🧬 biology

Short-Term Affective Change in Immersive Installations: A Multimodal Analysis of EEG and PANAS

Este estudo descobriu que o afeto autorrelatado basal (PANAS) forneceu um preditor mais estável e consistente de mudanças afetivas de curto prazo em instalações imersivas do que os indicadores derivados de EEG, sugerindo que autorrelatos validados permanecem uma referência prática quando os dados fisiológicos são limitados ou difíceis de interpretar.

Autores originais: Yizhen Wang, Xiaowei Chen

Publicado 2026-08-20

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Yizhen Wang, Xiaowei Chen

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

As emoções humanas não são instantâneos estáticos; são correntes fluidas que mudam e oscilam conforme avançamos pelo nosso dia. No campo da ciência afetiva, pesquisadores há muito buscam compreender como esses estados internos mudam, particularmente durante experiências imersivas, como realidade virtual ou instalações de arte interativa. Embora possamos perguntar facilmente a alguém como ela se sente agora, prever como uma experiência específica alterará seu humor do início ao fim é um quebra-cabeça muito mais difícil. Cientistas voltaram-se para a atividade cerebral, medida através de eletrodos colocados no couro cabeludo, esperando encontrar uma assinatura biológica que revele essas mudanças emocionais antes mesmo que a pessoa esteja ciente delas. A questão central que impulsiona essa linha de investigação é se esses sinais elétricos do céreio podem nos dizer mais sobre a jornada emocional de uma pessoa do que a própria pessoa pode nos dizer sobre si mesma.

Uma equipe de pesquisadores partiu para testar essa ideia examinando um grupo de trinta pessoas que participaram de uma instalação de arte multissensorial e imersiva. Esse ambiente foi projetado para ser envolvente e interativo, permitindo que os participantes se movessem e interagissem livremente, de forma muito semelhante a um cenário do mundo real, em vez de um laboratório estéril. Antes de entrar na instalação, cada pessoa completou um questionário padrão pedindo que avaliassem seus sentimentos atuais, como se sentiam animados, perturbados ou atentos. Eles também tiveram sua atividade cerebral registrada por meio de uma capa de sensores. Após a sessão, completaram o mesmo questionário novamente. Os pesquisadores então calcularam a diferença entre as pontuações de "antes" e "depois" para ver exatamente o quanto o humor positivo ou negativo de cada pessoa havia mudado. Eles também analisaram os dados cerebrais coletados antes da sessão para ver se esses padrões neurais iniciais poderiam prever o tamanho da mudança emocional que ocorreria.

Os pesquisadores abordaram este problema construindo modelos computacionais para prever as mudanças de humor. Eles testaram três tipos diferentes de informações para ver qual funcionava melhor. O primeiro tipo baseava-se exclusivamente nos sentimentos autorrelatados do questionário. O segundo utilizava apenas os dados da atividade cerebral, observando especificamente a força de diferentes ondas cerebrais e o equilíbrio da atividade entre os lados esquerdo e direito do cérebro. O terceiro tipo combinava as respostas do questionário e os dados cerebrais. Eles utilizaram um método de aprendizado de máquina, que é um tipo de programa de computador que aprende a encontrar padrões em dados, para ver se conseguiria adivinhar com precisão o quanto o humor de uma pessoa mudaria com base em seu ponto de partida.

Os resultados ofereceram uma resposta clara e um tanto surpreendente. Os modelos que dependiam apenas dos dados cerebrais mostraram o desempenho menos estável; eles foram incapazes de prever de forma confiável se o humor de uma pessoa melhoraria ou pioraria. De fato, para certos algoritmos, os modelos usando apenas os sinais cerebrais produziram valores de R² negativos no conjunto de teste, indicando que tiveram um desempenho pior do que uma simples previsão de linha de base. Quando os pesquisadores combinaram os dados cerebrais com as respostas do questionário, os resultados não melhoraram significamente em relação ao uso apenas do questionário. As previsões mais consistentes e precisas vieram dos modelos que utilizaram apenas os sentimentos autorrelatados. Especificamente, o nível inicial de angústia ou agitação de uma pessoa foi um forte indicador de quanto seu humor negativo diminuiria após a experiência. Se alguém começou a sessão sentindo-se altamente agitado ou perturbado, a instalação era mais propensa a ajudá-lo a sentir-se mais calmo depois. Prever um aumento nos sentimentos positivos provou ser muito mais difícil para todos os métodos, mas os autorrelatos permaneceram o guia mais confiável.

Este achado sugere que, em ambientes complexos do mundo real, a própria descrição de uma pessoa sobre seu estado emocional é, atualmente, uma ferramenta mais útil para entender sua trajetória emocional do que um resumo de suas ondas cerebrais. Os dados cerebrais mostraram, sim, associações bivariadas modestas com as mudanças de humor, particularmente em relação ao equilíbrio da atividade nas partes frontais do cérebro, mas esses sinais eram muito tênues e ruidosos para serem úteis por si só. Os pesquisadores observaram que a natureza imersiva da instalação, que permitia o movimento e a mudança de atenção, provavelmente introduziu muito ruído de fundo nos registros cerebrais, tornando mais difícil isolar os sinais específicos relacionados à emoção.

O estudo conclui que, embora a medição da atividade cerebral seja uma ferramenta poderosa, ela ainda não é um substituto para perguntar às pessoas como elas se sentem, especialmente ao tentar rastrear mudanças emocionais de curto prazo em ambientes dinâmicos. Os sentimentos autorrelatados forneceram uma linha de base estável e consistente que os dados cerebrais não conseguiram igualar. Isso não significa que os dados cerebrais sejam inúteis, mas sim que capturam aspectos diferentes da experiência emocional que nem sempre se alinham perfeitamente com o que uma pessoa pode relatar conscientemente. Por enquanto, ao tentar entender como uma experiência imersiva altera o humor de uma pessoa, o caminho mais direto e confiável é ouvir a própria pessoa.

Resumo Técnico: Mudança Afetiva de Curto Prazo em Instalações Imersivas

Problema de Pesquisa
O estudo aborda o desafio de caracterizar a mudança afetiva de curto prazo em experiências multissensoriais imersivas. Enquanto a computação afetiva frequentemente foca no reconhecimento de estados emocionais estáticos, existe uma lacuna na compreensão de como o afeto transita ao longo de uma sessão de engajamento. Existe uma tensão metodológica específica entre medidas de autorrelato (como a Escala de Afeto Positivo e Negativo, PANAS) e indicadores fisiológicos (especificamente a Eletroencefalografia, ou EEG). Embora o EEG ofereça acesso à dinâmica neural, sua utilidade para prever a mudança (transição pré-para-pós) em ambientes ecologicamente variáveis e imersivos permanece incerta em comparação com relatórios de linha de base subjetivos. Além disso, não se sabe se as mudanças nos afetos positivos e negativos seguem caminhos preditivos semelhantes ou se um é mais tratável que o outro.

Metodologia
A pesquisa realizou uma análise secundária de um conjunto de dados multimodal publicamente disponível envolvendo 30 participantes (um subconjunto de um total original de 50) que interagiram com uma instalação de arteterapia imersiva integrando EEG, VR e AIGC.

Fontes de Dados: Pontuações PANAS pré e pós-sessão e registros de EEG brutos (Emotiv Flex, 128 Hz, arranjo 10–10).
Variáveis de Desfecho: Dois alvos contínuos foram definidos como escores de diferença:
- $\Delta$ Positivo = Positivo $_{pós}$ − Positivo $_{pré}$
- $\Delta$ Negativo = Negativo $_{pós}$ − Negativo $_{pré}$
Conjuntos de Preditores: Três configurações de características foram construídas utilizando dados de linha de base (pré-sessão):
1. Apenas PANAS: Pontuações de Afeto Positivo e Negativo de linha de base.
2. Apenas EEG: Características espectrais de linha de base, incluindo potência global e frontal (theta, alpha, beta), assimetria alfa frontal (F4–F3), razões de banda (theta/beta, alpha/beta) e medidas de potência relativa.
3. Híbrido: Uma combinação de características de PANAS e EEG.
Estratégia de Modelagem: O estudo empregou regressão supervisionada utilizando algoritmos de Regressão Linear, Árvore de Decisão e Floresta Aleatória (RF). O desempenho foi avaliado por meio de uma divisão treino/teste de 70:30 e validação cruzada de 5 dobras usando Erro Quadrático Médio (MSE), Erro Absoluto Médio (MAE) e o coeficiente de determinação ( $R^2$ ). A Floresta Aleatória foi selecionada como o principal modelo exploratório para permitir a análise de importância de características.

Principais Resultados

Desempenho Preditivo: Os modelos apenas PANAS demonstraram o desempenho mais estável e elevado em ambos os desfechos. Para $\Delta$ Negativo, o modelo de Regressão Linear apenas PANAS alcançou o maior $R^2$ no conjunto de teste (0,462), seguido pelo modelo de Árvore de Decisão apenas PANAS (0,358) e Floresta Aleatória (0,335). Em contraste, os modelos apenas EEG produziram consistentemente valores de $R^2$ negativos no conjunto de teste (ex: -0,469 para RF em $\Delta$ Negativo), indicando que performaram pior do que um simples preditor de média. Os modelos Híbridos não superaram consistentemente os modelos apenas PANAS; em alguns casos, a adição de características de EEG degradou o desempenho.
Assimetria do Afeto: Prever mudanças no afeto negativo ( $\Delta$ Negativo) foi significativamente mais bem-sucedido do que prever mudanças no afeto positivo ( $\Delta$ Positivo). Para $\Delta$ Positivo, todos os modelos (incluindo apenas PANAS) produziram valores de $R^2$ negativos no conjunto de teste, sugerindo que a mudança afetiva positiva de curto prazo é menos previsível neste conjunto de dados.
Importância das Características: Nos modelos de Floresta Aleatória, o afeto negativo autorrelatado na linha de base foi o preditor dominante para $\Delta$ Negativo, ocupando o primeiro lugar por uma margem clara. Para $\Delta$ Positivo, a importância foi mais distribuída. Embora as características de EEG (especificamente a assimetria alfa frontal, a razão theta/beta e a razão alpha/beta) tenham contribuído com informações suplementares, elas não impulsionaram os modelos tão fortemente quanto os autorrelatos.
Correlações: A análise bivariada mostrou associações modestas entre características de EEG e mudança afetiva (ex: razão theta/beta com $\Delta$ Positivo, alpha global com $\Delta$ Negativo), enquanto itens da linha de base do PANAS (ex: "Agitado", "Chateado") mostraram correlações mais fortes com mudanças subsequentes no afeto negativo.

Principais Contribuições

Eficácia Comparativa: O estudo fornece evidência empírica de que, no contexto de transição afetiva de curto prazo dentro de uma instalação imersiva, o afeto autorrelatado de linha de base é um preditor mais consistente e robusto do que resumos espectrais de EEG em estado de repouso.
Viabilidade Multimodal: Demonstra a viabilidade de modelagem afetiva multimodal em ambientes ecologicamente válidos, destacando que a combinação de modalidades não melhora automaticamente a precisão preditiva se os dados fisiológicos forem ruidosos ou grosseiros.
Interpretabilidade em Pequenas Amostras: O trabalho valida o uso de aprendizado de máquina interpretável (Floresta Aleatória) para conjuntos de dados pequenos e ecologicamente variáveis. Mostra que, mesmo quando o poder preditivo é limitado, tais modelos podem esclarecer as contribuições relativas de diferentes modalidades de dados sem os riscos de sobreajuste associados a arquiteturas complexas de aprendizado profundo.
Diferenciação de Dimensões Afetivas: Os achados sugerem uma assimetria na tratabilidade, onde reduções no afeto negativo são mais facilmente caracterizáveis por medidas de linha de base do que aumentos no afeto positivo.

Significância e Alegações
Os autores alegam que esses achados apoiam uma visão complementar, em vez de competitiva, entre autorrelato e EEG. Em contextos imersivos ou aplicados onde os dados fisiológicos podem ser limitados por artefatos de movimento, variabilidade ambiental ou resumos espectrais grosseiros, medidas de autorrelato validadas (como o PANAS) oferecem uma referência de linha de base prática e confiável para a modelagem da mudança afetiva.

O artigo enfatiza que o baixo desempenho das características de EEG não deve ser interpretado como o EEG sendo inerentemente pouco informativo para a pesquisa afetiva. Em vez disso, reflete as limitações da informação neural específica disponível (potência espectral em estado de repouso) em um contexto naturalista. O estudo conclui que, embora a modelagem multimodal seja viável, os pesquisadores devem priorizar autorrelatos de baixo ônus e interpretáveis quando os dados fisiológicos forem difíceis de interpretar ou quando o objetivo for caracterizar transições afetivas de curto prazo em condições ecologicamente variáveis.

Mais como este