Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Методическая статья

Опрос и протокол оценки онлайн-обучения, базовых психологических потребностей и вовлечённости студентов университета

58 просмотров

⸱

DOI:

10.3791/72570

⸱

11 августа 2026 г.

 ,  , 
1Department of Curriculum and Instructional Technology, Faculty of Education, Universiti Malaya

В этой статье

Краткое содержание

Этот протокол обеспечивает воспроизводимый обследование и структурное моделирование уравнений с частичными наименьшими квадратами для оценки ассоциативных путей между онлайн-обучением, базовыми психологическими потребностями и вовлечённостью студентов университетов, включая адаптацию анкет, скрининг, оценку измерений, косвенное ассоциативное тестирование, проверку устойчивости и записи воспроизводимости.

Аннотация

Онлайн-обучение интегрировано в высшее образование, но оценки часто опираются на показатели доступа, удовлетворённости или завершения, которые не определяют, где возникают проблемы с вовлечённостью. В этой статье представлен воспроизводимый англоязычный опрос и протокол моделирования структурных уравнений с частичными наименьшими квадратами для оценки ассоциационных путей между онлайн-обучением, базовыми психологическими потребностями и вовлечённостью в обучение студентов университета. Онлайн-обучение измеряется удобством платформы, учебной поддержкой, качеством взаимодействия и гибкостью обучения; базовые психологические потребности через автономию, компетентность и родственность; и обучение вовлечённости через поведенческое, когнитивное и эмоциональное взаимодействие. Рабочий процесс определяет отображение источника предметов, адаптацию анкет, экспертное рассмотрение, пилотное тестирование, электронное согласие, скрининг на соответствие, проверку качества ответов, оценку конструкций, диагностику предвзятости распространённых методов, оценку конструктов высшего порядка, оценку модели измерения, тестирование структурных путей, анализ косвенных ассоциаций, анализ чувствительности психологических потребностей, проверку устойчивости на основе регрессии и блокировку файлов воспроизводимости. Репрезентативные результаты из 386 валидных ответов демонстрируют приемлемую надёжность, умеренные корреляции конструкций, сохранение качества измерений, подтверждённую косвенную связь через базовые психологические потребности, незначительные контрольные пути и неравномерные размерные показатели. Протокол поддерживает прозрачную диагностику того, как онлайн-обучение связано с удовлетворением психологических потребностей и вовлеченностью, при этом избегая причинной интерпретации данных пересечений опросов.

Введение

Онлайн-обучение стало частью рутинного высшего образования благодаря системам управления обучением, видеоплатформам, записанным материалам, синхронным сессиям и смешанным дизайнам курсов. Однако многие оценки по-прежнему опираются на журналы доступа, оценки удовлетворённости или индикаторы завершения, которые показывают, использовали ли студенты онлайн-курс, но не уточняют, связано ли снижение вовлечённости с удобством использования платформы, учебной поддержкой, качеством взаимодействия, гибкостью обучения, психологическим удовлетворением потребностей или конкретным аспектомвовлечённости 1. Таким образом, онлайн-обучение не должно сводиться к единому показателю удовлетворенности. Предыдущие исследования онлайн-вовлечённости акцентируют внимание на содержании учащегося, взаимодействии ученика-преподавателя и взаимодействия ученика-ученика как важных элементах онлайн-обучениястудентов 2. Действующий протокол измеряет онлайн-обучение через удобство использования платформы, поддержку обучения, качество взаимодействия и гибкость обучения.

Вовлечённость в обучение также многогранна. Она включает поведенческое участие, когнитивную и эмоциональную вовлечённость. Инструменты вовлечения онлайн-курсов показывают, что вовлечённость не может быть полностью представлена только видимым участием или выполнениемзадачи 3. Более широкие исследования образовательных технологий также показывают, что поведенческое вовлечение часто легче наблюдать, чем когнитивное илиаффективное вовлечённое 4. По этой причине протокол измеряет вовлечённость в обучение через поведенческое, когнитивное и эмоциональное взаимодействие, а не сводит вовлечённость в одну недифференцированную оценку.

Теория самоопределения служит теоретической основой для связи онлайн-обучения с вовлечённостью в обучение. Теория базовых психологических потребностей определяет автономию, компетентность и родственность как центральные условия мотивации иадаптации 5. В онлайн-обучении автономия означает воспринимаемый выбор и контроль, компетентность — воспринимаемую способность выполнять учебные задачи, а также связь с ощущаемой связью с преподавателями и одноклассниками. Предыдущие онлайн-исследования с использованием теории самоопределения связывали контекстную поддержку, удовлетворение потребностей, мотивацию ивовлечённость 6,7. Эти результаты поддерживают изучение базовых психологических потребностей как косвенной связи между онлайн-обучением и вовлечённостью в обучение, при этом избегая причинной интерпретации, поскольку данные являются пересечными.

Методологической проблемой в онлайн-исследованиях взаимодействия является отсутствие единой операционной структуры. Исследования различаются по определению условий обучения, измерению вовлечённости и связи учебной среды с психологическим опытомучащихся 8. Опросы с самоотчётом также уязвимы к неосторожному ответу, шаблонным ответам, постфактическим исключениям, решениям по отсутствующим данным и распространённой смещенностиметодов 9. Таким образом, этот протокол фиксирует англоязычную структуру анкеты, отметку источника предметов, правила оценки, процедуру электронного согласия, скрининг на соответствие, правило проверки внимания, порог времени заполнения, критерий прямой линии, проверку ответа длинной строки, обработку недостающих данных, спецификацию модели и процедуру блокировки наборов данных до начала структурного анализа.

Концептуальная рамка определяет онлайн-обучение как независимый конструкт, базовые психологические потребности — как конструкцию косвенной ассоциации, а вовлечённость в обучение — как конструкт результата. Основной путь проверяет, связан ли онлайн-опыт обучения с базовыми психологическими потребностями, связаны ли базовые психологические потребности с вовлечённостью в обучение и остаётся ли онлайн-обучение напрямую связанным с вовлечённостью в обучение после учёта базовых психологических потребностей. Протокол основан на четырёх исследовательских вопросах: может ли структурированный протокол опроса измерять три конструкции с приемлемым качеством ответа и надёжностью конструкций; связан ли онлайн-опыт обучения с базовыми психологическими потребностями и вовлечённостью в обучение; связь между онлайн-обучением и вовлечённостью в обучение частично связана с базовыми психологическими потребностями как косвенная связь; и поддерживают ли психологические анализы подизмерений и регрессионные проверки устойчивости ту же интерпретацию, что и основной рабочий процесс PLS-SEM.

Эта статья позиционируется как вклад, ориентированный на методы, а не как традиционное объяснительное поперечное исследование. Протокол обеспечивает воспроизводимый рабочий процесс для адаптации анкеты, экспертного рассмотрения, пилотного тестирования, проведения опросов, скрининга ответов, оценки конструкций, оценки моделей измерения, тестирования структурных путей, анализа косвенных ассоциаций, анализа чувствительности, проверки надёжности и блокировки воспроизводимости файлов. Прозрачные образовательные исследовательские рабочие процессы требуют документирования аналитических решений до финальной интерпретации модели10. Моделирование структурных уравнений с частичными наименьшими квадратами используется потому, что позволяет изучать измерения и структурные компоненты в рамках одного рабочего процесса, используя отражательные конструкции первого порядка и аналитически полученные оценки конструкций высшего порядка с помощью разъединённого двухэтапногоподхода 11. Предыдущие исследования по онлайн-вовлечённости студентов, социальному присутствию, поддержке учащихся и удержанию показывают, что коммуникация, поддержка, связь и инклюзивный дизайн курсов имеют значение, выходящие за рамки простого доступа илигибкости 12,13. Систематические обзоры также показывают, что поведенческая, когнитивная и эмоциональная вовлечённость может по-разному реагировать на условияонлайн-обучения 14. Таким образом, репрезентативные результаты используются только для демонстрации результатов протокола, а не для утверждения причинно-следственных эффектов данных поперечного сечения15.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Протокол

Протокол исследования был пересмотрен и утверждён Комитетом по этике исследований Университета Малайи (немедицинский) под номером одобрения UM. TNC (P&I)/UMREC_4892 7 августа 2025 года. Проводите все процедуры в соответствии с институциональными рекомендациями для исследований с участием людей. Получите электронное информированное согласие перед проведением анкеты. Используйте анонимные коды участников при наборе, отборе, оценке, анализе и хранении файлов. Исследовательские инструменты и программное обеспечение перечислены в Таблице материалов.

1. Определить дизайн исследования и аналитическую основу

  1. Используйте поперечный количественный опрос для оценки путей ассоциаций между онлайн-обучением, базовыми психологическими потребностями и вовлечённостью студентов университетов.
  2. Определите опыт онлайн-обучения как независимую латентную конструкцию, базовые психологические потребности — как косвенную ассоциативную латентную конструкцию, а вовлечённость в обучение — как результат латентного конструкта.
  3. Закажите три многомерных конструкции перед сбором данных. Представлять онлайн-обучение через удобство использования платформы, учебную поддержку, качество взаимодействия и гибкость обучения; базовые психологические потребности: необходимость автономии, компетентность и потребность в родственности; и вовлечённость в обучение через поведенческое вовлечённость, когнитивное и эмоциональное взаимодействие.
  4. Используйте моделирование структурных уравнений с частичными наименьшими квадратами в качестве основного аналитического метода для оценки качества измерений, оценок конструкций высшего порядка, структурных путей и заранее заданного косвенного пути.
  5. Определите основной путь перед анализом: онлайн-опыт обучения → базовые психологические потребности, базовые психологические потребности → вовлечённость в обучение, а также онлайн-опыт обучения → вовлечённость в обучение.
  6. Рассматривайте все структурные пути как оценки ассоциации. Не интерпретируйте никакой путь как причинный, поскольку все переменные измеряются в одну и ту же точку времени. Проведите априорную проверку размера выборки и силы перед набором. Используйте как целевой выборку не менее 380 действительных ответов и 350 допустимых ответов как минимально допустимую выборку после скрининга.
  7. Покажите рабочий процесс протокола на рисунке 1, включая набор, согласие, проведение анкет, экспертное рассмотрение, пилотное тестирование, скрининг ответов, блокировку наборов данных, оценку измерений, структурное тестирование, анализ косвенных ассоциаций, проверку надёжности и подготовку файлов воспроизводимости.
    ПРИМЕЧАНИЕ: Сохраняйте без изменений концептуальную модель и структурные пути — от составления анкеты до окончательного анализа.

figure-protocol-1
Рисунок 1: Операционный рабочий процесс для оценки онлайн-обучения, базовых психологических потребностей и вовлечённости в обучение. На рисунке показаны процессы протокола: от набора, согласия, администрирования анкет, экспертного рассмотрения, пилотного тестирования, скрининга ответов и блокировки наборов данных до оценки измерений, структурного тестирования, анализа косвенных ассоциаций, проверки надёжности и подготовки файлов воспроизводимости. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

2. Привлечение подходящих участников

  1. Привлекайте студентов университетов, которые участвовали хотя бы в одном онлайн- или смешанном курсе в текущем или последнем учебном семестре.
  2. Включайте участников в возрасте 18 лет и старше, обучающихся как студенты бакалавриата или магистратуры, знакомые с онлайн- или смешанным обучением, умеющие читать анкету на английском языке и готовые предоставить электронное информированное согласие.
  3. Исключать ответы, если согласие не подтверждено, критерии допуска не выполнены, задание проверки внимания не выполнено, обнаружена дублированная подача, время завершения ниже заранее установленного порога, обнаружена прямая линия или наличие нерешённой несогласованности в вопросах соответствия.
  4. Привлекайте участников через университетские образовательные платформы, группы коммуникации курсов, студенческие рассылки и студенческие каналы.
  5. Не собирайте прямые идентификаторы, включая имена, студенческие идентификационные номера, телефонные номера, адреса личной электронной почты, точные адреса проживания, IP-адреса, идентификаторы устройств или аккаунты.
  6. Записывайте даты набора, каналы набора, поданные ответы, количество исключений по категориям, сохранённые ответы и окончательный валидный размер выборки в журнале полевых работ и журнале скрининга.
    ПАУЗА: Проверяйте еженедельный прогресс набора. Проверьте только количество откликов, охват каналов набора и уровень предварительного исключения. Не проверяйте конструктивные баллы, корреляции или оценки путей при наборе.

3. Постройте анкету

  1. Подготовьте структурированную анкету на английском языке с электронным информированным согласием, скринингом на соответствие, информацией о участниках, заданиями по содержанию шкалы и одним пунктом для проверки внимания на основе инструкции.
  2. Используйте 5-балльную шкалу ответа Ликерта для всех существенных пунктов: 1 = категорически не согласен, 2 = не согласен, 3 = нейтральный, 4 = согласен и 5 = полностью согласен.
  3. Адаптируйте элементы онлайн-обучения из предыдущих показателей восприятия онлайн-обучения, поддержки обучения, качества взаимодействия, удобства использования платформы и гибкости обучения. Адаптируйте базовые пункты психологических потребностей из установленных мер автономии, компетентности и родственности. Адаптируйте элементы вовлечённости в обучение из установленных показателей поведенческих, когнитивных и эмоциональных показателей.
  4. Корректируйте формулировки пунктов только для соответствия университетскому онлайн- и смешанному обучению. Используйте чёткие, неведущие формулировки и избегайте выражений, подразумевающих высокое удовлетворение, высокий уровень психологических потребностей или ожидаемое высокое вовлечённость.
  5. Подготовьте таблицу сопоставления элемента и источника перед пилотным тестированием. Запись кода элемента, конструкции, размерности, адаптированных формулировок, исходного источника, примечания к адаптации, языка анкеты и направления оценки для каждого содержательного пункта.
  6. Используйте 33 существенных элемента по шкале Лайкерта: 12 — для онлайн-обучения, девять — для базовых психологических потребностей и 12 — для вовлечённости в обучение. Используйте три элемента для каждого измерения онлайн-обучения, по три элемента для каждого базового измерения психологических потребностей и по четыре предмета для каждого измерения вовлечённости в обучение.
  7. Поставьте один пункт для проверки внимания на основе инструкций после блока базовых психологических потребностей. Используйте этот элемент только для скрининга качества ответа и исключайте его из оценки конструкций, анализа надёжности, анализа валидности, оценки PLS-SEM, косвенного ассоциативного тестирования и анализа устойчивости.
  8. Ожидаемое время заполнения анкеты в пределах 8–12 минут во время пилотного тестирования. Используйте таблицу 1 для документирования доменов конструкции, размеров, кодов элементов, количества элементов, масштаба отклика, направления оценки и адаптации. Используйте дополнительный файл 1 для полного опрошения, сопоставления элементов и источников, кодирования переменных и правил оценки.
    ПРИМЕЧАНИЕ: Сохраняйте концептуально отдельные пункты предиктора, косвенной ассоциации и результата.

Таблица 1: Постройте домены, размерности, структуру анкеты и правила подсчёта оценок. В этой таблице изложена структура анкеты, включая домены и измерения конструкций, коды и числа заданий, примерные элементы, базу адаптации, масштаб ответов и правила оценки. Пункт проверки внимания идентифицируется как предмет, предназначенный только для отбора. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

4. Проведение экспертного обзора и пилотных испытаний

  1. Пригласите трёх-пяти экспертов по образовательной психологии, онлайн-обучению, количественной методологии, исследованиям в высшем образовании или проектированию опросов, чтобы они ознакомились с анкетой.
  2. Попросите экспертов оценить ясность пунктов, составление релевантности, избыточность формулировок, нагрузку на ответы, культурную пригодность, языковую ясность и согласованность каждого пункта с его присвоенной измерением.
  3. Зафиксируйте результаты экспертного обзора в журнале изменений, включая оригинальную формулировку, беспокойство рецензента, решение о правке, итоговую формулировку и причины сохранения, изменения или удаления.
  4. Пересматривайте вопросы, которые являются неоднозначными, двуствольными, слишком похожими, культурно неуместными, слабо соответствующими целевым измерениям или несоответствующими англоязычным контекстам опроса.
  5. Проведите пилотный тест с участием 30–50 студентов университета, соответствующих тем же критериям, что и основное исследование. Попросите участников пилота выявить неясные формулировки, технические проблемы с изображением, чрезмерную длину, повторяющиеся формулировки или дискомфорт, вызванный любым пунктом опросы.
  6. Фиксируйте время завершения пилота для каждого участника. Определите минимальный порог времени завершения формального исследования как большее значение от 3 минут до одной трети медианного времени завершения пилота.
  7. Рассчитать предварительную внутреннюю согласованность для каждой конструкции и проверить корреляции между товарами и итогами после пилотного тестирования. Пересматривайте или удаляйте слабые элементы только тогда, когда удаление улучшает качество измерения и не ослабляет покрытие конструкции.
  8. Завершите и зафиксируйте анкету, кодовую книгу, отметку источников товаров, журнал экспертного обзора, запись пилотного теста, порог времени завершения, правило проверки внимания, правило обнаружения дубликатов и критерии исключения перед официальным набором.
    ТОЧКА ПАУЗЫ: Не начинайте формальный набор, пока все анкеты, отбор и файлы кодирования не будут заблокированы.

5. Проведение онлайн-анкеты

  1. Создайте анкету в онлайн-системе опросов, которая поддерживает анонимное участие, подтверждение согласия, скрининг на соответствие, настройки обязательных ответов, запись времени ответа, ограничение на неидентифицируемые дубликаторы, размещение проверки внимания и экспорт таблиц.
  2. Размещайте электронное информированное согласие перед проверкой и анкетой. Разрешить участникам продолжить только после подтверждения добровольного участия и представить цель исследования нейтральным языком. Заявляйте, что исследование изучает восприятие студентами онлайн-обучения, психологического удовлетворения потребностей и вовлечённости в обучение.
  3. Укажите согласие, вопросы о допустимости и все 33 существенных пункта по шкале Лайкерта как обязательные поля. Отключите поля для прямой идентификационной информации. Не запрашивайте имена, студенческие номера, телефоны, личные адреса электронной почты, точные адреса проживания, IP-адреса, идентификаторы устройств или идентификаторы аккаунтов.
  4. Позволите участникам выйти из анкеты до финальной подачи без штрафов. Ограничивайте повторные отправки только через неидентифицированные настройки платформы опросов, если это возможно. Оставьте анкету открытой в течение 4–6 недель. Отслеживайте количество откликов два раза в неделю и фиксируйте прогресс в журнале полевых работ.
    ПРИМЕЧАНИЕ: Не предоставляйте обратную связь по личному баллу после подачи анкеты.

6. Экспорт и защита сырых данных

  1. Экспортировать все поданные ответы в форматах .xlsx и .csv сразу после закрытия набора.
  2. Сохраните один неизменённый .xlsx файл как RawData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsx и один неизменённый .csv как RawData_OnlineLearning_BPN_Engagement_YYYYMMDD.csv.
  3. Создайте рабочую копию для отбора, кодирования и анализа. Назовите WorkingData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsx. Назначайте каждому отправленному ответу анонимный код участника в форматах P001, P002, P003 и так далее.
  4. Храните необработанный набор данных в папке только для чтения и создайте контрольную сумму, запись версии файла или историю версии учреждения перед началом отбора.
  5. Сохраняйте неидентифицированные сырые архивы и метаданные отфильтрованной записи в защищённой папке институциональной верификации. Не включайте в рукопись или дополнительные файлы, предназначенные для публикации сырые исключённые записи, напрямую идентифицируемую информацию или исходные данные на уровне участника.
    ТОЧКА ПАУЗЫ: Не начинайте скрининг, пока не будут сохранены необработанный файл .xlsx, необработанный файл .csv, журнал полевых работ, запись версии необработанных данных и защищённая папка raw-data.

7. Отбирайте ответы и применяйте правила исключения.

  1. Применяйте все правила исключения перед изучением корреляций конструкций, результатов модели измерений, структурных путей или оценок косвенных ассоциаций. Удалять ответы без подтверждения согласия, без возраста, регистрации, онлайн-обучения или права на языковой анкету.
  2. Удалять дублирующиеся ответы согласно заранее заданному правилу обнаружения дубликатов. Выявляйте возможные дубликаты только с помощью неидентифицирующих флагов дубликатов на платформе опроса и анонимной информации о шаблонах ответа. Сохраняйте самый ранний полный ответ при выявлении дублирующихся ответов.
  3. Удалять ответы, которые не проходят проверку внимания на основе инструкций или выполнены ниже минимального порога по формальному исследованию. Определите прямую линию, как выбор одного и того же варианта ответа как минимум для 90% из 33 основных элементов шкалы Лайкерта. Удалять ответы, соответствующие этому критериу.
  4. Отмечайте паттерны отклика длинных строк, когда один и тот же вариант отклика выбран дляr 20 или более последовательных существенных элементов шкалы Лайкерта. Удалять отмеченные ответы только если они также показывают неправдоподобно короткое время выполнения, неудачную проверку внимания, прямую линию или другое заранее заданное нарушение качества.
  5. Отмечайте непоследовательные ответы на фоне, если участник сообщает о отсутствии онлайн- или смешанного обучения, но сообщает о еженедельных часах онлайн-обучения выше нуля. Удалять ответы с нерешённой несогласованностью в вопросах правомочности.
  6. Запишите каждый исключённый случай в журнал отборов с анонимным кодом участника, категорией исключения, причиной исключения, датой скрининга и решением о скрининге.
  7. Используйте таблицу 2 для документирования поданных ответов, категорий исключений, количества исключений, сохранённых ответов и окончательного допустимого размера выборки. Если необработанные счёты исключений невозможно восстановить для репрезентативного набора данных, указывайте это явно.
    ПРИМЕЧАНИЕ: Исключайте случаи только в соответствии с заранее определёнными правилами согласия, права на участие, дублирую, проверке внимания, времени завершения, шаблона ответа, отсутствия или согласованности. Не начинайте кодирование, пока не будут сохранены отдельно и заблокированы необработанный набор данных, очищенный набор данных, журнал исключения, полевые работы и запись версии набора данных.

Таблица 2: Отбор ответов, правила исключения и решения по обработке данных. В этой таблице представлены заранее заданные правила отбора и решения по обработке данных по согласию, соответствию, дублирующимся ответам, проверке внимания, времени завершения, проверке паттернов ответа, отсутствию и блокировке наборов данных. Правила исключения применяются перед изучением корреляций конструкций, результатов модели измерений, структурных путей или оценок косвенных ассоциаций. Каждый исключённый ответ записывается в де-идентификационный журнал скрининга с использованием анонимного кода участника, категории исключения, причины исключения, даты скрининга и решения о скрининге. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

8. Обработка отсутствующих данных

  1. Предотвращайте пропущенные значения в вопросах согласия, вопросах о допустимости и 33 основных пунктах по шкале Лайкерта, устанавливая эти поля в соответствии с требованиями системы опроса. Проверьте очищенный набор данных на наличие недостающих значений после проверки.
  2. Относитесь к отсутствующим значениям в необязательных фоновых переменных как «не сообщается». Не приписывайте дополнительные демографические или фоновые переменные.
  3. Исключить фоновую переменную из ковариатного анализа, если её отсутствующая скорость превышает 10%. Сохраняйте фоновую переменную в качестве ковариата только тогда, когда её отсутствующая скорость составляет 10% или ниже, и переменная теоретически релевантна.
  4. Не приписывайте недостающие значения в 33 существенных элементах по шкале Лайкерта. Если обнаружена существенная отсутствующая задача несмотря на настройки обязательного ответа, определите, вызвана ли проблема экспортом опроса, логикой опроса или неполной обработкой подачи до окончательного завершения очищенного набора данных.
    ПРИМЕЧАНИЕ: Запишите проверку пропавших данных. Сообщайте о количестве недостающих значений и коэффициенте пропущения для кода участников, фоновых переменных, существенных элементов шкалы Лайкерта, показателей размерности и глобальных оценок конструкций.

9. Кодировать переменные и рассчитывать баллы

  1. Кодировать все существенные элементы по шкале Лайкерта от 1 до 5: 1 = сильно не согласен, 2 = не согласен, 3 = нейтральный, 4 = согласен и 5 = полностью согласен. Код, пол, академический уровень, год обучения, категория дисциплины, еженедельные часы онлайн-обучения и предыдущий онлайн-опыт обучения согласно заблокированной кодовой книге.
  2. Проверьте все переменные на наличие значений вне диапазона перед вычислением размерных или глобальных конструктных оценок.
  3. Рассчитывайте показатели измерения онлайн-обучения по элементам: удобство использования платформы = mean(OLE_PU1–OLE_PU3), поддержка обучения = mean(OLE_IS1–OLE_IS3), качество взаимодействия = среднее (OLE_IQ1–OLE_IQ3), гибкость обучения = среднее (OLE_LF1–OLE_LF3).
  4. Вычислите базовые показатели измерения психологических потребностей как значения элемента: необходимость автономии = среднее (BPN_AU1–BPN_AU3), потребность компетентности = среднее (BPN_CO1–BPN_CO3) и необходимость родственности = среднее (BPN_RE1–BPN_RE3).
  5. Рассчитывайте показатели измерения вовлечённости в обучении по таким значениям: поведенческая вовлечённость = средняя(LE_BE1–LE_BE4), когнитивная вовлечённость = средняя(LE_CE1–LE_CE4), и эмоциональная вовлечённость = средняя(LE_EE1–LE_EE4).
  6. Вычислить глобальные оценки конструкции как измерение: онлайн-опыт обучения = среднее (удобство использования платформы, поддержка обучения, качество взаимодействия, гибкость обучения); базовые психологические потребности = значение (потребность в автономии, потребность в компетентности, потребность в родственности); а вовлечённость в обучение = среднее (поведенческая вовлечённость, когнитивная вовлечённость, эмоциональная вовлечённость).
  7. Сохранять данные на уровне пунктов для оценки модели измерений, оценки размерности для оценки конструктов высшего порядка и анализа подизмерений, а также глобальные оценки конструкций для описательной статистики, анализа корреляции, проверки структурной модели и анализа устойчивости на основе регрессии.
    ПРИМЕЧАНИЕ: Не включайте элемент проверки внимания ни в один балл, анализ надёжности, анализ валидности, оценки PLS-SEM, косвенно-ассоциативный анализ или анализ устойчивости. Не стандартизируйте исходные оценки 1–5 до описательного анализа.

10. Контроль и оценка распространённого смещения методов

  1. Применяйте процедурные контроли перед анализом, используя анонимные ответы, нейтральную формулировку, отдельные конструктивные блоки, один пункт проверки внимания на основе инструкций, настройки обязательного ответа и ограниченный доступ к исходным данным.
  2. После скрининга ответов используйте однофакторный тест Хармана, чтобы проверить, объясняет ли один неповернутый фактор доминирующую долю дисперсии заданий. Считайте результат приемлемым, если первый неповернутый множитель составляет менее 50% от общей дисперсии.
  3. Вычислите полные значения коэффициента инфляции дисперсии коллинеарности для фокальных конструкций. Считайте значения ниже 3,30 признаком маловероятного сильного распространённого смещения метода. Фиксируйте распространённое смещение метода как ограничение, если первый невращаемый коэффициент составляет 50% и более общей дисперсии или если любой коэффициент инфляции полной коллинеарной дисперсии составляет 3,30 или выше.
    ПРИМЕЧАНИЕ: Не указывайте, что отсутствует распространённый метод смещения. Указывайте только, указывает ли диагностика на серьёзные признаки доминирующего фактора общего метода.

11. Проведение описательных и предварительных проверок

  1. Используйте R 4.4.1 для описательной статистики, проверок распределения, корреляционного анализа и регрессионного анализа надёжности. Рассчитывайте частоты и проценты для категориальных характеристик участников.
  2. Вычислите среднее, стандартное отклонение, минимум, максимум, косость и куртоз для существенных элементов, размерных показателей и глобальных конструктных оценок.
  3. Проверьте распределение предметов и очков на наличие эффектов пола, потолка и серьёзных ненормальных факторов. Определите потенциальный эффект потолка или потолка как более чем 20% участников, выбирающих вариант с наименьшим или самым высоким откликом на содержательный материал.
  4. Рассчитайте корреляции Пирсона между глобальными конструкциями и размерными показателями. Рассматривайте корреляции только как предварительное описательное доказательство и не используйте их как замену заранее заданной структурной модели.
    ПРИМЕЧАНИЕ: Записывайте эффекты пола или потолка как элементы данных. Не удаляйте случаи по причинам распространения, если они не нарушают заранее установленные правила качества ответа.

12. Оценить модель измерения высшего порядка

  1. Используйте Smart PLS 4.1 для основного анализа PLS-SEM и импортируйте очищенный набор данных на уровне элементов. Укажите удобство использования платформы, поддержку обучения, качество взаимодействия, гибкость обучения, потребность в автономии, потребность в компетенции, потребность в родственности, поведенческую вовлечённость, когнитивную вовлечённость и эмоциональную вовлечённость как рефлексивные конструкции первого порядка.
  2. Используйте разъединённый двухступенчатый подход. На первом этапе оцените рефлексивные конструкции первого порядка и сохраняйте их баллы латентных переменных.
  3. На втором этапе используйте латентные переменные показатели удобства платформы, поддержки обучения, качества взаимодействия и гибкости обучения для представления онлайн-обучения; латентные переменные оценки потребности в автономии, потребности в компетентности и родственности должны отражать базовые психологические потребности; а также латентные переменные показатели поведенческой вовлечённости, когнитивной вовлечённости и эмоциональной вовлечённости для отражания вовлечённости в обучение.
  4. Рассматривайте оценки конструктов высшего порядка как аналитически полученные представления многомерных конструкций. Не описывайте их как формирующие, если только формирующая модель явно не указана и обоснована. Сохраняйте настройки первого этапа, настройки второго этапа, оценки с латентными переменными и файлы вывода моделей в папке проверки.
    ПРИМЕЧАНИЕ: Используйте ту же процедуру конструирования высшего порядка в основной структурной модели, анализ субизмерений психологических потребностей и регрессионный анализ устойчивости.

13. Оценить модель измерения

  1. Оцените модель измерения перед интерпретацией структурной модели. Проверьте стандартизированные внешние нагрузки для всех удерживаемых индикаторов. Сохраняйте индикаторы с нагрузками не менее 0,70, когда это возможно.
  2. Проверьте индикаторы с нагрузками от 0,40 до 0,70. Удаляйте индикатор только тогда, когда удаление повышает надежность или сходимость и не ослабляет охват контента. Убирайте индикаторы ниже 0,40, если только теоретическая причина не подтверждает удержание.
  3. Оцените внутреннюю согласованность с помощью надёжности альфа и композита Кронбаха. Считайте значения от 0,70 до 0,95 приемлемыми. Оценивайте сходимость с помощью извлечённой средней дисперсии. Считайте значения не менее 0,50 приемлемыми.
  4. Оценить дискриминантную валидность с помощью отношения гетеротрейт и монопризнак. Используйте 0,85 как консервативный порог и 0,90 как максимально допустимый порог для теоретически смежных конструкций.
  5. Записывались сохранённые индикаторы, стандартизированные внешние нагрузки, альфа Кронбаха, композитную надёжность, среднюю дисперсию, значения гетеротрейта-монопризнаков, а также любые решения по удалению элементов в выходе заблокированной модели измерения.
    ПРИМЕЧАНИЕ: Не удаляйте элементы только для улучшения статистических показателей. Удалять элемент только тогда, когда задокументированы статистическая слабость и концептуальная избыточность.
    ТОЧКА ПАУЗЫ: Не начинайте структурное тестирование, пока не будут проверены сохранённые индикаторы, значения загрузки, значения надёжности, сходимость валидности, дискриминантная валидность, записи кодовой книги и значения вывода измерения по заблокированным файлам анализа.

14. Протестировать структурную модель и путь медиации

  1. Определите три структурных пути: онлайн-обучение → базовые психологические потребности, базовые психологические потребности → вовлечённость в обучение и онлайн-опыт обучения → вовлечённость в обучение.
  2. Включайте еженедельные часы онлайн-обучения и предыдущий опыт онлайн-обучения как заранее определённые контрольные переменные. Рассматривайте пол, академический уровень, год обучения и категорию дисциплины как описательные переменные, если только они не включены в заранее заданную модель чувствительности.
  3. Изучите коллинеарность структурной модели перед интерпретацией коэффициентов пути. Считайте, что значения коэффициента инфляции дисперсии ниже 3,30 указывают на маловероятную вредную коллинеарность.
  4. Оценить стандартизированные коэффициенты пути, значения t , значения p и 95% доверительные интервалы с помощью 5 000 перевыборок с использованием двухсторонних тестов. Используйте доверительные интервалы с коррекцией смещения, когда они доступны.
  5. Оцените косвенный путь от онлайн-обучения к вовлечённости в обучение через базовые психологические потребности. Рассматривайте косвенный ассоциативный путь как поддерживающийся, если доверительный интервал загрузки для косвенного эффекта не включает ноль.
  6. Записывайте прямой эффект, косвенный, общий эффект, значения R2, скорректированные значения R2, размеры эффектов f2, значения коэффициента инфляции дисперсии структурной модели и пути управляющих переменных в заблокированной структурной модели. Интерпретировать все структурные оценки как пути, основанные на ассоциациях, а не как причинные эффекты.
    ПРИМЕЧАНИЕ: Не удаляйте заранее заданный путь только потому, что он незначительный. Сохраняйте заранее заданную модель, если не выявлена ошибка кода или спецификации модели.

15. Изучить подизмерения психологической потребности

  1. Замените глобальную конструкцию базовых психологических потребностей на необходимость автономии, потребность в компетентности и потребность в родственности как параллельные конструкции косвенных ассоциаций. Оценивайте косвенные пути от онлайн-обучения к вовлечённости в обучение через необходимость автономии, компетенции и связности отдельно.
  2. Используйте 5 000 ресэмплов bootstrap для каждого пути подизмерения. Сравните направление, величину и доверительный интервал каждого косвенного пути подизмерения. Рассматривайте этот анализ как анализ чувствительности, а не как первичную модель.
    ПРИМЕЧАНИЕ: Не интерпретируйте анализ чувствительности подизмерений как новую первичную модель.

16. Проведение регрессионного анализа устойчивости

  1. Экспортируйте очищенный набор данных по оценке конструкции и сохраняйте его как ConstructScores_OnlineLearning_BPN_Engagement_YYYYMMDD.csv. Используйте R 4.4.1 для регрессии глобальных базовых психологических потребностей по глобальному онлайн-обучению, еженедельным часам онлайн-обучения и предыдущему опыту онлайн-обучения.
  2. Регрессировать глобальную вовлечённость в обучение по глобальному онлайн-обучению, базовым психологическим потребностям, еженедельным часам онлайн-обучения и предыдущему опыту онлайн-обучения. Оцените косвенный путь, используя 5 000 пересэмплирования bootstrap.
  3. Сравните регрессионный косвенный путь с косвенным путём PLS-SEM. Классифицировать путь как надёжный только тогда, когда направление остаётся неизменным и существенная интерпретация не меняется. Сохраните скрипт R, настройки загрузки и результат надёжности в папке верификации.
    ТОЧКА ПАУЗЫ: Не начинайте окончательное блокирование файла, пока не будут проверены структурная модель, анализ субразмерности и регрессионный анализ надёжности.

17. Работа с неоптимальными аналитическими результатами

  1. Если надёжность Кронбаха по альфа- или композитной системе ниже 0,70, проверьте корреляции между товарами и стандартизированными внешними нагрузками. Если средняя извлеченная дисперсия ниже 0,50, проверьте удержанные индикаторы и определите, ослабляет ли один или несколько индикаторов сходимость валидности.
  2. Если значения гетеротреит-монопризнаков превышают заранее заданный порог, проверьте формулировку элементов на предмет семантического перекрытия между теоретически близкими конструкциями. Убирайте слабый предмет только тогда, когда он статистически слаб и концептуально дублируется. Сохранение теоретически смежных конструкций отдельно при их слиянии снизило бы концептуальную ясность.
  3. Если косвенный путь не поддерживается, запишите результат как необоснованную косвенную ассоциацию. Если контрольные переменные показывают незначимые ассоциации, записывайте результаты без чрезмерной интерпретации.
    ПРИМЕЧАНИЕ: Не пересматривайте теоретическую модель после анализа, чтобы навязывать более сильную поддержку.

18. Блокировать программные выходы и файлы воспроизводимости

  1. Создайте финальную папку для институциональной верификации под названием Verification_OnlineLearning_BPN_Engagement_YYYYMMDD.
  2. Сохраняйте необработанный архив наборов данных, очищенный набор данных, набор оценок конструкции, кодовую книгу, анкету, таблицу сопоставления элемента и источника, журнал экспертного обзора, запись пилотного теста, лог полевых работ, журнал скрининга, файл правила исключения, запись порога времени завершения, выводы Smart PLS, скрипты R, таблицы вывода R, запись версии программного обеспечения и журнал смены версии в папке проверки.
  3. Сохраняйте файлы проекта Smart PLS 4.1 и экспортируйте выходные данные моделей измерения, структурной модели, bootstrap и heterotrait-monotrait в подпапку с названием SmartPLS_Output. Сохраняйте скрипты R и таблицы вывода R в подпапке с названием R_Output. Сохраните анкету, отметку элементов и источников, кодирование переменных и правила оценки как дополнительный файл 1.
  4. Сохраняйте итоговую верификацию аналитических наборов данных, сводку скрининга, запись о недостающих данных, диагностику смещения по распространённым методам, результаты моделей измерений, результаты структурной модели, результаты косвенных ассоциаций, анализ субизмерений, запись устойчивости на основе регрессии, настройки программного обеспечения и запись версии в качестве дополнительного файла 2.
  5. Не включайте напрямую идентифицируемую информацию, необработанные исключённые записи или исходные данные на уровне участников в рукопись или дополнительные файлы, представленные для публикации. Заблокируйте последнюю папку проверки после проверки согласованности. Сохраняйте последующие исправления как новые, устаревшие версии и задокументируйте причину в журнале смены версии.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Результаты

Итоговый аналитический набор данных и характеристики участников

Окончательный аналитический набор данных включал 386 студентов университетов. Официальный набор проходил с 18 августа 2025 года по 26 сентября 2025 года через университетские образовательные платформы, коммуникационные группы курсов, списки электронной почты студентов и студенческие каналы. Всего было проверено 432 поданных ответа, 386 были сохранены, что дало уровень валидного от...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Обсуждение

Этот протокол обеспечивает воспроизводимый методологический рабочий процесс для оценки ассоциативных путей между онлайн-обучением, базовыми психологическими потребностями и вовлечённостью студентов университетов. Вместо того чтобы рассматривать онлайн-обучение как единое условие, протокол разделяет воспринимаемую учебную среду на удобство использования платформы, поддержку обучения, качество взаимодействия и гибкость обучения. Эта структура позволяет исследователям определить, какая част...

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Раскрытие информации

Авторы заявляют, что у них нет финансовых или личных отношений, которые могли бы повлиять на работу, описанную в этой статье.

Благодарности

Мы искренне благодарим всех участвующих студентов за их время, сотрудничество и ценные ответы. Мы также благодарим соответствующих академических и административных сотрудников за поддержку на протяжении всего процесса опроса.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Qualtrics online survey platformQualtricsInstitutional account; version not applicableUsed 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 365Microsoft CorporationMicrosoft 365 institutional versionUsed to store the raw exported dataset, cleaned dataset, codebook, screening log, construct-score file, and verification records in .xlsx and .csv formats.
G*PowerHeinrich Heine University DüsseldorfG*Power 3.1.9.7Used for a priori sample-size and power checking before recruitment.
SmartPLSSmartPLS GmbHSmartPLS 4.1 ProfessionalUsed 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 softwareR Foundation / CRANR 4.4.1Used for descriptive statistics, Pearson correlations, common method bias diagnostics, and regression-based robustness analysis.
R package: psychCRANpsych 2.4.6Used for descriptive statistics, reliability checks, and psychometric summaries.
R package: bootCRANboot 1.3-30Used for bootstrap-based regression robustness checks.
R package: semPlotCRANsemPlot 1.1.6Used only for optional path-diagram cross-checking when R-based visual verification is needed.
OneDrive for Business or SharePoint version historyMicrosoft CorporationMicrosoft 365 institutional accountUsed 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 fileAuthor-prepared study fileSupplementary File 1Contains the final questionnaire, item-source mapping, variable names, coding rules, dimension-score formulas, global construct-score formulas, and data-handling rules.
Screening and reproducibility recordAuthor-prepared study fileSupplementary File 2Contains 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 softwareAdobe Illustrator or equivalent vector-editing softwareInstitutional versionUsed to prepare publication-ready workflow and structural-model figures.

Ссылки

  1. Organization for Economic Co-operation and Development. OECD digital education outlook 2021: pushing the frontiers with artificial intelligence, blockchain and robots. Paris: OECD Publishing; 2021. doi:10.1787/589b283f-en.
  2. Martin F, Bolliger DU. Engagement matters: student perceptions on the importance of engagement strategies in the online learning environment. Online Learn. 2018;22(1):205-222. doi:10.24059/olj.v22i1.1092.
  3. Dixson MD. Measuring student engagement in the online course: the Online Student Engagement scale (OSE). Online Learn. 2015;19(4). doi:10.24059/olj.v19i4.561.
  4. Bond M, Buntins K, Bedenlier S, Zawacki-Richter O, Kerres M. Mapping research in student engagement and educational technology in higher education: a systematic evidence map. Int J Educ Technol High Educ. 2020;17(1):2. doi:10.1186/s41239-019-0176-8.
  5. Vansteenkiste M, Ryan RM, Soenens B. Basic psychological need theory: advancements, critical themes, and future directions. Motiv Emot. 2020;44(1):1-31. doi:10.1007/s11031-019-09818-1.
  6. Chen KC, Jang SJ. Motivation in online learning: testing a model of self-determination theory. Comput Human Behav. 2010;26(4):741-752. doi:10.1016/j.chb.2010.01.011.
  7. Chiu TKF. Applying the self-determination theory to explain student engagement in online learning during the COVID-19 pandemic. J Res Technol Educ. 2022;54(sup1):S14-S30. doi:10.1080/15391523.2021.1891998.
  8. Bedenlier S, Bond M, Buntins K, Zawacki-Richter O, Kerres M. Facilitating student engagement through educational technology in higher education: a systematic review in the field of arts and humanities. Australas J Educ Technol. 2020;36(4):126-150. doi:10.14742/ajet.5477.
  9. Ward MK, Meade AW. Dealing with careless responding in survey data: prevention, identification, and recommended best practices. Annu Rev Psychol. 2023;74:577-596. doi:10.1146/annurev-psych-040422-045007.
  10. Zawacki-Richter O, Kerres M, Bedenlier S, Bond M, Buntins K, editors. Systematic reviews in educational research: methodology, perspectives and application. Wiesbaden: Springer VS; 2020. doi:10.1007/978-3-658-27602-7.
  11. Hair JF, Hult GTM, Ringle CM, Sarstedt M. A primer on partial least squares structural equation modeling. 3rd ed. Thousand Oaks: Sage Publications; 2022.
  12. Wut TM, Ng PML, Low MP. Engaging university students in online learning: a regional comparative study from the perspective of social presence theory. J Comput Educ. 2024;11(3):763-789. doi:10.1007/s40692-023-00278-8.
  13. Stone C, O’Shea S. Older, online and first: recommendations for retention and success. Australas J Educ Technol. 2019;35(1):57-69. doi:10.14742/ajet.3913.
  14. Salas-Pilco SZ, Yang Y, Zhang Z. Student engagement in online learning in Latin American higher education during the COVID-19 pandemic: a systematic review. Br J Educ Technol. 2022;53(3):593-619. doi:10.1111/bjet.13190.
  15. Maxwell SE, Cole DA. Bias in cross-sectional analyses of longitudinal mediation. Psychol Methods. 2007;12(1):23-44. doi:10.1037/1082-989X.12.1.23.
  16. Richardson JC, Maeda Y, Lv J, Caskurlu S. Social presence in relation to students’ satisfaction and learning in the online environment: a meta-analysis. Comput Human Behav. 2017;71:402-417. doi:10.1016/j.chb.2017.02.001.
  17. Meade AW, Craig SB. Identifying careless responses in survey data. Psychol Methods. 2012;17(3):437-455. doi:10.1037/a0028085.
  18. Deci EL, Ryan RM. The “what” and “why” of goal pursuits: human needs and the self-determination of behavior. Psychol Inq. 2000;11(4):227-268. doi:10.1207/S15327965PLI1104_01.
  19. Fredricks JA, Blumenfeld PC, Paris AH. School engagement: potential of the concept, state of the evidence. Rev Educ Res. 2004;74(1):59-109. doi:10.3102/00346543074001059.
  20. Garrison DR, Anderson T, Archer W. Critical inquiry in a text-based environment: computer conferencing in higher education. Internet High Educ. 2000;2(2-3):87-105. doi:10.1016/S1096-7516(00)00016-6.
  21. Cole DA, Maxwell SE. Testing mediational models with longitudinal data: questions and tips in the use of structural equation modeling. J Abnorm Psychol. 2003;112(4):558-577. doi:10.1037/0021-843X.112.4.558.
  22. Podsakoff PM, MacKenzie SB, Lee JY, Podsakoff NP. Common method biases in behavioral research: a critical review of the literature and recommended remedies. J Appl Psychol. 2003;88(5):879-903. doi:10.1037/0021-9010.88.5.879.
  23. Gašević D, Dawson S, Siemens G. Let’s not forget: learning analytics are about learning. TechTrends. 2015;59(1):64-71. doi:10.1007/s11528-014-0822-x.

Доступ ограничен. Войдите в систему или начните пробный период, чтобы просмотреть этот контент.

Перепечатки и разрешения

Теги

Эта статья была опубликована

Видео скоро будет доступно

Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.