When May I Help You? On The Effect of Proactivity on Group Human-Robot Collaboration

Resumen Técnico: ¿Cuándo puedo ayudar? Sobre el efecto de la proactividad en la colaboración humano-robot grupal

Planteamiento del problema

En la colaboración humano-robot (HRI) multipartita, la iniciativa del robot presenta un desafío de diseño central. Un robot que actúa de forma proactiva puede proporcionar apoyo oportuno, pero corre el riesgo de interrumpir la coordinación, dividir la atención o alterar la toma de turnos. Por el contrario, un robot reactivo que espera a ser interpelado preserva el control humano, pero puede perder oportunidades para asistir. Esta tensión es particularmente aguda para los robots con capacidad lingüística, donde las contribuciones ocurren tanto a través de la acción física como del diálogo, lo que los hace visibles tanto como apoyo a la tarea como comportamiento social. El artículo investiga cómo debe participar un robot en una colaboración multipartita: adhiriéndose a un estilo reactivo (esperar a ser interpelado) o a un estilo proactivo (contribuir de forma autónoma y reiniciar la interacción).

Metodología

El estudio emplea un escenario de escape room colaborativo que involucra a parejas de participantes humanos y un robot humanoide (NICO).

• Configuración Experimental:

  • Participantes: Se reclutaron 56 participantes (28 parejas). La asignación de condiciones se realizó a nivel de pareja, lo que resultó en 14 parejas en la condición proactiva y 14 en la condición reactiva.
  • Plataforma Robótica: El robot NICO, equipado con un rostro LED expresivo y manos antropomórficas, fue integrado con un modelo de lenguaje de gran tamaño (LLM) ChatGPT 4o a través del marco ELMiRA.
  • Sensado y Percepción: El robot utilizó micrófonos individuales portátiles para capturar el habla, transcrita mediante un modelo Whisper. Mantuía un sistema de memoria (basado en diccionarios) para hechos ambientales y podía consultar su memoria o capturar imágenes para informar al LLM.
  • Tarea: Los participantes actuaron como pasantes con la tarea de encontrar una contraseña para desbloquear una computadora dentro de un margen de 60 minutos. La tarea consistió en una secuencia lineal de cuatro acertijos que requerían observación ambiental, emparejamiento de patrones y recuperación de información.

• Modelos de Interacción:

  • Modelo Reactivo: El robot funcionó de manera similar a un asistente de voz, respondiendo solo cuando se le dirigía la palabra explícitamente por su nombre o cuando transmitía pistas automatizadas.
  • Modelo Proactivo: El robot escuchaba continuamente todo el habla en la sala. Si no ocurría ninguna interacción durante 90 segundos, reiniciaba el contacto de forma autónoma para preguntar sobre el progreso y ofrecer ayuda.

• Medidas:

  • Métricas Objetivas: Tiempos de resolución de acertijos, uso de pistas y frecuencia de interacción.
  • Métricas Subjetivas: Cuestionarios pre y post-experimento que evaluaban la demografía, la personalidad (BFI-10 para extraversión) y la experiencia previa (escape rooms, LLMs, robots).
  • Escalas de Percepción: La serie de cuestionarios Godspeed (antropomorfismo, animacidad, simpatía, inteligencia, seguridad) y la Escala de Atributos Sociales Robóticos (RoSAS: calidez, competencia, incomodidad).

Principales Contribuciones

1. Comparación Empírica de Modelos de Iniciativa: El estudio proporciona una comparación directa de los estilos de interacción proactivo y reactivo en un entorno de HRI cooperativo y multipartito, yendo más allá de las interacciones diádicas.
2. Marco de Escape Room Contextualizado: Introduce una configuración específica de escape room colaborativo diseñada para examinar la iniciativa del robot, presentando un grafo de acertijos que rastrea el progreso y permite la entrega controlada de pistas.
3. Análisis de Variables Moderadoras: La investigación investiga explícitamente cómo la experiencia previa del usuario (con escape rooms, LLMs y robots) y los rasgos de personalidad (extraversión) moderan los efectos de la iniciativa del robot en el desempeño y la percepción.

Resultados

• Frecuencia de Interacción: El modelo proactivo aumentó significativamente el número de interacciones ($p < .001$) en comparación con el modelo reactivo (Media 97.86 vs. 29.07).
• Éxito de la Tarea: El modelo reactivo mostró una tasa de éxito general descriptivamente mayor (92.86%) en comparación con el modelo proactivo (71.42%), aunque esta diferencia no fue estadísticamente significativa ($p = .077$).
• Varianza en la Percepción: Si bien los puntajes medios para las escalas de percepción (Godspeed y RoSAS) no difirieron significativamente entre los modelos, el modelo proactivo exhibió una varianza significativamente menor en Animacidad y Simpatía (Godspeed) en comparación con el modelo reactivo.
• Efectos Moderadores de Experiencia y Personalidad:
  • Experiencia en LLM: Los participantes con experiencia en LLM resolvieron los primeros acertijos (1 y 2) significativamente más rápido con el modelo reactivo. Sin embargo, para el Acertijo 4, fueron más rápidos con el modelo proactivo.
  • Experiencia con Robots: Los participantes con experiencia previa en robots resolvieron el Acertijo 3 significativamente más rápido con el modelo proactivo. En términos de percepción, los usuarios experimentados calificaron al robot reactivo más alto en Inteligencia, mientras que los usuarios inexpertos calificaron al robot proactivo más alto en Competencia y Animacidad.
  • Extraversión: Los participantes introvertidos resolvieron el Acertijo 2 más rápido con el modelo reactivo, pero el Acertijo 4 más rápido con el modelo proactivo. A pesar de su mayor velocidad con el modelo reactivo en el Acertijo 2, los introvertidos prefirieron al modelo proactivo, calificándolo como más competente. Por el contrario, los extrovertidos calificaron el modelo reactivo más alto en Inteligencia y Simpatía.
  • Experiencia en Escape Rooms: Los novatos resolvieron el Acertijo 4 más rápido con el modelo proactivo y lo calificaron más alto en Animacidad y Competencia. Los participantes experimentados en escape rooms calificaron el modelo reactivo más alto en Simpatía.

Significado y Reivindicaciones

El artículo sostiene que los efectos de la iniciativa del robot no son universales, sino que están moldeados simultáneamente por la experiencia previa de los usuarios, los rasgos de personalidad y las necesidades específicas del grupo.

• Heterogeneidad de Preferencia: El estudio demuestra una "heterogeneidad de preferencia" donde los usuarios que se sienten incómodos con la situación (novatos, introvertidos) tienden a favorecer al robot proactivo, percibiéndolo como más competente y humano (situándose "por encima" del valle inquietante). Por el contrario, los usuarios que se sienten cómodos con la situación (experimentados, extrovertidos) tienden a favorecer al robot reactivo, percibiéndolo como más inteligente y menos intrusivo (cayendo "dentro" del valle inquietante).
• Patrones de Interacción con LLM: Los hallazgos sugieren que la experiencia con LLM conduce a interacciones más eficientes, pero solo cuando el usuario controla totalmente la interacción (modelo reactivo). Los robots proactivos, que interceptan la comunicación interhumana, pueden interrumpir estos patrones establecidos, complicando la aceptación del robot como un socio social dentro del grupo.
• Implicaciones de Diseño: Los autores concluyen que diseñar robots para entornos sociales es complejo porque los usuarios aportan diferentes expectativas basadas en su familiaridad con la tecnología y la tarea. La imagen social del robot está ligada al rol que se espera que ocupe, lo que implica que un único modelo de interacción puede no ser suficiente para diversas poblaciones de usuarios. El artículo sugiere que el trabajo futuro debería explorar LLMs especializados diseñados explícitamente para la HRI corporalizada para alinearse mejor con los patrones naturales de la comunicación humano-humano.