Come fa il tuo cervello a scegliere tra parole e immagini negli spot?

Il neuromarketing è la scienza che legge il cervello mentre guarda una pubblicità. In un recente studio, 22 volontari hanno indossato un casco EEG, cioè un dispositivo che registra le onde cerebrali, mentre osservavano spot verbali, visivi o misti. Prima dell'esperimento, i partecipanti sono stati classificati come "verbalizzatori" o "visualizzatori" usando il questionario SOP, che misura se preferiscono elaborare le informazioni con parole o immagini.

Durante la visione, l'EEG ha catturato cinque bande di frequenza (Delta, Theta, Alpha, Beta, Gamma). I ricercatori hanno poi addestrato tre algoritmi – Support Vector Machine (SVM), albero decisionale e k‑Nearest Neighbors – a riconoscere, a partire dalle onde cerebrali, a quale gruppo apparteneva ogni persona. Tutti i modelli hanno raggiunto un’accuratezza tra l'86% e il 93%, ma l'SVM si è dimostrato più stabile quando i dati erano sbilanciati.

Un’analisi statistica ha evidenziato che la banda Theta (4‑8 Hz) differiva significativamente tra i due gruppi, suggerendo che questa frequenza è legata al modo in cui il cervello elabora parole o immagini.

Questi risultati aprono la porta a pubblicità più personalizzate: in futuro, i contenuti potrebbero adattarsi al tuo stile cognitivo, rendendo l’esperienza più coinvolgente e meno invasiva.

L’analisi EEG si basa sulla scomposizione del segnale in bande di frequenza, ciascuna associata a specifici stati cognitivi. La banda Theta (4‑8 Hz) è tradizionalmente collegata a processi di memoria di lavoro e di integrazione multimodale, il che spiega la sua rilevanza nella distinzione tra verbalizzatori e visualizzatori. In questo studio, i dati grezzi sono stati filtrati per rimuovere artefatti oculari e muscolari mediante algoritmi ICA (Independent Component Analysis), garantendo che le componenti analizzate riflettessero attività neurale genuina.

Per la classificazione, l’algoritmo SVM è stato configurato con kernel radiale (RBF) e ottimizzato tramite ricerca a griglia su parametri C e gamma, massimizzando il margine di separazione tra le classi. L’albero decisionale e il k‑Nearest Neighbors, sebbene abbiano mostrato performance comparabili in termini di accuratezza, hanno sofferto di overfitting quando il numero di campioni per una classe era inferiore, evidenziando la sensibilità a dataset sbilanciati.

Le metriche di valutazione includono l’area sotto la curva ROC (AUC) e la sensibilità specifica per ciascuna classe. L’AUC medio per l’SVM è stato 0,94, indicando eccellente capacità discriminante. Inoltre, i test t indipendenti hanno rivelato differenze statisticamente significative (p < 0,01) nella potenza Theta, ma non nelle altre bande, suggerendo un marker neurofisiologico potenzialmente robusto per lo stile di elaborazione.

Limiti dello studio comprendono la piccola dimensione del campione (N=22) e la mancanza di validazione esterna su popolazioni più eterogenee. Futuri lavori potrebbero integrare tecniche di deep learning per catturare pattern non lineari più complessi e combinare EEG con eye‑tracking per una mappatura più completa dell’interazione tra attenzione visiva e processi verbali. Inoltre, l’applicazione pratica richiederà considerazioni etiche sulla privacy dei dati neurali e sulla trasparenza nell’uso di tali informazioni per personalizzare contenuti pubblicitari.