L’indice di Coinvolgimento Mentale è una metrica basata su EEG progettata per stimare quanto una persona sia cognitivamente coinvolta in un compito, uno stimolo o un’esperienza.

In termini semplici, riflette il grado con cui il cervello alloca risorse attentive e di elaborazione a ciò che un individuo sta facendo o percependo (Pope et al., 1995; Berka et al., 2007).

Nella sua formulazione più diffusa, l’indice è calcolato come il rapporto tra l’attività Beta e la somma delle attività Alpha e Theta. Questa formulazione si basa su evidenze neuroscientifiche che mostrano come un aumento delle attività a frequenza più elevata, come la Beta, sia generalmente associato a una maggiore attivazione cognitiva, mentre ritmi più lenti, come Alpha e Theta, risultano più evidenti in stati di ridotta vigilanza o minore coinvolgimento nel compito. Di conseguenza, valori più elevati di Coinvolgimento Mentale sono interpretati come indicatori di un maggiore coinvolgimento nei processi di elaborazione delle informazioni e nell’esecuzione del compito. Diversi studi hanno dimostrato che questo indice è sensibile alle variazioni del carico mentale e può essere associato anche ad aspetti dell’esperienza emotiva, in particolare nei compiti legati alla memoria (Pope et al., 1995; Berka et al., 2007; Chaouachi e Frasson, 2012).

Nel corso degli anni, l’indice di Coinvolgimento Mentale è stato ampiamente utilizzato sia in contesti di laboratorio controllati sia in scenari reali, tra cui il monitoraggio della vigilanza, l’apprendimento, l’interazione uomo-computer, la valutazione dei media e la neuroergonomia. Nella ricerca sui sistemi educativi e adattivi, l’indice si è dimostrato utile per monitorare il coinvolgimento cognitivo dell’utente durante i processi di interazione e apprendimento (Chaouachi e Frasson, 2012; Baradari et al., 2025). Anche nelle neuroscienze applicate e nel neuromarketing, è stato impiegato per valutare come contenuti comunicativi e stimoli mediatici modulino nel tempo il coinvolgimento cognitivo (Cartocci et al., 2019; Vozzi et al., 2020). È stato inoltre utilizzato in studi sulla memoria di lavoro e sull’elaborazione delle modalità di stimolo, confermando il suo valore come indicatore sintetico ed efficace dell’attivazione cognitiva correlata al compito (Inguscio et al., 2021).

Più in generale, la letteratura recente sui fattori umani e sull’Industria 5.0 evidenzia il Coinvolgimento Mentale come un indicatore neurofisiologico rilevante per la caratterizzazione oggettiva degli stati cognitivi in contesti reali, soprattutto se combinato con altre misure EEG e fisiologiche (Ricci et al., 2025).

In BrainSigns, l’indice di Coinvolgimento Mentale è utilizzato come parte di un più ampio insieme di misure neurofisiologiche per fornire una valutazione oggettiva e dinamica del coinvolgimento dell’utente. La sua sensibilità alle variazioni temporali nella partecipazione cognitiva lo rende particolarmente utile per valutare come le persone interagiscono con interfacce, esperienze formative, contenuti media e ambienti operativi complessi.

RIFERIMENTI BIBLIOGRAFICI

• Pope, T. T., Bogart, E. H., & Bartolome, D. S. (1995). Biocybernetic system evaluates indices of operator engagement in automated task. Biological Psychology, 40(1), 187-195.
• Berka, C., Levendowski, D. J., Lumicao, M. N., Yau, A., Davis, G., Zivkovic, V. T., Olmstead, R. E., Tremoulet, P. D., & Craven, P. L. (2007). EEG correlates of task engagement and mental workload in vigilance, learning, and memory tasks. Aviation, Space, and Environmental Medicine, 78(5), B231-B244.
• Chaouachi, M., & Frasson, C. (2012). Mental workload, engagement and emotions: An exploratory study for intelligent tutoring systems. In Intelligent Tutoring Systems. ITS 2012. Lecture Notes in Computer Science, vol. 7315. Springer.
• Cartocci, G., Modica, E., Rossi, D., Inguscio, B. M. S., Aricò, P., Martinez Levy, A. C., Mancini, M., Cherubino, P., & Babiloni, F. (2019). Antismoking campaigns’ perception and gender differences: A comparison among EEG indices. Computational Intelligence and Neuroscience, 2019, 7348795.
• Vozzi, A., Ronca, V., Rossi, D., Modica, E., Cherubino, P., Martinez, A., Giorgi, A., Inguscio, B. M. S., Babiloni, F., & Cartocci, G. (2020). Brain response to antismoking PSA, an EEG study. International Journal of Bioelectromagnetism, 22(2), 1-7.
• Inguscio, B. M. S., Cartocci, G., Sciaraffa, N., Nasta, C., Giorgi, A., Nicastri, M., Giallini, I., Greco, A., Babiloni, F., & Mancini, P. (2021). Neurophysiological verbal working memory patterns in children: Searching for a benchmark of modality differences in audio/video stimuli processing. Computational Intelligence and Neuroscience, 2021, 4158580.
• Ricci, A., Ronca, V., Capotorto, R., Giorgi, A., Vozzi, A., Germano, D., et al. (2025). Understanding the unexplored: A review on the gap in human factors characterization for Industry 5.0. Applied Sciences, 15(4), 1822.
• Baradari, D., Kosmyna, N., Petrov, O., Kaplun, R., & Maes, P. (2025). NeuroChat: A neuroadaptive AI chatbot for customizing learning experiences. In Proceedings of the 7th ACM Conference on Conversational User Interfaces, 1-21.