Detectar o tédio já é possível graças à utilização da computação cognitiva, que pode mudar completamente âmbitos como a educação
Existem estados de ânimo difíceis de não se mostrar fisicamente. Principalmente aqueles nos que se manifesta a passividade ante algo. Entre os jovens, por exemplo, é comum ficar entediado em sala de aula, bem por que a matéria não é atrativa para o aluno, bem por cansaço, etc. A explosão do uso de algoritmos para o reconhecimento de qualquer tipo de detalhes em fotografias e vídeos, unida ao nascimento da “computação afetiva”, fez com que, para o MIT, já seja possível detectar o tédio em tempo real.
Que aplicações terá isto para o dia a dia? Uma bastante clara é a educação. Tal e como é possível ler em romances como “Ready Player One”, o futuro da aprendizagem provavelmente estejam longe das salas de aula físicas, e perto das aulas virtuais. Um contexto no que a realidade virtual domine, pode ser um no que os alunos podem estudar com detalhe desde casa. Sem chegar a este extremo, já existe a educação à distância onde qualquer fator que aumente a comunicação entre professores e alunos é essencial. Graças à possibilidade de detectar o tédio de alunos, o corpo docente pode motivá-los com certas técnicas ou, simplesmente, chamar a atenção de alguma forma.
Logicamente, o software irá além e poderá detectar mudanças de estado de ânimo como medo, satisfação, etc. A aproximação do MIT cristalizou em Tega, um robô potenciado por um smartphone que é capaz de analisar emoções e ensinar aos alunos de acordo com estas. Ou seja, é capaz de detectar o tédio e atuar de forma mais efusiva ou de fazê-lo com estados de euforia e tratar de reduzi-la.
Se isto se integra nos principais assistentes pessoais que já existem em smartphones e em robôs domésticos como Siri, Cortana, Google Assistant ou Amazon Echo, as possibilidades são infinitas, pois a “ajuda” e interação pode ser muito mais proativa, o objetivo final destes serviços. Desde sua chegada em 2011, estiveram centrados em responder a perguntas ou desejos, mas graças ao deep learning e às quantidades tão grandes de dados que estão recopilando, tornaram-se muito mais complexos e, com isso, ficaram muito mais úteis.
Imagem principal: eltpics (Flicker)