How AI-Generated Prompts Shape Emotional Expression in Digital Drawing: Effects on Visual Complexity, Creative Engagement, and Arousal

Resumo Técnico: Como Prompts Gerados por IA Moldam a Expressão Emocional no Desenho Digital

Problema
Embora o desenho seja amplamente reconhecido como um meio de externalização emocional, a literatura existente carece de abordagens quantitativas e computacionais para explicar como estados emocionais específicos são traduzidos em formas visuais, tais como cor, traço, densidade e organização espacial. Além disso, a integração da Inteligência Artificial (IA) nas atividades criativas levanta questões sobre como o auxílio de prompts de IA influencia o processo generativo da expressão emocional. Especificamente, permanece incerto se os prompts de IA alteram a complexidade visual e o engajamento comportamental dos desenhos digitais, e se os recursos resultantes podem servir como indicadores confiáveis para a predição de emoções.

Metodologia
O estudo empregou um design de métodos mistos envolvendo 31 participantes de graduação de Macau SAR, China, que completaram 12 tarefas de desenho digital baseadas em emoções (abrangendo Alegria, Raiva, Tristeza, Medo, Excitação, Relaxamento, Ansiedade, Depressão, Admiração, Nostalgia, Confusão e Contentamento). Os participantes foram designados aleatoriamente para uma condição de auxílio por prompt de IA ou uma condição de controle.

• Condição de IA: Os participantes receberam descrições emocionais geradas por IA, sugestões visuais, ideias de composição e referências estilísticas antes de cada tarefa.
• Condição de Controle: Os participantes receberam apenas o rótulo da emoção.

Coleta de Dados e Extração de Características:
Uma plataforma web personalizada registrou traços comportamentais baseados no processo, incluindo seleção de cores (HSL), tamanho do pincel, trajetórias de traço, duração do desenho e cobertura espacial. De 369 registros iniciais, 363 desenhos válidos foram retidos.

• Características Extraídas: O estudo quantificou características de cor (matiz, saturação, luminosidade, diversidade), características de traço (contagem, comprimento, velocidade, pontos) e características espaciais (área, centroide, dispersão).
• Métrica de Complexidade: Uma "pontuação de complexidade de desenho" composta foi construída através da padronização e média da contagem de traços, pontos de trajetória, comprimento do caminho, área de desenho e uso de cores.

Análise Estatística e de Aprendizado de Máquina:

1. Modelos Lineares de Efeitos Mistos (LMMs): Utilizados para examinar os efeitos do auxílio de IA e dos prompts de emoção na complexidade do desenho e no engajamento comportamental, controlando interceptos aleatórios ao nível do participante e medidas repetidas.
2. Classificação por Aprendizado de Máquina: Modelos supervisionados (Regressão Logística, Random Forest, Extra Trees, Support Vector Machine) foram treinados para classificar emoções. O desempenho foi avaliado usando acurácia Top-1/Top-3 e escores Macro/Weighted-F1 tanto para as 12 categorias de emoções finas quanto para categorias afetivas de ordem superior mais amplas.
3. Desenvolvimento de Protótipo: Uma ferramenta web interativa foi desenvolvida para demonstrar a predição de emoções em tempo real com base nas características de desenho extraídas.

Principais Resultados

• Impacto do Auxílio de IA: Participantes na condição de auxílio por IA produziram desenhos com significativamente maior complexidade visual e engajamento comportamental em comparação ao grupo de controle. Especificamente, o grupo de IA exibiu:
  • Durações de desenho mais longas (~63% de aumento).
  • Maior contagem de traços (~71% de aumento).
  • Mais pontos de trajetória (~80% de aumento).
  • Áreas de desenho maiores (~54% de aumento).
  • Maior diversidade de cores (~22% de aumento).
• Efeito dos Prompts de Emoção: Prompts de emoção influenciaram significativamente as classificações subjetivas de excitação (arousal) e características específicas de movimento de trajetória (comprimento do caminho e densidade de pontos), particularmente para prompts de "Ansiedade", que elicitaram trajetórias mais longas e densas. No entanto, os prompts de emoção não alteraram significativamente a pontuação composta de complexidade de desenho.
• Desempenho de Aprendizado de Máquina:
  • Classificação de Grão Fino: O desempenho para distinguir as 12 emoções específicas foi limitado (acurácia Top-1 variando entre 15,4% e 22,0%), indicando que características visuais sozinhas têm dificuldade em mapear precisamente para categorias emocionais discretas.
  • Classificação de Ordem Superior: O desempenho melhorou significativamente quando as emoções foram agrupadas em categorias afetivas mais amplas (ex: positivo/negativo, alta/baixa excitação). O Random Forest alcançou uma acurácia Top-1 de 45,1% e uma acurácia Top-2 de 72,5% neste contexto.

Significância e Alegações
O artigo afirma que as características do desenho digital refletem tendências afetivas gerais, em vez de servirem como símbolos diagnósticos fixos para emoções específicas. O estudo posiciona a ferramenta de predição desenvolvida como um instrumento de pesquisa exploratória, e não como um sistema de diagnóstico clínico.

As principais contribuições incluem:

1. IA como Andaime Criativo: Os achados sugerem que o auxílio por prompt de IA funciona não meramente como um gerador de conteúdo, mas como um andaime que expande os recursos visuais e comportamentais disponíveis durante a externalização emocional, incentivando comportamentos de desenho mais exploratórios e complexos.
2. Processo vs. Produto: A pesquisa destaca que a expressão emocional no desenho digital está inserida no processo comportamental (dinâmica de traço, duração, densidade) tanto quanto no produto visual final.
3. Modelagem Afetiva Computacional: O estudo fornece evidências preliminares de que, embora a predição de emoções de grão fino a partir de características de desenho seja desafiadora devido às diferenças individuais e sobreposições de categorias, essas características são mais estáveis e eficazes para identificar estados afetivos mais amplos.

Os autores enfatizam que estes resultados baseiam-se em uma amostra e um design experimental específicos, e que os modelos de predição devem ser interpretados como demonstrações do potencial de perspectivas orientadas a dados na arteterapia e na pesquisa da criatividade, e não como ferramentas diagnósticas definitivas.