Resumo Técnico: Investigando a Influência da Habilidade Espacial na Programação de Robôs Assistida por Realidade Aumentada

Declaração do Problema

Embora a Realidade Aumentada (RA) seja amplamente reconhecida por seu potencial para melhorar a aprendizagem através da visualização 3D, aprendizagem situada e imersão, os mecanismos específicos pelos quais ela afeta os resultados de aprendizagem permanecem incompletamente compreendidos. A literatura existente apresenta descobertas contraditórias sobre a eficácia da RA, muitas vezes falhando em considerar as características individuais do aprendiz. Especificamente, o papel da habilidade espacial — a habilidade cognitiva de perceber, interpretar e manipular mentalmente relações espaciais — na aprendizagem apoiada por RA é ambíguo. Alguns estudos sugerem que a alta habilidade espacial potencializa os benefícios da RA (a hipótese "habilidade-como-potencializadora"), enquanto outros sugerem que a RA compensa a baixa habilidade espacial (a hipótese "habilidade-como-compensadora").

Este estudo aborda essa lacuna dentro do domínio da programação de robôs, uma tarefa que exige inerentemente alta complexidade espacial (compreensão de posições, orientações e movimentos 3D). As questões de pesquisa focam em:

1. Se a RA melhora a experiência de aprendizagem da programação de robôs em comparação com métodos tradicionais.
2. Como a habilidade espacial influencia a experiência de aprendizagem neste contexto.
3. Se a RA modera a relação entre a habilidade espacial e a experiência de aprendizagem.

Metodologia

Desenho Experimental

O estudo empregou um experimento aleatório entre sujeitos com $N=71$ participantes. Os participantes foram atribuídos a uma de duas condições:

• Grupo de Controle: Utilizou um teach pendant de robô convencional (Universal Robots Polyscope 5.0) para controle e um tablet exibindo instruções em PDF para aprendizagem.
• Grupo Experimental (RA): Utilizou um Meta Quest 3 (HMD de Video-See-Through) executando uma aplicação Unity personalizada. Esta aplicação replicou a funcionalidade central do teach pendant, mas adicionou visualizações específicas de RA.

Tarefa de Aprendizagem

Os participantes aprenderam a programar um braço robótico UR5e com uma garra OnRobot RG2 para executar uma sequência de pick-and-place. A tarefa envolveu:

• Compreender a rotação de junta versus o movimento translacional (Tool Center Point - TCP).
• Programar pontos de passagem (waypoints) e lidar com a prevenção de colisões.
• Executar um programa final para mover uma peça entre suportes.
  A tarefa foi projetada para ser desafiadora o suficiente para induzir carga cognitiva, mas acessível para novatos sem conhecimento prévio em robótica.

Intervenção de RA

A aplicação de RA utilizou as capacidades do HMD para fornecer três aumentos espaciais específicos:

1. Visualização de Rotação: Setas dinâmicas sobrepostas às juntas rotativas para indicar o eixo e a direção.
2. Visualização de Sistema de Coordenadas: Um sistema de coordenadas de mundo visualizado diretamente na posição real do TCP para auxiliar na compreensão dos eixos de movimento translacional em relação à perspectiva do usuário.
3. Visualização de Caminho: Pontos de passagem salvos e caminhos de programa visualizados como objetos em formato de diamante conectados no espaço 3D, permitindo que os usuários rastreiem o caminho de execução antes de executá-lo.

Medições

• Habilidade Espacial: Avaliada via Teste de Rotação Mental (MRT).
• Experiência de Aprendizagem: Medida usando:
  • Escala de Usabilidade de Sistema (SUS): Para avaliar a usabilidade percebida.
  • Carga Cognitiva: Avaliada via escala validada distinguindo entre Carga Cognitiva Extrínseca (ECL), Carga Cognitiva Intrínseca (ICL) e Carga Cognitiva Germânica (GCL).
• Variáveis de Controle: Afinidade com Interação Tecnológica (ATI), experiência prévia em robótica, programação e RA, e sexo.

Análise

A análise estatística incluiu estatísticas descritivas, análises de correlação e modelos de regressão linear múltipla. Análises de subgrupos foram conduzidas para explorar o efeito moderador da RA na relação entre as pontuações de MRT e os resultados de aprendizagem.

Principais Resultados

1. Experiência Geral de Aprendizagem (RQ1)

Contrariamente à hipótese de que a RA melhoraria significativamente a experiência de aprendizagem, não foram encontradas diferenças estatisticamente significativas entre os grupos de RA e de controle em relação a:

• Carga Cognitiva Extrínseca (ECL): A RA não reduziu significativamente a ECL em comparação ao controle.
• Usabilidade do Sistema (SUS): Ambos os grupos relataram alta usabilidade (RA: $M=82.57$, Controle: $M=79.29$), sem diferença significativa.
• Carga Cognitiva Intrínseca e Germânica: Não foram observadas diferenças significativas.
  Os autores observam que a condição de controle já era altamente eficaz (pedagogicamente sólida), possivelmente criando um efeito de teto que limitou a vantagem observável da intervenção de RA.

2. Influência da Habilidade Espacial (RQ2)

Em toda a amostra, a habilidade espacial (pontuações de MRT) foi um preditor significativo da experiência de aprendizagem:

• Associação Negativa com ECL: Maior habilidade espacial correlacionou-se com menor carga cognitiva extrínseca ($p < .01$).
• Associação Positiva com Usabilidade: Maior habilidade espacial correlacionou-se com maiores pontuações no SUS ($p < .01$).
• Sem Associação com ICL ou GCL: A habilidade espacial não previu significativamente a carga cognitiva intrínseca ou germânica.

3. Efeito Moderador da RA (RQ3)

Análises exploratórias de subgrupos revelaram um padrão distinto sugerindo um efeito compensatório da RA:

• Grupo de Controle: Uma forte relação existia entre a habilidade espacial e a experiência de aprendizagem. Pontuações de MRT mais altas previam significativamente uma menor ECL e um maior SUS.
• Grupo de RA: Essas relações desapareceram. A habilidade espacial não foi um preditor significativo de ECL ou SUS na condição de RA.
  Isso indica que o suporte de RA mitigou a desvantagem tipicamente experimentada por aprendizes com menores habilidades espaciais, nivelando o campo de jogo.

Significância e Alegações

O artigo afirma que, embora a RA não tenha superado universalmente os métodos tradicionais neste cenário específico e controlado, seu principal valor reside em sua função compensatória.

• Compensação em vez de Potencialização: O estudo desafia a hipótese "habilidade-como-potencializadora" neste contexto, fornecendo evidências para a hipótes de "habilidade-como-compensadora". A RA parece externalizar relações espaciais complexas (ex: visualizar sistemas de coordenadas e caminhos), reduzindo assim o ônus cognitivo para aprendizes com menores habilidades espaciais.
• Implicações de Design: Os achados sugerem que a RA pode servir como uma ferramenta para reduzir barreiras para diversas populações de aprendizes. Ao mitigar a influência de perfis cognitivos individuais (especificamente a habilidade espacial), a RA pode apoiar ambientes de aprendizagem mais equitativos.
• Nuance de Contexto: Os autores enfatizam que a falta de ganho geral de desempenho pode ser devida à alta qualidade da condição de controle e à natureza específica e isolada dos recursos de RA (apenas aumento espacial). Eles argumentam que pesquisas futuras devem ir além de simples comparações de mídia para investigar como recursos de design de RA específicos interagem com as características do aprendiz.

O estudo conclui que compreender as características do aprendiz é crítico para projetar ambientes de aprendizagem de RA eficazes. Embora a RA não tenha impulsionado significativamente a média da experiência de aprendizagem neste experimento, sua capacidade de desvincular o sucesso da aprendizagem da habilidade espacial sugere um papel promissor na educação personalizada e no treinamento industrial para não especialistas.