Neurociência aplicada à educação em engenharia: avaliação do engajamento por sinais fisiológicos e aprendizado de máquina

• Ano de defesa: 2025
• Autor(a) principal: Goussain, Blaha Gregory Correia dos Santos [UNESP]
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Neurociências; atividade eletrodérmica; frequência cardíaca; temperatura da pele; aprendizado de máquina; educação em engenharia; Batimento cardíaco; Aprendizado do computador; Engenharia - Estudo e ensino
• Link de acesso: https://hdl.handle.net/11449/314073

A Agenda 2030 para o Desenvolvimento Sustentável, instituída pela Assembleia Geral das Nações Unidas em 2015, reafirma o papel central da educação de qualidade, conforme delineado no Objetivo de Desenvolvimento Sustentável 4 (ODS 4). Inserido nesse escopo, o presente estudo investigou o potencial de sinais fisiológicos, atividade eletrodérmica (EDA), frequência cardíaca (HR) e temperatura da pele (ST), como marcadores objetivos do engajamento estudantil em distintos contextos pedagógicos. Com base em uma abordagem quantitativa e experimental, foram coletados dados de 50 estudantes universitários durante sessões com aulas expositivas tradicionais e metodologias ativas de aprendizagem. Modelos preditivos baseados em técnicas de aprendizado de máquina (ML) foram utilizados para análise e antecipação dos estados de engajamento. Os resultados revelaram forte convergência com a literatura, especialmente no que se refere à EDA, a qual apresentou elevação significativa durante atividades de aprendizagem ativa, corroborando sua validade como indicador sensível do engajamento acadêmico. Padrões similares foram observados para a HR, embora com menor consistência, enquanto a ST apresentou valores mais elevados nas sessões tradicionais, o que sugere sua relação inversa com a ativação simpática em contextos cognitivos mais exigentes. Os modelos de ML, em particular os algoritmos Floresta Aleatória (RF) e Gradient Boosting, demonstraram desempenho superior na predição de estados de engajamento, confirmando a viabilidade da aplicação de biossensores e inteligência artificial (AI) no monitoramento e suporte ao processo pedagógico. Os resultados demonstraram que EDA, HR e ST variaram de forma consistente entre aulas expositivas e metodologias ativas, confirmando a relação dos achados biológicos com os métodos de ensino e validando seu uso como indicadores de engajamento acadêmico.