Een protocol voor een enquête over de zelfbeschikkingstheorie met betrekking tot de professionele ontwikkelingsmotivatie, het onderwijszelfeffectiviteit en de betrokkenheid van universitaire docenten

Samenvatting

Dit protocol beschrijft een anonieme, transversale vragenlijstprocedure voor het beoordelen van de professionele ontwikkelingsmotivatie, de eigen effectiviteit in het onderwijs, de betrokkenheid en de reflectieve praktijk van universitaire docenten.

Samenvatting

Docenten in het hoger onderwijs nemen deel aan professionele ontwikkeling onder uiteenlopende institutionele, disciplinaire en motivationele omstandigheden. Deelnamegegevens alleen kunnen niet verklaren of professionele ontwikkeling leidt tot betekenisvol professioneel leren. Dit artikel presenteert een reproduceerbaar, anoniem, cross-sectioneel enquêteprotocol voor het beoordelen van de bevrediging van psychologische behoeften, autonome en gecontroleerde motivatie, teaching self-efficacy, betrokkenheid bij professionele ontwikkeling en reflectieve praktijk vanuit het perspectief van de zelfdeterminatietheorie. Het protocol specificeert de screening van geschiktheid, gestratificeerde gemaksteekproeven, de constructie van de vragenlijst, expertbeoordeling, pilottesting, online toediening, anonimisering, screening van responskwaliteit, scoreberekening van schalen, betrouwbaarheidsschatting, correlatieanalyse, hiërarchische regressie en sensitiviteitsanalyses. Daarnaast wordt er duidelijkheid verschaft over de adaptatie van schalen, de verificatie van toestemmingen, de scoreberekening van constructen en de interpretatie van zeer betrouwbare schalen als potentiële indicatoren van itemredundantie. Representatieve resultaten werden verkregen uit één volledige implementatie van het protocol, waarbij 326 ingediende records werden geëxporteerd en 313 geldige responsen werden behouden na vooraf gespecificeerde screening. De resultaten toonden aan dat de bevrediging van de behoeften aan autonomie, competentie en verbondenheid positief geassocieerd waren met autonome motivatie, en dat autonome motivatie en teaching self-efficacy geassocieerd waren met betrokkenheid bij professionele ontwikkeling. Het protocol is geschikt voor gestandaardiseerde, multi-institutionele, enquêtegebaseerde studies naar de motivationele en professionele overtuigingscorrelaten van betrokkenheid bij professionele ontwikkeling. Het is minder geschikt voor causale inferentie, het schatten van longitudinale veranderingen, directe gedragsuitkomsten of evaluaties van programma's op institutioneel niveau, tenzij herhaalde metingen, observatie, kwalitatief onderzoek of administratieve gegevens worden toegevoegd.

Inleiding

Beroepsontwikkeling voor docenten wordt op grote schaal ingezet om de onderwijskwaliteit, instructieverbetering en professioneel leren te ondersteunen, maar de effecten zijn moeilijk te interpreteren wanneer de evaluatie beperkt blijft tot aanwezigheid, blootstelling of het aantal voltooide trainingsuren^1,2. Onderzoek naar beroepsontwikkeling vereist een duidelijke conceptualisering van de mechanismen die leeractiviteiten verbinden met veranderingen bij de docent, omdat deelname niet noodzakelijkerwijs wijst op betrokkenheid, ervaren nut of daaropvolgende reflectie¹. In universitaire omgevingen werken docenten binnen verschillende disciplines, aanstellingsvormen, werklastcondities en institutionele verwachtingen. Een enquêteprotocol dat psychologische en professionele overtuigingen meet, kan daarom monitoring op basis van activiteiten aanvullen door te onderzoeken hoe docenten beroepsontwikkeling ervaren en toepassen. Alternatieve benaderingen dienen verschillende evaluatiedoeleinden. Evaluatie op basis van aanwezigheid is efficiënt voor het documenteren van het bereik, de naleving en de adoptie van het programma, maar biedt beperkte informatie over motivatie, ervaren bekwaamheid of de kwaliteit van de betrokkenheid. Kwalitatieve interviews, focusgroepen en reflectieve narratieven bieden rijkere verslagen van professionele leerervaringen, maar zijn minder geschikt voor gestandaardiseerde metingen over meerdere instellingen of grotere steekproeven. Longitudinale ontwerpen genieten de voorkeur voor het schatten van veranderingen in de tijd, temporele volgorde of vertraagde onderwijsuitkomsten. Evaluatiekaders op instellingsniveau zijn nuttig voor het monitoren van de programma-uitvoering, resource-allocatie en organisatorische verantwoording. Het huidige protocol is het meest geschikt wanneer het doel is om een anonieme, cross-sectionele, multi-institutionele enquête uit te voeren met reproduceerbare score-, schoonmaak- en analyseprocedures.

Het protocol beschouwt professionele ontwikkeling als een professioneel leerproces in plaats van als een eenmalige institutionele gebeurtenis. Opfer en Pedder conceptualiseerden professioneel leren voor docenten als een complex proces dat wordt gevormd door interacties tussen individuele systemen, de werkomgeving en leeractiviteitensystemen³. Dit perspectief is relevant voor universitaire docenten omdat dezelfde activiteit verschillend kan worden ervaren, afhankelijk van de ervaren keuzevrijheid, het instructieve zelfvertrouwen, de collegiale steun, de werkdruk en de disciplinaire relevantie. Daarom beoordeelt het protocol de voldoening van psychologische behoeften, de motivatie voor professionele ontwikkeling, de eigen effectiviteit in het onderwijs, de betrokkenheid bij professionele ontwikkeling en de reflectieve praktijk, naast de achtergrond van de deelname. De zelfbeschikkingstheorie vormt de motivationele basis voor het protocol. De theorie maakt onderscheid tussen autonome motivatie, waarbij gedrag wordt ervaren als persoonlijk gesteund of betekenisvol, en gecontroleerde motivatie, waarbij gedrag hoofdzakelijk wordt gedreven door druk, verplichting of externe eisen⁴. Daarnaast identificeert het autonomie, competentie en verbondenheid als basisbehoeften op psychologisch vlak die zelfgestuurde actie en aanhoudende betrokkenheid ondersteunen⁵. Bij de professionele ontwikkeling van universitaire docenten verwijst autonomie naar de ervaren keuzevrijheid en professionele discretie bij het selecteren of gebruiken van ontwikkelingsactiviteiten; competentie verwijst naar de ervaren groei in onderwijskundig vermogen; en verbondenheid verwijst naar collegiale connectie, professioneel behoren en constructieve uitwisseling. Deze constructen stellen het protocol in staat om te onderzoeken waarom docenten deelnemen en hoe de omgeving voor professionele ontwikkeling wordt ervaren.

Zelfeffectiviteit in het onderwijs is opgenomen omdat motivatie alleen niet bepaalt of docenten zich in staat voelen om de inhoud van professionele ontwikkeling toe te passen in de onderwijspraktijk. Zelfeffectiviteit van docenten verwijst naar de overtuigingen van docenten over hun vermogen om onderwijsgerelateerde acties te organiseren en uit te voeren, en dit is gekoppeld aan instructiegedrag, doorzettingsvermogen, enthousiasme en studentgerelateerde resultaten⁶. Het model van Guskey voor verandering bij docenten suggereert bovendien dat professionele ontwikkeling betekenisvol wordt wanneer docenten nieuwe praktijken kunnen koppelen aan bewijzen van verbetering⁷. In dit protocol wordt zelfeffectiviteit in het onderwijs behandeld als een variabele van professionele overtuiging die kan helpen verklaren of professionele ontwikkeling wordt doorgevoerd in klaslokale, online, laboratorium-, studio-, klinische of supervisie-onderwijscontexten. Betrokkenheid bij professionele ontwikkeling wordt gedefinieerd als actieve deelname aan activiteiten voor professionele ontwikkeling, aandacht voor het leerproces, inspanning om de inhoud van de professionele ontwikkeling te koppelen aan het onderwijs, voortdurend leren na de activiteit en de bereidheid om deel te nemen aan toekomstig professioneel leren. Dit construct is gerelateerd aan de bredere literatuur over betrokkenheid, waarin vitaliteit, toewijding en absorptie een aanhoudende betrokkenheid bij werkgerelateerde activiteiten beschrijven⁸. Echter, betrokkenheid bij professionele ontwikkeling wordt niet behandeld als identiek aan algemene werkbetrokkenheid of als een telling van de deelname aan professionele ontwikkeling. Het wordt gemeten als een beperktere reactie op professioneel leren die vastlegt hoe docenten deelnemen aan, verwerken en verder gebruikmaken van ervaringen met professionele ontwikkeling. Reflectieve praktijk is opgenomen als een beknopte indicator voor evaluatie na de activiteit, beoordeling van het nut voor het onderwijs, herziening van onderwijstrategieën en documentatie of discussie over leerresultaten⁹.

Een enquêteprotocol vereist daarnaast vooraf gespecificeerde procedures voor de responskwaliteit en metingen. Anonieme online vragenlijsten kunnen resulteren in korte responstijden, overgeslagen items, het niet doorstaan van aandachtcontroles en invariante responspatronen. Screening op onzorgvuldige antwoorden is beter te rechtvaardigen wanneer meerdere indicatoren worden gecombineerd dan wanneer er slechts één uitsluitingsregel wordt gehanteerd¹⁰. Het protocol specificeert daarom drempelwaarden voor de voltooiingstijd, aandachtcontroles via geïnstrueerde antwoorden, regels voor ontbrekende gegevens, screening op invariante antwoorden en traceerbare uitsluitingscodering voorafgaand aan de scoreberekening van de schalen. De interne consistentie wordt geschat met Cronbach's alpha en McDonald's omega, omdat alpha alleen onder bepaalde meetomstandigheden misleidend kan zijn¹¹. Zeer hoge betrouwbaarheidswaarden worden voorzichtig geïnterpreteerd, omdat ze eerder kunnen duiden op redundantie van items dan op een sterkere meting. De primaire analyse behandelt elk construct als een geobserveerde schaalscore voor beschrijvende statistieken, betrouwbaarheidsschatting, correlatieanalyse, hiërarchische regressie en sensitiviteitsanalyses. Studies die dit protocol gebruiken voor schaalontwikkeling, crossculturele vergelijking of metingen met grote belangen zouden explorerende of confirmatieve factoranalyse moeten toevoegen voordat structurele associaties worden geïnterpreteerd, vooral wanneer constructcorrelaties hoog zijn of vertaalde items worden gebruikt. Het crosssectionele ontwerp kan associaties schatten tussen de bevrediging van psychologische behoeften, motivatie, zelfeffectiviteit in het onderwijs, betrokkenheid bij professionele ontwikkeling en reflectieve praktijk, maar het kan geen temporele volgorde, causale effecten of gedragsverandering vaststellen. Omdat alle hoofdvariabelen door dezelfde respondenten via zelfrapportage worden ingevuld, blijven sociale wenselijkheid en common-method bias mogelijk, ondanks anonimiteit, neutrale formuleringen, screening op responskwaliteit en sensitiviteitsanalyses¹². Het protocol is daarom minder geschikt voor causale inferentie, schatting van longitudinale veranderingen, directe beoordeling van onderwijsgedrag of programmaevaluatie op instellingsniveau, tenzij er herhaalde metingen, kwalitatief onderzoek, klasobservaties, onderwijsartefacten of administratieve programmagegevens worden toegevoegd. Binnen het beoogde toepassingsgebied biedt het protocol een gestandaardiseerde methode voor het onderzoeken van de motivationele en professionele overtuigingsconstructen die geassocieerd zijn met de betrokkenheid bij professionele ontwikkeling en reflectief professioneel leren van universiteitsdocenten¹³.

Protocol

The study protocol was reviewed and approved by the Universiti Malaya Research Ethics Committee (Non-Medical) on 7 August 2025 (Reference No. UM.TNC(P&I)/UMREC_4864). Local administrative permission was obtained from each participating university before recruitment when required. Electronic informed consent was collected before eligibility screening and questionnaire administration. No names, staff identification numbers, telephone numbers, institutional email addresses, Internet Protocol addresses, geolocation data, device identifiers, exact department names, or open-text identifiers were collected. Submitted responses were assigned anonymous respondent codes and stored in encrypted institutional storage according to the approved data-retention procedure.

This protocol standardizes an anonymous, cross-sectional questionnaire procedure for assessing university teachers’ professional development motivation, basic psychological need satisfaction, teaching self-efficacy, professional development engagement, and reflective practice. The protocol uses self-determination theory to distinguish autonomous motivation from controlled motivation in professional development participation¹⁴.

1. Study design and workflow

1. Define the study as an anonymous, cross-sectional questionnaire study of university teachers and follow the workflow shown in Figure 1 from ethics approval to reproducibility checking.
2. Measure basic psychological need satisfaction, professional development motivation, teaching self-efficacy, professional development engagement, and reflective practice.
3. Treat autonomy, competence, and relatedness need satisfaction as motivational antecedents; autonomous and controlled motivation as motivational-regulation variables; teaching self-efficacy as a professional belief variable; and professional development engagement and reflective practice as professional-learning response variables¹⁵.
4. Analyze constructs as observed scale scores for descriptive statistics, reliability estimation, correlation analysis, hierarchical regression, and sensitivity analyses.
   NOTE: Add exploratory or confirmatory factor analysis before interpreting latent structure, cross-cultural measurement equivalence, or discriminant validity in studies using translated items, newly adapted items, or highly correlated constructs.

2. Participant eligibility and sampling plan

1. Recruit university teachers from at least four universities with varied institutional profiles.
2. Include participants aged 21 years or older who are employed by a higher-education institution, involved in teaching or supervision, able to complete the questionnaire in the study language, and willing to provide electronic informed consent.
3. Include undergraduate teaching, postgraduate teaching, supervision, curriculum delivery, clinical teaching, studio teaching, laboratory teaching, online teaching, and academic mentoring as eligible teaching roles.
4. Exclude administrative staff without teaching duties, retired teachers no longer involved in teaching, visiting scholars without teaching responsibilities, external trainers not employed by the university, and individuals without informed consent.
5. Use stratified convenience sampling across broad discipline groups and academic ranks. Code discipline group as Education, Humanities, Social Sciences, Business and Management, Science, Technology, Engineering and Mathematics, Health Sciences, Arts and Design, or Other.
6. Set the minimum target at 300 valid responses for regression models with multiple background and psychological predictors¹⁶. Recruit 330–360 submitted responses to allow for exclusion during screening.
7. Conduct recruitment during a regular teaching period, avoid examination weeks and major institutional evaluation periods, use a 4-week recruitment window, and extend recruitment once for 7 calendar days if fewer than 300 valid responses are available.
   NOTE: Apply identical eligibility criteria, discipline categories, recruitment wording, and exclusion rules across all universities.Pause after ethics approval, institutional permissions, recruitment channels, sampling frame, and recruitment materials are finalized.

3. Questionnaire structure and construct map

1. Build the questionnaire in seven sections: informed consent, demographic and professional background, basic psychological need satisfaction, professional development motivation, teaching self-efficacy, professional development engagement, and reflective practice.
2. Define each construct, item code, item source, item number, response scale, scoring method, expected score range, and permission status in Table 1 before programming the questionnaire.
3. Use a 5-point Likert response scale for all main psychometric items, ranging from 1 (strongly disagree) to 5 (strongly agree).
4. Collect institution code, discipline group, gender, age group, academic rank, teaching years, weekly teaching hours, professional development activities and hours in the last 12 months, and perceived administrative workload before psychometric items.
5. Code age group, teaching years, discipline group, and perceived administrative workload using the codebook in Supplementary File 1. Use broad discipline categories instead of exact department names.
6. Provide the full questionnaire, variable names, item codes, response coding, scoring syntax, exclusion coding, and script structure in Supplementary File 1.
   NOTE: Lock item codes before programming the online questionnaire. Do not change item codes after pilot testing unless the questionnaire, codebook, and analysis script are updated together.

4. Construct measurement and item allocation

1. Measure autonomy, competence, and relatedness need satisfaction with four items each.
2. Measure autonomous motivation with six items and controlled motivation with four items reflecting self-endorsed and pressure-based reasons for teaching-related professional development¹⁷.
3. Measure teaching self-efficacy with 12 university-adapted items covering instructional strategies, student engagement, and classroom management or interaction¹⁸.
4. Measure professional development engagement with six items covering active participation, sustained learning effort, attention, application, continued learning, and willingness to engage in future professional development¹⁹.
5. Measure reflective practice with four items covering post-activity reflection, usefulness evaluation, teaching-strategy revision, and documentation or discussion of learning outcomes²⁰.
6. Include two instructed-response attention-check items: one requiring “Agree” after the motivation items and one requiring “Disagree” after the teaching self-efficacy items.
7. Keep the final questionnaire between 38 and 44 main items, excluding informed consent and background questions.
8. Classify all psychometric items in Table 1 as adapted, newly written, or domain-aligned, and record source, adaptation status, and permission status.
   NOTE: Do not reproduce restricted scale items verbatim unless written permission has been obtained or the source explicitly permits such use.

5. Expert review and item refinement

1. Invite three to five reviewers with expertise in motivation theory, higher education or teacher professional development, and quantitative survey research. Include one bilingual reviewer if translation is used.
2. Provide reviewers with the study aim, construct definitions, item list, response scale, target population, scoring plan, and permission-status table.
3. Ask reviewers to rate construct relevance, wording clarity, cultural appropriateness, respondent burden, and social-desirability risk using a 4-point relevance scale.
4. Retain items rated 3 or 4 by at least 80% of reviewers. Revise or remove items with low relevance, ambiguous wording, cultural mismatch, social-desirability risk, duplication, or double-barreled wording.
5. Retain at least four items for each main construct and prepare an item-decision log with item code, reviewer concern, revision decision, final wording, source status, and permission status.
   NOTE: Pause after expert review. Resume only after the revised questionnaire, item-decision log, codebook, and scoring syntax use identical item codes.

6. Translation and language verification

1. Use the original study language if all participating teachers can complete the questionnaire in that language.
2. Apply forward translation and back translation if English-source items are administered in another language.
3. Ask two bilingual translators to translate the questionnaire independently, reconcile the translations, and ask a third bilingual translator to back-translate the reconciled version into English.
4. Compare the back-translated version with the source version for changes in construct meaning, response direction, and item intensity²¹. Revise items when meaning changes are identified.
5. Conduct cognitive checking with five university teachers and ask them to identify confusing, ambiguous, sensitive, repeated, or culturally inappropriate items.
6. Finalize and lock the administered version after translation and cognitive-checking issues are resolved.
   NOTE: Use one finalized questionnaire version for all main-study participants unless each language version has passed the same verification procedure.

7. Pilot testing

1. Recruit 20-30 university teachers from the target population for pilot testing and exclude them from the main survey.
2. Administer the pilot questionnaire through the same type of institutionally approved online survey platform planned for the main study.
3. Record completion time automatically from the first post-consent questionnaire page to final submission, and collect participant comments on wording, repetition, survey length, sensitive items, and display problems.
4. Calculate the median pilot completion time. Define the minimum valid completion-time threshold as one-third of the pilot median or 180 s, whichever is longer, and define the borderline-time range as the threshold plus 60 s.
5. Revise the questionnaire if the pilot median completion time is below 5 min or above 15 min, if item missingness exceeds 10% with wording-related comments, or if more than 10% of pilot participants misunderstand either of the attention-check item.
6. Calculate preliminary internal consistency for each scale and lock the questionnaire, codebook, scoring syntax, completion-time threshold, and borderline-time range before main recruitment.
   NOTE: Do not use pilot responses in the main analysis dataset. Resume main recruitment only after the questionnaire, codebook, completion-time rules, and scoring syntax are locked.

8. Online survey setup

1. Build the questionnaire in an institutionally approved online survey platform using the platform-configuration checklist in Supplementary File 1.
2. Disable collection of Internet Protocol addresses, geolocation data, device identifiers, names, and email addresses.
3. Place the participant information sheet and electronic informed-consent item on the first page. Terminate the survey automatically when “I do not agree to participate” is selected.
4. Use forced response only for consent and eligibility items. Allow psychometric items to be skipped for prespecified missing-data handling.
5. Display one construct block per page, keep consent, eligibility, demographic, and attention-check items fixed, and apply block-level item randomization only within construct blocks when supported by the platform.
6. Use non-identifying duplicate-prevention settings and avoid Internet Protocol address tracking.
7. Test the survey link on desktop, laptop, tablet, and smartphone devices. Submit and export at least five test responses, then verify consent branching, eligibility branching, variable names, response codes, timestamps, missing values, completion time, and attention-check coding using Supplementary File 1.
8. Confirm that skipped psychometric items are exported as missing values rather than zeros. Delete test responses before recruitment.
   NOTE: Do not start recruitment if skipped psychometric items are exported as zeros or if consent branching, eligibility branching, or attention-check coding is incorrect.

9. Recruitment procedure

1. Send the recruitment invitation through general institutional channels, faculty development offices, academic mailing lists, or teacher professional development groups.
2. Use a neutral recruitment message stating the study purpose, eligibility criteria, approximate completion time, voluntary participation, anonymity protection, and survey closing date.
3. Do not ask direct supervisors to recruit individual staff members, provide department-level participation reports, or provide individual completion-linked incentives unless approved by the ethics committee.
4. Send the first invitation on Day 1, the first reminder on Day 10, and the final reminder on Day 21.
5. Close the survey on Day 28 unless the approved 7-calendar-day extension is activated because fewer than 300 valid responses are available.
6. Record recruitment dates, reminder dates, submitted responses, extension status, and final closure date in the recruitment log.
   NOTE: Pause after survey closure. Export and lock the raw dataset before applying any cleaning rule.

10. Data export and anonymization

1. Export the survey data within 48 h after survey closure in spreadsheet and comma-separated values formats. Save the original export as a read-only raw-data file and create a separate working copy for cleaning and analysis.
2. Replace platform-generated response identifiers with anonymous respondent codes, such as T001, T002, and T003.
3. Inspect all variables for accidental identifiers. Remove free-text content containing names, exact department names, institutional email addresses, or identifiable events.
4. Replace university names with University A, University B, University C, and University D, and replace exact discipline names with broad discipline groups.
5. Store the raw-data file, working file, cleaned-data file, screening log, codebook, questionnaire, and analysis scripts in encrypted institutional storage with access restricted to approved research team members.
6. Record every anonymization and cleaning decision in the screening log.
   NOTE: Do not clean, recode, or score data directly in the raw-data file. Resume data cleaning only after the raw-data file has been preserved and the working file contains no direct or indirect identifiers.

11. Response-quality screening

1. Screen all submitted responses before scale scoring using the response-quality and analysis-decision rules in Table 2.
2. Exclude responses without electronic informed consent, failed eligibility screening, completion time below the prespecified minimum valid threshold, failure of either attention-check item, or more than 20% missing psychometric items.
3. Review responses in the borderline completion-time range. Retain them only when both attention checks are passed, missingness is within the allowed range, and no invariant response pattern is observed.
4. Flag respondents who select the same Likert response option for at least 90% of psychometric items, and identify careless responses by combining completion time, attention-check results, missingness, and invariant response patterns²².
5. Inspect responses for implausible demographic combinations. Set one implausible demographic value to missing if psychometric responses are otherwise valid, and exclude the response when multiple demographic values indicate ineligibility.
6. Record one primary exclusion reason for every removed response, create an inclusion-status variable coded as 1 = included and 0 = excluded, generate the participant-flow summary for Figure 2, and save cleaned_teacher_PD_survey.csv.
   NOTE: Apply exclusion rules before computing scale scores. Do not exclude cases after viewing regression significance unless the exclusion rule was prespecified.

12. Missing-data handling and scale scoring

1. Convert Likert-scale responses to numeric values ranging from 1 to 5, check item direction, and reverse-score negatively worded items before scale scoring.
2. Compute a scale score only when at least 75% of items in that scale are completed. Use the available-item mean when no more than 25% of items within a scale are missing, and set the scale score to missing when more than 25% are missing.
3. Compute scale scores as follows: autonomy need satisfaction = mean of AUT1–AUT4; competence need satisfaction = mean of COM1–COM4; relatedness need satisfaction = mean of REL1–REL4; autonomous motivation = mean of AM1–AM6; controlled motivation = mean of CM1–CM4; teaching self-efficacy = mean of TSE1–TSE12; professional development engagement = mean of PDE1–PDE6; reflective practice = mean of RP1–RP4.
4. Create scored_teacher_PD_survey.csv containing respondent code, background variables, item responses, scale scores, inclusion status, and exclusion reason.
   NOTE: Confirm that all scale scores remain within the 1–5 range after scoring.

13. Statistical software setup and script execution

1. Use R version 4.3.2 or later and organize the project folder according to the reproducibility structure in Supplementary File 1.
2. Run the script sequence provided in Supplementary File 1: 01_import_anonymize.R, 02_screen_score.R, 03_reliability_descriptives.R, 04_regression_sensitivity.R, and 05_reproducibility_check.R.
3. Run all scripts from the project folder without manually editing intermediate datasets or generated outputs.
4. Export tables as spreadsheet files, generated figures as high-resolution PDF files, and R session information as sessionInfo.txt.
   ​NOTE: Do not overwrite raw data or manually edit generated analysis outputs. Pause after the script imports the data without errors and confirms that all required variables are present.

14. Reliability and item diagnostics

1. Calculate Cronbach’s alpha, McDonald’s omega, corrected item-total correlations, descriptive statistics, skewness, kurtosis, and floor or ceiling effects for each multi-item scale²³.
2. Interpret reliability values from 0.70 to 0.79 as acceptable, 0.80 to 0.89 as good, and 0.90 or higher as high internal consistency. Treat values above 0.95 as possible item redundancy.
3. Flag corrected item-total correlations below 0.30. Remove or revise an item only when weak item performance is consistent with conceptual mismatch, unclear wording, or prespecified expert-review concerns.
4. Flag floor or ceiling effects when more than 15% of respondents obtain the lowest or highest possible scale score.
5. Export the reliability and item-diagnostic output as Table_reliability_item_diagnostics.xlsx.
   NOTE: Do not delete items after main data collection unless the deletion rule was prespecified.

15. Descriptive and correlation analysis

1. Calculate descriptive statistics for demographic variables, professional background variables, and construct scores.
2. Report categorical variables as frequency and percentage. Report continuous or ordinal professional variables as mean and standard deviation when approximately symmetric, and as median and interquartile range when clearly skewed.
3. Confirm that each construct score falls within the expected 1–5 range and inspect histograms or density plots for major distributional distortion.
4. Calculate Pearson correlations among construct scores when scale means are approximately continuous, and calculate Spearman correlations as a sensitivity check when distributions are markedly skewed.
5. Interpret correlations from 0.10 to 0.29 as small, 0.30 to 0.49 as moderate, and 0.50 or above as large²⁴. Flag correlations above 0.85 as possible construct overlap.
6. Export descriptive statistics as Table_descriptive_statistics.xlsx and the correlation matrix as Table_correlation_matrix.xlsx.
   NOTE: Inspect construct overlap before regression analysis. Add factor analysis or reduce interpretive claims when theoretically distinct constructs show very high correlations.

16. Regression analysis

1. Fit prespecified hierarchical linear regression models.
2. Use autonomous motivation as the dependent variable in Model 1. Enter age group, gender, academic rank, teaching years, professional development hours in the last 12 months, and administrative workload in Step 1; autonomy, competence, and relatedness need satisfaction in Step 2; and controlled motivation in Step 3.
3. Use professional development engagement as the dependent variable in Model 2. Enter age group, gender, academic rank, teaching years, professional development hours in the last 12 months, and administrative workload in Step 1; autonomous motivation and controlled motivation in Step 2; and teaching self-efficacy in Step 3.
4. Use reflective practice as an exploratory dependent variable only if prespecified in the ethics-approved analysis plan.
5. Mean-center continuous predictors before creating interaction terms. Do not create moderation terms unless moderation is included in the research question and analysis plan.
6. Report unstandardized coefficients, standard errors, standardized coefficients, 95% confidence intervals, p values, adjusted R², and change in R².
7. Inspect variance inflation factor values, residual-versus-fitted plots, quantile-quantile plots, standardized residuals, and Cook’s distance. Treat variance inflation factor values above 5.00, standardized residuals above |3.00|, or Cook’s distance above 1.00 as requiring inspection.
8. Remove influential cases only when a data-entry error, eligibility error, or duplicate-response problem is confirmed.
9. Export regression output as Table_regression_models.xlsx and diagnostic plots as high-resolution PDF files.
   NOTE: Do not remove influential cases solely because they change model significance.

17. Sensitivity analysis and reproducibility check

1. Repeat the main regression models using listwise deletion of cases with missing model variables and after excluding borderline-time responses.
2. Compare coefficient direction, standardized coefficient size, standard error, and adjusted R² with the primary models.
3. Treat results as stable if key coefficient directions remain unchanged and standardized coefficients differ by less than 0.10.
4. Retain the prespecified screening rule if sensitivity analyses do not materially alter the interpretation.
5. Regenerate descriptive tables, reliability tables, correlation matrices, regression tables, participant-flow figure, workflow figure, and any construct-score figures from the cleaned dataset and final script.
6. Archive the cleaned anonymized dataset, codebook, screening log, questionnaire, analysis scripts, generated outputs, and R session information according to the approved data-sharing plan.
7. Confirm that all archived files use the same respondent identifier and contain no direct or indirect identifiers.
   NOTE: Do not archive the reproducibility package until all outputs have been regenerated from the final script. Resume archiving only after all outputs have been regenerated from the final script.

Resultaten

Deelnemersstroom en status van de representatieve dataset

De hier gerapporteerde representatieve resultaten zijn gegenereerd uit één volledige uitvoering van het protocol. De dataset is verzameld via de hierboven beschreven anonieme, cross-sectionele vragenlijstprocedure en is niet afkomstig uit de pilottest of een illustratieve dataset. In totaal werden 326 ingediende vragenlijstrecords geëxporteerd vanuit het online enquêteplatform. Na toepassing van de vooraf vastgestelde r...

Discussie

De representatieve resultaten geven aan dat het protocol gebruikt kan worden om de professionele ontwikkeling van universiteitsdocenten te onderzoeken, verder reikend dan enkel aanwezigheid, trainingsuren of voltooiingsregistraties. De bevrediging van de behoeften aan autonomie, competentie en verbondenheid waren allemaal positief geassocieerd met autonome motivatie, en deze associaties bleven bestaan nadat achtergrondvariabelen in het model waren opgenomen. Deze bevinding is consistent met de aanname van de zelfdetermin...

Materialen

Lijst van materialen gebruikt in dit artikel

Naam	Bedrijf	Catalogusnummer	Opmerkingen
Adobe Acrobat Pro	Adobe Inc., San Jose, CA, USA	Adobe Acrobat Pro 2024	Gebruikt voor het controleren van de definitieve PDF van de vragenlijst, het informatieblad voor deelnemers, het toestemmingsformulier, de geëxporteerde figuren en de ingediende aanvullende bestanden.
Analysescript	Opgesteld door het onderzoeksteam	analysis_script.R	Voert gegevensimport, anonimiseringscontroles, screening van responskwaliteit, berekening van ontbrekende gegevens, schaalscorering, beschrijvende statistieken, betrouwbaarheidsanalyse, correlatieanalyse, regressiemodellen, diagnostische controles, sensitiviteitsanalyses, tabelexport, figuurexport en export van sessie-informatie uit.
Gereinigde CSV van enquête over professionele ontwikkeling voor docenten	Gegenereerd vanuit analysis_script.R	geschoonde_leraar_PD_enquête.csv	Bevat gede-identificeerde behouden en uitgesloten dossiers met inclusiestatus, reden voor uitsluiting, screeningsvariabelen en geschoonde achtergrondvariabelen.
Codeboek	Opgesteld door het onderzoeksteam	codeboek.xlsx	Definieert variabelenamen, itemcodes, responscodering, codering van ontbrekende waarden, formules voor schaalscores, inclusiestatus, redenen voor exclusie, tabelvariabelen en namen van outputbestanden.
Desktopcomputer	Windows 11 Pro	Niet van toepassing; Institutionele onderzoekscomputer: 16 GB RAM en volledige schijfversleuteling ingeschakeld.	Gebruikt voor enquêteprogrammering, data-export, scriptuitvoering, tabelgeneratie, export van figuren en beveiligde archivering van bestanden.
Document voor ethische goedkeuring	Institutionele menselijke onderzoeksethische commissie	ethische_goedkeuring.pdf	Documenteert de ethische goedkeuring vóór de werving, inclusief het goedkeuringsnummer, de datum van goedkeuring, de goedgekeurde titel van de studie, informatie over de onderzoeker en de goedgekeurde voorwaarden voor werving en gegevensverwerking.
Instellingsspecifieke toestemmingsdocumentatie	Deelnemende universiteiten	institutionele_toestemmingsregisters.pdf	Bevat schriftelijke toestemmingsbewijzen van deelnemende universiteiten voor het werven van docenten via goedgekeurde institutionele kanalen.
Microsoft Excel	Microsoft Corporation, Redmond, WA, VS	Microsoft Excel 365	Gebruikt om geëxporteerde datasets te inspecteren, het codeboek voor te bereiden, screeninglogs te beoordelen en geëxporteerde tabelbestanden te controleren. De analysedataset is na de scriptgebaseerde cleaning niet handmatig bewerkt.
Informatieblad voor deelnemers en toestemmingsformulier	Opgesteld door het onderzoeksteam en goedgekeurd door de ethische commissie	informatie_voor_deelnemers_en_toestemming pdf	Bevat het doel van de studie, de geschiktheidscriteria, een verklaring over vrijwillige deelname, een anonimiteitsverklaring, risico's en voordelen, informatie over gegevensbewaring, contactgegevens van de onderzoeker, ethische informatie en de bewoordingen van de elektronische toestemming.
Vragenlijstbestand	Opgesteld door het onderzoeksteam	vragenlijst.pdf	Bevat de vergrendelde vragenlijst, itemvolgorde, itemcodes, responsopties, geschiktheidsitems, achtergronditems, constructitems en aandachtskwaliteitsitems.
R-pakketmanifest	Gegenereerd vanuit de R-omgeving	pakketmanifest.txt	Vermeld de R-pakketten en pakketversies die zijn gebruikt voor data-import, opschoning, scoring, betrouwbaarheidsschatting, regressiediagnostiek, visualisatie, outputgeneratie en reproductiecontrole.
R statistische software	R Foundation for Statistical Computing, Wenen, Oostenrijk	R 4.3.2	Gebruikt voor datareiniging, schaalscoreberekening, statistische analyse, diagnostische controle, het genereren van figuren, tabelexport en verificatie van de reproduceerbaarheid.
Reproduceerbaarheidspakket	Opgesteld door het onderzoeksteam	reproduceerbaarheidspakket.zip	Bevat questionnaire.pdf, codebook.xlsx, cleaned_teacher_PD_survey.csv, scored_teacher_PD_survey.csv, screening_log.xlsx, analysis_script.R, sessionInfo.txt, package_manifest.txt, tabeluitvoer, figuuruitvoer en diagnostische plots.
RStudio Desktop IDE	Posit Software, PBC, Boston, MA, USA	RStudio Desktop 2023.12.1	Wordt gebruikt om analysis_script.R uit te voeren, te documenteren en te beoordelen.
CSV met scores van enquête over professionalisering van docenten	Gegenereerd vanuit analysis_script.R	gescorede_docenten_PD_enquête.csv	Bevat de opgenomen antwoorden en berekende schaalscores, waaronder AUT_MEAN, COM_MEAN, REL_MEAN, AM_MEAN, CM_MEAN, TSE_MEAN, PDE_MEAN en RP_MEAN.
Screeningslogboek	Gegenereerd vanuit analysis_script.R en beoordeeld door het onderzoeksteam	screening_log.xlsx	Registreert toestemming, geschiktheid, screening van de voltooiingstijd, resultaten van de aandachtstests, ontbrekende gegevens, invariant-response vlaggen, redenen voor uitsluiting, hercoderingsbeslissingen en de uiteindelijke inclusiestatus.
Beveiligde institutionele opslag	Deelnemende universitaire ICT-dienst	Versleutelde institutionele onderzoeksschijf	Gebruikt voor het opslaan van ruwe data, geschoonde data, gescoorde data, het codeboek, het screeningslogboek, de vragenlijst, het analysescript, ethische documenten, toestemmingsregisters, tabeluitvoer, figuuruitvoer en het reproduceerbaarheidspakket. De toegang was beperkt tot goedgekeurd onderzoekspersoneel.
Sessie-informatiebestand	Gegenereerd vanuit R	sessieInformatie.txt	Legt de R-versie, het besturingssysteem, de gekoppelde pakketten, de pakketversies en de reproduceerbaarheidsomgeving vast.
Tabel- en figuuruitvoer	Gegenereerd op basis van analysis_script.R	map voor outputtabellen en figuren	Bevat resultaten van de deelnemersstroom, beschrijvende tabellen, betrouwbaarheidstabellen, een correlatiematrix, regressietabellen, tabellen van de sensitiviteitsanalyse, figuren van de constructscores en diagnostische plots.
online enquêteplatform Wenjuanxing / Questionnaire Star	Changsha Ranxing Information Technology Co., Ltd., Changsha, China	Wenjuanxing web-enquêteproject	Gebruikt voor elektronische toestemming, anonieme toediening van vragenlijsten, vertakking op basis van geschiktheid, aandacht-controlevragen, registratie van voltooiingstijd, instelling voor één respons per browser en export van vragenlijstgegevens.