A hybrid psychometric approach integrating Self-Determination Theory and passive smartphone sensing for continuous assessment of learning motivation

Abstract

A motivação para a aprendizagem molda profundamente o comportamento e o envolvimento dos estudantes, sendo central na psicologia da educação e na pedagogia. À luz da Teoria da Autodeterminação (SDT), a motivação intrínseca é um conceito estável de impulso genuíno. As avaliações convencionais baseadas em autorrelatos ou observações de peritos são trabalhosas, propensas a distorção e incapazes de captar a dinâmica temporal. Embora a monitorização móvel esteja difundida em psicometria, continuam escassos os trabalhos que visam diretamente a motivação para a aprendizagem e uma abordagem integrada, alinhada com a SDT e com avaliação contínua. Esta dissertação enfrenta essa lacuna. Propomos uma abordagem psicométrica híbrida que integra autorrelatos fundamentados na SDT com sensorização passiva por telemóveis para uma avaliação contínua, de validade ecológica, e sustentada por estudos longitudinais que emparelham dados comportamentais recolhidos via telemóveis com escalas validadas de motivação. Um fluxo de trabalho operacional de cinco camadas abrange perceção, pré-processamento, representação, análise e relato, e o trabalho organiza-se em três questões de investigação faseadas: (i) quais são as associações comportamento–motivação? (ii) quais são os indicadores comportamentais refinados? e (iii) qual é a estimação ao nível individual por integração sensível ao contexto com inferência aumentada por LLM? Mantém-se a governação ética rigorosa em todo o processo. Os resultados mostram que a combinação de sensorização passiva contínua com autorrelatos SDT identifica padrões comportamentais associados à motivação intrínseca e produz indicadores com maior ranularidade, sensibilidade temporal superior e fiabilidade psicométrica mais robusta. Evidenciam também uma estimativa simultânea interpretável e individualizada, viabilizada pela inferência contextualizada e aumentada pelo LLM. Globalmente, o trabalho estabelece um paradigma sistemático que liga a teoria psicológica ao comportamento no mundo real, progredindo da associação para a otimização e para a estimação. Oferece também orientações práticas para uma avaliação pouco intrusiva da motivação para a aprendizagem e para a análise da aprendizagem.

Learning motivation profoundly shapes students’ behavior and engagement, making it central to educational psychology and pedagogy. In Self-Determination Theory (SDT), intrinsic motivation is a stable construct of genuine drive. Conventional assessments based on self-reports or expert observations are labor-intensive, bias-prone, and miss temporal dynamics. Although mobile sensing is widely used in psychometrics, work directly targeting learning motivation and a SDT-aligned, continuously assessed, integrated approach remains limited. This dissertation addresses that gap. We propose a hybrid psychometric approach integrating SDT-grounded self-reports with passive smartphone sensing for continuous, ecologically valid assessment, supported by longitudinal studies that pair behavioral data gathered using smartphone with validated motivation scales. An operational five-layer workflow spans perception, preprocessing, representation, analysis, and reporting, and the work is structured by three staged research questions: (i) what are the behavior–motivation associations? (ii) what are refined the behavioral indicators? and (iii) what is the individual-level estimation via context-aware integration with LLM-augmented inference? Strict ethical governance applies throughout. Results show that combining continuous passive sensing with SDT self-reports identifies behavioral patterns linked to intrinsic motivation and yields refined indicators with finer granularity, greater temporal sensitivity, and stronger psychometric reliability. They also demonstrate interpretable, individualized concurrent estimation enabled by context-aware, LLM-augmented inference. Overall, the research establishes a systematic paradigm connecting psychological theory to real-world behavior, progressing from association to optimization to estimation, and offering practical guidance for unobtrusive learning motivation assessment and learning analytics.