Reprogramando Mentes: Nova Técnica Com Estímulo Elétrico Melhora Aprendizado De Matemática

Esse estudo mostra que a capacidade de aprender matemática está ligada a como diferentes regiões do cérebro trabalham juntas, e que é possível melhorar esse processo com estimulação cerebral, especialmente em pessoas com padrões de conectividade menos eficientes. Ao integrar estimulação, imagem cerebral e medidas químicas, os pesquisadores ofereceram uma visão mais completa de como o cérebro aprende matemática e como intervenções personalizadas podem ajudar quem tem mais dificuldade.

A aprendizagem escolar, especialmente em áreas como a matemática, tem grande impacto tanto na vida individual quanto no desenvolvimento da sociedade. Porém, nem todas as pessoas aproveitam as oportunidades educacionais da mesma forma.

Um fenômeno conhecido como efeito Matthew descreve essa desigualdade: quem começa com vantagem tende a acumular ainda mais conhecimento, enquanto quem tem dificuldades iniciais costuma ficar para trás. 

Essa desigualdade é especialmente evidente na matemática, uma área em que muitos adultos em países desenvolvidos demonstram um nível de habilidade semelhante ao de crianças pequenas. Esse baixo desempenho pode levar a piores condições de trabalho, menor renda, problemas de saúde e até menor participação política.

Estudos indicam que as habilidades matemáticas tendem a se manter estáveis da infância até a vida adulta. Isso sugere que, além do ambiente e da educação, fatores biológicos, como o funcionamento do cérebro e a genética, têm papel importante. 

Pesquisas mostram que certas variações genéticas relacionadas ao funcionamento dos neurônios estão ligadas a dificuldades de aprendizado, afetando a capacidade do cérebro de se adaptar e aprender (chamada de plasticidade cerebral).

No entanto, mesmo com esses avanços, os mecanismos exatos que explicam como aprendemos matemática ainda são pouco compreendidos. Grande parte dos estudos anteriores apenas observa o que acontece no cérebro, sem testar diretamente o que causa essas mudanças.

Para entender melhor como o cérebro aprende matemática, os pesquisadores da University of Oxford, UK, usaram uma técnica chamada estimulação transcraniana por ruído aleatório (tRNS), que envia sinais elétricos fracos e seguros para o cérebro com o objetivo de melhorar sua atividade. 

Técnica de Estimulação Transcraniana por Ruído Aleatório (tRNS)

Eles aplicaram essa técnica por cinco dias em dois grupos de adultos jovens enquanto eles aprendiam matemática. A estimulação foi feita em duas regiões específicas do cérebro: o córtex pré-frontal dorsolateral (dlPFC), que é importante para a tomada de decisões e o uso da memória, e o córtex parietal posterior (PPC), que ajuda no raciocínio espacial e em operações numéricas. 

Para estudar os efeitos dessa estimulação, os cientistas também usaram exames de imagem cerebral e análises químicas para observar como o cérebro mudava ao longo do tempo.

Pesquisas anteriores já haviam mostrado que o cérebro processa a matemática usando várias regiões ao mesmo tempo, como o córtex frontal, parietal e até áreas ligadas à visão. Inicialmente, resolver contas depende bastante da memória de trabalho e de outras funções executivas, como atenção e autocontrole, todas controladas pela parte frontal do cérebro. 

Com o tempo e com a prática, o cérebro passa a resolver os problemas de forma mais automática, transferindo o esforço para áreas parietais mais especializadas. Isso significa que, à medida que alguém aprende, o cérebro se reorganiza, tornando o processo mais rápido e eficiente.

A hipótese do estudo era que a estimulação cerebral sobre o córtex pré-frontal dorsolateral ajudaria mais na aprendizagem baseada em raciocínio e cálculo (por exemplo, usar um método para resolver 23 × 8), enquanto a estimulação no córtex parietal posterior poderia ajudar mais em exercícios de repetição e memorização.

A ideia era ver se, com a ajuda da estimulação, o cérebro conseguiria melhorar sua capacidade de aprender, especialmente em pessoas que, por causa de suas conexões cerebrais, aprenderiam de forma menos eficiente.

Além de estudar as regiões do cérebro envolvidas, os cientistas também investigaram o papel do equilíbrio entre excitação (ativação) e inibição (controle) entre os neurônios. Esse equilíbrio é controlado por substâncias como glutamato (que excita os neurônios) e GABA (que os inibe). 

Quando há mais excitação do que inibição, o cérebro está mais "plástico", ou seja, mais propenso a aprender coisas novas. Depois, a inibição precisa entrar em ação para consolidar o que foi aprendido e evitar confusões com novos aprendizados. No estudo, os pesquisadores mediram os níveis dessas substâncias e viram como eles influenciavam a eficácia da aprendizagem matemática após a estimulação cerebral.

Os resultados mostraram que pessoas com uma boa conexão inicial entre as regiões frontais e parietais do cérebro (chamada conectividade frontoparietal) aprendiam melhor os cálculos. Porém, mesmo aqueles com conexões mais fracas se beneficiaram da estimulação sobre o córtex pré-frontal dorsolateral. 

Essa figura mostra como diferentes regiões do cérebro se conectam e influenciam o desempenho em uma tarefa de matemática após diferentes tipos de estimulação cerebral leve. No painel A, vemos um modelo do cérebro com quatro áreas ligadas à cognição (duas frontais e duas parietais), usadas para medir a conectividade frontoparietal, uma comunicação entre regiões importantes para o raciocínio. Os gráficos (B a E) mostram como essa conectividade se relaciona com o tempo de resposta (RT) na tarefa, sendo que valores menores de RT indicam melhor desempenho. Painéis B e C mostram que, quanto maior a conectividade (de -1 a +1 desvio padrão da média), melhor o desempenho. Já os painéis D e E mostram esse efeito com diferentes tipos de estimulação: tRNS no córtex pré-frontal (dlPFC) e no parietal (PPC), comparados a uma simulação falsa (Sham). Os resultados sugerem que a estimulação real melhora o desempenho.

A melhora na aprendizagem foi mais significativa quando a estimulação reduziu os níveis de GABA (menos inibição), facilitando a plasticidade do cérebro. Curiosamente, para pessoas que já tinham boas conexões cerebrais, a estimulação pode até atrapalhar, provavelmente por "exagerar" na excitação.

Esse estudo mostra que a capacidade de aprender matemática está ligada a como diferentes regiões do cérebro trabalham juntas, e que é possível melhorar esse processo com estimulação cerebral, especialmente em pessoas com padrões de conectividade menos eficientes.

Ao integrar estimulação, imagem cerebral e medidas químicas, os pesquisadores ofereceram uma visão mais completa de como o cérebro aprende matemática e como intervenções personalizadas podem ajudar quem tem mais dificuldade.

Em resumo, essa pesquisa mostra que a aprendizagem matemática depende tanto de prática quanto da estrutura biológica do cérebro. Técnicas modernas como a tRNS podem ajudar a melhorar esse aprendizado, especialmente se forem adaptadas ao perfil cerebral de cada pessoa. Esses achados podem ser úteis no futuro para desenvolver métodos mais eficazes e personalizados de ensino, reduzindo desigualdades na educação e melhorando as oportunidades para todos.

LEIA MAIS:

Functional connectivity and GABAergic signaling modulate the enhancement effect of neurostimulation on mathematical learning

George Zacharopoulos, Masoumeh Dehghani, Beatrix Krause-Sorio,

Jamie Near, and Roi Cohen Kadosh 

PLoS Biol 23(7): e3003200. July 1, 2025

https://doi.org/10.1371/journal.pbio.3003200

Abstract: 

Effortful learning and practice are integral to academic attainment in areas like reading, language, and mathematics, shaping future career prospects, socioeconomic status, and health outcomes. However, academic learning outcomes often exhibit disparities, with initial cognitive advantages leading to further advantages (the Matthew effect). One of the areas in which learners frequently exhibit difficulties is mathematical learning. Neurobiological research has underscored the involvement of the dorsolateral prefrontal cortex (dlPFC), the posterior parietal cortex (PPC), and the hippocampus in mathematical learning. However, their causal contributions remain unclear. Moreover, recent findings have highlighted the potential role of excitation/inhibition (E/I) balance in neuroplasticity and learning. To deepen our understanding of the mechanisms driving mathematical learning, we employed a novel approach integrating double-blind excitatory neurostimulation—high-frequency transcranial random noise stimulation (tRNS)—and examined its effect at the behavioral, functional, and neurochemical levels. During a 5-day mathematical learning paradigm (n = 72) active tRNS was applied over the dlPFC or the PPC, and we compared the effects versus sham tRNS. Individuals exhibiting stronger positive baseline frontoparietal connectivity demonstrated greater improvement in calculation learning. Subsequently, utilizing tRNS to modulate frontoparietal connectivity, we found that participants with weaker positive baseline frontoparietal connectivity, typically associated with poorer learning performance, experienced enhanced learning outcomes following dlPFC-tRNS only. Further analyses revealed that dlPFC-tRNS improved learning outcomes for participants who showed reductions in dlPFC GABA when it was accompanied by a reduced positive frontoparietal connectivity, but this effect was reversed for participants who showed increased positive frontoparietal connectivity. Our multimodal approach elucidates the causal role of the dlPFC and frontoparietal network in a critical academic learning skill, shedding light on the interplay between functional connectivity and GABAergic modulation in the efficacy of brain-based interventions to augment learning outcomes, particularly benefiting individuals who would learn less optimally based on their neurobiological profile.