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

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-Lernerfahrung^{der 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 hinausgehen^12,13. Systematische Übersichten zeigen außerdem, dass Verhaltens-, kognitive und emotionale Beteiligung unterschiedlich auf Online-Lernbedingungen^{reagieren können 14}. Repräsentative Ergebnisse werden daher nur verwendet, um das Ergebnis des Protokolls zu demonstrieren, nicht um kausale Effekte aus Querschnittsdaten¹⁵ zu behaupten.

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.

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 für^{r 2}0 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.

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 validen Antwortrate von 89,4 % entspricht. Der gesperrte Datensatz enthielt 33 substanzielle Likert-Größen und ein instruktionsbasiertes Aufmerksamkeitsprüfungsobjekt. Das Aufmerksamkeitsprüfungsitem wurde ausschließlich für das Screening der Antwortqualität verwendet und von der Konstruktbewertung, Zuverlässigkeitsanalyse, Validitätsanalyse, PLS-SEM-Schätzung, indirekter Assoziationsanalyse und regressionsbasierter Robustheitsanalyse ausgeschlossen. Die Endstichprobe umfasste 223 weibliche Studierende, 154 männliche Studierende und neun Teilnehmer, die "lieber nicht sagen" oder eine andere Antwortoption wählten. Es gab 318 Bachelor- und 68 Masterstudierende. Die Verteilung des Studienjahres umfasste 110 Schüler der ersten Klasse, 102 Schüler der zweiten Klasse, 103 Schüler der dritten Klasse und 71 Schüler der vierten Klasse oder höher. Zu den Disziplinen gehörten Betriebswirtschaft und Management, Sozialwissenschaften, Ingenieurwesen und Technologie, Medizin und Gesundheitswissenschaften, Geisteswissenschaften und Kunst sowie Bildung. Das wöchentliche Online-Lernen umfasste weniger als 2 Stunden pro Woche bei 41 Schülern, 2–4 Stunden bei 116 Schülern, 5–7 Stunden bei 137 Schülern, 8–10 Stunden bei 62 Schülern und mehr als 10 Stunden bei 30 Schülern. Frühere Online-Lernerfahrungen umfassten keine bei 38 Schülern, weniger als 6 Monate bei 68 Schülern, 6–12 Monate bei 190 Schülern und mehr als 12 Monate bei 90 Schülern. Wöchentliche Online-Lernstunden und vorherige Online-Lernerfahrungen wurden als vordefinierte Kontrollvariablen beibehalten.

Expertenüberprüfung, Pilotversuche und Fragebogenverifizierung

Die Expertenbewertung wurde von fünf Experten in Pädagogischer Psychologie, Online-Lernen, quantitativer Methodik, Forschung im Hochschulbereich und Umfragedesign durchgeführt. Die Überprüfung identifizierte 13 Formulierungsprobleme, vier Redundanzprobleme und drei Probleme mit der Konstruktausrichtung. Vierzehn Punkte wurden auf Klarheit, kontextbezogene Passung oder Konstruktausrichtung überarbeitet, und kein Punkt wurde vor den Pilottests entfernt. Die Pilottests wurden von 42 Universitätsstudenten durchgeführt, die die Zulassungskriterien für die Hauptstudie erfüllten. Die mittlere Fertigstellungszeit betrug 9,6 Minuten, und die Mindestabschlusszeit wurde auf 3,2 Minuten gesetzt. Die vorläufigen Cronbachschen Alphawerte reichten von 0,721 bis 0,814. Nach dem Pilottest wurde kein Gegenstand entfernt. Der abschließende englischsprachige Fragebogen enthielt 12 Fragen zu Online-Lernerfahrungen, neun Fragen zu grundlegenden psychologischen Bedürfnissen, 12 Fragen zum Lernengagement und eine instruktionsbasierte Aufmerksamkeitsprüfung. Item-Source-Mapping, Variablencodierung und Bewertungsregeln wurden vor der formalen Analyse gesperrt und sind in Supplementary File 1 bereitgestellt.

Reaktionsscreening, Fehlverhalten und Datenqualitätsprüfungen

Nach dem Screening wurden 386 gültige Antworten aus 432 eingereichten Antworten beibehalten. Zu den Ausschlüssen gehörten vier Antworten ohne Einwilligungsbestätigung, 17 Ausschlüsse wegen der Berechtigung, acht doppelte Antworten, sechs Misserfolge bei der Aufmerksamkeitskontrolle, fünf Antworten unterhalb der Schwelle der Abschlusszeit, vier Antworten mit Straightlining und zwei ungelöste Inkonsistenzen bei der Berechtigung. Sechs Langstrangmuster wurden markiert, diese überschnitten sich jedoch mit anderen Ausschlusskategorien und wurden nicht als zusätzliche unabhängige Ausschlusskategorie gezählt. Ausschlüsse wurden im deidentifizierten Screening-Protokoll verzeichnet. Im gesperrten Datensatz wurden keine doppelten Teilnehmercodes gespeichert. In den 33 wesentlichen Likert-Skalen-Elementen, Hintergrundvariablen, Dimension-Score-Variablen oder globalen Konstrukt-Score-Variablen wurden keine fehlenden Werte beobachtet. Es wurde keine Imputation angewandt. Keine aufbewahrte Antwort erfüllte die Line-Line-Regel, keine aufgelöste Antwort zeigte ein langes Muster von 20 oder mehr aufeinanderfolgenden identischen substantiellen Antworten, und es wurde keine ungelöste Inkonsistenz zwischen Online-Lernerfahrung und wöchentlichen Online-Lernstunden beobachtet.

Deskriptive Verteilung und Diagnosen von Common Method Bias

Der globale Wert für Online-Lernerfahrungen lag bei 3,47 ± 0,45. Der globale Score für grundlegende psychologische Bedürfnisse lag bei 3,40 ± 0,49. Der globale Lernengagement lag bei 3,42 ± 0,48. Unterrichtsunterstützung hatte den höchsten Mittelwert unter den Dimensionen der Online-Lernerfahrung, und die Interaktionsqualität den niedrigsten Mittelwert. Der Kompetenzbedarf hatte den höchsten Mittelwert unter den grundlegenden psychologischen Bedarfsdimensionen, der Verwandtschaftsbedarf den niedrigsten Mittelwert. Kognitives Engagement hatte den höchsten Mittelwert unter den Lernmaßen, und emotionales Engagement den niedrigsten Mittelwert. Die Verteilungsprüfungen zeigten keine starken Auswirkungen auf Boden- oder Obergrenzen. Die maximale Punkt-Level-Antwortrate betrug 1,55 % für OLE_PU3. Die maximale Antwortrate auf Item-Ebene betrug 12,95 % für OLE_IS2. Beide Werte lagen unter der vorgegebenen 20%-Schwelle. Diagnosen von Common Method Bias zeigten keine schwerwiegenden Hinweise auf einen dominanten Common Method Factor. Harmans Single-Factor-Test zeigte, dass der erste nicht rotierte Faktor 24,12 % der Gesamtvarianz erklärte. Vollständige Kollinearitätsdiagnostik ergab einen maximalen Varianzinflationsfaktor von 1,527.

Messmodellqualität

Wie in Tabelle 3 gezeigt, reichten Cronbachs Alphawerte von 0,733 für Interaktionsqualität bis 0,801 für kognitives Engagement auf Dimensionsebene. Das globale Online-Lernerfahrungskonstrukt zeigte ein Alpha von 0,878, grundlegende psychologische Bedürfnisse ein Alpha von 0,846 und das Lernengagement ein Alpha von 0,867. Standardisierte äußere Belastungen reichten von 0,704 bis 0,842 über die 33 wesentlichen Gegenstände. Die zusammengesetzten Zuverlässigkeitswerte reichten von 0,849 bis 0,889. Die durchschnittlichen Varianzwerte lagen zwischen 0,653 und 0,702. Das maximale Heterotrait-Monotrait-Verhältnis betrug 0,742. Diese Werte erfüllten die vorgegebenen Messmodellkriterien.

Tabelle 3: Zuverlässigkeit, deskriptive Statistik und Qualität des Messmodells. Diese Tabelle zeigt Cronbachs Alpha, zusammengesetzte Zuverlässigkeit, die extrahierte durchschnittliche Varianz, standardisierte Ladebereiche, Mittelwerte, Standardabweichungen und Retentionsentscheidungen für die Erstordnungsdimensionen und höherordnungigen Konstrukte. Der Aufmerksamkeitsprüfpunkt wurde von der Zuverlässigkeit, Validität und Modellschätzung ausgeschlossen. Der maximale HTMT-Wert unter den Konstrukten erster Ordnung lag bei 0,742, unterhalb der vorgegebenen konservativen Schwelle von 0,85. Die vollständige äußere Ladetabelle und die HTMT-Matrix sind in Supplementary File 2 bereitgestellt. Abkürzungen: AVE = durchschnittliche extrahierte Varianz. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Online-Lernerfahrung korrelierte mit grundlegenden psychologischen Bedürfnissen (r = 0,501) und Lernengagement (r = 0,497). Grundlegende psychologische Bedürfnisse korrelierten mit dem Lernengagement (r = 0,510).

Struktureller Weg und Ergebnisse der indirekten Assoziation

Wie in Abbildung 2 dargestellt, war Online-Lernerfahrung positiv mit grundlegenden psychologischen Bedürfnissen assoziiert (β = 0,501, t = 11,259, S. < 0,001, 95%-KI: 0,414 bis 0,588). Grundlegende psychologische Bedürfnisse waren positiv mit Lernbeteiligung verbunden (β = 0,349, t = 7,256, S. < 0,001, 95%-KI: 0,255 bis 0,444). Online-Lernerfahrung blieb direkt mit dem Lernengagement verbunden (β = 0,324, t = 6,699, S. < 0,001, 95%-KI: 0,229 bis 0,419). Das Modell erklärte 25,1 % der Varianz der grundlegenden psychologischen Bedürfnisse und 33,9 % der Varianz des Lernengagements (Tabelle 4). Die Größe des f2-Effekts für das Online-Lernen auf grundlegende psychologische Bedürfnisse betrug 0,332. Die F2-Effektgrößen für die Online-Lernerfahrung und die grundlegenden psychologischen Bedürfnisse für das Lernengagement betrugen jeweils 0,118 bzw. 0,138.

Abbildung 2: Strukturmodell mit standardisierten, assoziationsbasierten Wegkoeffizienten. Die Abbildung zeigt die standardisierten Pfade zwischen Online-Lernerfahrung, grundlegenden psychologischen Bedürfnissen und Lernengagement, einschließlich des direkten Pfads, des indirekten Pfads, der^R2-Werte und vorgegebener Kontrollvariablen. Alle Wege werden als assoziationsbasierte Schätzungen interpretiert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Tabelle 4: Erklärte Varianz endogener Konstrukte. Diese Tabelle zeigt den Bestimmungskoeffizienten (R²), angepasste^R2-Werte und Prädiktorvariablen für jedes endogene Konstrukt im Strukturmodell. Alle Ergebnisse werden als assoziationsbasierte Schätzungen interpretiert, da die Daten querschnittsbezogen waren. Abkürzungen: OLE_TOTAL = globaler Online-Lernerfahrungspunkt; BPN_TOTAL = globaler Wert für grundlegende psychologische Bedürfnisse; LE_TOTAL = globaler Lernengagement-Score. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Tabelle 5 zeigt, dass wöchentliche Online-Lernstunden nicht signifikant mit grundlegenden psychologischen Bedürfnissen (β = 0,001, p = 0,986) oder Lernengagement (β = −0,020, p = 0,634) verbunden waren.

Tabelle 5: Schätzungen struktureller Wege und Effektgrößen. Diese Tabelle zeigt standardisierte Schätzungen des strukturellen Pfades, entsprechende t-Werte, p-Werte, 95%-Konfidenzintervalle (KI), f-2-Effektgrößen und Wegwegentscheidungen für das hypothetische Modell. Steuerungsvariablenwege werden ebenfalls präsentiert. Alle Signalwege werden als assoziationsbasierte Schätzungen interpretiert, da die Daten Querschnittsdaten waren. Abkürzungen: OLE_TOTAL = globaler Online-Lernerfahrungspunkt; BPN_TOTAL = globaler Wert für grundlegende psychologische Bedürfnisse; LE_TOTAL = globaler Lernengagement-Score; WEEKLY_HOURS = wöchentliche Online-Lernstunden; PRIOR_EXPERIENCE = vorherige Online-Lernerfahrung; CI = Konfidenzintervall. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Frühere Online-Lernerfahrungen waren nicht signifikant mit grundlegenden psychologischen Bedürfnissen (β = −0,005, p = 0,916) oder Lernengagement (β = 0,013, p = 0,754) verbunden. Der indirekte Weg vom Online-Lernen zum Lernengagement durch grundlegende psychologische Bedürfnisse wurde unterstützt. Der indirekte Effekt betrug 0,175, mit einem 95%igen Bootstrap-Konfidenzintervall von 0,124 bis 0,231. Der direkte Effekt der Online-Lernerfahrung auf das Lernengagement betrug 0,324, der Gesamteffekt 0,499 (Tabelle 6). Dieser Weg wurde als assoziationsbasierter indirekter Weg und nicht als kausale Vermittlung interpretiert.

Tabelle 6: Direkte, indirekte und totale Assoziationsschätzungen. Diese Tabelle zeigt die direkte, indirekten (vermittelten) und Gesamtzusammenhänge zwischen Online-Lernerfahrung und Lernengagement, einschließlich Bootstrap-95%-Konfidenzintervalle (KI) und Wegentscheidungen. Alle Effekte werden als assoziationsbasierte Schätzungen interpretiert, da die Daten querschnittsbezogen waren. Abkürzungen: OLE_TOTAL = globaler Online-Lernerfahrungspunkt; BPN_TOTAL = globaler Wert für grundlegende psychologische Bedürfnisse; LE_TOTAL = globaler Lernengagement-Score; CI = Konfidenzintervall. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Psychologische Subdimensionensensitivitätsanalyse und Robustheitsanalyse

Der indirekte Weg durch den Autonomiebedarf wurde unterstützt (indirekter Effekt = 0,087, 95%-KI: 0,049 bis 0,131). Der indirekte Weg durch den Kompetenzbedarf wurde unterstützt und zeigte den größten indirekten Effekt (indirekter Effekt = 0,148, 95%-KI: 0,094 bis 0,205). Auch der Bedarf an indirektem Weg durch Verwandtschaft wurde unterstützt (indirekter Effekt = 0,092, 95%-KI: 0,056 bis 0,132) (Tabelle 7).

Tabelle 7: Sensibilitätsanalyse grundlegender psychologischer Bedarfsunterdimensionen. Diese Tabelle zeigt indirekte Assoziationen durch die Subdimensionen Autonomie, Kompetenz und Verwandtschaft der grundlegenden psychologischen Bedürfnisse, einschließlich Bootstrap-95%-Konfidenzintervalle (KI) und Wegentscheidungen. Alle Effekte werden als assoziationsbasierte Schätzungen interpretiert, da die Daten querschnittsbezogen waren. Abkürzungen: OLE_TOTAL = globaler Online-Lernerfahrungspunkt; LE_TOTAL = globaler Lernengagement-Score; BPN_AU = Autonomiebedarf; BPN_CO = Kompetenzbedarf; BPN_RE = Verwandtschaftsbedarf; CI = Konfidenzintervall. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Die regressionsbasierte Robustheitsanalyse ergab dieselbe substantielle Interpretation wie das primäre PLS-SEM-Modell. Die Online-Lernerfahrung blieb positiv mit grundlegenden psychologischen Bedürfnissen verbunden (β = 0,501, 95%-KI: 0,414 bis 0,588). Die grundlegenden psychologischen Bedürfnisse blieben nach der Anpassung für Online-Lernerfahrung und Kontrollvariablen positiv mit dem Lernengagement verbunden (β = 0,349, 95%-KI: 0,255 bis 0,444). Der regressionsbasierte indirekte Effekt betrug 0,175, mit einem 95%igen Bootstrap-Konfidenzintervall von 0,124 bis 0,231. Da die Daten querschnittsbezogen waren, wurden alle Signalwege als assoziationsbasierte Schätzungen und nicht als kausale Effekte interpretiert (Tabelle 8).

Tabelle 8: Regressionsbasierte Robustheitsanalyse. Diese Tabelle zeigt regressionsbasierte Robustheitsergebnisse für die strukturellen Pfade, einschließlich angepasster direkter und indirekter Assoziationsschätzungen mit Bootstrap-95%-Konfidenzintervallen (KI). Alle Effekte werden als assoziationsbasierte Schätzungen interpretiert, da die Daten querschnittsbezogen waren. Abkürzungen: OLE_TOTAL = globaler Online-Lernerfahrungspunkt; BPN_TOTAL = globaler Wert für grundlegende psychologische Bedürfnisse; LE_TOTAL = globaler Lernengagement-Score; CI = Konfidenzintervall. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Ergänzende Datei 1: Fragebogen, Variablencodierung und Bewertungsregeln. Diese Datei enthält den englischsprachigen Fragebogen, Berechtigungs-Screening-Variablen, Hintergrund-Variablenkodierung, Item-Formulierung, Item-Source-Mapping, Antwortskala, Bewertungsformeln, Variablenwörterbuch, Datenhandhabungsregeln und Konsistenzprüfungen. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Datei 2: Endgültige Verifikation analytischer Datensätze, Analyseeinstellungen und Reproduzierbarkeitsdatensätze. Diese Datei erfasst den gesperrten Analysedatensatz, die Feldarbeitszusammenfassung, die Expertenüberprüfung und die Pilottestaufzeichnungen, die Screening-Zusammenfassung, Prüfungen fehlender Daten, Zuverlässigkeits- und Messmodellausgaben, strukturelle Modellergebnisse, Sensitivitätsanalyse, Robustheitsanalyse und Reproduzierbarkeitscheckliste. Bitte klicken Sie hier, um diese Datei herunterzuladen.

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, welcher Teil des Online-Lernerlebnisses am engsten mit psychologischer Bedarfszufriedenheit und Engagement verbunden ist, anstatt sich nur auf allgemeine Zufriedenheit oder Kursabschlussindikatoren¹⁶ zu verlassen.

Ein zentraler methodischer Beitrag ist die Vorspezifikation von Fragebogenkodierung, Eignungsscreening, Qualitätsprüfungen der Antwort, Konstruktbewertung, Datensatzsperrung und Modelltests. Diese Schritte sind wichtig, da umfragenbasierte Bildungsforschung sensibel für unaufmerksame Antworten, gemusterte Antworten, inkonsistente Zulassungsantworten, fehlende Daten und post-hoc-Ausschlüsse¹⁷. Indem diese Entscheidungen vor die strukturelle Analyse gelegt werden, macht das Protokoll den analytischen Weg reproduzierbar und verringert das Risiko, dass Screening- oder Bewertungsregeln nach Kenntnis der Ergebnisse geändert werden.

Das Protokoll präzisiert außerdem, wie der Assoziationspfad interpretiert werden soll. Online-Lernerfahrung wird als unabhängiges Konstrukt modelliert, grundlegende psychologische Bedürfnisse als indirektes Assoziationskonstrukt und Lernbeteiligung als Ergebniskonstrukt. Diese Struktur basiert theoretisch auf der Selbstbestimmungstheorie, da Autonomie, Kompetenz und Verwandtschaft einen Mechanismus bieten, um zu verstehen, warum einige Online-Lernumgebungen mit stärkerem^{Engagement verbunden} sind. Da das Protokoll jedoch Querschnittsfragen verwendet, muss der Weg als indirekte Assoziation und nicht als kausale Vermittlung interpretiert werden.

Die multidimensionale Behandlung des Lernengagements ist eine weitere Stärke des Protokolls. Verhaltensbezogene, kognitive und emotionale Beteiligung werden getrennt gemessen, bevor sie als globale Beteiligungskonstruktion zusammengefasst werden. Dadurch wird verhindert, dass das Engagement auf Anwesenheit, Aufgabenabschluss^{oder Login-Verhalten} reduziert wird. In der Praxis kann das Protokoll Schüler, die erforderliche Aufgaben erledigen, von Schülern unterscheiden, die kognitiv engagiert, emotional engagiert sind und bereit sind, weiterhin an Online-Lernaktivitäten teilzunehmen.

Das Protokoll ist auch nützlich, um Schwachstellen im Online-Lerndesign zu diagnostizieren. Zum Beispiel kann ein Kurs ausreichenden Plattformzugang bieten, aber dennoch eine geringe Verwandtschaft oder emotionales Engagement zeigen, wenn die Kommunikation verzögert, fragmentiert oder nicht mit einer sinnvollen Lerninteraktion verbunden ist. Diese Unterscheidung entspricht Online-Lernmodellen, die soziale Präsenz, Lehrpräsenz und kognitive Präsenz betonen, anstatt nur die technologische Verfügbarkeit^{zu belegen}. Daher unterstützt das Protokoll gezielte Verbesserung des Plattformdesigns, der Unterstützung durch Lehrkräfte, der Interaktionsstruktur und der psychologischen Bedürfniszufriedenheit.

Mehrere Einschränkungen sollten die Interpretation und zukünftige Nutzung leiten. Erstens stellt das Querschnittsdesign keine zeitliche Ordnung fest, daher sollten keine kausalen Behauptungen^{erhoben werden}. Zweitens werden alle Hauptvariablen selbst berichtet, und gängige Methodendiagnosen können Response-Bias-Bedenken nicht vollständig ausschließen²². Drittens beobachtet das Modell nicht direkt das Verhalten der Dozenten, die Qualität des Kursdesigns, die Plattformanalysen oder institutionelle Unterstützung. Zukünftige Studien können das Protokoll durch longitudinale Messungen, Multigruppenvergleiche, Integration von Lernen und Analytik oder Mixed-Methods-Nachverfolgung erweitern, wobei die gleiche reproduzierbare Screening-, Scoring-, Modelltest- und Verifikationslogik^beibehalten bleibt.

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Qualtrics online survey platform	Qualtrics	Institutional account; version not applicable	Used 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 365	Microsoft Corporation	Microsoft 365 institutional version	Used to store the raw exported dataset, cleaned dataset, codebook, screening log, construct-score file, and verification records in .xlsx and .csv formats.
G*Power	Heinrich Heine University Düsseldorf	G*Power 3.1.9.7	Used for a priori sample-size and power checking before recruitment.
SmartPLS	SmartPLS GmbH	SmartPLS 4.1 Professional	Used 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 software	R Foundation / CRAN	R 4.4.1	Used for descriptive statistics, Pearson correlations, common method bias diagnostics, and regression-based robustness analysis.
R package: psych	CRAN	psych 2.4.6	Used for descriptive statistics, reliability checks, and psychometric summaries.
R package: boot	CRAN	boot 1.3-30	Used for bootstrap-based regression robustness checks.
R package: semPlot	CRAN	semPlot 1.1.6	Used only for optional path-diagram cross-checking when R-based visual verification is needed.
OneDrive for Business or SharePoint version history	Microsoft Corporation	Microsoft 365 institutional account	Used 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 file	Author-prepared study file	Supplementary File 1	Contains the final questionnaire, item-source mapping, variable names, coding rules, dimension-score formulas, global construct-score formulas, and data-handling rules.
Screening and reproducibility record	Author-prepared study file	Supplementary File 2	Contains 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 software	Adobe Illustrator or equivalent vector-editing software	Institutional version	Used to prepare publication-ready workflow and structural-model figures.