Resumo Técnico: CAPACIDADE SYNHEART

Declaração do Problema

O desempenho cognitivo humano é limitado por recursos mentais restritos, contudo a estimativa computacional contínua da dinâmica da capacidade cognitiva permanece um desafio em aberto. Sistemas adaptativos atuais (por exemplo, plataformas de tutoria, ferramentas de apoio à decisão) geralmente dependem de métricas comportamentais como taxas de erro ou tempos de resposta, que apenas detectam sobrecarga após a degradação do desempenho. Além disso, abordagens fisiológicas existentes frequentemente reduzem dinâmicas cognitivas complexas a um único rótulo unidimensional de "carga de trabalho". Essa abordagem obscurece uma distinção teórica crítica: a diferença entre alocação voluntária de recursos (esforço mental) e respostas involuntárias de tensão (estresse). Alto esforço pode representar um engajamento produtivo, enquanto alto estresse indica que as demandas estão excedendo a capacidade. Sem distinguir esses estados, sistemas adaptativos não conseguem diferenciar um usuário que está produtivamente desafiado de um que está se aproximando da sobrecarga cognitiva.

Metodologia

Os autores propõem um framework de aprendizado profundo multimodal orientado por teoria que modela a capacidade cognitiva como um espaço de estado fisiológico bidimensional definido por esforço ($U$) e estresse ($O$).

1. Framework Teórico

O modelo operacionaliza a Teoria da Capacidade (Kahneman, 1973; Hockey, 1997), postulando que:

• Esforço ($U$): Alocação voluntária de recursos.
• Estresse ($O$): Tensão involuntária de sobrecarga.
  Estes são tratados como construtos distintos, mas interagentes, em vez de um único escalar.

2. Arquitetura

A arquitetura proposta é uma rede neural de dupla corrente e múltiplas tarefas projetada para preservar a separação estrutural entre esforço e estresse:

• Codificação de Dupla Corrente:
  • Corrente Cardíaca: Processa séries temporais de Intervalo entre Batimentos (IBI) e características de Variabilidade da Frequência Cardíaca (HRV) elaboradas manualmente.
  • Corrente Eletrodérmica: Processa séries temporais de Atividade Eletrodérmica (EDA) e características de EDA elaboradas manualmente (componentes SCL e SCR).
• Modelagem Temporal: Utiliza LSTM com mecanismos de atenção (ou Redes de Convolução Temporal como alternativa) para capturar transições dinâmicas.
• Fusão: Um módulo de fusão tardia concatena os embeddings de ambas as correntes.
• Saída de Dupla Cabeça: Duas cabeças independentes específicas de tarefa geram estimativas probabilísticas para estresse alto/baixo e esforço alto/baixo, criando um espaço de estado $(U, O) \in [0, 1]^2$.

3. Conjunto de Dados e Supervisão

• Conjunto de Dados: O estudo utiliza o conjunto de dados SWELL-KW, contendo registros fisiológicos (ECG, EDA) de 21 participantes executando tarefas de escritório sob três condições: Neutra (c1), Interrupção (c2) e Pressão de Tempo (c3).
• Estratégia de Rotulagem:
  • Estresse: c1 = Baixo; c2/c3 = Alto.
  • Esforço: c1 = Baixo; c3 = Alto.
  • Mascaramento: A condição de interrupção (c2) é teoricamente ambígua quanto ao esforço voluntário. Os autores empregam uma estratégia de supervisão específica de tarefa que mascara os rótulos de esforço para c2 durante o treinamento ($m_i=0$) para impedir que o modelo aprenda associações inválidas para o construto.
• Avaliação: Validação cruzada estrita Leave-One-Subject-Out (LOSO) para garantir generalização entre indivíduos.

Principais Resultados

1. Generalização Entre Sujeitos

Sob avaliação estrita LOSO, o modelo alcançou precisão balanceada (BA) significativa acima do acaso (0,50):

• Estresse: 70,0% BA ($d=1,60$).
• Esforço: 72,2% BA ($d=1,43$).
• Média Conjunta: 71,1% BA.
  Isso representa uma melhoria de 27,5 pontos percentuais sobre a melhor linha de base independente de sujeito anterior (Random Forest, 42,5% BA) no mesmo conjunto de dados.

2. Coerência Estrutural e Dissociação

• Dissociação Esforço-Estresse: O modelo aprendeu com sucesso assinaturas distintas para esforço e estresse. A análise por sujeito mostrou que, embora o desempenho em ambos os eixos fosse correlacionado ($r=0,84$), existia variância residual significativa. Alguns sujeitos foram classificados com maior precisão em esforço do que em estresse (por exemplo, pp03, pp12), e vice-versa (por exemplo, pp23), confirmando que as duas dimensões não são redundantes.
• Trajetórias do Espaço de Estado: As trajetórias previstas alinharam-se com a teoria da capacidade. O estado em nível de grupo moveu-se do quadrante "subutilizado" (neutro) através do "engajamento ótimo" (interrupção) em direção à "fronteira de sobrecarga" (pressão de tempo).
• Variabilidade Individual: 52% dos sujeitos exibiram trajetórias monótonas consistentes com a teoria. Um subconjunto mostrou padrões "Pico-C2" (interrupção mais ativadora do que pressão de tempo), enquanto outros mostraram trajetórias planas ou invertidas (frequentemente ligadas a problemas de qualidade de sinal ou efeitos de teto).

3. Estudos de Ablação

• Fusão Multimodal: A combinação de sinais IBI/HRV e EDA superou significativamente as linhas de base unimodais, confirmando que sinais cardíacos e eletrodérmicos fornecem informações complementares.
• Aumento de Características: Adicionar características fisiológicas elaboradas manualmente (por exemplo, RMSSD, LF/HF) às entradas de séries temporais brutas resultou em um ganho de +7,1 pontos percentuais na BA média, demonstrando que estatísticas resumidas motivadas por teoria capturam informações discriminativas não extraídas totalmente por codificadores temporais brutos sozinhos.
• Mascaramento de Rótulos: Excluir os rótulos de esforço ambíguos c2 melhorou a classificação de esforço em +7,3 pontos percentuais sem degradar o desempenho de estresse.

Significado e Alegações

O artigo alega que incorporar estrutura psicológica diretamente no design da arquitetura neural permite uma transição da classificação convencional de carga de trabalho para modelagem estruturada de estados de capacidade.

• Operacionalização Teórica: O trabalho fornece uma operacionalização computacional da capacidade cognitiva como uma configuração bidimensional, permitindo que sistemas distingam entre "engajamento produtivo" (alto esforço, baixo estresse) e "sobrecarga" (alto esforço, alto estresse).
• Potencial Adaptativo: Ao fornecer uma estimativa contínua e multidimensional da capacidade, o framework estabelece a base para sistemas humanos-IA adaptativos capazes de intervenção proativa (detectar limites que se aproximam antes da falha de desempenho) em vez de correção reativa.
• Robustez: Os resultados demonstram que supervisão guiada por teoria e integração multimodal podem alcançar generalização robusta entre indivíduos em computação fisiológica, um domínio historicamente afligido por variabilidade específica do sujeito.

Os autores notam limitações, incluindo a natureza binária das cabeças de classificação, a dependência de um único conjunto de dados (SWELL-KW) e a necessidade de validação futura contra verdade fundamental comportamental contínua. Eles sugerem que a calibração de linha de base individualizada pode ser necessária para abordar efeitos de teto e trajetórias invertidas em usuários específicos.