Un flujo de trabajo de encuesta reproducible para examinar la resiliencia psicológica, el sentido de pertenencia a la escuela y el pensamiento de orden superior en estudiantes universitarios

Resumen

Este protocolo presenta un flujo de trabajo reproducible de encuestas para la recogida de datos, el cribado de calidad y el análisis moderado de mediación en estudiantes universitarios.

Resumen

Este artículo de método presenta un protocolo de encuesta de autoinforme transversal reproducible para examinar las relaciones entre la resiliencia mental, el sentido de pertenencia a la escuela (SSB), el pensamiento de orden superior y el trastorno del juego en internet (IGD) en estudiantes. En este protocolo, los nuevos patrones de empleo se tratan como un trasfondo contextual moldeado por la inteligencia artificial generativa, el trabajo basado en plataformas y el cambio en las expectativas de habilidades de los graduados, en lugar de como una variable de exposición a nivel de participante. El protocolo integra muestreo institucional, administración de cuestionarios, documentación de traducción, cribado de calidad de respuesta, manejo de datos faltantes, puntuación de escala, cribado de sesgo por método común, centrado variable y análisis condicional de procesos en un único flujo de trabajo estandarizado. SSB se especifica como mediador estadístico, y IGD como moderador dentro de un marco de mediación moderada basada en asociaciones. Los resultados representativos incluyen registros muestrales-flujo, estadística descriptiva, matrices de correlación, estimaciones de mediación y mediación moderada, efectos indirectos condicionales, el índice de mediación moderada y gráficos de interacción. Dado que el conjunto de datos representativo es transversal y autoinformado, el protocolo permite una estimación transparente de asociaciones estadísticas en lugar de inferencias causales o longitudinales. Al estandarizar las decisiones de preprocesamiento y las especificaciones del modelo antes del análisis, este flujo de trabajo mejora la transparencia, la comparabilidad y la reproducibilidad en la investigación educativa y de encuestas conductuales.

Introducción

Nuevos patrones de empleo moldeados por la inteligencia artificial generativa, el trabajo basado en plataformas y la integración ocupacional intersectorial han cambiado la forma en que las universidades discuten la preparación para graduados y el desarrollo^estudiantil. En este artículo, los nuevos patrones de empleo se tratan como una condición contextual de marco más que como una exposición medida a nivel de participante. El protocolo no clasifica a los estudiantes según su participación directa en trabajo en plataformas, trabajos puntuales o empleos mediados por inteligencia artificial. En cambio, este contexto explica por qué el pensamiento de orden superior (HOT), la resiliencia psicológica (PR) y el apoyo escolar son constructos relevantes para estudiantes universitarios que enfrentan transiciones educativas y profesionales cada vez más inciertas. Esta aclaración es necesaria porque el protocolo está diseñado para investigaciones transversales de encuestas conductuales más que para estimar los efectos de una exposición medida según un patrón de empleo.

En este contexto, se espera cada vez más que los graduados resuelvan problemas desconocidos, transfieran conocimientos entre dominios, evalúen la información críticamente y tomen decisiones adaptativas bajo la^{incertidumbre 2}. Las recientes discusiones sobre el mercado laboral y la educación superior también señalan un desajuste persistente entre las expectativas del empleador y la preparación de los graduados, especialmente en comunicación, colaboración, resolución independiente de problemas e^{innovación 3}. Estas demandas han convertido a HOT en un constructo útil de resultados en la investigación educativa y conductual relacionada con la adaptación del estudiante bajo condiciones laborales^{cambiantes 4}.

HOT se refiere a actividades cognitivas avanzadas más allá del recuerdo y la comprensión básica, incluyendo análisis, evaluación, toma de decisiones, resolución de problemas y pensamiento^{creativo 5}. Basándose en la distinción clásica entre cognición de orden inferior y superior, investigaciones previas enfatizan que la HOT implica transformación del conocimiento más que la simple reproducción del conocimiento, y que está estrechamente relacionada con contextos auténticos de problemas, integración de conocimientos previos y flexibilidad^{cognitiva 6}. En entornos de empleo y aprendizaje mediados digitalmente, a menudo se requiere que los estudiantes interpreten información complexa, trabajen con herramientas inteligentes y mantengan autonomía cognitiva cuando la información es abundante pero desigual en^{calidad 7}. Estas condiciones hacen que HOT sea un constructo focal adecuado para un protocolo de investigación conductual reproducible.

La RP está incluida en este protocolo porque está relacionada teórica y empíricamente con el funcionamiento adaptativo de los estudiantes bajo estrés e^{incertidumbre 8}. Aunque las definiciones de PR varían entre perspectivas basadas en resultados, rasgos y procesos, la mayoría de las explicaciones convergen en la idea de que PR refleja la capacidad de autorregularse, recuperarse de dificultades y mantener la adaptación funcional en condiciones^{difíciles 9}. En el protocolo actual, la PR no se considera un determinante causal probado de la HOT. Más bien, se modela como una variable independiente que puede estar estadísticamente asociada con HOT en un conjunto de datos transversal. Esta redacción es coherente con el límite de diseño del estudio y evita implicar un orden temporal que los datos no pueden establecer. Esta asociación es plausible porque los estudiantes con mayor RP pueden ser más capaces de mantener un compromiso orientado a objetivos, un afrontamiento constructivo y un razonamiento adaptativo cuando se enfrentan a presiones académicas y^{laborales 10}. Trabajos empíricos previos han vinculado las relaciones públicas con la resolución de problemas, el pensamiento crítico y la cognición adaptativa, aunque la evidencia directa que relaciona la RP con HOT sigue siendo^{limitada 11}. Por esta razón, el presente artículo utiliza la relación entre PR y HOT como ejemplo representativo de modelado mediante el cual se puede demostrar el protocolo completo de encuesta a análisis.

El sentido de pertenencia a la escuela (SSB) se incorpora como mediador estadístico en el protocolo. Generalmente se define como la experiencia percibida de los estudiantes de ser aceptados, respetados, apoyados y conectados dentro de la comunidad escolar¹². La mayoría de las definiciones enfatizan un vínculo emocional y relacional con la institución, los profesores y los compañeros formados a través de la participación, el reconocimiento y el apoyo¹³. En un contexto laboral cambiante, la SSB es relevante porque los estudiantes a menudo dependen de la orientación universitaria, la interacción entre compañeros y los recursos institucionales para prepararse para futuros académicos y laborales inciertos¹⁴.

Estudios existentes sugieren que la PR está positivamente asociada con la SSB. Los estudiantes con una mejor relación pública pueden ser más propensos a buscar apoyo, mantener un compromiso constructivo y preservar un sentido de conexión con profesores y compañeros cuando se enfrentan al^{estrés 15}. SSB también se ha asociado con la resolución colaborativa de problemas, el pensamiento crítico, la creatividad y una mayor implicación en actividades de aprendizaje¹⁶. Sobre esta base, el protocolo actual especifica la SSB como mediador estadístico entre PR y HOT. Esta especificación debe interpretarse como un modelo de mediación basado en asociaciones adecuado para datos transversales de encuestas, más que como evidencia de que la PR causa temporalmente la SSB o que la SSB produce causalmente la HOT.

El trastorno por juegos en Internet (IGD) se incluye como moderador porque el comportamiento digital puede influir en la fuerza de las asociaciones entre PR, SSB y HOT. IGD se refiere a comportamientos persistentes y recurrentes de juego asociados con deterioro clínicamente significativo y ha recibido cada vez más atención en poblaciones estudiantiles con exposición digital^{intensiva 17}. Estudios previos han relacionado el juego problemático con rutinas alteradas, disminución de la calidad del sueño, menor apoyo social, menor capacidad de afrontamiento y menor implicación académica¹⁸. Estos hallazgos apoyan la idea de que niveles más altos de síntomas de la IGD pueden debilitar el funcionamiento educativo adaptativo y psicosocial.

Al mismo tiempo, el comportamiento relacionado con los videojuegos no debe interpretarse de forma simplista. Algunos entornos de juego implican toma de decisiones estratégicas, aprendizaje basado en retroalimentación y desafío cognitivo, pero estas características no significan que IGD en sí sea^{beneficioso 19}. En el protocolo actual, IGD se trata únicamente como moderador estadístico de los patrones de asociación. Cualquier interacción que involucre la IGD se interpreta cautelosamente como una asociación condicional dentro del conjunto de datos representativo, más que como evidencia clínica de que el trastorno del juego mejora la cognición o fortalece el funcionamiento escolar.

A pesar del creciente interés en las relaciones públicas, SSB, HOT y el comportamiento digital estudiantil, persiste una brecha metodológica. Muchos estudios informan de asociaciones entre estos constructos, pero pocos ofrecen un protocolo transparente y reproducible que vincule el reclutamiento de participantes, la administración de encuestas, la documentación de traducción, el cribado de respuestas inválidas, el manejo de datos faltantes, la puntuación de escala, el cribado de fiabilidad, el cribado de sesgo por método común, el centrado variable y el análisis condicional de procesos dentro de un único marco auditable. Esta brecha es especialmente relevante para la investigación educativa y de encuestas conductuales, donde los resultados pueden ser difíciles de reproducir si las reglas de preprocesamiento y las decisiones del modelo solo se reportan parcialmente.

Para abordar esta carencia, el presente artículo de método proporciona un protocolo reproducible para realizar una encuesta de autoinforme transversal y generar resultados representativos de mediación moderada. El protocolo utiliza PR, SSB, HOT e IGD como ejemplo aplicado, pero su contribución principal es metodológica más que causal. El protocolo demuestra cómo construir un marco de muestreo, administrar un cuestionario estandarizado, traducir documentos y tomar decisiones de puntuación, aplicar reglas de selección predefinidas, preparar un conjunto de datos listo para análisis y estimar los Modelos 4 y 59 de procesos condicionales utilizando reglas fijas de reporte. En comparación con enfoques menos estandarizados de análisis de encuestas, este protocolo mejora la transparencia, comparabilidad, reproducibilidad y auditabilidad al documentar las decisiones de preprocesamiento y las especificaciones del modelo antes de su interpretación. Al presentar estos pasos como un procedimiento unificado, el artículo proporciona a los investigadores un marco reproducible para la investigación educativa y conductual sobre la adaptación de estudiantes universitarios y el desarrollo de HOT.

Protocolo

Este estudio fue aprobado por el Comité de Ética del Colegio Vocacional y Técnico de Liuzhou (código de protocolo: LVTC-2024-02-879; fecha de aprobación: 1 de febrero de 2024). Obtén el consentimiento informado electrónico antes de acceder al cuestionario. Elimina los identificadores directos antes de la exportación y análisis de datos. Almacena archivos en bruto, limpios, listos para análisis, puntuación, cribado y salida en carpetas de acceso restringido.

1. Reclutar participantes utilizando un flujo de trabajo de muestreo aleatorio multietapa predefinido

1. Construir y fijar el marco de muestreo institucional
   1. Definir los nuevos patrones de empleo como el contexto del estudio en lugar de una exposición medida a nivel de participante.
   2. Identificar las instituciones candidatas a través de registros públicos de educación, sitios web universitarios, avisos de reforma docente, documentos de orientación laboral y anuncios de currículo o formación.
   3. Incluir instituciones reconocidas como instituciones de educación superior en China continental, matricular a estudiantes universitarios a tiempo completo, mantener registros verificables de formación relacionada con inteligencia artificial, aprendizaje digital, preparación profesional, innovación o HOT, proporcionar acceso a muestreo basado en listas y aceptar el procedimiento estandarizado de encuestas anónimas en línea.
   4. Excluye las instituciones que no tengan registros de formación verificables, plantillas actuales, matrícula activa de estudiantes durante el periodo de la encuesta o la capacidad de seguir el mismo protocolo de administración.
   5. Conservar 32 instituciones elegibles y asignar códigos de institución desde I-01 hasta I-32.
   6. Bloquea el marco de muestreo institucional antes de la selección aleatoria. Utilizar un marco de muestreo predefinido y una regla de selección fija para reducir las decisiones de muestreo post hoc en la investigación de encuestas^{multisitio 20}.
2. Realizar selección aleatoria a nivel institucional y estudiantil
   1. Utiliza un procedimiento de número aleatorio basado en semillas para la selección a nivel institucional.
   2. Pon la semilla aleatoria en 20241007.
   3. Genera números aleatorios para las 32 instituciones elegibles, ordena los valores en orden ascendente y selecciona los tres primeros códigos de institución. Selecciona los códigos de institución I-07, I-18 e I-29.
   4. Obtén las listas actuales de las clases de las tres instituciones seleccionadas y verifica la matrícula activa entre el 7 de octubre de 2024 y el 15 de noviembre de 2024.
   5. Incluye a estudiantes a tiempo completo de entre 18 y 25 años que puedan leer chino, figurar en la lista institucional, acceder al cuestionario en línea y proporcionar consentimiento informado electrónico.
   6. Excluye a los estudiantes menores de 18 años, que no estén matriculados activamente, que estén en intercambio o permiso, que no puedan completar el cuestionario chino de forma independiente, que hayan participado en la prueba piloto, que hayan rechazado su consentimiento o que hayan enviado cuestionarios duplicados o inválidos.
   7. Estratifica la lista de estudiantes por institución y selecciona aleatoriamente a los estudiantes dentro de cada institución usando el mismo procedimiento basado en semillas.
   8. Invita a 860 estudiantes, incluidos 286 de I-07, 287 estudiantes de I-18 y 287 estudiantes de I-29.
      NOTA: Mantener los procedimientos de selección a nivel institucional y estudiantil fijos tras la aleatorización. Realiza cualquier reemplazo usando el mismo procedimiento basado en semilla.
3. Definir la ventana de recogida y finalizar la muestra analítica
   1. Recopila datos desde el 7 de octubre de 2024 hasta el 15 de noviembre de 2024.
   2. Distribuye el cuestionario a los 860 estudiantes invitados a través de orientadores aprobados por la institución utilizando el mismo guion escrito.
   3. Registrar el flujo de respuestas como 860 estudiantes invitados, 800 cuestionarios devueltos, 60 no respuestas, 24 respuestas inválidas excluidas y 776 casos retenidos. Registrar una tasa de respuesta global del 93,0%.
   4. Registrar el flujo a nivel institucional de la siguiente manera: I-07, 267 cuestionarios devueltos, 8 respuestas excluidas y 259 casos retenidos; I-18, 266 cuestionarios devueltos, 7 respuestas excluidas y 259 casos retenidos; y I-29, 267 cuestionarios devueltos, 9 respuestas excluidas y 258 casos retenidos.
   5. Aplica la jerarquía de exclusión en el siguiente orden: respuesta duplicada, inconsistencia en la elegibilidad, tiempo de finalización, respuesta en línea recta y respuesta con patrón repetido.
   6. Excluye respuestas que cumplan cualquiera de los siguientes criterios: envío duplicado, inconsistencia en la elegibilidad, tiempo de finalización de <360 s, la misma opción seleccionada para el ≥85% de los ítems de Likert, o un patrón alterno repetido en ≥15 ítems consecutivos de Likert. No uses un producto que te llame la atención.
   7. Excluye 24 respuestas inválidas, incluyendo 3 respuestas duplicadas, 3 inconsistencias en la elegibilidad, 7 exclusiones en tiempo de finalización, 9 respuestas lineales y 2 respuestas de patrón repetido.
   8. Conservar 776 casos válidos. Registrar una muestra final compuesta por 219 hombres (28,2%) y 557 mujeres (71,8%) de entre 19 y 25 años.
      NOTA: Utilice el flujo de muestra corregida de forma consistente a lo largo del manuscrito: 860 estudiantes invitados, 800 cuestionarios devueltos, 24 respuestas excluidas y 776 casos retenidos.

2. Administrar el cuestionario mediante un procedimiento estandarizado en línea

1. Elabora el cuestionario y documenta la adaptación del lenguaje
   1. Reúne cinco secciones de cuestionarios: demografía, PR, HOT, SSB y síntomas de IGD.
   2. Utiliza 75 ítems de escala puntuados, incluyendo 25 ítems PR, 23 HOT, 18 ítems SSB y 9 IGD.
   3. Coloque el formulario electrónico de consentimiento informado antes de todos los ítems de la encuesta y solicite el consentimiento de los participantes antes de acceder al cuestionario. Utiliza el consentimiento electrónico y las respuestas en línea desidentificadas para proteger la autonomía y privacidad de los participantes en la investigación de encuestas^{conductuales 21}.
   4. Utiliza respuestas forzadas para todos los ítems de escala y variables demográficas analíticas.
   5. Traduce escalas de origen inglés utilizando traducción hacia adelante, conciliación, retrotraducción, revisión experta y comprobación piloto. Aplicar procedimientos estándar de adaptación de instrumentos interculturales para preservar la equivalencia semántica y^{conceptual 22}.
   6. Utiliza dos traductores bilingües hacia adelante, un traductor independiente hacia atrás y al menos tres revisores expertos durante la adaptación al cuestionario.
   7. Realiza una comprobación piloto con 30 estudiantes que no estén incluidos en la muestra analítica final.
   8. Documenta la fuente del ítem, la redacción original, la traducción hacia adelante, la traducción retroactiva, la redacción final en chino y la justificación de la revisión en la Tabla Suplementaria 1.
   9. Bloquea el cuestionario antes de la administración.
      NOTA: No cambies la redacción del ítem después del bloqueo del cuestionario.
2. Estandarizar el flujo de trabajo administrativo entre las instituciones
   1. Forma a los consejeros usando el mismo guion administrativo escrito.
   2. Indica que la participación es voluntaria, anónima, no relacionada con las calificaciones o la evaluación, y puede ser rechazada sin penalización.
   3. Administrar el cuestionario online durante las reuniones de clase sin que el orientador interprete el contenido de los ítems.
   4. Evitar que los orientadores vean las respuestas individuales de los participantes.
   5. Registrar la fecha de administración, el código de la institución, el contexto de la clase, el identificador del consejero, el recuento de invitaciones, el recuento devuelto, la duración de la sesión y las desviaciones del protocolo.
      NOTA: Utilice el mismo procedimiento de consentimiento, declaración de anonimato, guion de administración e instrucciones de respuesta en todas las instituciones participantes.

3. Puntuar los instrumentos de medición usando un marco de puntuación bloqueado

1. Puntua la Escala de Resiliencia Psicológica
   1. Utiliza la Escala de Resiliencia Psicológica de 25 ítems revisada por Hu y Gan basándose en el marco^{Connor-Davidson 23}.
   2. Puntua todos los ítems usando una escala de Likert de 5 puntos y calcula la puntuación media. Interpreta las puntuaciones más altas como un mejor récord personal.
   3. Registrar consistencia interna como alfa de Cronbach = 0,958.
2. Puntua la Escala de Pensamiento de Orden Superior
   1. Utiliza la Escala de Pensamiento de Orden Superior de 23 ítems desarrollada por Hwang y sus^{colegas 24}.
   2. Puntua todos los ítems usando una escala de Likert de 5 puntos y calcula la puntuación media. Interpreta las puntuaciones más altas como un HOT más alto.
   3. Registrar consistencia interna como alfa de Cronbach = 0,973.
3. Puntua la escala de pertenencia al colegio
   1. Utiliza la escala de 18 ítems del Sentido Psicológico de Membresía Escolar de China, revisada por Pan y colegas basándose en el marco original de Goodenow para la membresía^{escolar 25}.
   2. Puntuación inversa de los ítems 3, 6, 9, 12 y 16 usando la siguiente regla de conversión: 1 = 5, 2 = 4, 3 = 3, 4 = 2 y 5 = 1.
   3. Calcula la puntuación media tras la codificación inversa. Interpreta las puntuaciones más altas como un SSB más alto.
   4. Récorda consistencia interna como alfa de Cronbach = 0,838.
4. Puntua la Escala de Trastorno de Juegos en Internet
   1. Utiliza la Escala de Trastorno de Juegos por Internet de 9 ítems, alineada con los criterios²⁶ del DSM-5.
   2. Puntua todos los ítems usando una escala de Likert de 5 puntos y calcula la puntuación media. Interpreta las puntuaciones más altas como síntomas más altos de IGD auto-reportados.
   3. Trata la IGD como una puntuación continua de síntomas en lugar de como un diagnóstico clínico.
   4. Récorda consistencia interna como alfa de Cronbach = 0,941.
5. Asegura y audita las decisiones de puntuación
   1. Usa las puntuaciones medias para las cuatro variables: PR, HOT, SSB e IGD.
   2. Utiliza las mismas abreviaturas de forma constante a lo largo del protocolo y el flujo de análisis: PR, HOT, SSB e IGD.
   3. Registra el recuento de ítems, el rango de respuestas, los ítems codificados inversamente, la dirección de la puntuación, la regla de cálculo, la codificación demográfica y los valores de fiabilidad en la Tabla Suplementaria 2.
      NOTA: Puntuar inversamente los ítems SSB antes de calcular estadísticas descriptivas, correlaciones, estimaciones de fiabilidad o modelos de procesos condicionales.

4. Limpiar el conjunto de datos y crear un archivo listo para análisis

1. Exportar y versionar los archivos de datos
   1. Exporta el archivo del cuestionario en bruto tras el cierre de la encuesta.
   2. Mantén el archivo del cuestionario en formato de solo lectura.
   3. Crea un archivo de trabajo separado para los procedimientos de selección, limpieza, recodificación y puntuación.
   4. Crear el conjunto de datos final listo para análisis tras aplicar exclusiones, codificación inversa, cálculo de puntuación, codificación demográfica y centrado de variables.
2. Aplica el control de datos perdidos y de calidad de respuesta
   1. Verifica la falta a nivel de ítem en el conjunto de datos enviado. No se registran valores faltantes a nivel de ítem porque se usaron respuestas forzadas durante la administración del cuestionario.
   2. No introduzcas datos perdidos. El registro 0 excluyó casos por falta de datos de escala y 0 valores imputados de escala.
   3. Aplicar el cribado de calidad de respuesta a los 800 cuestionarios devueltos utilizando los criterios de exclusión definidos en el Paso 1.3.
   4. Excluye 24 respuestas inválidas y conserva 776 casos válidos para análisis.
      NOTA: Utilizar el flujo de muestra corregido de forma consistente a lo largo del protocolo y de todos los resultados representativos: 860 estudiantes invitados, 800 cuestionarios devueltos, 24 respuestas excluidas y 776 casos retenidos.
3. Verificar codificación, recodificación y preparación para el análisis inferencial
   1. Verifica la codificación inversa para los elementos SSB 3, 6, 9, 12 y 16 antes de calcular la puntuación.
   2. Codifica género como 0 = masculino y 1 = femenino.
   3. La edad del código es la siguiente: 1 = 19 años, 2 = 20 años, 3 = 21 años, 4 = 22 años, 5 = 23 años, 6 = 24 años y 7 = 25 años.
   4. Utiliza las variables puntuadas PR_mean, HOT_mean, SSB_mean y IGD_mean para prepararte para el análisis.
   5. Utiliza las variables centradas PR_c, SSB_c y IGD_c para análisis de interacción.
      NOTA: Completar los procedimientos de exclusión, codificación inversa, codificación demográfica, cálculo de puntuación y centrado de variables antes del análisis inferencial.

5. Realizar los análisis estadísticos utilizando un flujo de trabajo predefinido

1. Grabar y bloquear el entorno de análisis
   1. Utiliza un entorno estadístico que soporte regresión, mediación bootstrapped, mediación moderada y sondeo de interacción.
   2. Utiliza una macro, paquete o procedimiento basado en sintaxis documentado para análisis condicional de procesos capaz de estimar modelos de mediación y moderación.
   3. Utiliza el Modelo 4 para mediación y el Modelo 59 para la mediación moderada. Aplicar el análisis condicional de procesos para estimar la mediación, moderación y mediación moderada en modelos basados en^{regresión 27}.
   4. Establezca la estimación bootstrap a 5.000 remuestreos corregidos por sesgo con intervalos de confianza del 95%. Utiliza intervalos de confianza bootstrap para la estimación de efectos indirectos porque la distribución muestral de los efectos indirectos suele ser no normal²⁸.
   5. Variables continuas-centro focal media-centro antes de construir términos de interacción: PR_c = PR_mean − media(PR_mean), SSB_c = SSB_mean − media(SSB_mean), y IGD_c = IGD_mean − media(IGD_mean).
   6. Usa PR_c × IGD_c para los caminos moderados PR → SSB y PR → HOT. Usa SSB_c × IGD_c para el SSB moderado → el camino HOT.
   7. Define IGD bajo, medio y alto como media − 1 DS, media y media + 1 DS.
   8. Introduce edad y género como covariables usando el esquema de codificación bloqueado.
   9. Utiliza la misma escala de coeficientes, regla del intervalo de confianza, regla de centrado, codificación de covariables y numeración de modelos en todos los análisis.
      NOTA: Utilice el Modelo 59, no el Modelo 1, para el análisis de mediación moderada.
2. Cribado del sesgo común por método
   1. Utiliza los ítems puntuados 75 de la escala de PR, HOT, SSB e IGD para el cribado de sesgo por método común.
   2. Realizar la prueba de un solo factor de Harman utilizando análisis factorial exploratorio no rotado.
   3. Anotar el número de factores con valores propios mayores que 1, la varianza acumulada explicada y la varianza explicada por el primer factor no rotado.
   4. En el conjunto de datos representativo, se registran nueve factores con valores propios mayores que 1, con una varianza acumulada explicada del 65,322% y varianza del primer factor explicada del 32,412%.
   5. Trate la prueba de un solo factor de Harman como un procedimiento preliminar de cribado en lugar de como una prueba definitiva para eliminar el sesgo común del método. Interpreta la prueba de Harman con cautela porque no es suficiente por sí sola para descartar el sesgo de medición de la misma^{fuente 29}.
   6. Revise la matriz de correlación interconstructa y los diagnósticos de colinealidad como comprobaciones complementarias para detectar varianza compartida excesiva.
   7. Interpreta el cribado basado en el sesgo de método común a la luz del diseño de autoinforme transversal.
      NOTA: Interpreta con cautela el cribado por sesgo de método común porque todas las variables principales se autoinforman y miden en un solo momento.
3. Generar estadísticas descriptivas y correlaciones
   1. Calcula medias y desviaciones estándar para PR, HOT, SSB e IGD utilizando el conjunto de datos final listo para el análisis.
   2. Genera estadísticas descriptivas por código de género y edad utilizando las reglas de codificación bloqueadas.
   3. Calcular las correlaciones de Pearson entre PR, HOT, SSB e IGD.
   4. Resume las características de la muestra y la estadística descriptiva utilizando la muestra analítica final.
   5. Resume la matriz de correlación de Pearson para las cuatro variables principales.
   6. Confirme que las estadísticas descriptivas y las correlaciones se basan en la muestra analítica final de n = 776.
   7. Aplicar la misma codificación de género y edad que se utiliza en el Protocolo y la Tabla Suplementaria 2.
      NOTA: Utilice el mismo conjunto de datos final, direcciones de puntuación y reglas de codificación demográfica para todos los resultados descriptivos y de correlación.
4. Ejecutar el modelo de mediación
   1. Especifica el Modelo 4 en el procedimiento de proceso condicional.
   2. Establece PR como variable independiente, SSB como mediador y HOT como variable dependiente.
   3. Introduce la edad y el género como covariables.
   4. Utiliza 5.000 remuestreos bootstrap corregidos por sesgo con intervalos de confianza del 95%.
   5. Ejecuta el modelo usando el conjunto de datos listo para el análisis final de n = 776.
   6. Extrae el coeficiente, el error estándar, el valor t, el valor p, el intervalo de confianza y el resumen del modelo para las ecuaciones SSB y HOT.
   7. Extrae el efecto total, efecto directo, efecto indirecto, error estándar de arranque y intervalo de confianza de arranque.
   8. Interpreta el resultado de la mediación como mediación estadística dentro de un modelo de asociación transversal. No interpretes la mediación transversal como evidencia de orden temporal o transmisión^{causal 30}.
      NOTA: Utiliza B para coeficientes no estandarizados y β solo para coeficientes estandarizados.
5. Ejecuta el modelo de mediación moderada
   1. Especifica el Modelo 59 en el procedimiento de proceso condicional.
   2. Establece PR como variable independiente, SSB como mediador, HOT como variable dependiente e IGD como moderador.
   3. Introduce la edad y el género como covariables.
   4. Utiliza las variables centradas y los términos de interacción definidos en el Paso 5.1.
   5. Utiliza 5.000 remuestreos bootstrap corregidos por sesgo con intervalos de confianza del 95%.
   6. Ejecuta el modelo usando el conjunto de datos listo para el análisis final de n = 776.
   7. Extrae el coeficiente de interacción para PR × IGD que predice SSB.
   8. Extrae el coeficiente de interacción para PR × IGD que predice HOT.
   9. Extrae el coeficiente de interacción para SSB × IGD que predice HOT.
   10. Extraer efectos condicionales en niveles bajos, medios y altos de IGD, definidos como media − 1 DS, media y media + 1 DS.
   11. Extraer los efectos indirectos condicionales de PR sobre HOT a través de SSB en niveles bajos, medios y altos de IGD.
   12. Extraer el índice de mediación moderada y su intervalo de confianza bootstrap.
   13. Genera gráficos de pendiente simple usando los mismos valores IGD bajos, medios y altos usados para los efectos condicionales.
       NOTA: Utilice el Modelo 59, no el Modelo 1, para el análisis de mediación moderada.
6. Aplicar reglas de decisión inferencial consistentes
   1. Utiliza el mismo conjunto de abreviaturas a lo largo del análisis: PR, HOT, SSB e IGD.
   2. Utiliza el Modelo 4 para mediación y el Modelo 59 para la mediación moderada.
   3. Informa los coeficientes no estandarizados como B y los estandarizados como β solo cuando se generan estimaciones estandarizadas.
   4. Utiliza intervalos de confianza del 95% como regla de decisión para efectos indirectos bootstrap, efectos indirectos condicionales y el índice de mediación moderada.
   5. Trate un efecto como respaldado estadísticamente cuando el intervalo de confianza relevante del 95% no incluye cero.
   6. Informa los valores exactos de p cuando estén disponibles, excepto los valores inferiores a 0,001, que se reportan como p < 0,001.
   7. Aplica un formato de un decimal de forma consistente a todas las salidas estadísticas.
      NOTA: Mantén el tamaño de la muestra, la regla de centrado, la notación de coeficientes, el número de modelo y la regla del intervalo de confianza consistentes en todos los análisis.

Resultados

Características de la muestra y patrones preliminares de variables
El flujo de trabajo generó con éxito un registro completo de flujo muestral antes de la modelización estadística. Como se muestra en la Tabla 1, se invitó a un total de 860 estudiantes durante la ventana de recogida de datos predefinida, y se devolvieron 800 cuestionarios, con una tasa de respuesta global del 93,0%. Tras el cribado de calidad de respuesta, se excluyeron 24 respuestas i...

Discusión

Este artículo de método presenta un flujo de trabajo reproducible de encuesta a análisis para examinar la mediación basada en la asociación y los patrones de mediación moderada entre síntomas de PR, SSB, HOT e IGD en estudiantes universitarios. La contribución principal del flujo de trabajo es metodológica más que causal, porque el protocolo demuestra cómo se puede recopilar, filtrar, puntuar, documentar y analizar un conjunto de datos transversal de autoinforme mediante una secuencia tr...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Instituciones; códigos I-01 a I-32	Equipo de estudio	N/A	Se bloquea antes de la selección aleatoria y se usa para la aleatorización a nivel de institución.
Registro de cribado institucional	Equipo de estudio	N/A	Criterios de elegibilidad institucional documentados, documentos fuente, decisiones de elegibilidad y códigos institucionales.
Escala de Trastorno por Juegos en Internet	Lemmens, Valkenburg y Gentile (2015), La Escala de Trastornos del Juego en Internet, Psychological Assessment, 27(2), 567–582. doi:10.1037/pas0000062	N/A	Escala de 9 ítems alineada con los criterios del DSM-5 y utilizada como una medida continua de síntomas de la IGD autoinformada en lugar de como diagnóstico clínico.
Salida del modelo de mediación	Equipo de estudio	Salida del Modelo 4	Salida para el modelo de mediación con PR como X, SSB como M y HOT como Y.
Salida del modelo de mediación moderada	Equipo de estudio	Salida del Modelo 59	Resultados para el modelo de mediación moderada con IGD moderando la PR y rarr; SSB, PR y rarr; HOT, y SSB & rarr; Caminos CALIENTES.
Plataforma de cuestionarios en línea	Wenjuanxing / Estrella de Cuestionario	N/A	Plataforma de encuestas web utilizada para el consentimiento informado electrónico, administración de cuestionarios en línea, ajustes de respuesta forzada y exportación de datos de encuestas.
Récord de prueba de piloto	Equipo de estudio	N/A	Registro piloto de 30 estudiantes utilizado para evaluar la claridad de los ítems, la comprensión, la carga de finalización y el funcionamiento de la plataforma. Los participantes piloto no fueron incluidos en la muestra analítica final.
Escala de Resiliencia Psicológica	Revisión de Hu y Gan basada en el marco de Connor-Davidson	N/A	Escala de 25 ítems utilizada para medir la resiliencia psicológica. Las respuestas se puntuaron en una escala de Likert de 5 puntos y se calcularon como medias de puntuación.
Escala de Sentido Psicológico de Membresía Escolar	Versión revisada china basada en Goodenow' Marco de membresía escolar	N/A	Escala de 18 ítems utilizada para medir la pertenencia a la escuela. Los ítems 3, 6, 9, 12 y 16 se puntuaron inversamente antes del cálculo de la puntuación media.
Procedimiento de aleatorización	Equipo de estudio	Semilla aleatoria: 20241007	Se utiliza para selección aleatoria a nivel institucional y estudiantil mediante un procedimiento de número aleatorio basado en semilla.
Conjunto de datos de encuestas en bruto	Equipo de estudio	Raw_Survey_NEP_2024_800returned_locked.xlsx	Conjunto de datos exportado en bruto que contiene 800 cuestionarios devueltos antes de la exclusión por calidad de respuesta.
Registro de cribado de calidad de respuesta	Equipo de estudio	N/A	Documentaron 24 respuestas excluidas, incluyendo respuestas duplicadas, inconsistencias en la elegibilidad, exclusiones en tiempos de finalización, respuestas lineales y respuestas de patrón repetido.
Reglas de selección de calidad de respuesta	Equipo de estudio	N/A	Los criterios de exclusión incluyeron envío duplicado, inconsistencia en la elegibilidad, tiempo de finalización y lt; 360 s, misma opción seleccionada para ≥ 85% de los ítems de Likert, y patrones alternos repetidos a lo largo de ≥ 15 ítems consecutivos de Likert.
Salida de fiabilidad de escala	Equipo de estudio	N/A	Reporte de resultados Cronbach' valores alfa de s para PR, HOT, SSB e IGD.
Archivo de referencia de puntuación y codificación	Equipo de estudio	Tabla Suplementaria 2	Documenta el recuento de ítems, el rango de respuestas, los ítems codificados inversamente, la dirección de la puntuación, el cálculo de la puntuación media, la codificación demográfica y los valores de fiabilidad.
Registro de administración de sesiones	Equipo de estudio	N/A	Fecha registrada de la administración, código de la institución, contexto de la clase, identificador del consejero, recuento de invitaciones, recuento devuelto, duración de la sesión y desviaciones.
Software estadístico	IBM Corp.	IBM SPSS Statistics, versión 27.0	Utilizado para estadística descriptiva, correlaciones, análisis de fiabilidad, análisis factorial exploratorio, regresión, mediación y análisis de mediación moderada.
Registro de aleatorización de estudiantes	Equipo de estudio	Semilla aleatoria: 20241007	Selección aleatoria estratificada documentada a nivel estudiantil dentro de las tres instituciones seleccionadas.
Tabla Suplementaria 1	Equipo de estudio	Registro de traducción y adaptación	Fuente del artículo del documento, redacción original, traducción a adelante, traducción inversa, redacción final en chino, revisión de expertos, retroalimentación del piloto y justificación de la revisión.
Tabla Suplementaria 2	Equipo de estudio	Reglas de puntuación y codificación	Reglas de puntuación de documentos, codificación inversa, codificación demográfica, abreviaturas de variables y valores de fiabilidad.
Registro de traducción y adaptación	Equipo de estudio	Tabla Suplementaria 1	Traducción hacia adelante, conciliación, retroescritura, revisión de expertos, revisión de pilotos y redacción final en chino.
Sistema operativo Windows	Microsoft Corp.	Windows 11 Pro, 64 bits	Sistema operativo utilizado para análisis estadísticos y generación de salidas.