Attività, mappe e percorsi

Se ti chiedessi di riassumere la tua giornata di ieri, cosa mi racconteresti?

Che avresti voluto andare a lavorare, che hai pranzato, che hai fatto l'aperitivo con gli amici, ma su Zoom (sto adattando questo esempio a questo momento storico, sperando che fra qualche settimana potremo fare davvero l'aperitivo con gli amici). Oppure mille altre cose. Probabilmente mi racconteresti gli eventi della tua giornata, le attività che hai fatto.

Le attività sono il fulcro della vita delle persone. Le persone intraprendono una attività per una di tre ragioni: o è una abitudine, o sono motivati da uno scopo (il risultato), oppure perché sono intrinsecamente motivati.

Una attività (soprattutto se estrinsecamente motivata) può essere rappresentata come un punto di partenza (dove sono io ora) ed uno di arrivo (lo stato finale desiderabile, il risultato atteso).

start - stop

Dove siamo, dove vogliamo andare

Per muoverci dallo stato di partenza a quello di arrivo abbiamo bisogno di identificare un percorso di massima.

Percorso

Il percorso di massima, con i passaggi più importanti

Ad esempio, se volessi andare a Parigi, dovrei pianificare il mio percorso in vari passaggi:

  • trovare il modo per andare da casa all'aeroporto di partenza
  • prendere l'aereo che mi porta all'eeroporto di arrivo
  • andare dall'aeroporto di arrivo al luogo di destinazione (ad esempio la stanza che ho prenotato).

Passaggi

Le sub-sub-attività

Ognuna di queste sub-attività in realtà è fatta di una serie di sub-sub-attività, che sono fatte di azioni. Nella ux research lo strumento che ci permette di far emergere la gerarchia di attività, sub-attività ed azioni è la task analysis.
Alcune delle azioni previste possono richiedere degli skill. Ad esempio, se devo guidare, devo esserne capace. Se avete la patente da tanti anni la cosa vi sembrerà naturale, ma è una competenza che avete dovuto imparare.

Se mi limitassi ad osservare il comportamento delle persone, vedrei soltanto la sequenza di azioni.

Comportamento

Il comportamento: una sequenza di azioni

In molte circostanze ho la possibilità di seguire percorsi alternativi: potrei arrivare a Parigi in aereo, oppure in treno, oppure in automobile

Alternative

Le possibili alternative

Prova ora a pensare alla strada che ti porta da casa al luogo di lavoro. È possibile che il primo giorno che sei andata a lavorare lì, tu abbia dovuto studiare il percorso, magari usando google maps. Ma dal terzo, quarto giorno hai imparato la strada, e dalla seconda settimana hai impostato il pilota automatico.

Percorso

La rappresentazione del solo percorso. Non c'è nessuna mappa, solo una sequenza di passaggi.

Questa immagine sintetizza l'idea di una rappresentazione basata sul percorso, sul processo: se seguo quel processo con quei passaggi posso partire da casa ed arrivare al lavoro, senza bisogno di una mappa (del modello).

Il modello

La rappresentazione della mappa, del modello dello spazio 'cognitivo'

Quest'altra rappresentazione, invece, è più ricca: tiene conto di un maggior numero di variabili, non fa ricorso - non ancora - ad abitudini, è legata a motivazioni diverse, intrinseche o estrinseche.
Nel scegliere il percorso, posso valutare i costi e i benefici di ogni opzione. I costi possono essere economici, relativi a risorse materiali, tempo, risorse cognitive, attentive, emotive. I benefici sono i possibili effetti collaterali positivi di quella attività - ad esempio, se quell'opzione ha un valore intrinseco. Esempio tipico: se vado al lavoro in bicicletta ho la possibilità di fare attività fisica, risparmiare denaro, salvaguardare l'ambiente, e magari pedalare mi diverte.

In questa rappresentazione, per andare da A a B ho un modello, una mappa estremamente ricca delle cose che posso fare.

Le due figure ci aiutano a capire alcune differenze fra i due tipi di rappresentazione. Quella basata sul percorso, sul processo, sulle regole è molto più semplice dal punto di vista cognitivo, posso innescare il pilota automatico. Però è molto più rigida.
La rappresentazione basata sul modello è molto più flessibile, ma necessita che io abbia una rappresentazione cognitiva più articolata, e lo sforzo computazionale è molto maggiore.

Le due rappresentazioni possono integrarsi: posso avere la mappa (model based) ma anche un percorso preferenziale, codificato in termini di regole.

Due modalità, tre teorie

La distinzione fra una rappresentazione basata su una mappa - un modello, ed una basata su un percorso (una serie di passaggi, di associazioni, di regole) è presente, seppure in forma diversa, in almeno 3 teorie. La prima che vedremo è stata introdotta da Rasmussen negli anni '70 e '80: Rasmussen (1983), Rasmussen (1979). Poi vedremo che anche nell'ambito del cosiddetto reinforcement learning vi è una distinzione simile. Infine, nello studio della rappresentazione dello spazio negli esseri umani abbiamo una rappresentazione route (il percorso) ed una survey (la mappa).

I 3 livelli di controllo di Rasmussen

Secondo Rasmussen le scelte ed i comportamenti delle persone sono guidate da tre livelli di controllo:

  1. skill-based;
  2. rule-based;
  3. knoweledge based.

Skill based level

È il livello più concreto, e si basa sull'interazione periferica: percezione ed azione.

Generalmente non implica l'uso dell'attenzione, in quanto vengono applicati, in maniera automatica, degli schemi consolidati. Guidare l'auto, sciare, ballare il tango, ma anche usare il mouse per cliccare un bottone sono comportamenti che, a vari livelli di complessità, implicano degli skill. Una volta imparati, ci vengono automaticamente.

Rule based level

Si applicano delle regole acquisite, che assumiamo siano corrette per un determinato contesto. Nel modello di Rasmussen a questo livello la conoscenza è prevalentemente esplicita, e pertanto le regole possono essere imparate.

Affinché il comportamento, a questo livello, sia efficace, è necessario che:

  1. venga applicata la regola corretta in base al contesto e allo scopo;
  2. la regola, o procedura, venga applicata correttamente.

Knowledge based level

Il livello knowledge-based entra in gioco quando non è possibile applicare una regola prestabilita. Generalmente questo avviene quando il contesto è nuovo o fluido, ed è necessario interpretare le informazioni, pianificare la risposta, eseguirla e monitorare passo per passo l'evoluzione. Più in particolare:

  • quando i problemi non sono ben strutturati
  • nei contesti incerti o dinamici
  • quando gli scopi mutano, o non sono ben definiti
  • quando i processi sono non lineari, nelle circostanze in cui gli eventi possono avere conseguenze complesse e difficilmente prevedibili

COVID-19, influenza, rb - kb

Un esempio di come nelle situazioni normali sia utile - a volte necessario - utilizzare una serie di procedure, ma che queste procedure non siano più sufficienti in situazioni non normali, ci viene dalla cronaca di queste settimane.

Nel Basso Lodigiano già in gennaio c’era però un boom, non inosservato, di influenze e polmoniti. Purtroppo nessun elemento previsto dai protocolli sanitari internazionali l’ha ricondotto «a fattori estranei alla stagionalità». «Eravamo tutti convinti — dice Alberto Gandolfi, medico di base in quarantena a Codogno con vari assistiti infetti — che quelle polmoniti fossero favorite da freddo e assenza di pioggia. ... sono state curate con i consueti farmaci». Ora il quadro è cambiato e la verità emerge da cartelle cliniche e ricette farmaceutiche dei pazienti della zona rossa, per oltre un mese curati per influenze e polmoniti «normali». La maggioranza è guarita, ma nel sangue sono rimaste le tracce degli anticorpi contro il Covid-19.

la Repubblica, 28/02/20

In questo articolo emerge proprio la difficoltà, da parte degli operatori sanitari, di uscire da un modello rule based, di identificare l'importanza di quella anomalia, e di scalare ad un tipo di ragionamento knowledge based.

Reinforcement learning

Il Reinforcement learning è un contesto di ricerca in cui machine learning e computational neuroscience convergono per identificare dei modelli computazionali capaci di spiegare e simulare l'apprendimento degli esseri viventi McDannald et. al. (2011), Otto et. al. (2014), Daw et. al. (2014), Botvinick et. al. (2014) .

Reinforcement learning (RL) is the process by which organisms learn, by trial and error, to predict and acquire reward.
... biological organisms cannot try every possible sequence of actions ... computer scientists have designed efficient algorithms that are guaranteed to find the optimal behavioral policy ... the brain uses one (indeed several) of these algorithms

Gershman et. al. (2017)

Gli algoritmi sviluppati nell'ambito del machine learning per ridurre la esplosione combinatoria sono stati identificati anche nel cervello dei vertebrati: è stato ampiamente studiato negli esseri umani, nei primati ma anche con i topolini. Nella letteratura dei modelli di reinforcement learning si distingue fra due modalità di apprendimento: model based e model free. L'apprendimento model based è per molti versi paragonabile al knowledge level di Rasmussen.

Apprendimento model based

Model-based learning formalizes how organisms employ knowledge about the world – maps or models of task contingencies – in the service of evaluating actions.

Questo tipo di apprendimento presuppone che l'agente (umano, animale, artificiale) si crei dei modelli, delle mappe mentali dello spazio fisico o concettuale.
L'idea di mappe mentali è stata proposta, per primo, da Tolman negli anni 40 [Tolman (1948)], usando delle cavie da laboratorio. Tolman si rese conto che, se ne hanno la possibilità, i topolini esplorano il territorio (il labirinto che veniva usato per l'esperimento) e che questa conoscenza viene poi utilizzata nel momento in cui è necessario trovare il modo per raggiungere determinati luoghi.

Apprendimento model free

In RL l'apprendimento non model based viene definito model free, che di fatto corrisponde a quello che gli psicologi comportamentisti definiscono il condizionamento operante.

Learning to anticipate future events on the basis of past experience with the consequences of one’s own behavior (operant conditioning) is a simple form of learning that humans share with most other animals, including invertebrates.
Brembs (2003)

Il condizionamento operante, alla base dell'apprendimento model free, è anche alla base della formazione di abitudini.

Any well-trained “operant” is in effect a habit Staddon et. al. (2003)

Knowledge based e model based dunque, pur proveniendo da contesti diversi, sono concetti molto simili. La relazione fra model free (in ml) e rule/skill based è più sfumata. In entrmbi i casi l'apprendimento avviene associando i passaggi di una sequenza, senza costruire una mappa del dominio rappesentato.

Rappresentazione survey e route

Gli esseri umani si rappresentano il territorio spaziale attraverso due modalità: survey e route. Nell'esplorazione di uno spazio che non conosciamo, inizialmente ci costruiamo una rappresentazione dei percorsi (route). Attraverso l'esperienza riusciamo poi a collegare i percorsi in una mappa, una sorta di rappresentazione dall'alto (survey).

It is a largely shared opinion that spatial knowledge of large-scale environments is organised in two types of mental representations or cognitive maps, route and survey maps
in route maps the environment is represented in a viewer-centred, egocentric frame of reference that reflects the person’s navigational experiences, while in survey maps distant places are linked together to form an integrated global overview of the entire environment.
Morganti et. al. (2007)

Se pensiamo all'interfaccia di google maps vediamo entrambe le rappresentazioni: la mappa e il percorso: “alla prossima rotonda prendi la prima uscita”.

Regole, modelli e ux

Perché tutto questo può essere utile in ambito ux?

Il fine dell’architettura dell'informazione è creare rappresentazioni di un dominio che sia compatibile con le risorse e la tecnologia che abbiamo a disposizione e con le modalità cognitive e di rappresentazione delle persone.

information systems exist because it is the human condition to seek better ways to understand and to represent the world
... the core purpose of all information systems is to help people understand the states of some real-world systems that are relevant to them, such as the states of their mind ... of their organization ... or of the organization's environment
Burton-Jones et. al. (2013)

Sapere che le persone utilizzano alternativamente o cooperativamente queste due modalità di rappresentazione interne ci può aiutare ad affrontare e creare dei sistemi informativi che siano più facilmente comprensibili, e che possano aiutare l'utente a passare da una modalità all'altra.
Per un uso proficuo di queste due modalità di rappresentazione, può essere utile capire i vantaggi ed i limiti di ognuna.

Rule based

Vantaggi

  • computazionalmente molto più semplice / minor carico cognitivo e mnestico
  • più facile da eseguire quando la sequenza va seguita in maniera estremamente precisa (ad esempio un intervento chirurgico, o il decollo di un aereo)
  • più facile da imparare per un non esperto

Svantaggi

  • molto meno flessibile (è un problema in circostanze dinamiche)
  • in molti contesti non esiste una sequenza da applicare, e dunque questa modalità non può essere usata - o può essere usata solo in parte

Knowledge based

Vantaggi

  • molto più flessibile (è un vantaggio nei contesti fluidi o poco definiti)
  • permette di innovare (ovvero trovare nuovi percorsi)
  • permette di simulare degli scenari

La simulazione è un aspetto importante della cognizione: ci permette di fare dei viaggi mentali (nel futuro, nel passato, in un presente alternativo). Ci permette di immaginare un piano, di percorrerlo mentalmente, di fare previsioni, di fare delle valutazioni, ci aiuta a prendere delle decisioni.

Svantaggi

  • implica una adeguata conoscenza di dominio
  • implica un carico cognitivo molto più alto

È anche perché il carico cognitivo è più alto che - da sempre - gli esseri umani esternalizzano i propri modelli, utilizzando i supporti che l'ambiente e la tecnologia ci mette a disposizione. Il lavoro dell'architettura dell'informazione è di progettare strutture informative capaci di supportare questa esternalizzazione e di permettere alle persone di integrare i propri modelli interni con le rappresentazioni e le informazioni fornite.

Euristiche

Vorrei concludere questo articolo con delle euristiche di progettazione: dei consigli su come creare dei sistemi informativi a supporto della creazione di modelli e procedure.

Euristiche per la rappresentazione dei modelli (knowledge based)

  • fai emergere la conoscenza - esplicita ed implicita - di utenti ed esperti di dominio, e mappala nel prodotto / servizio e negli strumenti a supporto (manuali, help, formazione)
  • crea rappresentazioni "multiple" - millefoglie: Luca Rosati - Luisa Carrada
  • crea rappresentazioni che permettano agli utenti, se possibile, di creare un modello
  • permetti agli utenti, se possibile, di fare delle simulazioni
  • adatta, se possibile, la rappresentazione al contesto e al compito
  • accertati che le informazioni siano rappresentate in forma adeguata - comprensibile
  • assicurati che la rappresentazione sia corretta; nel dubbio, informa l'utente
  • assicurati che la rappresentazione sia completa; altrimenti, informa
  • assicurati che sia aggiornata; altrimenti, informa
  • identifica gli aspetti dinamici del dominio, aggiornali, o rendi espliciti eventuali mancati aggiornamenti
  • rendi espliciti i cambiamenti, quando opportuno (ad esempio attraverso delle notifiche) - Giacomo Mason - Bussolon: The calm information architecture

Le raccomandazioni sulla correttezza, completezza ed aggiornamento sembrano banali. In realtà vi sono circostanze in cui sappiamo che i dati che abbiamo a disposizione possono non essere corretti, completi od aggiornati. In questi casi, è fondamentale che i fruitori ne siano informati.

Euristiche per la rappresentazione delle procedure (rule level)

Scelta della procedura

  • in tutte le circostanze in cui l'adozione di un processo | percorso è possibile e vantaggiosa, mappalo e rappresentalo
  • presenta la lista di attività/procedure possibili
  • filtra le attività/procedure in base al contesto
  • identifica i percorsi "morti", i vicoli ciechi. Valuta se nasconderli, bloccarli o avvisare l'utente.
  • facilita l'utente nell'identificazione dell'attività corretta, anche attraverso una buona information scent
  • impedisci le scelte palesemente errate (prevenzione degli errori)

Il percorso - la procedura

  • se possibile suggerisci il percorso ideale, anche in base al contesto
  • accompagna l'utente lungo l'attività
  • identifica - e rappresenta - eventuali vincoli logici e procedurali
  • implementa i vincoli logici attraverso vincoli di interfaccia
  • prevedi sia una navigazione libera, che permetta all'utente di formare / aggiornare il modello, che una navigazione per percorsi
  • per quanto possibile, delega alla tecnologia quei compiti computazionalmente difficili per gli esseri umani ma semplici per i calcolatori: ordinamento, filtri, trasformazioni, calcoli numerici

Euristiche livello skill based

  • rispetta gli standard di accessibilità
  • rispetta le linee guida e le buone pratiche

Conclusioni

La nostra vita è costellata da attività. Per portarle a termine, abbiamo bisogno di una mappa, oppure della definizione di un percorso: "alla rotonda prendi la seconda uscita". Una buona architettura dell'informazione dovrebbe supportare la rappresentazione di entrambe le modalità, ed aiutare i fruitori a pianificare, decidere, portare a termine, monitorare e valutare le loro attività. Sperando che il loro percorso sia meno irto di ostacoli di quello di Ulisse sulla rotta per Itaca.

Bibliografia

Testi citati

Rasmussen, Jens (1983). Skills, rules, and knowledge; signals, signs, and symbols, and other distinctions in human performance models; IEEE transactions on systems, man, and cybernetics
Rasmussen, Jens (1979). On the structure of knowledge-a morphology of metal models in a man-machine system context;
McDannald, Michael A and Lucantonio, Federica and Burke, Kathryn A and Niv, Yael and Schoenbaum, Geoffrey (2011). Ventral striatum and orbitofrontal cortex are both required for model-based, but not model-free, reinforcement learning; Journal of Neuroscience
Otto, A Ross and Skatova, Anya and Madlon-Kay, Seth and Daw, Nathaniel D (2014). Cognitive control predicts use of model-based reinforcement learning; Journal of cognitive neuroscience
Daw, Nathaniel D and Dayan, Peter (2014). The algorithmic anatomy of model-based evaluation; Philosophical Transactions of the Royal Society B: Biological Sciences
Botvinick, Matthew and Weinstein, Ari (2014). Model-based hierarchical reinforcement learning and human action control; Philosophical Transactions of the Royal Society B: Biological Sciences
Gershman, Samuel J and Daw, Nathaniel D (2017). Reinforcement learning and episodic memory in humans and animals: an integrative framework; Annual review of psychology
Tolman, Edward C (1948). Cognitive maps in rats and men.; Psychological review
Brembs, Bj{\"o}rn (2003). Operant conditioning in invertebrates; Current opinion in neurobiology
Staddon, John ER and Cerutti, Daniel T (2003). Operant conditioning; Annual review of psychology
Morganti, Francesca and Carassa, Antonella and Geminiani, Giuliano (2007). Planning optimal paths: A simple assessment of survey spatial knowledge in virtual environments; Computers in Human Behavior
Burton-Jones, Andrew and Grange, Camille (2013). From use to effective use: A representation theory perspective; Information systems research

Puoi annullare la tua sottoscrizione in qualsiasi momento attraverso il link in fondo alle mail.

Questa mailing list utilizza Mailchimp. Pertanto, iscrivendoti alla mailing list le tue informazioni saranno gestite da Mailchimp.Le regole di privacy di Mailchimp

Cookies

Questo sito utilizza cookies tecnici e di terze parti quali google analytics per funzionalità tecniche e statistiche.

Se non acconsenti all'utilizzo dei cookie di terze parti, alcune di queste funzionalità potrebbero essere non disponibili.