本方案提供了一套可重复的调查与偏最小二乘结构方程建模工作流程，用于评估大学生在线学习体验、基本心理需求与学习投入之间的关联路径，包括问卷改编、筛选、测量评估、间接关联检验、稳健性检验及可重复性记录。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本文内容
摘要
摘要
在线学习已融入高等教育体系，但其评估通常依赖于访问量、满意度或完成率等指标，这些指标无法识别参与度问题出现的具体环节。本文介绍了一种可重复的英文问卷调查方法，以及偏最小二乘结构方程模型分析流程，用于评估大学生在线学习体验、基本心理需求与学习参与度之间的关联路径。在线学习体验通过平台可用性、教学支持、互动质量与学习灵活性来衡量；基本心理需求通过自主性、胜任感与归属感来衡量；学习参与度则通过行为参与、认知参与和情感参与来衡量。该工作流程明确了题项来源映射、问卷改编、专家评审、预测试、电子知情同意、资格筛查、应答质量检查、构念计分、共同方法偏差诊断、高阶构念估计、测量模型评估、结构路径检验、间接关联分析、心理需求敏感性分析、基于回归的稳健性检验以及可重复性文件锁定等步骤。基于386份有效应答的代表性结果显示：量表信度可接受，构念间相关性中等，测量质量得以保持，通过基本心理需求的间接关联路径得到支持，控制变量路径不显著，各维度得分存在不均衡现象。该方案有助于透明化诊断在线学习体验如何通过基本心理需求的满足影响学习参与度，同时避免对横断面调查数据做出因果推论。
引言
在线学习已通过学习管理系统、视频平台、录播资料、同步课程以及混合式课程设计成为高等教育的常规组成部分。然而，许多评估仍依赖访问日志、满意度评分或完成率等指标，这些指标仅能说明学生是否使用了在线课程，却无法阐明较低的参与度是否与平台可用性、教学支持、互动质量、学习灵活性、心理需求满足度或某一特定参与维度相关1。因此，不应将在线学习体验简化为单一的满意度评分。以往关于在线参与的研究强调，学习者与内容、学习者与教师以及学习者之间的互动是学生在线学习体验的重要组成部分2。本研究方案通过平台可用性、教学支持、互动质量以及学习灵活性来测量在线学习体验。
学习投入也具有多维性，包括行为参与、认知投入和情感卷入。在线课程投入测量工具表明，仅通过可见的参与行为或任务完成情况无法全面反映投入程度3。更广泛的教育技术研究也显示，相较于认知或情感层面的投入，行为投入通常更容易被观察4。因此，本方案通过行为、认知和情感三个维度来测量学习投入，而非将投入简化为单一的、无差异的总分。
自我决定理论为将在线学习体验与学习投入联系起来提供了理论基础。基本心理需求理论认为，自主性、胜任力和归属感是动机和适应的核心条件5。在在线学习中，自主性指个体感知到的选择权和控制感，胜任力指完成学习任务能力的感知，归属感则指与教师和同学之间的情感联结。以往基于自我决定理论的在线学习研究已将情境支持、需求满足、动机与学习投入相互关联6,7。这些发现支持将基本心理需求作为在线学习体验与学习投入之间间接关联的中介变量进行考察，但由于数据为横断面性质，应避免因果推论。
在线参与度研究中的一个方法学问题是缺乏一致的操作结构。不同研究在定义学习条件、测量参与度以及将学习环境与学生的心理体验相联系的方式上存在差异8。自我报告问卷还容易受到粗心作答、模式化回答、事后排除、缺失数据处理决策以及共同方法偏差的影响9。因此，本方案在结构分析开始之前，预先确定了英文问卷的结构、题项来源映射、计分规则、电子知情同意程序、资格筛查标准、注意力检查规则、完成时间阈值、直线作答判定标准、长串重复作答检查、缺失数据处理方法、模型设定以及数据集锁定程序。
该概念框架将在线学习体验指定为自变量构念，基本心理需求为间接关联构念，学习投入为结果构念。主要路径检验在线学习体验是否与基本心理需求相关，基本心理需求是否与学习投入相关，以及在控制基本心理需求后，在线学习体验是否仍与学习投入存在直接关联。本研究方案围绕四个研究问题展开：结构化调查方案能否以可接受的应答质量和构念信度测量这三个构念；在线学习体验是否与基本心理需求和学习投入呈正相关；在线学习体验与学习投入之间的关联是否部分通过基本心理需求这一间接路径传递；以及心理需求子维度分析和基于回归的稳健性检验是否支持与主要偏最小二乘结构方程模型（PLS-SEM）分析流程相同的解释结论。
本文定位为以方法为核心的贡献，而非传统的解释性横断面研究。该方案提供了一套可重复的工作流程，涵盖问卷改编、专家评审、预试验、问卷施测、应答筛选、构念计分、测量模型评估、结构路径检验、间接关联分析、敏感性分析、稳健性检验以及可重复性文件锁定。透明的教育研究工作流程要求在最终模型解释之前预先记录所有分析决策10。本研究采用偏最小二乘结构方程模型（PLS-SEM），因其可在同一工作流程中同时检验测量部分与结构部分，并通过分离的两阶段方法获得反映型一阶构念及分析推导出的高阶构念得分11。以往关于在线学生参与度、社会临场感、学习支持与留存率的研究表明，沟通、支持、联结以及包容性课程设计的重要性超越了简单的可及性或灵活性12,13。系统综述进一步指出，行为、认知和情感层面的参与可能对在线学习环境产生不同的响应14。因此，代表性结果仅用于展示该方案的输出效果，而非基于横断面调查数据提出因果推论15。
访问受限。请登录或开始试用以查看此内容。
方案
该研究方案已通过马来亚大学研究伦理委员会（非医学类）的审查与批准，批准编号为 UM.TNC (P&I)/UMREC_4892，2025年8月7日。所有操作均须依照机构关于涉及人类受试者研究的指导方针进行。在发放问卷前，须获取电子形式的知情同意。在招募、筛选、评分、分析及文件存储过程中，使用匿名的受试者编码。研究工具与软件列于下文 材料表.
1. 确定研究设计和分析框架
- 采用横断面定量调查设计，评估大学生在线学习体验、基本心理需求与学习投入之间的关联路径。
- 将在线学习体验定义为自变量潜在构念，基本心理需求定义为中介关联潜在构念，学习投入定义为结果变量潜在构念。
- 在数据收集前明确这三个多维构念：以平台可用性、教学支持、互动质量与学习灵活性表示在线学习体验；以自主性需求、能力需求与归属感需求表示基本心理需求；以行为投入、认知投入与情感投入表示学习投入。
- 以偏最小二乘法结构方程模型（PLS-SEM）作为主要分析方法，评估测量质量、高阶构念得分、结构路径及预设的间接路径。
- 在分析前预先设定主要路径：在线学习体验 → 基本心理需求、基本心理需求 → 学习投入、在线学习体验 → 学习投入。
- 将所有结构路径视为关联性估计值。由于所有变量均在同一时间点测量，不得将任何路径解释为因果关系。在招募前进行先验样本量与统计检验效能检验。以至少380份有效应答为目标样本量，350份有效应答为筛选后可接受的最低样本量。
- 在图1中展示本方案的工作流程，包括招募、知情同意、问卷施测、专家评审、预试验、应答数据筛选、数据集锁定、测量评估、结构检验、间接关联分析、稳健性检验及可重复性文件准备。
注意： 从问卷构建到最终分析，保持概念模型与结构路径不变。
图1： 评估在线学习体验、基本心理需求与学习投入的操作流程图。 该图展示了从参与者招募、知情同意、问卷施测、专家评审、预试验、应答筛选、数据集锁定，到测量评估、结构检验、间接关联分析、稳健性检验及可重复性文件准备的完整研究流程。 请点击此处查看此图的放大版本。
2. 招募符合条件的参与者
- 招募在当前或最近一个学期内参加过至少一门在线课程或混合式课程的大学生。
- 纳入年满18周岁及以上、目前注册为本科或研究生、接触过在线或混合式学习、能够阅读英文问卷并愿意提供电子知情同意的参与者。
- 若未确认知情同意、不符合纳入标准、未通过注意力检测题项、检测到重复提交、完成时间低于预设阈值、存在直线作答行为，或存在无法澄清的资格不一致情况，则排除相应问卷数据。
- 通过大学学习平台、课程交流群组、学生邮件列表以及学校官方学生渠道招募参与者。
- 不得收集直接身份识别信息，包括姓名、学生编号、电话号码、私人电子邮件地址、精确居住地址、IP地址、设备标识符或账户标识符。
- 在实地工作日志和筛选日志中记录招募日期、招募渠道、提交的问卷数量、按类别划分的排除数量、保留的有效问卷数量以及最终有效样本量。
暂停点：每周检查招募进展。仅审查问卷提交数量、招募渠道覆盖情况和初步排除率。在招募期间不得查看构念得分、相关性或路径估计结果。
3. 设计问卷
- 准备一份结构化的英文问卷，包含电子知情同意书、资格筛选、参与者背景信息、核心量表条目，以及一个基于指令的注意力检查条目。
- 所有核心条目均采用五点李克特评分量表：1 = 非常不同意，2 = 不同意，3 = 中立，4 = 同意，5 = 非常同意。
- 根据以往关于在线学习感知、教学支持、互动质量、平台可用性和学习灵活性的测量工具，改编在线学习体验条目；根据已确立的自主性、胜任感和归属感测量工具，改编基本心理需求条目；根据已确立的行为、认知和情感投入测量工具，改编学习投入条目。
- 仅在必要时调整条目措辞，以适配大学在线及混合式学习情境。使用清晰、无引导性的语言，避免暗示应出现高满意度、高心理需求满足或高投入水平的表述。
- 在预测试前准备条目来源对照表，为每个核心条目记录条目编号、构念、维度、改编后的措辞、来源依据、改编说明、问卷语言及计分方向。
- 共使用33个核心李克特量表条目：其中12个用于在线学习体验，9个用于基本心理需求，12个用于学习投入。每个在线学习体验维度使用3个条目，每个基本心理需求维度使用3个条目，每个学习投入维度使用4个条目。
- 在基本心理需求模块之后插入一个基于指令的注意力检查条目。该条目仅用于作答质量筛选，不参与构念计分、信度分析、效度分析、偏最小二乘结构方程模型（PLS-SEM）估计、间接关联检验及稳健性分析。
- 在预测试阶段，确保问卷预计完成时间控制在8–12分钟内。使用表1记录构念领域、维度、条目编号、条目数量、作答量表、计分方向及改编依据。使用补充文件1提供完整问卷、条目来源对照表、变量编码方式及计分规则。
注意： 确保预测变量、间接关联变量和结果变量在概念上相互独立。
表1：构念领域、维度、问卷结构及计分规则。 本表总结了问卷结构，包括构念领域与维度、题项代码与编号、示例题项、改编依据、作答量表及计分规则。其中，注意力检测题项被标识为仅用于筛选的题项。请点击此处下载该表格。
4. 进行专家评审和预试验
- 邀请三到五位在教育心理学、在线学习、定量方法学、高等教育研究或问卷设计领域的专家对问卷进行评审。
- 请专家评估每个题项的表述清晰性、构念相关性、用语冗余性、作答负担、文化适宜性、语言清晰度，以及每个题项与其所属维度之间的一致性。
- 将专家评审结果记录在题项修订日志中，内容包括原始表述、评审意见、修订决定、最终表述，以及保留、修改或删除题项的理由。
- 修订存在歧义、一题多问、内容过于相似、文化不适宜、与目标维度关联性弱，或不符合英文语境下问卷背景的题项。
- 在符合主研究相同纳入标准的30至50名大学生中开展预试验。请预试验参与者指出问卷中表述不清、技术显示问题、长度过长、重复表述，或因任何题项引发的不适感。
- 记录每位预试验参与者的完成时间。正式研究的最低完成时间阈值设定为3分钟与预试验中位完成时间的三分之一两者中的较大值。
- 在预试验后计算各构念的初步内部一致性，并检查题项与总分的相关性。仅当删除题项可提升测量质量且不削弱构念覆盖范围时，才对表现较弱的题项进行修订或删除。
- 在正式招募前，最终确定并锁定问卷、编码手册、题项来源映射表、专家评审日志、预试验记录、完成时间阈值、注意力检查规则、重复数据检测规则及排除标准。
暂停节点：在所有问卷、筛选和编码文件锁定之前，不得开始正式招募。
5. 实施在线问卷调查
- 使用支持匿名参与、知情同意确认、资格筛查、必答设置、答题时间记录、非识别性重复提交限制、注意力检查题设置及电子表格导出功能的在线问卷系统构建问卷。
- 在资格筛查和问卷题目之前放置电子知情同意书。仅当参与者确认自愿参与后方可继续，并以中立语言说明研究目的，明确指出本研究旨在考察学生对在线学习的感知、心理需求满足程度以及学习投入情况。
- 将知情同意、资格筛查问题以及全部33个实质性李克特量表题目设为必答题。禁用所有可直接识别个人信息的填写字段，不收集姓名、学号、电话号码、私人电子邮件地址、详细居住地址、IP地址、设备标识符或账户标识符。
- 允许参与者在最终提交前随时退出问卷，且不因此受到任何处罚。仅在平台功能支持的情况下，通过非识别性的问卷系统设置限制重复提交。问卷开放时间为4至6周，每周两次监测有效作答数量，并在实地工作日志中记录招募进展。
注意：问卷提交后不得向参与者提供个人得分反馈。
6. 导出并保护原始数据
- 在招募结束后立即以 .xlsx 和 .csv 格式导出所有提交的响应数据。
- 将一份未修改的 .xlsx 文件保存为 RawData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsx，将一份未修改的 .csv 文件保存为 RawData_OnlineLearning_BPN_Engagement_YYYYMMDD.csv。
- 创建一份用于筛选、编码和分析的工作副本，命名为 WorkingData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsx。为每份提交的响应分配一个匿名参与者代码，格式为 P001、P002、P003，依此类推。
- 将原始数据集存储在只读文件夹中，并在开始筛选前创建校验和、文件版本记录或机构版本历史记录。
- 将去标识化的原始提交记录归档及筛选元数据保存在受保护的机构验证文件夹中。在提交发表的稿件及补充文件中，不得包含原始排除记录、直接可识别信息或参与者层面的原始数据。
暂停点： 在未保存原始 .xlsx 文件、原始 .csv 文件、实地工作日志、原始数据版本记录以及受保护的原始数据文件夹之前，不得开始筛选工作。
7. 筛选反应并应用排除规则
- 在检验构念相关性、测量模型输出、结构路径或间接关联估计之前，应先应用所有排除标准。剔除未确认知情同意、缺少年龄信息、未满足入读资格、无在线学习经历或不符合问卷语言要求的应答数据。
- 根据预设的重复检测规则删除重复应答。仅通过非识别性的调查平台重复标记和匿名应答模式信息识别可能的重复项。当识别出重复应答时，保留最早提交的完整应答。
- 移除未能通过基于指令的注意力检查项或完成时间低于正式研究最低时限要求的问卷。将直线作答定义为在33个实质性李克特量表题目中，对至少90%的题目选择相同的作答选项。符合此标准的问卷应予以剔除。
- 当同一应答选项被连续多次选择时，标记长字符串应答模式r 20个或多个连续的实质性李克特量表项目。仅当标记的应答同时表现出不合理的短完成时间、未通过注意力检测、直线作答或其他预设的质量违规情况时，才予以删除。
- 当参与者报告无在线或混合式学习经历，但报告的每周在线学习时长超过零小时时，标记为背景信息不一致。删除存在未解决资格不一致的问卷响应。
- 在去标识化的筛选日志中记录每个排除的案例，内容包括匿名的参与者编号、排除类别、排除原因、筛选日期和筛选决定。
- 使用 表2 记录提交的应答、排除类别、排除数量、保留的应答以及最终有效样本量。若无法根据代表性数据集重新计算原始排除数量，须明确说明。
注意：仅根据预先规定的知情同意、纳入标准、重复数据、注意力检测、完成时间、回答模式、缺失情况或一致性规则排除样本。在原始数据集、清洗后数据集、筛选日志、排除规则文件、实地工作日志和数据集版本记录未被单独保存并锁定之前，不得开始编码。
表2：应答筛选、排除规则及数据处理决策。 本表总结了预先设定的知情同意、资格、重复应答、注意力检测、完成时间、应答模式检查、缺失情况和数据集锁定等方面的筛选规则及数据处理决策。在分析构念相关性、测量模型输出、结构路径或间接关联估计之前，需先应用排除规则。每个被排除的应答均会使用匿名参与者代码、排除类别、排除原因、筛选日期和筛选决定记录在去标识化的筛选日志中。请点击此处下载该表格。
8. 处理缺失数据
- 在调查系统中将知情同意、资格审查问题以及33个实质性李克特量表项目设置为必填项，以防止缺失值。筛选完成后，检查清理后的数据集中是否存在缺失值。
- 将可选背景变量中的缺失值视为“未报告”，不对可选的人口统计学或背景变量进行插补。
- 若某背景变量的缺失率超过10%，则在协变量分析中予以排除；仅当其缺失率在10%或以下且该变量在理论上具有相关性时，才将其保留作为协变量。
- 不得对33个实质性李克特量表项目中的缺失值进行插补。尽管已设置为必答题，若仍发现实质性项目的缺失情况，应在最终确定清理后数据集前，查明问题是否源于问卷导出、问卷逻辑或提交不完整处理机制。
注意： 记录缺失数据检查过程，报告参与者编码、背景变量、实质性李克特量表项目、维度得分及全局构念得分的缺失值数量及缺失率。
9. 编码变量并计算得分
- 将所有实质性的李克特量表题项编码为1到5：1 = 非常不同意，2 = 不同意，3 = 中立，4 = 同意，5 = 非常同意。根据锁定的编码手册对性别、学术层次、学习年级、学科类别、每周在线学习时长以及先前在线学习经验进行编码。
- 在计算维度得分或全局构念得分之前，检查所有变量是否存在超出范围的值。
- 将在线学习体验维度得分计算为题项均值：平台可用性 = mean(OLE_PU1–OLE_PU3)，教学支持 = mean(OLE_IS1–OLE_IS3)，互动质量 = mean(OLE_IQ1–OLE_IQ3)，学习灵活性 = mean(OLE_LF1–OLE_LF3)。
- 将基本心理需求维度得分计算为题项均值：自主性需求 = mean(BPN_AU1–BPN_AU3)，能力需求 = mean(BPN_CO1–BPN_CO3)，归属需求 = mean(BPN_RE1–BPN_RE3)。
- 将学习投入维度得分计算为题项均值：行为投入 = mean(LE_BE1–LE_BE4)，认知投入 = mean(LE_CE1–LE_CE4)，情感投入 = mean(LE_EE1–LE_EE4)。
- 将全局构念得分计算为维度均值：在线学习体验 = mean (平台可用性, 教学支持, 互动质量, 学习灵活性)；基本心理需求 = mean (自主性需求, 能力需求, 归属需求)；学习投入 = mean (行为投入, 认知投入, 情感投入)。
- 保留题项层面的数据用于测量模型评估，保留维度得分用于高阶构念估计和子维度分析，保留全局构念得分用于描述性统计、相关分析、结构模型检验以及基于回归的稳健性分析。
注意： 在任何得分计算、信度分析、效度分析、PLS-SEM 估计、间接关联分析或稳健性分析中均不得包含注意力检查题项。在进行描述性分析之前，不得对原始的1–5分值进行标准化处理。
10. 控制并评估常见方法偏差
- 在分析前通过使用匿名回答、中立措辞、分离的构念模块、一个基于指令的注意力检查题项、必答设置以及限制原始数据访问等程序性控制措施来控制偏差。
- 在回答筛选后，采用哈曼单因子检验法，检验是否存在一个未旋转的因子能够解释题项变异的主要部分。当首个未旋转因子解释的总变异量低于50%时，可视为结果可接受。
- 计算核心构念的完全共线性方差膨胀因子值。若所有值均低于3.30，则表明严重的共同方法偏差可能性较小。若首个未旋转因子解释了50%或以上的总变异，或任一完全共线性方差膨胀因子值达到3.30或更高，则应将共同方法偏差记录为研究局限性。
注意： 不要声称不存在共同方法偏差，仅需说明诊断结果是否显示存在严重主导性共同方法因子的证据。
11. 进行描述性与初步检查
- 使用 R 4.4.1 进行描述性统计、分布检验、相关性分析以及基于回归的稳健性分析。对分类的参与者特征计算频数和百分比。
- 对实质性条目、维度得分和全局构念得分计算均值、标准差、最小值、最大值、偏度和峰度。
- 检查条目和得分的分布是否存在地板效应、天花板效应以及严重偏离正态性。若超过 20% 的参与者在某一实质性条目上选择最低或最高作答选项，则定义为可能存在地板效应或天花板效应。
- 计算全局构念与维度得分之间的皮尔逊相关系数。仅将相关系数视为初步的描述性证据，不得将其替代预设的结构模型。
注意：将地板效应或天花板效应记录为数据特征。除非个案同时违反预设的作答质量规则，否则不得仅因分布问题而删除个案。
12. 估计高阶测量模型
- 使用 Smart PLS 4.1 进行主要的 PLS-SEM 分析，并导入清理后的条目级数据集。将平台可用性、教学支持、互动质量、学习灵活性、自主需求、能力需求、归属需求、行为投入、认知投入和情感投入设定为反映性一阶构念。
- 采用分离的两阶段方法。在第一阶段，估计反映性一阶构念并保存其潜变量得分。
- 在第二阶段，使用平台可用性、教学支持、互动质量和学习灵活性的潜变量得分表示在线学习体验；使用自主需求、能力需求和归属需求的潜变量得分表示基本心理需求；使用行为投入、认知投入和情感投入的潜变量得分表示学习投入。
- 将高阶构念得分视为多维构念的分析推导表征。除非明确指定并论证了形成性模型，否则不得将其描述为形成性。将第一阶段设置、第二阶段设置、潜变量得分和模型输出文件保存至验证文件夹。
注意： 在主结构模型、心理需求子维度分析和基于回归的稳健性分析中使用相同的高阶构念处理流程。
13. 评估测量模型
- 在解释结构模型之前，先评估测量模型。检查所有保留指标的标准化外部载荷。尽可能保留载荷值至少为 0.70 的指标。
- 审查载荷值介于 0.40 至 0.70 之间的指标。仅当删除该指标可提高信度或收敛效度且不削弱内容覆盖范围时，才予以删除。载荷值低于 0.40 的指标应予以删除，除非有明确的理论依据支持其保留。
- 使用 Cronbach’s alpha 和组合信度评估内部一致性。将 0.70 至 0.95 之间的数值视为可接受。使用平均方差提取量（average variance extracted）评估收敛效度。将至少为 0.50 的数值视为可接受。
- 使用异质-单质比率（heterotrait-monotrait ratio）评估区分效度。对于理论上相邻的构念，采用 0.85 作为保守阈值，0.90 作为最大可接受阈值。
- 在锁定的测量模型输出中记录保留的指标、标准化外部载荷、Cronbach’s alpha、组合信度、平均方差提取量、异质-单质比值，以及任何删除指标的决策。
注意： 不得仅为了改善统计值而删除指标。仅当统计上的薄弱性和概念上的冗余性均有文献记录时，才可删除指标。
暂停点： 在未将保留的指标、载荷值、信度值、收敛效度、区分效度、代码本条目及测量输出值与锁定的分析文件核对之前，不得开始结构模型检验。
14. 检验结构模型与中介路径
- 指定三条结构路径：在线学习体验 → 基本心理需求，基本心理需求 → 学习投入，以及在线学习体验 → 学习投入。
- 将每周在线学习时长和先前的在线学习经验作为预设的控制变量。将性别、学术水平、学习年份和学科类别视为描述性变量，除非其被纳入预设的敏感性模型中。
- 在解释路径系数之前，检查结构模型的共线性。若方差膨胀因子值低于3.30，则认为存在有害共线性的可能性较低。
- 使用5,000次自助重抽样并进行双尾检验，估计标准化路径系数、t 值、p 值以及95%置信区间。若有条件，使用偏差校正的置信区间。
- 估计从在线学习体验通过基本心理需求到学习投入的间接路径。当间接效应的自助置信区间不包含零时，认为该间接关联路径成立。
- 在锁定的结构模型输出中记录直接效应、间接效应、总效应、R2 值、调整后的 R2 值、f2 效应量、结构模型的方差膨胀因子值以及控制变量路径。将所有结构估计解释为基于关联的路径，而非因果效应。
注意： 不得因某条预设路径无统计学意义而将其删除。除非发现编码错误或模型设定错误，否则应保留预设模型。
15. 检验心理需求的子维度
- 将全局基本心理需求构念替换为自主性需求、胜任需求和归属需求，作为平行的间接关联构念。分别估计从在线学习体验到学习投入度通过自主性需求、胜任需求和归属需求的间接路径。
- 对每个子维度路径使用 5,000 次自助法重采样。比较各子维度间接路径的方向、效应量及置信区间。将此分析视为敏感性分析，而非主要模型。
注意： 不得将子维度敏感性分析重新解释为新的主要模型。
16. 进行基于回归的稳健性分析
- 导出清理后的构念-分数数据集，并将其保存为 ConstructScores_OnlineLearning_BPN_Engagement_YYYYMMDD.csv。使用 R 4.4.1 将全局基本心理需求对全局在线学习体验、每周在线学习时长以及先前的在线学习经验进行回归分析。
- 将全局学习投入度对全局在线学习体验、全局基本心理需求、每周在线学习时长以及先前的在线学习经验进行回归分析。通过 5,000 次自助重采样估计间接路径。
- 将基于回归的间接路径与 PLS-SEM 间接路径进行比较。只有当方向保持一致且实质解释未发生变化时，才将该路径归类为稳健。将 R 脚本、自助设置和稳健性分析结果保存至验证文件夹。
暂停节点： 在完成结构模型、子维度分析以及基于回归的稳健性分析的交叉核对之前，不得开始最终文件锁定。
17. 处理欠佳的分析结果
- 如果 Cronbach’s alpha 或组合信度低于 0.70，则检查项目-总分相关性和标准化外部载荷。如果平均方差提取量低于 0.50，则检查保留的指标，并确定是否存在一个或多个削弱收敛效度的指标。
- 如果异质-单质比值超过预设阈值，则检查条目措辞中理论上相近构念之间的语义重叠。仅当某个条目在统计上较弱且概念上冗余时，才将其删除。当合并会降低概念清晰度时，应保持理论上相邻的构念相互独立。
- 如果间接路径未得到支持，则将结果记录为未获支持的间接关联。若控制变量显示无显著关联，则如实记录结果，避免过度解释。
注意： 分析后不得修改理论模型以强行获得更强的支持。
18. 锁定软件输出和可重复性文件
- 创建一个最终的机构验证文件夹，命名为 Verification_OnlineLearning_BPN_Engagement_YYYYMMDD。
- 将原始数据集压缩包、清洗后的数据集、构念得分数据集、代码本、问卷、题项来源映射表、专家评审记录、预测试记录、实地工作日志、筛选日志、排除规则文件、完成时间阈值记录、Smart PLS 输出结果、R 脚本、R 输出表格、软件版本记录以及版本变更日志保存至该验证文件夹中。
- 将 Smart PLS 4.1 项目文件及导出的测量模型、结构模型、自举法（bootstrap）和异质-单调性（heterotrait-monotrait）输出结果保存在名为 SmartPLS_Output 的子文件夹中；将 R 脚本和 R 输出表格保存在名为 R_Output 的子文件夹中；将问卷、题项来源映射表、变量编码规则和计分规则作为补充文件1保存。
- 将最终分析数据集的验证记录、筛选汇总、缺失数据记录、共同方法偏差诊断结果、测量模型结果、结构模型结果、间接关联结果、子维度分析结果、基于回归的稳健性记录、软件设置参数及版本记录作为补充文件2保存。
- 在提交发表的稿件或补充文件中，不得包含直接可识别的信息、原始被排除的记录或参与者层面的原始数据。在完成一致性核查后锁定最终验证文件夹；后续任何更正均应以新的带日期版本保存，并在版本变更日志中注明修改原因。
访问受限。请登录或开始试用以查看此内容。
结果
最终分析数据集与参与者特征
最终分析数据集包含386名大学生。正式招募于2025年8月18日至2025年9月26日通过大学学习平台、课程交流群组、学生电子邮件列表及学校学生渠道开展。共收到432份提交的问卷，其中386份被保留，有效应答率为89.4%。锁定后的数据集包含33个实质性李克特量表题项和1个基于指令的注意力检查题项。注意力检查题项仅用于应答质量筛选，在构念计分、信度分析、效度分析、偏最小二乘结构方程模型（PLS-SEM）估计、间接关联分析以及基于回归的稳健性分析中均被排除。最终样本包括223名女性学生、154名男性学生和9名选择“不愿透露”或其他选项的参与者。其中本科生318人，研究生68人。按学习年级分布：一年级学生110人，二年级102人，三年级103人，四年级及以上71人。学科类别包括商科与管理、社会科学、工程与技术、医学与健康科学、人文与艺术以及教育学。每周在线学习时长分布为：41人每周少于2小时，116人每周2–4小时，137人每周5–7小时，62人每周8–10小时，30人每周超过10小时。先前在线学习经验分布为：38人无经验，...
访问受限。请登录或开始试用以查看此内容。
讨论
本方案为评估大学生在线学习体验、基本心理需求与学习投入之间的关联路径提供了一套可重复的方法学流程。该方案并不将在线学习视为单一条件，而是将感知的学习环境划分为平台可用性、教学支持、互动质量以及学习灵活性四个方面。这种结构使研究者能够识别在线学习体验的哪些方面与心理需求满足和学习投入的关联最为密切，而不仅仅依赖于整体满意度或课程完成率等指标16。
一个核心的方法学贡献是预先确定问卷编码、资格筛选、应答质量检查、构念计分、数据集锁定以及模型检验。这些步骤至关重要，因为基于调查的教育研究容易受到不专注作答、模式化回答、资格信息不一致、缺失数据处理决策以及事后排除等因素的影响17。通过在结构分析之前确定这些决策，该方案使分析路径具有可重复性，并降低了在知晓结果后更改筛选或计分规则的风险。
该方案还阐明了关联路径的解释方式。在线学习体验被建模为独立构念，基本心理需求为间接关联构念，学习投入则作为结果构念。这一结构在理论上基于自我决定理论，因为...
访问受限。请登录或开始试用以查看此内容。
披露
作者声明，他们不存在可能影响本文所报告工作的财务或个人关系。
致谢
我们诚挚感谢所有参与的学生所付出的时间、配合以及提供的宝贵反馈。同时，我们也感谢相关学术和行政人员在整个调查过程中给予的支持。
访问受限。请登录或开始试用以查看此内容。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| Qualtrics 在线调查平台 | Qualtrics | 机构账户；版本不适用 | 用于实施匿名英文问卷，包括知情同意确认、资格筛选、必答设置、AC1 注意力检查题项、作答时间记录以及数据导出。 |
| Microsoft Excel for Microsoft 365 | Microsoft Corporation | Microsoft 365 机构版本 | 用于以 .xlsx 和 .csv 格式存储原始导出数据集、清洗后数据集、代码本、筛选日志、构念得分文件及验证记录。 |
| G*Power | Heinrich Heine University Düsseldorf | G*Power 3.1.9.7 | 用于招募前的先验样本量与统计检验力检验。 |
| SmartPLS | SmartPLS GmbH | SmartPLS 4.1 Professional | 用于主要的偏最小二乘结构方程模型（PLS-SEM）分析流程，包括分离式两阶段高阶构念估计、测量模型评估、结构路径检验、自举法（bootstrapping）、R²、f² 计算及模型输出导出。 |
| R 统计软件 | R Foundation / CRAN | R 4.4.1 | 用于描述性统计分析、皮尔逊相关分析、共同方法偏差诊断以及基于回归的稳健性分析。 |
| R 程序包：psych | CRAN | psych 2.4.6 | 用于描述性统计分析、信度检验及心理测量学汇总。 |
| R 程序包：boot | CRAN | boot 1.3-30 | 用于基于自举法的回归稳健性检验。 |
| R 程序包：semPlot | CRAN | semPlot 1.1.6 | 仅在需要基于 R 的可视化验证时，用于可选的路径图交叉核对。 |
| OneDrive for Business 或 SharePoint 版本历史 | Microsoft Corporation | Microsoft 365 机构账户 | 用于存储验证文件夹，并保留原始数据、清洗后数据、代码本、筛选日志、SmartPLS 输出结果、R 脚本及补充文件的版本历史。 |
| 问卷与编码文件 | 研究者自备研究文件 | 补充文件 1 | 包含最终问卷、题项来源映射、变量名称、编码规则、维度得分公式、全局构念得分公式及数据处理规则。 |
| 筛选与可重复性记录文件 | 研究者自备研究文件 | 补充文件 2 | 包含最终数据集验证、筛选检查、缺失数据记录、信度结果、共同方法偏差诊断、测量模型输出、结构模型输出、间接关联结果、敏感性分析、稳健性记录及最终一致性检查清单。 |
| 图表制作软件 | Adobe Illustrator 或同等矢量编辑软件 | 机构版本 | 用于准备可用于发表的工作流程图与结构模型图。 |
参考文献
- Organization for Economic Co-operation and Development. OECD digital education outlook 2021: pushing the frontiers with artificial intelligence, blockchain and robots. Paris: OECD Publishing; 2021. doi:10.1787/589b283f-en.
- Martin F, Bolliger DU. Engagement matters: student perceptions on the importance of engagement strategies in the online learning environment. Online Learn. 2018;22(1):205-222. doi:10.24059/olj.v22i1.1092.
- Dixson MD. Measuring student engagement in the online course: the Online Student Engagement scale (OSE). Online Learn. 2015;19(4). doi:10.24059/olj.v19i4.561.
- Bond M, Buntins K, Bedenlier S, Zawacki-Richter O, Kerres M. Mapping research in student engagement and educational technology in higher education: a systematic evidence map. Int J Educ Technol High Educ. 2020;17(1):2. doi:10.1186/s41239-019-0176-8.
- Vansteenkiste M, Ryan RM, Soenens B. Basic psychological need theory: advancements, critical themes, and future directions. Motiv Emot. 2020;44(1):1-31. doi:10.1007/s11031-019-09818-1.
- Chen KC, Jang SJ. Motivation in online learning: testing a model of self-determination theory. Comput Human Behav. 2010;26(4):741-752. doi:10.1016/j.chb.2010.01.011.
- Chiu TKF. Applying the self-determination theory to explain student engagement in online learning during the COVID-19 pandemic. J Res Technol Educ. 2022;54(sup1):S14-S30. doi:10.1080/15391523.2021.1891998.
- Bedenlier S, Bond M, Buntins K, Zawacki-Richter O, Kerres M. Facilitating student engagement through educational technology in higher education: a systematic review in the field of arts and humanities. Australas J Educ Technol. 2020;36(4):126-150. doi:10.14742/ajet.5477.
- Ward MK, Meade AW. Dealing with careless responding in survey data: prevention, identification, and recommended best practices. Annu Rev Psychol. 2023;74:577-596. doi:10.1146/annurev-psych-040422-045007.
- Zawacki-Richter O, Kerres M, Bedenlier S, Bond M, Buntins K, editors. Systematic reviews in educational research: methodology, perspectives and application. Wiesbaden: Springer VS; 2020. doi:10.1007/978-3-658-27602-7.
- Hair JF, Hult GTM, Ringle CM, Sarstedt M. A primer on partial least squares structural equation modeling. 3rd ed. Thousand Oaks: Sage Publications; 2022.
- Wut TM, Ng PML, Low MP. Engaging university students in online learning: a regional comparative study from the perspective of social presence theory. J Comput Educ. 2024;11(3):763-789. doi:10.1007/s40692-023-00278-8.
- Stone C, O’Shea S. Older, online and first: recommendations for retention and success. Australas J Educ Technol. 2019;35(1):57-69. doi:10.14742/ajet.3913.
- Salas-Pilco SZ, Yang Y, Zhang Z. Student engagement in online learning in Latin American higher education during the COVID-19 pandemic: a systematic review. Br J Educ Technol. 2022;53(3):593-619. doi:10.1111/bjet.13190.
- Maxwell SE, Cole DA. Bias in cross-sectional analyses of longitudinal mediation. Psychol Methods. 2007;12(1):23-44. doi:10.1037/1082-989X.12.1.23.
- Richardson JC, Maeda Y, Lv J, Caskurlu S. Social presence in relation to students’ satisfaction and learning in the online environment: a meta-analysis. Comput Human Behav. 2017;71:402-417. doi:10.1016/j.chb.2017.02.001.
- Meade AW, Craig SB. Identifying careless responses in survey data. Psychol Methods. 2012;17(3):437-455. doi:10.1037/a0028085.
- Deci EL, Ryan RM. The “what” and “why” of goal pursuits: human needs and the self-determination of behavior. Psychol Inq. 2000;11(4):227-268. doi:10.1207/S15327965PLI1104_01.
- Fredricks JA, Blumenfeld PC, Paris AH. School engagement: potential of the concept, state of the evidence. Rev Educ Res. 2004;74(1):59-109. doi:10.3102/00346543074001059.
- Garrison DR, Anderson T, Archer W. Critical inquiry in a text-based environment: computer conferencing in higher education. Internet High Educ. 2000;2(2-3):87-105. doi:10.1016/S1096-7516(00)00016-6.
- Cole DA, Maxwell SE. Testing mediational models with longitudinal data: questions and tips in the use of structural equation modeling. J Abnorm Psychol. 2003;112(4):558-577. doi:10.1037/0021-843X.112.4.558.
- Podsakoff PM, MacKenzie SB, Lee JY, Podsakoff NP. Common method biases in behavioral research: a critical review of the literature and recommended remedies. J Appl Psychol. 2003;88(5):879-903. doi:10.1037/0021-9010.88.5.879.
- Gašević D, Dawson S, Siemens G. Let’s not forget: learning analytics are about learning. TechTrends. 2015;59(1):64-71. doi:10.1007/s11528-014-0822-x.
访问受限。请登录或开始试用以查看此内容。
重印与许可
标签
本文已发表
视频即将推出