Un sondaggio e protocollo per valutare l'esperienza di apprendimento online, i bisogni psicologici di base e l'impegno nell'apprendimento negli studenti universitari

Sommario

Questo protocollo fornisce un flusso di lavoro di modellazione strutturale di equazioni parziali a minima quadrata per valutare i percorsi di associazione tra esperienze di apprendimento online, bisogni psicologici di base e coinvolgimento dell'apprendimento negli studenti universitari, inclusi adattamento a questionari, screening, valutazione delle misurazioni, test di associazione indiretta, controlli di robustezza e record di riproducibilità.

Abstract

L'apprendimento online è integrato nell'istruzione superiore, ma le valutazioni spesso si basano su indicatori di accesso, soddisfazione o completamento che non identificano i problemi di coinvolgimento. Questo articolo presenta un sondaggio riproducibile in lingua inglese e un protocollo di modellazione strutturale delle equazioni dei minimi quadrati parziali per valutare i percorsi di associazione tra esperienze di apprendimento online, bisogni psicologici di base e coinvolgimento nell'apprendimento negli studenti universitari. L'esperienza di apprendimento online si misura attraverso l'usabilità della piattaforma, il supporto didattico, la qualità dell'interazione e la flessibilità dell'apprendimento; bisogni psicologici fondamentali attraverso autonomia, competenza e relazionalità; e l'impegno nell'apprendimento attraverso il coinvolgimento comportamentale, cognitivo ed emotivo. Il flusso di lavoro specifica mappatura element-sorgente, adattamento al questionario, revisione esperta, test pilota, consenso elettronico, screening di idoneità, controlli di qualità delle risposte, punteggio dei costrutti, diagnostica dei bias con metodi comuni, stima dei costrutti di ordine superiore, valutazione dei modelli di misurazione, test delle vie strutturali, analisi di associazioni indirette, analisi della sensibilità psicologica, controlli di robustezza basati su regressioni e blocco dei file di riproducibilità. I risultati rappresentativi di 386 risposte valide dimostrano un'affidabilità accettabile, correlazioni moderate tra i costrutti, qualità di misurazione mantenuta, un'associazione indiretta supportata attraverso bisogni psicologici di base, percorsi di controllo non significativi e punteggi dimensionali disuguali. Il protocollo supporta una diagnosi trasparente di come l'esperienza di apprendimento online sia associata alla soddisfazione e al coinvolgimento dei bisogni psicologici, evitando al contempo l'interpretazione causale dai dati di indagini trasversali.

Introduzione

L'apprendimento online è diventato parte dell'istruzione superiore di routine attraverso sistemi di gestione dell'apprendimento, piattaforme video, materiali registrati, sessioni sincrone e design di corsi misti. Tuttavia, molte valutazioni si basano ancora su log di accesso, valutazioni di soddisfazione o indicatori di completamento, che mostrano se gli studenti hanno utilizzato un corso online ma non chiariscono se un coinvolgimento più basso sia associato all'usabilità della piattaforma, al supporto didattico, alla qualità dell'interazione, alla flessibilità dell'apprendimento, alla soddisfazione psicologica dei bisogni o a una specifica dimensione di^{coinvolgimento 1}. L'esperienza di apprendimento online quindi non dovrebbe essere ridotta a un singolo punteggio di soddisfazione. Le ricerche precedenti sull'engagement online enfatizzano l'interazione tra contenuti e studenti come elementi importanti dell'esperienza di apprendimento online^{degli studenti 2}. L'attuale protocollo misura l'esperienza di apprendimento online attraverso l'usabilità della piattaforma, il supporto didattico, la qualità dell'interazione e la flessibilità dell'apprendimento.

Anche l'impegno nell'apprendimento è multidimensionale. Include la partecipazione comportamentale, l'investimento cognitivo e il coinvolgimento emotivo. Gli strumenti di coinvolgimento dei corsi online dimostrano che l'impegno non può essere pienamente rappresentato dalla partecipazione visibile o dal completamento dei compiti^{da soli 3}. Ricerche più ampie sulle tecnologie educative mostrano anche che il coinvolgimento comportamentale è spesso più facile da osservare rispetto all'impegno cognitivo o^{affettivo 4}. Per questo motivo, il protocollo misura l'impegno dell'apprendimento attraverso un coinvolgimento comportamentale, cognitivo ed emotivo, piuttosto che collassare l'impegno in un unico punteggio non differenziato.

La teoria dell'autodeterminazione fornisce la base teorica per collegare l'esperienza di apprendimento online all'impegno nell'apprendimento. La teoria dei bisogni psicologici di base identifica autonomia, competenza e relazionamento come condizioni centrali per la motivazione e l'aggiustamento⁵. Nell'apprendimento online, l'autonomia si riferisce alla scelta e al controllo percepiti, la competenza alla capacità percepita nel completare compiti di apprendimento e la relazione con la connessione sentita con insegnanti e compagni di corso. Studi precedenti sull'apprendimento online che utilizzano la teoria dell'autodeterminazione hanno collegato supporto contestuale, soddisfazione del bisogno, motivazione e^{coinvolgimento 6,7}. Questi risultati supportano l'esame dei bisogni psicologici di base come costrutto di associazione indiretta tra esperienza di apprendimento online e coinvolgimento nello apprendimento, evitando al contempo l'interpretazione causale perché i dati sono trasversali.

Un problema metodologico nella ricerca sull'engagement online è la mancanza di una struttura operativa coerente. Gli studi variano nel modo in cui definiscono le condizioni di apprendimento, misurano l'impegno e collegano l'ambiente di apprendimento all'esperienza psicologica degli^{studenti 8}. I sondaggi auto-riportati sono anche vulnerabili a risposte imprudenti, risposte modellate, esclusioni post hoc, decisioni basate su dati mancanti e bias di metodo^{comune 9}. Pertanto, questo protocollo fissa la struttura del questionario in lingua inglese, la mappatura element-fonte, le regole di punteggio, la procedura di consenso elettronico, lo screening di idoneità, la regola del controllo dell'attenzione, la soglia del tempo di completamento, il criterio di lineamento retto, il controllo della risposta a stringhe lunghe, la gestione dei dati mancanti, la specifica del modello e la procedura di blocco del dataset prima che inizi l'analisi strutturale.

Il quadro concettuale specifica l'esperienza di apprendimento online come costrutto indipendente, i bisogni psicologici di base come costrutto di associazione indiretta e l'impegno nell'apprendimento come costrutto di risultato. Il percorso principale verifica se l'esperienza di apprendimento online è associata a bisogni psicologici di base, se i bisogni psicologici di base sono associati all'impegno nell'apprendimento e se l'esperienza di apprendimento online rimane direttamente associata all'impegno nell'apprendimento dopo aver tenuto conto dei bisogni psicologici fondamentali. Il protocollo è guidato da quattro domande di ricerca: se il protocollo di indagine strutturata possa misurare i tre costrutti con una qualità di risposta accettabile e affidabilità del costrutto; se l'esperienza di apprendimento online sia positivamente associata a bisogni psicologici di base e coinvolgimento nello apprendimento; se l'associazione tra esperienza di apprendimento online e coinvolgimento nell'apprendimento sia in parte svolta attraverso bisogni psicologici fondamentali come associazione indiretta; e se le analisi delle sottodimensioni con bisogni psicologici e i controlli di robustezza basati su regressione supportino la stessa interpretazione del flusso di lavoro primario PLS-SEM.

Questo articolo è presentato come un contributo focalizzato sul metodo piuttosto che come uno studio esplicativo convenzionale e a sezione trasversale. Il protocollo fornisce un flusso di lavoro riproducibile per l'adattamento del questionario, la revisione degli esperti, i test pilota, l'amministrazione di sondaggi, lo screening delle risposte, il punteggio dei costrutti, la valutazione dei modelli di misurazione, il test dei percorsi strutturali, l'analisi di associazioni indirette, l'analisi di sensibilità, il controllo della robustezza e il blocco dei file di riproducibilità. I flussi di lavoro di ricerca educativa trasparenti richiedono che le decisioni analitiche siano documentate prima dell'interpretazione finale del modello¹⁰. La modellazione delle equazioni strutturali a minima quadrata parziale è utilizzata perché permette di esaminare le componenti di misurazione e strutturali all'interno di un unico flusso di lavoro, con costrutti riflettivi del primo ordine e punteggi di costrutti di ordine superiore analiticamente derivati attraverso un approccio disgiunto a due fasi¹¹. Studi precedenti sull'impegno degli studenti online, la presenza sociale, il supporto agli studenti e la fidelizzazione mostrano che comunicazione, supporto, connessione e progettazione inclusiva dei corsi contano oltre il semplice accesso o^{flessibilità 12,13}. Le revisioni sistematiche indicano inoltre che il coinvolgimento comportamentale, cognitivo ed emotivo può rispondere in modo diverso alle condizioni di apprendimento online¹⁴. I risultati rappresentativi sono quindi utilizzati solo per dimostrare l'output del protocollo, non per rivendicare effetti causali dai dati di indagine^{trasversale 15}.

Protocollo

Il protocollo dello studio è stato esaminato e approvato dal Comitato Etico della Ricerca (Non Medico) dell'Università Malaya con il numero di approvazione UM. TNC (P&I)/UMREC_4892 il 7 agosto 2025. Svolgere tutte le procedure in conformità con le linee guida istituzionali per la ricerca che coinvolge partecipanti umani. Ottieni il consenso informato elettronico prima di somministrare il questionario. Utilizzare codici anonimi dei partecipanti durante il reclutamento, la selezione, il punteggio, l'analisi e l'archiviazione dei file. Gli strumenti e i software di ricerca sono elencati nella Tabella dei Materiali.

1. Definire il disegno dello studio e il quadro analitico

1. Utilizzare un sondaggio quantitativo trasversale per valutare i percorsi di associazione tra esperienza di apprendimento online, bisogni psicologici di base e coinvolgimento dell'apprendimento negli studenti universitari.
2. Definisci l'esperienza di apprendimento online come la costruzione latente indipendente, i bisogni psicologici di base come la costruzione latente di associazione indiretta, e l'impegno nell'apprendimento come il concetto latente risultato.
3. Specifica i tre costrutti multidimensionali prima della raccolta dei dati. Rappresentare l'esperienza di apprendimento online tramite usabilità della piattaforma, supporto didattico, qualità dell'interazione e flessibilità di apprendimento; bisogni psicologici di base per autonomia, necessità di competenza e necessità di correlazione; e coinvolgimento nell'apprendimento tramite coinvolgimento comportamentale, cognitivo e coinvolgimento emotivo.
4. Utilizzare la modellazione strutturale delle equazioni dei minimi quadrati parziali come metodo analitico principale per valutare la qualità della misurazione, i punteggi dei costrutti di ordine superiore, i percorsi strutturali e il percorso indiretto predefinito.
5. Specificare il percorso principale prima dell'analisi: esperienza di apprendimento online → bisogni psicologici di base, bisogni psicologici di base → coinvolgimento dell'apprendimento e esperienza di apprendimento online → coinvolgimento nell'apprendimento.
6. Considera tutti i percorsi strutturali come stime di associazione. Non interpretare nessun percorso come causale perché tutte le variabili vengono misurate in un unico momento. Effettua un controllo preliminare della dimensione del campione e della potenza prima del reclutamento. Utilizzare almeno 380 risposte valide come campione target e 350 risposte valide come campione minimo accettabile dopo lo screening.
7. Presentare il flusso di lavoro del protocollo nella Figura 1, inclusi reclutamento, consenso, amministrazione del questionario, revisione di esperti, test pilota, screening delle risposte, bloccaggio del dataset, valutazione delle misurazioni, test strutturali, analisi di associazioni indirette, controllo della robustezza e preparazione dei file di riproducibilità.
   NOTA: Mantieni invariati il modello concettuale e i percorsi strutturali dalla costruzione del questionario fino all'analisi finale.

Figura 1: Flusso di lavoro operativo per valutare l'esperienza di apprendimento online, i bisogni psicologici di base e l'impegno nell'apprendimento. La figura mostra il flusso di lavoro del protocollo dal reclutamento, al consenso, all'amministrazione del questionario, alla revisione degli esperti, ai test pilota, allo screening delle risposte e al blocco del dataset fino alla valutazione delle misurazioni, test strutturali, analisi di associazioni indirette, controllo della robustezza e preparazione dei file di riproducibilità. Clicca qui per visualizzare una versione più grande di questa figura.

2. Reclutare partecipanti idonei

1. Reclutare studenti universitari che abbiano partecipato ad almeno un corso online o misto durante il semestre accademico attuale o più recente.
2. Includere partecipanti di età pari o superiore a 18 anni, attualmente iscritti come studenti universitari o post-laurea, esposti all'apprendimento online o misto, in grado di leggere il questionario in lingua inglese e disposti a fornire il consenso informato elettronico.
3. Escludere le risposte quando il consenso non è confermato, i criteri di idoneità non sono soddisfatti, l'item di controllo di attenzione è fallito, si rileva una presentazione duplicata, il tempo di completamento è inferiore alla soglia preimposta, si rileva un lineamento diretto o si presenta un'incoerenza di idoneità non risolta.
4. Reclutare partecipanti tramite piattaforme universitarie, gruppi di comunicazione per i corsi, liste email degli studenti e canali istituzionali per gli studenti.
5. Non raccogliere identificatori diretti, inclusi nomi, numeri di identificazione degli studenti, numeri di telefono, indirizzi email privati, indirizzi residenziali esatti, indirizzi IP, identificatori di dispositivi o identificatori di account.
6. Registra le date di reclutamento, i canali di reclutamento, le risposte inviate, il conteggio delle esclusioni per categoria, le risposte trattenute e la dimensione finale valida del campione nel registro di lavoro sul campo e nel registro di screening.
   PUNTO DI PAUSA: Verifica i progressi del reclutamento settimanali. Rivedi solo il numero di risposte, la copertura del canale di reclutamento e il tasso preliminare di esclusione. Non ispezionare punteggi di costrutto, correlazioni o stime dei percorsi durante il reclutamento.

3. Costruire il questionario

1. Prepara un questionario strutturato in inglese con consenso informato elettronico, screening dell'idoneità, informazioni di base sui partecipanti, elementi della scala sostanziale e un item di controllo dell'attenzione basato sull'istruzione.
2. Usa una scala di risposta di Likert a 5 punti per tutti gli elementi sostanziali: 1 = fortemente in disaccordo, 2 = in disaccordo, 3 = neutrale, 4 = d'accordo e 5 = fortemente d'accordo.
3. Adatta gli elementi dell'esperienza di apprendimento online da precedenti misure di percezione dell'apprendimento online, supporto didattico, qualità dell'interazione, usabilità della piattaforma e flessibilità di apprendimento. Adatta gli elementi dei bisogni psicologici fondamentali dai criteri consolidati di autonomia, competenza e relazionalità. Adatta gli elementi di coinvolgimento dell'apprendimento da misure comportamentali, cognitive ed emotive già esistenti.
4. Rivedi solo la formulazione degli item per adattarla ai contesti universitari online e di apprendimento misto. Usa formulazioni chiare e non suggestive ed evita formulazioni che implichino alta soddisfazione, alta soddisfazione dei bisogni psicologici o un alto coinvolgimento che ci si aspetta.
5. Prepara una tabella di mappatura element-source prima dei test pilota. Registra codice dell'item, costrutto, dimensione, formulazione adattata, base della fonte, nota di adattamento, linguaggio del questionario e indicazioni di valutazione per ogni item sostanziale.
6. Utilizzare 33 elementi sostanziali della scala Likert: 12 per l'esperienza di apprendimento online, nove per i bisogni psicologici di base e 12 per l'impegno all'apprendimento. Utilizzare tre elementi per ogni dimensione dell'esperienza di apprendimento online, tre elementi per ogni dimensione del bisogno psicologico di base e quattro elementi per ogni dimensione di coinvolgimento dell'apprendimento.
7. Posiziona un elemento di controllo dell'attenzione basato sulle istruzioni dopo il blocco dei bisogni psicologici di base. Utilizzare questo item solo per lo screening della qualità della risposta ed escluderlo dal punteggio dei costrutti, dall'analisi dell'affidabilità, dall'analisi della validità, dalla stima PLS-SEM, dai test per associazioni indirette e dall'analisi della robustezza.
8. Mantenere il tempo previsto per completare il questionario entro 8–12 minuti durante i test pilota. Usa la Tabella 1 per documentare domini di costruzione, dimensioni, codici di elemento, numero di elementi, scala di risposta, direzione di punteggio e base di adattamento. Usa il File Supplementare 1 per fornire il questionario completo, la mappatura element-sorgente, la codifica delle variabili e le regole di punteggio.
   NOTA: Mantieni concettualmente distinti gli elementi predittivi, associazioni indirette e esiti.

Tabella 1: Costruisci domini, dimensioni, struttura del questionario e regole di punteggio. Questa tabella riassume la struttura del questionario, inclusi domini e dimensioni costruttate, codici e numeri di articolo, elementi di esempio, base di adattamento, scala di risposta e regole di punteggio. L'oggetto di controllo dell'attenzione è identificato come solo oggetto di screening. Clicca qui per scaricare questa tabella.

4. Condurre revisioni esperte e test pilota

1. Invita da tre a cinque esperti in psicologia dell'educazione, apprendimento online, metodologia quantitativa, ricerca nell'istruzione superiore o progettazione di sondaggi a esaminare il questionario.
2. Chiedi agli esperti di valutare la chiarezza degli elementi, costruire la rilevanza, la ridondanza di formulazione, il carico di risposta, l'adeguatezza culturale, la chiarezza linguistica e l'allineamento tra ogni item e la dimensione assegnata.
3. Registra i risultati delle revisioni esperte in un registro di revisione degli elementi, inclusi la formulazione originale, la preoccupazione del revisore, la decisione di revisione, la formulazione finale e la motivazione della conservazione, revisione o rimozione.
4. Rivedi le voci che sono ambigue, a doppio baro, eccessivamente simili, culturalmente inappropriate, debolmente allineate alla dimensione target o incoerenti con il contesto dell'indagine in lingua inglese.
5. Condurre un test pilota con 30–50 studenti universitari che soddisfano gli stessi criteri di idoneità dello studio principale. Chiedi ai partecipanti al pilota di individuare formulazioni poco chiare, problemi tecnici di visualizzazione, lunghezza eccessiva, formulazioni ripetitive o disagio causati da qualsiasi elemento del questionario.
6. Registra i tempi di completamento del pilota per ogni partecipante. Definire la soglia minima di tempo di completamento dello studio formale come il valore più grande compreso tra 3 minuti e un terzo del tempo mediano di completamento del pilota.
7. Calcola la consistenza interna preliminare per ogni costrutto e ispeziona le correlazioni totali di elementi dopo i test pilota. Rivedi o rimuovi gli elementi deboli solo quando la cancellazione migliora la qualità delle misurazioni e non indebolisce la copertura costruttiva.
8. Finalizza e blocca il questionario, il codebook, la mappatura delle fonti degli elementi, il registro delle revisioni degli esperti, il record del test pilota, la soglia del tempo di completamento, la regola di controllo dell'attenzione, la regola di rilevamento dei duplicati e i criteri di esclusione prima del reclutamento formale.
   PUNTO DI PAUSA: Non iniziare il reclutamento formale finché tutti i questionari, i file di selezione e di codifica non saranno stati bloccati.

5. Somministrare il questionario online

1. Costruisci il questionario in un sistema di sondaggio online che supporti la partecipazione anonima, la conferma del consenso, lo screening dell'idoneità, le impostazioni delle risposte obbligatorie, la registrazione dei tempi di risposta, la restrizione di invio duplicato non identificativo, la collocazione di controllo di attenzione e l'esportazione di fogli di calcolo.
2. Inserisci il consenso informato elettronico prima dello screening di idoneità e degli elementi del questionario. Consentire ai partecipanti di procedere solo dopo aver confermato la partecipazione volontaria e presentare lo scopo dello studio in un linguaggio neutro. Dichiara che lo studio esamina le percezioni degli studenti sull'apprendimento online, la soddisfazione dei bisogni psicologici e l'impegno nell'apprendimento.
3. Imposta come campi richiestosi il consenso, le domande di idoneità e tutti e 33 gli elementi sostanziali della scala Likert. Disabilita i campi per le informazioni di identificazione diretta. Non richiedere nomi, numeri di studenti, numeri di telefono, indirizzi email privati, indirizzi residenziali esatti, indirizzi IP, identificatori di dispositivi o identificatori di account.
4. Consentire ai partecipanti di uscire dal questionario prima della presentazione finale senza penalità. Limitare le invii ripetuti solo tramite impostazioni non identificative della piattaforma di sondaggio, quando disponibili. Tieni il questionario aperto per 4–6 settimane. Monitorare i conteggi delle risposte due volte a settimana e documentare i progressi del reclutamento nel registro del lavoro sul campo.
   NOTA: Non fornire feedback personale dopo l'invio del questionario.

6. Esportare e proteggere i dati grezzi

1. Esporta tutte le risposte inviate in formati .xlsx e .csv immediatamente dopo la chiusura delle selezioni.
2. Salva un file .xlsx inalterato come RawData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsx e uno .csv non modificato come RawData_OnlineLearning_BPN_Engagement_YYYYMMDD.csv.
3. Crea una copia funzionante per screening, codifica e analisi. Chiamalo WorkingData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsx. Assegnare a ogni risposta inviata un codice partecipante anonimo nei formati P001, P002, P003 e così via.
4. Memorizza il dataset grezzo in una cartella di sola lettura e crea un checksum, un record di versione del file o un record di cronologia delle versioni istituzionale prima che inizi lo screening.
5. Conservare l'archivio grezzo dei dati inviati e i metadati di screening de-identificati nella cartella di verifica istituzionale protetta. Non includere registri grezzi esclusi, informazioni direttamente identificabili o dati grezzi a livello di partecipante nel manoscritto o nei file supplementari inviati per la pubblicazione.
   PUNTO DI PAUSA: Non iniziare lo screening finché il file .xlsx grezzo, il file .csv grezzo, il registro di lavoro sul campo, il record versione dei dati grezzi e la cartella dei dati grezzi protetti non sono stati salvati.

7. Selezionare le risposte e applicare le regole di esclusione

1. Applicare tutte le regole di esclusione prima di esaminare le correlazioni costruttici, i risultati dei modelli di misura, i percorsi strutturali o le stime di associazione indiretta. Rimuovere le risposte senza conferma del consenso o senza età, iscrizione, esposizione all'apprendimento online o idoneità alla lingua del questionario.
2. Rimuovere le risposte duplicate secondo la regola predefinita di rilevamento dei duplicati. Identificare i possibili duplicati solo tramite segnalazioni di duplicati non identificanti della piattaforma di sondaggio e informazioni anonime sul modello di risposta. Conservare la risposta completa più precoce quando vengono identificate risposte duplicate.
3. Rimuovere le risposte che non superano l'elemento di controllo di attenzione basato sulle istruzioni o che sono completate al di sotto della soglia minima di tempo di completamento dello studio formale. Definisci il straight-lining come la selezione della stessa opzione di risposta per almeno il 90% dei 33 elementi sostanziali della scala Likert. Rimuovi le risposte che soddisfano questo criterio.
4. Segnalare i pattern di risposta a stringhe lunghe quando viene selezionata la stessa opzione di risposta per^{r 2}0 o più elementi sostanziali consecutivi in scala Likert. Rimuovere le risposte segnalate solo quando mostrano anche tempi di completamento implausibilmente brevi, fallimento di controllo di attenzione, lineamento dritto o un'altra violazione di qualità prespecificata.
5. Segnalare risposte di background incoerenti quando il partecipante segnala di assenza di esposizione online o di apprendimento misto ma segnala ore settimanali di apprendimento online superiori a zero. Rimuovi le risposte con incoerenza di idoneità non risolta.
6. Registra ogni caso escluso in un registro di screening de-identificato con codice anonimo del partecipante, categoria di esclusione, motivo di esclusione, data di screening e decisione di screening.
7. Usa la Tabella 2 per documentare le risposte inviate, le categorie di esclusione, il conteggio delle esclusioni, le risposte trattenute e la dimensione finale valida del campione. Se i conteggi grezzi delle esclusioni non possono essere ricostruiti per il dataset rappresentativo, dichiararlo esplicitamente.
   NOTA: Escludere i casi solo secondo regole predefinite su consenso, idoneità, duplicato, controllo di attenzione, tempo di completamento, schema di risposta, mancanza o coerenza. Non iniziare a programmare finché il dataset grezzo, il dataset pulito, il registro di screening, il file delle regole di esclusione, il registro del lavoro sul campo e il record delle versioni del dataset non sono stati salvati separatamente e bloccati.

Tabella 2: Screening delle risposte, regole di esclusione e decisioni sulla gestione dei dati. Questa tabella riassume le regole di screening predefinite e le decisioni di gestione dei dati per consentimento, idoneità, risposte duplicate, controllo dell'attenzione, tempo di completamento, controlli dei modelli di risposta, mancanza e bloccaggio del dataset. Le regole di esclusione vengono applicate prima di esaminare le correlazioni costruttici, i risultati dei modelli di misura, i percorsi strutturali o le stime di associazione indiretta. Ogni risposta esclusa viene registrata in un registro di screening de-identificato utilizzando il codice anonimo del partecipante, la categoria di esclusione, il motivo dell'esclusione, la data di screening e la decisione di screening. Clicca qui per scaricare questa tabella.

8. Gestione dei dati mancanti

1. Evita la mancanza di valori nelle domande di consenso, nell'idoneità e nei 33 elementi sostanziali della scala Likert impostando questi campi come richiesto dal sistema di sondaggio. Ispeziona il dataset pulito per eventuali valori mancanti dopo lo screening.
2. Considera i valori mancanti nelle variabili di background opzionali come "non segnalati". Non inserire variabili demografiche o di background opzionali.
3. Escludere una variabile di fondo dall'analisi delle covariate se il suo tasso di mancanza supera il 10%. Mantenere una variabile di fondo come covariata solo quando il suo tasso mancante è del 10% o inferiore e la variabile è teoricamente rilevante.
4. Non imputare valori mancanti nei 33 elementi sostanziali della scala Likert. Se viene rilevata mancanza di elementi sostanziali nonostante le impostazioni di risposta richiesta, si identifica se il problema è causato dall'esportazione del sondaggio, dalla logica del sondaggio o dalla gestione incompleta delle sottomissioni prima di finalizzare il dataset pulito.
   NOTA: Registra il controllo dei dati mancanti. Segnala il numero di valori mancanti e il tasso mancante per il codice dei partecipanti, le variabili di fondo, gli elementi sostanziali della scala Likert, i punteggi dimensionali e i punteggi globali dei costrutti.

9. Codificare le variabili e calcolare i punteggi

1. Codifica tutti gli elementi sostanziali della scala Likert da 1 a 5: 1 = fortemente in disaccordo, 2 = in disaccordo, 3 = neutrale, 4 = d'accordo e 5 = fortemente d'accordo. Genere del codice, livello accademico, anno di studio, categoria disciplinare, ore settimanali di apprendimento online e esperienza di apprendimento online precedente secondo il codebook bloccato.
2. Ispezionare tutte le variabili per valori fuori intervallo prima di calcolare i punteggi delle dimensioni o dei costrutti globali.
3. Calcola i punteggi delle dimensioni dell'esperienza di apprendimento online come media degli elementi: usabilità della piattaforma = media(OLE_PU1–OLE_PU3), supporto didattico = media(OLE_IS1–OLE_IS3), qualità dell'interazione = media(OLE_IQ1–OLE_IQ3) e flessibilità di apprendimento = media(OLE_LF1–OLE_LF3).
4. Calcola i punteggi delle dimensioni dei bisogni psicologici di base come mezzi dell'item: bisogno di autonomia = media(BPN_AU1–BPN_AU3), bisogno di competenza = media(BPN_CO1–BPN_CO3) e bisogno di parentelo = medio(BPN_RE1–BPN_RE3).
5. Calcola i punteggi delle dimensioni di coinvolgimento nell'apprendimento come medie degli item: coinvolgimento comportamentale = media(LE_BE1–LE_BE4), coinvolgimento cognitivo = medio(LE_CE1–LE_CE4) e coinvolgimento emotivo = medio(LE_EE1–LE_EE4).
6. Calcolare i punteggi globali dei costrutti come medie dimensionali: esperienza di apprendimento online = media (usabilità della piattaforma, supporto didattico, qualità dell'interazione, flessibilità di apprendimento); Bisogni psicologici di base = media (bisogno di autonomia, bisogno di competenza, bisogno di correlazione); e coinvolgimento nell'apprendimento = media (coinvolgimento comportamentale, coinvolgimento cognitivo, coinvolgimento emotivo).
7. Conservare dati a livello di item per la valutazione dei modelli di misura, punteggi dimensionali per la stima di costrutti di ordine superiore e analisi di sottodimensioni, e punteggi globali per statistiche descrittive, analisi di correlazione, controllo dei modelli strutturali e analisi di robustezza basata su regressione.
   NOTA: Non includere l'elemento di controllo dell'attenzione in nessun punteggio, analisi dell'affidabilità, analisi di validità, stima PLS-SEM, analisi di associazioni indirette o analisi di robustezza. Non standardizzare i punteggi originali 1–5 prima dell'analisi descrittiva.

10. Controllare e valutare il bias comune del metodo

1. Applicare i controlli procedurali prima dell'analisi utilizzando risposte anonime, formulazione neutra, blocchi costrutti separati, un elemento di controllo dell'attenzione basato sulle istruzioni, impostazioni di risposta richiesta e accesso limitato ai dati grezzi.
2. Dopo lo screening delle risposte, si utilizza il test a singolo fattore di Harman per verificare se un fattore non ruotato tenga conto di una quota dominante della varianza degli oggetti. Considera accettabile il risultato quando il primo fattore non ruotato rappresenta meno del 50% della varianza totale.
3. Calcola i valori completi del fattore di inflazione della varianza collinearità per i costrutti focali. Si considerano valori inferiori a 3,30 come indicazioni che un forte bias comune nel metodo è improbabile. Registra il bias del metodo comune come limitazione se il primo fattore non ruotato rappresenta il 50% o più della varianza totale o se qualsiasi fattore di inflazione della varianza collineare completa è 3,30 o superiore.
   NOTA: Non dichiarare che il bias comune del metodo è assente. Specifica solo se la diagnostica indica evidenza grave di un fattore dominante del metodo comune.

11. Effettuare controlli descrittivi e preliminari

1. Utilizzare R 4.4.1 per statistiche descrittive, controlli di distribuzione, analisi di correlazione e analisi di robustezza basata su regressione. Calcolare frequenze e percentuali per le caratteristiche categoriche dei partecipanti.
2. Calcola media, deviazione standard, minimo, massimo, asimicolità e kurtosi per elementi sostanziali, punteggi dimensionali e punteggi globali dei costrutti.
3. Ispezionare le distribuzioni di item e punteggi per effetti floor, ceiling effect e gravemente non normalità. Definire un potenziale effetto floor o ceiling come più del 20% dei partecipanti che sceglie l'opzione di risposta più bassa o più alta per un item sostanziale.
4. Calcola le correlazioni di Pearson tra costrutti globali e punteggi dimensionali. Considerare le correlazioni solo come prove descrittive preliminari e non usarle come sostituto del modello strutturale predefinito.
   NOTA: Registra gli effetti di fondo o tetto come caratteristiche di dato. Non eliminare i casi per motivi di distribuzione a meno che non violino anche regole predefinite sulla qualità delle risposte.

12. Stima del modello di misura di ordine superiore

1. Usa Smart PLS 4.1 per l'analisi primaria PLS-SEM e importa il dataset a livello di item pulito. Specificare l'usabilità della piattaforma, il supporto didattico, la qualità dell'interazione, la flessibilità dell'apprendimento, il bisogno di autonomia, il bisogno di competenza, il bisogno di correlazione, l'impegno comportamentale, l'impegno cognitivo e l'impegno emotivo come costrutti riflessivi di primo ordine.
2. Usa l'approccio disgiunto a due fasi. Nella prima fase, stimare i costrutti riflettivi del primo ordine e salvare i loro punteggi delle variabili latenti.
3. Nella seconda fase, utilizzare punteggi variabili latenti di usabilità della piattaforma, supporto didattico, qualità dell'interazione e flessibilità di apprendimento per rappresentare l'esperienza di apprendimento online; i punteggi variabili latenti di bisogno di autonomia, necessità di competenza e correlazione devono rappresentare bisogni psicologici di base; e punteggi variabili latenti di coinvolgimento comportamentale, cognitivo ed emotivo per rappresentare l'impegno nell'apprendimento.
4. Consideriamo i punteggi dei costrutti di ordine superiore come rappresentazioni analiticamente derivate di costrutti multidimensionali. Non descriverle come formative a meno che un modello formativo non sia esplicitamente specificato e giustificato. Salva le impostazioni della prima fase, delle impostazioni della seconda fase, i punteggi delle variabili latenti e i file di output modello nella cartella di verifica.
   NOTA: Utilizzare la stessa procedura di costrutto di ordine superiore nel modello strutturale principale, analisi delle sottodimensioni del bisogno psicologico e analisi della robustezza basata sulla regressione.

13. Valutare il modello di misurazione

1. Valuta il modello di misura prima di interpretare il modello strutturale. Esaminare i carichi esterni standardizzati per tutti i indicatori mantenuti. Mantenere indicatori con carichi di almeno 0,70 quando possibile.
2. Rivedi gli indicatori con carichi compresi tra 0,40 e 0,70. Rimuovere un indicatore solo quando la cancellazione migliora l'affidabilità o la validità convergente e non indebolisce la copertura dei contenuti. Rimuovere indicatori inferiori a 0,40 a meno che una ragione teorica documentata non supporti la retenzione.
3. Valutare la coerenza interna utilizzando l'affidabilità alfa e composita di Cronbach. Considera valori compresi tra 0,70 e 0,95 come accettabili. Valutare la validità convergente utilizzando la varianza media estratta. Considera valori di almeno 0,50 come accettabili.
4. Valutare la validità discriminante utilizzando il rapporto eterotratto-monotratto. Usare 0,85 come soglia conservativa e 0,90 come soglia massima accettabile per costrutti teoricamente adiacenti.
5. Indicatori di record retained (record retained indicators), carichi esterni standardizzati, alpha di Cronbach, affidabilità composita, varianza media estratta, valori eterotratto-monotratti e qualsiasi decisione di eliminazione di elementi nell'output del modello di misurazione bloccato.
   NOTA: Non eliminare gli elementi solo per migliorare i valori statistici. Rimuovere un elemento solo quando sono documentate sia debolezze statistiche che ridondanza concettuale.
   PUNTO DI PAUSA: Non iniziare i test strutturali finché indicatori conservati, valori di caricamento, valori di affidabilità, validità convergente, validità discriminante, voci del codebook e valori di output di misura non sono stati confrontati con i file di analisi bloccati.

14. Testare il modello strutturale e il percorso di mediazione

1. Specifica tre percorsi strutturali: esperienza di apprendimento online → bisogni psicologici di base, bisogni psicologici di base → coinvolgimento nell'apprendimento e esperienza di apprendimento online → coinvolgimento nell'apprendimento.
2. Includere ore settimanali di apprendimento online e esperienze di apprendimento online pregresse come variabili di controllo predefinite. Considerare genere, livello accademico, anno di studio e categoria disciplinare come variabili descrittive salvo inclusione in un modello di sensibilità predefinito.
3. Esaminare la collinearità dei modelli strutturali prima di interpretare i coefficienti di cammino. Considerare i valori del fattore di inflazione della varianza inferiori a 3,30 come indicazioni che la collinearità dannosa è improbabile.
4. Stima coefficienti di percorso standardizzati, valori t , valori p e intervalli di confidenza al 95% utilizzando 5.000 ricampionamenti bootstrap con test a due code. Utilizzare intervalli di confidenza corretti per bias quando disponibili.
5. Stima il percorso indiretto dall'esperienza di apprendimento online all'impegno nell'apprendimento attraverso i bisogni psicologici di base. Considerare il percorso di associazione indiretta come supportato quando l'intervallo di fiducia bootstrap per l'effetto indiretto non include zero.
6. Registra l'effetto diretto, l'effetto indiretto, l'effetto totale, i valori di R² , i valori di R² aggiustati, le dimensioni dell'effetto f² , i valori del fattore di inflazione della varianza del modello strutturale e i percorsi delle variabili di controllo nell'output del modello strutturale bloccato. Interpretare tutte le stime strutturali come percorsi basati sull'associazione piuttosto che come effetti causali.
   NOTA: Non rimuovere un percorso prespecificato perché non è significativo. Mantenere il modello prespecificato a meno che non venga identificato un errore di codifica o di specifica del modello.

15. Esaminare le sottodimensioni del bisogno psicologico

1. Sostituire il costrutto globale dei bisogni psicologici fondamentali con il bisogno di autonomia, il bisogno di competenza e il bisogno di correlazione come costrutti paralleli di associazione indiretta. Stima separatamente i percorsi indiretti dall'esperienza di apprendimento online all'impegno nell'apprendimento attraverso il bisogno di autonomia, il bisogno di competenza e il bisogno di correlazione.
2. Usa 5.000 ricampionamenti bootstrap per ogni percorso di subdimensione. Confronta la direzione, la grandezza e l'intervallo di confidenza di ciascun percorso indiretto di sottodimensione. Considera questa analisi come un'analisi di sensibilità piuttosto che come modello primario.
   NOTA: Non reinterpretare l'analisi della sensibilità subdimensionale come un nuovo modello primario.

16. Condurre un'analisi di robustezza basata su regressione

1. Esporta il dataset di costrutto del punteggio pulito e salvalo come ConstructScores_OnlineLearning_BPN_Engagement_YYYYMMDD.csv. Usa R 4.4.1 per regredire i bisogni psicologici globali di base sull'esperienza globale di apprendimento online, le ore settimanali di apprendimento online e l'esperienza di apprendimento online precedente.
2. Rigredire l'impegno globale nell'apprendimento sull'esperienza globale di apprendimento online, sui bisogni psicologici di base globali, sulle ore settimanali di apprendimento online e sulle esperienze di apprendimento online precedenti. Stima il percorso indiretto utilizzando 5.000 ricampionamenti bootstrap.
3. Confronta il percorso indiretto basato sulla regressione con il percorso indiretto PLS-SEM. Classifica il percorso come robusto solo quando la direzione rimane coerente e l'interpretazione sostanziale non cambia. Salva lo script R, le impostazioni di bootstrap e l'output di robustezza nella cartella di verifica.
   PUNTO DI PAUSA: Non iniziare il blocco finale del file finché il modello strutturale, l'analisi delle sottodimensioni e l'analisi di robustezza basata su regressione non sono stati incrociati.

17. Gestire risultati analitici subottimali

1. Se l'affidabilità alfa o composita di Cronbach è inferiore a 0,70, si ispezionano le correlazioni totali di elementi e i carichi esterni standardizzati. Se la varianza media estratta è inferiore a 0,50, si ispezionano gli indicatori conservati e si identifica se uno o più indicatori indeboliscono la validità convergente.
2. Se i valori di eterotratto-monotratto superano la soglia prestabilita, si ispeziona la formulazione degli elementi per la sovrapposizione semantica tra costrutti teoricamente vicini. Rimuovi un elemento debole solo quando è statisticamente debole e concettualmente ridondante. Mantenere separati i costrutti teoricamente adiacenti quando li si uniscono ridurrebbe la chiarezza concettuale.
3. Se il percorso indiretto non è supportato, si registra il risultato come un'associazione indiretta non supportata. Se le variabili di controllo mostrano associazioni non significative, registra i risultati senza sovrainterpretazioni.
   NOTA: Non rivedere il modello teorico dopo l'analisi per forzare un supporto più forte.

18. Blocca output software e file di riproducibilità

1. Crea una cartella finale di verifica istituzionale chiamata Verification_OnlineLearning_BPN_Engagement_YYYYMMDD.
2. Salva l'archivio grezzo del dataset, il dataset pulito, il dataset costrutto-score, il codebook, il questionario, la tabella di mappatura element-source, il registro delle revisioni esperte, il record del test pilota, il log del lavoro sul campo, il registro di screening, il file delle regole di esclusione, il record soglia del tempo di completamento, gli output Smart PLS, gli script R, le tabelle di output R, il record versione software e il log delle modifiche di versione nella cartella di verifica.
3. Salva file di progetto Smart PLS 4.1 e output di measurement-model, structural-model, bootstrap e heterotrait-monotrait esportati in una sottocartella chiamata SmartPLS_Output. Salva script R e tabelle di output R in una sottocartella chiamata R_Output. Salva il questionario, la mappatura element-source, la codifica delle variabili e le regole di punteggio come File Supplementare 1.
4. Salva la verifica finale del dataset analitico, il riassunto dello screening, il record dei dati mancanti, la diagnostica del bias del metodo comune, i risultati del modello di misurazione, i risultati del modello strutturale, i risultati dell'associazione indiretta, l'analisi delle sottodimensioni, il record di robustezza basato sulla regressione, le impostazioni software e il record versione come File Supplementare 2.
5. Non includere informazioni direttamente identificabili, record grezzi esclusi o dati grezzi a livello di partecipante nel manoscritto o nei file supplementari inviati per la pubblicazione. Blocca la cartella finale di verifica dopo il controllo di coerenza. Salva le correzioni successive come versioni nuove e datate e documenta il motivo nel registro delle modifiche di versione.

Risultati

Dataset analitico finale e caratteristiche dei partecipanti

Il dataset analitico finale includeva 386 studenti universitari. Il reclutamento formale si è svolto dal 18 agosto 2025 al 26 settembre 2025 tramite piattaforme universitarie, gruppi di comunicazione dei corsi, liste email studentesche e canali istituzionali per gli studenti. Sono state esaminate in totale 432 risposte inviate e 386 risposte sono state trattenute, con un tasso di validità di risposta dell'89,4%. Il dataset bloccato conteneva 33 elementi sostanziali su scala Likert e un item di controllo dell'attenzione basato sulle istruzioni. L'item di controllo dell'attenzione è stato utilizzato solo per lo screening della qualità della risposta ed è stato escluso dal punteggio dei costrutti, dall'analisi dell'affidabilità, dall'analisi della validità, dalla stima PLS-SEM, dall'analisi delle associazioni indirette e dall'analisi della robustezza basata sulla regressione. Il campione finale includeva 223 studentesse, 154 studenti maschi e nove partecipanti che hanno scelto "preferisco non dire" o un'altra opzione di risposta. C'erano 318 studenti universitari e 68 studenti post-laurea. La distribuzione per anno di studio includeva 110 studenti di Year 1, 102 di Year 2, 103 di Year 3 e 71 studenti di Year 4 o superiori. Le categorie disciplinari includevano economia e management, scienze sociali, ingegneria e tecnologia, medicina e scienze della salute, discipline umanistiche e artistiche e educazione. L'esposizione settimanale all'apprendimento online includeva meno di 2 ore a settimana in 41 studenti, 2–4 ore in 116 studenti, 5–7 ore in 137 studenti, 8–10 ore in 62 studenti e più di 10 ore in 30 studenti. L'esperienza di apprendimento online precedente non includeva nessuna in 38 studenti, meno di 6 mesi in 68 studenti, 6–12 mesi in 190 studenti e più di 12 mesi in 90 studenti. Le ore settimanali di apprendimento online e l'esperienza di apprendimento online precedente sono state mantenute come variabili di controllo predefinite.

Revisione degli esperti, test pilota e verifica tramite questionario

La revisione degli esperti è stata completata da cinque esperti in psicologia educativa, apprendimento online, metodologia quantitativa, ricerca nell'istruzione superiore e progettazione dei sondaggi. La revisione ha identificato 13 problemi di formulazione, quattro problemi di ridondanza e tre problemi di allineamento dei costrutti. Quattordici elementi sono stati rivisti per chiarezza, adattamento contestuale o allineamento del costrutto, e nessun elemento è stato rimosso prima dei test pilota. Il test pilota è stato completato da 42 studenti universitari che soddisfavano i criteri di idoneità agli studi principali. Il tempo mediano di completamento era di 9,6 minuti e la soglia minima di tempo di completamento era fissata a 3,2 minuti. I valori alfa preliminari di Cronbach variavano da 0,721 a 0,814. Nessun elemento è stato rimosso dopo i test pilota. Il questionario finale in inglese includeva 12 item di esperienza di apprendimento online, nove item sui bisogni psicologici di base, 12 item di coinvolgimento nell'apprendimento e un item di controllo dell'attenzione basato sull'istruzione. La mappatura element-sorgente, la codifica delle variabili e le regole di punteggio sono state bloccate prima dell'analisi formale e sono fornite nel File Supplementare 1.

Screening delle risposte, controlli di mancanza e qualità dei dati

Dopo lo screening, sono state mantenute 386 risposte valide su 432 risposte inviate. Le esclusioni includevano quattro risposte senza conferma del consenso, 17 esclusioni di idoneità, otto risposte duplicate, sei fallimenti nei controlli di attenzione, cinque risposte sotto la soglia nel tempo di completamento, quattro risposte lineari e due incongruenze di idoneità irrisolte. Sei pattern a stringhe lunghe sono stati segnalati, ma questi si sovrappongono ad altre categorie di esclusione e non sono stati conteggiati come una categoria di esclusione indipendente aggiuntiva. Le esclusioni sono state registrate nel registro di screening de-identificato. Nessun codice partecipante duplicato è stato mantenuto nel dataset bloccato. Non sono stati osservati valori mancanti nei 33 elementi sostanziali della scala Likert, nelle variabili di fondo, nelle variabili dimensione-punteggio o nelle variabili globali costrutt-punteggio. Non è stata applicata alcuna imputazione. Nessuna risposta ritenuta ha soddisfatto la regola del straight-lineing, nessuna risposta ritenuta ha mostrato un schema lungo di 20 o più risposte sostanziali identiche consecutive, e non è stata osservata alcuna incoerenza irrisolta tra l'esposizione all'apprendimento online e le ore settimanali di apprendimento online.

Distribuzione descrittiva e diagnostica del bias dei metodi comuni

Il punteggio globale dell'esperienza di apprendimento online è stato 3,47 ± 0,45. Il punteggio globale per i bisogni psicologici di base è stato 3,40 ± 0,49. Il punteggio globale di coinvolgimento nello apprendimento è stato 3,42 ± 0,48. Il supporto didattico ha avuto la media più alta tra le dimensioni dell'esperienza di apprendimento online, mentre la qualità dell'interazione ha avuto la media più bassa. Il bisogno di competenza aveva la media più alta tra le dimensioni di bisogni psicologici di base, mentre il bisogno di relazionamento aveva la media più bassa. L'impegno cognitivo aveva la media più alta tra le dimensioni dell'impegno nell'apprendimento, mentre l'impegno emotivo aveva la media più bassa. I controlli di distribuzione degli articoli non hanno mostrato gravi effetti di fondo o di soffitto. Il tasso massimo di risposta a livello di item è stato dell'1,55% per OLE_PU3. Il tasso massimo di risposta a livello di voce era del 12,95% per OLE_IS2. Entrambi i valori erano al di sotto della soglia predefinita del 20%. La diagnostica del bias del metodo comune non ha mostrato evidenza grave di un fattore dominante del metodo comune. Il test a singolo fattore di Harman ha mostrato che il primo fattore non rotato spiegava il 24,12% della varianza totale. La diagnostica di collinearità completa ha prodotto un fattore di inflazione massima della varianza di 1,527.

Qualità del modello di misurazione

Come mostrato nella Tabella 3, i valori alfa di Cronbach variavano da 0,733 per la qualità dell'interazione a 0,801 per l'impegno cognitivo a livello dimensionale. Il costrutto globale dell'esperienza di apprendimento online ha mostrato un alpha di 0,878, i bisogni psicologici di base hanno mostrato un alpha di 0,846 e il coinvolgimento nell'apprendimento un alpha di 0,867. I carichi esterni standardizzati variavano da 0,704 a 0,842 nei 33 elementi sostanziali. I valori di affidabilità compositi variavano da 0,849 a 0,889. I valori medi estratti variano da 0,653 a 0,702. Il rapporto massimo eterotratto-monotratto era 0,742. Questi valori soddisfavano i criteri predefiniti del modello di misura.

Tabella 3: Affidabilità, statistica descrittiva e qualità dei modelli di misura. Questa tabella riporta l'alfa di Cronbach, l'affidabilità composita, la varianza media estratta, i range di carico standardizzati, le medie, le deviazioni standard e le decisioni di mantenimento per le dimensioni di primo ordine e i costrutti di ordine superiore. L'elemento di controllo dell'attenzione è stato escluso dall'affidabilità, validità e stima del modello. Il valore massimo di HTMT tra i costrutti del primo ordine era 0,742, al di sotto della soglia conservativa predefinita di 0,85. La tabella di caricamento esterno completa e la matrice HTMT sono fornite nel File Supplementare 2. Abbreviazioni: AVE = varianza media estratta. Clicca qui per scaricare questa tabella.

L'esperienza di apprendimento online era correlata con bisogni psicologici di base (r = 0,501) e coinvolgimento nell'apprendimento (r = 0,497). I bisogni psicologici di base erano correlati con l'impegno nell'apprendimento (r = 0,510).

Risultati di percorso strutturale e associazione indiretta

Come mostrato nella Figura 2, l'esperienza di apprendimento online è stata positivamente associata a bisogni psicologici di base (β = 0,501, t = 11,259, p < 0,001, IC 95%: 0,414-0,588). I bisogni psicologici di base erano positivamente associati all'impegno nell'apprendimento (β = 0,349, t = 7,256, p < 0,001, IC 95%: 0,255-0,444). L'esperienza di apprendimento online è rimasta direttamente associata all'engagement nell'apprendimento (β = 0,324, t = 6,699, p < 0,001, IC 95%: 0,229-0,419). Il modello spiegava il 25,1% della varianza nei bisogni psicologici di base e il 33,9% della varianza nell'impegno nell'apprendimento (Tabella 4). La dimensione dell'effetto f² per l'esperienza di apprendimento online sui bisogni psicologici di base è stata 0,332. Le dimensioni dell'effetto f² per l'esperienza di apprendimento online e i bisogni psicologici di base sull'impegno nell'apprendimento erano rispettivamente 0,118 e 0,138.

Figura 2: Modello strutturale con coefficienti di percorso standardizzati basati sull'associazione. La figura mostra i percorsi standardizzati tra esperienza di apprendimento online, bisogni psicologici di base e coinvolgimento nell'apprendimento, inclusi il percorso diretto, il percorso indiretto, i valori R² e le variabili di controllo predefinite. Tutti i percorsi sono interpretati come stime basate su associazioni. Clicca qui per visualizzare una versione più grande di questa figura.

Tabella 4: Varianza spiegata dei costrutti endogeni. Questa tabella riporta il coefficiente di determinazione (R^{2), i valori} di R 2 aggiustati e le variabili predittive per ciascun costrutto endogeno nel modello strutturale. Tutti i risultati sono interpretati come stime basate sull'associazione perché i dati erano trasversali. Abbreviazioni: OLE_TOTAL = punteggio globale dell'esperienza di apprendimento online; BPN_TOTAL = punteggio globale per i bisogni psicologici di base; LE_TOTAL = punteggio globale di coinvolgimento nell'apprendimento. Clicca qui per scaricare questa tabella.

La Tabella 5 mostra che le ore settimanali di apprendimento online non erano significativamente associate ai bisogni psicologici di base (β = 0,001, p = 0,986) o all'impegno nell'apprendimento (β = −0,020, p = 0,634).

Tabella 5: Stime dei percorsi strutturali e dimensioni degli effetti. Questa tabella riporta stime standardizzate dei percorsi strutturali, corrispondenti valori di t, valori p, intervalli di confidenza (CI) al 95%, dimensioni degli effetti f2 e decisioni sui percorsi per il modello ipotizzato. Sono presentati anche percorsi variabili di controllo. Tutti i percorsi sono interpretati come stime basate sull'associazione perché i dati erano trasversali. Abbreviazioni: OLE_TOTAL = punteggio globale dell'esperienza di apprendimento online; BPN_TOTAL = punteggio globale per i bisogni psicologici di base; LE_TOTAL = punteggio globale di coinvolgimento nell'apprendimento; WEEKLY_HOURS = ore settimanali di apprendimento online; PRIOR_EXPERIENCE = esperienza di apprendimento online precedente; CI = intervallo di confidenza. Clicca qui per scaricare questa tabella.

L'esperienza di apprendimento online precedente non era significativamente associata a bisogni psicologici di base (β = −0,005, p = 0,916) o all'impegno nell'apprendimento (β = 0,013, p = 0,754). Il percorso indiretto dall'esperienza di apprendimento online all'impegno nell'apprendimento attraverso bisogni psicologici di base è stato supportato. L'effetto indiretto è stato 0,175, con un intervallo di fiducia bootstrap del 95% da 0,124 a 0,231. L'effetto diretto dell'esperienza di apprendimento online sull'engagement è stato di 0,324, e l'effetto totale è stato di 0,499 (Tabella 6). Questa via è stata interpretata come una via indiretta basata sull'associazione piuttosto che come una mediazione causale.

Tabella 6: Stime di associazione diretta, indiretta e totale. Questa tabella riporta le associazioni dirette, indiretta (mediata) e totale tra esperienza di apprendimento online e coinvolgimento nell'apprendimento, inclusi gli intervalli di confidenza (IC) bootstrap al 95% e le decisioni sui percorsi. Tutti gli effetti sono interpretati come stime basate sull'associazione perché i dati erano trasversali. Abbreviazioni: OLE_TOTAL = punteggio globale dell'esperienza di apprendimento online; BPN_TOTAL = punteggio globale per i bisogni psicologici di base; LE_TOTAL = punteggio globale di coinvolgimento nell'apprendimento; CI = intervallo di confidenza. Clicca qui per scaricare questa tabella.

Analisi della sensibilità della subdimensione e analisi della robustezza del bisogno psicologico

Il percorso indiretto attraverso la necessità di autonomia è stato supportato (effetto indiretto = 0,087, IC 95%: 0,049-0,131). Il percorso indiretto attraverso il bisogno di competenza è stato supportato e ha mostrato il maggiore effetto indiretto (effetto indiretto = 0,148, IC 95%: 0,094-0,205). È stata inoltre supportata la necessità di percorso indiretto attraverso la parentela (effetto indiretto = 0,092, IC 95%: 0,056-0,132) (Tabella 7).

Tabella 7: Analisi di sensibilità delle sottodimensioni di base del bisogno psicologico. Questa tabella riporta associazioni indirette attraverso le sottodimensioni autonomia, competenza e parentelo dei bisogni psicologici di base, inclusi gli intervalli di confidenza (IC) bootstrap al 95% e le decisioni sui percorsi. Tutti gli effetti sono interpretati come stime basate sull'associazione perché i dati erano trasversali. Abbreviazioni: OLE_TOTAL = punteggio globale dell'esperienza di apprendimento online; LE_TOTAL = punteggio globale di coinvolgimento nell'apprendimento; BPN_AU = bisogno di autonomia; BPN_CO = necessità di competenza; BPN_RE = necessità di parentelu; CI = intervallo di confidenza. Clicca qui per scaricare questa tabella.

L'analisi di robustezza basata sulla regressione ha prodotto la stessa interpretazione sostanziale del modello primario PLS-SEM. L'esperienza di apprendimento online è rimasta positivamente associata ai bisogni psicologici di base (β = 0,501, IC 95%: 0,414-0,588). I bisogni psicologici di base sono rimasti positivamente associati all'impegno nell'apprendimento dopo l'aggiustamento per l'esperienza di apprendimento online e le variabili di controllo (β = 0,349, IC 95%: 0,255-0,444). L'effetto indiretto basato sulla regressione è stato 0,175, con un intervallo di fiducia bootstrap del 95% da 0,124 a 0,231. Poiché i dati erano trasversali, tutti i percorsi sono stati interpretati come stime basate sull'associazione piuttosto che come effetti causali (Tabella 8).

Tabella 8: Analisi di robustezza basata sulla regressione. Questa tabella riporta i risultati di robustezza basati sulla regressione per i percorsi strutturali, incluse stime aggiustate di associazione diretta e indiretta con intervalli di confidenza (IC) al 95% bootstrap. Tutti gli effetti sono interpretati come stime basate sull'associazione perché i dati erano trasversali. Abbreviazioni: OLE_TOTAL = punteggio globale dell'esperienza di apprendimento online; BPN_TOTAL = punteggio globale per i bisogni psicologici di base; LE_TOTAL = punteggio globale di coinvolgimento nell'apprendimento; CI = intervallo di confidenza. Clicca qui per scaricare questa tabella.

File supplementare 1: Questionario, codifica variabile e regole di punteggio. Questo file fornisce il questionario in lingua inglese, variabili di controllo dell'idoneità, codifica delle variabili di background, formulazione degli item, mappatura element-sorgente, scala di risposta, formule di punteggio, dizionario delle variabili, regole di gestione dei dati e controlli di coerenza. Clicca qui per scaricare questo file.

File Supplementare 2: Verifica finale del dataset analitico, impostazioni di analisi e record di riproducibilità. Questo file registra il dataset analitico bloccato, il riassunto del lavoro sul campo, le revisioni degli esperti e i record dei test pilota, il riassunto dello screening, i controlli dei dati mancanti, l'affidabilità e l'output del modello di misura, i risultati del modello strutturale, l'analisi di sensibilità, l'analisi della robustezza e la checklist di riproducibilità. Clicca qui per scaricare questo file.

Discussione

Questo protocollo fornisce un flusso di lavoro metodologico riproducibile per valutare i percorsi di associazione tra l'esperienza di apprendimento online, i bisogni psicologici di base e l'impegno nell'apprendimento negli studenti universitari. Invece di trattare l'apprendimento online come una singola condizione, il protocollo separa l'ambiente di apprendimento percepito in usabilità della piattaforma, supporto didattico, qualità dell'interazione e flessibilità di apprendimento. Questa struttura consente ai ricercatori di identificare quale parte dell'esperienza di apprendimento online è più strettamente associata alla soddisfazione e al coinvolgimento dei bisogni psicologici, invece di affidarsi solo alla soddisfazione complessiva o agli indicatori di completamento^{del corso 16}.

Un contributo metodologico centrale è la prespecificazione della codifica dei questionari, lo screening dell'idoneità, i controlli di qualità delle risposte, il construction scoring, il blocco dei dataset e il test dei modelli. Questi passaggi sono importanti perché la ricerca educativa basata su sondaggi è sensibile alle risposte disattente, alle risposte modellate, alle risposte di idoneità incoerenti, alle decisioni basate sulla mancanza di dati e alle esclusioni post^{hoc 17}. Mettendo queste decisioni prima dell'analisi strutturale, il protocollo rende il percorso analitico riproducibile e riduce il rischio che le regole di screening o di punteggio vengano modificate dopo la conoscenza dei risultati.

Il protocollo chiarisce anche come il percorso di associazione debba essere interpretato. L'esperienza di apprendimento online è modellata come costruzione indipendente, i bisogni psicologici di base come costrutto di associazione indiretta e l'impegno nell'apprendimento come costrutto di risultato. Questa struttura si basa teoricamente sulla teoria dell'autodeterminazione, perché autonomia, competenza e relazionamento forniscono un meccanismo per comprendere perché alcuni ambienti di apprendimento online siano associati a un coinvolgimento più^{forte 18}. Tuttavia, poiché il protocollo utilizza dati di questionario trasversale, il percorso deve essere interpretato come un'associazione indiretta piuttosto che come una mediazione causale.

Il trattamento multidimensionale dell'impegno nell'apprendimento è un altro punto di forza del protocollo. L'impegno comportamentale, cognitivo e emotivo vengono misurati separatamente prima di essere riassunti come un concetto globale di coinvolgimento. Questo evita che l'engagement si riduca solo a presenze, completamento dei compiti o comportamento di login¹⁹. In termini pratici, il protocollo può distinguere gli studenti che completano compiti obbligatori da quelli che sono cognitivamente coinvolti, emotivamente coinvolti e disposti a continuare a partecipare ad attività di apprendimento online.

Il protocollo è utile anche per diagnosticare i punti deboli nel design dell'apprendimento online. Ad esempio, un corso può fornire un adeguato accesso alla piattaforma ma comunque mostrare un basso coinvolgimento emotivo o di parentela se la comunicazione è in ritardo, frammentata o non collegata a un'interazione di apprendimento significativa. Questa distinzione è coerente con i modelli di apprendimento online che enfatizzano la presenza sociale, la presenza nell'insegnamento e la presenza cognitiva piuttosto che la sola disponibilità^{tecnologica 20}. Pertanto, il protocollo supporta il miglioramento mirante del design della piattaforma, il supporto degli istruttori, la struttura dell'interazione e la soddisfazione dei bisogni psicologici.

Diverse limitazioni dovrebbero guidare l'interpretazione e l'uso futuro. Innanzitutto, il disegno trasversale non stabilisce l'ordine temporale, quindi le affermazioni causali non dovrebbero essere^{avanzate 21}. In secondo luogo, tutte le variabili principali sono auto-riportate e la diagnostica dei metodi comuni non può eliminare completamente le preoccupazioni legate al bias di risposta²². In terzo luogo, il modello non osserva direttamente il comportamento degli insegnanti, la qualità del design del corso, l'analisi della piattaforma o il supporto istituzionale. Studi futuri possono estendere il protocollo attraverso misurazioni longitudinali, confronti multigruppi, integrazione tra apprendimento e analisi o follow-up con metodi misti, mantenendo allo stesso tempo la stessa logica riproducibile di screening, scoring, model-testing^{e verifica 23}.

Materiali

Elenco dei materiali utilizzati in questo articolo

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