An Adaptive Anxiety Intervention Recommender System Using DSW-UCB Contextual Multi-Armed Bandit with Relevance Filtering

No cenário silencioso e muitas vezes invisível da saúde mental, a ansiedade é uma condição que se recusa a ficar parada. Ela muda conforme a hora do dia, o clima, um estressor repentino no trabalho ou um momento de reflexão tranquila. Como esses sentimentos são tão fluidos, as ferramentas projetadas para ajudá-los a lidar com eles muitas vezes têm dificuldade em acompanhar o ritmo. Uma estratégia de enfrentamento que acalma uma pessoa em uma manhã de terça-feira pode parecer inútil ou até irritante na noite de quinta-feira. Durante anos, aplicativos de saúde digital tentaram resolver isso oferecendo sugestões personalizadas, mas muitos desses sistemas dependem de uma falha fundamental: eles tratam cada interação passada como se estivesse acontecendo agora. Eles lembram das preferências de um usuário de meses atrás com a mesma intensidade de seus sentimentos de cinco minutos atrás, criando uma memória digital que é pesada demais com o histórico para se adaptar ao momento presente.

É aqui que uma nova abordagem, desenvolvida por pesquisadores da Universidade Usmanu Danfodiyo, na Nigéria, oferece um caminho diferente. A equipe se propôs a construir um sistema mais inteligente para recomendar intervenções de ansiedade, um que entenda que as emoções humanas são não estacionárias, o que significa que elas mudam ao longo do tempo e não seguem um padrão fixo. Em vez de tentar aprender com todo o histórico de um usuário, seu novo sistema foca no que mais importa: o passado recente. Ao combinar duas técnicas específicas — esquecer dados antigos rapidamente e filtrar feedbacks não úteis — eles criaram um modelo que pode mudar de direção quase instantaneamente quando o estado emocional de um usuário se altera. O resultado é um assistente digital que não apenas lembra, mas verdadeiramente se adapta, aprendendo a oferecer o exercício de respiração ou a atividade de mindfulness certo no exato momento em que são necessários.

Os pesquisadores começaram reconhecendo uma limitação crítica na tecnologia existente. A maioria dos sistemas de recomendação atuais opera com base em um "histórico completo". Imagine um estudante que estuda para uma prova lendo todos os livros que já possuiu, do primeiro ano até o presente, sem nunca fechar um livro. Embora esse estudante possua uma vasta quantidade de informações, ele provavelmente ficará confuso com fatos desatualizados e será incapdo de se concentrar no que é relevante para a prova de hoje. Da mesma forma, um aplicativo de saúde mental que pesa o estado de calma de um usuário de seis meses atrás igualmente com seu ataque de pânico atual fará recomendações ruins. O sistema torna-se lento para reagir, preso em um ciclo de sugestões que não se ajustam mais à realidade do usuário. Os pesquisadores argumentaram que, para as intervenções de ansiedade serem eficazes, o sistema deve priorizar interações recentes e descartar o ruído do passado distante.

Para resolver isso, a equipe projetou um sistema que utiliza uma "janela deslizante" de memória. Em vez de olhar para todo o histórico da vida de um usuário, o sistema presta atenção apenas às últimas cem interações. À medida que uma nova interação ocorre, a mais antiga sai de vista, garantindo que o sistema esteja sempre aprendendo com os dados mais atuais. No entanto, olhar apenas para os últimos cem momentos não é suficiente; alguns desses momentos podem ser confusos ou inúteis. Talvez um usuário tenha clicado em uma sugestão, mas fechado o aplicativo imediatamente, ou talvez tenha dado uma avaliação que não condiz com seus sentimentos reais. Para lidar com isso, os pesquisadores adicionaram um "filtro de relevância". Este mecanismo atua como um inspetor de controle de qualidade, atribuindo uma pontuação a cada interação com base no nível de engajamento do usuário. Se uma sessão foi curta e desengajada, o sistema atribui a ela muito pouco peso em seu processo de aprendizado. Se o usuário passou tempo com a sugestão e pareceu se beneficiar, essa interação conta muito mais. Isso evita que o sistema seja induzido ao erro por cliques acidentais ou momentos de distração.

A equipe testou seu novo sistema, que chamaram de modelo Discounted Sliding-Window Upper Confidence Bound, em uma simulação controlada. Eles criaram um ambiente digital onde os níveis de ansiedade e o contexto de um usuário virtual mudavam abruptamente, mimetizando a imprevisibilidade do mundo real das emoções humanas. Eles colocaram seu novo sistema contra vários modelos mais antigos, incluindo a abordagem tradicional de histórico completo e outras variações que usavam apenas uma janela deslizante ou apenas um fator de desconto. Os resultados foram claros e significativos. Em um cenário onde as necessidades do usuário mudaram subitamente, o sistema tradicional levou mais de 600 etapas para descobrir qual era a nova melhor intervenção. Em contraste, o novo sistema com o filtro de relevância se recuperou em apenas 235 etapas, voltando aos trilhos mais do que duas vezes mais rápido.

A diferença de desempenho foi ainda mais marcante ao observar o sucesso total das recomendações. Ao longo da simulação, o novo sistema acumulou 20,9% mais resultados positivos do que o modelo tradicional de histórico completo. Ele também reduziu o "arrependimento" (regret) — uma medida de quantas vezes o sistema fez uma escolha suboptimal — em 61,1%. Isso significa que o sistema não apenas foi mais rápido em se adaptar, mas também tomou melhores decisões de forma consistente. Os pesquisadores descobriram que o tamanho da janela de memória também importava. Eles testaram janelas variando de 50 a 500 interações e descobriram que uma janela de 100 interações oferecia o melhor equilíbrio. Era grande o suficiente para fornecer um aprendizado estável, mas pequena o suficiente para reagir rapidamente às mudanças. Quando combinaram este tamanho de janela específico com seu filtro de relevância, o sistema alcançou a maior recompensa possível e o menor arrependimento em seus testes.

O estudo também revelou que a maneira como o sistema lida com dados ruins é crucial. Quando os pesquisadores testaram uma versão do sistema que descartava agressivamente qualquer interação de baixa qualidade, os resultados tornaram-se instáveis. O sistema oscilava drasticamente entre boas e más recomendações. No entanto, a versão que utilizou um filtro "suave" (soft) — dando às interações de baixa qualidade um pouquinho de peso em vez de ignorá-las completamente — manteve um desempenho constante e confiável. Isso sugere que mesmo o feedback ruidoso ou confuso tem algum valor, desde que não seja permitido dominar o processo de aprendizado. O sistema aprendeu a ser robusto, ignorando o ruído sem perder o sinal.

Embora esses resultados sejam promissores, os pesquisadores fazem questão de notar que foram alcançados em um ambiente simulado. O estudo não envolveu participantes humanos reais ou ensaios clínicos; foi um teste rigoroso da lógica e da adaptabilidade do algoritmo dentro de um modelo computacional. Os autores enfatizam que o próximo passo é testar esta estrutura com usuários reais sob supervisão ética, incorporando sinais fisiológicos reais, como frequência cardíaca ou padrões de sono, para tornar o contexto ainda mais rico. Eles também planejam explorar como tornar o sistema mais transparente, garantindo que os usuários entendam por que uma sugestão específica foi feita e dando-lhes o controle para anulá-la, se necessário.

A conquista central deste trabalho é a demonstração de que um sistema de recomendação pode ser tanto rápido quanto preciso em um ambiente caótico. Ao deixar o passado para trás e pesar cuidadosamente o presente, o novo modelo evita a armadilha do viés histórico que assombra muitas ferramentas de saúde digital. Ele oferece um esboço para um futuro onde o suporte à saúde mental não é uma biblioteca estática de conselhos, mas uma conversa dinâmica que evolui com o usuário. Em um mundo onde a ansiedade é frequentemente definida pela sua imprevisibilidade, um sistema que pode se mover com essa imprevisibilidade representa um passo significativo para tornar o cuidado digital verdadeiramente pessoal e eficaz.