Interfacce vocali. Usabilità dei risponditori automatici (IVR)

Ilaria Salvalaggio

“Il servizio clienti Acme ti dà il benvenuto. Per attivare l’offerta Coyote premere 1. Per ricevere assistenza sull’offerta Runner premere 2…”.

Un risponditore automatico (o interactive voice response – IVR) è un sistema che permette alle persone di interagire con un computer attraverso la voce, solitamente usando il telefono o applicazioni specifiche. Gli IVR si basano su due meccanismi principali:

• il riconoscimento vocale (speech-to-text), attraverso cui il software riconosce ciò che viene detto e lo converte in testo
• la sintesi vocale (text-to-speech), attraverso cui il software converte un contenuto testuale in voce.

L’utente chiama un numero telefonico; una voce sintetizzata elenca una serie di opzioni tra cui scegliere per continuare la navigazione; compiuta la scelta (attraverso il tastierino telefonico o la voce), il sistema può leggere un testo (proveniente dai sistemi gestionali dell’azienda) o richiedere all’utente di dire qualcosa. Gli IVR sono usati anche per fare chiamate verso l’utente, ad esempio per la conferma di appuntamenti, per questionari di gradimento ecc.

La voce come interfaccia

La voce umana è la più naturale e la più antica delle interfacce, è il principale strumento di comunicazione di cui le persone dispongono naturalmente. Si è pensato quindi di poterla sfruttare per mettere in comunicazione essere umano e computer in modo più immediato e naturale. Anche se hanno poca dimestichezza con le interfacce vocali, le persone hanno certamente grande esperienza con il linguaggio parlato. Le persone parlano in modo più veloce di quanto non siano in grado di scrivere al computer; la conversazione telefonica offre quindi una buona alternativa all’input attraverso la tastiera. Il telefono e la voce sono strumenti familiari, richiedono uno sforzo fisico minimo e lasciano liberi occhi e mani.

Benché più naturale rispetto ad altre forme di interazione, l’interazione vocale con un computer ha molti rischi. Dal punto di vista tecnico, il riconoscimento vocale deve funzionare bene, per evitare che l’utente debba ripetere più volte un’affermazione o venga bloccato. Ma le insidie maggiori sono sul piano dell’usabilità: numero di scelte presentate e loro “alberatura”; chiarezza e comprensibilità dei messaggi; tolleranza dell’errore.

Quantità d’informazione: vista vs udito

La quantità di informazione che può essere veicolata attraverso il canale vocale è necessariamente limitata, a causa delle caratteristiche del mezzo. Bisogna evitare perciò di sottoporre testi lunghi e difficili, sia in input, quando il sistema ci chiede di effettuare un’azione; sia in output, come risposta alla nostra azione. A differenza di un testo scritto, un messaggio vocale non può essere riletto (tutt’al più, ma non sempre, lo si può riascoltare per intero).

Parlare e ascoltare sono due fasi di un’unica attività. Ma se il parlare è un’azione talmente usuale da non provocare alcun problema, la fase dell’ascolto può presentare invece diverse difficoltà sia per la comprensione sia per la memorizzazione di ciò che viene detto. Le capacità di ascolto e di memorizzazione sono limitate infatti a poche voci che possono essere facilmente dimenticate. Ascoltare è un compito faticoso: chi crea un’interfaccia deve tenere conto che estraniarsi dal mondo circostante e ascoltare attentamente tutte le parole pronunciate è molto difficile; viene richiesta una capacità di attenzione che non sempre l’utente può avere. Ascoltare e capire ciò che viene detto può diventare impossibile se vengono proposte troppe opzioni in un unico momento.

È necessario quindi che la parte di dialogo sintetizzata dal computer sia allo stesso tempo il più breve e il più informativa possibile. Il nostro fuoco dell’attenzione è unico: possiamo prestare attenzione soltanto a un item alla volta, non è possibile attivare un secondo fuoco dell’attenzione. Per questo motivo è necessario veicolare l’attenzione dell’utente su un singolo concetto alla volta. Si dovrebbe evitare quindi di sovraccaricare la memoria a breve termine richiedendo la memorizzazione di un numero elevato di opzioni o concetti.

Interazione vocale

Predittività

Le interfacce vocali dovrebbero essere strutturate in modo chiaro, tale da permettere agli utenti di capire ciò che il sistema offre già nelle prime fasi del suo utilizzo. In particolare, dopo le prime interazioni con l’interfaccia vocale, l’utente dovrebbe poterne inferire facilmente il funzionamento, replicare i pattern acquisiti e “giocare d’anticipo”. Ecco un esempio.

Non predittivo	Predittivo
Buongiorno in cosa posso aiutarti?	Buongiorno come posso aiutarti? Puoi prenotare un volo, fare il check-in, avere informazioni sui bagagli, sapere come ritirare i biglietti.

Feedback

Durante tutta la navigazione dev’essere fornito un feedback continuo sullo stato del sistema e sul grado di comprensione degli input, per far capire all’utente momento per momento che direzione sta prendendo la conversazione.

Il silenzio, ad esempio, è di difficile interpretazione poiché non offre nessun feedback. A volte il silenzio implica che il programma sta lavorando su ciò che è stato detto, altre volte che non ha colto l’input. È necessario quindi che, come in una normale interazione, ci sia sempre uno scambio reciproco tra l’utente e il sistema affinché ognuno dei due si renda conto della condizione dell’altro.

Libertà di movimento

La persona che interagisce con un’interfaccia vocale deve avere libertà di movimento perché la conversazione scorra velocemente. In altre parole, è il sistema che deve adattarsi alla persona e non viceversa. La persona deve quindi avere la possibilità di:

• saltare l’ascolto di informazioni o opzioni non desiderate, o la richiesta di informazioni già fornite
• interrompere il software in qualsiasi momento, sia quando ha capito il senso del messaggio prima ancora che questo sia terminato, sia quando qualcosa non è chiaro e ha bisogno che il messaggio venga ripetuto
• specificare le informazioni anche in modo parziale ma sufficiente affinché il software possa inferire da sé i dati di cui necessita; un dialogo in cui siano indispensabili continue ripetizioni e spiegazioni può risultare pesante, innaturale e portare facilmente alla frustrazione
• rettificare facilmente un proprio input, in modo da correggere immediatamente il comportamento del sistema.

Errori

Così come nelle normali conversazioni tra due persone, anche in quelle tra l’utente e il software possono verificarsi errori. Dato che il riconoscimento vocale è imperfetto, si va incontro a problemi di vario tipo, come ad esempio riconoscimenti sbagliati o parole non identificate. In qualsiasi caso l’impressione è quella che il sistema non stia lavorando come ci si aspetta.

Gli errori persistenti sono spesso segno di frasi fuori dal vocabolario; in questo caso deve essere richiesta la riformulazione della frase per poter proseguire. Per assicurare l’efficienza del design è necessario risolvere il problema muovendo direttamente verso un altro livello della navigazione per correggere l’input. Non è produttivo, invece, rimanere fermi senza procedere in alcuna direzione con output di richiesta da parte del software del tipo: “Scusi, non ho capito” arenando l’interazione su un percorso senza uscita.

Osservando la rapidità con cui il livello di frustrazione cresce quando ci si scontra con errori ripetitivi, si dovrebbe esplicitare un breve messaggio d’errore in un primo momento, ma se l’errore persiste deve essere offerta ulteriore assistenza in modo da dare la percezione che il sistema stia tentando di capire ciò che viene detto.

Aiuto

È necessario che il software sia programmato per poter fornire aiuto in qualsiasi momento: all’utente dovrà essere sempre consentito di impartire comandi come “ripeti”, “aiuto” o “indietro” in grado di bloccare il software, ottenere la ripetizione di un brano o accedere a strumenti di aiuto.

Le euristiche di Jakob Nielsen

Come si vede, alla fine, questi principi rispondono alle 10 euristiche per l’usabilità delle interfacce elaborate da Jakob Nielsen. Famose e citate soprattutto in ambito web, le euristiche sono valide in realtà per qualunque tipo di interfaccia, comprese quindi quelle vocali.

Linguaggio

Vocabolario di base

Nella scelta delle parole vanno preferiti vocaboli base, cioè quelle parole che hanno un’alta frequenza nel parlato. In questo modo si favorisce sia la comprensibilità da parte parte delle persone sia il riconoscimento da parte del sistema. Per l’italiano, ottimi strumenti in questo senso sono il Nuovo vocabolario di base della lingua italiana e il Lessico di frequenza dell’italiano parlato, e le opere da essi derivate.

Coerenza omnicanale

È bene inoltre che i termini usati dal sistema siano coerenti con quelli usati in altri canali della stessa azienda. Le persone si muovono oggi in uno scenario omnicanale: per portare a termine un obiettivo impiegano molto spesso molteplici canali. Quando una persona ricorre all’assistenza telefonica è perché qualcosa è andato storto negli altri canali. Chiamare quindi le cose nello stesso modo agevola l’interazione.

Va fatta quindi molta attenzione nell’uso dei sinonimi: due parole sembrano intercambiabili in un particolare contesto, ma in un altro possono generare equivoci. Anche a costo di ripetersi, quindi, meglio evitare sinonimi e chiamare gli oggetti sempre nello stesso modo.

Sintassi e punteggiatura

I testi scritti per i risponditori vocali sono fatti per essere ascoltati non letti: va quindi fatta estrema attenzione alla loro redazione, perché un errore può pregiudicare la comprensibilità del messaggio. Oltre al vocabolario, l’altro aspetto da sorvegliare è quello della della sintassi, che deve rispecchiare quella del parlato (e non dello scritto).

Un altro aspetto molto delicato è la punteggiatura, perché è lo strumento che permette di codificare la prosodia tipica del linguaggio parlato. È solo attraverso la punteggiatura che il redattore può fare in modo che la voce sintetizzata pronunci le frasi in modo corretto, con la giusta intonazione. Osservando i testi che vengono scritti per una navigazione vocale, la punteggiatura può apparire in un primo momento come incoerente o errata; ma a un’analisi più attenta si può notare che essa è utilizzata per rendere nello scritto la prosodia propria del parlato, per fare in modo cioè che i programmi di sintesi vocale possano produrre output il più possibile vicini alla lingua parlata normalmente.

Le massime conversazionali di Grice

Le massime conversazionali di Grice sono una serie di principi elaborati dal filosofo Paul Grice negli anni Settanta: ebbene queste massime sono un sintesi perfetta delle linee guida sulle interfacce vocali che abbiamo esplorato fin qui. Queste sono le massime di Grice.

• Quantità: non essere reticente o ridondante, fornisci solo la quantità di informazione richiesta dalla conversazione, né di più né di meno.
• Qualità: sii sincero, fornisci informazione veritiera secondo quanto sai.
• Relazione: sii pertinente, attieniti all’argomento della conversazione.
• Modo: evita l’ambiguità, adotta parole che ti permettano di non risultare ambiguo o oscuro.

Perché sia usabile, un’interfaccia vocale dovrebbe:

• essere informativa ma non troppo, offrire il giusto numero di informazioni
• essere “sincera”, ovvero non nascondere informazioni importanti, come ad esempio l’opzione Parla con un operatore
• offrire informazioni pertinenti, concise e ordinate
• essere chiara, evitare l’ambiguità, usare solo parole che l’interlocutore può capire.

Relativamente alla qualità/sincerità, è molto frequente che gli IVR del servizio clienti rendano volutamente labirintico il percorso per arrivare a parlare con una persona. L’obiettivo dell’azienda è scoraggiare il ricorso all’operatore perché gli operatori sono un costo per l’azienda, e possono smistare solo un numero limitato di chiamate alla volta. Ma per le persone questo è spesso l’unico modo per risolvere un problema. Così, obiettivo dell’azienda e obiettivo del cliente confliggono e il sistema non si comporta in modo trasparente. Il che ci riporta nuovamente a Grice, le cui massime poggiano tutte su un principio più generale: il principio della cooperazione.

Per approfondire

Toni Fontana, Architettura dell’informazione sonora