اهمیت حیاتی انتظار (Expectancy) در ارزیابی عملکرد و پذیرش ربات‌ها (Robots)

مقدمه: عبور از کارایی صرف به سوی اعتماد (Trust)

در عصر حاضر که فناوری رباتیک (Robotics Technology) به سرعت از محیط‌های صنعتی بسته به تعاملات روزمره انسان و ماشین در فضاهای عمومی، خانگی و خدماتی در حال گسترش است، معیارهای سنتی ارزیابی عملکرد ربات‌ها دیگر کافی به نظر نمی‌رسند. در گذشته، تمرکز اصلی بر روی معیارهایی مانند دقت (Accuracy)، سرعت (Speed) و قابلیت اطمینان فنی (Technical Reliability) بود. اما با ورود ربات‌ها به حوزه‌هایی که نیازمند تعامل اجتماعی (Social Interaction) و همکاری (Collaboration) هستند، یک عامل روانشناختی و شناختی جدید به کانون توجه تبدیل شده است: انتظار (Expectancy). این مفهوم که به طور عمیق با مدل‌های ذهنی کاربران از توانایی‌ها، محدودیت‌ها و نحوه عملکرد یک سیستم رباتیک مرتبط است، نقشی محوری در تعیین میزان پذیرش، اعتماد (Trust) و در نهایت، موفقیت بلندمدت یک ربات در دنیای واقعی ایفا می‌کند. ارزیابی جامع ربات‌ها مستلزم درک این است که چگونه انتظارات شکل می‌گیرند، چگونه بر ادراک انسان‌ها تأثیر می‌گذارند و چگونه عدم تطابق بین انتظار و عملکرد (Expectation Violation) می‌تواند پیامدهای منفی پایداری به همراه داشته باشد. این مقاله به تشریح ابعاد مختلف اهمیت انتظار در ارزیابی ربات‌ها می‌پردازد و نشان می‌دهد که چرا تبدیل شدن به یک سیستم قابل پیش‌بینی (Predictable) و همسو با قواعد اجتماعی (Social Norms)، برای بقای یک ربات در اکوسیستم‌های انسانی ضروری است.

مبانی نظری انتظار (Expectancy) در تعامل انسان و ربات (HRI)

مفهوم انتظار در علوم شناختی و روانشناسی ریشه دارد و به پیش‌بینی فرد در مورد رویدادهای آینده بر اساس تجربیات گذشته، دانش زمینه‌ای و اطلاعات محیطی اشاره دارد. در حوزه تعامل انسان و ربات (Human-Robot Interaction – HRI)، این مفهوم به دو دسته اصلی تقسیم می‌شود: انتظارات عملکردی (Functional Expectations) و انتظارات اجتماعی (Social Expectations).

انتظارات عملکردی به درک کاربر از قابلیت‌های فیزیکی و محاسباتی ربات مربوط می‌شود. برای مثال، کاربر انتظار دارد یک ربات تحویل‌دهنده بتواند اشیاء را با ثبات حمل کند یا یک ربات راهنما مسیرهای بهینه را پیدا کند. اگر ربات نتواند این وظایف پایه‌ای را برآورده سازد (مثلاً اشیاء را بیندازد یا در یک پیچ ساده گیر کند)، انتظار عملکردی نقض شده و این امر مستقیماً بر کارایی درک شده (Perceived Efficiency) تأثیر می‌گذارد.

از سوی دیگر، انتظارات اجتماعی پیچیده‌تر هستند و با نحوه ادراک انسان از ربات به عنوان یک موجودیت نیمه‌اجتماعی سروکار دارند. این انتظارات شامل نحوه واکنش ربات به سلام و احوالپرسی، حفظ فاصله شخصی (Personal Space)، استفاده از زبان بدن مناسب (در صورت داشتن بازو یا نمایشگر) و رعایت نوبت‌گیری در مکالمه (Turn-taking in Conversation) می‌شود. زمانی که ربات‌ها به سمت انسانی‌سازی (Humanization) بیشتر پیش می‌روند، انتظارات اجتماعی نیز افزایش می‌یابد. یک ربات خدماتی که با صدای بیش از حد بلند یا لحن تهاجمی صحبت می‌کند، حتی اگر وظیفه‌اش را به درستی انجام دهد، انتظارات اجتماعی کاربر را نقض کرده و منجر به نارضایتی می‌شود. محور اصلی ارزیابی یک سیستم رباتیک در محیط‌های واقعی، میزان اعتماد است که کاربران به آن اختصاص می‌دهند. اعتماد به ربات تابعی مستقیم از پیش‌بینی‌پذیری (Predictability) رفتاری آن است، که مستقیماً با مفهوم انتظار گره خورده است. اگر یک ربات به طور مداوم رفتاری از خود نشان دهد که با مدل ذهنی کاربر در مورد ماهیت و توانایی‌های آن (که همان انتظار است) مطابقت داشته باشد، اعتماد به مرور زمان انباشته می‌شود. به عنوان مثال، یک ربات صنعتی که انتظار می‌رود فقط دستورات واضح را اجرا کند، با رفتاری فراتر از آن غافلگیر شود، ممکن است به طور موقت کارآمد به نظر برسد اما در درازمدت، این عدم همسویی انتظارات باعث ایجاد عدم قطعیت و کاهش اعتماد در اپراتور انسانی خواهد شد.

نقش انتظار در شکل‌گیری اعتماد (Trust) و پذیرش (Acceptance)

رابطه بین انتظار و اعتماد یک رابطه دوطرفه و دینامیک است. در ابتدا، کاربر یک مدل ذهنی اولیه (Initial Mental Model) از ربات می‌سازد که بر اساس تبلیغات، طراحی ظاهری، و زمینه‌ای که ربات در آن مستقر شده است، شکل می‌گیرد. این مدل اولیه، بستر انتظارات اولیه را فراهم می‌کند.

زمانی که ربات شروع به کار می‌کند، هر تعامل به عنوان یک تست فرضیه (Hypothesis Testing) عمل می‌کند. اگر عملکرد ربات، انتظارات را برآورده سازد، اعتماد تقویت می‌شود. این فرآیند برای امنیت ادراک شده (Perceived Safety) حیاتی است؛ کاربر باید بتواند با اطمینان پیش‌بینی کند که ربات در شرایط بحرانی چگونه واکنش نشان خواهد داد. برای مثال، در یک محیط بیمارستانی، پرستاران انتظار دارند ربات دارورسان در صورت برخورد با مانع، توقف کند و چراغ هشدار روشن نماید. اگر این واکنش پیش‌بینی‌شده رخ دهد، اعتماد به قابلیت اطمینان (Dependability) افزایش می‌یابد.

اما اگر انتظار نقض شود، چه مثبت و چه منفی، اعتماد تحت تأثیر قرار می‌گیرد. نقض مثبت (Positive Violation)، زمانی که ربات فراتر از حد انتظار عمل می‌کند (مثلاً در یک مکالمه، پاسخی بسیار خلاقانه می‌دهد)، می‌تواند منجر به شگفتی مثبت و افزایش موقتی اعتماد شود. با این حال، در کاربردهای حیاتی، نقض مثبت می‌تواند همچنان مضر باشد زیرا باعث می‌شود کاربر مدل ذهنی خود را به سمت انتظارات بالاتر به‌روز کند، که این امر در تعاملات بعدی، اگر ربات نتواند به سطح جدید برسد، منجر به شکست در برآورده کردن انتظار (Negative Violation) شود. بنابراین، مدیریت دقیق انتظارات برای حفظ ثبات اعتماد ضروری است.

پذیرش (Acceptance)، که مرحله نهایی در استفاده موفقیت‌آمیز است، وابستگی شدیدی به برآورده شدن انتظارات دارد. اگر انتظارات کاربر از ابتدا بسیار بالا باشد (مثلاً انتظار تعامل هم‌تراز با یک انسان)، احتمال عدم پذیرش به دلیل شکاف عملکردی (Performance Gap) افزایش می‌یابد. از این رو، یکی از استراتژی‌های کلیدی در طراحی ربات‌های جدید، مدیریت فعال انتظارات (Proactive Expectation Management) از طریق آموزش واضح و شفاف‌سازی قابلیت‌ها و محدودیت‌های ربات در زمان استقرار است. این کار شفافیت (Transparency) را افزایش داده و به کاربران کمک می‌کند تا یک مدل ذهنی واقع‌بینانه (Realistic Mental Model) بسازند.

ارزیابی ربات: اندازه‌گیری انتظار و شکاف آن

برای ارزیابی مؤثر ربات‌ها، صرفاً اندازه‌گیری خروجی‌های وظیفه‌ای کافی نیست؛ بلکه باید ابزارهایی برای سنجش انتظارات و شکاف بین انتظار و عملکرد (Expectation-Performance Gap) توسعه یابد. این امر نیازمند رویکردهای چندوجهی است که هم داده‌های عینی و هم داده‌های ذهنی را در بر می‌گیرد.

1. سنجش انتظارات اولیه

قبل از استقرار یا در مراحل اولیه استفاده، می‌توان از نظرسنجی‌ها و مصاحبه‌ها برای استخراج مدل‌های ذهنی کاربران استفاده کرد. پرسش‌هایی در مورد آنچه کاربر “فکر می‌کند” ربات “می‌تواند” یا “باید” انجام دهد، به ما کمک می‌کند تا سطح اولیه انتظارات را ترسیم کنیم. در حوزه تعاملات گفتاری، تحلیل جملاتی که شامل کلماتی مانند “باید”، “قادر است” و “انتظار دارم” هستند، می‌تواند معیاری برای سنجش این پیش‌فرض‌ها فراهم آورد.

2. تحلیل نقض انتظارات در حین تعامل

این بخش نیازمند مشاهده رفتاری و ثبت لحظاتی است که ربات از مسیر پیش‌بینی شده خارج می‌شود. در ارزیابی میدانی (Field Evaluation)، این امر می‌تواند از طریق تحلیل ردپای داده‌ای (Data Trails) تعاملات (مانند زمان تأخیر در پاسخ‌ها، تعداد دفعاتی که کاربر دستور را تکرار می‌کند، یا استفاده از واژگان نشان‌دهنده سرخوردگی) انجام شود. یک تأخیر غیرمنتظره در پاسخ یک ربات گفتگوگر (Chatbot) می‌تواند نقض انتظاری باشد که کاربر آن را به عنوان بی‌اعتنایی (Disregard) یا نقص محاسباتی تفسیر کند.

3. معیارهای ذهنی (Subjective Metrics)

مؤلفه‌های اصلی ارزیابی مبتنی بر انتظار شامل مقیاس‌های روان‌سنجی است که مستقیماً سطح اعتماد، رضایت (Satisfaction)، کاربردپذیری ادراک شده (Perceived Usefulness) و راحتی استفاده (Ease of Use) را پس از تعامل اندازه‌گیری می‌کنند. مدل‌هایی مانند TAM (Technology Acceptance Model) یا مقیاس‌های خاص HRI، باید با در نظر گرفتن مؤلفه پیش‌بینی‌پذیری تعدیل شوند. ارزیابی‌کنندگان باید بپرسند: “آیا رفتار ربات با آنچه شما انتظار داشتید منطبق بود؟” و امتیازدهی به آن را به عنوان متغیری مستقل در مدل‌های اعتماد وارد کنند.

تبعات نادیده گرفتن انتظار در طراحی ربات‌ها

نادیده گرفتن یا مدیریت نادرست انتظارات کاربران می‌تواند منجر به مجموعه‌ای از شکست‌های سیستمی شود که فراتر از نقص‌های فنی ساده هستند و ماهیت رابطه انسان-ربات را تهدید می‌کنند.

الف) مقاومت در برابر پذیرش (Resistance to Adoption): اگر کاربران از ابتدا احساس کنند که ربات برای برآورده کردن نیازهایشان بیش از حد خوش‌بینانه تبلیغ شده است، انگیزه اولیه خود را برای استفاده از آن از دست می‌دهند. این امر به ویژه در محیط‌های سازمانی که سرمایه‌گذاری‌های سنگینی روی زیرساخت‌های رباتیک انجام شده است، می‌تواند به عدم بازگشت سرمایه (ROI Failure) منجر شود.

ب) کاهش کارایی (Efficacy) و ایمنی: در محیط‌های عملیاتی حساس، عدم قطعیت رفتاری (Behavioral Uncertainty) که ناشی از نقض مداوم انتظار است، باعث می‌شود کاربر برای اطمینان از عملکرد ربات، کنترل دستی بیشتری اعمال کند. این پدیده که گاهی به عنوان نظارت بیش از حد (Over-monitoring) یا تأیید مکرر (Redundant Verification) شناخته می‌شود، دقیقاً هدف اتوماسیون را که کاهش بار شناختی (Reducing Cognitive Load) است، خنثی می‌کند و در نهایت کارایی کلی سیستم را کاهش می‌دهد. در سناریوهای ایمنی بالا، هرگونه تردید در قابل اعتماد بودن (Reliability) ناشی از عدم پیش‌بینی‌پذیری می‌تواند منجر به تأخیر در واکنش به موقعیت‌های اضطراری شود.

ج) دلبستگی اجتماعی منفی (Negative Social Attachment): همانطور که ربات‌ها نقش‌های اجتماعی‌تری مانند مراقبت از سالمندان یا دستیار آموزشی را بر عهده می‌گیرند، نقض انتظارات اجتماعی منجر به ایجاد احساسات منفی مانند تحریک (Annoyance)، اضطراب (Anxiety) و حتی اجتناب (Avoidance) می‌شود. برای مثال، اگر رباتی که طراحی شده تا یک همراه صبور باشد، ناگهان در حین گوش دادن به یک داستان، وقفه ایجاد کند یا با لحنی بی‌تفاوت پاسخ دهد، کاربر دلبستگی عاطفی خود را از دست داده و ربات را صرفاً به عنوان یک مانع فنی در نظر می‌گیرد. این پدیده به شدت در حوزه رباتیک مراقبت (Care Robotics) اهمیت دارد.

استراتژی‌های مهندسی انتظارات برای دستیابی به همسویی (Alignment)

برای تضمین موفقیت یک ربات در دنیای واقعی، مهندسان و طراحان باید رویکردی فعال در مهندسی انتظارات در پیش بگیرند. این استراتژی‌ها باید هم در مراحل طراحی و هم در مراحل استقرار مورد توجه قرار گیرند.

1. طراحی بر اساس تطابق فرهنگی و زمینه‌ای (Contextual and Cultural Fit)

انتظارات به شدت تحت تأثیر زمینه فرهنگی (Cultural Context) هستند. رفتاری که در ژاپن برای یک ربات خدماتی عادی تلقی می‌شود، ممکن است در ایالات متحده یا ایران نامناسب تلقی گردد. طراحی باید با هنجارهای اجتماعی (Social Norms) محلی همخوانی داشته باشد. این امر مستلزم طراحی ظاهر (Appearance)، صدا (Voice) و پروتکل‌های تعاملی (Interaction Protocols) است که به طور ضمنی، سطحی از قابل پیش‌بینی بودن را به کاربر منتقل کند. برای مثال، رباتی که در محیط بیمارستان است باید ظاهری حرفه‌ای و فاقد تزئینات غیرضروری داشته باشد تا انتظار حرفه‌ای بودن را تقویت کند.

2. کالیبراسیون انتظارات از طریق آموزش و ارتباطات روشن

شفافیت در مورد محدودیت‌ها (Limitations) به اندازه برجسته کردن قابلیت‌ها مهم است. در هنگام راه‌اندازی یک سیستم رباتیک پیچیده، باید یک دوره آموزش مبتنی بر سناریو (Scenario-Based Training) فراهم شود که در آن، کاربران دقیقاً مشاهده کنند ربات در چه شرایطی ممکن است شکست بخورد یا در چه موقعیت‌هایی رفتار متفاوتی از خود نشان دهد. استفاده از نماینده‌های مجازی (Virtual Proxies) یا شبیه‌سازی‌های تعاملی برای نمایش مرزهای عملکردی ربات، ابزاری قدرتمند برای ایجاد انتظارات واقع‌بینانه است.

3. تطبیق‌پذیری مبتنی بر یادگیری (Adaptability through Learning)

با این حال، تکیه صرف بر تنظیم انتظارات اولیه کافی نیست، زیرا انتظارات با هر تعامل تکامل می‌یابند. ربات‌های پیشرفته باید مجهز به مکانیزم‌های یادگیری تقویتی اجتماعی (Social Reinforcement Learning) باشند که به آن‌ها اجازه دهد مدل ذهنی کاربر را در طول زمان مدل‌سازی و با آن تطبیق (Adapt) دهند. اگر کاربری به طور مداوم به یک ربات با دستورات شفاهی غیررسمی فرمان می‌دهد، ربات باید انتظار آن کاربر را به سمت پذیرش دستورات غیررسمی کج کند، به شرط آنکه این تغییر در چارچوب ایمنی باقی بماند. این فرآیند شخصی‌سازی (Personalization) اعتماد را تعمیق می‌بخشد زیرا کاربر احساس می‌کند که ربات در حال “یادگیری” نحوه کار کردن با او است، نه فقط انجام وظایف به صورت عمومی.

نتیجه‌گیری: انتظار به مثابه پل بین فناوری و پذیرش انسانی

در نهایت، انتظار (Expectancy) از یک مفهوم صرفاً روانشناختی فراتر رفته و به یک معیار مهندسی کلیدی (Key Engineering Metric) در طراحی سیستم‌های رباتیک مدرن تبدیل شده است. ارزیابی یک ربات تنها زمانی جامع تلقی می‌شود که نه تنها عملکرد عینی (Objective Performance) آن، بلکه توانایی آن در مدیریت و همسویی با مدل‌های ذهنی و انتظارات کاربران نیز سنجیده شود. موفقیت رباتیک در گرو ایجاد سیستم‌هایی است که نه تنها شایسته اعتماد باشند، بلکه رفتاری قابل پیش‌بینی از خود نشان دهند که این اعتماد را به طور مستمر تغذیه کند. شکست در درک و مدیریت شکاف انتظار-عملکرد، می‌تواند منجر به دلسردی کاربران، کاهش بهره‌وری و در نهایت، شکست استقرار ربات‌ها در تعاملات حیاتی انسان-ماشین شود. بنابراین، آینده رباتیک انسان‌محور (Human-Centered Robotics) به طور جدایی‌ناپذیری با توانایی ما در ساختن سیستم‌هایی پیوند خورده است که می‌توانند به طور مداوم، انتظارات منطقی و مبتنی بر زمینه ما را برآورده سازند یا به طور هوشمندانه آن‌ها را مدیریت کنند.