Los humanos pueden recurrir a teorías de la ciencia cognitiva para entender mejor el comportamiento de los robots.
A las personas también les resulta más fácil crear modelos mentales precisos de los robots si las partes robóticas, como los brazos, se mueven de manera similar a sus equivalentes humanos.
También es beneficioso ver a los robots realizar tareas en distintos entornos y cometer errores.
Los científicos que estudian la interacción entre humanos y robots suelen centrarse en comprender las intenciones humanas desde la perspectiva del robot, para que este aprenda a colaborar con las personas de manera más eficaz. Pero la interacción entre humanos y robots es una vía de doble sentido, y las personas también necesitan aprender cómo se comporta el robot.
Gracias a décadas de investigación en ciencia cognitiva y psicología educativa, los científicos comprenden bastante bien cómo aprenden los humanos nuevos conceptos. Por ello, investigadores del MIT y la Universidad de Harvard colaboraron para aplicar teorías bien establecidas sobre el aprendizaje humano de conceptos a los desafíos de la interacción entre humanos y robots.
Examinaron estudios anteriores centrados en cómo las personas intentaban enseñar nuevos comportamientos a los robots. Los investigadores identificaron oportunidades para incorporar en las metodologías de esos estudios elementos de dos teorías complementarias de la ciencia cognitiva. A partir de ejemplos de esos trabajos, mostraron cómo las teorías pueden ayudar a las personas a crear modelos conceptuales de los robots con mayor rapidez, precisión y flexibilidad, lo que podría mejorar su comprensión del comportamiento de un robot.
Las personas que crean modelos mentales más precisos de un robot suelen colaborar mejor, algo especialmente importante cuando humanos y robots trabajan juntos en situaciones de alto riesgo, como la fabricación y la atención sanitaria, afirma Serena Booth, estudiante de posgrado del Grupo de Robótica Interactiva del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) y autora principal del artículo.
«Tanto si intentamos ayudar a las personas a crear modelos conceptuales de los robots como si no, los crearán de todos modos. Y esos modelos conceptuales podrían ser erróneos. Esto puede poner a las personas en grave peligro. Es importante que aprovechemos todos los medios a nuestro alcance para ayudar a cada persona a construir el mejor modelo mental posible», afirma Booth.
Booth y su asesora, Julie Shah, profesora de aeronáutica y astronáutica del MIT y directora del Grupo de Robótica Interactiva, escribieron este artículo en colaboración con investigadores de Harvard. Elena Glassman ’08, MNG ’11, PhD ’16, profesora adjunta de informática en la Escuela de Ingeniería y Ciencias Aplicadas John A. Paulson de Harvard y experta en teorías del aprendizaje y en interacción persona-ordenador, fue la asesora principal del proyecto. Entre los coautores de Harvard también figuran la estudiante de posgrado Sanjana Sharma y la asistente de investigación Sarah Chung. La investigación se presentará en la Conferencia IEEE sobre Interacción entre Humanos y Robots.
Un enfoque teórico
Los investigadores analizaron 35 artículos de investigación sobre la enseñanza entre humanos y robots aplicando dos teorías clave. La «teoría de la transferencia analógica» plantea que los humanos aprenden mediante analogías. Cuando una persona interactúa con un ámbito o concepto nuevo, busca implícitamente algo familiar que pueda ayudarle a entender esa nueva entidad.
La «teoría de la variación del aprendizaje» sostiene que la variación estratégica puede revelar conceptos que, de otro modo, podrían ser difíciles de distinguir. Según esta teoría, cuando los humanos interactúan con un concepto nuevo, pasan por un proceso de cuatro etapas: repetición, contraste, generalización y variación.
Booth afirma que, aunque muchos artículos de investigación incorporaron elementos parciales de una de las teorías, lo más probable es que lo hicieran por casualidad. Si los investigadores hubieran consultado estas teorías desde el principio de su trabajo, quizá habrían podido diseñar experimentos más eficaces.
Por ejemplo, al enseñar a las personas a interactuar con un robot, los investigadores suelen mostrarles muchos ejemplos en los que el robot realiza la misma tarea. Pero, para que las personas construyan un modelo mental preciso de ese robot, la teoría de la variación indica que necesitan ver una variedad de ejemplos de cómo el robot realiza la tarea en distintos entornos y también verlo cometer errores.
«En la literatura sobre la interacción entre humanos y robots esto es muy poco frecuente, porque resulta contrario a la intuición, pero las personas también necesitan ver ejemplos negativos para entender qué no es el robot», afirma Booth.
Estas teorías de la ciencia cognitiva también podrían mejorar el diseño físico de los robots. Booth explica que, si un brazo robótico se parece a uno humano, pero se mueve de forma distinta a como lo hace un brazo humano, a las personas les costará crear modelos mentales precisos del robot. Como propone la teoría de la transferencia analógica, las personas relacionan lo que ya conocen —un brazo humano— con el brazo robótico; si los movimientos no coinciden, pueden confundirse y tener dificultades para aprender a interactuar con el robot.
Mejorar las explicaciones
Booth y sus colaboradores también estudiaron cómo las teorías del aprendizaje humano de conceptos podrían mejorar las explicaciones destinadas a ayudar a las personas a confiar en robots nuevos y desconocidos.
«En materia de explicabilidad, tenemos un problema muy serio de sesgo de confirmación. Por lo general, no hay estándares que definan qué es una explicación ni cómo debería usarla una persona. Como investigadores, a menudo diseñamos un método de explicación, nos parece bueno y lo ponemos en circulación», afirma.
En cambio, proponen que los investigadores recurran a las teorías del aprendizaje humano de conceptos para pensar en cómo utilizarán las personas las explicaciones, que a menudo generan los robots para comunicar claramente las políticas que siguen al tomar decisiones. Booth afirma que, al ofrecer un programa de aprendizaje que ayude al usuario a entender qué significa un método de explicación, cuándo utilizarlo y también en qué casos no se aplica, las personas desarrollarán una comprensión más sólida del comportamiento del robot.
A partir de su análisis, formulan varias recomendaciones para mejorar la investigación sobre la enseñanza entre humanos y robots. Por ejemplo, sugieren que los investigadores incorporen la teoría de la transferencia analógica guiando a las personas para que establezcan comparaciones adecuadas al aprender a trabajar con un robot nuevo. Booth afirma que proporcionar orientación puede garantizar que las personas utilicen analogías apropiadas y así evitar que las acciones del robot las sorprendan o confundan.
También sugieren que incluir ejemplos positivos y negativos del comportamiento de los robots y mostrar a los usuarios cómo las variaciones estratégicas de los parámetros de la «política» de un robot afectan a su comportamiento —y, con el tiempo, hacerlo en entornos con variaciones estratégicas— puede ayudar a las personas a aprender mejor y más rápido. La política del robot es una función matemática que asigna probabilidades a cada acción que puede realizar.
«Llevamos años realizando estudios con usuarios, pero nos hemos guiado por la intuición para decidir qué sería útil mostrarles y qué no. El siguiente paso sería fundamentar este trabajo de manera más rigurosa en teorías de la cognición humana», afirma Glassman.
Ahora que ha concluido esta revisión inicial de la literatura basada en teorías de la ciencia cognitiva, Booth planea poner a prueba sus recomendaciones recreando algunos de los experimentos que estudió y comprobando si las teorías realmente mejoran el aprendizaje humano.
Este trabajo cuenta, en parte, con el apoyo de la Fundación Nacional de Ciencias de Estados Unidos.
