Un flujo de trabajo estructurado para el cribado, la calificación y la visualización de datos de cuestionarios sobre el bienestar de estudiantes universitarios

Haonan Ye; Jincheng Ji; Yaxi Yuan; Xiaoyu Song; Jiangbo Li

doi:10.3791/72304

Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de método

Un flujo de trabajo estructurado para el cribado, la calificación y la visualización de datos de cuestionarios sobre el bienestar de estudiantes universitarios

109 visualizaciones

⸱

DOI:

10.3791/72304

⸱

3 de septiembre de 2026

Haonan Ye¹ , Jincheng Ji² , Yaxi Yuan³ , Xiaoyu Song⁴ , Jiangbo Li⁴

¹Graduate School of Education, University of Pennsylvania, ²Suryadhep Teachers College, Rangsit University, ³School of Education, Xizang University, ⁴College of Aeronautics, Guizhou Open University

En este artículo

Resumen

Este protocolo demuestra un flujo de trabajo estructurado y verificable para procesar datos anónimos de cuestionarios sobre el bienestar de estudiantes universitarios, desde la exportación inicial y el filtrado de respuestas hasta la puntuación de escalas, comprobación de fiabilidad, diagnósticos de regresión, verificación de fuentes de figuras y salidas analíticas listas para su visualización.

Resumen

Los estudios basados en cuestionarios se utilizan ampliamente para examinar el bienestar estudiantil, pero la ruta procedural desde las respuestas crudas hasta variables analizables, tablas estadísticas y salidas visuales a menudo queda insuficientemente documentada. Este protocolo demuestra un flujo de trabajo estructurado y verificable para procesar datos anónimos de cuestionarios sobre el bienestar de estudiantes universitarios, recolectados mediante múltiples secciones con escalas tipo Likert. El flujo de trabajo comienza con la aprobación ética, la documentación del consentimiento, la configuración del cuestionario y la exportación de datos crudos, y continúa con la revisión de respuestas, evaluación de respuestas duplicadas, manejo de datos faltantes, codificación de ítems, puntuación inversa, evaluación de confiabilidad, análisis descriptivo, análisis de correlación, comparación contrastiva entre grupos, modelado de regresión, verificación diagnóstica y preparación de fuentes para visualizaciones. El cuestionario de ejemplo utiliza secciones de escalas documentadas en fuentes originales y adaptadas al estudio, basadas en las Escalas de Depresión Ansiedad y Estrés-21, la Escala de Procrastinación de Tuckman, la Escala de Sentido Psicológico de Pertenencia Escolar, literatura sobre medición del pensamiento de orden superior y documentación de escalas de bienestar subjetivo. Emoción negativa, procrastinación académica, sentido de pertenencia escolar, pensamiento de orden superior y bienestar subjetivo se utilizan como variables a nivel de escala para mostrar cómo las respuestas a nivel de ítem pueden convertirse en salidas analíticas rastreables. Los resultados representativos incluyen una tabla de flujo de cribado, resumen demográfico, estadísticas descriptivas y de verificación de rangos, estimaciones de consistencia interna, una matriz de correlación, resultados de comparaciones contrastivas, coeficientes de regresión, diagnósticos de residuos e influencia, y archivos fuente para figuras. El protocolo hace hincapié en reglas de decisión preespecificadas, un mapa de escalas vinculado, un registro de cribado previo al análisis, verificación de puntuación inversa y verificación de fuentes numéricas para las figuras. En lugar de proponer una nueva escala psicométrica, validar un modelo de medición o establecer relaciones causales, este método proporciona un procedimiento práctico y verificable para investigadores que necesitan cribar, puntuar, analizar y visualizar datos de cuestionarios sobre el bienestar de estudiantes universitarios. El flujo de trabajo puede adaptarse a estudios similares basados en cuestionarios, siempre que el mapa de escalas, la aprobación ética, las reglas de puntuación, los umbrales de cribado de respuestas y los archivos fuente para visualizaciones se definan antes del análisis.

Introducción

El bienestar subjetivo es un resultado importante en la investigación estudiantil porque refleja cómo los estudiantes evalúan sus vidas, experiencias emocionales, relaciones sociales y funcionamiento diario dentro de los entornos de aprendizaje. En la educación superior, el bienestar del estudiante es multidimensional y no se limita únicamente a la satisfacción con la vida o al malestar psicológico¹. Por lo tanto, los datos obtenidos mediante cuestionarios siguen siendo útiles cuando los investigadores necesitan examinar experiencias emocionales, conductuales, sociales, cognitivas y relacionadas con el bienestar dentro del mismo marco analítico.

El valor de los datos de un cuestionario depende no solo de los constructos seleccionados, sino también de la forma en que las respuestas originales se convierten en variables analíticas. Muchos estudios informan puntajes de escalas, matrices de correlación, comparaciones entre grupos o modelos de regresión sin mostrar las decisiones intermedias que conectan los registros originales con las tablas y figuras finales. Las respuestas faltantes pueden manejarse de forma inconsistente, los ítems invertidos pueden codificarse incorrectamente, los envíos duplicados pueden permanecer en el conjunto de datos y las respuestas descuidadas pueden tratarse como observaciones válidas. Por lo tanto, las decisiones sobre datos faltantes deben planificarse, documentarse y reportarse, en lugar de considerarse un paso oculto a posteriori². Los datos de cuestionarios en línea también requieren reglas explícitas de calidad de respuesta, ya que responder con excesiva rapidez, marcar la misma opción en todas las preguntas, dar respuestas inconsistentes y otros patrones de bajo esfuerzo pueden distorsionar las estadísticas descriptivas, las estimaciones de fiabilidad y las asociaciones observadas³.

La novedad de este protocolo radica en su historial de auditoría vinculado, que va desde la exportación bruta del cuestionario hasta los resultados estadísticos y visuales finales. En concreto, el flujo de trabajo incorpora un mapa completado de escalas, un registro de revisión previo al análisis, un punto de control para puntuaciones invertidas, un registro de verificación de puntuación, verificación de la fuente numérica de las figuras y un rastro de auditoría que enlaza cada tabla o figura con su archivo fuente. Esto diferencia el método de las prácticas estándar de limpieza de encuestas, puntuación de escalas, pruebas de fiabilidad o visualización. En lugar de afirmar simplemente que los datos del cuestionario fueron limpiados y analizados, el protocolo especifica qué archivo está bloqueado, qué archivo se revisa, qué reglas se aplican, qué puntuaciones de escala se generan y qué tabla numérica verificada se utiliza para crear cada resultado visual.

El flujo de trabajo se demuestra mediante datos anónimos de un cuestionario aplicado a estudiantes universitarios que incluye cinco variables de escala: emoción negativa, procrastinación académica, sentido de pertenencia escolar, pensamiento de orden superior y bienestar subjetivo. Estos constructos fueron seleccionados para proporcionar ejemplos de índole emocional, conductual, contextual escolar, cognitiva y orientados a resultados dentro de un flujo de trabajo estructurado y verificable. Se ha relacionado la procrastinación académica con dificultades posteriores de salud mental en estudiantes universitarios, incluyendo resultados asociados a depresión, ansiedad y estrés⁴. El sentido de pertenencia escolar y el bienestar subjetivo también están estrechamente relacionados entre poblaciones estudiantiles, lo que respalda la inclusión de medidas relacionadas con el sentido de pertenencia y el bienestar dentro del mismo marco de procesamiento de cuestionarios⁵. Sin embargo, en este protocolo, estos constructos se utilizan para demostrar el flujo de trabajo, y no para establecer un modelo psicológico causal.

Una característica central del protocolo es la separación entre las decisiones de procesamiento de datos y la interpretación sustantiva. El mapa de escala se prepara antes del análisis, los criterios de calidad de respuesta se fijan antes de la puntuación de la escala, la verificación del recodificado inverso se completa antes de las pruebas estadísticas y las figuras se generan únicamente después de verificar sus tablas numéricas de origen. Esta secuencia es importante porque las escalas de respuesta tipo Likert requieren una alineación cuidadosa entre la redacción de los ítems, los puntos de anclaje de respuesta, la dirección de puntuación y el tratamiento estadístico⁶. El protocolo también prioriza la complejidad del modelo tras una preprocesamiento transparente y la verificación de la puntuación. Los modelos predictivos o multivariables pueden ser útiles en investigaciones estudiantiles⁷, y los resúmenes gráficos pueden mejorar la interpretación cuando permanecen vinculados a matrices numéricas verificadas⁸, pero ambos dependen de una preparación transparente de las variables de entrada. Por esta razón, el flujo de trabajo utiliza el análisis de correlación, la comparación contrastiva entre grupos, la modelización de regresión, la verificación diagnóstica y la visualización como módulos de ejemplo, y no como afirmaciones sustantivas obligatorias.

Este protocolo está destinado a investigadores que necesitan un flujo de trabajo práctico para el procesamiento de cuestionarios con datos anónimos sobre el bienestar estudiantil. Es adecuado cuando las respuestas a nivel de ítem del cuestionario se exportan desde una plataforma en línea, se deben calcular variables a nivel de escala a partir de ítems de tipo Likert, y el objetivo es producir resultados descriptivos, correlacionales, de comparación entre grupos, regresionales, diagnósticos y listos para visualización. No está diseñado para establecer relaciones causales, validar escalas nuevas, reemplazar el análisis factorial confirmatorio, sustituir las pruebas de invariancia de medición, ni para suplir los modelos de respuesta al ítem o de variables latentes. Su contribución es de tipo procedimental: hace visible, repetible y verificable el camino desde los registros del cuestionario hasta las tablas y figuras reportadas. Este enfoque es coherente con las preocupaciones actuales sobre la calidad de los datos de encuestas en línea⁹, la verificación de regresiones e influencias¹⁰, y los flujos de trabajo de análisis basados en cuestionarios auditables¹¹.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

Este estudio que involucró a participantes humanos fue revisado y aprobado por el Comité de Ética del Colegio de Aeronáutica, Universidad Abierta de Guizhou (Número de aprobación: GZOU-EDU-2024-015). El comité determinó que el estudio cumplía con los requisitos para obtener una exención ética porque utilizó procedimientos de cuestionario anónimos y voluntarios, y no representaba más que un riesgo mínimo para los participantes. Todos los participantes proporcionaron su consentimiento informado electrónico antes de completar el cuestionario y podían dejar de responder en cualquier momento sin penalización. Dado que varios ítems abordaban emociones negativas, estrés, soledad, desamparo, insatisfacción o experiencias relacionadas con el bienestar, la página de consentimiento y la página final del cuestionario incluían información de contacto del investigador y de la institución para los participantes que experimentaran malestar. El conjunto de datos utilizado en este protocolo fue anonimizado antes del cribado, puntuación, análisis y visualización. El cuestionario completo se proporciona como Archivo Suplementario 1.

1. Preparar el cuestionario, los materiales éticos y los documentos del flujo de trabajo

Defina la población elegible, el entorno del estudio, los constructos del cuestionario y los productos analíticos planeados antes de programar el cuestionario.
Elabore una solicitud de ética que incluya la población objetivo, el canal de reclutamiento, el contenido del cuestionario, el tiempo estimado de cumplimentación, la protección del anonimato, el almacenamiento de datos, el procedimiento de retirada, la información de apoyo al participante y los análisis previstos.
Guarde el documento de aprobación o exención ética, el texto del consentimiento, el texto de reclutamiento, la versión del cuestionario, la información de apoyo al participante y el flujo de trabajo planeado en la carpeta del proyecto antes de comenzar la recolección de datos.
Defina la población objetivo como estudiantes universitarios de tiempo completo con al menos 18 años de edad, actualmente matriculados en educación superior, capaces de comprender el cuestionario y de otorgar consentimiento informado.
Defina los criterios de exclusión antes del reclutamiento. Excluya a los encuestados que rechacen el consentimiento, que no cumplan con la definición de población objetivo, que envíen respuestas duplicadas, que superen el umbral de datos faltantes o que cumplan con los criterios combinados de respuesta inválida descritos en el paso 1.4.
Coloque la declaración de consentimiento informado al inicio del cuestionario. Indique el propósito del estudio, la naturaleza voluntaria de la participación, el tiempo aproximado de cumplimentación de 12 minutos, la protección del anonimato, el derecho a retirarse, el plan de uso de los datos, la información de contacto del investigador y la información de contacto para apoyo.
No recoja información directamente identificable, incluyendo números de identificación estudiantil, números de identificación nacional, números de teléfono móvil, direcciones de correo electrónico personales, direcciones de residencias estudiantiles u otros identificadores personales.
Organice el cuestionario en el siguiente orden: consentimiento informado, información demográfica, ítems sobre emociones negativas, ítems sobre procrastinación académica, ítems sobre pertenencia escolar, ítems sobre pensamiento de orden superior y ítems sobre bienestar subjetivo.
Seleccione los instrumentos originales antes de programar el cuestionario. En este protocolo, la emoción negativa se evaluó mediante la Escala de Depresión Ansiedad y Estrés de 21 ítems (DASS-21), la procrastinación académica mediante la Escala de Procrastinación de Tuckman de 16 ítems, la pertenencia escolar mediante la Escala de Sentido Psicológico de Pertenencia Escolar de 18 ítems, el pensamiento de orden superior mediante un conjunto de 20 ítems adaptado de la literatura publicada sobre medición del pensamiento de orden superior, y el bienestar subjetivo mediante una escala de 20 ítems de bienestar subjetivo para investigaciones con estudiantes universitarios¹²^,¹³^,¹⁴^,¹⁵^,¹⁶.
Prepare un mapa de escalas bloqueado antes de programar el cuestionario. Incluya el nombre del constructo, el nombre original de la escala, la cita original, la versión del idioma, el estado de permiso o autorización, el procedimiento de traducción o adaptación, el código del ítem, el enunciado del ítem, el rango de respuesta, los anclajes de respuesta, la dirección de puntuación, el estado de ítems invertidos, la variable final a nivel de escala y la regla de puntuación.
Describa un conjunto de ítems como una escala validada únicamente cuando se documenten el instrumento original, la cita, las evidencias de validación y el estado de adaptación o traducción. Identifique cualquier conjunto de ítems desarrollado por el autor o específico del estudio en Tabla 1 y Archivo Suplementario 1.
Bloquee el marco de medición antes de la recolección de datos. Para instrumentos traducidos o adaptados, complete la traducción, revisión, reconciliación y prueba piloto antes de iniciar el reclutamiento.
Prepare un paquete de auditoría del flujo de trabajo que incluya el archivo bloqueado del cuestionario, el mapa de escalas, la lista de verificación para la exportación de datos brutos, el registro de cribado, el registro de verificación de puntuación, el registro de análisis, la plantilla de tabla de fuentes de figuras y el archivo de sintaxis o script de análisis.
Utilice nombres de archivo con versión para todos los artefactos del flujo de trabajo.
Defina las columnas requeridas para cada archivo de auditoría.
1. El registro de cribado incluye ID del registro, criterio de cribado, estado de marcado, estado de exclusión, motivo de exclusión, fecha de decisión e iniciales del revisor.
2. El mapa de escalas incluye nombre del constructo, fuente de la escala, código del ítem, enunciado del ítem, rango de respuesta, anclajes de respuesta, estado de inversión de puntuación, nombre final de la variable, regla de puntuación y estado de permiso o adaptación.
3. El registro de verificación de puntuación incluye código del ítem, rango de valores original, rango de valores recodificados, fórmula de inversión de puntuación, resultado de verificación de rango, estado de discrepancia, corrección realizada y fecha de corrección.
4. La tabla de fuentes de figuras incluye número de figura, número de panel, tabla de origen, variables representadas, estadístico mostrado, tamaño de la muestra y estado de verificación.
Defina el flujo de trabajo analítico antes de programar el cuestionario: administración de la encuesta, exportación de datos brutos, cribado de respuestas, puntuación de escalas, evaluación de fiabilidad, análisis descriptivo, análisis de correlación, comparación entre grupos alto y bajo, modelado de regresión, pruebas diagnósticas y preparación de visualizaciones¹⁷.
Estructure el protocolo en torno a decisiones, operaciones y productos de verificación, en lugar de rutas de menú de software.
Proporcione recursos del flujo de trabajo cuando lo permitan las políticas institucionales y editoriales, incluyendo el archivo del cuestionario, el mapa de escalas, la plantilla del registro de cribado, la plantilla del registro de puntuación, el archivo de sintaxis o script de análisis y las tablas de fuentes de figuras.
NOTA: Figura 1 muestra la ruta desde la preparación del cuestionario hasta la exportación de datos brutos, el cribado de respuestas, la puntuación de escalas, el análisis estadístico, las pruebas diagnósticas y la salida de visualización. Tabla 1 informa el instrumento fuente, el número de ítems, el rango de respuesta, el marco de puntuación, la regla de inversión de puntuación, el estado de permiso o adaptación y la variable final a nivel de escala para cada constructo.

2. Configurar y distribuir el cuestionario

Confirme que la plataforma del cuestionario admita el control mediante consentimiento, elementos obligatorios, revisión de envíos duplicados, captura de marcas de tiempo y registro de la duración de las respuestas.
Cree el cuestionario utilizando la plataforma de encuestas en línea que aparece en la Tabla de materiales. Programe el cuestionario según el mapa de escalas bloqueado.
Compare el cuestionario programado con el mapa de escalas bloqueado, ítem por ítem, antes de publicar el enlace de la encuesta. Registre cualquier corrección en el registro del estudio.
Establezca el ítem de consentimiento informado como el primer ítem obligatorio. Detenga automáticamente el cuestionario cuando un participante seleccione “No acepto participar”.
Programe las secciones de escalas demográficas y psicológicas según el orden fijado en el paso 1.8. Utilice códigos de ítems que coincidan con el mapa de escalas.
Establezca los ítems de las escalas psicológicas como obligatorios únicamente cuando lo permita la aprobación o exención ética y cuando los participantes puedan retirarse sin penalización. Si no se permiten respuestas obligatorias, registre la regla para datos faltantes antes de la recolección de datos.
Muestre los anclajes de respuesta antes de cada sección de escala y mantenga los anclajes consistentes dentro de cada escala¹⁸.
Desactive los envíos repetidos cuando la plataforma de la encuesta ofrezca esta función. Mantenga cualquier identificador anónimo del dispositivo, navegador, plataforma o envío necesario para la revisión de respuestas duplicadas.
Habilite el registro automático de la hora de envío y de la duración de la finalización.
Establezca el período de apertura del cuestionario en 7 días calendario, o utilice la ventana de recolección aprobada por el comité de ética.
Envíe el enlace del cuestionario a través del canal institucional de reclutamiento aprobado. Proporcione las mismas instrucciones escritas a todos los participantes.
Cierre el cuestionario una vez finalizada la ventana de recolección previamente especificada.
NOTA: Mantenga en el registro del estudio el texto del reclutamiento, el enlace del cuestionario, las fechas de apertura y cierre, la configuración de la plataforma, el texto del consentimiento, la versión final del cuestionario y la configuración de exportación de la plataforma.

3. Exportar y asegurar los datos brutos

Exporte las respuestas completadas del cuestionario como un archivo de hoja de cálculo inmediatamente después de que finalice el período de recolección.
Guarde el primer archivo exportado como el conjunto de datos brutos bloqueado. No edite este archivo.
Cree una copia de trabajo para la selección, puntuación y análisis. Asigne al archivo un nombre que incluya la fecha, el número de versión y el identificador del proyecto.
Verifique que el archivo exportado contenga una fila por encuestado y una columna por variable demográfica, ítem del cuestionario, variable de marca de tiempo, variable de plataforma o campo derivado de la plataforma.
Guarde el conjunto de datos brutos bloqueado, la copia de trabajo, el mapa de escalas, el archivo del cuestionario, el registro del estudio, el registro de selección, el registro de verificación de puntuación, el registro de análisis, las tablas de origen de figuras y el archivo de sintaxis o script en una carpeta del proyecto protegida con contraseña.
Verifique que el conjunto de datos no contenga información directamente identificable. Elimine cualquier campo identificable inesperado de la copia de trabajo antes del análisis y registre el nombre del campo, la razón de la eliminación, la fecha de eliminación y las iniciales del revisor responsable en el registro del estudio.
Revise la posibilidad de identificación indirecta antes de compartir o publicar datos a nivel de participante. Examine las categorías demográficas pequeñas generadas por combinaciones de sexo, edad, nivel académico, categoría de institución y categoría de especialidad académica. Si una categoría contiene menos de cinco encuestados, combine categorías, suprima la categoría o proporcione únicamente datos agregados.
Registre el estado de disponibilidad de los datos en el registro del estudio, indicando si los datos a nivel de participante están disponibles, restringidos por requisitos éticos o de privacidad, o sustituidos por un conjunto de datos agregado del flujo de trabajo.
Cree un registro de selección antes de la limpieza de datos. Registre el tamaño muestral bruto, el criterio de selección, el número de registros marcados, el número de registros eliminados, el número de registros conservados, la razón de exclusión, la fecha de la decisión y las iniciales del revisor.
Cree un archivo de seguimiento de análisis antes del análisis estadístico. Registre el nombre del software, la versión del software, el sistema operativo, los nombres de los archivos, la versión de los datos, la versión del script o sintaxis y la fecha de cada ejecución del análisis.
NOTA: Utilice el conjunto de datos brutos bloqueado únicamente para verificación. Realice toda la selección, puntuación y análisis utilizando la copia de trabajo.

4. Evaluar las respuestas y construir el conjunto de datos analítico

Aplique reglas preestablecidas de exclusión y control de calidad antes de calcular cualquier puntaje a nivel de escala.
Aplique las reglas de cribado a la copia de trabajo en este orden: estado de consentimiento, elegibilidad, envíos duplicados, datos faltantes, duración de la respuesta, respuestas en línea recta, valores fuera de rango e indicadores combinados de calidad de respuesta.
Después de cada operación de cribado, registre el número de registros marcados, eliminados y conservados en el registro de cribado. No sobrescriba versiones anteriores del archivo de trabajo.
Elimine todos los registros en los que el ítem de consentimiento informado esté marcado como “No” o quede sin responder.
Elimine todos los registros que no cumplan con los criterios de inclusión definidos en el Paso 1.4.
Revise la presencia de envíos duplicados utilizando identificadores anónimos de respuesta, hora de envío, indicadores de envío duplicado de la plataforma y patrones de respuesta repetidos.
Conservar el primer envío completo cuando se detecten entradas duplicadas, a menos que exista una razón documentada que justifique conservar una respuesta completa posterior.
Corrija todas las reglas de calidad de respuesta antes de calcular los puntajes de las escalas. Tabla 2 resume los umbrales de exclusión, umbrales de marcado, la justificación, el respaldo bibliográfico y el plan de análisis de sensibilidad utilizados en el flujo de trabajo.
Revise la presencia de datos faltantes. Elimine a un encuestado si faltan más del 20 % de todos los ítems de la escala. Reemplace un ítem aislado faltante con la puntuación media del encuestado para la misma escala solo si al menos el 80 % de esa escala ha sido completado. No impute variables demográficas a menos que la variable no se utilice en ningún análisis.
Registre el número de encuestados excluidos por tener más del 20 % de ítems faltantes en las escalas y el número que recibió imputación de la media dentro de la escala. En el conjunto de datos actual, 4 encuestados fueron excluidos por tener más del 20 % de ítems faltantes en las escalas, y 21 encuestados recibieron imputación de la media dentro de la escala para 37 ítems faltantes aislados.
Revise la duración de la respuesta. Marque las respuestas completadas en menos de 180 s. Trate este valor como una alerta de velocidad, no como una regla automática de exclusión.
Revise la presencia de respuestas en línea recta. Marque una respuesta si se selecciona la misma opción en más del 90 % de todos los ítems de escala Likert. Trate este valor como una alerta de patrón de respuesta, no como una regla automática de exclusión.
Revise otros indicadores de bajo esfuerzo, incluyendo evidencia de envíos duplicados, marcas de tiempo imposibles, cadenas de respuestas repetidas en envíos separados o conflictos entre metadatos de la plataforma y contenido del cuestionario.
Elimine una respuesta marcada solo cuando al menos dos indicadores de control de calidad sugieran una respuesta inválida, como un tiempo de finalización extremadamente corto combinado con respuestas en línea recta, evidencia de envío duplicado o metadatos de plataforma imposibles¹⁹.
Registre todos los registros marcados, incluso cuando se conserven. En el conjunto de datos actual, 19 respuestas fueron marcadas por duración de finalización < 180 s, 8 respuestas fueron marcadas por >90 % de respuestas en línea recta, y 13 registros fueron excluidos porque cumplieron con dos o más indicadores de calidad de respuesta.
Revise la presencia de valores fuera de rango. Confirme que los ítems de emoción negativa estén dentro del rango 1–4, los ítems de procrastinación académica, pertenencia escolar y pensamiento de orden superior estén dentro del rango 1–5, y los ítems de bienestar subjetivo estén dentro del rango 1–6.
Corrija un valor solo cuando la exportación original muestre claramente un error de formato. No modifique puntajes psicológicos válidos solo porque parezcan inusualmente altos o bajos.
Genere una tabla de flujo de cribado que informe los cuestionarios enviados, exclusiones por consentimiento y elegibilidad, exclusiones por duplicados, exclusiones por datos faltantes, alertas de calidad de respuesta, exclusiones combinadas por control de calidad, imputaciones de ítems aislados, casos analíticos conservados y tamaño final de la muestra analítica.
Complete la tabla de flujo de cribado utilizando el registro de cribado bloqueado y conserve un registro auditado exportado de las decisiones de cribado. En el conjunto de datos actual, el flujo de cribado fue el siguiente: cuestionarios enviados, n = 448; exclusiones por consentimiento o elegibilidad, n = 6; envíos duplicados eliminados, n = 5; registros excluidos por >20 % de ítems faltantes en escalas, n = 4; registros excluidos por dos o más indicadores de calidad de respuesta, n = 13; conjunto de datos analítico final, n = 420.
Guarde los registros conservados como el conjunto de datos analítico. Utilice un nuevo nombre de archivo con versión y conserve el registro de cribado junto con el conjunto de datos analítico.
NOTA: Conservar puntajes extremos válidos a menos que exista un problema documentado de calidad de respuesta.

5. Calificar las escalas psicológicas

Convierta las respuestas a nivel de ítem en variables a nivel de escala solo después de completar el examen de las respuestas y haber guardado el conjunto de datos analítico.
Codifique todos los ítems de tipo Likert según los puntos de respuesta del cuestionario bloqueado y las reglas de puntuación del mapa de la escala.
Mantenga las variables originales de los ítems sin cambios. Cree variables derivadas separadas para los ítems recodificados o invertidos en su puntuación.
Calcule la puntuación de cada escala según el mapa de escala bloqueado y el instrumento fuente correspondiente o el manual de puntuación.
Invierta la puntuación de los ítems designados de bienestar subjetivo antes de calcular la puntuación de bienestar subjetivo. Para la escala de respuesta de 1 a 6, calcule cada ítem invertido como 7 menos la puntuación original y agregue _R al nombre de la variable derivada.
Utilice las variables con puntuación invertida, no las variables originales, al calcular el bienestar subjetivo.
Calcule la puntuación de cada escala como la media de sus ítems retenidos: emoción negativa, procrastinación académica, pertenencia escolar, pensamiento de orden superior y bienestar subjetivo.
Asigne a las variables finales a nivel de escala los nombres Emoción negativa, Procrastinación académica, Pertenencia escolar, Pensamiento de orden superior y Bienestar subjetivo.
Verifique el valor mínimo y máximo de cada variable a nivel de escala frente a su rango teórico de respuesta. Vuelva a revisar la codificación, la inversión de puntuación y el manejo de valores perdidos si alguna puntuación queda fuera del rango esperado.
Verifique la dirección de cada escala frente al mapa de escala antes del análisis inferencial. Las puntuaciones más altas deben reflejar la dirección prevista del constructo.
Realice una auditoría de inversión de puntuación antes del análisis. Recalcule los ítems con puntuación invertida para un subconjunto aleatorio de registros o para todos los ítems con puntuación invertida cuando sea factible, y registre el resultado de la auditoría en el registro de verificación de puntuación.
Si se detecta un error en la puntuación, corrija la variable derivada, regenere la puntuación de escala afectada, actualice el registro de verificación de puntuación y vuelva a ejecutar todos los análisis posteriores y tablas fuente de figuras basadas en el conjunto de datos analítico corregido.
NOTA: Trate la inversión de puntuación y la verificación de rango como puntos de control obligatorios antes del análisis de correlación, comparación de grupos, modelado de regresión o visualización.

6. Evaluar la consistencia interna y las propiedades descriptivas

Calcule la consistencia interna, las correlaciones corregidas entre cada ítem y el total, y las estadísticas descriptivas para cada escala utilizando las variables de ítems definidas en el mapa de escala bloqueado.
Registre el alfa de Cronbach, el número de ítems, el tamaño válido de la muestra, las correlaciones corregidas entre cada ítem y el total, y los valores de alfa-si-se-elimina-el-ítem para cada escala.
Utilice un alfa de Cronbach de 0,70 como umbral mínimo aceptable de fiabilidad para este flujo de trabajo. Antes de eliminar cualquier ítem, revise la redacción del ítem, la dirección de la puntuación, la inversión de puntuación, la alineación con el constructo y la documentación del instrumento original²⁰.
Calcule el omega de McDonald como una estimación complementaria de la fiabilidad cuando el entorno de análisis lo permita. Informe del omega junto con el alfa de Cronbach cuando ambas estimaciones conduzcan a interpretaciones diferentes de la fiabilidad.
Revise cualquier ítem que presente una correlación corregida ítem-total negativa o muy baja antes de considerar su eliminación. Trate esto inicialmente como un posible problema de codificación, inversión de puntuación o alineación con el constructo.
No elimine un ítem únicamente para aumentar el alfa de Cronbach. La eliminación de un ítem debe justificarse mediante el manual de puntuación, la redacción del ítem, la correlación corregida ítem-total, la adecuación conceptual y la verificación documentada de la puntuación.
Calcule las estadísticas descriptivas para las cinco variables a nivel de escala, incluyendo media, desviación estándar, mínimo, máximo, asimetría y curtosis.
Revise la concentración en extremos anotando la proporción de participantes con las puntuaciones mínima y máxima posibles en cada escala.
Registre las estimaciones de fiabilidad, los diagnósticos ítem-total, las estadísticas descriptivas y cualquier decisión relacionada con la puntuación en el registro de análisis.
NOTA: El alfa de Cronbach se utiliza como una verificación de fiabilidad, no como un procedimiento completo de validación psicométrica. Cuando se requiera una evaluación formal de la medición, complemente este flujo de trabajo con el omega de McDonald, análisis factorial confirmatorio, pruebas de invariancia de medición, modelado de respuesta al ítem u otros métodos basados en variables latentes.

7. Realizar el análisis de correlación

Utilice las cinco variables verificadas a nivel de escala: emoción negativa, procrastinación académica, pertenencia escolar, pensamiento de orden superior y bienestar subjetivo.
Antes de calcular las correlaciones de Pearson, inspeccione las distribuciones y los diagramas de dispersión bivariados para cada par de variables a nivel de escala.
Evalúe si las variables muestran una variación de puntuación aproximadamente continua, asimetría severa, relaciones no lineales o patrones influyentes de valores atípicos.
Calcule los coeficientes de correlación de Pearson y los valores p bilaterales para todos los pares de variables a nivel de escala cuando las suposiciones sean aceptables para el análisis descriptivo de asociación.
Registre el coeficiente de correlación, pvalor p, tamaño de la muestra y dirección de la asociación para cada par de variables.
Informe los coeficientes de correlación con tres decimales.
Compare la dirección de cada coeficiente con el mapa de la escala. Vuelva a verificar la puntuación de los ítems si un coeficiente contradice la dirección prevista del constructo.
Guarde la matriz de correlación verificada como la tabla fuente numérica para el mapa de calor de correlación en la sección de Resultados Representativos.
Cuando las distribuciones están claramente sesgadas, se requiere una escala ordinal de sensibilidad o los diagramas de dispersión sugieren asociaciones monótonas pero no lineales, repita el análisis utilizando la correlación de Spearman y compare la dirección y la magnitud relativa de las asociaciones.
Registre si los resultados de Pearson y Spearman llevaron a la misma interpretación sustantiva.
NOTA: Utilice el análisis de correlación tanto como una verificación descriptiva de asociación como una auditoría de la dirección de los puntajes.

8. Crear grupos de bienestar subjetivo alto y bajo

Utilice el conjunto de datos analítico limpio y puntuado. No regrese al archivo original para la construcción de grupos.
Utilice la puntuación continua de bienestar subjetivo como resultado principal para la modelización por regresión. Use la agrupación alta-baja únicamente para la comparación contrastiva de perfiles.
Ordene a los encuestados según la puntuación de bienestar subjetivo de mayor a menor.
Aplique la regla prespecificada del 27 % para grupos extremos con el fin de definir los grupos de alto y bajo bienestar subjetivo. Documente la justificación de este umbral en Tabla 2 y en el registro de análisis.
Asigne a los encuestados del 27 % superior al grupo de alto bienestar subjetivo y a los del 27 % inferior al grupo de bajo bienestar subjetivo.
Mantenga al 46 % central en el conjunto de datos analítico completo para estadísticas descriptivas, análisis de correlación, comparación por sexo y modelización por regresión, pero excluya estos casos de la comparación alta-baja.
Cree una variable de agrupación denominada Grupo de bienestar subjetivo. Codifique al grupo superior como Alto, al inferior como Bajo y al resto de encuestados como Medio.
Verifique que los grupos alto y bajo contengan el número previsto de casos. Si existen puntuaciones empatadas en el límite del 27 %, aplique la regla prespecificada para resolver empates y registre la decisión en el registro de análisis.
Realice una comprobación de sensibilidad cuando el límite del 27 % genere una pertenencia inestable a los grupos debido a puntuaciones empatadas o un tamaño muestral pequeño. Utilice una regla alternativa prespecificada, como la agrupación por terciles, y señale si la interpretación permanece inalterada.
NOTA: La agrupación alta-baja es un procedimiento descriptivo de contraste. No debe sustituir a la puntuación continua de bienestar subjetivo en el modelo principal de regresión.

9. Comparar los grupos de bienestar subjetivo alto y bajo

Filtre el conjunto de datos analítico para conservar únicamente a los encuestados clasificados como Alto o Bajo en la variable de agrupación de bienestar subjetivo.
Compare los grupos alto y bajo en emoción negativa, procrastinación académica, sentido de pertenencia escolar y pensamiento de orden superior.
Antes de la comparación entre grupos, inspeccione las distribuciones específicas de cada grupo, los tamaños muestrales y la igualdad de varianzas para cada variable.
Utilice una muestra independiente t-prueba cuando las suposiciones de distribución y varianza sean aceptables. Utilice la de Welch t-prueba cuando no se cumple el supuesto de igualdad de varianzas.
Registrar las medias de los grupos, desviaciones estándar, diferencias de medias, t-valores, grados de libertad, p-valores e intervalos de confianza del 95 %.
Calcule el valor d de Cohen para cada diferencia entre grupos e interprete el tamaño del efecto junto con el valor p.
Inspeccione si la dirección de cada diferencia entre grupos es coherente con las definiciones del constructo y con la matriz de correlación.
Guarde la tabla verificada de comparación entre grupos como la fuente numérica para cualquier visualización de comparación entre grupos.
Informe este análisis como un contraste entre perfiles extremos de bienestar subjetivo.
NOTA: No interprete la comparación alta-baja como evidencia causal.

10. Examinar las diferencias sexuales

Elimine el filtro de grupo alto-bajo y regrese al conjunto de datos analíticos completo.
Utilice el sexo como una variable descriptiva de agrupamiento en lugar de como una exposición causal.
Compare a los participantes femeninos y masculinos en cuanto a emociones negativas, procrastinación académica, sentido de pertenencia escolar, pensamiento de orden superior y bienestar subjetivo.
Antes de realizar la comparación, revise los tamaños muestrales específicos por grupo, la presencia de datos faltantes, las distribuciones y la igualdad de varianzas.
Utilice una prueba t para muestras independientes cuando los supuestos sean aceptables. Utilice la prueba t de Welch cuando no se cumpla el supuesto de igualdad de varianzas.
Registre las medias por grupo, desviaciones estándar, diferencias de medias, valores t, grados de libertad, valores p, intervalos de confianza del 95 % y valores de d de Cohen.
Interprete las diferencias por sexo de forma descriptiva y reporte los tamaños del efecto junto con los valores p.
No utilice los resultados de la comparación por sexo para justificar exclusiones a posteriori, modificaciones de escalas o interpretaciones causales.
NOTA: Las comparaciones por sexo se incluyen como verificaciones descriptivas de subgrupos dentro de este flujo de trabajo transversal basado en cuestionarios.

11. Estimar el modelo de regresión

Utilice el bienestar subjetivo como la variable dependiente.
Utilice la emoción negativa, la procrastinación académica, la pertenencia escolar y el pensamiento de orden superior como predictores simultáneos a nivel de escala²¹.
Utilice las variables continuas a nivel de escala creadas durante la puntuación de las escalas. No sustituya la puntuación continua del bienestar subjetivo por la variable categórica de grupos altos-bajos.
Ajuste el modelo principal mediante regresión lineal múltiple con entrada simultánea.
Registre los coeficientes no estandarizados, los coeficientes estandarizados, los errores estándar, los valores t, los valores p, los intervalos de confianza del 95%, R², R² ajustado, la tolerancia y el factor de inflación de la varianza.
Utilice valores del factor de inflación de la varianza inferiores a 5,00 como umbral para la ausencia de multicolinealidad severa.
Revise gráficos de dispersión bivariados, gráficos parciales de regresión o gráficos de componente más residuo para evaluar si las asociaciones entre los predictores y el bienestar subjetivo son aproximadamente lineales.
Evalue la independencia de los residuos utilizando el estadístico de Durbin-Watson.
Evalue la normalidad de los residuos mediante un gráfico Q-Q de residuos y una prueba formal de normalidad cuando sea apropiado para el tamaño de la muestra.
Evalue la homocedasticidad utilizando un gráfico de residuos estandarizados frente a valores predichos estandarizados.
Guarde los residuos estandarizados, los valores predichos estandarizados, los valores de apalancamiento y la distancia de Cook para la verificación diagnóstica.
Estime un modelo suplementario ajustado que incluya los cuatro predictores psicológicos y las variables demográficas reportadas en la descripción de la muestra, incluyendo sexo, edad, nivel académico, categoría de institución y categoría de especialidad académica, cuando estas variables estén disponibles y tengan una distribución adecuada.
Compare el modelo principal con el modelo suplementario ajustado. Registre si la dirección, magnitud e interpretación estadística de los cuatro predictores psicológicos permanecen estables tras el ajuste demográfico.
Guarde los coeficientes estandarizados verificados y los intervalos de confianza del 95% del modelo principal como tabla numérica fuente para el gráfico de coeficientes en la sección de Resultados Representativos²².
NOTA: Interprete los coeficientes de regresión como asociaciones condicionales, no como efectos causales. El modelo ajustado por variables demográficas se utiliza en un análisis de sensibilidad para evaluar si las conclusiones del procedimiento permanecen estables tras tener en cuenta las variables contextuales disponibles.

12. Diagnosticar el modelo de regresión

Inspeccione los residuos estandarizados del modelo de regresión ajustado. Marque los casos con residuos estandarizados absolutos mayores que 3,00.
Revise los valores de apalancamiento y la distancia de Cook para identificar observaciones influyentes.
Señale las observaciones con una distancia de Cook mayor que 4/n como potencialmente influyentes, donde n es el tamaño de la muestra analítica. Considere una distancia de Cook mayor que 1,00 como un umbral de referencia de influencia severa, y no como el único criterio de cribado.
Examine la gráfica de residuos frente a valores predichos para detectar no linealidad, varianza desigual y agrupaciones inusuales.
Revise la gráfica cuantil-cuantil (Q-Q) de los residuos y el resultado de la prueba de normalidad de los residuos. Registre si la evaluación de normalidad respalda el uso del modelo lineal para el análisis descriptivo de asociación.
Registre el estadístico de Durbin-Watson y determine si la independencia de los residuos es aceptable.
Revise todos los casos marcados en comparación con el registro de cribado, el registro de verificación de puntuaciones y los criterios de elegibilidad.
Mantenga los casos marcados cuando representen observaciones válidas y no reflejen errores de entrada de datos, errores de puntuación, envíos duplicados, violaciones de elegibilidad o problemas documentados de calidad de respuesta.
Corrija o elimine un caso marcado únicamente cuando el historial de auditoría identifique un error documentado en el procedimiento, elegibilidad, codificación, puntuación o entrada de datos.
Vuelva a ejecutar el modelo de regresión tras cualquier corrección documentada y compare los coeficientes, los intervalos de confianza, R², R² ajustado y los resultados diagnósticos con el modelo original.
Realice una verificación de sensibilidad a la influencia ajustando nuevamente el modelo tras excluir los casos con distancia de Cook mayor que 4/n. Informe si cambia la interpretación sustantiva.
Registre la decisión diagnóstica final en el registro de análisis, incluyendo el número de casos marcados por residuos estandarizados, el número marcado por distancia de Cook mayor que 4/n, la distancia máxima de Cook, el estadístico de Durbin-Watson y la conclusión de las comprobaciones de normalidad y linealidad.
NOTA: No elimine casos influyentes únicamente para mejorar el ajuste del modelo. La eliminación o corrección debe basarse en una justificación documentada en el historial de auditoría.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

Conjunto de datos analíticos generado tras el cribado de respuestas
El flujo de trabajo de cribado de respuestas generó un conjunto de datos analíticos compuesto por 420 registros anónimos de estudiantes procedentes de 448 cuestionarios enviados. El registro de cribado documentó cada punto de decisión. Se eliminaron seis registros porque no se cumplieron los requisitos de consentimiento o elegibilidad, se descartaron cinco envíos duplicados, se excluyeron cuatro registros por tener más del 20 % de lo...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

Este protocolo estandariza un proceso común pero a menudo poco reportado en estudios de bienestar basados en cuestionarios: el paso de los registros brutos de respuestas a datos filtrados, variables de escala puntuadas, resultados estadísticos y archivos listos para su visualización. Su contribución no consiste en desarrollar una nueva teoría del bienestar subjetivo ni en proponer un modelo causal. Por el contrario, el flujo de trabajo proporciona una ruta verificable para la configuración del cuestionario, el filtrado d...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

Los autores no tienen conflictos de intereses que declarar.

Agradecimientos

Los autores agradecen a los estudiantes universitarios que participaron en la encuesta por su apoyo durante la recolección de datos. Los autores también agradecen a los instructores pertinentes y a los asistentes de investigación por su ayuda en la distribución de los cuestionarios, la organización de los datos, la verificación de los resultados y la elaboración de tablas y figuras. Este trabajo no recibió financiamiento específico.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
Nombre	Empresa	Número de catálogo	Comentarios
paquete R broom	CRAN	paquete R	Utilizado para convertir salidas de regresión en tablas estructuradas de coeficientes y resúmenes del modelo.
paquete R car	CRAN	paquete R	Utilizado para la verificación del factor de inflación de la varianza y el apoyo al diagnóstico de regresión.
documentación original de las Escalas de Depresión, Ansiedad y Estrés-21	Fundación de Psicología de Australia	Lovibond y Lovibond, 1995	Documentación original para la sección de emociones negativas. El flujo de trabajo utilizó redacción adaptada al estudio, alineada con evaluaciones recientes del estado emocional negativo.
paquete R dplyr	CRAN	paquete R	Utilizado para filtrado de datos, recodificación, agrupación, resúmenes del flujo de cribado y preparación de tablas analíticas.
paquete R ggplot2	CRAN	paquete R	Utilizado para generar el mapa de calor de correlación, el gráfico de correlación del bienestar subjetivo, el gráfico de coeficientes de regresión y la visualización diagnóstica.
documentación original para la medición del pensamiento de orden superior	Springer Nature	DOI: 10.1038/s41598-024-70908-3	Documentación original para la sección de pensamiento de orden superior. El flujo de trabajo utilizó un conjunto de ítems adaptado al estudio, alineado con el pensamiento analítico, evaluativo, reflexivo, integrador y basado en evidencia.
IBM SPSS Statistics	IBM Corp.	Versión 29.0.2.0	Utilizado para estadísticas descriptivas, alfa de Cronbach’s, correlación de Pearson, pruebas t para muestras independientes y de Welch’s, regresión lineal múltiple, estadístico de Durbin-Watson, residuos estandarizados, valores de apalancamiento, distancia de Cook’s y factores de inflación de la varianza.
paquete R psych	CRAN	paquete R	Utilizado para resúmenes psicométricos, verificación del alfa de Cronbach’s y omega de McDonald’s.
documentación original de la Escala de Sentido Psicológico de Pertenencia Escolar	Wiley	Psychol Sch. 1993;30(1):79-90	Documentación original para la sección de pertenencia escolar. El flujo de trabajo utilizó redacción adaptada al estudio, alineada con la aceptación percibida, conexión, apoyo y sentido de pertenencia en el entorno escolar.
entorno estadístico R	Fundación R para la Computación Estadística	Versión 4.4.2	Utilizado para verificación analítica secundaria, omega de McDonald’s, comprobaciones de sensibilidad de Spearman, preparación de salidas de regresión, preparación de salidas diagnósticas y preparación de visualizaciones.
paquete R readxl	CRAN	paquete R	Utilizado para importar exportaciones de cuestionarios en hojas de cálculo al flujo de trabajo de verificación en R.
documentación original de la Escala de Bienestar Subjetivo para Ciudadanos Chinos	Scientific & Academic Publishing	DOI: 10.5923/j.ijap.20190905.01	Documentación original para la sección de bienestar subjetivo. El flujo de trabajo utilizó redacción adaptada al estudio e ítems con puntuación inversa, alineados con satisfacción vital, sentido, apoyo, progreso, insatisfacción, desamparo y experiencias de bienestar relacionadas con el estrés.
Archivo Suplementario 1: Estructura del cuestionario y documentación de escalas	Autores	Archivo Suplementario 1	Proporciona la estructura del cuestionario aplicado, orden de los constructos, procedencia de las escalas, códigos de los ítems, anclas de respuesta, dirección de puntuación, reglas de puntuación inversa, construcción de puntuaciones a nivel de escala e información sobre el estado de la documentación.
documentación original de la Escala de Procrastinación de Tuckman	SAGE Publications	Educ Psychol Meas. 1991;51(2):473-480	Documentación original para la sección de procrastinación académica. El flujo de trabajo utilizó redacción adaptada al estudio, alineada con el retraso académico y el comportamiento de posposición de tareas.
plataforma en línea de cuestionarios Wenjuanxing	Changsha Ranxing Information Technology Co., Ltd.	plataforma basada en web	Utilizada para el consentimiento electrónico, programación del cuestionario, recolección de respuestas a ítems, captura de marcas de tiempo, registro de la duración de la finalización, revisión de envíos duplicados y exportación de respuestas en bruto.

Referencias

1. Khatri P et al. Student well-being in higher education: scale development and validation with implications for management education. Int J Manag Educ. 2024;22(1):100933.
Mirzaei A, Carter SR, Patanwala AE, Schneider CR. Missing data in surveys: key concepts, approaches, and applications. Res Social Adm Pharm. 2022;18(2):2308-16.
Gummer T, Roßmann J, Silber H. Using instructed response items as attention checks in web surveys: properties and implementation. Sociol Methods Res. 2021;50(1):238-64.
Johansson F et al. Associations between procrastination and subsequent health outcomes among university students in Sweden. JAMA Netw Open. 2023;6(1):e2249346.
Li X, Kuo YL, Huggins TJ. Perceived feedback and school belonging: the mediating role of subjective well-being. Front Psychol. 2024;15:1450788.
Sönning L. Ordinal response scales: psychometric grounding for design and analysis. Res Methods Appl Linguist. 2024;3(3):100156.
Song P et al. Predictive analysis of college students’ academic procrastination behavior based on a decision tree model. Humanit Soc Sci Commun. 2024;11:869.
Dudáš A. Graphical representation of data prediction potential: correlation graphs and correlation chains. Vis Comput. 2024;40(10):6969-82.
Niessen ASM, Meijer RR, Tendeiro JN. Detecting careless respondents in web-based questionnaires: which method to use? J Res Pers. 2016;63:1-11.
Parsons J, Bao L. A unified approach for outliers and influential data detection: the value of information in retrospect. Stat. 2022;11(1):e442.
Donche V et al. Careless responding in online student learning surveys: profiles and impact on data quality. Frontline Learn Res. 2026;13(3):1-14.
Lovibond SH, Lovibond PF. Manual for the Depression Anxiety Stress Scales. 2nd ed. Psychology Foundation; Sydney; 1995.
Tuckman BW. The development and concurrent validity of the Procrastination Scale. Educ Psychol Meas. 1991;51(2):473-80.
Goodenow C. The psychological sense of school membership among adolescents: scale development and educational correlates. Psychol Sch. 1993;30(1):79-90.
Li D, Fan X, Meng L. Development and validation of a higher-order thinking skills (HOTS) scale for major students in the interior design discipline for blended learning. Sci Rep. 2024;14:20287.
Huang L, Xing Z. A nationwide study on Subjective Well-being Scale for Chinese Citizens (SWBS-cc). Int J Appl Psychol. 2019;9(5):117-27.
DeSimone JA, Harms PD, DeSimone AJ. Best practice recommendations for data screening. J Organ Behav. 2015;36(2):171-81.
Revilla MA, Saris WE, Krosnick JA. Choosing the number of categories in agree-disagree scales. Sociol Methods Res. 2014;43(1):73-97.
Muszyński M. Attention checks and how to use them: review and practical recommendations. ASK Res Methods. 2023;32(1):3-38.
McNeish D. Thanks coefficient alpha, we’ll take it from here. Psychol Methods. 2018;23(3):412-33.
Romeo I, Stanislaw H, McCreary J, Hawley M. The importance of belonging for well-being in college students. PLOS Ment Health. 2024;1(1):e0000057.
Kastellec JP, Leoni EL. Using graphs instead of tables in political science. Perspect Polit. 2007;5(4):755-71.
Flake JK, Fried EI. Measurement schmeasurement: questionable measurement practices and how to avoid them. Adv Methods Pract Psychol Sci. 2020;3(4):456-65.
Nosek BA et al. Promoting an open research culture. Science. 2015;348(6242):1422-5.
Wilkinson MD et al. The FAIR Guiding Principles for scientific data management and stewardship. Sci Data. 2016;3:160018.
Podsakoff PM, MacKenzie SB, Lee JY, Podsakoff NP. Common method biases in behavioral research: a critical review of the literature and recommended remedies. J Appl Psychol. 2003;88(5):879-903.
Vandenberg RJ, Lance CE. A review and synthesis of the measurement invariance literature: suggestions, practices, and recommendations for organizational research. Organ Res Methods. 2000;3(1):4-70.
van de Vijver FJR, Hambleton RK. Translating tests: some practical guidelines. Eur Psychol. 1996;1(2):89-99.
American Educational Research Association, American Psychological Association, National Council on Measurement in Education. Standards for educational and psychological testing. American Educational Research Association; Washington, DC; 2014.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Etiquetas

Escala de Likert cribado de respuestas puntuación inversa evaluación de la fiabilidad análisis descriptivo análisis de correlación modelado de regresión visualización de datos