Resumen Técnico: Predicción Temprana de Estrategias de Comportamiento Futuro a partir de Trazas de Procesos

Formulación del Problema

Los sistemas adaptativos (por ejemplo, tutores inteligentes, motores de juego, colaboradores humano-IA) a menudo se enfrentan al desafío de tomar decisiones específicas de la tarea sobre un usuario basándose en evidencia previa limitada. El problema central abordado es la inferencia conductual trans-tarea temprana: predecir cómo un individuo organizará su comportamiento en una tarea objetivo (target) no observada utilizando únicamente trazas de proceso parciales de tareas de origen (source) previas.

Los enfoques existentes enfrentan dos limitaciones primarias:

1. Resúmenes de Resultados Agregados: Los métodos tradicionales dependen de métricas como puntuaciones, tasas de finalización o tiempos de reacción. Aunque son compactos y disponibles entre tareas, estos resúmenes suelen colapsar procesos de comportamiento distintos (por ejemplo, planificación sistemática frente a cambios frecuentes) en resultados similares, fallando en capturar el cómo del comportamiento.
2. Modelado de Procesos de Tarea Única: Si bien los modelos de secuencia modernos (por ejemplo, transformers) pueden modelar dependencias temporales dentro de una sola tarea, a menudo entrelazan tendencias estables a nivel de persona con disposiciones y asequibilidades (affordances) específicas de la tarea. Además, las tendencias latentes de una persona pueden expresarse solo parcialmente en cualquier tarea de origen individual.

El artículo postula que existe una estructura transferible a nivel de persona, pero que requiere la fusión de evidencia de procesos a través de múltiples tareas de origen para ser recuperada eficazmente, especialmente cuando observar un comportamiento suficiente en la tarea objetivo resulta impráctico.

Metodología: Modelo de Variable Latente de Nivel de Proceso (PLVM)

Los autores proponen el Modelo de Variable Latente de Nivel de Proceso (PLVM), un marco diseñado para codificar trazas específicas de la tarea y fusionarlas en una representación latente compartida a nivel de persona para la predicción trans-tarea.

Arquitectura

El modelo consta de tres componentes distintos (ilustrados en la Figura 1 del artículo):

1. Codificadores de Proceso Específicos de la Tarea: Para cada tarea de origen $k$, un codificador dedicado $f_k$ (implementado como un transformer causal) procesa la traza parcial $X^{(t)}_{i,k}$. Estos codificadores se entrenan de forma independiente utilizando un objetivo de predicción del siguiente evento auto-supervisado (prediciendo la siguiente acción o cambio de posición) para aprender la dinámica conductual dentro de la tarea. Una vez entrenados, estos codificadores se congelan.
2. Fusionador Trans-Tarea: Las incrustaciones (embeddings) $h_{i,k}$ de las tareas de origen se concatenan y se pasan a través de una red de fusión de alimentación hacia adelante (feed-forward) $g_\phi$. Este módulo aprende a combinar la evidencia de diferentes tareas de origen para construir un estado latente compartido de dimensión fija a nivel de persona $z_i$.
3. Decodificador de Comportamiento Objetivo: Un decodificador $d_\psi$ mapea el estado latente fusionado $z_i$ a puntuaciones de predicción $\theta_i$, que se utilizan para clasificar la estrategia de comportamiento en la tarea objetivo no observada (por ejemplo, mediante softmax para clasificación).

Protocolo de Entrenamiento

Los codificadores específicos de la tarea se entrenan por separado. El módulo de fusión y el decodificador se entrenan conjuntamente utilizando el objetivo de predicción trans-tarea mediante una pérdida de entropía cruzada. Crucialmente, el modelo se evalúa bajo un protocolo de observación parcial: en cualquier tiempo de corte $t$, los modelos reciben solo el prefijo de las trazas de la tarea de origen. La traza de la tarea objetivo no observada nunca se proporciona como entrada durante la inferencia.

Evaluación Experimental

Los autores evalúan el PLVM utilizando dos enfoques complementarios: un juego humano real y simulaciones controladas.

1. PowerWash Simulator (Datos Humanos Reales)

• Conjunto de Datos: Telemetría de 11,080 jugadores completando tareas de limpieza espacial.
• Configuración: Los jugadores completan "Back Garden" y "Bungalow" (tareas de origen) antes de una tarea objetivo no observada, "Fire Station".
• Variable Objetivo: Estilo de Navegación, operacionalizado como la tendencia a persistir localmente dentro de regiones espaciales ("Planificadores de Zonas") versus cambiar frecuentemente entre regiones ("Saltadores de Zonas"). Las etiquetas se derivan de las tasas de cambio de zona, tasas de retorno y distancias de salto en el nivel de Fire Station.
• Líneas Base (Baselines):
  • Basada en Resultados: Utiliza resúmenes agregados (completación %, subtareas/min) de las tareas de origen.
  • Proceso de Tarea Única: Utiliza los mismos codificadores transformer pero procesa solo una tarea de origen a la vez sin fusión.

2. Simulación Controlada de Mundo de Rejilla (Verificación de Mecanismo)

• Configuración: Agentes sintéticos completan dos tareas: una tarea de "Forrajeo en Exteriores" (que enfatiza la búsqueda oportunista de recompensas) y una tarea de "Limpieza en Interiores" (que enfatiza la persistencia en parches).
• Verdad Fundamental (Ground Truth): Los agentes tienen fenotipos latentes conocidos (Tipo A vs. Tipo B) determinados por la configuración conjunta de los impulsos de persistencia y oportunismo.
• Racional: Las tareas están diseñadas para proporcionar evidencia complementaria. El forrajeo revela la dimensión de oportunismo, mientras que la limpieza revela la dimensión de persistencia. Ninguna tarea por sí sola identifica completamente el fenotipo.

Resultados Clave

PowerWash Simulator

• Líneas Base de Resultados: Las métricas agregadas (completación, productividad) mostraron una separación débil entre los futuros Planificadores y Saltadores (AUC $\approx$ 0.51–0.55), rindiendo cerca del azar.
• Modelos de Tarea Única: Las trazas de proceso de tareas individuales mejoraron la predicción respecto a los resultados, confirmando que las trazas ordenadas contienen señal más allá de los resúmenes.
• Rendimiento de PLVM: El PLVM superó consistentemente a ambas líneas base. Con un tiempo de corte de observación de 60 minutos, el PLVM alcanzó una precisión del 65.3%, comparado con el 62.9% de la mejor línea base de tarea única.
• Espacio Latente: La visualización de la representación latente fusionada mostró un cambio visible entre los Planificadores de Zonas y los Saltadores de Zonas, a pesar de la superposición significativa, indicando que el modelo aprendió una estructura predictiva relevante para el estilo de navegación futuro.

Simulaciones Controladas

• Complementariedad: El PLVM mostró las mayores ganancias cuando las tareas de origen eran complementarias. En la configuración complementaria, el PLVM alcanzó una precisión del 86.6%, superando significativamente al mejor modelo de tarea única (68.0%).
• Redundancia: Cuando las tareas eran redundantes (proporcionaban la misma información), el PLVM no ofreció beneficios, ya que una sola tarea ya revelaba la estructura.
• Validación del Mecanismo: Los resultados confirman que la fusión trans-tarea es más efectiva cuando las diferentes tareas revelan aspectos complementarios de un proceso latente compartido.

Significación y Reivindicaciones

El artículo reivindica tres contribuciones principales:

1. Formulación del Problema: Encuadra la predicción temprana de la estrategia de comportamiento trans-tarea como un problema distinto y relevante para la aplicación, yendo más allá de la evaluación basada en resultados o el modelado de secuencias de tarea única.
2. Innovación Metodológica: Introduce el PLVM, un modelo de variable latente que fusiona con éxito las incrustaciones de trazas específicas de la tarea en una representación compartida a nivel de persona, permitiendo la predicción de comportamiento en una tarea no observada.
3. Evidencia Empírica: A través de datos humanos reales y simulaciones controladas, los autores demuestran que la estrategia de comportamiento transferible no se captura completamente mediante resultados agregados o trazas de proceso de una sola tarea.

Los autores concluyen que el modelado de procesos trans-tarea es particularmente valioso en "entornos intermedios" donde:

• Las tareas comparten una estructura de comportamiento transferible.
• Ninguna tarea observada por sí sola revela completamente el comportamiento objetivo.
• Los resultados agregados son insuficientes para la diferenciación.

El trabajo se mantiene modesto, señalando que, si bien el mecanismo se valida en simulación, las etiquetas del mundo real son medidas operacionales de cambio espacial y no rasgos psicológicos validados externamente, y que el enfoque puede aportar poco beneficio si las tareas no están relacionadas o si los resultados ya son suficientes.