Un flux de travail d’enquête reproductible pour examiner la résilience psychologique, le sentiment d’appartenance à l’école et la pensée de niveau supérieur chez les étudiants universitaires

Résumé

Ce protocole propose un flux de travail d’enquête reproductible pour la collecte de données, le dépistage de qualité et l’analyse modérée de la médiation chez les étudiants universitaires.

Résumé

Cet article de méthode présente un protocole d’enquête d’auto-évaluation transversale reproductible pour examiner les liens entre la résilience psychologique, le sentiment d’appartenance à l’école (SSB), la pensée d’ordre supérieur et le trouble du jeu en ligne (IGD) chez les étudiants. Dans ce protocole, les nouveaux schémas d’emploi sont traités comme un contexte contextuel façonné par l’intelligence artificielle générative, le travail basé sur des plateformes et l’évolution des attentes en compétences des diplômés, plutôt que comme une variable d’exposition au niveau des participants. Le protocole intègre l’échantillonnage institutionnel, l’administration des questionnaires, la documentation de traduction, le criblage de la qualité des réponses, la gestion des données manquantes, la notation de l’échelle, le criblage par biais par méthode courante, le centrage variable et l’analyse conditionnelle des processus dans un seul flux de travail standardisé. Le SSB est spécifié comme un médiateur statistique, et l’IGD est spécifié comme un modérateur dans le cadre d’un cadre de médiation modérée basé sur l’association. Les résultats représentatifs incluent les enregistrements échantillon-flux, les statistiques descriptives, les matrices de corrélation, les estimations de médiation et de médiation modérée, les effets indirects conditionnels, l’indice de médiation modérée et les graphiques d’interaction. Parce que l’ensemble de données représentatif est transversal et auto-déclaré, le protocole permet une estimation transparente des associations statistiques plutôt que des inférences causales ou longitudinales. En standardisant les décisions de prétraitement et les spécifications du modèle avant analyse, ce flux de travail améliore la transparence, la comparabilité et la reproductibilité dans la recherche par sondage éducatif et comportemental.

Introduction

De nouveaux schémas d’emploi façonnés par l’intelligence artificielle générative, le travail basé sur plateformes et l’intégration professionnelle interdisciplinaire ont modifié la manière dont les universités abordent la préparation des diplômés et le développement des^{étudiants 1}. Dans cet article, les nouveaux schémas d’emploi sont traités comme une condition contextuelle plutôt que comme une exposition mesurée au niveau des participants. Le protocole ne classe pas les étudiants selon leur participation directe au travail sur plateforme, au travail à petits boulots ou à l’emploi médié par l’intelligence artificielle. Ce contexte explique plutôt pourquoi la pensée d’ordre supérieur (HOT), la résilience psychologique (RP) et le soutien scolaire sont des constructions pertinentes pour les étudiants universitaires confrontés à des transitions éducatives et professionnelles de plus en plus incertaines. Cette clarification est nécessaire car le protocole est conçu pour la recherche par sondage comportemental transversal plutôt que pour estimer les effets d’une exposition mesurée par un schéma d’emploi.

Dans ce contexte, on attend de plus en plus des diplômés qu’ils résolvent des problèmes inconnus, transfèrent des connaissances entre les domaines, évaluent l’information de manière critique et prennent des décisions adaptatives sous incertitude². Les discussions récentes sur le marché du travail et l’enseignement supérieur soulignent également un décalage persistant entre les attentes des employeurs et la préparation des diplômés, en particulier en matière de communication, collaboration, résolution indépendante de problèmes et^{innovation 3}. Ces exigences ont fait de HOT un construct de résultats utile dans la recherche éducative et comportementale concernant l’adaptation des élèves dans des conditions d’emploi^{changeantes 4}.

HOT désigne des activités cognitives avancées au-delà de la mémoire et de la compréhension de base, incluant l’analyse, l’évaluation, la prise de décision, la résolution de problèmes et la pensée^{créative 5}. S’appuyant sur la distinction classique entre cognition d’ordre inférieur et cognition d’ordre supérieur, les recherches antérieures soulignent que la HOT implique une transformation des connaissances plutôt qu’une simple reproduction des connaissances et qu’elle est étroitement liée aux contextes authentiques des problèmes, à l’intégration des connaissances antérieures et à la flexibilité^{cognitive 6}. Dans des environnements d’emploi et d’apprentissage médiés numériquement, les élèves doivent souvent interpréter des informations complexes, travailler avec des outils intelligents et maintenir une autonomie cognitive lorsque l’information est abondante mais inégale^{en qualité 7}. Ces conditions font de HOT un concept focal approprié pour un protocole de recherche comportementale reproductible.

La PR est incluse dans ce protocole car elle est théoriquement et empiriquement liée au fonctionnement adaptatif des élèves sous stress et^{incertitude 8}. Bien que les définitions de la PR diffèrent selon les perspectives basées sur les résultats, les traits et les processus, la plupart des récits convergent vers l’idée que la PR reflète la capacité à se réguler, à se remettre des difficultés et à maintenir une adaptation fonctionnelle dans des conditions^{difficiles 9}. Dans le protocole actuel, la PR n’est pas considérée comme un déterminant causal prouvé de la HOT. Il est plutôt modélisé comme une variable indépendante qui peut être statistiquement associée à HOT dans un ensemble de données transversal. Cette formulation est cohérente avec la limite de conception de l’étude et évite d’impliquer un ordre temporel que les données ne peuvent pas établir. Cette association est plausible car les étudiants ayant une RP plus solide peuvent être plus capables de maintenir un engagement orienté vers des objectifs, une adaptation constructive et un raisonnement adaptatif face à des pressions académiques et^{professionnelles 10}. Des travaux empiriques antérieurs ont lié la RP à la résolution de problèmes, à la pensée critique et à la cognition adaptative, bien que les preuves directes reliant la RP à la HOT restent^{limitées 11}. Pour cette raison, le présent article utilise la relation entre PR et HOT comme exemple de modélisation représentatif permettant de démontrer le protocole complet de l’enquête à l’analyse.

Le sentiment d’appartenance à l’école (SSB) est intégré comme médiateur statistique dans le protocole. Elle est généralement définie comme l’expérience perçue des élèves d’être acceptés, respectés, soutenus et connectés au sein de la communauté scolaire¹². La plupart des définitions mettent l’accent sur un lien émotionnel et relationnel avec l’institution, les enseignants et les pairs formés par la participation, la reconnaissance et le soutien¹³. Dans un contexte professionnel changeant, la SSB est pertinente car les étudiants s’appuient souvent sur les conseils universitaires, l’interaction avec les pairs et les ressources institutionnelles lorsqu’ils se préparent à des futurs académiques et professionnels^{incertains 14}.

Des études existantes suggèrent que la PR est positivement associée à la SSB. Les élèves ayant une meilleure RP peuvent être plus enclins à chercher du soutien, à maintenir un engagement constructif et à préserver un sentiment de connexion avec les enseignants et les pairs face au stress¹⁵. La SSB a également été associée à la résolution collaborative de problèmes, à la pensée critique, à la créativité et à un engagement plus profond dans les activités^{d’apprentissage 16}. Sur cette base, le protocole actuel spécifie la SSB comme médiateur statistique entre PR et HOT. Cette spécification doit être interprétée comme un modèle de médiation basé sur l’association, adapté aux données d’enquête transversales, plutôt que comme une preuve que la PR cause temporairement la SSB ou que la SSB produit causalement la HOT.

Le trouble du jeu en ligne (IGD) est inclus comme modérateur car le comportement numérique peut influencer la force des associations entre PR, SSB et HOT. L’IGD désigne un comportement de jeu persistant et récurrent associé à une déficience cliniquement significative et a reçu une attention croissante chez les populations étudiantes ayant une exposition numérique intensive¹⁷. Des études antérieures ont lié le jeu problématique à des routines perturbées, une baisse de la qualité du sommeil, un soutien social moindre, une capacité d’adaptation plus faible et un engagement académique^{moindre 18}. Ces résultats soutiennent l’idée que des niveaux plus élevés de symptômes de la DMI peuvent affaiblir le fonctionnement éducatif et psychosocial adaptatif.

En même temps, les comportements liés au jeu ne doivent pas être interprétés de manière simpliste. Certains environnements de jeu impliquent la prise de décision stratégique, l’apprentissage basé sur le retour et le défi cognitif, mais ces fonctionnalités ne signifient pas que l’IGD lui-même est^{bénéfique 19}. Dans le protocole actuel, l’IGD est traitée uniquement comme modérateur statistique des schémas d’association. Toute interaction impliquant l’IGD est interprétée prudemment comme une association conditionnelle au sein de l’ensemble représentatif plutôt que comme une preuve clinique que le trouble du jeu vidéo améliore la cognition ou renforce le fonctionnement scolaire.

Malgré un intérêt croissant pour les relations publiques, le SSB, le HOT et le comportement numérique des élèves, un fossé méthodologique subsiste. De nombreuses études rapportent des associations entre ces constructions, mais moins offrent un protocole transparent et reproductible reliant le recrutement des participants, l’administration des enquêtes, la documentation de traduction, le dépistage des réponses invalides, la gestion des données manquantes, le score d’échelle, le dépistage de fiabilité, le criblage par biais par méthode courante, le centrage variable et l’analyse conditionnelle des processus au sein d’un cadre auditable. Cette lacune est particulièrement pertinente pour la recherche en sondage éducatif et comportemental, où les résultats peuvent être difficiles à reproduire si les règles de prétraitement et les décisions de modèles ne sont rapportées que partiellement.

Pour combler cette lacune, le présent article de méthode propose un protocole reproductible pour mener une enquête auto-évaluation transversale et générer des résultats de médiation modérés représentatifs. Le protocole utilise PR, SSB, HOT et IGD comme exemples appliqués, mais sa contribution principale est méthodologique plutôt que causale. Le protocole démontre comment construire un cadre d’échantillonnage, administrer un questionnaire standardisé, traduire des documents et prendre des décisions de notation, appliquer des règles de sélection prédéfinies, préparer un ensemble de données prêt à l’analyse, et estimer les modèles conditionnels 4 et 59 en utilisant des règles de déclaration fixes. Comparé à des approches d’analyse d’enquête moins standardisées, ce protocole améliore la transparence, la comparabilité, la reproductibilité et l’auditabilité en documentant les décisions de prétraitement et les spécifications du modèle avant interprétation. En présentant ces étapes comme une procédure unifiée, l’article fournit aux chercheurs un cadre reproductible pour la recherche par sondage éducatif et comportemental sur l’adaptation des étudiants universitaires et le développement des HOT.

Protocole

Cette étude a été approuvée par le Comité d’éthique du Collège professionnel et technique de Liuzhou (code de protocole : LVTC-2024-02-879 ; date d’approbation : 1er février 2024). Obtenez un consentement éclairé électronique avant d’accéder au questionnaire. Supprimez les identifiants directs avant l’exportation et l’analyse des données. Stockez les fichiers bruts, nettoyés, prêts à l’analyse, de notation, de filtrage et de sortie dans des dossiers à accès restreint.

1. Recruter les participants en utilisant un flux de travail d’échantillonnage aléatoire à plusieurs étapes prédéfini

1. Construire et verrouiller le cadre d’échantillonnage institutionnel
   1. Définir les nouveaux schémas d’emploi comme le contexte de l’étude plutôt que comme une exposition mesurée au niveau des participants.
   2. Identifiez les établissements candidats via les dossiers publics d’éducation, les sites web des universités, les avis de réforme de l’enseignement, les documents d’orientation à l’emploi et les annonces de programmes ou de formations.
   3. Inclure les établissements d’enseignement supérieur reconnus en Chine continentale, inscrire des étudiants à temps plein, tenir des registres vérifiables liés à l’intelligence artificielle, à l’apprentissage numérique, à la préparation à la carrière, à l’innovation ou à la formation HOT, fournir un accès à l’échantillonnage basé sur la liste et accepter la procédure standardisée d’enquête anonyme en ligne.
   4. Excluez les établissements sans dossiers de formation vérifiables, listes actuelles, inscription active d’étudiants pendant la période d’enquête, ou capacité à suivre le même protocole administratif.
   5. Conserver 32 établissements éligibles et attribuer des codes d’établissement de I-01 à I-32.
   6. Verrouillez le cadre d’échantillonnage institutionnel avant la sélection aléatoire. Utilisez un cadre d’échantillonnage prédéfini et une règle de sélection fixe pour réduire les décisions d’échantillonnage post-hoc dans la recherche par enquête^{multisite 20}.
2. Effectuer une sélection aléatoire au niveau de l’établissement et des étudiants
   1. Utilisez une procédure de nombre aléatoire basée sur la graine pour la sélection au niveau de l’institution.
   2. Réglez la graine aléatoire sur 20241007.
   3. Générez des chiffres aléatoires pour les 32 établissements éligibles, triez les valeurs par ordre croissant, puis sélectionnez les trois premiers codes d’institution. Sélectionnez les codes d’établissement I-07, I-18 et I-29.
   4. Obtenez les listes de promotion actuelles des trois établissements sélectionnés et vérifiez l’inscription active du 7 octobre 2024 au 15 novembre 2024.
   5. Inclure les étudiants à temps plein âgés de 18 à 25 ans qui peuvent lire le chinois, figurer sur la liste de l’institution, accéder au questionnaire en ligne et fournir un consentement éclairé électronique.
   6. Excluez les élèves de moins de 18 ans, non inscrits activement, en échange ou en congé, incapables de remplir le questionnaire chinois de manière autonome, ayant participé au test pilote, refusé leur consentement, ou soumis des questionnaires en double ou invalides.
   7. Stratifiez la liste des étudiants par établissement et sélectionnez aléatoirement les étudiants de chaque établissement en utilisant la même procédure basée sur les graines.
   8. Invitez 860 élèves, dont 286 étudiants de l’I-07, 287 de l’I-18 et 287 de l’I-29.
      REMARQUE : Maintenir les procédures de sélection au niveau de l’institution et des étudiants fixes après la randomisation. Effectuer tout remplacement en utilisant la même procédure basée sur les graines.
3. Définir la fenêtre de collecte et finaliser l’échantillon analytique
   1. Collectez les données du 7 octobre 2024 au 15 novembre 2024.
   2. Distribuez le questionnaire aux 860 étudiants invités via des conseillers approuvés par l’établissement, en utilisant le même script écrit.
   3. Enregistrez le flux de réponses : 860 étudiants invités, 800 questionnaires retournés, 60 non-réponses, 24 réponses invalides exclues et 776 cas retenus. Enregistrez un taux de réponse global de 93,0 %.
   4. Consignez le flux au niveau de l’institution comme suit : I-07, 267 questionnaires retournés, 8 réponses exclues et 259 cas conservés ; I-18, 266 questionnaires retournés, 7 réponses exclues et 259 cas conservés ; et I-29, 267 questionnaires retournés, 9 réponses exclues et 258 cas conservés.
   5. Appliquez la hiérarchie des exclusions dans l’ordre suivant : réponse dupliquée, incohérence d’éligibilité, temps de complétion, réponse en ligne droite et réponse en schéma répété.
   6. Excluez les réponses répondant à l’un des critères suivants : soumission en double, incohérence d’éligibilité, temps de complétion de <360 s, la même option sélectionnée pour ≥85 % des items Likert, ou un schéma alterné répété sur ≥15 items Likert consécutifs. N’utilisez pas un produit qui fait attention à l’attention.
   7. Excluez 24 réponses invalides, dont 3 réponses en double, 3 incohérences d’éligibilité, 7 exclusions en temps de complétion, 9 réponses en ligne droite et 2 réponses à motif répété.
   8. Conservez 776 cas valides. Enregistrer un échantillon final composé de 219 hommes (28,2 %) et 557 femmes (71,8 %) âgés de 19 à 25 ans.
      REMARQUE : Utilisez le flux d’échantillons corrigés de manière cohérente tout au long du manuscrit : 860 étudiants invités, 800 questionnaires retournés, 24 réponses exclues et 776 cas conservés.

2. Administrer le questionnaire selon une procédure en ligne standardisée

1. Préparez le questionnaire et documentez l’adaptation linguistique
   1. Préparez cinq sections de questionnaire : démographie, PR, HOT, SSB et symptômes de l’IGD.
   2. Utilisez 75 objets de l’échelle notée, dont 25 objets PR, 23 objets HOT, 18 objets SSB et 9 objets IGD.
   3. Placez le formulaire électronique de consentement éclairé avant tous les items de l’enquête et exigez le consentement des participants avant d’accéder au questionnaire. Utilisez le consentement électronique et les réponses en ligne dé-identifiées pour protéger l’autonomie et la vie privée des participants dans la recherche par enquête^{comportementale 21}.
   4. Utilisez des réponses forcées pour tous les items de l’échelle et les variables démographiques analytiques.
   5. Traduire les échelles d’origine anglaise en utilisant la traduction directe, la réconciliation, la rétrotraduction, la revue d’experts et la vérification pilote. Appliquer des procédures standard d’adaptation d’instruments interculturels pour préserver l’équivalence sémantique et^{conceptuelle 22}.
   6. Utilisez deux traducteurs bilingues en avant, un traducteur indépendant en arrière et au moins trois experts évaluateurs lors de l’adaptation du questionnaire.
   7. Effectuez une vérification pilote avec 30 étudiants qui ne sont pas inclus dans l’échantillon analytique final.
   8. Documentez la source de l’article, la formulation originale, la traduction en avant, la rétrotraduction, la formulation finale en chinois et la justification de la révision dans le Tableau Supplémentaire 1.
   9. Verrouillez le questionnaire avant l’administration.
      REMARQUE : Ne changez pas la formulation de l’article après le verrouillage du questionnaire.
2. Standardiser le flux de travail administratif entre les institutions
   1. Formez les conseillers en utilisant le même script administratif écrit.
   2. Précisez que la participation est volontaire, anonyme, sans rapport avec les notes ou l’évaluation, et peut être refusée sans pénalité.
   3. Administrez le questionnaire en ligne pendant les réunions de classe sans interprétation du contenu des points par le conseiller.
   4. Empêchez les conseillers de consulter les réponses individuelles des participants.
   5. Notez la date d’administration, le code de l’institution, le contexte de la classe, l’identifiant du conseiller, le nombre d’invitations, le nombre de retours, la durée des séances et les écarts de protocole.
      REMARQUE : Utilisez la même procédure de consentement, la même déclaration d’anonymat, le script administratif et les instructions de réponse pour toutes les institutions participantes.

3. Évaluer les instruments de mesure à l’aide d’un cadre de notation verrouillé

1. Notez l’échelle de résilience psychologique
   1. Utilisez l’échelle de résilience psychologique de 25 items révisée par Hu et Gan selon le cadre^{Connor-Davidson 23}.
   2. Notez tous les items à l’aide d’une échelle de Likert à 5 points et calculez la moyenne. Interprétez des scores élevés comme un meilleur record personnel.
   3. Enregistrer la cohérence interne comme alpha de Cronbach = 0,958.
2. Notez l’échelle de pensée d’ordre supérieur
   1. Utilisez l’échelle de pensée d’ordre supérieur de 23 items développée par Hwang et^{ses collègues 24}.
   2. Notez tous les items à l’aide d’une échelle de Likert à 5 points et calculez la moyenne. Interprétez les scores plus élevés comme un HOT plus élevé.
   3. Record de cohérence interne comme alpha de Cronbach = 0,973.
3. Notez l’échelle d’appartenance à l’école
   1. Utilisez l’échelle chinoise de 18 items sur le sentiment psychologique d’appartenance scolaire, révisée par Pan et ses collègues sur la base du cadre original d’adhésion scolaire^{de Goodenow 25}.
   2. Inversez les points 3, 6, 9, 12 et 16 en utilisant la règle de conversion suivante : 1 = 5, 2 = 4, 3 = 3, 4 = 2 et 5 = 1.
   3. Calculez le score moyen après codage inversé. Interprétez les scores plus élevés comme un SSB plus élevé.
   4. Record de cohérence interne comme alpha de Cronbach = 0,838.
4. Notez l’échelle des troubles du jeu vidéo sur Internet
   1. Utilisez l’échelle des troubles du jeu en ligne de 9 items, alignée sur le critère²⁶ du DSM-5.
   2. Notez tous les items à l’aide d’une échelle de Likert à 5 points et calculez la moyenne. Interprétez les scores élevés comme des symptômes d’IGD auto-déclarés plus élevés.
   3. Considérez la DMI comme un score de symptômes continu plutôt que comme un diagnostic clinique.
   4. Record de cohérence interne comme alpha de Cronbach = 0,941.
5. Verrouillez et auditez les décisions de notation
   1. Utilisez les scores moyens pour les quatre variables : PR, HOT, SSB et IGD.
   2. Utilisez les mêmes abréviations de façon constante tout au long du protocole et du flux d’analyse : PR, HOT, SSB et IGD.
   3. Notez le nombre d’éléments, la plage de réponses, les éléments codés inversément, la direction du score, la règle de calcul, le codage démographique et les valeurs de fiabilité dans le Tableau Supplémentaire 2.
      REMARQUE : Notez à l’inverse les items SSB avant de calculer les statistiques descriptives, les corrélations, les estimations de fiabilité ou les modèles de processus conditionnels.

4. Nettoyer le jeu de données et créer un fichier prêt à être analysé

1. Exportez et versionnez les fichiers de données
   1. Exportez le fichier brut du questionnaire après la fermeture de l’enquête.
   2. Gardez le fichier brut du questionnaire en format lecture seule.
   3. Créez un fichier de travail séparé pour les procédures de filtrage, de nettoyage, de recodage et de notation.
   4. Créer le jeu de données final prêt pour l’analyse après avoir appliqué les exclusions, le codage inversé, le calcul des scores, le codage démographique et le centrage des variables.
2. Appliquer un contrôle des données manquantes et de la qualité des réponses
   1. Vérifiez l’absence au niveau de l’élément dans le jeu de données soumis. Aucun nombre de valeurs manquantes au niveau de l’item car des réponses forcées ont été utilisées lors de l’administration du questionnaire.
   2. Ne pas entrer de données manquantes. Le dossier 0 excluait les cas pour l’absence de données d’échelle et 0 valeurs imputées sur l’échelle.
   3. Appliquer le dépistage de la qualité des réponses aux 800 questionnaires retournés en utilisant les critères d’exclusion définis à l’étape 1.3.
   4. Excluez 24 réponses invalides et conservez 776 cas valides pour analyse.
      REMARQUE : Utiliser le flux d’échantillon corrigé de manière cohérente tout au long du protocole et de tous les résultats représentatifs : 860 étudiants invités, 800 questionnaires retournés, 24 réponses exclues et 776 cas conservés.
3. Vérifier le codage, le recodage et la préparation à l’analyse inférentielle
   1. Vérifiez le codage inversé pour les éléments SSB 3, 6, 9, 12 et 16 avant le calcul du score.
   2. Code de genre comme 0 = homme et 1 = femelle.
   3. L’âge du code suit : 1 = 19 ans, 2 = 20 ans, 3 = 21 ans, 4 = 22 ans, 5 = 23 ans, 6 = 24 ans, et 7 = 25 ans.
   4. Utilisez les variables notées PR_mean, HOT_mean, SSB_mean et IGD_mean pour la préparation à l’analyse.
   5. Utilisez les variables centrées PR_c, SSB_c et IGD_c pour les analyses d’interaction.
      REMARQUE : Terminez les procédures d’exclusion, le codage inverse, le codage démographique, le calcul des scores et le centrage des variables avant analyse inférentielle.

5. Réaliser les analyses statistiques en utilisant un flux de travail prédéfini

1. Enregistrer et verrouiller l’environnement d’analyse
   1. Utilisez un environnement statistique qui soutient la régression, la médiation bootstrappe, la médiation modérée et le sondage d’interaction.
   2. Utilisez une macro d’analyse conditionnelle de processus documentée, un package ou une procédure basée sur la syntaxe capable d’estimer des modèles de médiation et modérés.
   3. Utilisez le Modèle 4 pour la médiation et le Modèle 59 pour la médiation modérée. Appliquer l’analyse conditionnelle des processus pour estimer la médiation, la modération et la médiation modérée dans les modèles basés sur^{la régression 27}.
   4. Régler l’estimation bootstrap à 5 000 rééchantillonnages corrigés par biais avec intervalles de confiance à 95 %. Utilisez des intervalles de confiance bootstrap pour l’estimation des effets indirects car la distribution d’échantillonnage des effets indirects est souvent non^{anormale de 28}.
   5. Variables continues focales au centre moyen avant de construire les termes d’interaction : PR_c = PR_mean − moyenne(PR_mean), SSB_c = SSB_mean − moyenne(SSB_mean), et IGD_c = IGD_mean − moyenne(IGD_mean).
   6. Utilisez PR_c × IGD_c pour les chemins modérés PR → SSB et PR → HOT. Utilisez SSB_c × IGD_c pour le chemin SSB modéré → HOT.
   7. Définissez la faible IGD (IGD) (moyenne) et élevée comme moyenne − 1 DS, moyenne et moyenne + 1 DS.
   8. Entrez l’âge et le genre comme covariables en utilisant le schéma de codage verrouillé.
   9. Utilisez la même échelle de coefficients, la règle de l’intervalle de confiance, la règle de centrage, le codage des covariables et la numérotation des modèles pour toutes les analyses.
      REMARQUE : Utilisez le Modèle 59, et non le Modèle 1, pour l’analyse modérée de la médiation.
2. Criblage du biais courant de la méthode
   1. Utilisez les 75 items notés de l’échelle PR, HOT, SSB et IGD pour un dépistage de biais par méthode courante.
   2. Réalisez le test à facteur unique de Harman en utilisant une analyse factorielle exploratoire non rotative.
   3. Notez le nombre de facteurs ayant des valeurs propres supérieures à 1, la variance cumulative expliquée, et la variance expliquée par le premier facteur non roté.
   4. Dans l’ensemble de données représentatif, neuf facteurs sont enregistrés avec des valeurs propres supérieures à 1, une variance cumulative expliquée de 65,322 % et une variance du premier facteur expliquée de 32,412 %.
   5. Considérez le test à facteur unique de Harman comme une procédure de dépistage préliminaire plutôt que comme un test définitif pour éliminer les biais courants de méthode. Interprétez le test de Harman avec prudence car il n’est pas suffisant à lui seul pour exclure un biais de mesure de la même^{source 29}.
   6. Examiner la matrice de corrélation inter-construits et les diagnostics de colinéarité comme contrôles complémentaires pour détecter une variance partagée excessive.
   7. Interprétez le criblage selon la méthode commune à la lumière du plan d’auto-rapport transversal.
      REMARQUE : Interprétez prudemment le criblage selon les biais de méthode commune car toutes les variables principales sont auto-déclarées et mesurées en un seul moment.
3. Générer des statistiques descriptives et des corrélations
   1. Calculez les moyennes et les écarts-types pour PR, HOT, SSB et IGD à l’aide du jeu de données final prêt pour l’analyse.
   2. Générez des statistiques descriptives par code de genre et d’âge en utilisant les règles de codage verrouillées.
   3. Calculez les corrélations de Pearson entre PR, HOT, SSB et IGD.
   4. Résumez les caractéristiques de l’échantillon et les statistiques descriptives à l’aide de l’échantillon analytique final.
   5. Résumez la matrice de corrélation de Pearson pour les quatre variables principales.
   6. Confirmez que les statistiques descriptives et les corrélations sont basées sur l’échantillon analytique final de n = 776.
   7. Appliquer le même codage de genre et d’âge que celui du Protocole et du Tableau Supplémentaire 2.
      REMARQUE : Utilisez le même ensemble de données final, les mêmes directions de score et les mêmes règles de codage démographique pour tous les résultats descriptifs et de corrélation.
4. Exécutez le modèle de médiation
   1. Spécifiez le modèle 4 dans la procédure de processus conditionnel.
   2. Définissez PR comme variable indépendante, SSB comme médiateur, et HOT comme variable dépendante.
   3. Ajoutez l’âge et le genre comme covariables.
   4. Utilisez 5 000 rééchantillonnages bootstrap corrigés en biais avec des intervalles de confiance à 95 %.
   5. Exécutez le modèle en utilisant le jeu de données final prêt pour l’analyse de n = 776.
   6. Extraire le coefficient, l’erreur standard, la valeur t, la valeur p, l’intervalle de confiance et le résumé du modèle pour les équations SSB et HOT.
   7. Extraire l’effet total, l’effet direct, l’effet indirect, l’erreur standard bootstrap et l’intervalle de confiance bootstrap.
   8. Interprétez le résultat de la médiation comme une médiation statistique au sein d’un modèle d’association transversale. N’interprétez pas la médiation transversale comme une preuve d’ordre temporel ou de transmission^{causale 30}.
      REMARQUE : Utilisez B pour les coefficients non standardisés et β uniquement pour les coefficients standardisés.
5. Utilisez le modèle de médiation modérée
   1. Spécifiez le modèle 59 dans la procédure de processus conditionnel.
   2. Définissez PR comme variable indépendante, SSB comme médiateur, HOT comme variable dépendante et IGD comme modérateur.
   3. Ajoutez l’âge et le genre comme covariables.
   4. Utilisez les variables centrées et les termes d’interaction définis à l’étape 5.1.
   5. Utilisez 5 000 rééchantillonnages bootstrap corrigés en biais avec des intervalles de confiance à 95 %.
   6. Exécutez le modèle en utilisant le jeu de données final prêt pour l’analyse de n = 776.
   7. Extraire le coefficient d’interaction pour PR × IGD prédisant SSB.
   8. Extraire le coefficient d’interaction pour PR × IGD prédisant HOT.
   9. Extraire le coefficient d’interaction pour SSB × IGD prédisant HOT.
   10. Extraire les effets conditionnels aux niveaux bas, moyens et élevés d’IGD, définis comme la moyenne − 1 de la DC, la moyenne et la moyenne + 1 de la DC.
   11. Extraire les effets indirects conditionnels de la PR sur le HOT à travers le SSB à des niveaux d’IGD bas, moyens et élevés.
   12. Extraire l’indice de médiation modérée et son intervalle de confiance bootstrap.
   13. Générez des graphiques de pente simple en utilisant les mêmes valeurs IGD basse, moyenne et élevée que pour les effets conditionnels.
       REMARQUE : Utilisez le Modèle 59, et non le Modèle 1, pour l’analyse modérée de la médiation.
6. Appliquer des règles cohérentes de décision inférentielle
   1. Utilisez le même ensemble d’abréviations tout au long de l’analyse : PR, HOT, SSB et IGD.
   2. Utilisez le Modèle 4 pour la médiation et le Modèle 59 pour la médiation modérée.
   3. Déclarez les coefficients non standardisés comme B et les coefficients standardisés comme β uniquement lorsque des estimations standardisées sont générées.
   4. Utilisez des intervalles de confiance à 95 % comme règle de décision pour les effets indirects bootstrap, les effets indirects conditionnels et l’indice de médiation modérée.
   5. Considérer un effet comme statistiquement soutenu lorsque l’intervalle de confiance pertinent à 95 % n’inclut pas zéro.
   6. Indiquez les valeurs p exactes lorsque disponibles, sauf les valeurs inférieures à 0,001, qui sont indiquées p < 0,001.
   7. Appliquez un formatage à une décimale de manière cohérente à toutes les sorties statistiques.
      REMARQUE : Gardez la taille de l’échantillon, la règle de centrage, la notation des coefficients, le numéro de modèle et la règle de l’intervalle de confiance cohérents dans toutes les analyses.

Résultats

Caractéristiques de l’échantillon et motifs de variables préliminaires
Le flux de travail a généré avec succès un enregistrement complet de flux d’échantillon avant la modélisation statistique. Comme indiqué dans le tableau 1, un total de 860 étudiants ont été invités pendant la fenêtre de collecte de données prédéfinie, et 800 questionnaires ont été retournés, soit un taux de réponse global de 93,0 %. Après un criblage de qualité de réponse, 24 répon...

Discussion

Cet article de méthode présente un flux de travail reproductible d’enquête à analyse pour examiner les schémas de médiation basée sur l’association et modérée chez les symptômes de PR, SSB, HOT et IGD chez les étudiants. La contribution principale du flux de travail est méthodologique plutôt que causale, car le protocole démontre comment un ensemble de données d’auto-évaluation transversal peut être collecté, filtré, noté, documenté et analysé à travers une séquence transparente de procé...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Institutions ; codes I-01 à I-32	Équipe d’étude	N/A	Verrouillé avant la sélection aléatoire et utilisé pour la randomisation au niveau de l’institution.
Journal de sélection institutionnel	Équipe d’étude	N/A	Critères d’éligibilité institutionnels documentés, documents sources, décisions d’éligibilité et codes institutionnels.
Échelle des troubles liés au jeu en ligne	Lemmens, Valkenburg et Gentile (2015), The Internet Gaming Disorder Scale, Psychological Assessment, 27(2), 567&ndash ;582. doi :10.1037/pas0000062	N/A	Une échelle de 9 items correspondante aux critères du DSM-5 et utilisée comme mesure continue auto-déclarée des symptômes de l’IGD plutôt qu’en tant que diagnostic clinique.
Sortie du modèle de médiation	Équipe d’étude	Sortie du modèle 4	Sortie pour le modèle de médiation avec PR comme X, SSB comme M, et HOT comme Y.
Résultats modérés du modèle de médiation	Équipe d’étude	Sortie modèle 59	Résultats pour le modèle de médiation modérée avec l’IGD modérant la PR & rrar ; SSB, PR & RAR ; HOT, et SSB & rarr ; Des chemins CHAUDS.
Plateforme de questionnaires en ligne	Wenjuanxing / Étoile du questionnaire	N/A	Plateforme d’enquête en ligne utilisée pour le consentement éclairé électronique, l’administration de questionnaires en ligne, les paramètres de réponse forcée et l’exportation de données d’enquête.
Dossier de contrôle de pilotage	Équipe d’étude	N/A	Un dossier pilote-test de 30 élèves utilisé pour évaluer la clarté des items, la compréhension, la charge de réussite et le fonctionnement de la plateforme. Les participants pilotes n’ont pas été inclus dans l’échantillon analytique final.
Échelle de résilience psychologique	Révision de Hu et Gan basée sur le cadre Connor-Davidson	N/A	Une échelle de 25 items utilisée pour mesurer la résilience psychologique. Les réponses ont été notées sur une échelle de Likert à 5 points et calculées sous forme de moyennes de scores.
Échelle psychologique du sentiment d’appartenance à l’école	Version révisée chinoise basée sur Goodenow Cadre d’adhésion scolaire	N/A	Une échelle de 18 items utilisée pour mesurer l’apparence scolaire. Les items 3, 6, 9, 12 et 16 ont été notés inversément avant le calcul du score moyen.
Procédure de randomisation	Équipe d’étude	Graine aléatoire : 20241007	Utilisé pour la sélection aléatoire au niveau de l’institution et des étudiants via une procédure de nombres aléatoires basée sur les graines.
Ensemble de données brut d’enquête	Équipe d’étude	Raw_Survey_NEP_2024_800returned_locked.xlsx	Jeu de données brut exporté contenant 800 questionnaires retournés avant exclusion pour qualité de réponse.
Journal de sélection de la qualité de la réponse	Équipe d’étude	N/A	24 réponses ont été documentées, incluant des réponses en double, des incohérences d’éligibilité, des exclusions dans le temps de complétion, des réponses en ligne droite et des réponses à répétition de schéma.
Règles de sélection de qualité de réponse	Équipe d’étude	N/A	Les critères d’exclusion incluaient la soumission en double, l’incohérence d’éligibilité, le délai de fin et lt ; 360 s, même option sélectionnée pour &ge ; 85 % des items Likert, et des motifs alternés répétés à travers &ge ; 15 items Likert consécutifs.
Sortie de fiabilité à l’échelle	Équipe d’étude	N/A	Rapport de sortie Cronbach' s valeurs alpha pour PR, HOT, SSB et IGD.
Fichier de référence de notation et de codage	Équipe d’étude	Tableau supplémentaire 2	Documente le nombre d’éléments, la plage de réponses, les éléments codés inversément, la direction du score, le calcul du score moyen, le codage démographique et les valeurs de fiabilité.
Journal d’administration des sessions	Équipe d’étude	N/A	Date d’administration enregistrée, code de l’institution, contexte de la classe, identifiant du conseiller, nombre d’invitations, décompte de retour, durée de la séance et écarts.
Logiciels statistiques	IBM Corp.	IBM SPSS Statistics, version 27.0	Utilisé pour les statistiques descriptives, corrélations, analyses de fiabilité, analyse factorielle exploratoire, régression, médiation et analyses modérées de médiation.
Journal de randomisation des élèves	Équipe d’étude	Graine aléatoire : 20241007	Sélection aléatoire stratifiée au niveau des étudiants documentée au sein des trois établissements sélectionnés.
Tableau supplémentaire 1	Équipe d’étude	Traduction et adaptation	Source de l’élément du document, formulation originale, traduction en avant, rétrotraduction, formulation finale en chinois, revue d’experts, retour d’expérience du pilote et justification de la révision.
Tableau supplémentaire 2	Équipe d’étude	Règles de notation et de codage	Règles de notation des documents, codage inverse, codage démographique, abréviations variables et valeurs de fiabilité.
Traduction et adaptation	Équipe d’étude	Tableau supplémentaire 1	Documents en avant traduction, rapprochement, rétrotraduction, revue d’experts, vérification des pilotes et formulation finale en chinois.
Système d’exploitation Windows	Microsoft Corp.	Windows 11 Pro, 64 bits	Système d’exploitation utilisé pour l’analyse statistique et la génération de résultats.