{"id":{"repo_id":"minho-thes","oai_identifier":"oai:repositorium.uminho.pt:1822/100828"},"canonical_url":"https://search.dev.ndltd.org/etd/minho-thes/oai:repositorium.uminho.pt:1822/100828","repository":{"repo_id":"minho-thes","name":"Universidade do Minho","base_url":"http://repositorium.sdum.uminho.pt/oai/request"},"display":{"title":"Emotion regulation in confusion for enhancing learning engagement","abstract":"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.","abstract_html":"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.","abstract_has_math":false,"creators":["Zhao, Tongyu"],"institution":"Universidade do Minho","degree_name":"Doutoramento em Engenharia Eletrónica e de Computadores","degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Gomes, Tiago Manuel Ribeiro","Pinto, Sandro","Xu, Hao"],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026-03-03","date_published":"2026-03-03","updated_at":"2026-08-21T16:46:39Z","subjects":["Aprendizagem autorregulada","Aprendizagem profunda","Confusão na aprendizagem","Envolvimento na aprendizagem","Sensores móveis","Deep learning","Learning confusion","Learning engagement","Mobile sensing","Self-regulated learning"],"languages":["eng"],"rights":["openAccess"],"rights_urls":["http://creativecommons.org/licenses/by-nc-sa/4.0/"],"identifier_entries":[]},"links":{"outbound_url":"https://hdl.handle.net/1822/100828","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"source_record":{"url":"http://repositorium.sdum.uminho.pt/oai/request?verb=GetRecord&metadataPrefix=dim&identifier=oai%3Arepositorium.uminho.pt%3A1822%2F100828","prefix":"dim"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Gomes, Tiago Manuel Ribeiro","Pinto, Sandro","Xu, Hao"]},{"key":"dc:creator","label":"Author","values":["Zhao, Tongyu"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2026-04-08T10:45:42Z"]},{"key":"dc:date.issued","label":"Date","values":["2026-03-03"]},{"key":"dc:type","label":"Dc Type","values":["doctoralThesis"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Doutoramento em Engenharia Eletrónica e de Computadores"]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["Universidade do Minho"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Aprendizagem autorregulada","Aprendizagem profunda","Confusão na aprendizagem","Envolvimento na aprendizagem","Sensores móveis","Deep learning","Learning confusion","Learning engagement","Mobile sensing","Self-regulated learning"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["eng"]},{"key":"dc:rights","label":"Dc Rights","values":["openAccess"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://creativecommons.org/licenses/by-nc-sa/4.0/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://hdl.handle.net/1822/100828"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["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.","In modern learning environments, learners frequently experience confusion—an affective state triggered by cognitive overload, ambiguous feedback, or unmet expectations—that, if left unresolved, may lead to diminished attention, impaired decision-making, and ultimately disengagement from learning. While previous research has primarily relied on self-reports or text-based analysis to detect confusion, these approaches face limitations in scalability and responsiveness. In contrast, mobile phones, as ubiquitous and sensor-rich companions, offer a promising, unobtrusive medium for continuous emotional and behavioral monitoring. This dissertation investigates how a multimodal, scalable, and responsive confusion recognition and regulation can be integrated into learning environments to promote dynamic learning, monitoring, and personalized interventions. The main contributions of this dissertation are: (1) Proposal of MT-Conf, a personalized multi-task learning framework for simultaneous detection of confusion degree and type through cross-task attention and individualized feature modeling; (2) Conceptualization of self-regulated learning behaviors as observable signals of confusion and application of long-term passive mobile sensing to uncover its dynamics and effects on learning; (3) Development of a multimodal prediction framework integrating questionnaires, ecological assessments, and passive sensing with behavioral variability metrics to reveal stability–flexibility patterns of confusion; and (4) Implementation and deployment of a prototype system for confusion detection and regulation, with evaluation of adaptive interventions for student engagement and persistence. Results demonstrate that combining mobile sensing with multimodal and personalized modeling effectively captures confusion, reveals its behavioral mechanisms, and supports timely regulation in authentic learning contexts."]},{"key":"dc:title","label":"Title","values":["Emotion regulation in confusion for enhancing learning engagement"]}]}],"canonical_facts":{"dc:contributor.advisor":["Gomes, Tiago Manuel Ribeiro","Pinto, Sandro","Xu, Hao"],"dc:creator":["Zhao, Tongyu"],"dc:date.accessioned":["2026-04-08T10:45:42Z"],"dc:date.issued":["2026-03-03"],"dc:description.abstract":["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.","In modern learning environments, learners frequently experience confusion—an affective state triggered by cognitive overload, ambiguous feedback, or unmet expectations—that, if left unresolved, may lead to diminished attention, impaired decision-making, and ultimately disengagement from learning. While previous research has primarily relied on self-reports or text-based analysis to detect confusion, these approaches face limitations in scalability and responsiveness. In contrast, mobile phones, as ubiquitous and sensor-rich companions, offer a promising, unobtrusive medium for continuous emotional and behavioral monitoring. This dissertation investigates how a multimodal, scalable, and responsive confusion recognition and regulation can be integrated into learning environments to promote dynamic learning, monitoring, and personalized interventions. The main contributions of this dissertation are: (1) Proposal of MT-Conf, a personalized multi-task learning framework for simultaneous detection of confusion degree and type through cross-task attention and individualized feature modeling; (2) Conceptualization of self-regulated learning behaviors as observable signals of confusion and application of long-term passive mobile sensing to uncover its dynamics and effects on learning; (3) Development of a multimodal prediction framework integrating questionnaires, ecological assessments, and passive sensing with behavioral variability metrics to reveal stability–flexibility patterns of confusion; and (4) Implementation and deployment of a prototype system for confusion detection and regulation, with evaluation of adaptive interventions for student engagement and persistence. Results demonstrate that combining mobile sensing with multimodal and personalized modeling effectively captures confusion, reveals its behavioral mechanisms, and supports timely regulation in authentic learning contexts."],"dc:identifier.uri":["https://hdl.handle.net/1822/100828"],"dc:language.iso":["eng"],"dc:rights":["openAccess"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-sa/4.0/"],"dc:subject":["Aprendizagem autorregulada","Aprendizagem profunda","Confusão na aprendizagem","Envolvimento na aprendizagem","Sensores móveis","Deep learning","Learning confusion","Learning engagement","Mobile sensing","Self-regulated learning"],"dc:title":["Emotion regulation in confusion for enhancing learning engagement"],"dc:type":["doctoralThesis"],"thesis:degree_name":["Doutoramento em Engenharia Eletrónica e de Computadores"],"thesis:institution_name":["Universidade do Minho"]},"updated_at":"2026-08-21T16:46:39Z"}