L’impact de la transparence algorithmique sur l’expérience utilisateur et les réponses physiologiques

Contexte académique

Avec le développement rapide des technologies de l’informatique affective, les systèmes d’adaptation de tâches sensibles aux émotions (Affect-aware Task Adaptation) sont devenus un domaine de recherche clé. Ces systèmes identifient l’état psychologique des utilisateurs à travers diverses mesures (comme les signaux physiologiques, les expressions faciales, etc.) et ajustent en conséquence les tâches informatiques pour optimiser l’expérience utilisateur. Par exemple, le système peut ajuster dynamiquement la difficulté d’un jeu en fonction des émotions de l’utilisateur ou modifier la complexité des tâches en fonction de leur charge cognitive. Bien que des études aient montré que l’amélioration de la précision de la reconnaissance des états psychologiques et de l’adaptation des tâches peut améliorer considérablement l’expérience utilisateur, l’impact de la transparence algorithmique (Algorithmic Transparency) sur cette expérience n’a pas encore été suffisamment étudié. La transparence algorithmique fait référence au degré de compréhension par l’utilisateur du processus décisionnel du système. Une transparence élevée pourrait rendre les utilisateurs plus tolérants aux erreurs du système, voire les inciter à ajuster leur propre comportement pour compenser les erreurs systématiques. Cependant, cette théorie n’a pas encore été validée expérimentalement dans le domaine de l’informatique affective.

Pour combler cette lacune, une équipe de recherche de l’Université de Cincinnati et de l’Université du Wyoming a conçu une étude visant à explorer l’impact de la transparence algorithmique sur l’expérience utilisateur et les réponses physiologiques. Cette étude s’intéresse non seulement à l’expérience subjective des utilisateurs (comme l’intérêt, la pression et la perception de compétence), mais aussi à leurs réponses objectives mesurées à travers des indicateurs physiologiques (comme la fréquence respiratoire, la conductance cutanée et le rythme cardiaque).

Source de l’article

Cette recherche a été réalisée par Mohammad Sohorab Hossain, Joshua D. Clapp et Vesna D. Novak, et publiée en 2025 dans la revue IEEE Transactions on Affective Computing. L’étude a bénéficié du soutien de la National Science Foundation (Fondation nationale pour la science).

Processus de recherche et résultats

1. Conception de l’étude

L’équipe de recherche a développé un système d’adaptation de tâches sensibles aux émotions avec quatre niveaux de transparence algorithmique : aucune transparence (None), faible transparence (Low), moyenne transparence (Medium) et haute transparence (High). Au total, 93 étudiants et membres du personnel de l’Université de Cincinnati ont participé à l’expérience. Les participants ont été répartis aléatoirement dans les groupes de faible, moyenne ou haute transparence, avec 31 personnes par groupe.

L’expérience se déroulait en deux phases : - Première phase : Tous les participants commençaient par effectuer une adaptation de tâches pendant 16 minutes sans transparence. - Deuxième phase : Les participants expérimentaient ensuite l’adaptation des tâches dans des conditions de faible, moyenne ou haute transparence, également pendant 16 minutes.

2. Conception des tâches et de la transparence

L’étude a utilisé OpenMATB (une implémentation open source de la batterie de tâches multi-attributs de la NASA) comme tâche expérimentale. Les tâches incluaient trois sous-tâches : surveillance du système, suivi et communication. La difficulté des tâches était divisée en 10 niveaux, et le système ajustait dynamiquement la difficulté en fonction des réponses physiologiques des utilisateurs (fréquence respiratoire). Cependant, pour contrôler les conditions expérimentales, le système n’ajustait pas réellement la difficulté en fonction des signaux physiologiques, mais suivait des règles prédéfinies pour simuler une précision d’adaptation de 66,7 %.

Les quatre niveaux de transparence étaient conçus comme suit : - Aucune transparence : L’utilisateur ne comprenait pas comment le système ajustait la difficulté. - Faible transparence : Le système affichait la demande de l’utilisateur concernant la difficulté ainsi que le résultat réel de l’ajustement. - Moyenne transparence : Le système affichait non seulement le résultat de l’ajustement, mais expliquait également la raison de celui-ci (par exemple, “La fréquence respiratoire est basse, donc la difficulté augmente”). - Haute transparence : Le système fournissait des explications détaillées sur la raison de l’ajustement ainsi que les valeurs spécifiques de la fréquence respiratoire.

3. Collecte et analyse des données

À la fin de chaque phase, les participants remplissaient l’Inventaire de Motivation Intrinsèque (Intrinsic Motivation Inventory, IMI) et l’Indice de Charge de Travail NASA (Task Load Index, TLX) pour évaluer leur expérience subjective. De plus, l’équipe de recherche enregistrait les données physiologiques des participants, y compris la fréquence respiratoire, la conductance cutanée et le rythme cardiaque.

L’analyse des données utilisait une analyse de variance mixte 3 (groupe de transparence) × 2 (phase d’essai) (ANOVA) pour évaluer l’impact de la transparence sur l’expérience utilisateur et les réponses physiologiques.

4. Résultats principaux

Expérience subjective

• Intérêt/plaisir et perception de compétence étaient significativement plus élevés dans les groupes de transparence moyenne et élevée que dans le groupe de faible transparence. Cela indique que fournir des informations sur la transparence algorithmique peut améliorer considérablement l’expérience subjective des utilisateurs.
• Score TLX de la NASA et effort/importance ne présentaient pas de différences significatives entre les différents groupes de transparence, ce qui montre que la transparence a un impact limité sur la perception de la charge de travail.

Réponses physiologiques

• Plusieurs indicateurs physiologiques (comme la fréquence respiratoire et le rythme cardiaque) diminuaient significativement lors de la deuxième phase, probablement en raison de l’augmentation de la familiarité des utilisateurs avec les tâches.
• L’impact à long terme des niveaux de transparence sur les réponses physiologiques n’était pas significatif, ce qui montre que la contribution de la transparence à l’état mental global des utilisateurs est relativement faible.

Réponses respiratoires et ajustements erronés

L’étude a révélé que lorsque le système ajustait incorrectement la difficulté, les changements de fréquence respiratoire étaient significativement plus importants dans le groupe de haute transparence que dans celui de faible transparence. Cela pourrait indiquer que les utilisateurs, après avoir compris les erreurs du système, tentaient d’ajuster leur respiration pour influencer les décisions du système.

Conclusion et signification

L’étude montre que la transparence algorithmique peut améliorer considérablement l’expérience subjective des utilisateurs, notamment en termes d’intérêt/plaisir et de perception de compétence. Bien que l’impact de la transparence sur les réponses physiologiques à long terme soit limité, elle pourrait provoquer des comportements de compensation active des utilisateurs dans des situations spécifiques (comme en cas d’erreurs du système). Cette découverte offre des enseignements importants pour la conception des systèmes d’informatique affective : en fournissant des informations simples sur la transparence, les développeurs peuvent améliorer considérablement l’expérience utilisateur sans nécessiter de modifications majeures du matériel ou du logiciel.

Points forts de la recherche

1. Combler une lacune de recherche : Première étude systématique sur l’impact de la transparence algorithmique sur l’expérience utilisateur dans les systèmes d’adaptation de tâches sensibles aux émotions.
2. Évaluation multidimensionnelle : Combinaison de données sur l’expérience subjective et les réponses physiologiques pour évaluer de manière complète l’impact de la transparence.
3. Valeur pratique : Les résultats montrent que fournir des informations sur la transparence est une stratégie de conception peu coûteuse mais très efficace, applicable dans divers domaines tels que les jeux éducatifs et l’automatisation adaptative.

Directions futures de recherche

L’équipe de recherche recommande que les futures recherches puissent optimiser davantage la conception expérimentale, par exemple : - Recueillir les évaluations des utilisateurs immédiatement après chaque phase pour réduire les biais liés à la mémoire. - Concevoir des scénarios expérimentaux plus motivants pour encourager les utilisateurs à compenser activement les erreurs du système. - Augmenter la fréquence et la prévisibilité des ajustements de difficulté afin que les utilisateurs puissent mieux identifier et compenser les erreurs du système.

Cette étude jette les bases de la recherche sur la transparence algorithmique dans le domaine de l’informatique affective et fournit une référence importante pour la conception future des systèmes.