Um estudo recente utilizou big data para melhorar a compreensão da aprendizagem motora, revelando informações importantes sobre como a idade, o sexo e outros fatores afetam o controle motor. Esta abordagem oferece uma nova perspectiva, complementando a pesquisa tradicional baseada em laboratório. Crédito: SciTechDaily.com
Os dados gerados por cientistas cidadãos oferecem aos investigadores uma nova visão sobre como as pessoas se adaptam e se movem de forma diferente para corrigir erros de movimento.
Um novo estudo examinou os resultados dos dados gerados por cientistas cidadãos usando um simples teste motor baseado na web. A abordagem de big data fornece aos pesquisadores uma maneira única de explorar como as pessoas corrigem erros de controle motor. Os insights resultantes poderão um dia abrir caminho para a fisioterapia personalizada ou adaptar a rotina de treinamento de um atleta. Os resultados estão disponíveis no dia 30 de janeiroº edição da revista Natureza Comportamento Humano.
Complementando estudos de laboratório tradicionais
“Esta abordagem exploratória não substitui estudos baseados em laboratório, mas os complementa, questionando se o comportamento motor pode ser generalizado para a população em geral”, disse Jonathan Tsay, professor assistente do Departamento de Psicologia da Universidade Carnegie Mellon e primeiro autor do artigo. “Vejo esta abordagem em larga escala como uma forma de democratizar a pesquisa em aprendizagem motora.”
Jonathan Tsay, professor assistente do Departamento de Psicologia da Carnegie Mellon University. Crédito: CMU
Tradicionalmente, os cientistas da aprendizagem motora estudam como as pessoas aprendem habilidades motoras em laboratório, usando equipamentos caros para capturar as mudanças sutis no movimento de uma pessoa em resposta a erros de movimento. Esses estudos geralmente envolvem um pequeno número de participantes. Ainda não se sabe se esses resultados se generalizam para a população maior.
Aproveitando o poder do Big Data
Tsay queria explorar as habilidades motoras de uma nova perspectiva, usando big data. Para coletar os dados, ele desenvolveu uma avaliação simples de aprendizagem motora que as pessoas poderiam realizar on-line no conforto de suas casas. O resultado é um conjunto de dados de mais de 2.000 sessões de uma população diversificada de participantes.
O estudo também pode avaliar diferentes processos subjacentes à aprendizagem motora, ou seja, a contribuição relativa da aprendizagem motora subconsciente, implícita, e da aprendizagem motora consciente e explícita. Com os dados em mãos, Tsay conseguiu examinar como as variáveis demográficas afectam a contribuição relativa destes dois estilos de aprendizagem.
O curto teste caseiro durou cerca de oito minutos, em comparação com um experimento normal de 80 minutos no laboratório. Muitos participantes logaram-se novamente e contribuíram com múltiplas sessões para o banco de dados, permitindo que a equipe de pesquisa acompanhasse as mudanças na aprendizagem motora de forma eficiente.
Descobrindo novos insights
O potencial do big data reside numa melhor compreensão de variáveis, como género, idade, deficiência visual e até experiência de videojogos, que podem impactar a adaptação motora.
Tsay aponta a idade como exemplo. Pode parecer óbvio que a idade seria um fator importante que afeta a adaptação motora, mas o efeito da idade tem sido misto em estudos laboratoriais. A confusão pode dever-se, em parte, ao pequeno tamanho da amostra e ao foco em grupos etários extremos (muito jovens e muito idosos).
Usando big data, Tsay e seus colegas conseguiram examinar a idade como uma variável contínua. Os resultados mostraram como os participantes modificaram suas estratégias para corrigir erros motores ao longo da vida, com pico de adaptação entre 35 e 45 anos de idade. Essas adaptações foram perdidas por estudos anteriores envolvendo apenas um tamanho amostral limitado.
“Usando aprendizado de máquina e outras técnicas (esta abordagem nos permitiu) prever quem teria sucesso na aprendizagem motora e quais propriedades – velocidade de movimento e tempo de reação – são bons preditores de sucesso na aprendizagem motora durante uma sessão”, disse Tsay. “Os resultados que encontramos dessa forma exploratória de big data podem ser trazidos de volta ao laboratório para fazer mais (estudos) baseados em hipóteses para encontrar o mecanismo por trás da descoberta que vemos online.”
Desafios e direções futuras
A simples tarefa de aprendizagem motora só foi capaz de prever cerca de 15% da variância no estudo, o que limita os insights que podem ser extraídos desses resultados. Além disso, a tarefa motora não foi conduzida sob a supervisão de um experimentador ou controlando especificamente parâmetros, como tipo de tecnologia e velocidade da internet, que aumentavam o ruído nos dados. Apesar destas limitações, Tsay ainda acredita que esta abordagem em larga escala é capaz de examinar esta variabilidade de uma forma detalhada, extraindo conhecimentos que podem ser valiosos para a comunidade de investigação motora.
“Muitas, muitas questões em psicologia são passíveis de testes on-line, mas há poucos estudos motores”, disse Richard Ivry, distinto professor de psicologia na Universidade da California, Berkeley e coautor do estudo. “O estudo NatHumBehav aumenta ainda mais a nossa confiança de que os estudos on-line podem ser muito significativos para o estudo do controle motor, e sei que muitos laboratórios em todo o mundo aproveitaram essas ferramentas.”
Referência: “A ciência cidadã em larga escala revela preditores de adaptação sensório-motora” por Jonathan S. Tsay, Hrach Asmerian, Laura T. Germine, Jeremy Wilmer, Richard B. Ivry e Ken Nakayama, 30 de janeiro de 2024, Natureza Comportamento Humano.
DOI: 10.1038/s41562-023-01798-0
Tsay e Ivry foram acompanhados por Hrach Asmerian e Ken Nakayama da Universidade da Califórnia, Berkeley, Laura Germine da Harvard Medical School e Jeremy Wilmer do Wellesley College no estudo.
O estudo recebeu financiamento do Instituto Nacional de Saúde do Instituto Nacional de Distúrbios Neurológicos e Derrame.
