Identificação de Dimensões Latentes da Atenção Temporal entre Indivíduos via Aprendizado de Máquina Não Supervisionado

• Processo: 25/12185-2
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Data de Início da vigência: 20 de dezembro de 2025
• Data de Término da vigência: 19 de junho de 2026
• Área de conhecimento: Ciências Humanas - Psicologia - Psicologia Cognitiva
• Pesquisador responsável: André Mascioli Cravo
• Beneficiário: Gustavo Brito de Azevedo
• Supervisor: Jennifer Coull
• Instituição Sede: Centro de Matemática, Computação e Cognição (CMCC). Universidade Federal do ABC (UFABC). Santo André , SP, Brasil
• Instituição Anfitriã: Aix-Marseille Université (AMU), França
• Vinculado à bolsa: 24/05153-4 - O efeito da depleção de dopamina e da estimulação cerebral no temporal binding: possíveis dissociações entre a percepção de eventos e a duração de intervalos., BP.DR
• Assunto(s): Aprendizado de máquina não supervisionado Neurociência cognitiva
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina Não Supervisionado | atenção temporal | Modelagem de Variáveis Latentes | Percepção temporal | variabilidade interindividual | Neurociência Cognitiva

Resumo

A percepção temporal é uma função cognitiva crucial que sustenta diversos processos neurocognitivos, incluindo a tomada de decisão, o planejamento de ações e a integração multissensorial. Paradigmas experimentais como tarefas de orientação temporal e foreperiod têm sido amplamente utilizados para investigar como os indivíduos se adaptam a expectativas temporais. No entanto, apesar dos efeitos robustos observados dentro dos sujeitos, a variabilidade interindividual na atenção temporal permanece pouco explorada, especialmente no que se refere à confiabilidade e à generalização das medidas comportamentais entre diferentes populações e contextos experimentais. Este projeto tem como objetivo avaliar a confiabilidade psicométrica e a estrutura multivariada de índices comportamentais derivados de tarefas de atenção temporal em amostras diversas, incluindo indivíduos saudáveis, populações clínicas (por exemplo, esquizofrenia, TDAH) e participantes submetidos a intervenções farmacológicas (por exemplo, cetamina, clonidina, depleção de dopamina). Utilizando conjuntos de dados de larga escala, coletados sob diferentes manipulações experimentais, avaliaremos inicialmente a confiabilidade intra-tarefa por meio de coeficientes de correlação intraclasse e exploraremos correlações entre tarefas com base em métricas de tempo de reação. Posteriormente, aplicaremos técnicas de aprendizado de máquina não supervisionado, incluindo algoritmos de clusterização e métodos multivariados baseados em distâncias, para identificar perfis latentes de desempenho e examinar sua correspondência com as condições experimentais. Ao integrar avaliações de confiabilidade, paradigmas psicofísicos e modelagem orientada por dados, este projeto busca revelar características compartilhadas e dissociáveis da atenção temporal entre diferentes populações. Os achados contribuirão para o avanço da compreensão dos mecanismos neurocognitivos subjacentes à percepção temporal e apoiarão o desenvolvimento de marcadores comportamentais robustos para pesquisa experimental.