A Survey and Protocol for Assessing Online Learning Experience, Basic Psychological Needs, and Learning Engagement in University Students

Podsumowanie

This protocol provides a reproducible survey and partial least squares structural equation modeling workflow for assessing association pathways among online learning experience, basic psychological needs, and learning engagement in university students, including questionnaire adaptation, screening, measurement assessment, indirect-association testing, robustness checks, and reproducibility records.

Streszczenie

Online learning is embedded in higher education, but evaluations often rely on access, satisfaction, or completion indicators that do not identify where engagement problems arise. This article presents a reproducible English-language survey and partial least squares structural equation modeling protocol for assessing association pathways among online learning experience, basic psychological needs, and learning engagement in university students. Online learning experience is measured through platform usability, instructional support, interaction quality, and learning flexibility; basic psychological needs through autonomy, competence, and relatedness; and learning engagement through behavioral, cognitive, and emotional engagement. The workflow specifies item-source mapping, questionnaire adaptation, expert review, pilot testing, electronic consent, eligibility screening, response-quality checks, construct scoring, common method bias diagnostics, higher-order construct estimation, measurement-model assessment, structural pathway testing, indirect-association analysis, psychological-need sensitivity analysis, regression-based robustness checks, and reproducibility file locking. Representative results from 386 valid responses demonstrate acceptable reliability, moderate construct correlations, retained measurement quality, a supported indirect association through basic psychological needs, nonsignificant control paths, and uneven dimensional scores. The protocol supports transparent diagnosis of how online learning experience is associated with psychological need satisfaction and engagement while avoiding causal interpretation from cross-sectional survey data.

Wprowadzenie

Online learning has become part of routine higher education through learning management systems, video platforms, recorded materials, synchronous sessions, and blended course designs. However, many evaluations still rely on access logs, satisfaction ratings, or completion indicators, which show whether students used an online course but do not clarify whether lower engagement is associated with platform usability, instructional support, interaction quality, learning flexibility, psychological need satisfaction, or a specific engagement dimension¹. Online learning experience should therefore not be reduced to a single satisfaction score. Prior online engagement research emphasizes learner-content, learner-instructor, and learner-learner interaction as important elements of students’ online learning experience². The present protocol measures online learning experience through platform usability, instructional support, interaction quality, and learning flexibility.

Learning engagement is also multidimensional. It includes behavioral participation, cognitive investment, and emotional involvement. Online-course engagement instruments show that engagement cannot be fully represented by visible participation or task completion alone³. Broader educational technology research also shows that behavioral engagement is often easier to observe than cognitive or affective engagement⁴. For this reason, the protocol measures learning engagement through behavioral, cognitive, and emotional engagement rather than collapsing engagement into one undifferentiated score.

Self-determination theory provides the theoretical basis for linking online learning experience with learning engagement. Basic psychological need theory identifies autonomy, competence, and relatedness as central conditions for motivation and adjustment⁵. In online learning, autonomy refers to perceived choice and control, competence to perceived capability in completing learning tasks, and relatedness to felt connection with instructors and classmates. Prior online learning studies using self-determination theory have linked contextual support, need satisfaction, motivation, and engagement^6,7. These findings support examining basic psychological needs as an indirect-association construct between online learning experience and learning engagement, while avoiding causal interpretation because the data are cross-sectional.

A methodological problem in online engagement research is the lack of consistent operational structure. Studies vary in how they define learning conditions, measure engagement, and connect the learning environment to students’ psychological experience⁸. Self-report surveys are also vulnerable to careless responding, patterned answers, post hoc exclusions, missing-data decisions, and common method bias⁹. Therefore, this protocol fixes the English-language questionnaire structure, item-source mapping, scoring rules, electronic consent procedure, eligibility screening, attention-check rule, completion-time threshold, straight-lining criterion, long-string response check, missing-data handling, model specification, and dataset-locking procedure before structural analysis begins.

The conceptual framework specifies online learning experience as the independent construct, basic psychological needs as the indirect-association construct, and learning engagement as the outcome construct. The primary pathway tests whether online learning experience is associated with basic psychological needs, whether basic psychological needs are associated with learning engagement, and whether online learning experience remains directly associated with learning engagement after accounting for basic psychological needs. The protocol is guided by four research questions: whether the structured survey protocol can measure the three constructs with acceptable response quality and construct reliability; whether online learning experience is positively associated with basic psychological needs and learning engagement; whether the association between online learning experience and learning engagement is partly carried through basic psychological needs as an indirect association; and whether psychological-need subdimension analyses and regression-based robustness checks support the same interpretation as the primary PLS-SEM workflow.

This article is positioned as a method-focused contribution rather than a conventional explanatory cross-sectional study. The protocol provides a reproducible workflow for questionnaire adaptation, expert review, pilot testing, survey administration, response screening, construct scoring, measurement-model assessment, structural pathway testing, indirect-association analysis, sensitivity analysis, robustness checking, and reproducibility file locking. Transparent educational research workflows require analytic decisions to be documented before final model interpretation¹⁰. Partial least squares structural equation modeling is used because it allows measurement and structural components to be examined within one workflow, with reflective first-order constructs and analytically derived higher-order construct scores through a disjoint two-stage approach¹¹. Prior work on online student engagement, social presence, learner support, and retention shows that communication, support, connection, and inclusive course design matter beyond simple access or flexibility^12,13. Systematic reviews further indicate that behavioral, cognitive, and emotional engagement may respond differently to online learning conditions¹⁴. Representative results are therefore used only to demonstrate the output of the protocol, not to claim causal effects from cross-sectional survey data¹⁵.

Protokół

Protokół badania został przeanalizowany i zatwierdzony przez Komisję Etyki Badań Universiti Malaya (pozamedyczną) pod numerem zatwierdzenia UM.TNC (P&I)/UMREC_4892 w dniu 7 sierpnia 2025 r. Wszystkie procedury należy przeprowadzać zgodnie z wytycznymi instytucjonalnymi dotyczącymi badań z udziałem ludzi. Przed przeprowadzeniem ankiety należy uzyskać elektroniczną świadomą zgodę. Podczas rekrutacji, przesiewu, punktacji, analizy i przechowywania plików należy stosować anonimowe kody uczestników. Narzędzia badawcze oraz oprogramowanie są wymienione w Tabeli materiałów.

1. Określenie projektu badania i ram analitycznych

1. Zastosuj przekrojowy ilościowy projekt badania ankietowego, aby ocenić ścieżki powiązań między doświadczeniem w uczeniu się online, podstawowymi potrzebami psychologicznymi a zaangażowaniem w naukę u studentów uniwersytetu.
2. Zdefiniuj doświadczenie w uczeniu się online jako niezależny konstrukt latentny, podstawowe potrzeby psychologiczne jako konstrukt latentny powiązania pośredniego, a zaangażowanie w naukę jako wynikowy konstrukt latentny.
3. Określ trzy wielowymiarowe konstrukty przed rozpoczęciem zbierania danych. Reprezentuj doświadczenie w uczeniu się online poprzez użyteczność platformy, wsparcie dydaktyczne, jakość interakcji oraz elastyczność nauki; podstawowe potrzeby psychologiczne poprzez potrzebę autonomii, potrzebę kompetencji oraz potrzebę przynależności; a zaangażowanie w naukę poprzez zaangażowanie behawioralne, poznawcze i emocjonalne.
4. Wykorzystaj modelowanie równań strukturalnych metodą najmniejszych kwadratów częściowych (PLS-SEM) jako główną metodę analityczną w celu oceny jakości pomiaru, wyników konstruktów wyższego rzędu, ścieżek strukturalnych oraz uprzednio określonej ścieżki pośredniej.
5. Określ główną ścieżkę przed analizą: doświadczenie w uczeniu się online → podstawowe potrzeby psychologiczne, podstawowe potrzeby psychologiczne → zaangażowanie w naukę oraz doświadczenie w uczeniu się online → zaangażowanie w naukę.
6. Traktuj wszystkie ścieżki strukturalne jako szacunki powiązań. Nie interpretuj żadnej ścieżki jako przyczynowej, ponieważ wszystkie zmienne są mierzone w jednym punkcie czasowym. Przeprowadź a priori weryfikację wielkości próby i mocy testu przed rekrutacją. Przyjmij co najmniej 380 poprawnych odpowiedzi jako próbę docelową i 350 poprawnych odpowiedzi jako minimalnie akceptowalną próbę po screeningu.
7. Przedstaw schemat protokołu na Rysunku 1, obejmujący rekrutację, zgodę, administrację kwestionariusza, recenzję ekspercką, testy pilotażowe, screening odpowiedzi, blokadę zbioru danych, ocenę pomiaru, testowanie strukturalne, analizę powiązań pośrednich, sprawdzanie odporności oraz przygotowanie plików reprodukowalności.
   UWAGA: Zachowaj model koncepcyjny i ścieżki strukturalne bez zmian od momentu konstrukcji kwestionariusza aż do końcowej analizy.

Rysunek 1: Schemat operacyjny oceny doświadczeń z uczeniem się online, podstawowych potrzeb psychologicznych oraz zaangażowania w naukę. Rysunek przedstawia przebieg protokołu od rekrutacji, uzyskania zgody, przeprowadzenia ankiet, recenzji eksperckiej, testów pilotażowych, weryfikacji odpowiedzi i blokowania zbioru danych, aż po ocenę pomiarów, testowanie strukturalne, analizę powiązań pośrednich, sprawdzanie odporności i przygotowanie pliku z danymi do reprodukcji. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

2. Rekrutacja kwalifikujących się uczestników

1. Zrekrutuj studentów uniwersytetu, którzy uczestniczyli w co najmniej jednym kursie online lub hybrydowym w bieżącym lub ostatnim semestrze akademickim.
2. Uwzględnij uczestników w wieku 18 lat i więcej, obecnie zapisanych na studia licencjackie, magisterskie lub podyplomowe, mających styczność z nauką online lub hybrydową, potrafiących przeczytać kwestionariusz w języku angielskim i wyrażających zgodę na udzielenie elektronicznej świadomej zgody.
3. Odrzuć odpowiedzi w przypadku braku potwierdzenia zgody, niespełnienia kryteriów kwalifikacji, błędnej odpowiedzi na pytanie kontrolne (attention-check), wykrycia powtórzonej odpowiedzi, czasu wypełniania poniżej określonego progu, wykrycia tzw. straight-liningu (wybierania w linii prostej tej samej odpowiedzi) lub wystąpienia nierozwiązanej niespójności w kryteriach kwalifikacji.
4. Zrekrutuj uczestników za pośrednictwem uniwersyteckich platform edukacyjnych, grup komunikacyjnych kursów, studenckich list mailingowych oraz instytucjonalnych kanałów studenckich.
5. Nie zbieraj bezpośrednich identyfikatorów, w tym imion i nazwisk, numerów indeksu, numerów telefonów, prywatnych adresów e-mail, dokładnych adresów zamieszkania, adresów IP, identyfikatorów urządzeń ani identyfikatorów kont.
6. Zapisz daty rekrutacji, kanały rekrutacyjne, przesłane odpowiedzi, liczbę wykluczeń z podziałem na kategorie, zachowane odpowiedzi oraz końcową wielkość ważnej próby w dzienniku prac terenowych i dzienniku przesiewowym.
   PUNKT PRZERWANIA: Tygodniowo sprawdzaj postępy w rekrutacji. Przeglądaj wyłącznie liczbę odpowiedzi, zasięg kanałów rekrutacyjnych i wstępny wskaźnik wykluczeń. Podczas rekrutacji nie analizuj wyników konstruktów, korelacji ani szacunków ścieżek.

3. Konstrukcja kwestionariusza

1. Przygotuj ustrukturyzowany kwestionariusz w języku angielskim zawierający elektroniczną zgodę na udział w badaniu, przesiew kwalifikacyjny, informacje o danych demograficznych uczestników, merytoryczne pytania skali oraz jedno pytanie kontrolne sprawdzające uważność, oparte na instrukcjach.
2. Dla wszystkich pytań merytorycznych zastosuj 5-stopniową skalę Likerta: 1 = zdecydowanie się nie zgadzam, 2 = nie zgadzam się, 3 = neutralny, 4 = zgadzam się, 5 = zdecydowanie się zgadzam.
3. Dostosuj pytania dotyczące doświadczeń z nauczaniem online na podstawie wcześniejszych narzędzi mierzących postrzeganie nauczania online, wsparcie dydaktyczne, jakość interakcji, użyteczność platformy oraz elastyczność nauki. Dostosuj pytania dotyczące podstawowych potrzeb psychologicznych na podstawie uznanych miar autonomii, kompetencji i poczucia więzi. Dostosuj pytania dotyczące zaangażowania w naukę na podstawie uznanych miar zaangażowania behawioralnego, poznawczego i emocjonalnego.
4. Zmień brzmienie pytań wyłącznie w celu dopasowania ich do kontekstu nauczania online i hybrydowego na poziomie uniwersyteckim. Stosuj jasne, nie sugerujące odpowiedzi sformułowania i unikaj treści sugerujących, że oczekiwany jest wysoki poziom satysfakcji, zaspokojenia potrzeb psychologicznych lub wysokiego zaangażowania.
5. Przed testami pilotażowymi przygotuj tabelę mapowania pytań i ich źródeł. Dla każdego pytania merytorycznego zapisz kod pytania, konstrukt, wymiar, dostosowane brzmienie, podstawę źródłową, notatkę dotyczącą adaptacji, język kwestionariusza oraz kierunek punktowania.
6. Wykorzystaj 33 merytoryczne pytania w skali Likerta: 12 dla doświadczeń z nauczaniem online, dziewięć dla podstawowych potrzeb psychologicznych i 12 dla zaangażowania w naukę. Zastosuj po trzy pytania dla każdego wymiaru doświadczeń z nauczaniem online, po trzy pytania dla każdego wymiaru podstawowych potrzeb psychologicznych oraz po cztery pytania dla każdego wymiaru zaangażowania w naukę.
7. Umieść jedno pytanie kontrolne sprawdzające uważność po bloku dotyczącym podstawowych potrzeb psychologicznych. Wykorzystaj to pytanie wyłącznie do weryfikacji jakości odpowiedzi i wyklucz je z punktowania konstruktów, analizy rzetelności, analizy trafności, estymacji PLS-SEM, testowania powiązań pośrednich oraz analizy odporności.
8. Podczas testów pilotażowych zadbaj, aby przewidywany czas wypełniania kwestionariusza mieścił się w przedziale 8–12 min. Wykorzystaj Tabelę 1 do udokumentowania domen konstruktów, wymiarów, kodów pytań, liczby pytań, skali odpowiedzi, kierunku punktowania oraz podstawy adaptacji. Wykorzystaj Plik uzupełniający 1, aby udostępnić pełny kwestionariusz, mapowanie pytań i źródeł, kodowanie zmiennych oraz zasady punktowania.
   UWAGA: Zachowaj konceptualne rozróżnienie między pytaniami dotyczącymi predyktora, powiązań pośrednich i wyników.

Tabela 1: Domeny konstruktów, wymiary, struktura kwestionariusza i zasady punktacji. Tabela ta podsumowuje strukturę kwestionariusza, w tym domeny i wymiary konstruktów, kody i numery pozycji, przykładowe pytania, podstawę adaptacji, skalę odpowiedzi oraz zasady punktacji. Pozycja sprawdzająca uważność została zidentyfikowana jako element służący wyłącznie do screeningu. Kliknij tutaj, aby pobrać tę tabelę.

4. Przeprowadzenie recenzji eksperckiej i testów pilotażowych

1. Zaproś od trzech do pięciu ekspertów z zakresu psychologii edukacyjnej, uczenia się online, metodologii ilościowej, badań nad szkolnictwem wyższym lub projektowania ankiet w celu dokonania przeglądu kwestionariusza.
2. Poproś ekspertów o ocenę przejrzystości pozycji, relewantności konstruktu, redundancji sformułowań, obciążenia respondenta, odpowiedniości kulturowej, jasności językowej oraz zgodności każdej pozycji z przypisanym jej wymiarem.
3. Zapisz wyniki przeglądu eksperckiego w dzienniku rewizji pozycji, uwzględniając pierwotne sformułowanie, uwagi recenzenta, decyzję o rewizji, ostateczne sformułowanie oraz uzasadnienie pozostawienia, zmiany lub usunięcia pozycji.
4. Zrewiduj pozycje, które są niejednoznaczne, zawierają pytania złożone (tzw. double-barreled), są zbyt podobne, nieodpowiednie kulturowo, słabo powiązane z docelowym wymiarem lub niespójne z kontekstem ankiety w języku angielskim.
5. Przeprowadź test pilotażowy z udziałem 30–50 studentów uniwersytetu spełniających te same kryteria kwalifikacji co w badaniu głównym. Poproś uczestników pilotażu o wskazanie niejasnych sformułowań, problemów z wyświetlaniem technicznym, nadmiernej długości, powtórzeń lub dyskomfortu wywołanego przez jakąkolwiek pozycję kwestionariusza.
6. Zapisz czas wypełnienia pilotażu dla każdego uczestnika. Zdefiniuj próg minimalnego czasu wypełnienia dla badania formalnego jako wartość większą spośród 3 min oraz jednej trzeciej mediany czasu wypełnienia w pilotażu.
7. Oblicz wstępną spójność wewnętrzną dla każdego konstruktu i sprawdź korelacje pozycja-suma po testach pilotażowych. Zrewiduj lub usuń słabe pozycje tylko wtedy, gdy ich usunięcie poprawia jakość pomiaru i nie osłabia zakresu konstruktu.
8. Sfinalizuj i zablokuj kwestionariusz, książkę kodową, mapowanie źródeł pozycji, dziennik przeglądu eksperckiego, zapis testu pilotażowego, próg czasu wypełnienia, regułę sprawdzania uwagi, regułę wykrywania duplikatów oraz kryteria wykluczenia przed rozpoczęciem formalnej rekrutacji.
   PUNKT PRZERWANIA: Nie rozpoczynaj formalnej rekrutacji, dopóki wszystkie kwestionariusze, pliki przesiewowe i kodowe nie zostaną zablokowane.

5. Przeprowadzenie ankiety online

1. Przygotuj kwestionariusz w systemie do ankiet internetowych, który obsługuje anonimowy udział, potwierdzenie zgody, weryfikację kryteriów kwalifikowalności, ustawienia wymaganych odpowiedzi, rejestrację czasu odpowiedzi, ograniczenie powielonych zgłoszeń bez identyfikacji użytkownika, rozmieszczenie pytań kontrolnych oraz eksport do arkusza kalkulacyjnego.
2. Umieść elektroniczną świadomą zgodę przed weryfikacją kwalifikowalności i pytaniami kwestionariuszowymi. Pozwól uczestnikom przejść dalej dopiero po potwierdzeniu dobrowolnego udziału i przedstaw cel badania w neutralnym języku. Określ, że badanie analizuje spostrzeżenia studentów na temat nauki online, zaspokojenie potrzeb psychologicznych oraz zaangażowanie w naukę.
3. Ustaw zgodę, pytania o kwalifikowalność oraz wszystkie 33 merytoryczne pytania w skali Likerta jako pola wymagane. Wyłącz pola służące do bezpośredniej identyfikacji osób. Nie proś o imiona i nazwiska, numery albumów, numery telefonów, prywatne adresy e-mail, dokładne adresy zamieszkania, adresy IP, identyfikatory urządzeń ani identyfikatory kont.
4. Umożliwij uczestnikom wyjście z kwestionariusza przed ostatecznym przesłaniem bez żadnych konsekwencji. Ogranicz wielokrotne przesyłanie odpowiedzi wyłącznie za pomocą ustawień platformy ankietowej nieidentyfikujących użytkownika, jeśli są one dostępne. Pozostaw kwestionariusz otwarty przez 4–6 tygodni. Monitoruj liczbę odpowiedzi dwa razy w tygodniu i dokumentuj postępy w rekrutacji w dzienniku prac terenowych.
   UWAGA: Nie przekazuj spersonalizowanych informacji o wynikach po przesłaniu kwestionariusza.

6. Eksport i zabezpieczenie surowych danych

1. Niezwłocznie po zakończeniu rekrutacji wyeksportuj wszystkie przesłane odpowiedzi w formatach .xlsx oraz .csv.
2. Zapisz jeden niezmieniony plik .xlsx jako RawData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsx oraz jeden niezmieniony plik .csv jako RawData_OnlineLearning_BPN_Engagement_YYYYMMDD.csv.
3. Utwórz kopię roboczą do przesiewania, kodowania i analizy. Nazwij ją WorkingData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsx. Przypisz każdej przesłanej odpowiedzi anonimowy kod uczestnika w formacie P001, P002, P003 i tak dalej.
4. Przechowuj surowy zbiór danych w folderze tylko do odczytu i utwórz sumę kontrolną, zapis wersji pliku lub instytucjonalny zapis historii wersji przed rozpoczęciem przesiewania.
5. Przechowuj zanonimizowane archiwum przesłanych rekordów oraz metadane przesiewania w chronionym instytucjonalnym folderze weryfikacyjnym. Nie zamieszczaj surowych rekordów wykluczonych, informacji bezpośrednio identyfikujących ani surowych danych na poziomie uczestnika w manuskrypcie ani w plikach uzupełniających przesyłanych do publikacji.
   PUNKT PRZERWANIA: Nie rozpoczynaj przesiewania, dopóki surowy plik .xlsx, surowy plik .csv, dziennik prac terenowych, zapis wersji surowych danych oraz chroniony folder z surowymi danymi nie zostaną zapisane.

7. Przesiewanie odpowiedzi i stosowanie reguł wykluczania

1. Zastosuj wszystkie reguły wykluczania przed analizą korelacji konstruktów, wyników modelu pomiarowego, ścieżek strukturalnych lub szacunków powiązań pośrednich. Usuń odpowiedzi bez potwierdzenia zgody lub bez danych dotyczących wieku, zapisów, ekspozycji na naukę online bądź spełnienia kryteriów w zakresie języka kwestionariusza.
2. Usuń zduplikowane odpowiedzi zgodnie z uprzednio określoną regułą wykrywania duplikatów. Identyfikuj potencjalne duplikaty wyłącznie na podstawie nieidentyfikujących znaczników duplikatów platformy ankietowej oraz anonimowych informacji o wzorcach odpowiedzi. W przypadku zidentyfikowania zduplikowanych odpowiedzi zachowaj pierwszą kompletną odpowiedź.
3. Usuń odpowiedzi, które nie przeszły testu uwagi opartego na instrukcjach lub które zostały ukończone w czasie krótszym niż formalnie ustalony próg minimalnego czasu wypełniania badania. Zdefiniuj zjawisko „straight-liningu” jako wybór tej samej opcji odpowiedzi w co najmniej 90% z 33 merytorycznych pytań w skali Likerta. Usuń odpowiedzi spełniające to kryterium.
4. Oznacz wzorce odpowiedzi w długich ciągach, gdy ta sama opcja odpowiedzi została wybrana dla^{r 2}0 lub więcej kolejnych istotnych pozycji w skali Likerta. Usuń oznaczone odpowiedzi tylko wtedy, gdy wykazują one również nieprawdopodobnie krótki czas wypełnienia, błąd w kontroli uwagi, tzw. straight-lining (wybieranie tej samej odpowiedzi we wszystkich pytaniach) lub inne wcześniej określone naruszenie jakości.
5. Oznacz niespójne odpowiedzi w danych tła w przypadku, gdy uczestnik zgłosi brak kontaktu z nauką online lub mieszaną, a jednocześnie poda liczbę godzin nauki online w tygodniu większą od zera. Usuń odpowiedzi z nierozstrzygniętą niespójnością dotyczącą kwalifikowalności.
6. Każdy przypadek wykluczenia należy odnotować w zanonimizowanym rejestrze przesiewowym, podając anonimowy kod uczestnika, kategorię wykluczenia, przyczynę wykluczenia, datę badania przesiewowego oraz decyzję o wykluczeniu.
7. Zastosowanie Tabela 2 w celu udokumentowania przesłanych odpowiedzi, kategorii wykluczeń, liczby wykluczeń, zachowanych odpowiedzi oraz końcowej wielkości próby walidacyjnej. Jeśli surowe liczby wykluczeń nie mogą zostać zrekonstruowane dla reprezentatywnego zbioru danych, należy to wyraźnie zaznaczyć.
   UWAGA: Wykluczaj przypadki wyłącznie zgodnie z uprzednio określonymi regułami dotyczącymi zgody, kwalifikowalności, duplikatów, kontroli uwagi, czasu wypełniania, wzorca odpowiedzi, brakujących danych lub spójności. Nie rozpoczynaj kodowania, dopóki surowy zbiór danych, oczyszczony zbiór danych, dziennik przesiewowy, plik reguł wykluczania, dziennik prac terenowych oraz zapis wersji zbioru danych nie zostaną zapisane osobno i zablokowane.

Tabela 2: Przesiewowe badanie odpowiedzi, reguły wykluczania i decyzje dotyczące obsługi danych. Tabela ta podsumowuje uprzednio określone reguły przesiewowe i decyzje dotyczące obsługi danych w zakresie zgody, kwalifikowalności, zdublowanych odpowiedzi, kontroli uwagi, czasu wypełnienia, kontroli wzorców odpowiedzi, brakujących danych oraz blokowania zbioru danych. Reguły wykluczania są stosowane przed zbadaniem korelacji konstruktów, wyników modelu pomiarowego, ścieżek strukturalnych lub szacunków powiązań pośrednich. Każda wykluczona odpowiedź jest zapisywana w zanonimizowanym dzienniku przesiewowym z wykorzystaniem anonimowego kodu uczestnika, kategorii wykluczenia, powodu wykluczenia, daty przesiewu oraz decyzji o przesiewie. Prosimy kliknąć tutaj, aby pobrać tę tabelę.

8. Postępowanie z brakującymi danymi

1. Zapobieganie brakom danych w zgodzie, pytaniach o kwalifikowalność oraz w 33 merytorycznych elementach skali Likerta poprzez ustawienie tych pól jako wymagane w systemie ankietowym. Po przesiewie należy sprawdzić oczyszczony zbiór danych pod kątem brakujących wartości.
2. Wartości brakujące w opcjonalnych zmiennych opisowych należy traktować jako „niepodane”. Nie należy przeprowadzać imputacji opcjonalnych zmiennych demograficznych lub opisowych.
3. Należy wykluczyć zmienną opisową z analizy współzmiennych, jeśli wskaźnik braków danych przekracza 10%. Zmienną opisową należy zachować jako współzmienną tylko wtedy, gdy wskaźnik braków wynosi 10% lub mniej i zmienna ta jest istotna teoretycznie.
4. Nie należy imputować brakujących wartości w 33 merytorycznych elementach skali Likerta. Jeśli mimo ustawień wymaganych odpowiedzi zostaną wykryte braki w elementach merytorycznych, przed sfinalizowaniem oczyszczonego zbioru danych należy ustalić, czy problem wynika z eksportu ankiety, logiki ankiety czy sposobu obsługi niepełnych zgłoszeń.
   UWAGA: Należy udokumentować kontrolę braków danych. Należy zaraportować liczbę brakujących wartości oraz wskaźnik braków dla kodów uczestników, zmiennych opisowych, merytorycznych elementów skali Likerta, wyników wymiarowych oraz wyników konstruktu globalnego.

9. Kodowanie zmiennych i obliczanie wyników

1. Zakoduj wszystkie merytoryczne elementy skali Likerta od 1 do 5: 1 = zdecydowanie nie zgadzam się, 2 = nie zgadzam się, 3 = neutralny, 4 = zgadzam się i 5 = zdecydowanie zgadzam się. Zakoduj płeć, poziom akademicki, rok studiów, kategorię dyscypliny, tygodniową liczbę godzin nauki online oraz wcześniejsze doświadczenie w nauce online zgodnie z zamkniętym kodem.
2. Sprawdź wszystkie zmienne pod kątem wartości spoza zakresu przed obliczeniem wyników wymiarów lub konstruktów globalnych.
3. Oblicz wyniki wymiaru doświadczenia w nauce online jako średnie z elementów: użyteczność platformy = mean(OLE_PU1–OLE_PU3), wsparcie dydaktyczne = mean(OLE_IS1–OLE_IS3), jakość interakcji = mean(OLE_IQ1–OLE_IQ3) oraz elastyczność nauki = mean(OLE_LF1–OLE_LF3).
4. Oblicz wyniki wymiaru podstawowych potrzeb psychologicznych jako średnie z elementów: potrzeba autonomii = mean(BPN_AU1–BPN_AU3), potrzeba kompetencji = mean(BPN_CO1–BPN_CO3) oraz potrzeba relacyjności = mean(BPN_RE1–BPN_RE3).
5. Oblicz wyniki wymiaru zaangażowania w naukę jako średnie z elementów: zaangażowanie behawioralne = mean(LE_BE1–LE_BE4), zaangażowanie poznawcze = mean(LE_CE1–LE_CE4) oraz zaangażowanie emocjonalne = mean(LE_EE1–LE_EE4).
6. Oblicz wyniki konstruktów globalnych jako średnie z wymiarów: doświadczenie w nauce online = mean (użyteczność platformy, wsparcie dydaktyczne, jakość interakcji, elastyczność nauki); podstawowe potrzeby psychologiczne = mean (potrzeba autonomii, potrzeba kompetencji, potrzeba relacyjności); oraz zaangażowanie w naukę = mean (zaangażowanie behawioralne, zaangażowanie poznawcze, zaangażowanie emocjonalne).
7. Zachowaj dane na poziomie elementów do oceny modelu pomiarowego, wyniki wymiarów do szacowania konstruktów wyższego rzędu i analizy podwymiarów oraz wyniki konstruktów globalnych do statystyk opisowych, analizy korelacji, weryfikacji modelu strukturalnego i analizy odporności opartej na regresji.
   UWAGA: Nie uwzględniaj elementu sprawdzającego uważność w żadnym wyniku, analizie niezawodności, analizie trafności, szacowaniu PLS-SEM, analizie powiązań pośrednich ani analizie odporności. Nie standaryzuj oryginalnych wyników 1–5 przed analizą opisową.

10. Kontrola i ocena typowych błędów systematycznych metody

1. Przed przeprowadzeniem analizy zastosuj kontrole proceduralne, wykorzystując anonimowe odpowiedzi, neutralne sformułowania, oddzielone bloki konstruktów, jeden element kontroli uwagi oparty na instrukcji, ustawienia wymagające udzielenia odpowiedzi oraz ograniczony dostęp do surowych danych.
2. Po przesiewowej analizie odpowiedzi wykorzystaj jednoczynnikowy test Harmana, aby sprawdzić, czy jeden nieobrócony czynnik odpowiada za dominującą część wariancji pozycji. Wynik uznaj za akceptowalny, gdy pierwszy nieobrócony czynnik wyjaśnia mniej niż 50% całkowitej wariancji.
3. Oblicz wartości pełnego współczynnika inflacji wariancji kolinearności (VIF) dla głównych konstruktów. Wartości poniżej 3,30 uznaj za wskazujące na niskie prawdopodobieństwo wystąpienia silnego błędu wspólnej metody (common method bias). Odnotuj błąd wspólnej metody jako ograniczenie badania, jeśli pierwszy nieobrócony czynnik wyjaśnia 50% lub więcej całkowitej wariancji lub jeśli jakikolwiek pełny współczynnik inflacji wariancji kolinearności wynosi 3,30 lub więcej.
   UWAGA: Nie stwierdzaj, że błąd wspólnej metody nie występuje. Określ jedynie, czy diagnostyka wskazuje na silne dowody istnienia dominującego wspólnego czynnika metodycznego.

11. Przeprowadzenie analizy opisowej i wstępnej weryfikacji

1. Użyj programu R 4.4.1 do obliczenia statystyk opisowych, weryfikacji rozkładów, analizy korelacji oraz analizy odporności opartej na regresji. Oblicz częstości i wartości procentowe dla kategorycznych charakterystyk uczestników.
2. Oblicz średnią, odchylenie standardowe, minimum, maksimum, skośność oraz kurtozę dla pozycji merytorycznych, wyników wymiarów i wyników konstruktów globalnych.
3. Przeanalizuj rozkłady pozycji i wyników pod kątem efektu podłogowego, efektu sufitowego oraz znacznego odstępstwa od rozkładu normalnego. Potencjalny efekt podłogowy lub sufitowy zdefiniuj jako sytuację, w której więcej niż 20% uczestników wybrało najniższą lub najwyższą opcję odpowiedzi dla danej pozycji merytorycznej.
4. Oblicz korelacje Pearsona pomiędzy konstruktami globalnymi a wynikami wymiarów. Korelacje należy traktować wyłącznie jako wstępne dowody opisowe i nie stosować ich jako zamiennika dla wcześniej określonego modelu strukturalnego.
   UWAGA: Efekty podłogowe lub sufitowe należy odnotować jako cechy danych. Nie usuwaj przypadków z powodów związanych z rozkładem, chyba że naruszają one również wcześniej określone zasady jakości odpowiedzi.

12. Estymacja modelu pomiarowego wyższego rzędu

1. Użyj oprogramowania Smart PLS 4.1 do przeprowadzenia głównej analizy PLS-SEM i zaimportuj oczyszczony zbiór danych na poziomie pozycji. Zdefiniuj użyteczność platformy, wsparcie dydaktyczne, jakość interakcji, elastyczność uczenia się, potrzebę autonomii, potrzebę kompetencji, potrzebę relacyjności, zaangażowanie behawioralne, zaangażowanie poznawcze oraz zaangażowanie emocjonalne jako refleksyjne konstrukty pierwszego rzędu.
2. Zastosuj rozłączną metodę dwuetapową. W pierwszym etapie oszacuj refleksyjne konstrukty pierwszego rzędu i zapisz wyniki dla ich zmiennych latentnych.
3. W drugim etapie wykorzystaj wyniki zmiennych latentnych dla użyteczności platformy, wsparcia dydaktycznego, jakości interakcji i elastyczności uczenia się do reprezentacji doświadczenia uczenia się online; wyniki zmiennych latentnych dla potrzeby autonomii, potrzeby kompetencji i potrzeby relacyjności do reprezentacji podstawowych potrzeb psychologicznych; oraz wyniki zmiennych latentnych dla zaangażowania behawioralnego, zaangażowania poznawczego i zaangażowania emocjonalnego do reprezentacji zaangażowania w naukę.
4. Traktuj wyniki konstruktów wyższego rzędu jako analitycznie wyprowadzone reprezentacje konstruktów wielowymiarowych. Nie opisuj ich jako formatywne, chyba że model formatywny został wyraźnie określony i uzasadniony. Zapisz ustawienia pierwszego etapu, ustawienia drugiego etapu, wyniki zmiennych latentnych oraz pliki z wynikami modelu w folderze weryfikacyjnym.
   UWAGA: Stosuj tę samą procedurę dla konstruktów wyższego rzędu w głównym modelu strukturalnym, analizie podwymiarów potrzeb psychologicznych oraz w analizie odporności opartej na regresji.

13. Ocena modelu pomiarowego

1. Przed interpretacją modelu strukturalnego należy ocenić model pomiarowy. Należy zbadać zestandaryzowane ładunki zewnętrzne dla wszystkich zachowanych wskaźników. Jeśli to możliwe, należy zachować wskaźniki o ładunkach wynoszących co najmniej 0.70.
2. Należy przeanalizować wskaźniki o ładunkach mieszczących się w przedziale od 0.40 do 0.70. Wskaźnik należy usunąć tylko wtedy, gdy jego usunięcie poprawia niezawodność lub trafność zbieżną i nie osłabia zakresu treści. Wskaźniki poniżej 0.40 należy usunąć, chyba że istnieje udokumentowane uzasadnienie teoretyczne wspierające ich zachowanie.
3. Należy ocenić spójność wewnętrzną, korzystając z alfy Cronbacha oraz niezawodności złożonej. Wartości między 0.70 a 0.95 należy uznać za akceptowalne. Trafność zbieżną należy ocenić za pomocą średniej wariancji wyekstrahowanej. Wartości wynoszące co najmniej 0.50 należy uznać za akceptowalne.
4. Trafność różnicującą należy ocenić za pomocą współczynnika heterotrait-monotrait. Jako konserwatywny próg należy przyjąć wartość 0.85, a jako maksymalny próg akceptowalny dla konstruktów teoretycznie sąsiadujących – wartość 0.90.
5. Należy odnotować zachowane wskaźniki, zestandaryzowane ładunki zewnętrzne, alfę Cronbacha, niezawodność złożoną, średnią wariancję wyekstrahowaną, wartości heterotrait-monotrait oraz wszelkie decyzje o usunięciu pozycji w zablokowanym pliku wyjściowym modelu pomiarowego.
   UWAGA: Nie należy usuwać pozycji wyłącznie w celu poprawy wartości statystycznych. Pozycję usuwa się tylko wtedy, gdy udokumentowano zarówno słabość statystyczną, jak i redundancję koncepcyjną.
   PUNKT PRZERWANIA: Nie należy rozpoczynać testowania strukturalnego, dopóki zachowane wskaźniki, wartości ładunków, wartości niezawodności, trafność zbieżna, trafność różnicująca, wpisy w księdze kodowej oraz wartości z pliku wyjściowego modelu pomiarowego nie zostaną zweryfikowane z zablokowanymi plikami analizy.

14. Testowanie modelu strukturalnego i ścieżki mediacji

1. Określ trzy ścieżki strukturalne: doświadczenie w nauce online → podstawowe potrzeby psychologiczne, podstawowe potrzeby psychologiczne → zaangażowanie w naukę oraz doświadczenie w nauce online → zaangażowanie w naukę.
2. Uwzględnij tygodniową liczbę godzin nauki online oraz wcześniejsze doświadczenie w nauce online jako zdefiniowane wcześniej zmienne kontrolne. Płeć, poziom akademicki, rok studiów i kategorię dyscypliny traktuj jako zmienne opisowe, chyba że zostały one włączone do zdefiniowanego wcześniej modelu analizy wrażliwości.
3. Zbadaj współliniowość modelu strukturalnego przed interpretacją współczynników ścieżek. Wartości współczynnika inflacji wariancji poniżej 3,30 traktuj jako wskazujące na niskie prawdopodobieństwo wystąpienia szkodliwej współliniowości.
4. Oszacuj standaryzowane współczynniki ścieżek, wartości t, wartości p oraz 95% przedziały ufności, wykorzystując 5 000 prób bootstrapowych z testowaniem dwustronnym. Stosuj przedziały ufności z korektą obciążenia, jeśli są dostępne.
5. Oszacuj pośrednią ścieżkę od doświadczenia w nauce online do zaangażowania w naukę poprzez podstawowe potrzeby psychologiczne. Ścieżkę powiązania pośredniego uznaj za potwierdzoną, gdy bootstrapowy przedział ufności dla efektu pośredniego nie obejmuje zera.
6. Zapisz efekt bezpośredni, efekt pośredni, efekt całkowity, wartości R², skorygowane wartości R², wielkość efektu f², wartości współczynnika inflacji wariancji modelu strukturalnego oraz ścieżki zmiennych kontrolnych w zablokowanym wyniku modelu strukturalnego. Wszystkie oszacowania strukturalne interpretuj jako ścieżki oparte na powiązaniach, a nie jako efekty przyczynowe.
   UWAGA: Nie usuwaj zdefiniowanej wcześniej ścieżki tylko dlatego, że jest ona nieistotna statystycznie. Zachowaj zdefiniowany wcześniej model, chyba że zostanie zidentyfikowany błąd kodowania lub błąd specyfikacji modelu.

15. Analiza podwymiarów potrzeb psychologicznych

1. Zastąp globalny konstrukt podstawowych potrzeb psychologicznych potrzebą autonomii, potrzebą kompetencji oraz potrzebą relacyjności jako równoległe konstrukty powiązań pośrednich. Oszacuj oddzielnie ścieżki pośrednie z doświadczenia w nauce online do zaangażowania w naukę poprzez potrzebę autonomii, potrzebę kompetencji i potrzebę relacyjności.
2. Użyj 5 000 prób bootstrapowych dla każdej ścieżki subwymiaru. Porównaj kierunek, wielkość i przedział ufności każdej pośredniej ścieżki subwymiaru. Potraktuj tę analizę jako analizę wrażliwości, a nie jako model główny.
   UWAGA: Nie reinterpretuj analizy wrażliwości subwymiarów jako nowego modelu głównego.

16. Przeprowadzenie analizy odporności opartej na regresji

1. Wyeksportuj oczyszczony zbiór danych wyników konstruktów i zapisz go jako ConstructScores_OnlineLearning_BPN_Engagement_YYYYMMDD.csv. Użyj programu R 4.4.1, aby przeprowadzić regresję globalnych podstawowych potrzeb psychologicznych na globalne doświadczenie nauki online, tygodniową liczbę godzin nauki online oraz wcześniejsze doświadczenie w nauce online.
2. Przeprowadź regresję globalnego zaangażowania w naukę na globalne doświadczenie nauki online, globalne podstawowe potrzeby psychologiczne, tygodniową liczbę godzin nauki online oraz wcześniejsze doświadczenie w nauce online. Oszacuj ścieżkę pośrednią, stosując 5 000 prób bootstrapowych.
3. Porównaj ścieżkę pośrednią opartą na regresji ze ścieżką pośrednią PLS-SEM. Sklasyfikuj ścieżkę jako stabilną tylko wtedy, gdy kierunek pozostaje spójny, a interpretacja merytoryczna nie ulega zmianie. Zapisz skrypt R, ustawienia bootstrapowania oraz wyniki analizy stabilności w folderze weryfikacyjnym.
   PUNKT PRZERWANIA: Nie rozpoczynaj końcowego blokowania plików do czasu wzajemnego sprawdzenia modelu strukturalnego, analizy subwymiarów oraz analizy stabilności opartej na regresji.

17. Postępowanie w przypadku nieoptymalnych wyników analitycznych

1. Jeśli współczynnik alfa Cronbacha lub rzetelność złożona jest poniżej 0,70, należy sprawdzić korelacje pozycji z sumą oraz standaryzowane ładunki zewnętrzne. Jeśli średnia wariancja wyodrębniona (AVE) wynosi mniej niż 0,50, należy przeanalizować zachowane wskaźniki i zidentyfikować, czy jeden lub więcej z nich osłabia trafność zbieżną.
2. Jeśli wartości heterotrait-monotrait przekraczają wcześniej określony próg, należy sprawdzić sformułowania pozycji pod kątem nakładania się semantycznego między teoretycznie bliskimi konstruktami. Słabą pozycję należy usunąć tylko wtedy, gdy jest ona statystycznie słaba i konceptualnie redundantna. Utrzymanie osobno teoretycznie sąsiadujących konstruktów w sytuacji, gdy ich połączenie zmniejszyłoby przejrzystość konceptualną, jest wskazane.
3. Jeśli ścieżka pośrednia nie znajduje potwierdzenia, wynik należy zapisać jako niepotwierdzony związek pośredni. Jeśli zmienne kontrolne wykazują nieistotne statystycznie związki, należy odnotować wyniki bez nadinterpretacji.
   UWAGA: Nie należy modyfikować modelu teoretycznego po przeprowadzeniu analizy w celu wymuszenia silniejszego potwierdzenia hipotez.

18. Blokowanie wyników oprogramowania i plików reprodukowalności

1. Utwórz końcowy folder weryfikacji instytucjonalnej o nazwie Verification_OnlineLearning_BPN_Engagement_YYYYMMDD.
2. Zapisz w folderze weryfikacyjnym archiwum surowych zbiorów danych, oczyszczony zbiór danych, zbiór wyników konstruktów, książkę kodową, kwestionariusz, tabelę mapowania źródeł pozycji, log rewizji eksperckiej, zapis testu pilotażowego, log prac terenowych, log przesiewowy, plik reguł wykluczenia, zapis progu czasu wypełniania, wyniki Smart PLS, skrypty R, tabele wyników R, zapis wersji oprogramowania oraz log zmian wersji.
3. Zapisz pliki projektu Smart PLS 4.1 oraz wyeksportowane wyniki modelu pomiarowego, modelu strukturalnego, bootstrapowania i analizy heterotrait-monotrait w podfolderze o nazwie SmartPLS_Output. Zapisz skrypty R i tabele wyników R w podfolderze o nazwie R_Output. Zapisz kwestionariusz, mapowanie źródeł pozycji, kodowanie zmiennych i zasady punktacji jako Supplementary File 1.
4. Zapisz końcową weryfikację analitycznego zbioru danych, podsumowanie przesiewowe, zapis brakujących danych, diagnostykę błędu wspólnej metody (common method bias), wyniki modelu pomiarowego, wyniki modelu strukturalnego, wyniki powiązań pośrednich, analizę podwymiarów, zapis odporności oparty na regresji, ustawienia oprogramowania oraz zapis wersji jako Supplementary File 2.
5. Nie zamieszczaj bezpośrednio identyfikowalnych informacji, surowych rekordów wykluczonych ani surowych danych na poziomie uczestnika w manuskrypcie ani w plikach uzupełniających przedkładanych do publikacji. Zablokuj końcowy folder weryfikacyjny po sprawdzeniu spójności. Późniejsze poprawki zapisuj jako nowe, datowane wersje i dokumentuj przyczynę w logu zmian wersji.

Wyniki

Końcowy zestaw danych analitycznych i charakterystyka uczestników

Końcowy analityczny zestaw danych objął 386 studentów uniwersytetu. Formalna rekrutacja została przeprowadzona od 18 sierpnia 2025 do 26 września 2025 r. za pośrednictwem uniwersyteckich platform edukacyjnych, grup komunikacyjnych kursów, list mailingowych studentów oraz instytucjonalnych kanałów studenckich. Przesiane zostało łącznie 432 przesłanych odpowiedzi, z czego zachowano 386, co dało wskaźnik poprawnych odpowiedzi na poziomie 89,4%. Zablokowany zestaw danych zawierał 33 merytoryczne pytania w skali Likerta oraz jedno pytanie sprawdzające uwagę oparte na instrukcjach. Pytanie sprawdzające uwagę zostało wykorzystane wyłącznie do weryfikacji jakości odpowiedzi i wykluczono je z punktacji konstruktów, analizy rzetelności, analizy trafności, szacowania PLS-SEM, analizy powiązań pośrednich oraz analizy odporności opartej na regresji. Końcowa próba obejmowała 223 studentki, 154 studentów oraz dziewięciu uczestników, którzy wybrali opcję „wolę nie podawać” lub inną opcję odpowiedzi. W badaniu wzięło udział 318 studentów studiów licencjackich oraz 68 studentów studiów podyplomowych. Rozkład według roku studiów obejmował 110 studentów I roku, 102 studentów II roku, 103 studentów III roku oraz 71 studentów IV roku lub wyższych. Kategorie dyscyplin obejmowały biznes i zarządzanie, nauki społeczne, inżynierię i technologię, medycynę i nauki o zdrowiu, humanistykę i sztukę oraz edukację. Tygodniowa ekspozycja na naukę online obejmowała mniej niż 2 h tygodniowo u 41 studentów, 2–4 h u 116 studentów, 5–7 h u 137 studentów, 8–10 h u 62 studentów oraz ponad 10 h u 30 studentów. Dotychczasowe doświadczenie w nauce online obejmowało brak doświadczenia u 38 studentów, mniej niż 6 miesięcy u 68 studentów, 6–12 miesięcy u 190 studentów i ponad 12 miesięcy u 90 studentów. Tygodniowa liczba godzin nauki online oraz dotychczasowe doświadczenie w nauce online zostały zachowane jako uprzednio określone zmienne kontrolne.

Recenzja ekspercka, testy pilotażowe i weryfikacja kwestionariusza

Recenzja ekspercka została przeprowadzona przez pięciu ekspertów w dziedzinie psychologii edukacyjnej, uczenia się online, metodologii ilościowej, badań nad szkolnictwem wyższym oraz projektowania ankiet. W ramach recenzji zidentyfikowano 13 błędów w sformułowaniach, cztery przypadki redundancji oraz trzy problemy z dopasowaniem do konstruktu. Czternaście pozycji poprawiono pod kątem jasności, dopasowania kontekstowego lub spójności z konstruktem; przed badaniem pilotażowym nie usunięto żadnej pozycji. Badanie pilotażowe przeprowadziło 42 studentów uniwersytetu, którzy spełniali kryteria kwalifikacji do badania głównego. Mediana czasu wypełniania wyniosła 9,6 min, a minimalny próg czasu wypełniania ustalono na 3,2 min. Wstępne wartości alfa Cronbacha mieściły się w przedziale od 0,721 do 0,814. Po badaniu pilotażowym nie usunięto żadnej pozycji. Końcowy kwestionariusz w języku angielskim obejmował 12 pozycji dotyczących doświadczeń z uczenia się online, dziewięć pozycji dotyczących podstawowych potrzeb psychologicznych, 12 pozycji dotyczących zaangażowania w naukę oraz jedną pozycję sprawdzającą uważność opartą na instrukcjach. Mapowanie źródeł pozycji, kodowanie zmiennych i zasady punktacji zostały ustalone przed formalną analizą i znajdują się w Pliku uzupełniającym 1.

Przesiewowe badanie odpowiedzi, analiza brakujących danych oraz kontrola jakości danych

Po przeprowadzeniu przesiewu, z 432 przesłanych odpowiedzi zachowano 386 poprawnych. Wykluczenia objęły cztery odpowiedzi bez potwierdzenia zgody, 17 wykluczeń ze względu na brak spełnienia kryteriów kwalifikowalności, osiem zdublowanych odpowiedzi, sześć błędów w testach uważności, pięć odpowiedzi z czasem wypełniania poniżej progu, cztery odpowiedzi typu „straight-lining” (wybieranie tej samej opcji w każdej odpowiedzi) oraz dwie nierozwiązane niespójności w zakresie kwalifikowalności. Oznaczono sześć wzorców długich ciągów identycznych odpowiedzi, jednak nakładały się one na inne kategorie wykluczeń i nie zostały zaliczone jako osobna, niezależna kategoria wykluczenia. Wykluczenia odnotowano w zanonimizowanym dzienniku przesiewowym. W zablokowanym zbiorze danych nie zachowano żadnych zdublowanych kodów uczestników. Nie zaobserwowano brakujących wartości w 33 merytorycznych pozycjach skali Likerta, zmiennych tła, zmiennych wyników wymiarowych ani zmiennych wyników konstruktu globalnego. Nie zastosowano imputacji. Żadna z zachowanych odpowiedzi nie spełniała reguły „straight-lining”, żadna nie wykazywała wzorca długiego ciągu 20 lub więcej kolejnych identycznych odpowiedzi merytorycznych, a także nie zaobserwowano nierozwiązanej niespójności między ekspozycją na naukę online a tygodniową liczbą godzin nauki online.

Opisowa analiza rozkładu i diagnostyka typowego błędu metodycznego

Globalny wynik doświadczenia uczenia się online wyniósł 3,47 ± 0,45. Globalny wynik podstawowych potrzeb psychologicznych wyniósł 3,40 ± 0,49. Globalny wynik zaangażowania w naukę wyniósł 3,42 ± 0,48. Wsparcie dydaktyczne miało najwyższą średnią wśród wymiarów doświadczenia uczenia się online, natomiast jakość interakcji miała najniższą średnią. Potrzeba kompetencji miała najwyższą średnią wśród wymiarów podstawowych potrzeb psychologicznych, a potrzeba relacji najniższą średnią. Zaangażowanie poznawcze miało najwyższą średnią wśród wymiarów zaangażowania w naukę, natomiast zaangażowanie emocjonalne najniższą średnią. Kontrole rozkładu pozycji nie wykazały poważnych efektów podłogowych ani sufitowych. Maksymalny wskaźnik odpowiedzi podłogowej na poziomie pozycji wyniósł 1,55% dla OLE_PU3. Maksymalny wskaźnik odpowiedzi sufitowej na poziomie pozycji wyniósł 12,95% dla OLE_IS2. Obie wartości znajdowały się poniżej wcześniej określonego progu 20%. Diagnostyka błędu wspólnej metody nie wykazała istotnych dowodów na istnienie dominującego wspólnego czynnika metodycznego. Jednoczynnikowy test Harman'a wykazał, że pierwszy czynnik nierotowany wyjaśnił 24,12% całkowitej wariancji. Pełna diagnostyka kolinearności wykazała maksymalny współczynnik inflacji wariancji na poziomie 1,527.

Jakość modelu pomiarowego

Jak pokazano w Tabeli 3, wartości alfa Cronbacha na poziomie wymiarów wahały się od 0,733 dla jakości interakcji do 0,801 dla zaangażowania poznawczego. Konstrukt globalnego doświadczenia nauki online wykazał wartość alfa wynoszącą 0,878, podstawowe potrzeby psychologiczne wykazały wartość alfa 0,846, a zaangażowanie w naukę wykazało wartość alfa 0,867. Znormalizowane ładunki zewnętrzne wahały się od 0,704 do 0,842 dla 33 merytorycznych pozycji. Wartości niezawodności kompozytowej mieściły się w przedziale od 0,849 do 0,889. Wartości średniej wariancji wyodrębnionej wahały się od 0,653 do 0,702. Maksymalny stosunek heterotrait-monotrait wyniósł 0,742. Wartości te spełniły wcześniej określone kryteria modelu pomiarowego.

Tabela 3: Niezawodność, statystyki opisowe i jakość modelu pomiarowego. W tabeli przedstawiono alfę Cronbacha, niezawodność złożoną, średnią wariancję wyodrębnioną, zakresy standaryzowanych ładunków, średnie, odchylenia standardowe oraz decyzje dotyczące utrzymania wymiarów pierwszego rzędu i konstruktów wyższego rzędu. Element sprawdzający uważność został wykluczony z analizy niezawodności, trafności i estymacji modelu. Maksymalna wartość HTMT wśród konstruktów pierwszego rzędu wyniosła 0,742, co znajduje się poniżej wcześniej określonego konserwatywnego progu 0,85. Pełna tabela ładunków zewnętrznych oraz macierz HTMT znajdują się w Pliku uzupełniającym 2. Skróty: AVE = średnia wariancja wyodrębniona. Kliknij tutaj, aby pobrać tę tabelę.

Doświadczenie w nauce online korelowało z podstawowymi potrzebami psychologicznymi (r = 0,501) oraz zaangażowaniem w naukę (r = 0,497). Podstawowe potrzeby psychologiczne korelowały z zaangażowaniem w naukę (r = 0,510).

Ścieżka strukturalna i wyniki asocjacji pośredniej

Jak pokazano na Rysunku 2, doświadczenie w nauce online było dodatnio skorelowane z podstawowymi potrzebami psychologicznymi (β = 0.501, t = 11.259, p < 0.001, 95% CI: 0.414 do 0.588). Podstawowe potrzeby psychologiczne były dodatnio skorelowane z zaangażowaniem w naukę (β = 0.349, t = 7.256, p < 0.001, 95% CI: 0.255 do 0.444). Doświadczenie w nauce online pozostało bezpośrednio skorelowane z zaangażowaniem w naukę (β = 0.324, t = 6.699, p < 0.001, 95% CI: 0.229 do 0.419). Model wyjaśnił 25.1% wariancji podstawowych potrzeb psychologicznych oraz 33.9% wariancji zaangażowania w naukę (Tabela 4). Wielkość efektu f² dla wpływu doświadczenia w nauce online na podstawowe potrzeby psychologiczne wyniosła 0.332. Wielkości efektu f² dla wpływu doświadczenia w nauce online oraz podstawowych potrzeb psychologicznych na zaangażowanie w naukę wyniosły odpowiednio 0.118 i 0.138.

Rysunek 2: Model strukturalny ze standaryzowanymi współczynnikami ścieżek opartymi na powiązaniach. Rysunek przedstawia standaryzowane ścieżki pomiędzy doświadczeniem w nauce online, podstawowymi potrzebami psychologicznymi a zaangażowaniem w naukę, w tym ścieżkę bezpośrednią, ścieżkę pośrednią, wartości R² oraz określone z góry zmienne kontrolne. Wszystkie ścieżki są interpretowane jako oszacowania oparte na powiązaniach. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.

Tabela 4: Wyjaśniona wariancja konstruktów endogenicznych. Tabela ta przedstawia współczynnik determinacji (R²), skorygowane wartości R² oraz zmienne predyktora dla każdego konstruktu endogenicznego w modelu strukturalnym. Wszystkie wyniki interpretowano jako szacunki oparte na powiązaniach, ponieważ dane miały charakter przekrojowy. Skróty: OLE_TOTAL = globalny wynik doświadczenia nauki online; BPN_TOTAL = globalny wynik podstawowych potrzeb psychologicznych; LE_TOTAL = globalny wynik zaangażowania w naukę. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 5 pokazuje, że tygodniowa liczba godzin nauki online nie była istotnie powiązana z podstawowymi potrzebami psychologicznymi (β = 0.001, p = 0.986) ani z zaangażowaniem w naukę (β = −0.020, p = 0.634).

Tabela 5: Szacunki ścieżek strukturalnych i wielkości efektu.W tabeli przedstawiono wystandaryzowane szacunki ścieżek strukturalnych, odpowiadające wartościy t, wartości p, 95% przedziały ufności (CI), wielkości efektu f² oraz decyzje dotyczące ścieżek dla modelu hipotetycznego. Przedstawiono również ścieżki zmiennych kontrolnych. Wszystkie ścieżki interpretowane są jako szacunki oparte na powiązaniach, ponieważ dane miały charakter przekrojowy. Skróty: OLE_TOTAL = globalny wynik doświadczenia w nauce online; BPN_TOTAL = globalny wynik podstawowych potrzeb psychologicznych; LE_TOTAL = globalny wynik zaangażowania w naukę; WEEKLY_HOURS = tygodniowa liczba godzin nauki online; PRIOR_EXPERIENCE = wcześniejsze doświadczenie w nauce online; CI = przedział ufności. Kliknij tutaj, aby pobrać tę tabelę.

Wcześniejsze doświadczenie w uczeniu się online nie było istotnie skorelowane z podstawowymi potrzebami psychologicznymi (β = −0.005, p = 0.916) ani z zaangażowaniem w naukę (β = 0.013, p = 0.754). Potwierdzono istnienie ścieżki pośredniej od doświadczenia w uczeniu się online do zaangażowania w naukę poprzez podstawowe potrzeby psychologiczne. Efekt pośredni wyniósł 0.175, przy 95% przedziale ufności bootstrap od 0.124 do 0.231. Efekt bezpośredni doświadczenia w uczeniu się online na zaangażowanie w naukę wyniósł 0.324, a efekt całkowity 0.499 (Tabela 6). Ścieżkę tę zinterpretowano jako pośrednią ścieżkę opartą na powiązaniach, a nie jako mediację przyczynowo-skutkową.

Tabela 6: Szacunki powiązań bezpośrednich, pośrednich i całkowitych. Tabela ta przedstawia powiązania bezpośrednie, pośrednie (mediowane) i całkowite pomiędzy doświadczeniem w nauce online a zaangażowaniem w naukę, w tym 95-procentowe przedziały ufności (CI) metodą bootstrap oraz decyzje dotyczące ścieżek. Wszystkie efekty są interpretowane jako szacunki oparte na powiązaniach, ponieważ dane miały charakter przekrojowy. Skróty: OLE_TOTAL = globalny wynik doświadczenia w nauce online; BPN_TOTAL = globalny wynik podstawowych potrzeb psychologicznych; LE_TOTAL = globalny wynik zaangażowania w naukę; CI = przedział ufności. Kliknij tutaj, aby pobrać tę tabelę.

Analiza wrażliwości i analiza odporności podwymiarów potrzeb psychologicznych

Potwierdzono istnienie ścieżki pośredniej poprzez potrzebę autonomii (efekt pośredni = 0.087, 95% CI: 0.049 do 0.131). Potwierdzono również ścieżkę pośrednią poprzez potrzebę kompetencji, która wykazała największy efekt pośredni (efekt pośredni = 0.148, 95% CI: 0.094 do 0.205). Potwierdzono także ścieżkę pośrednią poprzez potrzebę relacyjności (efekt pośredni = 0.092, 95% CI: 0.056 do 0.132) (Tabela 7).

Tabela 7: Analiza wrażliwości podwymiarów podstawowych potrzeb psychologicznych. Tabela ta przedstawia pośrednie powiązania poprzez podwymiary autonomii, kompetencji i relacyjności podstawowych potrzeb psychologicznych, w tym bootstrapowe 95% przedziały ufności (CI) oraz decyzje dotyczące ścieżek. Wszystkie efekty są interpretowane jako szacunki oparte na powiązaniach, ponieważ dane miały charakter przekrojowy. Skróty: OLE_TOTAL = globalny wynik doświadczenia nauki online; LE_TOTAL = globalny wynik zaangażowania w naukę; BPN_AU = potrzeba autonomii; BPN_CO = potrzeba kompetencji; BPN_RE = potrzeba relacyjności; CI = przedział ufności. Kliknij tutaj, aby pobrać tę tabelę.

Analiza odporności oparta na regresji dostarczyła tej samej interpretacji merytorycznej, co główny model PLS-SEM. Doświadczenie w nauce online pozostało pozytywnie skorelowane z podstawowymi potrzebami psychologicznymi (β = 0.501, 95% CI: 0.414 do 0.588). Podstawowe potrzeby psychologiczne pozostały pozytywnie skorelowane z zaangażowaniem w naukę po skorygowaniu o doświadczenie w nauce online oraz zmienne kontrolne (β = 0.349, 95% CI: 0.255 do 0.444). Pośredni efekt oparty na regresji wyniósł 0.175, przy 95% bootstrapowym przedziale ufności od 0.124 do 0.231. Ze względu na przekrojowy charakter danych, wszystkie ścieżki interpretowano jako szacunki oparte na powiązaniach, a nie jako efekty przyczynowe (Tabela 8).

Tabela 8: Analiza odporności oparta na regresji. Tabela ta przedstawia wyniki analizy odporności opartej na regresji dla ścieżek strukturalnych, w tym skorygowane oszacowania powiązań bezpośrednich i pośrednich z bootstrapowymi 95% przedziałami ufności (CI). Wszystkie efekty interpretowane są jako oszacowania oparte na powiązaniach, ponieważ dane miały charakter przekrojowy. Skróty: OLE_TOTAL = globalna ocena doświadczenia w nauce online; BPN_TOTAL = globalna ocena podstawowych potrzeb psychologicznych; LE_TOTAL = globalna ocena zaangażowania w naukę; CI = przedział ufności. Kliknij tutaj, aby pobrać tę tabelę.

Plik uzupełniający 1: Kwestionariusz, kodowanie zmiennych i zasady punktacji. Plik ten zawiera kwestionariusz w języku angielskim, zmienne do przesiewowej oceny kwalifikowalności, kodowanie zmiennych opisowych, sformułowania pytań, mapowanie źródeł pytań, skalę odpowiedzi, wzory punktacji, słownik zmiennych, zasady przetwarzania danych oraz kontrole spójności.Aby pobrać ten plik, kliknij tutaj.

Plik uzupełniający 2: Weryfikacja końcowego zbioru danych analitycznych, ustawienia analizy i zapisy reprodukowalności. Plik ten zawiera zapis zablokowanego zbioru danych analitycznych, podsumowanie prac terenowych, zapisy przeglądu eksperckiego i testów pilotażowych, podsumowanie przesiewowe, kontrole brakujących danych, wyniki rzetelności i modelu pomiarowego, wyniki modelu strukturalnego, analizę wrażliwości, analizę odporności oraz listę kontrolną reprodukowalności.Kliknij tutaj, aby pobrać ten plik.

Dyskusja

This protocol provides a reproducible methodological workflow for assessing association pathways among online learning experience, basic psychological needs, and learning engagement in university students. Rather than treating online learning as a single condition, the protocol separates the perceived learning environment into platform usability, instructional support, interaction quality, and learning flexibility. This structure allows researchers to identify which part of the online learning experience is most closely associated with psychological need satisfaction and engagement, instead of relying only on overall satisfaction or course-completion indicators¹⁶.

A central methodological contribution is the prespecification of questionnaire coding, eligibility screening, response-quality checks, construct scoring, dataset locking, and model testing. These steps are important because survey-based educational research is sensitive to inattentive responses, patterned answers, inconsistent eligibility responses, missing-data decisions, and post hoc exclusions¹⁷. By placing these decisions before structural analysis, the protocol makes the analytic pathway reproducible and reduces the risk that screening or scoring rules are changed after results are known.

The protocol also clarifies how the association pathway should be interpreted. Online learning experience is modeled as the independent construct, basic psychological needs as the indirect-association construct, and learning engagement as the outcome construct. This structure is theoretically grounded in self-determination theory, because autonomy, competence, and relatedness provide a mechanism for understanding why some online learning environments are associated with stronger engagement¹⁸. However, because the protocol uses cross-sectional questionnaire data, the pathway must be interpreted as an indirect association rather than causal mediation.

The multidimensional treatment of learning engagement is another strength of the protocol. Behavioral engagement, cognitive engagement, and emotional engagement are measured separately before being summarized as a global engagement construct. This prevents engagement from being reduced to attendance, task completion, or login behavior alone¹⁹. In practical terms, the protocol can distinguish students who complete required tasks from students who are cognitively invested, emotionally involved, and willing to continue participating in online learning activities.

The protocol is also useful for diagnosing weak points in online learning design. For example, a course may provide adequate platform access but still show low relatedness or emotional engagement if communication is delayed, fragmented, or not connected to meaningful learning interaction. This distinction is consistent with online learning models that emphasize social presence, teaching presence, and cognitive presence rather than technology availability alone²⁰. Therefore, the protocol supports targeted improvement of platform design, instructor support, interaction structure, and psychological need satisfaction.

Several limitations should guide interpretation and future use. First, the cross-sectional design does not establish temporal order, so causal claims should not be made²¹. Second, all main variables are self-reported, and common method diagnostics cannot fully remove response-bias concerns²². Third, the model does not directly observe instructor behavior, course design quality, platform analytics, or institutional support. Future studies can extend the protocol through longitudinal measurement, multi-group comparison, learning-analytics integration, or mixed-methods follow-up while retaining the same reproducible screening, scoring, model-testing, and verification logic²³.

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
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.