Predição de índices psicológicos em ambientes digitais utilizando redes neurais profundas

Os jogos digitais destacam-se como ambientes relevantes para pesquisas comportamentais devido à capacidade de estimular mecanismos de recompensa e interação social. Entretanto, a exposição contínua a esses sistemas pode reforçar comportamentos associados à ansiedade, impulsividade e fobia social. Este estudo aplica redes neurais densas (DNN) para prever níveis clínicos de ansiedade (GAD-7), fobia social (SPIN) e satisfação com a vida (SWL) a partir de variáveis comportamentais autodeclaradas. A escolha pelas DNN decorre de sua capacidade de modelar relações não lineares complexas entre atributos comportamentais e indicadores psicológicos, superando limitações de métodos tradicionais. Adotou-se uma abordagem quantitativa envolvendo pré-processamento, normalização, balanceamento de classes e modelagem com TensorFlow/Keras. Os modelos alcançaram acurácias de 81,9% (GAD-7), 81,7% (SPIN) e 74,9% (SWL), demonstrando estabilidade e interpretabilidade adequadas. A principal contribuição desta pesquisa consiste em integrar dados de comportamento digital com índices clínicos validados, preenchendo uma lacuna na literatura ao aplicar aprendizado profundo em cenários não clínicos, como o contexto de jogos online. Os resultados indicam o potencial das redes neurais como ferramenta complementar para avaliação psicológica preliminar e monitoramento de bem-estar em ambientes digitais.