Mutual understanding in educational human-robot collaborations

Alexis David Jacq

Key information

Authors:

Alexis David Jacq (Alexis David Jacq)

Supervisors:

Pierre Dillenbourg; Ana Maria Severino de Almeida e Paiva (Ana Paiva)

Published in

March 10, 2020

Abstract

A educação é uma arte parecida com o teatro. O professor atua; ele trabalha o discurso e os gestos, brinca com a atenção da plateia. Mas é ainda mais difícil: além de divertir, o professor tem que afiar as competências, o conhecimento e a motivação dos alunos. Não basta entender a dinâmica de aprendizagem dos alunos, ensinar requer também a habilidade de manipular essa dinâmica. Chamamos isso de entendimento mútuo, formalizado pela precisão da predição dos outros assim como a predição de si mesmo pelos outros. Os robôs para educação constituem um campo que emergiu de métodos novos envolvendo tecnologias novas e que abre um horizonte largo de atividades pedagógicas a ser exploradas. Os robôs podem fazer papéis que os próprios humanos não conseguem. Por exemplo, CoWriter é um robô que atua como um aluno analfabeto para que uma criança, mesmo com dificuldade, possa ensinar a escrever para ele. Envolver um adulto não seria convincente e chamar outra criança não seria ético. Porém, os robôs mal conseguem entender os humanos assim como os humanos mal conseguem entender robôs. Por consequência, os robôs para educação sofrem do nível baixo, ou até zero, de entendimento mútuo que constitui um requisito para interações educacionais. A primeira parte desta tese realça a importância do entendimento mútuo humano-robô em atividades pedagógicas colaborativas como CoWriter e se baseia em experimentações do mundo real. As duas partes seguidas propõem a implementação desta habilidade num robô destinado a interagir com humanos, focando na modelagem das motivações. Uma parte trata da orquestração externa dos vários modelos feitos pelo robô para fazer predições e para ele mesmo ser sujeito a predições. A outra parte foca nos mecanismos internos desses modelos, usando o formalismo computacional da aprendizagem por reforço. Education is an art close to theater. A teacher is taking a role; he works his speeches and his gestures and he plays with the attention of his audience. But it is harder: more than entertaining, a teacher must shape the skills, the knowledge and the motivation of his students. This requires, more than just understanding the learning dynamic of students, the talent to control the way he is understood so he can manipulate this learning dynamic. We call it mutual understanding, formalized by the accuracy of the prediction of others and of the prediction of oneself by the others. Robots for education, a field that emerges from novel approaches involving new technologies, opens a large horizon of unexplored pedagogical activities. Indeed, robots can take roles that were not doable by humans. For example, CoWriter is a robot that personifies a very unskilled beginner so even a child with strong difficulties can teach it handwriting: involving an adult would not be convincing and calling another child would be unethical for this role. However, a strong limitation lies in the fact that robots have a restricted perception to understand humans and are hardly understandable by humans. By consequence, robots for education suffers the poor – even nonexistent – level of mutual understanding required by educational interactions. The first part of this thesis highlights the importance of the human-robot mutual understanding in pedagogical collaborative activities like CoWriter and is based on real-world experimentation. The next two parts form a suggestion to implement such an ability in a robot aiming to interact with humans by focusing on the modelling of motivations. One part regards the external orchestration of the different models built by the robot to make predictions and to be predictable. The other part focuses on the internal mechanisms of these models, based on the computational framework of reinforcement learning. L’éducation est un art proche du théatre. L’enseignant se vêtie d’un personnage ; il travaille son discours et sa gestuelle. Il joue avec l’attention de son audience. Mais il s’agit d’un art plus difficile encore : au delà de divertir, l’enseignant se doit de modeller les compétences, le savoir et la motivation de ses élèves. Cela tient non seulement de sa comprehension de la dynamique d’apprentissage des élèves, mais aussi de son talent à controller sa manière d’être compris de telle sorte qu’il puisse dompter cette dynamique. Nous attribuons à cette capacité le terme de comprehension mutuelle, que l’on formalise par la justesse de la prédiction d’autrui et de la prédiction de soi-même par autrui. La robotique pour l’éducation, un champ de recherche qui émerge des récentes methodes faisant intervenir les nouvelles technologies, ouvre un large horizon d’activités pédagogiques jusqu’alors non explorées. Et pour cause, les robots peuvent endosser des rôles qui ne pourraient pas être arborés par les humains. Par exemple, CoWriter est un robot qui personifie un débutant totallement inexpérimenté, tant et si bien qu’un enfant lui-même en difficulté sera en mesure de lui apprendre l’écriture manuscrite. Donner ce role à un adulte serait moyennement convainquant, et le recours à un autre enfant manquerait d’hétique. Cela dit, de telles interactions sont très limitées par la perception restreinte des robots pour comprendre les humains et leur difficulté à se faire comprendre par les humains. En conséquence, la robotique pour l’éducation souffre de la pauvreté – même de l’innexistance – du niveau de compréhension mututelle, pourtant si nécessaire dans les interaction à vue pédagogique. La première partie de cette thèse mets en évidance l’importance de la compréhension mutuelle dans les activités pédagogiques collaboratives telles que CoWriter et se base sur des expériences appliquées à la vie concrète. Les parties suivantes forment une suggestion d’implémentation d’une telle aptitude dans un robot conçue pour intéragir avec l’homme en se focalisant sur la modélisation des motivations. L’une porte sur l’orchestration externe des differents modèles construits par le robot afin de prédire et d’être prédictible. L’autre se concentre sur les mechanismes internes de ces modèles, dans le cadre computationnel de l’apprentissage par renforcement.