Un flusso di lavoro riproducibile per l'analisi della resilienza psicologica, del senso di appartenenza alla scuola e del pensiero di ordine superiore negli studenti universitari

Sommario

Questo protocollo presenta un flusso di lavoro riproducibile di sondaggio per la raccolta dati, lo screening di qualità e l'analisi moderata della mediazione negli studenti universitari.

Abstract

Questo articolo metodico presenta un protocollo riproducibile di autovalutazione trasversale per esaminare le associazioni tra resilienza psicologica, senso di appartenenza a scuola (SSB), pensiero di ordine superiore e disturbo da gioco online (IGD) negli studenti. In questo protocollo, i nuovi modelli di impiego sono trattati come uno sfondo contestuale plasmato dall'intelligenza artificiale generativa, dal lavoro basato su piattaforme e dal cambiamento delle aspettative di competenze dei laureati, piuttosto che come una variabile di esposizione a livello di partecipante. Il protocollo integra campionamento istituzionale, amministrazione dei questionari, documentazione di traduzione, screening della qualità delle risposte, gestione dei dati mancanti, valutazione delle scale, screening dei bias con metodi comuni, centramento variabile e analisi condizionata del processo in un unico flusso di lavoro standardizzato. SSB è specificato come mediatore statistico, e IGD è specificato come moderatore all'interno di un quadro di mediazione moderata basato sull'associazione. I risultati rappresentativi includono registri campione-flusso, statistiche descrittive, matrici di correlazione, stime di mediazione e mediazione moderata, effetti indiretti condizionati, l'indice di mediazione moderata e i grafici di interazione. Poiché il dataset rappresentativo è trasversale e auto-riportato, il protocollo supporta una stima trasparente delle associazioni statistiche piuttosto che inferenze causali o longitudinali. Standardizzando le decisioni di preprocessing e le specifiche del modello prima dell'analisi, questo flusso di lavoro migliora trasparenza, comparabilità e riproducibilità nella ricerca educativa e comportamentale.

Introduzione

Nuovi modelli di occupazione modellati dall'intelligenza artificiale generativa, dal lavoro basato su piattaforme e dall'integrazione occupazionale cross-domain hanno cambiato il modo in cui le università discutono la preparazione dei laureati e lo sviluppo degli^{studenti 1}. In questo articolo, i nuovi modelli di occupazione sono trattati come una condizione contestuale di inquadramento piuttosto che come un'esposizione misurata a livello di partecipante. Il protocollo non classifica gli studenti in base alla loro partecipazione diretta al lavoro su piattaforme, al lavoro occasionale o al lavoro mediato dall'intelligenza artificiale. Al contrario, questo contesto spiega perché il pensiero di ordine superiore (HOT), la resilienza psicologica (PR) e il supporto scolastico siano costrutti rilevanti per gli studenti universitari che affrontano transizioni educative e professionali sempre più incerte. Questa chiarezza è necessaria perché il protocollo è progettato per la ricerca comportamentale trasversale piuttosto che per stimare gli effetti di un'esposizione misurata al modello di impiego.

In questo contesto, sempre più ci si aspetta che i laureati risolvano problemi sconosciuti, trasferiscano conoscenze tra ambiti, valutino criticamente le informazioni e prendano decisioni adattive sotto l'incertezza². Le recenti discussioni sul mercato del lavoro e sull'istruzione superiore evidenziano anche una persistente discrepanza tra le aspettative dei datori di lavoro e la preparazione dei laureati, in particolare nella comunicazione, nella collaborazione, nella risoluzione indipendente dei problemi e^{nell'innovazione 3}. Queste richieste hanno reso HOT un utile strumento di esame nella ricerca educativa e comportamentale che si occupa dell'adattamento degli studenti in condizioni di lavoro in^{evoluzione 4}.

HOT si riferisce ad attività cognitive avanzate oltre il ricordo e la comprensione di base, inclusi analisi, valutazione, presa di decisioni, problem solving e pensiero^{creativo 5}. Basandosi sulla classica distinzione tra cognizione di ordine inferiore e superiore ordine, ricerche precedenti sottolineano che HOT implica la trasformazione della conoscenza piuttosto che la semplice riproduzione della conoscenza e che è strettamente legata a contesti di problemi autentici, integrazione di conoscenze pregresse e flessibilità^{cognitiva 6}. In ambienti di lavoro e apprendimento mediati digitalmente, gli studenti sono spesso tenuti a interpretare informazioni complesse, lavorare con strumenti intelligenti e mantenere autonomia cognitiva quando le informazioni sono abbondanti ma di qualità^{disomogenea 7}. Queste condizioni rendono HOT un concetto focale appropriato per un protocollo di ricerca comportamentale riproducibile.

La PR è inclusa in questo protocollo perché è teoricamente ed empiricamente collegata al funzionamento adattivo degli studenti sotto stress e^{incertezza 8}. Sebbene le definizioni di PR differiscano tra prospettive basate su risultati, tratti e processi, la maggior parte delle descrizioni converge sull'idea che PR rifletta la capacità di autoregolarsi, riprendersi dalle difficoltà e mantenere l'adattamento funzionale in condizioni^{difficili 9}. Nel protocollo attuale, la PR non è considerata un determinante causale provato della HOT. Piuttosto, viene modellata come una variabile indipendente che può essere statisticamente associata a HOT in un dataset trasversale. Questa formulazione è coerente con il confine di progettazione dello studio ed evita di implicare un ordine temporale che i dati non possono stabilire. Questa associazione è plausibile perché gli studenti con una PR più forte potrebbero essere più capaci di mantenere un coinvolgimento orientato agli obiettivi, un coping costruttivo e un ragionamento adattivo quando affrontano pressioni accademiche e^{professionali 10}. Studi empirici precedenti hanno collegato la PR alla risoluzione dei problemi, al pensiero critico e alla cognizione adattativa, anche se le prove dirette che collegano PR a HOT restano^{limitate 11}. Per questo motivo, il presente articolo utilizza la relazione tra PR e HOT come esempio rappresentativo di modellazione attraverso il quale può essere dimostrato l'intero protocollo survey-to-analysis.

Il senso di appartenenza a scuola (SSB) è incorporato come mediatore statistico nel protocollo. È generalmente definito come l'esperienza percepita degli studenti di essere accettati, rispettati, supportati e connessi all'interno della comunità^{scolastica 12}. La maggior parte delle definizioni enfatizza un legame emotivo e relazionale con l'istituzione, gli insegnanti e i coetanei formato attraverso la partecipazione, il riconoscimento e il supporto¹³. In un contesto lavorativo in evoluzione, SSB è rilevante perché gli studenti spesso si affidano a orientamenti universitari, interazioni tra pari e risorse istituzionali per prepararsi a futuri accademici e professionali^{incerti 14}.

Studi esistenti suggeriscono che la PR sia positivamente associata alla SSB. Gli studenti con una PR più forte potrebbero essere più propensi a cercare supporto, mantenere un coinvolgimento costruttivo e mantenere un senso di connessione con insegnanti e coetanei quando affrontano uno stress¹⁵. SSB è stato inoltre associato alla risoluzione collaborativa di problemi, al pensiero critico, alla creatività e a un coinvolgimento più profondo nelle attività di^{apprendimento 16}. Su questa base, il protocollo attuale specifica la SSB come mediatore statistico tra PR e HOT. Questa specifica dovrebbe essere interpretata come un modello di mediazione basato su associazioni adatto a dati di indagine trasversale piuttosto che come prova che la PR causa temporaneamente la SSB o che la SSB produce causalmente la HOT.

Il disturbo del gioco su Internet (IGD) è incluso come moderatore perché il comportamento digitale può influenzare la forza delle associazioni tra PR, SSB e HOT. IGD si riferisce a comportamenti di gioco persistenti e ricorrenti associati a compromissione clinicamente significativa e ha ricevuto crescente attenzione nelle popolazioni studentesche con esposizione digitale^{intensiva 17}. Studi precedenti hanno collegato il gioco problematico a routine interrotte, riduzione della qualità del sonno, minore supporto sociale, capacità di coping più debole e un coinvolgimento accademico^{inferiore 18}. Questi risultati supportano l'idea che livelli più elevati di sintomi di IGD possano indebolire il funzionamento educativo e psicosociale adattivo.

Allo stesso tempo, il comportamento legato al gaming non dovrebbe essere interpretato in modo semplicistico. Alcuni ambienti di gioco prevedono decisioni strategiche, apprendimento basato su feedback e sfida cognitiva, ma queste caratteristiche non significano che IGD in sé sia^{vantaggioso 19}. Nel protocollo attuale, IGD è trattato solo come moderatore statistico dei pattern di associazione. Qualsiasi interazione che coinvolge l'IGD viene interpretata con cautela come un'associazione condizionale all'interno del dataset rappresentativo, piuttosto che come prova clinica che il disturbo da gioco migliori la cognizione o rafforzi il funzionamento scolastico.

Nonostante il crescente interesse per PR, SSB, HOT e il comportamento digitale degli studenti, rimane un divario metodologico. Molti studi riportano associazioni tra questi costrutti, ma meno forniscono un protocollo trasparente e riproducibile che colleghi il reclutamento dei partecipanti, l'amministrazione dei sondaggi, la documentazione della traduzione, lo screening delle risposte invalide, la gestione dei dati mancanti, il punteggio delle scale, lo screening dell'affidabilità, lo screening con bias con metodo comune, il centramento delle variabili e l'analisi condizionata del processo all'interno di un unico quadro auditabile. Questa lacuna è particolarmente rilevante per la ricerca su indagini educative e comportamentali, dove i risultati possono essere difficili da riprodurre se le regole di preelaborazione e le decisioni del modello sono solo parzialmente riportate.

Per colmare questa lacuna, il presente articolo di metodo fornisce un protocollo riproducibile per condurre un'indagine di autovalutazione trasversale e generare risultati rappresentativi di mediazione moderata. Il protocollo utilizza PR, SSB, HOT e IGD come esempio applicato, ma il suo contributo principale è metodologico piuttosto che causale. Il protocollo dimostra come costruire un quadro di campionamento, somministrare un questionario standardizzato, documentare la traduzione e le decisioni di punteggio, applicare regole di screening predefinite, preparare un dataset pronto per l'analisi e stimare i Modelli di Processo Condizionali 4 e 59 utilizzando regole fisse di reportistica. Rispetto ad approcci di analisi di indagine meno standardizzati, questo protocollo migliora trasparenza, comparabilità, riproducibilità e auditabilità documentando le decisioni di pre-elaborazione e le specifiche del modello prima dell'interpretazione. Presentando questi passaggi come una procedura unificata, l'articolo fornisce ai ricercatori un quadro riproducibile per la ricerca educativa e comportamentale su adattamento degli studenti universitari e sviluppo HOT.

Protocollo

Questo studio è stato approvato dal Comitato Etico del Liuzhou Vocational and Technical College (codice protocollo: LVTC-2024-02-879; data di approvazione: 1 febbraio 2024). Ottieni il consenso informato elettronico prima di accedere al questionario. Rimuovere gli identificatori diretti prima dell'esportazione e dell'analisi dei dati. Memorizza file grezzi, puliti, pronti per l'analisi, punteggi, screening e output in cartelle ad accesso limitato.

1. Reclutare i partecipanti utilizzando un flusso di lavoro predefinito a campionamento casuale multistadio

1. Costruire e bloccare il sistema di campionamento istituzionale
   1. Definire i nuovi modelli di impiego come il contesto di sfondo dello studio, piuttosto che come un'esposizione misurata a livello di partecipante.
   2. Identificare le istituzioni candidate tramite registri pubblici dell'istruzione, siti web universitari, avvisi di riforma dell'insegnamento, documenti di orientamento per l'occupazione e annunci di curriculum o formazione.
   3. Includere istituzioni riconosciute come istituzioni di istruzione superiore nella Cina continentale, iscrivere studenti universitari a tempo pieno, mantenere registri verificabili di formazione relativa all'intelligenza artificiale, apprendimento digitale, preparazione alla carriera, innovazione o formazione HOT, fornire accesso al campionamento basato su turni e accettare la procedura standardizzata di sondaggi anonimi online.
   4. Escludere istituzioni senza registri di formazione verificabili, turni attuali, iscrizione attiva di studenti durante il periodo del sondaggio o la capacità di seguire lo stesso protocollo amministrativo.
   5. Mantenere 32 istituzioni idonee e assegnare codici dall'I-01 all'I-32.
   6. Blocca il frame di campionamento istituzionale prima della selezione casuale. Utilizzare un frame di campionamento predefinito e una regola di selezione fissa per ridurre le decisioni di campionamento post hoc nella ricerca multisito²⁰.
2. Eseguire una selezione casuale a livello di istituzione e di studente
   1. Utilizzare una procedura basata su numeri casuali basata su seed per la selezione a livello di istituzione.
   2. Imposta il seed casuale su 20241007.
   3. Genera numeri casuali per le 32 istituzioni ammissibili, ordina i valori in ordine crescente e seleziona i primi tre codici delle istituzioni. Seleziona i codici dell'istituzione I-07, I-18 e I-29.
   4. Ottenere le liste delle classi aggiornate dalle tre istituzioni selezionate e verificare l'iscrizione attiva dal 7 ottobre 2024 al 15 novembre 2024.
   5. Includere studenti a tempo pieno di età compresa tra i 18 e i 25 anni che sanno leggere cinese, compaiono nell'elenco istituzionale, accedono al questionario online e forniscono il consenso informato elettronico.
   6. Escludere gli studenti che hanno meno di 18 anni, non sono iscritti attivamente, sono in scambio o congedo, non possono compilare il questionario cinese in modo indipendente, hanno partecipato al test pilota, hanno rifiutato il consenso o hanno inviato questionari duplicati o invalidi.
   7. Stratifica la lista degli studenti per istituzione e seleziona casualmente gli studenti all'interno di ciascuna istituzione utilizzando la stessa procedura basata sul seed.
   8. Invitare 860 studenti, inclusi 286 studenti della I-07, 287 studenti della I-18 e 287 studenti della I-29.
      NOTA: Mantieni le procedure di selezione a livello di istituzione e studente fissate dopo la randomizzazione. Esegui qualsiasi sostituzione utilizzando la stessa procedura basata sul seed.
3. Definire la finestra di raccolta e finalizzare il campione analitico
   1. Raccogli dati dal 7 ottobre 2024 al 15 novembre 2024.
   2. Distribuire il questionario agli 860 studenti invitati tramite consulenti approvati dall'istituzione utilizzando lo stesso copione scritto.
   3. Registra il flusso di risposte come 860 studenti invitati, 800 questionari restituiti, 60 non risposte, 24 risposte non valide escluse e 776 casi trattenuti. Registra un tasso di risposta complessivo del 93,0%.
   4. Registrare il flusso a livello di istituzione come segue: I-07, 267 questionari restituiti, 8 risposte escluse e 259 casi trattenuti; I-18, 266 questionari restituiti, 7 risposte escluse e 259 casi trattenuti; e I-29, 267 questionari restituiti, 9 risposte escluse e 258 casi trattenuti.
   5. Applica la gerarchia delle esclusioni nel seguente ordine: risposta duplicata, incoerenza nell'idoneità, tempo di completamento, risposta lineare e risposta a pattern ripetuto.
   6. Escludere risposte che soddisfano uno dei seguenti criteri: invio duplicato, incoerenza nell'idoneità, tempo di completamento di <360 s, la stessa opzione selezionata per ≥85% degli item Likert, o un pattern ripetuto alternante su ≥15 item Likert consecutivi. Non usare un prodotto che ti fa controllare l'attenzione.
   7. Escludere 24 risposte non valide, incluse 3 risposte duplicate, 3 incoerenze di idoneità, 7 esclusioni nel tempo di completamento, 9 risposte lineari e 2 risposte a pattern ripetuto.
   8. Conservare 776 casi validi. Registrare un campione finale composto da 219 maschi (28,2%) e 557 femmine (71,8%) di età compresa tra i 19 e i 25 anni.
      NOTA: Utilizzare il flusso del campione corretto in modo coerente in tutto il manoscritto: 860 studenti invitati, 800 questionari restituiti, 24 risposte escluse e 776 casi trattenuti.

2. Somministrare il questionario utilizzando una procedura online standardizzata

1. Assemblare il questionario e documentare l'adattamento linguistico
   1. Assembla cinque sezioni di questionario: demografia, PR, HOT, SSB e sintomi IGD.
   2. Usa 75 oggetti della scala punteggiata, inclusi 25 oggetti PR, 23 HOT, 18 articoli SSB e 9 oggetti IGD.
   3. Inserire il modulo elettronico di consenso informato prima di tutti gli elementi del sondaggio e richiedere il consenso dei partecipanti prima dell'accesso al questionario. Utilizzare il consenso elettronico e le risposte online de-identificate per proteggere l'autonomia e la privacy dei partecipanti nella ricerca comportamentale²¹.
   4. Usa risposte forzate per tutti gli elementi di scala e le variabili demografiche analitiche.
   5. Traduci scale di origine inglese utilizzando traduzione in avanti, riconciliazione, retrotraduzione, revisione da esperti e controllo pilota. Applicare procedure standard di adattamento degli strumenti interculturali per preservare l'equivalenza semantica e^{concettuale 22}.
   6. Utilizzare due traduttori bilingui in avanti, un traduttore indipendente e almeno tre revisori esperti durante l'adattamento al questionario.
   7. Effettua un controllo pilota con 30 studenti che non sono inclusi nel campione analitico finale.
   8. Documenta la fonte dell'elemento, la formulazione originale, la traduzione in futuro, la retrotraduzione, la formulazione finale in cinese e la motivazione della revisione nella Tabella Supplementare 1.
   9. Blocca il questionario prima dell'amministrazione.
      NOTA: Non cambiare la formulazione dell'item dopo il blocco del questionario.
2. Standardizzare il flusso di lavoro amministrativo tra le istituzioni
   1. Forma i consulenti usando lo stesso script amministrativo scritto.
   2. Dichiarare che la partecipazione è volontaria, anonima, non correlata a voti o valutazioni e può essere rifiutata senza penalità.
   3. Somministrare il questionario online durante le riunioni di classe senza l'interpretazione del contenuto degli elementi da parte del consulente.
   4. Impedire ai consulenti di vedere le risposte individuali dei partecipanti.
   5. Annota la data di amministrazione, il codice dell'istituzione, il contesto della classe, l'identificatore del consulente, il conteggio degli inviti, il conteggio restituito, la durata della sessione e le deviazioni del protocollo.
      NOTA: Utilizzare la stessa procedura di consenso, dichiarazione di anonimato, script amministrativo e istruzioni di risposta per tutte le istituzioni partecipanti.

3. Punteggio degli strumenti di misura utilizzando un sistema di punteggio bloccato

1. Valuta la Scala di Resilienza Psicologica
   1. Utilizzare la Psychological Resilience Scale a 25 item rivista da Hu e Gan sulla base del framework^{Connor-Davidson 23}.
   2. Punteggio di tutti gli item utilizzando una scala di Likert a 5 punti e calcola il punteggio medio. Interpreta punteggi più alti come un record personale più alto.
   3. Record di coerenza interna come alfa di Cronbach = 0,958.
2. Valuta la Scala del Pensiero di Ordine Superiore
   1. Utilizzare la Higher-Order Thinking Scale di 23 item sviluppata da Hwang e^{colleghi 24}.
   2. Punteggio di tutti gli item utilizzando una scala di Likert a 5 punti e calcola il punteggio medio. Interpreta i punteggi più alti come un HOT più alto.
   3. Record di coerenza interna come alfa di Cronbach = 0,973.
3. Valuta la scala di appartenenza alla scuola
   1. Utilizzare la scala cinese di 18 item sul senso psicologico di appartenenza scolastica rivista da Pan e colleghi sulla base del quadro originale di appartenenza^{scolastica 25} di Goodenow.
   2. Invertire il punteggio degli item 3, 6, 9, 12 e 16 usando la seguente regola di conversione: 1 = 5, 2 = 4, 3 = 3, 4 = 2 e 5 = 1.
   3. Calcola il punteggio medio dopo la codifica inversa. Interpreta i punteggi più alti come SSB più alti.
   4. Record di coerenza interna come alfa di Cronbach = 0,838.
4. Valuta la Internet Gaming Disorder Scale
   1. Utilizza la Scala dei Disturbi del Gioco da Internet a 9 items allineata ai criteri²⁶ del DSM-5.
   2. Punteggio di tutti gli item utilizzando una scala di Likert a 5 punti e calcola il punteggio medio. Interpretare i punteggi più alti come sintomi di IGD auto-riportati più alti.
   3. Trattare l'IGD come un punteggio continuo dei sintomi piuttosto che come una diagnosi clinica.
   4. Record di coerenza interna come alfa di Cronbach = 0,941.
5. Blocca e verifica le decisioni di valutazione
   1. Usa i punteggi medi per tutte e quattro le variabili: PR, HOT, SSB e IGD.
   2. Usa le stesse abbreviazioni costantemente in tutto il protocollo e il flusso di lavoro di analisi: PR, HOT, SSB e IGD.
   3. Registra il conteggio degli elementi, l'intervallo di risposte, gli elementi codificati inversamente, la direzione del punteggio, la regola di calcolo, la codifica demografica e i valori di affidabilità nella Tabella Supplementare 2.
      NOTA: Valuta inversamente gli elementi SSB prima di calcolare statistiche descrittive, correlazioni, stime di affidabilità o modelli di processo condizionali.

4. Pulire il dataset e creare un file pronto per l'analisi

1. Esporta e versiona i file dati
   1. Esporta il file grezzo del questionario dopo la chiusura del sondaggio.
   2. Conserva il file grezzo del questionario in formato di sola lettura.
   3. Crea un file di lavoro separato per le procedure di screening, pulizia, ricodifica e punteggio.
   4. Creare il dataset finale pronto per l'analisi dopo aver applicato esclusioni, codifica inversa, calcolo dei punteggi, codifica demografica e centramento delle variabili.
2. Applicare la verifica dei dati mancanti e della qualità della risposta
   1. Verifica l'esitazione mancante a livello di item nel dataset inviato. Non si registrano valori mancanti a livello di item perché sono state utilizzate risposte forzate durante l'amministrazione del questionario.
   2. Non imputare dati mancanti. Il record 0 ha escluso i casi per dati sulla scala mancanti e 0 valori imputati della scala.
   3. Applicare lo screening di qualità della risposta agli 800 questionari restituiti utilizzando i criteri di esclusione definiti nello Step 1.3.
   4. Escludere 24 risposte non valide e conservare 776 casi validi per l'analisi.
      NOTA: Utilizzare il flusso del campione corretto in modo coerente durante tutto il protocollo e tutti i risultati rappresentativi: 860 studenti invitati, 800 questionari restituiti, 24 risposte escluse e 776 casi trattenuti.
3. Verifica della codifica, della ricodifica e della prontezza per l'analisi inferenziale
   1. Verifica la codifica inversa per gli Elementi SSB 3, 6, 9, 12 e 16 prima del calcolo del punteggio.
   2. Codice di genere come 0 = maschio e 1 = femmina.
   3. Età del codice come segue: 1 = 19 anni, 2 = 20 anni, 3 = 21 anni, 4 = 22 anni, 5 = 23 anni, 6 = 24 anni e 7 = 25 anni.
   4. Usa le variabili puntate PR_mean, HOT_mean, SSB_mean e IGD_mean per preparare l'analisi.
   5. Usa le variabili centrate PR_c, SSB_c e IGD_c per le analisi di interazione.
      NOTA: Completare le procedure di esclusione, la codifica inversa, la codifica demografica, il calcolo dei punteggi e il centramento delle variabili prima dell'analisi inferenziale.

5. Condurre le analisi statistiche utilizzando un flusso di lavoro predefinito

1. Registra e blocca l'ambiente di analisi
   1. Utilizzare un ambiente statistico che supporti la regressione, la mediazione bootstrapped, la mediazione moderata e il sondaggio dell'interazione.
   2. Utilizzare una macro di analisi condizionale del processo documentata, un pacchetto o una procedura basata sulla sintassi in grado di stimare modelli di mediazione e mediazione moderata.
   3. Usa il Modello 4 per la mediazione e il Modello 59 per la mediazione moderata. Applicare l'analisi condizionale del processo per stimare la mediazione, la moderazione e la mediazione moderata nei modelli basati sulla^{regressione 27}.
   4. Imposta la stima bootstrap a 5.000 ricampioni corretti al bias con intervalli di confidenza del 95%. Utilizzare intervalli di confidenza bootstrap per la stima degli effetti indiretti perché la distribuzione campionaria degli effetti indiretti è spesso non normale²⁸.
   5. Variabili continue focali media-centro prima di costruire i termini di interazione: PR_c = PR_mean − media(PR_mean), SSB_c = SSB_mean − media(SSB_mean), e IGD_c = IGD_mean − media(IGD_mean).
   6. Usa PR_c × IGD_c per i percorsi PR moderati → SSB e PR → HOT. Usa SSB_c × IGD_c per il percorso SSB moderato → HOT.
   7. Definisci IGD basso, medio e alto come media − 1 DS, media e media + 1 DS.
   8. Inserisci età e genere come covariazioni usando lo schema di codifica bloccato.
   9. Utilizzare la stessa scala dei coefficienti, la regola dell'intervallo di confidenza, la regola di centramento, la codifica delle covariazioni e la numerazione dei modelli in tutte le analisi.
      NOTA: Usa il Modello 59, non il Modello 1, per l'analisi della mediazione moderata.
2. Verifica il bias comune del metodo
   1. Usa i 75 item della scala punteggiati da PR, HOT, SSB e IGD per lo screening del bias con metodo comune.
   2. Esegui il test a fattore singolo di Harman utilizzando un'analisi factoriale esplorativa non rotata.
   3. Annota il numero di fattori con autovalori maggiori di 1, la varianza cumulativa spiegata e la varianza spiegata dal primo fattore non ruotato.
   4. Nel dataset rappresentativo, si registrano nove fattori con autovalori maggiori di 1, varianza cumulativa spiegata del 65,322% e varianza del primo fattore spiegata del 32,412%.
   5. Considerate il test a fattore singolo di Harman come una procedura preliminare di screening piuttosto che come un test definitivo per eliminare il bias comune sul metodo. Interpretare il test di Harman con cautela perché da solo non è sufficiente a escludere il bias di misurazione della stessa fonte²⁹.
   6. Rivedere la matrice di correlazione inter-costrutto e la diagnostica di collinearità come controlli supplementari per l'eccessiva varianza condivisa.
   7. Interpretare lo screening del bias con metodo comune alla luce del disegno di autovalutazione trasversale.
      NOTA: Interpretare con cautela lo screening del bias del metodo comune perché tutte le variabili fondamentali sono auto-riportate e misurate in un unico momento.
3. Generare statistiche descrittive e correlazioni
   1. Calcola medie e deviazioni standard per PR, HOT, SSB e IGD utilizzando il dataset finale pronto per l'analisi.
   2. Genera statistiche descrittive per codice di genere ed età utilizzando le regole di codifica bloccate.
   3. Calcolare le correlazioni di Pearson tra PR, HOT, SSB e IGD.
   4. Riassumi le caratteristiche del campione e le statistiche descrittive utilizzando il campione analitico finale.
   5. Riassumi la matrice di correlazione di Pearson per le quattro variabili principali.
   6. Confermare che le statistiche descrittive e le correlazioni si basano sul campione analitico finale di n = 776.
   7. Applicare la stessa codifica di genere e età utilizzata nel Protocollo e nella Tabella Supplementare 2.
      NOTA: Utilizzare lo stesso dataset finale, le indicazioni dei punteggi e le stesse regole di codifica demografica per tutti i risultati descrittivi e di correlazione.
4. Esegui il modello di mediazione
   1. Specifica il Modello 4 nella procedura di processo condizionale.
   2. Imposta PR come variabile indipendente, SSB come mediatore e HOT come variabile dipendente.
   3. Inserisci età e genere come covarie.
   4. Usa 5.000 ricampionamenti bootstrap corretti al bias con intervalli di confidenza al 95%.
   5. Esegui il modello utilizzando il dataset finale pronto per l'analisi di n = 776.
   6. Estrarre il coefficiente, l'errore standard, il valore t, il valore p, l'intervallo di confidenza e il riepilogo del modello per le equazioni SSB e HOT.
   7. Estrarre l'effetto totale, l'effetto diretto, l'effetto indiretto, l'errore standard di bootstrap e l'intervallo di confidenza del bootstrap.
   8. Interpretare il risultato della mediazione come mediazione statistica all'interno di un modello di associazione trasversale. Non interpretare la mediazione trasversale come prova di ordinamento temporale o trasmissione^{causale 30}.
      NOTA: Usa B per i coefficienti non standardizzati e β solo per i coefficienti standardizzati.
5. Esegui il modello di mediazione moderata
   1. Specificare il Modello 59 nella procedura di processo condizionale.
   2. Imposta PR come variabile indipendente, SSB come mediatore, HOT come variabile dipendente e IGD come moderatore.
   3. Inserisci età e genere come covarie.
   4. Usa le variabili centrate e i termini di interazione definiti nello Step 5.1.
   5. Usa 5.000 ricampionamenti bootstrap corretti al bias con intervalli di confidenza al 95%.
   6. Esegui il modello utilizzando il dataset finale pronto per l'analisi di n = 776.
   7. Estrarre il coefficiente di interazione per PR × IGD che prevede SSB.
   8. Estrarre il coefficiente di interazione per PR × IGD che prevedono HOT.
   9. Estrarre il coefficiente di interazione per SSB × IGD che prevedono HOT.
   10. Estrarre effetti condizionali ai livelli bassi, medi e alti di IGD, definiti come media − 1 DS, media e media + 1 DS.
   11. Estrarre gli effetti indiretti condizionati della PR su HOT tramite SSB a livelli IGD bassi, medi e alti.
   12. Estrarre l'indice di mediazione moderata e il suo intervallo di confidenza bootstrap.
   13. Genera grafici a pendenza semplice usando gli stessi valori IGD bassi, medi e alti usati per gli effetti condizionali.
       NOTA: Usa il Modello 59, non il Modello 1, per l'analisi della mediazione moderata.
6. Applicare regole decisionali inferenziali coerenti
   1. Usa lo stesso set di abbreviazioni durante tutta l'analisi: PR, HOT, SSB e IGD.
   2. Usa il Modello 4 per la mediazione e il Modello 59 per la mediazione moderata.
   3. Riporta i coefficienti non standardizzati come B e i coefficienti standardizzati come β solo quando vengono generate stime standardizzate.
   4. Utilizzare intervalli di confidenza del 95% come regola decisionale per gli effetti indiretti bootstrap, gli effetti indiretti condizionati e l'indice della mediazione moderata.
   5. Considerare un effetto come supportato statisticamente quando l'intervallo di confidenza rilevante del 95% non include lo zero.
   6. Riportare i valori esatti di p dove disponibili, eccetto i valori inferiori a 0,001, che sono riportati come p < 0,001.
   7. Applica la formattazione a un decimale in modo coerente a tutti gli output statistici.
      NOTA: Mantieni la dimensione del campione, la regola di centraggio, la notazione dei coefficienti, il numero di modello e la regola dell'intervallo di confidenza coerenti in tutte le analisi.

Risultati

Caratteristiche del campione e modelli preliminari delle variabili
Il flusso di lavoro ha generato con successo un record completo del flusso campione prima della modellazione statistica. Come mostrato nella Tabella 1, un totale di 860 studenti sono stati invitati durante la finestra di raccolta dati predefinita e sono stati restituiti 800 questionari, con un tasso di risposta complessivo del 93,0%. Dopo lo screening della qualità della risposta, sono...

Discussione

Questo articolo metodico presenta un flusso di lavoro riproducibile da sondaggio ad analisi per esaminare la mediazione basata sull'associazione e i modelli di mediazione moderata tra i sintomi PR, SSB, HOT e IGD negli studenti universitari. Il contributo principale del flusso di lavoro è metodologico piuttosto che causale perché il protocollo dimostra come un dataset di autovalutazione trasversale possa essere raccolto, selezionato, valutato, documentato e analizzato attraverso una sequ...

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Istituzioni; codici I-01 a I-32	Team di studio	N/A	Bloccati prima della selezione casuale e utilizzati per la randomizzazione a livello di istituzione.
Registro di screening istituzionale	Team di studio	N/A	Criteri di idoneità istituzionali documentati, documenti di risorsa, decisioni di ammissibilità e codici istituzionali.
Scala per il Disturbo del Gioco da Internet	Lemmens, Valkenburg e Gentile (2015), The Internet Gaming Disorder Scale, Psychological Assessment, 27(2), 567–582. doi:10.1037/pas0000062	N/A	Scala a 9 item allineata ai criteri del DSM-5 e utilizzata come misura continua auto-riportata dei sintomi IGD piuttosto che come diagnosi clinica.
Output del modello di mediazione	Team di studio	Output Model 4	Output per il modello di mediazione con PR come X, SSB come M e HOT come Y.
Output del modello di mediazione moderata	Team di studio	Uscita Modello 59	Output per il modello di mediazione moderata con IGD che modera PR & rarr; SSB, PR & rarr; HOT, e SSB & rarr; Sentieri caldi.
Piattaforma di questionari online	Wenjuanxing / Stella del Questionario	N/A	Piattaforma di sondaggi basata sul web utilizzata per il consenso informato elettronico, l'amministrazione di questionari online, le impostazioni di risposta forzata e l'esportazione dei dati dei sondaggi.
Record di controllo pilota	Team di studio	N/A	Il record pilota-check di 30 studenti è utilizzato per valutare la chiarezza degli elementi, la comprensione, il carico di completamento e la funzione della piattaforma. I partecipanti pilota non sono stati inclusi nel campione analitico finale.
Scala di Resilienza Psicologica	Revisione di Hu e Gan basata sul quadro Connor-Davidson	N/A	Scala di 25 item utilizzata per misurare la resilienza psicologica. Le risposte sono state valutate su una scala di Likert a 5 punti e calcolate come punteggi medi.
Scala del Senso Psicologico di Appartenenza a Scuole	Versione cinese rivista basata su Goodenow' S Quadro di Appartenenza Scolastica	N/A	Scala di 18 item utilizzata per misurare l'appartenenza a scuola. Gli item 3, 6, 9, 12 e 16 sono stati valutati al contrario prima del calcolo del punteggio medio.
Procedura di randomizzazione	Team di studio	Seme casuale: 20241007	Utilizzato per la selezione casuale a livello di istituzione e studente tramite una procedura a numero casuale basata su seed.
Dataset grezzo di indagini	Team di studio	Raw_Survey_NEP_2024_800returned_locked.xlsx	Dataset grezzo esportato contenente 800 questionari restituiti prima dell'esclusione per qualità delle risposte.
Registro di screening della qualità della risposta	Team di studio	N/A	Documentate 24 risposte escluse, incluse risposte duplicate, incoerenze nell'idoneità, esclusioni nel tempo di completamento, risposte lineari e risposte a pattern ripetuti.
Regole di screening per la qualità della risposta	Team di studio	N/A	I criteri di esclusione includevano la presentazione duplicata, l'incoerenza dell'idoneità, i tempi di completamento e lt; 360 s, stessa opzione selezionata per ≥ 85% degli elementi Likert, e schemi alternati ripetuti attraverso ≥ 15 oggetti Likert consecutivi.
Output di affidabilità su scala	Team di studio	N/A	Reportage di output Cronbach' s valori alfa per PR, HOT, SSB e IGD.
File di riferimento per punteggio e codifica	Team di studio	Tabella Supplementare 2	Documenta il numero degli elementi, l'intervallo delle risposte, gli elementi codificati inversamente, la direzione del punteggio, il calcolo del punteggio medio, la codifica demografica e i valori di affidabilità.
Registro di amministrazione delle sessioni	Team di studio	N/A	Data di amministrazione registrata, codice dell'istituzione, contesto della classe, identificatore del consulente, conteggio degli inviti, conteggio restituito, durata della sessione e deviazioni.
Software statistico	IBM Corp.	IBM SPSS Statistics, versione 27.0	Utilizzato per statistiche descrittive, correlazioni, analisi dell'affidabilità, analisi fattoriale esplorativa, regressione, mediazione e analisi di mediazione moderata.
Registro di randomizzazione degli studenti	Team di studio	Seme casuale: 20241007	Selezione casuale stratificata documentata a livello studentesco all'interno delle tre istituzioni selezionate.
Tabella Supplementare 1	Team di studio	Traduzione e adattamento	Fonte dell'articolo del documento, formulazione originale, traduzione in avanti, retrotraduzione, formulazione finale in cinese, revisione degli esperti, feedback del pilota e motivazione della revisione.
Tabella Supplementare 2	Team di studio	Regole di punteggio e codifica	Documenti regole di punteggio, codifica inversa, codifica demografica, abbreviazioni variabili e valori di affidabilità.
Traduzione e adattamento	Team di studio	Tabella Supplementare 1	Traduzione in avanti dei documenti, riconciliazione, retrotraduzione, revisione degli esperti, controllo pilota e formulazione finale in cinese.
Sistema operativo Windows	Microsoft Corp.	Windows 11 Pro, 64 bit	Sistema operativo utilizzato per analisi statistiche e generazione di output.