🧬 biology

Short-Term Affective Change in Immersive Installations: A Multimodal Analysis of EEG and PANAS

Questo studio ha rilevato che l'affettività auto-riportata al baseline (PANAS) ha fornito un predittore più stabile e coerente del cambiamento affettivo a breve termine nelle installazioni immersive rispetto agli indicatori derivati dall'EEG, suggerendo che le auto-valutazioni validate rimangono un riferimento pratico quando i dati fisiologici sono limitati o difficili da interpretare.

Autori originali: Yizhen Wang, Xiaowei Chen

Pubblicato 2026-08-20

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Yizhen Wang, Xiaowei Chen

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo

Le emozioni umane non sono istantanee statiche; sono correnti fluenti che cambiano e si gonfiano mentre ci muoviamo durante la giornata. Nel campo della scienza affettiva, i ricercatori cercano da tempo di capire come questi stati interni cambino, in particolare durante esperienze immersive come la realtà virtuale o le installazioni d'arte interattiva. Sebbene sia facile chiedere a qualcuno come si sente in questo momento, prevedere come una specifica esperienza altererà il suo umore dall'inizio alla fine è un rompicapo molto più difficile. Gli scienziati si sono rivolti all'attività cerebrale, misurata attraverso elettrodi posizionati sul cuoio capelluto, sperando di trovare una firma biologica che riveli questi cambiamenti emotivi prima ancora che la persona ne sia consapevole. La domanda centrale che guida questa linea di indagine è se questi segnali elettrici provenienti dal cervello possano dirci più sul viaggio emotivo di una persona di quanto la persona possa dire di se stessa.

Un team di ricercatori ha deciso di testare questa idea esaminando un gruppo di trenta persone che hanno partecipato a un'installazione artistica multisensoriale immersiva. Questo ambiente è stato progettato per essere coinvolgente e interattivo, permettendo ai partecipanti di muoversi e interagire liberamente, proprio come in un contesto del mondo reale piuttosto che in un laboratorio sterile. Prima di entrare nell'installazione, ogni persona ha completato un questionario standard chiedendo di valutare i propri sentimenti attuali, come ad esempio se si sentisse eccitato, agitato o attento. Inoltre, la loro attività cerebrale è stata registrata tramite un cappuccio di sensori. Dopo la sessione, hanno completato nuovamente lo stesso questionario. I ricercatori hanno poi calcolato la differenza tra i punteggi "prima" e "dopo" per vedere esattamente quanto fosse cambiato il umore positivo o negativo di ciascuna persona. Hanno anche analizzato i dati cerebrali raccolti prima della sessione per vedere se quei pattern neurali iniziali potessero predire l'entità del cambiamento emotivo che si sarebbe verificato.

I ricercatori hanno affrontato questo problema costruendo modelli informatici per predire i cambiamenti dell'umore. Hanno testato tre diversi tipi di informazioni per vedere quale funzionasse meglio. Il primo tipo si basava esclusivamente sui sentimenti auto-riferiti dal questionario. Il secondo tipo utilizzava solo i dati dell'attività cerebrale, guardando specificamente alla forza delle diverse onde cerebrali e all'equilibrio dell'attività tra i lati sinistro e destro del cervello. Il terzo tipo combinava le risposte al questionario con i dati cerebrali. Hanno utilizzato un metodo di apprendimento automatico (machine learning), che è un tipo di programma informatico capace di imparare a trovare schemi nei dati, per vedere se fosse in grado di indovinare con precisiono quanto sarebbe cambiato l'umore di una persona basandosi sul suo punto di partenza.

I risultati hanno offerto una risposta chiara e piuttosto sorprendente. I modelli che si affidavano solo ai dati cerebrali mostravano la prestazione meno stabile; non erano in grado di predire in modo affidabile se l'umore di una persona sarebbe migliorato o peggiorato. Infatti, per certi algoritmi, i modelli che utilizzavano solo i segnali cerebrali hanno prodotto valori di R² negativi nel set di test, indicando che hanno performato peggio di una semplice predizione di base. Quando i ricercatori hanno combinato i dati cerebrali con le risposte al questionario, i risultati non sono migliorati significativamente rispetto all'uso del solo questionario. Le predizioni più coerenti e accurate sono arrivate dai modelli che utilizzavano solo i sentimenti auto-riferiti. Nello specifico, il livello iniziale di disagio o agitazione di una persona era un forte indicatore di quanto il suo umore negativo sarebbe diminuito dopo l'esperienza. Se qualcuno aveva iniziato la sessione sentendosi molto agitato o turbato, l'installazione era più propensa ad aiutarlo a sentirsi più calmo dopo. Predire un aumento dei sentimenti positivi si è rivelato molto più difficile per tutti i metodi, ma gli auto-rapporti sono rimasti la guida più affidabile.

Questo reperimento suggerisce che, in ambienti complessi e reali, la descrizione che una persona dà del proprio stato emotivo è attualmente uno strumento più utile per comprendere la propria traiettoria emotiva rispetto a un riassunto delle proprie onde cerebrali. I dati cerebrali hanno mostrato modeste associazioni bivariate con i cambiamenti dell'umore, in particolare riguardo all'equilibrio dell'attività nelle parti frontali del cervello, ma questi segnali erano troppo deboli e rumorosi per essere utili da soli. I ricercatori hanno osservato che la natura immersiva dell'installazione, che permetteva il movimento e lo spostamento dell'attenzione, ha probabilmente introdotto molto rumore di fondo nelle registrazioni cerebrali, rendendo più difficile isolare i segnali specifici relativi all'emozione.

Lo studio conclude che, sebbene la misurazione dell'attività cerebrale sia uno strumento potente, non è ancora un sostituto del chiedere alle persone come si sentono, specialmente quando si cerca di tracciare cambiamenti emotivi a breve termine in contesti dinamici. I sentimenti auto-riferiti hanno fornito una linea di base stabile e coerente che i dati cerebrali non sono riusciti a eguagliare. Questo non significa che i dati cerebrali siano inutili, ma piuttosto che catturano aspetti diversi dell'esperienza emotiva che non sempre si allineano perfettamente con ciò che una persona può riferire consapevolmente. Per ora, nel tentativo di comprendere come un'esperienza immersiva cambi l'umore di una persona, la via più diretta e affidabile è ascoltare la persona stessa.

Sintesi Tecnica: Cambiamento Affettivo a Breve Termine in Installazioni Immersive

Definizione del Problema
Lo studio affronta la sfida di caratterizzare il cambiamento affettivo a breve termine all'interno di esperienze multisensoriali immersive. Mentre l'informatica affettiva si concentra spesso sul riconoscimento di stati emotivi statici, esiste una lacuna nella comprensione di come l'affetto transiti nel corso di una sessione di impegno. Esiste una specifica tensione metodologica tra le misure di auto-report (come la Positive and Negative Affect Schedule, PANAS) e gli indicatori fisiologici (specificamente l'elettroencefalografia, o EEG). Sebbene l'EEG offra accesso alla dinamica neurale, la sua utilità nel predire il cambiamento (transizione pre-post) in contesti immersivi ed ecologicamente variabili rimane poco chiara rispetto ai report basati sul baseline soggettivo. Inoltre, non è certo se i cambiamenti affettivi positivi e negativi seguano percorsi predittivi simili o se uno sia più trattabile dell'altro.

Metodologia
La ricerca ha condotto un'analisi secondaria su un dataset multimodale pubblicamente disponibile che coinvolge 30 partecipanti (un sottoinsieme di un originale di 50) che hanno interagito con un'installazione di arteterapia immersiva integrando EEG, VR e AIGC.

Fonti dei Dati: Punteggi PANAS pre- e post-sessione e registrazioni EEG grezze (Emotiv Flex, 128 Hz, disposizione 10–10).
Variabili di Esito: Due target continui sono stati definiti come punteggi di differenza:
- $\Delta$ Positivo = Positivo $_{post}$ − Positivo $_{pre}$
- $\Delta$ Negativo = Negativo $_{post}$ − Negativo $_{pre}$
Insiemi di Predittori: Tre configurazioni di feature sono state costruite utilizzando i dati basali (pre-sessione):
1. Solo PANAS: Punteggi basali di affetto positivo e negativo.
2. Solo EEG: Feature spettrali basali inclusi potenza globale e frontale (theta, alpha, beta), asimmetria alpha frontale (F4–F3), rapporti di banda (theta/beta, alpha/beta) e misure di potenza relativa.
3. Ibrido: Una combinazione di feature PANAS e EEG.
Strategia di Modellazione: Lo studio ha impiegato la regressione supervisionata utilizzando algoritmi di Regressione Lineare, Decision Tree e Random Forest (RF). Le prestazioni sono state valutate tramite una suddivisione train/test 70:30 e cross-validazione a 5 fold utilizzando l'Errore Quadratico Medio (MSE), l'Errore Assoluto Medio (MAE) e il coefficiente di determinazione ( $R^2$ ). La Random Forest è stata selezionata come modello esplorativo primario per consentire l'analisi dell'importanza delle feature.

Risultati Chiave

Performance Predittiva: I modelli solo PANAS hanno dimostrato le prestazioni più stabili e elevate per entrambi gli esiti. Per $\Delta$ Negativo, il modello di Regressione Lineare solo PANAS ha ottenuto il più alto $R^2$ nel test-set (0.462), seguito dal Decision Tree solo PANAS (0.358) e dalla Random Forest (0.335). Al contrario, i modelli solo EEG hanno costantemente prodotto valori di $R^2$ negativi nel test-set (ad esempio, -0.469 per RF su $\Delta$ Negativo), indicando che hanno performato peggio di un semplice predittore della media. I modelli Ibridi non hanno superato costantemente i modelli solo PANAS; in alcuni casi, l'aggiunta di feature EEG ha degradato le prestazioni.
Asimmetria dell'Affetto: Predire i cambiamenti nell'affetto negativo ( $\Delta$ Negativo) è stato significativamente più efficace rispetto alla predizione dei cambiamenti nell'affetto positivo ( $\Delta$ Positivo). Per $\Delta$ Positivo, tutti i modelli (inclusi quelli solo PANAS) hanno prodotto valori di $R^2$ negativi nel test-set, suggerendo che il cambiamento affettivo positivo a breve termine è meno prevedibile in questo dataset.
Importanza delle Feature: Nei modelli Random Forest, l'affetto negativo auto-riportato basale è stato il predittore dominante per $\Delta$ Negativo, classificandosi al primo posto con un netto margine. Per $\Delta$ Positivo, l'importanza era più distribuita. Sebbene le feature EEG (specificamente l'asimmetria alpha frontale, il rapporto theta/beta e il rapporto alpha/beta) abbiano fornito informazioni supplementari, non hanno guidato i modelli con la stessa forza dei self-report.
Correlazioni: L'analisi bivariata ha mostrato associazioni modeste tra le feature EEG e il cambiamento affettivo (ad esempio, il rapporto theta/beta con $\Delta$ Positivo, l'alpha globale con $\Delta$ Negativo), mentre gli item PANAS basali (ad esempio, "Agitato", "Turbato") mostravano correlazioni più forti con i successivi cambiamenti nell'affetto negativo.

Contributi Chiave

Efficacia Comparativa: Lo studio fornisce prove empiriche che, nel contesto di un cambiamento affettivo a breve termine all'interno di un'installazione immersiva, l'affetto auto-riportato basale è un predittore più consistente e robusto rispetto ai riassunti spettrali EEG a stato di riposo.
Fattibilità Multimodale: Dimostra la fattibilità della modellazione affettiva multimodale in contesti ecologicamente validi, evidenziando al contempo che la combinazione di modalità non migliora automaticamente l'accuratezza predittiva se i dati fisiologici sono rumorosi o grossolani.
Interpretabilità in Campioni Piccoli: Il lavoro valida l'uso di machine learning interpretabile (Random Forest) per dataset piccoli ed ecologicamente variabili. Mostra come, anche quando il potere predittivo è limitato, tali modelli possano chiarire i contributi relativi delle diverse modalità di dati senza i rischi di overfitting associati alle complesse architetture di deep learning.
Differenziazione delle Dimensioni Affettive: I risultati suggeriscono un'asimmetria nella trattabilità, dove le riduzioni dell'affetto negativo sono più facilmente caratterizzabili dalle misure basali rispetto agli aumenti dell'affetto positivo.

Significato e Rivendicazioni
Gli autori sostengono che questi risultati supportino una visione complementare piuttosto che competitiva tra self-report ed EEG. In contesti immersivi o applicati dove i dati fisiologici possono essere limitati da artefatti da movimento, variabilità ambientale o riassunti spettrali grossolani, le misure di self-report validate (come la PANAS) offrono un riferimento basale pratico e affidabile per la modellazione del cambiamento affettivo.

Il documento sottolinea che la bassa performance delle feature EEG non deve essere interpretata come una mancanza di informatività intrinseca dell'EEG per la ricerca affettiva. Essa riflette invece i limiti della specifica informazione neurale disponibile (potenza spettrale a stato di riposo) in un contesto naturalistico. Lo studio conclude che, sebbene la modellazione multimodale sia fattibile, i ricercatori dovrebbero dare priorità ai self-report a basso carico e interpretabili quando i dati fisiologici sono difficili da interpretare o quando l'obiettivo è caratterizzare le transizioni affettive a breve termine in condizioni ecologicamente variabili.

Sintesi Tecnica: Cambiamento Affettivo a Breve Termine in Installazioni Immersive

Articoli simili