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

Abstract

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.

The 2030 Agenda for Sustainable Development, established by the United Nations General Assembly in 2015, reaffirms the central role of quality education, as outlined in Sustainable Development Goal 4 (SDG 4). Within this framework, the present study investigates the potential of physiological signals, electrodermal activity (EDA), heart rate (HR), and skin temperature (ST), as objective indicators of student engagement in distinct educational contexts. Based on a quantitative and experimental approach, data were collected from 50 university students during sessions involving traditional lectures and active learning methodologies. Predictive models employing machine learning (ML) techniques were applied to analyze and anticipate engagement states. The empirical findings demonstrated strong alignment with existing literature, particularly regarding EDA, which exhibited significant increases during active learning activities, thus reinforcing its validity as a sensitive marker of academic engagement. Similar patterns were observed for HR, albeit with lower consistency, while ST presented higher values during traditional sessions, suggesting an inverse relationship with sympathetic activation in cognitively demanding contexts. ML models, especially Random Forest (RF) and Gradient Boosting algorithms, showed superior performance in predicting engagement states, confirming the feasibility of using biosensors and artificial intelligence (IA) to monitor and support pedagogical processes. The results showed that EDA, HR, and ST varied consistently between traditional lectures and active learning methodologies, confirming the relationship between biological findings and teaching methods and validating their use as indicators of academic engagement.