Una encuesta y protocolo para evaluar la experiencia de aprendizaje en línea, las necesidades psicológicas básicas y el compromiso con el aprendizaje en estudiantes universitarios

Resumen

Este protocolo proporciona un flujo de trabajo de modelado estructural de encuestas reproducibles y ecuaciones de mínimos cuadrados parciales para evaluar las vías de asociación entre la experiencia de aprendizaje online, necesidades psicológicas básicas y la participación en el aprendizaje en estudiantes universitarios, incluyendo adaptación a cuestionarios, cribado, evaluación de mediciones, pruebas de asociación indirecta, comprobaciones de robustez y registros de reproducibilidad.

Resumen

El aprendizaje online está integrado en la educación superior, pero las evaluaciones a menudo se basan en indicadores de acceso, satisfacción o finalización que no identifican dónde surgen problemas de compromiso. Este artículo presenta una encuesta reproducible en inglés y un protocolo de modelado estructural de ecuaciones de mínimos cuadrados parciales para evaluar las vías de asociación entre la experiencia de aprendizaje online, necesidades psicológicas básicas y la participación en el aprendizaje en estudiantes universitarios. La experiencia de aprendizaje online se mide a través de la usabilidad de la plataforma, el apoyo a la enseñanza, la calidad de la interacción y la flexibilidad de aprendizaje; necesidades psicológicas básicas a través de autonomía, competencia y relación con ellos; y la participación en el aprendizaje a través del compromiso conductual, cognitivo y emocional. El flujo de trabajo especifica mapeo de ítem-fuente, adaptación de cuestionarios, revisión de expertos, pruebas piloto, consentimiento electrónico, cribado de elegibilidad, controles de calidad de respuesta, puntuación de constructos, diagnósticos de sesgo de métodos comunes, estimación de constructos de orden superior, evaluación de modelos de medición, pruebas de vías estructurales, análisis de asociación indirecta, análisis de sensibilidad de necesidades psicológicas, comprobaciones de robustez basadas en regresión y bloqueo de archivos de reproducibilidad. Los resultados representativos de 386 respuestas válidas demuestran fiabilidad aceptable, correlaciones moderadas entre constructos, calidad de medición retenida, una asociación indirecta respaldada mediante necesidades psicológicas básicas, caminos de control no significativos y puntuaciones dimensionales desiguales. El protocolo permite un diagnóstico transparente de cómo la experiencia de aprendizaje online se asocia con la satisfacción y el compromiso de necesidades psicológicas, evitando la interpretación causal a partir de datos transversales de encuestas.

Introducción

El aprendizaje online se ha convertido en parte de la educación superior rutinaria mediante sistemas de gestión del aprendizaje, plataformas de vídeo, materiales grabados, sesiones síncronas y diseños de cursos mixtos. Sin embargo, muchas evaluaciones siguen basándose en registros de acceso, valoraciones de satisfacción o indicadores de finalización, que muestran si los estudiantes usaron un curso online, pero no aclaran si una menor implicación está asociada a la usabilidad de la plataforma, el apoyo a la instrucción, la calidad de la interacción, la flexibilidad de aprendizaje, la satisfacción psicológica de necesidades o una dimensión específica de compromiso¹. Por tanto, la experiencia de aprendizaje online no debería reducirse a una sola puntuación de satisfacción. La investigación previa sobre la participación en línea enfatiza la interacción entre el contenido del alumno, el alumno-instructor y la interacción entre el aprendiz y el alumno-aprendiz como elementos importantes de la experiencia de aprendizaje online de^{los estudiantes 2}. El protocolo actual mide la experiencia de aprendizaje online a través de la usabilidad de la plataforma, el apoyo instruccional, la calidad de la interacción y la flexibilidad de aprendizaje.

El compromiso con el aprendizaje también es multidimensional. Incluye la participación conductual, la inversión cognitiva y la implicación emocional. Los instrumentos de participación en cursos online muestran que la participación no puede representarse plenamente solo por la participación visible o la finalización^{de tareas 3}. La investigación más amplia en tecnología educativa también muestra que el compromiso conductual suele ser más fácil de observar que el compromiso cognitivo o^{afectivo 4}. Por esta razón, el protocolo mide el compromiso en el aprendizaje a través del compromiso conductual, cognitivo y emocional, en lugar de colapsar el compromiso en una única puntuación indiferenciada.

La teoría de la autodeterminación proporciona la base teórica para vincular la experiencia de aprendizaje online con la participación en el aprendizaje. La teoría básica de la necesidad psicológica identifica la autonomía, competencia y relación como condiciones centrales para la motivación y el ajuste⁵. En el aprendizaje online, la autonomía se refiere a la elección y control percibidas, la competencia a la capacidad percibida para completar tareas de aprendizaje y la relación con la conexión sentida con profesores y compañeros. Estudios previos de aprendizaje online que utilizan la teoría de la autodeterminación han vinculado el apoyo contextual, la satisfacción de la necesidad, la motivación y el compromiso ^6,7. Estos hallazgos apoyan el examen de las necesidades psicológicas básicas como un constructo de asociación indirecta entre la experiencia de aprendizaje online y el compromiso con el aprendizaje, evitando la interpretación causal porque los datos son transversales.

Un problema metodológico en la investigación sobre el compromiso online es la falta de una estructura operativa consistente. Los estudios varían en cómo definen las condiciones de aprendizaje, miden la implicación y conectan el entorno de aprendizaje con la experiencia psicológica de^{los estudiantes 8}. Las encuestas de autoinforme también son vulnerables a respuestas descuidadas, respuestas por patrones, exclusiones post hoc, decisiones sobre datos faltantes y sesgo común de^{método 9}. Por lo tanto, este protocolo fija la estructura del cuestionario en inglés, el mapeo de origen de ítems, las reglas de puntuación, el procedimiento de consentimiento electrónico, la selección de elegibilidad, la regla de comprobación de atención, el umbral de tiempo de finalización, el criterio de línea recta, la comprobación de respuesta de cadena larga, el manejo de datos faltantes, la especificación del modelo y el procedimiento de bloqueo de conjunto de datos antes de comenzar el análisis estructural.

El marco conceptual especifica la experiencia de aprendizaje online como el constructo independiente, las necesidades psicológicas básicas como el constructo de asociación indirecta y el compromiso con el aprendizaje como el constructo de resultado. La vía principal evalúa si la experiencia de aprendizaje online está asociada con necesidades psicológicas básicas, si las necesidades psicológicas básicas están asociadas al compromiso con el aprendizaje y si la experiencia de aprendizaje online sigue estando directamente asociada al compromiso tras tener en cuenta las necesidades psicológicas básicas. El protocolo se guía por cuatro preguntas de investigación: si el protocolo de encuesta estructurada puede medir los tres constructos con una calidad de respuesta aceptable y fiabilidad del constructo; si la experiencia de aprendizaje online está positivamente asociada con necesidades psicológicas básicas y compromiso con el aprendizaje; si la asociación entre la experiencia de aprendizaje online y el compromiso en el aprendizaje se lleva a cabo en parte a través de necesidades psicológicas básicas como una asociación indirecta; y si los análisis de subdimensiones por necesidades psicológicas y las comprobaciones de robustez basadas en regresión apoyan la misma interpretación que el flujo de trabajo principal PLS-SEM.

Este artículo se presenta como una contribución centrada en el método más que como un estudio explicativo convencional y transversal. El protocolo proporciona un flujo de trabajo reproducible para la adaptación de cuestionarios, revisión de expertos, pruebas piloto, administración de encuestas, cribado de respuestas, puntuación de constructos, evaluación de modelos de medición, pruebas de vías estructurales, análisis de asociaciones indirectas, análisis de sensibilidad, comprobación de robustez y bloqueo de archivos de reproducibilidad. Los flujos de trabajo transparentes en la investigación educativa requieren que las decisiones analíticas se documenten antes de la interpretación final del modelo¹⁰. Se utiliza el modelado estructural de ecuaciones de mínimos cuadrados parciales porque permite examinar los componentes de medición y estructurales dentro de un mismo flujo de trabajo, con constructos de primer orden reflectivos y puntuaciones de constructos de orden superior derivadas analíticamente mediante un enfoque disconjunto de dos etapas¹¹. Trabajos previos sobre la participación del estudiante en línea, la presencia social, el apoyo al alumnado y la retención demuestran que la comunicación, el apoyo, la conexión y el diseño inclusivo de los cursos van más allá del simple acceso o la flexibilidad^12,13. Las revisiones sistemáticas indican además que el compromiso conductual, cognitivo y emocional puede responder de forma diferente a las condiciones de aprendizaje en^{línea 14}. Por tanto, los resultados representativos se utilizan únicamente para demostrar el resultado del protocolo, no para reclamar efectos causales a partir de datos transversales^{de encuestas 15}.

Protocolo

El protocolo del estudio fue revisado y aprobado por el Comité de Ética en la Investigación (No Médico) de la Universidad de Malaya bajo el número de aprobación UM. TNC (P&I)/UMREC_4892 el 7 de agosto de 2025. Realizar todos los procedimientos conforme a las directrices institucionales para la investigación que involucre a participantes humanos. Obtén el consentimiento informado electrónico antes de administrar el cuestionario. Utiliza códigos anónimos de participantes durante el reclutamiento, selección, puntuación, análisis y almacenamiento de archivos. Las herramientas y el software de investigación se enumeran en la Tabla de Materiales.

1. Definir el diseño del estudio y el marco analítico

1. Utilizar un diseño cuantitativo transversal para evaluar las vías de asociación entre la experiencia de aprendizaje online, las necesidades psicológicas básicas y la implicación en el aprendizaje de estudiantes universitarios.
2. Define la experiencia de aprendizaje online como el constructo latente independiente, las necesidades psicológicas básicas como el constructo latente de asociación indirecta, y el compromiso del aprendizaje como el constructo latente resultante.
3. Especifica los tres constructos multidimensionales antes de la recogida de datos. Representar la experiencia de aprendizaje online mediante la usabilidad de la plataforma, el apoyo a la enseñanza, la calidad de la interacción y la flexibilidad de aprendizaje; necesidades psicológicas básicas según la necesidad de autonomía, la necesidad de competencia y la necesidad de relaciones; y la participación en el aprendizaje mediante la conducta, la participación cognitiva y la implicación emocional.
4. Utiliza el modelado estructural de mínimos cuadrados parciales como método analítico principal para evaluar la calidad de la medición, las puntuaciones de constructos de orden superior, los caminos estructurales y la vía indirecta predefinida.
5. Especifique la vía principal antes del análisis: experiencia de aprendizaje online → necesidades psicológicas básicas, necesidades psicológicas básicas → implicación en el aprendizaje y experiencia de aprendizaje online → implicación en el aprendizaje.
6. Trata todas las rutas estructurales como estimaciones de asociación. No interpretes ninguna vía como causal porque todas las variables se miden en un solo momento. Realiza una comprobación previa del tamaño de la muestra y de la potencia antes de la contratación. Utiliza al menos 380 respuestas válidas como muestra objetivo y 350 respuestas válidas como muestra mínima aceptable tras el cribado.
7. Presenta el flujo de trabajo del protocolo en la Figura 1, incluyendo reclutamiento, consentimiento, administración de cuestionarios, revisión de expertos, pruebas piloto, cribado de respuestas, bloqueo de conjuntos de datos, evaluación de mediciones, pruebas estructurales, análisis de asociaciones indirectas, comprobación de robustez y preparación de archivos de reproducibilidad.
   NOTA: Mantén el modelo conceptual y las trayectorias estructurales sin cambios desde la construcción del cuestionario hasta el análisis final.

Figura 1: Flujo de trabajo operativo para evaluar la experiencia de aprendizaje online, necesidades psicológicas básicas y participación en el aprendizaje. La figura muestra el flujo de trabajo del protocolo desde el reclutamiento, consentimiento, administración de cuestionarios, revisión de expertos, pruebas piloto, cribado de respuestas y bloqueo de conjuntos de datos hasta evaluación de mediciones, pruebas estructurales, análisis de asociaciones indirectas, comprobación de robustez y preparación de archivos de reproducibilidad. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

2. Reclutar participantes elegibles

1. Recluta estudiantes universitarios que hayan participado en al menos un curso online o mixto durante el semestre académico actual o el más reciente.
2. Incluye participantes de 18 años o más, actualmente matriculados como estudiantes de grado o posgrado, expuestos a aprendizaje online o mixto, capaces de leer el cuestionario en inglés y dispuestos a proporcionar consentimiento informado electrónico.
3. Excluir respuestas cuando no se confirma el consentimiento, no se cumplen los criterios de elegibilidad, se falla el ítem de la verificación de atención, se detecta una presentación duplicada, el tiempo de finalización está por debajo del umbral preespecificado, se detecta línea recta o existe una inconsistencia de elegibilidad no resuelta.
4. Recluta participantes a través de plataformas de aprendizaje universitario, grupos de comunicación de cursos, listas de correo de estudiantes y canales institucionales para estudiantes.
5. No recojas identificadores directos, incluyendo nombres, números de identificación de estudiantes, números de teléfono, direcciones de correo electrónico privadas, direcciones residenciales exactas, direcciones IP, identificadores de dispositivo o identificadores de cuenta.
6. Registrar las fechas de reclutamiento, los canales de reclutamiento, las respuestas enviadas, el recuento de exclusiones por categoría, las respuestas retenidas y el tamaño final de la muestra válida en el registro de trabajo de campo y el registro de selección.
   PUNTO DE PAUSA: Consulta el progreso de reclutamiento semanalmente. Revisa solo el recuento de respuestas, la cobertura del canal de reclutamiento y la tasa preliminar de exclusión (PMS). No inspecciones puntuaciones de constructos, correlaciones ni estimaciones de rutas durante el reclutamiento.

3. Elaborar el cuestionario

1. Prepara un cuestionario estructurado en inglés con consentimiento informado electrónico, cribado de elegibilidad, información de antecedentes de los participantes, ítems de la escala sustantiva y un ítem de comprobación de atención basado en instrucciones.
2. Utiliza una escala de respuesta de Likert de 5 puntos para todos los elementos sustantivos: 1 = fuertemente en desacuerdo, 2 = en desacuerdo, 3 = neutral, 4 = de acuerdo y 5 = totalmente de acuerdo.
3. Adapta los ítems de experiencia de aprendizaje online a partir de medidas previas de percepción del aprendizaje online, apoyo instruccional, calidad de interacción, usabilidad de la plataforma y flexibilidad de aprendizaje. Adapta los elementos básicos de necesidades psicológicas a partir de medidas establecidas de autonomía, competencia y relación. Adapta los ítems de compromiso de aprendizaje a partir de medidas establecidas de comportamiento, cognitiva y emocional.
4. Revisa solo la redacción de los ítems para ajustarla a los contextos universitarios online y de aprendizaje mixto. Utiliza una redacción clara y no orientadora y evita aquellas que impliquen que se espere una alta satisfacción, una alta satisfacción psicológica o un alto compromiso.
5. Prepara una tabla de mapeo de fuentes de ítems antes de las pruebas piloto. Registrar el código del ítem, la construcción, la dimensión, la redacción adaptada, la base de la fuente, la nota de adaptación, el lenguaje del cuestionario y la dirección de puntuación para cada ítem sustantivo.
6. Utiliza 33 ítems sustantivos de la escala Likert: 12 para experiencia de aprendizaje online, nueve para necesidades psicológicas básicas y 12 para la implicación en el aprendizaje. Utiliza tres ítems para cada dimensión de experiencia de aprendizaje online, tres ítems para cada dimensión de necesidades psicológicas básicas y cuatro ítems para cada dimensión de compromiso con el aprendizaje.
7. Coloca un objeto de revisión de atención basado en instrucciones después del bloque de necesidades mentales básicas. Utiliza este ítem solo para el cribado de calidad de respuesta y exclúyelo de la puntuación de constructos, análisis de fiabilidad, análisis de validez, estimación PLS-SEM, pruebas de asociación indirecta y análisis de robustez.
8. Mantén el tiempo esperado de completar el cuestionario entre 8 y 12 minutos durante la prueba piloto. Utiliza la Tabla 1 para documentar dominios de construcción, dimensiones, códigos de ítems, número de ítems, escala de respuesta, dirección de puntuación y base de adaptación. Utiliza el Archivo Suplementario 1 para proporcionar el cuestionario completo, mapeo de origen de ítems, codificación de variables y reglas de puntuación.
   NOTA: Mantén los ítems predictores, de asociación indirecta y de resultado conceptualmente distintos.

Tabla 1: Construir dominios, dimensiones, estructura del cuestionario y reglas de puntuación. Esta tabla resume la estructura del cuestionario, incluyendo dominios y dimensiones de constructos, códigos y números de ítem, ejemplos de ítems, base de adaptación, escala de respuesta y reglas de puntuación. El elemento de control de atención se identifica como un elemento solo de selección. Por favor, haz clic aquí para descargar esta tabla.

4. Realizar revisiones expertas y pruebas piloto

1. Invita a tres a cinco expertos en psicología educativa, aprendizaje online, metodología cuantitativa, investigación en educación superior o diseño de encuestas para revisar el cuestionario.
2. Pide a expertos que evalúen la claridad de los ítems, construyan la relevancia, redundancia de redacción, carga de respuesta, adecuación cultural, claridad del idioma y alineación entre cada elemento y su dimensión asignada.
3. Registrar los resultados de la revisión experta en un registro de revisión de elementos, incluyendo la redacción original, la preocupación del revisor, la decisión de revisión, la redacción final y el motivo de retención, revisión o eliminación.
4. Revisar los ítems que sean ambiguos, de doble forma, demasiado similares, culturalmente inapropiados, débilmente alineados con la dimensión objetivo o inconsistentes con el contexto de la encuesta en inglés.
5. Realizar una prueba piloto con entre 30 y 50 estudiantes universitarios que cumplan los mismos criterios de elegibilidad que el estudio principal. Pide a los participantes del piloto que identifiquen formulaciones poco claras, problemas técnicos en la pantalla, longitud excesiva, redacción repetitiva o incomodidad causada por cualquier ítem del cuestionario.
6. Registrar el tiempo de finalización del piloto para cada participante. Define el umbral mínimo de tiempo de finalización del estudio formal como el valor mayor entre 3 minutos y un tercio del tiempo mediano de finalización del piloto.
7. Calcular la consistencia interna preliminar para cada constructo e inspeccionar las correlaciones totales de ítems tras la prueba piloto. Revisar o eliminar elementos débiles solo cuando la eliminación mejore la calidad de la medición y no debilite la cobertura de constructos.
8. Finalizar y bloquear el cuestionario, el libro de códigos, el mapeo por origen de ítems, el registro de revisión experta, el registro de pruebas piloto, el umbral de tiempo de finalización, la regla de verificación de atención, la regla de detección de duplicados y los criterios de exclusión antes del reclutamiento formal.
   PUNTO DE PAUSA: No comience el reclutamiento formal hasta que todos los cuestionarios, archivos de selección y codificación hayan sido bloqueados.

5. Administrar el cuestionario en línea

1. Construye el cuestionario en un sistema de encuestas en línea que permita la participación anónima, la confirmación de consentimiento, la selección de elegibilidad, la configuración de respuestas requeridas, el registro del tiempo de respuesta, la restricción de duplicados no identificables, la colocación de comprobaciones de atención y la exportación de hojas de cálculo.
2. Coloque el consentimiento informado electrónico antes de los ítems de selección de elegibilidad y cuestionarios. Permitir que los participantes continúen solo tras confirmar la participación voluntaria y presentar el propósito del estudio en un lenguaje neutral. Afirma que el estudio examina las percepciones de los estudiantes sobre el aprendizaje online, la satisfacción de las necesidades psicológicas y el compromiso con el aprendizaje.
3. Establece el consentimiento, las preguntas de elegibilidad y los 33 ítems sustantivos de la escala Likert como campos obligatorios. Desactiva los campos para información identificativa directa. No solicites nombres, números de estudiantes, números de teléfono, direcciones de correo electrónico privadas, direcciones residenciales exactas, direcciones IP, identificadores de dispositivo ni identificadores de cuenta.
4. Permite a los participantes salir del cuestionario antes de la entrega final sin penalización. Restringir las presentaciones repetidas solo mediante configuraciones de plataformas de encuestas que no identifiquen cuando estén disponibles. Mantén el cuestionario abierto durante 4–6 semanas. Monitoriza los conteos de respuestas dos veces por semana y documenta el progreso de la contratación en el registro de trabajo de campo.
   NOTA: No proporciones retroalimentación personal tras la entrega del cuestionario.

6. Exportar y proteger los datos en bruto

1. Exporta todas las respuestas enviadas en formatos .xlsx y .csv inmediatamente después de cerrar el reclutamiento.
2. Guarda un archivo de .xlsx sin cambios como RawData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsx y otro archivo de .csv sin cambios como RawData_OnlineLearning_BPN_Engagement_YYYYMMDD.csv.
3. Crea una copia funcional para filtrar, codificar y analizar. Nombra WorkingData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsx. Asigna a cada respuesta enviada un código de participante anónimo en el formato P001, P002, P003, etc.
4. Almacena el conjunto de datos en bruto en una carpeta de solo lectura y crea una suma de comprobación, un registro de versión del archivo o un registro institucional de historial de versiones antes de que comience el filtrado.
5. Conserva los metadatos de archivo y filtro de registros enviados en bruto desidentificados en la carpeta de verificación institucional protegida. No incluyas registros excluidos en bruto, información directamente identificable ni datos en bruto a nivel de participante en el manuscrito o archivos suplementarios enviados para publicación.
   PUNTO DE PAUSA: No comience la filtración hasta que se hayan guardado el archivo .xlsx en bruto, el archivo .csv en bruto, el registro de trabajo de campo, el registro de versión de datos en bruto y la carpeta de datos en bruto protegidos.

7. Filtrar las respuestas y aplicar reglas de exclusión

1. Aplica todas las reglas de exclusión antes de examinar correlaciones constructo, resultados de modelos de medición, caminos estructurales o estimaciones de asociación indirecta. Eliminar respuestas sin confirmación de consentimiento o sin edad, inscripción, exposición a aprendizaje online o elegibilidad para cuestionarios y idiomas.
2. Eliminar respuestas duplicadas según la regla predeterminada de detección de duplicados. Identificar posibles duplicados solo mediante banderas duplicadas no identificativas de la plataforma de encuestas e información anónima sobre patrones de respuesta. Conserva la respuesta completa más temprana cuando se identifiquen respuestas duplicadas.
3. Eliminar las respuestas que no cumplan con el punto de revisión de atención basado en instrucciones o que se completen por debajo del umbral del tiempo mínimo de finalización del estudio formal. Define el lineado recto como seleccionar la misma opción de respuesta para al menos el 90% de los 33 ítems sustantivos de la escala Likert. Elimina las respuestas que cumplan este criterio.
4. Marcar patrones de respuesta de cadena larga cuando se seleccione la misma opción de respuesta para^{r 2}0 o más elementos sustantivos consecutivos en escala Likert. Elimina las respuestas marcadas solo cuando también muestren un tiempo de finalización inverosímil corto, fallido en la comprobación de atención, línea recta u otra infracción de calidad predefinida.
5. Señala respuestas de fondo inconsistentes cuando el participante reporte no haber exposición online o a aprendizaje mixto pero reporte horas semanales de aprendizaje online por encima de cero. Elimina respuestas con inconsistencias de elegibilidad no resueltas.
6. Registrar cada caso excluido en un registro de selección desidentificado con código anónimo del participante, categoría de exclusión, motivo de exclusión, fecha de cribado y decisión de cribado.
7. Utilice la Tabla 2 para documentar las respuestas enviadas, las categorías de exclusión, el recuento de exclusiones, las respuestas retenidas y el tamaño final de la muestra válida. Si no se pueden reconstruir los conteos de exclusiones brutos para el conjunto de datos representativo, indícalo explícitamente.
   NOTA: Excluir casos solo según las normas predefinidas de consentimiento, elegibilidad, duplicado, verificación de atención, tiempo de finalización, patrón de respuesta, ausencia o coherencia. No empieces a programar hasta que el conjunto de datos en bruto, el conjunto de datos limpio, el registro de filtrado, el archivo de reglas de exclusión, el registro de trabajo de campo y el registro de la versión del conjunto de datos hayan sido guardados y bloqueados por separado.

Tabla 2: Cribado de respuestas, reglas de exclusión y decisiones sobre el manejo de datos. Esta tabla resume las reglas de cribado predefinidas y las decisiones de manejo de datos para consentimiento, elegibilidad, respuestas duplicadas, comprobación de atención, tiempo de finalización, comprobaciones de patrones de respuesta, ausencia y bloqueo de conjuntos de datos. Se aplican reglas de exclusión antes de examinar correlaciones constructas, salida de modelos de medición, caminos estructurales o estimaciones de asociación indirecta. Cada respuesta excluida se registra en un registro de selección desidentificado utilizando el código anónimo del participante, la categoría de exclusión, el motivo de exclusión, la fecha de selección y la decisión de cribado. Por favor, haz clic aquí para descargar esta tabla.

8. Gestionar los datos perdidos

1. Evita que falten valores en las preguntas de consentimiento, de elegibilidad y en los 33 elementos sustantivos de la escala de Likert estableciendo estos campos según lo requerido en el sistema de encuestas. Inspecciona el conjunto de datos limpio en busca de valores faltantes tras el filtrado.
2. Trata los valores faltantes en variables de fondo opcionales como "no reportados". No introduzcas variables demográficas o de fondo opcionales.
3. Excluir una variable de fondo del análisis de covariables si su tasa de ausencia supera el 10%. Conservar una variable de fondo como covariable solo cuando su tasa de ausencia es del 10% o inferior y la variable es teóricamente relevante.
4. No imputes valores faltantes en los 33 ítems sustantivos de la escala de Likert. Si se detecta falta de elementos sustantivos a pesar de la configuración de respuesta requerida, identifica si el problema es causado por la exportación de encuestas, la lógica de la encuesta o un manejo incompleto de la presentación antes de finalizar el conjunto de datos limpio.
   NOTA: Registra la comprobación de datos perdidos. Informa del número de valores faltantes y la tasa de ausencia para el código participante, variables de fondo, elementos sustantivos de la escala Likert, puntuaciones dimensionales y puntuaciones globales de constructos.

9. Codificar variables y calcular puntuaciones

1. Codifica todos los ítems sustantivos de la escala Likert del 1 al 5: 1 = fuertemente en desacuerdo, 2 = en desacuerdo, 3 = neutral, 4 = de acuerdo y 5 = totalmente de acuerdo. Código género, nivel académico, año de estudio, categoría disciplinaria, horas semanales de aprendizaje online y experiencia previa de aprendizaje online según el libro de códigos bloqueado.
2. Inspeccionar todas las variables en busca de valores fuera de rango antes de calcular las puntuaciones de dimensiones o globales de constructos.
3. Calcular las puntuaciones de la dimensión de la experiencia de aprendizaje online como medios de ítems: usabilidad de la plataforma = media(OLE_PU1–OLE_PU3), apoyo instruccional = media(OLE_IS1–OLE_IS3), calidad de interacción = media(OLE_IQ1–OLE_IQ3) y flexibilidad de aprendizaje = media(OLE_LF1–OLE_LF3).
4. Calcular las puntuaciones de dimensión de necesidades psicológicas básicas como medios de ítem: necesidad de autonomía = media(BPN_AU1–BPN_AU3), necesidad de competencia = media(BPN_CO1–BPN_CO3) y necesidad de relación = media(BPN_RE1–BPN_RE3).
5. Calcular las puntuaciones de la dimensión de compromiso de aprendizaje como medios de ítems: compromiso conductual = media(LE_BE1–LE_BE4), compromiso cognitivo = medio(LE_CE1–LE_CE4) y compromiso emocional = medio(LE_EE1–LE_EE4).
6. Calcular las puntuaciones globales de constructos como medias dimensionales: experiencia de aprendizaje online = media (usabilidad de la plataforma, soporte instruccional, calidad de interacción, flexibilidad de aprendizaje); necesidades psicológicas básicas = media (necesidad de autonomía, necesidad de competencia, necesidad de relaciones); y compromiso con el aprendizaje = media (compromiso conductual, compromiso cognitivo, compromiso emocional).
7. Conservar datos a nivel ítem para la evaluación de modelos de medición, puntuaciones dimensionales para estimación de constructos de orden superior y análisis de subdimensiones, y puntuaciones globales de constructos para estadística descriptiva, análisis de correlación, comprobación de modelos estructurales y análisis de robustez basado en regresión.
   NOTA: No incluyas el ítem de verificación de atención en ninguna puntuación, análisis de fiabilidad, análisis de validez, estimación PLS-SEM, análisis de asociación indirecta o análisis de robustez. No estandarices las puntuaciones originales del 1–5 antes del análisis descriptivo.

10. Controlar y evaluar el sesgo común de método

1. Aplicar controles procedimentales antes del análisis mediante respuestas anónimas, redacción neutral, bloques constructos separados, un elemento de comprobación de atención basado en instrucciones, ajustes de respuesta requerida y acceso restringido a datos en bruto.
2. Tras el cribado de respuestas, se utiliza la prueba de un solo factor de Harman para examinar si un factor no rotado representa una parte dominante de la varianza de los ítems. Considera el resultado aceptable cuando el primer factor no rotado representa menos del 50% de la varianza total.
3. Calcular los valores completos del factor de inflación de la varianza de la colinealidad para los constructos focales. Considera valores inferiores a 3,30 como indicativos de que es poco probable un sesgo severo hacia el método común. Registrar el sesgo común de método como limitación si el primer factor no rotado representa el 50% o más de la varianza total o si cualquier factor de inflación de varianza colineal completo es 3,30 o superior.
   NOTA: No digas que el sesgo común por el método está ausente. Indica solo si los diagnósticos indican evidencia grave de un factor dominante de método común.

11. Realizar inspecciones descriptivas y preliminares

1. Utilice R 4.4.1 para estadística descriptiva, comprobaciones de distribución, análisis de correlación y análisis de robustez basado en regresión. Calcula frecuencias y porcentajes para obtener características categóricas de los participantes.
2. Calcula la media, desviación estándar, mínima, máxima, asimetría y kurtosis para elementos sustantivos, puntuaciones dimensionales y puntuaciones globales de constructos.
3. Inspecciona las distribuciones de ítems y puntuaciones para efectos mínimos, efectos de techo y no normalidades graves. Define un posible efecto mínimo o techo como más del 20% de los participantes eligiendo la opción de respuesta más baja o más alta para un ítem sustantivo.
4. Calcular las correlaciones de Pearson entre constructos globales y puntuaciones dimensionales. Trate las correlaciones solo como evidencia descriptiva preliminar y no las utilice como sustituto del modelo estructural predefinido.
   NOTA: Registrar efectos de suelo o techo como características de datos. No elimines casos por razones de distribución a menos que también infrinjan las normas preestablecidas de calidad de respuesta.

12. Estimar el modelo de medición de orden superior

1. Utiliza Smart PLS 4.1 para el análisis PLS-SEM primario e importa el conjunto de datos limpio a nivel de ítem. Especificar la usabilidad de la plataforma, el apoyo instruccional, la calidad de la interacción, la flexibilidad de aprendizaje, la necesidad de autonomía, la necesidad de competencia, la necesidad de relacionación, el compromiso conductual, el compromiso cognitivo y el compromiso emocional como constructos reflexivos de primer orden.
2. Utiliza el enfoque disconjunto de dos etapas. En la primera etapa, estima los constructos de primer orden reflectivos y guarda sus puntuaciones de variables latentes.
3. En la segunda etapa, utilizar puntuaciones variables latentes de usabilidad de plataforma, soporte instruccional, calidad de interacción y flexibilidad de aprendizaje para representar la experiencia de aprendizaje online; las puntuaciones variables latentes de necesidad de autonomía, necesidad de competencia y relación deben representar necesidades psicológicas básicas; y las puntuaciones de variables latentes de compromiso conductual, cognitivo y emocional para representar el compromiso en el aprendizaje.
4. Traten las puntuaciones de constructos de orden superior como representaciones derivadas analíticamente de constructos multidimensionales. No los describas como formativos a menos que se especifique y justifique explícitamente un modelo formativo. Guarda los ajustes de la primera etapa, la configuración de la segunda etapa, las puntuaciones de variables latentes y los archivos de salida de modelo en la carpeta de verificación.
   NOTA: Utilizar el mismo procedimiento de constructos de orden superior en el modelo estructural principal, análisis de subdimensiones de necesidades psicológicas y análisis de robustez basado en regresión.

13. Evaluar el modelo de medición

1. Evalúa el modelo de medición antes de interpretar el modelo estructural. Examinar las cargas exteriores estandarizadas para todos los indicadores retenidos. Conserva indicadores con cargas de al menos 0,70 cuando sea posible.
2. Revisa indicadores con cargas entre 0,40 y 0,70. Eliminar un indicador solo cuando la eliminación mejora la fiabilidad o la validez convergente y no debilita la cobertura del contenido. Eliminar indicadores por debajo de 0,40 a menos que una razón teórica documentada respalde la retención.
3. Evalúa la consistencia interna utilizando la fiabilidad alfa y compuesta de Cronbach. Considera los valores entre 0,70 y 0,95 como aceptables. Evalúa la validez convergente utilizando la varianza media extraída. Considera valores de al menos 0,50 como aceptables.
4. Evalúa la validez discriminante usando la proporción heterorasgo-monorasgo. Utiliza 0,85 como umbral conservativo y 0,90 como umbral máximo aceptable para constructos teóricamente adyacentes.
5. Indicadores retenidos de registros, cargas externas estandarizadas, alfa de Cronbach, fiabilidad compuesta, varianza media extraída, valores heterorasgo-monorasgo, y cualquier decisión de eliminación de ítems en la salida del modelo de medición bloqueado.
   NOTA: No elimines elementos solo para mejorar valores estadísticos. Eliminar un elemento solo cuando tanto la debilidad estadística como la redundancia conceptual están documentadas.
   PUNTO DE PAUSA: No comience la prueba estructural hasta que los indicadores retenidos, valores de carga, valores de fiabilidad, validez convergente, validez discriminante, entradas de libro de códigos y valores de salida de medición hayan sido comprobados contra los archivos de análisis bloqueados.

14. Probar el modelo estructural y la vía de mediación

1. Especifica tres vías estructurales: experiencia de aprendizaje online → necesidades psicológicas básicas, necesidades psicológicas básicas → implicación en el aprendizaje y experiencia de aprendizaje → participación en el aprendizaje online.
2. Incluir las horas semanales de aprendizaje online y la experiencia previa de aprendizaje online como variables de control predefinidas. Trata el género, el nivel académico, el año de estudio y la categoría disciplinaria como variables descriptivas, salvo que estén incluidos en un modelo de sensibilidad preespecificado.
3. Examinar la colinealidad del modelo estructural antes de interpretar los coeficientes de camino. Considere los valores del factor de inflación de la varianza por debajo de 3,30 como indicativos de que la colinealidad perjudicial es poco probable.
4. Estima coeficientes de camino estandarizados, valores t , valores p e intervalos de confianza del 95% usando 5.000 remuestreos bootstrap con pruebas de dos colas. Utiliza intervalos de confianza corregidos por sesgo cuando estén disponibles.
5. Estima el camino indirecto desde la experiencia de aprendizaje online hasta la implicación en el aprendizaje a través de las necesidades psicológicas básicas. Trate la vía de asociación indirecta como soportada cuando el intervalo de confianza bootstrap para el efecto indirecto no incluye cero.
6. Registrar el efecto directo, efecto indirecto, efecto total, valores de R², valores ajustados de R², tamaños de efecto f ², valores del factor de inflación de varianza del modelo estructural y caminos de variables de control en la salida del modelo estructural bloqueado. Interpreta todas las estimaciones estructurales como vías basadas en asociaciones en lugar de efectos causales.
   NOTA: No elimines un camino preespecificado porque no es significativo. Conservar el modelo preespecificado a menos que se identifique un error de codificación o de especificación del modelo.

15. Examinar las subdimensiones de necesidades psicológicas

1. Sustituir el constructo global de necesidades psicológicas básicas por necesidad de autonomía, necesidad de competencia y necesidad de relación como constructos paralelos de asociación indirecta. Estima por separado las vías indirectas desde la experiencia de aprendizaje online hasta el compromiso con el aprendizaje mediante necesidad de autonomía, necesidad de competencia y necesidad relacionada.
2. Utiliza 5.000 remuestreos bootstrap para cada ruta de subdimensión. Compara la dirección, magnitud e intervalo de confianza de cada vía indirecta de subdimensión. Trata este análisis como un análisis de sensibilidad en lugar del modelo principal.
   NOTA: No reinterpretes el análisis de sensibilidad subdimensional como un nuevo modelo primario.

16. Realizar un análisis de robustez basado en regresión

1. Exporta el conjunto de datos limpio de construct-score y guárdalo como ConstructScores_OnlineLearning_BPN_Engagement_YYYYMMDD.csv. Utiliza R 4.4.1 para retroceder las necesidades psicológicas básicas globales en la experiencia global de aprendizaje online, las horas semanales de aprendizaje online y la experiencia previa de aprendizaje online.
2. Regresa la participación global en el aprendizaje en la experiencia global de aprendizaje online, las necesidades psicológicas básicas globales, las horas semanales de aprendizaje online y la experiencia previa de aprendizaje online. Estima la vía indirecta usando 5.000 remuestreos bootstrap.
3. Compara la vía indirecta basada en regresión con la vía indirecta PLS-SEM. Clasificar la vía como robusta solo cuando la dirección se mantenga constante y la interpretación sustantiva no cambie. Guarda el script de R, la configuración de arranque y la salida de robustez en la carpeta de verificación.
   PUNTO DE PAUSA: No comience el bloqueo final del archivo hasta que el modelo estructural, el análisis de subdimensiones y el análisis de robustez basado en regresión hayan sido cruzados.

17. Gestionar resultados analíticos subóptimos

1. Si la fiabilidad alfa o compuesta de Cronbach es inferior a 0,70, inspeccionar las correlaciones totales de elementos y las cargas externas estandarizadas. Si la varianza media extraída es inferior a 0,50, se inspeccionan los indicadores retenidos e identifica si uno o más indicadores debilitan la validez convergente.
2. Si los valores de heterorasgo-monorasgo superan el umbral preespecificado, se inspecciona la redacción del ítem para detectar superposición semántica entre constructos teóricamente cercanos. Elimina un elemento débil solo cuando sea estadísticamente débil y conceptualmente redundante. Mantener los constructos teóricamente adyacentes separados al fusionarlos reduciría la claridad conceptual.
3. Si la vía indirecta no está soportada, se registra el resultado como una asociación indirecta no soportada. Si las variables de control muestran asociaciones no significativas, registra los resultados sin sobreinterpretación.
   NOTA: No revises el modelo teórico tras el análisis para forzar un apoyo más fuerte.

18. Bloquear salidas de software y archivos de reproducibilidad

1. Crea una carpeta final de verificación institucional llamada Verification_OnlineLearning_BPN_Engagement_YYYYMMDD.
2. Guarda el archivo bruto de conjuntos de datos, el conjunto de datos limpio, el conjunto de datos de puntuación constructo, el libro de códigos, el cuestionario, la tabla de mapeo de origen elemento, el registro de revisión experta, el registro de pruebas piloto, el registro de trabajo de campo, el registro de filtros, el archivo de reglas de exclusión, el registro umbral de tiempo de finalización, las salidas Smart PLS, los scripts R, las tablas de salida R, el registro de versiones de software y el registro de cambios de versión en la carpeta de verificación.
3. Guarda archivos de proyecto Smart PLS 4.1 y exportas las salidas de measurement-model, structural-model, bootstrap y heterotrait-monotrait en una subcarpeta llamada SmartPLS_Output. Guarda los scripts de R y las tablas de salida de R en una subcarpeta llamada R_Output. Guarda el cuestionario, el mapeo de origen de ítems, la codificación de variables y las reglas de puntuación como Archivo Suplementario 1.
4. Guarda la verificación final del conjunto analítico de datos, el resumen de cribado, el registro de datos faltantes, el diagnóstico de sesgo de métodos comunes, los resultados del modelo de medición, los resultados del modelo estructural, los resultados de asociaciones indirectas, el análisis de subdimensiones, el registro de robustez basado en regresión, la configuración del software y el registro de versión como Archivo Suplementario 2.
5. No incluyas información directamente identificable, registros excluidos en bruto ni datos en bruto a nivel de participante en el manuscrito o archivos suplementarios enviados para publicación. Bloquea la carpeta final de verificación tras comprobar la consistencia. Guarda las correcciones posteriores como versiones nuevas y con fecha y documenta el motivo en el registro de cambios de versión.

Resultados

Conjunto de datos analítico final y características de los participantes

El conjunto de datos analítico final incluyó a 386 estudiantes universitarios. El reclutamiento formal se llevó a cabo desde el 18 de agosto de 2025 hasta el 26 de septiembre de 2025 a través de plataformas de aprendizaje universitario, grupos de comunicación de cursos, listas de correo electrónico de estudiantes y canales institucionales para estudiantes. Un total de 432...

Discusión

Este protocolo proporciona un flujo de trabajo metodológico reproducible para evaluar las vías de asociación entre la experiencia de aprendizaje online, las necesidades psicológicas básicas y la participación en el aprendizaje en estudiantes universitarios. En lugar de tratar el aprendizaje online como una única condición, el protocolo separa el entorno de aprendizaje percibido en usabilidad de plataforma, apoyo instruccional, calidad de interacción y flexibilidad de aprendizaje. Esta es...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Qualtrics online survey platform	Qualtrics	Institutional account; version not applicable	Used to administer the anonymous English-language questionnaire, including consent confirmation, eligibility screening, required-response settings, AC1 attention-check item, response-time recording, and data export.
Microsoft Excel for Microsoft 365	Microsoft Corporation	Microsoft 365 institutional version	Used to store the raw exported dataset, cleaned dataset, codebook, screening log, construct-score file, and verification records in .xlsx and .csv formats.
G*Power	Heinrich Heine University Düsseldorf	G*Power 3.1.9.7	Used for a priori sample-size and power checking before recruitment.
SmartPLS	SmartPLS GmbH	SmartPLS 4.1 Professional	Used for the primary PLS-SEM workflow, including disjoint two-stage higher-order construct estimation, measurement-model assessment, structural-pathway testing, bootstrapping, R², f², and model-output export.
R statistical software	R Foundation / CRAN	R 4.4.1	Used for descriptive statistics, Pearson correlations, common method bias diagnostics, and regression-based robustness analysis.
R package: psych	CRAN	psych 2.4.6	Used for descriptive statistics, reliability checks, and psychometric summaries.
R package: boot	CRAN	boot 1.3-30	Used for bootstrap-based regression robustness checks.
R package: semPlot	CRAN	semPlot 1.1.6	Used only for optional path-diagram cross-checking when R-based visual verification is needed.
OneDrive for Business or SharePoint version history	Microsoft Corporation	Microsoft 365 institutional account	Used to store the verification folder and preserve version history for raw data, cleaned data, codebook, screening log, SmartPLS outputs, R scripts, and supplementary files.
Questionnaire and coding file	Author-prepared study file	Supplementary File 1	Contains the final questionnaire, item-source mapping, variable names, coding rules, dimension-score formulas, global construct-score formulas, and data-handling rules.
Screening and reproducibility record	Author-prepared study file	Supplementary File 2	Contains final dataset verification, screening checks, missing-data record, reliability results, common method bias diagnostics, measurement-model output, structural-model output, indirect-association results, sensitivity analysis, robustness record, and final consistency checklist.
Figure-preparation software	Adobe Illustrator or equivalent vector-editing software	Institutional version	Used to prepare publication-ready workflow and structural-model figures.