대학생들의 심리적 회복력, 학교 소속감, 고등 사고를 평가하기 위한 재현 가능한 설문 워크플로우

요약

이 프로토콜은 대학생들을 대상으로 데이터 수집, 품질 선별 및 조정된 중재 분석을 위한 재현 가능한 설문 워크플로우를 제시합니다.

초록

이 방법 논문은 학생들의 심리적 회복력, 학교 소속감(SSB), 고등 사고, 인터넷 게임 장애(IGD) 간의 연관성을 조사하기 위한 재현 가능한 단면 자기보고설문 프로토콜을 제시합니다. 이 프로토콜에서는 새로운 고용 패턴을 참가자 수준 노출 변수가 아닌 생성형 인공지능, 플랫폼 기반 업무, 변화하는 졸업생 기술 기대치에 의해 형성된 맥락적 배경으로 취급합니다. 이 프로토콜은 기관 샘플링, 설문지 관리, 번역 문서화, 응답 품질 스크리닝, 누락 데이터 처리, 척도 점수 매김, 공통 방법 편향 스크리닝, 변수 중심화, 조건부 프로세스 분석을 하나의 표준화된 워크플로우로 통합합니다. SSB는 통계적 매개 변수로 지정되며, IGD는 연관 기반 조정 매개 프레임워크 내에서 조정자로 지정됩니다. 대표적인 산출물로는 샘플 흐름 기록, 기술 통계, 상관행렬, 매개 및 조정 매개 추정치, 조건부 간접 효과, 조절 매개 지수, 상호작용 플롯 등이 포함됩니다. 대표성 데이터셋이 단면적이고 자기보고적이기 때문에, 프로토콜은 인과관계나 종단적 추론보다는 통계적 연관성의 투명한 추정을 지원합니다. 분석 전에 전처리 결정과 모델 명세를 표준화함으로써, 이 워크플로우는 교육 및 행동 설문 연구에서 투명성, 비교 가능성, 재현성을 향상시킵니다.

서론

생성형 인공지능, 플랫폼 기반 업무, 그리고 교차 영역 직업 통합에 의해 형성된 새로운 고용 패턴은 대학들이 졸업생 준비와^{학생 개발에} 대해 논의하는 방식을 변화시켰습니다. 본 글에서는 새로운 고용 패턴을 측정된 참여자 수준 노출이 아닌 맥락적 프레이밍 조건으로 다룹니다. 이 프로토콜은 학생들이 플랫폼 노동, 긱 일, 인공지능 매개 고용에 직접 참여한 여부에 따라 분류하지 않습니다. 대신, 이러한 맥락은 고차원적 사고(HOT), 심리적 회복력(PR), 학교 기반 지원이 점점 불확실해지는 교육 및 진로 전환에 직면한 대학생들에게 중요한 개념인 이유를 설명해 줍니다. 이 명확한 설명은 프로토콜이 측정된 고용 패턴 노출의 효과를 추정하는 것이 아니라 횡단면 행동 조사 연구를 위해 설계되었기 때문에 필요합니다.

이러한 맥락에서 졸업생들은 점점 더 낯선 문제를 해결하고, 지식을 도메인 간 전이하며, 정보를 비판적으로 평가하고, 불확실성 속에서 적응적인 결정을 내릴 것으로 기대됩니다^. 최근 노동 시장 및 고등교육 논의는 특히 의사소통, 협업, 독립적 문제 해결, 혁신 분야에서 고용주 기대와 졸업생 준비 사이에 지속적인 불일치가 있음을 지적합니다^. 이러한 요구로 인해 HOT는 변화하는 고^{용 조건 하}에서의 학생 적응과 관련된 교육 및 행동 연구에서 유용한 결과 개념이 되었습니다. 4.

HOT는 기억과 기본 이해를 넘어서는 고급 인지 활동을 의미하며, 분석, 평가, 의사결정, 문제 해결, 창의적 사고 등을 포함합니다.⁵. 하위 인지와 고차 인지의 고전적 구분을 바탕으로, 이전 연구들은 HOT이 단순한 지식 재생산보다는 지식 변환을 포함하며, 진정한 문제 맥락, 선행 지식의 통합, 인지 유연성과 밀접한 관련이 있음을 강조합니다^. 디지털 매개 고용 및 학습 환경 하에서 학생들은 복잡한 정보를 해석하고, 지능형 도구를 사용하며, 정보가 풍부하지만 질이 불균형할 때 인지 자율성을 유지해야 하는 경우가 많습니다^. 7. 이러한 조건들은 HOT를 재현 가능한 행동 연구 프로토콜의 적절한 초점 개념으로 만듭니다.

PR은 스트레스와 불확실성 하에서 학생들의 적응 기능과 이론적·경험적으로 관련되어 있어 이 프로토콜에 포함된다⁸. PR의 정의는 결과 기반, 특성 기반, 과정 기반 관점에서 다르지만, 대부분의 설명은 PR이 스스로를 조절하고, 어려움에서 회복하며, 어려운 환경에서 기능적 적응을 유지하는 능력을 반영한다는 생각에 수렴한다⁹. 현재 프로토콜에서는 PR이 HOT의 입증된 인과적 결정 요인으로 간주되지 않습니다. 오히려 횡단면 데이터셋에서 HOT과 통계적으로 연관될 수 있는 독립 변수로 모델링됩니다. 이 문구는 연구의 설계 경계와 일치하며, 데이터가 확립할 수 없는 시간적 순서를 암시하지 않습니다. 이러한 연관성은 PR이 강한 학생들이 학업 및 경력 관련 압박에 직면했을 때 목표 지향적 몰입, 건설적 대처, 적응적 추론을 더 잘 유지할 수 있기 때문에 타당하다¹⁰. 이전 실증 연구들은 PR을 문제 해결, 비판적 사고, 적응 인지와 연관지시켰으나, PR과 HOT을 직접 연결하는 증거^{는 제한적입니다}. 이러한 이유로, 본 글에서는 PR과 HOT 간의 관계를 대표적인 모델링 예시로 사용하여 전체 설문조사-분석 프로토콜을 입증할 수 있습니다.

학교 소속감(SSB)은 프로토콜에 통계적 매개 변수로 포함된다. 일반적으로 학생들이^{학교 공동}체 내에서 받아들여지고, 존중받고, 지지받고, 연결된다고 느끼는 경험으로 정의됩니다. 대부분의 정의는 참여, 인정^{, 지원을 통해} 형성된 기관, 교사, 동료들과의 정서적·관계적 유대를 강조합니다. 변화하는 고용 환경에서 SSB는 학생들이 불확실한 학업 및 직업 미래를 준비할 때 대학 기반의 지도, 동료 상호작용, 기관 자원에 의존하는 경우가 많기 때문에 의미가 있습니다¹⁴.

기존 연구들은 PR이 SSB와 양의 연관성을 보인다는 것을 시사합니다. PR이 더 강한 학생들은 스트레스에 직면할 때 지원을 구하고, 건설적인 참여를 유지하며, 교사 및 동료와의 유대감을 유지할 가능성이 더 높습니다. SSB는 또한 협력적 문제 해결, 비판적 사고, 창의성, 그리고 학습 활동에서의 깊은 참여와도 연관되어 있습니다¹⁶. 이러한 기반 위에서 본 프로토콜은 SSB를 PR과 HOT 사이의 통계적 매개 변수로 명시합니다. 이 명세서는 PR이 시간적으로 SSB를 유발하거나 SSB가 인과적으로 HOT을 유발한다는 증거가 아니라, 단면 조사 데이터에 적합한 연관 기반 매개 모델로 해석되어야 합니다.

인터넷 게임 장애(IGD)는 디지털 행동이 PR, SSB, HOT 간의 연관성에 영향을 미칠 수 있기 때문에 중재자로 포함된다. IGD는 임상적으로 의미 있는 장애와 관련된 지속적이고 반복적인 게임 행동을 의미하며, 집중적인 디지털 노출을 가진 학생 집단에서 점점 더 주목받고 있습니다¹⁷. 이전 연구들은 문제 게임이 일상 방해, 수면 질 저하, 사회적 지원 저하, 대처 능력 약화, 학업 참여 저하와 연관되어 있다고 밝혔습니다¹⁸. 이 결과들은 IGD 증상 수준이 높을수록 적응적 교육 및 심리사회적 기능을 약화시킬 수 있다는 견해를 뒷받침합니다.

동시에 게임 관련 행동을 단순하게 해석해서는 안 됩니다. 일부 게임 환경은 전략적 의사결정, 피드백 기반 학습, 인지 도전을 포함하지만, 이러한 특징들이 IGD 자체가 유익하다는 의미는 아닙니다¹⁹. 현재 프로토콜에서는 IGD가 연관 패턴의 통계적 조절자로만 취급됩니다. IGD가 관련된 모든 상호작용은 게임 장애가 인지 능력을 향상시키거나 학교 기능을 강화한다는 임상적 증거보다는 대표 데이터셋 내의 조건부 연관성으로 신중하게 해석됩니다.

PR, SSB, HOT, 학생 디지털 행동에 대한 관심이 커지고 있음에도 불구하고, 방법론적 격차는 여전히 존재합니다. 많은 연구가 이들 구성 요소 간의 연관성을 보고하지만, 참여자 모집, 설문 관리, 번역 문서화, 무효 응답 선별, 누락 데이터 처리, 척도 점수 산정, 신뢰성 선별, 공통 방법 편향 선별, 변수 중심화, 조건부 과정 분석을 하나의 감사 가능한 틀 내에서 연결하는 투명하고 재현 가능한 프로토콜을 제공하는 연구는 적습니다. 이 격차는 특히 교육 및 행동 설문 연구에 중요한데, 전처리 규칙과 모델 결정이 부분적으로만 보고될 경우 결과를 재현하기 어려울 수 있기 때문입니다.

이 격차를 해소하기 위해 본 방법 논문은 횡단면 자기보고 설문조사를 수행하고 대표성 있는 조정된 중재 결과를 생성하는 재현 가능한 프로토콜을 제공합니다. 프로토콜은 PR, SSB, HOT, IGD를 적용 예로 사용하지만, 주요 기여는 인과관계보다는 방법론적입니다. 프로토콜은 표본추출 프레임 구축, 표준화된 설문지 실행, 문서 번역 및 채점 결정, 미리 정해진 선별 규칙 적용, 분석 대상 데이터셋 준비, 고정 보고 규칙을 사용하여 조건부 프로세스 모델 4 및 59 추정하는 방법을 시연합니다. 덜 표준화된 설문조사-분석 접근법과 비교할 때, 이 프로토콜은 해석 전에 전처리 결정과 모델 명세를 문서화함으로써 투명성, 비교 가능성, 재현성, 감사 가능성을 향상시킵니다. 이 단계를 통합된 절차로 제시함으로써, 연구자들에게 대학생 적응과 HOT 개발에 관한 교육 및 행동 조사 연구를 위한 재현 가능한 틀을 제공합니다.

프로토콜

이 연구는 류저우 직업기술대학 윤리위원회(프로토콜 코드: LVTC-2024-02-879; 승인일: 2024년 2월 1일)의 승인을 받았습니다. 설문지 접근 전에 전자 동의서를 받으세요. 데이터 내보내기 및 분석 전에 직접 식별자를 제거하세요. 원시, 정제된, 분석 준비, 점수, 스크리닝, 출력 파일을 제한 접근 폴더에 저장하세요.

1. 미리 정해진 다단계 무작위 표본 추출 워크플로우를 사용하여 참가자를 모집합니다

1. 기관 샘플링 프레임을 구축하고 잠가세요
   1. 새로운 고용 패턴을 참가자 수준 측정 노출이 아닌 연구의 맥락적 배경으로 정의하라.
   2. 공교육 기록, 대학 웹사이트, 교육 개혁 공고, 고용 지침 문서, 교육과정 또는 훈련 공고를 통해 후보 기관을 식별합니다.
   3. 중국 본토에서 인정받는 고등교육 기관을 포함하고, 전일제 대학생을 등록하며, 인공지능 관련 자료, 디지털 학습, 진로 준비, 혁신 또는 HOT 교육에 대한 검증 가능한 기록을 유지하고, 명단 기반 표본 추출 접근을 제공하며, 표준화된 익명 온라인 설문 절차에 동의해야 합니다.
   4. 검증 가능한 교육 기록, 현재 명단, 설문 기간 중 활성 학생 등록 여부, 또는 동일한 행정 절차를 따를 능력이 없는 기관은 제외합니다.
   5. 32개의 자격 기관을 유지하고 I-01에서 I-32까지 기관 코드를 할당합니다.
   6. 무작위 선택 전에 기관 표본 프레임을 고정하세요. 사전 지정된 표본추출 프레임과 고정 선택 규칙을 사용하여 다중 현장^{조사 연구에서} 사후 표본 추출 결정을 줄이세요.
2. 기관 및 학생 단위의 무작위 선정을 수행합니다
   1. 기관 단위 선발에는 시드 기반 난수 절차를 사용하세요.
   2. 랜덤 시드를 20241007로 설정하세요.
   3. 32개의 자격 있는 기관에 대해 무작위 수를 생성하고, 값을 오름차순으로 정렬한 후 처음 세 개의 기관 코드를 선택합니다. 일부 기관 코드 I-07, I-18, I-29.
   4. 선정된 세 기관의 최신 학급 명단을 확인하고 2024년 10월 7일부터 11월 15일까지의 활성 등록 여부를 확인하세요.
   5. 중국어를 읽을 수 있고, 기관 명단에 이름을 올리며, 온라인 설문지에 접근하고, 전자 동의서를 제공할 수 있는 18세에서 25세 사이의 전일제 학생을 포함하세요.
   6. 18세 미만, 적극적으로 등록하지 않았거나, 교환학생 또는 휴학 중이거나, 중국어 설문지를 독립적으로 작성할 수 없거나, 파일럿 시험에 참여했거나, 동의를 거부하거나, 중복 또는 무효 설문지를 제출한 학생은 제외합니다.
   7. 학생 명단을 기관별로 계층화하고, 동일한 시드 기반 절차를 사용해 각 기관 내에서 무작위로 학생을 선발합니다.
   8. 860명의 학생을 초대하는데, 이 중 286명은 I-07, 287명은 I-18, 287명은 I-29 학생입니다.
      참고: 무작위 선정 후 기관 및 학생 단위 선발 절차를 고정하세요. 동일한 시드 기반 절차를 사용하여 어떤 치환도 수행합니다.
3. 수집 창을 정의하고 분석 샘플을 최종 확정하세요
   1. 2024년 10월 7일부터 2024년 11월 15일까지의 데이터를 수집하세요.
   2. 같은 서면 스크립트를 사용하여 기관 승인 상담사를 통해 860명의 초청 학생들에게 설문지를 배포하세요.
   3. 응답 흐름을 860명의 초대 학생, 800건의 응답 설문지, 60건의 무응답, 24건의 무효 응답 제외, 776건의 보유 사례로 기록합니다. 전체 응답률 93.0%를 기록하세요.
   4. 기관 단위 흐름은 다음과 같이 기록합니다: I-07, 267건의 회견된 설문지, 8건의 제외된 응답, 259건의 보류 사례; I-18, 266건의 응답 설문지, 7건의 배제된 응답, 259건의 보류 사례; I-29, 267건의 회신 설문지, 9건의 배제된 응답, 258건의 보류 사례.
   5. 배제 계층 구조를 다음 순서로 적용합니다: 중복 응답, 자격 불일치, 완료 시간, 직선 응답, 반복 패턴 응답.
   6. 다음 중 하나에 해당하는 응답은 제외: 중복 제출, 자격 불일치, 완료 시간 <360초, 리커트 문항의 ≥85%에서 동일한 선택지가 선택된 경우, 또는 ≥15개의 연속 리커트 문항에 걸쳐 반복적으로 교대로 응답된 경우. 주의력 체크 아이템은 사용하지 마세요.
   7. 중복 응답 3건, 자격 불일치 3건, 완료 시간 제외 7건, 직선 응답 9건, 반복 패턴 응답 2건 포함 24건의 무효 응답을 제외합니다.
   8. 유효한 사건 776건을 유지하세요. 19세에서 25세 사이의 남성 219명(28.2%)과 여성 557명(71.8%)으로 구성된 최종 표본을 기록합니다.
      참고: 원고 전반에 걸쳐 수정된 샘플 흐름을 일관되게 사용하세요: 860명의 초청 학생, 800건의 응답 설문지, 24건의 제외 응답, 776건의 보존 사례.

2. 표준화된 온라인 절차를 사용하여 설문지를 실시합니다

1. 설문지를 작성하고 언어 적응 문서를 작성하세요
   1. 인구통계학, PR, HOT, SSB, IGD 증상 등 다섯 개의 설문지 섹션을 구성하세요.
   2. 점수가 부여된 척도 문항 75개를 사용하세요. 이 중 25개는 PR 문항, 23개는 HOT 문항, 18개는 SSB 문항, 9개는 IGD 문항입니다.
   3. 모든 설문 문항 앞에 전자 사전 동의 양식을 배치하고, 설문지 접근 전에 참가자의 동의를 요구하세요. 행동 설문 연구에서 참여자의 자율성과 프라이버시를 보호하기 위해 전자 동의와 익명화 온라인 응답을 활용하세요²¹.
   4. 모든 척도 문항과 분석적 인구통계 변수에 대해 강제 응답을 사용하세요.
   5. 영어 원시 규모를 순방향 번역, 조정, 역번역, 전문가 검토, 파일럿 체크를 통해 번역합니다. 의미적·개념적 동등성을 유지하기 위해 표준 문화 간 도구 적응 절차를 적용한다²².
   6. 설문지 적응 시 두 명의 이중언어 전방 번역가, 한 명의 독립 후방 번역가, 그리고 최소 세 명의 전문가 심사자를 활용하세요.
   7. 최종 분석 표본에 포함되지 않은 30명의 학생을 대상으로 파일럿 점검을 실시합니다.
   8. 항목 출처, 원문 문구, 전방향 번역, 후면 번역, 최종 중국어 문구 및 수정 사유를 보충표 1에 문서화하세요.
   9. 행정 전에 설문지를 잠가라.
      참고: 설문지 잠금 후에는 문항 문구를 변경하지 마십시오.
2. 기관 간 행정 워크플로우를 표준화하세요
   1. 상담사를 같은 서면 행정 스크립트로 교육하세요.
   2. 참여는 자발적이고 익명이며 성적이나 평가와 무관하며, 처벌 없이 거절할 수 있음을 명시합니다.
   3. 수업 시간 중 상담사의 문항 해석 없이 온라인 설문지를 실시하세요.
   4. 상담사가 개별 참가자의 답변을 보는 것을 막으세요.
   5. 행정 날짜, 기관 코드, 수업 맥락, 상담사 식별자, 초대 횟수, 회견 횟수, 세션 시간, 프로토콜 편차를 기록하세요.
      참고: 모든 참여 기관에서 동일한 동의 절차, 익명성 진술서, 행정 스크립트, 대응 지침을 사용하세요.

3. 고정된 채점 프레임워크를 사용하여 측정 도구를 채점합니다

1. 심리적 회복력 척도를 평가하세요
   1. 후와 간이 코너-데이비슨 프레임워크²³을 기반으로 수정한 25개 항목의 심리회복력 척도를 사용하세요.
   2. 모든 항목을 5점 리커트 척도를 사용해 점수를 매기고 평균 점수를 계산합니다. 높은 점수를 더 높은 PR으로 해석하세요.
   3. 내부 일관성을 크론바흐의 알파 = 0.958로 기록합니다.
2. 고차 사고 척도에 점수를 매기세요
   1. 황과 동료들이 개발한 23개 항목의 고차 사고 척도(²⁴)를 사용하세요.
   2. 모든 항목을 5점 리커트 척도를 사용해 점수를 매기고 평균 점수를 계산합니다. 점수가 높을수록 더 높은 HOT으로 해석하세요.
   3. 내부 일관성을 크론바흐의 알파 = 0.973로 기록합니다.
3. 학교 소속감 척도 점수 매기기
   1. 구데노우의 원래 학교 회원 체계²⁵를 기반으로 판 및 동료들이 수정한 18문항 중국어 심리적 학교 회원 감각 척도를 사용하세요.
   2. 3, 6, 9, 12, 16번 항목은 다음 변환 규칙을 사용하여 역점수 처리: 1 = 5, 2 = 4, 3 = 3, 4 = 2, 5 = 1.
   3. 역부호화 후 평균 점수를 계산합니다. 점수가 높을수록 SSB가 더 높다고 해석하세요.
   4. 내부 일관성을 크론바흐의 알파 = 0.838로 기록합니다.
4. 인터넷 게임 장애 척도 점수 매기기
   1. DSM-5 기준²⁶에 부합하는 9개 항목 인터넷 게임 장애 척도를 사용하세요.
   2. 모든 항목을 5점 리커트 척도를 사용해 점수를 매기고 평균 점수를 계산합니다. 높은 점수는 더 높은 자기보고된 IGD 증상으로 해석하세요.
   3. IGD를 임상 진단이 아니라 연속적인 증상 점수로 취급하세요.
   4. 내부 일관성을 크론바흐의 알파 = 0.941로 기록합니다.
5. 점수 결정 확정 및 감사
   1. PR, HOT, SSB, IGD 네 가지 변수 모두에 대해 평균 점수를 사용하세요.
   2. 프로토콜과 분석 워크플로우 전반에 걸쳐 동일한 약어를 일관되게 사용하세요: PR, HOT, SSB, IGD.
   3. 보충표 2에 문항 수, 응답 범위, 역부호 문항, 점수 방향, 계산 규칙, 인구통계학적 부호화, 신뢰성 값을 기록하세요.
      참고: 기술적 통계, 상관관계, 신뢰도 추정치, 조건부 과정 모델을 계산하기 전에 SSB 항목을 역평가하세요.

4. 데이터셋을 정리하고 분석 준비가 가능한 파일을 만듭니다

1. 데이터 파일을 내보내고 버전 변경하세요
   1. 설문 종료 후 원본 설문지 파일을 내보내세요.
   2. 원본 설문지 파일은 읽기 전용 형식으로 보관하세요.
   3. 스크리닝, 청소, 재코딩, 점수 매기기 절차를 위한 별도의 작업 파일을 만드세요.
   4. 배제, 역코딩, 점수 계산, 인구통계 코딩, 변수 중심화를 적용한 후 최종 분석 준비가 된 데이터셋을 생성합니다.
2. 누락 데이터 및 응답 품질 스크리닝을 적용하세요
   1. 제출된 데이터셋에서 항목 수준 누락 여부를 확인하세요. 설문지 진행 중 강제 응답이 사용되어 문항 수준 누락값이 0개로 기록됩니다.
   2. 누락된 데이터는 인가하지 마세요. 누락된 척도 데이터에 대해 제외된 사례 0개, 추정 척도 값 0개를 기록합니다.
   3. Step 1.3에서 정의된 제외 기준을 사용하여 800개의 응답 설문지에 응답 질 스크리닝을 적용합니다.
   4. 24건의 무효 응답을 제외하고 776건의 유효 사례를 분석용으로 유지합니다.
      참고: 교정된 샘플 흐름을 프로토콜 전반과 모든 대표 결과물(860명의 초청 학생, 800건의 응답 설문지, 24건의 제외 응답, 776건의 보존 사례)을 일관되게 사용하세요.
3. 코딩, 재코딩, 추론 분석 준비 여부를 검증합니다
   1. 점수 계산 전에 SSB 항목 3, 6, 9, 12, 16의 역부호 코딩을 확인하세요.
   2. 코드 성별은 0 = 남성, 1 = 여성으로 표시됩니다.
   3. 코드 나이는 다음과 같습니다: 1 = 19세, 2 = 20세, 3 = 21세, 4 = 22세, 5 = 23세, 6 = 24세, 7 = 25세.
   4. 분석 준비를 위해 점수 PR_mean, HOT_mean, SSB_mean, IGD_mean 변수를 활용하세요.
   5. 상호작용 분석에는 중심 변수 PR_c, SSB_c, IGD_c를 사용하세요.
      참고: 추론 분석 전에 완전한 배제 절차, 역부호화, 인구통계학적 부호화, 점수 계산 및 변수 중심화를 완료하세요.

5. 미리 정해진 워크플로우를 사용하여 통계 분석을 수행합니다

1. 분석 환경을 기록하고 잠그기
   1. 회귀, 부트스트랩 중재, 조절된 중재, 상호작용 탐색을 지원하는 통계적 환경을 사용하세요.
   2. 매디션 및 조정된 매디션 모델을 추정할 수 있는 문서화된 조건부 프로세스 분석 매크로, 패키지 또는 구문 기반 절차를 사용하세요.
   3. 중재에는 모델 4를, 조절된 중재에는 모델 59를 사용하세요. 회귀 기반 모델에서 매개, 조절, 조절된 매개를 추정하기 위해 조건부 과정 분석을 적용합니다²⁷.
   4. 부트스트랩 추정을 5,000개의 편향 보정 재샘플과 95% 신뢰구간으로 설정합니다. 간접 효과 추정에는 부트스트랩 신뢰구간을 사용하세요. 간접 효과의 표본 분포가 종종 비정규²⁸이기 때문입니다.
   5. 상호작용 항을 구성하기 전에 평균 중심 초점 연속 변수를 사용한다: PR_c = PR_mean − 평균(PR_mean), SSB_c = SSB_mean − 평균(SSB_mean), IGD_c = IGD_mean − 평균(IGD_mean).
   6. SSB와 PR →→ HOT 경로에 대해 PR_c × IGD_c을 사용하세요. 조정된 SSB→ HOT 경로에는 SSB_c × IGD_c를 사용하세요.
   7. 낮음, 평균, 높은 IGD를 평균 − 1 SD, 평균, 평균 + 1 SD로 정의합니다.
   8. 나이와 성별을 고정 부호화 방식을 사용해 공변량으로 입력하세요.
   9. 모든 분석에서 동일한 계수 척도, 신뢰구간 규칙, 중심 조정 규칙, 공변량 부호화, 모델 번호 매김을 사용하세요.
      참고: 조정된 매개 분석에는 모델 1이 아닌 모델 59를 사용하세요.
2. 일반적인 방법 편향을 차단하기 위해
   1. PR, HOT, SSB, IGD의 75개 점수 척도 문항을 사용하여 공통 방법 편향 선별을 수행하세요.
   2. 회전하지 않은 탐색적 요인 분석을 사용하여 하먼의 단일 요인 검정을 수행하세요.
   3. 고유값이 1인 인자의 수, 설명된 누적 분산, 그리고 첫 번째 회전되지 않은 인자로 설명되는 분산을 기록합니다.
   4. 대표성 데이터셋에서 고유값이 1인 9개, 누적 분산 설명은 65.322%, 첫 번째 요인 분산은 32.412%로 설명됩니다.
   5. 하먼의 단일 요인 검정을 공통 방법 편향을 제거하는 결정적 검정이 아니라 예비 선별 절차로 간주하세요. 하먼의 검정을 신중하게 해석하라. 단독으로 동일 출처 측정 편향을 배제하기에 충분하지 않기 때문이다²⁹.
   6. 구성 간 상관 행렬과 공선성 진단을 검토하여 과도한 공유 분산 검사를 보충적으로 검토합니다.
   7. 교차 자기 보고 설계에 관해 공통 방법 편향 스크리닝을 해석합니다.
      참고: 모든 핵심 변수가 자기보고되어 한 시점에 측정되므로 공통 방법 편향 선별을 신중하게 해석하십시오.
3. 기술적 통계와 상관관계를 생성하세요
   1. 최종 분석 준비 데이터셋을 사용하여 PR, HOT, SSB, IGD의 평균 및 표준편차를 계산합니다.
   2. 잠긴 코딩 규칙을 사용해 성별과 연령 코드별로 기술적 통계를 생성하세요.
   3. PR, HOT, SSB, IGD 간의 피어슨 상관관계를 계산합니다.
   4. 최종 분석 샘플을 사용하여 표본 특성과 기술적 통계를 요약하십시오.
   5. 네 가지 핵심 변수에 대한 피어슨 상관 행렬을 요약하세요.
   6. 기술적 통계와 상관관계가 최종 분석 표본인 n = 776에 기반함을 확인하라.
   7. 프로토콜 및 보충표 2에서 사용한 동일한 성별 및 연령 코딩을 적용합니다.
      참고: 모든 기술적 및 상관관계 출력에 동일한 최종 데이터셋, 점수 방향, 인구통계학적 코딩 규칙을 사용하세요.
4. 중재 모델을 실행하세요
   1. 조건부 프로세스 절차에서 모델 4를 명시하세요.
   2. PR을 독립 변수로, SSB를 매개체로, HOT을 종속 변수로 설정하세요.
   3. 나이와 성별을 공변량으로 입력합니다.
   4. 95% 신뢰구간을 적용한 5,000개의 편향 보정 부트스트랩 재샘플을 사용하세요.
   5. 최종 분석 준비 데이터셋인 n = 776을 사용하여 모델을 실행합니다.
   6. SSB와 HOT 방정식의 계수, 표준오차, t값, p값, 신뢰구간, 모델 요약을 추출합니다.
   7. 총효과, 직접 효과, 간접 효과, 부트스트랩 표준 오차, 부트스트랩 신뢰구간을 추출합니다.
   8. 매개 결과를 횡단적 연관 모델 내의 통계적 매개로 해석하세요. 단면 매개 현상을 시간적 순서나 인과적 전달의 증거로 해석하지 마십시오³⁰.
      참고: 표준화된 계수에는 B를 사용하고, 표준화된 계수에는 β 사용하세요.
5. 조정된 중재 모델을 실행하세요
   1. 조건부 프로세스 절차에서 모델 59를 명시하세요.
   2. PR을 독립 변수로, SSB를 매개체로, HOT를 종속 변수로, IGD를 감속자로 설정하세요.
   3. 나이와 성별을 공변량으로 입력합니다.
   4. 5.1단계에서 정의한 중심 변수와 상호작용 항을 사용하세요.
   5. 95% 신뢰구간을 적용한 5,000개의 편향 보정 부트스트랩 재샘플을 사용하세요.
   6. 최종 분석 준비 데이터셋인 n = 776을 사용하여 모델을 실행합니다.
   7. PR × IGD의 상호작용 계수를 추출하여 SSB를 예측합니다.
   8. PR× IGD의 상호작용 계수를 추출하여 HOT을 예측합니다.
   9. HOT을 예측하는 SSB× IGD의 상호작용 계수를 추출합니다.
   10. 낮음, 평균, 높은 IGD 수치(평균 − 1 SD, 평균, 평균 + 1 SD)에서 조건부 효과를 추출합니다.
   11. 저, 평균, 고IGD 수치에서 HOT을 통해 SSB를 통해 PR의 조건부 간접 효과를 추출합니다.
   12. 조절된 매개 지수와 그 부트스트랩 신뢰구간을 추출합니다.
   13. 조건부 효과에 사용되는 낮은 IGD, 평균, 높은 IGD 값을 사용하여 단순 기울기 플롯을 생성합니다.
       참고: 조정된 매개 분석에는 모델 1이 아닌 모델 59를 사용하세요.
6. 일관된 추론 결정 규칙을 적용하세요
   1. 분석 내내 동일한 약어 세트를 사용하세요: PR, HOT, SSB, IGD.
   2. 중재에는 모델 4를, 조절된 중재에는 모델 59를 사용하세요.
   3. 표준화된 추정치가 생성될 때만 표준화된 계수는 B로, 표준화된 계수는 β으로 보고합니다.
   4. 부트스트랩 간접 효과, 조건부 간접 효과, 그리고 조절된 매개 지수에 대해 95% 신뢰구간을 결정 규칙으로 사용하세요.
   5. 관련 95% 신뢰구간에 0이 포함되지 않을 때는 효과를 통계적으로 지지한 것으로 간주하세요.
   6. 가능한 경우 정확한 p 값을 보고하며, 0.001 미만의 값은 p < 0.001로 보고됩니다.
   7. 모든 통계 출력에 소수점 소수점 한 자리 형식을 일관되게 적용하세요.
      참고: 표본 크기, 중심 규칙, 계수 표기법, 모델 번호, 신뢰구간 규칙은 모든 분석에서 일관되게 유지하세요.

결과

표본 특성과 예비 변수 패턴
워크플로우는 통계 모델링 전에 완전한 샘플 흐름 기록을 성공적으로 생성했습니다. 표 1에 나타난 것처럼, 미리 정해진 데이터 수집 기간 동안 총 860명의 학생이 초대되었고, 800개의 설문지가 회고되어 전체 응답률은 93.0%에 달했습니다. 반응 질 스크리닝 후 24건의 무효 응답이 제외되어 최종 분석 준비 데이터셋에 776건의 유효 사례가 남았습니다. 보존된 표본에는 남성 219명(28.2%)과 여성 557명(71.8%)이 포함되었으며, 연령대는 19세에서 25세였습니다.

카테고리

군 / 변수

토론

이 방법 논문은 대학생들의 PR, SSB, HOT, IGD 증상 간의 연관성 매개 및 조절 매개 패턴을 분석하기 위한 재현 가능한 설문조사-분석 워크플로우를 제시합니다. 이 워크플로우의 주요 기여는 인과적이라기보다는 방법론적인데, 프로토콜은 교차 단면 자가 보고 데이터셋을 투명한 사전 정해진 절차의 순서로 수집, 선별, 점수 매김, 문서화, 분석하는 방법을 보여줍니다. 이 개정된 프로토콜에서는 새로운 고용 패턴을 참가자 수준 측정 노출이 아닌 맥락적 프레이밍 조건으로 취급하여, 워크플로우가 데이터셋이 운영^{적으로 테스트할} 수 있는 범위를 과대평가하지 않도록 합니다. 이 프레임은 플랫폼 업무, 긱 일, 인공지능 매개 고용 노출의 영향을 추정하는 것이 아니라, 변화하는 기술 및 고용 기대 하에서 재현 가능한 교육 및 행동 조사 연구를 지원하기 위해 의도되었기 때문에 적절합니다. 샘플링 프레임, 자격 기준, 동의 절차, 번역 워크플로...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
기관; 코드: I-01부터 I-32까지.	스터디 팀	해당 없음	무작위 선택 전에 잠기며 기관 차원의 무작위화에 사용됩니다.
기관 선별 기록	스터디 팀	해당 없음	문서화된 기관 자격 기준, 출처 문서, 자격 결정, 기관 코드.
인터넷 게임 장애 척도	Lemmens, Valkenburg, Gentile (2015), 인터넷 게임 장애 척도, 심리 평가, 27(2), 567 & 582. doi:10.1037/PAS0000062	해당 없음	DSM-5 기준에 부합하는 9개 항목 척도로, 임상 진단보다는 연속적으로 자기보고한 IGD 증상 측정으로 사용되었습니다.
중재 모델 출력	스터디 팀	모델 4 출력	PR을 X, SSB를 M, HOT을 Y로 하는 매개제 모델 출력.
조정된 매개 모델 출력	스터디 팀	모델 59 출력	IGD가 PR & rarr를 조절하는 조절 매개 모델의 출력; SSB, PR 및 RARR; HOT, SSB 및 rarr; 뜨거운 길들.
온라인 설문지 플랫폼	원쥐안싱 / 설문지 별	해당 없음	전자 동의, 온라인 설문지 관리, 강제 응답 설정, 설문 데이터 내보내기에 사용되는 웹 기반 설문 플랫폼.
조종사 점검 기록	스터디 팀	해당 없음	30명의 학생 파일럿 체크 기록을 사용하여 문항 명확성, 이해도, 완료 부담, 플랫폼 기능을 평가합니다. 파일럿 참가자들은 최종 분석 표본에 포함되지 않았습니다.
심리적 회복력 척도	코너-데이비슨 프레임워크를 기반으로 한 후와 간 수정	해당 없음	심리적 회복력도 측정에 사용되는 25개 항목 척도. 응답은 5점 리커트 척도로 점수를 매기고 평균 점수로 계산되었습니다.
학교 소속 심리적 감각 척도	구데노우를 기반으로 한 중국어 개정판' 학교 회원 체계	해당 없음	학교 소속도를 측정하는 데 사용되는 18개 항목 척도. 3, 6, 9, 12, 16번 항목은 평균 점수 계산 전에 역채점되었습니다.
무작위화 절차	스터디 팀	무작위 시드: 20241007	시드 기반 난수 절차를 통해 기관 및 학생 단위의 무작위 선택에 사용됩니다.
원시 설문조사 데이터셋	스터디 팀	Raw_Survey_NEP_2024_800returned_locked.xlsx	응답 품질 제외 전 800개의 반환된 설문지를 포함한 원시 내보내기 데이터셋.
응답 품질 스크리닝 로그	스터디 팀	해당 없음	중복 응답, 자격 불일치, 완료 시간 제외, 직선 응답, 반복 패턴 응답 등 24건의 제외 응답을 문서화하였습니다.
응답 품질 선별 규칙	스터디 팀	해당 없음	제외 기준에는 중복 제출, 자격 불일치, 완료 시간 등이 포함되었습니다; 360초, &ge에서 같은 옵션이 선택되었습니다; 리커트 항목의 85%와 반복되는 교차 패턴은 ≥ 15개의 연속된 리커트 항목.
스케일 신뢰성 출력	스터디 팀	해당 없음	출력 보고: Cronbach' PR, HOT, SSB, IGD의 알파 값입니다.
점수 및 부호화 참고 파일	스터디 팀	보충표 2	문항 수, 응답 범위, 역부호 문항, 점수 방향, 평균 점수 계산, 인구통계학적 코딩, 신뢰성 값 등을 문서화합니다.
세션 관리 로그	스터디 팀	해당 없음	기록된 행정 날짜, 기관 코드, 수업 맥락, 상담사 식별자, 초대 횟수, 반환 횟수, 세션 기간, 편차.
통계 소프트웨어	IBM 주식회사	IBM SPSS 통계, 버전 27.0	기술적 통계, 상관관계, 신뢰도 분석, 탐색적 요인 분석, 회귀분석, 중재, 조정 중재 분석에 사용됩니다.
학생 무작위화 기록	스터디 팀	무작위 시드: 20241007	세 개 선정 기관 내에서 학생 수준 무작위 선발 체계가 문서화되었습니다.
보충표 1	스터디 팀	번역 및 각색 기록	문서 항목 출처, 원문 문구, 우문 번역, 후면 번역, 최종 중국어 문구, 전문가 검토, 파일럿 피드백, 수정 근거.
보충표 2	스터디 팀	점수 산정 및 코딩 규칙	점수 규칙, 역부호화, 인구통계학적 부호화, 변수 약어, 신뢰도 값 등을 문서화합니다.
번역 및 각색 기록	스터디 팀	보충표 1	문서는 순방향 번역, 조정, 후면 번역, 전문가 검토, 파일럿 점검, 최종 중국어 문구를 포함합니다.
윈도우 운영체제	마이크로소프트 코퍼레이션	윈도우 11 프로, 64비트	통계 분석 및 출력 생성에 사용되는 운영체제입니다.