Emotion regulation in confusion for enhancing learning engagement

Nos ambientes de aprendizagem modernos, os alunos frequentemente experienciam confusão — um estado afetivo desencadeado por sobrecarga cognitiva, feedback ambíguo ou expectativas não cumpridas— que, se não for resolvida, pode levar à diminuição da atenção, à tomada de decisões erradas e, em última instância, ao desinteresse pela aprendizagem. Embora investigações anteriores tenham recorrido principalmente a auto-relatos ou análises baseadas em texto para detetar a confusão, estes métodos apresentam limitações em termos de escalabilidade e capacidade de resposta. Em contraste, os telemóveis, enquanto dispositivos omnipresentes e ricos em sensores, oferecem um meio promissor e discreto para a monitorização contínua de estados emocionais e comportamentais. Esta dissertação investiga como um mecanismo de reconhimento e regulação de confusão multimodal, escalável e responsiva será integrado em ambientes de aprendizagem para promover a aprendizagem dinâmica, a monitorização e intervenções personalizadas. As principais contribuições desta tese são: (1) Proposta do MT-Conf, um quadro de aprendizagem multi-tarefa personalizado para a deteção simultânea do grau e do tipo de confusão, recorrendo à atenção inter-tarefa e à modelação individualizada de características; (2) Conceptualização dos comportamentos de autorregulação da aprendizagem como sinais observáveis de confusão e aplicação de monitorização móvel passiva de longo prazo para revelar a sua dinâmica e os efeitos na aprendizagem; (3) Desenvolvimento de um quadro de previsão multimodal que integra questionários, avaliações ecológicas e monitorização passiva com métricas de variabilidade comportamental para expor os padrões de estabilidade–flexibilidade da confusão; and (4) Projecto e implementação e implementação prática de um protótipo para deteção e regulação da confusão, com avaliação de intervenções adaptativas para o envolvimento e a persistência dos estudantes. Os resultados demonstram que a monitorização móvel, quando combinada com modelação multimodal e personalizada, capta eficazmente a confusão, revela os seus mecanismos comportamentais e apoia a sua regulação atempada em contextos reais de aprendizagem.

Name thesis:degree_name

Doutoramento em Engenharia Eletrónica e de Computadores

Grantor

Universidade do Minho

Year dc:date.issued

2026

Author dc:creator

• Zhao, Tongyu

Advisors dc:contributor.advisor

• Gomes, Tiago Manuel Ribeiro
• Pinto, Sandro
• Xu, Hao

• Aprendizagem autorregulada
• Aprendizagem profunda
• Confusão na aprendizagem
• Envolvimento na aprendizagem
• Sensores móveis
• Deep learning
• Learning confusion
• Learning engagement
• Mobile sensing
• Self-regulated learning

Statement dc:rights

• openAccess

Licence dc:rights.uri

• http://creativecommons.org/licenses/by-nc-sa/4.0/

Language dc:language.iso

eng

Handle dc:identifier.uri

https://hdl.handle.net/1822/100828

OAI record oai:identifier

http://repositorium.sdum.uminho.pt/oai/request?verb=GetRecord&metadataPrefix=dim&identifier=oai%3Arepositorium.uminho.pt%3A1822%2F100828