Moverè: Modelo Computacional Explorando Ciência de Contexto e Situação por meio de Tecnologias Persuasivas para Promover Adesão a Protocolos de Saúde de Pacientes em Healthcare
Fecha
2025-09-12Metadatos
Mostrar el registro completo del ítemResumen
A crescente adoção de dispositivos computacionais de diferentes perfis, conectados em uma perspectiva ubíqua, vem transformando hábitos cotidianos e impulsionando a pesquisa em Tecnologias Persuasivas (TP), que buscam moldar comportamentos por meio da tecnologia. Apesar da forte adesão a esses dispositivos, um desafio é aproveitar essa integração homem-máquina para auxiliar na adesão a hábitos mais saudáveis. Considerando isso, esta tese propõe o Moverè, um modelo
computacional ubíquo com abordagem adaptativa e personalizada, concebido a partir do Modelo Ubíquo para Sistemas Persuasivos para Mudança de Comportamento (MUSPMC) e expandido com conceitos como Internet das Coisas (IoT), que facilita a coleta de dados em tempo real, e Ciência de Contexto e de Situação, que permite interpretar essas informações. Um dos pilares metodológicos do Moverè é a Self-determination Theory (SDT), que fornece arcabouço para compreender e promover a motivação humana. Assim, a tese teve como objetivo conceber o modelo Moverè para mensurar a motivação dos usuários na adesão a protocolos de saúde. Sua principal contribuição é integrar, de forma inédita, IoT, Ciência de Contexto e mecanismos de persuasão adaptativa capazes de induzir mudanças sustentáveis em saúde. Para tanto, a pesquisa foi norteada pela questão: “Como o modelo computacional explorando a Ciência de Contexto e Situação pode auxiliar na adesão aos Protocolos de Saúde (PS) por meio de recursos motivacionais envolvendo a IoT?”. Para fundamentar e validar a abordagem, realizaram-se quatro Revisões Sistemáticas da Literatura, que revelaram lacunas e orientaram a concepção do modelo. O estudo de caso voltado à Diabetes, conduzido com perfis motivacionais sintéticos gerados por Inteligência Artificial, demonstrou que as intervenções baseadas em dados sensoreados influenciaram o estado motivacional dos usuários, promovendo adesão aos PS. Além disso, verificou-se que a ferramenta é útil e de fácil utilização, conforme avaliação TAM.