Un flusso di lavoro strutturato per lo screening, la valutazione e la visualizzazione dei dati di questionari sul benessere degli studenti universitari

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

doi:10.3791/72304

È richiesta un abbonamento a JoVE per visualizzare questo contenuto. Accedi o inizia la tua prova gratuita.

Articolo metodologico

Un flusso di lavoro strutturato per lo screening, la valutazione e la visualizzazione dei dati di questionari sul benessere degli studenti universitari

109 visualizzazioni

⸱

DOI:

10.3791/72304

⸱

3 settembre 2026

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

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

In questo articolo

Sommario

Questo protocollo illustra un flusso di lavoro strutturato e verificabile per l'elaborazione di dati anonimizzati provenienti da questionari sulla salute psicofisica di studenti universitari, partendo dall'esportazione grezza e dalla selezione delle risposte fino al calcolo dei punteggi per ciascuna scala, al controllo dell'affidabilità, alle diagnosi di regressione, alla verifica delle fonti delle figure e alla produzione di output analitici pronti per la visualizzazione.

Abstract

Gli studi basati su questionari sono ampiamente utilizzati per esaminare il benessere degli studenti, ma il percorso procedurale che va dalle risposte grezze a variabili analizzabili, tabelle statistiche e output visivi è spesso documentato in modo insufficiente. Questo protocollo illustra un flusso di lavoro strutturato e verificabile per l'elaborazione di dati anonimi provenienti da un questionario sul benessere degli studenti universitari, raccolti mediante sezioni con scale di tipo Likert multiple. Il flusso di lavoro inizia con l'approvazione etica, la documentazione del consenso, la configurazione del questionario e l'esportazione dei dati grezzi, per poi procedere con la verifica delle risposte, la revisione delle risposte duplicate, la gestione dei dati mancanti, la codifica degli elementi, la riscalatura inversa, la valutazione dell'affidabilità, l'analisi descrittiva, l'analisi delle correlazioni, il confronto tra gruppi contrastanti, la modellazione della regressione, i controlli diagnostici e la preparazione delle fonti per le visualizzazioni. Il questionario di esempio utilizza sezioni di scala documentate alla fonte e adattate allo studio, basate sulle Depression Anxiety Stress Scales-21, sulla Tuckman Procrastination Scale, sulla Psychological Sense of School Membership Scale, sulla letteratura relativa alla misurazione del pensiero di ordine superiore e sulla documentazione delle scale del benessere soggettivo. Emozione negativa, procrastinazione accademica, senso di appartenenza scolastica, pensiero di ordine superiore e benessere soggettivo sono utilizzati come variabili esemplificative a livello di scala per mostrare come le risposte a livello di singolo elemento possano essere trasformate in output analitici tracciabili. Gli output rappresentativi includono una tabella del flusso di screening, un riepilogo demografico, statistiche descrittive e di verifica degli intervalli, stime di coerenza interna, una matrice delle correlazioni, risultati del confronto contrastivo, coefficienti di regressione, diagnosi sui residui e sull'influenza e file sorgente per le figure. Il protocollo sottolinea regole decisionali predeterminate, una mappa delle scale collegata, un registro di screening predisposto all'analisi, la verifica della riscalatura inversa e la verifica numerica delle fonti per le figure. Piuttosto che proporre una nuova scala psicometrica, validare un modello di misurazione o stabilire relazioni causali, questo metodo fornisce una procedura pratica e verificabile per ricercatori che devono esaminare, assegnare punteggi, analizzare e visualizzare dati sul benessere degli studenti universitari raccolti tramite questionario. Il flusso di lavoro può essere adattato a studi simili basati su questionario, a condizione che la mappa delle scale, l'approvazione etica, le regole di punteggio, le soglie di screening delle risposte e i file sorgente per le visualizzazioni siano definiti prima dell'analisi.

Introduzione

Il benessere soggettivo è un risultato importante nella ricerca sugli studenti perché riflette come gli studenti valutano le proprie vite, le esperienze emotive, le relazioni sociali e il funzionamento quotidiano all'interno degli ambienti di apprendimento. Nell'istruzione superiore, il benessere degli studenti è multidimensionale e non si limita alla soddisfazione della vita o al disagio psicologico¹. I dati ricavati dai questionari, pertanto, rimangono utili quando i ricercatori devono esaminare esperienze emotive, comportamentali, sociali, cognitive e relative al benessere all'interno dello stesso quadro analitico.

Il valore dei dati raccolti tramite questionario dipende non solo dalle costruzioni selezionate, ma anche dal modo in cui le risposte grezze vengono convertite in variabili analitiche. Molti studi riportano punteggi di scala, matrici di correlazione, confronti tra gruppi o modelli di regressione senza mostrare le decisioni intermedie che collegano i dati grezzi alle tabelle e figure finali. Le risposte mancanti possono essere gestite in modo non uniforme, gli elementi invertiti nel punteggio possono essere codificati erroneamente, le sottomissioni duplicate possono rimanere nel dataset e le risposte distratte possono essere considerate osservazioni valide. Le decisioni riguardo ai dati mancanti dovrebbero pertanto essere pianificate, documentate e riportate, piuttosto che trattate come un passaggio post hoc invisibile². I dati dei questionari online richiedono inoltre regole esplicite sulla qualità delle risposte, poiché la velocità eccessiva, la compilazione lineare (straight-lining), le risposte incoerenti e altri schemi di basso impegno possono alterare le statistiche descrittive, le stime di affidabilità e le associazioni osservate³.

La novità di questo protocollo risiede nel suo tracciamento collegato, che va dall'esportazione grezza del questionario ai risultati statistici e visivi finali. In particolare, il flusso di lavoro include una mappa delle scale completate, un registro di controllo preliminare all'analisi, un controllo per la riassegnazione dei punteggi, un registro di verifica del punteggio, la verifica della fonte numerica delle figure e un tracciamento contabile che collega ogni tabella o figura al relativo file sorgente. Questo aspetto differenzia il metodo dalle pratiche standard di pulizia dei dati, attribuzione del punteggio alle scale, verifica dell'affidabilità o visualizzazione. Piuttosto che affermare semplicemente che i dati del questionario sono stati puliti e analizzati, il protocollo specifica quale file è bloccato, quale file viene esaminato, quali regole vengono applicate, quali punteggi di scala vengono generati e quale tabella numerica verificata viene utilizzata per creare ogni output visivo.

Il flusso di lavoro viene illustrato mediante dati anonimizzati ottenuti da un questionario somministrato a studenti universitari, contenente cinque variabili su scala: emozione negativa, procrastinazione accademica, senso di appartenenza scolastico, pensiero di ordine superiore e benessere soggettivo. Queste costruzioni sono state selezionate per fornire esempi di tipo emotivo, comportamentale, contestuale-scolastico, cognitivo e orientati al risultato all'interno di un unico flusso di lavoro strutturato e verificabile. La procrastinazione accademica è stata associata a successive difficoltà di salute mentale tra gli studenti universitari, inclusi esiti legati a depressione, ansia e stress⁴. Il senso di appartenenza scolastico e il benessere soggettivo sono anch'essi strettamente correlati nelle popolazioni studentesche, il che giustifica l'inclusione di misure relative all'appartenenza e al benessere all'interno dello stesso quadro di elaborazione dei questionari⁵. Tuttavia, nel presente protocollo, queste costruzioni vengono utilizzate per illustrare il flusso di lavoro piuttosto che per stabilire un modello psicologico causale.

Un aspetto fondamentale del protocollo è la separazione tra le decisioni relative all'elaborazione dei dati e l'interpretazione sostanziale. La mappa della scala viene preparata prima dell'analisi, i criteri di qualità delle risposte vengono fissati prima del calcolo del punteggio della scala, la verifica del reverse scoring viene completata prima dei test statistici e le figure vengono generate solo dopo aver controllato le tabelle numeriche di origine. Questa sequenza è importante perché le scale di risposta di tipo Likert richiedono un allineamento accurato tra la formulazione degli elementi, gli ancoraggi di risposta, la direzione del punteggio e il trattamento statistico⁶. Il protocollo dà inoltre priorità alla complessità del modello rispetto a una preelaborazione trasparente e alla verifica del punteggio. Modelli predittivi o multivariabili possono essere utili nella ricerca studentesca⁷, e i riassunti grafici possono migliorare l'interpretazione quando rimangono collegati a matrici numeriche verificate⁸, ma entrambi dipendono da una preparazione trasparente delle variabili di ingresso. Per questo motivo, il flusso di lavoro utilizza l'analisi delle correlazioni, il confronto comparativo tra gruppi, la modellizzazione della regressione, i controlli diagnostici e la visualizzazione come moduli esemplificativi, piuttosto che come affermazioni sostanziali obbligatorie.

Questo protocollo è destinato a ricercatori che necessitano di un flusso di lavoro pratico per l'elaborazione di questionari contenenti dati anonimi sul benessere degli studenti. È adatto quando le risposte ai singoli item del questionario vengono esportate da una piattaforma online, occorre calcolare variabili a livello di scala a partire da item di tipo Likert e l'obiettivo è produrre output descrittivi, correlazionali, di confronto tra gruppi, di regressione, diagnostici e pronti per la visualizzazione in forma trasparente. Non è progettato per stabilire relazioni causali, validare nuove scale, sostituire l'analisi fattoriale confermativa, sostituire i test di invarianza di misura o per l'analisi degli item o la modellizzazione a variabili latenti. Il suo contributo è di natura procedurale: rende visibile, ripetibile e verificabile il percorso dai dati raccolti tramite questionario alle tabelle e figure riportate. Questo approccio è coerente con le attuali preoccupazioni riguardo alla qualità dei dati provenienti da sondaggi online⁹, alla verifica delle regressioni e delle influenze statistiche¹⁰ e ai flussi di analisi basati su questionari verificabili¹¹.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

Questo studio che coinvolge partecipanti umani è stato esaminato e approvato dal Comitato Etico del College of Aeronautics, Guizhou Open University (Numero di approvazione: GZOU-EDU-2024-015). Il comitato ha stabilito che lo studio rientra nei casi di esenzione etica poiché utilizza procedure di compilazione anonima e volontaria del questionario e non comporta rischi superiori a quelli minimi per i partecipanti. Tutti i partecipanti hanno fornito il consenso informato in forma elettronica prima di compilare il questionario e potevano interrompere la compilazione in qualsiasi momento senza alcuna penalizzazione. Poiché diversi quesiti riguardavano emozioni negative, stress, solitudine, impotenza, insoddisfazione o esperienze correlate al benessere, nella pagina del consenso e nell'ultima pagina del questionario sono state fornite le informazioni di contatto del ricercatore e dell'istituzione per i partecipanti che avessero provato disagio. Il set di dati utilizzato in questo protocollo è stato anonimizzato prima della selezione, della valutazione, dell'analisi e della visualizzazione. Il questionario completo è fornito come File Supplementare 1.

1. Preparare il questionario, i documenti etici e gli elaborati del flusso di lavoro

Definire la popolazione idonea, l'ambiente dello studio, le costruzioni del questionario e gli output analitici previsti prima della programmazione del questionario.
Preparare una domanda per l'approvazione etica che includa la popolazione target, il canale di reclutamento, il contenuto del questionario, il tempo stimato per il completamento, la protezione dell'anonimato, la conservazione dei dati, la procedura di ritiro, le informazioni di supporto per i partecipanti e le analisi previste.
Conservare nel cartella del progetto il documento di approvazione o esenzione etica, il testo del consenso informato, il testo di reclutamento, la versione del questionario, le informazioni di supporto per i partecipanti e il flusso di lavoro previsto prima dell'inizio della raccolta dati.
Definire la popolazione target come studenti universitari a tempo pieno di almeno 18 anni, attualmente iscritti a un corso di studi universitario, in grado di comprendere il questionario e di fornire un consenso informato.
Definire i criteri di esclusione prima del reclutamento. Escludere i rispondenti che rifiutano il consenso, che non soddisfano la definizione della popolazione target, che inviano risposte duplicate, che superano la soglia di dati mancanti o che soddisfano i criteri combinati di risposta non valida descritti al Passo 1.4.
Posizionare l'informativa sul consenso informato all'inizio del questionario. Indicare lo scopo dello studio, la natura volontaria della partecipazione, il tempo approssimativo di completamento di 12 minuti, la protezione dell'anonimato, il diritto di ritiro, il piano di utilizzo dei dati, le informazioni di contatto del ricercatore e le informazioni di contatto per il supporto.
Non raccogliere informazioni direttamente identificabili, tra cui numeri di identificazione dello studente, numeri di identificazione nazionali, numeri di telefono cellulare, indirizzi email personali, indirizzi di dormitorio o altri identificatori personali.
Organizzare il questionario nell'ordine seguente: consenso informato, informazioni demografiche, elementi relativi alle emozioni negative, elementi relativi alla procrastinazione accademica, elementi relativi al senso di appartenenza scolastico, elementi relativi al pensiero di ordine superiore e elementi relativi al benessere soggettivo.
Selezionare gli strumenti di riferimento prima della programmazione del questionario. In questo protocollo, le emozioni negative sono state valutate mediante la scala Depression Anxiety Stress Scales-21 a 21 elementi, la procrastinazione accademica mediante la Tuckman Procrastination Scale a 16 elementi, il senso di appartenenza scolastico mediante la Psychological Sense of School Membership Scale a 18 elementi, il pensiero di ordine superiore mediante un insieme di 20 elementi adattato dalla letteratura esistente sulla misurazione del pensiero di ordine superiore e il benessere soggettivo mediante una scala di 20 elementi per la ricerca sugli studenti universitari¹²^,¹³^,¹⁴^,¹⁵^,¹⁶.
Preparare una mappa delle scale bloccata prima della programmazione del questionario. Includere il nome della costruzione, il nome originale della scala, la citazione originale, la versione linguistica, lo stato di autorizzazione o permesso, la procedura di traduzione o adattamento, il codice dell'elemento, il testo dell'elemento, l'intervallo di risposta, gli estremi di risposta, la direzione del punteggio, lo stato di inversione del punteggio, la variabile finale a livello di scala e la regola di calcolo del punteggio.
Descrivere un insieme di elementi come scala validata solo quando lo strumento di riferimento, la citazione, le evidenze di validazione e lo stato di adattamento o traduzione sono documentati. Identificare qualsiasi insieme di elementi sviluppato dall'autore o specifico dello studio in Tabella 1 e in File Supplementare 1.
Bloccare il quadro di misurazione prima della raccolta dati. Per strumenti tradotti o adattati, completare traduzione, revisione, riconciliazione e verifica pilota prima dell'inizio del reclutamento.
Preparare un pacchetto di audit del flusso di lavoro che includa il file del questionario bloccato, la mappa delle scale, il controllo per l'esportazione dei dati grezzi, il registro di screening, il registro di verifica del punteggio, il registro delle analisi, il modello di tabella delle fonti delle figure e il file di sintassi o script di analisi.
Utilizzare nomi di file con versione per tutti gli artefatti del flusso di lavoro.
Definire le colonne richieste per ogni file di audit.
1. Il registro di screening include ID del record, criterio di screening, stato del flag, stato di esclusione, motivo dell'esclusione, data della decisione e iniziali del revisore.
2. La mappa delle scale include nome della costruzione, fonte della scala, codice dell'elemento, testo dell'elemento, intervallo di risposta, estremi di risposta, stato di inversione del punteggio, nome finale della variabile, regola di calcolo del punteggio e stato di autorizzazione o adattamento.
3. Il registro di verifica del punteggio include codice dell'elemento, intervallo di valori originale, intervallo di valori ricodificato, formula di inversione del punteggio, risultato del controllo dell'intervallo, stato di discrepanza, correzione effettuata e data della correzione.
4. La tabella delle fonti delle figure include il numero della figura, il numero del pannello, la tabella di origine, le variabili rappresentate, la statistica visualizzata, la dimensione del campione e lo stato di verifica.
Definire il flusso di lavoro analitico prima della programmazione del questionario: somministrazione del sondaggio, esportazione dei dati grezzi, screening delle risposte, calcolo del punteggio delle scale, valutazione dell'affidabilità, analisi descrittiva, analisi delle correlazioni, confronto tra gruppi ad alto e basso punteggio, modellazione di regressione, controlli diagnostici e preparazione delle visualizzazioni¹⁷.
Strutturare il protocollo attorno a decisioni, operazioni e output di verifica piuttosto che ai percorsi dei menu software.
Fornire risorse per il flusso di lavoro quando consentito dalle politiche istituzionali e editoriali, inclusi il file del questionario, la mappa delle scale, il modello del registro di screening, il modello del registro di calcolo del punteggio, il file di sintassi o script di analisi e le tabelle delle fonti delle figure.
NOTA: Figura 1 mostra il percorso dalla preparazione del questionario all'esportazione dei dati grezzi, allo screening delle risposte, al calcolo del punteggio delle scale, all'analisi statistica, ai controlli diagnostici e all'output delle visualizzazioni. Tabella 1 riporta lo strumento di riferimento, il numero di elementi, l'intervallo di risposta, il quadro di calcolo del punteggio, la regola di inversione del punteggio, lo stato di autorizzazione o adattamento e la variabile finale a livello di scala per ciascuna costruzione.

2. Configurare e distribuire il questionario

Verificare che la piattaforma del questionario supporti il controllo del consenso, gli elementi obbligatori, la revisione dei doppioni, l'acquisizione del timestamp e la registrazione della durata delle risposte.
Creare il questionario utilizzando la piattaforma di sondaggio online indicata nella Tabella dei Materiali. Programmare il questionario secondo la mappa delle scale bloccata.
Confrontare il questionario programmato con la mappa delle scale bloccata, elemento per elemento, prima di diffondere il link del sondaggio. Registrare eventuali correzioni nel registro dello studio.
Impostare l'elemento relativo al consenso informato come primo elemento obbligatorio. Interrompere automaticamente il questionario quando un partecipante seleziona “Non acconsento a partecipare”.
Programmare le sezioni demografiche e quelle relative alle scale psicologiche secondo l'ordine stabilito al Passaggio 1.8. Utilizzare codici degli elementi coerenti con la mappa delle scale.
Impostare gli elementi delle scale psicologiche come obbligatori solo se consentito dall'approvazione etica o dall'esenzione e quando i partecipanti possono ritirarsi senza penalità. Se le risposte forzate non sono consentite, registrare la regola per i dati mancanti prima della raccolta dei dati.
Visualizzare gli estremi di risposta prima di ogni sezione della scala e mantenere coerenti gli estremi all'interno di ciascuna scala¹⁸.
Disabilitare le sottomissioni ripetute quando la piattaforma del sondaggio offre questa funzione. Conservare tutti gli identificatori anonimi del dispositivo, del browser, della piattaforma o della sottomissione necessari per la revisione delle risposte duplicate.
Abilitare la registrazione automatica dell'orario di invio e della durata del completamento.
Impostare il periodo di apertura del questionario su 7 giorni solari, oppure utilizzare la finestra di raccolta approvata dal comitato etico.
Inviare il link del questionario attraverso il canale istituzionale di reclutamento approvato. Fornire a tutti i partecipanti le stesse istruzioni scritte.
Chiudere il questionario al termine della finestra di raccolta prestabilita.
NOTA: Conservare nel registro dello studio la formulazione del reclutamento, il link del questionario, le date di apertura e chiusura, le impostazioni della piattaforma, la formulazione del consenso, la versione finale del questionario e le impostazioni di esportazione della piattaforma.

3. Esportare e proteggere i dati grezzi

Esportare immediatamente le risposte al questionario completato come file di foglio di calcolo al termine del periodo di raccolta.
Salvare il primo file esportato come dataset grezzo bloccato. Non modificare questo file.
Creare una copia di lavoro per la selezione, la valutazione e l'analisi. Assegnare al file un nome contenente la data, il numero di versione e l'identificativo del progetto.
Verificare che il file esportato contenga una riga per ogni rispondente e una colonna per ogni variabile demografica, voce del questionario, variabile di timestamp, variabile della piattaforma o campo derivato della piattaforma.
Archiviare il dataset grezzo bloccato, la copia di lavoro, la mappa delle scale, il file del questionario, il registro dello studio, il registro di selezione, il registro di verifica della valutazione, il registro di analisi, le tabelle sorgenti delle figure e il file di sintassi o script in una cartella del progetto protetta da password.
Verificare che il dataset non contenga informazioni direttamente identificabili. Rimuovere eventuali campi identificabili imprevisti dalla copia di lavoro prima dell'analisi e registrare nel registro dello studio il nome del campo, il motivo della rimozione, la data della rimozione e le iniziali del revisore responsabile.
Verificare l'identificabilità indiretta prima di condividere o pubblicare dati a livello di partecipante. Esaminare le piccole categorie demografiche create dalle combinazioni di sesso, età, anno accademico, categoria dell'istituzione e categoria della disciplina accademica. Se una categoria include meno di cinque rispondenti, unire le categorie, eliminare la categoria o fornire soltanto dati aggregati.
Registrare nello studio il livello di disponibilità dei dati, specificando se i dati a livello di partecipante sono disponibili, limitati a causa di requisiti etici o di privacy, oppure sostituiti da un dataset aggregato del flusso di lavoro.
Creare un registro di selezione prima della pulizia dei dati. Registrare la dimensione campionaria grezza, il criterio di selezione, il numero di record segnalati, il numero di record rimossi, il numero di record mantenuti, il motivo dell'esclusione, la data della decisione e le iniziali del revisore.
Creare un file di tracciamento dell'analisi prima dell'analisi statistica. Registrare il nome del software, la versione del software, il sistema operativo, i nomi dei file, la versione dei dati, la versione dello script o della sintassi e la data di ogni esecuzione dell'analisi.
NOTA: Utilizzare il dataset grezzo bloccato soltanto per verifica. Eseguire tutte le operazioni di selezione, valutazione e analisi utilizzando la copia di lavoro.

4. Analizzare le risposte e costruire il set di dati analitico

Applicare regole predefinite di esclusione e controllo qualità prima di calcolare qualsiasi punteggio a livello di scala.
Applicare le regole di screening alla copia di lavoro in questo ordine: stato del consenso, idoneità, sottomissioni duplicate, dati mancanti, durata della risposta, risposte lineari continue, valori fuori intervallo e indicatori combinati di qualità della risposta.
Dopo ogni operazione di screening, registrare il numero di record segnalati, rimossi e mantenuti nel registro di screening. Non sovrascrivere versioni precedenti del file di lavoro.
Eliminare tutti i record in cui l'elemento relativo al consenso informato è segnato come “No” o lasciato senza risposta.
Eliminare tutti i record che non soddisfano i criteri di inclusione definiti nel Passaggio 1.4.
Verificare la presenza di sottomissioni duplicate utilizzando identificatori anonimi di risposta, orario di sottomissione, segnalazioni automatiche di sottomissione duplicata da parte della piattaforma e modelli di risposta ripetuti.
Mantenere la prima sottomissione completa quando vengono rilevate voci duplicate, a meno che non vi sia una motivazione documentata a sostegno del mantenimento di una sottomissione completa successiva.
Correggere tutte le regole relative alla qualità delle risposte prima di calcolare i punteggi delle scale. Tabella 2 riassume le soglie di esclusione, le soglie di segnalazione, la motivazione, il supporto letterario e il piano di analisi di sensibilità utilizzati nel flusso di lavoro.
Verificare la presenza di dati mancanti. Rimuovere un rispondente quando mancano più del 20% di tutti gli elementi della scala. Sostituire un singolo elemento mancante con il punteggio medio del rispondente per la stessa scala solo se almeno l’80% di tale scala è stato completato. Non imputare variabili demografiche a meno che la variabile non venga utilizzata in alcuna analisi.
Registrare il numero di rispondenti esclusi per più del 20% di elementi della scala mancanti e il numero di rispondenti ai quali è stata applicata l’imputazione del valore medio all’interno della scala. Nel dataset attuale, 4 rispondenti sono stati esclusi per più del 20% di elementi della scala mancanti, e 21 rispondenti hanno ricevuto l’imputazione del valore medio all’interno della scala per 37 elementi isolati mancanti.
Verificare la durata della risposta. Segnalare le risposte completate in meno di 180 s. Trattare questo valore come un indicatore di velocità eccessiva piuttosto che come una regola automatica di esclusione.
Verificare la presenza di risposte lineari continue. Segnalare una risposta quando la stessa opzione viene selezionata per più del 90% di tutti gli elementi della scala Likert. Trattare questo valore come un indicatore di modello di risposta piuttosto che come una regola automatica di esclusione.
Verificare ulteriori indicatori di basso impegno, inclusa evidenza di sottomissioni duplicate, timestamp impossibili, stringhe di risposta ripetute in sottomissioni distinte o incongruenze tra i metadati della piattaforma e il contenuto del questionario.
Eliminare una risposta segnalata solo quando almeno due indicatori di controllo qualità suggeriscono una risposta non valida, come ad esempio un tempo di completamento estremamente breve combinato a risposte lineari continue, evidenza di sottomissione duplicata o metadati della piattaforma impossibili¹⁹.
Registrare tutti i record segnalati, anche quando vengono mantenuti. Nel dataset attuale, 19 risposte sono state segnalate per una durata di completamento < 180 s, 8 risposte sono state segnalate per risposte lineari continue >90%, e 13 record sono stati esclusi perché soddisfacevano due o più indicatori di qualità della risposta.
Verificare la presenza di valori fuori intervallo. Confermare che gli elementi relativi alle emozioni negative rientrino nell’intervallo 1–4, quelli relativi alla procrastinazione accademica, al senso di appartenenza scolastico e al pensiero di ordine superiore rientrino nell’intervallo 1–5, e quelli relativi al benessere soggettivo rientrino nell’intervallo 1–6.
Correggere un valore solo quando l’esportazione originale mostra chiaramente un errore di formattazione. Non modificare punteggi psicologici validi solo perché appaiono insolitamente alti o bassi.
Generare una tabella del flusso di screening che riporti i questionari sottomessi, le esclusioni per consenso e idoneità, le esclusioni per duplicati, le esclusioni per dati mancanti, le segnalazioni per qualità della risposta, le esclusioni combinate per controllo qualità, le imputazioni per singoli elementi isolati, i casi analitici mantenuti e la dimensione finale del campione analitico.
Completare la tabella del flusso di screening utilizzando il registro di screening bloccato e conservare una registrazione esportata delle decisioni di screening. Nel dataset attuale, il flusso di screening è stato il seguente: questionari sottomessi, n = 448; esclusioni per consenso o idoneità, n = 6; sottomissioni duplicate rimosse, n = 5; record esclusi per >20% di elementi della scala mancanti, n = 4; record esclusi per due o più indicatori di qualità della risposta, n = 13; dataset analitico finale, n = 420.
Salvare i record mantenuti come dataset analitico. Utilizzare un nuovo nome di file con versione e conservare il registro di screening insieme al dataset analitico.
NOTA: Mantenere punteggi estremi validi a meno che non sia presente un problema documentato di qualità della risposta.

5. Valutare le scale psicologiche

Convertire le risposte a livello di item in variabili a livello di scala solo dopo aver completato la verifica delle risposte e salvato il dataset analitico.
Codificare tutti gli item di tipo Likert secondo gli estremi di risposta presenti nel questionario bloccato e secondo le regole di punteggio indicate nella mappa della scala.
Mantenere inalterate le variabili originali degli item. Creare variabili derivate distinte per gli item ricodificati o con punteggio invertito.
Calcolare il punteggio di ciascuna scala secondo la mappa della scala bloccata e lo strumento originale o il manuale di punteggio corrispondente.
Invertire il punteggio degli item specificati di benessere soggettivo prima di calcolare il punteggio complessivo di benessere soggettivo. Per la scala di risposta da 1 a 6, calcolare ciascun item invertito come 7 meno il punteggio originale e aggiungere _R al nome della variabile derivata.
Utilizzare le variabili con punteggio invertito, e non quelle originali, nel calcolo del benessere soggettivo.
Calcolare ciascun punteggio a livello di scala come media aritmetica dei suoi item conservati: emozione negativa, procrastinazione accademica, senso di appartenenza scolastica, pensiero di ordine superiore e benessere soggettivo.
Denominare le variabili finali a livello di scala come Emozione negativa, Procrastinazione accademica, Senso di appartenenza scolastica, Pensiero di ordine superiore e Benessere soggettivo.
Verificare il valore minimo e massimo di ciascuna variabile a livello di scala rispetto al suo intervallo teorico di risposta. Rivedere la codifica, l'inversione del punteggio e la gestione dei valori mancanti se uno qualsiasi dei punteggi rientra al di fuori dell'intervallo atteso.
Verificare il verso di ciascuna scala rispetto alla mappa della scala prima dell'analisi inferenziale. Punteggi più elevati devono riflettere il verso inteso della costruzione.
Eseguire un controllo di audit sull'inversione del punteggio prima dell'analisi. Ricalcolare gli item con punteggio invertito per un sottoinsieme casuale di record o per tutti gli item con punteggio invertito quando possibile, e registrare il risultato dell'audit nel registro di verifica del punteggio.
Se viene rilevato un errore di punteggio, correggere la variabile derivata, rigenerare il punteggio di scala interessato, aggiornare il registro di verifica del punteggio e rieseguire tutte le analisi successive e le tabelle sorgenti delle figure basate sul dataset analitico corretto.
NOTA: Considerare l'inversione del punteggio e la verifica dell'intervallo come controlli obbligatori prima dell'analisi delle correlazioni, del confronto tra gruppi, della modellazione di regressione o della visualizzazione.

6. Valutare la coerenza interna e le proprietà descrittive

Calcolare la coerenza interna, le correlazioni corrette tra item e punteggio totale, e le statistiche descrittive per ciascuna scala utilizzando le variabili degli item definite nella mappa di scala bloccata.
Registrare l'alpha di Cronbach, il numero di item, la dimensione campionaria valida, le correlazioni corrette tra item e punteggio totale e i valori di alpha-se-l'item-fosse-eliminato per ciascuna scala.
Utilizzare un valore di alpha di Cronbach pari a 0,70 come soglia minima accettabile di affidabilità per questo flusso di lavoro. Prima di rimuovere qualsiasi item, verificare la formulazione dell'item, la direzione del punteggio, la codifica inversa, l'allineamento al costrutto e la documentazione dello strumento originale²⁰.
Calcolare l'omega di McDonald come stima supplementare dell'affidabilità quando l'ambiente di analisi lo consente. Riportare l'omega insieme all'alpha di Cronbach quando le due stime portano a interpretazioni diverse dell'affidabilità.
Esaminare attentamente ogni item con una correlazione corretta tra item e punteggio totale negativa o molto bassa prima di considerarne la rimozione. Considerare inizialmente tale situazione come un possibile problema di codifica, di punteggio inverso o di allineamento al costrutto.
Non rimuovere un item soltanto per aumentare l'alpha di Cronbach. La rimozione di un item deve essere giustificata dal manuale di correzione, dalla formulazione dell'item, dalla correlazione corretta tra item e punteggio totale, dall'adeguatezza concettuale e dalla verifica documentata della codifica.
Calcolare le statistiche descrittive per tutte e cinque le variabili a livello di scala, inclusi media, deviazione standard, valore minimo, valore massimo, asimmetria (skewness) e curtosi (kurtosis).
Verificare la presenza di concentrazioni ai valori estremi registrando la proporzione di rispondenti che hanno ottenuto i punteggi minimi e massimi possibili per ciascuna scala.
Registrare nel registro di analisi le stime di affidabilità, le diagnosi relative agli item e al punteggio totale, le statistiche descrittive e ogni decisione relativa alla correzione.
NOTA: L'alpha di Cronbach viene utilizzato come controllo dell'affidabilità, non come procedura completa di validazione psicometrica. Quando è richiesta una valutazione formale della misurazione, integrare questo flusso di lavoro con l'omega di McDonald, l'analisi fattoriale confermativa, i test di invarianza di misura, la modellazione della risposta all'item o altri metodi basati su variabili latenti.

7. Eseguire l'analisi di correlazione

Utilizzare le cinque variabili verificate a livello di scala: emozione negativa, procrastinazione accademica, senso di appartenenza scolastica, pensiero di ordine superiore e benessere soggettivo.
Prima di calcolare le correlazioni di Pearson, esaminare le distribuzioni e i diagrammi di dispersione bivariati per ogni coppia di variabili a livello di scala.
Valutare se le variabili mostrano una variazione approssimativamente continua dei punteggi, asimmetrie marcate, relazioni non lineari o schemi anomali influenti.
Calcolare i coefficienti di correlazione di Pearson e i valori p a due code per tutte le coppie di variabili a livello di scala quando le assunzioni sono accettabili per un'analisi descrittiva dell'associazione.
Registrazione del coefficiente di correlazione, pvalore, dimensione del campione e direzione dell'associazione per ogni coppia di variabili.
Riportare i coefficienti di correlazione con tre cifre decimali.
Confrontare la direzione di ciascun coefficiente con la mappa della scala. Verificare nuovamente la valutazione degli elementi se un coefficiente contraddice la direzione prevista del costrutto.
Salvare la matrice di correlazione verificata come tabella numerica sorgente per la mappa termica delle correlazioni nella sezione Risultati Rappresentativi.
Quando le distribuzioni sono fortemente asimmetriche, è richiesta una sensibilità su scala ordinale o i diagrammi di dispersione suggeriscono associazioni monotone ma non lineari, ripetere l'analisi utilizzando la correlazione di Spearman e confrontare la direzione e l'entità relativa delle associazioni.
Registrare se i risultati di Pearson e Spearman hanno portato alla stessa interpretazione sostanziale.
NOTA: Utilizzare l'analisi della correlazione sia come verifica descrittiva dell'associazione sia come controllo della direzione dei punteggi.

8. Creare gruppi con elevato e ridotto benessere soggettivo

Utilizzare il dataset analitico pulito e punteggiato. Non tornare all'esportazione grezza per la costruzione dei gruppi.
Utilizzare il punteggio continuo di benessere soggettivo come esito primario per la modellazione della regressione. Utilizzare il raggruppamento alto-basso solo per il confronto descrittivo dei profili.
Ordinare i rispondenti in base al punteggio di benessere soggettivo, dal più alto al più basso.
Applicare la regola prespecificata del 27% per i gruppi estremi per definire i gruppi di alto e basso benessere soggettivo. Documentare la motivazione di questa soglia in Tabella 2 e nel registro di analisi.
Assegnare i rispondenti al 27% superiore al gruppo di alto benessere soggettivo e quelli al 27% inferiore al gruppo di basso benessere soggettivo.
Mantenere il 46% centrale nel dataset analitico completo per le statistiche descrittive, l'analisi delle correlazioni, il confronto per sesso e la modellazione della regressione, ma escludere questi casi dal confronto alto-basso.
Creare una variabile di raggruppamento denominata Gruppo di benessere soggettivo. Codificare il gruppo superiore come Alto, il gruppo inferiore come Basso e i restanti rispondenti come Medio.
Verificare che i gruppi alto e basso contengano il numero previsto di casi. Se si verificano punteggi pari al limite del 27%, applicare la regola prespecificata per la gestione dei pareggi e registrare la decisione nel registro di analisi.
Eseguire un controllo di sensibilità quando il limite del 27% determina un'instabilità nell'appartenenza ai gruppi a causa di punteggi pari o di una dimensione campionaria ridotta. Utilizzare una regola alternativa prespecificata, come il raggruppamento in terzili, e riportare se l'interpretazione rimane invariata.
NOTA: Il raggruppamento alto-basso è una procedura descrittiva di confronto. Non deve sostituire il punteggio continuo di benessere soggettivo nel modello primario di regressione.

9. Confronta i gruppi con elevato e basso benessere soggettivo

Filtra il dataset analitico per mantenere solo i rispondenti classificati come Alto o Basso nella variabile di raggruppamento relativa al benessere soggettivo.
Confrontare i gruppi alto e basso per quanto riguarda le emozioni negative, la procrastinazione accademica, il senso di appartenenza scolastico e il pensiero di ordine superiore.
Prima del confronto tra gruppi, esaminare le distribuzioni specifiche per gruppo, le dimensioni campionarie e l'uguaglianza delle varianze per ciascuna variabile.
Utilizzare un campione indipendente t-test quando le assunzioni di distribuzione e di varianza sono accettabili. Utilizzare il test di Welch t-test quando l'assunzione di omogeneità della varianza non è soddisfatta.
Registrare le medie dei gruppi, le deviazioni standard, le differenze tra le medie tvalori p, gradi di libertà p-valori e intervalli di confidenza al 95%.
Calcolare la d di Cohen per ogni differenza tra gruppi e interpretare l'entità dell'effetto insieme al valore p.
Verificare se la direzione di ciascuna differenza tra gruppi è coerente con le definizioni del costrutto e con la matrice di correlazione.
Salvare la tabella verificata di confronto tra gruppi come fonte numerica per qualsiasi visualizzazione del confronto tra gruppi.
Riportare questa analisi come un confronto tra profili estremi di benessere soggettivo.
NOTA: Non interpretare il confronto tra alto e basso come una prova di causalità.

10. Esaminare le differenze di sesso

Rimuovere il filtro del gruppo alto-basso e tornare al set completo di dati analitici.
Utilizzare il sesso come variabile descrittiva di raggruppamento piuttosto che come esposizione causale.
Confrontare i rispondenti di sesso femminile e maschile per quanto riguarda le emozioni negative, la procrastinazione accademica, il senso di appartenenza scolastico, il pensiero di ordine superiore e il benessere soggettivo.
Prima del confronto, esaminare le dimensioni campionarie specifiche per gruppo, la presenza di dati mancanti, le distribuzioni e l'uguaglianza delle varianze.
Utilizzare un test t per campioni indipendenti quando le assunzioni sono accettabili. Utilizzare il test t di Welch quando l'assunzione di uguaglianza delle varianze non è supportata.
Registrare le medie dei gruppi, le deviazioni standard, le differenze tra medie, i valori t, i gradi di libertà, i valori p, gli intervalli di confidenza al 95% e i valori di d di Cohen.
Interpretare le differenze di sesso in modo descrittivo e riportare le dimensioni dell'effetto insieme ai valori p.
Non utilizzare i risultati del confronto per sesso per giustificare esclusioni a posteriori, modifiche della scala o interpretazioni causali.
NOTA: I confronti per sesso sono inclusi come verifiche descrittive di sottogruppi all'interno di questo flusso di lavoro basato su questionario trasversale.

11. Stimare il modello di regressione

Utilizzare il benessere soggettivo come variabile dipendente.
Utilizzare l'emozione negativa, la procrastinazione accademica, il senso di appartenenza scolastica e il pensiero di ordine superiore come predittori simultanei a livello di scala²¹.
Utilizzare le variabili continue a livello di scala create durante il calcolo del punteggio della scala. Non sostituire il punteggio continuo di benessere soggettivo con la variabile categorizzata in gruppi alto-basso.
Adattare il modello principale utilizzando una regressione lineare multipla con inserimento simultaneo.
Registrare i coefficienti non standardizzati, i coefficienti standardizzati, gli errori standard, i valori t, i valori p, gli intervalli di confidenza al 95%, R², R² aggiustato, la tolleranza e il fattore di inflazione della varianza.
Utilizzare valori del fattore di inflazione della varianza inferiori a 5,00 come soglia per l'assenza di multicollinearità grave.
Esaminare i diagrammi di dispersione bivariati, i diagrammi di regressione parziale o i diagrammi componente-più-residuo per valutare se le associazioni tra i predittori e il benessere soggettivo siano approssimativamente lineari.
Valutare l'indipendenza dei residui utilizzando la statistica di Durbin-Watson.
Valutare la normalità dei residui utilizzando un diagramma Q-Q dei residui e un test formale di normalità, quando appropriato rispetto alla dimensione del campione.
Valutare l'omoschedasticità utilizzando un diagramma dei residui standardizzati rispetto ai valori predetti standardizzati.
Salvare i residui standardizzati, i valori predetti standardizzati, i valori di leva (leverage) e la distanza di Cook per i controlli diagnostici.
Stimare un modello aggiuntivo corretto che includa i quattro predittori psicologici e le variabili demografiche riportate nella descrizione del campione, tra cui sesso, età, livello d'anno, categoria dell'istituzione e categoria dell'indirizzo accademico, quando queste variabili sono disponibili e adeguatamente distribuite.
Confrontare il modello principale con il modello aggiuntivo corretto. Registrare se direzione, entità e interpretazione statistica dei quattro predittori psicologici rimangano stabili dopo la correzione demografica.
Salvare i coefficienti standardizzati verificati e gli intervalli di confidenza al 95% del modello principale come tabella numerica di riferimento per il grafico dei coefficienti nella sezione Risultati Rappresentativi²².
NOTA: Interpretare i coefficienti di regressione come associazioni condizionali, non come effetti causali. Il modello corretto per le variabili demografiche viene utilizzato in un'analisi di sensibilità per valutare se le conclusioni del flusso di lavoro rimangano stabili dopo aver tenuto conto delle variabili contestuali disponibili.

12. Diagnosticare il modello di regressione

Esaminare i residui standardizzati del modello di regressione stimato. Contrassegnare i casi con residui standardizzati in valore assoluto superiori a 3,00.
Esaminare i valori di leva (leverage) e la distanza di Cook per identificare osservazioni influenti.
Contrassegnare le osservazioni con distanza di Cook superiore a 4/n come potenzialmente influenti, dove n rappresenta la dimensione campionaria analitica. Considerare una distanza di Cook superiore a 1,00 come soglia di riferimento per un'influenza severa, piuttosto che come unico criterio di screening.
Esaminare il grafico dei residui rispetto ai valori predetti per verificare la presenza di non linearità, varianza non uniforme e raggruppamenti insoliti.
Esaminare il grafico Q-Q dei residui e il risultato del test di normalità dei residui. Registrare se la valutazione di normalità supporta l'uso del modello lineare per l'analisi descrittiva delle associazioni.
Registrare la statistica di Durbin-Watson e determinare se l'indipendenza dei residui è accettabile.
Rivedere tutti i casi contrassegnati in base al registro di screening, al registro di verifica della codifica e ai criteri di idoneità.
Mantenere i casi contrassegnati quando rappresentano osservazioni valide e non riflettono errori di immissione dati, errori di codifica, sottomissioni duplicate, violazioni dei criteri di idoneità o problemi documentati di qualità delle risposte.
Correggere o rimuovere un caso contrassegnato solo quando la traccia di verifica (audit trail) evidenzia un errore documentato relativo a procedure, idoneità, codifica, punteggio o immissione dati.
Rieseguire il modello di regressione dopo eventuali correzioni documentate e confrontare i coefficienti, gli intervalli di confidenza, R², R² aggiustato e gli output diagnostici con il modello originale.
Eseguire un controllo di sensibilità all'influenza ricalibrando il modello escludendo i casi con distanza di Cook superiore a 4/n. Riportare se l'interpretazione sostanziale cambia.
Registrare la decisione diagnostica finale nel registro di analisi, includendo il numero di casi contrassegnati dai residui standardizzati, il numero contrassegnato da distanza di Cook superiore a 4/n, la distanza massima di Cook, la statistica di Durbin-Watson e la conclusione derivante dai controlli di normalità e linearità dei residui.
NOTA: Non rimuovere casi influenti esclusivamente per migliorare l'adattamento del modello. La rimozione o correzione deve basarsi su una motivazione documentata nella traccia di verifica.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

Set di dati analitico generato dopo la selezione in base alla risposta
Il flusso di lavoro di selezione delle risposte ha prodotto un set di dati analitico composto da 420 record anonimi di studenti, provenienti da 448 questionari sottoposti. Il registro di selezione ha documentato ogni punto decisionale. Sono stati rimossi sei record perché non erano stati soddisfatti i requisiti di consenso o di idoneità, cinque sottomissioni duplicate sono state eliminate, quattro record sono stati esclusi poiché ...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

Questo protocollo standardizza un processo comune ma spesso sottovalutato negli studi basati su questionari sul benessere: il passaggio dai record grezzi delle risposte a dati selezionati, variabili di scala punteggiate, output statistici e file pronti per la visualizzazione. Il contributo non consiste nello sviluppo di una nuova teoria sul benessere soggettivo né nella proposta di un modello causale. Piuttosto, il flusso di lavoro fornisce un percorso verificabile per la configurazione del questionario, la selezione del...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

Gli autori non hanno conflitti di interessi da dichiarare.

Ringraziamenti

Gli autori ringraziano gli studenti universitari che hanno partecipato al sondaggio tramite questionario per il loro supporto durante la raccolta dei dati. Gli autori ringraziano inoltre gli istruttori competenti e gli assistenti di ricerca per l'assistenza fornita nella distribuzione dei questionari, nell'organizzazione dei dati, nella verifica dei risultati e nella preparazione di tabelle e figure. Questo lavoro non ha ricevuto finanziamenti specifici.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
Nome	Azienda	Numero di catalogo	Commenti
Pacchetto R broom	CRAN	Pacchetto R	Utilizzato per convertire gli output di regressione in tabelle strutturate di coefficienti e riepilogo del modello.
Pacchetto R car	CRAN	Pacchetto R	Utilizzato per la verifica del fattore di inflazione della varianza e il supporto diagnostico per la regressione.
Documentazione originale delle Depression Anxiety Stress Scales-21	Fondazione di Psicologia dell'Australia	Lovibond e Lovibond, 1995	Documentazione originale per la sezione relativa alle emozioni negative. Il flusso di lavoro ha utilizzato una formulazione adattata allo studio, allineata alla valutazione recente degli stati emotivi negativi.
Pacchetto R dplyr	CRAN	Pacchetto R	Utilizzato per filtrare i dati, ricodificarli, raggrupparli, generare riepiloghi del flusso di screening e preparare tabelle analitiche.
Pacchetto R ggplot2	CRAN	Pacchetto R	Utilizzato per generare la mappa termica delle correlazioni, il grafico delle correlazioni del benessere soggettivo, il grafico dei coefficienti di regressione e la visualizzazione diagnostica.
Documentazione originale per la misurazione del pensiero di ordine superiore	Springer Nature	DOI: 10.1038/s41598-024-70908-3	Documentazione originale per la sezione relativa al pensiero di ordine superiore. Il flusso di lavoro ha utilizzato un insieme di elementi adattato allo studio, allineato al pensiero analitico, valutativo, riflessivo, integrativo e basato sulle evidenze.
IBM SPSS Statistics	IBM Corp.	Versione 29.0.2.0	Utilizzato per statistiche descrittive, alfa di Cronbach’s, correlazione di Pearson, test t per campioni indipendenti e test t di Welch’s, regressione lineare multipla, statistica di Durbin-Watson, residui standardizzati, valori di leva, distanza di Cook’s e fattori di inflazione della varianza.
Pacchetto R psych	CRAN	Pacchetto R	Utilizzato per riepiloghi psicometrici, verifica dell'alfa di Cronbach’s e omega di McDonald’s.
Documentazione originale della Psychological Sense of School Membership Scale	Wiley	Psychol Sch. 1993;30(1):79-90	Documentazione originale per la sezione relativa all'appartenenza scolastica. Il flusso di lavoro ha utilizzato una formulazione adattata allo studio, allineata all'accettazione percepita, alla connessione, al supporto e al senso di appartenenza nell'ambiente scolastico.
Ambiente statistico R	Fondazione R per il Calcolo Statistico	Versione 4.4.2	Utilizzato per la verifica analitica secondaria, omega di McDonald’s, verifiche di sensibilità di Spearman, preparazione degli output di regressione e diagnostica, e preparazione delle fonti per la visualizzazione.
Pacchetto R readxl	CRAN	Pacchetto R	Utilizzato per importare esportazioni di questionari in formato foglio elettronico nel flusso di verifica in R.
Documentazione originale della Subjective Well-being Scale for Chinese Citizens	Scientific & Academic Publishing	DOI: 10.5923/j.ijap.20190905.01	Documentazione originale per la sezione relativa al benessere soggettivo. Il flusso di lavoro ha utilizzato una formulazione adattata allo studio e elementi con punteggio invertito, allineati alla soddisfazione della vita, al senso, al supporto, al progresso, all'insoddisfazione, all'impotenza e alle esperienze di benessere correlate allo stress.
File Supplementare 1: Struttura del questionario e documentazione delle scale	Autori	File Supplementare 1	Fornisce la struttura del questionario somministrato, l'ordine delle costruzioni, la provenienza delle scale, i codici degli elementi, gli ancoraggi di risposta, la direzione di punteggio, le regole di punteggio invertito, la costruzione del punteggio a livello di scala e le informazioni sullo stato della documentazione.
Documentazione originale della Tuckman Procrastination Scale	SAGE Publications	Educ Psychol Meas. 1991;51(2):473-480	Documentazione originale per la sezione relativa alla procrastinazione accademica. Il flusso di lavoro ha utilizzato una formulazione adattata allo studio, allineata al ritardo accademico e al comportamento di posticipazione dei compiti.
Piattaforma online per questionari Wenjuanxing	Changsha Ranxing Information Technology Co., Ltd.	Piattaforma basata sul web	Utilizzata per il consenso elettronico, la programmazione del questionario, la raccolta delle risposte agli elementi, l'acquisizione del timestamp, la registrazione della durata del completamento, la revisione dei tentativi di invio duplicati e l'esportazione delle risposte grezze.

Riferimenti

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

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Tag

Scala di Likert Screening delle risposte Punteggio inverso Valutazione dell'affidabilità Analisi descrittiva Analisi di correlazione Modellazione a regressione Visualizzazione dei dati