Artigo de método

Estimulação transcraniana de corrente contínua de alta definição sobre o córtex pré-frontal dorsolateral direito para aumentar a sensibilidade metacognitiva

DOI:

10.3791/68824

⸱

26 de setembro de 2025

 ,  ,  ,  ,  ,  , 
1School of Economics and Management, Jiangsu University of Science and Technology, 2School of Management, Shanghai University, 3Business School, La Trobe University, 4Wuhan Marine Machinery Plant Co., Ltd., 5School of Artificial Intelligence, Xi'an Jiaotong University

Neste artigo

Resumo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este estudo propôs um paradigma experimental que aplica a Estimulação Transcraniana por Corrente Contínua de Alta Definição (HD-tDCS) para melhorar a metacognição humana em tarefas de delegação humano-IA. Os resultados demonstraram a eficácia da HD-tDCS no aumento da sensibilidade metacognitiva.

Resumo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Na colaboração humano-IA, a delegação de tarefas é um componente crítico. Idealmente, se uma pessoa acredita que é capaz de completar uma tarefa, ela mesma deve fazê-lo; caso contrário, a tarefa deve ser delegada à outra parte. Tais decisões de delegação são influenciadas pelas avaliações dos indivíduos sobre suas próprias habilidades, que são moldadas pela metacognição - a capacidade de avaliar as próprias capacidades. A Estimulação Transcraniana por Corrente Contínua de Alta Definição (HD-tDCS) é uma tecnologia de estimulação cerebral não invasiva que pode regular a excitabilidade do córtex cerebral para melhorar o desempenho humano. Este protocolo apresenta um método que emprega HD-tDCS para investigar seus efeitos na metacognição humana durante tarefas de delegação humano-IA, detalhando o procedimento para aplicar estimulação anódica, catódica ou simulada ao córtex pré-frontal dorsolateral (DLPFC). A estimulação foi realizada por meio de um dispositivo HD-tDCS portátil, utilizando um arranjo circunferencial de cinco eletrodos, incluindo um eletrodo alvo e quatro eletrodos de retorno. A estimulação durou um total de 21 min, e a intensidade da corrente foi de 2 mA. Espera-se que este método forneça um novo caminho de pesquisa para uma exploração mais aprofundada dos mecanismos neurais e da regulação comportamental de humanos no processo de delegação de tarefas colaborativas humano-IA e forneça uma base teórica sólida para otimizar ainda mais as tarefas colaborativas humano-IA.

Introdução

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

A inteligência artificial (IA) está se tornando cada vez mais entrelaçada com nossas vidas cotidianas e com o local de trabalho. No entanto, em muitos contextos do mundo real, a IA ainda não é capaz de automatizar totalmente os processos de tomada de decisão1. Certas tarefas continuam sendo particularmente desafiadoras para a IA devido às atuais limitações tecnológicas, bem como a considerações éticas e legais. Como resultado, conceder total autonomia à IA em domínios específicos é muitas vezes impraticável ou desaconselhável 2,3. Os humanos, portanto, continuam a desempenhar um papel indispensável no local de trabalho, e espera-se que a colaboração humano-IA se torne um modo dominante de produção e prestação de serviços no futuro. Pesquisas em áreas como saúde, hospitalidade e recursos humanos mostraram que os esforços colaborativos entre humanos e IA podem reduzir custos e, em alguns casos, aumentar a eficiência 4,5,6.

Na colaboração humano-IA, espera-se que cada parte realize tarefas que se alinhem com seus respectivos pontos fortes, enquanto delega tarefas menos adequadas à outra. Portanto, a delegação de tarefas eficaz é essencial para uma colaboração bem-sucedida e resultados de desempenho ideais. Adam et al. descobriram que quando o processo de delegação é totalmente automatizado e tratado exclusivamente por IA sem envolvimento humano, os humanos tendem a experimentar percepções elevadas de auto-ameaça7. Fuegener et al. relataram ainda que, durante o processo de delegação de tarefas à IA, as pessoas muitas vezes lutam para avaliar com precisão suas próprias capacidades ou avaliar a dificuldade da tarefa, refletindo um baixo nível de metacognição8. Essas descobertas destacam a importância de aprimorar a metacognição em cenários de delegação humano-IA para melhorar a eficiência e a qualidade da colaboração.

A metacognição refere-se à capacidade de um indivíduo de avaliar suas próprias capacidades9. No contexto da delegação mútua entre humanos e IA, é essencial não apenas formar uma compreensão precisa das capacidades da outra parte, mas também avaliar as próprias habilidades para determinar quando a delegação é apropriada. Jussupow et al. descobriram que a colaboração humano-IA é mais eficaz quando os humanos demonstram altos níveis de metacognição - isto é, quando podem avaliar com precisão suas próprias habilidades e as da IA10. Da mesma forma, Atchley et al. descobriram que promover a metacognição em ambientes educacionais pode promover uma colaboração mais profunda e eficaz entre humanos e sistemas de IA11. Estudos anteriores sobre a colaboração humano-IA frequentemente avaliaram a metacognição por meio de questionários de autorrelato ou usando classificações de confiança humana como medidas indiretas. No entanto, na pesquisa psicológica, uma medida mais estabelecida e rigorosa de metacognição é a sensibilidade metacognitiva (meta-d')12. No presente estudo, utilizamos meta-d', seguindo a abordagem descrita por Maniscalco et al. para avaliar a sensibilidade metacognitiva13.

A estimulação transcraniana por corrente contínua (ETCC) tem sido amplamente utilizada em pesquisas que visam melhorar a metacognição14. Os aspectos centrais da metacognição estão intimamente associados ao córtex pré-frontal. A ETCC fornece uma corrente contínua fraca para regiões cerebrais específicas, modulando a excitabilidade neuronal e a plasticidade sináptica de maneira não invasiva e não intrusiva, permitindo assim que os pesquisadores melhorem várias funções cognitivas15. Harty et al. descobriram que a estimulação anódica sobre o córtex pré-frontal dorsolateral direito (DLPFC) melhorou o desempenho de detecção de erros dos participantes em uma tarefa de consciência de erros, melhorando assim seu monitoramento metacognitivo do desempenho cognitivo16. Bona e Silvanto relataram que a ETCC anódica afetou o viés metacognitivo em uma tarefa de memória de trabalho17. Mattes et al. mostraram que, embora a ETCC tenha influenciado as classificações de confiança dos participantes em tarefas de metacognição e mentalização, ela não alterou sua sensibilidade metacognitiva18. Foi demonstrado que a interrupção temporária ou danos ao córtex pré-frontal - especificamente as áreas 46 e 10 de Brodmann - em humanos e macacos induzem mudanças nos processos metacognitivos14. Além disso, estudos anteriores forneceram evidências causais ligando a estimulação do DLPFC a habilidades metacognitivas19,20. O DLPFC direito, em particular, desempenha um papel fundamental na rede neural subjacente ao controle cognitivo 21,22, que está intimamente relacionado às demandas de nossa tarefa experimental. Portanto, selecionamos o DLPFC certo como nosso local alvo para estimulação. Consistente com os protocolos estabelecidos em estudos de ETCC sobre metacognição, aplicamos uma corrente de 2 mA por 21 min, incluindo uma fase de aumento e redução de 1 minuto17,23. Atualmente, a maior intensidade de corrente utilizada na ETCC é de 4 mA, o que tem se mostrado tolerável para os participantes do estudo realizado por Workman et al.24.

A estimulação transcraniana por corrente contínua de alta definição (HD-tDCS) é uma modificação de alta precisão da ETCC convencional, oferecendo neuromodulação mais direcionada por meio de montagens especializadas de eletrodos. Em comparação com o tDCS convencional, que usa dois eletrodos grandes, o HD-tDCS permite uma estimulação mais direcionada e focal de regiões cerebrais específicas, resultando em efeitos mais sustentados25,26. Em contraste com as técnicas de neurofeedback que também visam melhorar o desempenho cognitivo27, o HD-tDCS oferece várias vantagens práticas, incluindo um período de ativação mais curto, procedimentos de aplicação mais simples e custos de implementação mais baixos28. Do ponto de vista da delegação de tarefas de IA humana, o HD-tDCS oferece maior precisão espacial, facilidade de operação e economia. Além disso, permite que os participantes se envolvam em tarefas sustentadas envolvendo delegação e reflexão em contextos que se aproximam de cenários da vida real ou do local de trabalho, tornando-o especialmente adequado para sondar a metacognição na delegação humano-IA. Neste estudo, o HD-tDCS foi empregado para fornecer estimulação mais direcionada ao DLPFC.

Desenho experimental

Os materiais experimentais foram provenientes do ImageNet Large Scale Visual Recognition Challenge (ILSVRC)29. O modelo de IA foi o GoogLeNet Inception v3, um dos modelos de melhor desempenho em tarefas de classificação de imagens30.

A tarefa experimental foi uma tarefa de delegação humano-IA, especificamente uma tarefa de classificação de imagens. A classificação de imagens envolve a atribuição de uma imagem de destino a uma categoria e é uma tarefa geral que não requer nenhum treinamento específico de domínio ou experiência prévia. Tarefas baseadas em contextos situacionais específicos podem comprometer a generalização. Por exemplo, em cenários de alto risco envolvendo perdas potenciais, as pessoas tendem a delegar decisões à IA31, tornando-a efetivamente o bode expiatório da equipe32. A tarefa utilizada neste estudo foi adaptada do paradigma de classificação colaborativa humano-IA desenvolvido por Fuegener et al. e por Gass et al.8,33.

Um experimento preliminar foi realizado para avaliar o nível de dificuldade da imagem. A dificuldade da imagem é a precisão média da imagem correspondente na condição humana isolada. Conforme mostrado na Figura 1, cada tentativa consistiu em uma imagem-alvo e cinco conjuntos de opções de imagem. Os participantes foram solicitados a escolher o conjunto de opções que melhor correspondia à imagem alvo. Um total de 217 participantes completaram o estudo preliminar. Todos os participantes do estudo preliminar foram excluídos do recrutamento para o experimento principal.

figure-introduction-1
Figura 1: Interface do experimento preliminar. Interface mostrada aos participantes do experimento preliminar, onde eles selecionaram uma resposta entre cinco opções. Clique aqui para ver uma versão maior desta figura. 

Na interface formal do experimento (consulte a Figura 2), uma imagem de destino é exibida na parte superior da tela. Além disso, são apresentadas cinco opções de grupo de imagens e uma opção de delegação (localizada no canto superior direito da tela). Os participantes precisam decidir entre delegar a tarefa à IA e concluí-la por conta própria. No último caso, eles selecionam uma das cinco opções de categoria de imagem que melhor corresponde à imagem de destino. Após cada decisão, a interface avança para a próxima página, onde os participantes são solicitados a avaliar sua confiança em sua decisão de delegação em uma escala de 1 a 4. Antes do início do experimento formal, os participantes foram informados de que o sistema de IA tinha uma precisão média de 76%.

figure-introduction-2
Figura 2: Interface do experimento formal. Interface principal mostrada aos participantes durante a tarefa. (A) A interface de tarefas; (B) a interface de classificação de confiança. Clique aqui para ver uma versão maior desta figura.

Um total de 62 participantes destros foram recrutados para o experimento principal. Todos os participantes eram estudantes de pós-graduação que não tinham experiência prévia com tarefas experimentais semelhantes. Os critérios de exclusão foram os seguintes: os participantes não devem ter tomado drogas sedativo-hipnóticas ou substâncias psicoativas nas 24 horas anteriores ao experimento, não devem ter defeitos cranianos (por exemplo, buracos ou fraturas) e não devem ter nenhum implante de metal no crânio (por exemplo, placas de metal). Dois participantes foram excluídos: um devido à inflamação dermatológica que impediu a estimulação HD-tDCS e outro por ingerir uma bebida com cafeína antes do experimento. Os 60 participantes restantes (idade média = 22,68 ± 0,91 anos) completaram o experimento. Eles foram aleatoriamente designados para uma das três condições de estimulação - anódica, catódica ou simulada - cada uma com 20 participantes. As simulações de campo elétrico são mostradas na Figura 3. Cada participante realizou a tarefa de classificação de imagens uma vez antes e uma vez após a estimulação, resultando em 120 conjuntos de dados para análise. O procedimento HD-tDCS é ilustrado na Figura 4 e o fluxo de trabalho experimental é resumido na Figura 5. Realizamos uma análise de poder a priori usando G*Power 3.134, assumindo um poder de 90% (1 - β = 0,90), um tamanho de efeito de f = 0,25 e um nível alfa de 0,05. A análise indicou que seria necessário um mínimo de 18 participantes por grupo. Nosso tamanho final da amostra atendeu a esse requisito.

figure-introduction-3
Figura 3: Simulação de campo elétrico. Vista lateral da distribuição do campo elétrico (lado direito). (A) Condição de estimulação anódica. (B) Condição de estimulação catódica. Clique aqui para ver uma versão maior desta figura.

figure-introduction-4
Figura 4: Configuração experimental do HD-tDCS. Fotografia da configuração experimental HD-tDCS, ilustrando a colocação do eletrodo e a posição do dispositivo durante a estimulação. Clique aqui para ver uma versão maior desta figura.

figure-introduction-5
Figura 5: Fluxograma experimental. O experimento compreendeu três fases, incluindo tarefas de classificação de imagens realizadas antes e após a estimulação. Abreviaturas: HD-tDCS = estimulação transcraniana por corrente contínua de alta definição; rDLPFC = córtex pré-frontal dorsolateral direito. Clique aqui para ver uma versão maior desta figura.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este estudo foi conduzido de acordo com os princípios da Declaração de Helsinque e foi aprovado pelo Conselho de Revisão Institucional da Universidade de Ciência e Tecnologia de Jiangsu. Obtivemos o consentimento informado dos participantes para usar e liberar seus dados.

1. Preparação

  1. Prepare-se para a tarefa do experimento.
    1. Baixe os dados de imagem do site ImageNet (https://image-net.org/).
      NOTA: As imagens baixadas são categorizadas e cada categoria contém várias imagens.
    2. Execute o código Python relacionado ao modelo GoogLeNet Inception v3 para classificar imagens (consulte o Arquivo Suplementar 1). Salve as cinco principais categorias previstas para cada imagem, juntamente com a precisão da classificação Top-1.
      NOTA: Este código Python executa a classificação de imagens carregando o modelo Inception V3. Para cada imagem de destino, ele gera as cinco principais categorias previstas. Os conjuntos de imagens correspondentes a essas cinco categorias previstas são apresentados aos participantes como opções de resposta no experimento. Se a categoria correta não estiver entre as cinco principais previsões, uma das categorias previstas é substituída pela correta para garantir sua inclusão entre as opções.
    3. Use Python ou qualquer programa de amostragem aleatória para selecionar a imagem de destino das imagens classificadas pelo modelo.
    4. Para cada imagem de destino, extraia 10 imagens para cada uma das cinco categorias para servir como opções de resposta. Redimensione todas as imagens para garantir dimensões uniformes.
    5. Realize um estudo preliminar e convide os participantes a participar do experimento.
      NOTA: O estudo preliminar foi semelhante ao experimento formal, exceto que os participantes foram obrigados a concluir todos os ensaios por conta própria, sem a opção de delegar e sem um processo de classificação de confiança.
    6. Registre a precisão de cada participante em responder a cada imagem e calcule a taxa de precisão de cada imagem. Use as pontuações de precisão como um índice de dificuldade da imagem para classificar as imagens de acordo.
      NOTA: Todas as imagens são classificadas por precisão, com maior precisão indicando menor dificuldade. Por exemplo, quando 10% dos participantes respondem corretamente a uma imagem, a dificuldade dessa imagem é definida em 90%.
    7. Divida as imagens em dois conjuntos de dificuldade comparável com base em suas pontuações de dificuldade. Use os dois conjuntos de imagens como materiais experimentais para criar o programa experimental formal através do E-prime 3 (consulte o Arquivo Suplementar 1).
      NOTA: Este programa experimental foi projetado para apresentar a tarefa de classificação de imagens.
  2. Certifique-se de que o participante não tenha contra-indicações para HD-tDCS e não atenda a nenhum critério de exclusão. Apresente o procedimento experimental aos participantes e obtenha o consentimento informado por escrito após confirmar sua compreensão do estudo.
    NOTA: Pergunte ao participante sobre sua mão dominante e confirme observando qual mão ele usa para escrever.
  3. Meça a circunferência da cabeça do participante usando uma fita métrica e selecione o tamanho apropriado da touca de neoprene HD-tDCS (consulte a Tabela de Materiais) de acordo.
  4. Verifique se o dispositivo HD-tDCS está totalmente carregado. Certifique-se de que todos os acessórios - incluindo eletrodos, gel de eletrodo, seringa fornecida com o instrumento, cabos de eletrodos e o computador usado para operar o sistema HD-tDCS - estejam prontos para uso.
  5. Selecione aleatoriamente uma das duas tarefas experimentais como condição de pré-teste. Instrua o participante a concluir a tarefa de classificação de imagens.
    NOTA: Um gerador de números aleatórios pode ser usado para atribuir aleatoriamente condições experimentais.
    1. Abra o programa.
    2. Clique em EXECUTAR, insira o número do assunto e o número da sessão, confirme as informações e clique em SIM para iniciar a tarefa experimental.

2. Estimulação HD-tDCS

  1. Insira as partes inferiores dos cinco eletrodos nas posições correspondentes na tampa de neoprene. Essas cinco posições servem como locais de estimulação.
    NOTA: Para direcionar o DLPFC correto, use as cinco posições de eletrodo a seguir: F4, Fp2, Fz, C4 e F8.
  2. Instrua o participante a sentar-se confortavelmente em uma cadeira. Posicione a borda frontal da touca de neoprene aproximadamente 1-2 cm acima das sobrancelhas. Certifique-se de que Cz esteja alinhado com o ponto médio entre os dois pontos pré-auriculares. Encaixe a tampa com segurança na cabeça do participante, garantindo o alinhamento adequado.
    NOTA: Ao colocar a tampa da cabeça, certifique-se de localizar Cz, o íon, o násio e os pontos pré-auriculares esquerdo e direito de acordo com o sistema internacional de EEG 10-20.
  3. Aplique o gel do eletrodo (consulte aT capaz de Materiais) em cada local de estimulação usando a seringa fornecida com o instrumento para reduzir a impedância entre os eletrodos e o couro cabeludo.
    NOTA: O gel do eletrodo é um gel altamente condutor e solúvel em água.
    1. Encha a seringa com gel de eletrodo.
    2. Para cada eletrodo, divida o cabelo com a seringa para expor o couro cabeludo.
    3. Injete uma quantidade suficiente de gel de eletrodo no couro cabeludo exposto dentro das partes inferiores de todos os eletrodos.
    4. Aparafuse as partes superior e inferior de todos os eletrodos.
  4. Conecte o dispositivo HD-tDCS.
    1. Ligue o dispositivo HD-tDCS e inicie o software de controle correspondente (consulte a Tabela de Materiais).
      NOTA: O computador que executa o software de controle deve atender pelo menos aos seguintes requisitos: Processador: 1.6 GHz; RAM: 2 GB; Interface: USB ou WiFi; Resolução da tela: 1.280 x 768.
    2. Ative o Bluetooth no computador. No software de controle, selecione USAR dispositivos Wi-Fi para iniciar o processo de conexão.
    3. Aguarde até que o endereço MAC do dispositivo apareça na lista. Assim que aparecer, selecione o dispositivo.
    4. Na configuração Filtro de ruído de linha, selecione 50 Hz para eliminar a interferência elétrica. 
      NOTA: A frequência selecionada deve corresponder à frequência de alimentação CA usada no país onde o experimento é realizado.
    5. Na parte inferior do painel de configurações, clique no botão Usar este dispositivo . O software estabelecerá uma conexão com o dispositivo.
  5. Configure o protocolo de estimulação HD-tDCS.
    1. Clique no ícone em forma de cabeça no painel esquerdo do software de controle. Em seguida, clique em ADICIONAR NOVO PROTOCOLO para criar um novo protocolo de estimulação.
    2. Defina a duração do protocolo para 21 min, com um período de aumento de 30 s e 30 s de redução para entrega atual.
      NOTA: Se o protocolo for uma estimulação simulada, ative a opção Simulação .
    3. Arraste o eletrodo F4 para a coluna Estimulação à direita. Defina o canal para o modo de estimulação, insira uma intensidade de corrente de 2.000 μA35, selecione estimulação anódica.
      NOTA: A designação do ânodo e do cátodo depende do tipo de estimulação pretendido.
    4. Arraste os eletrodos Fp2, Fz, C4 e F8 para a coluna Estimulação. Defina cada canal para o modo de retorno, atribuindo 25% da corrente total a cada um. Salve o protocolo.
    5. Selecione o protocolo de estimulação configurado. Prenda o dispositivo HD-tDCS à tira de Velcro na parte de trás da tampa da cabeça. Use os cabos do eletrodo para conectar o dispositivo ao hardware do eletrodo.
      NOTA: Certifique-se de que cada cabo esteja conectado à posição correta do eletrodo, correspondendo à configuração no software.
    6. Confirme se todos os cabos estão conectados corretamente. Clique no botão LOAD PROTOCOL no canto inferior direito.
  6. Clique no botão VERIFICAR IMPEDÂNCIA para realizar uma verificação de impedância.
    NOTA: Certifique-se de que os indicadores de status de conexão para todos os eletrodos selecionados estejam verdes (0-10 kΩ) ou laranja (10-15 kΩ). Se algum indicador aparecer vermelho (>15 kΩ), reaplique o gel do eletrodo ou ajuste o cabelo para expor mais couro cabeludo para reduzir a impedância.
  7. Clique no botão Iniciar (ícone de triângulo apontando para a direita) para iniciar a estimulação.
  8. Instrua os participantes a relatar suas sensações em vários momentos durante a sessão de estimulação.
    NOTA: Se um participante relatar desconforto além das sensações normais, clique imediatamente no botão STOP no software, remova o dispositivo do participante e verifique a condição do couro cabeludo.

3. Pós-estimulação

  1. Desligue o software de controle. Desconecte os cabos dos eletrodos e remova cuidadosamente o dispositivo HD-tDCS.
  2. Remova a tampa da cabeça do participante e solte todos os eletrodos.
  3. Selecione o outro programa experimental que ainda não foi concluído. Instrua o participante a concluir a tarefa de classificação de imagens como pós-teste.
  4. Forneça ao participante suprimentos para limpar o cabelo.
  5. Instrua os participantes a preencher um questionário de sensação após a sessão HD-tDCS36. Use o questionário para avaliar a tolerância dos participantes e a experiência subjetiva da estimulação HD-tDCS.
  6. Limpe a tampa da cabeça e os eletrodos.
    1. Enxágue bem a tampa da cabeça com água. Pendure a tampa para secar ao ar.
    2. Use água da torneira para enxaguar suavemente o gel dos eletrodos.
      NOTA: Use água morna para dissolver o gel mais rapidamente.
    3. Deixe os eletrodos secarem ao ar em uma toalha de papel ou pano longe da luz solar direta. Depois de secos, coloque-os em suas embalagens para armazenamento de longo prazo.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

O principal resultado deste estudo inclui a medição da sensibilidade metacognitiva usando o meta-d'. Um teste de normalidade foi realizado nos escores de sensibilidade metacognitiva dos participantes em diferentes tipos de estimulação, e os resultados mostraram que a normalidade foi atendida em todas as condições. Uma ANOVA de medidas repetidas foi realizada para comparar a sensibilidade metacognitiva em diferentes tipos de estimulação, com os resultados ...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Para garantir a confiabilidade dos resultados experimentais, vários fatores devem ser considerados durante o procedimento. Primeiro, ao conectar os cabos ao hardware do eletrodo HD-tDCS, é crucial verificar se cada cabo corresponde precisamente à posição do eletrodo designada, pois conexões incorretas podem causar efeitos fisiológicos não intencionais. Em segundo lugar, uma vez que este é um estudo simples-cego envolvendo uma condição de estimulação simulada, os participantes não devem s...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Os autores não têm nada a divulgar.

Agradecimentos

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este estudo foi apoiado pelo Programa de Inovação em Pesquisa e Prática de Pós-Graduação da Província de Jiangsu (KYCX25_4311), Fundação Nacional de Ciências Naturais da China (72374088, 72471105, 72472094, 72001096), 2024 Projeto-Chave de Planejamento de Pesquisa em Ciências do Ensino Superior da Associação Chinesa de Ensino Superior (24XX0205, Mecanismos de Estratégias de Colaboração Humano-IA na Melhoria dos Resultados de Aprendizagem), 2024 Projeto-Chave de Planejamento de Ciências da Educação na Província de Jiangsu (B-b/2024/01/162, Construção de modelos e pesquisa empírica sobre aprendizagem multimodal na perspectiva da neurociência educacional), Bolsa do Governo de Jiangsu para Estudos no Exterior (JS-2024-69) e Fundo de Ciências Humanas e Sociais do Ministério da Educação da China (24YJCZH445).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
Cabos de eletrodoNeuroelétricaCabo de 10 eletrodosO cabo do eletrodo possui 10 soquetes médicos para eletrodos.
Gel de eletrodosLaboratórios ParkerSignagel 250g NE016bEle é usado para diminuir a impedância e melhorar a qualidade do sinal.
EletrodosNeuroelétricaNG PISTIM NE029O NG Pistim consiste em duas peças: o fixador (parte superior) e a arruela roscada (parte inferior).
Software experimentalFERRAMENTAS DE SOFTWARE DE PSICOLOGIAE-prime3.0 Build 3.0.3.31Esse é o software usado para criar o programa experimental.
Dispositivo HD-tDCSNeuroelétricaStarstim 8Este é o dispositivo usado para fornecer estimulação HD-tDCS.
Software HD-tDCSNeuroelétricaNIC2 V2.1.3.6É a aplicação que permite que um computador interaja com o dispositivo HD-tDCS.
Computador portátilValeG5 5500Este computador executa o software usado no experimento.
Tampa de cabeça de neopreneNeuroelétricaMÉ uma tampa para colocar os eletrodos com precisão no couro cabeludo. Tamanhos: S (49 cm), M (54 cm), L (57 cm), XL (60 cm)
Ferramenta estatísticaIBMSPSS V26É usado para análise de dados.
Seringa-NE014Ele é usado para injetar gel de eletrodo.

Referências

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Brynjolfsson, E., Mitchell, T., Rock, D. What can machines learn, and what does it mean for occupations and the economy? AEA Pap. Proc. 108. , 43-47 (2018).
  2. Gleasure Pieper, M., R, How AI helps to compile human intelligence: An empirical study of emerging augmented intelligence for medical image scanning. Inf Syst J. 35 (5), 1399-1421 (2025).
  3. Ling, B., Dong, B. W., Cai, F. Applicants' fairness perception of human and ai collaboration in resume screening. Int J Hum Comput Interact. 10, (2024).
  4. Ahsen, M. E., Ayvaci, M. U. S., Mookerjee, R., Stolovitzky, G. Economics of AI and human task sharing for decision making in screening mammography. Nat Commun. 16 (1), 2289(2025).
  5. Webster Ivanov, S., C, Automated decision-making: Hoteliers' perceptions. Technol Soc. 76, (2024).
  6. Radonjic, A., Duarte, H., Pereira, N. Artificial intelligence and HRM: HR managers' perspective on decisiveness and challenges. Eur Manag J. 42 (1), 57-66 (2024).
  7. Adam, M., Diebel, C., Goutier, M., Benlian, A. Navigating autonomy and control in human-ai delegation: User responses to technology- versus user-invoked task allocation. Decis Support Syst. 180, 114193(2024).
  8. Fuegener, A., Grahl, J., Gupta, A., Ketter, W. Cognitive challenges in human-artificial intelligence collaboration: Investigating the path toward productive delegation. Inf Syst Res. 33 (2), 678-696 (2022).
  9. Evans, J. A., Foster, J. G. Metaknowledge. Science. 331 (6018), 721-725 (2011).
  10. Jussupow, E., Spohrer, K., Heinzl, A., Gawlitza, J. Augmenting medical diagnosis decisions? An investigation into physicians' decision-making process with artificial intelligence. Inf Syst Res. 32 (3), 713-735 (2021).
  11. Atchley, P., Pannell, H., Wofford, K., Hopkins, M., Atchley, R. A. Human and AI collaboration in the higher education environment: Opportunities and concerns. Cogn Res Princ Implic. 9 (1), (2024).
  12. Lau Fleming, S. M., C, H. How to measure metacognition. Front Hum Neurosci. 8, (2014).
  13. Lau Maniscalco, B., H, A signal detection theoretic approach for estimating metacognitive sensitivity from confidence ratings. Conscious Cogn. 21 (1), 422-430 (2012).
  14. Fleming, S. M. Metacognition and confidence: A review and synthesis. Annu Rev Psychol. 75, 241-268 (2024).
  15. Kadosh Reed, T., C, R. Transcranial electrical stimulation (TES) mechanisms and its effects on cortical excitability and connectivity. J Inherit Metab Dis. 41 (6), 1123-1130 (2018).
  16. Harty, S., et al. Transcranial direct current stimulation over right dorsolateral prefrontal cortex enhances error awareness in older age. J Neurosci. 34 (10), 3646-3652 (2014).
  17. Silvanto Bona, S., J, Accuracy and confidence of visual short-term memory do not go hand-in-hand: Behavioral and neural dissociations. PLoS One. 9 (3), (2014).
  18. Soutschek Mattes, R. S., A, Brain stimulation over dorsomedial prefrontal cortex causally affects metacognitive bias but not mentalising. Cogn Affect Behav Neurosci. , (2025).
  19. Rahnev Shekhar, M., D, Distinguishing the roles of dorsolateral and anterior PFC in visual metacognition. J Neurosci. 38 (22), 5078-5087 (2018).
  20. Soutschek, A., Moisa, M., Ruff, C. C., Tobler, P. N. Frontopolar theta oscillations link metacognition with prospective decision making. Nat Commun. 12 (1), 3943(2021).
  21. Cho, S. S., et al. Effect of continuous theta burst stimulation of the right dorsolateral prefrontal cortex on cerebral blood flow changes during decision making. Brain Stimul. 5 (2), 116-123 (2012).
  22. Wout, V. an't, Kahn, M., S, R., Sanfey, A. G., Aleman, A. Repetitive transcranial magnetic stimulation over the right dorsolateral prefrontal cortex affects strategic decision-making. Neuroreport. 16 (16), 1849-1852 (2005).
  23. Han, L. T., et al. Establishing a causal role for left ventrolateral prefrontal cortex in value-directed memory encoding with high-definition transcranial direct current stimulation. Neuropsychologia. (181), e108489(2023).
  24. Workman, C. D., Kamholz, J., Rudroff, T. The tolerability and efficacy of 4 mA transcranial direct current stimulation on leg muscle fatigability. Brain Sci. 10 (1), (2020).
  25. Kuo, H. -I., et al. Comparing cortical plasticity induced by conventional and high-definition 4 x 1 ring tDCS: A neurophysiological study. Brain Stimul. 6 (4), 644-648 (2013).
  26. Parlikar, R., et al. High definition transcranial direct current stimulation (HD-tDCS): A systematic review on the treatment of neuropsychiatric disorders. Asian J Psychiatr. 56, 102542(2021).
  27. Enriquez-Geppert, S., Huster, R. J., Herrmann, C. S. Boosting brain functions: Improving executive functions with behavioral training, neurostimulation, and neurofeedback. Int J Psychophysiol. 88 (1), 1-16 (2013).
  28. Bjekic, J., Zivanovic, M., Filipovic, S. R. Transcranial direct current stimulation (tDCS) for memory enhancement. J Vis Exp. 175 (175), 62681(2021).
  29. Russakovsky, O., et al. Imagenet large scale visual recognition challenge. Int J Comput Vis. 115 (3), 211-252 (2015).
  30. Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., Wojna, Z. Rethinking the Inception Architecture for Computer Vision. IEEE Trans Vis Comput Graph. , IEEE. 2818-2826 (2016).
  31. Scherer Candrian, C., A, Rise of the machines: Delegating decisions to autonomous AI. Comput Human Behav. 134, 107308(2022).
  32. Parlangeli, O., Curro, F., Palmitesta, P., Guidi, S. Moral judgements of errors by AI systems and humans in civil and criminal law. Behav Inf Technol. 43 (9), 1718-1728 (2024).
  33. Gass, D. F. Exploring personality-based heterogeneity in metaknowledge and human-AI collaboration. in International Conference on Information Systems, ICIS. , (2023).
  34. Faul, F., Erdfelder, E., Lang, A. -G., Buchner, A. G*power 3: A flexible statistical power analysis program for the social, behavioral, and biomedical sciences. Behav Res Methods. 39 (2), 175-191 (2007).
  35. Reckow, J., et al. Tolerability and blinding of 4x1 high-definition transcranial direct current stimulation (HD-tDCS) at two and three milliamps. Brain Stimul. 11 (5), 991-997 (2018).
  36. Chen, W., Chen, R., He, Q. Stimulation location determination using a 3d digitizer with high-definition transcranial direct current stimulation. J Vis Exp. (154), e60263(2019).
  37. El Jamal, C., et al. Tolerability and blinding of high-definition transcranial direct current stimulation among older adults at intensities of up to 4 mA per electrode. Brain Stimul. 16 (5), 1328-1335 (2023).
  38. Mcintire, L. K., Mckinley, R. A., Goodyear, C., Nelson, J. A comparison of the effects of transcranial direct current stimulation and caffeine on vigilance and cognitive performance during extended wakefulness. Brain Stimul. 7 (4), 499-507 (2014).
  39. Meunier-Duperray, L., et al. Does age affect metacognition? A cross-domain investigation using a hierarchical Bayesian framework. Cognition. 258, 106089(2025).
  40. Filippi, R., Ceccolini, A., Periche-Tomas, E., Bright, P. Developmental trajectories of metacognitive processing and executive function from childhood to older age. Q J Exp Psychol. 73 (11), 1757-1773 (2020).
  41. Workman, C. D., Fietsam, A. C., Rudroff, T. Different effects of 2 mA and 4 mA transcranial direct current stimulation on muscle activity and torque in a maximal isokinetic fatigue task. Front Hum Neurosci. 14, (2020).
  42. Gnewuch, U., Morana, S., Hinz, O., Kellner, R., Maedche, A. More than a bot? The impact of disclosing human involvement on customer interactions with hybrid service agents. Inf Syst Res. 35 (3), 936-955 (2024).
  43. Shrestha, Y. R., Ben-Menahem, S. M., Von Krogh, G. Organizational decision-making structures in the age of artificial intelligence. Calif Manage Rev. 61 (4), 66-83 (2019).
  44. Gomez, C., Cho, S. M., Ke, S., Huang, C. M., Unberath, M. Human-ai collaboration is not very collaborative yet: A taxonomy of interaction patterns in AI-assisted decision making from a systematic review. Front Comput Sci. 6, 1521066(2024).
  45. Pinski, M., Haas, M. J., Benlian, A. AI literacy - towards measuring human competency in artificial intelligence. in Proc Annu Hawaii Int Conf Syst Sci. , 5164-5173 (2024).
  46. Mattioli, F., Maglianella, V., D'antonio, S., Trimarco, E., Caligiore, D. Non-invasive brain stimulation for patients and healthy subjects: Current challenges and future perspectives. J Neurol Sci. 456, 122825(2024).
  47. Rudroff, T., Rainio, O., Klen, R. Leveraging artificial intelligence to optimize transcranial direct current stimulation for long covid management: A forward-looking perspective. Brain Sci. 14 (8), (2024).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

tDCS de Alta Defini oColabora o Humano IADelega o de TarefasEstimula o AnodalEstimula o CatodalEstimula o ShamTarefa de Classifica o de ImagensANOVA de Medidas Repetidas

Artigos relacionados