Riepilogo Tecnico: Reflecti-Mate

Enunciato del Problema

La presa di decisioni personali ad alto rischio comporta una complessa interazione di processi cognitivi, emotivi e intuitivi. Sebbene l'integrazione di queste diverse fonti di giudizio porti a decisioni più efficaci, gli individui spesso faticano a farlo a causa di una limitata consapevolezza metacognitiva. I sistemi attuali di supporto alle decisioni si concentrano prevalentemente sul ragionamento cognitivo (Sistema 2), trattando spesso gli input emotivi e intuitivi (Sistema 1) come euristiche di bias da minimizzare o ignorare. Di conseguenza, i sistemi adattivi esistenti tendono a produrre interazioni omogeneizzate che indirizzano tutti gli utenti verso l'elaborazione cognitiva, non rispettando i profili di pensiero individuali né supportando l'integrazione di prospettive non cognitive. Manca un sistema che modelli i pattern di pensiero dell'utente nel corso di un dialogo riflessivo per supportare adattivamente il ragionamento integrativo senza imporre uno stile di ragionamento "ideale" unico.

Metodologia

Architettura del Sistema: Reflecti-Mate

Gli autori propongono Reflecti-Mate, un agente conversazionale progettato per supportare la riflessione pre-decisionale integrativa. Il sistema opera su un framework a doppio processo, mirando ad applicare un'elaborazione di livello Sistema 2 a tutti i tipi di pensiero (interno/emotivo, esterno/cognitivo ed esperienziale/intuitivo) senza privilegiarne uno sugli altri.

1. Modellazione dell'Utente e Profilo Riflessivo:
Il sistema costruisce una rappresentazione computazionale della riflessione dell'utente, indicata come $R = (T, G)$, dove $T$ è un insieme di pensieri principali e $G$ rappresenta le relazioni genitore-figlio tra i pensieri e le loro elaborazioni.

• Categorie di Pensiero: I pensieri sono classificati in quattro categorie basate sul framework "testa-cuore-pancia": Interni (sentimenti, valori), Esterni (vincoli fattuali, parti interessate), Esperienziali (esperienze passate) e Altri.
• Metriche: L'agente calcola due dimensioni chiave per ogni categoria $k$:
  • Ampiezza ($B_k$): Il numero di pensieri principali distinti in una categoria.
  • Profondità ($D_i$): La ricchezza elaborativa di un pensiero, definita come $1 + |E_i|$ (dove $E_i$ è l'insieme delle elaborazioni).
  • Indicatore di Fissazione ($S_k$): Una misura cumulativa dell'attenzione su una categoria, combinando ampiezza e profondità.
  • Profondità Media ($\bar{D}_k$): Il livello medio di elaborazione all'interno di una categoria, indipendente dal numero di pensieri.

2. Algoritmo di Adattamento:
L'agente impiega una strategia di trade-off esplorazione-sfruttamento guidata da uno stato interno $s_t$ che si aggiorna dopo ogni turno.

• Interruzione della Fissazione (Esplorazione): Se un utente si fissa su una categoria specifica (alta $S_k$), l'agente priorizza l'esplorazione ponendo domande rivolte a categorie sottorappresentate (analoghe al campionamento basato sull'incertezza).
• Interruzione del Ragionamento Superficiale (Sfruttamento): Se i pensieri sono di livello superficiale (basso $\bar{D}_k$), l'agente priorizza lo sfruttamento generando domande di follow-up socratiche per approfondire pensieri specifici non sviluppati.
• Politica di Decisione: L'agente utilizza una politica $\epsilon$-greedy per selezionare tra esplorazione (probabilità $\epsilon$) e sfruttamento (probabilità $1-\epsilon$).
• Implementazione: Il sistema utilizza un modello Phi-4 14B ospitato localmente (quantizzazione Q4_K_M) per generare follow-up socratici e categorizzare gli input degli utenti. Le domande di esplorazione sono tratte da un set curato e revisionato tra pari per controllare le variabili di formulazione.

Design dello Studio sugli Utenti

È stato condotto uno studio tra soggetti ($N=128$) per confrontare l'agente sperimentale (Reflecti-Mate) con un Agente di Baseline.

• Procedura: I partecipanti hanno partecipato a due fasi: (1) Riflessione Non Assistita, in cui hanno articolato i pensieri liberamente; e (2) Riflessione Assistita, in cui hanno interagito con l'agente assegnato.
• Condizioni:
  • Sperimentale: L'agente ha utilizzato il profilo adattivo e l'algoritmo descritti sopra.
  • Baseline: L'agente condivideva gli stessi obiettivi di alto livello (ampliare e approfondire la riflessione) e il sottostante LLM, ma mancava del profilo utente esplicito e della logica adattiva, affidandosi solo alla cronologia conversazionale e a istruzioni fisse.
• Misure:
  • Linguaggio Riflessivo: Analizzato utilizzando LIWC-22 per quantificare i marcatori linguistici cognitivi, emotivi e intuitivi.
  • Supporto Percepito: Valutato tramite scale Likert riguardo all'integrazione olistica e alla profondità di elaborazione.
  • Eterogeneità: L'analisi di clustering post-hoc ha esaminato se gli effetti variavano in base ai profili riflessivi iniziali degli utenti (Riservato, Dominante Intuitivo, Dominante Emotivo).

Risultati Chiave

1. Linguaggio Riflessivo e Integrazione (RQ1)

L'agente sperimentale ha favorito con successo un profilo di linguaggio riflessivo più integrativo rispetto alla baseline.

• Baseline: Ha prodotto un profilo omogeneizzato dominato da marcatori linguistici cognitivi, sopprimendo l'espressione emotiva e intuitiva rispetto alla fase di riflessione non assistita di baseline.
• Sperimentale: Ha facilitato una partecipazione multi-modale. Gli utenti hanno mostrato una dominanza cognitiva significativamente inferiore e un'espressione più alta di marcatori emotivi e intuitivi rispetto alla baseline. Crucialmente, i marcatori cognitivi sono rimasti robusti; l'agente non ha soppresso la cognizione ma ha permesso ai marcatori emotivi e intuitivi di coesistere a livelli comparabili.

2. Supporto Percepito (RQ2)

I partecipanti hanno percepito l'agente sperimentale come significativamente più efficace nel supportare l'integrazione olistica (72% di accordo contro il 44% nella baseline). Tuttavia, entrambi gli agenti sono stati valutati altamente per la profondità di elaborazione (72% contro il 79%), indicando che mentre la baseline poteva approfondire i pensieri, non è riuscita a integrare diversi tipi di pensiero.

3. Preservazione degli Stili di Ragionamento (RQ3)

Lo studio ha indagato se l'agente preservasse gli stili di ragionamento dominanti degli utenti.

• Effetto Baseline: L'agente di baseline ha agito come un "omogeneizzatore". Indipendentemente dal fatto che gli utenti iniziassero come Riservati, Dominanti Intuitivi o Dominanti Emotivi, l'interazione di baseline ha spostato tutti i gruppi verso un profilo simile, ricco di cognizione.
• Effetto Sperimentale: L'agente adattivo ha prodotto effetti eterogenei. Ha espanso selettivamente le modalità sottorappresentate mantenendo la prominente della modalità inizialmente dominante dell'utente. Ad esempio, gli utenti Dominanti Intuitivi sono rimasti dominanti intuitivi ma hanno guadagnato un'impalcatura nell'emotività; gli utenti Dominanti Emotivi sono rimasti dominanti emotivi ma hanno guadagnato un'impalcatura nell'intuizione. Questo dimostra che l'agente ha supportato traiettorie personalizzate senza forzare la convergenza verso un unico stile di ragionamento.

Significato e Contributi

Il documento afferma che Reflecti-Mate offre un approccio innovativo al supporto decisionale superando il "nudging" cognitivo "taglia e cuci". I suoi contributi principali sono:

1. Integrazione Adattiva: Dimostra che gli agenti conversazionali possono supportare l'integrazione di processi cognitivi, emotivi ed intuitivi bilanciando dinamicamente esplorazione e sfruttamento sulla base di una modellazione dell'utente in tempo reale.
2. Rispetto dell'Individualità: A differenza di sistemi precedenti che spesso equiparano il supporto alla riflessione con la razionalizzazione, questo approccio rispetta le preferenze di ragionamento diverse. Permette agli utenti di mantenere il proprio stile di ragionamento dominante ampliando al contempo la propria prospettiva, evitando l'imposizione di un unico profilo "ideale".
3. Consapevolezza Computazionale: Lo studio evidenzia che un supporto alla riflessione efficace richiede un adattamento principiato basato su una modellazione strutturata dell'utente, piuttosto che affidarsi esclusivamente all'ingegneria dei prompt o alla cronologia conversazionale. Le istruzioni da sole sono state insufficienti per impedire all'agente di baseline di omogeneizzare le risposte degli utenti.
4. Progettazione Etica: Evitando consigli direttivi e focalizzandosi su un'indagine facilitativa, il sistema mira a preservare l'agenzia e l'autonomia dell'utente nelle decisioni ad alto rischio, affrontando il rischio che gli LLM influenzino eccessivamente o distorcano le decisioni degli utenti.

Gli autori concludono che, sebbene il sistema abbia suscitato con successo un linguaggio integrativo e sia stato percepito come di supporto, sono necessari lavori futuri per esplorare domande di esplorazione personalizzate e convalidare questi risultati con studi longitudinali e misure comportamentali oltre i proxy linguistici.