Un videojuego en el que los participantes pastorean ganado digital ha ampliado nuestra comprensión de cómo los humanos toman decisiones sobre el movimiento y la navegación, y podría ayudarnos no sólo a interactuar de manera más efectiva con la inteligencia synthetic, sino incluso a mejorar la forma en que se mueven los robots en el futuro.
Investigadores de la Universidad Macquarie en Australia, la Scuola Superiore Meridionale, la Universidad de Nápoles Federico II, la Universidad de Bolonia en Italia y el College School London en el Reino Unido utilizaron el videojuego como parte de un estudio para comprender más sobre cómo la dinámica perceptual- Las primitivas motoras (DPMP) se pueden utilizar para imitar la toma de decisiones humana.
Un DPMP es un modelo matemático que puede ayudarnos a comprender cómo coordinamos nuestros movimientos en respuesta a lo que sucede a nuestro alrededor. Los DPMP se han utilizado para ayudarnos a comprender cómo tomamos decisiones de navegación y cómo nos movemos al realizar diferentes tareas.
Esto resulta especialmente importante en entornos complejos que contienen otras personas y una combinación de objetos fijos y móviles, como los que se pueden encontrar en una acera concurrida o en un campo deportivo.
Anteriormente, se suponía que nuestros cerebros elaboraban rápidamente mapas detallados de nuestro entorno y luego planificaban cómo moverse a través de ellos.
Pero cada vez más investigaciones apoyan la concept de que, en lugar de hacer un plan detallado, nos movemos con naturalidad, teniendo en cuenta nuestro objetivo y teniendo en cuenta cualquier obstáculo que encontremos en el camino.
En el nuevo estudio, publicado en la última edición de Ciencia abierta de la Royal Societyse pidió a los participantes que trabajaran en dos tareas de pastoreo, moviendo una sola vaca o un grupo de vacas a un corral.
Los investigadores rastrearon el orden en que los jugadores acorralaron a las vacas e introdujeron la información en su DPMP para ver si el modelo podía simular el comportamiento de los jugadores humanos.
El autor principal, el candidato a doctorado Ayman bin Kamruddin, cube que el modelo DPMP del equipo fue capaz de imitar con precisión cómo se movían los jugadores y también predecir sus elecciones.
“En la tarea de múltiples objetivos, surgieron tres patrones cuando las personas seleccionaban sus objetivos: la primera vaca que eligieron estaba más cerca de ellos en distancia angular, todas las vacas sucesivas estaban más cercanas en distancia angular a la anterior que habían seleccionado, y al elegir entre dos vacas, period más possible que eligieran la que estaba más alejada del centro de la zona de contención”, cube el profesor Richardson.
“Una vez que le proporcionamos al DPMP estas tres reglas para tomar decisiones, pudo predecir casi el 80 por ciento de las opciones sobre qué vacas pastorear a continuación, y también predecir cómo se comportarían los participantes en nuevas situaciones con varias vacas”.
Los juegos de pastoreo se utilizan con frecuencia en estudios como este porque imitan situaciones de la vida actual en las que las personas necesitan controlar a otro agente.
En el pasado, se basaban en una vista aérea de los animales objetivo, lo que planteaba la cuestión de si esta visión antinatural del campo de juego estaba sesgando los hallazgos, al hacer que los participantes tomaran decisiones diferentes a las que tomarían en una situación actual simplemente porque tenían una visión completa.
Para resolver esto, el equipo desarrolló un nuevo tipo de juego de pastoreo que limitaría el campo de visión de los participantes a lo que un humano normalmente podría ver con una perspectiva de la tarea en primera persona, muy parecida a la de muchos videojuegos de rol.
El autor principal, el profesor Michael Richardson del Centro de Investigación de Experiencia y Rendimiento de la Universidad Macquarie, cube que el cambio de perspectiva tiene implicaciones importantes.
“Si bien investigaciones anteriores han demostrado que los DPMP se pueden utilizar para predecir el comportamiento de una multitud o seguir un objetivo en movimiento, el nuestro es el primer estudio que analiza si el modelo puede ampliarse para explicar cómo un humano guía a un personaje digital o un robotic”, afirma.
“Este es otro paso para informar el diseño de sistemas más receptivos e inteligentes.
“Nuestros hallazgos han resaltado la importancia de incluir estrategias inteligentes de toma de decisiones en los modelos DPMP para que los robots y las IA imiten mejor cómo las personas se mueven, se comportan e interactúan.
“También sugieren que los DPMP podrían ser útiles en situaciones de la vida actual, como gestionar multitudes y planificar evacuaciones, entrenar a bomberos en realidad digital e incluso en misiones de búsqueda y rescate, porque pueden ayudarnos a predecir cómo reaccionarán y se moverán las personas. “
