtricas com trs peas (i.e., cadeias de peo com trs peas ou dois pees e uma pea). Caso a

reconstruo de tais cadeias seja superior a 0.5, o valor mdio relativo das reconstrues, o modelo classifica a reconstruo como bem-feita (neste caso, 35 reconstrues). Caso contrrio, um ltimo teste realizado: quantos pees foram omitidos? Caso nenhum peo tenha sido omitido, o modelo classifica a reconstruo como muito ruim. Aqui temos o interessante efeito de deslocamento do foco, em que esse tipo de erro realizado em reconstrues melhores, mas no realizado em reconstrues muito ruins (uma Ushaped learning curve).

Novamente, por completude, informamos a accuracy obtida nos mtodos na tabela 3.10.

63

Tabela 3.10. Resultados Accuracy

TP Rate 0.913 0.811 0.85 TP Rate 0.87 0.946 0.917 TP Rate 0.913 0.946 0.933 Nave Bayes FP Rate Precision Recall F-Measure 0.189 0.75 0.913 0.087 0.938 0.811 0.126 0.866 0.85 Classification via regression FP Rate Precision Recall F-Measure 0.054 0.909 0.87 0.13 0.921 0.946 0.101 0.916 0.917 J48 FP Rate Precision Recall F-Measure 0.054 0.913 0.913 0.087 0.946 0.946 0.074 0.933 0.933 ROC 0.824 0.87 0.852 ROC 0.889 0.933 0.916 ROC 0.913 0.946 0.933 Area 0.928 0.927 0.928 Area 0.927 0.927 0.927 Area 0.924 0.924 0.924 Class 0 1+2

Weighted Avg.

Weighted Avg.

Class 0 1+2

Weighted Avg.

Class 0 1+2

No prximo captulo vamos apresentar a anlise qualitativa das reconstrues obtidas, vistas pela tica do grandmaster Rafael Leito, um dos maiores experts brasileiros, em entrevista realizada em Americana, So Paulo.

64

You may learn much more from a game you lose than from a game you win. You will have to lose hundreds of games before becoming a good player.
Jose Raul Capablanca

"An expert is a man who has made all the mistakes which can be made, in a narrow field."
Niels Bohr

We must not say every mistake is a foolish one.

Cicero (106 BC - 43 BC)

4. ANLISE QUALITATIVA DOS ERROS

Para esta anlise qualitativa dos erros, foi realizada entrevista com um dos maiores experts brasileiros, o grandmaster Rafael Leito. A entrevista foi realizada em Americana, So Paulo. No apndice A documentamos toda a anlise qualitativa dos erros cometidos.

Para cada posio utilizada: a o expert realiza uma anlise da posio, considerando em especial, dada a

situao estratgica, o que relevante para registro e o que irrelevante; b o expert analisa as diversas reconstrues obtidas, enfatizando os erros realizados e como o jogador registrou, ou deixou de registrar, a situao estratgica;

Aps as anlises das posies reais e das reconstrues obtidas, so apresentados as anlises das posies aleatrias e os comentrios adicionais do grandmaster.

65

A anlise dos erros de reconstruo aponta que as caractersticas julgadas como mais relevantes na posio pelo G.M Rafael Leito, so mantidas nas reconstrues dos jogadores com maior nvel de expertise. Os erros cometidos por jogadores experts tendem a preservar a essncia da posio como exemplificado na anlise da reconstruo do jogador Q na posio 2 :

O jogador Q a gente j v que um jogador de categoria, ele errou tambm, mas ele captou os elementos principais da posio. Note quando eu falei os elementos mais importantes de chamar ateno a posio das peas mais importantes e justo o que ele errou foi a colocao dos pees, ele omitiu um peo preto em A6 e colocou um peo que estaria em A2 ele colocou em H2. Teve tecnicamente dois erros, mas a percepo dele da posio foi perfeita.

Os erros de reconstruo dos enxadristas de nvel intermedirio, como o jogador R, tendem a manter os aspectos mais relevantes da posio: o jogador R, me parece interessante... tem muitos erros nas posies que ele monta, mas ele sempre pega a essncia da posio.

Por outro lado, o enxadrista Y (classe B) teve dificuldade em captar nas reprodues os aspectos julgados como essenciais pelo G.M. Rafael Leito, que analisou a reconstruo da posio 5 : O que ele colocou aqui no lembra em nada a posio original, o jogador Y. Enxadristas com menor nvel de expertise, como o jogador Y, no conseguem reproduzir em suas reconstrues os aspectos mais relevantes das posies, como por exemplo, os xeques das posies 1, 4, 8 e 10. Alm dos xeques, quase todos aspectos julgados como relevantes da posio no foram preservados nas reconstrues comoa promoo do peo (posio 6), o ataque dama (posio 7), o flanco dama (posio 7), a presso torre(posio 9) e ataque brancas (posio 10).

66 Ccero disse uma vez que We must not say every mistake is a foolish one, o que se aplica claramente neste caso. Dois padres claros surgem aqui:

1. A diferena no desempenho entre os diferentes jogadores torna-se imediatamente clara conforme experimentos anteriores; mas, alm disso, temos tambm que:

2. os erros de jogadores intermedirios so extremamente interessantes, pois esses jogadores conseguem preservar fragmentos da situao estratgica, ainda que tenham cometido uma srie de erros na reconstruo das posies. Isso indica que os erros no so distribudos uniformemente pelo contrrio, quanto maior a habilidade de um jogador, maior a probabilidade de que seus erros sejam cometidos em peas ou reas irrelevantes da situao.

No prximo captulo, vamos analisar como esses resultados alteram de forma significativa as teorias correntes de expertise, memria e tomada de deciso nesta rea.

67

One of the accomplishments of the contemporary theory of problem solving has been to provide an explanation for the phenomena of intuition and judgment frequently seen in experts' behavior. The store of expert knowledge, "indexed" by the recognition cues that make it accessible and combined with some basic inferential capabilities, accounts for the ability of experts to find satisfactory solutions for difficult problems, and sometimes to find them almost instantaneously. The expert's "intuition" and "judgment" derive from this capability for rapid recognition linked to a large store of knowledge.

Simon et al., 1987

5. IMPLICAES PARA A TOMADA DE DECISO NO XADREZ

5.1 Introduo

Dado que este estudo estende os resultados anteriores de nosso grupo de pesquisas, vamos realizar, novamente, uma reviso breve da literatura moderna sobre a estrutura dos chunks (vide Linhares, 2005; Linhares, 2008; Linhares & Brum, 2007; Linhares & Brum, 2009; Brum, 2007). Note que esta no a primeira vez que estamos criticando essa literatura mas os dados aqui presentes reforam significativamente as crticas anteriores.

Nossos estudos anteriores mostraram que analogias so essenciais na percepo de cenrios (Linhares e Brum, 2007; Linhares e Brum, 2009). Na literatura encontramos diversos estudos sobre expertise no xadrez, porm destacaremos os mais influentes, que so baseados na teoria clssica chunking, colocada adiante originalmente, por Chase e

68 Simon (1973), em arquiteturas computacionais modernas, tais como: CHREST e CHUMP. Vejamos, brevemente, cada um desses modelos nas sees seguintes.

5.2 CHREST Chunk Hierarchy and REtrievel STructure

Ao julgar pelo nmero de citaes que recebeu na literatura internacional indexada ISI, CHREST a teoria computacional mais influente sobre expertise8 (habilidade ou percia) no xadrez. Ao contrrio da teoria SEEK, CHREST uma implementao em computador desenvolvida pela hiptese que o processamento da informao subjacente s suas fundaes tericas e, portanto, dispe de recursos para: (i) ser incrivelmente rigoroso na definio dos termos, tais como chunks, templates, os processos subjacentes dominantes no xadrez, e outros mais, nos quais geralmente so definidos fracamente pela teoria SEEK e em outras teorias verbais; e (ii) ser testado cuidadosamente nas simulaes e para ser comparado aos dados reais de humanos.

O objetivo de CHREST ser um modelo psicolgico de expertise humano no jogo de xadrez (De Groot e Gobet, 1996, p.215), de fato, um modelo unificado, no qual inclui a cognio por trs da aprendizagem, da percepo e da memria. um sistema simblico tal como os bem conhecidos SOAR ou EPAM. O sistema implementa uma explorao visual de uma posio num campo visual (igualado qualitativamente ao capturado pelo olho dos seres humanos), aprende pelo armazenamento de novos padres na memria de longo prazo ou LTM (long-term memory), reconhece os padres j armazenados na LTM, que lhe permite construir uma representao do tabuleiro na STM (short-term memory), e, finalmente, reconstri a posio com o contedo embutido nos chunks indicados pelos ponteiros na STM. A igualdade encontrada nos dados humanos, de enxadristas avanados ou de novatos, aps uma curta ou longa exposio, com posies regulares ou aleatrias, simplesmente notvel. Dificilmente, pode-se propor
Em janeiro de 2005, o artigo publicado por Holding (1992) resumindo a teoria SEEK baseada na antecipao das consequncias para movimentos recebeu dez citaes no banco de dados ISI - essa teoria analisada em Linhares (2005b). Em comparao, vrias referncias a respeito das idias relacionadas a CHREST (De Groot e Gobet, 1996; Gobet (1997,1998); Gobet e Simon, 1998; Gobet e Jackson, 2002; Gobet et al. 2001) alcanaram mais de duzentas citaes, e se ns incluirmos os artigos de Chase e Simon (1973a, 1973b) e Simon e Chase (1973), o nmero de citaes cresce e ultrapassa mil.
2

69 um modelo de processamento de informao da cognio no xadrez enquanto se ignorar essa influente teoria.

Essa linha de trabalho coloca que to difcil se tornar um mestre [porque] diversas redes necessitam ser construdas, com muitas conexes dentro delas (redundncias) e entre estas (funcionalidades e ligaes semnticas) (De Groot e Gobet, 1996, p.246, nfase nossa). Visto que essas diversas redes so fundamentais para compreender como CHREST e CHUMP operam, e, portanto, a teoria fundamental, ns devemos investigar um pouco mais os seus mecanismos.

5.3 Discrimination Nets ou Redes de Discriminao

Imagine uma mquina de refrigerante em lata. Ns introduzimos e deixamos cair uma moeda nela, e, em seguida, a gravidade realiza seu trabalho fazendo uma srie de testes baseados (na maior parte) na largura e no dimetro da moeda. Esse processo de ramificao de testes o ncleo das redes de discriminao. No modelo CHREST, sempre que o campo visual faz a varredura de uma pea nova, por exemplo, bispo em b3 <Bb3>, ento o sistema buscar na LTM um potencial chunk candidato. Deixe-nos supor que um ramo inicial seja encontrado, ou n, com essa informao. Esse n pode ser conectado a uma srie de outros ns, tais como <Pa2>, <Pa3>, e assim por diante. Cada um desses ns (que em nosso exemplo hipottico j tero sido encontrados em posies precedentes e armazenados na LTM) agir como um teste de um potencial chunk. Seu significado como Voc encontrou um bispo branco no quadrado b3. Voc enxerga agora um peo branco na casa a2? Cada um desses testes guiar os movimentos dos olhos (eye saccades) e oferecer outros pontos de ramificao para que o sistema identifique um chunk potencial, que geralmente envolve uma variedade de peas. Os testes sempre incluem uma especfica combinao de peas e casas (ou POS, do ingls piece-on-square). Semelhante s mquinas de refrigerantes em lata, a rede de discriminao oferece uma rede de ramificaes de possibilidades.

70

Bb3

Pa3b 3

Pa2

Pb3

Pb2

Figura 5.1. Um fragmento de uma rede de discriminao.

As implementaes atuais oferecem mecanismos mais sofisticados, tais como links de redundncia e template-slots, mas essas no diminuem o nosso argumento principal apresentado at aqui.

Compreendido o mecanismo, a analogia com mquinas de refrigerantes em lata terminou. A rede de discriminao est habilitada a desenvolver-se por dois mecanismos especficos: familiarizao e discriminao. A familiarizao consiste dos casos em que o chunk reconhecido como sendo compatvel com o chunk classificado pela rede (De Groot e Gobet, p.226), ao passo que a discriminao consiste dos casos em que um chunk classificado como um n e reconhecido como sendo diferente da imagem do n e, a seguir, um novo teste adicionado (ibid.). A imagem do n a representao de um chunk previamente conhecido. Isso nos conduz a algumas das primeiras rigorosas definies oferecidas por CHREST: sobre a natureza dos chunks e o contedo de STM.

71 De acordo com Chase e Simon (1973a), os chunks so definidos como sequncias de peas corrigidas as latncias de menos do que dois segundos entre peas sucessivas. (Gobet e Simon, 2000, p. 661). Um chunk codificado como uma lista de POS, classificada numa ordem arbitrria, tal como <Kg2, Re1, Pf2, Pg3, Ph4>. Um chunk pode consistir em uma nica POS (por exemplo, (Kg2)) (ibid., p. 671). O que os avanados fazem de fato? Pode-se dizer que [...] reconhecem os chunks da LTM e coloca-lhes um ponteiro na STM. Estes chunks, cada qual contm diversos elementos que os novatos veem como unidades, permitem os avanados memorizarem a informao muito alm do que os novatos podem relembrar (ibid., p. 652).

O contedo da STM uma fila de ponteiros para os ns da LTM, como a tradicional implementao da estrutura de fila FIFO (first-in, first-out), em que o primeiro a entrar o primeiro a sair da fila. Isto , os potenciais chunks so avaliados e descartados rapidamente depois que novos candidatos aparecem. Existe somente um chunk especial, conhecido como a hiptese, que comea com o privilgio de nunca de deixar a STM isto , devido ao fato de ser o maior chunk encontrado to distante na LTM.

5.4 Simulaes: fases de aprendizagem e de execuo

Ento, como o sistema aprende? De acordo com os autores, durante a fase de aprendizagem, o programa faz a varredura de uma base de dados com alguns milhares de posies do xadrez retiradas dos jogos dos mestres. O sistema fixa em determinados quadrados, simulando os movimentos dos olhos, e aprende e armazena os chunks usando os processos da discriminao e da familiarizao. Os templates e as ligaes de similaridade so criados tambm neste momento. (Gobet e Simon, 2000, p. 672)

Templates so [...] simplesmente chunks grandes que descrevem os padres que so frequentemente encontrados na prtica em jogos de mestres, especialmente as variaes comuns de abertura, na qual evolui para os [templates] (Gobet e Simon, 2000, p. 679). Templates possuem um ncleo, (isto , um chunk de CHREST), mas so mais flexveis

72 do que os chunks, codificando uma srie de slots com informaes adicionais. Existem os square-slots que podem codificar as peas que cercam o ncleo, e as piece-slots, em que codificam os quadrados ocupados pelas peas que geralmente esto ligadas ao ncleo. Um exemplo de um template CHREST mostrado abaixo na figura 5.2, depois que 300.000 chunks so armazenados na LTM um tamanho para rede de discriminao vem sendo discutido de acordo com o nvel de expertise dos jogadores mestres.

CORE: Pc4 Pe4 Pf3 Pg2 Ph2 Be3 Nc3 pc6 pd6 pf7 pg6 nc5 bg7

SLOTS: SQUARE SLOTS: c5: d4: g1: <white king> c3: e5: e3: f7: PIECE SLOTS: white rook white bishop white knight black bishop black knight black pawn

: : : : : :

<e1> <f1> <d7> <b7>

Figura 5.2. Um exemplo de template CHREST (aps Gobet e Simon, 2000).

Na fase de execuo, algumas simulaes so conduzidas para que o sistema possa reconstruir brevemente as posies mostradas. H algumas variaes no nvel da habilidade e fora (por exemplo, novatos, avanados, mestres, etc.), nos tempos de apresentao e com relao a posies regulares contra posies aleatrias. O sistema demonstra um incrvel ajuste com os dados humanos, cometendo eventualmente erros, quando tambm so esperados pelos seres humanos. Entretanto, CHREST no seleciona movimentos, e a partir da seleo de movimentos que os seres humanos aprendem o

73 jogo de xadrez. Seria um passo natural para essa teoria expandir-se para um sistema com seleo de movimentos (move-seleting system): CHUMP.

5.5 CHUMP CHUnks of Moves and Patterns

CHUMP um sistema da mesma famlia e fundamento terico de CHREST, que tem por objetivo selecionar um movimento (ao contrrio da reconstruo de uma posio momentaneamente mostrada). Esse sistema cria duas redes de discriminao, uma para padres das peas, como em CHREST, e a outra para os movimentos e sequncias dos movimentos. Ademais, as duas redes so conectadas por ligaes associativas (De Groot e Gobet, 1996, p.245), nas quais permitem o sistema propor movimentos baseados nos padres especficos previamente armazenados na LTM:

Por exemplo, dado o padro <Pf2, Pg3, Ph3, Bg2> e dado o movimento <Bg2xd5> realizado no jogo, acessvel a um n na rede de movimentos (movenet), CHUMP cria uma conexo entre os dois ns. No futuro, o padro <Pf2, Pg3, Ph3, Bg2> servir como uma condio para a ao <Bg2xd5>" (De Groot e Gobet, 1996, p.245).

Esse o mecanismo fundamental por trs do sistema, que tambm composto de redes de discriminao adicionais, e desta vez discriminando movimentos e sequncias de movimentos. Conforme De Groot e Gobet (1996), especula-se que, no futuro prximo, a implementao de uma memria semntica, baseada tambm nas redes de discriminao:

O mesmo mecanismo pode ser utilizado para implementar uma memria semntica complexa. Acrescentando as redes, os padres das peas e para (sequncias de) movimentos, as redes poderiam ser criadas para aberturas, planos, heursticas, conceitos tticos, conceitos posicionais, etc. (ibid., p.245)

Uma das suposies essenciais por trs desse projeto do sistema origina-se do fato que os mestres no jogo de xadrez so incrivelmente rpidos em selecionar um bom movimento.

74 Por causa disso, foi verificado em inmeros experimentos, para no mencionar em torneios rpidos ou em jogos simultneos contra mltiplos oponentes, que os projetistas tm focado seus esforos na implementao de um sistema que pudesse obter movimentos muito rpidos e eficientes:

It seems plausible, for example, that beginners and weak players will focus on abstract, non-located relations between pieces, like a Knight attacks a piece that defends a Pawn. [] Such knowledge is general, but its price is that it takes time to interpret it and to apply it to a given position. As expertise grows, we expect that players will tie abstract, declarative knowledge to specific instances. The resulting compiled, variable-free

knowledge is of course limited in its application but is very rapid to access and very reliable. This is the type of productions implemented in CHUMP. (De Groot & Gobet, 1996, p.246)

CHUMP, entretanto, j foi criticado por diversas correntes tericas. Alguns pontos importantes so destacados abaixo: Visto que, o sistema to dependente da acumulao de um nmero enorme de chunks, Holding (1992) discute que uma falcia inferir que, por causa da habilidade no xadrez, determinar a memria no xadrez; por conseguinte, a memria por si deve determinar a habilidade; (ns no concordamos nesse caso, mas ns propomos que o modelo chunking no adequado pelas razes apontadas a seguir). [...] uma objeo importante para a simplicidade das teorias chunking sobre a habilidade no jogo de xadrez inclui como produto do sistema a ligao entre o reconhecimento do chunk e a seleo do movimento. Como reconhecer chunks relativamente pequenos ou padres que conduzam escolha de movimentos especficos [...]? (Chabris e Hearst 2003, p. 644).

Talvez o maior problema que reside nas teorias atuais sobre percepo de padres que necessitam da flexibilidade presente na cognio humana. Tomemos novamente para um exame a posio 10, e imagine todas as peas deslocadas uma, duas ou trs casas para a esquerda ou para baixo ou ambos. Por causa dessa posio imaginada, agora as peas

75 residem em casas diferentes, e de acordo com as teorias chunking tradicionais, chunks completamente novos seriam trazidos da LTM. Em outras palavras, as teorias chunking so baseadas nos mecanismos to rgidos como as redes de discriminao enxergam uma posio completamente diferente contendo um novo conjunto de chunks aps o deslocamento das peas. Sua memria da posio imaginada seria completamente diferente daquela posio original. Contudo, essa posio deslocada realmente diferente daquela original no seu sentido verdadeiro? Qualquer ser humano capaz de deslocar as peas e de enxergar que exatamente a mesma posio!.

De fato, este trabalho no pode confiar numa afirmao dessa sem que um experimento cuidadoso seja conduzido. McGregor e Howes (2002) questionaram a bsica suposio de que os chunks eram baseados unicamente na informao de POS e, na maioria das vezes, nas proximidades das peas. Eles apresentaram trinta posies de meio e final de jogo no xadrez durante trinta segundos para um grupo de jogadores novatos e avanados. Posteriormente, apresentaram trinta posies e perguntaram aos participantes se algumas dessas posies faziam parte do conjunto original. Essas novas posies foram divididas em trs conjuntos: (i) dez posies do conjunto original; (ii) dez posies alteradas, nas quais todas as peas foram trocadas (i.e., as relaes permaneceram constantes, mas a informao POS foi transformada); e (iii) dez posies distorcidas nas quais uma simples pea foi colocada em lugar trocado, porm essa alterao interferiu violentamente nas relaes bsicas de ataque e defesa. Os resultados foram evidentes: demonstraram, por exemplo, que os jogadores com alto expertise responderam que metade das posies alteradas pertenciam ao conjunto original, enquanto apenas uma mdia de 1,83 posio distorcida recebeu uma resposta falso positivo. O efeito do tipo da transformao foi descoberto pelo grupo com alto expertise como sendo significativo na posio, ao passo que o grupo com baixo expertise no poderia diferenciar entre as posies originais, alteradas e distorcidas. Tal fato levou os autores a concluir que os participantes com maiores habilidades apresentaram acima de 80% de exatido na rejeio de posies com diferentes relaes entre peas, apesar das pequenas mudanas entre as posies originais estudadas e as posies distorcidas. Os participantes avanados foram no s rpidos e mais apurados em discriminar novas

76 relaes entre peas como novas localizaes de todas as peas. Logo aps, eles investigaram a intuio que os chunks eram compostos na maioria das vezes de peas vizinhas. Os resultados de seus estudos elementares foram consistentes com o ponto de vista de que a presena de uma relao de ataque e defesa entre as peas numa posio mais significativo para a organizao da memria do que a proximidade de peas. A viso de que as peas com muita proximidade espacial so colocadas como chunks na memria no foi suportada pelos resultados. (ibid., p713)

Desse modo, as teorias de chunking baseadas em mecanismos da rede de discriminao operando sobre POS no parecem reproduzir a flexibilidade envolvida na percepo humana no jogo de xadrez, pelo menos no que diz respeito habilidade de visualizar que mesmo na superfcie cada pea mudou; entretanto, na essncia a posio permanece a mesma e conduz situao estratgica. A palavra-chave aqui essncia, que ns iremos mencionar no captulo seguinte, quando discutiremos como os avanados e os novatos percebem similaridades da viso estratgica entre posies diferentes no jogo de xadrez.

O ponto levantado por Chabris e Hearst (2003) tambm uma questo crucial: os chunks reconhecidos em teorias atuais so percebidos nas configuraes superficiais de POS, mas podem no ser diretamente associados com estratgias para o jogo, porque seria necessria uma perspectiva global da posio. bvio que a percepo de um chunk especfico no pode conduzir diretamente a nenhum movimento, porque para cada chunk existe um inimaginvel nmero de posies no qual ele aparece, e cada uma dessas apresenta distintas possibilidades de movimento. Em seguida, Chabris e Hearst (2003) sugerem que outros processos de mais alto nvel (como fatores associativos, a busca extensiva, a avaliao, a visualizao, e talvez alguns adicionais at agora no identificados nas teorias conceituais ou representacionais), devem intervir entre o conhecimento de padres e a seleo de movimentos.

77

5.6 Que tipos de erros devemos esperar de CHREST e teorias semelhantes?

Dada a teoria acima, cabe a pergunta: que tipos de erros devemos esperar de CHREST e modelos similares? Tais erros refletem os resultados de experimentos reais, como os obtidos neste estudo? A teoria prev codificao via pieces-on-squares, com a adio de templates eventuais tanto em quadrados (codificando uma pea) ou de peas (codificando o quadrado onde se encontra). Logicamente, erros esperados seriam de codificao de pieces-on-squares, ou seja, uma pea foi trocada de quadrado, ou foi colocada uma pea distinta. Algo que no previsto pela teoria um completo rearranjo de peas que preserve as relaes originais. E exatamente esse tipo de erro que observamos nos jogadores de maior habilidade.

Vamos exemplificar com uma reconstruo. Considere a posio 8, na figura abaixo, e a reconstruo do jogador R. O jogador R cometeu os seguintes erros:

1. ambas as torres negras foram deletadas; 2. a torre branca em e7 moveu subitamente para b1; 3. a estrutura branca <Pc3, Qd2, Ke2> simplesmente desaparece, e a rainha movida para e7; 4. toda a estrutura negra de <qc4, pc5, pd5> movida, e a posio da rainha invertida; 5. em suma, nas colunas a, b, c, d, e, todas as peas, com a exceo da torre branca
em b8, esto colocadas erroneamente.

78 Posio 8- Original Reconstruo jogador R

Figura 5.3.

Reconhecimento de experincias: a posio original esquerda e a

reconstruo do sujeito R direita. Note que h um grande nmero de erros, mas que no alteram a essncia da posio. Na posio original, o rei preto encontra-se em xeque-mate pelas duas torres brancas. Na posio reconstruda, o rei preto tambm permanece em xeque-mate, mas h inmeros erros: ao invs de o rei ser bloqueado pela segunda torre em e7, ele bloqueado por uma rainha em e7; diversas peas so simplesmente ignoradas. Apesar desses erros, a estrutura permanece: trata-se de um xeque-mate por dois ataques nas linhas 8 e 7. Note que, mais importante do que o padro especfico de arranjo de peas, mais importante do que pattern recognition, est experience recognition, em que o jogador reconstruiu o mesmo cenrio, apesar de ter cometido inmeros erros que no alteram a percepo subjetiva do cenrio. O padro foi alterado, mas sua experincia no.

Agora, note a semelhana estratgica envolvida na reconstruo. Vamos analisar ambas as posies estrategicamente. Na posio original, o rei est em xeque pela torre em b8. A torre no pode ser capturada. Logo, ou o rei escapa, ou o xeque bloqueado por alguma pea. O rei no pode escapar, dada a torre em e7. A nica alternativa , portanto, bloquear o xeque, o que pode ser feito pelo cavalo em f6 ou pela torre em d7. Mas note que qualquer dessas alternativas simplesmente adia o xeque-mate, dado que a torre branca pode capturar a pea e novamente colocar o rei negro em xeque. No h sada para o lado negro.

79 Observe agora a reconstruo do jogador R. O rei negro est em xeque pela torre corretamente reproduzida em b8. No h como escapar, dada a rainha em e7. possvel bloquear o xeque com o cavalo, mas isso apenas adia o xeque-mate. exatamente a mesma situao estratgica reproduzida com todas as peas nas colunas a, b, c, d, e erroneamente colocadas; a exceo sendo a torre em b8.

Um exemplo no pode comprovar uma teoria, mas pode comprovar que uma teoria est errada. Nosso argumento de prova por contradio ou reductio ad absurdum baseia-se neste tipo de exemplo:

i)

a teoria atual prev uma codificao via peas em quadrados (pieces on squares);

ii)

jogadores conseguem registrar a situao estratgica e reproduzi-la fielmente, mas cometendo vrios erros do tipo que a teoria no prev;

iii)

logo, a teoria atual no pode explicar completamente a codificao utilizada pelos jogadores para registrar um tabuleiro.

Caso os jogadores registrassem os cenrios apenas conforme o pressuposto da teoria, ento reconstrues como a do jogador R no poderiam registrar o cenrio estratgico. Note que a probabilidade dos erros do jogador R nfima: o movimento da rainha branca simplesmente invlido; vrias peas simplesmente no foram reconstrudas; das oito colunas, cinco esto completamente distorcidas com exceo de uma pea.

O jogador errou 47% das peas (9 em 19), e ainda assim preservou, perfeitamente, o cenrio estratgico. Como sabemos dos tabuleiros aleatrios, uma quantidade to grande de erros no poderia preservar o cenrio estratgico. A codificao de chunks, portanto, inclui mais informaes do que o que previsto pelas teorias correntes.

80
5.7 Sumrio

Neste captulo revisamos as teorias correntes sobre percepo e deciso em xadrez, e mostramos como os resultados de nossos experimentos so incompatveis com os pressupostos dessas teorias. Tomando um exemplo de reconstruo, mostramos como um jogador pode perder 47% da informao pressuposta pelas teorias correntes, mas registrar 100% da situao estratgica o que torna bvio que as teorias atuais pressupem codificaes de forma incompleta.

No prximo captulo vamos explorar o que os resultados obtidos aqui sugerem para o campo da administrao em geral.

81

Vision is the art of seeing the invisible. Jonathan Swift

6. TOMADA DE DECISO VIA RECONHECIMENTO DE EXPERINCIAS

Nesta tese, apontamos uma critica pesquisa bsica de Chase e Simon (1973), seguindo as crticas anteriores de Linhares e Freitas (2008, aceito para publicao), de como obter novos resultados, comparando experts e novatos no jogo de xadrez. Nossos resultados tanto os numricos quanto os qualitativos apontam para novos modelos de percepo e deciso no domnio do xadrez. Assim sendo, acreditamos que este estudo nos traz contribuies originais para a rea extremamente rica de julgamento e tomada de deciso. Conforme vimos anteriormente, a tese trata de um problema de cincia bsica, que pode ser resumido com a seguinte pergunta: "Como tomadores de deciso experts percebem cenrios complexos?" Apontamos que (i) existe um espao inexplorado na literatura para a pesquisa sobre a percepo humana no jogo de xadrez (Linhares e Freitas 2008, aceito para publicao); (ii) apontamos, tambm, como explorar esse espao, elucidando quais as caractersticas que jogadores de xadrez veem como cruciais em cada cenrio. O estudo proposto relevante e original. Entretanto, um estudo de cincia bsica; e a Administrao por natureza uma cincia aplicada. Desejamos que a tese possua no apenas o trabalho de cincia bsica, mas a perspectiva mais ampla para a tomada de deciso em seus diversos cenrios. Enquanto os resultados

82 sobre os chunks de xadrez podem eventualmente possuir impacto na psicologia de tomada de decises, desejamos neste captulo explorar as sugestes de mais amplo escopo e a eventual aplicabilidade para a ampla rea da tomada de deciso. Atualmente, a literatura de percepo, julgamento e deciso fortemente concentrada na ideia de reconhecimento de padres. H inmeros peridicos, conferncias e H

sociedades cientficas dedicadas diretamente a reconhecimento de padres.

modelos de redes neurais, algoritmos genticos, processamento de sinais e uma enorme gama de outras abordagens em busca de mtodos que nos ajudem a compreender reconhecimento de padres. Buscamos aqui, baseados nos resultados desta tese, explorar uma mudana de perspectiva. A idia de reconhecimento de padres pressupe que o processamento de informao relevante sobre padres (ou dados) que existem independente de qualquer interpretao. Propomos, portanto, alterar essa idia. Propomos que a tese sugere a viso da tomada de decises via o reconhecimento de experincias (Linhares e Freitas, aceito para publicao). Ao invs de comparar o conhecimento atual com os padres (existentes independentes da interpretao humana), propomos que a comparao feita com as codificaes preexistentes na mente humana. Considere, por exemplo, os modelos atuais de redes neurais que buscam compreender a escrita humana e digitaliz-la. Esses modelos clssicos so capazes de armazenar

padres de milhares de letras escritas mo, e, depois de tal armazenagem, buscam realizar um match entre os padres novos e os padres pr-armazenados. Acreditamos que essas linhas sejam pouco producentes. Considere a seguinte alternativa: ao invs de armazenar os padres no seu formato original, propomos armazenar a forma pela qual esses padres so processados. Por exemplo, no caso de escrita,

propomos a armazenagem de eye saccades (movimentos rpidos dos olhos), ao invs dos padres originais. A forma pela qual a informao processada leva precedncia sobre a informao em si.

83 Talvez alguns exemplos mostrem mais claramente a ideia (vide Linhares e Freitas, aceito para publicao): 1. Quando uma me diz para uma criana pequena que aquela uma pessoa fria, distante, a criana compreende imediatamente que essas caractersticas no se referem temperatura fsica nem proximidade geogrfica. Como ento a

criana capaz de entender uma frase desse tipo? Pela experincia anterior. Pessoas prximas, como a me, realizam muito contato fsico umas com as outras. O contato fsico, por sua vez, no apenas estimula endorfina e outros neurotransmissores positivos, mas tambm esquenta, fisicamente, o corpo da criana. , portanto, possvel compreender o que uma pessoa fria, distante significa sem sequer compreender o que uma analogia ou uma metfora so. 2. Novos conceitos cientficos so quase sempre explicados por meio de conceitos com os quais temos experincia prvia. O modelo do tomo, com ncleo e eltrons, baseou-se na metfora com estrelas e planetas. DNA regularmente comparado com uma escada em caracol, com programas de computador, com impresses digitais (numa cena de crime), com um zper, etc. O mesmo ocorre na compreenso de polticas ou decises jurdicas. Decises jurdicas so, muitas vezes, baseadas em precedentes conhecidos, nos quais os detalhes variam em larga escala. Al Gore, em seu filme An Inconvenient Truth, usa a experincia da catstrofe de 11 de Setembro para argumentar, numa simulao, que a eventual ascenso do nvel ocenico poderia gerar uma catstrofe ainda maior em Manhattan. Em geral, qualquer conceito ou situao complexa comparada com um conceito ou situao com o qual temos experincia prvia. 3. Durante os anos 90, nos Estados Unidos, a frase The new Honda imediatamente compreendida como se tratando de um carro. No Japo, a mesma frase interpretada como se tratando de uma moto. As diferentes experincias dos consumidores nos diferentes pases levam a interpretaes distintas. Ainda na mesma indstria, Volkswagen nos Estados Unidos era vista como uma fabricante de Fuscas, carros pequenos, versteis, baratos, e de design antiquado. Do outro lado do Atlntico, a Volkswagen era a montadora lder de automveis, em

84 diversos segmentos distintos do Fusca. Quando a montadora introduziu os

mesmos automveis nos Estados Unidos, entretanto, os consumidores reagiram como se os carros se tratassem de uma brincadeira de mau gosto. Volks por US$ 30.000,00? Carros competindo com Linconls? Os mesmos carros que

fracassaram nos Estados Unidos eram os mais vendidos na Europa. Mesmos carros, diferentes experincias dos consumidores. Novamente: a forma pela qual a informao processada leva precedncia sobre a informao em si. 4. Um estudo recente de Scott Shane, publicado em Organization Science, mostra muito bem como diferentes experincias afetam as oportunidades de empreendedorismo. Shane estudou uma patente obtida pelo MIT, e como oito conjuntos de empreendedores visualizavam diferentes aplicaes para essa patente, algumas com impacto potencial muito superior ao de outras. Obviamente, Shane prope que (i) nem todos os indivduos so igualmente propensos a reconhecer uma oportunidade de empreendedorismo; (ii)

empreendedores descobrem oportunidades sem procurar por elas; e, finalmente: (iii) a experincia prvia das pessoas influencia: A) quais mercados explorar; B) como servir um mercado; e C) que produtos e servios oferecer. Uma mesma patente, inmeras interpretaes de como us-la. intrinsecamente nossa forma de ver o mundo. 5. Quando o Aiatol Ruhollah Khomeini iraniano decretou uma sentena de morte ao escritor Salman Rushdie, a Igreja Catlica no se posicionou pelo princpio de no matars. A Igreja reconheceu sua prpria experincia de ter buscado censurar o filme The last temptation of Christ, e posicionou-se ao lado dos iranianos. L'Osservatore Romano, uma publicao-chave do Vaticano, condenou o livro de Rushdie como blasfmia. O cabea da congregao Francesa, Cardeal Decourtray, chamou o livro de um insulto a Deus; o Cardeal O'Connor de Nova York disse que era crucial que os muulmanos saibam o quanto desaprovamos os ataques a sua religio. O Vaticano tinha que decidir entre no matars versus sua prpria experincia. Como um testamento ao poder de reconhecimento de experincias na tomada de decises, o Vaticano decidiu por ignorar o seu prprio primeiro mandamento. A experincia altera

85 Finalmente, essa proposta de reconhecimento de experincias (ao invs de reconhecimento de padres) muito prxima da de Gary Klein. Uma metodologia relativamente simples e que uma extenso natural da nossa a utilizada por Klein (1999) em "Sources of Power: how people make decisions". Klein estudou bombeiros, pilotos de jato, operadores de radar, enfermeiras de unidades de tratamento intensivo, entre outros decisores que trabalhavam em ambientes de rpida mudana, diagnsticos de situaes e aes que deveriam ser realizados muito rapidamente, e havia high stakes: vidas humanas estavam em jogo. Klein (comunicao pessoal, maio de 2008) afirmou que um estudo com operadores do mercado financeiro ainda no havia sido feito e seria uma grande e rica oportunidade de estudo. Para compreender como tomadores de deciso percebiam situaes e extraam rapidamente o que era relevante do que era irrelevante, Klein inicialmente buscou por casos em que (i) uma deciso extraordinria havia sido tomada e (ii) no havia uma racionalizao precisa sobre o porqu da deciso (alm de "era o que devia ser feito"). Klein ento entrevistou tanto os decisores quanto novatos na rea. Os decisores foram entrevistados em profundidade, com vistas a procurar estabelecer exatamente quais os sinais que eles (ou elas) haviam captado como cruciais em cada cenrio, e, muitas vezes, Klein percebeu que os prprios decisores apenas percebiam conscientemente ter registrado tal sinal aps report-lo na entrevista. Em contraste a isso, Klein entrevistou novatos, perguntando a eles o que deveria ser feito naquele caso e como eles teriam observado a situao: o que seria o primeiro sinal, a primeira informao, que eles buscariam em um caso semelhante? Obviamente, a diferena entre as respostas foi enormemente rica, elucidando inmeros casos at ento inexplicados. Um exemplo: um operador de radar sentiu que estava sob ataque (durante a primeira Guerra do Golfo), e disparou um mssil que destruiu o objeto no radar. Durante quatro horas, no se sabia se o objeto era um mssil iraquiano ou um bombardeiro americano. O operador de radar no sabia racionalizar sua deciso, ele simplesmente "sentiu" que era um mssil e que deveria responder imediatamente. Era efetivamente um mssil, e apenas dezoito meses depois, na entrevista de Klein, pde-se saber quais sinais

86 captados pelo operador o levaram a tal diagnstico. (Note-se que ambos os objetos apareciam no radar de forma similar e que o operador j havia visto centenas ou milhares de objetos em seu dia a dia na guerra, apenas disparando contra um.) Esse tipo de estudo eventualmente levou Klein a propor a teoria de recognition-primed decision: a ideia de que decisores no escolhem uma opo entre muitas, mas sim reconhecem a experincia atual em que esto envolvidos e essa experincia dispara (via priming) um diagnstico da situao e dos problemas envolvidos e, simultaneamente, um plano de ao. A proposta de Klein suporta nossa sugesto de reconhecimento de experincias. E h larga evidncia de que a forma pela qual a informao processada leva precedncia sobre a prpria informao em si.

87

If you want to build a ship, dont herd people together to collect wood and dont assign them tasks and work, but rather teach them to long for the endless immensity of the sea. Antoine de Saint-Exupery

7. O PRXIMO PASSO

Como estudo futuro, pretendemos estender o experimento para situaes muito prximas idealizao de uma empresa buscando compreender um determinado problema. Propomos a seguinte extenso: a realizao do experimento com mltiplos sujeitos simultaneamente. Ou seja, ao invs de solicitarmos a um sujeito que reconstrua a

posio, vamos solicitar a dois, quatro, ou quarenta no caso de uma turma inteira de universitrios , para que eles reproduzam o cenrio, conjuntamente, aps as breves apresentaes de cinco segundos.

Acreditamos que podemos trazer uma valiosa contribuio para a administrao com essa nova condio do experimento. Considere, por exemplo, a rea de situation awareness, que decolou aps o estudo de Chase and Simon (1973). Estudos nessa rea geralmente colocam sujeitos como pilotos de avio em simuladores, ento simulam um determinado problema, como uma pane, e desligam o simulador no meio do experimento. O sujeito posteriormente entrevistado sobre o que estava ocorrendo, qual a medio de diversos instrumentos (como altitude, temperatura dos motores, combustvel, etc.). E a partir

88 dessa entrevista tem-se uma ideia do quanto o piloto estava ciente do problema e qual seu diagnstico.

Acreditamos que o experimento proposto pode demonstrar que situation awareness, em grupos, divide-se em registro e diagnstico. Registro trataria do quanto um grupo capaz de preservar das informaes que foram apresentadas. Diagnstico, por outro lado, trata-se da percepo, por parte do grupo, de como a situao ir se desenrolar e o que deve ser feito. H pelo menos trs caractersticas importantes que acreditamos poder extrair deste estudo: (i) Registro: qual a capacidade e qualidade das reprodues? Qual a natureza dos erros? Como as reprodues e erros alteram-se medida que o nmero de participantes muda? Como as reprodues se comparam com as reprodues de iniciantes, mestres, ou grandmasters?

(ii) Diagnstico: dada uma posio, qual o consenso do que ir ocorrer em seguida? Qual movimento proposto? Aqui estamos medindo, num ambiente isolado de distraes e onde podemos mensurar os dados de forma objetiva, a capacidade de grupos de antever o que ir acontecer e tambm qual a melhor rota de ao a tomar.

(iii) Processo poltico de negociao de registro e diagnstico. Como o grupo chegar a um consenso? O status anterior de elementos do grupo ser preservado, mesmo numa tarefa em que no possuam experincia prvia? Haver evidncias de groupthink? Podemos explorar casos em que h consenso forado (por ns,

pesquisadores), e tambm casos livres, em que diferentes opinies sobre o que fazer podem ser mantidas. Como esses resultados refletem com as teorias desenvolvidas nos estudos de negociao?

Esse um estudo que jamais foi realizado (segundo nosso conhecimento). Acreditamos que ele isola inmeros fatores que ocorrem, entre as segundas e sextas, em toda gama de empresas, ONGs, governos e outras organizaes.

89

Desejamos no somente estudar a cognio humana e a tomada de decises de indivduos. nossa esperana que os resultados obtidos nesta tese, e os resultados que venhamos a obter na extenso aqui proposta, tornem-se um pequeno passo para o avano da teoria e prtica de administrao.

90

REFERNCIAS

AGOR, Weston H. The Logic of Intuition: How Top Executives Make Important Decisions. Organizational Dynamics, 14(3): 518, 1986.

ANDERSON, Marlow; FEIL, Todd. A First Course in Abstract Algebra, Chapman & Hall/CRC; 2a edio, 2005.

ANDERSON, J.R. Language, memory, and thought. Hillsdale: Earlbaum, 1978

ATKINSON, G. Chess and machine intuition. Norwood, NJ: Ablex Publishing, 1993.

BAN, J. The tactics of endgames. Dover, 1997.

BANBURY, S.; TREMBLAY, S. A Cognitive Approach to Situation Awareness:

Theory And Application. Ashgate publishing, 359 p., 2004.

BINET, A. Psychologie des grands calculateurs et joueurs dechcs. Paris: Hachette (Reeditado por Slatkine Ressources, Paris, 1981), 1894. BOLLAND, S.A
Copycat Java Implementation,

disponvel

em:

<http://www2.psy.uq.edu.au/CogPsych/Copycat/>, University of Queensland, Australia, Abril 2003.

BONGARD, M.M. Pattern Recognition, New York: Spartan Books, 1970.

91

CAGAN, J.; KOTOVSKY, K. Simulated annealing and the generation of the objective function: a model of learning during problem solving, Computational Intelligence, 13, 534-581., 1997.

CAMERER, C. Behavioral Game Theory: Experiments in Strategic Interaction, Princeton: Princeton University Press, 2003.

CAMPBELL, M.; HOANE, J., A; HSU, F. Deep Blue, Artificial Intelligence, 134, 5783, 2002.

CHABRIS, C.F.; HEARST, E.S. Visualization, pattern recognition, and forward search: effects of playing speed and sight of the position on grandmaster chess errors. Cognitive
Science 27, 637-648, 2003.

CHARNESS N, REINGOLD, EM, Pomplun M, Stampe DM. The perceptual aspect of skilled performance in chess: evidence from eye movements. Memory & Cognition, 29, 1146-1152, 2001.

CHARNESS, N. Search in chess: Age and skill differences. Journal of Experimental

Psychology: Human Perception and Performance, 7, 467-476, 1981.

CHASE, W.G.; SIMON, H.A.. Perception in Chess, Cognitive Psychology 4, 55-81, 1973.

CHI, M.T.H. Knowledge structure and memory development. In R. Siegler (Ed.), Childrens thinking: what develops?, 73-96. Hillsdale, NJ. Erlbaum, 1978.

CHI, M.T.H. This weeks citation classic. ISI current contents 18 (42), p.12, 1993.

92 CHI, M.T.H.; FELTOVICH, P.J; GLASER, R. Categorization and representation of physics problems by experts and novices. Cognitive Science 5 p. 121-152, 1981.

CHURCH, R.M.; CHURCH, K.W. Plans, goals, and search strategies for the selection
of a move in chess. In P.W. Frey (Ed.) Chess skill in man and machine (2nd edition) p.

131-156; New York: Springer-Verlag, 1983.

DANE; PRATT. Exploring intuition and its role in managerial decision making.
Academy of Management Review Vol. 32, No. 1, 3354, 2007.

DAVIS, H.; PRUSSE, R. Numerical competence in animals: Definitional issues, current evidence, and new research agenda. Behavioral and Brain Sciences, 11, 561615, 1988.

GAREY, M.; JOHNSON, D. Computers and Intractability: a Guide to the Theory of

NP-Completeness. New York: Wiley, 1979.

DE GROOT, A.D. Thought and choice in chess. New York: Mouton, 1965

DE GROOT, A.D., Gobet, F., Perception and memory in chess: studies in the
heuristics of the professional eye, Assen: Van Gorcum, 1996.

DE GROOT, A. D. Intuition in Chess. International Computer Chess Association

Journal 9, 67-75, 1986.

DODONOVA, Anna; KHOROSHILOV, Yuri. Anchoring and transaction utility: evidence from on-line auctions. Applied Economics Letters; Vol. 11-5, p307-310, 2004.

ELO, A. The rating of chess players, past and present. New York: Arco, 1978.

93 ENDSLEY, M.R.; GARLAND, D.J. Situation Awareness Analysis and Measurement, CRC Publishing, 408 p, 2000.

EPPLER, M.; MENGIS, J. The concept of information overload: a review of literature from organization science, acconting, marketing, mis, and related disciplines. The
information society, 20: 325-344, 2004.

EPSTEIN, L. Definition of Uncertainty Aversion. Review of Economic Studies; Vol. 66 - 228, p579-608, 1999.

FINKELSTEIN, L.; S. MARKOVITCH. Learning to play chess selectively by acquiring move patterns, International Computer Chess Association Journal, 21, 100-119, 1998. FRISCH, D., Reasons for Framing Effects, Organizational Behavior and Human
Decision Processes, 54(3), 399-429, 1993.

FRENCH, R. M., Subcognition and the Limits of the Turing Test. Mind, 99 (393): 53-65, 1990.

FRENCH, R. M., The Subtlety of Sameness: A theory and computer model of

analogy-making. Cambridge, MA: MIT Press, 1995.

FRENCH, R.M. Tabletop: an emergent stochastic computer model of analogy

making. Tese de doutorado, University of Michigan, Ann Arbor, Michigan, 1992.

FRENCH, R.M. Interactively converging on context-sensitive representations: A solution to the frame problem. Revue Internationale de Philosophie, 3, 365-385, 1999.

FRENCH, R.M. The subtlety of sameness. Cambridge: MIT Press, 1995.

94 FRENCH, R.M. When Coffee Cups Are Like Old Elephants, or Why Representation Modules Dont Make Sense. In Proceedings of the 1997 International Conference on
New Trends in Cognitive Science, A. Riegler & M. Peschl (eds.), Austrian Society for

Cognitive Science, p. 158-163, 1997.

FRENCH, R.M.; LABIOUSE. Why co-occurrence information alone is not sufficient to answer subcognitive questions. Journal of Experimental & Theoretical, 13, 421-429, 2001.

JOHN, G.; LANGLEY, P. Estimating Continuous Distributions in Bayesian

Classifiers. In: Eleventh Conference on Uncertainty in Artificial Intelligence, San Mateo,

338-345, 1995.

GOBET, F. A pattern-recognition theory of search in expert problem solving. Thinking

and reasoning, 3, 291-313, 1997.

GOBET, F.. A computer model of chess memory, XV annual conference of the cognitive science society, 1993.

GOBET, F. Expert memory: a comparison of four theories, Cognition, 66, 115-152, 1998.

GOBET, F.; JACKSON, S. In search of templates. Cognitive Systems Research, 3, 3544, 2002.

GOBET, F.; SIMON, H.A. Recall of random and distorted chess positions: implications for the theory of expertise. Memory and Cognition, 24, 493-503, 1996..

GOBET, F.; SIMON, H.A. Recall of rapidly presented random chess positions is a function of skill. Psychonomic Bulletin & Review, 3, 159-163, 1996.

95 GOBET, F.; SIMON, H.A. Templates in chess memory: a mechanism for recalling several boards. Cognitive Psychology, 31, 1-40, 1996.

GOBET, F.; SIMON, H.A. Five seconds or sixty? Presentation time in expert memory.
Cognitive Science, 24, 651-582, 2000.

GOBET, F., DE VOOGT, A.J.; RETSCHITZKI, J. Moves in mind: the psychology of

board games. Hove, UK: Psychology press, 2004.

GOBET, F., LANE, P.C.R., CROKER, S., CHENG, P.C-H., JONES, G., OLIVER, I., PINE, J.M. Chunking mechanisms in human learning. Trends in Cognitive Sciences, 5, 236-243, 2001.

GOBET, F., SIMON, H.A. Expert chess memory: revisiting the chunking hypothesis,
Memory, 6, 225-255, 1998.

GOBET, F., SIMON, H.A. Pattern recognition makes search possible: comments on Holding, Psychological Research 61, 204-208, 1992.

HALL, M.; HOLMES, G. Benchmarking attribute selection techniques for discrete class data mining. IEEE Transactions on Knowledge and Data engineering 15(6):14371447, 2003.

HOFSTADTER, D.R. Gdel, Escher, Bach: an Eternal Golden Braid. New York: Basic Books, 1979.

HOFSTADTER, D.R.. Metamagical themas. New York: Basic Books, 1985.

HOFSTADTER, D.R. On seeing As and seeing AS. Stanford Humanities Review 4 (2). Disponvel em <http://www.stanford.edu/group/SHR>, 1995.

96 HOFSTADTER, D.; FARG. Fluid Concepts and Creative Analogies: computer

models of the fundamental mechanisms of thought, New York: Basic Books, 1995.

HOLDING. The psychology of chess skill. Hillsdale, NJ: Erlbaum, 1985.

HOLDING. Theories of chess skill. Psychological Research 54, 10-16, 1992.

JOHNSON E.J.; HERSHEY, J;. JOHNSON, E; MESZAROS, J e KUNREUTHER, H. Framing, probability distortions, and insurance decisions. Journal of Risk and
Uncertainty, 1993.

KAUFMANN, E. L., M.W. LORD, T.W. REESE, and J. VOLKMANN. The discrimination of visual number. American Journal of Psychology 62, 498525, 1949.

KLEIN, Sources of Power: How people make decisions Cambridge, MA: MIT Press. 1998.

KVAM, P., VIDAKOVIC, B. Nonparametric statistics with applications to science

and engineering. John Wiley & Sons, 2007.

KURZWEIL, R. Deep Fritz Draws: Are Humans Getting Smarter, or Are

Computers Getting Stupider? Disponvel em < www.KurzweilAI.net>, October 19,

2002.

LEITNER, Johannes e SCHMIDT, Robert. A systematic comparison of professional exchange rate forecasts with the judgemental forecasts of novices. Central European
Journal of Operations Research; Vol. 14 - 1, p87-102, 2006.

LINHARES, A. A glimpse at the metaphysics of Bongard problems. Artificial

Intelligence, 121, 251-270, 2000.

97 LINHARES, A. Data mining, Bongard problems, and the concept of pattern

conception, in Zanazi, A., Brebbia, C.A., Ebecken, N.F.F., and Melli, P., (Eds.) Data

Mining III, 603-611, 2002.

LINHARES, A. An active symbols theory of chess intuition, Minds and Machines, 15, 131-181, 2005

LINHARES, A., e P. BRUM, P.. Understanding our understanding of strategic scenarios: what role do chunks play? Cognitive Science 31, 9891007, 2007.

LINHARES, A. Dynamic sets of potentially interchangeable connotations: a theory of mental objects. The Behavioral and Brain Sciences, 31, 389190, 2008.

LINHARES, A.; FREITAS, A.E.T.A. Questioning Chase and Simons (1973) Perception in Chess: the experience recognition hypothesis. Aceito para publicao,
New Ideas in Psychology, Elsevier Science, 2008.

LINHARES, A. e YANASSE, H.H. Search intensity versus search diversity: a false tradeoff?
Applied Intelligence, accepted for publication (pre-published online:

http://dx.doi.org/10.1007/s10489-008-0145-8), 2009.

LORIES, G.. La mmoire de joueurs dechcs: revue critique. LAnne Psychologique, 84, 95-122, 1984.

LORIES, G. Recall of random and non-random chess positions in strong and weak chess players. Psychologica Belgica, 27, 153-159, 1987.

MANDLER, G; SHEBO, B. Subitizing: an analysis of its component processes. Journal

of Experimental Psychology: General, 111 (1) 122, 1982.

98 MARGOLIS, E., (Editor), Laurence, S. (Editor), Concepts: Core Readings, MIT Press, 1999.

MARSHALL, J. Metacat: a self-watching cognitive architecture for analogy-making

and high level perception. PhD thesis, Indiana University, Bloomington, 1999.

MCGRAW, G., Letter Spirit (part one): emergent high-level perception of letters
using fluid concepts. PhD Thesis, Indiana University, Bloomington, 1995.

MCGREGOR, S.J.; HOWES, A. The Role of attack and defense semantics in skilled players memory for chess positions. Memory and Cognition, 30, 707-717, 2002.

MEREDITH, M. Seek-Whence: A model of pattern perception. Tese de Doutorado, Indiana University, Bloomington, 1986.

MILLER, G.A. The Magical Number Seven, Plus or Minus Two: Some Limits on our Capacity for Processing Information. Psychological Review, 63, 71-97, 1956.

MINSKY, M. The society of mind. Simon & Schuster, 1986.

MITCHELL, M., Analogy-making as perception, Cambridge: MIT Press, 1993.

MITCHELL,

M.

Letter

string

analogy

problems.

diponvel

em

<http://www.cse.ogi.edu/~mm/analogy-problems.html>, Maro 2003.

MITCHELL, M.; HOFSTADTER, D.R., The emergence of understanding in a computer model of concepts and analogy-making. Physica D, vol. 42, 322-334, 1990.

MINTZBERG, H. Mintzberg on Management. New York: Free Press, 2007

99 MBIUS, A., NEKLIOUDOV, A., DAZ-SANCHEZ, A., HOFFMANN, K.H., Fachat, A., e SCHREIBER, M. Optimization by thermal cycling, Physical Review Letters, 79, 4297-4301, 1997.

MORALES, E. Learning patterns for playing strategies, International Computer Chess

Association Journal, 17, 15-26, 1994.

MORALES, E. Learning playing strategies in chess, Computational Intelligence, 12, 65-87, 1996.

MOSCATO, P.; MENDES, A.; BERRETTA, R. Benchmarking a memetic algorithm for ordering microarray data. Biosystems 88(1-2):56-75, 2007.

NEWELL A. Physical symbol systems. Cognitive Science, 4, 135-183, 1980.

OSBOURNE, M.J.; RUBINSTEIN, A. A Course in Game Theory. Cambridge: MIT Press, 1994.

POTTER, M.C., Very-short term memory: in one eye and out the other. Artigo apresentado no encontro annual da psychonomic society, 1982.

PARIKH, J. Intuition: The new frontier of management. Oxford: Blackwell Business, 1994

QUINLAN, J.R. Induction of Decision Trees, Machine Learning (1), 81-106, 1986.

QUINLAN, J. R. C4.5: programs for machine learning. San Mateo: Morgan Kaufmann, 1993.

REHLING, J.A. Letter spirit (part two): modeling creativity in a visual domain. Tese de doutorado, Indiana University, Bloomington, 2001.

100

REINGOLD, EM; CHARNESS N; POMPLUN M, STAMPE DM,. Visual span in expert chess players: evidence from eye movements. Psychological Science, 12, 48-55, 2001.

REINGOLD, EM, CHARNESS N, SCHULTETUS RS, STAMPE DM, (a). Perceptual automaticity in expert chess players: Parallel enconding of chess relations.

Psychonomic Bulletin & Review, 8, 504-510, 2001.

RHODES, R., The making of the atomic bomb. Touchstone: New York, 1986.

SAARILUOMA, P, HOHLFELD M., Apperception in chess players long-range planning.

European Journal of Cognitive Psychology, 6, 1-22, 1994.

SAARILUOMA, P. Error in chess: Apperception restructuring view. Psychological

Research, 54, 17-26, 1992.

SAARILUOMA, P. Chess players thinking. London: Routledge, 1995.

SAARILUOMA, P. Chess and content-oriented psychology of thinking. Psicolgica, 22, 143-164, 2001.

SAARILUOMA, P., Coding problem spaces in chess. Commentationes scientarium socialium (vol. 23) . Turku: Societas Scientarium Fennica, 1984.

SAARILUOMA, P., The psychology of chess skill. Hillsdale, NJ: Erlbaum, 1985.

SAARILUOMA, P., Error in chess: the apperception-restructuring view. Psychological

Research 54, 17-26, 1992.

SAARILUOMA, P., Chess and content-oriented psychology of thinking. Psicolgica 22, 143164, 2001.

101

SAARILUOMA, P.; LAINE, T. Novice reconstruction of chess memory. Scandinavian

Journal of Psychology 42, 137146, 2001.

SACHS, J. S., Recognition memory for syntactic and semantic aspects of connected discourse. Perception and Psychophysics 2: 437-442, 1967.

SADLER-SMITH, Eugene; SHEFY, Erella. The intuitive executive: Understanding and applying gut feel in decision-making. Academy of Management Executive, Vol. 18, No. 4, 76-92, 2004.

SHANNON, C.E. (a). A chess-playing machine. Scientific American, 182, 48-51, 1950.

SHANNON, C.E. (b). Programming a computer for playing chess. Philosophical

Magazine 41, 256-275, 1950.

SIMON, H. A. Making management decisions: The role of intuition and emotion.

Academy of Management Executive,1(1): 5764, 1987.

SIMON, H.; DANTZIG, G.; HOGARTH, R.; PLOTT, C.; RAIFFA, H, SCHELLING, T.; SHEPSLE, K.; THALER, R.; TVERSKY, A.; WINTER, S. Decision-making and problem solving, INTERFACES 17(5) 1131, 1987.

SIMON, H. A.; CHASE, W. G. Skill in chess. American Scientist, 61: 394403, 1973.

SIMON, H. Cognitive science: the newest science of the artificial. Cognitive Science, 4, 33-46, 1980.

SIMON, H.; SCHAEFFER, J., The game of chess, in Aumann, R., Hart, S. (Eds.) Handbook of game theory with economic applications, North Holland, 1992.

102 SIMON, H.A. Explaining the ineffable: AI on the topics of intuition, insight, and
inspiration. Artigo apresentado no proceedings da 14a conferncia internacional em

inteligencia artificial, 1995.

SIMON, H.A.; CHASE, W.G., Skill in Chess, American Scientist, 61, 394-403, 1973. SIMON, HA, NEWELL, A., Heuristic problem solving: The next advance in Operations Research. Operations Research, 6, 1-10, 1958.

SPENCE, Mark T; BRUCKS, Merrie The Moderating Effects of Problem Characteristics on Experts' and Novices' Judgments. Journal of Marketing Research. Vol. XXXIV, p. 233-247., 1997 THALER, Richard, "Toward a Positive Theory of Consumer Choice," Joumal of
Economic Behavior and Organization, 39-60, 1980.

TVERSKY, A.; KHANEMAN, D. The Framing of Decisions and the Psychology of Choice. Science. Vol 211(4481) pp.453-458, 1981.

TURING, A.M. Chess. Digital computers applied to games. Bowden (Ed.), Faster than thought, 286-310, 1953.

TURNEY, P., Answering subcognitive Turing Test questions: a reply to French. Journal
of Experimental and Theoretical Artificial Intelligence 13, p. 409-419, 2001.

WILKINS, D. Using patterns and plans in chess, Artificial Intelligence, 14, 165-203, 1980.

WINKLER, F.; FRNKRANZ, J. On Effort in AI Research: A Description Along Two Dimensions. In R. Morris (ed.), Deep Blue Versus Kasparov: The Significance for

103 Artificial Intelligence: Papers from the 1997 AAAI Workshop, pp. 56-62, Providence: AAAI Press, 1997.

WINKLER, F.; FRNKRANZ, J., (1998). A Hypothesis on the Divergence of AI Research, 1998.

WITTEN, I.H.; FRANK, E. Data Mining: Practical machine learning tools and
techniques. 2a edio, Morgan Kaufmann, San Francisco, 2005.

104

APNDICE A

Neste apndice documentamos no apenas as reconstrues realizadas, mas tambm a anlise dos erros cometidos em cada reconstruo. A entrevista foi, portanto, preservada sem edio. Os leitores imediatamente percebero a informalidade, os erros gramaticais e as rpidas reformulaes de frases caractersticas do discurso falado. Eventuais falhas de procedimento adicionais esto detalhadas em notas de rodap.

Algumas das observaes feitas no corpo principal da tese referem-se estes resultados, entretanto optamos por mant-los em separado de forma a maximizar o fluxo de leitura do manuscrito.

105

Anlise das posies reais e das reconstrues.

Anlise da Posio Original 1

Comentrio do Expert: muito simples voc, olhando muito pouco tempo essa posio, errar a configurao dos pees, em minha opinio... porque um enxadrista olha essa posio, e a primeira coisa... a mente de um enxadrista eu digo... olha e percebe que o rei preto est em xeque, ento eu acho muito difcil que se erre isso da, porque a primeira coisa que a gente nota, e o equilbrio material, que tem uma torre e um bispo para o branco, e uma torre e um cavalo para o preto. Ento isso seria o que o mais importante nessa posio. A estrutura de pees uma coisa que em minha opinio seria o mais difcil de guardar neste tempo, mas esse equilbrio material das peas mais importantes, acho que o principal nisso que o branco tem uma torre e um bispo, e as pretas tm uma torre e um cavalo, e que o rei preto est em xeque. Isso mais ou menos automtico.

106

Irrelevante: configurao dos pees Importante: Rei preto em xeque, equilbrio material (branco: torre e bispo; preto: torre e cavalo).

Anlise dos Erros da Posio 1

Jogador Q

Q- O jogador Q no errou, no tem nenhum erro nesta posio.

Jogador W

W- O jogador W foi bem, ele observou os principais elementos da posio tanto estruturalmente como a fora do peo aqui. Esse peo fundamental, esse peo branco

107 em d6 para quem quiser o segredo est neste peo em d6, ele s cometeu um erro que me parece totalmente explicvel que a posio dos pees pretos em E6 e E5... inclusive numa partida de xadrez, se for para explicar o erro dele, muito comum um jogador defender um cavalo que est centralizado com um peo imediatamente atrs dele, talvez por isso tenha reproduzido desta forma, mas quase perfeita a reproduo dele.

Jogador E

E- Esse daqui s errou a posio da torre, ele colocou uma torre onde deveria ter um peo. curioso isso aqui, ele montou uma posio todo certo e justo o que seria um elemento totalmente ilgico da posio seria ter uma torre das brancas aqui... no consigo catalogar exatamente porque ele acertou toda a posio e ao invs de colocar um peo colocou uma torre aqui, que seria realmente ilgico, esse um erro grave na minha opinio, apesar dele ter errado curiosamente s uma coisa. Para mim o erro dele mais grave que o do que a gente viu anteriormente (refere- se ao Jogador R), que ele errou mais coisas, s que ele foi totalmente no sentido da posio.

Jogador R

108 R- O jogador R foi bem, acontece que ele trocou a posio das torres aqui, acho que ele percebeu a posio de um peo passado bem colocado, s que ele trocou simplesmente a casa onde est este peo, ele inverteu a posio das torres, tambm a posio do rei... interessante... note que esse caso interessante porque o jogador R ele percebeu os principais motivos da posio, ele s no colocou exatamente nas mesmas casas, acredito que a mente dele trabalhou de um jeito interessante porque ele percebeu que as brancas tm um peo passado, ele percebeu a posio das torres, e as outras peas ele colocou perfeito... ele s no colocou exatamente nos lugares onde elas estavam... interessante dentro de um determinado padro voc poder afirmar que o jogador R cometeu diversos erros e isso pode contar... como um erro... um erro... as posies das torres, mas na verdade voc v que ele foi pelo caminho certo, entendeu, no a mesma coisa de outros que a gente viu errarem que pode at ter a mesma quantidade de erros, mas foram erros muito mais graves.

Jogador T

T- O jogador T... na verdade ele se preocupou... ele que repetir um padro estrutural digamos... esses trs pees aqui um padro que se repete em uma partida de xadrez, mas ele no observou o principal acontecimento que na verdade para c, ele s lembrou o que seria mais fcil talvez... que a posio destes peezinhos aqui, mas de fato esta posio acontece para o outro lado.

109 Jogador Y

Y- O jogador Y... barbarizou aqui, porque ele botou uma coisa que no tem nada a ver com a posio, tirando a questo estrutural tambm rei, ele esqueceu os principais elementos, principalmente o peo em d6 no aparece na posio, o cavalo das pretas que fundamental botar no aparece.

110

Anlise da Posio Original 2

Comentrio do Expert:

A posio 2... deixa ver o que eu poderia falar da essncia aqui... essa uma posio que j tem menos padres assim para se reconhecer. (pausa) Em cinco segundos aqui, o que daria para perceber nesta posio , bom, de novo eu acho que o importante perceber o desequilbrio material dessas posies, agora... Onde tem as presses?... , exato, as peas que esto atacadas, e principalmente se algum tem alguma pea a mais, esse tipo de coisa... isso seria a minha opinio, porque na verdade em cinco segundos a gente tenta tirar uma fotografia geral da posio para poder reproduzir. Essa aqui, por exemplo, eu acho que dificilmente um jogador mais forte teria algum erro nesta posio porque so poucas peas, e bom, quanto menos peas mais fcil fica essa reproduo. Existem algumas coisas que chamam ateno nesta posio... as brancas tm uma pea a mais, esse tipo de coisa. Ento acho que nessas posies de poucas peas o que fundamental perceber o desequilbrio material, quer dizer, se a pessoa monta essa posio e monta ela de uma tal forma que as brancas no tm uma pea a menos, a posio que ele monta um erro gravssimo, se ele bota um bispo das pretas a mais, por exemplo, esse tipo de

111 coisa. Eu acho que esse, meio essas posies de finais, que o que eu estou vendo aqui, seria o mais importante, em uma fotografia dessas rpidas.

Obs. Poucas Peas Importante: desequilbrio material (branca com peas a mais)

Anlise dos Erros da Posio 2

Jogador Q

Q- O jogador Q a gente j v que um jogador de categoria, ele errou tambm, mas ele captou os elementos principais da posio. Note quando eu falei os elementos mais importantes de chamar ateno a posio das peas mais importantes e justo o que ele errou foi a colocao dos pees, ele omitiu um peo preto em A6 e colocou um peo que estaria em A2 ele colocou em H2. Teve tecnicamente dois erros, mas a percepo dele da posio foi perfeita.

112 Jogador W

W- O W omitiu coisas importantes aqui, principalmente a questo do equilbrio material, esse um erro grave: voc monta a posio, e equilbrio material est totalmente diferente da posio original, note que aqui ele no colocou nenhuma torre das pretas, ele trocou o cavalo preto pelo cavalo branco, ento ele praticamente no pegou nenhuma coisa essencial desta posio a no ser a posio do bispo e do rei preto.

Jogador E

E- De novo... voc note que este lado aqui do tabuleiro, da coluna R para c, todo mundo esse padro de observar o rei adversrio inconsciente e a ele errou o que estava para o outro lado, interessante porque percebeu inclusive a questo do peo passado, e a tentou montar meio aleatoriamente. Note que ele tinha percebido toda a questo do equilbrio material, a mente dele conseguiu montar a perfeio do lado mais relevante do tabuleiro aqui que onde encontram o rei das pretas, e ele percebeu exatamente qual que

113 era o equilbrio material da posio, ele no errou absolutamente nada na questo material, mas ele s errou o posicionamento das peas especialmente no flanco da dama. Jogador R

R- O R errou, interessante, no foi mal no, ele pegou umas coisas bem relevantes da posio, ele errou a questo do material: trocou a posio, botou uma torre a mais nas pretas, mas voc v que a mente dele se concentrou nesse lado do tabuleiro, ele pegou isso a, ele errou uma coisa irrelevante que a posio do rei branco, mas ele s no conseguiu pegar esse outro lado aqui, a ele confundiu o equilbrio material, o peo, tudo isso.

Jogador T

T- Esse aqui ele pegou a configurao das torres mais ou menos, mas ele omitiu a posio do cavalo das pretas, ele s conseguiu perceber mesmo a posio das torres e do rei. Est todo mundo quase acertando o posicionamento do rei adversrio, um padro assim do jogador de xadrez, mas no foi muito boa a atuao deste aqui.

114

Jogador Y

Y- O Y errou tudo praticamente, no tem absolutamente nada, e inclusive a posio do rei, o rei das pretas, eu acho interessante pois uma situao que at agora todos acertaram e ele nem isso acertou.

115

Anlise da Posio Original 3

Comentrio do Expert: A 3 tambm uma posio de poucas peas e o que chama a ateno imediatamente a colocao das peas brancas criando um tema de mate no rei das pretas. Assim que um grande mestre enxergaria a posio, ento isso que chama a ateno nesse caso, ento uma posio que o branco est prestes a dar um xeque-mate. Ento nestas posies isto pode facilitar a montagem da posio.

Obs.: poucas peas Importante: o branco est prestes a dar um xeque-mate

116

Anlise dos Erros da Posio 3

Jogador Q

Q- O jogador Q s teve um erro, que que ele colocou um peo branco na casa 3 ao invs de um peo preto, uma coisa totalmente irrelevante comparado com outra situao do tabuleiro que posio... principalmente do rei das pretas num tema de mate, como a gente chama no jargo enxadrstico. Ele s errou mesmo o posicionamento de um peo totalmente irrelevante para o que importante para a posio.

Jogador W

W- O W tambm no percebeu a situao do rei das pretas em mate, nada disso, percebeu algumas coisas da posio, mas no o mais importante.

117

Jogador E

E- Esse aqui s errou a posio da torre, que no muito importante... alis no nada importante... quase perfeito. Jogador R

R- O R confundiu principalmente a posio do rei das pretas, que seria de fundamental importncia, ele s pegou essa geometria aqui das peas brancas, mas ele no colocou o resto. Jogador T

118 T- Esse aqui no apreendeu absolutamente nada do que importante para a posio a no ser a posio do rei e do bispo aqui, e a posio estrutural. Jogador Y

Y- Esse aqui, o Y, barbarizou completamente aqui, porque ele s acertou a posio do rei das pretas... e a posio das torres foi a nica coisa que ele conseguiu captar da posio, mas trocou totalmente o posicionamento das peas.

119

Anlise da Posio Original 4

Comentrio do Expert: A posio 4, de novo, o principal aqui o posicionamento das peas pesadas. Peas pesadas eu digo a dama, neste caso, o bispo e o rei. E perceber que o rei preto est em xeque, ento essa posio destas peas aqui muito simples, qualquer jogador vai colocar sem erro. De novo o que vai complicar neste exerccio, no caso da montagem dos pees, porque em cinco segundos , francamente, me parece, no fiz o teste, mas me parece impossvel voc lembrar exatamente ou ento todos os pees. Em cinco segundos a gente vai exatamente onde a ao est acontecendo, digamos assim que aqui no centro do tabuleiro... a dama dando xeque, este tipo de coisa e essa viso perifrica aqui dos pees, aqui como esto os pees me parece muito difcil de algum acertar isso a.

Irrelevante: viso perifrica dos pees Importante: a ao no centro do tabuleiro, posicionamento das peas pesadas, rei preto em xeque, dama dando xeque.

120

Anlise dos Erros da Posio 4 Jogador Q

Q- Jogador Q perfeito.

Jogador W

W- Este aqui foi muito bem tambm, ele acertou todos os elementos principais desta posio e errou s uma coisa que realmente muito fcil de errar, que a posio dos pees. A questo das estruturas de pees que uma coisa que no importa muito aqui, eu j esperava mesmo erros como este quando o peo das pretas em A7 ao invs de A6 a estrutura aqui, mas todos os elementos importantes da posio ele reconheceu.

121

Jogador E

E- Mais um que, tirando o fato dele ter invertido a cor dos pees, fez tudo certo.

Jogador R

R- Mais um, ele inverteu a posio da dama e do bispo que um erro importante, mas no uma coisa grave, ele pegou bem a essncia da posio, ele foi bem apesar de... eu no entendi, ele no colocou o rei das brancas eu no sei por que ele no colocou isso... mas a configurao das peas foi bem. Jogador T

122 T- O jogador T acertou a estrutura de pees das brancas no flanco do rei, e a posio do bispo e da dama que uma coisa que realmente chama muita ateno nesta posio, mas no conseguiu perceber a colocao das outras peas. Jogador Y

Y- Este aqui tambm percebeu algum detalhe importante da posio, voc note que toda a posio das peas assim, ele acertou quase toda no percebeu que o rei estava em xeque s. Mas ele acertou bem essa posio, como eu falei, a questo dos pees especificadamente muito difcil de lembrar, num tempo muito curto como cinco segundos, ento ele errou totalmente quase a posio dos pees.

123

Anlise da Posio Original 5

Comentrio do Expert:

Essa j comea o complicar o teste, aparentemente... porque note esta posio, enquanto na posio 4, a relevncia dela exclusivamente no centro do tabuleiro, esta aqui j envolve o tabuleiro inteiro. Ento de novo a relevncia aqui so as peas pesadas, as torres e as damas e o fato do branco estar promovendo um ataque ao rei, as coisas que esto fora disto so difceis de perceber; por exemplo, perceber em cinco segundos que as pretas tm um peo em A6 totalmente deslocado seria difcil as posies especialmente no flanco dama seria difcil de visualizar aqui, porque em cinco segundos a gente vai direto no ataque ao rei das pretas. Acho que todo enxadrista tem, pelo menos eu acredito que seja assim, a gente olha a posio e vai direto no rei, na posio dos reis. Especialmente do rei das pretas, neste caso, que est sofrendo um ataque, ento a seria mais difcil de perceber as coisas que esto acontecendo longe disso. Obs. Envolve o tabuleiro inteiro. Irrelevante: peo em A6. Importante: peas pesadas, especialmente rei das pretas que est sofrendo ataque.

124

Anlise dos Erros da Posio 5

Jogador Q

Q- Jogador Q perfeito.

Jogador W

W- Jogador W tambm acertou algumas posies de peas aleatrias, acertou a posio do rei que uma coisa que sempre acho importante, mas de resto acertou a posio de uma torre s. Mas no captou muito bem a posio tambm. Jogador E

E- O jogador E perfeito.

125

Jogador R

R-O jogador R j com alguns erros, principalmente uma coisa mais irrelevante na posio que a posio dos pees, da torre aqui das peas do flanco dama... e tudo bem, ele se esqueceu da posio da dama preta, mas ele foi bem na posio porque ele notou umas algumas coisas importantes, ele lembrou de toda a situao no flanco rei praticamente, ele omitiu uma torre, mas considerando a dificuldade desta posio ele foi bem, porque ele captou a posio, ele errou tambm o posicionamento da dama e da torre, mas voc percebe que ele entendeu mais ou menos o fundamental da posio apesar de ter omitido e trocado algumas posies de peas. Jogador T

T- O jogador T acertou s algumas coisas aleatrias no posicionamento dos pees das pretas, praticamente um zero para ele aqui.

126

Jogador Y

original, o jogador Y.

Y- Esse aqui absolutamente nada. O que ele colocou aqui no lembra em nada a posio

Impresses do G.M. Rafael Leito logo aps analisar os erros das cinco primeiras posies: Jogador Q e E me parecem fortes, ou pelo menos esto muito bem neste teste, e o

jogador R, o que me parece interessante que as posies que ele monta sempre tem erros assim. Se voc for ver, tem muitos erros, as posies que ele monta, mas ele sempre pega a essncia da posio, ele me parece uma mente que trabalha de um jeito mais artstico digamos assim, ele no se apega a todos os detalhes, mas ele vai na essncia do que a posio pede, interessante o jeito que ele trabalha.

127

Anlise da Posio Original 6

Comentrio do Expert: Nesse caso aqui, a relevncia no flanco dama, uma posio que o branco est quase fazendo dama aqui em A8, ento uma posio que a gente olha e j v esse tema de promoo aqui desse lado. Inclusive o enxadrista v aqui... e a tendncia ficar pensando como que o preto vai tentar escapar desta posio, coisas que so irrelevantes talvez neste caso do teste de 5 segundos... mas... O que a gente percebe aqui essa posio do flanco dama, o peo branco muito avanado, ento talvez tenham alguns erros deste outro lado aqui, nesta posio. Importante: promoo (branco quase fazendo dama).

128

Anlise dos Erros da Posio 6 Jogador Q

Q- Jogador Q acertou totalmente. Jogador W

W- Esse aqui s errou a posio da dama branca, botou em c7 quando era em b7, mas quase perfeito. Jogador E

E- Jogador E perfeito.

129

Jogador R

R- Quase perfeito o R, ele s trocou, colocou o peo branco em b5 quando est em b4. Jogador T

T- Jogador T me surpreendeu porque foi bem agora neste teste, ele captou o principal: as peas das brancas no flanco dama que ele acertou, acertou tambm a configurao bsica das peas pretas no flanco rei, e errou pequenos detalhes como posicionamento de peo, posicionamento do rei das brancas, mas foi muito bem neste aqui. Jogador Y

130 Y- O que ele mostrou aqui no lembra em nada, a gente precisa esforar muito para tentar ver alguma relao da posio que ele montou com a posio que estava aqui no tabuleiro, a posio original.

131

Anlise da Posio Original 7

Comentrio do Expert:

Bom de novo, posio de ataque ao rei... digamos, a posio totalmente concentrada aqui no flanco da dama. Diria que a posio da dama branca para a esquerda seria o flanco da dama, ento diria que da posio da dama branca para a esquerda seria muito difcil ter um erro aqui, porque a posio est totalmente concentrada nesse lado. Realmente o problema o que irrelevante na posio, que neste caso a posio do peo aqui ou aqui... ou o cara no botar este peo... essa posio aqui dos pees em volta do rei das brancas e tudo, quando a posio est na verdade acontecendo desse lado.

Irrelevante: pees, pees em volta do rei das brancas. Importante: flanco da dama (da dama branca para a esquerda).

132

Anlise dos Erros da Posio 7 Jogador Q

Q- Q Perfeito.

Jogador W

W- Percebeu os elementos principais da posio; na minha opinio, acho que ele colocou as damas... as peas pesadas do jeito correto, ele errou os detalhes da posio, que o posicionamento dos pees, mas parece que ele pensou nesta posio como um enxadrista forte pensaria.

133 Jogador E

E- O jogador E foi bem tambm, ele pegou bem, por exemplo, uma coisa que eu dou muita importncia que o equilbrio material, ele percebeu bem a questo do equilbrio material, ele s trocou a posio da dama e da torre preta, ele no colocou bem, errou uma casa, esse que me parece um erro totalmente irrelevante, que a torre em c2 e no em c1, e o posicionamento dos pees do flanco rei, tambm praticamente irrelevante, e ele percebeu bem o material e errou s as posies das peas aqui no flanco dama... isso seria mais grave, colocar o erro da dama estar em d4 e no em b6 um erro muito mais grave do que ele ter trocado a posio da torre na minha opinio.

Jogador R

R- O R percebeu bem a posio das peas pesadas apesar de que ele omitiu a dama preta, o erro dele no teria muita relevncia. Por exemplo, a questo da torre em b3 no em b4, o peo em e5 e no em d5. Se ele tivesse colocado a dama preta, mas ele omitiu a dama preta, e isso foi um erro grave, foi o nico erro grave dele nesta posio.

134 Jogador T

T- A nica coisa que ele se lembrou que existe um peo dobrado das brancas no flanco rei e que existiam torres na mesma coluna. Jogador Y

captou nada da posio.

Y- S colocou, a nica coisa, a posio das torres dobradas, do rei em C preto, mas no

135

Anlise da Posio Original 8

Comentrio do Expert:

Esta j outra posio muito mais complicada, porque esta posio onde o tabuleiro todo tem importncia para a posio. Ento, bom, obviamente o que se percebe que as pretas esto tomando um xeque-mate, pra quase. Ento diria que o importante so essas trs ltimas filas aqui. Em cinco segundos pelo menos para mente de um enxadrista mesmo, o que acontece atrs destas trs filas totalmente irrelevante nesta posio, para um jogador de xadrez que no esteja simplesmente interessado em reproduzir a posio porque a partida aqui acabou, quer dizer, uma partida de xadrez oficialmente acabou aqui, devido ao que est acontecendo aqui em cima, ento a reproduo aqui em cima muito fcil, eu digo importante. Aqui para trs como o caso de, no caso de uma partida de xadrez, seria intil, me parece difcil de reproduzir essa posio aqui.

Irrelevante: resto do tabuleiro. Importante: xeque-mate das pretas, trs ltimas filas.

136

Anlise dos Erros da Posio 8

Jogador Q

Q- Perfeito.

Jogador W

W- O W dentro da dificuldade da posio, ele cometeu vrios erros, ele deixou de colocar muitas peas, mas ele foi bem nesta posio, apesar da quantidade de erros dele, porque ele pegou o essencial, note que as posies dos reis esto corretas, a posio das peas ao redor do rei esto corretas tambm. Ele s no lembrou alguns detalhes porque a posio envolve o tabuleiro todo, esta posio muito difcil por causa disto, mas voc v que a mente dele deu relevncia s coisas importantes, principalmente posio dos dois reis, ele montou bem a posio, mas ele no conseguiu se lembrar do posicionamento de algumas peas.

137

Jogador E

E- O E foi muito bem tambm, ele acertou todo o essencial, ele errou s... ele omitiu dois pees das pretas, s isso que ele errou, e todos os elementos importantes da posio ele pegou. Jogador R

R- O R, como sempre, ele captou algumas coisas importantes da posio, que o rei preto est em xeque, questes estruturais, configurao aqui dos pees das pretas com o cavalo, e ele sabia que tinha alguma pea em e7 que ele achou que fosse uma dama quando na verdade uma torre, ele pegou alguns elementos importantes da posio e se esqueceu de outros, por exemplo, a posio da torre preta em A1, que seria importante, a dama e o cavalo aqui, mas ele captou alguns elementos bem importantes da posio tambm, apesar dos erros.

138

Jogador T

T- O T s a posio da estrutura de pees, e os reis... nem isso ele colocou certo. Jogador Y

Y- O Y foi mal. Ele s lembrou algumas coisas aleatrias de estrutura de pees e da posio das torres, mas no pegou nada de essencial da posio.

139

Anlise da Posio Original 9

Comentrio do Expert:

outra posio que o tabuleiro todo est envolvido, mas principalmente a posio das peas pesadas e eu diria que fundamental gravar a posio das peas pesadas nesta posio: as duas torres e as damas porque elas que esto efetivamente fazendo alguma coisa nesta posio, ao contrrio do cavalo das pretas que est fora de jogo aqui e parece ser irrelevante para essa posio. at uma situao bem geomtrica das torres e das damas, isto aqui que fundamental nesta posio. Irrelevante: cavalo das pretas fora de jogo. Importante: peas pesadas (duas torres e as damas).

140

Anlise dos Erros da Posio 9

Jogador Q

Q- Conforme esperado, Q acertou a posio completa.

Jogador W

W- Acertou inteira a posio.

Jogador E

141 E- O E curiosamente esqueceu da torre branca em D2, que fundamental para a posio, um erro pequeno, mas se, por exemplo, tiver que medir o erro dele com o erro do R por exemplo, que s trocou a posio de um peo aqui do lado, esse erro muito mais grave, de ele no ter colocado essa torre aqui em d2.

Jogador R

R- O R matou esta posio, perfeito... ah no, ele trocou a posio do peo, seria um erro totalmente desculpvel, ele somente errou a posio do peo aqui, mas de resto acertou tudo.

Jogador T

T- De novo, ele d muita ateno estrutura de pees, geralmente os acertos dele so as posies de pees, que justamente o que eu acho que irrelevante para posio, a maioria das pessoas que esto entendendo, que veem mais a essncia das posies, justo o que elas erram a questo da estrutura de pees que o que elas prestam menos ateno, e aqui ele s acertou a estrutura de pees basicamente.

142

Jogador Y

Y- Trocou o posicionamento, esqueceu... fcil porque tem poucas peas e uma posio muito fcil de ser reconhecida por um jogador de xadrez. Cinco segundos tempo mais do que suficiente para olhar e montar ela sem nenhum erro... o padro desta posio se repete, o jogador de xadrez muito difcil e mesmo num tempo muito curto, ele no calcular pelo menos alguma coisinha, ento ele olha cinco segundos e ele percebe que existe lgica nesta posio, existe lgica no jeito que as brancas colocaram as suas peas, tudo isso... uma posio que poderia lembrar uma partida totalmente, e ela tem poucas peas, e as peas esto prximas, esto centralizadas, ento esta uma posio que me parece fcil, eu acho que um grande mestre no comete erros nesta posio.
Impresses do GM Leito sobre as diferenas de desempenho dos jogadores:

No sei ainda o resultado do teste, mas me parece que os jogadores mais fortes, eles do menos importncia para a posio dos pees, e mais importncia para a posio das peas; alguns acertam assim mesmo, porque a questo da estrutura de pees uma coisa fcil de ser reconhecida. Essa daqui uma estrutura modelo numa partida de xadrez f7 e7 h6, f2 g2 h3, ento fcil, existem algumas outras posies que a gente viu que as posies dos pees estavam mais embaralhadas, e mais difceis de lembrar, mas me parece que os jogadores mais fortes tendem a errar mais na questo dos pees onde peas que esto afastadas do centro da posio do que das peas em si. Por exemplo, essa de no colocar torre em d2 foi erro grave; me parece que alguns jogadores neste teste que me parecem jogadores mais fracos se atentam mais em gravar justamente a posio dos pees, e omitem a posio das peas mais relevantes.

143 Anlise da Posio Original 10

Comentrio do Expert: A posio 10 me parece simples. O fato de que de novo a posio est concentrada em uma regio especfica do tabuleiro, que so o lado das pretas do tabuleiro. Ento, de novo a posio relevante a posio das peas pesadas e que muito provavelmente pode surgir um erro na posio dos pees principalmente na posio dos pees das brancas que esto fora do contexto aqui, tem um de A4, tem um de A7. Na minha opinio essa configurao da estrutura de pees como os pees so peas que tm um valor menor no xadrez muito fcil da gente desviar a ateno deles, ento acredito que possvel ter erros neste caso, mas a configurao das peas pesadas dificilmente vai ter um erro, especialmente em uma posio dessa, porque chama muita ateno o fato das peas brancas estarem todas no ataque, este tipo de coisa. Irrelevante: pees, pees das brancas. Importante: lados das pretas do tabuleiro, peas brancas no ataque.

144

Anlise dos Erros da Posio 10

Q- Perfeito.

Jogador Q

Jogador W

W- Pelo contrrio, como falei, errou as posies dos pees e errou a posio das peas principais, errou uma torre, mais voc note que as peas ele colocou certinho, s errou coisas mesmo da estrutura. Jogador E

E- Ele colocou cavalos aqui... curioso... ele acertou a posio inteira, s que invs de colocar torres ele colocou cavalos, me parece um erro muito curioso tambm... note que

145 ele percebeu detalhes da posio, mas trocou as peas. Difcil at explicar por que ele fez isso9.

R- Acertou completo.

Jogador R

Jogador T

T- Seguindo minha teoria, s conseguiu reproduzir uma parte da estrutura de pees mais nada.

Jogador Y

Y- S acertou que as torres estavam uma do lado da outra e errou o resto.

Houve um erro de digitalizao do tabuleiuro reconstrudo, substituindo torres por cavalos, o que ocasionou este erro. A posio aqui impressa a reconstruo correta pelo sujeito E.
9

146

Anlise da Posio Original 11- Aleatria

Comentrio do Expert:

totalmente bizarro esta posio. O que chamaria minha ateno s algumas coisas geomtricas nesta posio, como a posio meio simtrica das torres e dos reis. Agora para um enxadrista, por exemplo, totalmente absurdo ter um peo na ltima fila, porque o peo quando voc chega na ltima fila a gente pede outra pea. Ento isso seria difcil de... mas existe uma certa configurao geomtrica aqui que pode ajudar nesta posio, especialmente a das torres e dos reis, de resto me parece uma posio que se algum conseguiu reproduzir fielmente tem que dar os parabns porque muito difcil. Obs.: Muito difcil. Importante: Geometria simtrica das torres e reis, peo na ltima fila.

147 Anlise da Posio Original 12 - Aleatria

Comentrio do Expert:

Nossa... essa... a posio 12 um absurdo total, essa aqui, se algum conseguir reproduzir um gnio, essa aqui no tem padro reconhecvel nenhum, os dois reis esto em xeque. Um dos reis est sofrendo mais do que um xeque. O que se assemelhe a uma posio de xadrez normal essa aqui no tem nada, nada, absolutamente nada, uma posio, literalmente, totalmente aleatria, essa aqui impossvel... no tem como. Obs.: Absurdo total. Importante: Os dois reis esto em xeque.

148

Anlise da Posio Original 13- Aleatria

Comentrio do Expert:

Essa aqui j uma posio mais normal, que pese algumas coisas mais absurdas... mas , o que existe mais ou menos normal a gente reconhece algumas posies, as posies das peas que seriam mais ou menos normais em uma posio de xadrez. Talvez isso seja mais fcil de lembrar. E perceber que os dois reis esto em xeque. Isso fundamental tambm nesta posio. Eu acho que esse padro do bispo em c2, o cavalo em d3 e o rei em e2 relativamente normal numa partida de xadrez. Ento isso seria muito simples de lembrar. Agora eu no sei, talvez chame muita ateno tambm, os pees que esto colocados em casas absurdas, talvez isso da to absurdo, que talvez a pessoa lembre principalmente disso. Tirando os pees, essa posio anterior no tem coisa de muito estranho no, tirando a posio dos pees e os reis estarem em xeque. Obs. Mais normal. Importante: Os dois reis em xeque, padro do bispo em c2, o cavalo em d3 e o rei em e2 relativamente normal.

149

Anlise da Posio Original 14 - Aleatria

Comentrio do Expert: Essa aqui difcil tambm, so umas posies que doem um pouco. A posio 14 porque muito, muito irregular a posio. O peo preto na oitava fila, os reis tomando xeque, no sei nem se dizem exatamente o que que d para lembrar aqui... seria mais a posio do flanco dama principalmente, ou ento a posio do rei. Essa posio esquisita aqui... os reis tomando xeque, mas no vejo assim um padro reconhecvel, nada aqui que eu possa te falar que seria mais importante, eu diria que essa posio quando os reis esto muito prximos, naturalmente isso aqui tem mais relevncia na posio, agora... realmente no d para... Muito difcil. Importante: Peo na oitava fila, os reis tomando xeque, reis muito prximos.
Comentrios adicionais da entrevista

150

O que voc acha da questo do erro? Voc acha que, para a essncia de uma posio ou de um tabuleiro, voc tem que perceber exatamente naquelas coordenadas? No, eu acho que tem algumas coisas que so mais importantes que outras. Se por acaso uma pessoa se lembra da posio dos pees distantes do centro da posio uma coisa, mas se a pessoa erra principalmente o equilbrio material da posio e erra o posicionamento das peas mais relevantes para posio, isso me parece um erro mais grave pelo menos atravs da mente de um jogador de xadrez, no sei se esse o objetivo, mas para um jogador de xadrez isso a. Se a pessoa erra a posio das torres das damas que esto atacando o adversrio, um erro mais grave do que se erra a posio de um peo que est totalmente irrelevante para o sentido da posio.

Partidas relmpago que voc olha e j sabe o movimento que vai fazer, impossvel voc considerar todas as possibilidades matematicamente, nem o computador consegue? Exatamente. Quando voc analisa o tabuleiro e pergunta qual a melhor jogada, como que voc acha que vai perceber a situao? que o jogador de xadrez filtra isso a, ele no fica analisando todas as possibilidades, ento a gente tenta focar o que o importante da posio, e por onde nossas peas devem jogar e a gente vai. Quando muito tem uma lista de trs, quatro lances no mximo que a gente vai considerar como importante para posio, apesar da posio matematicamente ter uma infinidade de possibilidades. O que sobra mesmo de aproveitvel que vai ser analisado pela mente de um grande mestre so no mximo geralmente dois, trs lances. Quando muito, a gente tenta filtrar os elementos mais importantes da posio, assim que a gente vai decidindo os lances. Se tivesse que analisar tudo que acontece na posio, todos os lances, mesmo os irrelevantes, no d para jogar bem.

151 Mas eu mostrei esse primeiro tabuleiro para voc. Se fosse explicar para algum o que est acontecendo no tabuleiro 1... quando voc explica para uma pessoa... a essncia de uma posio, o que voc acha, voc supe que seja?

Se isso fosse uma partida de xadrez mesmo? O fundamental so duas coisas: que as pretas esto em xeque e que tem um peo passado das brancas que est muito prximo da coroao. Numa partida de xadrez isso, basta esses dois elementos a, porque, claro, uma coisa importante que toda vez que um grande mestre olha uma posio, que ele automaticamente reconhece o equilbrio material, ento automaticamente a gente v um equilbrio material apesar das brancas terem um peo a menos que quase irrelevante nesta situao, mas por equilbrio material eu digo equiparao das peas pesadas das peas mais importantes. A a gente v que existe uma pea que tem um valor dinmico muito grande, que o peo passado no caso das brancas desta posio 1, e que as brancas vo ganhar essa posio porque vo coroar esse peo, essa impresso que se tem, ento isso que, numa partida a gente v isso, que o peo vai coroar, esse peo. Apesar de ser uma pea de menor valor, a pea na verdade mais importante nessa posio porque ele que vai decidir uma partida aqui. Talvez se algum fosse montar essa posio como se com relevncia para uma partida de xadrez, e algum montar essa posio e tirar esse peo de d6, citei anteriormente posies em que o peo est fora do que est acontecendo na partida, mas se algum monta essa posio e tira esse peo das brancas daqui que o principal elemento digamos dessa posio, porque esse peo que vai numa partida de xadrez, esse peo que vai decidir a partida. Comentrio sobre os jogadores (sobre o R) Ele foi inclusive melhor neste teste do que alguns que talvez tenham tido menos erros do que ele... ele reproduziu muito bem as posies, ele errava esses detalhes a, algumas pequenas coisas. No mnimo um jogador que tem talento, ele pode no ter tido tempo para ser um grande mestre para se dedicar, mas voc percebe que a mente dele trabalha com os elementos importantes da posio independente de ser grande mestre ou no. E o Q obviamente o jogador mais forte a... mesmo as posies mais complicadas e estruturas de pees ele acertou quase tudo. D para contar nos dedos os erros dele neste teste todo.

152

Comentrio sobre intuio Jogador Intuitivo, jogador racional. A prpria literatura enxadrstica separa entre jogar intuitivo, inclusive tem mesmo testes tcnicos.

A questo da intuio que voc est numa posio que digamos tem um lance que parece certo. Por mais que voc analise, no chegue a uma concluso. O lance parece certo para voc e voc acredita nele e joga. Voc no tem uma lgica para explicar? . Exato porque voc est acreditando naquilo... exato, mas voc sente que esse lance o lance da posio e tem jogadores que tentam sempre explicar isso racionalmente, que com clculo de variantes e querem provar... alguns jogadores muito fortes como, por exemplo, o Bobby Fisher, que um dos jogadores mais fortes... o Fisher e o Kasparov so exemplo de jogadores racionais no xadrez, eles sempre tentam encontrar respostas matemticas, digamos assim, para o que eles acreditam. Entendeu? Mesmo nas anotaes nos comentrios das partidas voc v que nas posies complicadas eles comentam duas ou trs pginas s para provar que ele estava certo... Enquanto tem jogadores como Anatoly Karpov, que foi campeo mundial, que o jogo dele totalmente intuitivo, ele joga fcil, rpido, no se preocupa tanto em calcular tudo, ele sente a posio mais intuitivamente, os treinadores principais da Rssia, por exemplo, a melhor coisa eles pegam esses testes a para determinar se um jogador intuitivo ou racional, e tem jogadores que so uma mescla dos dois tambm. E qual o nome desse teste? que esse teste ele na verdade muito especializado. No pblico? No, so treinadores que passaram anos fazendo o sistema de treinamento dele, e eles colocam isso, mas mais para quem vai l, eles colocam as posies... no uma coisa cientfica... a experincia deles como treinadores da Unio Sovitica... Eu tenho num livro ele explicando esse processo. Mas voc no tem nunca como falar que 100% racional, pois voc no tem como calcular todas as...

153 Ah no... 100% racional no que isso a que se percebe justamente nestes testes, na questo de tomadas de deciso, principalmente porque uma das formas de fazer esse teste ele coloca uma posio onde... existe um sacrifcio de uma pea, mas uma combinao que impossvel de calcular at o final, ele te d um tempo que no d para voc calcular tudo, ele d dez minutos para uma posio supercomplicada ele pede para voc tomar uma deciso, fazer o lance que voc faria na partida. Ento, jogadores intuitivos que podem analisar uma parte da combinao e acreditarem que o lance completo, ento na hora da deciso ele joga esse lance mesmo sem ter tido tempo de calcular tudo. Os jogadores racionais, a tendncia deles na mesma situao eles tentam calcular tudo, eles vo ver que no vai dar para calcular tudo, e a tendncia deles fazer um lance mais neutro, eles no vo embarcar numa combinao muito complicada, sem terem um resultado muito palpvel do que vai acontecer, mais ou menos por a o teste a grosso modo falando, claro que mais rebuscado que isso a, mas mais ou menos isso. Te garanto que num determinado nmero de posies ele capaz de avaliar perfeitamente o estilo de um jogador, agora isso l na Rssia, onde tem treinadores dedicados a isso, aqui no Brasil no tem como.

[FINAL DA ENTREVISTA]

Neste apndice documentamos as posies utilizadas no experimento, a (i) anlise estratgica de cada posio, e (ii) a anlise de cada reconstruo, obtidas por meio de entrevista com um dos maiores experts brasileiros.