このコンテンツを表示するには、JoVEへの購読が必要です。 または、無料トライアルをお申し込みください。

方法論記事

大学生のオンライン学習体験、基本的な心理的ニーズ、学習参加を評価するための調査およびプロトコル

58 回視聴

⸱

DOI:

10.3791/72570

⸱

2026年8月11日

 ,  , 
1Department of Curriculum and Instructional Technology, Faculty of Education, Universiti Malaya

この記事について

サマリー

このプロトコルは、オンライン学習体験、基本的な心理的ニーズ、学習参加の関連経路を評価するための再現可能な調査および部分最小二乗構造方程式モデリングのワークフローを提供します。これには質問票の適応、スクリーニング、測定評価、間接連合テスト、堅牢性チェック、再現性記録が含まれます。

要約

オンライン学習は高等教育に根付いていますが、評価はアクセス、満足度、修了度の指標に依存し、エンゲージメントの問題がどこで生じているかを特定しません。本記事では、大学生におけるオンライン学習体験、基本的な心理的ニーズ、学習参加の関連経路を評価するための、再現可能な英語調査および部分最小二乗構造方程式モデリングプロトコルを提示します。オンライン学習体験は、プラットフォームの使いやすさ、指導サポート、インタラクションの質、学習の柔軟性で評価されます。自律性、能力、関連性を通じた基本的な心理的ニーズ;そして行動的、認知的、感情的な関与を通じた学習の関与。ワークフローには、項目-ソースマッピング、質問票適応、専門家レビュー、パイロットテスト、電子同意、適格性スクリーニング、回答品質チェック、構成要素スコアリング、共通手法バイアス診断、高次構成概念推定、測定モデル評価、構造経路テスト、間接連合分析、心理ニーズ感受性分析、回帰に基づく堅牢性チェック、再現性ファイルロックが含まれます。386件の有効な回答からの代表的な結果は、許容可能な信頼性、中程度の構成概念相関、測定の質の保持、基本的な心理的ニーズによる間接的な関連、有意でない対照経路、そして次元スコアの不均一を示しています。このプロトコルは、オンライン学習体験が心理的ニーズの満足や関与とどのように関連しているかを透明に診断しつつ、横断的調査データからの因果解釈を避けます。

概要

オンライン学習は、学習管理システム、ビデオプラットフォーム、録画教材、同期セッション、ブレンデッドコース設計を通じて、日常的な高等教育の一部となっています。しかし、多くの評価は依然としてアクセスログ、満足度評価、完了指標に依存しており、これらは学生がオンラインコースを利用したかどうかを示しつつ、エンゲージメントの低下がプラットフォームの使いやすさ、指導的サポート、交流の質、学習の柔軟性、心理的ニーズの満足度、または特定のエンゲージメント次元1に関連しているのかを明確にしていません.したがって、オンライン学習体験は単一の満足度スコアに還元されるべきではありません。これまでのオンラインエンゲージメント研究では、学習者とコンテンツ、学習者と指導者、学習者と学習者の相互作用が学生のオンライン学習体験の重要な要素として強調されています。現在のプロトコルは、プラットフォームの使いやすさ、指導支援、インタラクションの質、学習の柔軟性を通じてオンライン学習体験を測定しています。

学習の関与もまた多面的です。行動参加、認知的投資、感情的な関与が含まれます。オンラインコースのエンゲージメントツールは、エンゲージメントが目に見える参加やタスクの完了だけでは十分に表せないことを示しています。3.より広範な教育技術の研究でも、行動的関与は認知的・感情的関与よりも観察しやすいことが多いことが示されています。このため、プロトコルは学習の関与を行動的、認知的、感情的な関与を通じて測定し、関与を一つの無差別スコアにまとめるのではなく、

自己決定理論は、オンライン学習体験と学習関与を結びつける理論的基盤を提供します。基本的な心理的欲求理論は、自律性、能力、関連性を動機付けと適応の中心的条件と位置づけています。オンライン学習において、自律性とは、選択やコントロールの認識、能力を学習課題の完了能力、そして教師やクラスメートとの強いつながりとの関連性を指します。自己決定理論を用いた従来のオンライン学習研究では、文脈的支援、ニーズの満足、動機付け、関与が関連付けられています 6,7。これらの発見は、オンライン学習体験と学習参加との間に間接的な関連構造として基本的な心理的ニーズを検証することを支持しつつ、データが横断的であるため因果解釈を避けています。

オンラインエンゲージメント研究における方法論的な問題は、一貫した運用構造の欠如です。研究は学習条件の定義、関与度の測定、学習環境と学生の心理的体験の結びつきに異なりました。自己申告型調査は、不注意な回答、パターン化された回答、事後的な除外、データ不足の決定、一般的な方法バイアスにも脆弱です。したがって、このプロトコルは、構造解析を開始する前に英語のアンケート構造、項目-出典マッピング、採点ルール、電子同意手続き、適格性審査、注意チェックルール、完了時間の閾値、直線基準、長文字列応答チェック、欠損データの処理、モデル仕様、データセットロック手順を修正し、構造解析を開始します。

この概念的枠組みは、オンライン学習体験を独立した構成要素として、基本的な心理的ニーズを間接的な連想構造として、学習の関与を成果の構成要素として指定しています。主要経路は、オンライン学習体験が基本的な心理的ニーズと関連しているか、基本的な心理的ニーズが学習参加に関連しているか、そして基本的な心理的ニーズを考慮した後もオンライン学習体験が学習関与と直接関連しているかどうかを検証します。このプロトコルは4つの研究課題に基づいています。構造化調査プロトコルが3つの構成要素を許容可能な回答品質と構成要素の信頼性で測定できるかどうか、オンライン学習経験が基本的な心理的ニーズや学習参加と正の関連があるかどうか;オンライン学習体験と学習参加の関連が、間接的な心理的ニーズを通じて部分的に行われているかどうか;また、心理ニーズサブディメンション分析や回帰ベースのロバストネスチェックが主要なPLS-SEMワークフローと同じ解釈を支持しているかどうかも検討しています。

本論文は、従来の説明的横断研究ではなく、方法に焦点を当てた貢献として位置づけられています。このプロトコルは、質問票の適応、専門家レビュー、パイロットテスト、調査実施、回答スクリーニング、構成要素スコアリング、測定モデル評価、構造経路試験、間接連関分析、感度分析、堅牢性チェック、再現性ファイルロックのための再現性ワークフローを提供します。透明な教育研究ワークフローには、最終モデル解釈の前に分析的決定が文書化されることが必要です。10.部分最小二乗構造方程式モデリングが用いられるのは、1つのワークフロー内で測定および構造要素を検証できるためであり、反射的な一次構成要素と解析的に導出された高次の構成要素スコアを、互いに素な2段階アプローチを通じて得られるからです。オンライン学生の関与、社会的存在感、学習者支援、定着に関する過去の研究は、コミュニケーション、支援、つながり、包括的なコース設計が単なるアクセスや柔軟性を超えて重要であることを示しています12,13。さらに、システマティックレビューは、行動的、認知的、感情的な関与がオンライン学習条件に対して異なる反応を示す可能性があることを示している14。したがって、代表的な結果はプロトコルの成果を示すためにのみ用いられており、横断面調査データの因果効果を主張するものではありません。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

研究プロトコルはマラヤ大学研究倫理委員会(非医療部門)によって審査され、承認番号UMが付けられました。TNC(P&I)/UMREC_4892は2025年8月7日に発表されました。ヒト参加者を含む研究に関しては、すべての手順を機関のガイドラインに従って実施すること。アンケートを実施する前に、必ず電子インフォームドコンセントを取得してください。募集、スクリーニング、スコアリング、分析、ファイル保存の際に匿名参加者コードを使用してください。研究ツールとソフトウェアは 材料表に記載されています。

1. 研究デザインと分析フレームワークの定義

  1. 横断的定量調査デザインを用いて、大学生のオンライン学習経験、基本的な心理的ニーズ、学習参加度の関連経路を評価します。
  2. オンライン学習体験を独立した潜在的構造、基本的な心理的ニーズを間接的な連想潜在構造、学習の関与を結果的な潜在構造と定義します。
  3. データ収集前に3つの多次元構造を指定してください。プラットフォームの使いやすさ、指導サポート、インタラクションの質、学習の柔軟性でオンライン学習体験を表現すること;基本的な心理的ニーズは自律性、能力、関連性の必要性によるもの。そして、行動的関与、認知的関与、感情的関与による学習関与。
  4. 偏最小二乗構造方程式モデリングを主要な解析手法として用い、測定の品質、高次構成スコア、構造経路、あらかじめ指定された間接経路を評価する。
  5. 分析前に主な経路を明確にしてください:オンライン学習体験→基本的な心理的ニーズ、学習関与→基本的な心理的ニーズ、学習参加→オンライン学習体験。
  6. すべての構造経路はアソシエーションの推定値として扱いましょう。すべての変数が一時的に測定されるため、どの経路も因果関係として解釈しないでください。採用前に事前サンプルサイズとパワーチェックを行いましょう。ターゲットサンプルとして少なくとも380件の有効な回答、350件以上の有効な回答をスクリーニング後の最小許容サンプルとして使用してください。
  7. 図1にプロトコルのワークフローを提示し、リクルート、同意、アンケート管理、専門家レビュー、パイロットテスト、レスポンススクリーニング、データセットのロック、測定評価、構造テスト、間接連合分析、ロバストネスチェック、再現性ファイル作成などが含まれます。
    注意:アンケート作成から最終分析まで、概念モデルと構造の経路は変更せずに保ってください。

figure-protocol-1
図1:オンライン学習経験、基本的な心理的ニーズ、学習参加を評価するための運用ワークフロー。図は、リクルート、同意、アンケート実施、専門家レビュー、パイロットテスト、応答スクリーニング、データセットのロックから、測定評価、構造試験、間接連合分析、ロバストネスチェック、再現性ファイル作成に至るまでのプロトコルワークフローを示しています。この図の拡大版はこちらをクリックしてご覧ください。

2. 対象となる参加者を募集する

  1. 現在または直近の学期に少なくとも1つのオンラインまたはブレンデッドコースに参加した大学生を募集しましょう。
  2. 18歳以上、現在学部生または大学院生として在学中、オンラインまたはブレンデッドラーニングの経験があり、英語アンケートを読める者、電子的なインフォームドコンセントの提供を意思のある参加者が含まれます。
  3. 同意が確認されていない、適格基準が満たされていない、注意チェック項目に失敗した場合、重複投稿が検出された場合、完了時間があらかじめ定められた閾値を下回っている場合、直線的な投稿が検出された場合、または未解決の適格性不一致がある場合には回答を除外します。
  4. 大学の学習プラットフォーム、コースコミュニケーショングループ、学生のメールリスト、機関の学生チャネルを通じて参加者を募集しましょう。
  5. 氏名、学生識別番号、電話番号、プライベートメールアドレス、正確な居住地住所、IPアドレス、デバイス識別子、アカウント識別子などの直接的な識別情報を収集しないでください。
  6. 採用日、募集チャネル、提出された回答、カテゴリー別除外数、保持回答、最終有効なサンプルサイズをフィールドワークログおよびスクリーニングログに記録します。
    一時停止点:採用の進捗を毎週チェックしましょう。回答数、採用チャネルのカバレッジ、予備除外率のみを確認してください。採用時にスコア構成、相関、経路推定値を調べないでください。

3. アンケートを作成する

  1. 電子インフォームドコンセント、適格性スクリーニング、参加者の背景情報、実質的な尺度項目、指示に基づく注意力チェック項目を含む構造化された英語アンケートを作成します。
  2. すべての実質的な項目に対して5点リッカート反応尺度を用いてください:1 = 強く反対、2 = 反対、3 = 中立、4 = 同意、5 = 強く同意します。
  3. オンライン学習体験の項目は、オンライン学習の認識、指導支援、交流の質、プラットフォームの使いやすさ、学習の柔軟性といった過去の指標から適応します。確立された自律性、能力、関連性の指標から基本的な心理的ニーズ項目を適応させます。学習エンゲージメント項目を、確立された行動、認知、感情の関与指標から適応させましょう。
  4. 大学のオンラインやブレンデッドラーニングの文脈に合わせて、項目の表現だけを修正してください。明確で誘導しない表現を使い、高い満足度、高い心理的ニーズ、高い関与を期待する表現は避けてください。
  5. パイロットテスト前にアイテム・ソースマッピング表を用意してください。各実質的な項目ごとに、項目コード、構成、寸法、適応文言、出典の根拠、適応ノート、質問票の文言、採点方向を記録してください。
  6. 33の実質的なリッカート尺度項目を使いましょう:オンライン学習体験が12題、基本的な心理的ニーズが9題、学習参加が12題です。オンライン学習体験の各次元に3項目、基本的な心理的ニーズ次元ごとに3つの項目、学習参加次元ごとに4つの項目を使いましょう。
  7. 基本的な心理的ニーズブロックの後に指示ベースの注意チェック項目を1つ置いてください。この項目は応答質のスクリーニングのみに使用し、構成要素スコアリング、信頼性分析、妥当性分析、PLS-SEM推定、間接関連検定、ロバストネス分析から除外してください。
  8. パイロットテスト中は、アンケートの回答時間を8〜12分以内に抑えてください。 表1 を使って、構成領域、寸法、項目コード、項目数、反応スケール、スコア方向、適応基準を文書化します。 補足ファイル1 を使って、質問票、アイテムソースマッピング、変数コーディング、採点ルールを詳細に記載してください。
    注意:予測変数、間接的関連、結果項目は概念的に区別してください。

表1:ドメイン、次元、質問票構成、採点ルールの構築。 この表は、構成ドメインと次元、項目コードと番号、例文、適応基準、回答スケール、スコアリングルールを含む質問票構造をまとめています。注意チェック項目はスクリーニング専用項目として識別されます。 この表をダウンロードするには、こちらをクリックしてください。

4. 専門家による審査およびパイロット試験の実施

  1. 教育心理学、オンライン学習、定量的方法論、高等教育研究、または調査デザインの専門家3名から5名を招待し、アンケートのレビューを依頼します。
  2. 専門家に項目の明確さ、関連性の構築、言い回しの重複性、回答負担、文化的適合性、言語の明確さ、各項目とその割り当てられた次元の整合性を評価してもらいます。
  3. 専門家によるレビュー結果を項目改訂ログに記録し、元の文言、査読者の懸念、修正決定、最終文言、保留・修正・削除の理由などが含まれます。
  4. 曖昧な項目、二重に重複する項目、過度に類似している、文化的に不適切な項目、対象次元と弱いもの、英語の調査文脈と矛盾している項目を修正してください。
  5. 主研究と同じ適格基準を満たす30〜50名の大学生を対象にパイロットテストを実施します。パイロット参加者に、不明瞭な表現、技術的な表示の問題、長すぎる、繰り返しの表現、またはアンケート項目による不快感を特定するよう求めます。
  6. 各参加者のパイロット完了時間を記録してください。正式な研究の最小完了時間閾値を、パイロットの中央値完了時間の3分から3分の1までの大きい方と定義します。
  7. 各構成概念の予備的な内部整合性を計算し、パイロットテスト後に項目と全体の相関を検証します。弱い項目は、削除によって測定の質が向上し、構成要素のカバレッジが弱まらない場合にのみ修正または削除してください。
  8. 正式な採用前に、アンケート、コードブック、品行情報源マッピング、専門家レビューログ、パイロットテスト記録、完了時間の閾値、注意チェックルール、重複検出ルール、除外基準を最終決定し、ロックしてください。
    一時停止:すべてのアンケート、スクリーニング、コーディングファイルがロックされるまで正式な採用を始めないでください。

5. オンラインアンケートを実施します

  1. 匿名参加、同意確認、適格性審査、必須回答設定、回答時間記録、非特定重複投稿制限、注意確認配置、スプレッドシートエクスポートをサポートするオンライン調査システムに質問票を作成します。
  2. 適格性審査やアンケート項目の前に電子インフォーム・コンセントを挿入してください。参加者は自主参加を確認した後のみ進行を許可し、研究目的を中立的な言葉で提示してください。この研究は、学生のオンライン学習に対する認識、心理的ニーズの満足、学習参加度を調査していると述べています。
  3. 同意、適格性質問、そして33のリッカート尺度の実質的な項目すべてを必須項目として設定します。直接的な識別情報のフィールドを無効にしてください。名前、学生番号、電話番号、プライベートメールアドレス、正確な居住地住所、IPアドレス、デバイス識別子、アカウント識別子の要求はしないでください。
  4. 参加者が最終提出前にアンケートを終了してもペナルティなしで行えます。繰り返しの投稿は、利用可能な場合は匿名性のないアンケートプラットフォーム設定でのみ制限してください。アンケートは4〜6週間開けておく。週に2回の回答数を監視し、採用の進捗をフィールドワークログに記録してください。
    注意:アンケート提出後に個人スコアのフィードバックは提供しないでください。

6. 生データのエクスポートと保護

  1. 採用終了後すぐに、.xlsx形式および.csv形式ですべての応募をエクスポートしてください。
  2. 変更していない.xlsxファイルを1つはRawData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsxとして、1つは変更されていない.csvファイルをRawData_OnlineLearning_BPN_Engagement_YYYYMMDD.csvとして保存します。
  3. スクリーニング、コーディング、分析のための作業用コピーを作成します。WorkingData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsxと呼んでください。各提出された回答に、P001、P002、P003などの形式で匿名の参加者コードを割り当てます。
  4. 生データセットを読み取り専用フォルダに保存し、スクリーニング開始前にチェックサム、ファイルバージョンレコード、または機関のバージョン履歴レコードを作成します。
  5. 非識別化された生の提出記録アーカイブおよびスクリーニングメタデータを保護された機関検証フォルダーに保存してください。原稿や補足ファイルには、生の除外記録、直接特定可能な情報、参加者レベルの生データを掲載しないでください。
    一時停止:生.xlsxファイル、生.csvファイル、フィールドワークログ、生データバージョンレコード、保護された生データフォルダが保存されるまでスクリーニングを開始しないでください。

7. 回答をスクリーニングし、除外ルールを適用する

  1. 構成要素相関、測定モデル出力、構造経路、間接関連推定を検討する前に、すべての除外ルールを適用してください。同意確認なし、または年齢、登録歴、オンライン学習経験、質問票言語適格性のない回答は削除してください。
  2. あらかじめ定められた重複検出ルールに従って重複応答を削除してください。重複の可能性は、非特定可能な調査プラットフォームの重複フラグや匿名の回答パターン情報のみで特定してください。重複回答が確認された場合、最も早い完全な応答を保持します。
  3. 指示に基づく注意力チェック項目に失敗した回答や、正式な学習の最低完了時間の閾値以下で完了した回答は削除します。直線化とは、33の実質的なリッカート尺度項目のうち少なくとも90%が同じ回答選択肢を選ぶことを指します。この基準を満たす回答は削除してください。
  4. 同じ回答オプションが連続した2、0件以上の実質的なリッカート尺度項目で選択された場合、長文字列の反応パターンをフラグ付けします。フラグが立てられた回答は、信じられないほど短い完了時間、注意チェック失敗、直線化、またはその他のあらかじめ指定された品質違反が示された場合のみ削除してください。
  5. 参加者がオンラインまたはブレンデッドラーニングの接触がないと報告しているものの、週ごとのオンライン学習時間がゼロ以上であると報告した場合、不一致なバックグラウンド回答をフラグしてください。未解決の適格性不一致がある回答は削除してください。
  6. 除外されたすべての症例を匿名の参加者コード、除外カテゴリー、除外理由、スクリーニング日、スクリーニング決定とともに匿名化されたスクリーニングログに記録します。
  7. 表2を使って、提出された回答、除外カテゴリー、除外カウント、保持回答、最終有効なサンプルサイズを記録します。代表的なデータセットに対して生の除外カウントを再構築できない場合は、これを明示してください。
    注意:事前指定された同意、適格性、重複、注意チェック、完了時間、応答パターン、欠落、または一貫性のルールに従ってのみケースを除外してください。生データセット、クリーンデータセット、スクリーニングログ、除外ルールファイル、フィールドワークログ、データセットバージョンレコードが別々に保存されロックされるまでコーディングを始めないでください。

表2:レスポンススクリーニング、除外ルール、データ処理の決定。 この表は、同意、適格性、重複応答、注意チェック、完了時間、応答パターンチェック、欠如、データセットロックに関する事前定めされたスクリーニングルールとデータ処理の決定をまとめています。排除ルールは、構成要素相関、測定モデル出力、構造経路、間接関連推定の検討前に適用されます。除外された各回答は匿名参加者コード、除外カテゴリー、除外理由、スクリーニング日、スクリーニング決定を用いて非識別化されたスクリーニングログに記録されます。 この表をダウンロードするには、こちらをクリックしてください。

8. 欠落データの処理

  1. 同意、適格性質問、33の実質的なリッカート尺度項目の不足を防ぐために、調査システムでこれらのフィールドを設定してください。スクリーニング後にクリーニング済みデータセットの欠損点を確認しましょう。
  2. オプションのバックグラウンド変数の欠落値は「報告されていない」と扱います。任意の人口統計的または背景変数を帰属しないでください。
  3. 欠損率が10%を超える場合は、背景変数を共変量解析から除外します。背景変数を共変量として保持するのは、その欠損率が10%以下で、かつその変数が理論的に関連性がある場合のみです。
  4. 33の実質的なリッカート尺度項目に欠損値を帰属しないでください。要求応答設定にもかかわらず実質的な項目の欠落が検出された場合は、調査のエクスポート、調査ロジック、または不完全な提出処理が原因かどうかを特定し、クレンジングされたデータセットを最終化してください。
    注意:欠損データのチェックを記録してください。参加者コード、背景変数、実質的なリッカート尺度項目、次元スコア、グローバル構成スコアの欠損値数と欠損率を報告します。

9. 変数をコード化し、スコアを計算する

  1. すべての実質的なリッカート尺度項目を1から5までコード化します:1 = 強く反対、2 = 反対、3 = 中立、4 = 同意、5 = 強く同意します。性別、学業レベル、学年、分野区分、週次オンライン学習時間、そして過去のオンライン学習経験をロックされたコードブックに従って記入します。
  2. 次元スコアやグローバル構成スコアを計算する前に、すべての変数の値が範囲外であるか確認してください。
  3. オンライン学習体験の次元スコアを項目平均として計算します:プラットフォームの使いやすさ=平均(OLE_PU1–OLE_PU3)、指導支援=平均(OLE_IS1–OLE_IS3)、インタラクションクオリティ=平均(OLE_IQ1–OLE_IQ3)、学習柔軟性=平均(OLE_LF1–OLE_LF3)。
  4. 基本的な心理的ニーズの次元スコアを項目平均として計算します:自律性ニーズ=平均(BPN_AU1–BPN_AU3)、能力ニーズ=平均(BPN_CO1–BPN_CO3)、関連性ニーズ=平均(BPN_RE1–BPN_RE3)。
  5. 学習エンゲージメントの次元スコアを項目平均として計算します:行動エンゲージメント=平均(LE_BE1–LE_BE4)、認知エンゲージメント=平均(LE_CE1–LE_CE4)、感情エンゲージメント=平均(LE_EE1–LE_EE4)。
  6. グローバル構成スコアを次元平均として計算します:オンライン学習体験=平均(プラットフォームの使いやすさ、指導支援、インタラクションの質、学習の柔軟性);基本的な心理的ニーズ = 平均(自律性、必要性、能力、必要性、関連性)、学習関与=平均(行動関与、認知関与、感情関与)。
  7. 測定モデル評価のための項目レベルデータ、高次構成概念推定およびサブ次元分析のための次元スコア、記述統計、相関分析、構造モデルチェック、回帰ベースの堅牢性分析のためのグローバル構成概念スコアを保持します。
    注意:注意チェック項目は、スコア、信頼性分析、妥当性分析、PLS-SEM推定、間接連合分析、または堅牢性分析には含めないでください。記述分析の前に元の1〜5のスコアを標準化しないでください。

10. 共通の手法バイアスの制御と評価

  1. 分析前に、匿名回答、中立的な表現、分離された構成ブロック、1つの指示ベースの注意チェック項目、要求応答設定、制限された生データアクセスを用いる手続き的コントロールを適用します。
  2. 回答スクリーニングの後、ハーマンの単一因子検定を用いて、1つの回転していない因子が項目分散の支配的な割合を占めているかどうかを調べます。最初の回転していない因子が総分散の50%未満を占める場合、結果を受け入れ可能なものとみなしてください。
  3. 焦点構成の完全な共線分散インフレ係数値を計算します。3.30未満の値は、重度の共通手法バイアスが起こりにくいことを示すとみなしてください。最初の回転していない因子が総分散の50%以上を占める場合、または完全な共線分散インフレ係数が3.30以上の場合、共通手法バイアスを制限として記録します。
    注意:共通の手法バイアスが存在しないとは言わないでください。診断結果が優勢な共通法因子の重篤な証拠を示しているかどうかのみ記載してください。

11. 記述的および予備的検査を行う

  1. 記述統計、分布チェック、相関分析、回帰ベースの堅牢性分析にはR 4.4.1を使用してください。カテゴリー別参加者の特徴に対して頻度とパーセンテージを計算します。
  2. 実質的な項目、次元スコア、グローバル構成スコアの平均、標準偏差、最小、最大、偏度、峰度を計算します。
  3. 項目やスコアの分布をフロア効果、天井効果、重度の非正規性について確認してください。潜在的なフロア効果または天井効果とは、実質的な項目に対して参加者の20%以上が最低または最も高い回答選択肢を選択した場合と定義します。
  4. グローバル構成要素と次元スコア間のピアソン相関を計算します。相関は予備的な記述的証拠としてのみ扱い、あらかじめ指定された構造モデルの代替として使用しないでください。
    注:フロア効果や天井効果をデータ特徴として記録してください。配布上の理由でケースを削除しないでください。ただし、あらかじめ指定された回答品質ルールにも違反している場合を除き、削除しないでください。

12. 高次測定モデルの推定

  1. プライマリPLS-SEM分析にはSmart PLS 4.1を使用し、クリーンになったアイテムレベルデータセットをインポートします。プラットフォームの使いやすさ、指導的サポート、インタラクションの質、学習の柔軟性、自律性の必要性、能力の必要性、関連性の必要性、行動的関与、認知的関与、感情的な関与を反映的な一次構造として指定します。
  2. 互いに素な二段階アプローチを用いましょう。第1段階では、反射的一次構成要素を推定し、その潜在変数スコアを保存します。
  3. 第2段階では、プラットフォームの使いやすさ、指導支援、インタラクションの質、学習の柔軟性といった潜在変数スコアを用いてオンライン学習体験を表現します。自律性の必要性、能力の必要性、関連性の潜在変数スコアは基本的な心理的ニーズを表す必要があります。そして学習の関与を表す行動関与、認知関与、感情関与の潜在変数スコアを用いています。
  4. 高次構成概念のスコアは多次元構成概念の解析的に導出された表現として扱う。形成的モデルが明確に指定され正当化されていない限り、形成的モデルと表現しないでください。第1段階の設定、第2段階の設定、潜在変数スコア、モデル出力ファイルを検証フォルダに保存してください。
    注意:主要な構造モデル、心理ニーズサブディメンション分析、回帰ベースのロバストネス分析でも同じ高次構成要素手順を用いてください。

13. 測定モデルの評価

  1. 構造モデルを解釈する前に測定モデルを評価してください。すべての保持指示器の標準化された外側負荷を検証します。可能な限り負荷が0.70以上のインジケーターを保持してください。
  2. 負荷値が0.40から0.70のインジケーターを見直してください。削除が信頼性や収束妥当性を向上させ、内容のカバレッジを弱めない場合にのみ指標を削除してください。0.40未満の指標は、理論的な理由が残留を支持する文書がない限り削除してください。
  3. クロンバックのアルファ信頼性と複合信頼性を用いて内部整合性を評価します。0.70から0.95の値は許容範囲とみなしてください。抽出した平均分散を用いて収束妥当性を評価します。最低でも0.50の値は許容範囲とみなしてください。
  4. 異形質・単一形質比率を用いて判別妥当性を評価する。0.85を保守的な閾値として、0.90を理論的に隣接する構成文の最大許容閾値として用います。
  5. 保持指標、標準化された外部負荷、クロンバックのアルファ、複合信頼性、抽出された平均分散、ヘテロトレイト-モノトレイトの値、およびロックされた測定モデル出力における項目削除の決定。
    注意:統計値向上のためだけにアイテムを削除しないでください。統計的な弱さと概念的冗長性の両方が記録されている場合のみ、項目を削除してください。
    一時停止点:保持された指標、荷重値、信頼性値、収束妥当性、判別妥当性、コードブックエントリ、測定出力値がロックされた解析ファイルと照合されるまで構造試験を開始しないでください。

14. 構造モデルと媒介経路の検証

  1. 3つの構造的な経路を明確にします:基本的な心理的ニーズ→オンライン学習体験、学習関与→基本的な心理的ニーズ、学習関与→オンライン学習体験。
  2. 週ごとのオンライン学習時間や過去のオンライン学習経験をあらかじめ指定されたコントロール変数として含めてください。性別、学術レベル、学年、分野カテゴリーは、あらかじめ指定された感度モデルに含まれない限り記述変数として扱います。
  3. 経路係数を解釈する前に構造モデルの共線性を調べてください。分散インフレ係数が3.30未満の場合は、有害な共線性が起こりにくいことを示すとみなします。
  4. 5,000件のブートストラップ再サンプルと両側検定を用いて、標準化された経路係数、 t 値、 p 値、95%信頼区間を推定します。利用可能な場合はバイアス補正信頼区間を用いましょう。
  5. オンライン学習体験から基本的な心理的ニーズを通じて学習への関与への間接的な経路を推定してください。間接効果のブートストラップ信頼区間にゼロが含まれていない場合、間接関連経路を支持されたものとみなします。
  6. ロックされた構造モデル出力に、直接効果、間接効果、総効果、R2の値、調整後のR2値、f2の効果サイズ、構造モデル分散インフレ係数値、制御変数経路を記録します。すべての構造的推定値を因果効果ではなく、連関に基づく経路として解釈してください。
    注意:あらかじめ指定されたパスは有意でないため削除しないでください。コーディングエラーやモデル仕様の誤りが特定されない限り、あらかじめ指定されたモデルを保持してください。

15. 心理的ニーズのサブディメンションを検討する

  1. グローバルな基本的な心理的ニーズの構造を、自律性、能力、関連性の必要性を並行して間接的連想の構造に置き換えます。オンライン学習体験から学習参加への間接的な経路を、自律性の必要性、能力の必要性、関連性の必要性を別々に推定します。
  2. 各サブディメンション経路ごとに5,000回のブートストラップ再サンプルを使いましょう。各サブディメンションの間接経路の方向、大きさ、信頼区間を比較します。この分析は一次モデルではなく感度分析として扱ってください。
    注意:サブディメンション感度分析を新しい一次モデルとして再解釈しないでください。

16. 回帰に基づくロバストネス解析の実施

  1. クリーンになった構成要素スコアのデータセットをエクスポートし、ConstructScores_OnlineLearning_BPN_Engagement_YYYYMMDD.csvとして保存します。R 4.4.1を用いて、グローバルなオンライン学習体験、週ごとのオンライン学習時間、過去のオンライン学習経験に関するグローバルな基本的な心理的ニーズを退化させます。
  2. グローバルなオンライン学習体験、グローバルな基本的な心理的ニーズ、週次のオンライン学習時間、過去のオンライン学習経験に関するグローバル学習関与を後退させる。5,000件のブートストラップ再サンプルを使って間接経路を推定します。
  3. 回帰に基づく間接経路とPLS-SEM間接経路を比較します。方向が一貫し、実質的な解釈が変わらない場合にのみ、経路をロバストと分類します。Rスクリプト、ブートストラップ設定、堅牢性出力を検証フォルダに保存してください。
    一時停止点:構造モデル、サブディメンション分析、回帰ベースの堅牢性分析がクロスチェックされるまで、最終的なファイルロックを開始しないでください。

17. 最適でない分析結果の処理

  1. クロンバックのアルファ信頼性または複合信頼性が0.70未満の場合は、項目全体の相関や標準化された外側負荷を調べます。抽出された平均分散が0.50未満の場合は、保持された指標を検査し、1つまたは複数の指標が収束妥当性を弱めるかどうかを特定します。
  2. 異形質-単一形質の値があらかじめ定められた閾値を超えた場合は、理論的に近い構成要素間の意味的重複がないか項目文言を確認しましょう。弱い項目は統計的に弱く、概念的にも冗長な場合にのみ削除してください。理論的に隣接する構成要素を統合時に分けておくと、概念の明確さが損なわれます。
  3. 間接経路がサポートされていない場合は、結果をサポートされない間接関連として記録します。コントロール変数に有意でない関連が示された場合は、過剰解釈せずに結果を記録します。
    注意:分析後に理論モデルを修正して強固な支持を強要しないでください。

18. ロックソフトウェア出力と再現性ファイル

  1. 最終的な機関検証フォルダーを作成し、Verification_OnlineLearning_BPN_Engagement_YYYYMMDDと名付けます。
  2. 生データセットアーカイブ、クリーン化されたデータセット、コンストラクトスコアデータセット、コードブック、アンケート、品目-ソースマッピングテーブル、専門家レビューログ、パイロットテストレコード、フィールドワークログ、スクリーニングログ、除外ルールファイル、完了時間閾値レコード、スマートPLS出力、Rスクリプト、R出力テーブル、ソフトウェアバージョンレコード、バージョン変更ログを検証フォルダに保存してください。
  3. Smart PLS 4.1のプロジェクトファイルとエクスポートした測定モデル、構造モデル、ブートストラップ、ヘテロトレイトモノトレイトの出力をSmartPLS_Outputというサブフォルダに保存してください。Rスクリプトと出力テーブルをR_Outputというサブフォルダに保存してください。アンケート、品目-出典マッピング、可変コーディング、スコアリングルールを 補足ファイル1として保存してください。
  4. 最終解析データセット検証、スクリーニング要約、欠損データレコード、共通手法バイアス診断、測定モデル結果、構造モデル結果、間接関連結果、サブディメンション分析、回帰ベースの堅牢性レコード、ソフトウェア設定、バージョンレコードを 補足ファイル2として保存してください。
  5. 論文や補足ファイルには、直接特定可能な情報、生の除外記録、参加者レベルの生データを掲載しないでください。整合性チェックの後、最終的な検証フォルダーをロックしてください。後の修正は新しい古いバージョンとして保存し、理由はバージョン変更ログに記録してください。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

最終解析データセットと参加者の特徴

最終的な分析データセットには386名の大学生が含まれていました。正式な募集は2025年8月18日から9月26日まで、大学の学習プラットフォーム、コースコミュニケーショングループ、学生メールリスト、機関の学生チャネルを通じて実施されました。合計432件の回答がスクリーニングされ、386件が保持され、有効回答率は89.4%でした。ロックされたデータセットには33の実質的なリッカート尺度項目と1つの指示ベースの注意チェック項目が含まれていました。注意チェック項目は応答質スクリーニングのみに使用され、構成要素スコアリング、信頼性分析、妥当性分析、PLS-SEM推定、間接連合分析、回帰分析ベースの堅牢性分析から除外されました。最終サンプルには、223人の女性学生、154人の男性学生、そして「言いたくない」または他の回答を選択した9人の参加者が含まれていました。学部生は318名、大学院生は68名でした。学年の分布は、1年生110名、2年生102名、3年生10...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

このプロトコルは、大学生のオンライン学習経験、基本的な心理的ニーズ、学習参加の関連経路を評価するための再現可能な方法論的ワークフローを提供します。オンライン学習を単一の条件として扱うのではなく、プロトコルは学習環境をプラットフォームの使いやすさ、指導的サポート、インタラクションの質、学習の柔軟性に分けています。この構造により、研究者はオンライン学習体験のどの部分が心理的なニーズの満足度や関与と最も密接に関連しているかを特定し、全体的な満足度やコース修了指標だけに頼るのではなく、

中心的な方法論的貢献として、アンケートコーディングの事前指定、適格性スクリーニング、回答質のチェック、構成要素のスコアリング、データセットのロック、モデルテストが挙げられます。これらのステップは重要です。なぜなら、調査ベースの教育研究は、不注意応答、パターン化された回答、一貫性のない適格性回答、欠落データの決定、そして事後的な除外に敏感だからです。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

著者らは、本論文で報告された研究に影響を与えた可能性のある金銭的または個人的な関係は一切ないと述べています。

謝辞

参加したすべての学生の時間、ご協力、貴重なご回答に心より感謝申し上げます。また、調査プロセス全体を通じてご支援いただいた関係の学術および管理スタッフにも感謝いたします。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
Qualtrics online survey platformQualtricsInstitutional account; version not applicableUsed 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 365Microsoft CorporationMicrosoft 365 institutional versionUsed to store the raw exported dataset, cleaned dataset, codebook, screening log, construct-score file, and verification records in .xlsx and .csv formats.
G*PowerHeinrich Heine University DüsseldorfG*Power 3.1.9.7Used for a priori sample-size and power checking before recruitment.
SmartPLSSmartPLS GmbHSmartPLS 4.1 ProfessionalUsed 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 softwareR Foundation / CRANR 4.4.1Used for descriptive statistics, Pearson correlations, common method bias diagnostics, and regression-based robustness analysis.
R package: psychCRANpsych 2.4.6Used for descriptive statistics, reliability checks, and psychometric summaries.
R package: bootCRANboot 1.3-30Used for bootstrap-based regression robustness checks.
R package: semPlotCRANsemPlot 1.1.6Used only for optional path-diagram cross-checking when R-based visual verification is needed.
OneDrive for Business or SharePoint version historyMicrosoft CorporationMicrosoft 365 institutional accountUsed 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 fileAuthor-prepared study fileSupplementary File 1Contains the final questionnaire, item-source mapping, variable names, coding rules, dimension-score formulas, global construct-score formulas, and data-handling rules.
Screening and reproducibility recordAuthor-prepared study fileSupplementary File 2Contains 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 softwareAdobe Illustrator or equivalent vector-editing softwareInstitutional versionUsed to prepare publication-ready workflow and structural-model figures.

参考文献

  1. Organization for Economic Co-operation and Development. OECD digital education outlook 2021: pushing the frontiers with artificial intelligence, blockchain and robots. Paris: OECD Publishing; 2021. doi:10.1787/589b283f-en.
  2. Martin F, Bolliger DU. Engagement matters: student perceptions on the importance of engagement strategies in the online learning environment. Online Learn. 2018;22(1):205-222. doi:10.24059/olj.v22i1.1092.
  3. Dixson MD. Measuring student engagement in the online course: the Online Student Engagement scale (OSE). Online Learn. 2015;19(4). doi:10.24059/olj.v19i4.561.
  4. Bond M, Buntins K, Bedenlier S, Zawacki-Richter O, Kerres M. Mapping research in student engagement and educational technology in higher education: a systematic evidence map. Int J Educ Technol High Educ. 2020;17(1):2. doi:10.1186/s41239-019-0176-8.
  5. Vansteenkiste M, Ryan RM, Soenens B. Basic psychological need theory: advancements, critical themes, and future directions. Motiv Emot. 2020;44(1):1-31. doi:10.1007/s11031-019-09818-1.
  6. Chen KC, Jang SJ. Motivation in online learning: testing a model of self-determination theory. Comput Human Behav. 2010;26(4):741-752. doi:10.1016/j.chb.2010.01.011.
  7. Chiu TKF. Applying the self-determination theory to explain student engagement in online learning during the COVID-19 pandemic. J Res Technol Educ. 2022;54(sup1):S14-S30. doi:10.1080/15391523.2021.1891998.
  8. Bedenlier S, Bond M, Buntins K, Zawacki-Richter O, Kerres M. Facilitating student engagement through educational technology in higher education: a systematic review in the field of arts and humanities. Australas J Educ Technol. 2020;36(4):126-150. doi:10.14742/ajet.5477.
  9. Ward MK, Meade AW. Dealing with careless responding in survey data: prevention, identification, and recommended best practices. Annu Rev Psychol. 2023;74:577-596. doi:10.1146/annurev-psych-040422-045007.
  10. Zawacki-Richter O, Kerres M, Bedenlier S, Bond M, Buntins K, editors. Systematic reviews in educational research: methodology, perspectives and application. Wiesbaden: Springer VS; 2020. doi:10.1007/978-3-658-27602-7.
  11. Hair JF, Hult GTM, Ringle CM, Sarstedt M. A primer on partial least squares structural equation modeling. 3rd ed. Thousand Oaks: Sage Publications; 2022.
  12. Wut TM, Ng PML, Low MP. Engaging university students in online learning: a regional comparative study from the perspective of social presence theory. J Comput Educ. 2024;11(3):763-789. doi:10.1007/s40692-023-00278-8.
  13. Stone C, O’Shea S. Older, online and first: recommendations for retention and success. Australas J Educ Technol. 2019;35(1):57-69. doi:10.14742/ajet.3913.
  14. Salas-Pilco SZ, Yang Y, Zhang Z. Student engagement in online learning in Latin American higher education during the COVID-19 pandemic: a systematic review. Br J Educ Technol. 2022;53(3):593-619. doi:10.1111/bjet.13190.
  15. Maxwell SE, Cole DA. Bias in cross-sectional analyses of longitudinal mediation. Psychol Methods. 2007;12(1):23-44. doi:10.1037/1082-989X.12.1.23.
  16. Richardson JC, Maeda Y, Lv J, Caskurlu S. Social presence in relation to students’ satisfaction and learning in the online environment: a meta-analysis. Comput Human Behav. 2017;71:402-417. doi:10.1016/j.chb.2017.02.001.
  17. Meade AW, Craig SB. Identifying careless responses in survey data. Psychol Methods. 2012;17(3):437-455. doi:10.1037/a0028085.
  18. Deci EL, Ryan RM. The “what” and “why” of goal pursuits: human needs and the self-determination of behavior. Psychol Inq. 2000;11(4):227-268. doi:10.1207/S15327965PLI1104_01.
  19. Fredricks JA, Blumenfeld PC, Paris AH. School engagement: potential of the concept, state of the evidence. Rev Educ Res. 2004;74(1):59-109. doi:10.3102/00346543074001059.
  20. Garrison DR, Anderson T, Archer W. Critical inquiry in a text-based environment: computer conferencing in higher education. Internet High Educ. 2000;2(2-3):87-105. doi:10.1016/S1096-7516(00)00016-6.
  21. Cole DA, Maxwell SE. Testing mediational models with longitudinal data: questions and tips in the use of structural equation modeling. J Abnorm Psychol. 2003;112(4):558-577. doi:10.1037/0021-843X.112.4.558.
  22. 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. doi:10.1037/0021-9010.88.5.879.
  23. Gašević D, Dawson S, Siemens G. Let’s not forget: learning analytics are about learning. TechTrends. 2015;59(1):64-71. doi:10.1007/s11528-014-0822-x.

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

タグ

この記事は公開されました

動画は近日公開

お問い合わせ
図書館に推薦する

プライバシー

利用規約

ポリシー

著作権 © 2026 MyJoVE Corporation. 無断転載を禁じます。