ML-Assisted Cognitive Characterization of Human Problem Solving Behaviors through Visuo-Spatial Game
Questo studio ha utilizzato un classificatore e un regressore Random Forest basati su ensemble sui dati di eye-tracking provenienti da un gioco visuo-spaziale per categorizzare con successo i giocatori in distinti gruppi comportamentali, distinguendo tra solver (esperti e giocatori persistenti) e non-solver (tentativi ed esperti di abbandono) in base ai loro modelli di sguardo e di gioco.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
La mente umana è una maestra della navigazione, costantemente impegnata a scansionare il mondo per trovare schemi, risolvere enigmi e raggiungere obiettivi. Per decenni, gli scienziati hanno cercato di capire come ci riusciamo osservando ciò che facciamo: le mosse che compiamo, le scelte che affrontiamo e le strategie che adottiamo. Ma una parte significativa di questo lavoro mentale avviene prima ancora che agiamo. Avviene nel modo in cui i nostri occhi si muovono, scattando da un punto all'altro, soffermandosi sui dettagli o scansionando l'intera immagine. Questi movimenti oculari non sono casuali; sono una finestra diretta sul nostro processo di pensiero. Quando guardiamo un problema, i nostri occhi rivelano se siamo confusi, se abbiamo trovato una strada da seguire o se siamo bloccati in un ciclo di tentativi ed errori. Studiando queste abitudini visive, i ricercatori possono vedere l'architettura invisibile del problem-solving umano, distinguendo tra chi è sulla soglia di una svolta e chi sta semplicemente vagando.
Un team di ricercatori dell'Indian Institute of Technology Kharagpur ha deciso di mettere alla prova questa idea utilizzando un classico enigma e uno strumento moderno. Hanno riunito un gruppo di adulti e hanno chiesto loro di risolvere un tipo specifico di puzzle visivo noto come gioco della disposizione di 8 tasselli. In questo gioco, un'immagine è suddivisa in nove blocoli, con un blocco rimosso (nello specifico il tassello in basso a destra), lasciando un vuoto. Il giocatore deve far scorrere i tasselli dell'immagine nello spazio vuoto per ricostruire l'immagine originale. Sembra semplice, ma il percorso verso la soluzione è raramente rettilineo. I ricercatori hanno dotato i partecipanti di un dispositivo di eye-tracking, una telecamera che registra esattamente dove una persona sta guardando e per quanto tempo, catturando migliaia di punti dati al secondo. Mentre i giocatori spostavano i tasselli, la macchina registrava il loro sguardo, creando una mappa dettagliata della loro attenzione. L'obiettivo non era solo vedere chi risolveva il puzzle, ma capire come i loro occhi si muovessero diversamente a seconda che avessero successo, di quanto lottassero o se abbandonassero del tutto.
I ricercatori hanno utilizzato un potente programma per computer, un tipo di modello di machine learning, per analizzare i dati dell'eye-tracking. Non si sono limitati a guardare il punteggio finale; hanno invece osservato la storia che si svelava mossa dopo mossa. Hanno scoperto che gli occhi dei giocatori raccontavano una storia chiara molto prima che il puzzle fosse terminato. Il computer poteva distinguere tra due gruppi principali: coloro che alla fine risolvevano il puzzle, che chiamarono "Solvers" (Risolutori), e coloro che non ci riuscivano, che chiamarono "Non-solvers" (Non-risolutori). La differenza non risiedeva in quante mosse compivano, ma nel ritmo e nel modello del loro sguardo. I Solvers mostravano un comportamento visivo distinto che il computer poteva identificare con alta precisione, spesso già nelle prime mosse del gioco. Ciò suggeriva che il modo in cui una persona guarda un problema rivela la sua strategia quasi immediatamente.
Ma la storia non finiva con soli due gruppi. I ricercatori hanno scoperto che, all'interno dei Solvers, esistevano due tipi di pensatori molto diversi. Il primo gruppo, gli "Experts" (Esperti), si approcciava al puzzle con uno sguardo costante e strategico. Il loro sguardo era focalizzato ed efficiente, muovendosi con uno scopo verso la soluzione. Il secondo gruppo, i "Persistent players" (Giocatori persistenti), risolveva anche il puzzle, ma i loro occhi raccontavano una storia diversa. Erano erratici, saltavano avanti e indietro, revisitavano aree e mostravano segni di confusione prima di trovare finalmente la strada. Risolvevano il problema, ma lo facevano vagando tra le possibilità piuttosto che vedere chiaramente il percorso fin dall'inizio. Allo stesso modo, i Non-solvers non erano tutti uguali. Alcuni, i "Triers" (Tentatori), passavano molto tempo a cercare di risolvere il puzzle. I loro occhi mostravano un misto di sforzo ed esplorazione; cercavano la risposta, testavano idee e a volte arrivavano quasi a trovare la soluzione prima di arrendersi. L'altro gruppo, i "Quitters" (Abbandonisti), mostrava una mancanza di coinvolgimento. I loro modelli di sguardo indicavano che non avevano reale intenzione di trovare la soluzione; non stavano esplorando, stavano semplicemente aspettando che il gioco finisse.
Uno degli aspetti più sorprendenti fu quanto presto apparissero queste differenze. Il modello informatico poteva prevedere con grande certezza se un giocatore avrebbe avuto successo o fallito dopo aver osservato solo una minima frazione del gioco. Questo "punto di sella", come lo chiamarono i ricercatori, è il momento in cui il comportamento di un giocatore si stabilizza in un modello chiaro. Per gli Esperti, ciò accadeva quasi istantaneamente. Per i Tentatori, occorreva un po' più di tempo mentre esploravano la tavola, ma il loro schema di tentativo era comunque distinto da quello degli Abbandonisti, che non mostravano alcun modello di sforzo. Lo studio ha anche esaminato quanto bene il computer potesse prevedere il futuro del gioco. Osservando i primi movimenti oculari, il modello poteva stimare quanti altri movimenti un giocatore avrebbe avuto bisogno per finire o quanto tempo avrebbe continuato a giocare prima di arrendersi. Le previsioni erano più accurate quando il computer veniva addestrato su tipi specifici di giocatori, imparando il "linguaggio" unico degli Esperti o le difficoltà specifiche dei Tentatori.
I ricercatori hanno anche esaminato il rumore nei dati per comprendere lo stato mentale dei giocatori. Hanno scoperto che gli Esperti avevano un segnale molto pulito e costante nei loro movimenti oculari, suggerendo una mente calma e sicura. I Giocatori persistenti, invece, avevano un segamento molto più rumoroso, con gli occhi che saltavano maggiormente, riflettendo lo sforzo mentale di capire le cose man mano che procedevano. Anche i Tentatori mostravano questo schema rumoroso e fluttuante, il che ha senso perché stavano attivamente cercando una soluzione che non riuscivano del tutto a afferrare. Gli Abbandonisti, d'altra parte, mostravano un tipo diverso di stabilità, nata dal disimpegno piuttosto che dalla concentrazione. Questa ricerca suggerisce che il modo in cui guardiamo un problema è un indicatore sensibile della nostra strategia cognitiva. Rivela se stiamo pensando profondamente, se siamo bloccati in un ciclo o se abbiamo perso interesse.
Questo studio offre un nuovo modo per comprendere l'intelligenza umana, non da ciò che le persone dicono di fare, ma da ciò che i loro occhi rivelano che stanno pensando. Dimostra che il problem-solving non è un'unica abilità, ma una collezione di comportamenti diversi, dalla chiarezza strategica dell'Esperto alla ricerca determinata ma confusa dei Tentatori. La capacità di rilevare questi schemi così precocemente in un compito potrebbe essere preziosa per educatori o progettisti che vogliono aiutare le persone a imparare. Se un sistema può riconoscere che uno studente è un "Tentatore" che è sulla soglia di un'intuizione ma ha bisogno di una piccola spinta, potrebbe fornire l'aiuto giusto al momento giusto per aiutarlo a riuscire. Al contrario, potrebbe identificare quando qualcuno ha veramente rinunciato, permettendo un tipo diverso di intervento. Il lavoro conferma che i nostri occhi non sono solo telecamere passive; sono partecipanti attivi al nostro pensiero, tracciando la strada verso una soluzione prima ancora che le nostre mani si muovano.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.