Een enquête en protocol voor het beoordelen van online leerervaring, basispsychologische behoeften en leerbetrokkenheid bij universiteitsstudenten

Samenvatting

Dit protocol biedt een reproduceerbare enquête en een gedeeltelijke kleinste-kwadraten structurele vergelijkingsmodellering voor het beoordelen van associatiepaden tussen online leerervaring, basispsychologische behoeften en leerbetrokkenheid bij universiteitsstudenten, inclusief aanpassing van vragenlijsten, screening, metingsbeoordeling, indirect-associatietests, robuustheidscontroles en reproduceerbaarheidsrecords.

Samenvatting

Online leren is ingebed in het hoger onderwijs, maar evaluaties zijn vaak gebaseerd op indicatoren voor toegang, tevredenheid of voltooiing die niet aangeven waar engagementproblemen ontstaan. Dit artikel presenteert een reproduceerbaar Engelstalig overzicht en een gedeeltelijk laagste-kwadraat structureel vergelijkingsmodelprotocol voor het beoordelen van associatiepaden tussen online leerervaring, basispsychologische behoeften en leerbetrokkenheid bij universiteitsstudenten. De online leerervaring wordt gemeten aan de hand van platformbruikbaarheid, instructieve ondersteuning, interactiekwaliteit en leerflexibiliteit; fundamentele psychologische behoeften via autonomie, competentie en verbondenheid; en het aanleren van betrokkenheid via gedrags-, cognitieve en emotionele betrokkenheid. De workflow specificeert item-source mapping, aanpassing van vragenlijsten, expertbeoordeling, pilottests, elektronische toestemming, geschiktheidsscreening, responskwaliteitscontroles, constructbeoordeling, common method bias diagnostiek, hogere-orde constructschatting, meting-model beoordeling, structurele padtesten, indirect-associatieanalyse, psychologische behoeftesensitiviteitsanalyse, regressiegebaseerde robuustheidscontroles en het vergrendelen van reproduceerbaarheidsbestanden. Representatieve resultaten van 386 geldige antwoorden tonen acceptabele betrouwbaarheid, matige constructcorrelaties, behouden meetkwaliteit, een ondersteunde indirecte associatie via basis psychologische behoeften, niet-significante controlepaden en onevenvoudige dimensionale scores. Het protocol ondersteunt een transparante diagnose van hoe online leerervaring samenhangt met psychologische behoeftebevrediging en betrokkenheid, terwijl causale interpretatie uit dwarsdoorsnedegegevens wordt vermeden.

Inleiding

Online leren is onderdeel geworden van het reguliere hoger onderwijs via leermanagementsystemen, videoplatforms, opgenomen materiaal, synchrone sessies en blended cursusontwerpen. Veel evaluaties vertrouwen echter nog steeds op toegangslogboeken, tevredenheidsbeoordelingen of voltooiingsindicatoren, die aangeven of studenten een online cursus hebben gebruikt, maar niet verduidelijken of lagere betrokkenheid samenhangt met platformbruikbaarheid, instructieondersteuning, interactiekwaliteit, leerflexibiliteit, psychologische behoefte bevrediging of een specifieke betrokkenheidsdimensie¹. Online leerervaring mag daarom niet worden teruggebracht tot één enkele tevredenheidsscore. Onderzoek naar eerdere online betrokkenheid legt de nadruk op lerende-inhoud, leraar-docent en interactie tussen leerling-leerling en leerling-leerling als belangrijke elementen van de online leerervaring^{van studenten 2}. Het huidige protocol meet de online leerervaring via platformbruikbaarheid, instructieve ondersteuning, interactiekwaliteit en leerflexibiliteit.

De leerbetrokkenheid is ook multidimensionaal. Het omvat gedragsparticipatie, cognitieve investering en emotionele betrokkenheid. Online cursusbetrokkenheidsinstrumenten tonen aan dat betrokkenheid niet volledig kan worden weergegeven door zichtbare deelname of taakvoltooiing alleen³. Breder onderzoek naar onderwijstechnologie toont ook aan dat gedragsbetrokkenheid vaak makkelijker te observeren is dan cognitieve of affectieve betrokkenheid⁴. Om deze reden meet het protocol leerbetrokkenheid via gedrags-, cognitieve en emotionele betrokkenheid, in plaats van betrokkenheid samen te brengen in één ongedifferentieerde score.

De zelfbepalingstheorie vormt de theoretische basis om online leerervaring te koppelen aan leerbetrokkenheid. De basistheorie van psychologische behoeften identificeert autonomie, competentie en verbondenheid als centrale voorwaarden voor motivatie en aanpassing⁵. In online leren verwijst autonomie naar waargenomen keuze en controle, competentie tot vermeende capaciteit om leertaken te voltooien, en gerelateerd aan gevoelde verbondenheid met docenten en klasgenoten. Eerdere online leerstudies met zelfdeterminatietheorie hebben contextuele ondersteuning, behoeftebevrediging, motivatie en betrokkenheid gekoppeld ^6,7. Deze bevindingen ondersteunen het onderzoeken van basispsychologische behoeften als een indirecte-associatieconstructie tussen online leerervaring en leerbetrokkenheid, terwijl causale interpretatie wordt vermeden omdat de gegevens dwarsdoorsneden zijn.

Een methodologisch probleem in online betrokkenheidsonderzoek is het ontbreken van een consistente operationele structuur. Studies verschillen in hoe ze leeromstandigheden definiëren, betrokkenheid meten en de leeromgeving verbinden met de psychologische ervaring van studenten⁸. Zelfrapportage-enquêtes zijn ook kwetsbaar voor onzorgvuldig reageren, patroonantwoorden, post hoc uitsluitingen, beslissingen over ontbrekende gegevens en veelvoorkomende methodevooroordeel⁹. Daarom corrigeert dit protocol de Engelstalige vragenlijststructuur, item-bron-mapping, scoringsregels, elektronische toestemmingsprocedure, geschiktheidsscreening, aandachtcontroleregel, voltooiingstijddrempel, straight-lining criterium, langestring-responscontrole, verwerking van ontbrekende gegevens, modelspecificatie en dataset-locking procedure voordat structurele analyse begint.

Het conceptuele kader specificeert online leerervaring als het onafhankelijke construct, basispsychologische behoeften als het indirecte-associatieconstruct, en leerbetrokkenheid als het resultaatconstruct. Het primaire traject test of online leerervaring verband houdt met basispsychologische behoeften, of basispsychologische behoeften samenhangen met leerbetrokkenheid, en of online leerervaring direct verbonden blijft met leerbetrokkenheid nadat rekening is gehouden met basisbehoeften voor psychologische behoeften. Het protocol wordt geleid door vier onderzoeksvragen: of het gestructureerde surveyprotocol de drie constructen kan meten met acceptabele responskwaliteit en constructbetrouwbaarheid; of online leerervaring positief samenhangt met basispsychologische behoeften en leerbetrokkenheid; of de associatie tussen online leerervaring en leerbetrokkenheid deels wordt gedragen door basispsychologische behoeften als een indirecte associatie; en of psychologische subdimensieanalyses en regressiegebaseerde robuustheidscontroles dezelfde interpretatie ondersteunen als de primaire PLS-SEM-workflow.

Dit artikel wordt gepresenteerd als een methodegerichte bijdrage in plaats van een conventionele verklarende dwarsdoorsnedestudie. Het protocol biedt een reproduceerbare workflow voor het aanpassen van vragenlijsten, deskundige beoordeling, pilottesten, enquête-administratie, responsscreening, constructbeoordeling, metingsmodelbeoordeling, structurele padtesten, indirecte-associatieanalyse, gevoeligheidsanalyse, robuustheidscontrole en het vergrendelen van reproduceerbaarheidsbestanden. Transparante workflows van onderwijsonderzoek vereisen dat analytische beslissingen worden gedocumenteerd voordat de definitieve modelinterpretatie¹⁰ plaatsvindt. Gedeeltelijke kleinste-kwadratenstructurele vergelijkingsmodellering wordt gebruikt omdat het meet- en structurele componenten binnen één workflow kan onderzoeken, met reflectieve eerste-orde constructies en analytisch afgeleide hogere-orde constructscores via een disjuncte tweestapsbenadering¹¹. Eerder werk naar online studentenbetrokkenheid, sociale aanwezigheid, ondersteuning van leerlingen en behoud toont aan dat communicatie, ondersteuning, verbinding en inclusief cursusontwerp meer belangrijk zijn dan alleen toegang of flexibiliteit^12,13. Systematische reviews geven verder aan dat gedrags-, cognitieve en emotionele betrokkenheid verschillend kunnen reageren op online leeromstandigheden¹⁴. Representatieve resultaten worden daarom alleen gebruikt om de output van het protocol aan te tonen, niet om causale effecten te claimen uit dwarsdoorsnedegegevens¹⁵.

Protocol

Het studieprotocol werd beoordeeld en goedgekeurd door de Universiti Malaya Research Ethics Committee (Non-Medical) onder goedkeuringsnummer UM. TNC (P&I)/UMREC_4892 op 7 augustus 2025. Voer alle procedures uit volgens de institutionele richtlijnen voor onderzoek met menselijke deelnemers. Verkrijg elektronische geïnformeerde toestemming voordat je de vragenlijst afneemt. Gebruik anonieme deelnemerscodes tijdens werving, screening, score, analyse en bestandsopslag. De onderzoekstools en software staan vermeld in de Materiaallijst.

1. Definieer het studieontwerp en het analytische kader

1. Gebruik een cross-sectioneel kwantitatief enquêteontwerp om associatiepaden tussen online leerervaring, basispsychologische behoeften en leerbetrokkenheid bij universiteitsstudenten te beoordelen.
2. Definieer online leerervaring als het onafhankelijke latente construct, basispsychologische behoeften als het latente construct van indirecte, associatie, en leerbetrokkenheid als het latente uitkomstconstruct.
3. Specificeer de drie multidimensionale constructies vóór dataverzameling. Vertegenwoordig de online leerervaring door platformbruikbaarheid, instructieve ondersteuning, interactiekwaliteit en flexibiliteit in het leren; fundamentele psychologische behoeften door autonomiebehoefte, competentiebehoefte en verwantschapsbehoefte; en leerbetrokkenheid door gedragsbetrokkenheid, cognitieve betrokkenheid en emotionele betrokkenheid.
4. Gebruik gedeeltelijke kleinste-kwadratenstructurele vergelijkingsmodellering als primaire analytische methode om de meetkwaliteit, hogere-orde constructscores, structurele paden en het vooraf gespecificeerde indirecte pad te beoordelen.
5. Specificeer het belangrijkste traject vóór analyse: online leerervaring → basispsychologische behoeften, basispsychologische behoeften → leerbetrokkenheid, en online leerervaring → leerbetrokkenheid.
6. Behandel alle structurele paden als associatieschattingen. Interpreteer geen enkel pad als causaal, want alle variabelen worden op één tijdstip gemeten. Voer vooraf een steekproefgrootte en power checking uit vóór de werving. Gebruik ten minste 380 geldige antwoorden als doelsteekproef en 350 geldige antwoorden als minimaal acceptabele steekproef na screening.
7. Presenteer de protocolworkflow in Figuur 1, inclusief werving, toestemming, vragenlijstafname, deskundige beoordeling, pilottesten, responsscreening, datasetvergrendeling, meetbeoordeling, structurele testen, indirecte-associatieanalyse, robuustheidscontrole en het opstellen van reproduceerbaarheidsbestanden.
   OPMERKING: Houd het conceptuele model en de structurele paden ongewijzigd van de vragenlijst tot de eindanalyse.

Figuur 1: Operationele workflow voor het beoordelen van online leerervaring, basispsychologische behoeften en leerbetrokkenheid. De figuur toont de protocolworkflow van werving, toestemming, het afnemen van vragenlijsten, deskundige beoordeling, pilottesten, responsscreening en datasetvergrendeling tot meetbeoordeling, structureel testen, indirect-associatieanalyse, robuustheidscontrole en het opstellen van reproduceerbaarheidsbestanden. Klik hier om een grotere versie van deze figuur te bekijken.

2. Werf in aanmerking komende deelnemers

1. Werf universiteitsstudenten die tijdens het huidige of meest recente academisch semester aan ten minste één online of blended cursus hebben deelgenomen.
2. Neem deelnemers mee die 18 jaar of ouder zijn, momenteel ingeschreven zijn als bachelor- of masterstudent, blootgesteld zijn aan online of blended learning, in staat zijn de Engelstalige vragenlijst te lezen en bereid zijn elektronische geïnformeerde toestemming te geven.
3. Beantwoord reacties uit wanneer toestemming niet is bevestigd, aan de toelatingscriteria niet wordt voldaan, het aandachtscheck-item niet is geslaagd, dubbele indiening wordt gedetecteerd, de voltooiingstijd onder de vooraf bepaalde drempel ligt, straightlining wordt gedetecteerd of er onopgeloste inconsistentie in geschiktheid aanwezig is.
4. Werf deelnemers via universitaire leerplatforms, cursuscommunicatiegroepen, studentenmaillijsten en institutionele studentenkanalen.
5. Verzamel geen directe identificaties, waaronder namen, studentenidentificatienummers, telefoonnummers, privé-e-mailadressen, exacte woonadressen, IP-adressen, apparaatidentificaties of accountidentificaties.
6. Noteer wervingsdata, wervingskanalen, ingediende reacties, uitsluitingstellingen per categorie, behouden reacties en de definitieve geldige steekproefgrootte in het veldwerklogboek en screeningslogboek.
   PAUZEPUNT: Controleer wekelijks de voortgang van de werving. Bekijk alleen het aantal reacties, de dekking van het wervingskanaal en het voorlopige uitsluitingspercentage. Controleer geen constructscores, correlaties of pathway-schattingen tijdens de werving.

3. Stel de vragenlijst op

1. Bereid een gestructureerde Engelstalige vragenlijst voor met elektronische geïnformeerde toestemming, geschiktheidsscreening, achtergrondinformatie van de deelnemer, inhoudelijke schaal-items en één instructie-gebaseerde aandachtscheck.
2. Gebruik een 5-punts Likert-responsschaal voor alle inhoudelijke items: 1 = sterk oneens, 2 = oneens, 3 = neutraal, 4 = eens, en 5 = sterk eens.
3. Pas online leerervaringsitems aan uit eerdere metingen van online leerperceptie, instructieve ondersteuning, interactiekwaliteit, platformbruikbaarheid en leerflexibiliteit. Pas basisbehoeften aan vanuit vastgestelde autonomie-, competentie- en verwantschapsmaten. Pas leerbetrokkenheidsitems aan uit vastgestelde gedrags-, cognitieve en emotionele betrokkenheidsmetingen.
4. Herzie alleen de formulering van items om te passen bij de online en blended learning-contexten van de universiteit. Gebruik duidelijke, niet-leidende formuleringen en vermijd formuleringen die hoge tevredenheid, hoge psychologische behoefte of hoge betrokkenheid suggereren.
5. Bereid een item-source mappingtabel voor vóór de pilottest. Noteer itemcode, constructie, dimensie, aangepaste formulering, bronbasis, aanpassingsnotitie, vragenlijsttaal en beoordelingsrichting voor elk inhoudelijk item.
6. Gebruik 33 inhoudelijke Likert-schaal items: 12 voor online leerervaring, negen voor basispsychologische behoeften en 12 voor leerbetrokkenheid. Gebruik drie items voor elke online leerervaringsdimensie, drie items voor elke basis psychologische behoeftedimensie en vier items voor elke leerbetrokkenheidsdimensie.
7. Plaats één instructie-gebaseerde aandachtscontrole na het basisblok voor mentale behoeften. Gebruik dit item alleen voor responskwaliteit screening en sluit het uit van construct scoring, betrouwbaarheidsanalyse, validiteitsanalyse, PLS-SEM schatting, indirect-associatietesten en robuustheidsanalyse.
8. Houd de verwachte invultijd van de vragenlijst binnen 8–12 minuten tijdens pilottests. Gebruik Tabel 1 om constructdomeinen, afmetingen, itemcodes, aantal items, responsschaal, scorerichting en aanpassingsbasis te documenteren. Gebruik Supplementary File 1 om de volledige vragenlijst, item-bron-mapping, variabelencodering en scoreregels te geven.
   OPMERKING: Houd de predictor-, indirekte associatie- en uitkomstitems conceptueel gescheiden.

Tabel 1: Construct domeinen, dimensies, vragenlijststructuur en scoreregels. Deze tabel vat de vragenlijststructuur samen, inclusief constructdomeinen en afmetingen, itemcodes en -nummers, voorbeelditems, aanpassingsbasis, responsschaal en scoreregels. Het aandachtscontrole-item wordt geïdentificeerd als een screeningsitem. Klik hier om deze tabel te downloaden.

4. Uitvoer deskundige beoordeling en pilotproeven

1. Nodig drie tot vijf experts uit op het gebied van onderwijspsychologie, online leren, kwantitatieve methodologie, onderzoek in het hoger onderwijs of het ontwerp van enquêtes om de vragenlijst te beoordelen.
2. Vraag experts om de duidelijkheid van het item, de relevantie van constructies, de redundantie van de formulering, de responslast, culturele geschiktheid, taalhelderheid en de aansluiting tussen elk item en de toegewezen dimensie te beoordelen.
3. Noteer de uitkomsten van deskundige in een logboek van de wijziging van het item, inclusief de oorspronkelijke bewoording, de zorg van de beoordelaar, het besluit over de herziening, de definitieve bewoording en de reden voor het behouden, herzien of verwijderen daarvan.
4. Herzie items die dubbelzinnig, dubbellopend, te veel op elkaar lijken, cultureel ongepast, zwak aansluiten bij de doeldimensie of niet consistent zijn met de context van de Engelstalige enquête.
5. Voer een pilottest uit met 30–50 universiteitsstudenten die aan dezelfde toelatingscriteria voldoen als de hoofdstudie. Vraag pilotdeelnemers om onduidelijke formuleringen, technische weergaveproblemen, te lange duur, herhalende formuleringen of ongemak veroorzaakt door een vragenlijstitem te identificeren.
6. Record de voltooiingstijd voor de pilot per deelnemer. Definieer de minimale voltooiingstijddrempel voor formele studie als de grotere waarde tussen 3 minuten en een derde van de mediane voltooiingstijd van de pilot.
7. Bereken de voorlopige interne consistentie voor elk construct en inspecteer de correlaties tussen items en totaal na pilottesten. Pas zwakke items alleen aan wanneer verwijdering de meetkwaliteit verbetert en de constructdekking niet verzwakt.
8. Rond en vergrendel de vragenlijst, codeboek, item-bronkaart, expertbeoordelingslogboek, pilottestrecord, voltooiingstijddrempel, aandachtcontroleregel, duplicaatdetectieregel en uitsluitingscriteria voordat formele werving begint.
   PAUZEPUNT: Begin niet met formele werving voordat alle vragenlijsten, screenings- en coderingsbestanden zijn vergrendeld.

5. Administreer de online vragenlijst

1. Bouw de vragenlijst in een online enquêtesysteem dat anonieme deelname, toestemmingsbevestiging, geschiktheidsscreening, verplichte responsinstellingen, registratie van reactietijd, niet-identificerende beperking op dubbele indiening, plaatsing van aandachtscontroles en spreadsheetexport ondersteunt.
2. Plaats elektronische geïnformeerde toestemming vóór de geschiktheidsscreening en vragenlijsten. Laat deelnemers pas doorgaan nadat vrijwillige deelname is bevestigd en presenteer het studiedoel in neutrale taal. Stel dat de studie de percepties van studenten over online leren, psychologische behoefte en leerbetrokkenheid onderzoekt.
3. Stel toestemming, geschiktheidsvragen en alle 33 inhoudelijke Likert-schaal items in als vereiste velden. Schakel velden uit voor directe identificerende informatie. Vraag geen namen, studentennummers, telefoonnummers, privé-e-mailadressen, exacte woonadressen, IP-adressen, apparaatidentificaties of accountidentificaties op.
4. Laat deelnemers de vragenlijst verlaten vóór de definitieve indiening zonder straf. Beperk herhaalde inzendingen alleen via niet-identificerende enquêteplatforminstellingen wanneer beschikbaar. Houd de vragenlijst 4–6 weken open. Monitor het aantal antwoorden twee keer per week en documenteer de voortgang van de werving in het veldwerklogboek.
   OPMERKING: Geef geen persoonlijke scorefeedback na het indienen van de vragenlijst.

6. Exporteren en beschermen van de ruwe data

1. Exporteer alle ingediende antwoorden direct na afronding van de werving in .xlsx en .csv format.
2. Sla één ongewijzigd .xlsx bestand op als RawData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsx en één ongewijzigd .csv bestand als RawData_OnlineLearning_BPN_Engagement_YYYYMMDD.csv.
3. Maak een werktekst voor screening, codering en analyse. Noem het WorkingData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsx. Ken elke ingediende reactie een anonieme deelnemercode toe in het formaat P001, P002, P003, enzovoort.
4. Sla de ruwe dataset op in een alleen-lezen map en maak een checksum, bestandsversierecord of institutioneel versiegeschiedenisrecord aan voordat de screening begint.
5. Bewaar het gedeïdentificeerde ruwe archive- en screeningsmetadata van ingediende records in de beschermde institutionele verificatiemap. Neem geen ruwe uitgesloten records, direct identificeerbare informatie of ruwe gegevens op deelnemersniveau op in het manuscript of aanvullende bestanden die ter publicatie zijn ingediend.
   PAUZEPUNT: Begin niet met screenen voordat het raw .xlsx-bestand, het raw .csv-bestand, het veldwerklogboek, het raw-dataversierecord en de beschermde raw-data-map zijn opgeslagen.

7. Screenen van antwoorden en passen uitsluitingsregels toe

1. Pas alle uitsluitingsregels toe voordat je constructcorrelaties, meetmodeloutput, structurele paden of indirect-associatieschattingen onderzoekt. Verwijder antwoorden zonder bevestiging van toestemming of zonder leeftijd, inschrijving, online leerervaring of geschiktheid voor de vragenlijst.
2. Verwijder dubbele antwoorden volgens de vooraf gespecificeerde regel voor duplicaatdetectie. Identificeer mogelijke duplicaten alleen door niet-identificerende duplicatieën van het enquêteplatform en anonieme responspatrooninformatie. Behou de vroegst volledige respons wanneer dubbele antwoorden worden geïdentificeerd.
3. Verwijder antwoorden die niet voldoen aan het instructie-gebaseerde aandachtscheck-item of onder de minimale voltooiingstijd van formele studie worden afgerond. Definieer straightlining als het selecteren van dezelfde responsoptie voor ten minste 90% van de 33 inhoudelijke Likert-schaalitems. Verwijder antwoorden die aan dit criterium voldoen.
4. Marker langsnoede responspatronen wanneer dezelfde responsoptie wordt geselecteerd voor^{r 2}0 of meer opeenvolgende inhoudelijke Likert-schaal items. Verwijder gemarkeerde antwoorden alleen wanneer ze ook ongelooflijk korte voltooiingstijd, een mislukte aandachtcontrole, rechtlijning of een andere vooraf gespecificeerde kwaliteitsbreuk laten zien.
5. Merk inconsistente achtergrondreacties wanneer de deelnemer geen online of blended learning blootstelling geeft, maar wekelijks online leeruren boven nul rapporteert. Verwijder antwoorden met onopgeloste inconsistentie in geschiktheid.
6. Noteer elk uitgesloten geval in een gedeïdentificeerd screeningslogboek met anonieme deelnemercode, uitsluitingscategorie, uitsluitingsreden, screeningsdatum en screeningsbesluit.
7. Gebruik Tabel 2 om ingediende reacties, uitsluitingscategorieën, uitsluitingsaantallen, behouden antwoorden en de uiteindelijke geldige steekproefgrootte te documenteren. Als ruwe uitsluitingstellingen niet kunnen worden gereconstrueerd voor de representatieve dataset, vermeld dit dan expliciet.
   OPMERKING: Sluit alleen gevallen uit volgens vooraf gespecificeerde toestemming, geschiktheid, duplicaat, aandachtcontrole, voltooiingstijd, responspatroon, ontbreking of consistentieregels. Begin niet met coderen voordat de ruwe dataset, de gereinigde dataset, screeninglogboek, uitsluitingsregelbestand, veldwerklogboek en datasetversierecord apart zijn opgeslagen en vergrendeld.

Tabel 2: Responsscreening, uitsluitingsregels en beslissingen over gegevensafhandeling. Deze tabel vat de vooraf gespecificeerde screeningsregels en gegevensverwerkingsbeslissingen samen voor toestemming, geschiktheid, dubbele reacties, aandachtcontrole, voltooiingstijd, responspatrooncontroles, ontbrekendheid en datasetvergrendeling. Uitsluitingsregels worden toegepast voordat constructcorrelaties, meet-modeloutput, structurele paden of indirecte-associatieschattingen worden onderzocht. Elke uitgesloten reactie wordt vastgelegd in een gedeïdentificeerd screeningslogboek met behulp van de anonieme deelnemercode, uitsluitingscategorie, uitsluitingsreden, screeningsdatum en screeningsbesluit. Klik hier om deze tabel te downloaden.

8. Omgaan met ontbrekende gegevens

1. Voorkom ontbrekende waarden in toestemming, geschiktheidsvragen en de 33 inhoudelijke Likert-schaal items door deze velden in te stellen zoals vereist in het enquêtesysteem. Controleer de schoongemaakte dataset op ontbrekende waarden na het screenen.
2. Behandel ontbrekende waarden in optionele achtergrondvariabelen als "niet gerapporteerd." Schrijf geen optionele demografische of achtergrondvariabelen toe.
3. Sluit een achtergrondvariabele uit de covariaatanalyse als het ontbrekingspercentage meer dan 10% bedraagt. Behou een achtergrondvariabele als covariaat alleen wanneer de ontbrekende factor 10% of lager is en de variabele theoretisch relevant is.
4. Schrijf geen ontbrekende waarden toe in de 33 inhoudelijke Likert-schaal items. Als er inhoudelijk ontbreken van items wordt vastgesteld ondanks de vereiste responsinstellingen, bepaal dan of het probleem wordt veroorzaakt door survey-export, surveylogica of onvolledige indieningsafhandeling voordat de gezuiverde dataset wordt afgerond.
   OPMERKING: Noteer de controle van ontbrekende gegevens. Rapporteer het aantal ontbrekende waarden en de ontbrekende rate voor deelnemerscode, achtergrondvariabelen, inhoudelijke Likert-schaalitems, dimensiescores en globale constructscores.

9. Codeer variabelen en bereken scores

1. Code alle inhoudelijke Likert-schaalitems van 1 tot 5: 1 = sterk van mening overeen, 2 = oneens, 3 = neutraal, 4 = overeenstemming en 5 = sterk overeenstemming. Codegeslacht, academisch niveau, studiejaar, disciplinecategorie, wekelijkse online leeruren en eerdere online leerervaring volgens het vergrendelde codeboek.
2. Controleer alle variabelen op waarden buiten bereik voordat je dimensie- of globale constructscores berekent.
3. Bereken online leerervaringsdimensiescores als itemgemiddelden: platform bruikbaarheid = gemiddelde(OLE_PU1–OLE_PU3), instructieve ondersteuning = gemiddelde(OLE_IS1–OLE_IS3), interactiekwaliteit = gemiddelde(OLE_IQ1–OLE_IQ3), en leerflexibiliteit = gemiddelde(OLE_LF1–OLE_LF3).
4. Bereken basisscores voor psychologische behoeften als itemgemiddelden: autonomiebehoefte = gemiddelde(BPN_AU1–BPN_AU3), competentiebehoefte = gemiddelde(BPN_CO1–BPN_CO3), en verwantschapsbehoefte = gemiddelde(BPN_RE1–BPN_RE3).
5. Bereken de leerbetrokkenheidsdimensiescores als itemgemiddelden: gedragsbetrokkenheid = gemiddelde(LE_BE1–LE_BE4), cognitieve betrokkenheid = gemiddelde(LE_CE1–LE_CE4) en emotionele betrokkenheid = gemiddelde(LE_EE1–LE_EE4).
6. Bereken globale constructscores als dimensie: online leerervaring = gemiddelde (platformbruikbaarheid, instructieondersteuning, interactiekwaliteit, leerflexibiliteit); basispsychologische behoeften = gemiddelde (autonomiebehoefte, competentiebehoefte, verwantschapsbehoefte); en leerbetrokkenheid = gemiddelde (gedragsbetrokkenheid, cognitieve betrokkenheid, emotionele betrokkenheid).
7. Bewaren itemniveaugegevens voor metingsmodelbeoordeling, dimensiescores voor hogere-orde constructschatting en subdimensieanalyse, en globale constructscores voor beschrijvende statistiek, correlatieanalyse, structurele modelcontrole en regressiegebaseerde robuustheidsanalyse.
   OPMERKING: Neem het aandachtscontrole-item niet op in score-, betrouwbaarheidsanalyses, validiteitsanalyses, PLS-SEM-schattingen, indirecte-associatieanalyses of robuustheidsanalyses. Standardiseer de oorspronkelijke 1–5 scores niet vóór de beschrijvende analyse.

10. Beheersen en evalueren gemeenschappelijke methodevooroordeel

1. Pas procedurele controles toe vóór analyse door anonieme antwoorden, neutrale formuleringen, gescheiden constructieblokken, één instructie-gebaseerde aandachtcontrole-items, vereiste-responsinstellingen en beperkte toegang tot ruw-data te gebruiken.
2. Na de responsscreening gebruik je Harmans single-factor test om te onderzoeken of één niet-geroteerde factor een dominant aandeel in de itemvariantie verklaart. Beschouw het resultaat als acceptabel wanneer de eerste niet-geroteerde factor minder dan 50% van de totale variantie uitmaakt.
3. Bereken de volledige collineariteitsvariantie-inflatiefactorwaarden voor de focale constructies. Behandel waarden onder 3,30 als een aanwijzing dat ernstige common method bias onwaarschijnlijk is. Registreer common method bias als beperking als de eerste niet-geroteerde factor 50% of meer van de totale variantie uitmaakt, of als een volledige collineariteitsvariantie-inflatiefactor 3,30 of hoger is.
   OPMERKING: Vermeld niet dat gemeenschappelijke methodevooroordeel afwezig is. Geef alleen aan of de diagnostiek ernstig bewijs aantoont van een dominante factor met de gemeenschappelijke methode.

11. Voer beschrijvende en voorlopige controles uit

1. Gebruik R 4.4.1 voor beschrijvende statistieken, distributiecontroles, correlatieanalyse en regressiegebaseerde robuustheidsanalyse. Bereken frequenties en percentages voor categorische deelnemerskenmerken.
2. Bereken gemiddelde, standaarddeviatie, minimum, maximum, scheefheid en kurtosis voor inhoudelijke items, dimensiescores en globale constructscores.
3. Inspecteer item- en scoreverdelingen voor vloereffecten, plafondeffecten en ernstige niet-normaliteit. Definieer een potentieel vloer- of plafondeffect als meer dan 20% van de deelnemers die de laagste of hoogste responsoptie kiezen voor een inhoudelijk item.
4. Bereken Pearson-correlaties tussen globale constructies en dimensiescores. Behandel correlaties alleen als voorlopig beschrijvend bewijs en gebruik ze niet als vervanging voor het vooraf gespecificeerde structurele model.
   OPMERKING: Noteer vloer- of plafondeffecten als data-features. Verwijder geen gevallen om distributieredenen, tenzij ze ook in strijd zijn met vooraf gespecificeerde regels voor de kwaliteit van de respons.

12. Schat het hogere-orde meetmodel

1. Gebruik Smart PLS 4.1 voor de primaire PLS-SEM-analyse en importeer de opgeschoonde item-niveau dataset. Specificeer platformbruikbaarheid, instructieve ondersteuning, interactiekwaliteit, leerflexibiliteit, autonomiebehoefte, competentiebehoefte, verwantschapsbehoefte, gedragsbetrokkenheid, cognitieve betrokkenheid en emotionele betrokkenheid als reflectieve eerstegraads constructen.
2. Gebruik de disjuncte tweefasenbenadering. In de eerste fase schat je de reflectieve eerste-orde constructen en sla je hun waarden op voor latente variabelen.
3. In de tweede fase gebruik je latente variabele scores van platformbruikbaarheid, instructieve ondersteuning, interactiekwaliteit en leerflexibiliteit om de online leerervaring weer te geven; Latente variabelenscores van autonomiebehoefte, competentiebehoefte en verwantschap moeten de basis psychologische behoeften vertegenwoordigen; en latente variabelen scores van gedragsbetrokkenheid, cognitieve betrokkenheid en emotionele betrokkenheid om leerbetrokkenheid te vertegenwoordigen.
4. Behandel hogere-orde constructscores als analytisch afgeleide representaties van multidimensionale constructen. Beschrijf ze niet als formatief tenzij een formatief model expliciet is gespecificeerd en gerechtvaardigd. Bewaar instellingen voor de eerste fase, de instellingen voor de tweede fase, de scores van latente variabelen en de uitvoerbestanden van het model in de verificatiemap.
   OPMERKING: Gebruik dezelfde hogere-orde constructmethode in het hoofdstructuurmodel, psychologische subdimensieanalyse en regressiegebaseerde robuustheidsanalyse.

13. Beoordeel het meetmodel

1. Beoordeel het meetmodel voordat je het structurele model interpreteert. Onderzoek gestandaardiseerde buitenbelastingen voor alle behouden indicatoren. Houd indicatoren met belastingen van ten minste 0,70 wanneer mogelijk.
2. Bekijk indicatoren met belastingen tussen 0,40 en 0,70. Verwijder een indicator alleen wanneer verwijdering de betrouwbaarheid of convergente validiteit verbetert en de inhoudsdekking niet verzwakt. Verwijder indicatoren onder 0,40, tenzij een gedocumenteerde theoretische reden retentie ondersteunt.
3. Beoordeel interne consistentie met behulp van Cronbachs alfa- en composietbetrouwbaarheid. Behandel waarden tussen 0,70 en 0,95 als acceptabel. Beoordeel convergente validiteit met behulp van de geëxtraheerde gemiddelde variantie. Beschouw waarden van minstens 0,50 als acceptabel.
4. Beoordeel de discriminantvaliditeit met behulp van de heterotrait-monotrait-ratio. Gebruik 0,85 als conservatieve drempel en 0,90 als de maximaal acceptabele drempel voor theoretisch aangrenzende constructies.
5. Recordbehouden indicatoren, gestandaardiseerde buitenlasten, Cronbach's alfa, samengestelde betrouwbaarheid, gemiddelde variantie geëxtraiteerd, heterotrait-monotrait waarden en eventuele itemverwijderingsbeslissingen in de vergrendelde meetmodeloutput.
   OPMERKING: Verwijder geen items alleen om statistische waarden te verbeteren. Verwijder een item alleen wanneer statistische zwakte en conceptuele redundantie beide zijn gedocumenteerd.
   PAUZEPUNT: Begin niet met structurele tests voordat behouden indicatoren, laadwaarden, betrouwbaarheidswaarden, convergente validiteit, discriminantvaliditeit, codeboekvermeldingen en meet-outputwaarden zijn gecontroleerd aan de hand van de vergrendelde analysebestanden.

14. Test het structurele model en het bemiddelingspad

1. Specificeer drie structurele paden: online leerervaring → basispsychologische behoeften, basispsychologische behoeften → leerbetrokkenheid, en online leerervaring → leerbetrokkenheid.
2. Neem wekelijkse online leeruren en eerdere online leerervaring op als vooraf gespecificeerde controlevariabelen. Behandel geslacht, academisch niveau, studiejaar en disciplinecategorie als beschrijvende variabelen, tenzij opgenomen in een vooraf gespecificeerd gevoeligheidsmodel.
3. Onderzoek de collineariteit van structurele modellen voordat je padcoëfficiënten interpreteert. Behandel variantieinflatiefactorwaarden onder 3,30 als een aanwijzing dat schadelijke collineariteit onwaarschijnlijk is.
4. Schat gestandaardiseerde padcoëfficiënten, t-waarden , p-waarden en 95% betrouwbaarheidsintervallen met behulp van 5.000 bootstrap-resamples met tweezijdig testen. Gebruik bias-gecorrigeerde betrouwbaarheidsintervallen waar mogelijk.
5. Schat het indirecte pad van online leerervaring naar leerbetrokkenheid via basis psychologische behoeften. Behandel het indirecte-associatiepad als ondersteund wanneer het bootstrap-betrouwbaarheidsinterval voor het indirecte effect geen nul bevat.
6. Noteer het directe effect, indirect effect, totaal effect, ^R2-waarden, aangepaste ^R2-waarden, f2-effectgroottes, structurele variantie-inflatiefactorwaarden en controlevariabelepaden in de vergrendelde structuurmodeloutput. Interpreteer alle structurele schattingen als associatie-gebaseerde routes in plaats van causale effecten.
   OPMERKING: Verwijder een vooraf bepaald pad niet omdat het niet significant is. Bebehoud het vooraf gespecificeerde model tenzij er een coderingsfout of modelspecificatiefout wordt vastgesteld.

15. Onderzoek psychologische behoeftesubdimensies

1. Vervang de globale basis-psychologische behoefteconstructie door autonomiebehoefte, competentiebehoefte en verwantschapsbehoefte als parallelle indirecte-associatieconstructies. Schat indirecte paden van online leerervaring naar leerbetrokkenheid via autonomiebehoefte, competentiebehoefte en verwantschapsbehoefte apart.
2. Gebruik 5.000 bootstrap-resamples voor elke subdimensie-route. Vergelijk de richting, grootte en betrouwbaarheidsinterval van elk subdimensie-indirect pad. Behandel deze analyse als een gevoeligheidsanalyse in plaats van als het primaire model.
   OPMERKING: Herinterpreteer de subdimensiegevoeligheidsanalyse niet als een nieuw primair model.

16. Voer een regressiegebaseerde robuustheidsanalyse uit

1. Exporteer de opgeschoonde construct-score dataset en sla deze op als ConstructScores_OnlineLearning_BPN_Engagement_YYYYMMDD.csv. Gebruik R 4.4.1 om de wereldwijde basisbehoeften van psychologische behoeften te regresseren op wereldwijde online leerervaring, wekelijkse online leeruren en eerdere online leerervaring.
2. Verminder de wereldwijde leerbetrokkenheid op wereldwijde online leerervaring, wereldwijde basispsychologische behoeften, wekelijkse online leeruren en eerdere online leerervaring. Schat het indirecte pad met behulp van 5.000 bootstrap-resamples.
3. Vergelijk het regressie-gebaseerde indirecte pad met het PLS-SEM indirecte pad. Classificeer het pad als robuust alleen wanneer de richting consistent blijft en de inhoudelijke interpretatie niet verandert. Sla het R-script, de opstartinstellingen en de robuustheidsoutput op in de verificatiemap.
   PAUZEPUNT: Begin niet met het definitieve bestandsvergrendelen voordat het structurele model, subdimensieanalyse en regressiegebaseerde robuustheidsanalyse zijn gecontroleerd.

17. Omgaan met suboptimale analytische uitkomsten

1. Als Cronbachs alfa- of composietbetrouwbaarheid onder 0,70 ligt, inspecteer dan de correlaties tussen het itemtotaal en gestandaardiseerde buitenlasten. Als de gemiddelde variantie onder 0,50 ligt, inspecteer dan de behouden indicatoren en bepaal of één of meer indicatoren de convergente validiteit verzwakken.
2. Als heterotrait-monotrait-waarden de vooraf gespecificeerde drempel overschrijden, inspecteer dan de itemformulering op semantische overlap tussen theoretisch nauwe constructies. Verwijder een zwak item alleen wanneer het statistisch zwak en conceptueel overbodig is. Het gescheiden houden van theoretisch aangrenzende constructen bij het samenvoegen ervan zou de conceptuele helderheid verminderen.
3. Als de indirecte route niet wordt ondersteund, noteer dan het resultaat als een niet-ondersteunde indirecte associatie. Als controlevariabelen niet-significante associaties vertonen, registreer dan de resultaten zonder overinterpretatie.
   OPMERKING: Herschrijf het theoretische model niet na analyse om sterkere steun af te dwingen.

18. Vergrendel software-uitvoeren en reproduceerbaarheidsbestanden

1. Maak een definitieve institutionele verificatiemap aan genaamd Verification_OnlineLearning_BPN_Engagement_YYYYMMDD.
2. Sla het ruwe datasetarchief, gereinigde dataset, construct-score dataset, codeboek, vragenlijst, item-bron kaarttabel, expert-review logboek, pilot-testrecord, veldwerklogboek, screeningslog, uitsluitingsregelbestand, voltooiingstijddrempelrecord, Smart PLS-outputs, R-scripts, R-outputtabellen, softwareversierecord en versie-wijzigingslog op in de verificatiemap.
3. Sla Smart PLS 4.1 projectbestanden op en geëxporteerde meetmodel-, structureel-model-, bootstrap- en heterotrait-monotrait-outputs in een submap genaamd SmartPLS_Output. Sla R-scripts en R-uitvoertabellen op in een submap genaamd R_Output. Sla de vragenlijst, item-bron-mapping, variabelencodering en beoordelingsregels op als Supplementair Bestand 1.
4. Sla de definitieve verificatie van de analytische dataset, screeningsamenvatting, ontbrekende gegevensrecord, diagnostiek van gemeenschappelijke methodebias, meetmodelresultaten, structurele modelresultaten, indirecte-associatieresultaten, subdimensieanalyse, regressiegebaseerd robuustheidsrecord, software-instellingen en versierecord op als Aanvullend Bestand 2.
5. Voeg geen direct identificeerbare informatie, ruwe uitgesloten records of ruwe gegevens op deelnemersniveau toe in het manuscript of aanvullende bestanden die voor publicatie zijn ingediend. Vergrendel de definitieve verificatiemap na consistentiecontrole. Sla latere correcties op als nieuwe, gedateerde versies en documenteer de reden in het versiewijzigingslogboek.

Resultaten

Definitieve analytische dataset en deelnemerskenmerken

De uiteindelijke analytische dataset omvatte 386 universiteitsstudenten. Formele werving vond plaats van 18 augustus 2025 tot 26 september 2025 via universitaire leerplatforms, cursuscommunicatiegroepen, studentenmaillijsten en institutionele studentenkanalen. In totaal werden 432 ingediende antwoorden gescreend en werden 386 antwoorden behouden, wat een valide responspercentage van 89,4% oplevert. De vergrendelde dataset bevatte 33 substantiële Likert-schaalitems en één instructie-gebaseerd aandachtscontrole-item. Het aandachtscheck-item werd alleen gebruikt voor screening op responskwaliteit en werd uitgesloten van construct scoring, betrouwbaarheidsanalyse, validiteitsanalyse, PLS-SEM-schatting, indirecte-associatieanalyse en regressiegebaseerde robuustheidsanalyse. De uiteindelijke steekproef omvatte 223 vrouwelijke studenten, 154 mannelijke studenten en negen deelnemers die "prefereren om niet te zeggen" of een andere antwoordoptie kozen. Er waren 318 bachelorstudenten en 68 masterstudenten. De verdeling per studiejaar omvatte 110 leerlingen van jaar 1, 102 leerlingen van jaar 2, 103 leerlingen van jaar 3 en 71 leerlingen van jaar 4 of hoger. Disciplinecategorieën omvatten bedrijfskunde en management, sociale wetenschappen, techniek en technologie, geneeskunde en gezondheidswetenschappen, geesteswetenschappen en kunst, en onderwijs. De wekelijkse online leerblootstelling omvatte minder dan 2 uur per week bij 41 studenten, 2–4 uur bij 116 studenten, 5–7 uur bij 137 studenten, 8–10 uur bij 62 studenten en meer dan 10 uur bij 30 studenten. Eerdere online leerervaringen omvatten geen bij 38 studenten, minder dan 6 maanden bij 68 studenten, 6–12 maanden bij 190 studenten en meer dan 12 maanden bij 90 studenten. Wekelijkse online leeruren en eerdere online leerervaring werden behouden als vooraf gespecificeerde controlevariabelen.

Deskundige beoordeling, pilotproeven en verificatie van de vragenlijst

De deskundige beoordeling werd uitgevoerd door vijf experts op het gebied van onderwijspsychologie, online leren, kwantitatieve methodologie, onderzoek in het hoger onderwijs en enquête-ontwerp. De beoordeling identificeerde 13 formuleringsproblemen, vier redundantieproblemen en drie construct-alignment-problemen. Veertien items werden herzien voor duidelijkheid, contextuele passing of constructie-uitlijning, en geen item werd verwijderd vóór de pilottests. Pilottests werden uitgevoerd door 42 universiteitsstudenten die voldeden aan de toelatingscriteria voor de hoofdstudie. De mediane voltooiingstijd was 9,6 min, en de minimale drempel voor voltooiingstijd werd vastgesteld op 3,2 min. De voorlopige alfawaarden van Cronbach varieerden van 0,721 tot 0,814. Na de proef werd er geen item verwijderd. De definitieve Engelstalige vragenlijst bevatte 12 online leerervaringsitems, negen basisvragen over psychologische behoeften, 12 leerbetrokkenheidsvragen en één instructie-gebaseerde aandachtcheck. Item-source mapping, variabelencodering en scoreregels waren vergrendeld vóór formele analyse en zijn beschikbaar in Supplementary File 1.

Responsscreening, ontbreking en datakwaliteitscontroles

Na de screening werden 386 geldige antwoorden behouden van 432 ingediende antwoorden. Uitsluitingen omvatten vier antwoorden zonder toestemmingsbevestiging, 17 uitsluitingen van geschiktheid, acht dubbele reacties, zes mislukte aandachtscontroles, vijf antwoorden onder de drempel voltooiingstijd, vier rechtlijnige antwoorden en twee onopgeloste inconsistenties in geschiktheid. Zes langsnoedpatronen werden gemarkeerd, maar deze overlappen met andere uitsluitingscategorieën en werden niet als een extra onafhankelijke uitsluitingscategorie geteld. Uitsluitingen werden vastgelegd in het gedeïdentificeerde screeningslogboek. Er werden geen dubbele deelnemerscodes behouden in de vergrendelde dataset. Er werden geen ontbrekende waarden waargenomen in de 33 substantiële Likert-schaal items, achtergrondvariabelen, dimensiescorevariabelen of globale construct-score variabelen. Er werd geen imputatie toegepast. Geen enkele retained response voldeed aan de straight-lining rule, geen enkele restrictie toonde een lange-string patroon van 20 of meer opeenvolgende identieke inhoudelijke reacties, en er werd geen onopgeloste inconsistentie waargenomen tussen online leerblootstelling en wekelijkse online leeruren.

Descriptieve distributie en diagnostiek van veelvoorkomende methode-bias

De wereldwijde score voor online leerervaring was 3,47 ± 0,45. De wereldwijde score voor basispsychologische behoeften was 3,40 ± 0,49. De wereldwijde score voor leerbetrokkenheid was 3,42 ± 0,48. Instructieve ondersteuning had het hoogste gemiddelde onder de dimensies van online leerervaringen, en de kwaliteit van interactie had het laagste gemiddelde. Competentiebehoefte had het hoogste gemiddelde onder basisdimensies van psychologische behoeften, en de behoefte aan verwantschap had het laagste gemiddelde. Cognitieve betrokkenheid had het hoogste gemiddelde onder leerbetrokkenheidsdimensies, en emotionele betrokkenheid had het laagste gemiddelde. Controles van de itemverdeling toonden geen ernstige effecten op vloer of plafond. De maximale responsfrequentie op itemniveau was 1,55% voor OLE_PU3. De maximale responssnelheid op itemniveau was 12,95% voor OLE_IS2. Beide waarden lagen onder de vooraf bepaalde drempel van 20%. Diagnostiek van common method bias toonde geen ernstig bewijs van een dominante common method factor. Harmans single-factor test toonde aan dat de eerste niet-geroteerde factor 24,12% van de totale variantie verklaarde. Volledige collineariteitsdiagnostiek leverde een maximale variantie-inflatiefactor van 1,527 op.

Kwaliteit van meetmodellen

Zoals te zien is in Tabel 3, varieerden Cronbachs alfawaarden van 0,733 voor interactiekwaliteit tot 0,801 voor cognitieve betrokkenheid op dimensieniveau. De globale online leerervaringsconstruct toonde een alfa van 0,878, basispsychologische behoeften een alfa van 0,846, en leerbetrokkenheid een alfa van 0,867. Gestandaardiseerde buitenlasten varieerden van 0,704 tot 0,842 over de 33 inhoudelijke items. De samengestelde betrouwbaarheidswaarden varieerden van 0,849 tot 0,889. De gemiddelde variantie-geëxtraheerde waarden varieerden van 0,653 tot 0,702. De maximale heterotrait-monotraitverhouding was 0,742. Deze waarden voldeden aan de vooraf gespecificeerde meetmodelcriteria.

Tabel 3: Betrouwbaarheid, beschrijvende statistiek en kwaliteit van meetmodellen. Deze tabel geeft Cronbachs alfa, samengestelde betrouwbaarheid, gemiddelde variantie, gestandaardiseerde laadbereiken, gemiddelden, standaardafwijkingen en retentiebeslissingen voor de eerste-orde dimensies en hogere-orde constructies weer. Het aandachtscontrole-item werd uitgesloten van betrouwbaarheid, validiteit en modelschatting. De maximale HTMT-waarde onder de eerste-orde constructen was 0,742, onder de vooraf gespecificeerde conservatieve drempel van 0,85. De volledige buitenlasttabel en HTMT-matrix zijn beschikbaar in Supplementair Bestand 2. Afkortingen: AVE = gemiddelde variantie geëxtraheerd. Klik hier om deze tabel te downloaden.

Online leerervaring was gecorreleerd met basispsychologische behoeften (r = 0,501) en leerbetrokkenheid (r = 0,497). Basispsychologische behoeften waren gecorreleerd met leerbetrokkenheid (r = 0,510).

Structurele paden en resultaten van indirecte associaties

Zoals weergegeven in Figuur 2, was online leren positief geassocieerd met basispsychologische behoeften (β = 0,501, t = 11,259, p < 0,001, 95% BI: 0,414 tot 0,588). Basispsychologische behoeften waren positief geassocieerd met leerbetrokkenheid (β = 0,349, t = 7,256, p < 0,001, 95% BI: 0,255 tot 0,444). Online leerervaring bleef direct geassocieerd met leerbetrokkenheid (β = 0,324, t = 6,699, p < 0,001, 95% BI: 0,229 tot 0,419). Het model verklaarde 25,1% van de variantie in basispsychologische behoeften en 33,9% van de variantie in leerbetrokkenheid (Tabel 4). De grootte van het^f2-effect voor de online leerervaring op basis psychologische behoeften was 0,332. De grootte van het f2-effect voor de online leerervaring en de basispsychologische behoeften voor leerbetrokkenheid waren respectievelijk 0,118 en 0,138.

Figuur 2: Structureel model met gestandaardiseerde, associatie-gebaseerde padcoëfficiënten. De figuur toont de gestandaardiseerde paden tussen online leerervaring, basispsychologische behoeften en leerbetrokkenheid, inclusief het directe pad, het indirecte pad, de^R2-waarden en vooraf gespecificeerde controlevariabelen. Alle paden worden geïnterpreteerd als associatiegebaseerde schattingen. Klik hier om een grotere versie van deze figuur te bekijken.

Tabel 4: Verklaarde variantie van endogene constructen. Deze tabel geeft de bepalingscoëfficiënt (R²), aangepaste^R2-waarden en voorspellervariabelen weer voor elk endogeen construct in het structurele model. Alle resultaten worden geïnterpreteerd als associatiegebaseerde schattingen omdat de gegevens dwarsdoorsneden waren. Afkortingen: OLE_TOTAL = wereldwijde score voor online leerervaring; BPN_TOTAL = globale score voor basispsychologische behoeften; LE_TOTAL = globale score voor leerbetrokkenheid. Klik hier om deze tabel te downloaden.

Tabel 5 toont aan dat wekelijkse online leeruren niet significant geassocieerd waren met basispsychologische behoeften (β = 0,001, p = 0,986) of leerbetrokkenheid (β = −0,020, p = 0,634).

Tabel 5: Structurele banen schattingen en effectgroottes. Deze tabel geeft gestandaardiseerde structurele padschattingen, overeenkomstige t-waarden, p-waarden, 95% betrouwbaarheidsintervallen (BI), f2-effectgroottes en padkeuzes voor het veronderstelde model. Ook worden controlevariabelenpaden gepresenteerd. Alle paden worden geïnterpreteerd als associatie-gebaseerde schattingen omdat de gegevens dwarsdoorsneden waren. Afkortingen: OLE_TOTAL = wereldwijde score voor online leerervaring; BPN_TOTAL = globale score voor basispsychologische behoeften; LE_TOTAL = globale score voor leerbetrokkenheid; WEEKLY_HOURS = wekelijkse online leeruren; PRIOR_EXPERIENCE = eerdere online leerervaring; CI = betrouwbaarheidsinterval. Klik hier om deze tabel te downloaden.

Eerdere online leerervaring was niet significant geassocieerd met basale psychologische behoeften (β = −0,005, p = 0,916) of leerbetrokkenheid (β = 0,013, p = 0,754). De indirecte weg van online leerervaring naar leerbetrokkenheid via basis psychologische behoeften werd ondersteund. Het indirecte effect was 0,175, met een bootstrap-betrouwbaarheidsinterval van 95% van 0,124 tot 0,231. Het directe effect van de online leerervaring op de leerbetrokkenheid was 0,324, en het totale effect was 0,499 (Tabel 6). Deze route werd geïnterpreteerd als een associatie-gebaseerde indirecte route in plaats van causale mediatie.

Tabel 6: Directe, indirecte en totale associatieschattingen. Deze tabel geeft de directe, indirecte (gemedieerde) en totale verbanden weer tussen online leerervaring en leerbetrokkenheid, inclusief bootstrap 95% betrouwbaarheidsintervallen (BI) en keuzes over het traject. Alle effecten worden geïnterpreteerd als associatie-gebaseerde schattingen omdat de gegevens dwarsdoorsneden waren. Afkortingen: OLE_TOTAL = wereldwijde score voor online leerervaring; BPN_TOTAL = globale score voor basispsychologische behoeften; LE_TOTAL = globale score voor leerbetrokkenheid; CI = betrouwbaarheidsinterval. Klik hier om deze tabel te downloaden.

Analyse van psychologische subdimensiegevoeligheid en robuustheidsanalyse

De indirecte route door autonomiebehoefte werd ondersteund (indirect effect = 0,087, 95% BI: 0,049 tot 0,131). Het indirecte pad door competentiebehoefte werd ondersteund en toonde het grootste indirecte effect (indirect effect = 0,148, 95% BI: 0,094 tot 0,205). De indirecte route door verwantschapsbehoefte werd ook ondersteund (indirect effect = 0,092, 95% BI: 0,056 tot 0,132) (Tabel 7).

Tabel 7: Gevoeligheidsanalyse van subdimensies van basis psychologische behoeften. Deze tabel geeft indirecte verbanden aan via de autonomie-, competentie- en verwantschapssubdimensies van basispsychologische behoeften, inclusief bootstrap 95% betrouwbaarheidsintervallen (BI) en pathway-beslissingen. Alle effecten worden geïnterpreteerd als associatie-gebaseerde schattingen omdat de gegevens dwarsdoorsneden waren. Afkortingen: OLE_TOTAL = wereldwijde score voor online leerervaring; LE_TOTAL = globale score voor leerbetrokkenheid; BPN_AU = autonomiebehoefte; BPN_CO = competentiebehoefte; BPN_RE = verwantschapsbehoefte; CI = betrouwbaarheidsinterval. Klik hier om deze tabel te downloaden.

Regressiegebaseerde robuustheidsanalyse leverde dezelfde inhoudelijke interpretatie op als het primaire PLS-SEM-model. Online leerervaring bleef positief geassocieerd met basispsychologische behoeften (β = 0,501, 95% BI: 0,414 tot 0,588). Basispsychologische behoeften bleven positief geassocieerd met leerbetrokkenheid na aanpassing voor online leerervaring en controlevariabelen (β = 0,349, 95% BI: 0,255 tot 0,444). Het regressie-gebaseerde indirecte effect was 0,175, met een bootstrap-betrouwbaarheidsinterval van 95% van 0,124 tot 0,231. Omdat de gegevens dwarsdoorsneden waren, werden alle routes geïnterpreteerd als associatiegebaseerde schattingen in plaats van als causale effecten (Tabel 8).

Tabel 8: Regressiegebaseerde robuustheidsanalyse. Deze tabel geeft regressiegebaseerde robuustheidsresultaten voor de structurele paden weer, inclusief aangepaste directe en indirecte associatieschattingen met bootstrap 95% betrouwbaarheidsintervallen (BI). Alle effecten worden geïnterpreteerd als associatie-gebaseerde schattingen omdat de gegevens dwarsdoorsneden waren. Afkortingen: OLE_TOTAL = wereldwijde score voor online leerervaring; BPN_TOTAL = globale score voor basispsychologische behoeften; LE_TOTAL = globale score voor leerbetrokkenheid; CI = betrouwbaarheidsinterval. Klik hier om deze tabel te downloaden.

Aanvullend Bestand 1: Vragenlijst, variabelencodering en scoreregels. Dit bestand bevat de Engelstalige vragenlijst, geschiktheidsscreeningsvariabelen, achtergrondvariabelencodering, itemformulering, item-bron-mapping, responsschaal, scoringsformules, variabelenwoordenboek, data-handling regels en consistentiecontroles. Klik hier om dit bestand te downloaden.

Aanvullend Bestand 2: Definitieve verificatie van de analytische dataset, analyse-instellingen en reproduceerbaarheidsrecords. Dit bestand registreert de vergrendelde analysedataset, samenvatting van veldwerk, expertbeoordeling en pilottestrecords, screeningssamenvatting, controles van ontbrekende gegevens, betrouwbaarheid en meetmodeloutput, resultaten van structurele modellen, gevoeligheidsanalyse, robuustheidsanalyse en reproduceerbaarheidschecklist. Klik hier om dit bestand te downloaden.

Discussie

Dit protocol biedt een reproduceerbare methodologische workflow voor het beoordelen van associatiepaden tussen online leerervaring, basispsychologische behoeften en leerbetrokkenheid bij universiteitsstudenten. In plaats van online leren als één enkele voorwaarde te behandelen, scheidt het protocol de waargenomen leeromgeving in platformbruikbaarheid, instructieondersteuning, interactiekwaliteit en leerflexibiliteit. Deze structuur stelt onderzoekers in staat te identificeren welk deel van de online leerervaring het meest geassocieerd is met psychologische behoeftebevrediging en betrokkenheid, in plaats van alleen te vertrouwen op de indicatoren van algemene tevredenheid of cursusvoltooiing¹⁶.

Een centrale methodologische bijdrage is de prespecificatie van vragenlijstcodering, geschiktheidsscreening, responskwaliteitscontroles, construct scoring, dataset-locking en modeltesten. Deze stappen zijn belangrijk omdat op enquêtes gebaseerd onderwijsonderzoek gevoelig is voor onoplettende reacties, patroonantwoorden, inconsistente toelatingsantwoorden, ontbrekende gegevens en post-hoc uitsluitingen¹⁷. Door deze beslissingen vóór structurele analyse te plaatsen, maakt het protocol het analytische pad reproduceerbaar en vermindert het het risico dat screenings- of scoreregels worden aangepast nadat de resultaten bekend zijn.

Het protocol verduidelijkt ook hoe het associatiepad geïnterpreteerd moet worden. Online leren wordt gemodelleerd als het onafhankelijke construct, basispsychologische behoeften als het indirecte-associatieconstruct, en leerbetrokkenheid als het resultaatconstruct. Deze structuur is theoretisch gebaseerd op zelfbepalingstheorie, omdat autonomie, competentie en verwantschap een mechanisme bieden om te begrijpen waarom sommige online leeromgevingen geassocieerd worden met sterkere betrokkenheid¹⁸. Omdat het protocol echter dwarsdoorsnede-vragenlijstgegevens gebruikt, moet het pad worden geïnterpreteerd als een indirecte associatie in plaats van als causale bemiddeling.

De multidimensionale behandeling van leerbetrokkenheid is een andere kracht van het protocol. Gedragsbetrokkenheid, cognitieve betrokkenheid en emotionele betrokkenheid worden afzonderlijk gemeten voordat ze worden samengevat als een globale betrokkenheidsconstructie. Dit voorkomt dat de betrokkenheid wordt teruggebracht tot aanwezigheid, taak voltooiing of inloggedrag¹⁹. In praktische termen kan het protocol studenten onderscheiden die verplichte taken voltooien van studenten die cognitief betrokken zijn, emotioneel betrokken zijn en bereid zijn om door te gaan met online leeractiviteiten.

Het protocol is ook nuttig voor het diagnosticeren van zwakke punten in online leerontwerp. Een cursus kan bijvoorbeeld voldoende toegang tot het platform bieden, maar toch een lage verwantschap of emotionele betrokkenheid tonen als communicatie vertraagd, gefragmenteerd of niet verbonden is met betekenisvolle leerinteractie. Dit onderscheid is consistent met online leermodellen die sociale aanwezigheid, onderwijsaanwezigheid en cognitieve aanwezigheid benadrukken in plaats van alleen technologische beschikbaarheid²⁰. Daarom ondersteunt het protocol gerichte verbetering van platformontwerp, ondersteuning van instructeurs, interactiestructuur en bevrediging van psychologische behoeften.

Verschillende beperkingen moeten de interpretatie en toekomstig gebruik sturen. Ten eerste stelt het dwarsdoorsnedeontwerp geen temporele orde vast, dus moeten causale claims niet worden gedaan²¹. Ten tweede worden alle hoofdvariabelen zelf gerapporteerd, en kan common method diagnostics de responsvooringenomenheid niet volledig wegnemen²². Ten derde observeert het model niet direct het gedrag van docenten, de kwaliteit van het cursusontwerp, platformanalyse of institutionele ondersteuning. Toekomstige studies kunnen het protocol uitbreiden via longitudinale metingen, multigroepsvergelijking, integratie van leren en analytics of mixed-methods follow-up, terwijl dezelfde reproduceerbare screening, scoring, modeltesten en verificatielogica²³ behouden blijft.

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
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.