대학생의 온라인 학습 경험, 기본 심리적 필요, 학습 참여를 평가하기 위한 설문조사 및 프로토콜

요약

이 프로토콜은 온라인 학습 경험, 기본 심리적 필요, 학습 참여 간의 연관 경로를 평가하기 위한 재현 가능한 설문조사 및 부분 최소제곱 구조 방정식 모델링 워크플로우를 제공하며, 설문지 적응, 선별, 측정 평가, 간접 연상 검사, 견고성 검사, 재현성 기록 등을 포함합니다.

초록

온라인 학습은 고등교육에 내재되어 있지만, 평가는 종종 접근성, 만족도, 완료 지표에 의존하여 참여 문제 발생 지점을 파악하지 못합니다. 이 글은 대학생의 온라인 학습 경험, 기본 심리적 필요, 학습 참여 간의 연관 경로를 평가하기 위한 재현 가능한 영어 설문조사와 부분 최소제곱 구조 방정식 모델링 프로토콜을 제시합니다. 온라인 학습 경험은 플랫폼 사용성, 수업 지원, 상호작용 품질, 학습 유연성을 통해 측정됩니다; 자율성, 능력, 연관성을 통한 기본적인 심리적 필요; 그리고 행동적, 인지적, 감정적 참여를 통한 학습 참여. 워크플로우는 문항-출처 매핑, 설문지 적응, 전문가 검토, 파일럿 테스트, 전자 동의, 적격성 심사, 응답 품질 검사, 구성자 점수 매김, 공통 방법 편향 진단, 고차 구성 개념 추정, 측정-모델 평가, 구조적 경로 검사, 간접 연관 분석, 심리적 필요 민감도 분석, 회귀 기반 강건성 검사, 재현성 파일 잠금 등을 명시합니다. 386건의 유효한 응답에서 대표적인 결과는 허용 가능한 신뢰도, 중간 정도의 개념 상관관계, 유지되는 측정 품질, 기본적인 심리적 필요를 통한 간접 연관성, 유의하지 않은 통제 경로, 그리고 불균등한 차원 점수를 보여준다. 프로토콜은 온라인 학습 경험이 심리적 욕구 만족 및 참여와 어떻게 연관되는지 투명하게 진단할 수 있도록 지원하며, 횡단면 설문 데이터에서의 인과관계 해석을 피합니다.

서론

온라인 학습은 학습 관리 시스템, 동영상 플랫폼, 녹화 자료, 동기식 세션, 혼합 강의 설계를 통해 일상적인 고등교육의 일부가 되었습니다. 하지만 많은 평가는 여전히 접근 로그, 만족도 평가, 완료 지표에 의존하여 학생들이 온라인 강의를 사용했는지 여부를 보여주지만, 낮은 참여가 플랫폼 사용성, 교수적 지원, 상호작용 품질, 학습 유연성, 심리적 필요 만족, 또는 특정 참여 차원¹과 연관되어 있는지 명확히 밝히지 않습니다. 따라서 온라인 학습 경험은 단일 만족도 점수로 축소되어서는 안 됩니다. 이전 온라인 참여 연구들은 학습자 콘텐츠, 학습자-강사, 학습자-학습자 상호작용을 학생들의^{온라인 학습 경험}에서 중요한 요소로 강조했습니다. 현재 프로토콜은 플랫폼 사용성, 교육 지원, 상호작용 품질, 학습 유연성을 통해 온라인 학습 경험을 측정합니다.

학습 참여도 다차원적입니다. 행동 참여, 인지 투자, 정서적 참여가 포함됩니다. 온라인 강의 참여 도구는 참여가 눈에 띄는 참여나 과제 완료만으로는 충분히 표현될 수 없음을 보여줍니다.³. 더 넓은 교육 기술 연구는 행동적 참여가 인지적 또는 정서적 참여보다 관찰하기 쉬운 경우가 많다는 것을 보여줍니다.^4. 이러한 이유로, 프로토콜은 학습 참여도를 하나의 구분 없는 점수로 통합하는 대신 행동, 인지, 정서적 참여를 통해 측정합니다.

자기결정 이론은 온라인 학습 경험과 학습 참여를 연결하는 이론적 기반을 제공합니다. 기본 심리적 욕구 이론은 자율성, 역량, 그리고 관련성을 동기 부여와 조정의 중심 조건으로 규정합니다.^5. 온라인 학습에서 자율성은 인지된 선택과 통제, 역량은 학습 과제 수행 능력, 그리고 강사 및 동료와의 느껴지는 유대감과의 연관성을 의미합니다. 자기결정 이론을 사용한 이전 온라인 학습 연구들은 맥락적 지원, 욕구 만족, 동기 부여, 참여를 연계시켰습니다 ^6,7. 이 결과들은 기본 심리적 욕구를 온라인 학습 경험과 학습 참여 사이의 간접적 연관 개념으로 검토할 수 있음을 지지하며, 데이터가 단면적이기 때문에 인과적 해석을 피할 수 있습니다.

온라인 참여 연구의 방법론적 문제 중 하나는 일관된 운영 구조의 부재입니다. 연구들은 학습 조건을 정의하고, 참여도를 측정하며, 학습 환경을 학생들의 심^{리적 경험}과 연결하는 방식에 있어 다양합니다. 자기보고 설문조사는 부주의한 응답, 패턴화된 답변, 사후 배제, 누락된 데이터 결정, 그리고 공통적인 방법 편향에 취약^합니다. 따라서 이 프로토콜은 구조 분석을 시작하기 전에 영어 설문지 구조, 문항-출처 매핑, 채점 규칙, 전자 동의 절차, 적격성 심사, 주의 점검 규칙, 완료 시간 임계값, 직선 기준, 긴 문자열 응답 확인, 누락된 데이터 처리, 모델 명세, 데이터셋 고정 절차를 수정합니다.

개념적 틀은 온라인 학습 경험을 독립적인 구성으로, 기본 심리적 필요를 간접 연상 구성으로, 학습 참여를 결과 구성 요소로 지정합니다. 주요 경로는 온라인 학습 경험이 기본적인 심리적 필요와 연관되는지, 기본 심리적 필요가 학습 참여와 연관되는지, 그리고 기본 심리적 필요를 고려한 후에도 온라인 학습 경험이 학습 참여와 직접적으로 연관되어 있는지 여부를 평가합니다. 프로토콜은 네 가지 연구 질문에 의해 안내됩니다: 구조화 설문조사 프로토콜이 세 가지 구성요소를 허용 가능한 응답 품질과 구성 요소 신뢰성으로 측정할 수 있는지; 온라인 학습 경험이 기본적인 심리적 필요와 학습 참여와 긍정적으로 연관되어 있는지 여부; 온라인 학습 경험과 학습 참여 간의 연관성이 기본적인 심리적 욕구를 간접적으로 통해 이루어지는지; 심리적 필요 하위 차원 분석 및 회귀 기반 강인성 검사가 주요 PLS-SEM 워크플로우와 동일한 해석을 지원하는지 여부도 포함됩니다.

이 논문은 기존의 설명적 횡단면 연구보다는 방법론에 초점을 맞춘 기여로 위치합니다. 프로토콜은 설문지 적응, 전문가 검토, 파일럿 테스트, 설문 관리, 응답 선별, 구성 점수 매김, 측정-모델 평가, 구조 경로 테스트, 간접 연관 분석, 민감도 분석, 견고성 검사, 재현성 파일 잠금 등 재현 가능한 워크플로우를 제공합니다. 투명한 교육 연구 워크플로우는 최종 모델 해석 전에 분석 결정이 문서화되어야 함을 요구합니다^{. 10}. 부분 최소제곱 구조 방정식 모델링은 측정 및 구조 구성 요소를 하나의 작업 흐름 내에서 검토할 수 있게 해주며, 반사적 1차 구성과 분석적으로 도출된 고차 구성 점수를 분리된 2단계 접근법을 통해 분석할 수 있기 때문입니다¹¹. 온라인 학생 참여, 사회적 존재감, 학습자 지원, 유지에 관한 이전 연구들은 소통, 지원, 연결, 포용적 강의 설계가 단순한 접근성이나 유연성을 넘어서는 중요성임을 보여줍니다^12,13. 체계적 검토는 행동, 인지, 정서적 참여가 온라인 학습 조건에 따라 다르게 반응할 수 있음을 추가로 시사합니다¹⁴. 따라서 대표 결과는 프로토콜의 산출물을 입증하는 데만 사용되며, 횡단면 조사 데이터의 인과관계를 주장하는 데 사용되지 않습니다¹⁵.

프로토콜

연구 프로토콜은 말라야 대학교 연구 윤리 위원회(비의학)에서 승인 번호 UM으로 검토 및 승인되었습니다. TNC (P&I)/UMREC_4892 2025년 8월 7일에 발표되었습니다. 인간 참여자가 포함된 연구의 모든 절차를 기관 지침에 따라 수행하십시오. 설문지를 시행하기 전에 전자 사전 동의를 받으세요. 모집, 선별, 채점, 분석 및 파일 저장 시 익명 참가자 코드를 사용하세요. 연구 도구와 소프트웨어는 재료표에 나열되어 있습니다.

1. 연구 설계 및 분석 프레임워크 정의

1. 대학생의 온라인 학습 경험, 기본 심리적 필요, 학습 참여 간의 연관 경로를 평가하기 위해 횡단면 정량 설문 설계를 사용한다.
2. 온라인 학습 경험을 독립적인 잠재적 구성요소로, 기본 심리적 필요를 간접 연상 잠재적 구성체로, 학습 참여를 결과 잠재적 구성으로 정의하라.
3. 데이터 수집 전에 세 가지 다차원 개념을 명확히 하세요. 플랫폼 사용성, 수업 지원, 상호작용 품질, 학습 유연성으로 온라인 학습 경험을 표현합니다; 자율성 필요, 역량 필요, 관계성 필요에 의한 기본 심리적 필요; 그리고 행동 참여, 인지적 참여, 감정적 참여를 통한 학습 참여가 포함됩니다.
4. 부분 최소제곱 구조 방정식 모델링을 주요 분석 방법으로 사용하여 측정 품질, 고차 구성 점수, 구조 경로, 그리고 미리 지정된 간접 경로를 평가합니다.
5. 분석 전에 주요 경로를 명시하세요: 기본 심리적 필요→ 온라인 학습 경험, 학습 참여→ 기본 심리적 필요, 학습 참여→ 온라인 학습 경험.
6. 모든 구조 경로를 연관 추정치로 간주하세요. 모든 변수가 한 시점에서 측정되기 때문에 어떤 경로를 인과관계로 해석하지 마세요. 채용 전에 사전 샘플 크기와 파워 체크를 실시하세요. 최소 380개의 유효한 반응을 목표 표본으로, 350개의 유효한 응답을 최소 허용 가능한 선별 후 표본으로 사용하세요.
7. 그림 1에 프로토콜 워크플로우를 제시하는데, 여기에는 모집, 동의, 설문지 관리, 전문가 검토, 파일럿 테스트, 응답 선별, 데이터셋 고정, 측정 평가, 구조 테스트, 간접 연관 분석, 견고성 검사, 재현성 파일 준비 등이 포함됩니다.
   참고: 설문지 작성부터 최종 분석까지 개념 모델과 구조적 경로를 변경하지 마십시오.

그림 1: 온라인 학습 경험, 기본 심리적 필요, 학습 참여도를 평가하는 운영 워크플로우. 그림은 모집, 동의, 설문지 관리, 전문가 검토, 파일럿 테스트, 응답 선별, 데이터셋 고정부터 측정 평가, 구조 테스트, 간접 연관 분석, 견고성 검사, 재현성 파일 준비에 이르는 프로토콜 워크플로우를 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

2. 적격 참가자 모집

1. 현재 또는 최근 학기 동안 최소 한 과목 이상의 온라인 또는 혼합 과목을 수강한 대학생을 모집하세요.
2. 18세 이상, 현재 학부 또는 대학원생으로 재학 중, 온라인 또는 혼합 학습에 노출되어 있고, 영어 설문지를 읽을 수 있고, 전자 동의서를 제공할 의사가 있는 참가자를 포함합니다.
3. 동의가 확인되지 않았거나, 자격 기준이 충족되지 않았거나, 주의 확인 문항이 실패하거나, 중복 제출이 감지되었거나, 완료 시간이 미리 정해진 기준 이하였거나, 일직선이 발견되었거나, 해결되지 않은 자격 불일치가 있을 경우 응답을 제외합니다.
4. 대학 학습 플랫폼, 강의 소통 그룹, 학생 이메일 리스트, 기관 학생 채널을 통해 참가자를 모집하세요.
5. 이름, 학생 식별 번호, 전화번호, 개인 이메일 주소, 정확한 거주지 주소, IP 주소, 기기 식별자 또는 계정 식별자 등 직접 식별 정보를 수집하지 마십시오.
6. 모집 날짜, 모집 채널, 제출된 응답, 카테고리별 제외 인수, 보유 응답, 최종 유효 표본 크기를 현장 조사 및 선별 기록에 기록하세요.
   잠시 멈추는 지점: 매주 모집 진행 상황을 확인하세요. 응답 수, 채용 채널 커버리지, 예비 제외율만 검토하세요. 모집 시 구성 점수, 상관관계, 경로 추정치를 검사하지 마십시오.

3. 설문지 작성

1. 전자 동의, 자격 심사, 참가자 배경 정보, 실질적인 척도 문항, 그리고 지침 기반 주의력 검사 문항 1개가 포함된 구조화된 영어 설문지를 준비하세요.
2. 모든 실질적인 문항에 대해 5점 리커트 반응 척도를 사용하세요: 1 = 강하게 반대, 2 = 동의 반대, 3 = 중립, 4 = 동의, 5 = 강하게 동의합니다.
3. 온라인 학습 경험 항목을 온라인 학습 인식, 교육 지원, 상호작용 품질, 플랫폼 사용성, 학습 유연성 등 이전 측정 지표에서 조정하세요. 기본적인 심리적 필요 항목을 확립된 자율성, 능력 및 관계성 측정에서 조정하세요. 학습 참여 항목을 확립된 행동, 인지, 정서적 참여 측정에서 활용하세요.
4. 대학 온라인 및 혼합 학습 맥락에 맞게 문항 문구만 수정하세요. 명확하고 유도되지 않는 표현을 사용하고, 높은 만족도, 높은 심리적 필요 만족, 높은 참여를 기대하는 표현은 피하세요.
5. 파일럿 테스트 전에 아이템-출처 매핑 테이블을 준비하세요. 각 실질적인 문항에 대해 문항 코드, 구성, 크기, 적응 문구, 출처 근거, 적응 노트, 설문지 문구 및 채점 방향을 기록하세요.
6. 33개의 실질적인 리커트 척도 문항을 사용하세요: 온라인 학습 경험 12문, 기본 심리적 필요 9문, 학습 참여 12문. 온라인 학습 경험 차원별로 3개, 기본 심리적 필요 차원마다 3개, 학습 참여 차원마다 4개 항목을 사용하세요.
7. 기본 심리적 욕구 블록 다음에 한 가지 지침 기반 주의력 검사 항목을 넣으세요. 이 문항은 반응 품질 선별에만 사용하며, 구성 요소 점수 매김, 신뢰도 분석, 타당도 분석, PLS-SEM 추정, 간접 연관 검정, 강건성 분석에서는 제외하십시오.
8. 파일럿 테스트 기간 동안 설문지 작성 예상 시간을 8분에서 12분 이내로 유지하세요. 표 1을 사용하여 도메인, 치수, 문항 코드, 문항 수, 응답 척도, 점수 방향, 적응 기초를 문서화하세요. 전체 설문지, 문항-출처 매핑, 변수 코딩 및 채점 규칙을 제공하는 보조 파일 1 을 사용하세요.
   참고: 예측 변수, 간접 연관, 결과 항목을 개념적으로 구분하세요.

표 1: 도메인, 차원, 설문지 구조 및 채점 규칙 구성. 이 표는 구성 도메인과 차원, 문항 코드 및 번호, 예시 문항, 적응 기준, 응답 척도, 채점 규칙을 포함한 설문지 구조를 요약합니다. 주의 점검 문항은 스크리닝 전용 문항으로 식별됩니다. 이 표를 다운로드하려면 여기를 클릭해 주세요.

4. 전문가 검토 및 파일럿 테스트 수행

1. 교육 심리학, 온라인 학습, 정량적 방법론, 고등교육 연구 또는 설문 설계 분야의 전문가 3명에서 5명을 초청해 설문지를 검토하게 하세요.
2. 전문가에게 항목의 명확성, 관련성 구성, 문구 중복, 응답 부담, 문화적 적합성, 언어 명확성, 각 항목과 할당된 차원 간의 정렬 등을 평가하도록 요청하세요.
3. 전문가 검토 결과를 항목 수정 로그에 기록하며, 여기에는 원문 문구, 심사자의 관심사, 수정 결정, 최종 문구, 보존, 수정 또는 삭제 사유가 포함됩니다.
4. 모호하거나 이중 중복, 지나치게 유사하거나 문화적으로 부적절하거나, 목표 차원과 약하게 일치하거나, 영어 설문 맥락과 일치하지 않는 문항을 수정하세요.
5. 주 연구와 동일한 자격 기준을 충족하는 30–50명의 대학생을 대상으로 파일럿 테스트를 실시합니다. 조종사 참가자들에게 문구가 불분명하거나, 기술적 표시 문제, 과도한 길이, 반복적인 문구, 또는 어떤 설문지 문항으로 인한 불편함을 지적하도록 요청하세요.
6. 각 참가자의 파일럿 완료 시간을 기록하세요. 공식 연구 최소 완료 시간 임계값을 파일럿 중간 완료 시간의 3분에서 3분에서 3분의 1 사이의 더 큰 값으로 정의합니다.
7. 각 구성물에 대한 예비 내부 일관성을 계산하고, 파일럿 테스트 후 항목-전체 상관관계를 점검합니다. 약한 항목은 삭제가 측정 품질을 향상시키고 구성 개념 범위를 약화시키지 않는 경우에만 수정하거나 제거하세요.
8. 공식 채용 전에 설문지, 코드북, 문항-출처 매핑, 전문가 검토 기록, 파일럿 테스트 기록, 완료 시간 기준, 주의 점검 규칙, 중복 탐지 규칙, 제외 기준을 최종 확정하고 잠가세요.
   멈춤 지점: 모든 설문지, 선별, 코딩 파일이 잠길 때까지 공식 채용을 시작하지 마십시오.

5. 온라인 설문지를 실시합니다

1. 익명 참여, 동의 확인, 자격 심사, 필수 응답 설정, 응답 시간 기록, 비식별 중복 제출 제한, 주의 점검 배치, 스프레드시트 내보내기를 지원하는 온라인 설문조사 시스템에 설문지를 구축하세요.
2. 자격 심사 및 설문지 문항 전에 전자 동의서를 제출하세요. 참가자들이 자발적 참여를 확인한 후에만 진행할 수 있도록 허용하고, 연구 목적을 중립적인 언어로 설명하세요. 이 연구는 학생들의 온라인 학습 인식, 심리적 욕구 충족, 학습 참여도를 조사한다고 명시합니다.
3. 동의, 자격 질문, 그리고 33개의 실질적인 리커트 척도 항목 모두를 필수 항목으로 지정하세요. 직접 식별 정보를 위한 필드를 비활성화하세요. 이름, 학생 번호, 전화번호, 개인 이메일 주소, 정확한 거주지 주소, IP 주소, 기기 식별자 또는 계정 식별자를 요청하지 마십시오.
4. 참가자들이 최종 제출 전에 설문지를 종료할 수 있도록 하여 페널티 없이 진행할 수 있도록 합니다. 가능할 경우 신원 확인이 아닌 설문 플랫폼 설정으로만 반복 제출을 제한하세요. 설문지는 4주에서 6주 정도 열어두세요. 주 2회 응답 수를 모니터링하고 현장 작업 로그에 채용 진행 상황을 기록하세요.
   참고: 설문지 제출 후에는 개인 점수 피드백을 제공하지 마십시오.

6. 원시 데이터를 내보내고 보호합니다

1. 채용 마감 직후 모든 제출된 답변을 .xlsx 및 .csv 형식으로 내보내세요.
2. 변경 되지 않은 .xlsx 파일 하나는 RawData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsx로, 변경 되지 않은 .csv 파일 하나는 RawData_OnlineLearning_BPN_Engagement_YYYYMMDD.csv로 저장하세요.
3. 스크리닝, 코딩, 분석을 위한 작업 사본을 작성하세요. WorkingData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsx 이름 붙여. 제출된 각 응답에 P001, P002, P003 등 익명 참여자 코드를 할당하세요.
4. 원시 데이터셋을 읽기 전용 폴더에 저장하고, 스크리닝 시작 전에 체크섬, 파일 버전 기록, 기관 버전 기록을 생성하세요.
5. 보호된 기관 검증 폴더에 비식별화된 원시 제출 기록 아카이브 및 스크리닝 메타데이터를 보존하세요. 원고 또는 출판 보조 파일에 원고나 보충 파일에 원시 제외 기록, 직접 식별 가능한 정보, 참여자 수준의 원시 데이터를 포함하지 마십시오.
   일시정지: 원시 .xlsx 파일, 원시 .csv 파일, 현장 작업 로그, 원시 데이터 버전 레코드, 보호된 원시 데이터 폴더가 모두 저장될 때까지 스크리닝을 시작하지 마십시오.

7. 응답을 스크리닝하고 제외 규칙을 적용합니다

1. 구성 상관관계, 측정-모델 출력, 구조 경로 또는 간접 연관 추정치를 검토하기 전에 모든 배제 규칙을 적용하세요. 동의 확인 또는 연령, 등록 여부, 온라인 학습 경험, 설문지 언어 적합성 없이 응답을 삭제하십시오.
2. 중복 응답은 미리 정해진 중복 감지 규칙에 따라 제거하세요. 비식별 설문조사 플랫폼 중복 플래그와 익명 응답 패턴 정보를 통해서만 중복 가능한 경우를 식별할 수 있습니다. 중복 응답이 확인되면 가장 이른 완전한 응답을 유지합니다.
3. 지시 기반 주의력 검사 문항에 실패하거나 정식 학습 최소 완료 시간 기준 이하로 완료된 응답은 삭제합니다. 직선 선을 33개의 실질적인 리커트 척도 문항 중 최소 90%에 대해 동일한 응답 옵션을 선택하는 것을 정의합니다. 이 기준에 부합하는 답변은 삭제하세요.
4. 동일한 응답 옵션이 r,², 0 이상의 연속된 실질적 리커트 척도 항목에 대해 선택될 경우 긴 문자열 반응 패턴을 표시합니다. 플래그된 응답은 비현실적으로 짧은 완료 시간, 주의력 검사 실패, 직선 처리 또는 기타 미리 정해진 품질 위반이 있을 때만 삭제하세요.
5. 참가자가 온라인 또는 혼합 학습 노출이 없다고 보고했지만 주간 온라인 학습 시간이 0 이상이라고 보고할 경우 일관성 없는 배경 응답을 표시하세요. 해결되지 않은 자격 불일치가 있는 답변은 삭제하세요.
6. 모든 제외된 사례를 익명 참여자 코드, 제외 범주, 제외 사유, 심사 날짜, 심사 결정 등 식별 해제된 선별 기록에 기록하세요.
7. 제출된 응답, 제외 범주, 제외 횟수, 유지된 응답, 최종 유효 표본 크기를 문서화하기 위해 표 2를 사용하세요. 대표성 데이터셋에 대해 원시 제외 수를 재구성할 수 없다면, 이를 명확히 밝히십시오.
   참고: 사전 지정된 동의, 자격, 중복, 주의 점검, 완료 시간, 응답 패턴, 누락 또는 일관성 규칙에 따라 케이스를 제외합니다. 원시 데이터셋, 정제된 데이터셋, 스크리닝 로그, 배제 규칙 파일, 현장 작업 로그, 데이터셋 버전 레코드가 별도로 저장되고 잠기기 전까지는 코딩을 시작하지 마십시오.

표 2: 응답 스크리닝, 제외 규칙, 데이터 처리 결정. 이 표는 동의, 적격성, 중복 응답, 주의 점검, 완료 시간, 응답 패턴 확인, 누락 여부, 데이터셋 잠금에 대한 사전 지정된 선별 규칙과 데이터 처리 결정을 요약합니다. 배제 규칙은 구성 상관관계, 측정-모델 출력, 구조적 경로 또는 간접 연관 추정치를 검토하기 전에 적용됩니다. 제외된 각 응답은 익명 참가자 코드, 제외 범주, 제외 사유, 심사 날짜, 심사 결정 등을 사용하여 식별 해제된 스크리닝 로그에 기록됩니다. 이 표를 다운로드하려면 여기를 클릭해 주세요.

8. 누락된 데이터 처리

1. 동의, 자격 질문, 그리고 33개의 실질적인 리커트 척도 항목에서 누락된 값은 설문 시스템에서 요구되는 항목으로 설정하여 방지합니다. 스크리닝 후 깨끗한 데이터셋에서 누락된 값이 있는지 점검하세요.
2. 선택적 배경 변수의 누락 값은 "보고되지 않음"으로 처리하세요. 선택적 인구통계학적 또는 배경 변수를 귀속하지 마십시오.
3. 배경 변수의 누락률이 10%를 초과하면 공변량 분석에서 제외하세요. 배경 변수를 공변량으로 유지하라: 누락률이 10% 이하이고 변수가 이론적으로 관련성이 있을 때만 허용한다.
4. 33개의 실질적인 리커트 척도 문항에서 누락값을 귀속하지 마십시오. 필수 응답 설정에도 불구하고 실질적인 항목 누락이 감지되면, 설문 내보내기, 설문 논리, 또는 제출 처리 미완성 때문인지 확인한 후 정리된 데이터셋을 최종 결정하세요.
   참고: 누락된 데이터 검사를 기록하세요. 참가자 코드, 배경 변수, 실질적인 리커트 척도 문항, 차원 점수, 전역 구성 점수에 대해 누락 값 수와 누락률을 보고합니다.

9. 변수 코딩 및 점수 계산

1. 모든 실질적인 리커트 척도 문항을 1에서 5까지 코딩하세요: 1 = 강하게 반대, 2 = 동의 반대, 3 = 중립, 4 = 동의, 5 = 강하게 동의합니다. 코드의 성별, 학업 수준, 학년, 학문 분야, 주간 온라인 학습 시간, 그리고 잠긴 코드북에 따른 이전 온라인 학습 경험.
2. 차원 점수나 전역 구성 점수를 계산하기 전에 모든 변수의 범위를 벗어난 값이 있는지 점검하세요.
3. 온라인 학습 경험 차원 점수를 문항 평균으로 계산합니다: 플랫폼 사용성 = 평균(OLE_PU1–OLE_PU3), 교수 지원 = 평균(OLE_IS1–OLE_IS3), 상호작용 질 = 평균(OLE_IQ1–OLE_IQ3), 학습 유연성 = 평균(OLE_LF1–OLE_LF3).
4. 기본 심리적 필요 차원 점수를 항목 평균으로 계산합니다: 자율성 필요 = 평균(BPN_AU1–BPN_AU3), 역량 필요 = 평균(BPN_CO1–BPN_CO3), 연관성 필요 = 평균(BPN_RE1–BPN_RE3).
5. 학습 참여 차원 점수를 문항 평균으로 계산합니다: 행동 참여 = 평균(LE_BE1–LE_BE4), 인지 참여 = 평균(LE_CE1–LE_CE4), 정서적 참여 = 평균(LE_EE1–LE_EE4).
6. 차원 평균으로 글로벌 구성 점수를 계산합니다: 온라인 학습 경험 = 평균(플랫폼 사용성, 교육 지원, 상호작용 품질, 학습 유연성); 기본 심리적 욕구 = 평균 (자율성, 필요성, 역량, 필요, 연관성); 학습 참여 = 평균(행동적 참여, 인지 참여, 감정적 참여).
7. 측정-모델 평가를 위한 항목 수준 데이터, 고차 구성 요소 추정 및 하위 차원 분석을 위한 차원 점수, 그리고 기술 통계, 상관관계 분석, 구조 모델 검사, 회귀 기반 강건성 분석을 위한 전역 구성 점수를 유지합니다.
   참고: 주의력 검사 항목을 어떤 점수, 신뢰도 분석, 타당도 분석, PLS-SEM 추정, 간접 연관 분석, 강인성 분석에 포함하지 마십시오. 기술적 분석 전에 원본 1–5 점수를 표준화하지 마십시오.

10. 공통 방법 편향을 통제하고 평가합니다

1. 익명 응답, 중립적 표현, 분리된 구성 블록, 하나의 명령 기반 주의력 검사 항목, 필수 응답 설정, 제한된 원시 데이터 접근을 사용하여 분석 전에 절차적 통제를 적용하세요.
2. 응답 선별 후, 하먼의 단일 요인 검정을 사용하여 회전하지 않은 한 요인이 문항 분산의 지배적 비중을 차지하는지 확인합니다. 첫 번째 회전하지 않은 인자가 전체 분산의 50% 미만을 차지할 때는 결과를 수용 가능한 것으로 간주하세요.
3. 초점 구성물에 대한 전체 공선성 분산 인플레이션 계수 값을 계산합니다. 3.30 미만의 수치는 심각한 공통 방법 편향이 발생하지 않을 가능성이 높다는 의미로 간주하세요. 첫 번째 회전하지 않은 인자가 전체 분산의 50% 이상을 차지하거나, 전체 공선성 분산 인플레이션 인플레이션 계수가 3.30 이상일 경우 공통 방법 편향을 제한으로 기록하세요.
   참고: 공통 방법 편향이 없다고 말하지 마십시오. 진단이 지배적인 공통 방법 요인의 심각한 증거를 나타내는지만 명시하세요.

11. 기술적 및 예비 점검 수행

1. R 4.4.1을 사용하여 기술 통계, 분포 검사, 상관 분석, 회귀 기반 강건성 분석을 수행하세요. 범주별 참여자 특성에 대한 빈도와 백분율을 계산하세요.
2. 실질적 항목, 차원 점수, 전역 구성 점수에 대해 평균, 표준편차, 최소값, 최대값, 왜도, 그리고 염도를 계산합니다.
3. 문항과 점수 분포를 바닥 효과, 상한선 효과, 심각한 비정규성에 대해 점검합니다. 잠재적 하한 효과 또는 상한선 효과를 20% 이상의 참가자가 실질적인 문항에 대해 가장 낮은 또는 가장 높은 응답 옵션을 선택하는 것으로 정의합니다.
4. 전역 구성 요소와 차원 점수 간의 피어슨 상관관계를 계산합니다. 상관관계는 예비 기술적 증거로만 간주하고, 미리 정해진 구조 모델을 대체하지 마십시오.
   참고: 바닥 또는 천장 효과를 데이터 특징으로 기록하세요. 배포 문제로 인해 사전에 정해진 응답 품질 규칙을 위반하지 않는 경우는 삭제하지 마세요.

12. 고차 측정 모델 추정

1. 기본 PLS-SEM 분석에는 Smart PLS 4.1을 사용하고, 정리된 항목 수준 데이터셋을 가져오세요. 플랫폼 사용성, 교육 지원, 상호작용 품질, 학습 유연성, 자율성 요구, 역량 요구, 관련성 요구, 행동 참여, 인지 참여, 감정적 참여를 반성적 1차 구성 요소로 명시하세요.
2. 분리된 2단계 접근법을 사용하세요. 첫 번째 단계에서는 반사 1차 구성물을 추정하고 잠재 변수 점수를 저장합니다.
3. 두 번째 단계에서는 플랫폼 사용성, 교육 지원, 상호작용 품질, 학습 유연성 등 잠재 변수 점수를 사용하여 온라인 학습 경험을 표현합니다; 자율성 필요, 역량 필요, 관련성의 잠재 변수 점수가 기본적인 심리적 필요를 나타내야 하며; 학습 참여도를 나타내는 행동 참여, 인지 참여, 정서적 참여의 잠재 변수 점수를 포함합니다.
4. 고차 구성 점수를 다차원 구성 요소의 분석적으로 도출된 표현으로 취급합니다. 형성적 모델이 명시적으로 명시되고 정당화되지 않는 한 형성적이라고 묘사하지 마십시오. 1단계 설정, 2단계 설정, 잠재 변수 점수, 모델 출력 파일을 검증 폴더에 저장하세요.
   참고: 주요 구조 모델, 심리적 필요 하위 차원 분석, 회귀 기반 강인성 분석에서도 동일한 고차 구성 절차를 사용하세요.

13. 측정 모델 평가

1. 구조 모델을 해석하기 전에 측정 모델을 평가하세요. 모든 보존 지표에 대한 표준화된 외부 하중을 점검합니다. 가능하면 최소 0.70 이상의 부하 표시기를 유지하세요.
2. 부하 0.40에서 0.70 사이의 표시기를 검토하세요. 삭제가 신뢰성이나 수렴 타당성을 향상시키고 내용 커버리지를 약화시키지 않는 경우에만 지표를 제거하세요. 0.40 이하의 지표는 문서화된 이론적 이유가 없는 한 제거하세요.
3. 크론바흐 알파 및 컴포지트 신뢰성을 사용하여 내부 일관성을 평가합니다. 0.70에서 0.95 사이의 값은 허용 가능한 것으로 간주하세요. 추출한 평균 분산을 사용하여 수렴 타당도를 평가합니다. 최소 0.50 이상은 허용 가능한 것으로 간주하세요.
4. 이성형질-단일 형질 비율을 사용하여 판별적 타당도를 평가합니다. 보수적 임계값으로 0.85를, 이론적으로 인접한 구성물에 대해 허용 가능한 최대 임계값으로 0.90을 사용하세요.
5. 기록된 유지된 지표, 표준화된 외부 부하, 크론바흐 알파, 복합 신뢰도, 추출된 평균 분산, 이종형질-단일 형질 값, 그리고 고정된 측정 모델 출력에서 항목 삭제 결정 등이 포함됩니다.
   참고: 통계 가치를 높이기 위해서만 항목을 삭제하지 마세요. 통계적 약점과 개념적 중복이 모두 문서화될 때만 항목을 제거하세요.
   일시정지: 보존된 지표, 부하 값, 신뢰도 값, 수렴 타당도, 판별 타당도, 코드북 항목, 측정 출력 값이 잠긴 분석 파일과 대조될 때까지 구조 테스트를 시작하지 마십시오.

14. 구조 모델과 매개 경로 검증

1. 세 가지 구조적 경로를 구체화하세요: 기본 심리적 필요→ 온라인 학습 경험, 학습 참여→ 기본 심리적 필요, 그리고 학습 참여→ 온라인 학습 경험.
2. 주간 온라인 학습 시간과 이전 온라인 학습 경험을 미리 지정된 통제 변수로 포함하세요. 성별, 학력, 학문 연도, 전공 범주를 사전 지정된 민감도 모델에 포함되지 않는 한 기술 변수로 간주합니다.
3. 경로 계수를 해석하기 전에 구조-모델 공선성을 살펴보세요. 분산 인플레이션 계수 값이 3.30 미만이면 해로운 공선성이 발생하기 어렵다는 의미로 간주하세요.
4. 5,000개의 부트스트랩 재샘플과 양측 검정을 사용하여 표준화된 경로 계수, t 값, p 값, 95% 신뢰구간을 추정합니다. 가능한 경우 편향 보정 신뢰구간을 사용하세요.
5. 온라인 학습 경험에서 기본적인 심리적 필요를 통한 학습 참여로의 간접적 경로를 추정하세요. 간접 효과의 부트스트랩 신뢰구간에 0이 포함되지 않을 때, 간접 연관 경로를 지지 경로로 간주합니다.
6. 고정된 구조 모델 출력에 직접 효과, 간접 효과, 총 효과, R² 값, 조정 R² 값, f² 효과 크기, 구조 모델 분산 인플레이션 계수 값, 제어 변수 경로를 기록합니다. 모든 구조적 추정치를 인과 효과가 아닌 연관 기반 경로로 해석하세요.
   참고: 비유의성 경로이므로 미리 지정된 경로를 제거하지 마십시오. 코딩 오류나 모델 명세 오류가 확인되지 않는 한 미리 지정된 모델을 유지하세요.

15. 심리적 욕구 하위 차원 검토

1. 글로벌 기본 심리적 욕구 개념을 자율성 필요, 역량 필요, 연관성 필요로 대체하는 간접 연관 구조로 대체한다. 온라인 학습 경험에서 학습 참여로의 간접적 경로를 자율성 필요, 역량 필요, 연관성 필요를 각각 추정합니다.
2. 각 하위 차원 경로마다 5,000개의 부트스트랩 재샘플을 사용하세요. 각 하위 차원 간접 경로의 방향, 크기, 신뢰구간을 비교하세요. 이 분석을 주 모델이 아닌 민감도 분석으로 간주하세요.
   참고: 하위 차원 민감도 분석을 새로운 주요 모델로 재해석하지 마십시오.

16. 회귀 기반 강인성 분석 수행

1. 정리된 구성 점수 데이터셋을 내보내 ConstructScores_OnlineLearning_BPN_Engagement_YYYYMMDD.csv로 저장하세요. R 4.4.1을 사용하여 전 세계 온라인 학습 경험, 주간 온라인 학습 시간, 이전 온라인 학습 경험에 대한 글로벌 기본 심리적 요구를 회귀시키세요.
2. 글로벌 온라인 학습 경험, 글로벌 기본 심리적 요구, 주간 온라인 학습 시간, 이전 온라인 학습 경험에 대한 글로벌 학습 참여를 후퇴시키세요. 5,000개의 부트스트랩 재샘플을 사용해 간접 경로를 추정합니다.
3. 회귀 기반 간접 경로와 PLS-SEM 간접 경로를 비교해 보십시오. 방향이 일관되고 실질적 해석이 변하지 않을 때만 경로를 강건하다고 분류하세요. R 스크립트, 부트스트랩 설정, 그리고 강인성 출력을 검증 폴더에 저장하세요.
   잠시 중단: 구조 모델, 하위 차원 분석, 회귀 기반 강인성 분석이 교차 검증될 때까지 최종 파일 잠금 작업을 시작하지 마십시오.

17. 최적이 아닌 분석 결과를 다룬다

1. 크론백의 알파 또는 복합 신뢰도가 0.70 미만이라면, 항목 전체 상관관계와 표준화된 외부 부하를 점검합니다. 추출된 평균 분산이 0.50 미만이라면, 보유 지표를 점검하여 하나 이상의 지표가 수렴 타당성을 약화시키는지 확인한다.
2. 이성형질-단일 특성 값이 미리 정해진 임계값을 초과하면, 이론적으로 가까운 구성 요소들 간의 의미 겹침이 있는지 문항 문구를 점검하세요. 통계적으로 약하고 개념적으로 중복된 항목만 제거하세요. 이론적으로 인접한 구조들을 병합할 때 분리하면 개념적 명확성이 떨어집니다.
3. 간접 경로가 지원되지 않는다면, 그 결과를 지지되지 않는 간접 연관으로 기록합니다. 통제 변수에서 유의미하지 않은 연관성을 보일 경우, 과도한 해석 없이 결과를 기록하세요.
   참고: 분석 후 이론적 모델을 수정하여 더 강한 지지를 강요하지 마십시오.

18. 잠금 소프트웨어 출력 및 재현성 파일

1. Verification_OnlineLearning_BPN_Engagement_YYYYMMDD라는 이름의 최종 기관 인증 폴더를 만드세요.
2. 원시 데이터셋 아카이브, 정리된 데이터셋, 구성 점수 데이터셋, 코드북, 설문지, 항목-출처 매핑 테이블, 전문가 검토 로그, 파일럿 테스트 기록, 현장 작업 로그, 스크리닝 로그, 제외 규칙 파일, 완료 시간 임계값 레코드, 스마트 PLS 출력, R 스크립트, R 출력 테이블, 소프트웨어 버전 레코드, 버전 변경 로그를 검증 폴더에 저장하세요.
3. Smart PLS 4.1 프로젝트 파일과 측정 모델, 구조 모델, 부트스트랩, 헤테로트레이트-단일트레이트 출력을 내보내는 하위 폴더에 저장하세요SmartPLS_Output. R 스크립트와 R 출력 테이블을 R_Output이라는 하위 폴더에 저장하세요. 설문지, 항목-출처 매핑, 변수 코딩, 채점 규칙을 보조 파일 1로 저장하세요.
4. 최종 분석 데이터셋 검증, 스크리닝 요약, 누락 데이터 기록, 공통 방법 편향 진단, 측정-모델 결과, 구조 모델 결과, 간접 연관 결과, 하위 차원 분석, 회귀 기반 견고성 기록, 소프트웨어 설정, 버전 기록을 보조 파일 2로 저장하세요.
5. 논문 또는 출판 보조 파일에 직접 식별 가능한 정보, 제외된 원시 기록, 참여자 수준의 원시 데이터는 포함하지 마십시오. 일관성 확인 후 최종 검증 폴더를 잠가세요. 이후 수정은 새롭고 날짜가 지정된 버전으로 저장하고, 그 이유는 버전 변경 로그에 문서화하세요.

결과

최종 분석 데이터셋 및 참가자 특성

최종 분석 데이터셋에는 386명의 대학생이 포함되었습니다. 공식 모집은 2025년 8월 18일부터 9월 26일까지 대학 학습 플랫폼, 강의 소통 그룹, 학생 이메일 리스트, 기관 학생 채널을 통해 진행되었습니다. 총 432건의 제출된 응답이 선별되었고, 386건의 응답이 유지되어 유효 응답률은 89.4%였습니다. 잠긴 데이터셋에는 33개의 실질적인 리커트 척도 문항과 1개의 지시 기반 주의력 검사 문항이 포함되어 있었습니다. 주의력 검사 문항은 반응 질 선별 전용으로만 사용되었으며, 구성체 점수 부여, 신뢰도 분석, 타당성 분석, PLS-SEM 추정, 간접 연관 분석 및 회귀 기반 강인성 분석에서 제외되었습니다. 최종 표본에는 223명의 여성 학생, 154명의 남성 학생, 그리고 '말하지 않는 것을 선호한다' 또는 다른 응답 옵션을 선택한 9명의 참가자가 포함되었습니다. 학부생은 318명, 대학원생은 68명이었습니다. 학년 분포는 1학년 110명, 2학년 102명, 3학년 103명, 4학년 이상 71명으로 구성되었습니다. 학문 분야는 경영학 및 경영학, 사회과학, 공학 및 기술, 의학 및 보건과학, 인문학 및 예술학, 교육학 등이 포함되었습니다. 주간 온라인 학습 노출은 41명의 학생에서 주당 2시간 미만, 116명의 학생에서 2–4시간, 137명의 학생에서 5–7시간, 62명의 학생에서 8–10시간, 30명의 학생에서 10시간 이상을 포함했습니다. 이전 온라인 학습 경험은 38명에서 전혀 없었고, 68명은 6개월 미만, 190명은 6개월에서 12개월, 90명은 12개월 이상이었습니다. 주간 온라인 학습 시간과 이전의 온라인 학습 경험은 미리 지정된 통제 변수로 유지되었습니다.

전문가 검토, 파일럿 테스트, 설문지 검증

전문가 검토는 교육 심리학, 온라인 학습, 정량적 방법론, 고등교육 연구, 설문 설계 분야의 다섯 명의 전문가가 수행했습니다. 검토 결과 13건의 문구 문제, 4건의 중복 문제, 3건의 구성체 정렬 문제가 확인되었습니다. 14개의 문항이 명확성, 맥락적 적합성 또는 구성체 정렬을 위해 수정되었으며, 파일럿 테스트 전에는 어떤 항목도 삭제되지 않았습니다. 파일럿 테스트는 주요 연구 자격 기준을 충족한 42명의 대학생들이 완료했습니다. 중간 완료 시간은 9.6분이었고, 최소 완료 임계 시간은 3.2분으로 설정되었습니다. 예비 크론바흐의 알파 값은 0.721에서 0.814 사이였습니다. 파일럿 테스트 이후에는 어떤 항목도 삭제되지 않았습니다. 최종 영어 설문지는 12개의 온라인 학습 경험 문항, 9개의 기본 심리적 필요 문항, 12개의 학습 참여 문항, 그리고 1개의 지시 기반 주의력 검사 문항으로 구성되었습니다. 문항-출처 매핑, 변수 코딩, 점수 규칙은 공식 분석 전에 잠겨 있으며, 보충 파일 1에 제공되었습니다.

응답 선별, 누락 및 데이터 품질 검사

선별 후 432건의 제출된 응답 중 386건의 유효한 응답이 유지되었습니다. 제외 항목에는 동의 없는 확인 응답 4건, 자격 제외 17건, 중복 응답 8건, 주의력 점검 실패 6건, 완료 시간 기준 미만 응답 5건, 직선 응답 4건, 그리고 2건의 미해결 자격 불일치가 포함되었습니다. 6개의 긴 현 패턴이 표시되었으나, 이들은 다른 배제 범주와 겹쳐 추가 독립 제외 범주로 간주되지 않았습니다. 제외 항목은 식별 해제 선별 기록에 기록되었습니다. 잠긴 데이터셋에는 중복된 참가자 코드가 남아 있지 않았습니다. 33개의 실질적인 리커트 척도 문항, 배경 변수, 차원 점수 변수, 또는 전역 구성 점수 변수에서 누락값이 관찰되지 않았습니다. 어떤 비난도 적용되지 않았다. 유지된 응답은 직선 규칙을 충족하지 못했고, 유지된 응답에서는 20회 이상의 동일한 실질적 응답이 연속된 긴 패턴을 보이지 않았으며, 온라인 학습 노출과 주간 온라인 학습 시간 간에 해결되지 않은 불일치도 관찰되지 않았습니다.

기술적 분포와 공통 방법 편향 진단

글로벌 온라인 학습 경험 점수는 3.47 ± 0.45였습니다. 글로벌 기본 심리적 필요 점수는 3.40 ± 0.49였습니다. 글로벌 학습 참여 점수는 3.42± 0.48이었습니다. 온라인 학습 경험 차원 중 수업 지원은 평균이 가장 높았고, 상호작용의 질은 평균이 가장 낮았습니다. 역량 필요는 기본 심리적 필요 차원 중 가장 높은 평균을 보였고, 연관성 필요는 가장 낮은 평균을 보였다. 인지 참여는 학습 참여 차원 중 가장 높은 평균을 보였고, 감정적 참여는 가장 낮은 평균을 보였습니다. 품목 분배 확인에서는 심각한 하한선이나 상한선 효과가 나타나지 않았습니다. OLE_PU3의 최대 문항 수준 바닥 응답률은 1.55%였습니다. OLE_IS2의 최대 문항 수준 상한 응답률은 12.95%였습니다. 두 가지 모두 사전에 정해진 20% 기준 이하였습니다. 공통 방법 편향 진단에서는 지배적인 공통 방법 요인의 심각한 증거가 나타나지 않았습니다. 하먼의 단일 요인 검정은 첫 번째 회전하지 않은 요인이 전체 분산의 24.12%를 설명한다는 것을 보여주었다. 완전 공선성 진단에서는 최대 분산 팽창 계수가 1.527을 산출했습니다.

측정-모델 품질

표 3에서 보듯, 크론바흐의 알파 값은 상호작용 품질의 0.733에서 차원 수준의 인지 참여 0.801까지 다양했습니다. 글로벌 온라인 학습 경험 구성은 알파 0.878, 기본 심리적 욕구는 0.846, 학습 참여는 0.867의 알파를 보였습니다. 33개 실질적 품목에 걸쳐 표준화된 외부 하중은 0.704에서 0.842 사이였다. 복합 신뢰도는 0.849에서 0.889 사이였습니다. 추출된 평균 분산 값은 0.653에서 0.702 사이였습니다. 최대 이성형질-단일 형질 비율은 0.742였습니다. 이 값들은 미리 정해진 측정 모델 기준을 충족했습니다.

표 3: 신뢰도, 기술적 통계, 측정-모델 품질. 이 표는 1차 차원과 고차 구성에 대한 크론백의 알파, 복합 신뢰도, 추출된 평균 분산, 표준화된 부하 범위, 평균, 표준편차, 보존 결정을 보고합니다. 주의력 검사 문항은 신뢰성, 타당도, 모델 추정에서 제외되었습니다. 1차 구성 요소 중 최대 HTMT 값은 0.742로, 미리 정해진 보수적 임계값 0.85 이하였다. 전체 외부 부하 테이블과 HTMT 행렬은 보조 파일 2에 제공되어 있습니다. 약어: AVE = 추출한 평균 분산. 이 표를 다운로드하려면 여기를 클릭해 주세요.

온라인 학습 경험은 기본 심리적 필요(r = 0.501)와 학습 참여도(r = 0.497)와 상관관계가 있었습니다. 기본적인 심리적 필요는 학습 참여와 상관관계가 있었다(r = 0.510).

구조적 경로와 간접 연관 결과

그림 2에서 보듯, 온라인 학습 경험은 기본적인 심리적 필요와 양의 상관관계를 보였다(β = 0.501, t = 11.259, p < 0.001, 95% 신뢰구간: 0.414에서 0.588). 기본적인 심리적 필요는 학습 참여와 양의 상관관계가 있었다(β = 0.349, t = 7.256, p < 0.001, 95% 신뢰구간: 0.255에서 0.444). 온라인 학습 경험은 학습 참여도와 직접적으로 연관되어 있었다(β = 0.324, t = 6.699, p < 0.001, 95% 신뢰구간: 0.229에서 0.419). 이 모델은 기본 심리적 필요 분산의 25.1%, 학습 참여 분산의 33.9%를 설명했습니다(표 4). 기본 심리적 필요에 대한 온라인 학습 경험의 f² 효과 크기는 0.332였습니다. 온라인 학습 경험과 학습 참여에 대한 기본 심리적 필요에 대한 f² 효과 크기는 각각 0.118과 0.138이었다.

그림 2: 표준화된 연관 기반 경로 계수를 가진 구조 모델. 그림은 온라인 학습 경험, 기본 심리적 필요, 학습 참여 간의 표준화된 경로를 보여주며, 직접 경로, 간접 경로, R² 값, 그리고 미리 지정된 통제 변수를 포함합니다. 모든 경로는 연관 기반 추정치로 해석됩니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

표 4: 내인성 구성의 설명된 변이. 이 표는 구조 모델 내 각 내인성 구조물에 대한 결정 계수(R²), 조정된 R² 값, 예측 변수를 보고합니다. 모든 결과는 데이터가 단면적이었기 때문에 연관성 기반 추정치로 해석됩니다. 약어: OLE_TOTAL = 글로벌 온라인 학습 경험 점수; BPN_TOTAL = 글로벌 기본 심리적 필요 점수; LE_TOTAL = 글로벌 학습 참여 점수. 이 표를 다운로드하려면 여기를 클릭해 주세요.

표 5는 주간 온라인 학습 시간이 기본적인 심리적 필요(β = 0.001, p = 0.986)나 학습 참여도와 유의미한 관련이 없음을 보여준다(β = −0.020, p = 0.634).

표 5: 구조적 경로 추정치와 효과량. 이 표는 표준화된 구조적 경로 추정치, 해당 t 값, p 값, 95% 신뢰구간(CI), f² 효과 크기 및 가설 모델의 경로 결정을 보고합니다. 제어 변수 경로도 제시됩니다. 모든 경로는 데이터가 단면적이었기 때문에 연관성 기반 추정치로 해석됩니다. 약어: OLE_TOTAL = 글로벌 온라인 학습 경험 점수; BPN_TOTAL = 글로벌 기본 심리적 필요 점수; LE_TOTAL = 글로벌 학습 참여 점수; WEEKLY_HOURS = 주간 온라인 학습 시간; PRIOR_EXPERIENCE = 이전 온라인 학습 경험; CI = 신뢰구간. 이 표를 다운로드하려면 여기를 클릭해 주세요.

이전 온라인 학습 경험은 기본적인 심리적 필요(β = −0.005, p = 0.916)나 학습 참여도와 유의미한 관련이 없었습니다(β = 0.013, p = 0.754). 온라인 학습 경험에서 기본적인 심리적 필요를 통한 학습 참여로의 간접적 경로가 지원되었습니다. 간접 효과는 0.175였으며, 95% 부트스트랩 신뢰구간은 0.124에서 0.231까지 다양했습니다. 온라인 학습 경험이 학습 참여에 미치는 직접적인 영향은 0.324였고, 총 효과는 0.499였습니다(표 6). 이 경로는 인과적 매개보다는 연관 기반 간접 경로로 해석되었습니다.

표 6: 직접, 간접, 총 연관 추정치. 이 표는 온라인 학습 경험과 학습 참여 간의 직접적, 간접적(매개된), 그리고 전체 연관성을 보고하며, 부트스트랩 95% 신뢰구간(CI)과 경로 결정도 포함됩니다. 모든 효과는 데이터가 단면적이었기 때문에 연관성 기반 추정치로 해석됩니다. 약어: OLE_TOTAL = 글로벌 온라인 학습 경험 점수; BPN_TOTAL = 글로벌 기본 심리적 필요 점수; LE_TOTAL = 글로벌 학습 참여 점수; CI = 신뢰구간. 이 표를 다운로드하려면 여기를 클릭해 주세요.

심리적 필요 하위 차원 민감도 분석 및 강인성 분석

자율성을 통한 간접 경로 필요성도 지지되었습니다(간접 효과 = 0.087, 95% 신뢰구간: 0.049에서 0.131). 역량 필요성을 통한 간접 경로가 지지되었으며, 가장 큰 간접 효과(간접 효과 = 0.148, 95% 신뢰구간: 0.094에서 0.205)를 보였다. 간접 경로 통한 친족성 필요성도 지지되었습니다(간접 효과 = 0.092, 95% 신뢰구간: 0.056에서 0.132) (표 7).

표 7: 기본 심리적 욕구 하위 차원의 민감도 분석. 이 표는 기본 심리적 욕구의 자율성, 역량, 연관성 하위 차원을 통한 간접 연관성을 보고하며, 여기에는 부트스트랩 95% 신뢰구간(CI)과 경로 결정이 포함됩니다. 모든 효과는 데이터가 단면적이었기 때문에 연관성 기반 추정치로 해석됩니다. 약어: OLE_TOTAL = 글로벌 온라인 학습 경험 점수; LE_TOTAL = 글로벌 학습 참여 점수; BPN_AU = 자율성 필요; BPN_CO = 역량 필요; BPN_RE = 관련성 필요성; CI = 신뢰구간. 이 표를 다운로드하려면 여기를 클릭해 주세요.

회귀 기반 강건성 분석은 주요 PLS-SEM 모델과 동일한 실질적 해석을 도출했습니다. 온라인 학습 경험은 기본 심리적 필요와 양의 상관관계를 유지했다(β = 0.501, 95% 신뢰구간: 0.414에서 0.588). 기본 심리적 필요는 온라인 학습 경험 및 대조 변수 조정 후에도 학습 참여와 양의 상관관계를 유지했다(β = 0.349, 95% 신뢰구간: 0.255에서 0.444). 회귀 기반 간접 효과는 0.175였으며, 95% 부트스트랩 신뢰구간은 0.124에서 0.231 사이였습니다. 데이터가 횡단적이었기 때문에 모든 경로는 인과적 효과보다는 연관성 기반 추정치로 해석되었습니다(표 8).

표 8: 회귀 기반 강건성 분석. 이 표는 구조적 경로에 대한 회귀 기반 강인성 결과를 보고하며, 조정된 직접 및 간접 연관 추정치를 부트스트랩 95% 신뢰구간(CI)으로 포함합니다. 모든 효과는 데이터가 단면적이었기 때문에 연관성 기반 추정치로 해석됩니다. 약어: OLE_TOTAL = 글로벌 온라인 학습 경험 점수; BPN_TOTAL = 글로벌 기본 심리적 필요 점수; LE_TOTAL = 글로벌 학습 참여 점수; CI = 신뢰구간. 이 표를 다운로드하려면 여기를 클릭해 주세요.

보조 파일 1: 설문지, 변수 코딩, 채점 규칙. 이 파일은 영어 설문지, 자격 심사 변수, 배경 변수 코딩, 문항 문구, 문항-출처 매핑, 응답 척도, 점수 산정 공식, 변수 사전, 데이터 처리 규칙, 일관성 검사를 제공합니다. 이 파일을 다운로드하려면 여기를 클릭해 주세요.

보조 파일 2: 최종 분석 데이터셋 검증, 분석 설정 및 재현성 기록. 이 파일은 잠긴 분석 데이터셋, 현장 작업 요약, 전문가 검토 및 파일럿 테스트 기록, 스크리닝 요약, 누락 데이터 검사, 신뢰성 및 측정 모델 출력, 구조 모델 결과, 민감도 분석, 견고성 분석, 재현성 체크리스트를 기록합니다. 이 파일을 다운로드하려면 여기를 클릭해 주세요.

토론

이 프로토콜은 대학생의 온라인 학습 경험, 기본 심리적 필요, 학습 참여 간의 연관 경로를 평가하기 위한 재현 가능한 방법론적 작업 흐름을 제공합니다. 온라인 학습을 단일 조건으로 다루는 대신, 프로토콜은 인식되는 학습 환경을 플랫폼 사용성, 수업 지원, 상호작용 품질, 학습 유연성으로 분리합니다. 이 구조는 연구자들이 전체 만족도나 강의 완료 지표에만 의존하지 않고 심리적 욕구 충족과 참여와 가장 밀접하게 연관된 온라인 학습 경험의 부분을 식별할 수 있게^합니다.

중심적인 방법론적 기여는 설문지 코딩의 사전 지정, 적격성 심사, 응답 품질 검사, 구성자 점수 부여, 데이터셋 고정, 모델 테스트입니다. 이 단계들은 설문 기반 교육 연구가 부주의 응답, 패턴화된 답변, 일관성 없는 적격성 응답, 누락된 데이터 결정, 사후 제외에 민감하기 때문에 중요합니다¹⁷. 이러한 결정들을 구조 분석 전에 두어, 프로토콜은 분석 경로를 재현 가능하게 하고, 결과가 밝혀진 후 선별 또는 채점 규칙이 변경될 위험을 줄입니다.

프로토콜은 또한 연관 경로를 해석하는 방식을 명확히 합니다. 온라인 학습 경험은 독립적 구성, 기본 심리적 필요는 간접 연상 구성, 학습 참여는 결과 구성 요소로 모델링됩니다. 이 구조는 자율성, 역량, 관련성이 일부 온라인 학습 환경이 더 강한 참여와 연관된 이유를 이해하는 메커니즘을 제공하기 때문에 이론적으로 자기결정 이론에 기반을 두고 있습니다. 그러나 프로토콜이 횡단면 설문지 데이터를 사용하기 때문에 경로를 인과적 매개가 아닌 간접적 연관으로 해석해야 합니다.

학습 참여를 다차원적으로 다루는 것도 프로토콜의 또 다른 강점입니다. 행동적 참여, 인지 참여, 감정적 참여는 각각 별도로 측정한 후 전역 참여 개념으로 요약됩니다. 이로 인해 참여가 출석, 과제 완료, 로그인 행위에만 국한되지 않도록^{방지됩니다.} 실질적으로, 이 프로토콜은 필수 과제를 완료한 학생과 인지적으로 투자되고 감정적으로 참여하며 온라인 학습 활동에 계속 참여할 의지가 있는 학생을 구분할 수 있습니다.

이 프로토콜은 온라인 학습 설계의 약점을 진단하는 데에도 유용합니다. 예를 들어, 강의가 적절한 플랫폼 접근성을 제공하지만, 소통이 지연되거나 단편적이거나 의미 있는 학습 상호작용과 연결되지 않으면 관련성이나 감정적 참여가 낮을 수 있습니다. 이 구분은 기술 가용성만이 아니라 사회적 존재감, 교수 참여, 인지 존재감을 강조하는 온라인 학습 모델과 일치합니다²⁰. 따라서 프로토콜은 플랫폼 설계, 강사 지원, 상호작용 구조, 심리적 욕구 충족의 목표 개선을 지원합니다.

해석과 향후 사용에는 여러 제한이 있어야 합니다. 첫째, 단면 설계는 시간적 순서를 확립하지 않으므로, 인과적 주장은²¹번에 제기되어서는 안 된다. 둘째, 모든 주요 변수는 자가 보고되며, 일반적인 방법 진단만으로는 응답 편향 우^{려를 완전히} 제거할 수 없다. 셋째, 모델은 강사 행동, 강의 설계 품질, 플랫폼 분석, 기관 지원을 직접 관찰하지 않습니다. 향후 연구에서는 종단 측정, 다그룹 비교, 학습-분석 통합, 혼합 방법 추적 관찰을 통해 프로토콜을 확장하면서도 동일한 재현 가능한 선별, 점수 매김, 모델 테스트, 검증 논리를 유지할 수 있습니다²³.

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
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.