Resumo Técnico: Quando Posso Ajudar? Sobre o Efeito da Proatividade na Colaboração Humano-Robô em Grupo

Problema

Na colaboração humano-robô (HRI) multipartite, a iniciativa do robô apresenta um desafio central de design. Um robô que age de forma proativa pode fornecer suporte oportuno, mas corre o risco de interromper a coordenação, dividir a atenção ou prejudicar o turno de fala. Por outro lado, um robô reativo que espera para ser abordado preserva o controle humano, mas pode perder oportunidades de assistência. Essa tensão é particularmente aguda para robôs habilitados para linguagem, onde as contribuições ocorrem tanto por meio de ação física quanto de diálogo, tornando-os visíveis tanto como suporte à tarefa quanto como comportamento social quanto como comportamento social. O artigo investiga como um robô deve participar da colaboração multipartite: aderindo a um estilo reativo (esperando para ser abordado) ou a um estilo proativo (contribuindo autonomamente e reiniciando a interação).

Metodologia

O estudo utiliza um cenário colaborativo de escape room envolvendo pares de participantes humanos e um robô humanoide (NICO).

• Configuração Experimental:

  • Participantes: Foram recrutados 56 participantes (28 pares). A atribuição de condição foi feita ao nível do par, resultando em 14 pares na condição proativa e 14 na condição reativa.
  • Plataforma Robótica: O robô NICO, equipado com um rosto de LED expressivo e mãos antropomórficas, foi integrado com um Modelo de Linguagem Grande (LLM) ChatGPT 4o via framework ELMiRA.
  • Sensoriamento e Percepção: O robô utilizou microfones vestíveis individuais para capturar a fala, transcrita via modelo Whisper. Ele manteve um sistema de memória (baseado em dicionário) para fatos ambientais e podia consultar sua memória ou capturar imagens para informar o LLM.
  • Tarefa: Os participantes atuaram como estagiários encarregados de encontrar uma senha para desbloquear um computador dentro de uma janela de 60 minutos. A tarefa envolveu uma sequência linear de quatro enigmas que exigiam observação ambiental, correspondência de padrões e recuperação de informações.

• Modelos de Interação:

  • Modelo Reativo: O robô funcionou de forma semelhante a um assistente de voz, respondendo apenas quando explicitamente chamado pelo nome ou ao transmitir dicas automatizadas.
  • Modelo Proativo: O robô ouvia continuamente toda a fala na sala. Se nenhuma interação ocorresse por 90 segundos, ele reiniciava o contato autonomamente para perguntar sobre o progresso e oferecer ajuda.

• Medidas:

  • Métricas Objetivas: Tempos de resolução de enigmas, uso de dicas e frequência de interação.
  • Métricas Subjetivas: Questionários pré e pós-experimento avaliando demografia, personalidade (BFI-10 para extroversão) e experiência prévia (escape rooms, LLMs, robôs).
  • Escalas de Percepção: A série de Questionários Godspeed (antropomorfismo, animacidade, simpatia, inteligência, segurança) e a Escala de Atributos Sociais Robóticos (RoSAS: calor humano, competência, desconforto).

Principais Contribuições

1. Comparação Empírica de Modelos de Iniciativa: O estudo fornece uma comparação direta de estilos de interação proativos e reativos em um ambiente de HRI cooperativo e multipartite, indo além das interações díádicas.
2. Estrutura Contextualizada de Escape Room: Introduz uma configuração específica de escape room colaborativo projetada para examinar a iniciativa do robô, apresentando um grafo de enigmas que rastreia o progresso e permite a entrega controlada de dicas.
3. Análise de Variáveis Moderadoras: A pesquisa investiga explicitamente como a experiência prévia do usuário (com escape rooms, LLMs e robôs) e os traços de personalidade (extroversão) moderam os efeitos da iniciativa do robô no desempenho e na percepção.

Resultados

• Frequência de Interação: O modelo proativo aumentou significativamente o número de interações ($p < .001$) em comparação com o modelo reativo (Média 97,86 vs. 29,07).
• Sucesso na Tarefa: O modelo reativo mostrou uma taxa de sucesso global descritivamente superior (92,86%) comparada ao modelo proativo (71,42%), embora essa diferença não tenha sido estatisticamente significativa ($p = .077$).
• Variância na Percepção: Embora as pontuações médias para as escalas de percepção (Godspeed e RoSAS) não tenham diferido significativamente entre os modelos, o modelo proativo exibiu uma variância significativamente menor em Animacidade e Simpatia (Godspeed) em comparação ao modelo reativo.
• Efeitos Moderadores de Experiência e Personalidade:
  • Experiência com LLM: Participantes com experiência em LLM resolveram os primeiros enigmas (1 e 2) significativamente mais rápido com o modelo reativo. No entanto, para o Enigma 4, foram mais rápidos com o modelo proativo.
  • Experiência com Robôs: Participantes com experiência prévia em robôs resolveram o Enigma 3 significativamente mais rápido com o modelo proativo. Em termos de percepção, usuários experientes avaliaram o robô reativo com maior Inteligência, enquanto usuários inexperientes avaliaram o proativo com maior Competência e Animacidade.
  • Extroversão: Participantes introvertidos resolveram o Enigma 2 mais rápido com o modelo reativo, mas o Enigma 4 mais rápido com o modelo proativo. Apesar do desempenho variado, os introvertidos preferiram o modelo proativo, avaliando-o com maior Competência, enquanto os extrovertidos avaliaram o modelo reativo com maior Inteligência e Simpatia.
  • Experiência em Escape Room: Novatos resolveram o Enigma 4 mais rápido com o modelo proativo e o avaliaram com maior Animacidade e Competência. Participantes experientes em escape room avaliaram o modelo reativo com maior Simpatia.

Significância e Alegações

O artigo alega que os efeitos da iniciativa do robô não são universais, mas são moldados simultaneamente pela experiência prévia dos usuários, traços de personalidade e as necessidades específicas do grupo.

• Heterogeneidade de Preferência: O estudo demonstra uma "preferência de heterogeneidade", onde usuários desconfortáveis com a situação (novatos, introvertidos) tendem a favorecer o robô proativo, percebendo-o como mais competente e humano (posicionando-se "acima" do vale da estranheza). Por outro lado, usuários confortáveis com a situação (experientes, extrovertidos) tendem a favorecer o robô reativo, percebendo-o como mais inteligente e menos intrusivo (posicionando-se "dentro" do vale da estranheza).
• Padrões de Interação com LLM: Os achados sugerem que a experiência com LLM leva a interações mais eficientes, mas apenas quando o usuário controla totalmente a interação (modelo reativo). Robôs proativos, que interceptam a comunicação inter-humana, podem interromper esses padrões estabelecidos, complicando a aceitação do robô como um parceiro social do grupo.
• Implicações de Design: Os autores concluem que projetar robôs para ambientes sociais é complexo porque os usuários trazem diferentes expectativas baseadas em sua familiaridade com a tecnologia e com a tarefa. A imagem social do robô está ligada ao papel que se espera que ele preencha, implicando que um único modelo de interação pode não ser suficiente para populações de usuários diversas. O artigo sugere que trabalhos futuros devem explorar LLMs especializados, projetados explicitamente para HRI incorporada, para melhor alinhar-se aos padrões naturais de comunicação humano-humano.