Ein reproduzierbarer Umfrage-Workflow zur Untersuchung von psychologischer Resilienz, Schulzugehörigkeit und höherwertigem Denken bei Studierenden

Zusammenfassung

Dieses Protokoll bietet einen reproduzierbaren Umfrage-Workflow für Datenerhebung, Qualitätsprüfung und moderierte Mediationsanalysen bei Studierenden.

Zusammenfassung

Dieser Methodenartikel stellt ein reproduzierbares, querschnittsübergreifendes Selbstbegutachtungsprotokoll vor, um Zusammenhänge zwischen psychologischer Resilienz, Schulgefühl (SSB), höherer Denkweise und Online-Gaming-Störung (IGD) bei Studierenden zu untersuchen. In diesem Protokoll werden neue Beschäftigungsmuster als kontextueller Hintergrund behandelt, der durch generative künstliche Intelligenz, plattformbasierte Arbeit und sich wandelnde Erwartungen an die Fähigkeiten von Absolventen geprägt ist, anstatt als Teilnehmer-Level-Expositionsvariable. Das Protokoll integriert institutionelle Stichprobenahme, Fragebogenverwaltung, Übersetzungsdokumentation, Screening der Antwortqualität, Umgang mit fehlenden Daten, Skalenbewertung, Screening mit gemeinsamen Methodenverzerrungen, Variablenzentrierung und Analyse bedingter Prozesse in einem standardisierten Workflow. SSB ist als statistischer Mediator definiert, und IGD als Moderator innerhalb eines verbandsbasierten moderierten Mediationsrahmens. Repräsentative Ergebnisse umfassen Stichprobenflussdatensätze, deskriptive Statistiken, Korrelationsmatrizen, Mediations- und moderierte Mediationsschätzungen, bedingte indirekte Effekte, den Index der moderierten Mediation und Interaktionsdiagramme. Da der repräsentative Datensatz querschnittsbezogen und selbstberichtet ist, unterstützt das Protokoll eine transparente Abschätzung statistischer Assoziationen statt kausale oder longitudinale Inferenz. Durch die Standardisierung von Vorverarbeitungsentscheidungen und Modellspezifikationen vor der Analyse verbessert dieser Workflow Transparenz, Vergleichbarkeit und Reproduzierbarkeit in der Bildungs- und Verhaltensumfragenforschung.

Einleitung

Neue Beschäftigungsmuster, geprägt von generativer künstlicher Intelligenz, plattformbasierter Arbeit und bereichsübergreifender beruflicher Integration, haben verändert, wie Universitäten über die Vorbereitung auf Absolventen und die Entwicklung von Studierenden sprechen¹. In diesem Artikel werden neue Beschäftigungsmuster als kontextuelle Rahmenbedingung behandelt und nicht als gemessene Exposition auf Teilnehmerebene. Das Protokoll klassifiziert Studierende nicht nach ihrer direkten Teilnahme an Plattformarbeit, Gig-Arbeit oder künstlicher Intelligenz-vermittelter Beschäftigung. Stattdessen erklärt dieser Kontext, warum höherwertiges Denken (HOT), psychologische Resilienz (PR) und schulbasierte Unterstützung relevante Konstrukte für Studierende sind, die mit zunehmend unsicheren Bildungs- und Berufsübergängen konfrontiert sind. Diese Klarstellung ist notwendig, da das Protokoll für die Querschnittsforschung von Verhaltensumfragen konzipiert ist und nicht zur Schätzung der Auswirkungen einer gemessenen Beschäftigungsmuster-Exposition.

In diesem Kontext wird von Absolventen zunehmend erwartet, unbekannte Probleme zu lösen, Wissen über verschiedene Bereiche hinweg zu übertragen, Informationen kritisch zu bewerten und unter^Unsicherheit adaptive Entscheidungen zu treffen. Jüngste Diskussionen über Arbeitsmarkt und Hochschulbildung deuten ebenfalls auf eine anhaltende Diskrepanz zwischen den Erwartungen der Arbeitgeber und der Vorbereitung der Absolventen hin, insbesondere in Kommunikation, Zusammenarbeit, eigenständiger Problemlösung und Innovation³. Diese Anforderungen haben HOT zu einem nützlichen Ergebniskonzept in der Bildungs- und Verhaltensforschung gemacht, die sich mit der Anpassung von Studierenden unter veränderten Beschäftigungsbedingungen^{beschäftigt 4}.

HOT bezeichnet fortgeschrittene kognitive Aktivitäten jenseits des Abrufs und grundlegenden Verständnisses, einschließlich Analyse, Evaluation, Entscheidungsfindung, Problemlösung und kreativem^Denken. Aufbauend auf der klassischen Unterscheidung zwischen niedrigerer und höherer Ordnung Kognition betonen frühere Forschungen, dass HOT eine Wissenstransformation statt einfache Wissensreproduktion beinhaltet und eng mit authentischen Problemkontexten, Integration von Vorwissen und kognitiver Flexibilität^{zusammenhängt 6}. In digital vermittelten Beschäftigungs- und Lernumgebungen müssen Studierende oft komplexe Informationen interpretieren, mit intelligenten Werkzeugen arbeiten und kognitive Autonomie bewahren, wenn Informationen reichlich, aber in Qualität⁷ ungleichmäßig sind. Diese Bedingungen machen HOT zu einem geeigneten fokalen Konstrukt für ein reproduzierbares Verhaltensforschungsprotokoll.

PR ist in dieses Protokoll enthalten, weil es theoretisch und empirisch mit der adaptiven Funktionsfähigkeit der Schüler unter Stress und Unsicherheit zusammenhängt⁸. Obwohl sich die Definitionen von PR zwischen ergebnisbasierten, eigenschaftsbasierten und prozessbasierten Perspektiven unterscheiden, stimmen die meisten Berichte darauf überein, dass PR die Fähigkeit widerspiegelt, sich selbst zu regulieren, sich von Schwierigkeiten zu erholen und die funktionale Anpassung unter herausfordernden Bedingungen^{aufrechtzuerhalten 9}. Im vorliegenden Protokoll wird PR nicht als nachgewiesener kausaler Determinant von HOT behandelt. Stattdessen wird sie als unabhängige Variable modelliert, die statistisch mit HOT in einem Querschnittsdatensatz assoziiert sein kann. Diese Formulierung entspricht der Designgrenze der Studie und vermeidet es, eine zeitliche Ordnung zu implizieren, die die Daten nicht etablieren können. Dieser Zusammenhang ist plausibel, weil Studierende mit stärkerem PR möglicherweise besser in der Lage sind, zielorientiertes Engagement, konstruktives Bewältigungsverhalten und adaptives Denken aufrechtzuerhalten, wenn sie unter akademischem und karrierebezogenem Druck stehen¹⁰. Frühere empirische Arbeiten haben PR mit Problemlösung, kritischem Denken und adaptiver Kognition verknüpft, obwohl direkte Beweise, die PR mit HOT verbinden,^{weiterhin begrenzt sind}. Aus diesem Grund verwendet der vorliegende Artikel die Beziehung zwischen PR und HOT als repräsentatives Modellierungsbeispiel, durch das das vollständige Survey-to-Analysis-Protokoll demonstriert werden kann.

Das Gefühl der Schulzugehörigkeit (SSB) ist als statistischer Vermittler in das Protokoll integriert. Es wird allgemein definiert als die wahrgenommene Erfahrung der Schüler, innerhalb der^{Schulgemeinschaft akzeptiert}, respektiert, unterstützt und verbunden zu sein. Die meisten Definitionen betonen eine emotionale und beziehungsbezogene Bindung zur Institution, zu Lehrern und Gleichaltrigen, die durch Teilnahme, Anerkennung und Unterstützung entsteht¹³. In einem sich wandelnden Beschäftigungskontext ist SSB relevant, weil Studierende oft auf universitäre Beratung, Interaktion mit Gleichaltrigen und institutionellen Ressourcen angewiesen sind, um sich auf unsichere akademische und berufliche Zukunft vorzubereiten¹⁴.

Bestehende Studien deuten darauf hin, dass PR positiv mit SSB assoziiert ist. Schüler mit stärkerer PR suchen möglicherweise eher Unterstützung, pflegen konstruktive Interaktion und bewahren eine Verbindung zu Lehrern und Mitschülern, wenn sie unter Stress¹⁵ stehen. SSB wird auch mit kollaborativem Problemlösen, kritischem Denken, Kreativität und tieferer Einbindung in Lernaktivitäten^{in Verbindung gebracht}. Auf dieser Grundlage spezifiziert das vorliegende Protokoll SSB als statistischen Vermittler zwischen PR und HOT. Diese Spezifikation sollte als assoziationsbasiertes Mediationsmodell interpretiert werden, das für Querschnittsdaten geeignet ist, und nicht als Beleg dafür, dass PR zeitlich SSB verursacht oder dass SSB kausal HOT erzeugt.

Internet-Gaming-Störung (IGD) wird als Moderator aufgenommen, da digitales Verhalten die Stärke der Beziehungen zwischen PR, SSB und HOT beeinflussen kann. IGD bezeichnet anhaltendes und wiederkehrendes Spielverhalten, das mit klinisch bedeutsamen Beeinträchtigungen assoziiert ist und in Studierenden mit intensiver digitaler^Exposition zunehmend Aufmerksamkeit erhält. Frühere Studien haben problematisches Spielen mit gestörten Routinen, verminderter Schlafqualität, geringerer sozialer Unterstützung, schwächerer Bewältigungsfähigkeit und schlechterem akademischen Engagement in Verbindung gebracht¹⁸. Diese Ergebnisse stützen die Ansicht, dass höhere IGD-Symptome die adaptive Bildungs- und psychosoziale Funktion schwächen können.

Gleichzeitig sollte spielbezogenes Verhalten nicht vereinfacht interpretiert werden. Einige Spielumgebungen beinhalten strategische Entscheidungsfindung, feedbackbasiertes Lernen und kognitive Herausforderungen, aber diese Eigenschaften bedeuten nicht, dass IGD^{selbst vorteilhaft} ist. Im vorliegenden Protokoll wird IGD nur als statistischer Moderator von Assoziationsmustern behandelt. Jede Interaktion mit IGD wird vorsichtig als bedingte Assoziation innerhalb des repräsentativen Datensatzes interpretiert und nicht als klinischer Beleg dafür, dass eine Spielstörung die Kognition verbessert oder die schulische Funktion stärkt.

Trotz wachsendem Interesse an PR, SSB, HOT und digitalem Verhalten von Studierenden besteht eine methodische Lücke. Viele Studien berichten von Zusammenhängen zwischen diesen Konstrukten, aber weniger bieten ein transparentes und reproduzierbares Protokoll, das Teilnehmerrekrutierung, Umfrageverwaltung, Übersetzungsdokumentation, Validantwort-Screening, Behandlung fehlender Daten, Skalenbewertung, Zuverlässigkeitsscreening, Common-Method-Bias-Screening, Variablenzentrierung und conditional process analysis innerhalb eines einzigen auditierbaren Rahmens verbindet. Diese Lücke ist besonders relevant für Bildungs- und Verhaltensumfragen, bei denen die Ergebnisse schwer nachzubilden sind, wenn Vorverarbeitungsregeln und Modellentscheidungen nur teilweise berichtet werden.

Um diese Lücke zu schließen, bietet der vorliegende Methodenartikel ein reproduzierbares Protokoll zur Durchführung einer querschnittsweisenden Selbstberichtsumfrage und zur Generierung repräsentativer moderierter Mediationsergebnisse. Das Protokoll verwendet PR, SSB, HOT und IGD als angewandte Beispiele, aber sein Hauptbeitrag ist methodischer Natur und nicht kausal. Das Protokoll zeigt, wie man einen Stichprobenrahmen erstellt, einen standardisierten Fragebogen verwaltet, Übersetzungs- und Bewertungsentscheidungen dokumentiert, vorgegebene Screening-Regeln anwendet, einen analysefähigen Datensatz vorbereitet und bedingte Prozessmodelle 4 und 59 anhand fester Berichtsregeln schätzt. Im Vergleich zu weniger standardisierten Umfrageanalyse-Ansätzen verbessert dieses Protokoll Transparenz, Vergleichbarkeit, Reproduzierbarkeit und Auditabilität, indem es Vorverarbeitungsentscheidungen und Modellspezifikationen vor der Interpretation dokumentiert. Indem diese Schritte als einheitliches Verfahren präsentiert werden, bietet der Artikel Forschern einen reproduzierbaren Rahmen für Bildungs- und Verhaltensumfragen zur Anpassung von Hochschulstudenten und zur HOT-Entwicklung.

Protokoll

Diese Studie wurde vom Ethikausschuss des Liuzhou Berufs- und Technischen Kollegs genehmigt (Protokollcode: LVTC-2024-02-879; Genehmigungsdatum: 1. Februar 2024). Beziehen Sie vor dem Zugriff auf den Fragebogen eine elektronische informierte Einwilligung ein. Entfernen Sie direkte Identifikatoren vor dem Datenexport und der Analyse. Speichere rohe, bereinigte, analysebereite, Bewertungs-, Screening- und Ausgabedateien in Ordner mit eingeschränktem Zugriff.

1. Rekrutieren Sie Teilnehmer mithilfe eines vorgegebenen mehrstufigen Zufallsstichproben-Workflows

1. Bauen und sperren Sie den institutionellen Stichprobenrahmen
   1. Definieren Sie neue Beschäftigungsmuster als den kontextuellen Hintergrund der Studie und nicht als eine auf Teilnehmerniveau gemessene Exposition.
   2. Identifizieren Sie Bewerberinstitutionen anhand öffentlicher Bildungsunterlagen, Universitätswebsites, Mitteilungen zu Lehrreformen, Beschäftigungsrichtlinien sowie Lehrplan- oder Ausschreibungen.
   3. Institutionen einbeziehen, die in Festlandchina anerkannte Hochschulen sind, Vollzeitstudierende einschreiben, überprüfbare Aufzeichnungen zu künstlicher Intelligenz, digitalem Lernen, Berufsbereitschaft, Innovation oder HOT-Schulungen führen, personalbasierten Stichprobenzugang bereitstellen und dem standardisierten anonymen Online-Umfrageverfahren zustimmen.
   4. Ausschließen Sie Institutionen ohne überprüfbare Ausbildungsunterlagen, aktuelle Dienstpläne, aktive Studierendeneinschreibungen während des Umfragezeitraums oder die Möglichkeit, dasselbe Verwaltungsprotokoll zu befolgen.
   5. Behalten Sie 32 berechtigte Institutionen und weisen Sie Institutionencodes von I-01 bis I-32 zu.
   6. Sichern Sie den institutionellen Stichprobenrahmen vor der Zufallsauswahl. Verwenden Sie einen vorgegebenen Stichprobenrahmen und eine feste Auswahlregel, um Post-hoc-Stichprobenentscheidungen in der Multisite-Umfrage zu reduzieren²⁰.
2. Führen Sie eine zufällige Auswahl auf Institutionen- und Schülerebene durch
   1. Verwenden Sie ein seedbasiertes Zufallszahlenverfahren für die Auswahl auf Institutionenebene.
   2. Setze den zufälligen Seed auf 20241007.
   3. Erstellen Sie zufällige Zahlen für die 32 berechtigten Institutionen, sortieren Sie die Werte in aufsteigender Reihenfolge und wählen Sie die ersten drei Institutionencodes aus. Wählen Sie die Institutionencodes I-07, I-18 und I-29 aus.
   4. Erhalte aktuelle Klassenlisten der drei ausgewählten Institutionen und verifiziere die aktive Einschreibung vom 7. Oktober 2024 bis 15. November 2024.
   5. Beziehen Sie Vollzeitstudierende im Alter von 18 bis 25 Jahren ein, die Chinesisch lesen, im Verzeichnis der Institution erscheinen, den Online-Fragebogen abrufen und elektronische informierte Einwilligung erteilen können.
   6. Studierende unter 18 Jahren werden ausgeschlossen, die nicht aktiv eingeschrieben sind, sich im Austausch oder Urlaub befinden, den chinesischen Fragebogen nicht eigenständig ausfüllen können, am Pilottest teilgenommen, die Zustimmung abgelehnt oder doppelte oder ungültige Fragebögen eingereicht haben.
   7. Schichte die Schülerliste nach Institutionen und wähle innerhalb jeder Institution zufällig Studierende nach demselben Seed-basierten Verfahren aus.
   8. Laden Sie 860 Schüler ein, darunter 286 Schüler von I-07, 287 Schüler von I-18 und 287 Schüler von I-29.
      HINWEIS: Halten Sie die Auswahlverfahren auf Institutionen- und Studierendenebene nach der Randomisierung fest. Führen Sie jeden Austausch mit demselben samenbasierten Verfahren durch.
3. Definiere das Sammelfenster und finalisiere die analytische Probe
   1. Sammeln Sie Daten vom 7. Oktober 2024 bis zum 15. November 2024.
   2. Verteilen Sie den Fragebogen an die 860 eingeladenen Studierenden über von der Institution genehmigte Berater mit demselben schriftlichen Skript.
   3. Erfassen Sie den Antwortfluss als 860 eingeladene Studierende, 800 zurückgegebene Fragebögen, 60 Nichtantworten, 24 ausgeschlossene ungültige Antworten und 776 behaltene Fälle. Eine Gesamtantwortquote von 93,0 %.
   4. Erfassen Sie den institutionellen Fluss wie folgt: I-07, 267 zurückgegebene Fragebögen, 8 ausgeschlossene Antworten und 259 zurückbehaltene Fälle; I-18, 266 Rücksendungen mit Fragebögen, 7 ausgeschlossene Antworten und 259 behaltene Fälle; und I-29, 267 zurückgegebene Fragebögen, 9 ausgeschlossene Antworten und 258 zurückbehaltene Fälle.
   5. Wenden Sie die Ausschlusshierarchie in folgender Reihenfolge an: doppelte Antwort, Inkonsistenz der Berechtigung, Abschlusszeit, Antworten auf eine gerade Linie und Antworten mit wiederholtem Muster.
   6. Ausschließen Sie Antworten, die eines der folgenden Kriterien erfüllen: doppelte Einreichung, Inkonsistenz in der Berechtigung, Abschlusszeit von <360 Sekunden, dieselbe Option für ≥85 % der Likert-Items oder ein wiederholtes abwechselndes Muster über ≥15 aufeinanderfolgende Likert-Fragen. Verwenden Sie keinen Aufmerksamkeitscheck-Gegenstand.
   7. Ausschließen von 24 ungültigen Antworten, darunter 3 doppelte Antworten, 3 Inkonsistenzen in der Berechtigung, 7 Ausschlüsse zur Vollständigkeitszeit, 9 Linienantworten und 2 Antworten mit wiederholtem Muster.
   8. Behalten Sie 776 gültige Fälle. Erfassen Sie eine Endstichprobe bestehend aus 219 Männern (28,2 %) und 557 Frauen (71,8 %) im Alter von 19 bis 25 Jahren.
      HINWEIS: Verwenden Sie den korrigierten Stichprobenfluss konsequent im gesamten Manuskript: 860 eingeladene Studierende, 800 zurückgegebene Fragebögen, 24 ausgeschlossene Antworten und 776 behaltene Fälle.

2. Verwalten Sie den Fragebogen mit einem standardisierten Online-Verfahren

1. Stellen Sie den Fragebogen zusammen und dokumentieren Sie die Sprachanpassung
   1. Stellen Sie fünf Fragebogenabschnitte zusammen: Demografie, PR, HOT, SSB und IGD-Symptome.
   2. Verwende 75 Punkte auf der Skala, darunter 25 PR-Items, 23 HOT-Items, 18 SSB-Items und 9 IGD-Items.
   3. Setzen Sie das elektronische Informationseinwilligungsformular vor alle Umfragepunkte und verlangen Sie vor dem Zugang zum Fragebogen die Zustimmung des Teilnehmers. Verwenden Sie elektronische Einwilligung und anonymisierte Online-Antworten, um die Autonomie und Privatsphäre der Teilnehmer in der Verhaltensumfrage zu schützen²¹.
   4. Verwenden Sie erzwungene Antworten für alle Größenordnungen und analytische demografische Variablen.
   5. Übersetze englische Ursprungsskalen mittels Vorwandübersetzung, Abstimmung, Rückübersetzung, Expertenüberprüfung und Pilotprüfung. Anwendung standardisierter interkultureller Instrumentenanpassungsverfahren, um semantische und konzeptuelle Äquivalenz zu bewahren²².
   6. Verwenden Sie bei der Fragebogenanpassung zwei zweisprachige Vorlaufübersetzer, einen unabhängigen Rückübersetzer und mindestens drei Experten.
   7. Führen Sie eine Pilotprüfung mit 30 Studierenden durch, die nicht in die abschließende Analysestichprobe aufgenommen sind.
   8. Dokumentieren Sie die Quellenquelle des Elements, die Originalformulierung, die Vorübersetzung, die Rückübersetzung, die endgültige chinesische Formulierung und die Überarbeitungsbegründung in ergänzender Tabelle 1.
   9. Sperren Sie den Fragebogen vor der Verabreichung.
      HINWEIS: Ändern Sie nach dem Fragebogensperren nicht die Formulierung.
2. Standardisieren Sie den Verwaltungsablauf über Institutionen hinweg
   1. Schulen Sie Berater mit demselben schriftlichen Verwaltungsskript.
   2. Geben Sie an, dass die Teilnahme freiwillig, anonym, unabhängig von Noten oder Bewertung ist und ohne Strafe abgelehnt werden kann.
   3. Führen Sie den Online-Fragebogen während der Klassensitzungen ohne Interpretation des Item-Inhalts durch den Berater durch.
   4. Verhindern Sie, dass Berater einzelne Antworten der Teilnehmer einsehen.
   5. Notieren Sie das Verwaltungsdatum, den Institutionencode, den Klassenkontext, die Kennung der Berater, die Anzahl der Einladungen, die Anzahl der Rückmeldungen, die Sitzungsdauer und Abweichungen des Protokolls.
      HINWEIS: Verwenden Sie in allen teilnehmenden Institutionen das gleiche Einwilligungsverfahren, dieselbe Anonymitätserklärung, das Verwaltungsskript und die Antwortanweisungen.

3. Die Messinstrumente mit einem Fixed-Scoring-Framework bewerten

1. Bewertung der Psychologischen Resilienzskala
   1. Verwenden Sie die 25-Punkte-Psychologische Resilienzskala, die von Hu und Gan auf Basis des Connor-Davidson-Rahmens²³ überarbeitet wurde.
   2. Bewerten Sie alle Punkte mit einer 5-Punkte-Likert-Skala und berechnen Sie den Durchschnittswert. Interpretiere höhere Werte als höhere PR.
   3. Rekordinterne Konsistenz als Cronbachs Alpha = 0,958.
2. Bewertung der höherstufigen Denkskala
   1. Verwenden Sie die 23-Item-Higher-Order Thinking Scale, die von Hwang und Kollegen²⁴ entwickelt wurde.
   2. Bewerten Sie alle Punkte mit einer 5-Punkte-Likert-Skala und berechnen Sie den Durchschnittswert. Interpretiere höhere Werte als höheres HOT.
   3. Interne Konsistenz als Cronbachs Alpha = 0,973 aufzeichnen.
3. Bewerten Sie die Schulbehörigkeitsskala
   1. Verwenden Sie die 18-Punkte-Skala des Chinese Psychological Sense of School Membership, die von Pan und Kollegen auf Basis von Goodenows ursprünglichem Schulmitgliedschaftsrahmen²⁵ überarbeitet wurde.
   2. Umkehre die Punkte 3, 6, 9, 12 und 16 mit folgender Umrechnungsregel: 1 = 5, 2 = 4, 3 = 3, 4 = 2 und 5 = 1.
   3. Berechnen Sie den Durchschnittswert nach der Rückwärtscodierung. Interpretiere höhere Werte als höheres SSB.
   4. Interne Konstanz als Cronbachs Alpha = 0,838.
4. Bewerten Sie die Skala für Internet-Gaming-Störungen
   1. Verwenden Sie die 9-Punkte-Skala für Internet-Gaming-Störungen, die dem DSM-5-Kriterium²⁶ entspricht.
   2. Bewerten Sie alle Punkte mit einer 5-Punkte-Likert-Skala und berechnen Sie den Durchschnittswert. Interpretiere höhere Werte als höhere selbstberichtete IGD-Symptome.
   3. Behandeln Sie IGD als kontinuierlichen Symptomscore und nicht als klinische Diagnose.
   4. Rekordinterne Konsistenz als Cronbachs Alpha = 0,941.
5. Sperren und prüfen Sie die Bewertungsentscheidungen
   1. Verwenden Sie Durchschnittswerte für alle vier Variablen: PR, HOT, SSB und IGD.
   2. Verwenden Sie im gesamten Protokoll- und Analyseablauf die gleichen Abkürzungen: PR, HOT, SSB und IGD.
   3. Notieren Sie die Anzahl der Items, den Antwortbereich, die rückwärts codierten Items, die Scorerichtung, die Berechnungsregel, die demografische Codierung und die Zuverlässigkeitswerte in der ergänzenden Tabelle 2.
      HINWEIS: Reverse-Score-SSB-Items vor der Berechnung deskriptiver Statistiken, Korrelationen, Zuverlässigkeitsschätzungen oder bedingter Prozessmodelle.

4. Reinigen Sie den Datensatz und erstellen Sie eine analysefähige Datei

1. Exportieren und Versionen der Datendateien
   1. Exportiere die rohe Fragebogendatei nach Abschluss der Umfrage.
   2. Bewahren Sie die rohe Fragebogendatei im Schreibgeschützten Format auf.
   3. Erstellen Sie eine separate Arbeitsakte für Screening-, Reinigungs-, Umkodierungs- und Bewertungsverfahren.
   4. Erstellen Sie den endgültig analysebereiten Datensatz nach Anwendung von Ausschlüssen, Reverse-Coding, Score-Berechnung, demografischer Codierung und Variablenzentriierung.
2. Anwendung von fehlenden Daten und Screening der Antwortqualität
   1. Überprüfen Sie das Fehlen von Item-Ebenen im eingereichten Datensatz. Ertrage 0 fehlende Werte auf Item-Ebene, weil während der Fragebogenabgabe erzwungene Antworten verwendet wurden.
   2. Schreiben Sie keine fehlenden Daten zu. Eintrag 0 schloss Fälle wegen fehlender Skalendaten und 0 berechnender Skalenwerte aus.
   3. Wenden Sie die Screening der Antwortqualität auf die 800 zurückgegebenen Fragebögen unter Verwendung der in Schritt 1.3 definierten Ausschlusskriterien an.
   4. Ausschließen Sie 24 ungültige Antworten und behalten Sie 776 gültige Fälle zur Analyse bei.
      HINWEIS: Verwenden Sie den korrigierten Stichprobenfluss konsequent im gesamten Protokoll und alle repräsentativen Ergebnisse: 860 eingeladene Studierende, 800 zurückgegebene Fragebögen, 24 ausgeschlossene Antworten und 776 zurückbehaltene Fälle.
3. Verifizieren Sie Codierung, Rekodierung und Bereitschaft für die inferenzielle Analyse
   1. Überprüfen Sie die Rückwärtscodierung für die SSB-Elemente 3, 6, 9, 12 und 16 vor der Punktzahlberechnung.
   2. Codegeschlecht als 0 = männlich und 1 = weiblich.
   3. Das Code ist wie folgt: 1 = 19 Jahre, 2 = 20 Jahre, 3 = 21 Jahre, 4 = 22 Jahre, 5 = 23 Jahre, 6 = 24 Jahre und 7 = 25 Jahre.
   4. Verwenden Sie die bewerteten Variablen PR_mean, HOT_mean, SSB_mean und IGD_mean zur Analysevorbereitung.
   5. Verwenden Sie die zentrierten Variablen PR_c, SSB_c und IGD_c für Interaktionsanalysen.
      HINWEIS: Vollständige Ausschlussverfahren, Rückwärtscodierung, demografische Codierung, Punktberechnung und Variablenzentrierung vor der inferenziellen Analyse.

5. Durchführung der statistischen Analysen mit einem vorgegebenen Arbeitsablauf

1. Zeichnen Sie die Analyseumgebung auf und sperren Sie sie
   1. Verwenden Sie eine statistische Umgebung, die Regression, bootstrapped mediation, modered mediation und interaction probing unterstützt.
   2. Verwenden Sie ein dokumentiertes Makro-, Paket- oder Syntax-basiertes Verfahren zur Makro-, Paket- oder Syntaxanalyse, das Mediations- und moderierte Mediationsmodelle schätzen kann.
   3. Verwenden Sie Model 4 für Mediation und Model 59 für moderierte Mediation. Anwendung der bedingten Prozessanalyse zur Schätzung von Mediation, Moderation und moderierter Mediation in regressionsbasierten Modellen²⁷.
   4. Stellen Sie die Bootstrap-Schätzung auf 5.000 bias-korrigierte Resamples mit 95%-Konfidenzintervallen ein. Verwenden Sie Bootstrap-Konfidenzintervalle für die Schätzung indirekter Effekte, da die Stichprobenverteilung der indirekten Effekte oft nicht-normal²⁸ ist.
   5. Mittelmittelmittel-fokale stetige Variablen vor der Konstruktion von Wechselwirkungsterm: PR_c = PR_mean − Mean(PR_mean), SSB_c = SSB_mean − mean(SSB_mean) und IGD_c = IGD_mean − mean(IGD_mean).
   6. Nutze PR_c × IGD_c für die moderierten PR-→ SSB- und PR-→-HOT-Pfade. Nutze SSB_c × IGD_c für den moderierten SSB-→ HOT-Pfad.
   7. Definieren Sie niedrige, durchschnittliche und hohe IGD als Mittelwert − 1 SD, Mittelwert und Mittelwert + 1 SD.
   8. Geben Sie Alter und Geschlecht als Kovariaten mit dem gesperrten Codierungsschema ein.
   9. Verwenden Sie die gleiche Koeffizientenskala, Konfidenzintervallregel, Zentrierungsregel, Kovariatencodierung und Modellnummerierung in allen Analysen.
      HINWEIS: Verwenden Sie Modell 59, nicht Modell 1, für die moderierte Mediationsanalyse.
2. Screenen Sie auf häufige Methodenverzerrung
   1. Verwenden Sie die 75-bewerteten Skalen aus PR, HOT, SSB und IGD für das Screening von Common Method Bias.
   2. Führen Sie Harmans Ein-Faktor-Test mit unrotierter explorativer Faktorenanalyse durch.
   3. Zeichnen Sie die Anzahl der Faktoren mit Eigenwerten größer als 1, die kumulative erklärte Varianz und die durch den ersten nicht rotierte Faktor erklärte Varianz.
   4. Im repräsentativen Datensatz werden neun Faktoren mit Eigenwerten größer als 1 verzeichnet, die kumulative Varianz erklärt von 65,322 % und die Varianz des ersten Faktors erklärt von 32,412 %.
   5. Behandeln Sie Harmans Ein-Faktor-Test als vorläufiges Screening-Verfahren und nicht als definitiven Test zur Beseitigung der üblichen Methodenverzerrung. Interpretiere Harmans Test vorsichtig, denn er allein reicht nicht aus, um eine Messverzerrung^{der Quelle 29} auszuschließen.
   6. Überprüfen Sie die Interkonstrukt-Korrelationsmatrix und Kollinearitätsdiagnostiken als ergänzende Kontrollen auf übermäßige gemeinsame Varianz.
   7. Interpretieren Sie das Screening der gemeinsamen Methodenverzerrung im Hinblick auf das Querschnittsdesign der Selbstberichte.
      HINWEIS: Interpretieren Sie das Screening mit gemeinsamer Methodenverzerrung vorsichtig, da alle Kernvariablen selbst berichtet und zu einem Zeitpunkt gemessen werden.
3. Erstelle deskriptive Statistiken und Korrelationen
   1. Berechnen Sie Mittelwerte und Standardabweichungen für PR, HOT, SSB und IGD mithilfe des endgültig analysefähigen Datensatzes.
   2. Erstelle beschreibende Statistiken nach Geschlecht und Alterscode mit den gesperrten Codierungsregeln.
   3. Berechnen Sie Pearson-Korrelationen zwischen PR, HOT, SSB und IGD.
   4. Fassen Sie die Stichprobenmerkmale und deskriptiven Statistiken mit der finalen analytischen Stichprobe zusammen.
   5. Fasse die Pearson-Korrelationsmatrix für die vier Kernvariablen zusammen.
   6. Bestätigen Sie, dass deskriptive Statistiken und Korrelationen auf der endgültigen analytischen Stichprobe n = 776 basieren.
   7. Verwenden Sie die gleiche Geschlechts- und Alterskodierung wie im Protokoll und in der ergänzenden Tabelle 2.
      HINWEIS: Verwenden Sie für alle deskriptiven und korrelationsbasierten Ergebnisse denselben Enddaten, dieselben Score-Richtungen und demografischen Codierungsregeln.
4. Führen Sie das Mediationsmodell aus
   1. Spezifizieren Sie Modell 4 im bedingten Prozess.
   2. Setze PR als unabhängige Variable, SSB als Vermittler und HOT als abhängige Variable.
   3. Kommen Alter und Geschlecht als Kovariate ins Spiel.
   4. Verwenden Sie 5.000 bias-korrigierte Bootstrap-Resamples mit 95%-Konfidenzintervallen.
   5. Führe das Modell mit dem endgültig analysebereiten Datensatz n = 776 aus.
   6. Extrahieren Sie den Koeffizienten, Standardfehler, t-Wert, p-Wert, Konfidenzintervall und Modellzusammenfassung für die SSB- und HOT-Gleichungen.
   7. Ziehen Sie den Gesamteffekt, den direkten Effekt, den indirekten Effekt, den Bootstrap-Standardfehler und das Bootstrap-Konfidenzintervall heraus.
   8. Interpretieren Sie das Mediationsergebnis als statistische Vermittlung innerhalb eines Querschnitts-Assoziationsmodells. Interpretiere die Querschnittsvermittlung nicht als Hinweis auf zeitliche Ordnung oder kausale Übertragung³⁰.
      HINWEIS: Verwenden Sie B für unstandardisierte Koeffizienten und β nur für standardisierte Koeffizienten.
5. Führen Sie das moderierte Mediationsmodell aus
   1. Spezifizieren Sie Modell 59 im bedingten Prozess.
   2. Setze PR als unabhängige Variable, SSB als Mediator, HOT als abhängige Variable und IGD als Moderator.
   3. Kommen Alter und Geschlecht als Kovariate ins Spiel.
   4. Verwenden Sie die zentrierten Variablen und Interaktionsbegriffe, die in Schritt 5.1 definiert sind.
   5. Verwenden Sie 5.000 bias-korrigierte Bootstrap-Resamples mit 95%-Konfidenzintervallen.
   6. Führe das Modell mit dem endgültig analysebereiten Datensatz n = 776 aus.
   7. Extrahieren Sie den Wechselwirkungskoeffizienten für PR × IGD, die SSB vorhersagen.
   8. Extrahieren Sie den Wechselwirkungskoeffizienten für PR × IGD, die HOT vorhersagen.
   9. Extrahieren Sie den Wechselwirkungskoeffizienten für SSB × IGD, die HOT vorhersagen.
   10. Extrahiere bedingte Effekte bei niedrigen, mittleren und hohen IGD-Werten, definiert als Mittelwert − 1 SD, Mittelwert und Mittelwert + 1 SD.
   11. Extrahiere die bedingten indirekten Effekte von PR auf HOT bis SSB bei niedrigen, mittleren und hohen IGD-Niveaus.
   12. Extrahieren Sie den Index der moderierten Mediation und dessen Bootstrap-Konfidenzintervall.
   13. Erstellen Sie einfache Steigungsdiagramme mit denselben niedrigen, mittleren und hohen IGD-Werten, die auch für die bedingten Effekte verwendet werden.
       HINWEIS: Verwenden Sie Modell 59, nicht Modell 1, für die moderierte Mediationsanalyse.
6. Wende konsistente inferenzielle Entscheidungsregeln an
   1. Verwenden Sie während der gesamten Analyse denselben Abkürzungsset: PR, HOT, SSB und IGD.
   2. Verwenden Sie Model 4 für Mediation und Model 59 für moderierte Mediation.
   3. Berichte unstandardisierte Koeffizienten als B und standardisierte Koeffizienten als β nur, wenn standardisierte Schätzungen erstellt werden.
   4. Verwenden Sie 95%-Konfidenzintervalle als Entscheidungsregel für Bootstrap-Indirekte Effekte, bedingte indirekte Effekte und den Index der moderierten Mediation.
   5. Behandeln Sie einen Effekt als statistisch belegt, wenn das relevante 95%-Konfidenzintervall keine Null enthält.
   6. Berichte exakte p-Werte, wo verfügbar, außer Werten unterhalb von 0,001, die als p < 0,001 angegeben werden.
   7. Wenden Sie das Ein-Dezimal-Stelle-Format konsequent auf alle statistischen Ausgaben an.
      HINWEIS: Halten Sie die Stichprobengröße, die Zentrierungsregel, die Koeffizientennotation, die Modellnummer und die Konfidenzintervallregel über alle Analysen hinweg konsistent.

Ergebnisse

Stichprobenmerkmale und vorläufige Variablenmuster
Der Workflow erzeugte erfolgreich einen vollständigen Stichprobenfluss-Datensatz vor der statistischen Modellierung. Wie in Tabelle 1 gezeigt, wurden während des vorgegebenen Datenerhebungsfensters insgesamt 860 Schüler eingeladen, und 800 Fragebögen wurden zurückgegeben, was einer Gesamtantwortquote von 93,0 % entspricht. Nach dem Screening der Antwortqualität wurden 24 ungültige Antworten ausgeschlo...

Diskussion

Dieser Methodenartikel präsentiert einen reproduzierbaren Survey-to-Analysis-Workflow zur Untersuchung von gemeinschaftsbasierter Mediation und moderierten Mediationsmustern bei PR-, SSB-, HOT- und IGD-Symptomen bei Studierenden. Der Hauptbeitrag des Workflows ist methodischer und nicht kausaler Natur, da das Protokoll zeigt, wie ein querschnittsbasierter Selbstberichte-Datensatz durch eine transparente Abfolge vordefinierter Verfahren gesammelt, gescreent, bewertet, dokumentiert und ana...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Institutionen; Codes I-01 bis I-32	Studienteam	N/A	Vor der Zufallsauswahl gesperrt und für die Randomisierung auf Institutionenebene verwendet.
Institutionelles Auswahlprotokoll	Studienteam	N/A	Dokumentierte institutionelle Zulassungskriterien, Quelldokumente, Zulassungsentscheidungen und institutionelle Codes.
Ausmaß der Internet-Gaming-Störung	Lemmens, Valkenburg und Gentile (2015), Die Skala der Internet-Gaming-Störung, Psychological Assessment, 27(2), 567 & 582. doi:10.1037/pas0000062	N/A	Die 9-Item-Skala entspricht den DSM-5-Kriterien und wird als kontinuierliches selbstberichtetes IGD-Symptommaß und nicht als klinische Diagnose verwendet.
Mediationsmodellergebnisse	Studienteam	Modell 4 Ausgabe	Ausgabe für das Mediationsmodell mit PR als X, SSB als M und HOT als Y.
Ausgabe moderierter Vermittlungsmodell	Studienteam	Modell 59 Ausgabe	Ausgabe für das moderierte Mediationsmodell, wobei IGD die PR &rarr moderiert; SSB, PR → HOT und SSB → HEISSE Wege.
Online-Fragebogenplattform	Wenjuanxing / Fragebogenstern	N/A	Webbasierte Umfrageplattform, die für elektronische informierte Einwilligung, Online-Fragebogenverwaltung, Erzwingungseinstellungen und Export von Umfragedaten genutzt wird.
Pilot-Check-Bilanz	Studienteam	N/A	30 Schüler umfassende Pilotüberprüfungsprotokolle werden verwendet, um Klarheit, Verständnis, Abschlusslast und Plattformfunktion zu bewerten. Pilotteilnehmer wurden in der finalen analytischen Stichprobe nicht einbezogen.
Psychologische Resilienzskala	Hu-und-Gan-Überarbeitung basierend auf dem Connor-Davidson-Rahmen	N/A	Eine 25-Item-Skala zur Messung der psychologischen Resilienz. Die Antworten wurden auf einer 5-Punkte-Likert-Skala bewertet und als Durchschnittswerte berechnet.
Psychologisches Verständnis der Schulmitgliedschaftsskala	Chinesische überarbeitete Version basierend auf Goodenow' Schul-Mitgliedschaftsrahmen	N/A	Eine 18-Teile-Skala zur Messung der Schulzugehörigkeit. Die Punkte 3, 6, 9, 12 und 16 wurden vor der Berechnung des Mittelwerts umgewertet.
Randomisierungsverfahren	Studienteam	Zufälliger Samen: 20241007	Verwendet für die zufällige Auswahl auf Institutionen- und Studierendenebene mittels eines seedbasierten Zufallszahlenverfahrens.
Roher Umfragedatensatz	Studienteam	Raw_Survey_NEP_2024_800returned_locked.xlsx	Roher exportierter Datensatz mit 800 zurückgegebenen Fragebögen vor dem Ausschluss der Antwortqualität.
Antwortqualitäts-Screening-Log	Studienteam	N/A	Es wurden 24 ausgeschlossene Antworten dokumentiert, darunter doppelte Antworten, Inkonsistenzen bei der Berechtigung, Ausschlüsse zur Vollständigkeitszeit, geradlinige Antworten und wiederholte Musterantworten.
Regeln für Response-Quality Screening	Studienteam	N/A	Ausschlusskriterien umfassten doppelte Einreichung, Inkonsistenz der Berechtigung, Fertigstellungszeit < 360 S, dieselbe Option für &GE; 85 % der Likert-Elemente sowie wiederholte abwechselnde Muster über ≥ 15 aufeinanderfolgende Likert-Gegenstände.
Skalierungszuverlässigkeitsausgabe	Studienteam	N/A	Ausgabeberichterstattung Cronbach' Alpha-Werte für PR, HOT, SSB und IGD.
Bewertungs- und Codierungsreferenzdatei	Studienteam	Ergänzende Tabelle 2	Dokumentiert die Anzahl der Items, den Antwortbereich, rückwärts codierte Items, die Score-Richtung, die Berechnung des Mittelwerts, demografische Codierung und Zuverlässigkeitswerte.
Sitzungsadministrationsprotokoll	Studienteam	N/A	Verzeichnetes Verwaltungsdatum, Institutionencode, Klassenkontext, Berater-Kennung, Einladungszahl, Rückführungszählung, Sitzungsdauer und Abweichungen.
Statistiksoftware	IBM Corp.	IBM SPSS Statistics, Version 27.0	Verwendet für deskriptive Statistik, Korrelationen, Zuverlässigkeitsanalyse, explorative Faktorenanalyse, Regression, Mediation und moderierte Mediationsanalysen.
Schüler-Randomisierungsprotokoll	Studienteam	Zufälliger Samen: 20241007	Dokumentierte geschichtete Zufallsauswahl auf Studierendenebene innerhalb der drei ausgewählten Institutionen.
Ergänzende Tabelle 1	Studienteam	Übersetzungs- und Adaptionsbilanz	Dokumentquellen, Originalformulierung, Vorwärtsübersetzung, Rückübersetzung, endgültige chinesische Formulierung, Expertenbewertung, Pilotfeedback und Überarbeitungsbegründung.
Ergänzende Tabelle 2	Studienteam	Wertungs- und Codierungsregeln	Dokumentenbewertungsregeln, Rückwärtscodierung, demografische Codierung, variable Abkürzungen und Zuverlässigkeitswerte.
Übersetzungs- und Adaptionsbilanz	Studienteam	Ergänzende Tabelle 1	Weiterleitung von Dokumenten, Abstimmung, Rückübersetzung, Expertenüberprüfung, Pilotprüfung und endgültige chinesische Formulierung.
Windows-Betriebssystem	Microsoft Corp.	Windows 11 Pro, 64-Bit	Betriebssystem, das für statistische Analyse und Ausgabegenerierung verwendet wird.