Diretriz - Comportamental

Escopo

Esta diretriz estabelece medidas precisas do comportamento, permitindo avaliações e demonstrações de relações funcionais envolvendo intervenção e comportamento alvo (FALCOMATA, 2015). Além disso, possibilita uma análise sistemática da medida dos comportamentos alvos que serão ensinados (FALCOMATA, 2015).

O comportamento é mensurado para permitir que se tome decisões interventivas baseadas em dados, o que hoje é usualmente feito no contexto interventivo, por um Analista do Comportamento, mas que pode ser realizado também por técnicas de Inteligência Artificial, por exemplo a mensuração possibilita comparar o comportamento do sujeito dentro e entre diversas condições ambientais, permitindo obter conclusões empíricas sobre as reações dessas condições comportamentais. De acordo com Cooper, Heron e Heward (2019), mensuração do comportamento é realizada para:

Logo após ter identificado qual(is) habilidade(s) do(s) sujeito(s) que deve(m) ser modificada(s) é necessário adotar estratégias de medição exata dos estímulos evocativos e dos comportamentos emitidos. Isso é possível de ser realizado por meio de observação direta (estar fisicamente no local, gravações de vídeo ou registro de dados do comportamento por meio da interação com a máquina, como o número de toques na tela ou medidas de rastreio visual por meio de tecnologias de Eye Tracking, por exemplo) registrando o comportamento alvo e os efeitos que os mesmos provocam no ambiente à medida que são produzidos.

Embora medidas indiretas do comportamento, como auto relato, observações de pais ou cuidadores, entrevistas ou questionários sejam frequentemente utilizadas juntamente com a observação direta, é necessário também identificar quais são os principais estímulos reforçadores que influenciam no aprendizado do(s) sujeito(s) alvo(s) da intervenção, isso é possível seguindo os princípios do Design Centrado no Usuário e/ou Design Participativo, e/ou por meio de entrevistas, com o sujeito, pais ou cuidadores ou por meio de testagens. Segundo Cooper, Heron e Heward (2019), é necessário identificar estímulos com maior probabilidade de serem utilizados como reforçadores. Assim, os profissionais podem optar por seguir algumas diretrizes para realizar uma avaliação de preferência de estímulos, dentre as muitas existentes (DELEON; IWATA, 1996; GOTTSCHALK; LIBBY; GRAFF, 2000; HIGBEE;CARR; HARRISON, 2000; ORTIZ; CARR, 2000):

Além disso, Herrnstein (1961) descobriu que quando duas ou mais opções de comportamento estão disponíveis, o comportamento pode ser explicado por meio de uma fórmula matemática que ele chamou de “lei da igualação”. Compreender a lei da correspondência pode ser importante no momento de propor uma tecnologia assistiva, pois o algoritmo de (HERRNSTEIN, 1961), permite monitorar a atratividade relativa de cada um dos vários reforçadores oferecidos, por exemplo, em um determinado jogo. Por meio do monitoramento contínuo do comportamento de um jogador, um jogo pode calcular automaticamente quais recompensas estão provocando mais satisfação em conquistar daquele jogador (ou seja, quais consequências são mais reforçadoras).

Tanto os estímulos evocativos, os comportamentos emitidos e os reforçadores devem ser levados em consideração no momento da implementação da tecnologia assistiva, para isto é necessário realizar uma avaliação funcional dos comportamentos do sujeito da intervenção (MILTENBERGER, 2011). Lembrando que a tecnologia assistiva proposta, sempre que possível, deve permitir a entrega de reforços de formas variadas, como: sons, figuras, vídeo, etc.; e que esta função possa ser manipulada pelo Analista do Comportamento.

A avaliação funcional permite o desenvolvimento do programa de intervenção, o qual deverá conter o método pelo qual os dados serão coletados e mensurados durante a intervenção, isso é possível utilizando exemplos de mecanismos de mensuração de desempenho presentes em protocolos como o VB-MAPP, ABLA, ABLLS-R, EFL, AFLS, etc. Estes protocolos indicam exatamente os repertórios a serem desenvolvidos pelo(s) sujeito(s) alvo(s), além disso, tornam possível mensurar a evolução do(s) sujeito(s) alvo(s) após a intervenção por meio da reaplicação da avaliação.

Requisitos Tecnológicos

Dado o perfil do público alvo, em adição ao protocolo de rastreio mais indicado para acompanhar a evolução do(s) comportamento(s) alvo, a tecnologia assistiva deverá fornecer mecanismos capazes de coletar e armazenar os dados em tempo real para que produzam as informações possíveis de mensurar (tempo de duração do comportamento alvo, a quantidade de vezes que o comportamento alvo ocorre em um determinado período de tempo pré-estabelecido, a latência entre um estímulo e a emissão do comportamento-alvo, entre outros etc.) e observar a(s) mudança(s) comportamental(is) do sujeito(s) alvo da intervenção pelo Analista do Comportamento. Assim, a medição refere-se ao processo de atribuir valores numéricos ao comportamento alvo, ou seja, ela deve refletir o progresso da terapia destacando alterações ao longo do tempo. Os Analistas do Comportamento poderão utilizar das informações coletadas para explicar o processo, resultado e desafios observados durante as sessões da terapia.

Por fim, a tecnologia assistiva deve ser projetada pensando em identificar pontos de interesse do sujeito alvo da intervenção, estas informações reduzirão a carga de trabalho sobre os Analistas do Comportamento na compreensão das preferências e capacidades desses sujeitos.

Aplicações Tecnológicas

Essa seção objetiva apresentar exemplos de pesquisas que mostrem a relação tecnologia e mensuração do comportamento. As pesquisas descritas aqui, não se restringem apenas a tecnologias assistivas desenvolvidas baseadas na ABA, pois o objetivo é mostrar de forma geral que elas podem ser utilizadas para auxiliar na mensuração dos comportamentos ou habilidades.

Tecnologia

Dispositivos móveis e web.

Descrição

O estudo de Whitcomb et al. (2011) avaliou o sistema web Headsprout, utilizado por um aluno com TEA para melhorar a aquisição de habilidades de leitura. O sistema inclui o monitoramento do progresso do aluno e possui dicas visuais e auditivas. Para este estudo houve o recrutamento de uma criança de 9 anos de idade, diagnosticada com autismo, que apresentava no Ensino por Tentativas Discretas (Discrete Trial Teaching – DTT) incapacidade para compreender e ler com precisão palavras foneticamente regulares com combinações de letras na posição final, necessitando de instruções verbais parciais, para alcançar resultados satisfatórios. Como forma de mensurar a mudança do comportamento alvo, foi solicitado ao aluno que lesse um conjunto de palavras que seriam registradas no Headsprout como correta ou incorreta, além disso foi solicitado também que o aluno lesse quatro contos disponíveis no sistema que incluíam palavras para aumentar a dificuldade e novamente era registrado a evolução do aluno, assim o Headsprout emitiu um relatório contendo o total de acertos e erros das atividades realizadas pela criança e que foi analisado pelo Analista do Comportamento. Como resultado do experimento, o aluno participante deste estudo aprimorou sua leitura de conjuntos de palavras e texto disponíveis no Headsprout após a intervenção.

Tecnologia

Robôs

Descrição

A pesquisa de Huskens et al. (2013) fornece um exemplo da demonstração da eficácia de uma intervenção realizada por um robô em comparação com uma intervenção conduzida por um Analista do Comportamento para estimular crianças a realizarem perguntas. Os participantes desta pesquisa foram 6 crianças diagnosticados com TEA de acordo com os critérios do Manual Diagnóstico e Estatístico de Transtornos Mentais (DSM-IV), tinham idade entre 8 e 14 anos, possuía Quociente de inteligência (QI) acima de 80 e não foram capazes de iniciar uma pergunta após uma indagação de uma pessoa. Todas as sessões de linha de base e intervenção foram gravadas usando uma câmera de vídeo para que os comportamentos alvos registrados pudessem ser analisados. A análise de dados envolveu primeiro a inspeção visual e o cálculo do número médio de questões auto iniciadas para os grupos experimentais durante cada fase com os respectivos desvios padrão. Em segundo lugar, foi analisado o aumento no número de auto iniciações durante as fases, que foi determinado pelo cálculo de Taunovlap (Parker, Vannest e Davis, 2011). Os resultados da pesquisa mostram que tanto uma intervenção conduzida por um robô e uma intervenção conduzida por um terapeuta foi eficaz em estimular questionamentos nas crianças com TEA.

Descrição

A pesquisa de Desideri et al. (2018) teve como objetivo avaliar a eficácia de um robô humanoide (NAO) para ampliar a motivação e o desenvolvimento da aprendizagem de duas crianças de 9 anos de idade com TEA, possuindo diagnóstico de deficiência intelectual severa e que nunca teve contato com um robô humanoide. Uma das crianças possuía limitações na comunicação social e linguagem verbal. Já a outra criança apresentava interações com pares e habilidades verbais limitadas, deficiência intelectual grave, raro contato visual e atende pelo nome em algumas ocasiões, mas consegue realizar e compreender pedidos simples, nomear objetos do cotidiano e utilizar frases de efeito. Todas as sessões foram gravadas e os vídeos analisados. Os comportamentos observados de forma direta incluíram o estado de engajamento, que foi mensurado pela razão entre o tempo total (em segundos) e o tempo total de todo o período de destino; e o cumprimento de metas o qual indica a frequência de ocorrência do comportamento alvo sem aviso prévio durante cada período determinado, sendo calculado a partir da diferença entre a quantidade total de respostas corretas emitidas sem aviso e a quantidade total de solicitações realizadas pelo educador em cada uma das sessões individuais. Concluiu-se que a utilização do robô nas intervenções e nas sessões pós-intervenção demonstraram um aumente na frequência dos objetivos propostos a serem alcançados.

Tecnologia

Software para Desktop

Descrição

O objetivo do trabalho de Cummings e Saunders (2019) foi fornecer aos profissionais informações de como utilizar o Microsoft Power Point 2016 para automatizar o processo de aplicação do Matching-to-sample (MTS), por exemplo, em intervenções que envolvem sujeitos com TEA. Em cada tentativa, o sistema projetado apresenta uma série de três imagens (um Estímulo Discriminativo e dois Estímulos Delta – isto é, distratores) e um áudio (estímulo modelo ou estímulo condicional). Se a criança tocar na imagem correta, um reforçador (áudio, vídeo, etc.) é apresentado pelo sistema. Caso a criança não acerte a imagem o sistema não apresenta nenhum reforço.

Tecnologia

Jogos

Descrição

O trabalho de Kang e Chang (2019) objetivou investigar a eficácia da intervenção utilizando videogame para ensinar habilidades de tomar banho para crianças com TEA. Foi proposto um jogo interativo baseado na tecnologia de reconhecimento de gestos do Kinect, que transforma a necessidade de tomar banho em uma divertida experiência de aprendizado. Seis crianças com idade entre 9 a 11 anos foram recrutadas para participarem do experimento pois: 1) possuía diagnóstico de autismo ou deficiência intelectual; 1) possui uma meta do Plano de Educação Individual para melhorar o comportamento adaptativo relacionado aos cuidados pessoais; 3) não possuía nenhuma deficiência física que impediria o desempenho da habilidade; e 4) possuía capacidade de compreender os objetos exibidos pelo jogo. Um projeto de linha de base múltipla foi adotado para demonstrar a relação entre a intervenção baseada em jogos e tomar banho de forma independente. Os pais usaram o celular para gravar os filhos durante o banho. Os videoclipes foram analisados por dois professores de educação especial que atuaram como avaliadores no estudo. Procedimentos de registro de eventos foram usados para registrar cada etapa executada de forma independente ou incorreta. Uma resposta independente foi definida como o início da primeira etapa na análise da tarefa em 5 segundos e a conclusão de cada etapa em 20 segundos, sem assistência dos pais. O número de etapas independentes concluídas foi dividido pelo número total de etapas da análise da tarefa (ou seja, 25) e, em seguida, multiplicado por 100 para calcular a porcentagem de etapas concluídas independentemente. As estatísticas finais foram representadas graficamente para análise visual. Os dados mostraram que a porcentagem de etapas corretas da tarefa aumentou significativamente entre todas os participantes do experimento, melhorando assim o desempenho das tarefas durante as fases de intervenção e manutenção.

Como Utilizar Esta Diretriz

Referências

Cooper, J. O.; Heron, T. E.; Heward, W. L. (2019). Applied Behavior Analysis. 3. ed.[S.l.]: Pearson, 912 p. ISBN 0134752554.

DeLeon, I. G., & Iwata, B. A. (1996). Evaluation of a multiple‐stimulus presentation format for assessing reinforcer preferences. Journal of Applied Behavior Analysis, 29(4), 519-533.

Desideri, L., Negrini, M., Malavasi, M., Tanzini, D., Rouame, A., Cutrone, M. C., … & Hoogerwerf, E. J. (2018). Using a humanoid robot as a complement to interventions for children with autism spectrum disorder: a pilot study. Advances in Neurodevelopmental Disorders, 2(3), 273-285.

Falcomata, T. S. (2015). Defining features of applied behavior analysis. In Clinical and organizational applications of applied behavior analysis (pp. 1-18). Academic Press.

Gottschalk, J. M., Libby, M. E., & Graff, R. B. (2000). The effects of establishing operations on preference assessment outcomes. Journal of Applied Behavior Analysis, 33(1), 85-88.

Herrnstein, R. J. (1961). Relative and absolute strength of response as a function of frequency of reinforcement. Journal of the experimental analysis of behavior, 4(3), 267.

Higbee, T. S., Carr, J. E., & Harrison, C. D. (2000). Further evaluation of the multiple-stimulus preference assessment. Research in Developmental Disabilities, 21(1), 61-73.

Huskens, B., Verschuur, R., Gillesen, J., Didden, R., & Barakova, E. (2013). Promoting question-asking in school-aged children with autism spectrum disorders: Effectiveness of a robot intervention compared to a human-trainer intervention. Developmental neurorehabilitation, 16(5), 345-356.

Kang, Y. S., & Chang, Y. J. (2019). Using game technology to teach six elementary school children with autism to take a shower independently. Developmental neurorehabilitation, 22(5), 329-337.

Miltenberger, R. G. (2015). Behavior modification: Principles and procedures. Cengage Learning.

Ortiz, K. R., & Carr, J. E. (2000). Multiple‐stimulus preference assessments: a comparison of free‐operant and restricted‐operant formats. Behavioral Interventions: Theory & Practice in Residential & Community‐Based Clinical Programs, 15(4), 345-353.

Whitcomb, S. A., Bass, J. D., & Luiselli, J. K. (2011). Effects of a computer-based early reading program (Headsprout®) on word list and text reading skills in a student with autism. Journal of Developmental and Physical Disabilities, 23(6), 491-499.

Diretriz Aplicada
Diretriz Analítica