Design centrado no humano aliado aos projetos de inteligência artificial para suporte na área de saúde mental e bem-estar: uma revisão sistemática

ARTIGO DE REVISÃO

SOUZA, Emanuela Freitas de ^[1], QUIRINO, Magnólia Grangeiro ^[2]

SOUZA, Emanuela Freitas de. QUIRINO, Magnólia Grangeiro. Design centrado no humano aliado aos projetos de inteligência artificial para suporte na área de saúde mental e bem-estar: uma revisão sistemática. Revista Científica Multidisciplinar Núcleo do Conhecimento. Ano. 10, Ed. 04, Vol. 01, pp. 126-151. Abril de 2025. ISSN: 2448-0959, Link de acesso: https://www.nucleodoconhecimento.com.br/design/design-centrado-no-humano, DOI: 10.32749/nucleodoconhecimento.com.br/design/design-centrado-no-humano

RESUMO

Uma em cada oito pessoas apresenta algum tipo de transtorno mental no mundo (WHO, 2022). Os problemas oriundos de uma saúde mental instável, leva a diversos prejuízos na vida, desde paralização profissional, dificuldades nas relações sociais até o suicídio. Este artigo busca investigar a aplicação da Inteligência Artificial (IA) em projetos de suporte psicológico e bem-estar, no âmbito de discursão do Design Centrado no Humano. Como método utilizado para essa investigação, optou-se por Revisão Sistemática, nos quais na filtragem aplicada foram levantados inicialmente 390 trabalhos, e selecionados ao final 8 artigos. Como resultados, observou-se que o Design possibilitou que os projetos que envolveram inteligência artificial nos seus mais variados modelos (Aprendizado de Máquina, Análise Preditiva, IA Generativa etc.), pudessem apoiar as necessidades humanas, conforme os princípios do Design Centrado no Humano de modo que, a inteligência artificial pôde apresentar resultados satisfatórios no que tange a acessibilidade, personalização para cada usuário, e até mesmo diferenciação de pessoas deprimidas ou saudáveis, este último observado no trabalho de Lamo et al. (2022).

Palavras-chaves: Design Centrado no Humano, Inteligência Artificial, Saúde Mental.

1. INTRODUÇÃO

Os problemas que envolvem saúde mental são importantes para entender as possíveis consequências da desestabilização humana geradas, uma vez que estes já existiam e continuam a existir, os motivos são diversificados e percorrem por fatores externos e internos, como problemas familiares, falta de apoio na criação de um filho, vestibulares para entrar na universidade, condições econômicas vulneráveis e fatores internos como, genéticos e hormonais que contribuem e podem ser desencadeados pelo ambiente (OPAS, 2023). Como apontado por Bernik, Braun e Corregiari (2016), entre as consequências provocadas pelos distúrbios mentais estão: a paralização do trabalho ou piora na vida profissional, o que pode levar à demissão, dificuldades de concentração, problemas nas relações sociais, dificuldades em respirar e propensão a desenvolvimento de problemas cardíacos e piora das doenças já existentes. Outras consequências também são citadas na literatura, como: dificuldades em realizar atividades diárias consideradas fáceis para as demais pessoas, piora do comportamento, infelicidade, medo constante, percepção distorcida de si e do mundo, esgotamento físico e mental, além de sintomas somáticos como tensão muscular, inquietação e insônia (Castillo et al., 2000; Zuardi, 2017; Lopes e Santos, 2018).

É preciso salientar que saúde mental é um termo amplo que não dispõe de um único sentido, as razões para isso, se deve as origens de sua construção presente na psicopatologia, que estruturou o significado aproximando-a das doenças médicas, que envolve ‘saúde’ o oposto à doença, relativo à saudável e ‘mental’ do psíquico humano, ademais, há construções culturais e históricas de caráter subjetivo, que ampara o termo saúde mental, no qual a sociedade define o que é ou não doença, quem está ou não doente (Alcântara, Vieira e Alves, 2022; Dunker, 2021). Saúde mental, portanto, está intimamente ligado às funções cognitivas, emocionais e comportamentais, abrangendo a tudo que se refere a condições de saúde mental.

Entretanto, o termo Transtorno Mental é o mais utilizado nos documentos da OMS e o qual pode ser definido enquanto algo fora de ordem, incômodo, desconforto mental. Apoiado nisso, dois sistemas buscam classificar os transtornos mentais gerais, levando em consideração o tempo de duração, sintomas, comportamentos e pensamentos, são o DSM-V da American Psychiatric Association (APA) e a “Classificação Internacional de Doenças” (CID-11) da OMS. Conforme esses manuais, transtorno mental é entendido como prejuízo nas relações íntimas com o funcionamento mental e distúrbio clínico da cognição, regulação emocional ou comportamental do indivíduo que leva a problemas psicológicos, biológicos ou de desenvolvimento de funcionamentos mentais e comportamentais, respectivamente (APA et al., 2014; OPAS, 2023). Diversos são os transtornos mentais, que variam de acordo com os comportamentos, emoções, pensamentos, dentre eles é possível citar: Transtorno de Ansiedade Generalizada (TAG), Esquizofrenia, Transtorno Bipolar e como exemplos de distúrbios do neurodesenvolvimento o Transtorno do Espectro Autista (TEA), Transtorno de Déficit de Atenção/ Hiperatividade (TDAH) e outros (WHO, 2022, WHO et al., 2022). Vale ressaltar que esses transtornos neurológicos, como TEA e TDAH, podem vir acompanhados de ansiedade e depressão, agravando as condições emocionais nesses indivíduos (Costa et al., 2020; Arwert e Sizoo, 2020; Ruggieri, 2020; Cassidy et al., 2018; Schmidek et al., 2018; Hofvander et al., 2009). Cada um desses acarreta mudanças significativas na vida das pessoas que apresentam essas condições, trazendo dificuldade em lidar com atividades simples do dia a dia, impedindo o indivíduo de obter bem-estar.

Com intuito em diminuir o sofrimento nesses indivíduos com diagnósticos diversos de distúrbios mentais, autores como Louzada (2023) e McCloud et al. (2020), buscaram desenvolver projetos com tecnologias centrada nas necessidades dos pacientes, de forma a trazer resultados eficazes de melhora de vida, e, para isto utilizarem-se de conceitos do Design Centrado no Humano (DCH), o qual tem sua origem nas áreas de ergonomia, ciência da computação e inteligência artificial (Giacomin, 2014). O uso do termo já vem sendo debatido em obras como “Human centred systems: An urgent problem for system designers” (Sistemas centrados no ser humano: um problema urgente para projetistas de sistemas, em tradução livre), onde o autor Mike Cooley, apresentava a construção de projetos orientados as necessidades humanas, de forma que as soluções aos problemas podem ser encontradas a partir da identificação das necessidades dos usuários finais (Cooley, 1987).

Em definições atuais, a NBR ISO 9241-210 (ABNT, 2024), entende o Design Centrado no Humano como uma abordagem que torna os sistemas interativos utilizáveis, com foco no uso e aplicação de conhecimentos técnicos como usabilidade e fatores humanos, no entanto o conceito empregado pela ISO favorece principalmente diretrizes técnicas presentes na ferramenta, e, de acordo com Gasson (2003), os métodos centrados nos usuários erram por desviar do foco em promover os interesse humanos quando destaca os objetivos técnicos. Tal pensamento é reforçado por Giacomin (2014), ao dizer que nem sempre o cliente assume a posição de um usuário de ferramenta, quando este ao invés de agir como um intermediário entre o desenvolvedor e o usuário, buscando atender as necessidades, opta por não envolver o usuário, objetivando parâmetros técnicos ao invés das necessidades reais dos usuários.

O termo ganhou popularidade, e é constantemente utilizado por profissionais criativos como designers e arquitetos, como por profissionais engenheiros, por essa razão, muitas vezes possuindo diversas interpretações, de modo que em uma entrevista, Donald Norman, autor renomado na área de Design, afirmou que os termos Design Centrado no Humano e Design Centrado no Usuário (DCU) são utilizados pelas pessoas sem que elas saibam o que realmente significa (Merholz, 2007).

Segundo Lowdermilk (2013), o DCH é um conceito amplo que engloba o Design Centrado no Usuário e a Experiência do Usuário (UX), por sua vez, de acordo com Berni e Borgianni (2021), o Design de Experiência do Usuário, considera três fatores humanos: a experiência ergonômica que representa a usabilidade, eficácia, comportamentos e interação do usuário com o sistema; a experiência cognitiva, vincula-se a arquitetura da informação – AI, percepção do usuário e aparência do sistema; quanto a experiência emocional, abarca a agradabilidade do uso e expressão dos valores do próprio usuário.

Em princípio, o Design Centrado no Humano, possui foco nas necessidades humanas na construção de produtos ou serviços, e diante dessa finalidade, autores como Rogers, Sharp e Preece (2013), mencionam que o “mau” design configura produtos que não levam em conta as demandas dos utilizadores, de modo que na perspectiva do funcionamento propriamente dito, tal produto funciona, mas na perspectiva da pessoa que utiliza o objeto, não funciona, exatamente por não atender as necessidades do usuário final para quem é destinado o produto. Isso demonstra que o Design Centrado no Humano, é uma abordagem e em sua essência conceitua o que é design na atualidade, o que é apontado por Giacomin (2014), quando investiga que a palavra design oriunda do inglês, na sua forma substantiva designa esboço, desenho, como também, intenção ou propósito ou arte de produzir, na sua forma verbal a palavra significa representação de artefato, sistema, sociedade ou mesmo função, o que mostra que design segue um sentido que varia de um conceito abstrato a um conceito concreto, entendido como processos reais para o desenvolvimento de produtos ou serviços. Dessa forma, design, frequentemente é usado para expressar o pensamento criativo ou projetos criativos, portanto, design também é projeto, o que pode ser visualizado no processo criativo do Design Thinking (Brown, 2020).

De acordo com Giacomin (2014), existem três movimentos dentro do design que podem ser observados que se caracterizam por discursos e valores específicos e que são praticados tanto por designers, quanto por outros profissionais, o Design Orientado à Tecnologia, Design Sustentável e Design Centrado no Humano, que resultam em soluções distintas, embora, atuem nas mesmas questões legais, contextuais e econômicas. Isso demonstra a evolução das práticas de design e o potencial dele nas principais ações que impactam a vida na sociedade.

Com o decorrer do tempo, o Design Centrado no Humano se distanciou das questões técnicas da engenharia e assumiu um papel central na compreensão de todas as partes interessadas e contexto do usuário (Maguire, 2001). A tendência em centralizar as tecnologias às necessidades dos usuários sejam quais forem juntamente com modelos de negócios, tem relação com a questão econômica, a fim de evitar que as tecnologias sejam desenvolvidas primeiro e depois, lançá-las ao mercado. Von Hippel (2007) menciona em seu estudo estatístico, que 70% a 80% dos produtos que falham, são por falta de entender as necessidades dos usuários. Prestero (2010) corrobora este ponto ao pontuar que há duas principais abordagens para desenvolvimento de produtos e serviços: a) abordagem de invenção – nesta primeiro se desenvolve a tecnologia, para depois entregar o produto ao mercado, e só assim buscar potenciais consumidores para este, partindo-se de dados que existem, mas, que podem não envolver o contato direto com os público envolvido, sem ouvir suas necessidades; b) abordagem de design – onde primeiro inicia-se por investigar as necessidades das pessoas que necessitam, por exemplo água potável, o que requer contato e observação de contexto, em uma localidade, depois é desenvolvida uma tecnologia e assim, lançado após testes ao mercado consumidor. Ambas as abordagens podem ser visualizadas na Figura 1.

Figura 1: Desenvolvimento de tecnologias a partir das abordagens de Invenção e Design

Com esse olhar do Design Centrado nos Humanos é visível que primeiro se pensa nas necessidades das pessoas, e depois é pensado numa tecnologia que venha servir a comunidade, sendo os produtos ou serviços uma consequência das necessidades humanas, no Design Centrado no Humano é buscado inovar através da empatia e essa inclinação à empatia levou o distanciamento do design de questões mais técnicas para uma investigação profunda das necessidades humanas necessitando de conhecimentos até mesmo das áreas de Psicologia (Giacomin, 2014; Garibay et al, 2023). Essa importância do Design Centrado nos Humanos tem se intensificado em diversos trabalhos, não necessariamente os envolvidos precisam ser designers, mas se utilizar de instrumentos de empatia para criar projetos inovadores e que estejam alinhadas com as necessidades dos usuários, até mesmo para criar vantagem competitiva (Nguyen Ngoc, Lasa e Iriarte, 2022; Padilha et al., 2010; Libânio e Amaral, 2017). A inclinação para empatia e a compreensão dos humanos como seres emocionais, favoreceu produtos e sistemas intuitivos, mas ainda se restringia ao uso, onde um sistema intuitivo pode ser entendido como um sistema que é imediatamente compreendido em seu uso pelo usuário e pode ser notado em alguns trabalhos como Pontes (2022), Louzada (2023), e Filardi e Traina (2008).

De acordo com Cipolla e Bartholo (2014), o designer pode assumir duas posições nos projetos, uma enquanto projetista que orienta o projeto e outro como àquele que assume a posição de pessoa que vivencia o contexto em estudo para solução de problemas, envolvendo-se nas relações sociais, isso seria as ações para empatizar, tentando, colocar-se no lugar das pessoas, ao mesmo tempo que é um orientador dos processos. O DCH, como já apresentado, engloba em seu âmbito o Design Centrado no Usuário e a Experiência do Usuário, compreendeendo diversas áreas do conhecimento importantes para a pluralidade de observações, e, com os avanços tecnológicos no que tange a Inteligência Artificial (IA), esta pode assumir o papel de projetista tal como um designer assume em seus projetos, entretanto, esta deveria considerar a possibilidade de também reconhecer a empatia humana presente nas relações sociais, algo ainda pouco compreendido até mesmo pelos humanos (Boechat, 2019). Já existem trabalhos, como Ahmed e Ahmed (2023), Vieira (2023) e Konar e Chakraborty (2015), que formulam uma IA mais empática, alimentada por dados de mensagens de texto, sensores telefônicos e expressão facial que sugerem um possível estado mental do usuário, apontando grau de depressão, tristeza, alegria etc. Mesmo assim, como é apontado por alguns artigos como de Descola (2022), Teixeira (2023) e Travers (2023), a troca de mensagens mecanizada não garante a mesma comunicação afetiva presente na oralidade entre dois indivíduos em um mesmo espaço. Para que a IA não incorra em erros como os de preconceitos de máquina, é necessário alimentar o sistema com dados diversificados a partir da diversidade das pessoas envolvidas no seu funcionamento (Boechat, 2019). Ou seja, isso se alinha ao DCH por considerar o desenvolvimento da IA a partir da inclusão de pessoas para obtenção de resultados satisfatórios e eficientes.

Com base no apresentado, este trabalho se propõe a realizar uma Revisão Sistemática de Litetatura, buscando entender como os modelos de Inteligência Artificial estão sendo utilizados em apoio às pessoas no que tange a saúde mental e bem-estar, por meio do emprego do Design orientado às necessidades humanas, e, em que contextos o seu uso pode ser aplicado em intervenções tecnológicas na área de Saúde Mental com foco no Usuário.

2. METODOLOGIA

Este estudo é uma Revisão Sistemática, nos quais exigiu etapas estruturadas para obtenção dos artigos que possam responder as perguntas norteadoras. Como primeiro passo, foram levantadas as questões de pesquisa (Quadro 1), com objetivo de obter respostas por meio dos artigos selecionados e lidos, como passo seguinte, foi desenvolvido a estratégia de busca para serem usados nas bases de dados eletrônicas, foram selecionadas as palavras-chaves que possam atender ao tema de pesquisa, como: “Mental health”, “Mental health care”, “Artificial Intelligence”, “Machine Intelligence”, “User-Centered Design”, “Human-centered Design”, “Quality of life”, “well-being”, “Decrease in symptoms” todas em língua inglesa uma vez que em português o número de artigo se mostrou insignificante, portanto sendo um dos critérios de inclusão artigos em língua inglesa (Quadro 2).

Quadro 1: Questões de pesquisa

Fonte: Autor (2025).

Quadro 2: Critérios utilizados.

* Resenhas, artigos de jornal, relatórios, atas de congressos, dissertações e livros.

Fonte: Autor (2025).

Os termos: “Quality of life”, “well-being”, “Decrease in symptoms”, foram utilizados por aproximação com saúde mental, entende-se que, alguns artigos poderiam apresentar trabalhos feitos com foco no bem-estar, considerando que para alcançá-lo é necessário, bem-estar mental, sendo por essa razão compor parte da estratégia de busca. Foram utilizados os descritores booleanos OR e AND para relacionar termos que somam ou se separam em sentidos, com base nisso, “User-Centered Design” e “Human-centered Design” são designados por muitos autores como iguais, para outros são considerados diferentes, por essa confusão foi considerado o descritor OR ao invés de AND.

Para a busca dos trabalhos na revisão sistemática, utilizou-se da plataforma Capes para acesso à bases como: PubMed Central: PMC; MEDLINE/PubMED (via National Library of Medicine); Web of Science – Coleção Principal (Clarivate Analytics); e SciELO Citation Index (Web of Science).

As buscas foram iniciadas, utilizando-se da seguinte Estratégia de busca: (“Mental health” OR “Mental health care”) AND (“Artificial Intelligence” OR “Machine Intelligence” OR “Artificial intelligence-assisted treatment” OR “Electronic mental health”) AND (“User-Centered Design” OR “Human-centered Design”) AND (“Quality of life” OR “well-being” OR “Decrease in symptoms”), o qual retornou um total de 390 trabalhos nas quatro bases.

O primeiro critério de exclusão utilizado foi de trabalhos com data de publicação anterior à 2018, o que resultou em 12 exclusões. O segundo e terceiro critérios de exclusão levou em consideração os trabalhos que não possuíssem livre acesso, sendo eliminado 41 estudos, seguido de um trabalho duplicado. O quarto critério de exclusão retirou os trabalhos que envolvessem revisão sistemática, revisão integrativa, revisão de escopo, revisão do estado da arte e afins, totalizando 92 exclusões. O último critério de exclusão desta etapa, buscou eliminar trabalhos distintos de artigos completos, como monografias, resumos, simpósios e etc., obtendo-se 11 trabalhos excluídos.

Após estas etapas, resultou-se em 233 artigos selecionados para a leitura do título, palavras-chaves e resumo. Os trabalhos foram excluídos se não apresentassem saúde mental ou aplicação da inteligência artificial, resultando em 198 eliminações. O total de 35 artigos foram selecionados para a leitura completa. Artigos que não envolviam a saúde mental, como saúde no geral foram excluídos, com exceções quando consideraram a promoção da saúde mental simultaneamente integrado a diversos outros sistemas. Trabalhos que não centralizavam esforços de projeto nos seres humanos, focados apenas no funcionamento de sistemas, foram retirados. Ao todo, com base nesses últimos critérios de exclusão foram eliminados 27 artigos e selecionados para a análise de leitura 8. O fluxo da revisão sistemática pode ser visto na Figura 2.

Figura 2: Fluxo da revisão sistemática

3. RESULTADOS E DISCUSSÕES

Após a finalização da leitura e seleção dos artigos (Quadro 3) pertinentes à temática deste trabalho, optou-se por agrupar os pontos semelhantes nos diversos estudos, bem como de que forma contribuíram para responder as questões de pesquisa.

Quadro 3: Artigos selecionados

Fonte: Autor, 2025.

Q1 – Como os princípios do Design Centrado no Humano (DCH) são aplicados no desenvolvimento de tecnologias baseadas em Inteligência Artificial para a promoção da saúde mental e bem-estar?

Os estudos fornecem as aplicações de Design com foco nas necessidades dos usuários para o qual os sistemas, produtos ou serviços estavam sendo voltados, de modo que os trabalhos de Van der Maden, Lomas e Hekkert (2023), Huang et al. (2022) e Ridout et al. (2024) tinham foco no Design Participativo, que se caracteriza quando os usuários participam durante toda a construção do produto ou serviço, presente nos instrumentos do DCH (Foundation, 2023; Pyla e Hartson, 2018). Trabalhos como Lamo et al. (2022), Anmella et al. (2023), Haroz et al. (2021) e Bhattacharjee et al. (2024) focaram no Design Centrado no Usuário, enquanto, o artigo de Burzagli et al. (2022), focou no Design for All (Design para Todos, em tradução livre), sendo este correspondente ao DCH com foco em pacientes com comorbidades específicas, como pessoas com deficiência e idosos (Stephanidis, 2001). Pode-se identificar instrumentos empáticos nos trabalhos de Lamo et al. (2022), Huang et al. (2022), Haroz et al. (2021) e Bhattacharjee et al. (2024), os quais foram utilizados nos estudos para criar insights para caracterização do público em questão a fim de fornecer dados robustos aos algoritmos, para trazer maior e melhor personalização e satisfação ao usuário final, esses instrumentos foram a coleta de dados inicial feita para analisar a diversidade presente no público-alvo, o que mapeou os principais pontos a serem incorporados aos sistemas para o aprendizado de máquina, necessários para uma triagem e aprofundamento dos contextos das pessoas. A promoção dos feedbacks constantes foi identificada nos trabalhos de Van der Maden, Lomas e Hekkert (2023) e Bhattacharjee et al. (2024), enquanto, que feedbacks vigorosos dos usuários para implantação de melhorias posteriores e usabilidades estiveram presente nas pesquisa de Lamo et al. (2022), Burzagli et al. (2022), Anmella et al. (2023) e Huang et al. (2022). Por fim, cabe-se destacar a acessibilidade presente na Experiência do Usuário, especialmente nos estudos de Burzagli et al. (2022) e Ridout et al. (2024).

Alguns trabalhos chamaram atenção, pelo design ser principalmente envolvido enquanto abordagem escolhida que guiou os estudos do início ao fim, os quais serão dissertados nos parágrafos a seguir.

O estudo de Huang et al. (2022), envolveu uma abordagem multidisciplinar com a co-participação de pacientes, além de pesquisadores de várias áreas, como designers de produtos, cientistas da computação, dentistas e anestesiologistas. O objetivo com esse corpo de profissionais diversificados era garantir uma ferramenta intuitiva e eficaz a todos os usuários do Miniaplicativo, os quais garantiu interfaces para as três personas: pacientes, dentistas e anestesiologistas. Nele houve estudos antecedentes sobre todas as possibilidades contextuais envolvidas para que a ferramenta final pudesse responder às necessidades principais do público envolvido, isso serviu para a IA orientar pelo sistema uma avaliação pré-operatória para ajuda na tomada de decisões e apresentação de diferentes tratamentos. O público envolvido trata-se de pacientes com ansiedade odontológica.

No estudo de Van der Maden, Lomas e Hekkert (2023), de modo semelhante, foi identificado que o DCH pode orientar projetos que envolvam a IA na construção de sistemas mais empáticos e forneçam melhora ao bem-estar coletivo tendo o ser humano no centro, o qual baseou-se em conceitos de cibernética e IA para desenvolver uma estrutura de design para construção de sistemas inteligentes, a fim de potencializar o bem-estar da comunidade acadêmica, a partir de ciclo de feedbacks dos alunos e funcionários para os órgãos da Instituição e respostas deles, o trabalho contou com o design liderado pela comunidade que estruturou a troca de informações com o objetivo estrito de criar o bem-estar na academia, com a participação de mais de 20 mil pessoas envolvidas, nesse estudo é possível observar como o Design enquanto abordagem nas questões que envolve a IA pode contribuir para apoiar o bem-estar coletivo e servir para projetos de liderança em larga escala como projetos políticos de empresas, ONGs e afins, isso demonstra o potencial que o DCH tem na construção para IAs que apoiem o bem-estar humano.

No trabalho de Burzagli et al. (2022), é possível notar novamente o design empregado como direcionador para questões de bem-estar, nesse estudo em especial os recursos digitais estão interligados para criar um ambiente doméstico saudável à pessoas com comorbidades, idosos e pessoas com deficiências que demandam por cuidados específicos. O artigo levanta questões sobre os sensores utilizados em tempo real, no contexto doméstico para angariar informações e interpretá-las a fim de evitar futuros transtornos às pessoas que convivem com dificuldades práticas, mas decidem por serem autônomas, algo ainda em processo de análise, mas que caminha por desenvolver um sistema que integra diversas tecnologias para mapear comportamentos e atividades internas do corpo do usuário para pelo menos imitar um cuidador informal, as questões em análise pelo viés do Design for All (Design para Todos, em tradução livre), se concentram em aprofundar-se nos estudos de contexto das pessoas ao qual se direciona o sistema, como também busca introduzir a compreensão inerente ao cuidador para prever determinados comportamentos, tais como, se uma pessoa apresenta dores nas costas por uma caminhada prolongada, ela corre um alto risco de queda, a IA ainda não consegue ter essa sensibilidade para prever eventuais problemas, algo que um cuidador humano é capaz de perceber e por isso orientar a pessoa ao descanso após uma atividade exigente. O sistema é compreendido por uma casa inteligente que pretende entender o contexto como um todo e as partes interessadas no processo, por isso considera atividades físicas, saúde emocional e atividades fisiológicas do corpo, com o pensamento do Design voltado à trazer maior autonomia. No momento o trabalho consistiu em feedbacks enviados por parte dos usuários finais através do uso de tecnologias vestíveis.

Q2 – Quais modelos de inteligência artificiais utilizadas em conjunto com o Design (DCU, DCH e abordagens focadas nas necessidades dos usuários), e, em que contextos houve a sua aplicação?

Entre os artigos analisados, o modelo mais frequentemente utilizado foi o de Aprendizado de Máquina (Machine Learning, no idioma em inglês), presente nos trabalhos de Van der Maden, Lomas e Hekkert (2023), Lamo et al. (2022), Burzagli et al. (2022), Anmella et al. (2023), Huang et al. (2022) e Haroz et al. (2021). Este se caracteriza por ser um sistema computacional capaz de adquirir conhecimento de modo automatizado, por meio de experiência bem sucedidas de situações já vivenciadas, melhorando seu desempenho através dos dados fornecidos em exemplos (Monard e Baranauskas, 2023). De acordo com Ludermir (2021), o aprendizado de máquina é dividido em três tipos: a) supervisionado – os dados fornecidos nos exemplos possuem rótulos de classe definidos, e, a partir destes dados posteriores vão sendo classificados; b) não supervisionados – os exemplos são analisados e ocorre uma tentativa de agrupar os dados; c) por reforço – neste, o algoritmo recebe um sinal, que pode ser de recompensa ou punição, e, baseado nos exemplos, busca entender se a hipótese foi boa ou ruim, de forma a complementar seu conhecimento. Na pesquisa de Van der Maden, Lomas e Hekkert (2023), optou-se pelo uso da aprendizagem de máquina por reforço, utilizando-se do processo de design liderado pela comunidade, foi coletado dados de forma contínua acerca do bem-estar de estudantes e funcionários da Universidade Técnica de Delft dos Países Baixos, de modo que estes dados fossem analisados pelo algoritmo criado, gerando ações a serem implementadas no ambiente universitário e contribuindo nas melhorias gerais da comunidade, sendo posteriormente, realizado novos ciclos de feedbacks com o público, de modo que o bem-estar geral da comunidade era novamente analisado com novos dados, aperfeiçoando e treinando o algoritmo a cada nova interação em um contexto tanto artificial, quanto natural, haja vista que o feedback humano possibilitou a integração entre humanos e máquinas.

Enquanto nos trabalhos de Lamo et al. (2022), Burzagli et al. (2022), Anmella et al. (2023), Huang et al. (2022) e Haroz et al. (2021), direcionou-se para o uso do aprendizado de máquina supervisionado, com a inserção de novos dados que se classificam nas classes criadas para cada trabalho respectivamente. A forma de aplicação escolhida por Lamo et al. (2022), deu-se com o intuito de classificar a atividade motora dos participantes com transtorno bipolar, dividindo-os em classes de deprimidos e não deprimidos, com base nos dados obtidos através de um dispositivo de sensor vestível utilizado durante 14 dias por pacientes depressivos e por um grupo de controle considerado saudável, tal dispositivo foi desenvolvido em trabalho anterior do autor, e, tinha como objetivo, através dos algoritmos de aprendizado de máquina e a análise de dados presente nas técnicas de Experiência do Usuário, prever o comportamento, bem como novas fases maníacas e depressivas do usuário. Após a aplicação, pode-se concluir que as técnicas de aprendizado de máquina supervisionado, puderam identificar de forma efetiva os pacientes nas classes deprimidos e saudáveis, diferenciando os estados maníacos e assintomáticos em pacientes bipolares, ressaltando que o design do sistema permitiu uma análise objetiva dos dados, contribuindo assim, para os diagnósticos futuros (Lamo et al., 2022).

No trabalho de Haroz et al. (2021), o autor optou por utilizar a “Análise Preditiva”, o qual faz uso de modelos estatísticos e de inteligência artificial, neste caso aprendizado de máquina supervisionado, para prever eventos futuros com base em dados históricos, de modo a permitir mudanças no período presente (O’Donovan et al., 2020). Para tal, o autor fez uso de técnicas do design, como especificado na Questão 1 desta revisão, para obtenção de dados junto aos gerentes de caso que trabalham em aldeias de comunidades nativas americanas, buscando compreender as experiências diárias destes, de que forma avaliam os riscos de suicídios entre os indígenas, e quais fatores influenciam em suas avaliações pessoais quanto a esta problemática, e, com base nos dados, exclusivamente, qualitativos o algoritmo foi implementado apresentando os resultados de forma dicotômica, ou seja, alto ou baixo risco de ocorrer, entretanto, o autor não apresentou nenhuma detecção de possível caso de suicídio, concluindo assim, que mais dados devem ser considerados para a produção do algoritmo, como o caso de contextos sociais e organizacionais, além de uma amostra maior, outro ponto observado, foi apontado pelos gerentes como a falta de transparência no algoritmo, o qual o autor discutiu ser muito complexo para ser apresentado (Haroz et al., 2021).

Ainda no campo do aprendizado de máquina, existe a Natural Language Processing (NLP, Processamento de Linguagem Natural em tradução livre), a qual possibilita que máquinas compreendam, interpretem e gerem linguagem humana, por meio de texto ou fala (Indurkhya e Damerau, 2010). A aplicação do NLP foi observada no trabalho de Anmella et al. (2023), quando se utilizou para melhorar a interação do chatbot “Vickybot” com os usuários, possibilitando uma abordagem mais amigável e direcionada ao usuário, além de identificar os perfis dos pacientes a fim de adaptar as intervenções às especificidades do usuário. Ao final, conclui-se que com as adaptações fornecidas pelo NLP, a “Vickybot” demonstrou ser útil para triagem de sintomas de ansiedade, depressão e burnout, sendo bem avaliada nos quesitos satisfação e aceitação pelos usuários, embora o engajamento não tenha sido satisfatório, sobretudo por não ter havido incentivos para finalizar as autoavaliações, ponto relatado pelos autores (Anmella et al., 2023).

No artigo de Huang et al. (2022), por envolver uma grande quantidade de dados para análise, foi necessário utilizar do Deep Learning (aprendizado profundo, em tradução livre), o qual trata de técnicas do aprendizado de máquina que utilizam redes neurais artificiais profundas, inspiradas no funcionamento do cérebro humano, com múltiplas camadas ocultas entre a entrada (que recebe os dados) e a saída (que produz os resultados), e, tem como diferencial modelar padrões complexos em dados (Lecun et al., 2010; Hosaki e Ribeiro, 2021). No decorrer do trabalho, o aprendizado de máquina foi utilizado para realizar uma análise inteligente de dados clínicos, de modo que fosse possível ao dentista avaliar a ansiedade dental, e  para anestesiologistas, formular planos de tratamento personalizados para cada paciente, avaliando os riscos de forma hierárquica com base em situações já vivenciadas, e, com estes dados melhorar continuamente  a experiência do paciente, com o design participativo, e, por fim, o autor concluiu que a ferramenta desenvolvida é eficaz para avaliação de ansiedade dental e pré-avaliação operatória, com a integração de dados e análise inteligente contribuindo para decisões mais assertivas e reduzindo complicações pós-operatórias, entretanto, por ter contado com mais participantes do sexo feminino, especulou-se que este fator poderia ter impactado os resultados (Huang et al., 2022).

Outra inteligência artificial observada nos artigos, foi um subgrupo da “IA Generativa”, o Large Language Models (LLMs, Modelos de Linguagem Grande em tradução livre), os quais são capazes de criar textos e responder perguntas de forma coerente, por possuírem em seu banco de dados grande volume de informações, como é o caso do ChatGPT (Fernández et al., 2024). Uma das aplicações do LLM é o seu uso em chatbots, que de acordo com Moraes e De Souza (2015), são softwares capazes de se comunicar em linguagem natural através de textos.

E, nesta revisão sistemática, foi identificado o uso de chatbots pelos autores Bhattacharjee et al. (2024) e Ridout et al. (2024), enquanto o primeiro tinha como foco auxiliar na gestão da procrastinação, o segundo propôs um modelo de Digital Mental Health Practice (DMHP-Y, Prática de Saúde Mental Digital em tradução livre) para mapeamento dos serviços de saúde mental digital com o uso da IA. No decorrer do trabalho de Ridout et al. (2024), é explicitado o uso do chatbot, onde este estaria integrado ao modelo de DMHP-Y, e, seria utilizado para fornecer informações sobre a saúde mental de acordo com o nível de cuidado estabelecido para cada usuário, de forma personalizada, como por exemplo: a) usuários de baixo risco – podem ser direcionados do chatbot para sessões virtuais de aconselhamento através de telefone ou internet, ter acesso a conteúdo de psicoeducação, ou mesmo obter informações de saúde mental através do chatbot baseado em evidências;  b) usuários que já possuem um diagnóstico ou realizam terapia – há a opção de psicoeducação autoguiada, e, programas digitais baseados na Terapia Cognitiva Comportamental (TCC), de forma que os mesmos possam se autogerenciar. Ridout et al. (2024), concluiu em seu trabalho que o uso de chatbots com IA, permitiria que os usuários do serviço Australiano realizem triagens virtuais e acessem terapia digital personalizada, além de ajudar a reduzir barreiras sociais que impedem o paciente de procurar ajuda, utilizando-se do Design, para criar um ambiente acessível baseado nos 3 I’s: a) inclusivo – com acesso igual para todos; b) individual – personalizado de acordo com as preferências do usuário; c) e, integro – confiável, ético e com informações baseado em evidências.

Na pesquisa desenvolvida por Bhattacharjee et al. (2024), o chatbot tinha como objetivo auxiliar no combate a procrastinação dos usuários, e, para isso, idealizou-se o design da ferramenta de tal modo que permitisse: a) personalizar as interações com a IA; b) ajuste do tom das respostas e a forma de abordagem da temática de procrastinação; c) adaptações quanto aos hábitos do usuário. Tais estratégias de design visavam aumentar a eficácia do suporte e da motivação, ao mesmo tempo incentivar a autorreflexão sobre os períodos de distração que os usuários passavam, além de fornecer lembretes dos prazos e das tarefas. No fim do estudo, o autor concluiu que o uso de chatbot LLMs apresentou-se como uma solução promissora, com vistas a oferecer respostas personalizadas e auxiliar os usuários no gerenciamento mais eficaz de suas tarefas, entretanto, foi apontado que é preciso cautela na implementação de tais ferramentas, devido às limitações, e, que diferentes estratégias precisam ser pensadas e adaptadas para uso, a depender das necessidades individuais dos usuários (Bhattacharjee et al., 2024).

4. CONSIDERAÇÕES FINAIS

O Design passou por transformações ao longo de sua existência e sempre que novas revoluções vêm surgindo, os processos de Design acompanham essas mudanças, se adaptando conforme as complexidades impostas (Carvalho, 2019; PUCRS, 2021; MacDesign, 2016; ECDD, 2021). E, com a expansão da IA, o Design novamente enfrenta desafios que obrigam a novos paradigmas, nesse contexto, o DCH amplia-se para além dos conhecimentos tradicionais da interação humano e sistema, o que é notado no estudo de Van der Maden, Lomas e Hekkert (2023), tendo por nomeação Interação Humano-IA, representando novas concepções ainda embrionárias, mas que denotam os desafios que essas relações podem significar no contexto social, os estudos analisados nesta revisão sistemática, apontam a IA centradas nas necessidades humanas. Garibay et al. (2023), esclarece sobre a necessidade, que a Interação Humano-IA seja um suporte às atividades humanas, não como substituição humana, mas como apoio e para isso é necessário que o Design esteja profundamente envolvido nas discursões inerentes à IA em sua concepção, favorecendo projetos que desde seu início considerem o Humano no centro enquanto beneficiados pela tecnologia.

Conforme apresentado por Prestero (2010), ao salientar as duas abordagens para o desenvolvimento de tecnologia, uma pelo prisma da Invenção e outra do Design, no qual Boechat (2019), faz uso e esclarece que o surgimento da IA é oriundo da abordagem da Invenção, ou seja, a tecnologia surgindo antes de se pensar no usuário. Sendo assim, Prestero (2010) aponta que quando a tecnologia vem antes do usuário, a tecnologia apenas passa por um refino para continuar existindo e poder ser entregue a potenciais usuários, contudo, será o usuário que terá que se adaptar à tecnologia e não a tecnologia aos humanos, frente a isso, a IA passará por refinos, mas não significa que será ela a se adaptar aos humanos e sim o oposto, este cenário é compreendido por Garibay et al. (2023), quando reforça a necessidade de levar o DCH para os projetos de IA.

Desta forma, conclui-se que para evitar os preconceitos de máquina, é necessário que a IA seja conduzida por uma diversidade de pessoas envolvidas em sua construção, os artigos estudados demonstraram que as IAs utilizadas, nas respectivas pesquisas, são soluções para problemas específicos, sendo assim, a diversidade de pessoas envolvidas no processo é útil em se tratando de IA projetista, o que não é o caso dos trabalhos publicados que lidam com modelos de IA, onde o humano é o condutor (Boechat, 2019; Cortiz, 2019).

Entretanto, como apresentado no artigo de Burzagli et al. (2022), vislumbra-se um modelo de IA agente que possa se assemelhar ao cuidador humano, na forma de pensar às complexidades humanas vivenciadas dentro de um contexto amplo, a fim de prever determinadas situações a partir da racionalização do histórico do paciente, sendo este estudo sugerido para trabalhos futuros.

REFERÊNCIAS

ABNT – ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR ISO 9241-210:2024. Rio de Janeiro: ABNT, 2024.

AHMED, Md Sabbir; AHMED, Nova. A fast and minimal system to identify depression using smartphones: Explainable machine learning–based approach. JMIR Formative Research, v. 7, p. e28848, 2023.

ALCÂNTARA, Vírnia Ponte; VIEIRA, Camilla Araújo Lopes; ALVES, Samara Vasconcelos. Perspectivas acerca do conceito de saúde mental: análise das produções científicas brasileiras. Ciência & Saúde Coletiva, v. 27, p. 351-361, 2022.

APA et al. DSM-5: Manual diagnóstico e estatístico de transtornos mentais. Artmed Editora, 2014.

ANMELLA, Gerard et al. Vickybot, a chatbot for anxiety-depressive symptoms and work-related burnout in primary care and health care professionals: development, feasibility, and potential effectiveness studies. Journal of medical Internet research, v. 25, p. e43293, 2023.

ARWERT, Titia G.; SIZOO, Bram B. Self-reported suicidality in male and female adults with autism spectrum disorders: Rumination and self-esteem. Journal of autism and developmental disorders, v. 50, n. 10, 2020.

BERNI, Aurora; BORGIANNI, Yuri. From the definition of user experience to a framework to classify its applications in design. Proceedings of the Design Society, v. 1, p. 1627-1636, 2021.

BERNIK, Márcio; BRAUN, Ivan Mário; CORREGIARI, Fábio. Temas em psiquiatria. Laboratório    de      Neurociências.        2016.  Disponível    em: <http://neurociencias.org.br/temas-em-psiquiatria/>. Acesso em 19 de jan. de 2025.

BHATTACHARJEE, Ananya et al. Understanding the role of large language models in personalizing and scaffolding strategies to combat academic procrastination. In: Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems. 2024. p. 1-18.

BOECHAT, Cid. Inteligência Artificial, empatia e inclusão: um problema de design. Ergodesign & HCI, v. 7, n. Especial, p. 51-63, 2019.

BROWN, Tim. Design Thinking: uma metodologia poderosa para decretar o fim das velhas ideias. Alta Books, 2020.

BURZAGLI, Laura et al. Intelligent environments for all: a path towards technology-enhanced human well-being. Universal access in the information society, p. 1-20, 2022.

CARVALHO, Louise. Design de Produto e a Evolução do Móvel. 2019. Essencia. Disponível em: <https://blog.essenciamoveis.com.br/design-de-produto-e-a-evolucao-do-movel/>. Acesso em: 01 de mar. de 2025.

CASSIDY, Sarah et al. Risk markers for suicidality in autistic adults. Molecular autism, v. 9, 2018.

CASTILLO, Ana Regina GL et al. Transtornos de ansiedade. Brazilian Journal of Psychiatry, v. 22, p. 20-23, 2000.

CIPOLLA, C.; BARTHOLO, R. Empathy or inclusion: A dialogical approach to socially responsible design. International Journal of Design, v. 8, n. 2, p. 87–100, 2014. Disponível em: <https://www.researchgate.net/publication/289156967_Empathy_or_Inclusion_A_Dialogical_Approach_t o_Socially_Responsible_Design>. Acesso em: 01 mar. 2025.

COOLEY, Mike. Human centred systems: an urgent problem for systems designers. Ai & Society, v. 1, n. 1, p. 37-46, 1987.

CORTIZ, Diogo. O Design pode ajudar na construção de Inteligência Artificial humanística?. Anais do 17° USIHC – Congresso Internacional de Ergonomia e Usabilidade de Interfaces Humano Computador, v. 17, 2019.

COSTA, Andreia et al. Suicidality in adults with autism spectrum disorder: the role of depressive symptomatology, alexithymia, and antidepressants. Journal of autism and developmental disorders, v. 50, n. 10, 2020.

DESCOLA. Como a desumanização tem distorcido nossa comunicação. 2022. Disponível em: <https://blog.descola.org/a-banalizacao-da-mensagem/>. Acesso em 01 de mar de 2025.

DUNKER, Christian. Uma biografia da depressão. Planeta Estratégia, 2021.

ECDD – Escola de Comunicação e Design Digital. O que é Design gráfico: Saiba tudo sobre a Área! 2021. Disponível em: <https://ecdd.blog/guia-o-que-e-design-grafico>. Acesso em: 01 de mar. de 2025

FERNÁNDEZ, Laura Rodríguez et al. Inteligencia artificial en la educación: Modelo de lenguaje de gran tamaño (LLM) como recurso educativo. REVISTA IPSUMTEC, v. 7, n. 2, p. 157-164, 2024.

FILARDI, Ana Lúcia; TRAINA, Agma Juci Machado. Montando questionários para medir a satisfação do usuário: avaliação de interface de um sistema que utiliza técnicas de recuperação de imagens por conteúdo. In: IHC. 2008. p. 176-185.

FOUNDATION, Interacion Design. Participatory Design. 2023. Disponível em: <https://www.interaction-design.org/literature/topics/participatory-design>. Acesso em: 01 de mar. de 2025

GARIBAY, Ozlem Ozmen et al. Six human-centered artificial intelligence grand challenges. International Journal of Human–Computer Interaction, v. 39, n. 3, 2023.

GASSON, Susan. Human-centered vs. user-centered approaches to information system design. Journal of Information Technology Theory and Application (JITTA), v. 5, n. 2, p. 5, 2003.

GIACOMIN, Joseph. What is human centred design?. The design journal, v. 17, n. 4, 2014.

HAROZ, Emily E. et al. Designing a clinical decision support tool that leverages machine learning for suicide risk prediction: development study in partnership with Native American care providers. JMIR public health and surveillance, v. 7, n. 9, p. e24377, 2021.

HOFVANDER, Björn et al. Psychiatric and psychosocial problems in adults with normal-intelligence autism spectrum disorders. BMC psychiatry, v. 9, 2009.

HOSAKI, Gabriel Yuri Gabriel Yuri; RIBEIRO, Douglas Francisco. Deep learning: ensinando a aprender. 2021.

HUANG, Xilu et al. Experience of using a smartphone WeChat applet for dental anxiety assessment and preoperative evaluation: a nationwide multicenter study. Frontiers in public health, v. 10, p. 900899, 2022.

INDURKHYA, Nitin; DAMERAU, Fred J. Handbook of natural language processing. Chapman and Hall/CRC, 2010.

KONAR, Amit; CHAKRABORTY, Aruna. Emotion recognition: A pattern analysis approach. John Wiley & Sons, 2015.

LAMO, Yngve et al. Towards adaptive technology in routine mental health care. Digital Health, v. 8, p. 20552076221128678, 2022

LECUN, Y. et al. Convolutional networks and applications in vision. In: Proceedings of 2010 IEEE International Symposium on Circuits and Systems, pages 253-256, 2010.

LIBÂNIO, Cláudia de Souza; AMARAL, Fernando Gonçalves. Framework de Gestão de Design para a Indústria do Vestuário. Brazilian Business Review, v. 14, p. 1-20, 2017.

LOPES, Keyla Crystina da Silva Pereira; DOS SANTOS, Walquiria Lene. Transtorno de ansiedade. Revista de Iniciação Científica e Extensão, v. 1, n. 1, 2018.

LOUZADA, Juliana da Silva. Design e tecnologia como intervenção e suporte à saúde mental de universitários da Universidade Federal do Amazonas (UFAM). 2023. 186 f. Dissertação (Mestrado em Design) – Universidade Federal do Amazonas, Manaus (AM), 2023.

LOWDERMILK, Travis. User-centered design: a developer’s guide to building user-friendly applications. ” O’Reilly Media, Inc.”, 2013.

LUDERMIR, Teresa Bernarda. Inteligência Artificial e Aprendizado de Máquina: estado atual e tendências. Estudos Avançados, v. 35, p. 85-94, 2021.

MACDESIGN. Do rústico ao moderno: conheça a história do design. 2016. Disponível em: <https://macdesign.com.br/blog/do-rustico-ao-moderno-conheca-a-historia-do-design/>. Acesso em: 01 de mar. de 2025.

MAGUIRE, Martin. Methods to support human-centred design. International journal of human-computer studies, v. 55, n. 4, p. 587-634, 2001.

MCCLOUD, Tayla et al. Effectiveness of a mobile app intervention for anxiety and depression symptoms in university students: randomized controlled trial. JMIR mHealth and uHealth, v. 8, n. 7, p. e15418, 2020.

MERHOLZ, Peter. Peter in conversation with Don Norman about UX & innovation. Adaptive Path, v. 13, 2007.

MONARD, Maria Carolina; BARANAUSKAS, José Augusto. Conceitos sobre aprendizado de máquina. Sistemas inteligentes-Fundamentos e aplicações, v. 1, n. 1, p. 32, 2003.

MORAES, Sílvia MW; DE SOUZA, Luciano Severo. Uma abordagem semiautomática para expansão e enriquecimento linguístico de bases aiml para chatbots. In: Congresso Internacional de Informática Educativa. 2015. p. 600-605.

NGUYEN NGOC, Hien; LASA, Ganix; IRIARTE, Ion. Human-centred design in industry 4.0: case study review and opportunities for future research. Journal of Intelligent Manufacturing, v. 33, n. 1, p. 35-76, 2022.

O’DONOVAN, Mark et al. Assessing global frailty scores: development of a Global Burden of Disease-Frailty Index (GBD-FI). International Journal of Environmental Research and Public Health, v. 17, n. 16, p. 5695, 2020.

OPAS. Depressão. 2023. Disponível em: <https://www.paho.org/pt/topicos/depressao>. Acesso: 17 de julho de 2024.

PADILHA, Ana Claudia Machado et al. A gestão de design na concepção de novos produtos: uma ferramenta de integração do processo de gestão e inovação. Revista de Administração da Universidade Federal de Santa Maria, v. 3, n. 3, p. 346-360, 2010.

PONTES, Anna Lara Nascimento. Boas práticas em UX e UI design: um guia prático e teórico para projetar interfaces digitais intuitivas. 2022.

PRESTERO, Timothy. Better by design: How empathy can lead to more successful technologies and services for the poor (Discussion of design case narratives: Rickshaw Bank, Solar-Powered Tuki, FGN Pump). Innovations: Technology, Governance, Globalization, v. 5, n. 1, p. 79-93, 2010

PUCRS. 5 momentos importantes da história do Design. 2021. Disponível em: <https://online.pucrs.br/blog/historia-do-design>. Acesso em: 01 de mar. de 2025.

PYLA, P. S.; HARTSON, R. Agile UX Design for a Quality User Experience. Massachusetts: Morgan Kaufmann Publishers, 2018.

RIDOUT, Brad et al. The Urgent Need for an Evidence-Based Digital Mental Health Practice Model of Care for Youth. JMIR Mental Health, v. 11, p. e48441, 2024.

ROGERS, Y.; SHARP, H.; PREECE, J. Design de interação: além da interação humano-computador. Bookman, 2013.

RUGGIERI, Víctor. Autismo, depresión y riesgo de suicidio. Medicina (Buenos Aires), v. 80, 2020.

SCHMIDEK, Helena Cristina Medeiros Vieira et al. Dependência de internet e transtorno de déficit de atenção com hiperatividade (TDAH): revisão integrativa. Jornal Brasileiro de Psiquiatria, v. 67, 2018.

STEPHANIDIS, Constantine. User interfaces for all: New perspectives into human-computer interaction. User interfaces for all-concepts, methods, and tools, v. 1, n. 1, p. 3-17, 2001.

TEIXEIRA, Carlos Alberto. Avanço das mensagens de texto gera verdadeira fobia ao telefone. 2023. Globo. Disponível em :<https://oglobo.globo.com/economia/avanco-das-mensagens-de-texto-gera-verdadeira-fobia-ao-telefone-2901624>. Acesso em 01 de mar. de 2025.

TRAVERS, Mark. Você está confundido relação de WhatsApp com relação real? Saiba o que fazer. 2023. Forbes. Disponível em: <https://forbes.com.br/forbessaude/2023/05/voce-esta-confundido-uma-relacao-de-whatsapp-com-uma-relacao-real/>. Acesso em: 01 de mar. de 2025.

VAN DER MADEN, Willem; LOMAS, Derek; HEKKERT, Paul. A framework for designing AI systems that support community wellbeing. Frontiers in Psychology, v. 13, p. 1011883, 2023.

VIEIRA, Rafael Greca. Reconhecimento de Emoção da Fala utilizando Aprendizado Profundo e Transformada Wavelet. São Carlos, 2023.

VON HIPPEL, Eric. An emerging hotbed of user-centered innovation. Harvard Business Review, v. 85, n. 2, p. 27-28, 2007.

WHO et al. World mental health report: transforming mental health for all. 2022.

WHO. Mental disorders. 2022. Disponível em: <https://www.who.int/news-room/fact- sheets/detail/mental-disorders/>. Acesso: 17 de julho de 2024.

ZUARDI, Antonio. W. Características básicas do transtorno de ansiedade generalizada. Medicina (Ribeirão Preto, On-line.), 50(Supl.1), 51-55. 2017. Disponível em: <http://www.periodicos.usp.br/rmrp/article/view/127538/124632>. Acesso em 18 de jan. de 2025.

NOTA

Os autores utilizaram a Inteligência Artificial em sistemas como o ChatGPT 4.0 e Detecting-IA (versão não identificada na plataforma) para utilizada para verificação de plágio e escrita por IA. No entanto, todas as buscas pelos conteúdos, classificação da qualidade dos artigos, análise e escrita foram realizadas de maneira autoral.

^[1] Mestrado em Andamento em Design (Universidade Federal do Amazonas – UFAM), Especialização em MBA em Gerenciamento Ágil de Projetos (Faculdade Metropolitana de Manaus – Fametro), Graduação em Produção Publicitária (Instituto Federal de Educação, Ciência e Tecnologia do Amazonas – IFAM). ORCID: https://orcid.org/0009-0006-0393-1750. Currículo Lattes: http://lattes.cnpq.br/6324994474790439.

^[2] Doutorado em Design (Pontifícia Universidade Católica do Rio de Janeiro – PUC/Rio), Mestrado em Engenharia Civil (Universidade Federal do Amazonas – UFAM), Especialização em Meio Ambiente e Políticas Públicas (União das Faculdades de Roraima), Graduação em Desenho Industrial (Universidade Federal da Paraíba). ORCID: https://orcid.org/0000-0001-5874-5492. Currículo Lattes: http://lattes.cnpq.br/6772413246259613.

Material recebido: 22 de fevereiro de 2025.

Material aprovado pelos pares: 05 de março de 2025.

Material editado aprovado pelos autores: 03 de abril de 2025.