ML-Assisted Cognitive Characterization of Human Problem Solving Behaviors through Visuo-Spatial Game
Este estudo utilizou um classificador e regressor de Floresta Aleatória baseado em ensemble sobre dados de rastreamento ocular de um jogo visuoespacial para categorizar com sucesso os jogadores em grupos comportamentais distintos, distinguindo entre solucionadores (especialistas e jogadores persistentes) e não solucionadores (tentadores e desistentes) com base em seus padrões de olhar e de jogabilidade.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo
A mente humana é uma mestre da navegação, constantemente escaneando o mundo para encontrar padrões, resolver quebra-cabeças e atingir objetivos. Por décadas, cientistas tentaram entender como fazemos isso observando o que fazemos: os movimentos que realizamos, as escolhas que tomamos e as estratégias que empregamos. Mas uma parte significativa desse trabalho mental acontece antes mesmo de agirmos. Acontece na maneira como nossos olhos se movem, saltando de um ponto a outro, detendo-se em detalhes ou escaneando o todo. Esses movimentos oculares não são aleatórios; eles são uma janela direta para o nosso processo de pensamento. Quando olhamos para um problema, nossos olhos revelam se estamos confusos, se encontramos um caminho a seguir ou se estamos presos em um ciclo de tentativa e erro. Ao estudar esses hábitos visuais, pesquisadores podem ver a arquitetura invisível da resolução de problemas humanos, distinguindo entre aqueles que estão prestes a ter um avanço e aqueles que estão simplesmente vagando.
Uma equipe de pesquisadores do Instituto Indiano de Tecnologia de Kharagpur decidiu testar essa ideia usando um quebra-cabeça clássico e uma ferramenta moderna. Eles reuniram um grupo de adultos e pediram que resolvessem um tipo específico de quebra-cabeça visual conhecido como jogo de arranjo de 8 peças. Neste jogo, uma imagem é dividida em nove blocos, com um bloco removido (especificamente a peça inferior direita), deixando um espaço vazio. O jogador deve deslizar as peças da imagem para o espaço vazio para reconstruir a imagem original. Parece simples, mas o caminho para a solução raramente é direto. Os pesquisadores equiparam os participantes com um dispositivo de rastreamento ocular, uma câmera que registra exatamente para onde uma pessoa está olhando e por quanto tempo, capturando milhares de pontos de dados por segundo. Enquanto os jogadores moviam as peças, a máquina registrava seu olhar, criando um mapa detalhado de sua atenção. O objetivo não era apenas ver quem resolvia o quebra-cabeça, mas entender como seus olhos se moviam diferentemente dependendo de se eram bem-sucedidos, quanto tempo lutavam ou se desistiam inteiramente.
Os pesquisadores usaram um poderoso programa de computador, um tipo de modelo de aprendizado de máquina, para analisar os dados de rastreamento ocular. Eles não olharam apenas para a pontuação final; em vez disso, assistiram à história se desenrolar movimento a movimento. Eles descobriram que os olhos dos jogadores contavam uma história clara muito antes de o quebra-cide ser terminado. O computador podia distinguir entre dois grupos principais: aqueles que eventualmente resolviam o quebra-cabeça, aos quais chamaram de "Solucionadores", e aqueles que não resolviam, chamados de "Não-solucionadores". A diferença não estava em quantos movimentos eles faziam, mas no ritmo e no padrão de seu olhar. Os Solucionadores mostravam um comportamento visual distinto que o computador podia identificar com alta precisidade, muitas vezes logo nos primeiros movimentos do jogo. Isso sugeria que a maneira como uma pessoa olha para um problema revela sua estratégia quase imediatamente.
Mas a história não terminou apenas com dois grupos. Os pesquisadores descobriram que, dentro dos Solucionadores, havia dois tipos de pensadores muito diferentes. O primeiro grupo, os "Especialistas", abordava o quebra-cabeça com um olhar constante e estratégico. Seu olhar era focado e eficiente, movendo-se com propósito em direção à solução. O segundo grupo, os "Jogadores persistentes", também resolvia o quebra-cabeça, mas seus olhos contavam uma história diferente. Eles eram erráticos, saltando de um lado para o outro, revisitando áreas e mostrando sinais de confusão antes de finalmente encontrarem o caminho. Eles resolviam o problema, mas o faziam vagando pelas possibilidades em vez de ver o caminho claramente desde o início. Da mesma forma, os Não-solucionadores não eram todos iguais. Alguns, os "Tentadores", passavam muito tempo tentando resolver o quebra-cabeça. Seus olhos mostravravam uma mistura de esforço e exploração; eles procuravam pela resposta, testavam ideias e às vezes chegavam perto da solução antes de desistir. O outro grupo, os "Desistentes", mostrava uma falta de engajamento. Seus padrões de olhar indicavam que não tinham real intenção de encontrar a solução; eles não estavam explorando, estavam simplesmente esperando o jogo terminar.
Uma das descobertas mais impressionantes foi o quão cedo essas diferenças apareceram. O modelo de computador podia prever com grande certeza se um jogador teria sucesso ou falharia após observar apenas uma pequena fração do jogo. Este "ponto de sela", como os pesquisadores chamaram, é o momento em que o comportamento de um jogador se estabiliza em um padrão claro. Para os Especialistas, isso acontecia quase instantaneamente. Para os Tentadores, levava um pouco mais de tempo enquanto exploravam o tabuleiro, mas seu padrão de tentativa ainda era distinto dos Desistentes, que não mostravam tal padrão de esforço. O estudo também observou o quão bem o computador podia prever o futuro do jogo. Ao observar os movimentos oculares iniciais, o modelo podia estimar quantos movimentos a mais um jogador precisaria para terminar ou quanto tempo continuaria jogando antes de desistir. As previsões eram mais precisas quando o computador era treinado em tipos específicos de jogadores, aprendendo a "linguagem" única dos Especialistas ou as dificuldades específicas dos Tentadores.
Os pesquisadores também observaram o ruído nos dados para entender o estado mental dos jogadores. Eles descobriram que os Especialistas tinham um sinal muito limpo e constante em seus movimentos oculares, sugerindo uma mente calma e confiante. Os Jogadores persistentes, no entanto, tinham um sinal muito mais ruidoso, com seus olhos saltando mais, refletindo o esforço mental de descobrir as coisas conforme avançavam. Os Tentadores também mostravam esse padrão ruidoso e flutuante, o que faz sentido porque estavam procurando ativamente por uma solução que não conseguiam compreender totalmente. Os Desistentes, por outro lado, tinham um tipo diferente de estabilidade, nascida do desengajamento e não do foco. Esta pesquisa sugere que a maneira como olhamos para um problema é um indicador sensível de nossa estratégia cognitiva. Revela se estamos pensando profundamente, se estamos presos em um ciclo ou se perdemos o interesse.
Este estudo oferece uma nova maneira de entender a inteligência humana, não pelo que as pessoas dizem que estão fazendo, mas pelo que seus olhos revelam que estão pensando. Mostra que a resolução de problemas não é uma habilidade única, mas uma coleção de diferentes comportamentos, desde a clareza estratégica do Especialista até a busca determinada, porém confusa, dos Tentadores. A capacidade de detectar esses padrões tão cedo em uma tarefa pode ser valiosa para educadores ou designers que desejam ajudar as pessoas a aprender. Se um sistema puder reconhecer que um estudante é um "Tentador" que está prestes a ter um insight, mas precisa de um pequeno empurrão, ele poderá fornecer a dica certa no momento certo para ajudá-lo a ter sucesso. Inversamente, poderia identificar quando alguém realmente desistiu, permitindo um tipo diferente de intervenção. O trabalho confirma que nossos olhos não são apenas câmeras passivas; eles são participantes ativos em nosso pensamento, mapeando o caminho para uma solução antes mesmo de nossas mãos se moverem.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.