Et si les machines pouvaient nous rendre plus humains ?

Magalie Ochs, Aix-Marseille Université (AMU); Noël Nguyen, Aix-Marseille Université (AMU); Philippe Blache, Aix-Marseille Université (AMU) et Roxane Bertrand, Aix-Marseille Université (AMU)

En termes de calcul, les ordinateurs ont atteint des capacités bien supérieures aux nôtres depuis longtemps. Cela leur permet aujourd’hui de résoudre un certain nombre de tâches dans des domaines aussi variés que la reconnaissance d’image, le traitement automatique de la langue telle que nous la parlons (langue naturelle), la détection de fraude ou le ciblage marketing. Ces progrès ont été rendus possibles en particulier grâce aux progrès de l’intelligence artificielle, qui nécessitent à la fois beaucoup de données et une grande puissance de calcul. Pour autant, l’intelligence se résume-t-elle à une capacité de calcul ?

Aujourd’hui, des robots et personnages virtuels apparaissent dans notre environnement en incarnant de plus en plus souvent des rôles sociaux particuliers : tuteur virtuel, conseiller, compagnon, coach, etc.. Dans ces contextes d’usages, les machines doivent être dotées d’une certaine forme d’intelligence sociale et émotionnelle pour être capable de coopérer et de s’engager dans une interaction sociale avec l’utilisateur. L’intelligence sociale se définit comme la capacité de reconnaître et d’exprimer des comportements sociaux, tels que la politesse ou la dominance, et la capacité de gérer ces comportements pour construire une relation sociale avec un autre individu et l’amener à coopérer. L’intelligence émotionnelle se définit quant à elle comme la capacité de reconnaître, exprimer et gérer ses propres émotions et celles d’autrui.

Du point de vue de la machine, cette intelligence socio-émotionnelle est d’autant plus importante que l’utilisateur lui-même a une propension à adopter un comportement social face à ces entités artificielles : c’est le paradigme CASA (« Computers Are Social Actors »). De nombreux travaux ont montré une tendance naturelle, souvent inconsciente, à adopter des comportements sociaux envers la machine (politesse, sourires). Les utilisateurs ont de plus tendance à anthropomorphiser les systèmes interactifs, même les plus simples d’entre eux, en leur attribuant un genre, une ethnie, et une personnalité.

Dans la perspective de doter les systèmes interactifs d’une intelligence sociale et émotionnelle sont nés deux courants de recherche de l’intelligence artificielle : l’Informatique Affective (Affective Computing) et le traitement automatique des signaux sociaux (Social Signal Processing (SSP)).

La coopération entre l’humain et la machine

Ces courants de recherche ont pour objectif de développer des systèmes interactifs (personnages virtuels, robots ou avatars) capables de reconnaître, comprendre et exprimer des émotions et des comportements sociaux. Ceux-ci peuvent cependant être source d’inquiétude pour les utilisateurs, une inquiétude largement entretenue par les médias ou le cinéma. Qu’une machine ait une grande puissance de calcul est acceptable, mais le fait qu’on la dote d’émotions, une caractéristique si humaine, peut l’être beaucoup moins. Le propos de cet article est de montrer que l’enjeu de la recherche sur ces thématiques n’est pas de remplacer l’humain mais de permettre aux machines de mieux reconnaître ses émotions pour s’adapter à son comportement. En voici quelques illustrations.

Les robots, les avatars ou les personnages virtuels peuvent par exemple être utilisés pour promouvoir des coopérations entre individus grâce à des comportements “prosociaux”. Les questionnements sur l’utilisation de l’IA et son impact éthique et sociétal sont récents. Ainsi émerge un nouveau courant de recherche, l’informatique prosociale, qui se définit comme « l’informatique visant à soutenir et à promouvoir des actions qui profitent à la société et aux autres ». Nous le savons, le comportement des machines peut influencer le comportement humain. Par exemple, un simple regard de robot suffit à déclencher un comportement altruiste chez l’humain. Il faut donc être conscient de cela pour décider comment utiliser ces capacités pour le bien-être de tous. En d’autres termes, si la recherche permet de développer des technologies socio-émotionnelles, c’est à la société, c’est-à-dire nous tous, de décider comment utiliser ces technologies.

Dans un domaine différent, l’e-éducation, un intérêt croissant est apparu autour de la « formation par la simulation » à l’aide d’environnements virtuels. Un certain nombre de travaux ont été conduits autour de dispositifs permettant à une personne d’entraîner ses compétences sociales à l’aide de personnages virtuels (« Virtual Agents for Social Skills Training (VASST) ». Par exemple, le projet Tardis propose un personnage virtuel jouant le rôle d’un recruteur utilisé pour former aux entretiens d’embauche. Le système permet de détecter et d’analyser en temps réel la production de l’utilisateur (hésitations, silence, posture, gestes, expressions du visage, etc.). Des indices comportementaux en sont extraits, permettant de donner des indications sur la qualité de l’entretien et de fournir un retour à l’utilisateur. Plusieurs expérimentations ont montré que des systèmes de ce type sont efficaces en termes d’entraînement.

Dans le projet eCUTE, les enfants et les jeunes adultes sont confrontés à différentes situations utilisant des personnages virtuels pour la sensibilisation aux différences culturelles permettant en particulier de développer leur capacité d’empathie. La plate-forme FearNot ! a de son côté été développée pour lutter contre les comportements de harcèlement scolaire à l’école. Elle repose sur la capacité des individus à ressentir de l’empathie y compris pour des personnages virtuels. En jouant le rôle de la victime à travers un personnage virtuel dans une situation de harcèlement scolaire, les harceleurs changent leur comportement. Dans un autre registre, des travaux montrent également, grâce à une audience virtuelle capable de s’adapter au comportement de l’orateur, la possibilité de s’entraîner à la prise de parole en public. Par exemple, un comportement inadapté de l’orateur engendrera une audience virtuelle simulant l’ennui. https://www.youtube.com/embed/dTE14lPBO98?wmode=transparent&start=0 Cicero 2.0 : audience virtuelle/Mathieu Chollet.

Dans le projet VICTEAMS, un environnement de réalité virtuelle peuplé de personnages virtuels est développé afin de former les leaders d’équipes médicales dans des situations de crise. https://www.youtube.com/embed/AEabDyTxxV4?wmode=transparent&start=0 Projet VICTEAMS/Domitile Lourdeaux.

Dans nos propres travaux, nous avons développé un environnement permettant aux médecins de s’entraîner à l’annonce d’événements indésirables face à un patient virtuel. La façon dont les médecins délivrent des mauvaises nouvelles à un patient a en effet un impact significatif sur le processus thérapeutique (évolution de la maladie, effets secondaires des traitements, litiges, etc.). Cependant, les cliniciens expérimentés de même que les étudiants restent très peu formés sur cette problématique (coût, manque de temps) en dépit des préconisations faites par la Haute Autorité de la Santé (HAS). Pour répondre à cette demande, nous avons développé une plate-forme de réalité virtuelle dans laquelle le médecin peut dialoguer naturellement avec une patiente virtuelle. Le système permet de reconnaître et de comprendre en temps réel le discours du médecin. Le moteur de dialogue traite ainsi le message et génère la réponse de l’agent virtuel, exprimée à la fois verbalement par une synthèse vocale expressive ainsi que par un ensemble de comportements non-verbaux traduisant notamment son état émotionnel (e.g. expressions faciales d’émotion, gestes de douleurs, etc.). https://www.youtube.com/embed/HedXD2m-XcY?wmode=transparent&start=0 Projet Acorformed/Magalie Ochs.

Il existe bien d’autres exemples d’applications, par exemple pour aider les enfants autistes, pour lutter contre nos phobies sociales, ou encore pour accompagner les personnes âgées dans leur vie quotidienne. Dans tous ces exemples, l’objectif n’est pas de remplacer l’humain mais bien de compléter des besoins liés au cloisonnement social, au manque de formation, etc. Les personnages virtuels, les robots, ou les avatars peuvent nous aider, nous, humains, à nous rendre plus humains.

Le côté sombre de l’intelligence artificielle

Sans aucun doute, nous ne devons être ni naïfs, ni exagérément optimistes face à l’intelligence artificielle. Il existe des risques éthiques, sociaux, politiques (notamment de manipulation et de discrimination) dans ces applications face auxquels nous chercheurs, avons le devoir de veiller. Nous avons un devoir collectif face à cela. Notre rôle est de poursuivre le développement et l’avancée de ces techniques. Mais il est dans le même temps nécessaire d’assurer la transparence la plus complète sur nos systèmes, ce qu’ils sont capables de faire, ce qu’ils ne peuvent toujours pas faire, et ce qu’ils ne seront jamais capables de faire. C’est cette transparence qui permettra à la société entière de décider collectivement les usages que l’on doit envisager pour ces techniques. Les machines sont à notre service et non l’inverse, une machine ne doit pas prendre une décision à notre place. Et nous devons, ensemble, imposer cette transparence. C’est à cette condition que nous pourrons veiller à ne pas être déshumanisés par des machines.

Magalie Ochs, Chercheuse en Intelligence Socio-Emotionnelle Artificielle, Aix-Marseille Université (AMU); Noël Nguyen, Professeur, Aix-Marseille Université (AMU); Philippe Blache, Directeur de Institute of Language, Communication and the Brain, Aix-Marseille Université (AMU) et Roxane Bertrand, Chargée de recherche CNRS, Linguiste, Analyse des Interactions, Aix-Marseille Université (AMU)

Cet article est republié à partir de The Conversation sous licence Creative Commons. Lire l’article original.

Nos conversations sont orchestrées comme des œuvres musicales

Roxane Bertrand, Aix-Marseille Université (AMU) et Noël Nguyen, Aix-Marseille Université (AMU)

Que l’on soit au travail, entre amis ou en famille, en face à face ou au téléphone, la conversation orale est au cœur de notre vie sociale. Si la communication écrite connaît un essor considérable à l’heure d’Internet, des smartphones et des réseaux sociaux, la conversation orale reste le support privilégié de nos échanges interindividuels, dès les premières années de la vie, et dans toutes les sociétés humaines.

Sans fil conducteur établi d’avance, la conversation est souvent sa propre raison d’être : on parle pour parler, de la pluie et du beau temps, de tout et de rien. Dans bien des cas, l’objectif premier n’est pas tant d’échanger des informations, que de nous engager dans ce mode particulier d’être avec autrui.

De récentes études réalisées sur des corpus de parole conversationnelle, ont d’ailleurs fait apparaître la faible richesse de ces échanges sur le plan informationnel. Auriez-vous imaginé que « mh », « ah », ou « voilà », fassent partie des formes les plus fréquemment produites par les locuteurs ? C’est l’un des multiples éléments montrant que la conversation fait souvent prévaloir la dimension interactionnelle du langage oral, vis-à-vis de ce dont le langage peut nous permettre de parler.

L’orchestration d’une conversation est soumise à la manière dont nos énoncés sont agencés, et notamment au caractère linéaire de cet agencement. Chaque énoncé que nous produisons possède un début, un milieu et une fin, et notre interlocuteur doit traiter les différents éléments de l’énoncé au fur et à mesure que ces éléments lui parviennent. Les conversations sont ainsi organisées sous une forme qui reflète la structure du langage lui-même. Mais les recherches actuelles sur la parole conversationnelle nous amènent également à repousser les frontières du langage, telles que ces frontières ont pu être établies par la linguistique contemporaine depuis son avènement.

Par exemple, le son « mh » dont nous avons fait mention – et que l’on décrit techniquement comme une consonne nasale non relâchée – n’a pas été jusqu’à présent considéré par les phonologues comme faisant partie des consonnes du français. Cela est vrai aussi de ces sons bien particuliers que l’on appelle des clics, et que nous émettons souvent dans nos conversations en français, bien qu’on ne les fasse pas figurer dans notre système consonantique. Des travaux récents ont mis en évidence le rôle central de ces sons « à la marge du langage » dans nos interactions conversationnelles.

Une conversation se présente souvent comme un exercice de libre association pratiqué à deux ou à plusieurs. Son point d’aboutissement est rarement prévisible, et elle peut emprunter de nombreux détours inattendus. Il nous arrive d’ailleurs de revenir en arrière avec notre interlocuteur, afin de savoir « comment on en est arrivés à parler de ça ». Mais derrière cette apparente liberté dans le déploiement de nos conversations, se dissimule un système bien établi de règles de construction, et que chacun respecte sans l’avoir jamais appris de manière explicite. Les recherches menées sur la conversation aujourd’hui visent à mieux comprendre ce système de règles, à étudier de quelle manière il se met en place chez l’enfant, et à déterminer s’il présente des caractéristiques communes à toutes les langues humaines.

Des principes partagés : Alternance et coopération

Tous nos échanges sont le résultat d’efforts de coopération visant à suivre une ligne commune afin de satisfaire certains objectifs. Qu’il s’agisse d’un bref échange de salutations ou d’une réelle conversation, nous obéissons pour ce faire à des règles et des principes qui fondent un réel système. Harvey Sacks et ses collègues ont mis en lumière l’organisation qui sous-tend l’alternance de parole. Une seule personne parle à la fois, selon le schéma ABABAB (A et B : les deux locuteurs). La durée des intervalles entre tours est minimisée (principe « no gap »), tout comme celle des chevauchements entre tours (principe « no overlap »).

Ce modèle rend compte des techniques d’allocation des tours et des lieux possibles de transition de parole. Un locuteur peut ainsi sélectionner le locuteur du tour suivant en lui adressant une question. Ce faisant, il exerce une contrainte sur son interlocuteur en l’enjoignant à répondre, comme en témoignent des remarques telles qu’« alors, je t’ai posé une question ! » quand cette contrainte n’est pas satisfaite.

La réponse forme avec la question une paire adjacente : le premier élément de la paire appelle, ou projette, un type d’énoncé spécifique (le second élément). Ce pouvoir projectif qui s’exerce au sein des paires adjacentes renvoie à une organisation préférentielle selon laquelle, parmi les différentes suites pouvant être choisies par le locuteur B, il en est une que le locuteur A préfère aux autres. Par exemple, l’acceptation, plutôt que le refus, est la réponse préférée à une offre ou une invitation.

L’organisation préférentielle favorise la poursuite du discours et maximise la coopération, en minimisant les conflits. Dans ces paires adjacentes, le deuxième élément prend nécessairement place après la fin du premier. De manière plus générale, le locuteur B prend le tour en des lieux bien précis dans le décours de la conversation, que l’on appelle des lieux de transition pertinents.

Une orchestration temporelle de haute précision

Lorsque nous conversons, nous ne cessons de traquer dans le discours de l’autre les éléments qui nous permettront de réagir de manière appropriée en respectant le bon timing. Observons une conversation et remarquons combien nos tours de parole s’enchaînent le plus souvent harmonieusement. Nous n’en avons pas conscience, mais prendre ou céder la parole exige une minutie remarquable. Des études ont montré qu’un délai de 100 à 300 ms serait la règle entre les tours de parole, et ce indépendamment des langues considérées. Ce délai paraît extrêmement court. On estime en effet qu’il nous faut en moyenne 600 ms pour produire un mot (de l’intention de produire ce mot, à sa prononciation). Si nous sommes si rapides dans l’enchaînement entre tours, c’est parce que nous préparons le tour d’après pendant celui de notre interlocuteur, dont nous sommes capables de prédire la fin, grâce à différents indices de projection (syntaxique, prosodique, mimogestuel, etc. ; par exemple, le fait de pointer notre menton vers notre interlocuteur peut constituer un indice gestuel indiquant que nous lui cédons la parole).

L’organisation préférentielle éclaire également cette question de timing. Si une réponse préférée apparaît généralement dans le délai moyen, son alternative non préférée peut apparaître tardivement (1 seconde ou plus) et comporter des éléments d’excuse ou d’hésitation qui révèlent explicitement une transgression des attentes.

Le rôle actif de l’auditeur

D’autres marques explicites évoquant « l’art de la conversation » renvoient aux « mh », « ok », mouvements de tête ou de sourcils qui remplissent nos conversations. Si l’on cherche à se remémorer le contenu d’un échange, il est coutumier de ne pas faire état de ces feedbacks. En revanche, une conversation qui en serait emplie, ou au contraire dépourvue, peut laisser une impression de malaise, comme si le courant n’était pas ou mal passé.

Cette impression est liée au fait que ces items de feedbacks sont loin d’être de simples réactions anarchiques et désordonnées. De fait, ils font système, et ne dérogent pas aux règles et principes de la conversation. Ils reflètent la coopération entre les participants et influent sur la progressivité du discours.

De plus en plus d’études s’accordent sur leur rôle crucial pour favoriser la compréhension mutuelle entre les locuteurs. Outre leurs fonctions d’acquiescement ou d’évaluation de l’énoncé précédent, ils ont également un impact sur l’énoncé suivant.

Quand on raconte une histoire, ce qui est une activité très fréquente en conversation et qui place notre interlocuteur en situation d’écoute, notre récit est de meilleure qualité lorsque l’interlocuteur contribue activement, via ses différents feedbacks, à son élaboration. Par ailleurs, un froncement de sourcil exprimant une incompréhension rompt ponctuellement la progressivité du discours. Ce mouvement de sourcil oriente ainsi le discours vers une trajectoire interactionnelle spécifique de réparation du trouble qui permettra à l’interlocuteur de raccrocher pour que l’interaction s’accomplisse avec succès.

Toutes les études le montrent : si la conversation peut former cet espace interactionnel dans lequel on baguenaude à deux ou à plusieurs avec autant de liberté, cela tient, paradoxalement, à ce qu’elle est orchestrée avec la précision d’une œuvre musicale, et repose sur un ensemble bien établi de règles et principes, que nous respectons sans y penser, et sans les avoir appris de manière explicite. La conversation possède sa propre grammaire, que les chercheurs s’attachent aujourd’hui à mettre au jour.

Roxane Bertrand, Chargée de recherche CNRS, Linguiste, Analyse des Interactions, Aix-Marseille Université (AMU) et Noël Nguyen, Professeur, Aix-Marseille Université (AMU)

Cet article est republié à partir de The Conversation sous licence Creative Commons. Lire l’article original.