Uma Pesquisa e Protocolo para Avaliar a Experiência de Aprendizagem Online, Necessidades Psicológicas Básicas e Engajamento de Aprendizagem em Estudantes Universitários

Resumo

Esse protocolo oferece um trabalho de pesquisa reprodutível e modelagem estrutural de equações parciais de mínimos quadrados para avaliar caminhos de associação entre experiências de aprendizagem online, necessidades psicológicas básicas e engajamento em estudantes universitários, incluindo adaptação a questionários, triagem, avaliação de medição, testes de associação indireta, verificações de robustez e registros de reprodutibilidade.

Resumo

O ensino online está incorporado ao ensino superior, mas as avaliações frequentemente dependem de indicadores de acesso, satisfação ou conclusão que não identificam onde surgem problemas de engajamento. Este artigo apresenta uma pesquisa reprodutível em inglês e um protocolo de modelagem estrutural de equações parciais de mínimos quadrados para avaliar caminhos de associação entre experiência de aprendizagem online, necessidades psicológicas básicas e engajamento de aprendizagem em estudantes universitários. A experiência de aprendizagem online é medida pela usabilidade da plataforma, suporte instrucional, qualidade da interação e flexibilidade de aprendizagem; necessidades psicológicas básicas por meio da autonomia, competência e relação; e engajamento de aprendizagem por meio do engajamento comportamental, cognitivo e emocional. O fluxo de trabalho especifica mapeamento item-fonte, adaptação de questionários, revisão de especialistas, testes piloto, consentimento eletrônico, triagem de elegibilidade, verificações de qualidade de resposta, pontuação de construtos, diagnósticos de viés por métodos comuns, estimativa de construtos de ordem superior, avaliação de modelos de medição, testes de vias estruturais, análise de associação indireta, análise de sensibilidade por necessidades psicológicas, verificações de robustez baseadas em regressão e bloqueio de arquivos de reprodutibilidade. Resultados representativos de 386 respostas válidas demonstram confiabilidade aceitável, correlações moderadas de construtos, qualidade de medição retida, associação indireta apoiada por necessidades psicológicas básicas, caminhos de controle não significativos e escores de dimensão desigual. O protocolo apoia um diagnóstico transparente de como a experiência de aprendizagem online está associada à satisfação e engajamento das necessidades psicológicas, evitando a interpretação causal a partir de dados de pesquisas transversais.

Introdução

O ensino online tornou-se parte do ensino superior rotineiro por meio de sistemas de gestão de aprendizagem, plataformas de vídeo, materiais gravados, sessões síncronas e projetos de cursos híbridos. No entanto, muitas avaliações ainda dependem de logs de acesso, avaliações de satisfação ou indicadores de conclusão, que mostram se os alunos usaram um curso online, mas não esclarecem se menor engajamento está associado à usabilidade da plataforma, suporte instrucional, qualidade da interação, flexibilidade de aprendizagem, satisfação psicológica das necessidades ou uma dimensão específica de^{engajamento 1}. Portanto, a experiência de aprendizado online não deve ser reduzida a uma única pontuação de satisfação. Pesquisas anteriores de engajamento online enfatizam a interação entre conteúdo do aprendiz, do aprendiz-instrutor e do aprendiz como elementos importantes da experiência de aprendizagem online^{dos alunos 2}. O protocolo atual mede a experiência de aprendizagem online por meio da usabilidade da plataforma, suporte instrucional, qualidade da interação e flexibilidade de aprendizagem.

O engajamento na aprendizagem também é multidimensional. Inclui participação comportamental, investimento cognitivo e envolvimento emocional. Instrumentos de engajamento em cursos online mostram que o engajamento não pode ser totalmente representado apenas pela participação visível ou pela conclusão^{de tarefas 3}. Pesquisas mais amplas em tecnologia educacional também mostram que o engajamento comportamental é frequentemente mais fácil de observar do que o engajamento cognitivo^{ou afetivo 4}. Por essa razão, o protocolo mede o engajamento na aprendizagem por meio do engajamento comportamental, cognitivo e emocional, em vez de colapsar o engajamento em uma única pontuação não diferenciada.

A teoria da autodeterminação fornece a base teórica para vincular a experiência de aprendizagem online ao engajamento na aprendizagem. A teoria da necessidade psicológica básica identifica autonomia, competência e parentesco como condições centrais para motivação e ajuste⁵. No ensino online, autonomia refere-se à escolha e controle percebidos, competência à capacidade percebida na realização de tarefas de aprendizagem e relação com a conexão sentida com instrutores e colegas. Estudos anteriores de aprendizado online usando a teoria da autodeterminação vincularam suporte contextual, satisfação de necessidades, motivação e engajamento ^6,7. Esses achados apoiam a análise das necessidades psicológicas básicas como um construto de associação indireta entre experiência de aprendizagem online e engajamento na aprendizagem, evitando interpretação causal porque os dados são transversais.

Um problema metodológico na pesquisa de engajamento online é a falta de uma estrutura operacional consistente. Os estudos variam na forma como definem condições de aprendizagem, medem o engajamento e conectam o ambiente de aprendizagem à experiência psicológica dos^{alunos 8}. Pesquisas de autorrelato também são vulneráveis a respostas descuidadas, respostas padronizadas, exclusões post hoc, decisões com dados perdidos e viés comum^{de método 9}. Portanto, esse protocolo fixa a estrutura do questionário em inglês, o mapeamento de fonte de items, as regras de pontuação, o procedimento de consentimento eletrônico, a triagem de elegibilidade, a regra de verificação de atenção, o limite de tempo de conclusão, o critério de linha reta, a verificação de resposta em longa cadeia, o tratamento de dados faltantes, a especificação do modelo e o procedimento de bloqueio de conjunto de dados antes do início da análise estrutural.

O arcabouço conceitual especifica a experiência de aprendizagem online como o construto independente, as necessidades psicológicas básicas como o construto de associação indireta e o engajamento de aprendizagem como o construto do resultado. O caminho principal avalia se a experiência de aprendizagem online está associada a necessidades psicológicas básicas, se necessidades psicológicas básicas estão associadas ao engajamento na aprendizagem e se a experiência de aprendizagem online permanece diretamente associada ao engajamento após considerar necessidades psicológicas básicas. O protocolo é guiado por quatro questões de pesquisa: se o protocolo de pesquisa estruturada pode medir os três construtos com qualidade de resposta aceitável e confiabilidade do construto; se a experiência de aprendizagem online está positivamente associada a necessidades psicológicas básicas e engajamento na aprendizagem; se a associação entre experiência de aprendizagem online e engajamento com aprendizagem é parcialmente realizada por necessidades psicológicas básicas como uma associação indireta; e se análises de subdimensões por necessidades psicológicas e verificações de robustez baseadas em regressão suportam a mesma interpretação do fluxo de trabalho primário PLS-SEM.

Este artigo é apresentado como uma contribuição focada em métodos, em vez de um estudo transversal explicativo convencional. O protocolo oferece um fluxo de trabalho reproduzível para adaptação de questionários, revisão de especialistas, testes piloto, administração de pesquisas, triagem de respostas, pontuação de construtos, avaliação de modelos de medição, testes de vias estruturais, análise de associação indireta, análise de sensibilidade, verificação de robustez e bloqueio de arquivos de reprodutibilidade. Fluxos de trabalho transparentes em pesquisa educacional exigem que decisões analíticas sejam documentadas antes da interpretação final do^{modelo 10}. A modelagem estrutural de equações parciais de mínimos quadrados é usada porque permite que componentes de medição e estrutural sejam examinados dentro de um único fluxo de trabalho, com construtos reflexivos de primeira ordem e pontuações de construtos de ordem superior derivadas analiticamente por meio de uma abordagem disjunta de dois^{estágios 11}. Trabalhos anteriores sobre engajamento estudantil online, presença social, apoio ao aprendiz e retenção mostram que comunicação, apoio, conexão e design inclusivo de cursos importam além do simples acesso ou^{flexibilidade 12,13}. Revisões sistemáticas indicam ainda que o engajamento comportamental, cognitivo e emocional pode responder de forma diferente às condições de aprendizagem^{online 14}. Portanto, resultados representativos são usados apenas para demonstrar o resultado do protocolo, não para alegar efeitos causais a partir de dados de levantamento transversal¹⁵.

Protocolo

O protocolo do estudo foi revisado e aprovado pelo Comitê de Ética em Pesquisa (Não Médico) da Universidade da Malásia sob o número de aprovação UM. TNC (P&I)/UMREC_4892 em 7 de agosto de 2025. Conduzir todos os procedimentos de acordo com as diretrizes institucionais para pesquisas envolvendo participantes humanos. Obtenha consentimento informado eletrônico antes de administrar o questionário. Use códigos anônimos de participantes durante recrutamento, triagem, pontuação, análise e armazenamento de arquivos. As ferramentas e softwares de pesquisa estão listados na Tabela de Materiais.

1. Definir o desenho do estudo e o quadro analítico

1. Use um desenho de pesquisa quantitativa transversal para avaliar os caminhos de associação entre experiência de aprendizagem online, necessidades psicológicas básicas e engajamento de aprendizagem em estudantes universitários.
2. Defina a experiência de aprendizagem online como o construto latente independente, necessidades psicológicas básicas como o construto latente de associação indireta, e engajamento de aprendizagem como o construto latente do resultado.
3. Especifique as três construções multidimensionais antes da coleta de dados. Representar a experiência de aprendizagem online por meio da usabilidade da plataforma, suporte instrucional, qualidade da interação e flexibilidade de aprendizagem; necessidades psicológicas básicas por necessidade de autonomia, necessidade de competência e necessidade de relacionamento; e engajamento na aprendizagem por meio do engajamento comportamental, cognitivo e emocional.
4. Use modelagem estrutural de equações parciais de mínimos quadrados como método analítico principal para avaliar a qualidade da medição, pontuações de construtos de ordem superior, caminhos estruturais e o caminho indireto pré-especificado.
5. Especifique o caminho principal antes da análise: experiência de aprendizagem online → necessidades psicológicas básicas, necessidades psicológicas básicas → engajamento na aprendizagem e experiência de aprendizagem online → engajamento na aprendizagem.
6. Trate todos os caminhos estruturais como estimativas de associação. Não interprete nenhum caminho como causal porque todas as variáveis são medidas em um único ponto temporal. Realize uma verificação prévia do tamanho da amostra e do poder antes do recrutamento. Use pelo menos 380 respostas válidas como amostra-alvo e 350 respostas válidas como a amostra mínima aceitável após a triagem.
7. Apresente o fluxo de trabalho do protocolo na Figura 1, incluindo recrutamento, consentimento, administração de questionários, revisão de especialistas, testes piloto, triagem de respostas, bloqueio de conjuntos de dados, avaliação de medição, testes estruturais, análise de associações indiretas, verificação de robustez e preparação de arquivos de reprodutibilidade.
   NOTA: Mantenha o modelo conceitual e os caminhos estruturais inalterados, desde a construção do questionário até a análise final.

Figura 1: Fluxo operacional de trabalho para avaliar experiências de aprendizagem online, necessidades psicológicas básicas e engajamento na aprendizagem. A figura mostra o fluxo de trabalho do protocolo desde recrutamento, consentimento, administração do questionário, revisão de especialistas, testes piloto, triagem de respostas e bloqueio de conjuntos de dados até avaliação de medição, testes estruturais, análise de associações indiretas, verificação de robustez e preparação de arquivos de reprodutibilidade. Por favor, clique aqui para ver uma versão ampliada desta figura.

2. Recrutar participantes elegíveis

1. Recrute estudantes universitários que tenham participado de pelo menos um curso online ou misto durante o semestre acadêmico atual ou mais recente.
2. Inclua participantes com 18 anos ou mais, atualmente matriculados como estudantes de graduação ou pós-graduação, expostos a aprendizagem online ou híbrida, capazes de ler o questionário em inglês e dispostos a fornecer consentimento eletrônico informado.
3. Exclua respostas quando o consentimento não é confirmado, os critérios de elegibilidade não são atendidos, o item de verificação de atenção falha, a submissão duplicada é detectada, o tempo de conclusão está abaixo do limite pré-especificado, é detectada linha reta ou há inconsistência de elegibilidade não resolvida.
4. Recrute participantes por meio de plataformas universitárias de aprendizagem, grupos de comunicação de cursos, listas de e-mails estudantis e canais institucionais para estudantes.
5. Não colete identificadores diretos, incluindo nomes, números de identificação de estudantes, números de telefone, endereços de e-mail privados, endereços residenciais exatos, endereços IP, identificadores de dispositivo ou identificadores de conta.
6. Registre datas de recrutamento, canais de recrutamento, respostas enviadas, contagens de exclusão por categoria, respostas retidas, e o tamanho final válido da amostra no registro de trabalho de campo e no registro de triagem.
   PONTO DE PAUSA: Verifique o progresso do recrutamento semanalmente. Revise apenas a contagem de respostas, a cobertura do canal de recrutamento e a taxa preliminar de exclusões. Não inspecione escores de construtos, correlações ou estimativas de caminhos durante o recrutamento.

3. Construir o questionário

1. Prepare um questionário estruturado em inglês com consentimento eletrônico e informado, triagem de elegibilidade, informações de antecedentes dos participantes, itens da escala substantiva e um item de verificação de atenção baseado em instruções.
2. Use uma escala de resposta de Likert de 5 pontos para todos os itens substantivos: 1 = discordar fortemente, 2 = discordar, 3 = neutro, 4 = concordar e 5 = concordar fortemente.
3. Adapte itens de experiência de aprendizagem online a partir de medidas anteriores de percepção de aprendizagem online, suporte instrucional, qualidade da interação, usabilidade da plataforma e flexibilidade de aprendizagem. Adapte itens básicos de necessidades psicológicas a partir de medidas estabelecidas de autonomia, competência e relacionamento. Adapte os itens de engajamento de aprendizagem a partir de medidas comportamentais, cognitivas e emocionais estabelecidas.
4. Revise apenas a redação dos itens para se adequar aos contextos universitários online e de aprendizagem mista. Use palavras claras e não orientadoras e evite palavras que impliquem alta satisfação, alta satisfação das necessidades psicológicas ou alto engajamento esperado.
5. Prepare uma tabela de mapeamento de fontes de itens antes dos testes piloto. Registre código de item, construção, dimensão, redação adaptada, base de fonte, nota de adaptação, linguagem do questionário e direção de pontuação para cada item substantivo.
6. Use 33 itens substantivos da escala Likert: 12 para experiência de aprendizagem online, nove para necessidades psicológicas básicas e 12 para engajamento na aprendizagem. Use três itens para cada dimensão de experiência de aprendizagem online, três itens para cada dimensão de necessidade psicológica básica e quatro itens para cada dimensão de engajamento de aprendizagem.
7. Coloque um item de checagem de atenção baseado em instruções após o bloco de necessidades mentais básicas. Use este item apenas para triagem de qualidade de resposta e exclua-o da pontuação de construtos, análise de confiabilidade, análise de validade, estimativa PLS-SEM, testes de associação indireta e análise de robustez.
8. Mantenha o tempo esperado de conclusão do questionário entre 8 e 12 minutos durante os testes piloto. Use a Tabela 1 para documentar domínios de construção, dimensões, códigos de item, número de itens, escala de resposta, direção de pontuação e base de adaptação. Use o Arquivo Suplementar 1 para fornecer o questionário completo, mapeamento de fonte de item, codificação variável e regras de pontuação.
   NOTA: Mantenha os itens preditores, de associação indireta e de resultado conceitualmente distintos.

Tabela 1: Construa domínios, dimensões, estrutura do questionário e regras de pontuação. Esta tabela resume a estrutura do questionário, incluindo domínios e dimensões de construto, códigos e números de items, exemplos de itens, base de adaptação, escala de resposta e regras de pontuação. O item de verificação de atenção é identificado como um item apenas de triagem. Por favor, clique aqui para baixar esta Tabela.

4. Realizar revisão de especialistas e testes piloto

1. Convide de três a cinco especialistas em psicologia educacional, aprendizagem online, metodologia quantitativa, pesquisa em ensino superior ou design de pesquisas para revisarem o questionário.
2. Peça a especialistas que avaliem a clareza dos itens, construam relevância, redundância de redação, carga de resposta, adequação cultural, clareza linguística e alinhamento entre cada item e sua dimensão atribuída.
3. Registre os resultados da revisão de especialistas em um registro de revisão de itens, incluindo redação original, preocupação do revisor, decisão de revisão, redação final e motivo de retenção, revisão ou remoção.
4. Revise itens que sejam ambíguos, de forma dupla, excessivamente semelhantes, culturalmente inadequados, fracamente alinhados com a dimensão-alvo ou inconsistentes com o contexto da pesquisa em inglês.
5. Realizar um teste piloto com 30–50 estudantes universitários que atendam aos mesmos critérios de elegibilidade do estudo principal. Peça aos participantes do piloto que identifiquem palavras pouco claras, problemas técnicos na exibição, comprimento excessivo, redação repetitiva ou desconforto causado por qualquer item do questionário.
6. Registre o tempo de conclusão do piloto para cada participante. Defina o limite mínimo de tempo de conclusão do estudo formal como o valor maior entre 3 min e um terço do tempo mediano de conclusão do piloto.
7. Calcule a consistência interna preliminar para cada construto e inspecione as correlações entre o total de itens após o teste piloto. Revise ou remova itens fracos apenas quando a exclusão melhora a qualidade da medição e não enfraquece a cobertura do construto.
8. Finalize e bloqueie o questionário, o livro de códigos, o mapeamento de origem do item, o registro de revisão de especialistas, o registro do teste piloto, o limite de tempo de conclusão, a regra de verificação de atenção, a regra de detecção de duplicados e os critérios de exclusão antes do recrutamento formal.
   PONTO DE PAUSA: Não inicie o recrutamento formal até que todos os questionários, arquivos de triagem e codificação estejam bloqueados.

5. Administrar o questionário online

1. Construa o questionário em um sistema de pesquisa online que suporte participação anônima, confirmação de consentimento, triagem de elegibilidade, configurações de resposta obrigatória, registro do tempo de resposta, restrição de envio duplicado não identificado, posicionamento de atenção e exportação de planilhas.
2. Coloque consentimento eletrônico informado antes dos itens da triagem de elegibilidade e do questionário. Permitir que os participantes prossigam somente após confirmar a participação voluntária e apresentem o objetivo do estudo em linguagem neutra. Afirme que o estudo examina as percepções dos alunos sobre a aprendizagem online, satisfação das necessidades psicológicas e engajamento na aprendizagem.
3. Defina consentimento, perguntas de elegibilidade e todos os 33 itens substantivos da escala Likert como campos obrigatórios. Desative os campos para informações de identificação direta. Não solicite nomes, números de alunos, números de telefone, endereços de e-mail privados, endereços residenciais exatos, endereços IP, identificadores de dispositivo ou identificadores de conta.
4. Permitir que os participantes saiam do questionário antes da submissão final sem penalidade. Restrinja submissões repetidas apenas por meio de configurações de plataforma de pesquisa não identificáveis quando disponíveis. Mantenha o questionário aberto por 4 a 6 semanas. Monitore as contagens de respostas duas vezes por semana e registre o progresso do recrutamento no registro de trabalho de campo.
   NOTA: Não forneça feedback pessoal após o envio do questionário.

6. Exportar e proteger os dados brutos

1. Exporte todas as respostas enviadas em formatos .xlsx e .csv imediatamente após o encerramento do recrutamento.
2. Salve um arquivo de .xlsx inalterado como RawData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsx e um arquivo de .csv não alterado como RawData_OnlineLearning_BPN_Engagement_YYYYMMDD.csv.
3. Crie uma cópia funcional para triagem, codificação e análise. Diga WorkingData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsx. Atribua a cada resposta enviada um código de participante anônimo nos formatos P001, P002, P003, e assim por diante.
4. Armazene o conjunto bruto em uma pasta somente leitura e crie um checksum, registro de versão do arquivo ou histórico institucional de versões antes do início da triagem.
5. Preserve o arquivo bruto de registros submetidos e metadados de triagem desidentificados na pasta protegida de verificação institucional. Não inclua registros brutos excluídos, informações diretamente identificáveis ou dados brutos em nível de participante no manuscrito ou nos arquivos suplementares submetidos para publicação.
   PONTO DE PAUSA: Não inicie a triagem até que o arquivo .xlsx bruto, o arquivo .csv bruto, o log de trabalho de campo, o registro de versão de dados brutos e a pasta protegida de dados brutos tenham sido salvos.

7. Filtrar as respostas e aplicar regras de exclusão

1. Aplique todas as regras de exclusão antes de examinar correlações de construtos, saída de modelos de medição, caminhos estruturais ou estimativas de associação indireta. Remova respostas sem confirmação de consentimento ou sem idade, matrícula, exposição ao ensino online ou elegibilidade para questionário e idioma.
2. Remova respostas duplicadas de acordo com a regra pré-especificada de detecção de duplicados. Identifique possíveis duplicatas apenas por meio de flags duplicados não identificáveis da plataforma de pesquisa e informações anônimas de padrões de resposta. Manter a resposta completa mais antiga quando respostas duplicadas forem identificadas.
3. Remova as respostas que não correspondem ao item de verificação de atenção baseada em instruções ou que estejam concluídas abaixo do limite mínimo de conclusão do estudo formal. Defina linha reta como selecionar a mesma opção de resposta para pelo menos 90% dos 33 itens substantivos da escala Likert. Remova respostas que atendam a esse critério.
4. Sinalize padrões de resposta de longa string quando a mesma opção de resposta for selecionada para^{r 2}0 ou mais itens substantivos consecutivos na escala Likert. Remova respostas sinalizadas apenas quando também mostrarem tempo de conclusão improvavelmente curto, falha na verificação de atenção, linha reta ou outra violação de qualidade pré-especificada.
5. Sinalize respostas inconsistentes em segundo plano quando o participante relatar não ter exposição online ou em aprendizagem híbrida, mas reportar horas semanais de aprendizado online acima de zero. Remova respostas com inconsistência de elegibilidade não resolvida.
6. Registre cada caso excluído em um registro de triagem desidentificado com código anônimo do participante, categoria de exclusão, motivo de exclusão, data de triagem e decisão de triagem.
7. Use a Tabela 2 para documentar respostas enviadas, categorias de exclusão, contagens de exclusões, respostas retidas e o tamanho final válido da amostra. Se as contagens brutas de exclusão não puderem ser reconstruídas para o conjunto de dados representativo, declare isso explicitamente.
   NOTA: Exclua casos apenas de acordo com regras pré-especificadas de consentimento, elegibilidade, duplicado, verificação de atenção, tempo de conclusão, padrão de resposta, falta ou consistência. Não comece a programar até que o conjunto de dados bruto, o conjunto de dados limpo, o log de triagem, o arquivo de regra de exclusão, o log de trabalho de campo e o registro de versão do conjunto de dados tenham sido salvos separadamente e bloqueados.

Tabela 2: Triagem de resposta, regras de exclusão e decisões de manejo de dados. Esta tabela resume as regras de triagem pré-especificadas e as decisões de manejo de dados para consentimento, elegibilidade, respostas duplicadas, verificação de atenção, tempo de conclusão, verificações de padrão de resposta, falta e bloqueio de conjuntos de dados. Regras de exclusão são aplicadas antes de examinar correlações de construtos, saída de modelos de medição, caminhos estruturais ou estimativas de associação indireta. Cada resposta excluída é registrada em um registro de triagem desidentificado usando o código anônimo do participante, categoria de exclusão, motivo de exclusão, data de triagem e decisão de triagem. Por favor, clique aqui para baixar esta Tabela.

8. Lidar com dados ausentes

1. Evite a ausência de valores em perguntas de consentimento, elegibilidade e nos 33 itens substantivos da escala Likert definindo esses campos conforme exigido no sistema de pesquisa. Inspecione o conjunto de dados limpo para valores ausentes após a triagem.
2. Trate valores ausentes em variáveis opcionais de fundo como "não reportados". Não incumba variáveis demográficas ou de fundo opcionais.
3. Exclua uma variável de fundo da análise de covariadas se sua taxa de ausência exceder 10%. Manter uma variável de fundo como covariável apenas quando sua taxa de ausência for de 10% ou menor e a variável for teoricamente relevante.
4. Não impute valores ausentes nos 33 itens substantivos da escala de Likert. Se a falta de item substantivo for detectada apesar das configurações de resposta necessária, identifique se o problema é causado pela exportação da pesquisa, lógica da pesquisa ou tratamento incompleto da submissão antes de finalizar o conjunto de dados limpo.
   NOTA: Registre a verificação dos dados faltantes. Informe o número de valores faltantes e a taxa de ausência para código participante, variáveis de fundo, itens substantivos na escala Likert, pontuações dimensionais e pontuações globais de construto.

9. Programe variáveis e calcule pontuações

1. Codifica todos os itens substantivos da escala Likert de 1 a 5: 1 = discordar fortemente, 2 = discordar, 3 = neutro, 4 = concordar e 5 = concordar fortemente. Código gênero, nível acadêmico, ano de estudo, categoria disciplinar, horas semanais de aprendizado online e experiência prévia de aprendizado online de acordo com o código bloqueado.
2. Inspecione todas as variáveis em busca de valores fora do alcance antes de calcular as pontuações dimensionais ou globais de construto.
3. Calcule as pontuações das dimensão da experiência de aprendizagem online como médias de itens: usabilidade da plataforma = média(OLE_PU1–OLE_PU3), suporte instrucional = média(OLE_IS1–OLE_IS3), qualidade da interação = média(OLE_IQ1–OLE_IQ3) e flexibilidade de aprendizagem = média(OLE_LF1–OLE_LF3).
4. Calcule as pontuações da dimensão das necessidades psicológicas básicas como médias de items: necessidade de autonomia = média(BPN_AU1–BPN_AU3), necessidade de competência = média(BPN_CO1–BPN_CO3) e necessidade de relação = média(BPN_RE1–BPN_RE3).
5. Calcule as pontuações da dimensão de engajamento de aprendizagem como médias de itens: engajamento comportamental = média(LE_BE1–LE_BE4), engajamento cognitivo = média(LE_CE1–LE_CE4) e engajamento emocional = média(LE_EE1–LE_EE4).
6. Calcule as pontuações globais de construtos como médias dimensionais: experiência de aprendizado online = média (usabilidade da plataforma, suporte instrucional, qualidade da interação, flexibilidade de aprendizagem); necessidades psicológicas básicas = média (necessidade de autonomia, necessidade de competência, necessidade de relação); e engajamento na aprendizagem = média (engajamento comportamental, engajamento cognitivo, engajamento emocional).
7. Manter dados em nível de item para avaliação de modelos de medição, pontuações dimensionais para estimação de construtos de ordem superior e análise de subdimensões, e pontuações globais para estatística descritiva, análise de correlação, verificação de modelos estruturais e análise de robustez baseada em regressão.
   NOTA: Não inclua o item de verificação de atenção em nenhuma pontuação, análise de confiabilidade, análise de validade, estimativa PLS-SEM, análise de associação indireta ou análise de robustez. Não padronize as pontuações originais de 1 a 5 antes da análise descritiva.

10. Controle e avaliação do viés comum do método

1. Aplique controles processuais antes da análise usando respostas anônimas, redação neutra, blocos construtos separados, um item de verificação de atenção baseado em instruções, configurações de resposta obrigatória e acesso restrito a dados brutos.
2. Após a triagem de resposta, use o teste de um fator único de Harman para examinar se um fator não rotacionado representa uma fatia dominante na variância do item. Trate o resultado como aceitável quando o primeiro fator não rotacionado representa menos de 50% da variância total.
3. Calcule valores completos do fator de inflação da variância da variância colinear para os construtos focais. Considere valores abaixo de 3,30 como indicando que o viés comum severo é improvável. Registre o viés do método comum como limitação se o primeiro fator não rotacionado for responsável por 50% ou mais da variância total ou se qualquer fator de inflação da variância colinear total for 3,30 ou mais.
   NOTA: Não afirme que o viés comum do método está ausente. Indique apenas se os diagnósticos indicam evidências severas de um fator dominante de método comum.

11. Realizar verificações descritivas e preliminares

1. Use o R 4.4.1 para estatística descritiva, verificações de distribuição, análise de correlação e análise de robustez baseada em regressão. Calcule frequências e porcentagens para características categóricas dos participantes.
2. Calcule média, desvio padrão, mínimo, máximo, assimetria e kurtose para itens substantivos, escores dimensionais e pontuações globais de construto.
3. Inspecione distribuições de itens e pontuações para efeitos mínimos, efeitos de teto e não normalidade severa. Defina um possível efeito de piso ou teto como mais de 20% dos participantes escolhendo a opção de resposta mais baixa ou mais alta para um item substantivo.
4. Calcule correlações de Pearson entre construtos globais e pontuações dimensionais. Trate as correlações apenas como evidências descritivas preliminares e não as use como substituto do modelo estrutural pré-especificado.
   NOTA: Registre efeitos de piso ou teto como recursos de dados. Não exclua casos por razões de distribuição, a menos que eles também violem regras pré-especificadas de qualidade de resposta.

12. Estimar o modelo de medição de ordem superior

1. Use o Smart PLS 4.1 para a análise primária do PLS-SEM e importe o conjunto de dados limpo em nível de item. Especifique usabilidade da plataforma, suporte instrucional, qualidade da interação, flexibilidade de aprendizagem, necessidade de autonomia, necessidade de competência, necessidade de relação, engajamento comportamental, engajamento cognitivo e engajamento emocional como construtos reflexivos de primeira ordem.
2. Use a abordagem disjunta de dois estágios. Na primeira etapa, estime os construtos reflexivos de primeira ordem e salve seus escores de variáveis latentes.
3. Na segunda etapa, usar as pontuações variáveis latentes de usabilidade da plataforma, suporte instrucional, qualidade da interação e flexibilidade de aprendizagem para representar a experiência de aprendizagem online; Escores variáveis latentes de necessidade de autonomia, necessidade de competência e parentesco precisam representar necessidades psicológicas básicas; e escores de variáveis latentes de engajamento comportamental, engajamento cognitivo e engajamento emocional para representar engajamento na aprendizagem.
4. Trate as pontuações de construtos de ordem superior como representações derivadas analiticamente de construtos multidimensionais. Não os descreva como formativos a menos que um modelo formativo seja explicitamente especificado e justificado. Salve configurações do primeiro estágio, configurações do segundo estágio, pontuações de variáveis latentes e arquivos de saída de modelo na pasta de verificação.
   NOTA: Use o mesmo procedimento de construto de ordem superior no modelo estrutural principal, análise de subdimensão de necessidades psicológicas e análise de robustez baseada em regressão.

13. Avaliar o modelo de medição

1. Avalie o modelo de medição antes de interpretar o modelo estrutural. Examine as cargas externas padronizadas para todos os indicadores retidos. Manter indicadores com cargas de pelo menos 0,70 sempre que possível.
2. Revise indicadores com cargas entre 0,40 e 0,70. Remova um indicador apenas quando a exclusão melhora a confiabilidade ou validade convergente e não enfraquece a cobertura do conteúdo. Remova indicadores abaixo de 0,40, a menos que uma razão teórica documentada suporte a retenção.
3. Avalie a consistência interna usando a confiabilidade alfa e composta de Cronbach. Considere valores entre 0,70 e 0,95 como aceitáveis. Avalie a validade convergente usando a variância média extraída. Considere valores de pelo menos 0,50 como aceitáveis.
4. Avalie a validade discriminante usando a razão heterotraço-monotraço. Use 0,85 como limiar conservativo e 0,90 como limiar máximo aceitável para construtos teoricamente adjacentes.
5. Indicadores retidos de registro, cargas externas padronizadas, alfa de Cronbach, confiabilidade composta, variância média extraída, valores heterotrait-monotrait e quaisquer decisões de exclusão de itens na saída do modelo de medição bloqueado.
   NOTA: Não exclua itens apenas para melhorar valores estatísticos. Remova um item apenas quando fraqueza estatística e redundância conceitual estiverem ambas documentadas.
   PONTO DE PAUSA: Não inicie testes estruturais até que indicadores retidos, valores de carga, valores de confiabilidade, validade convergente, validade discriminante, entradas de livro de códigos e valores de saída de medição tenham sido verificados contra os arquivos de análise travados.

14. Testar o modelo estrutural e o caminho de mediação

1. Especifique três caminhos estruturais: experiência de aprendizagem online → necessidades psicológicas básicas, necessidades psicológicas básicas → engajamento na aprendizagem e experiência de aprendizagem online → engajamento na aprendizagem.
2. Inclua as horas semanais de aprendizado online e a experiência prévia de aprendizado online como variáveis de controle pré-especificadas. Trate gênero, nível acadêmico, ano de estudo e categoria disciplinaria como variáveis descritivas, a menos que estejam incluídos em um modelo de sensibilidade pré-especificado.
3. Examine a colinearidade do modelo estrutural antes de interpretar coeficientes de caminho. Considere valores do fator de inflação da variância abaixo de 3,30 como indicando que a colinearidade prejudicial é improvável.
4. Estime coeficientes de caminho padronizados, valores t , valores p e intervalos de confiança de 95% usando 5.000 reamostras bootstrap com testes de duas caudas. Use intervalos de confiança corrigidos por viés quando disponíveis.
5. Estime o caminho indireto da experiência de aprendizado online para o engajamento na aprendizagem por meio das necessidades psicológicas básicas. Trate a via de associação indireta como suportada quando o intervalo de confiança bootstrap para o efeito indireto não inclui zero.
6. Registre o efeito direto, efeito indireto, efeito total, valores de R² , valores ajustados de R² , tamanhos de efeito f² , valores do fator de inflação da variância estrutural do modelo estrutural e caminhos das variáveis de controle na saída do modelo estrutural bloqueado. Interprete todas as estimativas estruturais como vias baseadas em associação, e não como efeitos causais.
   NOTA: Não remova um caminho pré-especificado porque ele não é significativo. Mantenha o modelo pré-especificado, a menos que um erro de codificação ou de especificação do modelo seja identificado.

15. Examinar subdimensões psicológicas de necessidades

1. Substituir o construto global de necessidades psicológicas básicas por necessidade de autonomia, necessidade de competência e necessidade de relação como construtos paralelos de associação indireta. Estime os caminhos indiretos da experiência de aprendizagem online para o engajamento de aprendizagem por meio de necessidade de autonomia, necessidade de competência e necessidade de relação separadamente.
2. Use 5.000 reamostras bootstrap para cada caminho de subdimensão. Compare a direção, magnitude e intervalo de confiança de cada caminho indireto de subdimensão. Trate essa análise como uma análise de sensibilidade, e não como o modelo principal.
   NOTA: Não reinterprete a análise de sensibilidade subdimensional como um novo modelo primário.

16. Realizar uma análise de robustez baseada em regressão

1. Exporte o conjunto de dados de construct-score limpo e salve como ConstructScores_OnlineLearning_BPN_Engagement_YYYYMMDD.csv. Use o R 4.4.1 para regredir as necessidades psicológicas básicas globais em relação à experiência global de aprendizagem online, às horas semanais de aprendizagem online e à experiência prévia de aprendizado online.
2. Regresse o engajamento global de aprendizagem com base em experiências globais de aprendizado online, necessidades psicológicas básicas globais, horas semanais de aprendizagem online e experiências anteriores de aprendizado online. Estime o caminho indireto usando 5.000 reamostras bootstrap.
3. Compare a via indireta baseada em regressão com a via indireta PLS-SEM. Classifique o caminho como robusto apenas quando a direção permanece consistente e a interpretação substantiva não muda. Salve o script R, as configurações de bootstrap e a saída de robustez na pasta de verificação.
   PONTO DE PAUSA: Não inicie o bloqueio final do arquivo até que o modelo estrutural, a análise de subdimensão e a análise de robustez baseada em regressão tenham sido cruzados.

17. Lidar com resultados analíticos subótimos

1. Se a confiabilidade alfa ou composta de Cronbach estiver abaixo de 0,70, inspecione correlações entre itens totais e cargas externas padronizadas. Se a variância média extraída for inferior a 0,50, inspecione os indicadores retidos e identifique se um ou mais indicadores enfraquecem a validade convergente.
2. Se os valores de heterotraito-monotraço excederem o limite pré-especificado, inspecione a redação dos itens para sobreposição semântica entre construtos teoricamente próximos. Remova um item fraco apenas quando ele for estatisticamente fraco e conceitualmente redundante. Manter construtos teoricamente adjacentes separados ao fundi-los reduziria a clareza conceitual.
3. Se a via indireta não for suportada, registre o resultado como uma associação indireta não suportada. Se as variáveis de controle apresentarem associações não significativas, registre os resultados sem superinterpretação.
   NOTA: Não revise o modelo teórico após análise para forçar um suporte mais forte.

18. Bloquear saídas de software e arquivos de reprodutibilidade

1. Crie uma pasta final de verificação institucional chamada Verification_OnlineLearning_BPN_Engagement_YYYYMMDD.
2. Salve o arquivo bruto do conjunto de dados, conjunto de dados limpo, conjunto de dados de pontuação de construto, livro de códigos, questionário, tabela de mapeamento item-fonte, registro de revisão de especialistas, registro de teste piloto, registro de trabalho de campo, registro de triagem, arquivo de regra de exclusão, registro de limiar de tempo de conclusão, saídas Smart PLS, scripts R, tabelas de saída R, registro de versão do software e registro de mudança de versão na pasta de verificação.
3. Salve arquivos de projeto Smart PLS 4.1 e exporte as saídas de modelo de medição, modelo estrutural, bootstrap e heterotrait-monotrait em uma subpasta chamada SmartPLS_Output. Salve scripts R e tabelas de saída R em uma subpasta chamada R_Output. Salve o questionário, o mapeamento de fonte-item, a codificação de variáveis e as regras de pontuação como Arquivo Suplementar 1.
4. Salve a verificação final do conjunto de dados analíticos, resumo de triagem, registro de dados faltantes, diagnósticos de viés de métodos comuns, resultados do modelo de medição, resultados do modelo estrutural, resultados de associação indireta, análise de subdimensões, registro de robustez baseado em regressão, configurações de software e registro de versão como Arquivo Suplementar 2.
5. Não inclua informações diretamente identificáveis, registros brutos excluídos ou dados brutos em nível de participante no manuscrito ou nos arquivos suplementares submetidos para publicação. Bloqueie a pasta final de verificação após a verificação de consistência. Salve as correções posteriores como versões novas e datadas e documente o motivo no registro de mudança de versão.

Resultados

Conjunto de dados analíticos finais e características dos participantes

O conjunto de dados analítico final incluiu 386 estudantes universitários. O recrutamento formal foi realizado de 18 de agosto de 2025 a 26 de setembro de 2025 por meio de plataformas de aprendizagem universitária, grupos de comunicação de cursos, listas de e-mails estudantis e canais institucionais para estudantes. Um total de 432 respostas submetidas foram avaliadas e 386 respostas foram retidas, resultando em uma taxa de resposta válida de 89,4%. O conjunto de dados bloqueado continha 33 itens substantivos na escala Likert e um item de verificação de atenção baseado em instruções. O item de verificação de atenção foi usado apenas para triagem de qualidade de resposta e foi excluído da pontuação de construtos, análise de confiabilidade, análise de validade, estimativa PLS-SEM, análise de associação indireta e análise de robustez baseada em regressão. A amostra final incluiu 223 alunas, 154 estudantes do sexo masculino e nove participantes que escolheram "preferir não dizer" ou outra opção de resposta. Havia 318 estudantes de graduação e 68 de pós-graduação. A distribuição por ano de estudo incluiu 110 alunos do 1º ano, 102 do 2º ano, 103 do 3º ano e 71 alunos do 4º ano ou superior. As categorias de disciplina incluíam negócios e gestão, ciências sociais, engenharia e tecnologia, medicina e ciências da saúde, humanidades e artes, e educação. A exposição semanal ao aprendizado online incluiu menos de 2 horas por semana em 41 alunos, 2–4 horas em 116 alunos, 5–7 horas em 137 alunos, 8–10 horas em 62 alunos e mais de 10 horas em 30 alunos. A experiência de aprendizagem online anterior não incluiu nenhuma em 38 alunos, menos de 6 meses em 68 alunos, 6 a 12 meses em 190 alunos e mais de 12 meses em 90 alunos. As horas semanais de aprendizado online e a experiência prévia de aprendizado online foram mantidas como variáveis de controle pré-especificadas.

Revisão de especialistas, testes piloto e verificação por questionário

A revisão de especialistas foi realizada por cinco especialistas em psicologia educacional, aprendizagem online, metodologia quantitativa, pesquisa em ensino superior e desenho de pesquisas. A revisão identificou 13 problemas de redação, quatro problemas de redundância e três problemas de alinhamento de construtos. Quatorze itens foram revisados para clareza, ajuste contextual ou alinhamento de construtos, e nenhum item foi removido antes do teste piloto. O teste piloto foi realizado por 42 estudantes universitários que atenderam aos critérios de elegibilidade para o estudo principal. O tempo mediano de conclusão foi de 9,6 min, e o limite mínimo de tempo de conclusão foi definido em 3,2 min. Os valores alfa preliminares de Cronbach variaram de 0,721 a 0,814. Nenhum item foi removido após o teste piloto. O questionário final em inglês incluiu 12 itens de experiência de aprendizagem online, nove itens de necessidades psicológicas básicas, 12 itens de engajamento na aprendizagem e um item de verificação de atenção baseado em instrução. Mapeamento por fonte de item, codificação variável e regras de pontuação foram bloqueados antes da análise formal e são fornecidos no Arquivo Suplementar 1.

Triagem de resposta, ausência e verificação de qualidade dos dados

Após a triagem, 386 respostas válidas foram retidas de 432 respostas submetidas. As exclusões incluíram quatro respostas sem confirmação de consentimento, 17 exclusões de elegibilidade, oito respostas duplicadas, seis falhas em verificação de atenção, cinco respostas abaixo do limite de tempo de conclusão, quatro respostas em linha reta e duas inconsistências de elegibilidade não resolvidas. Seis padrões de longas sequências foram sinalizados, mas estes se sobrepunham a outras categorias de exclusão e não foram contados como uma categoria de exclusão independente adicional. As exclusões foram registradas no registro de triagem desidentificado. Nenhum código de participante duplicado foi mantido no conjunto de dados bloqueado. Nenhum valor ausente foi observado nos 33 itens substantivos da escala Likert, variáveis de fundo, variáveis dimension-score ou variáveis globais construct-score. Nenhuma imputação foi aplicada. Nenhuma resposta retida atendeu à regra de linha reta, nenhuma resposta retida apresentou um padrão longo de 20 ou mais respostas substantivas idênticas consecutivas, e nenhuma inconsistência não resolvida foi observada entre a exposição ao aprendizado online e as horas semanais de aprendizado online.

Distribuição descritiva e diagnósticos de viés por métodos comuns

A pontuação global de experiência de aprendizagem online foi 3,47 ± 0,45. A pontuação global de necessidades psicológicas básicas foi 3,40 ± 0,49. A pontuação global de engajamento na aprendizagem foi 3,42 ± 0,48. O suporte instrucional teve a maior média entre as dimensões da experiência de aprendizagem online, e a qualidade da interação teve a menor média. A necessidade de competência tinha a maior média entre as dimensões básicas de necessidade psicológica, e a necessidade de parentesco tinha a menor média. O engajamento cognitivo teve a maior média entre as dimensões de engajamento na aprendizagem, e o engajamento emocional teve a menor média. As verificações de distribuição de itens não mostraram efeitos severos de piso ou teto. A taxa máxima de resposta no piso em nível de item foi de 1,55% para OLE_PU3. A taxa máxima de resposta ao teto em nível de item foi de 12,95% para OLE_IS2. Ambos os valores estavam abaixo do limite pré-especificado de 20%. Diagnósticos de viés de método comum não mostraram evidências severas de um fator dominante de método comum. O teste de fator único de Harman mostrou que o primeiro fator não rotacionado explicou 24,12% da variância total. Diagnósticos de colinearidade completa produziram um fator máximo de inflação da variância de 1,527.

Qualidade do modelo de medição

Como mostrado na Tabela 3, os valores alfa de Cronbach variaram de 0,733 para qualidade de interação a 0,801 para engajamento cognitivo no nível dimensional. O construto global de experiência de aprendizagem online apresentou um alfa de 0,878, as necessidades psicológicas básicas mostraram um alfa de 0,846 e o engajamento na aprendizagem mostrou um alfa de 0,867. As cargas externas padronizadas variaram de 0,704 a 0,842 nos 33 itens substantivos. Os valores de confiabilidade composta variaram de 0,849 a 0,889. Os valores médios extraídos variaram de 0,653 a 0,702. A razão máxima heterotraço-monocaracterística foi de 0,742. Esses valores atendiam aos critérios pré-especificados do modelo de medição.

Tabela 3: Confiabilidade, estatística descritiva e qualidade do modelo de medição. Esta tabela relata o alfa de Cronbach, confiabilidade composta, variância média extraída, faixas de carga padronizadas, médias, desvios padrão e decisões de retenção para as dimensões de primeira ordem e construtos de ordem superior. O item de verificação de atenção foi excluído da confiabilidade, validade e estimativa do modelo. O valor máximo de HTMT entre os construtos de primeira ordem foi 0,742, abaixo do limiar conservador pré-especificado de 0,85. A tabela de carregamento externo completa e a matriz HTMT são fornecidas no Arquivo Suplementar 2. Abreviações: AVE = variância média extraída. Por favor, clique aqui para baixar esta Tabela.

A experiência de aprendizagem online foi correlacionada com necessidades psicológicas básicas (r = 0,501) e engajamento na aprendizagem (r = 0,497). Necessidades psicológicas básicas estavam correlacionadas com o engajamento na aprendizagem (r = 0,510).

Resultados de vias estruturais e associações indiretas

Como mostrado na Figura 2, a experiência de aprendizagem online esteve positivamente associada a necessidades psicológicas básicas (β = 0,501, t = 11,259, p < 0,001, IC 95%: 0,414 a 0,588). As necessidades psicológicas básicas estiveram positivamente associadas ao engajamento na aprendizagem (β = 0,349, t = 7,256, p < 0,001, IC 95%: 0,255 a 0,444). A experiência de aprendizagem online permaneceu diretamente associada ao engajamento na aprendizagem (β = 0,324, t = 6,699, p < 0,001, IC 95%: 0,229 a 0,419). O modelo explicou 25,1% da variância nas necessidades psicológicas básicas e 33,9% da variância no engajamento da aprendizagem (Tabela 4). O tamanho do efeito f2 para a experiência de aprendizagem online sobre necessidades psicológicas básicas foi 0,332. Os tamanhos do efeito f² para a experiência de aprendizagem online e as necessidades psicológicas básicas no engajamento na aprendizagem foram 0,118 e 0,138, respectivamente.

Figura 2: Modelo estrutural com coeficientes de caminho padronizados baseados em associação. A figura mostra os caminhos padronizados entre experiência de aprendizagem online, necessidades psicológicas básicas e engajamento na aprendizagem, incluindo o caminho direto, o caminho indireto, valores de^R2 e variáveis de controle pré-especificadas. Todos os caminhos são interpretados como estimativas baseadas em associação. Por favor, clique aqui para ver uma versão ampliada desta figura.

Tabela 4: Variância explicada dos construtos endógenos. Esta tabela relata o coeficiente de determinação (R²), os valores ajustados de R² e as variáveis preditoras para cada construto endógeno no modelo estrutural. Todos os resultados são interpretados como estimativas baseadas em associações porque os dados eram transversais. Abreviações: OLE_TOTAL = pontuação global de experiência de aprendizagem online; BPN_TOTAL = pontuação global de necessidades psicológicas básicas; LE_TOTAL = Pontuação Global de Engajamento na Aprendizagem. Por favor, clique aqui para baixar esta Tabela.

A Tabela 5 mostra que as horas semanais de aprendizagem online não estavam significativamente associadas às necessidades psicológicas básicas (β = 0,001, p = 0,986) ou ao engajamento na aprendizagem (β = −0,020, p = 0,634).

Tabela 5: Estimativas de caminhos estruturais e tamanhos de efeito. Esta tabela apresenta estimativas padronizadas de vias estruturais, valores correspondentes de t , valores p , intervalos de confiança (IC) de 95%, tamanhos de efeito f² e decisões sobre caminhos para o modelo hipotetizado. Caminhos com variáveis de controle também são apresentados. Todas as vias são interpretadas como estimativas baseadas em associação porque os dados eram transversais. Abreviações: OLE_TOTAL = pontuação global de experiência de aprendizagem online; BPN_TOTAL = pontuação global de necessidades psicológicas básicas; LE_TOTAL = Pontuação Global de Engajamento na Aprendizagem; WEEKLY_HOURS = horas semanais de aprendizado online; PRIOR_EXPERIENCE = experiência prévia de aprendizado online; IC = intervalo de confiança. Por favor, clique aqui para baixar esta Tabela.

A experiência de aprendizagem online anterior não esteve significativamente associada a necessidades psicológicas básicas (β = −0,005, p = 0,916) ou engajamento na aprendizagem (β = 0,013, p = 0,754). O caminho indireto da experiência de aprendizagem online para o engajamento na aprendizagem, por meio das necessidades psicológicas básicas, foi apoiado. O efeito indireto foi de 0,175, com um intervalo de confiança bootstrap de 95% de 0,124 a 0,231. O efeito direto da experiência de aprendizagem online no engajamento foi de 0,324, e o efeito total foi de 0,499 (Tabela 6). Essa via foi interpretada como uma via indireta baseada em associação, e não como mediação causal.

Tabela 6: Estimativas diretas, indiretas e totais. Esta tabela relata as associações diretas, indiretas (mediadas) e totais entre experiência de aprendizagem online e engajamento de aprendizagem, incluindo intervalos de confiança (IC) de 95% bootstrap e decisões de caminhos. Todos os efeitos são interpretados como estimativas baseadas em associações porque os dados eram transversais. Abreviações: OLE_TOTAL = pontuação global de experiência de aprendizagem online; BPN_TOTAL = pontuação global de necessidades psicológicas básicas; LE_TOTAL = Pontuação Global de Engajamento na Aprendizagem; IC = intervalo de confiança. Por favor, clique aqui para baixar esta Tabela.

Análise de sensibilidade a subdimensões e análise de robustez por necessidades psicológicas

A via indireta através da necessidade de autonomia foi apoiada (efeito indireto = 0,087, IC 95%: 0,049 a 0,131). O caminho indireto através da necessidade de competência foi apoiado e mostrou o maior efeito indireto (efeito indireto = 0,148, IC 95%: 0,094 a 0,205). A necessidade de via indireta através da relação também foi apoiada (efeito indireto = 0,092, IC 95%: 0,056 a 0,132) (Tabela 7).

Tabela 7: Análise de sensibilidade das subdimensões básicas de necessidades psicológicas. Esta tabela relata associações indiretas através das subdimensões de autonomia, competência e parentesco das necessidades psicológicas básicas, incluindo intervalos de confiança (IC) de 95% bootstrap e decisões de caminhos. Todos os efeitos são interpretados como estimativas baseadas em associações porque os dados eram transversais. Abreviações: OLE_TOTAL = pontuação global de experiência de aprendizagem online; LE_TOTAL = Pontuação Global de Engajamento na Aprendizagem; BPN_AU = necessidade de autonomia; BPN_CO = necessidade de competência; BPN_RE = necessidade de relação de relação; IC = intervalo de confiança. Por favor, clique aqui para baixar esta Tabela.

A análise de robustez baseada em regressão produziu a mesma interpretação substantiva do modelo PLS-SEM primário. A experiência de aprendizagem online permaneceu positivamente associada às necessidades psicológicas básicas (β = 0,501, IC 95%: 0,414 a 0,588). As necessidades psicológicas básicas permaneceram positivamente associadas ao engajamento na aprendizagem após ajuste para a experiência de aprendizagem online e variáveis de controle (β = 0,349, IC 95%: 0,255 a 0,444). O efeito indireto baseado em regressão foi de 0,175, com um intervalo de confiança bootstrap de 95% de 0,124 a 0,231. Como os dados eram transversais, todas as vias foram interpretadas como estimativas baseadas em associação, e não em efeitos causais (Tabela 8).

Tabela 8: Análise de robustez baseada em regressão. Esta tabela relata resultados de robustez baseados em regressão para as vias estruturais, incluindo estimativas ajustadas de associação direta e indireta com intervalos de confiança (IC) de 95% bootstrap. Todos os efeitos são interpretados como estimativas baseadas em associações porque os dados eram transversais. Abreviações: OLE_TOTAL = pontuação global de experiência de aprendizagem online; BPN_TOTAL = pontuação global de necessidades psicológicas básicas; LE_TOTAL = Pontuação Global de Engajamento na Aprendizagem; IC = intervalo de confiança. Por favor, clique aqui para baixar esta Tabela.

Arquivo Suplementar 1: Questionário, codificação variável e regras de pontuação. Este arquivo fornece o questionário em inglês, variáveis de triagem de elegibilidade, codificação por variáveis de fundo, redação de itens, mapeamento de fonte de item, escala de resposta, fórmulas de pontuação, dicionário de variáveis, regras de manuseio de dados e verificações de consistência. Por favor, clique aqui para baixar este arquivo.

Arquivo Suplementar 2: Verificação final do conjunto de dados analíticos, configurações de análise e registros de reprodutibilidade. Este arquivo registra o conjunto de dados analítico bloqueado, resumo do trabalho de campo, revisão de especialistas e registros de testes piloto, resumo de triagem, verificações de dados faltantes, resultados de confiabilidade e medição do modelo, resultados do modelo estrutural, análise de sensibilidade, análise de robustez e checklist de reprodutibilidade. Por favor, clique aqui para baixar este arquivo.

Discussão

Esse protocolo oferece um fluxo de trabalho metodológico reproduzível para avaliar caminhos de associação entre experiências de aprendizagem online, necessidades psicológicas básicas e engajamento em estudantes universitários. Em vez de tratar o aprendizado online como uma única condição, o protocolo separa o ambiente de aprendizagem percebido em usabilidade de plataforma, suporte instrucional, qualidade da interação e flexibilidade de aprendizagem. Essa estrutura permite que os pesquisadores identifiquem qual parte da experiência de aprendizagem online está mais associada à satisfação e engajamento das necessidades psicológicas, em vez de depender apenas da satisfação geral ou dos indicadores de conclusão do curso¹⁶.

Uma contribuição metodológica central é a pré-especificação da codificação de questionários, triagem de elegibilidade, verificações de qualidade de resposta, pontuação de construtos, bloqueio de conjuntos de dados e testes de modelos. Essas etapas são importantes porque pesquisas educacionais baseadas em pesquisas são sensíveis a respostas desatentas, respostas padronizadas, respostas de elegibilidade inconsistentes, decisões com dados faltantes e exclusões post^{hoc 17}. Ao colocar essas decisões antes da análise estrutural, o protocolo torna a via analítica reprodutível e reduz o risco de que regras de triagem ou pontuação sejam alteradas após os resultados serem conhecidos.

O protocolo também esclarece como a via de associação deve ser interpretada. A experiência de aprendizagem online é modelada como o construto independente, as necessidades psicológicas básicas como o construto de associação indireta e o engajamento de aprendizagem como o construto do resultado. Essa estrutura é teoricamente fundamentada na teoria da autodeterminação, porque autonomia, competência e parentesco fornecem um mecanismo para entender por que alguns ambientes de aprendizagem online estão associados a um engajamento mais^{forte 18}. No entanto, como o protocolo utiliza dados transversais de questionários, o caminho deve ser interpretado como uma associação indireta, e não como mediação causal.

O tratamento multidimensional do engajamento na aprendizagem é outra força do protocolo. Engajamento comportamental, cognitivo e emocional são medidos separadamente antes de serem resumidos como um construto global de engajamento. Isso impede que o engajamento seja reduzido apenas à frequência, conclusão de tarefas ou comportamento de^{login 19}. Na prática, o protocolo pode distinguir estudantes que completam tarefas obrigatórias de alunos que estão cognitivamente envolvidos, emocionalmente envolvidos e dispostos a continuar participando de atividades de aprendizagem online.

O protocolo também é útil para diagnosticar pontos fracos no design de aprendizagem online. Por exemplo, um curso pode fornecer acesso adequado à plataforma, mas ainda assim mostrar baixa relação ou engajamento emocional se a comunicação for atrasada, fragmentada ou não conectada a uma interação de aprendizagem significativa. Essa distinção é consistente com modelos de aprendizagem online que enfatizam a presença social, a presença no ensino e a presença cognitiva, em vez da disponibilidade apenas^{da tecnologia 20}. Portanto, o protocolo apoia a melhoria direcionada do design da plataforma, suporte ao instrutor, estrutura de interação e satisfação das necessidades psicológicas.

Várias limitações devem orientar a interpretação e o uso futuro. Primeiro, o desenho transversal não estabelece a ordem temporal, portanto afirmações causais não devem ser^{feitas 21}. Segundo, todas as variáveis principais são autorrelatadas, e diagnósticos de métodos comuns não podem eliminar totalmente as preocupações de viés^{de resposta 22}. Terceiro, o modelo não observa diretamente o comportamento do instrutor, a qualidade do design dos cursos, a análise da plataforma ou o suporte institucional. Estudos futuros podem estender o protocolo por meio de medição longitudinal, comparação multigrupo, integração de aprendizado e análise ou acompanhamento por métodos mistos, mantendo a mesma lógica reprodutível de triagem, pontuação, teste de modelos^{e verificação 23}.

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
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.