Een gestructureerde workflow voor het screenen, scoren en visualiseren van vragenlijstgegevens over het welzijn van bachelorstudenten

Samenvatting

Dit protocol demonstreert een gestructureerde en controleerbare workflow voor het verwerken van geanonimiseerde gegevens uit vragenlijsten over het welzijn van undergraduate studenten, van de ruwe export en screening van responsen tot schaalscoren, betrouwbaarheidscontroles, regressiediagnostiek, verificatie van figuurbronnen en analytische outputs die klaar zijn voor visualisatie.

Samenvatting

Vragenlijstonderzoeken worden veelvuldig gebruikt om het welzijn van studenten te onderzoeken, maar de procedurele route van ruwe antwoorden naar analyseerbare variabelen, statistische tabellen en visuele output is vaak onvoldoende gedocumenteerd. Dit protocol demonstreert een gestructureerde en controleerbare workflow voor het verwerken van geanonimiseerde gegevens uit welzijnsvragenlijsten van undergraduate studenten, verzameld met meerdere secties op basis van Likert-type schalen. De workflow begint met ethische goedkeuring, documentatie van toestemming, configuratie van de vragenlijst en export van ruwe data, en gaat vervolgens over in screening van antwoorden, controle op dubbele antwoorden, omgang met ontbrekende gegevens, itemcodering, omgekeerde scoreberekening, betrouwbaarheidsbeoordeling, beschrijvende analyse, correlatieanalyse, contrastieve groepvergelijking, regressiemodellering, diagnostische controle en de voorbereiding van bronnen voor visualisatie. De voorbeeldvragenlijst maakt gebruik van gedocumenteerde en studie-aangepaste schaalsecties gebaseerd op de Depression Anxiety Stress Scales-21, de Tuckman Procrastination Scale, de Psychological Sense of School Membership Scale, literatuur over de meting van higher-order thinking en documentatie van schalen voor subjectief welzijn. Negatieve emoties, academisch uitstelgedrag, schoolverbondenheid, higher-order thinking en subjectief welzijn worden gebruikt als voorbeeldvariabelen op schaalniveau om te laten zien hoe antwoorden op itemniveau kunnen worden omgezet in traceerbare analytische output. Representatieve resultaten omvatten een tabel met de screeningflow, een demografische samenvatting, beschrijvende statistieken en bereikverificatie, schattingen van de interne consistentie, een correlatiematrix, resultaten van contrastieve vergelijkingen, regressiecoëfficiënten, residu- en invloedsdiagnostiek en bronbestanden voor figuren. Het protocol benadrukt vooraf vastgestelde beslisregels, een gekoppelde schaalmap, een screeninglogboek voorafgaand aan de analyse, verificatie van omgekeerde scores en numerieke bronverificatie voor figuren. In plaats van het voorstellen van een nieuwe psychometrische schaal, het valideren van een meetmodel of het vaststellen van causale relaties, biedt deze methode een praktische en controleerbare procedure voor onderzoekers die gegevens over het welzijn van undergraduate studenten uit vragenlijsten moeten screenen, scoren, analyseren en visualiseren. De workflow kan worden aangepast voor gerelateerde vragenlijstonderzoeken wanneer de schaalmap, ethische goedkeuring, scoreregels, drempelwaarden voor antwoordscreening en bronbestanden voor visualisatie vóór de analyse zijn gedefinieerd.

Inleiding

Subjectief welzijn is een belangrijke uitkomst in studentenonderzoek, omdat het weerspiegelt hoe studenten hun leven, emotionele ervaringen, sociale relaties en dagelijks functioneren binnen leeromgevingen evalueren. In het hoger onderwijs is het welzijn van studenten multidimensionaal en beperkt het zich niet enkel tot levenstevredenheid of psychische nood¹. Vragenlijstgegevens blijven daarom nuttig wanneer onderzoekers emotionele, gedragsmatige, sociale, cognitieve en met welzijn gerelateerde ervaringen binnen hetzelfde analytische kader willen onderzoeken.

De waarde van vragenlijstgegevens hangt niet alleen af van de geselecteerde constructen, maar ook van de manier waarop ruwe antwoorden worden omgezet in analytische variabelen. Veel studies rapporteren schaalscores, correlatiematrices, groepvergelijkingen of regressiemodellen zonder de tussenliggende beslissingen te tonen die de ruwe gegevens verbinden met de uiteindelijke tabellen en figuren. Ontbrekende antwoorden worden mogelijk inconsistent behandeld, items met omgekeerde scoren kunnen foutief gecodeerd zijn, dubbele inzendingen kunnen in de dataset blijven staan en onoplettende antwoorden kunnen als geldige observaties worden beschouwd. Beslissingen over ontbrekende gegevens moeten daarom worden gepland, gedocumenteerd en gerapporteerd, in plaats van te worden behandeld als een onzichtbare post hoc-stap². Gegevens uit online vragenlijsten vereisen daarnaast expliciete regels voor antwoordkwaliteit, omdat snelheid (speeding), straight-lining, inconsistente antwoorden en andere patronen van geringe inspanning de descriptieve statistieken, betrouwbaarheidsschattingen en geobserveerde associaties kunnen vervormen³.

De nieuwheid van dit protocol ligt in het gekoppelde auditspoor van de ruwe export van de vragenlijst tot de uiteindelijke statistische en visuele resultaten. Specifiek voegt de workflow een voltooide schaalmap, een screeningslogboek voor de pre-analyse, een controlepunt voor omgekeerde scoren, een logboek voor scoreverificatie, numerieke bronverificatie voor figuren en een auditspoor toe dat elke tabel of figuur koppelt aan het bronbestand. Dit onderscheidt de methode van standaardpraktijken voor het opschonen van enquêtegegevens, schaalscoring, betrouwbaarheidstests of visualisatie. In plaats van enkel te vermelden dat de gegevens van de vragenlijst zijn opgeschoond en geanalyseerd, specificeert het protocol welk bestand is vergrendeld, welk bestand is gescreend, welke regels zijn toegepast, welke schaalscores zijn gegenereerd en welke geverifieerde numerieke tabel is gebruikt om elke visuele weergave te creëren.

De workflow wordt gedemonstreerd met geanonimiseerde vragenlijstgegevens van studenten die vijf variabelen op schaalniveau bevatten: negatieve emotie, academische uitstelgedrag, schoolgebondenheid, hoger-orde denken en subjectief welzijn. Deze constructen zijn geselecteerd om emotionele, gedragsmatige, schoolcontextuele, cognitieve en resultaatgerichte voorbeelden te bieden binnen één gestructureerde en controleerbare workflow. Academisch uitstelgedrag is in verband gebracht met latere mentale gezondheidsproblemen bij universiteitsstudenten, waaronder depressie, angst en stressgerelateerde uitkomsten⁴. Schoolgebondenheid en subjectief welzijn zijn onder studentenpopulaties ook nauw met elkaar verbonden, wat de inclusie van maatstaven voor gebondenheid en welzijn binnen hetzelfde raamwerk voor vragenlijstverwerking ondersteunt⁵. In dit protocol worden deze constructen echter gebruikt om de workflow te demonstreren en niet om een causaal psychologisch model vast te stellen.

Een centraal kenmerk van het protocol is de scheiding van dataverwerkingsbeslissingen en de inhoudelijke interpretatie. De schaalmap wordt opgesteld vóór de analyse, de criteria voor de kwaliteit van de responsen worden vastgesteld vóór de scoreberekening van de schaal, de verificatie van de omgekeerde scoren wordt voltooid vóór de statistische toetsing, en figuren worden pas gegenereerd nadat de bijbehorende numerieke brontabellen zijn gecontroleerd. Deze volgorde is belangrijk omdat Likert-type responsschalen een zorgvuldige afstemming vereisen tussen de formulering van de items, de responshulpmiddelen, de scorerichting en de statistische behandeling⁶. Het protocol geeft daarnaast prioriteit aan transparante preprocessering en scoreverificatie boven modelcomplexiteit. Predictieve of multivariabele modellen kunnen nuttig zijn in studentenonderzoek⁷, en grafische samenvattingen kunnen de interpretatie verbeteren mits ze gekoppeld blijven aan geverifieerde numerieke matrices⁸, maar beide zijn afhankelijk van een transparante voorbereiding van de inputvariabelen. Om deze reden gebruikt de workflow correlatieanalyse, contrastieve groepvergelijking, regressiemodellering, diagnostische controle en visualisatie als voorbeeldmodules in plaats van als verplichte inhoudelijke claims.

Dit protocol is bedoeld voor onderzoekers die een praktische workflow nodig hebben voor het verwerken van vragenlijstgegevens over het welzijn van geanonimiseerde studenten. Het is geschikt wanneer antwoorden op vragenlijstitems worden geëxporteerd vanuit een online platform, schaalvariabelen berekend moeten worden op basis van Likert-type items, en het doel is om transparante beschrijvende, correlationele, groepvergelijkende, regressie- en diagnostische resultaten te genereren die klaar zijn voor visualisatie. Het is niet ontworpen om causale relaties vast te stellen, nieuwe schalen te valideren, confirmatieve factoranalyse te vervangen, tests voor meetinvariantie te vervangen of als alternatief te dienen voor item-responsmodellering of latente-variabelenmodellering. De bijdrage is procedureel: het maakt het pad van de vragenlijstgegevens naar de gerapporteerde tabellen en figuren zichtbaar, reproduceerbaar en controleerbaar. Deze focus is consistent met huidige zorgen over de kwaliteit van online enquêtegegevens⁹, regressie- en invloedscontroles¹⁰ en controleerbare analyseworkflows op basis van vragenlijsten¹¹.

Protocol

Deze studie met menselijke deelnemers is beoordeeld en goedgekeurd door de Ethiekcommissie van het College of Aeronautics, Guizhou Open University (Goedkeuringsnr. GZOU-EDU-2024-015). De commissie heeft vastgesteld dat de studie in aanmerking kwam voor een ethische vrijstelling, omdat er gebruik werd gemaakt van anonieme, vrijwillige vragenlijstprocedures en er niet meer dan een minimaal risico voor de deelnemers bestond. Alle deelnemers gaven elektronische geïnformeerde toestemming voordat zij de vragenlijst invulden en konden op elk moment stoppen met antwoorden zonder sancties. Omdat verschillende items betrekking hadden op negatieve emoties, stress, eenzaamheid, hulpeloosheid, ontevredenheid of gerelateerde welzijnservaringen, bevatten de toestemmingspagina en de laatste pagina van de vragenlijst contactgegevens van de onderzoeker en de instelling voor deelnemers die ongemak ervoeren. De dataset die in dit protocol is gebruikt, werd geanonimiseerd vóór screening, scoring, analyse en visualisatie. De volledige vragenlijst is beschikbaar als Aanvullend Bestand 1.

1. Bereid de vragenlijst, de ethische documentatie en de workflow-artefacten voor

1. Definieer de in aanmerking komende populatie, de studieomgeving, de constructen van de vragenlijst en de geplande analytische resultaten voordat de vragenlijst wordt geprogrammeerd.
2. Stel een ethische aanvraag op waarin de doelpopulatie, het wervingskanaal, de inhoud van de vragenlijst, de geschatte voltooiingstijd, de bescherming van de anonimiteit, de gegevensopslag, de procedure voor intrekking, informatie voor deelnemersondersteuning en de geplande analyses worden beschreven.
3. Sla het document van ethische goedkeuring of vrijstelling, de formulering van de toestemming, de wervingstekst, de versie van de vragenlijst, de informatie voor deelnemersondersteuning en de geplande workflow op in de projectmap voordat de gegevensverzameling begint.
4. Definieer de doelpopulatie als fulltime bachelorstudenten die ten minste 18 jaar oud zijn, momenteel ingeschreven staan bij het hoger onderwijs, in staat zijn de vragenlijst te begrijpen en in staat zijn geïnformeerde toestemming te geven.
5. Definieer de exclusiecriteria vóór de werving. Sluit respondenten uit die geen toestemming geven, niet voldoen aan de definitie van de doelpopulatie, dubbele antwoorden indienen, de drempelwaarde voor ontbrekende gegevens overschrijden of voldoen aan de gecombineerde criteria voor ongeldige antwoorden zoals beschreven in stap 1.4.
6. Plaats de verklaring van geïnformeerde toestemming aan het begin van de vragenlijst. Vermeld het doel van de studie, het vrijwillige karakter van de deelname, de geschatte voltooiingstijd van 12 min, de bescherming van de anonimiteit, het recht op intrekking, het gegevensgebruiksplan, de contactgegevens van de onderzoeker en de contactgegevens voor ondersteuning.
7. Verzamel geen direct identificeerbare informatie, waaronder studentenidentificatienummers, nationale identificatienummers, mobiele telefoonnummers, persoonlijke e-mailadressen, studentenadres of andere persoonlijke identificatiekenmerken.
8. Rangschik de vragenlijst in deze volgorde: geïnformeerde toestemming, demografische informatie, items voor negatieve emoties, items voor academische uitstelgedrag, items voor schoolgebondenheid, items voor hoger-orde denken en items voor subjectief welzijn.
9. Selecteer de broninstrumenten voordat de vragenlijst wordt geprogrammeerd. In dit protocol werd negatieve emotie beoordeeld met de 21-item Depression Anxiety Stress Scales-21, academisch uitstelgedrag met de 16-item Tuckman Procrastination Scale, schoolgebondenheid met de 18-item Psychological Sense of School Membership Scale, hoger-orde denken met een set van 20 items voor hoger-orde denken aangepast uit gepubliceerde literatuur over de meting van hoger-orde denken, en subjectief welzijn met een 20-item schaal voor subjectief welzijn voor onderzoek naar studenten in het hoger onderwijs^{12,13,14,15,16}.
10. Stel een vastgelegde schaalmap op voordat de vragenlijst wordt geprogrammeerd. Neem de naam van het construct, de oorspronkelijke naam van de schaal, de oorspronkelijke citatie, de taalversie, de status van toestemming of autorisatie, de vertaal- of adaptatieprocedure, de itemcode, de formulering van het item, het antwoorbereik, de antwoordankers, de score-richting, de status van omgekeerd gescoorde items, de uiteindelijke variabele op schaalniveau en de score-regel op.
11. Beschrijf een itemset alleen als een gevalideerde schaal wanneer het broninstrument, de citatie, het validatiebewijs en de adaptatie- of vertaalstatus zijn gedocumenteerd. Identificeer elke door de auteur ontwikkelde of studiespecifieke itemset in Tabel 1 en Aanvullend bestand 1.
12. Leg het meetkader vast voordat de gegevensverzameling begint. Voltooi voor vertaalde of aangepaste instrumenten de vertaling, review, afstemming en pilotcontrole voordat de werving begint.
13. Bereid een workflow-auditpakket voor dat het vastgelegde vragenlijstbestand, de schaalmap, de checklist voor export van ruwe gegevens, het screeningslogboek, het scoreverificatielogboek, het analyselogboek, het sjabloon voor de figuurbronnentabel en het analysesyntax- of scriptbestand bevat.
14. Gebruik versienummers in de bestandsnamen voor alle workflow-artefacten.
15. Definieer de vereiste kolommen voor elk auditbestand.
    1. Het screeningslogboek bevat record-ID, screeningscriterium, vlagstatus, exclusiestatus, reden voor exclusie, beslisdatum en initialen van de beoordelaar.
    2. De schaalmap bevat de naam van het construct, de bron van de schaal, de itemcode, de formulering van het item, het antwoorbereik, de antwoordankers, de status van omgekeerde scoring, de uiteindelijke variabelenaam, de score-regel en de status van toestemming of adaptatie.
    3. Het scoreverificatielogboek bevat de itemcode, het oorspronkelijke waardenbereik, het recoderede waardenbereik, de formule voor omgekeerde scoring, het resultaat van de bereikcontrole, de status van discrepantie, de gemaakte correctie en de datum van correctie.
    4. De figuurbronnentabel bevat het figuurnummer, het paneelnummer, de brontabel, de uitgezette variabelen, de weergegeven statistiek, de steekproefgrootte en de verificatiestatus.
16. Definieer de analytische workflow voordat de vragenlijst wordt geprogrammeerd: toediening van de enquête, export van ruwe gegevens, screening van antwoorden, scoring van schalen, betrouwbaarheidsbeoordeling, beschrijvende analyse, correlatieanalyse, vergelijking van hoge-lage groepen, regressiemodellering, diagnostische controles en voorbereiding van visualisatie¹⁷.
17. Structureer het protocol rond beslissingen, operaties en verificatieresultaten in plaats van softwaremenupaden.
18. Stel workflow-bronnen beschikbaar wanneer dit is toegestaan door institutionele richtlijnen en tijdschriftbeleid, waaronder het vragenlijstbestand, de schaalmap, het sjabloon voor het screeningslogboek, het sjabloon voor het scorelogboek, het analysesyntax- of scriptbestand en de figuurbronnentabellen.
    OPMERKING: Figuur 1 toont de route van de voorbereiding van de vragenlijst naar de export van ruwe gegevens, screening van antwoorden, scoring van schalen, statistische analyse, diagnostische controles en visualisatie-output. Tabel 1 rapporteert het broninstrument, het aantal items, het antwoorbereik, het scorekader, de regel voor omgekeerde scoring, de status van toestemming of adaptatie en de uiteindelijke variabele op schaalniveau voor elk construct.

2. Configureer en verspreid de vragenlijst

1. Bevestig dat het platform voor de vragenlijst consent gating, verplichte items, controle op dubbele indieningen, timestamp-registratie en registratie van de responstijd ondersteunt.
2. Maak de vragenlijst aan met behulp van het online enquêteplatform dat is vermeld in de Tabel met Materialen. Programmeer de vragenlijst volgens de vastgestelde schaalmap.
3. Vergelijk de geprogrammeerde vragenlijst item voor item met de vastgestelde schaalmap voordat de enquête-link wordt vrijgegeven. Noteer eventuele correcties in het studielogboek.
4. Stel het item voor geïnformeerde toestemming in als het eerste verplichte item. Beëindig de vragenlijst automatisch wanneer een deelnemer selecteert: "Ik ga niet akkoord met deelname."
5. Programmeer de secties voor demografische gegevens en psychologische schalen volgens de volgorde die is vastgelegd in Stap 1.8. Gebruik itemcodes die overeenkomen met de schaalmap.
6. Stel items van de psychologische schaal alleen als verplicht in wanneer dit is toegestaan door de ethische goedkeuring of vrijstelling en wanneer deelnemers zich zonder sancties kunnen terugtrekken. Als geforceerde antwoorden niet zijn toegestaan, leg dan de regel voor ontbrekende gegevens vast vóór de gegevensverzameling.
7. Toon de responsankers vóór elke schaalsectie en houd de ankers consistent binnen elke schaal¹⁸.
8. Schakel herhaalde indieningen uit wanneer het enquêteplatform deze functie biedt. Bewaar alle anonieme apparaat-, browser-, platform- of indieningsidentificatoren die nodig zijn voor de controle op dubbele antwoorden.
9. Schakel de automatische registratie van de indieningstijd en de voltooiingsduur in.
10. Stel de openingsperiode van de vragenlijst in op 7 kalenderdagen, of gebruik het verzamelvenster dat is goedgekeurd door de ethische commissie.
11. Verstuur de link naar de vragenlijst via het goedgekeurde institutionele wervingskanaal. Geef dezelfde schriftelijke instructies aan alle deelnemers.
12. Sluit de vragenlijst nadat het vooraf gespecificeerde verzamelvenster is beëindigd.
    OPMERKING: Bewaar de wervingstekst, de link naar de vragenlijst, de openings- en sluitingsdata, de platforminstellingen, de toestemmingstekst, de definitieve versie van de vragenlijst en de exportinstellingen van het platform in het studielogboek.

3. Exporteer en beveilig de ruwe gegevens

1. Exporteer de ingevulde vragenlijstresponses onmiddellijk na het sluiten van het verzamelvenster als een spreadsheetbestand.
2. Sla het eerste geëxporteerde bestand op als de vergrendelde ruwe dataset. Bewerk dit bestand niet.
3. Maak één werkkopie aan voor screening, scoring en analyse. Benoem het bestand met de datum, het versienummer en de projectidentificatie.
4. Bevestig dat het geëxporteerde bestand één rij per respondent bevat en één kolom per demografische variabele, vragenlijstitem, tijdstempelvariabele, platformvariabele of afgeleid platformveld.
5. Sla de vergrendelde ruwe dataset, de werkkopie, de schaalmatrix, het vragenlijstbestand, het studielogboek, het screeningslogboek, het scoringsverificatielogboek, het analyselogboek, de figuur-brontabellen en het syntax- of scriptbestand op in een wachtwoordbeveiligde projectmap.
6. Controleer of de dataset geen direct identificeerbare informatie bevat. Verwijder elk onverwacht identificatieveld uit de werkkopie vóór de analyse en noteer de veldnaam, de reden voor verwijdering, de datum van verwijdering en de verantwoordelijke reviewer in het studielogboek.
7. Controleer de indirecte identificeerbaarheid voordat gegevens op deelnemerniveau worden gedeeld of gepubliceerd. Beoordeel kleine demografische cellen die zijn ontstaan door combinaties van geslacht, leeftijd, jaarniveau, instellingscategorie en academische studierichting. Als een cel minder dan vijf respondenten bevat, combineer dan categorieën, onderdruk de cel of lever alleen geaggregeerde gegevens.
8. Noteer de status van de gegevensbeschikbaarheid in het studielogboek, inclusief of gegevens op deelnemerniveau beschikbaar zijn, beperkt zijn vanwege ethische of privacyvereisten, of zijn vervangen door een geaggregeerde workflowdataset.
9. Maak een screeningslogboek aan vóór de gegevensopschoning. Noteer de ruwe steekproefgrootte, het screeningscriterium, het aantal gemarkeerde records, het aantal verwijderde records, het aantal behouden records, de reden voor uitsluiting, de beslisdatum en de initialen van de reviewer.
10. Maak een analyse-tracebestand aan vóór de statistische analyse. Noteer de softwarenaam, softwareversie, het besturingssysteem, de bestandsnamen, de gegevensversie, de script- of syntaxversie en de datum van elke analyserun.
    OPMERKING: Gebruik de vergrendelde ruwe dataset uitsluitend voor verificatie. Voer alle screening, scoring en analyse uit met de werkkopie.

4. Screen responsen en stel de analytische dataset samen

1. Pas vooraf vastgestelde uitsluitings- en kwaliteitscontroleregels toe voordat u enige score op schaalniveau berekent.
2. Pas de screeningsregels toe op de werkkopie in deze volgorde: toestemmingsstatus, geschiktheid, dubbele indieningen, ontbrekende gegevens, responstijd, rechtlijnig antwoorden (straight-lining), waarden buiten het bereik en gecombineerde indicatoren voor responskwaliteit.
3. Leg na elke screeningsoperatie het aantal gemarkeerde, verwijderde en behouden records vast in het screeningslogboek. Overschrijf eerdere versies van het werkbestand niet.
4. Verwijder alle records waarin het item voor geïnformeerde toestemming is gemarkeerd als "Nee" of onbeantwoord is gelaten.
5. Verwijder alle records die niet voldoen aan de inclusiecriteria zoals gedefinieerd in stap 1.4.
6. Screen op dubbele indieningen met behulp van anonieme responsidentificatoren, indieningstijd, vlaggen voor dubbele indieningen van het platform en herhaalde responspatronen.
7. Behoud de eerste volledige indiening wanneer dubbele vermeldingen worden gedetecteerd, tenzij er een gedocumenteerde reden is om een latere volledige respons te behouden.
8. Corrigeer alle regels voor responskwaliteit voordat de schaalscores worden berekend. Tabel 2 vat de uitsluitingsdrempels, markeringsdrempels, rationale, literatuurondersteuning en het plan voor sensitiviteitsanalyse samen dat in de workflow is gebruikt.
9. Screen op ontbrekende gegevens. Verwijder een respondent wanneer meer dan 20% van alle schaalitems ontbreekt. Vervang een geïsoleerd ontbrekend item alleen door de gemiddelde score van de respondent voor dezelfde schaal wanneer ten minste 80% van die schaal is ingevuld. Imputeer geen demografische variabelen, tenzij de variabele in geen enkele analyse wordt gebruikt.
10. Registreer het aantal respondenten dat is uitgesloten vanwege meer dan 20% ontbrekende schaalitems en het aantal dat binnen-schaal gemiddelde imputatie heeft ontvangen. In de huidige dataset werden 4 respondenten uitgesloten vanwege meer dan 20% ontbrekende schaalitems, en 21 respondenten ontvingen binnen-schaal gemiddelde imputatie voor 37 geïsoleerde ontbrekende items.
11. Screen op responstijd. Markeer responsen die in minder dan 180 s zijn voltooid. Behandel deze waarde als een vlag voor te snel antwoorden (speeding) in plaats van als een automatische uitsluitingsregel.
12. Screen op rechtlijnige responsen. Markeer een respons wanneer dezelfde optie is geselecteerd voor meer dan 90% van alle Likert-schaalitems. Behandel deze waarde als een vlag voor responspatronen in plaats van als een automatische uitsluitingsregel.
13. Screen op aanvullende indicatoren voor lage inzet, waaronder bewijs van dubbele indieningen, onmogelijke tijdstempels, herhaalde responsstrings over verschillende indieningen of conflicten tussen platformmetadata en de inhoud van de vragenlijst.
14. Verwijder een gemarkeerde respons alleen wanneer ten minste twee kwaliteitscontrole-indicatoren wijzen op ongeldig antwoorden, zoals een extreem korte voltooiingstijd gecombineerd met rechtlijnig antwoorden, bewijs van dubbele indiening of onmogelijke platformmetadata¹⁹.
15. Registreer alle gemarkeerde records, zelfs wanneer ze behouden blijven. In de huidige dataset werden 19 responsen gemarkeerd voor een voltooiingsduur < 180 s, 8 responsen gemarkeerd voor >90% rechtlijnig antwoorden, en 13 records uitgesloten omdat ze voldeden aan twee of meer indicatoren voor responskwaliteit.
16. Screen op waarden buiten het bereik. Bevestig dat items voor negatieve emoties binnen 1–4 vallen, items voor academisch uitstelgedrag, schoolgebondenheid en hoger-orde denken binnen 1–5 vallen, en items voor subjectief welzijn binnen 1–6 vallen.
17. Correcteer een waarde alleen wanneer de oorspronkelijke export duidelijk een opmaakfout vertoont. Wijzig geldige psychologische scores niet omdat ze ongebruikelijk hoog of laag lijken.
18. Genereer een tabel met de screeningsstroom waarin de ingediende vragenlijsten, uitsluitingen op basis van toestemming en geschiktheid, uitsluitingen van dubbelen, uitsluitingen vanwege ontbrekende gegevens, vlaggen voor responskwaliteit, gecombineerde kwaliteitscontrole-uitsluitingen, imputaties van geïsoleerde items, behouden analytische gevallen en de uiteindelijke analytische steekproefomvang worden gerapporteerd.
19. Vul de tabel met de screeningsstroom in met behulp van het vergrendelde screeningslogboek en bewaar een geëxporteerd auditrecord van de screeningsbeslissingen. In de huidige dataset was de screeningsstroom als volgt: ingediende vragenlijsten, n = 448; uitsluitingen wegens toestemming of geschiktheid, n = 6; verwijderde dubbele indieningen, n = 5; records uitgesloten vanwege >20% ontbrekende schaalitems, n = 4; records uitgesloten vanwege twee of meer indicatoren voor responskwaliteit, n = 13; uiteindelijke analytische dataset, n = 420.
20. Sla de behouden records op als de analytische dataset. Gebruik een nieuwe versiebeheerde bestandsnaam en bewaar het screeningslogboek samen met de analytische dataset.
    OPMERKING: Behoud geldige extreme scores, tenzij er sprake is van een gedocumenteerd probleem met de responskwaliteit.

5. Score de psychologische schalen

1. Zet antwoorden op itemniveau pas om in variabelen op schaalniveau nadat de screening van de antwoorden is voltooid en de analytische dataset is opgeslagen.
2. Codeer alle Likert-type items volgens de antwoordcategorieën in de vastgelegde vragenlijst en de score-regels in de schaalmap.
3. Laat de oorspronkelijke itemvariabelen ongewijzigd. Maak afzonderlijke afgeleide variabelen aan voor gecodeerde of omgepoleerde items.
4. Score elke schaal volgens de vastgelegde schaalmap en het bijbehorende broninstrument of scorehandboek.
5. Voer de ompoling uit voor de aangewezen items voor subjectief welzijn voordat de score voor subjectief welzijn wordt berekend. Voor de antwoordschaal 1–6 wordt elk omgepoleerd item berekend als 7 minus de oorspronkelijke score; voeg _R toe aan de naam van de afgeleide variabele.
6. Gebruik de omgepoleerde variabelen, en niet de oorspronkelijke variabelen, bij het berekenen van het subjectieve welzijn.
7. Bereken elke score op schaalniveau als het gemiddelde van de behouden items: negatieve emotie, academische procrastinatie, schoolverbondenheid, hoger-orde denken en subjectief welzijn.
8. Benoem de uiteindelijke variabelen op schaalniveau als Negative emotion, Academic procrastination, School belongingness, Higher-order thinking en Subjective well-being.
9. Verifieer de minimum- en maximumwaarde van elke variabele op schaalniveau aan de hand van het theoretische antwoordbereik. Controleer de codering, de ompoling en de behandeling van ontbrekende waarden opnieuw als een score buiten het verwachte bereik valt.
10. Verifieer de richting van elke schaal aan de hand van de schaalmap vóór de inferentiële analyse. Hogere scores moeten de beoogde richting van het construct weerspiegelen.
11. Voer een audit van de ompoling uit vóór de analyse. Herbereken de omgepoleerde items voor een willekeurige subset van records of voor alle omgepoleerde items indien haalbaar, en noteer het resultaat van de audit in het logboek voor scoreverificatie.
12. Indien er een scorefout wordt gedetecteerd, corrigeer dan de afgeleide variabele, genereer de betreffende schaalscore opnieuw, werk het logboek voor scoreverificatie bij en voer alle daaropvolgende analyses en figuurbronstabellen opnieuw uit op basis van de gecorrigeerde analytische dataset.
    OPMERKING: Beschouw ompoling en bereikverificatie als vereiste controlepunten vóór correlatieanalyse, groepvergelijking, regressiemodellering of visualisatie.

6. Beoordeel de interne consistentie en beschrijvende eigenschappen

1. Bereken de interne consistentie, gecorrigeerde item-totaalcorrelaties en beschrijvende statistieken voor elke schaal met behulp van de itemvariabelen die zijn gedefinieerd in de vergrendelde schaalmap.
2. Noteer de Cronbach's alpha, het itemnummer, de geldige steekproefgrootte, de gecorrigeerde item-totaalcorrelaties en de alpha-bij-item-verwijdering-waarden voor elke schaal.
3. Gebruik een Cronbach's alpha van 0,70 als de minimale acceptabele betrouwbaarheidsdrempel voor deze workflow. Controleer voordat u een item verwijdert de bewoording van het item, de scorerichting, de omgekeerde score, de uitlijning met het construct en de documentatie van het broninstrument²⁰.
4. Bereken McDonald's omega als aanvullende betrouwbaarheidsschatting wanneer de analyseomgeving dit ondersteunt. Rapporteer omega samen met Cronbach's alpha wanneer de twee schattingen leiden tot verschillende interpretaties van de betrouwbaarheid.
5. Inspecteer elk item met een negatieve of zeer lage gecorrigeerde item-totaalcorrelatie voordat verwijdering wordt overwogen. Behandel dit in eerste instantie als een mogelijk probleem met de codering, de omgekeerde score of de uitlijning met het construct.
6. Verwijder een item niet enkel om de Cronbach's alpha te verhogen. Het verwijderen van een item moet worden gerechtvaardigd door de scorehandleiding, de bewoording van het item, de gecorrigeerde item-totaalcorrelatie, de conceptuele passing en gedocumenteerde scoreverificatie.
7. Bereken beschrijvende statistieken voor alle vijf de variabelen op schaalniveau, inclusief het gemiddelde, de standaarddeviatie, het minimum, het maximum, de scheefheid (skewness) en de kurtosis.
8. Controleer op vloer- of plafondeffecten door het aandeel respondenten bij de minimale en maximale mogelijke scores voor elke schaal te noteren.
9. Noteer de betrouwbaarheidsschattingen, item-totaaldiagnostiek, beschrijvende statistieken en alle scorebeslissingen in het analyselogboek.
   OPMERKING: Cronbach's alpha wordt gebruikt als betrouwbaarheidscontrole, niet als een volledige psychometrische validatieprocedure. Wanneer een formele evaluatie van de meting vereist is, vul deze workflow dan aan met McDonald's omega, confirmatieve factoranalyse, toetsing van meetinvariantie, item-responsmodellering of andere methoden voor latente variabelen.

7. Voer correlatieanalyse uit

1. Gebruik de vijf geverifieerde variabelen op schaalniveau: negatieve emotie, academisch uitstelgedrag, schoolverbondenheid, hoger-orde denken en subjectief welbevinden.
2. Inspecteer de distributies en bivariante spreidingsdiagrammen voor elk paar variabelen op schaalniveau voordat de Pearson-correlaties worden berekend.
3. Beoordeel of de variabelen een bijna continue scorevariatie, ernstige scheefheid, niet-lineaire relaties of invloedrijke uitschieterpatronen vertonen.
4. Bereken de Pearson-correlatiecoëfficiënten en tweezijdige p-waarden voor alle paren variabelen op schaalniveau wanneer de aannames acceptabel zijn voor descriptieve associatieanalyse.
5. Noteer de correlatiecoëfficiënt, de p-waarde, de steekproefomvang en de richting van de associatie voor elk variabelenpaar.
6. Rapporteer de correlatiecoëfficiënten tot op drie decimalen.
7. Vergelijk de richting van elke coëfficiënt met de schaalkaart. Controleer de itemscore opnieuw als een coëfficiënt in strijd is met de beoogde richting van het construct.
8. Sla de geverifieerde correlatiematrix op als de numerieke brontabel voor de correlatie-heatmap in de sectie Representatieve Resultaten.
9. Wanneer de distributies duidelijk scheef zijn, gevoeligheid voor ordinaal-schaalniveaus vereist is, of wanneer spreidingsdiagrammen monotone maar niet-lineaire associaties suggereren, herhaal dan de analyse met de Spearman-correlatie en vergelijk de richting en relatieve grootte van de associaties.
10. Noteer of de Pearson- en Spearman-resultaten tot dezelfde inhoudelijke interpretatie hebben geleid.
    OPMERKING: Gebruik de correlatieanalyse zowel als een descriptieve controle van de associatie als een audit van de score-richting.

8. Maak groepen met een hoog en laag subjectief welzijn aan

1. Gebruik de geschoonde en gescoorde analytische dataset. Keer voor de groepsconstructie niet terug naar de ruwe export.
2. Gebruik de continue score voor subjectief welbevinden als de primaire uitkomstmaat voor regressiemodellering. Gebruik de hoog-laag groepering uitsluitend voor contrastieve profielvergelijking.
3. Sorteer de respondenten op subjectief welbevinden van hoog naar laag.
4. Pas de vooraf vastgestelde regel van 27% voor extremegroepen toe om de groepen met hoog en laag subjectief welbevinden te definiëren. Documenteer de rationale voor deze drempelwaarde in Tabel 2 en in het analyselogboek.
5. Wijs respondenten in de bovenste 27% toe aan de groep met hoog subjectief welbevinden en respondenten in de onderste 27% aan de groep met laag subjectief welbevinden.
6. Behoud de middelste 46% in de volledige analytische dataset voor beschrijvende statistiek, correlatieanalyse, geslachtvergelijking en regressiemodellering, maar sluit deze gevallen uit van het hoog-laag contrast.
7. Maak een groeperingsvariabele aan met de naam Subjectieve welbevindingsgroep. Codeer de bovenste groep als Hoog, de onderste groep als Laag en de overige respondenten als Middel.
8. Bevestig dat de hoge en lage groepen het beoogde aantal gevallen bevatten. Indien er gelijke scores voorkomen op de grens van 27%, pas dan de vooraf vastgestelde regel voor het omgaan met gelijke scores toe en leg deze beslissing vast in het analyselogboek.
9. Voer een sensitiviteitscontrole uit wanneer de grens van 27% leidt tot een onstabiele groepssamenstelling vanwege gelijke scores of een kleine steekproefomvang. Gebruik een alternatieve vooraf vastgestelde regel, zoals tertielgroepering, en rapporteer of de interpretatie ongewijzigd blijft.
   OPMERKING: De hoog-laag groepering is een beschrijvende contrastprocedure. Deze mag de continue score voor subjectief welbevinden in het primaire regressiemodel niet vervangen.

9. Vergelijking tussen groepen met een hoog en laag subjectief welzijn

1. Filter de analytische dataset om alleen respondenten te behouden die zijn gecodeerd als Hoog of Laag in de groeperingsvariabele voor subjectief welzijn.
2. Vergelijk de hoge en lage groepen op negatieve emotie, academische uitstelgedrag, schoolverbondenheid en hoger-orde denken.
3. Inspecteer vóór de groepvergelijking de groepsspecifieke verdelingen, steekproefgroottes en variantie-gelijkheid voor elke variabele.
4. Gebruik een t-toets voor onafhankelijke steekproeven wanneer de aannames over verdeling en variantie acceptabel zijn. Gebruik de t-toets van Welch wanneer de aanname van variantie-gelijkheid niet wordt ondersteund.
5. Noteer groepsgemiddelden, standaarddeviaties, gemiddelde verschillen, t-waarden, vrijheidsgraden, p-waarden en 95% betrouwbaarheidsintervallen.
6. Bereken Cohen's d voor elk groepsverschil en interpreteer de effectgrootte samen met de p-waarde.
7. Inspecteer of de richting van elk groepsverschil consistent is met de constructdefinities en de correlatiematrix.
8. Sla de geverifieerde groepvergelijkingstabel op als de numerieke bron voor elke visualisatie van de groepvergelijking.
9. Rapporteer deze analyse als een contrast tussen extreme profielen van subjectief welzijn.
   OPMERKING: Interpreteer de hoog-laagvergelijking niet als causaal bewijs.

10. Onderzoek sekseverschillen

1. Verwijder het high-low groepsfilter en keer terug naar de volledige analytische dataset.
2. Gebruik geslacht als beschrijvende groeperingsvariabele in plaats van als causale blootstelling.
3. Vergelijk vrouwelijke en mannelijke respondenten op negatieve emotie, academische uitstelgedrag, schoolverbondenheid, hoger-orde denken en subjectief welzijn.
4. Inspecteer vóór de vergelijking de groepsspecifieke steekproefgroottes, ontbrekende gegevens, distributies en variantiegelijkheid.
5. Gebruik een t-toets voor onafhankelijke steekproeven wanneer de aannames acceptabel zijn. Gebruik de t-toets van Welch wanneer de aanname van variantiegelijkheid niet wordt ondersteund.
6. Noteer groepsgemiddelden, standaarddeviaties, gemiddelde verschillen, t-waarden, vrijheidsgraden, p-waarden, 95% betrouwbaarheidsintervallen en Cohen's d-waarden.
7. Interpreteer geslachtsverschillen beschrijvend en rapporteer effectgroottes met p-waarden.
8. Gebruik de resultaten van de geslachtsvergelijking niet om post hoc uitsluiting, schaalmodificatie of causale interpretatie te rechtvaardigen.
   OPMERKING: Geslachtsvergelijkingen zijn opgenomen als beschrijvende subgroepcontroles binnen deze cross-sectionele vragenlijstworkflow.

11. Schat het regressiemodel

1. Gebruik het subjectieve welzijn als de afhankelijke variabele.
2. Gebruik negatieve emotie, academische uitstelgedrag, schoolverbondenheid en hoger-orde denken als gelijktijdige predictoren op schaalniveau²¹.
3. Gebruik de continue variabelen op schaalniveau die tijdens de schaalscoren zijn aangemaakt. Vervang de continue score voor subjectief welzijn niet door de hoog-laag groeperingsvariabele.
4. Fit het primaire model met behulp van simultane multiple lineaire regressie.
5. Noteer de niet-gestandaardiseerde coëfficiënten, gestandaardiseerde coëfficiënten, standaardfouten, t-waarden, p-waarden, 95% betrouwbaarheidsintervallen, R², aangepaste R², tolerantie en de variantie-inflatiefactor.
6. Gebruik variantie-inflatiefactorwaarden onder de 5,00 als drempelwaarde voor de afwezigheid van ernstige multicollineariteit.
7. Inspecteer bivariate spreidingsdiagrammen, partiële regressieplots of component-plus-residuenplots om te beoordelen of de associaties tussen de predictoren en het subjectieve welzijn bij benadering lineair zijn.
8. Beoordeel de onafhankelijkheid van de residuen met behulp van de Durbin-Watson-statistiek.
9. Beoordeel de normaliteit van de residuen met behulp van een residuen-Q-Q-plot en, indien passend voor de steekproefomvang, een formele normaliteitstoets.
10. Beoordeel homoscedasticiteit met behulp van een plot van gestandaardiseerde residuen tegenover gestandaardiseerde voorspelde waarden.
11. Sla gestandaardiseerde residuen, gestandaardiseerde voorspelde waarden, leverage-waarden en de afstand van Cook op voor diagnostische controle.
12. Schat een aanvullend aangepast model in inclusief de vier psychologische predictoren en de demografische variabelen die in de steekproefbeschrijving worden vermeld, waaronder geslacht, leeftijd, jaarniveau, instellingscategorie en academische studierichting, wanneer deze variabelen beschikbaar zijn en adequaat verdeeld zijn.
13. Vergelijk het primaire model met het aanvullende aangepaste model. Noteer of de richting, grootte en statistische interpretatie van de vier psychologische predictoren stabiel blijven na demografische aanpassing.
14. Sla de geverifieerde gestandaardiseerde coëfficiënten en 95% betrouwbaarheidsintervallen van het primaire model op als de numerieke brontabel voor de coëfficiëntenplot in de sectie Representatieve Resultaten²².
    OPMERKING: Interpreteer regressiecoëfficiënten als conditionele associaties, niet als causale effecten. Het demografisch aangepaste model wordt gebruikt in een sensitiviteitsanalyse om te beoordelen of de conclusies van de workflow stabiel blijven na correctie voor beschikbare achtergrondvariabelen.

12. Diagnoseer het regressiemodel

1. Inspecteer de gestandaardiseerde residuen van het gefitte regressiemodel. Markeer gevallen met absolute gestandaardiseerde residuen groter dan 3,00.
2. Inspecteer de leverage-waarden en de afstand van Cook voor invloedrijke waarnemingen.
3. Markeer waarnemingen met een afstand van Cook groter dan 4/n als potentieel invloedrijk, waarbij n de analytische steekproefomvang is. Behandel een afstand van Cook groter dan 1,00 als een referentiedrempel voor ernstige invloed in plaats van als de enige screeningsgrens.
4. Inspecteer de plot van residuen versus voorspelde waarden op nonlineariteit, ongelijke variantie en ongebruikelijke clustering.
5. Inspecteer de Q-Q-plot van de residuen en het resultaat van de normaliteitstoets van de residuen. Leg vast of de beoordeling van de normaliteit het gebruik van het lineaire model voor beschrijvende associatieanalyse ondersteunt.
6. Noteer de Durbin-Watson-statistiek en bepaal of de onafhankelijkheid van de residuen acceptabel is.
7. Toets alle gemarkeerde gevallen aan het screeningslogboek, het scoringsverificatielogboek en de geschiktheidscriteria.
8. Behoud gemarkeerde gevallen wanneer deze geldige waarnemingen vertegenwoordigen en geen data-invoerfouten, scoringsfouten, dubbele indieningen, schendingen van de geschiktheid of gedocumenteerde problemen met de responskwaliteit weerspiegelen.
9. Corrigeer of verwijder een gemarkeerd geval alleen wanneer het auditspoor een gedocumenteerde procedurele fout, geschiktheidsfout, coderingsfout, scoringsfout of data-invoerfout identificeert.
10. Voer het regressiemodel opnieuw uit na elke gedocumenteerde correctie en vergelijk de coëfficiënten, betrouwbaarheidsintervallen, R², gecorrigeerde R² en diagnostische outputs met het oorspronkelijke model.
11. Voer een gevoeligheidsanalyse voor invloed uit door het model opnieuw te fitten na het uitsluiten van gevallen met een afstand van Cook groter dan 4/n. Rapporteer of de inhoudelijke interpretatie verandert.
12. Noteer de definitieve diagnostische beslissing in het analyselogboek, inclusief het aantal gevallen gemarkeerd door gestandaardiseerde residuen, het aantal gemarkeerd door een afstand van Cook groter dan 4/n, de maximale afstand van Cook, de Durbin-Watson-statistiek en de conclusie uit de controles op normaliteit en lineariteit van de residuen.
    OPMERKING: Verwijder invloedrijke gevallen niet enkel om de modelfit te verbeteren. Verwijdering of correctie moet gebaseerd zijn op een gedocumenteerde reden uit het auditspoor.

Resultaten

Analytische dataset gegenereerd na screening van de responsen
De workflow voor de screening van de responsen resulteerde in een analytische dataset van 420 geanonimiseerde studentendossiers uit 448 ingediende vragenlijsten. In het screeningslogboek werd elk beslismoment geregistreerd. Zes dossiers werden verwijderd omdat niet aan de eisen voor toestemming of geschiktheid werd voldaan, vijf dubbele inzendingen werden verwijderd, vier dossiers werden uitgesloten omdat meer dan 20% van alle schaalitems ...

Discussie

Dit protocol standaardiseert een veelvoorkomend maar vaak ondergerapporteerd proces in welzijnsstudies op basis van vragenlijsten: de overgang van ruwe antwoordgegevens naar gescreende data, gescorede schaalvariabelen, statistische outputs en bestanden die klaar zijn voor visualisatie. De bijdrage hiervan is niet de ontwikkeling van een nieuwe theorie over subjectief welzijn of het voorstellen van een causaal model. In plaats daarvan biedt de workflow een auditeerbaar traject voor de configuratie van de vragenlijst, scre...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
broom R package	CRAN	R package	Gebruikt om regressie-outputs om te zetten in gestructureerde coëfficiënt- en modelsamenvattingstabellen.
car R package	CRAN	R package	Gebruikt voor de verificatie van de variantie-inflatiefactor en ondersteuning bij regressiediagnostiek.
Depression Anxiety Stress Scales-21 brondocumentatie	Psychology Foundation of Australia	Lovibond and Lovibond, 1995	Brondocumentatie voor het gedeelte over negatieve emoties. De workflow maakte gebruik van aan de studie aangepaste bewoordingen die in lijn zijn met recente beoordelingen van negatieve emotionele toestanden.
dplyr R package	CRAN	R package	Gebruikt voor datafiltering, hercodering, groepering, samenvattingen van de screeningsflow en het voorbereiden van analysetabellen.
ggplot2 R package	CRAN	R package	Gebruikt voor het genereren van de correlatie-heatmap, de correlatieplot voor subjectief welzijn, de regressiecoëfficiëntplot en de diagnostische weergave.
Brondocumentatie voor de meting van hoger-orde denken	Springer Nature	DOI: 10.1038/s41598-024-70908-3	Brondocumentatie voor het gedeelte over hoger-orde denken. De workflow maakte gebruik van een aan de studie aangepaste set items die in lijn zijn met analytisch, evaluatief, reflectief, integratief en evidence-based denken.
IBM SPSS Statistics	IBM Corp.	Version 29.0.2.0	Gebruikt voor beschrijvende statistieken, Cronbach’s alpha, Pearson-correlatie, t-toetsen voor onafhankelijke steekproeven en Welch’s t-toets, meervoudige lineaire regressie, Durbin-Watson-statistiek, gestandaardiseerde residuen, leverage-waarden, Cook’s distance en variantie-inflatiefactoren.
psych R package	CRAN	R package	Gebruikt voor psychometrische samenvattingen, verificatie van Cronbach’s alpha en McDonald’s omega.
Psychological Sense of School Membership Scale brondocumentatie	Wiley	Psychol Sch. 1993;30(1):79-90	Brondocumentatie voor het gedeelte over schoolverbondenheid. De workflow maakte gebruik van aan de studie aangepaste bewoordingen die in lijn zijn met waargenomen acceptatie, connectie, ondersteuning en verbondenheid binnen de schoolomgeving.
R statistische omgeving	R Foundation for Statistical Computing	Version 4.4.2	Gebruikt voor secundaire analytische verificatie, McDonald’s omega, Spearman-gevoeligheidscontroles, voorbereiding van regressie-outputs, voorbereiding van diagnostische outputs en voorbereiding van visualisatiebronnen.
readxl R package	CRAN	R package	Gebruikt om spreadsheet-exports van vragenlijsten te importeren in de R-verificatieworkflow.
Subjective Well-being Scale for Chinese Citizens brondocumentatie	Scientific & Academic Publishing	DOI: 10.5923/j.ijap.20190905.01	Brondocumentatie voor het gedeelte over subjectief welzijn. De workflow maakte gebruik van aan de studie aangepaste bewoordingen en omgekeerd gescoorde items die in lijn zijn met tevredenheid over het leven, zinvolheid, ondersteuning, vooruitgang, ontevredenheid, hulpeloosheid en stressgerelateerde welzijnservaringen.
Aanvullend bestand 1: Structuur van de vragenlijst en documentatie van de schaal	Auteurs	Supplementary File 1	Biedt de structuur van de afgenomen vragenlijst, de volgorde van constructen, de herkomst van de schaal, itemcodes, responsankers, score-richting, regels voor omgekeerde scoring, constructie van scores op schaalniveau en informatie over de documentatiestatus.
Tuckman Procrastination Scale brondocumentatie	SAGE Publications	Educ Psychol Meas. 1991;51(2):473-480	Brondocumentatie voor het gedeelte over academische uitstelgedrag. De workflow maakte gebruik van aan de studie aangepaste bewoordingen die in lijn zijn met academische vertraging en het uitstelgedrag van taken.
Wenjuanxing online vragenlijstplatform	Changsha Ranxing Information Technology Co., Ltd.	Web-based platform	Gebruikt voor elektronische toestemming, programmering van de vragenlijst, verzamelen van itemresponsies, vastleggen van tijdstempels, registratie van voltooiingsduur, controle op dubbele indieningen en export van ruwe responsen.