{"id":4333,"date":"2025-09-01T13:53:38","date_gmt":"2025-09-01T16:53:38","guid":{"rendered":"https:\/\/www.bittarneurociencia.com.br\/?p=4333"},"modified":"2025-09-01T13:53:52","modified_gmt":"2025-09-01T16:53:52","slug":"seu-cerebro-ja-decidiu-por-voce","status":"publish","type":"post","link":"https:\/\/bittarneurociencia.com.br\/en\/seu-cerebro-ja-decidiu-por-voce\/","title":{"rendered":"Seu c\u00e9rebro j\u00e1 decidiu por voc\u00ea"},"content":{"rendered":"\n

Sinais cerebrais e rastreamento ocular preveem decis\u00f5es de compra<\/strong> <\/h3>\n\n\n\n

Imagine entrar em um supermercado e, antes mesmo de perceber, seu c\u00e9rebro j\u00e1 ter decidido qual produto voc\u00ea vai comprar. Essa n\u00e3o \u00e9 uma cena de fic\u00e7\u00e3o cient\u00edfica, mas um cen\u00e1rio real que pesquisadores est\u00e3o desvendando com a ajuda de tecnologias como eletroencefalograma (EEG), rastreamento ocular e intelig\u00eancia artificial. Um estudo recente prop\u00f5e um modelo inovador capaz de prever decis\u00f5es de compra com impressionantes 84% de acur\u00e1cia, apenas analisando como nossos olhos se movem e como nosso c\u00e9rebro reage diante de produtos.  <\/p>\n\n\n\n

Publicado em janeiro de 2025 na revista Frontiers in Computational Neuroscience<\/em>, o artigo, assinado por pesquisadores de universidades do Paquist\u00e3o, Noruega e Ar\u00e1bia Saudita, une duas ferramentas poderosas: o EEG, que capta a atividade el\u00e9trica do c\u00e9rebro, e o rastreamento ocular (eye tracking<\/em>), que registra para onde e por quanto tempo olhamos em uma tela. Ao cruzar essas fontes de dados, o modelo conseguiu identificar com alta precis\u00e3o quais produtos um consumidor estava mais propenso a escolher. <\/p>\n\n\n\n

A pesquisa representa um avan\u00e7o importante no campo do neuromarketing, \u00e1rea que busca compreender o comportamento do consumidor com base em rea\u00e7\u00f5es fisiol\u00f3gicas, indo al\u00e9m do que as pessoas verbalizam em entrevistas ou question\u00e1rios. Muitas vezes, os consumidores n\u00e3o conseguem expressar exatamente porque escolhem um produto, e os motivos reais podem estar abaixo do limiar da consci\u00eancia. \u00c9 a\u00ed que a ci\u00eancia entra para revelar o que o marketing tradicional n\u00e3o consegue acessar. <\/p>\n\n\n\n

Como prever uma escolha?<\/strong> <\/h3>\n\n\n\n

Para testar a nova abordagem, os autores usaram o NeuMa Dataset<\/em>, um banco de dados com registros de 42 participantes, todos falantes de grego, que analisaram produtos de supermercado em uma vitrine digital. Ao todo, foram apresentados 144 produtos, organizados em seis p\u00e1ginas digitais com 24 itens cada. Durante a tarefa, os participantes usavam sensores de EEG e um dispositivo de rastreamento ocular enquanto observavam os produtos na tela e selecionavam aqueles que comprariam com um clique de mouse. <\/p>\n\n\n\n

Essas intera\u00e7\u00f5es produziram milhares de amostras de dados cerebrais e visuais. O desafio inicial foi limpar esses dados, j\u00e1 que os sinais s\u00e3o altamente suscet\u00edveis a ru\u00eddos causados por movimentos musculares, piscadas, interfer\u00eancias el\u00e9tricas e outros fatores. Para contornar isso, os pesquisadores aplicaram filtros espec\u00edficos capazes de preservar a qualidade original do sinal enquanto remove interfer\u00eancias. <\/p>\n\n\n\n

Nos dados de rastreamento ocular, os pesquisadores preencheram as falhas causadas por piscadas ou perda de sinal usando uma t\u00e9cnica chamada interpola\u00e7\u00e3o linear. Depois, dividiram o tempo em pequenos trechos que se sobrep\u00f5em, o que ajudou a manter as informa\u00e7\u00f5es cont\u00ednuas e mais detalhadas ao longo do tempo.  <\/p>\n\n\n\n

Da onda cerebral ao clique do consumidor<\/strong> <\/h3>\n\n\n\n

Ap\u00f3s o pr\u00e9-processamento, os cientistas avan\u00e7aram para a etapa de extra\u00e7\u00e3o de caracter\u00edsticas, respons\u00e1vel por traduzir os sinais brutos em informa\u00e7\u00f5es interpret\u00e1veis. Parte dessas caracter\u00edsticas foi obtida manualmente (como m\u00e9dia, desvio padr\u00e3o, assimetria e curtose das ondas cerebrais, densidade espectral de pot\u00eancia e coeficientes de wavelet<\/em>). Outra parte foi extra\u00edda de forma automatizada por meio de redes neurais profundas. <\/p>\n\n\n\n

Para os sinais cerebrais, usou-se um modelo CNN-LSTM: combina\u00e7\u00e3o de redes convolucionais, que capturam padr\u00f5es espaciais, e redes recorrentes, que identificam padr\u00f5es temporais. J\u00e1 os dados oculares foram analisados por meio do modelo LeNet-5, tradicionalmente usado para reconhecer padr\u00f5es em imagens. Assim, o sistema conseguia representar tanto o \u201ccomo\u201d quanto o \u201cquando\u201d da aten\u00e7\u00e3o visual e da resposta cerebral de cada pessoa. <\/p>\n\n\n\n

As informa\u00e7\u00f5es extra\u00eddas de cada modalidade foram combinadas em um \u00fanico vetor de caracter\u00edsticas, posteriormente processado por um sistema de aprendizado de m\u00e1quina chamado stacking ensemble<\/em>, que combina os resultados de tr\u00eas classificadores, Random Forest,<\/em> Gradient Boosting<\/em> e XGBoost<\/em>, e faz a decis\u00e3o final com base na vota\u00e7\u00e3o de um quarto modelo, tamb\u00e9m Random Forest<\/em>. Essa abordagem busca aproveitar os pontos fortes de cada algoritmo para melhorar o desempenho global. <\/p>\n\n\n\n

Resultados acima das expectativas<\/strong> <\/h3>\n\n\n\n

O modelo final atingiu 84% de acur\u00e1cia e 83% de precis\u00e3o. Esses valores superam de forma significativa os obtidos por modelos baseados apenas em EEG ou apenas em rastreamento ocular. A curva ROC, m\u00e9trica utilizada para medir a capacidade de discrimina\u00e7\u00e3o do modelo, alcan\u00e7ou \u00e1rea sob a curva (AUC) de 0,89, demonstrando sua efic\u00e1cia em distinguir entre os casos de \u201ccomprar\u201d e \u201cn\u00e3o comprar\u201d.  <\/p>\n\n\n\n

Em conjunto, esses resultados mostram que a integra\u00e7\u00e3o de EEG e eye-tracking<\/em>, aliada a redes neurais e t\u00e9cnicas modernas de classifica\u00e7\u00e3o, pode oferecer uma vis\u00e3o mais completa e mais previs\u00edvel do comportamento de consumo.  <\/p>\n\n\n\n

O marketing do amanh\u00e3<\/strong> <\/h3>\n\n\n\n

Os autores veem um grande potencial de aplica\u00e7\u00e3o dessa metodologia no futuro. Ela pode ser adaptada para avaliar rea\u00e7\u00f5es a campanhas publicit\u00e1rias, prot\u00f3tipos de produtos, interfaces digitais e at\u00e9 conte\u00fados educacionais ou pol\u00edticos, al\u00e9m de ser integrada a dispositivos de realidade virtual ou aumentada para experi\u00eancias ainda mais imersivas. <\/p>\n\n\n\n

O estudo mostra que nossas decis\u00f5es de compra envolvem muito mais do que gostos conscientes ou argumentos racionais. Nossos olhos e nosso c\u00e9rebro reagem em milissegundos a formas, cores, marcas e associa\u00e7\u00f5es emocionais \u2014 respostas que podem ser medidas, interpretadas e usadas para prever comportamentos futuros. <\/p>\n\n\n\n

Descobertas como essas podem inaugurar uma nova gera\u00e7\u00e3o de estrat\u00e9gias de consumo mais personalizadas, eficazes e respeitosas. Talvez, em breve, ao navegar por uma loja virtual, voc\u00ea descubra que as sugest\u00f5es de produtos n\u00e3o foram escolhidas por voc\u00ea, mas sim pelo seu pr\u00f3prio c\u00e9rebro.  <\/p>\n\n\n\n

Essas conclus\u00f5es v\u00eam do artigo\u00a0\u201cMultimodal consumer choice prediction using EEG signals and eye tracking<\/a>.<\/em>\u201d \u00e9 de autoria de Syed Muhammad Usman, Shehzad Khalid, Aimen Tanveer, Ali Shariq Imran e Muhammad Zubair.\u202f\u00a0<\/p>\n\n\n\n

<\/p>\n","protected":false},"excerpt":{"rendered":"

Pesquisa mostra como prever as decis\u00f5es de compra do c\u00e9rebro de consumidores por meio de an\u00e1lises com eletroencefalograma (EEG), rastreamento ocular e intelig\u00eancia artificial.<\/p>\n","protected":false},"author":7,"featured_media":4335,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"footnotes":""},"categories":[1],"tags":[],"_links":{"self":[{"href":"https:\/\/bittarneurociencia.com.br\/en\/wp-json\/wp\/v2\/posts\/4333"}],"collection":[{"href":"https:\/\/bittarneurociencia.com.br\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/bittarneurociencia.com.br\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/bittarneurociencia.com.br\/en\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/bittarneurociencia.com.br\/en\/wp-json\/wp\/v2\/comments?post=4333"}],"version-history":[{"count":3,"href":"https:\/\/bittarneurociencia.com.br\/en\/wp-json\/wp\/v2\/posts\/4333\/revisions"}],"predecessor-version":[{"id":4339,"href":"https:\/\/bittarneurociencia.com.br\/en\/wp-json\/wp\/v2\/posts\/4333\/revisions\/4339"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/bittarneurociencia.com.br\/en\/wp-json\/wp\/v2\/media\/4335"}],"wp:attachment":[{"href":"https:\/\/bittarneurociencia.com.br\/en\/wp-json\/wp\/v2\/media?parent=4333"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/bittarneurociencia.com.br\/en\/wp-json\/wp\/v2\/categories?post=4333"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/bittarneurociencia.com.br\/en\/wp-json\/wp\/v2\/tags?post=4333"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}