Riepilogo Tecnico: Quando posso aiutare? Sull'effetto della proattività nella collaborazione uomo-robot di gruppo

Problema

Nella collaborazione uomo-robot (HRI) multi-parte, l'iniziativa del robot rappresenta una sfida centrale di progettazione. Un robot che agisce in modo proattivo può fornire un supporto tempestivo, ma rischia di interrompere la coordinazione, dividere l'attenzione o disturbare il turno di parola. Al contrario, un robot reattivo che attende di essere interpellato preserva il controllo umano, ma può perdere opportunità di assistenza. Questa tensione è particolarmente acuta per i robot abilitati al linguaggio, dove i contributi avvengono sia attraverso l'azione fisica che attraverso il dialogo, rendendoli visibili sia come supporto al compito che come comportamento sociale. Il documento investiga come un robot debba partecipare alla collaborazione multi-parte: aderendo a uno stile reattivo (attendendo di essere interpellato) o a uno stile proattivo (contribuendo autonomamente e riavviando l'interazione).

Metodologia

Lo studio impiega uno scenario collaborativo di tipo "escape room" che coinvolge coppie di partecipanti umani e un robot umanoide (NICO).

• Configurazione Sperimentale:

  • Partecipanti: Sono stati reclutati 56 partecipanti (28 coppie). L'assegnazione della condizione è stata effettuata a livello di coppia, con il risultato di 14 coppie nella condizione proattiva e 14 nella condizione reattiva.
  • Piattaforma Robotica: Il robot NICO, dotato di un volto LED espressivo e mani antropomorfe, è stato integrato con un modello linguistico di grandi dimensioni (LLM) ChatGPT 4o tramite il framework ELMiRA.
  • Sensori e Percezione: Il robot ha utilizzato microfoni indossabili individuali per catturare il parlato, trascritto tramite un modello Whisper. Ha mantenuto un sistema di memoria (basato su dizionario) per i fatti ambientali e poteva interrogare la propria memoria o acquisire immagini per informare l'LLM.
  • Compito: I partecipanti hanno agito come stagisti con il compito di trovare una password per sbloccare un computer entro una finestra di 60 minuti. Il compito consisteva in una sequenza lineare di quattro enigmi che richiedevano osservazione ambientale, corrispondenza di pattern e recupero di informazioni.

• Modelli di Interazione:

  • Modello Reattivo: Il robot funzionava in modo simile a un assistente vocale, rispondendo solo quando veniva esplicitamente chiamato per nome o quando trasmetteva suggerimenti automatizzati.
  • Modello Proattivo: Il robot ascoltava continuamente tutto il parlato nella stanza. Se non si verificava alcuna interazione per 90 secondi, riavviava autonomamente il contatto per chiedere progressi e offrire aiuto.

• Misure:

  • Metriche Obiettive: Tempi di risoluzione degli enigmi, uso dei suggerimenti e frequenza delle interazioni.
  • Metriche Soggettive: Questionari pre- e post-esperimento per valutare demografia, personalità (BFI-10 per l'estroversione) ed esperienza pregressa (escape room, LLM, robot).
  • Scale di Percezione: La serie di questionari Godspeed (antropomorfismo, animacità, gradibilità, intelligenza, sicurezza) e la scala delle proprietà sociali robotiche (RoSAS: calore, competenza, disagio).

Contributi Chiave

1. Confronto Empirico dei Modelli di Iniziativa: Lo studio fornisce un confronto diretto tra stili di interazione proattivi e reattivi in un contesto di HRI cooperativo e multi-parte, andando oltre le interazioni diadiche.
2. Framework di Escape Room Contestualizzato: Introduce una specifica configurazione di escape room collaborativa progettata per esaminare l'iniziativa del robot, caratterizzata da un grafo di enigmi che traccia i progressi e consente una consegna controllata dei suggerimenti.
3. Analisi delle Variabili Moderatrici: La ricerca investiga esplicitamente come l'esperienza pregressa dell'utente (con escape room, LLM e robot) e i tratti di personalità (estroversione) moderino gli effetti dell'iniziativa del robot sulla prestazione e sulla percezione.

Risultati

• Frequenza di Interazione: Il modello proattivo ha aumentato significativamente il numero di interazioni ($p < .001$) rispetto al modello reattivo (Media 97.86 vs 29.07).
• Successo del Compito: Il modello reattivo ha mostrato un tasso di successo complessivo descrittivamente superiore (92.86%) rispetto al modello proattivo (71.42%), sebbene questa differenza non fosse statisticamente significativa ($p = .077$).
• Varianza nella Percezione: Sebbene i punteggi medi delle scale di percezione (Godspeed e RoSAS) non differissero significativamente tra i modelli, il modello proattivo ha esibito una varianza significativamente inferiore in Animacità e Gradibilità (Godspeed) rispetto al modello reattivo.
• Effetti Moderatori di Esperienza e Personalità:
  • Esperienza con LLM: I partecipanti con esperienza di LLM hanno risolto gli enigmi iniziali (1 e 2) significativamente più velocemente con il modello reattivo. Tuttavia, per l'Enigma 4, sono stati più veloci con il modello proattivo.
  • Esperienza con Robot: I partecipanti con precedente esperienza di robot hanno risolto l'Enigma 3 significativamente più velocemente con il modello proattivo. In termini di percezione, gli utenti esperti hanno valutato il robot reattivo più alto in Intelligenza, mentre gli utenti inesperti hanno valutato il robot proattivo più alto in Competenza e Animacità.
  • Estroversione: I partecipanti introversi hanno risolto l'Enigma 2 più velocemente con il modello reattivo, ma l'Enigma 4 più velocemente con il modello proattivo. Nonostante la maggiore velocità con il modello reattivo per alcuni enigmi, gli introversi hanno preferito il modello proattivo, valutandolo come più Competente. Al contrario, gli estroversi hanno valutato il modello reattivo più alto in Intelligenza e Gradibilità.
  • Esperienza in Escape Room: I neofiti hanno risolto l'Enigma 4 più velocemente con il modello proattivo e lo hanno valutato più alto in Animacità e Competenza. I partecipanti esperti di escape room hanno valutato il modello reattivo più alto in Gradibilità.

Significato e Rivendicazioni

Il documento sostiene che gli effetti dell'iniziativa del robot non sono universali, ma sono simultaneamente modellati dall'esperienza pregressa degli utenti, dai tratti di personalità e dalle specifiche necessità del gruppo.

• Eterogeneità della Preferenza: Lo studio dimostra una "preferenza di eterogeneità" dove gli utenti che si sentono a disagio con la situazione (neofiti, introversi) tendono a favorire il robot proattivo, percependolo come più competente e umano (posizionandosi "sopra" la valle perturbante/uncanny valley). Al contrario, gli utenti a proprio agio con la situazione (esperti, estroversi) tendono a favorire il robot reattivo, percependolo come più intelligente e meno intrusivo (cadendo "all'interno" della valle perturbante).
• Modelli di Interazione con LLM: I risultati suggeriscono che l'esperienza con gli LLM porta a interazioni più efficienti, ma solo quando l'utente controlla completamente l'interazione (modello reattivo). I robot proattivi, che intercettano la comunicazione interumana, possono interrompere questi schemi stabiliti, complicando l'accettazione del robot come partner sociale all'interno del gruppo.
• Implicazioni di Design: Gli autori concludono che progettare robot per contesti sociali è complicato perché gli utenti portano con sé diverse aspettative basate sulla loro familiarità con la tecnologia e con il compito. L'immagine sociale del robot è legata al ruolo che ci si aspetta che ricopra, il che implica che un singolo modello di interazione potrebbe non bastare per popolazioni di utenti diversificate. Il documento suggerisce che il lavoro futuro dovrebbe esplorare LLM specializzati progettati esplicitamente per l'HRI incarnato (embodied) per allinearsi meglio ai naturali schemi di comunicazione uomo-uomo.