Um Fluxo de Trabalho Reprodutível de Pesquisa para Examinar a Resiliência Psicológica, o Senso de Pertencimento à Escola e o Pensamento de Ordem Superior em Estudantes Universitários

Resumo

Este protocolo apresenta um fluxo de trabalho reproduzível de pesquisa para coleta de dados, triagem de qualidade e análise moderada de mediação em estudantes universitários.

Resumo

Este artigo de método apresenta um protocolo de pesquisa de autorrelato transversal reprodutível para examinar as associações entre resiliência mental, senso de pertencimento à escola (SSB), pensamento de ordem superior e transtorno de jogos online (IGD) em estudantes universitários. Neste protocolo, novos padrões de emprego são tratados como um contexto de fundo moldado por inteligência artificial generativa, trabalho baseado em plataformas e mudanças nas expectativas de habilidades dos formandos, em vez de uma variável de exposição ao nível dos participantes. O protocolo integra amostragem institucional, administração de questionários, documentação de tradução, triagem de qualidade de resposta, tratamento de dados faltantes, pontuação de escala, triagem de viés por método comum, centralização variável e análise condicional de processos em um único fluxo de trabalho padronizado. SSB é especificado como mediador estatístico, e IGD é especificado como moderador dentro de um quadro de mediação moderada baseada em associação. Os resultados representativos incluem registros de fluxo amostral, estatísticas descritivas, matrizes de correlação, estimativas de mediação e mediação moderada, efeitos indiretos condicionais, o índice de mediação moderada e gráficos de interação. Como o conjunto de dados representativo é transversal e autorrelatado, o protocolo suporta a estimativa transparente de associações estatísticas, em vez de inferência causal ou longitudinal. Ao padronizar decisões de pré-processamento e especificações do modelo antes da análise, esse fluxo de trabalho melhora a transparência, a comparabilidade e a reprodutibilidade em pesquisas educacionais e comportamentais.

Introdução

Novos padrões de emprego moldados por inteligência artificial generativa, trabalho baseado em plataformas e integração ocupacional entre domínios mudaram a forma como as universidades discutem preparação para pós-graduados e desenvolvimento^{estudantil 1}. Neste artigo, novos padrões de emprego são tratados como uma condição contextual de enquadramento, e não como uma exposição medida em nível de participante. O protocolo não classifica os estudantes de acordo com sua participação direta em trabalho em plataformas, trabalhos temporários ou empregos mediados por inteligência artificial. Em vez disso, esse contexto explica por que o pensamento de ordem superior (HOT), a resiliência psicológica (PR) e o apoio escolar são construções relevantes para estudantes universitários que enfrentam transições educacionais e profissionais cada vez mais incertas. Essa clarificação é necessária porque o protocolo foi desenvolvido para pesquisas comportamentais transversais, e não para estimar os efeitos de uma exposição medida por padrão de emprego.

Nesse contexto, espera-se cada vez mais que os formados resolvam problemas desconhecidos, transfiram conhecimento entre domínios, avaliem informações criticamente e tomem decisões adaptativas sob a incerteza². Discussões recentes sobre mercado de trabalho e ensino superior também apontam para um descompasso contínuo entre as expectativas dos empregadores e a preparação dos formados, especialmente em comunicação, colaboração, resolução independente de problemas e^{inovação 3}. Essas demandas tornaram o HOT um construto útil de resultados em pesquisas educacionais e comportamentais relacionadas à adaptação dos alunos sob condições de emprego em^{mudança 4}.

HOT refere-se a atividades cognitivas avançadas além da memória e compreensão básica, incluindo análise, avaliação, tomada de decisão, resolução de problemas e pensamento^{criativo 5}. Baseando-se na distinção clássica entre cognição de ordem inferior e de ordem superior, pesquisas anteriores enfatizam que a HOT envolve transformação do conhecimento, e não simples reprodução de conhecimento, e que está intimamente relacionada a contextos autênticos de problemas, integração de conhecimento prévio e flexibilidade^{cognitiva 6}. Em ambientes de emprego e aprendizagem mediados digitalmente, os estudantes frequentemente são obrigados a interpretar informações complexas, trabalhar com ferramentas inteligentes e manter autonomia cognitiva quando a informação é abundante, mas desigual em^{qualidade 7}. Essas condições tornam o HOT um conceito focal apropriado para um protocolo de pesquisa comportamental reprodutível.

A PR está incluída neste protocolo porque está relacionada teoricamente e empiricamente ao funcionamento adaptativo dos alunos sob estresse e^{incerteza 8}. Embora as definições de PR difiram entre perspectivas baseadas em resultados, traços e processos, a maioria das explicações converge para a ideia de que PR reflete a capacidade de se autorregular, recuperar das dificuldades e manter a adaptação funcional em condições^{desafiadoras 9}. No protocolo atual, a PR não é tratada como um determinante causal comprovado da HOT. Em vez disso, é modelado como uma variável independente que pode estar estatisticamente associada ao HOT em um conjunto de dados transversal. Essa redação é consistente com o limite de projeto do estudo e evita implicar uma ordenação temporal que os dados não conseguem estabelecer. Essa associação é plausível porque estudantes com RP mais forte podem ser mais capazes de manter engajamento direcionado a objetivos, enfrentamento construtivo e raciocínio adaptativo diante da pressão acadêmica e relacionada^{à carreira 10}. Trabalhos empíricos anteriores associaram PR à resolução de problemas, pensamento crítico e cognição adaptativa, embora evidências diretas que conectem PR ao HOT permaneçam^{limitadas 11}. Por essa razão, o presente artigo utiliza a relação entre PR e HOT como um exemplo representativo de modelagem através do qual o protocolo completo de pesquisa para análise pode ser demonstrado.

O senso de pertencimento à escola (SSB) é incorporado como mediador estatístico no protocolo. É geralmente definido como a experiência percebida dos alunos de serem aceitos, respeitados, apoiados e conectados dentro da comunidade^{escolar 12}. A maioria das definições enfatiza um vínculo emocional e relacional com a instituição, professores e pares formado por meio da participação, reconhecimento e apoio¹³. Em um contexto profissional em mudança, a SSB é relevante porque os estudantes frequentemente dependem de orientações universitárias, interação com colegas e recursos institucionais ao se prepararem para futuros acadêmicos e ocupacionais^{incertos 14}.

Estudos existentes sugerem que a PR está positivamente associada à SSB. Alunos com RP mais forte podem ter mais probabilidade de buscar apoio, manter engajamento construtivo e preservar um senso de conexão com professores e colegas quando enfrentam o^{estresse 15}. A SSB também tem sido associada à resolução colaborativa de problemas, pensamento crítico, criatividade e engajamento mais profundo em atividades de^{aprendizagem 16}. Com base nisso, o protocolo atual especifica a SSB como mediador estatístico entre PR e HOT. Essa especificação deve ser interpretada como um modelo de mediação baseado em associação, adequado para dados de pesquisa transversal, e não como evidência de que PR causa SSB temporalmente ou que SSB produz HOT causalmente.

O transtorno de jogos na internet (IGD) está incluído como moderador porque o comportamento digital pode moldar a força das associações entre PR, SSB e HOT. IGD refere-se a comportamentos persistentes e recorrentes de jogo associados a comprometimento clinicamente significativo e tem recebido atenção crescente em populações estudantis com exposição intensiva a digital¹⁷. Estudos anteriores associaram jogos problemáticos a rotinas interrompidas, redução da qualidade do sono, menor suporte social, menor capacidade de enfrentamento e menor engajamento^{acadêmico 18}. Esses achados apoiam a visão de que níveis mais altos de sintomas de IGD podem enfraquecer o funcionamento educacional adaptativo e psicossocial.

Ao mesmo tempo, comportamentos relacionados a jogos não devem ser interpretados de forma simplista. Alguns ambientes de jogo envolvem tomada de decisões estratégicas, aprendizado baseado em feedback e desafios cognitivos, mas essas características não significam que o IGD em si seja^{benéfico 19}. No protocolo atual, a IGD é tratada apenas como moderadora estatística dos padrões de associação. Qualquer interação envolvendo a IGD é interpretada cautelosamente como uma associação condicional dentro do conjunto de dados representativo, e não como evidência clínica de que o transtorno de jogos melhora a cognição ou fortalece o funcionamento escolar.

Apesar do crescente interesse em RP, SSB, HOT e comportamento digital dos estudantes, permanece uma lacuna metodológica. Muitos estudos relatam associações entre esses construtos, mas poucos oferecem um protocolo transparente e reproduzível que ligue recrutamento de participantes, administração de pesquisas, documentação de tradução, triagem de resposta inválida, tratamento de dados faltantes, pontuação de escala, triagem de confiabilidade, triagem de viés por método comum, centralização variável e análise condicional de processos dentro de um único quadro auditável. Essa lacuna é especialmente relevante para pesquisas educacionais e comportamentais, onde os resultados podem ser difíceis de reproduzir se as regras de pré-processamento e as decisões do modelo forem apenas parcialmente reportadas.

Para suprir essa lacuna, o presente artigo de método fornece um protocolo reproduzível para conduzir uma pesquisa de autorrelato transversal e gerar resultados representativos de mediação moderada. O protocolo usa PR, SSB, HOT e IGD como exemplos aplicados, mas sua contribuição principal é metodológica, e não causal. O protocolo demonstra como construir um quadro de amostragem, administrar um questionário padronizado, traduzir e avaliar decisões de documentação, aplicar regras de triagem pré-especificadas, preparar um conjunto de dados pronto para análise e estimar os Modelos 4 e 59 condicionais do processo usando regras fixas de relatório. Comparado a abordagens menos padronizadas de análise de pesquisas, esse protocolo melhora a transparência, comparabilidade, reprodutibilidade e auditabilidade ao documentar decisões de pré-processamento e especificações do modelo antes da interpretação. Ao apresentar essas etapas como um procedimento unificado, o artigo oferece aos pesquisadores uma estrutura reprodutível para pesquisas educacionais e comportamentais sobre adaptação de estudantes universitários e desenvolvimento de HOT.

Protocolo

Este estudo foi aprovado pelo Comitê de Ética do Colégio Vocacional e Técnico Liuzhou (código de protocolo: LVTC-2024-02-879; data de aprovação: 1º de fevereiro de 2024). Obtenha consentimento informado eletrônico antes de acessar o questionário. Remova identificadores diretos antes da exportação e análise dos dados. Armazene arquivos brutos, limpos, prontos para análise, pontuação, triagem e saída em pastas de acesso restrito.

1. Recrutar participantes usando um fluxo de trabalho pré-especificado de amostragem aleatória em múltiplos estágios

1. Construa e trave o referencial institucional de amostragem
   1. Defina novos padrões de emprego como o contexto do estudo, em vez de uma exposição medida em nível de participante.
   2. Identifique instituições candidatas por meio de registros públicos de educação, sites das universidades, avisos de reforma do ensino, documentos de orientação de emprego e anúncios de currículos ou treinamentos.
   3. Incluir instituições reconhecidas como instituições de ensino superior na China continental, matricular estudantes universitários em tempo integral, manter registros verificáveis de treinamento relacionado a inteligência artificial, aprendizagem digital, preparação para a carreira, inovação ou HOT, fornecer acesso por amostragem baseado em listas e concordar com o procedimento padronizado de pesquisa online anônima.
   4. Exclua instituições sem registros de treinamento verificáveis, escalas atuais, matrícula ativa de estudantes durante o período da pesquisa ou capacidade de seguir o mesmo protocolo administrativo.
   5. Manter 32 instituições elegíveis e atribuir códigos de instituição de I-01 a I-32.
   6. Bloqueie o quadro de amostragem institucional antes da seleção aleatória. Use um quadro de amostragem pré-especificado e uma regra de seleção fixa para reduzir decisões de amostragem post hoc em pesquisas de pesquisa multisite²⁰.
2. Realizar seleção aleatória em nível institucional e estudantil
   1. Use um procedimento de número aleatório baseado em semente para seleção em nível institucional.
   2. Defina a semente aleatória para 20241007.
   3. Gerar números aleatórios para as 32 instituições elegíveis, ordenar os valores em ordem crescente e selecionar os três primeiros códigos das instituições. Selecione os códigos de instituição I-07, I-18 e I-29.
   4. Obtenha as listas atuais das turmas das três instituições selecionadas e verifique a matrícula ativa entre 7 de outubro de 2024 e 15 de novembro de 2024.
   5. Inclua estudantes em tempo integral de 18 a 25 anos que possam ler chinês, figurar na lista institucional, acessar o questionário online e fornecer consentimento informado eletrônico.
   6. Exclua estudantes com menos de 18 anos, que não estejam matriculados ativamente, estejam em intercâmbio ou licença, que não possam preencher o questionário chinês de forma independente, que tenham participado do teste piloto, que tenham recusado consentimento ou que tenham enviado questionários duplicados ou inválidos.
   7. Estratifique a lista de alunos por instituição e selecione aleatoriamente os alunos dentro de cada instituição usando o mesmo procedimento baseado em semente.
   8. Convide 860 estudantes, incluindo 286 alunos da I-07, 287 da I-18 e 287 da I-29.
      NOTA: Mantenha os procedimentos de seleção em nível institucional e estudantil fixos após a randomização. Realize qualquer substituição usando o mesmo procedimento baseado em semente.
3. Defina a janela de coleta e finalize a amostra analítica
   1. Colete dados de 7 de outubro de 2024 a 15 de novembro de 2024.
   2. Distribua o questionário para os 860 estudantes convidados por meio de conselheiros aprovados pela instituição, usando o mesmo roteiro escrito.
   3. Registre o fluxo de respostas como 860 estudantes convidados, 800 questionários devolvidos, 60 não respostas, 24 respostas inválidas excluídas e 776 casos retidos. Registrar uma taxa geral de resposta de 93,0%.
   4. Registre o fluxo em nível institucional da seguinte forma: I-07, 267 questionários devolvidos, 8 respostas excluídas e 259 casos retidos; I-18, 266 questionários devolvidos, 7 respostas excluídas e 259 casos retidos; e I-29, 267 questionários devolvidos, 9 respostas excluídas e 258 casos retidos.
   5. Aplique a hierarquia de exclusão na seguinte ordem: resposta duplicada, inconsistência de elegibilidade, tempo de conclusão, resposta linear e resposta em padrão repetido.
   6. Exclua respostas que atendam a qualquer um dos seguintes critérios: envio duplicado, inconsistência de elegibilidade, tempo de conclusão de <360 s, a mesma opção selecionada para ≥85% dos itens do Likert, ou um padrão alternado repetido em ≥15 itens consecutivos do Likert. Não use um item que faça check-up.
   7. Exclua 24 respostas inválidas, incluindo 3 respostas duplicadas, 3 inconsistências de elegibilidade, 7 exclusões no tempo de conclusão, 9 respostas lineares e 2 respostas de padrão repetido.
   8. Manter 776 casos válidos. Registre uma amostra final composta por 219 homens (28,2%) e 557 mulheres (71,8%) com idades entre 19 e 25 anos.
      NOTA: Use o fluxo amostralmente corrigido de forma consistente ao longo do manuscrito: 860 estudantes convidados, 800 questionários devolvidos, 24 respostas excluídas e 776 casos retidos.

2. Administrar o questionário usando um procedimento online padronizado

1. Prepare o questionário e documente a adaptação da linguagem
   1. Elabore cinco seções de questionários: demografia, PR, HEAT, SSB e sintomas de IGD.
   2. Use 75 itens da escala pontuada, incluindo 25 itens PR, 23 itens HOT, 18 itens SSB e 9 itens IGD.
   3. Coloque o formulário eletrônico de consentimento informado antes de todos os itens da pesquisa e exija o consentimento dos participantes antes do acesso ao questionário. Use consentimento eletrônico e respostas online desidentificadas para proteger a autonomia e a privacidade dos participantes em pesquisas comportamentais²¹.
   4. Use respostas forçadas para todos os itens da escala e variáveis demográficas analíticas.
   5. Traduza escalas de origem inglesa usando tradução direta, reconciliação, retrotradução, revisão de especialistas e verificação piloto. Aplicar procedimentos padrão de adaptação de instrumentos transculturais para preservar a equivalência semântica e^{conceitual 22}.
   6. Use dois tradutores bilíngues para frente, um tradutor independente para trás e pelo menos três revisores especialistas durante a adaptação do questionário.
   7. Realize uma verificação piloto com 30 estudantes que não estejam incluídos na amostra analítica final.
   8. Documente a fonte do item, redação original, tradução antecipada, retrotradução, redação final em chinês e justificativa da revisão na Tabela Suplementar 1.
   9. Tranque o questionário antes da administração.
      NOTA: Não mude a redação do item após o bloqueio do questionário.
2. Padronize o fluxo de trabalho administrativo entre as instituições
   1. Treine conselheiros usando o mesmo roteiro administrativo escrito.
   2. Declare que a participação é voluntária, anônima, não relacionada a notas ou avaliação, e pode ser recusada sem penalidade.
   3. Administrar o questionário online durante as reuniões de turma, sem a interpretação do conteúdo do item pelo conselheiro.
   4. Impeça que os conselheiros vejam as respostas individuais dos participantes.
   5. Registre a data de administração, código da instituição, contexto da aula, identificador do conselheiro, contagem de convites, contagem devolvida, duração da sessão e desvios do protocolo.
      NOTA: Use o mesmo procedimento de consentimento, declaração de anonimato, script administrativo e instruções de resposta em todas as instituições participantes.

3. Pontuar os instrumentos de medição usando uma estrutura de pontuação bloqueada

1. Pontuar a Escala de Resiliência Psicológica
   1. Use a Escala de Resiliência Psicológica de 25 itens revisada por Hu e Gan com base no framework^{Connor-Davidson 23}.
   2. Pontue todos os itens usando uma escala de Likert de 5 pontos e calcule a média de pontuação. Interprete notas mais altas como um recorde pessoal maior.
   3. Registre consistência interna como alfa de Cronbach = 0,958.
2. Pontue a Escala de Pensamento de Ordem Superior
   1. Use a Escala de Pensamento de Ordem Superior de 23 itens desenvolvida por Hwang e colegas²⁴.
   2. Pontue todos os itens usando uma escala de Likert de 5 pontos e calcule a média de pontuação. Interprete notas mais altas como HOT maior.
   3. Registre consistência interna como alfa de Cronbach = 0,973.
3. Pontuar a Escala de Pertencimento à Escola
   1. Use a escala chinesa de 18 itens sobre o Senso Psicológico de Filiação Escolar, revisada por Pan e colegas com base no modelo original de filiação escolar^{do Goodenow 25}.
   2. Pontuação reversa Itens 3, 6, 9, 12 e 16 usando a seguinte regra de conversão: 1 = 5, 2 = 4, 3 = 3, 4 = 2 e 5 = 1.
   3. Calcule a pontuação média após a codificação reversa. Interprete notas mais altas como SSB maior.
   4. Registre consistência interna como alfa de Cronbach = 0,838.
4. Avalie a Escala de Transtorno de Jogos na Internet
   1. Use a Escala de Transtorno de Jogos na Internet, composta por 9 itens, alinhada com o critério²⁶ do DSM-5.
   2. Pontue todos os itens usando uma escala de Likert de 5 pontos e calcule a média de pontuação. Interprete escores mais altos como sintomas de IGD mais altos, autorrelatados.
   3. Trate a IGD como um escore contínuo de sintomas, e não como um diagnóstico clínico.
   4. Registre consistência interna como alfa de Cronbach = 0,941.
5. Bloqueie e audite as decisões de pontuação
   1. Use as médias de pontuação para as quatro variáveis: PR, HOT, SSB e IGD.
   2. Use as mesmas abreviações consistentemente ao longo do protocolo e do fluxo de trabalho de análise: PR, HOT, SSB e IGD.
   3. Registre a contagem de itens, intervalo de respostas, itens codificados inversamente, direção de pontuação, regra de computação, codificação demográfica e valores de confiabilidade na Tabela Suplementar 2.
      NOTA: Avalie reversamente itens do SSB antes de calcular estatísticas descritivas, correlações, estimativas de confiabilidade ou modelos condicionais de processo.

4. Limpar o conjunto de dados e criar um arquivo pronto para análise

1. Exportar e versionar os arquivos de dados
   1. Exporte o arquivo bruto do questionário após o fechamento da pesquisa.
   2. Mantenha o arquivo bruto do questionário em formato somente leitura.
   3. Crie um arquivo de trabalho separado para procedimentos de triagem, limpeza, recodificação e pontuação.
   4. Crie o conjunto de dados final pronto para análise após aplicar exclusões, codificação reversa, cálculo de pontuação, codificação demográfica e centralização de variáveis.
2. Aplicar triagem de dados faltantes e de qualidade de resposta
   1. Verifique a ausência em nível de item no conjunto de dados submetido. Não registrou valores faltantes em nível de item porque respostas forçadas foram usadas durante a administração do questionário.
   2. Não introduza dados faltantes. O registro 0 excluiu casos por falta de dados de escala e 0 valores imputados da escala.
   3. Aplique a triagem de qualidade de resposta aos 800 questionários devolvidos utilizando os critérios de exclusão definidos no Passo 1.3.
   4. Exclua 24 respostas inválidas e mantenha 776 casos válidos para análise.
      NOTA: Use o fluxo amostral corrigido de forma consistente ao longo do protocolo e de todos os resultados representativos: 860 estudantes convidados, 800 questionários devolvidos, 24 respostas excluídas e 776 casos retidos.
3. Verificar codificação, recodificação e prontidão para análise inferencial
   1. Verifique a codificação reversa dos SSB Itens 3, 6, 9, 12 e 16 antes do cálculo da pontuação.
   2. Código gênero como 0 = masculino e 1 = feminino.
   3. Idade do código da seguinte forma: 1 = 19 anos, 2 = 20 anos, 3 = 21 anos, 4 = 22 anos, 5 = 23 anos, 6 = 24 anos e 7 = 25 anos.
   4. Use as variáveis pontuadas PR_mean, HOT_mean, SSB_mean e IGD_mean para preparação para análise.
   5. Use as variáveis centralizadas PR_c, SSB_c e IGD_c para análises de interação.
      NOTA: Complete os procedimentos de exclusão, codificação reversa, codificação demográfica, cálculo de pontuação e centralização de variáveis antes da análise inferencial.

5. Realizar as análises estatísticas usando um fluxo de trabalho pré-especificado

1. Grave e bloqueie o ambiente de análise
   1. Use um ambiente estatístico que suporte regressão, mediação bootstrapped, mediação moderada e sondagem de interação.
   2. Use um macro, pacote ou procedimento baseado em sintaxe documentado para análise condicional de processos, capaz de estimar modelos de mediação e mediação moderada.
   3. Use o Modelo 4 para mediação e o Modelo 59 para mediação moderada. Aplicar análise condicional de processos para estimar mediação, moderação e mediação moderada em modelos baseados em^{regressão 27}.
   4. Defina a estimativa bootstrap para 5.000 reamostras corrigidas por viés com intervalos de confiança de 95%. Use intervalos de confiança bootstrap para estimação de efeitos indiretos, pois a distribuição amostral dos efeitos indiretos é frequentemente não normal^{de 28}.
   5. Variáveis focais contínuas do centro médio antes de construir termos de interação: PR_c = PR_mean − média(PR_mean), SSB_c = SSB_mean − média(SSB_mean), e IGD_c = IGD_mean − média(IGD_mean).
   6. Use PR_c × IGD_c para os caminhos moderados PR → SSB e PR → HOT. Use SSB_c × IGD_c para o caminho SSB moderado → HOT.
   7. Defina IGD baixo, médio e alto como média − 1 DS, média e média + 1 DS.
   8. Insira idade e gênero como covariáveis usando o esquema de codificação travado.
   9. Use a mesma escala de coeficientes, regra do intervalo de confiança, regra de centralização, codificação de covariáveis e numeração de modelos em todas as análises.
      NOTA: Use o Modelo 59, e não o Modelo 1, para a análise de mediação moderada.
2. Rastreio para viés comum de método
   1. Use os itens pontuados 75 da escala da PR, HOT, SSB e IGD para triagem de viés por método comum.
   2. Realize o teste de fator único de Harman usando análise fatorial exploratória não rotacionada.
   3. Registre o número de fatores com autovalores maiores que 1, a variância cumulativa explicada e a variância explicada pelo primeiro fator não rotacionado.
   4. No conjunto de dados representativo, registram nove fatores com autovalores maiores que 1, variância cumulativa explicada de 65,322% e variância do primeiro fator explicada de 32,412%.
   5. Trate o teste de fator único de Harman como um procedimento preliminar de triagem, e não como um teste definitivo para eliminar viés comum no método. Interprete o teste de Harman com cautela, pois ele sozinho não é suficiente para descartar o viés de medição^{da mesma fonte 29}.
   6. Revise a matriz de correlação interconstruto e os diagnósticos de colinearidade como verificações suplementares para variância compartilhada excessiva.
   7. Interprete a triagem de viés de método comum à luz do desenho de autorrelato transversal.
      NOTA: Interprete a triagem do viés do método comum com cautela, pois todas as variáveis principais são autorrelatadas e medidas em um único momento.
3. Gerar estatísticas descritivas e correlações
   1. Calcule médias e desvios padrão para PR, HOT, SSB e IGD usando o conjunto de dados final pronto para análise.
   2. Gerar estatísticas descritivas por código de gênero e idade usando as regras de codificação travadas.
   3. Calcule correlações de Pearson entre PR, HOT, SSB e IGD.
   4. Resuma as características da amostra e as estatísticas descritivas usando a amostra analítica final.
   5. Resuma a matriz de correlação de Pearson para as quatro variáveis principais.
   6. Confirme que estatísticas descritivas e correlações se baseiam na amostra analítica final de n = 776.
   7. Aplique a mesma codificação de gênero e idade usada no Protocolo e na Tabela Suplementar 2.
      NOTA: Use o mesmo conjunto de dados final, direções de pontuação e regras de codificação demográfica para todos os resultados descritivos e de correlação.
4. Execute o modelo de mediação
   1. Especifique o Modelo 4 no procedimento de processo condicional.
   2. Defina PR como variável independente, SSB como mediador e HOT como variável dependente.
   3. Inclua idade e gênero como covariáveis.
   4. Use 5.000 reamostras bootstrap corrigidas por viés com intervalos de confiança de 95%.
   5. Execute o modelo usando o conjunto de dados final pronto para análise de n = 776.
   6. Extraia o coeficiente, erro padrão, valor t, valor p, intervalo de confiança e resumo do modelo para as equações SSB e HOT.
   7. Extraia o efeito total, efeito direto, efeito indireto, erro padrão do bootstrap e intervalo de confiança do bootstrap.
   8. Interprete o resultado da mediação como mediação estatística dentro de um modelo de associação transversal. Não interprete a mediação transversal como evidência de ordenação temporal ou transmissão^{causal 30}.
      NOTA: Use B para coeficientes não padronizados e β apenas para coeficientes padronizados.
5. Execute o modelo de mediação moderada
   1. Especifique o Modelo 59 no procedimento de processo condicional.
   2. Defina PR como variável independente, SSB como mediador, HOT como variável dependente e IGD como moderador.
   3. Inclua idade e gênero como covariáveis.
   4. Use as variáveis centralizadas e os termos de interação definidos no Passo 5.1.
   5. Use 5.000 reamostras bootstrap corrigidas por viés com intervalos de confiança de 95%.
   6. Execute o modelo usando o conjunto de dados final pronto para análise de n = 776.
   7. Extraia o coeficiente de interação para PR × IGD que prevê SSB.
   8. Extraia o coeficiente de interação para PR × IGD que predigam HOT.
   9. Extraia o coeficiente de interação para SSB × IGD que prevê HOT.
   10. Extrair efeitos condicionais em níveis baixos, médios e altos de IGD, definidos como média − 1 DS, média e média + 1 DS.
   11. Extraia os efeitos indiretos condicionais da PR sobre o HOT através do SSB em níveis baixos, médios e altos de IGD.
   12. Extraia o índice de mediação moderada e seu intervalo de confiança bootstrap.
   13. Gerar gráficos de inclinação simples usando os mesmos valores IGD baixos, médios e altos usados para os efeitos condicionais.
       NOTA: Use o Modelo 59, e não o Modelo 1, para a análise de mediação moderada.
6. Aplicar regras consistentes de decisão inferencial
   1. Use o mesmo conjunto de abreviações durante toda a análise: PR, HOT, SSB e IGD.
   2. Use o Modelo 4 para mediação e o Modelo 59 para mediação moderada.
   3. Reporte coeficientes não padronizados como B e coeficientes padronizados como β somente quando estimativas padronizadas forem geradas.
   4. Use intervalos de confiança de 95% como regra de decisão para efeitos indiretos bootstrap, efeitos indiretos condicionais e o índice de mediação moderada.
   5. Trate um efeito como estatisticamente suportado quando o intervalo de confiança relevante de 95% não inclui zero.
   6. Reporte valores p exatos quando disponíveis, exceto valores abaixo de 0,001, que são reportados como p < 0,001.
   7. Aplique formatação de um decimal de forma consistente a todas as saídas estatísticas.
      NOTA: Mantenha o tamanho da amostra, a regra de centralização, a notação dos coeficientes, o número do modelo e a regra do intervalo de confiança consistentes em todas as análises.

Resultados

Características da amostra e padrões preliminares de variáveis
O fluxo de trabalho gerou com sucesso um registro completo de fluxo amostral antes da modelagem estatística. Como mostrado na Tabela 1, um total de 860 estudantes foram convidados durante a janela de coleta de dados pré-especificada, e 800 questionários foram devolvidos, resultando em uma taxa geral de resposta de 93,0%. Após a triagem de qualidade da resposta, 24 respostas inválidas foram...

Discussão

Este artigo de método apresenta um fluxo de trabalho reproduzível de pesquisa para análise para examinar padrões de mediação baseada em associação e moderação entre sintomas de PR, SSB, HOT e IGD em estudantes universitários. A principal contribuição do fluxo de trabalho é metodológica, e não causal, pois o protocolo demonstra como um conjunto de dados de autorrelato transversal pode ser coletado, triado, pontuado, documentado e analisado por meio de uma sequência transparente de procedi...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Instituições; códigos I-01 a I-32	Equipe de estudo	N/A	Travado antes da seleção aleatória e usado para randomização em nível institucional.
Registro institucional de triagem	Equipe de estudo	N/A	Critérios documentados de elegibilidade institucional, documentos fonte, decisões de elegibilidade e códigos instituitários.
Escala de Transtorno de Jogos na Internet	Lemmens, Valkenburg e Gentile (2015), A Escala de Transtorno de Jogos na Internet, Psychological Assessment, 27(2), 567–582. doi:10.1037/pas0000062	N/A	Escala de 9 itens alinhada aos critérios do DSM-5 e usada como uma medida contínua de sintomas de IGD autorrelatada, em vez de um diagnóstico clínico.
Saída do modelo de mediação	Equipe de estudo	Saída do Model 4	Saída para o modelo de mediação com PR como X, SSB como M e HOT como Y.
Saída do modelo de mediação moderada	Equipe de estudo	Saída do Modelo 59	Resultado para o modelo de mediação moderada com IGD moderando a PR & rarr; SSB, PR & RARR; HOT, e SSB & rarr; Caminhos QUENTES.
Plataforma de questionários online	Wenjuanxing / Estrela do Questionário	N/A	Plataforma de pesquisa baseada na web utilizada para consentimento eletrônico e informado, administração de questionários online, configurações de resposta forçada e exportação de dados de pesquisas.
Histórico de pilotagem	Equipe de estudo	N/A	O registro piloto-check de 30 alunos é usado para avaliar clareza, compreensão, carga de conclusão e funcionamento da plataforma. Os participantes piloto não foram incluídos na amostra analítica final.
Escala de Resiliência Psicológica	Revisão de Hu e Gan baseada no framework Connor-Davidson	N/A	Escala de 25 itens usada para medir resiliência psicológica. As respostas foram pontuadas em uma escala de Likert de 5 pontos e calculadas como médias de pontuações.
Escala de Senso Psicológico de Associação Escolar	Versão revisada chinesa baseada em Goodenow' Estrutura de Membros Escolares	N/A	Escala de 18 itens usada para medir a pertença à escola. Os itens 3, 6, 9, 12 e 16 foram avaliados inversamente antes do cálculo da média de pontuação.
Procedimento de randomização	Equipe de estudo	Semente aleatória: 20241007	Usado para seleção aleatória em nível institucional e estudantil por meio de um procedimento baseado em semente e número aleatório.
Conjunto bruto de pesquisas	Equipe de estudo	Raw_Survey_NEP_2024_800returned_locked.xlsx	Conjunto de dados bruto exportado contendo 800 questionários retornados antes da exclusão por qualidade de resposta.
Registro de triagem de qualidade de resposta	Equipe de estudo	N/A	Documentaram 24 respostas excluídas, incluindo respostas duplicadas, inconsistências de elegibilidade, exclusões no tempo de conclusão, respostas em linha reta e respostas com padrão repetido.
Regras de triagem de qualidade de resposta	Equipe de estudo	N/A	Os critérios de exclusão incluíram envio duplicado, inconsistência de elegibilidade, prazo de conclusão < 360 s, mesma opção selecionada para ≥ 85% dos itens Likert, e padrões alternados repetidos em ≥ 15 itens consecutivos de Likert.
Saída de confiabilidade em escala	Equipe de estudo	N/A	Reporte de saída Cronbach' valores alfa de s para PR, HOT, SSB e IGD.
Arquivo de referência de pontuação e codificação	Equipe de estudo	Tabela Suplementar 2	Documenta a contagem de itens, intervalo de respostas, itens codificados reversamente, direção da pontuação, cálculo de média de pontuação, codificação demográfica e valores de confiabilidade.
Registro de administração de sessões	Equipe de estudo	N/A	Data registrada da administração, código da instituição, contexto da turma, identificador do conselheiro, contagem de convites, contagem retornada, duração da sessão e desvios.
Software estatístico	IBM Corp.	IBM SPSS Statistics, versão 27.0	Usado para estatística descritiva, correlações, análise de confiabilidade, análise fatorial exploratória, regressão, mediação e análises de mediação moderada.
Registro de randomização dos alunos	Equipe de estudo	Semente aleatória: 20241007	Seleção aleatória estratificada documentada em nível estudantil dentro das três instituições selecionadas.
Tabela Suplementar 1	Equipe de estudo	Registro de tradução e adaptação	Fonte do item do documento, redação original, tradução antecipada, tradução retrocedora, redação final em chinês, revisão de especialistas, feedback do piloto e justificativa da revisão.
Tabela Suplementar 2	Equipe de estudo	Regras de pontuação e codificação	Regras de pontuação de documentos, codificação reversa, codificação demográfica, abreviações variáveis e valores de confiabilidade.
Registro de tradução e adaptação	Equipe de estudo	Tabela Suplementar 1	Documentos encaminham tradução, reconciliação, retrotradução, revisão de especialistas, verificação de pilotos e redação final em chinês.
Sistema operacional Windows	Microsoft Corp.	Windows 11 Pro, 64 bits	Sistema operacional usado para análise estatística e geração de saída.