La conoscenza si forma attraverso le parole. Con il glossario di Prossima inGenere vuole comporre un lessico minimo del mondo digitale. Molte espressioni ormai entrate nell'uso infatti restano spesso opache nel significato, il nostro obiettivo è quello di renderle più trasparenti. Oggi parliamo di affective computing
Affective
computing
Il termine "affective computing" è stato usato per la prima volta dall’informatica americana Rosalind Picard, esperta di arti e scienze dei media al MIT di Boston, nel suo libro Affective computing pubblicato negli Stati Uniti nel 1997.
Picard ha gettato le basi per quella che negli anni a seguire sarebbe diventata una vera e propria disciplina, dedicata a osservare e descrivere l'importanza delle emozioni nell'interazione tra persone e macchine. La proposta era che le macchine dovessero essere in grado di rilevare e rispondere alle emozioni umane per migliorare la comunicazione e l'efficacia dei sistemi informatici.
Oggi l'affective computing (letteralmente "calcolo affettivo") è una branca dell'informatica che si occupa di sviluppare sistemi e dispositivi in grado di riconoscere, interpretare, processare e simulare le emozioni umane, con l'obiettivo di creare interfacce uomo-macchina più funzionali ed efficaci, rendendo le macchine capaci di interagire con gli esseri umani in modo empatico e intuitivo e sempre più simile a quelle che sono le interazioni tra umani.
Se in una fase iniziale la ricerca si concentrava sulla comprensione teorica delle emozioni e sullo sviluppo di prototipi capaci di riconoscere segnali emotivi semplici, con sistemi che utilizzavano sensori fisiologici (come quelli che misurano la frequenza cardiaca o la conduttanza cutanea) per dedurre lo stato emotivo dell'utente, con l'avanzamento della tecnologia, in particolare nei campi del riconoscimento facciale, dell'elaborazione del linguaggio naturale e dell'apprendimento automatico, i sistemi di affective computing hanno cominciato a diventare più sofisticati.
Sono quindi stati sviluppati algoritmi per analizzare le espressioni facciali, le tonalità vocali e i gesti permettendo così di dedurre le emozioni a partire da questi input.
Negli ultimi quindici anni, l'affective computing ha trovato sbocco in svariate applicazioni commerciali e di ricerca. Le tecniche avanzate di machine learning e deep learning hanno permesso la creazione di sistemi e dispositivi (come smartphone e smartwatch) capaci di interpretare e rispondere a una gamma sempre più ampia e complessa di emozioni umane. Oggi, con l'espansione dei big data, i sistemi a disposizione possono analizzare grandi quantità di dati per migliorare la precisione del riconoscimento emotivo.
A livello pratico, l’affective computing utilizza una combinazione di tecniche di visione artificiale, riconoscimento vocale, sensori biometrici e machine learning per raccogliere e interpretare i segnali emotivi; richiedendo spesso hardware specifici per raccogliere dati fisiologici (ad esempio, sensori di battito cardiaco) e software avanzati per analizzare dati multimodali.
Attualmente l’affective computing trova applicazione nel settore degli assistenti virtuali (come Siri, Alexa e Google Assistant) e dei chatbot, che utilizzano algoritmi in grado di comprendere meglio le richieste degli utenti e rispondere in modo più naturale – ad esempio, modulando le risposte in base al tono emotivo rilevato nella voce dell'utente, alla sua postura o alla sua espressione facciale.
Ma non solo, anche in ambito educativo e della formazione, della salute mentale e neurologica, delle automobili e dei veicoli autonomi, del marketing e della pubblicità, dei videogiochi e dell’intrattenimento, e nel servizio clienti, sono ormai moltissime le applicazioni che utilizzano gli elementi dell’affective computing per migliorare le esperienze di apprendimento, migliorare l’assistenza a persone che soffrono di disturbi mentali, monitorare i disturbi del sonno per migliorarne la qualità, aumentare la sicurezza stradale, disegnare campagne di marketing più efficaci rispetto al target, creare esperienze di gioco e intrattenimento immersive e coinvolgenti, aumentare la soddisfazione dei clienti.
L'affective computing rappresenta un campo interdisciplinare in rapida crescita, tra le sue declinazioni più recenti, c’è sicuramente la sentiment analysis, una sottobranca dell'elaborazione del linguaggio naturale che si occupa di analizzare testi scritti (come recensioni, post sui social media, articoli) per determinare l'atteggiamento emozionale di chi li ha scritti, solitamente classificando questo atteggiamento come positivo, negativo o neutro, con l’obiettivo di estrarre e quantificare i sentimenti espressi nei dati testuali, ad esempio per il monitoraggio della reputazione del marchio, l'analisi delle opinioni dei clienti e il supporto alle decisioni di marketing.
Sempre più importante, in questo settore, è la consapevolezza che il nostro modo di codificare umori e sentimenti è fortemente influenzato dagli assetti culturali in cui siamo immersi. Il riconoscimento, la raccolta e l’analisi di emozioni da parte di macchine intelligenti rende quindi questa disciplina particolarmente vulnerabile agli stereotipi, inclusi quelli di genere, e rende sempre più importante studiare come l'intelligenza artificiale può influenzare a sua volta sentimenti ed emozioni.
La grande sfida dell’affective computing del futuro sarà quella di un approccio sempre più consapevole e mirato, fondato su dataset bilanciati, formazione su bias e stereotipi delle persone che compongono i dataset e addestrano le intelligenze artificiali, regolamentazioni e linee guida etiche che garantiscano una progettazione e un utilizzo di questi strumenti che sia il più equo possibile.
Per approfondire
L'affective computing spiegata in un video da Rosalind Picard
L'affective computing secondo l'Interacting design Foundation
What is affecting computing, Datacamp
Alexandra Przegalinska. Ethical implications of affective computing, Società psicanalitica italiana
Affecting computing: cos'è, a cosa serve e quali sono i rischi, Agenda Digitale
