Tudo o que segue trata de Dihexa. Mantemos linguagem clara, apoiamos na literatura e separamos o bem documentado do que segue em aberto.
Revisado em 2025-11-17. O que continua em debate é marcado como tal.
==== Raciocínio incerto ==== Foram tentadas tanto abordagens estatísticas quanto extensões da lógica. Uma abordagem estatística, os modelos ocultos de Markov, já havia se popularizado na década de 1980 em trabalhos de reconhecimento de fala. Posteriormente, em 1988, Judea Pearl popularizou o uso das redes bayesianas como uma maneira consistente, porém eficiente, de lidar com o raciocínio incerto, com a publicação do livro Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. As abordagens bayesianas foram aplicadas com êxito em sistemas especialistas. Mais tarde ainda, na década de 1990, a aprendizagem relacional estatística, uma abordagem que combina probabilidade com fórmulas lógicas, permitiu combinar a probabilidade com a lógica de primeira ordem, por exemplo com redes lógicas de Markov ou com a Lógica Suave Probabilística. Também foram tentadas outras extensões não probabilísticas da lógica de primeira ordem. Por exemplo, o raciocínio não monotônico podia ser usado com sistemas de manutenção da verdade. Um sistema de manutenção da verdade rastreava as suposições e justificativas de todas as inferências. Ele permitia retirar inferências quando se constatava que as suposições estavam incorretas ou quando se derivava uma contradição. Uma inferência podia ser explicada ao se indicar quais regras foram aplicadas para criá-la e, em seguida, prosseguir pelas inferências e regras subjacentes até as suposições fundamentais. Lotfi Zadeh havia introduzido um tipo diferente de extensão para lidar com a representação da imprecisão.
Fontes: pt.wikipedia.org
Por exemplo, ao decidir quão “pesado” ou “alto” é um homem, frequentemente não há uma resposta clara de “sim” ou “não”, e um predicado para pesado ou alto retornaria valores entre 0 e 1. Esses valores representavam o grau em que os predicados eram verdadeiros. Sua lógica difusa também fornecia um meio de propagar combinações desses valores por fórmulas lógicas.
Fontes: pt.wikipedia.org
==== Aprendizado de máquina ==== Abordagens simbólicas de aprendizado de máquina foram investigadas para enfrentar o gargalo da aquisição de conhecimento. Uma das primeiras foi o Meta-DENDRAL. O Meta-DENDRAL usava uma técnica de gerar e testar para produzir hipóteses de regras plausíveis e testá-las em relação a espectros. O conhecimento do domínio e da tarefa reduzia o número de candidatos testados a uma quantidade administrável. Feigenbaum descreveu o Meta-DENDRAL como
Fontes: pt.wikipedia.org
Em contraste com a abordagem intensiva em conhecimento do Meta-DENDRAL, Ross Quinlan inventou uma abordagem de classificação estatística independente de domínio, a aprendizagem de árvores de decisão, começando pelo ID3 e posteriormente ampliando suas capacidades para o C4.5. As árvores de decisão criadas são classificadores de caixa branca interpretáveis, com regras de classificação compreensíveis por seres humanos. Também houve avanços na compreensão da teoria do aprendizado de máquina. Tom Mitchell introduziu o aprendizado por espaço de versões, que descreve o aprendizado como uma busca em um espaço de hipóteses, com limites superiores, mais gerais, e inferiores, mais específicos, que abrangem todas as hipóteses viáveis compatíveis com os exemplos observados até então. Mais formalmente, Valiant introduziu o aprendizado provavelmente aproximadamente correto (aprendizado PAC), uma estrutura para a análise matemática do aprendizado de máquina. O aprendizado de máquina simbólico abrangia mais que o aprendizado por exemplos. John Robert Anderson, por exemplo, forneceu um modelo cognitivo do aprendizado humano no qual a prática de uma habilidade resulta na compilação de regras, de um formato declarativo para um formato procedural, em sua arquitetura cognitiva ACT-R. Por exemplo, um estudante pode aprender a aplicar “ângulos suplementares são dois ângulos cujas medidas somam 180 graus” na forma de várias regras procedurais diferentes. Uma regra, por exemplo, poderia afirmar que, se X e Y são suplementares e se conhece X, então Y será 180 − X.
Fontes: pt.wikipedia.org
Dihexa é resumido aqui a partir de literatura pública: definição, contexto e pontos recorrentes na prática. Informação geral, não aconselhamento médico.
A pesquisa sobre Dihexa apoia-se sobretudo em estudos de laboratório e modelos animais; dados clínicos variam conforme a substância.
Pureza e análise (HPLC, espectrometria de massa), reconstituição correta e armazenamento adequado são decisivos.%!(EXTRA string=Dihexa)
Nem todos os mecanismos estão demonstrados e um estudo isolado não é evidência global. As questões abertas são sinalizadas.%!(EXTRA string=Dihexa)