Cómo ayudar a las personas a entender los robots

Cómo ayudar a las personas a entender los robots

  • Robotica
  • marzo 4, 2022
  • No Comment
  • 83
  • 9 minutes read


Investigadores del MIT y Harvard sugieren que la aplicación de teorías de la ciencia cognitiva y la psicología educativa al campo de la interacción humano-robot puede ayudar a las personas a crear modelos mentales más precisos de sus colaboradores robóticos, lo que puede mejorar el rendimiento y la seguridad en las áreas de trabajo de los entornos colaborativos. Imagen: Noticias del MIT, iStockphoto

Por Adam Zewe | Oficina de noticias del MIT

Los científicos que estudian la interacción humano-robot a menudo se enfocan en comprender las intenciones humanas desde la perspectiva de un robot para que el robot aprenda a trabajar de manera más efectiva con los humanos. Pero la interacción humano-robot no es una calle de un solo sentido, y los humanos también necesitan aprender cómo se comporta el robot.

Gracias a décadas de investigación en ciencia cognitiva y psicología educativa, los científicos tienen una comprensión bastante buena de cómo las personas aprenden nuevos conceptos. Por lo tanto, investigadores del MIT y la Universidad de Harvard han colaborado para aplicar teorías establecidas sobre el aprendizaje de conceptos humanos a los desafíos en la interacción humano-robot.

Examinaron estudios previos que se centraron en humanos que intentaban enseñar a los robots nuevos comportamientos. Los investigadores identificaron formas en las que estos estudios podrían haber incorporado elementos de dos teorías complementarias de la ciencia cognitiva en sus metodologías. Utilizaron ejemplos de este trabajo para mostrar cómo las teorías pueden ayudar a las personas a formar modelos conceptuales de robots de manera más rápida, precisa y flexible, lo que podría mejorar su comprensión del comportamiento de un robot.

Los humanos que construyen modelos mentales más precisos de un robot a menudo son mejores colaboradores, lo que es especialmente importante cuando los humanos y los robots trabajan juntos en situaciones exigentes como la fabricación y la atención médica, dice Serena Booth, estudiante de doctorado en Robótica Interactiva del Laboratorio de Ciencias de la Computación e Inteligencia Artificial. Group (CSAIL) y autor principal del artículo.

“Independientemente de si tratamos de ayudar a las personas a construir modelos conceptuales de robots, los construirán de todos modos. Y estos modelos conceptuales podrían estar equivocados. Esto puede poner a las personas en grave peligro. Es importante que hagamos lo que podamos para darle a esa persona el mejor modelo mental que pueda construir», dice Booth.

Booth y su asesora Julie Shah, profesora de Aeroespacial del MIT y directora del Grupo de Robótica Interactiva, fueron coautoras de este artículo con investigadores de Harvard. Elena Glassman ’08, MNG ’11, PhD ’16, profesora asistente de Ciencias de la Computación en la Escuela de Ingeniería y Ciencias Aplicadas John A. Paulson de Harvard, con experiencia en teorías de aprendizaje e interacción humano-computadora, fue la principal asesora del proyecto. Los coautores de Harvard también incluyen a la estudiante graduada Sanjana Sharma y la asistente de investigación Sarah Chung. Los resultados de la investigación se presentarán en la Conferencia IEEE sobre interacción humano-robot.

Un enfoque teórico

Los investigadores analizaron 35 trabajos de investigación sobre el aprendizaje humano-robot basándose en dos teorías clave. La «teoría de la transferencia analógica» establece que las personas aprenden por analogía. Cuando un ser humano interactúa con un nuevo dominio o concepto, está buscando implícitamente algo familiar que pueda usar para dar sentido a la nueva entidad.

La «teoría de la variación del aprendizaje» sostiene que la variación estratégica puede revelar conceptos que de otro modo serían difíciles de reconocer para una persona. Sugiere que las personas pasan por un proceso de cuatro pasos cuando interactúan con un nuevo concepto: repetición, contraste, generalización y variación.

Si bien muchos trabajos de investigación contenían elementos fragmentarios de una teoría, Booth dice que lo más probable es que se deba al azar. Si los investigadores hubieran consultado estas teorías al comenzar su trabajo, podrían haber diseñado experimentos más efectivos.

Por ejemplo, cuando los investigadores enseñan a las personas a interactuar con un robot, a menudo les muestran muchos ejemplos del robot realizando la misma tarea. Pero para que los humanos puedan crear un modelo mental preciso de este robot, la teoría de la variación sugiere que necesitan ver una variedad de ejemplos del robot realizando la tarea en diferentes entornos, y también necesitan verlo cometiendo errores.

«Es muy raro en la literatura de interacción humano-robot porque es contradictorio, pero las personas también necesitan ver ejemplos negativos para comprender lo que el robot no es», dice Booth.

Estas teorías de la ciencia cognitiva también podrían mejorar el diseño de robots físicos. Si un brazo robótico se parece a un brazo humano pero se mueve de una manera diferente al movimiento humano, las personas tendrán problemas para crear modelos mentales precisos del robot, explica Booth. A medida que los humanos mapean lo que saben, un brazo humano, en el brazo robótico, los humanos pueden confundirse y tener problemas para aprender a interactuar con el robot si el movimiento no coincide.

ampliar explicaciones

Booth y sus colaboradores también investigaron cómo las teorías del aprendizaje de conceptos humanos podrían mejorar las explicaciones diseñadas para ayudar a los humanos a generar confianza en robots nuevos y desconocidos.

“Con la explicabilidad, tenemos un gran problema de sesgo de confirmación. Por lo general, no existen estándares sobre qué es una explicación y cómo debe usarla una persona. Como investigadores, a menudo diseñamos un método explicativo que nos parece bien y lo entregamos», dice ella.

En cambio, proponen que los investigadores usen teorías derivadas del aprendizaje de conceptos humanos para pensar cómo los humanos usan explicaciones, a menudo generadas por robots, para comunicar claramente las pautas que usan para tomar decisiones. Al proporcionar un plan de estudios que ayude a los usuarios a comprender qué significa un método de explicación y cuándo usarlo, pero también dónde no se aplica, obtendrán una mejor comprensión del comportamiento de un robot, dice Booth.

Con base en su análisis, hacen una serie de recomendaciones sobre cómo se puede mejorar la investigación sobre la enseñanza de humanos y robots. Primero, proponen que los investigadores incorporen la teoría de la transferencia analógica al guiar a los humanos para que hagan comparaciones apropiadas cuando aprenden a trabajar con un nuevo robot. Brindar orientación ayuda a garantizar que las personas utilicen las analogías adecuadas para que no se sorprendan o confundan con las acciones del robot, dice Booth.

También sugieren que incluir ejemplos positivos y negativos del comportamiento de los robots y exponer a los usuarios a cómo las variaciones estratégicas de los parámetros en la «política» de un robot afectan su comportamiento, eventualmente en entornos estratégicamente diferentes, puede ayudar a los humanos a aprender mejor y más rápido. La estrategia del robot es una función matemática que asigna probabilidades a cada acción que el robot puede realizar.

«Hemos estado haciendo estudios de usuarios durante años, pero disparamos desde la cadera con nuestra propia intuición de lo que sería o no útil para mostrar a las personas. El siguiente paso sería basar este trabajo de manera más rigurosa en las teorías de la cognición humana”, dice Glassman.

Ahora que esta revisión inicial de la literatura utilizando teorías de la ciencia cognitiva está completa, Booth planea probar sus recomendaciones recreando algunos de los experimentos que estudió y verificando si las teorías realmente mejoran el aprendizaje humano.

Este trabajo es apoyado en parte por la Fundación Nacional de Ciencias.

Etiquetas: c-investigación innovación


Noticias del MIT

Related post

El «efecto boomerang» en las gotas podría ayudar a limpiar superficies sensibles (con video)

El «efecto boomerang» en las gotas podría ayudar a…

21 de mayo de 2022 (Noticias de Nanowerk) Un grupo de científicos dirigido por Nate Cira de la Universidad de Harvard…
El diseño de referencia de las gafas Qualcomm AR deja caer la atadura

El diseño de referencia de las gafas Qualcomm AR…

Qualcomm ha presentado su último diseño de referencia para gafas AR, que ofrece como modelo para que otras empresas construyan…
Cómo obtener el mejor rendimiento de las bases de datos Delta Lake Star Schema

Cómo obtener el mejor rendimiento de las bases de…

La mayoría de los desarrolladores de almacenes de datos están muy familiarizados con el omnipresente esquema en estrella. Un esquema en…

Leave a Reply

Tu dirección de correo electrónico no será publicada.