Abbiamo individuato una soluzione, raccolto informazioni e deciso come procedere. Poi arriva un dato inatteso, cambia il contesto o scopriamo che una delle nostre ipotesi era sbagliata. È sufficiente correggere la risposta oppure dobbiamo ripensare il problema da cui siamo partiti?
È attorno a questa capacità che si sviluppa «Human and artificial intelligence in a dynamic world: A multidisciplinary approach», il progetto finanziato dal Ministero dell’Università e della Ricerca nell’ambito del bando PRIN e coordinato da Valerio Capraro, professore associato di Psicologia generale del Dipartimento di Psicologia dell’Università di Milano-Bicocca e responsabile scientifico nazionale della ricerca.
Il progetto avrà una durata di tre anni, con 248.109 euro destinati a Milano-Bicocca. Accanto al gruppo dell’Ateneo lavoreranno le unità dell’Università di Parma, guidata da Vittorio Gallese, di Sapienza Università di Roma, con Walter Quattrociocchi, e dell’Università di Salerno, con Antonio Lieto.
Al centro della ricerca c’è l’adaptive reframing, ossia la capacità di riformulare un problema alla luce di nuove informazioni o di circostanze mutate. Il progetto metterà a confronto esseri umani e sistemi artificiali, integrando psicologia, economia comportamentale, neuroscienze, studio dei sistemi complessi, architetture cognitive e robotica.
Professor Capraro, che cosa significa riformulare un problema? Può raccontarci un esempio concreto in cui cercare una risposta migliore non basta e diventa necessario cambiare la domanda di partenza?
Significa rivedere le ipotesi con cui interpretiamo una situazione: quali sono le cause, quali informazioni contano e, talvolta, quale obiettivo dovremmo perseguire. Possiamo essere molto bravi a trovare una soluzione e accorgerci troppo tardi di aver risolto il problema sbagliato.
Immaginiamo un’azienda in cui il lavoro procede lentamente. La domanda iniziale è: “Come possiamo rendere più veloci i dipendenti?”. Poi emergono informazioni nuove: gran parte del tempo viene assorbita da richieste contraddittorie, passaggi inutili e responsabilità poco chiare. A quel punto, aumentare la velocità individuale può servire a poco. La domanda diventa: “Come dobbiamo organizzare il lavoro?”.
Questa è l’idea centrale nel nostro progetto. Vogliamo studiare la capacità di riconoscere quando il modo in cui abbiamo impostato un problema non è più adeguato. È una componente dell’intelligenza particolarmente importante in un mondo in cui cambiano continuamente informazioni, strumenti e circostanze.
Come si studia sperimentalmente l’«adaptive reframing»? Quali situazioni proporrete ai partecipanti e come distinguerete una vera riformulazione del problema da un semplice cambiamento di risposta?
Svilupperemo tre famiglie di compiti. Nella prima, lo scenario evolve e nuove informazioni possono rendere inadeguata l’interpretazione iniziale. Nella seconda, un cambiamento mette alla prova le convinzioni sulle cause di un fenomeno. Nella terza, elementi sociali ed emotivi modificano il significato della decisione.
Come temi specifici, confronteremo persone e sistemi artificiali su compiti con la stessa struttura, affrontando temi di importanza pratica che spaziano dalla cooperazione, alla fiducia, al rischio e all’incertezza.
Per ognuno di questi compiti non misureremo soltanto le risposte, ma raccoglieremo anche indicatori di come viene interpretata la situazione: quali cause vengono riconosciute, quali informazioni diventano rilevanti e quali alternative vengono considerate. Cercheremo indicatori comportamentali di questi cambiamenti e, negli studi neuroscientifici, ne esamineremo le dinamiche cerebrali.
Il progetto riunisce competenze che vanno dalle neuroscienze alla robotica. Come dialogheranno i quattro gruppi di ricerca e quale sarà il contributo specifico di Milano-Bicocca?
I quattro gruppi lavoreranno sugli stessi problemi da livelli diversi, con un continuo scambio tra esperimenti e modelli.
Il gruppo di Parma, guidato da Vittorio Gallese, studierà i meccanismi neurocognitivi della riformulazione, anche attraverso l’elettroencefalografia. Il gruppo di Salerno, guidato da Antonio Lieto, tradurrà le indicazioni emerse in architetture cognitive artificiali e implementazioni robotiche, dando un ruolo centrale all’azione e all’interazione con l’ambiente. Sapienza, con Walter Quattrociocchi, studierà che cosa accade quando queste capacità operano in reti di persone e agenti artificiali: come cambiano il coordinamento, la diversità delle interpretazioni e la capacità collettiva di adattarsi.
Milano-Bicocca curerà il nucleo comportamentale e sperimentale dell’interazione tra persone e AI. Confronteremo inizialmente esseri umani e sistemi attuali, poi studieremo l’interazione con gli agenti sviluppati nel progetto. Una domanda centrale sarà se un sistema capace di adattarsi meglio aiuti anche chi lo utilizza a rivedere le proprie ipotesi e a esercitare un giudizio più autonomo.
Quali risultati vorreste raggiungere nei tre anni di lavoro? In quali contesti potrebbero trovare applicazione, anche nella progettazione di sistemi artificiali capaci di interagire con le persone?
Vogliamo ottenere strumenti affidabili per misurare questa capacità, comprenderne meglio i meccanismi e verificare come incorporarla nei sistemi artificiali. Il progetto produrrà compiti sperimentali, dati e strumenti di simulazione riutilizzabili, insieme a prototipi di architetture cognitive da valutare a livello individuale e collettivo.
Le possibili applicazioni riguardano la formazione, il lavoro e il supporto alle decisioni in situazioni incerte. Pensiamo, per esempio, a un assistente artificiale capace di segnalare che un suggerimento dipende da un’ipotesi ormai superata, oppure di aiutare l’utente a individuare un obiettivo trascurato.
Guardando all’università, come si può allenare la capacità di riformulare i problemi? Quali attività didattiche potrebbero aiutare gli studenti a svilupparla e quale ruolo potrebbe avere l’AI in questo percorso?
Un primo passo è affiancare agli esercizi con una domanda già definita attività in cui gli studenti devono capire quale sia la domanda giusta. Si possono proporre casi incompleti, chiedere di esplicitare le proprie ipotesi e introdurre successivamente un’informazione che metta in discussione l’impostazione iniziale. La valutazione dovrebbe considerare anche come lo studente riconosce e giustifica la necessità di cambiare prospettiva.
Un’altra attività utile potrebbe essere affrontare lo stesso caso da discipline diverse: ciò che appare un problema di incentivi può avere anche una dimensione psicologica, organizzativa o sociale.
L’AI potrebbe aiutare a generare interpretazioni alternative, controesempi e obiezioni. Proporrei però una sequenza precisa: prima lo studente formula il problema e sviluppa una propria analisi, poi si confronta con l’AI, infine spiega quali suggerimenti accetta, quali rifiuta e perché. L’obiettivo didattico è rendere lo studente responsabile del percorso di ragionamento. Saper ottenere una risposta sarà sempre più facile; capire quale domanda meriti di essere posta resterà una competenza fondamentale.
