Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Methodenartikel

Eine Umfrage und ein Protokoll zur Bewertung von Online-Lernerfahrungen, grundlegenden psychologischen Bedürfnissen und Lernengagement bei Universitätsstudenten

58 Aufrufe

⸱

DOI:

10.3791/72570

⸱

11. August 2026

 ,  , 
1Department of Curriculum and Instructional Technology, Faculty of Education, Universiti Malaya

In diesem Artikel

Zusammenfassung

Dieses Protokoll bietet eine reproduzierbare Umfrage und einen Workflow zur Modellierung von Strukturgleichungen mit teilweise kleinsten Quadraten zur Bewertung von Assoziationspfaden zwischen Online-Lernerfahrung, grundlegenden psychologischen Bedürfnissen und Lernbeteiligung bei Universitätsstudierenden, einschließlich Fragebogenanpassung, Screening, Messbewertung, indirekter Assoziationstests, Robustheitsprüfungen und Reproduzierbarkeitsaufzeichnungen.

Zusammenfassung

Online-Lernen ist in der Hochschulbildung integriert, aber Bewertungen basieren oft auf Zugangs-, Zufriedenheits- oder Abschlussindikatoren, die nicht angeben, wo Engagement-Probleme auftreten. Dieser Artikel präsentiert eine reproduzierbare englischsprachige Umfrage und ein Protokoll zur Strukturmodellierung von teilweise kleinsten Quadraten zur Bewertung von Assoziationspfaden zwischen Online-Lernerfahrung, grundlegenden psychologischen Bedürfnissen und Lernengagement bei Universitätsstudierenden. Online-Lernerfahrung wird anhand der Plattformnutzbarkeit, Unterrichtsunterstützung, Interaktionsqualität und Lernflexibilität gemessen; grundlegende psychologische Bedürfnisse durch Autonomie, Kompetenz und Verbundenheit; und das Erlernen von Engagement durch Verhaltens-, kognitive und emotionale Einbindung. Der Workflow spezifiziert Item-Source-Mapping, Fragebogenanpassung, Expertenüberprüfung, Pilottests, elektronische Einwilligung, Eignungsscreening, Qualitätsprüfungen der Antwort, Konstruktbewertung, Common Method Bias Diagnosen, höherordnungige Konstruktschätzung, Mess-Modell-Bewertung, strukturelle Pathway-Tests, Indirekt-Assoziations-Analyse, psychologische Bedarfssensitivitätsanalyse, regressionsbasierte Robustheitsprüfungen und Reproduzierbarkeitsdatei-Sperrung. Repräsentative Ergebnisse aus 386 gültigen Antworten zeigen akzeptable Zuverlässigkeit, moderate Konstruktkorrelationen, erhaltene Messqualität, eine unterstützte indirekte Assoziation durch grundlegende psychologische Bedürfnisse, nicht signifikante Kontrollpfade und ungleichdimensionale Werte. Das Protokoll unterstützt eine transparente Diagnose darüber, wie Online-Lernerfahrung mit psychologischer Bedarfszufriedenheit und -beteiligung zusammenhängt, während kausale Interpretationen aus Querschnittsdaten vermieden werden.

Einleitung

Online-Lernen ist durch Lernmanagementsysteme, Videoplattformen, aufgezeichnete Materialien, synchrone Sitzungen und Blended-Kurs-Designs Teil der routinemäßigen Hochschulbildung geworden. Viele Bewertungen stützen sich jedoch weiterhin auf Zugriffsprotokolle, Zufriedenheitsbewertungen oder Abschlussindikatoren, die anzeigen, ob die Studierenden einen Online-Kurs genutzt haben, aber nicht klarstellen, ob eine geringere Beteiligung mit der Plattformbenutzerfreundlichkeit, der Unterrichtsunterstützung, der Interaktionsqualität, der Lernflexibilität, der Zufriedenheit des psychologischen Bedarfs oder einer bestimmten Beteiligungsdimension1 zusammenhängt. Online-Lernerfahrung sollte daher nicht auf einen einzigen Zufriedenheitswert reduziert werden. Frühere Online-Beteiligungsforschung legt den Schwerpunkt auf Lerninhalten, Lernende und Lehrer sowie Interaktion zwischen Lernenden und Lernenden als wichtige Elemente der Online-Lernerfahrungder Studierenden 2. Das aktuelle Protokoll misst das Online-Lernerlebnis durch Plattform-Usability, Unterrichtsunterstützung, Interaktionsqualität und Lernflexibilität.

Auch das Lernengagement ist multidimensional. Dazu gehören Verhaltensbeteiligung, kognitives Engagement und emotionale Beteiligung. Online-Kurs-Engagement-Instrumente zeigen, dass Engagement nicht vollständig durch sichtbare Teilnahme oder Aufgabenerledigung allein dargestellt werden kann3. Umfassendere Forschung zur Bildungstechnologie zeigt außerdem, dass Verhaltensbeteiligung oft leichter zu beobachten ist als kognitive oder affektive Beteiligung4. Aus diesem Grund misst das Protokoll das Lernengagement durch verhaltensbezogene, kognitive und emotionale Beteiligung, anstatt das Engagement in einen undifferenzierten Wert zusammenzufassen.

Die Selbstbestimmungstheorie bildet die theoretische Grundlage für die Verbindung von Online-Lernerfahrung mit Lernengagement. Die grundlegende psychologische Bedarfstheorie identifiziert Autonomie, Kompetenz und Verwandtschaft als zentrale Bedingungen für Motivation und Anpassung5. Im Online-Lernen bezeichnet Autonomie wahrgenommene Wahl und Kontrolle, Kompetenz zur wahrgenommenen Fähigkeit zur Erfüllung von Lernaufgaben und die Verwandtschaft mit der gefühlten Verbindung zu Lehrkräften und Kommilitonen. Frühere Online-Lernstudien mit Selbstbestimmungstheorie haben kontextuelle Unterstützung, Bedürfniszufriedenheit, Motivation und Engagement verknüpft 6,7. Diese Ergebnisse unterstützen die Untersuchung grundlegender psychologischer Bedürfnisse als indirektes Assoziationskonstrukt zwischen Online-Lernerfahrung und Lernengagement, wobei kausale Interpretationen vermieden werden, da die Daten querschnittsbezogen sind.

Ein methodisches Problem in der Online-Engagement-Forschung ist das Fehlen einer einheitlichen operativen Struktur. Die Studien unterscheiden sich darin, wie sie Lernbedingungen definieren, Engagement messen und die Lernumgebung mit der psychologischen Erfahrung der Schüler verknüpfen8. Selbstberichtsomfragen sind zudem anfällig für nachlässige Antworten, gemusterte Antworten, post-hoc-Ausschlüsse, Entscheidungen über fehlende Daten und häufige Methodenverzerrung9. Daher korrigiert dieses Protokoll die englischsprachige Fragebogenstruktur, das Element-Quellen-Mapping, die Bewertungsregeln, das elektronische Einwilligungsverfahren, das Berechtigungsscreening, die Aufmerksamkeitskontrolle, die Fertigstellungszeit-Schwelle, das Straight-Lining-Kriterium, die Langzeichen-Antwortkontrolle, die Behandlung fehlender Daten, die Modellspezifikation und das Datensatz-Sperrverfahren, bevor die strukturelle Analyse beginnt.

Der konzeptuelle Rahmen definiert Online-Lernerfahrung als unabhängiges Konstrukt, grundlegende psychologische Bedürfnisse als indirekt assoziationelle Konstrukt und Lernengagement als Ergebniskonstrukt. Der primäre Weg prüft, ob Online-Lernerfahrung mit grundlegenden psychologischen Bedürfnissen assoziiert ist, ob grundlegende psychologische Bedürfnisse mit Lernengagement verbunden sind und ob Online-Lernerfahrung nach Berücksichtigung grundlegender psychologischer Bedürfnisse weiterhin direkt mit Lernengagement verbunden bleibt. Das Protokoll wird von vier Forschungsfragen geleitet: ob das strukturierte Umfrageprotokoll die drei Konstrukte mit akzeptabler Antwortqualität und Konstruktzuverlässigkeit messen kann; ob Online-Lernerfahrung positiv mit grundlegenden psychologischen Bedürfnissen und Lernengagement verbunden ist; ob der Zusammenhang zwischen Online-Lernerfahrung und Lernengagement teilweise durch grundlegende psychologische Bedürfnisse als indirekte Verbindung getragen wird; und ob psychologisch benötigte Subdimensionsanalysen und regressionsbasierte Robustheitsprüfungen dieselbe Interpretation wie der primäre PLS-SEM-Workflow unterstützen.

Dieser Artikel ist als methodenorientierter Beitrag und nicht als konventionelle erklärende Querschnittsstudie positioniert. Das Protokoll bietet einen reproduzierbaren Arbeitsablauf für die Anpassung von Fragebogen, Expertenüberprüfung, Pilottests, Umfrageverwaltung, Antwortscreening, Konstruktbewertung, Messmodellbewertung, strukturelle Signalwegtests, Indirekt-Assoziationsanalyse, Sensitivitätsanalyse, Robustheitsprüfung und Reproduzierbarkeitsdateiensperrung. Transparente Workflows für Bildungsforschung erfordern, dass analytische Entscheidungen vor der endgültigen Modellinterpretation10 dokumentiert werden. Teilweise kleinste Quadrate Strukturgleichungsmodellierung wird verwendet, da sie es ermöglicht, Mess- und Strukturkomponenten innerhalb eines Workflows zu untersuchen, mit reflektierenden Konstrukten erster Ordnung und analytisch abgeleiteten höherstufigen Konstruktwerten durch einen disjunkten zweistufigen Ansatz11. Frühere Arbeiten zu Online-Studierendenengagement, sozialer Präsenz, Lernunterstützung und -bindung zeigen, dass Kommunikation, Unterstützung, Verbindung und inklusives Kursdesign über den einfachen Zugang oder Flexibilität hinausgehen12,13. Systematische Übersichten zeigen außerdem, dass Verhaltens-, kognitive und emotionale Beteiligung unterschiedlich auf Online-Lernbedingungenreagieren können 14. Repräsentative Ergebnisse werden daher nur verwendet, um das Ergebnis des Protokolls zu demonstrieren, nicht um kausale Effekte aus Querschnittsdaten15 zu behaupten.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Das Studienprotokoll wurde vom Forschungsethikkomitee der Universiti Malaya (Nicht-Medizinisch) unter der Zulassungsnummer UM überprüft und genehmigt. TNC (P&I)/UMREC_4892 am 7. August 2025. Durchführung aller Verfahren gemäß institutionellen Richtlinien für Forschung mit menschlichen Teilnehmern. Holen Sie vor der Durchführung des Fragebogens eine elektronische informierte Zustimmung ein. Verwenden Sie anonyme Teilnehmercodes während der Rekrutierung, Auswahl, Bewertung, Analyse und Dateispeicherung. Die Forschungswerkzeuge und -software sind in der Materialtabelle aufgeführt.

1. Definieren Sie das Studiendesign und den analytischen Rahmen

  1. Verwenden Sie ein querschnittsbasiertes quantitatives Umfragedesign, um die Assoziationen zwischen Online-Lernerfahrung, grundlegenden psychologischen Bedürfnissen und Lernengagement bei Universitätsstudenten zu bewerten.
  2. Definieren Sie Online-Lernerfahrung als das unabhängige latente Konstrukt, grundlegende psychologische Bedürfnisse als das latente Konstrukt der indirekten Assoziation und Lernengagement als das latente Konstrukt des Ergebnisses.
  3. Spezifizieren Sie die dreidimensionalen Konstrukte vor der Datenerhebung. Online-Lernerfahrung durch Plattformbenutzerfreundlichkeit, Unterrichtsunterstützung, Interaktionsqualität und Flexibilität des Lernens darstellen; grundlegende psychologische Bedürfnisse durch Autonomiebedarf, Kompetenzbedarf und Verwandtschaftsbedarf; und Lernengagement durch Verhaltens-, kognitive und emotionale Beteiligung.
  4. Verwenden Sie teilweise kleinste Quadrate strukturelle Gleichungsmodellierung als primäre analytische Methode, um die Messqualität, höherwertige Konstruktwerte, strukturelle Wege und den vorgegebenen indirekten Weg zu bewerten.
  5. Geben Sie vor der Analyse den Hauptweg an: Online-Lernerfahrung → grundlegende psychologische Bedürfnisse, grundlegende psychologische Bedürfnisse → Lernengagement und Online-Lernerfahrung → Lernengagement.
  6. Behandle alle strukturellen Wege als Assoziationsschätzungen. Interpretiere keinen Pfad als kausal, da alle Variablen an einem bestimmten Zeitpunkt gemessen werden. Führen Sie vor der Rekrutierung eine A-priori-Stichprobengröße und Leistungsüberprüfung durch. Verwenden Sie mindestens 380 gültige Antworten als Zielstichprobe und 350 gültige Antworten als minimal akzeptable Stichprobe nach dem Screening.
  7. Stellen Sie den Protokollablauf in Abbildung 1 dar, einschließlich Rekrutierung, Einwilligung, Fragebogenabfertigung, Expertenüberprüfung, Pilottests, Response-Screening, Datensatzsperrung, Messbewertung, strukturelle Tests, Indirekte Assoziationsanalyse, Robustheitsprüfung und Erstellung von Reproduzierbarkeitsdateien.
    HINWEIS: Behalten Sie das konzeptuelle Modell und die strukturellen Wege vom Fragebogenaufbau bis zur Endanalyse unverändert.

figure-protocol-1
Abbildung 1: Operativer Arbeitsablauf zur Bewertung von Online-Lernerfahrung, grundlegenden psychologischen Bedürfnissen und Lernengagement. Die Abbildung zeigt den Protokollablauf von der Rekrutierung, der Einwilligung, der Erstellung des Fragebogens, der Expertenüberprüfung, Pilottests, dem Response Screening und der Datensatzbindung bis hin zur Messbewertung, strukturellen Tests, indirekter Assoziationsanalyse, Robustheitsprüfung und Vorbereitung der Reproduzierbarkeitsdateien. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

2. Rekrutieren von berechtigten Teilnehmern

  1. Rekrutieren Sie Universitätsstudierende, die im aktuellen oder letzten akademischen Semester an mindestens einem Online- oder Blended-Kurs teilgenommen haben.
  2. Teilnehmende, die 18 Jahre oder älter sind, derzeit als Bachelor- oder Masterstudierende eingeschrieben sind, Online- oder Blended-Learning-Unterricht ausgesetzt sind, den englischsprachigen Fragebogen lesen können und bereit sind, elektronische informierte Einwilligung zu geben.
  3. Antworten werden ausgeschlossen, wenn die Zustimmung nicht bestätigt ist, die Zulassungskriterien nicht erfüllt sind, die Aufmerksamkeitsprüfung fehlgeschlagen wird, eine doppelte Einreichung erkannt wird, die Fertigstellungszeit unter der vorgegebenen Schwelle liegt, Straightlining festgestellt wird oder ungelöste Inkonsistenz in der Berechtigung vorliegt.
  4. Rekrutieren Sie Teilnehmer über universitäre Lernplattformen, Kurskommunikationsgruppen, studentische E-Mail-Listen und institutionelle Studentenkanäle.
  5. Sammeln Sie keine direkten Identifikatoren, einschließlich Namen, Schüleridentifikationsnummern, Telefonnummern, privaten E-Mail-Adressen, genauen Wohnadressen, IP-Adressen, Gerätekennungen oder Kontokennungen.
  6. Erfassen Sie Rekrutierungsdaten, Rekrutierungskanäle, eingereichte Antworten, Ausschlusszählungen nach Kategorie, zurückbehaltene Antworten und die endgültige gültige Stichprobengröße im Feld- und Screening-Logbuch.
    PAUSEPUNKT: Überprüfen Sie wöchentlich den Fortschritt der Rekrutierung. Überprüfen Sie nur die Anzahl der Antworten, die Abdeckung des Rekrutierungskanals und die vorläufige Ausschlussquote. Inspizieren Sie während der Rekrutierung keine Konstruktwerte, Korrelationen oder Pfadschätzungen.

3. Erstellen Sie den Fragebogen

  1. Bereiten Sie einen strukturierten englischsprachigen Fragebogen mit elektronischer informierter Einwilligung, Eignungsprüfung, Teilnehmerhintergrundinformationen, Inhaltsgrößen und einer instruktionsbasierten Aufmerksamkeitsprüfung vor.
  2. Verwenden Sie eine 5-Punkte-Likert-Antwortskala für alle wesentlichen Elemente: 1 = stark anderer Meinung, 2 = widersprechend, 3 = neutral, 4 = stimmen überein und 5 = stark übereinstimmen.
  3. Adaptiere Online-Lernerfahrungspunkte aus früheren Messgrößen wie Online-Lernwahrnehmung, Unterrichtsunterstützung, Interaktionsqualität, Plattformnutzbarkeit und Lernflexibilität. Anpassen Sie grundlegende psychologische Bedürfnisse aus etablierten Maßen für Autonomie, Kompetenz und Verwandtschaft. Passen Sie Lernengagement-Elemente aus etablierten Verhaltens-, kognitiven und emotionalen Engagement-Messgrößen an.
  4. Überarbeite die Formulierungen der Aufgaben nur, um sie an den Online- und Blended-Learning-Kontexten der Universität anzupassen. Verwenden Sie klare, nicht leitende Formulierungen und vermeiden Sie Formulierungen, die hohe Zufriedenheit, hohe psychologische Bedürfniszufriedenheit oder hohe Beteiligung implizieren.
  5. Bereiten Sie vor dem Pilottest eine Element-Quelle-Mapping-Tabelle vor. Erfassen Sie den Aufgabencode, das Konstrukt, die Dimension, angepasste Formulierung, Quelle, Anpassungsnotiz, Fragebogensprache und Bewertungsrichtung für jeden wesentlichen Punkt.
  6. Verwenden Sie 33 substanzielle Likert-Größen: 12 für Online-Lernerfahrungen, neun für grundlegende psychologische Bedürfnisse und 12 für Lernengagement. Verwenden Sie drei Elemente für jede Online-Lernerfahrungsdimension, drei Elemente für jede grundlegende psychologische Bedürfnisdimension und vier Elemente für jede Lernbeteiligungsdimension.
  7. Platziere einen instruktionsbasierten Aufmerksamkeitscheck nach dem Block für die grundlegenden psychischen Bedürfnisse. Verwenden Sie dieses Item ausschließlich für das Screening der Antwortqualität und schließen es aus der Konstruktbewertung, Zuverlässigkeitsanalyse, Validitätsanalyse, PLS-SEM-Schätzung, indirekten Assoziationstests und Robustheitsanalyse aus.
  8. Halten Sie während des Pilottests die erwartete Ausfüllzeit des Fragebogens innerhalb von 8–12 Minuten. Verwenden Sie Tabelle 1 , um Konstruktbereiche, Dimensionen, Item-Codes, Anzahl der Elemente, Antwortskala, Bewertungsrichtung und Anpassungsbasis zu dokumentieren. Verwenden Sie Ergänzungsdatei 1 , um den vollständigen Fragebogen, das Element-Quellen-Mapping, die Variablencodierung und die Bewertungsregeln bereitzustellen.
    HINWEIS: Haltet die Prädiktor-, indirekten Assoziations- und Ergebnispunkte konzeptionell getrennt.

Tabelle 1: Konstruktbereiche, Dimensionen, Fragebogenstruktur und Bewertungsregeln. Diese Tabelle fasst die Fragebogenstruktur zusammen, einschließlich Konstruktbereiche und -dimensionen, Itemcodes und -nummern, Beispielfragen, Anpassungsbasis, Antwortskala und Bewertungsregeln. Der Aufmerksamkeitskontrollpunkt wird als reiner Screening-Punkt identifiziert. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

4. Durchführung von Expertenüberprüfungen und Pilottests

  1. Laden Sie drei bis fünf Experten aus Pädagogischer Psychologie, Online-Lernen, quantitativer Methodik, Hochschulforschung oder Umfragedesign ein, um den Fragebogen zu prüfen.
  2. Bitten Sie Experten, die Klarheit der Aufgaben, die Relevanz des Konstruktions, die Redundanz der Formulierung, die Reaktionsbelastung, die kulturelle Eignung, die Sprachklarheit und die Übereinstimmung zwischen jedem Punkt und seiner zugewiesenen Dimension zu bewerten.
  3. Erfassen Sie die Ergebnisse der Expertenüberprüfung in einem Protokoll der Überarbeitung von Punkten, einschließlich Originalformulierung, Bedenken des Prüfers, Überarbeitungsentscheidung, endgültiger Formulierung sowie Gründe für die Aufbewahrung, Überarbeitung oder Entfernung.
  4. Überarbeite Fragen, die mehrdeutig, doppelläufig, zu ähnlich, kulturell unangemessen, schwach zur Zieldimension übereinstimmen oder nicht mit dem englischsprachigen Umfragekontext vereinbar sind.
  5. Führen Sie einen Pilottest mit 30–50 Studierenden durch, die die gleichen Zulassungskriterien wie die Hauptstudie erfüllen. Bitten Sie die Pilotteilnehmer, unklare Formulierungen, technische Anzeigeprobleme, übermäßige Länge, wiederholte Formulierungen oder Unbehagen durch einen Fragebogenpunkt zu identifizieren.
  6. Zeichnen Sie die Fertigstellung des Piloten für jeden Teilnehmer auf. Definieren Sie die Mindestabschlusszeit der formalen Studie als den größeren Wert zwischen 3 Minuten und einem Drittel der mittleren Pilotabschlusszeit.
  7. Berechnen Sie die vorläufige interne Konsistenz für jedes Konstrukt und inspizieren Sie nach Pilottests die Gesamtkorrelationen zwischen den Elementen. Überarbeiten oder entfernen Sie schwache Elemente nur, wenn die Löschung die Messqualität verbessert und die Konstruktabdeckung nicht schwächt.
  8. Finalisieren und sperren Sie den Fragebogen, das Codebuch, die Element-Quelle-Kartierung, das Experten-Review-Protokoll, den Pilottestprotokoll, die Fertigstellungszeitschwelle, die Aufmerksamkeitskontrollregel, die Duplikaterkennungsregel und die Ausschlusskriterien vor der formellen Rekrutierung.
    PAUSENPUNKT: Beginnen Sie nicht mit der formellen Rekrutierung, bevor alle Fragebögen, Screening- und Codierdateien gesperrt sind.

5. Führen Sie den Online-Fragebogen durch

  1. Bauen Sie den Fragebogen in einem Online-Umfragesystem ein, das anonyme Teilnahme, Einwilligungsbestätigung, Eignungsprüfung, Einstellungen für erforderliche Antworten, Aufzeichnung der Antwortzeit, nicht identifizierende Einschränkung bei doppelten Einreichungen, Platzierung von Aufmerksamkeitskontrollen und Tabellenkalkulationsexport unterstützt.
  2. Fügen Sie elektronische informierte Einwilligung vor der Berechtigungsprüfung und Fragebogen ein. Teilnehmende dürfen erst nach Bestätigung der freiwilligen Teilnahme fortfahren und den Studienziel in neutraler Sprache darlegen. Dass die Studie die Wahrnehmung von Online-Lernen, psychologischer Bedarfszufriedenheit und Lernengagement der Studierenden untersucht.
  3. Setze Einwilligung, Berechtigungsfragen und alle 33 wesentlichen Likert-Kriterien als erforderliche Felder. Deaktiviere Felder für direkte identifizierende Informationen. Fordern Sie keine Namen, Studentennummern, Telefonnummern, private E-Mail-Adressen, genaue Wohnadressen, IP-Adressen, Gerätekennungen oder Kontokennungen an.
  4. Ermöglichen Sie den Teilnehmern, den Fragebogen vor der endgültigen Einreichung ohne Strafe zu verlassen. Beschränken Sie wiederholte Einreichungen nur über nicht identifizierende Umfrageplattform-Einstellungen, wenn verfügbar. Lassen Sie den Fragebogen 4–6 Wochen offen. Überwachen Sie zweimal pro Woche die Antwortzahlen und dokumentieren Sie den Fortschritt der Rekrutierung im Feldarbeitsprotokoll.
    HINWEIS: Geben Sie nach der Einreichung des Fragebogens kein persönliches Feedback zur Punktzahl.

6. Exportieren und Schutz der Rohdaten

  1. Exportiere alle eingereichten Antworten direkt nach Abschluss der Rekrutierung in .xlsx und .csv Formaten.
  2. Speichere eine unveränderte .xlsx Datei als RawData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsx und eine unveränderte .csv Datei als RawData_OnlineLearning_BPN_Engagement_YYYYMMDD.csv.
  3. Erstellen Sie eine Arbeitskopie für Screening, Codierung und Analyse. Nenn es WorkingData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsx. Jeder eingereichten Antwort wird ein anonymer Teilnehmercode im Format P001, P002, P003 und so weiter zugewiesen.
  4. Speichern Sie den Rohdatensatz in einem Schreib-nur-Ordner und erstellen Sie vor Beginn des Screenings eine Prüfsumme, einen Dateiversionsdatensatz oder einen institutionellen Versionsverlauf.
  5. Bewahren Sie das deidentifizierte Roharchiv für eingereichte Datensätze und die Screening-Metadaten im geschützten institutionellen Verifizierungsordner auf. Fügen Sie keine ausgeschlossenen Rohdaten, direkt identifizierbare Informationen oder Rohdaten auf Teilnehmerebene in das Manuskript oder ergänzende Dateien, die zur Veröffentlichung eingereicht werden, hinzu.
    PAUSENPUNKT: Beginnen Sie nicht mit dem Screening, bevor die Rohdatei, die .xlsx.csv der Rohdatei, das Feldarbeitsprotokoll, der Rohdatendatendatendaten-Datendaten-Datendaten-Ordner gespeichert sind.

7. Antworten prüfen und Ausschlussregeln anwenden

  1. Wenden Sie alle Ausschlussregeln an, bevor Sie Konstruktkorrelationen, Mess-Modell-Ausgaben, strukturelle Pfade oder Schätzungen der indirekten Assoziation untersuchen. Entferne Antworten ohne Einwilligungsbestätigung oder ohne Alter, Einschreibung, Online-Lernerfahrung oder Fragebogen-Sprachberechtigung.
  2. Entfernen Sie doppelte Antworten gemäß der vorgegebenen Regel zur Erkennung von Duplikaten. Identifizieren Sie mögliche Duplikate nur durch nicht identifizierende Flags auf der Umfrageplattform und anonyme Informationen zum Antwortmuster. Behalten Sie die früheste vollständige Antwort, wenn doppelte Antworten identifiziert werden.
  3. Entferne Antworten, die die instruktionsbasierte Aufmerksamkeitsprüfung nicht bestehen oder unterhalb der Mindestabschlusszeit der formalen Studie abgeschlossen werden. Definieren Sie Straightlining als die Auswahl derselben Antwortoption für mindestens 90 % der 33 wesentlichen Likert-Kriterien. Entferne Antworten, die dieses Kriterium erfüllen.
  4. Signalisieren Sie Langzeichen-Antwortmuster, wenn dieselbe Antwortoption fürr 20 oder mehr aufeinanderfolgende substantielle Likert-Elemente ausgewählt wird. Entfernen Sie markierte Antworten nur, wenn sie ebenfalls eine unwahrscheinlich kurze Abschlusszeit, eine fehlgeschlagene Aufmerksamkeitskontrolle, Linelining oder einen anderen vorgegebenen Qualitätsverstoß zeigen.
  5. Markiere inkonsistente Hintergrundantworten, wenn der Teilnehmer keine Online- oder Blended-Learning-Exposition angab, aber wöchentliche Online-Lernstunden über null angibt. Entferne Antworten mit ungelöster Berechtigungsinkonsistenz.
  6. Erfassen Sie jeden ausgeschlossenen Fall in einem deidentifizierten Screening-Protokoll mit anonymem Teilnehmercode, Ausschlusskategorie, Ausschlussgrund, Screening-Datum und Screening-Entscheidung.
  7. Verwenden Sie Tabelle 2, um eingereichte Antworten, Ausschlusskategorien, Ausschlusszählungen, zurückbehaltene Antworten und die endgültige gültige Stichprobengröße zu dokumentieren. Wenn die Rohausschlusszahlen für den repräsentativen Datensatz nicht rekonstruiert werden können, geben Sie dies explizit an.
    HINWEIS: Ausschließen Sie Fälle nur gemäß vorgegebenen Regeln für Einwilligung, Berechtigung, Duplikat, Aufmerksamkeitskontrolle, Abschlusszeit, Reaktionsmuster, Fehlen oder Konsistenz. Beginnen Sie nicht mit dem Codieren, bevor der Rohdatensatz, der bereinigte Datensatz, das Screening-Log, die Ausschlussregeldatei, das Feldarbeitsprotokoll und der Datensatzversionsdatensatz separat gespeichert und gesperrt wurden.

Tabelle 2: Response Screening, Ausschlussregeln und Entscheidungen zur Datenverarbeitung. Diese Tabelle fasst die vorgegebenen Screening-Regeln und Datenverarbeitungsentscheidungen für Einwilligung, Berechtigung, doppelte Antworten, Aufmerksamkeitskontrolle, Abschlusszeit, Reaktionsmuster-Prüfungen, Fehlverhalten und Datensatzsperre zusammen. Ausschlussregeln werden angewendet, bevor Konstruktkorrelationen, Mess-Modell-Ausgaben, strukturelle Pfade oder indirekt assoziierte Schätzungen untersucht werden. Jede ausgeschlossene Antwort wird in einem de-identifizierten Screening-Protokoll unter Verwendung des anonymen Teilnehmercodes, der Ausschlusskategorie, des Ausschlussgrundes, des Screening-Datums und der Screening-Entscheidung erfasst. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

8. Fehlende Daten behandeln

  1. Vermeiden Sie fehlende Werte bei Einwilligung, Zulassungsfragen und den 33 wesentlichen Likert-Größen, indem Sie diese Felder wie im Umfragesystem vorgeschrieben festlegen. Überprüfen Sie den bereinigten Datensatz nach dem Screening auf fehlende Werte.
  2. Behandeln Sie fehlende Werte in optionalen Hintergrundvariablen als "nicht gemeldet". Fügen Sie keine optionalen demografischen oder hintergrundbedingten Variablen hinzu.
  3. Schließe eine Hintergrundvariable aus der Kovariatenanalyse aus, wenn ihre fehlende Rate 10 % übersteigt. Behalten Sie eine Hintergrundvariable nur dann als Kovariat, wenn ihre fehlende Rate 10 % oder niedriger beträgt und die Variable theoretisch relevant ist.
  4. Fügen Sie in den 33 wesentlichen Likert-Größen keine fehlenden Werte zu. Wenn ein wesentliches Fehlen von Items trotz Mindesbeantwortungseinstellungen festgestellt wird, sollte vor der Finalisierung des bereinigten Datensatzes festgestellt werden, ob das Problem durch Umfrageexport, Umfragelogik oder unvollständige Einreichungsbehandlung verursacht wird.
    HINWEIS: Zeichnen Sie die Überprüfung der fehlenden Daten auf. Berichte die Anzahl der fehlenden Werte und die fehlende Rate für Teilnehmercode, Hintergrundvariablen, substantielle Likert-Skalen-Items, Dimensionswerte und globale Konstruktwerte.

9. Variablen kodieren und Punktzahlen berechnen

  1. Code alle wesentlichen Likert-Elemente von 1 bis 5: 1 = starke Widersprüche, 2 = Widerspruch, 3 = neutral, 4 = übereinstimmen und 5 = stark übereinstimmend. Code-Geschlecht, akademisches Niveau, Studienjahr, Fachkategorie, wöchentliche Online-Lernstunden und vorherige Online-Lernerfahrung gemäß dem gesperrten Codebuch.
  2. Inspizieren Sie alle Variablen auf außerhalb des Bereichs liegenden Werte, bevor Sie Dimensions- oder globale Konstruktwerte berechnen.
  3. Berechnen Sie Online-Lernerfahrungs-Dimensionen als Item-Mittelwerte: Plattformnutzbarkeit = Mittelwert(OLE_PU1–OLE_PU3), Unterrichtsunterstützung = Mittelwert(OLE_IS1–OLE_IS3), Interaktionsqualität = Mittelwert(OLE_IQ1–OLE_IQ3) und Lernflexibilität = Mittelwert(OLE_LF1–OLE_LF3).
  4. Berechnen Sie grundlegende psychologische Bedürfnisse-Dimensionen als Item-Mittelwert: Autonomiebedarf = Mittelwert(BPN_AU1–BPN_AU3), Kompetenzbedarf = Mittelwert(BPN_CO1–BPN_CO3) und Verwandtschaftsbedarf = Mittelwert(BPN_RE1–BPN_RE3).
  5. Berechnen Sie die Werte der Lernbeteiligungsdimension als Item-Mittelwerte: Verhaltensbeteiligung = Mittelwert(LE_BE1–LE_BE4), kognitives Engagement = Mittelwert(LE_CE1–LE_CE4) und emotionales Engagement = Mittelwert(LE_EE1–LE_EE4).
  6. Berechnen Sie globale Konstruktwerte als Dimensionsmittel: Online-Lernerfahrung = Mittelwert (Plattformbenutzerfreundlichkeit, Unterrichtsunterstützung, Interaktionsqualität, Lernflexibilität); Grundlegende psychologische Bedürfnisse = Mittel (Autonomiebedarf, Kompetenzbedarf, Verwandtschaftsbedarf); und Lernengagement = Mittelwert (Verhaltensbeteiligung, kognitive Beteiligung, emotionale Beteiligung).
  7. Verwenden Sie Daten auf Item-Ebene für die Mess-Modell-Bewertung, Dimensionswerte für höherstufige Konstruktschätzung und Subdimensionsanalyse sowie globale Konstruktwerte für deskriptive Statistik, Korrelationsanalyse, Strukturmodellprüfung und regressionsbasierte Robustheitsanalyse.
    HINWEIS: Berücksichtigen Sie das Aufmerksamkeitsprüfungselement nicht in Bewertungen, Zuverlässigkeitsanalysen, Validitätsanalysen, PLS-SEM-Schätzungen, indirekten Assoziationsanalysen oder Robustheitsanalysen. Standardisieren Sie die ursprünglichen 1–5-Ergebnisse nicht vor der deskriptiven Analyse.

10. Kontrolle und Bewertung häufiger Methodenverzerrung

  1. Wenden Sie vor der Analyse prozedurale Kontrollen an, indem anonyme Antworten, neutrale Formulierungen, getrennte Konstruktblöcke, ein instruktionsbasiertes Aufmerksamkeitsprüfelement, erforderliche Antworten-Einstellungen und eingeschränkter Zugriff auf Rohdaten verwendet werden.
  2. Nach dem Response-Screening verwenden Sie Harmans Ein-Faktor-Test, um zu untersuchen, ob ein ungedrehter Faktor einen dominanten Anteil an der Itemvarianz ausmacht. Betrachten Sie das Ergebnis als akzeptabel, wenn der erste nicht rotierte Faktor weniger als 50 % der Gesamtvarianz ausmacht.
  3. Berechnen Sie die vollständigen Kollinearitätsvarianz-Inflationsfaktorwerte für die fokalen Konstrukte. Behandeln Sie Werte unter 3,30 als Hinweis darauf, dass eine starke gemeinsame Methodenverzerrung unwahrscheinlich ist. Erfassen Sie Common Method Bias als Begrenzung, wenn der erste nicht rotierte Faktor 50 % oder mehr der Gesamtvarianz ausmacht oder wenn ein vollständiger Kollinearitätsvarianz-Inflationsfaktor 3,30 oder mehr beträgt.
    HINWEIS: Geben Sie nicht an, dass eine gemeinsame Methodenverzerrung fehlt. Geben Sie nur an, ob die Diagnosen auf schwerwiegende Hinweise auf einen dominanten Faktor der gemeinsamen Methode hinweisen.

11. Durchführung von beschreibenden und vorläufigen Überprüfungen

  1. Verwenden Sie R 4.4.1 für deskriptive Statistiken, Verteilungsprüfungen, Korrelationsanalysen und regressionsbasierte Robustheitsanalysen. Berechnen Sie Häufigkeiten und Prozentsätze für kategorische Teilnehmereigenschaften.
  2. Berechnen Sie Mittelwert, Standardabweichung, Minimum, Maximum, Verrägung und Kurtose für substantielle Elemente, Dimensionswerte und globale Konstruktwerte.
  3. Untersuchen Sie Item- und Score-Verteilungen auf Bodeneffekte, Deckeneffekte und schwere Störungen. Definieren Sie einen potenziellen Underground- oder Ceiling-Effekt als mehr als 20 % der Teilnehmer, die die Option mit der niedrigsten oder höchsten Antwort für einen wesentlichen Punkt wählen.
  4. Berechnen Sie Pearson-Korrelationen zwischen globalen Konstrukten und Dimensionswerten. Behandeln Sie Korrelationen nur als vorläufige beschreibende Belege und verwenden Sie sie nicht als Ersatz für das vorgegebene Strukturmodell.
    HINWEIS: Erfassen Sie Boden- oder Deckeneffekte als Datenmerkmale. Fälle werden aus Verteilungsgründen nicht gelöscht, es sei denn, sie verstoßen ebenfalls gegen vorgegebene Regeln zur Antwortqualität.

12. Schätzung des höherordnungigen Messmodells

  1. Verwenden Sie Smart PLS 4.1 für die primäre PLS-SEM-Analyse und importieren Sie den bereinigten Item-Datensatz. Spezifizieren Sie Plattformnutzbarkeit, Unterrichtsunterstützung, Interaktionsqualität, Lernflexibilität, Autonomiebedarf, Kompetenzbedarf, Verwandtschaftsbedarf, Verhaltensbeteiligung, kognitives Engagement und emotionales Engagement als reflektierende Konstrukte erster Ordnung.
  2. Verwenden Sie den disjunkten zweistufigen Ansatz. In der ersten Stufe schätzen Sie die reflektierenden Konstrukte erster Ordnung und speichern deren Werte für latente Variablen.
  3. In der zweiten Stufe werden latente variable Werte wie Plattformnutzbarkeit, Unterrichtsunterstützung, Interaktionsqualität und Lernflexibilität verwendet, um das Online-Lernerlebnis darzustellen; Latente Variablenwerte für Autonomiebedarf, Kompetenzbedarf und Verwandtschaft müssen grundlegende psychologische Bedürfnisse repräsentieren; und latente Variablenwerte für Verhaltens-, kognitives und emotionales Engagement, um das Lernengagement darzustellen.
  4. Behandle höherstufige Konstruktwerte als analytisch abgeleitete Darstellungen multidimensionaler Konstrukte. Beschreiben Sie sie nicht als formativ, es sei denn, ein formatives Modell ist explizit festgelegt und gerechtfertigt. Speichere Erststufen-Einstellungen, Zweitstufen-Einstellungen, latente Variablen-Scores und Modellausgabedateien im Verifikationsordner.
    HINWEIS: Verwenden Sie im Hauptstrukturmodell das gleiche Verfahren höherer Ordnung, psychologische Subdimensionenanalyse und regressionsbasierte Robustheitsanalyse.

13. Bewertung des Messmodells

  1. Bewerten Sie das Messmodell, bevor Sie das Strukturmodell interpretieren. Vergleichen Sie standardisierte äußere Lasten für alle zurückgehaltenen Indikatoren. Behalten Sie Indikatoren mit Belastungen von mindestens 0,70, wenn möglich.
  2. Überprüfen Sie Indikatoren mit Lasten zwischen 0,40 und 0,70. Entfernen Sie einen Indikator nur, wenn die Löschung die Zuverlässigkeit oder konvergente Validität verbessert und die Inhaltsabdeckung nicht schwächt. Entferne Indikatoren unter 0,40, es sei denn, ein dokumentierter theoretischer Grund stützt die Bindung.
  3. Beurteile die interne Konsistenz anhand der Cronbachschen Alpha- und Composite-Zuverlässigkeit. Behandeln Sie Werte zwischen 0,70 und 0,95 als akzeptabel. Bewerten Sie die konvergente Validität anhand der extrahierten durchschnittlichen Varianz. Betrachten Sie Werte von mindestens 0,50 als akzeptabel.
  4. Bewertung der Diskriminantenvalidität anhand des Heterotrait-Monotrait-Verhältnisses. Verwenden Sie 0,85 als konservative Schwelle und 0,90 als maximal akzeptable Schwelle für theoretisch benachbarte Konstrukte.
  5. Aufzeichnungs-Indikatoren, standardisierte äußere Lasten, Cronbachs Alpha, zusammengesetzte Zuverlässigkeit, durchschnittliche Varianzextraktion, Heterotrait-Monotrait-Werte und etwaige Element-Löschentscheidungen im Ausgabe des gesperrten Messmodells.
    HINWEIS: Löschen Sie keine Elemente nur, um die statistischen Werte zu verbessern. Entfernen Sie einen Punkt nur, wenn sowohl statistische Schwächen als auch konzeptionelle Redundanz dokumentiert sind.
    PAUSENPUNKT: Strukturtests werden nicht begonnen, bevor gespeicherte Indikatoren, Ladewerte, Zuverlässigkeitswerte, konvergente Validität, diskriminierende Validität, Codebucheinträge und Messausgabewerte mit den gesperrten Analysedateien abgeglichen wurden.

14. Testen Sie das strukturelle Modell und den Vermittlungsweg

  1. Spezifizieren Sie drei strukturelle Wege: Online-Lernerfahrung → grundlegende psychologische Bedürfnisse, grundlegende psychologische Bedürfnisse → Lernengagement und Online-Lernerfahrung → Lernengagement.
  2. Beziehen Sie wöchentliche Online-Lernstunden und vorherige Online-Lernerfahrung als vorgegebene Kontrollvariablen ein. Behandeln Sie Geschlecht, akademisches Niveau, Studienjahr und Fachkategorie als beschreibende Variablen, sofern sie nicht in ein vorgegebenes Sensitivitätsmodell enthalten sind.
  3. Untersuchen Sie die Kollinearität des strukturellen Modells, bevor Sie die Wegkoeffizienten interpretieren. Betrachten Sie Varianzinflationsfaktorwerte unter 3,30 als Hinweis darauf, dass schädliche Kollinearität unwahrscheinlich ist.
  4. Schätzen Sie standardisierte Pfadkoeffizienten, t-Werte , p-Werte und 95%-Konfidenzintervalle anhand von 5.000 Bootstrap-Resamples mit zweiseitigem Testing. Verwenden Sie verzerrte Konfidenzintervalle, wenn verfügbar.
  5. Schätzen Sie den indirekten Weg vom Online-Lernen zum Lernengagement über grundlegende psychologische Bedürfnisse. Behandle den indirekten Assoziationspfad als unterstützt, wenn das Bootstrap-Konfidenzintervall für den indirekten Effekt nicht null enthält.
  6. Erfassen Sie den direkten Effekt, den indirekten Effekt, den Gesamteffekt, R2-Werte, angepasste R2-Werte, f2-Effektgrößen, Varianz-Inflationsfaktorwerte des Strukturmodells und Kontrollvariablenpfade im Output des gesperrten Strukturmodells. Interpretiere alle strukturellen Schätzungen als assoziationsbasierte Signalwege und nicht als kausale Effekte.
    HINWEIS: Entfernen Sie keinen vorgegebenen Pfad, da dieser nicht signifikant ist. Das vorgegebene Modell wird beibehalten, sofern kein Kodierungsfehler oder Modellspezifikationsfehler festgestellt wird.

15. Untersuchen Sie psychologische Bedürfnis-Subdimensionen

  1. Ersetzen Sie das globale grundlegende psychologische Bedürfnis-Konstrukt durch Autonomiebedarf, Kompetenzbedarf und Verwandtschaftsbedarf als parallele indirekte Assoziationskonstrukte. Schätzen Sie indirekte Wege von Online-Lernerfahrung zum Lernengagement durch Autonomiebedarf, Kompetenzbedarf und Verwandtschaftsbedarf getrennt.
  2. Verwenden Sie 5.000 Bootstrap-Resamples für jeden Subdimensionspfad. Vergleichen Sie Richtung, Magnitude und Konfidenzintervall jedes subdimensionalen indirekten Weges. Behandle diese Analyse als Sensitivitätsanalyse und nicht als Primärmodell.
    HINWEIS: Interpretieren Sie die Subdimensionssensitivitätsanalyse nicht als neues Primärmodell.

16. Durchführung einer regressionsbasierten Robustheitsanalyse

  1. Exportiere den bereinigten Construct-Score-Datensatz und speichere ihn als ConstructScores_OnlineLearning_BPN_Engagement_YYYYMMDD.csv. Verwenden Sie R 4.4.1, um globale grundlegende psychologische Bedürfnisse in Bezug auf globale Online-Lernerfahrungen, wöchentliche Online-Lernstunden und vorherige Online-Lernerfahrungen zu regressieren.
  2. Regressiere das globale Lernengagement auf globale Online-Lernerfahrungen, globale grundlegende psychologische Bedürfnisse, wöchentliche Online-Lernstunden und frühere Online-Lernerfahrungen. Schätzen Sie den indirekten Weg anhand von 5.000 Bootstrap-Reproben.
  3. Vergleichen Sie den regressionsbasierten indirekten Weg mit dem PLS-SEM-indirekten Weg. Klassifizieren Sie den Weg nur als robust, wenn die Richtung konsistent bleibt und sich die inhaltliche Interpretation nicht ändert. Speichere das R-Skript, die Bootstrap-Einstellungen und die Robustheitsausgabe im Verifizierungsordner.
    PAUSENPUNKT: Beginnen Sie nicht mit der endgültigen Dateisperrung, bevor das Strukturmodell, die Subdimensionsanalyse und die regressionsbasierte Robustheitsanalyse abgeglichen wurden.

17. Umgang mit suboptimalen analytischen Ergebnissen

  1. Wenn Cronbachs Alpha- oder Composite-Zuverlässigkeit unter 0,70 liegt, werden die Gesamtkorrelationen und standardisierte äußere Lasten untersucht. Wenn die durchschnittliche extrahierte Varianz unter 0,50 liegt, inspizieren Sie die erhaltenen Indikatoren und stellen Sie fest, ob ein oder mehrere Indikatoren die konvergente Validität schwächen.
  2. Wenn Heterotrait-Monotrait-Werte die vorgegebene Schwelle überschreiten, sollten Sie die Item-Formulierungen auf semantische Überlappungen zwischen theoretisch nahen Konstrukten prüfen. Entferne ein schwaches Element nur, wenn es statistisch schwach und konzeptionell redundant ist. Theoretisch benachbarte Konstrukte beim Zusammenführen getrennt zu halten, würde die konzeptionelle Klarheit verringern.
  3. Wenn der indirekte Weg nicht unterstützt wird, wird das Ergebnis als nicht gestützte indirekte Assoziation erfasst. Wenn Kontrollvariablen nicht signifikante Assoziationen zeigen, werden die Ergebnisse ohne Überinterpretation aufgezeichnet.
    HINWEIS: Überarbeiten Sie das theoretische Modell nach der Analyse nicht, um eine stärkere Unterstützung zu erzwingen.

18. Lock-Software-Ausgaben und Reproduzierbarkeitsdateien

  1. Erstelle einen finalen institutionellen Verifizierungsordner namens Verification_OnlineLearning_BPN_Engagement_YYYYMMDD.
  2. Speichern Sie das Rohdatensatzarchiv, den bereinigten Datensatz, den Konstrukt-Score-Datensatz, das Codebuch, den Fragebogen, die Element-Quelle-Mapping-Tabelle, das Experten-Review-Protokoll, den Pilottestdatensatz, das Feldarbeitsprotokoll, das Screening-Protokoll, die Ausschlussregeldatei, den Abschlusszeit-Schwellenrekord, Smart-PLS-Ausgaben, R-Skripte, R-Ausgabetabellen, den Software-Versionsdatensatz und das Versionsänderungsprotokoll im Verifikationsordner.
  3. Speichere Smart PLS 4.1 Projektdateien und exportierte Messmodell-, Strukturmodell-, Bootstrap- und Heterotrait-Monotrait-Ausgaben in einem Unterordner namens SmartPLS_Output. Speichere R-Skripte und R-Ausgabetabellen in einem Unterordner namens R_Output. Speichere den Fragebogen, die Element-Quelle-Kartierung, die Variablencodierung und die Bewertungsregeln als Supplementary File 1.
  4. Speichern Sie die endgültige analytische Datensatzverifikation, Screening-Zusammenfassung, fehlende Datendaten, Diagnosen von Common Method Bias, Messmodellergebnisse, Strukturmodellergebnisse, Indirekte Assoziationsergebnisse, Subdimensionsanalyse, regressionsbasierte Robustheitsdatensätze, Softwareeinstellungen und Versionsdatensatz als Supplementary File 2.
  5. Fügen Sie keine direkt identifizierbaren Informationen, ausgeschlossenen Rohdaten oder Teilnehmer-Rohdaten in das Manuskript oder ergänzende Dateien zur Veröffentlichung ein. Sperren Sie den finalen Verifizierungsordner nach der Konsistenzprüfung. Speichere spätere Korrekturen als neue, veraltete Versionen und dokumentiere den Grund im Versionsänderungsprotokoll.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Endgültiger analytischer Datensatz und Teilnehmercharakteristika

Der abschließende analytische Datensatz umfasste 386 Universitätsstudierende. Die formelle Rekrutierung erfolgte vom 18. August 2025 bis zum 26. September 2025 über universitäre Lernplattformen, Kurskommunikationsgruppen, studentische E-Mail-Listen und institutionelle Studentenkanäle. Insgesamt wurden 432 eingereichte Antworten gescreent und 386 Antworten behalten, was einer vali...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Dieses Protokoll bietet einen reproduzierbaren methodischen Workflow zur Bewertung von Assoziationspfaden zwischen Online-Lernerfahrung, grundlegenden psychologischen Bedürfnissen und Lernengagement bei Universitätsstudierenden. Anstatt Online-Lernen als eine einzige Bedingung zu behandeln, trennt das Protokoll die wahrgenommene Lernumgebung in Plattformnutzbarkeit, Unterrichtsunterstützung, Interaktionsqualität und Lernflexibilität. Diese Struktur ermöglicht es Forschern, herauszufinden...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Die Autoren geben an, dass sie keine finanziellen oder persönlichen Beziehungen haben, die die in diesem Artikel berichtete Arbeit beeinflusst haben könnten.

Danksagungen

Wir danken allen teilnehmenden Studierenden aufrichtig für ihre Zeit, Zusammenarbeit und wertvollen Antworten. Wir danken auch dem zuständigen akademischen und administrativen Personal für ihre Unterstützung während des gesamten Umfrageprozesses.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Qualtrics online survey platformQualtricsInstitutional account; version not applicableUsed to administer the anonymous English-language questionnaire, including consent confirmation, eligibility screening, required-response settings, AC1 attention-check item, response-time recording, and data export.
Microsoft Excel for Microsoft 365Microsoft CorporationMicrosoft 365 institutional versionUsed to store the raw exported dataset, cleaned dataset, codebook, screening log, construct-score file, and verification records in .xlsx and .csv formats.
G*PowerHeinrich Heine University DüsseldorfG*Power 3.1.9.7Used for a priori sample-size and power checking before recruitment.
SmartPLSSmartPLS GmbHSmartPLS 4.1 ProfessionalUsed for the primary PLS-SEM workflow, including disjoint two-stage higher-order construct estimation, measurement-model assessment, structural-pathway testing, bootstrapping, R², f², and model-output export.
R statistical softwareR Foundation / CRANR 4.4.1Used for descriptive statistics, Pearson correlations, common method bias diagnostics, and regression-based robustness analysis.
R package: psychCRANpsych 2.4.6Used for descriptive statistics, reliability checks, and psychometric summaries.
R package: bootCRANboot 1.3-30Used for bootstrap-based regression robustness checks.
R package: semPlotCRANsemPlot 1.1.6Used only for optional path-diagram cross-checking when R-based visual verification is needed.
OneDrive for Business or SharePoint version historyMicrosoft CorporationMicrosoft 365 institutional accountUsed to store the verification folder and preserve version history for raw data, cleaned data, codebook, screening log, SmartPLS outputs, R scripts, and supplementary files.
Questionnaire and coding fileAuthor-prepared study fileSupplementary File 1Contains the final questionnaire, item-source mapping, variable names, coding rules, dimension-score formulas, global construct-score formulas, and data-handling rules.
Screening and reproducibility recordAuthor-prepared study fileSupplementary File 2Contains final dataset verification, screening checks, missing-data record, reliability results, common method bias diagnostics, measurement-model output, structural-model output, indirect-association results, sensitivity analysis, robustness record, and final consistency checklist.
Figure-preparation softwareAdobe Illustrator or equivalent vector-editing softwareInstitutional versionUsed to prepare publication-ready workflow and structural-model figures.

Referenzen

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. 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.
  6. 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.
  7. 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.
  8. 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.
  9. 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.
  10. 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.
  11. Hair JF, Hult GTM, Ringle CM, Sarstedt M. A primer on partial least squares structural equation modeling. 3rd ed. Thousand Oaks: Sage Publications; 2022.
  12. 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.
  13. 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.
  14. 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.
  15. 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.
  16. 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.
  17. Meade AW, Craig SB. Identifying careless responses in survey data. Psychol Methods. 2012;17(3):437-455. doi:10.1037/a0028085.
  18. 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.
  19. 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.
  20. 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.
  21. 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.
  22. 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.
  23. 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.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Tags

StrukturgleichungsmodellierungPlattform Usabilityinstruktionelle Unterst tzungInteraktionsqualit tLernflexibilit tBefriedigung psychologischer Bed rfnisse

Dieser Artikel wurde veröffentlicht

Video demnächst verfügbar

Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.