{"id":4415,"date":"2025-12-17T15:12:47","date_gmt":"2025-12-17T18:12:47","guid":{"rendered":"https:\/\/bittarneurociencia.com.br\/?p=4415"},"modified":"2025-12-18T10:31:25","modified_gmt":"2025-12-18T13:31:25","slug":"sobrecarga-cognitiva","status":"publish","type":"post","link":"https:\/\/bittarneurociencia.com.br\/es\/sobrecarga-cognitiva\/","title":{"rendered":"Sobrecarga cognitiva: como prever com intelig\u00eancia artificial, rastreamento ocular e neuroimagem"},"content":{"rendered":"\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\n

<\/p>\n\n\n\n

Duas pessoas trabalham lado a lado para criar ideias. Trocam argumentos, observam uma tela, pensam, discordam e refinam propostas. Nesse processo de colabora\u00e7\u00e3o intensa<\/mark><\/strong>, os olhos seguem padr\u00f5es complexos, as pupilas se dilatam e regi\u00f5es espec\u00edficas do c\u00e9rebro entram em atividade \u2014 sinais de um esfor\u00e7o que pode evoluir para a sobrecarga cognitiva<\/mark>. <\/strong>Agora imagine que, simultaneamente, sensores captam todos esses sinais e um algoritmo tenta prever, em tempo real, se essas pessoas est\u00e3o mentalmente sobrecarregadas. Ambicioso? Sim. Imposs\u00edvel? Pesquisadores de Singapura e da China mostraram que n\u00e3o.<\/p>\n\n\n\n

Publicado em junho de 2025 na revista Machine Learning and Knowledge Extraction<\/em>, o estudo mostra que a integra\u00e7\u00e3o de dados neurofisiol\u00f3gicos com modelos de aprendizado de m\u00e1quina pode prever, com alta precis\u00e3o, a carga cognitiva de indiv\u00edduos durante tarefas colaborativas. Para isso, a pesquisa combinou espectroscopia funcional no infravermelho pr\u00f3ximo (fNIRS)<\/mark><\/strong> e rastreamento ocular (eye-tracking)<\/mark><\/strong>, permitindo identificar se um participante estava sob alta ou baixa demanda mental ao interagir com outra pessoa.<\/p>\n\n\n\n

<\/p>\n\n\n\n

A sobrecarga mental nas intera\u00e7\u00f5es em grupo<\/h2>\n\n\n\n

A carga cognitiva, no contexto da aprendizagem, representa o esfor\u00e7o mental exigido para processar e integrar informa\u00e7\u00f5es. De acordo com a Teoria da Carga Cognitiva<\/strong><\/a>,<\/strong> aprender se torna ineficiente quando as exig\u00eancias superam a capacidade da mem\u00f3ria de trabalho. Em situa\u00e7\u00f5es colaborativas, esse desafio se intensifica: al\u00e9m do conte\u00fado, o indiv\u00edduo precisa gerenciar a comunica\u00e7\u00e3o com o parceiro, coordenar decis\u00f5es e adaptar estrat\u00e9gias em tempo real. Quando a carga excede o limite, o aprendizado se compromete, por isso, ferramentas que ajudem a monitorar e ajustar essa carga t\u00eam enorme potencial educacional e organizacional.<\/strong><\/mark><\/p>\n\n\n\n

<\/p>\n\n\n\n

O experimento: olhar, pensar, interagir e medir tudo<\/h2>\n\n\n\n

O estudo contou com a participa\u00e7\u00e3o de 78 volunt\u00e1rios de \u00e1reas como engenharia, educa\u00e7\u00e3o e matem\u00e1tica. Organizados em duplas, eles realizaram tr\u00eas tarefas colaborativas de gera\u00e7\u00e3o de ideias para produtos do cotidiano, baseadas em cen\u00e1rios previamente definidos.<\/p>\n\n\n\n

Durante as atividades, seus olhos eram monitorados por \u00f3culos de rastreamento ocular, e sensores fNIRS captavam a atividade cerebral em regi\u00f5es associadas \u00e0 fun\u00e7\u00e3o executiva e \u00e0 cogni\u00e7\u00e3o social, como o c\u00f3rtex pr\u00e9-frontal (CPF) e a jun\u00e7\u00e3o temporoparietal direita (JTPd). O fNIRS<\/strong><\/a> \u00e9 um dos equipamentos utilizados pela Bittar Neuroci\u00eancia<\/mark><\/strong> em seus estudos aplicados, refor\u00e7ando a converg\u00eancia entre a metodologia apresentada no artigo e as pr\u00e1ticas do laborat\u00f3rio. Ap\u00f3s cada tarefa, os participantes tamb\u00e9m respondiam a question\u00e1rios subjetivos sobre sua percep\u00e7\u00e3o de esfor\u00e7o.<\/p>\n\n\n\n

Os dados resultantes de 188 sess\u00f5es colaborativas passaram por um rigoroso pr\u00e9-processamento e extra\u00e7\u00e3o de caracter\u00edsticas. As vari\u00e1veis analisadas inclu\u00edam m\u00e9tricas como a dura\u00e7\u00e3o total das fixa\u00e7\u00f5es visuais; o tempo at\u00e9 a primeira fixa\u00e7\u00e3o; o di\u00e2metro m\u00e9dio da pupila e os n\u00edveis de oxigena\u00e7\u00e3o sangu\u00ednea no c\u00e9rebro, um indicador indireto de ativa\u00e7\u00e3o neural. As pontua\u00e7\u00f5es dos question\u00e1rios foram usadas para classificar os participantes em dois grupos: alta e baixa carga cognitiva.<\/p>\n\n\n\n

<\/p>\n\n\n\n

A for\u00e7a da intelig\u00eancia artificial para entender a mente<\/h2>\n\n\n\n

Com o conjunto de dados estruturado, os pesquisadores testaram sete modelos de machine learning: regress\u00e3o log\u00edstica, \u00e1rvore de decis\u00e3o, Naive Bayes, m\u00e1quina de vetores de suporte (SVM), rede neural MLP, XGBoost e Random Forest. Este \u00faltimo foi o grande destaque, alcan\u00e7ando um F1 score de 0,88, um valor que combina precis\u00e3o e sensibilidade. <\/p>\n\n\n\n

Os modelos tamb\u00e9m foram avaliados com dados unimodais (apenas fNIRS ou apenas rastreamento ocular), e os resultados mostraram uma clara vantagem para a abordagem multimodal<\/mark><\/strong>: a combina\u00e7\u00e3o dos dois conjuntos de dados permitiu uma melhoria de at\u00e9 19% na performance preditiva em compara\u00e7\u00e3o ao uso isolado do fNIRS.<\/p>\n\n\n\n

Os tr\u00eas preditores mais relevantes identificados foram: \u201cdura\u00e7\u00e3o total de fixa\u00e7\u00f5es\u201d, \u201cgrau m\u00e9dio entre fixa\u00e7\u00f5es\u201d (um indicador do padr\u00e3o de varredura visual) e a atividade no c\u00f3rtex pr\u00e9-frontal. Isso significa que participantes sob alta carga cognitiva tendem a fixar o olhar por mais tempo, a realizar movimentos oculares mais amplos e a apresentar maior ativa\u00e7\u00e3o cerebral nas regi\u00f5es associadas \u00e0 mem\u00f3ria de trabalho e ao controle de aten\u00e7\u00e3o.<\/p>\n\n\n\n

A jun\u00e7\u00e3o temporoparietal direita tamb\u00e9m se mostrou significativa. Por estar associada \u00e0 empatia e \u00e0 compreens\u00e3o da perspectiva do outro, sua ativa\u00e7\u00e3o refor\u00e7a a ideia de que o esfor\u00e7o cognitivo em tarefas colaborativas envolve componentes sociais, e n\u00e3o apenas processos individuais.<\/p>\n\n\n\n

A an\u00e1lise dos modelos tamb\u00e9m revelou uma nuance importante: nem todos se beneficiaram igualmente da integra\u00e7\u00e3o multimodal. Enquanto Random Forest e SVM apresentaram ganhos claros com os dados combinados, modelos mais simples, como a regress\u00e3o log\u00edstica, tiveram desempenho superior com um \u00fanico tipo de dado, provavelmente por causa do risco de sobre ajuste (overfitting) em amostras pequenas. Isso refor\u00e7a a ideia de que a escolha do modelo certo \u00e9 t\u00e3o importante quanto a qualidade dos dados utilizados.<\/strong><\/mark><\/p>\n\n\n\n

<\/p>\n\n\n\n

Pensar junto \u00e9 mais do que somar esfor\u00e7os<\/h2>\n\n\n\n
\"\"<\/figure>\n\n\n\n

<\/p>\n\n\n\n

As implica\u00e7\u00f5es dessa pesquisa s\u00e3o significativas. No campo educacional, os resultados podem servir de base para o desenvolvimento de sistemas adaptativos<\/mark><\/strong> que ajustam, em tempo real, a complexidade das tarefas com base na carga cognitiva do estudante. Tais sistemas poderiam, por exemplo, pausar conte\u00fados, oferecer apoio adicional ou reorganizar grupos colaborativos conforme o estado mental dos usu\u00e1rios.<\/p>\n\n\n\n

Em ambientes corporativos, tecnologias semelhantes poderiam otimizar din\u00e2micas de equipe<\/mark><\/strong> e prevenir a fadiga cognitiva<\/strong><\/mark> em situa\u00e7\u00f5es de alta demanda, como opera\u00e7\u00f5es que exijam maior controle ou treinamentos t\u00e9cnicos.<\/p>\n\n\n\n

O estudo representa um passo importante rumo a um futuro em que tecnologias educacionais e cognitivas sejam mais sens\u00edveis, inteligentes e personalizadas. Essa discuss\u00e3o dialoga diretamente com as pesquisas e aplica\u00e7\u00f5es desenvolvidas pela Bittar Neuroci\u00eancia<\/mark><\/a><\/strong>, que investiga como dados neurofisiol\u00f3gicos, comportamento visual e intelig\u00eancia artificial podem ser integrados para compreender o esfor\u00e7o cognitivo em contextos reais de aprendizagem e trabalho. <\/p>\n\n\n\n

Abordagens como as apresentadas no estudo refor\u00e7am a import\u00e2ncia de laborat\u00f3rios e centros de pesquisa<\/strong><\/mark> que unem neuroci\u00eancia aplicada e tecnologia para transformar evid\u00eancias cient\u00edficas em solu\u00e7\u00f5es pr\u00e1ticas. Detectar de forma precisa e n\u00e3o invasiva quando algu\u00e9m est\u00e1 mentalmente sobrecarregado \u2014 e adaptar o ambiente de aprendizagem a esse estado \u2014 \u00e9 um passo promissor para a educa\u00e7\u00e3o do s\u00e9culo XXI.<\/p>\n\n\n\n

Como concluem os autores, entender o esfor\u00e7o cognitivo<\/mark><\/strong> de quem aprende em colabora\u00e7\u00e3o n\u00e3o \u00e9 apenas uma quest\u00e3o de medir c\u00e9rebros ou mapear olhares. \u00c9 sobre reconhecer que pensar junto exige esfor\u00e7o conjunto e que, com as ferramentas certas, \u00e9 poss\u00edvel apoiar esse processo de maneira mais humana e eficaz.<\/p>\n\n\n\n

O artigo intitulado \u201cMachine Learning Models to Predict Individual Cognitive Load in Collaborative Learning: Combining fNIRS and Eye-Tracking Data.<\/a>\u201d \u00c9 de autoria de Wenli Chen, Zirou Lin, Lishan Zheng, Mei-Yee Mavis Ho, Farhan Ali e Wei Peng Teo.<\/p>\n\n\n\n

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

Duas pessoas trabalham lado a lado para criar ideias. Trocam argumentos, observam uma tela, pensam, discordam e refinam propostas. Nesse processo de colabora\u00e7\u00e3o intensa, os olhos seguem padr\u00f5es complexos, as pupilas se dilatam e regi\u00f5es espec\u00edficas do c\u00e9rebro entram em atividade \u2014 sinais de um esfor\u00e7o que pode evoluir para a sobrecarga cognitiva. Agora imagine […]<\/p>\n","protected":false},"author":11,"featured_media":4416,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"footnotes":""},"categories":[1],"tags":[103,25,24,104,39],"_links":{"self":[{"href":"https:\/\/bittarneurociencia.com.br\/es\/wp-json\/wp\/v2\/posts\/4415"}],"collection":[{"href":"https:\/\/bittarneurociencia.com.br\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/bittarneurociencia.com.br\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/bittarneurociencia.com.br\/es\/wp-json\/wp\/v2\/users\/11"}],"replies":[{"embeddable":true,"href":"https:\/\/bittarneurociencia.com.br\/es\/wp-json\/wp\/v2\/comments?post=4415"}],"version-history":[{"count":12,"href":"https:\/\/bittarneurociencia.com.br\/es\/wp-json\/wp\/v2\/posts\/4415\/revisions"}],"predecessor-version":[{"id":4443,"href":"https:\/\/bittarneurociencia.com.br\/es\/wp-json\/wp\/v2\/posts\/4415\/revisions\/4443"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/bittarneurociencia.com.br\/es\/wp-json\/wp\/v2\/media\/4416"}],"wp:attachment":[{"href":"https:\/\/bittarneurociencia.com.br\/es\/wp-json\/wp\/v2\/media?parent=4415"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/bittarneurociencia.com.br\/es\/wp-json\/wp\/v2\/categories?post=4415"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/bittarneurociencia.com.br\/es\/wp-json\/wp\/v2\/tags?post=4415"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}