Um grupo de pesquisadores avaliou a capacidade de atenção de modelos de IA usando um teste clássico de psicologia cognitiva, adaptado para ambientes digitais. O objetivo foi medir como diferentes IA lidam com tarefas de atenção contínua em listas longas e cheias de detalhes.
O experimento utilizou comandos textuais destinados a modelos de linguagem. Instruções como “indique todas as palavras em vermelho” foram seguidas por listas com cores descritas em linguagem natural. A ideia era observar desempenho e consistência das máquinas.
Cada rodada combinou blocos curtos e tarefas mais extensas. Os pesquisadores registraram não apenas a precisão, mas também a variação entre rodadas, para mapear a manutenção da atenção ao longo do tempo.
Resultados do teste
Em tarefas breves, as IA mostraram alta precisão, reconhecendo cores e contando itens conforme as instruções. O desempenho aproximou-se do observado em pessoas treinadas para o teste.
Conforme a carga de informações aumentou, a taxa de acertos caiu significativamente. Em tarefas com várias etapas, houve maior frequência de erros e confusão entre itens semelhantes.
Outra constatação foi a tendência de as IA ignorarem partes iniciais ou finais das instruções em listas extensas. Em alguns casos, a resposta refletia apenas a parte mais recente do comando.
Implicações para uso da IA
Especialistas destacam que tarefas com atenção contínua demandam supervisão humana, especialmente em etapas complexas ou com consequências relevantes. A checagem ajuda a detectar perdas de informação.
Desenhos de tarefa mais curtos e segmentados favorecem respostas mais estáveis. Dividir comandos extensos em subtarefas estruturadas reduz falhas e melhora a confiabilidade.
O estudo reforça a necessidade de testar atenção artificial com métodos clássicos da psicologia. Assim, é possível comparar máquinas e humanos em condições semelhantes e entender os limites atuais da IA em tarefas longas.
Entre na conversa da comunidade