Quando perceber um número é como reconhecer uma música: rumo a um novo modelo de cognição matemática

Eudald Correig
16/10/2026|11 min de leitura
Quando perceber um número é como reconhecer uma música: rumo a um novo modelo de cognição matemática

A paisagem dos números segundo o nosso modelo. Se agora isso não fizer sentido para você, não se preocupe: no fim do artigo você vai saber lê-la.  

Por que estudamos isso?

Entender o que é um número é um dos primeiros grandes marcos da matemática. Uma criança precisa descobrir que “três” é o que têm em comum três maçãs, três pulos e três palmas, e nem todas descobrem isso no mesmo ritmo. Para criar boas ferramentas para ensinar isso, não basta saber o que funciona na sala de aula: também é preciso entender como o cérebro representa as quantidades. Quanto melhor entendermos, mais bem pensadas poderão ser as atividades, os materiais e as avaliações que surgirem daí. Este estudo contribui com uma peça: um modelo de como passamos de uma impressão de quantidade a um número concreto.          

Um experimento de dois segundos

Vamos começar com um pequeno experimento. Na imagem abaixo vão aparecer alguns pontos por uma fração de segundo. Não tente contá-los: apenas diga, o mais rápido que puder, quantos você viu.  

Se você experimentou, com certeza notou a diferença. Com 3 pontos você não precisou pensar: a resposta já estava ali. Com 8 você teve que fazer uma estimativa rápida, e provavelmente não tinha muita certeza. 

Essa sensação não é só sua. É um dos fenômenos mais estudados da cognição numérica, e se repete em todas as pessoas. As quantidades pequenas, até 3 ou 4, reconhecemos quase sempre e na hora. A partir daí, cada ponto a mais faz com que acertemos menos e demoremos mais para responder.

Respostas de cerca de 380 adultos que viram entre 1 e 15 pontos durante 160 milissegundos (dados abertos de Cheyette e Piantadosi, 2020). Com 3 pontos, 90% das respostas são exatas; com 8, apenas 30%. Responder 8, além disso, leva quase um segundo a mais. 

Durante décadas, a explicação mais comum foi que temos dois sistemas diferentes no cérebro: um exato para as quantidades pequenas e um aproximado para as grandes. Mas essa explicação deixa algumas perguntas sem resposta. Se há dois mecanismos, onde fica a fronteira entre um e outro? E por que a curva desce aos poucos, sem nenhum salto? 

Já nos anos 1990, os psicólogos Randy Gallistel e Rochel Gelman propuseram uma alternativa: talvez baste um único sistema, muito preciso com os números pequenos e cada vez menos preciso com os grandes. A ideia era atraente, mas faltava uma peça importante: explicar como esse sistema funciona. Ou seja, como uma impressão difusa de quantidade se 

transforma em uma resposta concreta, como “oito”. Essa é a peça que o nosso modelo propõe. Para entendê-la, porém, antes é preciso fazer um pequeno desvio e falar de músicas. 

Como lembramos de uma música

Pense na última vez que alguém assobiou uma música perto de você. Talvez estivesse desafinado e talvez tenha pulado alguma nota, mas você a reconheceu mesmo assim. Sua memória pegou um sinal imperfeito e o completou.    

A memória não precisa de um sinal perfeito. Basta que ele se pareça com uma lembrança para que a reconheçamos inteira. 

Os cientistas chamam isso de completar padrões. Em 1982, o físico John Hopfield propôs uma forma matemática de descrever esse processo: uma rede de neurônios artificiais que guarda lembranças e é capaz de recuperá-las a partir de versões incompletas ou ruidosas. Essa ideia acabou se tornando uma das mais influentes da ciência da memória e da inteligência artificial.  

Para explicar como essas redes funcionam, costuma-se usar a imagem de uma paisagem. Cada lembrança é um vale. Quando você ouve algumas notas, é como se deixasse cair uma bola nessa paisagem, e lembrar consiste em deixar a bola rolar ladeira abaixo até o fundo do vale mais próximo.  

Cada lembrança é um vale. Um vale profundo prende a bola na hora. Dois vales largos e pouco profundos, por outro lado, se tocam: a bola desce devagar e pode acabar em qualquer um dos dois. 

A paisagem ajuda a entender por que nem todas as lembranças funcionam da mesma forma. “Parabéns a você” você já ouviu mil vezes, e é um vale profundo: mesmo que a bola caia longe do fundo, chega lá rápido. Por isso você a reconhece com duas notas, mesmo que as assobiem mal. Uma música que você ouviu só umas duas vezes no rádio é um vale largo e pouco profundo. A bola se move devagar, e se houver outra música parecida por perto, os dois vales se tocam e a bola pode acabar no errado.  

Com essa imagem, já temos tudo o que precisamos para voltar aos números. O que vivemos muitas vezes deixa vales profundos e nítidos; o que vivemos pouco deixa vales largos; e as lembranças parecidas podem se confundir.  

Os números como vales

Agora vamos trocar as músicas por números. No nosso modelo, cada número inteiro (1, 2, 3, 4…) é uma lembrança e, portanto, um vale da paisagem. Quando vemos alguns pontos por um instante, os olhos e o cérebro fazem uma primeira estimativa, que é sempre um pouco imprecisa: é o equivalente ao assobio desafinado. Essa impressão deixa a bola cair, e a paisagem faz o resto.  

O que importa é a forma dos vales. Os números pequenos são o nosso “Parabéns a você”, porque os encontramos o tempo todo. Um estudo que analisou sete línguas mostrou que palavras como “um”, “dois” ou “três” aparecem muitíssimo mais vezes do que “treze” ou “dezessete”. Partindo dessa ideia, no modelo os vales se alargam à medida que os números crescem. No entanto, quando eles se alargam e em que ritmo não fomos nós que definimos: ajustamos isso a partir das respostas das pessoas. 

A animação a seguir mostra a paisagem resultante e o que acontece com os nossos dois protagonistas: 

A paisagem real do modelo, ajustada às respostas das pessoas. Cada bola cai um pouco deslocada, porque a impressão inicial não é exata. O tempo de rolagem é o que o modelo usa para prever quanto tempo uma pessoa leva para responder. 

Com o 3, a bola cai perto de um vale estreito e profundo. A inclinação é tão forte que a bola chega ao fundo na hora, mesmo que a impressão não fosse exata. A memória corrige o erro da percepção, e a resposta é 3, rápida e segura.

Com o 8, a situação é muito diferente. Como os vales dessa região são largos, eles se fundiram com os vizinhos, e o terreno resultante é quase plano. A bola mal se move: a memória não consegue corrigir a impressão, e a resposta fica perto de onde a bola caiu, que pode ser tanto o 7 quanto o 8 ou o 9. Além disso, como a inclinação é tão suave, a bola demora muito para parar, e é por isso que respondemos mais devagar. 

O modelo também inclui um limite: se a bola não parar a tempo, a mente para de procurar e responde com o que tem. Isso explica por que, a partir de uns 10 pontos, as respostas não ficam mais lentas (é o platô da curva de tempo que vimos no início). Como o cérebro decide quando deve parar é uma das perguntas que continuam em aberto. 

Se repetirmos o processo muitas vezes, aparece o mesmo padrão que tínhamos visto nas pessoas:

Cada bola é uma resposta do modelo. Com 3 pontos, quase todas terminam no 3. Com 8, elas se espalham entre o 5 e o 12, e o 8 é, só por pouco, a resposta mais frequente. 

Não são necessários dois sistemas. A mesma paisagem dá respostas exatas para os números pequenos e aproximadas para os grandes.

E a fronteira que estávamos procurando? Simplesmente não existe. Os vales vão se alargando aos poucos, e por isso a precisão também cai aos poucos. Por volta do 8 ou do 9, os vales já se fundiram quase por completo.  

Colocando a ideia à prova

Uma animação bonita não prova nada. Para saber se o modelo é bom, é preciso compará-lo com dados reais e com as explicações alternativas: 

  • 52.995 respostas analisadas
  • 379 participantes
  • 40-640 milissegundos: cinco tempos de exposição

Usamos um conjunto de dados aberto, publicado por Samuel Cheyette e Steven Piantadosi, da Universidade da Califórnia em Berkeley. Os participantes viam entre 1 e 15 pontos por tempos muito curtos e escreviam quantos tinham visto. O modelo precisava explicar três coisas ao mesmo tempo: que número as pessoas respondiam, quantas vezes acertavam exatamente e quanto tempo levavam para responder. E precisava fazer isso com uma única paisagem para todos os tempos de exposição.  

Os pontos são as pessoas e a linha, o modelo (exposições de 160 ms). O modelo reproduz a resposta média, a queda das respostas exatas e o aumento do tempo de resposta. Não é perfeito: na faixa intermediária, entre uns 5 e 9 pontos, prevê um pouco menos de acertos e respostas um pouco mais rápidas do que as reais. 

Mas não basta reproduzir os dados: também é preciso fazer isso melhor do que as alternativas. Por isso comparamos o modelo com outras explicações: uma versão sem rolar, outra com todos os vales iguais, o sistema aproximado clássico e o modelo que os próprios autores dos dados tinham proposto. Para compará-los usamos uma medida padrão, o critério de informação de Akaike (AIC), que premia explicar bem as respostas e penaliza usar mais peças do que o necessário. Quanto mais longa a barra, pior aquele modelo explica os dados. Como referência, uma diferença de 10 pontos já é considerada clara.    

Comparação de modelos com as quase 53.000 respostas. O nosso modelo é o que melhor as explica. 

A comparação também mostra que os dois ingredientes são necessários. Se tirarmos o rolar e lermos a resposta diretamente de onde a bola cai, o modelo piora. Se fizermos todos os vales iguais, piora ainda mais. A forma da paisagem e o fato de rolar por ela contribuem, cada um, com uma parte da explicação.

Cada pessoa, sua paisagem

O modelo também pode ser ajustado a cada pessoa separadamente, e aqui aparece um resultado interessante: nem todo mundo tem a mesma paisagem. Algumas pessoas têm vales bem separados até o 12 ou o 13; outras, só até o 6 ou o 7. 

Esquerda: como seria a paisagem de uma pessoa com vales separados até o 13 e a de outra com vales separados só até o 7, dois valores comuns no estudo. Direita: cada ponto é uma das 360 pessoas que completaram todas as condições. Quanto mais longe chegam os vales separados, menos a pessoa erra ao estimar quantidades grandes. 

As pessoas com uma paisagem mais nítida nos números pequenos também são mais precisas ao estimar quantidades grandes. E as duas coisas foram medidas com respostas diferentes: a nitidez, com os conjuntos de até 8 pontos, e a precisão, com os de 9 ou mais. O fato de andarem juntas sugere que não são duas habilidades independentes, mas dois lados de uma mesma paisagem. É uma correlação e, portanto, não nos diz o que causa o quê, mas se encaixa na ideia de um único sistema. 

Por que é importante ter um novo modelo

Pode parecer que tudo isso é só uma forma diferente de dizer a mesma coisa. Não é, e acreditamos que isso importa por três razões. 

1. De descrever a explicar

Dizer que temos dois sistemas descreve o que observamos, mas não explica como funciona. Um modelo como este calcula: para cada quantidade de pontos e cada tempo de exposição, faz uma previsão concreta do que as pessoas vão responder e de quanto tempo vão levar. Isso significa que ele pode errar e que, portanto, podemos testá-lo e melhorá-lo. É assim que a ciência avança. 

 

2. Uma linguagem para as diferenças entre pessoas

O modelo nos dá uma forma precisa de descrever em que duas pessoas se diferenciam: a nitidez da sua paisagem. Sabemos por estudos anteriores que a precisão desse senso numérico está relacionada ao desempenho em matemática. Ter uma medida interpretável nos aproxima de entender por que algumas crianças têm mais dificuldades, e de detectá-las cedo. Na Innovamat, a avaliação Cosmos, que faz parte do nosso programa de intervenção precoce, inclui tarefas com pontos que aparecem durante meio segundo, muito parecidas com as deste estudo. 

3. Os números, lembranças que se aprendem

Se os vales são lembranças, a sua forma depende da experiência. Os números que encontramos com mais frequência deveriam ter vales mais nítidos, e a experiência com quantidades (e não só com algarismos) deveria ir refinando-os. Ainda não comprovamos isso, mas é uma previsão clara, e se conecta com o que acontece na sala de aula: manipular, comparar e estimar quantidades poderia ser uma forma de esculpir essa paisagem. Com uma ressalva: os vales são vizinhos, e modificar um afeta os do lado. Entender como refinar a paisagem inteira sem desorganizá-la é uma das perguntas que agora nos interessam. 

E agora?

Como qualquer modelo, este é uma simplificação. Ele deixa perguntas em aberto que marcam o caminho dos próximos estudos, e também abre uma porta que nos interessa especialmente. 

Ferramentas para as crianças que têm mais dificuldade

Se as dificuldades com os números têm a ver, pelo menos em parte, com uma paisagem menos nítida, o modelo nos dá uma nova forma de pensar em como ajudar essas crianças. Primeiro, para detectá-las: tarefas como as do Cosmos poderiam servir para estimar até que número cada criança tem vales separados. Depois, para agir: criar atividades pensadas para refinar justamente os vales mais borrados, sem desorganizar os do lado. E, por fim, para avaliá-las: o modelo deveria nos permitir distinguir uma atividade que realmente refina a paisagem numérica de outra que só melhora a percepção em geral. Ainda não testamos isso com crianças, mas é para onde queremos ir. 

Agora você já pode voltar a olhar a imagem do início. Os vales profundos da esquerda são os números que vemos de relance; os largos da direita, os que precisamos estimar. Entre uns e outros não há nenhuma fronteira, só uma paisagem que muda de forma aos poucos. 

Para saber mais

O artigo: Correig-Fraga, E. (2026). An attractor account of numerosity readout. i-Perception, 17(5), 1–15. Acesso aberto: doi.org/10.1177/20416695261488294  

Os dados: Cheyette, S. J. e Piantadosi, S. T. (2020). A unified account of numerosity perception. Nature Human Behaviour, 4, 1265–1272. Dados em osf.io/svcy5. O código: github.com/eudaldc/hopfield_numbers 

Outros trabalhos citados: Hopfield (1982), PNAS 79, 2554–2558 · Gallistel e Gelman (1992), Cognition 44, 43–74 · Dehaene e Mehler (1992), Cognition 43, 1–29 · Halberda, Mazzocco e Feigenson (2008), Nature 455, 665–668.

Leituras relacionadas