ECA piloto em jovens que gaguejam: RV com avatar fotorrealista é bem aceite e suscita ativação, mas uma sessão não superou o role-play

Contexto

A gaguez em crianças em idade escolar e adolescentes é frequentemente acompanhada de ansiedade social. Iverach et al. (2016) relataram que as crianças que gaguejam têm aproximadamente seis vezes mais probabilidade do que os seus pares sem gaguez de desenvolver perturbação de ansiedade social, e a ansiedade social nesta população tende a aumentar ao longo da adolescência. A TCC com exposição graduada é eficaz na redução da ansiedade social em adultos que gaguejam, mas poucas intervenções empíricas abordaram especificamente a ansiedade em jovens que gaguejam.

A terapia de exposição baseia-se tradicionalmente em experiências in vivo ou em jogo de papéis no consultório com o clínico. Ambas têm limitações: a exposição in vivo é logisticamente difícil e confere ao terapeuta pouco controlo sobre a situação, enquanto o jogo de papéis é limitado pela consciência dos participantes de que o clínico é uma figura familiar e segura, e não um estranho. A realidade virtual tem sido proposta como um meio controlável intermédio, mas a maior parte do trabalho de RV em gaguez até à data utilizou cenários de grupo ou audiência (Brundage et al. 2006, 2016; Brundage e Hancock 2015; Moïse-Richard et al. 2021) em vez de conversação presencial naturalista individual, e baseou-se em comportamentos de avatar pré-programados ou estáticos em vez de respostas dinâmicas em tempo real.

Delangle e colaboradores (a mesma equipa de investigação de Moïse-Richard et al. 2021) propuseram-se colmatar duas lacunas: a ausência de medidas fisiológicas no trabalho prévio da equipa com sala de aula virtual, e a ausência de um cenário de RV de conversação presencial individual que simule as dinâmicas naturalistas e recíprocas da conversa quotidiana.

O que os investigadores fizeram

Treze crianças e adolescentes que gaguejam foram recrutados no Centre de Réadaptation Marie Enfant (CHU Sainte-Justine), no Instituto Raymond-Dewar e em clínicas privadas de terapia da fala em Montreal, Quebec. Uma adolescente foi excluída (exposição prévia a RV semelhante durante uma gravação televisiva), ficando doze participantes na análise (6 raparigas; idades 9-18, M=13,1, DP=3,0). Todos tinham sido diagnosticados profissionalmente com gaguez por um terapeuta da fala certificado, encontravam-se em tratamento terapêutico ativo e tinham completado pelo menos três sessões com o seu próprio terapeuta. A atribuição aleatória por gerador de números aleatórios produziu dois grupos equilibrados (n=6 por braço). As medidas basais de ansiedade social (LSAS-CA) e confiança na fala em público (forma abreviada do PRCS) não mostraram diferenças significativas entre grupos.

O sistema de RV. Um professor virtual fotorrealista foi construído com MetaHuman e renderizado num Meta Quest 2 em Unreal Engine 5.03. Numa sala adjacente, o terapeuta da fala controlava o avatar em tempo real: um iPhone 11 a correr o Live Link Face capturava os movimentos labiais, bucais, oculares, das sobrancelhas e da cabeça do terapeuta e transmitia-os ao avatar; o Clownfish Voice Changer aplicava um efeito de voz masculina consistente (as terapeutas eram predominantemente do sexo feminino, e foi escolhido um avatar masculino de aproximadamente 40-50 anos especificamente para limitar o reconhecimento). O terapeuta via em direto a perspetiva do participante num portátil, permitindo capacidade de resposta verbal e não verbal dinâmica. A animação corporal subtil do avatar (ligeiro balanço, movimento neutro dos braços) era controlada pelo Adobe Mixamo para evitar uma aparência estática antinatural. A sala de aula virtual e a sala de experimentação utilizavam geometria de secretária correspondente para melhorar a incorporação.

Procedimento. Cada participante completou duas sessões com aproximadamente duas semanas de intervalo (M=12 dias, DP=11,3, amplitude 3-42). Cada sessão tinha três fases:

1. Basal - conversa de 3 minutos com um membro desconhecido da equipa de investigação (diferente do terapeuta e do professor-ator) sobre tópicos neutros (passatempos, música, destinos de viagem) para captar a ativação relacionada com a fala.
2. Preparação do Discurso - discussão de 3 minutos com o mesmo membro da equipa sobre possíveis acomodações em sala de aula que o participante poderia solicitar em relação à sua gaguez.
3. Tarefa de Conversa - conversa de 5 minutos (M=4,7 min, DP=1,6) com o “professor”, em que o participante revelava a sua gaguez e negociava acomodações em sala de aula. O professor introduziu três categorias de estímulos ansiogénicos, apresentando cada um pelo menos uma vez: franzir de sobrancelhas, bocejo e frases desconfortáveis com guião (“Isso não é justo para os outros alunos”, “Por que razão devo fazer acomodações especiais para si?”). Os terapeutas receberam formação para aguardar pelo menos 20 segundos entre estímulos e não introduzir dois simultaneamente; foram instruídos a não reforçar comportamentos de procura de reasseguramento ou de evitamento.

Na Sessão 1, a Tarefa de Conversa do grupo experimental foi in virtuo (o próprio terapeuta controlou o avatar a partir da sala adjacente); a do grupo de controlo foi jogo de papéis presencial com o terapeuta. Na Sessão 2 (in vivo, para ambos os grupos), a Tarefa de Conversa foi com um professor-ator desconhecido em pessoa.

Medidas:

• Aceitabilidade e presença (Objetivo 1): ITC-SOPI (44 itens em subescalas de Presença Espacial, Envolvimento, Validade Ecológica, Efeitos Negativos) e um questionário Interação com Avatars (IWA) desenvolvido à medida.
• Ansiedade fisiológica (Objetivos 2 e 3): Atividade eletrodérmica (nível de condutância da pele SCL, resposta de condutância da pele SCR) e eletrocardiograma (frequência cardíaca FC, variabilidade da frequência cardíaca via RMSSD) registados com um sistema Biopac MP36R e processados com AcqKnowledge e NeuroKit2. Foi utilizada uma colocação periférica adaptada de elétrodos de ECG (perna esquerda + antebraço direito) em vez da colocação clavículo-costal padrão para evitar ser intrusiva para as crianças. As medidas fisiológicas foram expressas como variação em relação ao basal de cada sessão para lidar com a variação natural de dia para dia.
• Ansiedade autorrelatada (Objetivos 2 e 3): um SUDS modificado de 0-10 administrado após o basal, após a preparação do discurso e retrospetivamente após a conversa (para o início e o fim da conversa separadamente).
• Autoeficácia (Objetivo 3): questionário desenvolvido à medida com 14 itens (1 = “De forma alguma confiante” a 5 = “Muito confiante”) adaptado de Bray et al. 2003/Manning 1994 (enquadramento cognitivo social de Bandura). Alfa de Cronbach = 0,87.

Análise estatística. Dada a amostra pequena, os autores utilizaram reamostragem bootstrap paramétrica (dados fisiológicos contínuos) e não paramétrica (dados ordinais de questionários) com 10.000 iterações no IBM SPSS Statistics 29 e Python. A significância foi inferida a partir de intervalos de confiança a 95% (não sobreposição com o basal-zero ou com o intervalo do outro grupo) e valores p de bootstrap. Os tamanhos de efeito (d de Cohen, r de Pearson) foram reportados em paralelo. Não foram aplicadas correções para comparações múltiplas, porque a reamostragem bootstrap fornece estimativas empíricas de significância sem pressupostos paramétricos.

O que encontraram

Objetivo 1 - aceitabilidade e presença. As subescalas do ITC-SOPI indicaram boa presença: Presença Espacial M=3,60 (DP=0,70), Envolvimento M=3,87 (DP=0,78), Validade Ecológica M=3,27 (DP=1,53; um participante classificou com 1/5, contribuindo para o DP maior), Efeitos Negativos M=1,58 (DP=0,60). No IWA, os participantes sentiram que estavam a falar com uma pessoa real (M=8,43/10), NÃO sentiram que estavam a falar com o seu próprio terapeuta (M=2,86/10; pontuações mais baixas indicam que a incorporação do terapeuta foi mascarada com sucesso), consideraram os cenários simulados relevantes (M=9,29/10) e desejaram fortemente ter acesso à ferramenta para praticar situações stressantes (M=9,57/10). Os dois participantes mais velhos (16 e 18 anos) deram as pontuações mais altas em “senti que estava a falar com o meu terapeuta” (10 e 8, respetivamente), reconhecendo a prosódia e entoação do terapeuta em vez da voz modulada.

Objetivo 2 - respostas fisiológicas e subjetivas à ansiedade. O SCL do grupo experimental de RV foi significativamente elevado em relação ao basal durante a preparação do discurso (Sessão 1: IC 95% [0,404, 2,578], p=,006; Sessão 2: IC 95% [0,215, 0,935], p<,001) e a conversa (Sessão 1: IC 95% [0,351, 2,142], p=,009; Sessão 2: IC 95% [0,859, 4,471], p=,008). O grupo de controlo de jogo de papéis NÃO mostrou elevação significativa do SCL em relação ao basal em nenhuma fase de qualquer sessão (todos p>,05).

As taxas de deteção de SCR (proporção de estímulos ansiogénicos que elicitaram uma resposta de condutância da pele) mostraram um padrão inesperado na Sessão 1: o grupo de controlo exibiu significativamente MAIS SCRs do que o grupo experimental, particularmente para o franzir de sobrancelhas (t=-3,79, p<,05) e para todos os estímulos combinados (t=-3,76, p<,05). Os autores interpretam isto como o franzir de sobrancelhas sendo uma pista não verbal subtil que pode ser mais difícil de perceber com precisão num avatar fotorrealista do que numa pessoa real. Dentro do grupo experimental, as taxas de deteção de SCR foram comparáveis entre as condições in virtuo (Sessão 1) e in vivo (Sessão 2) (t(4)=-1,07, p=,35), sugerindo que o avatar elicitou respostas fisiológicas semelhantes às evocadas por uma pessoa real para os mesmos indivíduos.

A frequência cardíaca e o RMSSD produziram um padrão inesperado em ambos os grupos. Em vez do aumento previsto da FC (e diminuição do RMSSD) com o stresse, ambos os grupos mostraram DIMINUIÇÃO da FC em relação ao basal na maioria das fases e AUMENTO do RMSSD - interpretado pelos autores como adaptação ou habituação autonómica durante o stresse social.

O SUDS autorrelatado mostrou uma clara dissociação em relação à ativação fisiológica. Na Sessão 1, o SUDS do grupo de RV durante a conversa in virtuo NÃO diferiu significativamente do basal. O SUDS do grupo de jogo de papéis foi significativamente elevado acima do basal no início e no fim (ambos p<,001). O efeito entre grupos no final da conversa foi grande (d=1,35, p=,031).

Objetivo 3 - valor acrescentado da RV face ao jogo de papéis. A autoeficácia não mostrou diferenças significativas entre grupos em nenhum momento (todos p>,58) nem alterações significativas dentro de nenhum grupo. Os autores concluem que uma sessão de treino única em qualquer das condições não produziu ganhos significativos na autoeficácia nem reduziu a ansiedade durante a conversa in vivo subsequente. Os tamanhos de efeito moderados dentro do grupo sugerem que estudos maiores ou mais longos poderiam detetar sinais que este piloto não teve poder estatístico para demonstrar.

Porque é relevante

Este é o primeiro estudo em gaguez a implementar um ambiente de RV de conversação presencial individual em tempo real com um avatar fotorrealista cujo comportamento verbal e não verbal é controlado ao vivo por um clínico através de captura de movimento facial, e a combinar isso com medidas fisiológicas e subjetivas emparelhadas. Alarga o trabalho prévio com sala de aula virtual da mesma equipa de investigação (Moïse-Richard et al. 2021) dos cenários de grupo/audiência para a conversa individual, e aborda a ausência de medição fisiológica nesse estudo anterior.

A contribuição interpretativa central é a dissociação entre ativação fisiológica elevada (SCL) e sofrimento subjetivo inalterado (SUDS) na condição de RV - um padrão consistente com o modelo tripartido de ansiedade de Lang e com Brundage et al. (2016) em adultos que gaguejam. Se um futuro protocolo com múltiplas sessões confirmar esta dissociação de forma fiável, os autores propõem que poderia apoiar a RV como ponto de entrada de fase inicial para adolescentes com comportamentos de evitamento que, de outra forma, recusariam a exposição in vivo. Os autores são explícitos ao afirmar que esta é uma inferência a partir do padrão de dissociação, não um efeito de tratamento demonstrado neste estudo.

Igualmente importante é o que o estudo NÃO mostrou: uma sessão de treino única de RV não foi superior a uma sessão de jogo de papéis na redução da ansiedade ou melhoria da autoeficácia quando os participantes enfrentaram posteriormente um professor-ator desconhecido. Os autores são claros ao afirmar que são necessários protocolos com múltiplas sessões no âmbito de um protocolo completo de TCC antes de se poder fazer qualquer recomendação clínica sobre o valor acrescentado da RV.

Limitações

Os autores sinalizam explicitamente as seguintes na sua Discussão:

• Amostra muito pequena. N=12, 6 por grupo. Observou-se variação individual substancial em respostas percebidas e fisiológicas. É necessária uma amostra maior para caracterizar a variabilidade e identificar perfis de resposta.
• Sessão de treino única. Os autores são explícitos ao afirmar que uma sessão é insuficiente para avaliar efeitos de treino na autoeficácia e ansiedade; são necessários protocolos com múltiplas sessões.
• Inconsistência dos professores-atores na Sessão 2. Dois atores diferentes interpretaram o professor in vivo na amostra (com correspondência de faixa etária e tipo de corpo, ambos envolvidos em todos os grupos), mas cada ator tinha naturalmente características prosódicas diferentes e reações únicas.
• O mesmo terapeuta desempenhou ambos os papéis com os participantes. O próprio terapeuta de cada participante controlou por vezes o avatar (grupo experimental) e por vezes foi o parceiro de jogo de papéis presencial (grupo de controlo).
• Reconhecimento do terapeuta pelos participantes mais velhos. Os dois participantes mais velhos (16 e 18 anos) reconheceram a prosódia e o estilo de fala do seu terapeuta apesar da modulação de voz.
• Medição retrospetiva do SUDS. O SUDS foi administrado após a conversa para evitar interromper a tarefa. Os participantes que regularam naturalmente a sua ansiedade durante a conversa podem ter subestimado retrospetivamente o pico de ansiedade.
• Ausência de medida de tendências imersivas. O Questionário de Tendências Imersivas (Witmer e Singer, 1998) foi excluído para reduzir a carga cognitiva dos participantes mais jovens.
• Não foram comparados cenários individuais com cenários de grupo. Alguns participantes relataram menor ansiedade do que o esperado em contextos individuais; trabalho futuro poderia comparar a RV com avatar único com cenários de grupo virtual.
• Ausência de eye-tracking. Algumas crianças pareceram evitar o contacto visual com o professor virtual; o eye-tracking ajudaria a quantificar os comportamentos de evitamento.
• Ator desconhecido em vez de professor real. A Sessão 2 in vivo utilizou um ator desconhecido em vez do professor real de cada participante, reduzindo as implicações pessoais reais.
• Não é um enquadramento completo de exposição de TCC. O procedimento é com maior precisão uma “sessão de treino” do que terapia de exposição formal. Um protocolo completo de exposição baseado em TCC com hierarquia graduada, enquadramento de violação de expectativa e consolidação pós-exposição em múltiplas sessões não foi implementado.
• COI a declarar. O co-autor Stephane Bouchard é consultor e detentor de participação na Cliniques et Developpement In Virtuo, uma empresa de desenvolvimento de RV. O artigo afirma explicitamente que essa empresa não criou os ambientes utilizados neste estudo, mas a relação de participação é um fator de fundo relevante ao avaliar o enquadramento interpretativo do artigo.