Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Yöntem makalesi

Üniversite Öğrencilerinde Çevrimiçi Öğrenme Deneyimi, Temel Psikolojik Ihtiyaçlar ve Öğrenme Katılımını Değerlendirmek İçin Bir Anket ve Protokol

58 görüntülenme

⸱

DOI:

10.3791/72570

⸱

11 Ağustos 2026

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

Bu makalede

Özet

Bu protokol, çevrimiçi öğrenme deneyimi, temel psikolojik ihtiyaçlar ve üniversite öğrencilerinde öğrenme katılımı arasında ilişki yollarını değerlendirmek için tekrarlanabilir bir anket ve kısmi en küçük kare yapısal denklem modelleme iş akışı sunar; bunlar arasında anket uyarlama, tarama, ölçüm değerlendirmesi, dolaylı ilişkilendirme testi, dayanıklılık kontrolleri ve tekrarlanabilirlik kayıtları dahildir.

Özet

Çevrimiçi öğrenme yükseköğretimde yer alıyor, ancak değerlendirmeler genellikle katılım sorunlarının nerede ortaya çıktığını belirlemeyen erişim, memnuniyet veya tamamlama göstergelerine dayanır. Bu makale, üniversite öğrencilerinde çevrimiçi öğrenme deneyimi, temel psikolojik ihtiyaçlar ve öğrenme katılımı arasındaki ilişki yollarını değerlendirmek için tekrarlanabilir bir İngilizce dil anketi ve kısmi en küçük kare yapısal denklem modelleme protokolü sunmaktadır. Çevrimiçi öğrenme deneyimi, platform kullanılabilirliği, öğretim desteği, etkileşim kalitesi ve öğrenme esnekliği ile ölçülür; özerklik, yetkinlik ve akraba olma yoluyla temel psikolojik ihtiyaçlar; ve davranışsal, bilişsel ve duygusal etkileşim yoluyla öğrenme etkileşimi. İş akışı, öğe kaynağı haritalama, anket uyarlama, uzman incelemesi, pilot test, elektronik onay, uygunluk taraması, yanıt kalitesi kontrolleri, yapı puanlama, ortak yöntem yanlılığı tanıları, üst düzey yapı tahmini, ölçüm modeli değerlendirmesi, yapısal yol testi, dolaylı ilişkilendirme analizi, psikolojik ihtiyaç hassasiyet analizi, regresyon tabanlı dayanıklılık kontrolleri ve tekrarlanabilirlik dosya kilitlenmesi gibi süreçleri belirtir. 386 geçerli yanıttan elde edilen temsil sonuçlar, kabul edilebilir güvenilirlik, orta düzeyde yapı korelasyonları, korunmuş ölçüm kalitesi, temel psikolojik ihtiyaçlar yoluyla desteklenen dolaylı ilişki, anlamsız kontrol yolları ve eşit olmayan boyutsal puanlar göstermektedir. Protokol, çevrimiçi öğrenme deneyiminin psikolojik ihtiyaç tatmini ve katılımla nasıl ilişkili olduğuna dair şeffaf teşhisi desteklerken, kesitsel anket verilerinden nedensel yorumlamadan kaçınır.

Giriş

Çevrimiçi öğrenme, öğrenme yönetim sistemleri, video platformları, kayıtlı materyaller, eşzamanlı oturumlar ve harmanlanmış ders tasarımları aracılığıyla rutin yükseköğretimin bir parçası haline geldi. Ancak, birçok değerlendirme hâlâ erişim kayıtlarına, memnuniyet puanlarına veya tamamlama göstergelerine dayanır; bu göstergeler öğrencilerin çevrimiçi bir ders kullanıp kullanmadığını gösterir ancak düşük katılımın platform kullanılabilirliği, öğretim desteği, etkileşim kalitesi, öğrenme esnekliği, psikolojik ihtiyaç tatmini veya belirli bir katılım boyutu1 ile ilişkili olup olmadığını netleştirmez. Bu nedenle çevrimiçi öğrenme deneyimi tek bir tatmin puanına indirgenmemelidir. Önceki çevrimiçi etkileşim araştırmaları, öğrencilerin çevrimiçi öğrenme deneyiminin önemli unsurları olarak öğrenen-içeriği, öğrenen-eğitmen ve öğrenen-öğrenen etkileşiminivurgular. Mevcut protokol, platformun kullanılabilirliği, öğretim desteği, etkileşim kalitesi ve öğrenme esnekliği üzerinden çevrimiçi öğrenme deneyimini ölçmektedir.

Öğrenme etkileşimi de çok boyutludur. Davranışsal katılım, bilişsel yatırım ve duygusal katılımı içerir. Çevrimiçi kurs katılım araçları, etkileşimin yalnızca görünür katılım veya görev tamamlama ile tam olarak temsiledilemeyeceğini gösterir 3. Daha geniş eğitim teknolojisi araştırmaları ayrıca, davranışsal katılımın genellikle bilişsel veya duygusal etkileşimden daha kolay gözlemlenmesinigöstermektedir 4. Bu nedenle, protokol, etkileşimi tek bir skora toplamak yerine, davranışsal, bilişsel ve duygusal etkileşim yoluyla öğrenme katılımını ölçer.

Kendi kaderini tayin etme teorisi, çevrimiçi öğrenme deneyimini öğrenme katılımıyla bağlamanın teorik temelini sağlar. Temel psikolojik ihtiyaç teorisi, özerklik, yetkinlik ve ilişkililiği motivasyon ve uyum için merkezi koşullar olaraktanımlar. Çevrimiçi öğrenmede özerklik, algılanan seçim ve kontrol, yetkinlik ile öğrenme görevlerini tamamlama yeteneği ve eğitmenler ile sınıf arkadaşlarıyla hissedilen bağ ilişkisi anlamına gelir. Kendi kaderini tayin teorisini kullanan önceki çevrimiçi öğrenme çalışmaları, bağlamsal destek, ihtiyaç tatminini, motivasyon ve etkileşimi birbirinebağlamıştır 6,7. Bu bulgular, temel psikolojik ihtiyaçların çevrimiçi öğrenme deneyimi ile öğrenme katılımı arasında dolaylı bir ilişki yapısı olarak incelenmesini desteklerken, veriler kesitsel olduğu için nedensel yorumlamadan kaçınmaktadır.

Çevrimiçi katılım araştırmalarında metodolojik bir sorun, tutarlı operasyonel yapının eksikliğidir. Çalışmalar, öğrenme koşullarını tanımlama, katılımı ölçme ve öğrenme ortamını öğrencilerin psikolojik deneyimiyle bağlama biçimlerindefarklılık gösterir 8. Kendi raporlama anketleri ayrıca dikkatsiz yanıtlamalara, kalıplı yanıtlara, sonradan hariç tutmalara, eksik veri kararlarına ve yaygın yöntem yanlılığına karşıda savunmasızdır 9. Bu nedenle, bu protokol İngilizce anket yapısını, eşya kaynağı eşlemesini, puanlama kurallarını, elektronik onay prosedürünü, uygunluk taramasını, dikkat kontrolü kuralı, tamamlanma süresi eşiğini, düz çizgi kriterini, uzun diziliş yanıt kontrolünü, eksik veri işlemesini, model tanımını ve veri seti kilitleme prosedürünü yapısal analiz başlamadan önce sabitler.

Kavramsal çerçeve, çevrimiçi öğrenme deneyimini bağımsız yapı olarak, temel psikolojik ihtiyaçları dolaylı ilişkilendirme yapısı olarak ve öğrenme katılımını sonuç yapısı olarak tanımlar. Birincil yol, çevrimiçi öğrenme deneyiminin temel psikolojik ihtiyaçlarla ilişkili olup olmadığını, temel psikolojik ihtiyaçların öğrenme katılımıyla ilişkili olup olmadığını ve temel psikolojik ihtiyaçlar hesaba katıldığında çevrimiçi öğrenme deneyiminin doğrudan öğrenme katılımıyla ilişkili kalıp kalmadığını test eder. Protokol dört araştırma sorusu tarafından yönlendirilmektedir: yapılandırılmış anket protokolünün üç yapının kabul edilebilir yanıt kalitesi ve yapı güvenilirliği ile ölçüp ölçülemediği; çevrimiçi öğrenme deneyiminin temel psikolojik ihtiyaçlar ve öğrenme katılımıyla olumlu ilişkilendirilip ilişkilendirilmediği; çevrimiçi öğrenme deneyimi ile öğrenme katılımı arasındaki ilişkinin kısmen temel psikolojik ihtiyaçlar aracılığıyla dolaylı bir ilişki olarak taşınıp taşınmadığı; ve psikolojik ihtiyaç alt boyut analizleri ile regresyona dayalı dayanıklılık kontrollerinin, birincil PLS-SEM iş akışıyla aynı yorumu destekleyip desteklemediği.

Bu makale, geleneksel bir açıklayıcı kesitsel çalışmadan ziyade yöntem odaklı bir katkı olarak konumlandırılmıştır. Protokol, anket uyarlaması, uzman incelemesi, pilot test, anket yönetimi, yanıt taraması, yapı puanlama, ölçüm modeli değerlendirmesi, yapısal yol testi, dolaylı ilişkilendirme analizi, hassasiyet analizi, dayanıklılık kontrolü ve tekrarlanabilirlik dosyası kilitleme için tekrarlanabilir bir iş akışı sağlar. Şeffaf eğitim araştırma iş akışları, nihai model yorumundan önce analitik kararların belgelenmesinigerektirir 10. Kısmi en küçük kare yapısal denklem modellemesi, ölçüm ve yapısal bileşenlerin tek bir iş akışı içinde incelenmesine olanak tanıdığı için kullanılır; yansıtıcı birinci dereceden yapılar ve analitik olarak türetilen üst dereceden yapı puanları ayrı iki aşamalıyaklaşımla 11. Çevrimiçi öğrenci katılımı, sosyal varlık, öğrenci desteği ve kalıcılığı üzerine önceki çalışmalar, iletişim, destek, bağlantı ve kapsayıcı ders tasarımının basit erişim veya esnekliğin ötesinde önemliolduğunu göstermektedir 12,13. Sistematik incelemeler, davranışsal, bilişsel ve duygusal etkileşimin çevrimiçi öğrenme koşullarına farklı tepki verebileceğiniayrıca göstermektedir 14. Bu nedenle temsilci sonuçlar yalnızca protokolün çıktısını göstermek için kullanılır, kesitsel anket verilerinden nedensel etkiler iddia etmek içindeğil 15.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

Çalışma protokolü, Universiti Malaya Araştırma Etik Komitesi (Tıp Dışı) tarafından UM onay numarasıyla incelenip onaylanmıştır. TNC (P&I)/UMREC_4892 7 Ağustos 2025'te. İnsan katılımcıların dahil olduğu araştırmalar için tüm prosedürleri kurumsal yönergeler doğrultusunda yürütmek. Anketi uygulamadan önce elektronik bilgilendirilmiş onay alın. Alım, tarama, puanlama, analiz ve dosya depolama sırasında anonim katılımcı kodları kullanın. Araştırma araçları ve yazılımları, Materyaller Tablosu'nda listelenmiştir.

1. Çalışma tasarımı ve analitik çerçeveyi tanımlayın

  1. Üniversite öğrencilerinde çevrimiçi öğrenme deneyimi, temel psikolojik ihtiyaçlar ve öğrenme katılımı arasındaki ilişki yollarını değerlendirmek için kesitsel nicel bir anket tasarımı kullanın.
  2. Çevrimiçi öğrenme deneyimini bağımsız gizli yapı olarak, temel psikolojik ihtiyaçları dolaylı ilişki gizli yapısı olarak ve öğrenme katılımını sonuç gizli yapısı olarak tanımlayın.
  3. Veri toplamadan önce üç çok boyutlu yapıyı belirtin. Platformun kullanılabilirliği, öğretim desteği, etkileşim kalitesi ve öğrenme esnekliği ile çevrimiçi öğrenme deneyimini temsil etmek; özerklik ihtiyacı, yetkinlik ihtiyacı ve ilişkililik ihtiyacı ile temel psikolojik ihtiyaçlar; ve davranışsal katılım, bilişsel katılım ve duygusal katılım yoluyla öğrenme katılımı.
  4. Ölçüm kalitesini, üst dereceden yapı puanlarını, yapısal yolları ve önceden belirlenmiş dolaylı yolu değerlendirmek için kısmi en küçük kare yapısal denklem modellemesini birincil analitik yöntem olarak kullanın.
  5. Analizden önce ana yolu belirtin: temel psikolojik ihtiyaçlar → çevrimiçi öğrenme deneyimi, öğrenme katılımı → temel psikolojik ihtiyaçlar ve çevrimiçi öğrenme deneyimi → öğrenme katılımı.
  6. Tüm yapısal yolları ilişki tahmini olarak ele alın. Hiçbir yolu nedensel olarak yorumlamayın çünkü tüm değişkenler aynı zaman noktasında ölçülür. İşe alımdan önce örnek büyüklüğü ve güç kontrolü yapın. Hedef örneklem olarak en az 380 geçerli yanıt ve minimum kabul edilebilir tarama sonrası örnek olarak 350 geçerli yanıt kullanın.
  7. Şekil 1'deki protokol iş akışını sunun; işe alım, onay, anket uygulaması, uzman incelemesi, pilot test, yanıt taraması, veri seti kilitleme, ölçüm değerlendirmesi, yapısal test, dolaylı ilişkilendirme analizi, dayanıklılık kontrolü ve tekrarlanabilirlik dosyası hazırlama gibi konuları içerir.
    NOT: Kavramsal model ve yapısal yolları anket oluşturmadan nihai analize kadar değişmeden tutun.

figure-protocol-1
Şekil 1: Çevrimiçi öğrenme deneyimini, temel psikolojik ihtiyaçları ve öğrenme katılımını değerlendirmek için operasyonel iş akışı. Şekil, işe alım, onay, anket uygulaması, uzman incelemesi, pilot test, yanıt taraması ve veri seti kilitlenmesinden ölçüm değerlendirmesi, yapısal test, dolaylı ilişkilendirme analizi, dayanıklılık kontrolü ve tekrarlanabilirlik dosyası hazırlama süreçlerine kadar protokol iş akışını göstermektedir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

2. Uygun katılımcıları işe alın

  1. Mevcut veya en son akademik dönemde en az bir çevrimiçi veya karma kursa katılmış üniversite öğrencilerini işe alın.
  2. 18 yaş ve üzeri, şu anda lisans veya lisansüstü öğrenci olarak kayıtlı, çevrimiçi veya karma öğrenmeye maruz kalan, İngilizce anketi okuyabilen ve elektronik bilgilendirilmiş onay vermeye istekli katılımcıları dahil edin.
  3. Onay onaylanmadığında, uygunluk kriterleri karşılanmadığında, dikkat kontrolü maddesi başarısız olduğunda, tekrarlanan gönderim tespit edildiğinde, tamamlanma süresi önceden belirlenmiş eşiğin altında, düz çizgi tespit edildiğinde veya çözülmemiş uygunluk tutarsızlığı olduğunda yanıtları hariç tutun.
  4. Katılımcıları üniversite öğrenme platformları, ders iletişim grupları, öğrenci e-posta listeleri ve kurumsal öğrenci kanalları aracılığıyla kazanın.
  5. İsimler, öğrenci kimlik numaraları, telefon numaraları, özel e-posta adresleri, tam ikamet adresleri, IP adresleri, cihaz tanımlayıcıları veya hesap tanımlayıcıları dahil olmak üzere doğrudan tanımlayıcıları toplamayın.
  6. Saha çalışması günlüğü ve tarama günlüğüne işe alım tarihlerini, işe alım kanallarını, gönderilen yanıtları, kategoriye göre dışlanma sayılarını, tutulan yanıtları ve nihai geçerli örneklem büyüklüğünü kaydedin.
    DURAKLAMA NOKTASI: İşe alım ilerlemesini haftalık kontrol et. Yalnızca yanıt sayı, işe alım kanalı kapsamı ve ön dışlanma oranını inceleyin. İşe alım sırasında yapı puanlarını, korelasyonları veya yol tahminlerini incelemeyin.

3. Anketi oluştur

  1. Elektronik bilgilendirilmiş onay, uygunluk taraması, katılımcı arka plan bilgileri, önemli ölçek maddeleri ve bir öğretime dayalı dikkat kontrolü maddesi içeren yapılandırılmış bir İngilizce anket hazırlayın.
  2. Tüm önemli maddeler için 5 puanlık Likert yanıt ölçeği kullanın: 1 = kesinlikle katılmıyor, 2 = katılmıyor, 3 = nötr, 4 = katılıyor ve 5 = kesinlikle katılıyor.
  3. Çevrimiçi öğrenme deneyimi öğelerini, önceki ölçümlerdeki çevrimiçi öğrenme algısı, öğretim desteği, etkileşim kalitesi, platform kullanılabilirliği ve öğrenme esnekliği gibi ölçütlerden uyarlayın. Temel psikolojik ihtiyaçları olan unsurları yerleşik özerklik, yeterlilik ve ilişkililik ölçütlerinden uyarlayın. Yerleşik davranışsal, bilişsel ve duygusal katılım ölçümlerinden öğrenme katılımı öğelerini uyarlayın.
  4. Sadece üniversitenin çevrimiçi ve karma öğrenme bağlamlarına uyacak şekilde madde ifadelerini revize edin. Açık, öncü olmayan ifadeler kullanın ve yüksek memnuniyet, yüksek psikolojik ihtiyaç tatmin veya yüksek katılım beklentisi ima eden ifadelerden kaçının.
  5. Pilot testten önce bir eşya kaynağı haritalama tablosu hazırlayın. Her önemli madde için öğe kodu, yapı, boyut, uyarlanmış ifade, kaynak temeli, uyarlama notu, anket dili ve puanlama yönünü kaydedin.
  6. 33 temel Likert ölçeği maddesi kullanın: 12'si çevrimiçi öğrenme deneyimi için, dokuz temel psikolojik ihtiyaçlar için ve 12'si öğrenme katılımı için. Her çevrimiçi öğrenme deneyimi boyutu için üç madde, her temel psikolojik ihtiyaç boyutu için üç öğe ve her öğrenme etkileşimi boyutu için dört öğe kullanın.
  7. Temel psikolojik ihtiyaçlar bloğunun ardından bir eğitim tabanlı dikkat kontrolü maddesi yerleştirin. Bu maddeyi yalnızca yanıt kalitesi taraması için kullanın ve yapı puanlama, güvenilirlik analizi, geçerlilik analizi, PLS-SEM tahmini, dolaylı ilişkilendirme testi ve dayanıklılık analizinden hariç tutulun.
  8. Pilot testler sırasında beklenen anket tamamlanma süresini 8–12 dakika içinde tutun. Yapı alanlarını, boyutları, öğe kodlarını, öğe sayısını, yanıt ölçeğini, puanlama yönünü ve uyarlama temelini belgelemek için Tablo 1'i kullanın. Tam anket, öğe kaynağı eşleme, değişken kodlama ve puanlama kurallarını sağlamak için Ek Dosya 1'i kullanın.
    NOT: Tahmin edici, dolaylı ilişki ve sonuç öğelerini kavramsal olarak farklı tutun.

Tablo 1: Alan alanları, boyutları, anket yapısını ve puanlama kurallarını oluşturun. Bu tablo, anket yapısını özetlemek; yapı alanları ve boyutları, öğe kodları ve sayıları, örnek öğeler, uyarlama temeli, yanıt ölçeği ve puanlama kurallarını içerir. Dikkat kontrolü öğesi sadece tarama için kullanılan bir öğe olarak tanımlanır. Bu tabloyu indirmek için lütfen buraya tıklayın.

4. Uzman incelemesi ve pilot testleri yapmak

  1. Eğitim psikolojisi, çevrimiçi öğrenme, nicel metodoloji, yükseköğretim araştırmaları veya anket tasarımı alanlarında üç ila beş uzmanı anketi incelemeye davet edin.
  2. Uzmanlardan öğe netliğini değerlendirmelerini, alaka oluşturmalarını, ifade yetmezliğini, yanıt yükünü, kültürel uygunluğu, dil netliğini ve her madde ile kendisine verilen boyut arasındaki uyumu değerlendirmelerini iste.
  3. Uzman incelemesi sonuçlarını, orijinal ifade, gözden geçirici endişesi, revizyon kararı, nihai ifade ve saklama, revizyon veya kaldırma nedenleri dahil olmak üzere bir madde revizyon günlüğüne kaydedin.
  4. Belirsiz, çift taraflı, aşırı benzer, kültürel olarak uygunsuz, hedef boyutla zayıf uyumlu veya İngilizce anket bağlamıyla tutarsız maddeleri gözden geçirin.
  5. Ana çalışmayla aynı uygunluk kriterlerini karşılayan 30–50 üniversite öğrencisiyle pilot test yapın. Pilot katılımcılardan belirsiz ifadeleri, teknik gösterim sorunlarını, aşırı uzunlukları, tekrarlayan ifadeleri veya herhangi bir anket maddesinin neden olduğu rahatsızlığı tespit etmelerini iste.
  6. Her katılımcı için pilot tamamlama süresini kaydet. Resmi çalışma minimum tamamlanma süresi eşiğini, pilot medyan tamamlanma süresinin 3 dakika ile üçte biri arasındaki daha büyük değer olarak tanımlayın.
  7. Her yapı için ön iç tutarlılığı hesaplayın ve pilot testlerden sonra eşya-toplam korelasyonları inceleyin. Zayıf öğeleri yalnızca silme ölçüm kalitesini iyileştirdiğinde ve yapı kapsamını zayıflatmadığında revize edin veya çıkarın.
  8. Anketi, kod kitabını, ürün kaynağı eşlemesini, uzman inceleme günlüğünü, pilot-test kaydını, tamamlanma süresi eşiğini, dikkat kontrolü kuralı, tekrarı tespit kuralı ve dışlama kriterlerini resmi işe alımdan önce kesinleştirip kilitleyin.
    DURAKLAMA NOKTASI: Tüm anketler, tarama ve kodlama dosyaları kilitlenmeden resmi işe başlaman.

5. Çevrimiçi anketi yönetin

  1. Anketi, anonim katılım, onay onayı, uygunluk taraması, gerekli yanıt ayarları, yanıt süresi kaydı, tanımsız tekrarlama gönderim kısıtlaması, dikkat kontrolü yerleştirme ve elektronik tablo dışına aktarmayı destekleyen çevrimiçi bir anket sisteminde oluşturun.
  2. Uygunluk taraması ve anket maddelerinden önce elektronik bilgilendirilmiş onay ekleyin. Katılımcıların yalnızca gönüllü katılımlarını onayladıktan sonra ilerlemesine izin verin ve çalışma amacını nötr bir dilde sunsunsun. Çalışmanın öğrencilerin çevrimiçi öğrenme, psikolojik ihtiyaç tatmini ve öğrenme katılımı algılarını incelediğini belirtin.
  3. Onay, uygunluk soruları ve tüm 33 önemli Likert ölçeği maddesini zorunlu alanlar olarak belirleyin. Doğrudan tanımlama bilgisi için alanları devre dışı bırakın. İsim, öğrenci numarası, telefon numarası, özel e-posta adresi, tam ikamet adresi, IP adresi, cihaz tanımlayıcıları veya hesap tanımlayıcıları talep etmeyin.
  4. Katılımcıların son başvurudan önce anketten ceza almadan çıkmasına izin verin. Tekrarlayan gönderimleri yalnızca tanımlamayan anket platformu ayarları üzerinden kısıtlayın. Anketi 4–6 hafta boyunca açık tutun. Yanıt sayılarını haftada iki kez izleyin ve işe alım ilerlemesini saha çalışma günlüğünde belgeleyin.
    NOT: Anket gönderildikten sonra kişisel puan geri bildirimi vermeyin.

6. Ham verileri dışa aktarın ve korun

  1. İşe alım kapandıktan hemen sonra gönderilen tüm yanıtları .xlsx ve .csv formatlarında dışa aktarın.
  2. Bir değişmemiş .xlsx dosyasını RawData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsx ve bir dosyayı değişmemiş .csv dosyasını RawData_OnlineLearning_BPN_Engagement_YYYYMMDD.csv olarak kaydet.
  3. Tarama, kodlama ve analiz için çalışan bir kopya oluşturun. Adını WorkingData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsx. Her gönderilen yanıta P001, P002, P003 ve benzeri formatlarda anonim bir katılımcı kodu atayın.
  4. Ham veri setini yalnızca okunabilir bir klasörde saklayıp tarama başlamadan önce bir kontrol toplamı, dosya sürüm kaydı veya kurumsal sürüm geçmişi kaydı oluşturun.
  5. Kimliği silinmiş ham gönderilen kayıt arşivi ve tarama meta verilerini korunan kurumsal doğrulama klasöründe korun. Ham hariç kayıtları, doğrudan tanımlanabilir bilgileri veya katılımcı düzeyindeki ham verileri makale veya yayımlanmak üzere gönderilen ek dosyalara dahil etmeyin.
    DURAKLAMA NOKTASI: Ham .xlsx dosyası, ham .csv dosyası, saha çalışması günlüğü, ham veri sürüm kaydı ve korunan ham veri klasörü kaydedilene kadar taramaya başlamayın.

7. Yanıtları ekran ve dışlama kurallarını uygula

  1. Yapı korelasyonlarını, ölçüm modeli çıktısını, yapısal yolları veya dolaylı ilişki tahminlerini incelemeden önce tüm dışlama kurallarını uygulayın. Onay olmadan veya yaş, kayıt, çevrimiçi öğrenme deneyimi veya anket dili uygunluğu olmadan yanıtları kaldırın.
  2. Önceden belirlenmiş tekrarlanmış tespit kuralına göre tekrarlanan yanıtları kaldırın. Olası tekrarları yalnızca tanımlamayan anket platformu yikrarlanan bayrakları ve anonim yanıt deseni bilgileri ile tespit edin. Tekrarlanan yanıtlar tespit edildiğinde en erken tam yanıtı saklayın.
  3. Öğretime dayalı dikkat kontrolü maddesini geçemeyen veya resmi çalışmanın minimum tamamlanma süresi eşiğinin altında tamamlanan yanıtları kaldırın. Düz çizgileme, 33 önemli Likert ölçeği maddesinin en az %90'ı için aynı yanıt seçeneğini seçmek olarak tanımlayın. Bu kritere uygun yanıtları kaldırın.
  4. Aynı yanıt seçeneği ardışık20 veya daha fazla ardışık Likert ölçeği öğesi için seçildiğinde uzun dili yanıt desenlerini işaretleyin. İşaretlenen yanıtlar yalnızca inanılmaz derecede kısa tamamlanma süresi, başarısız dikkat kontrolü, düz çizgi veya önceden belirlenmiş başka bir kalite ihlali gösterdiğinde kaldırılır.
  5. Katılımcı çevrimiçi veya karma öğrenme deneyimini bildirmediğinde ancak haftalık çevrimiçi öğrenme saatlerini sıfırın üzerinde bildirdiğinde tutarsız arka plan yanıtlarını işaretleyin. Çözümsüz uygunluk tutarsızlığı olan yanıtları kaldırın.
  6. Her hariç tutulan vakayı anonim katılımcı kodu, dışlama kategorisi, eleme nedeni, tarama tarihi ve eleme kararıyla birlikte kimliği silinmiş bir tarama günlüğüne kaydedin.
  7. Gönderilen yanıtları, hariç tutma kategorilerini, hariç tutma sayılarını, tutulan yanıtları ve nihai geçerli örneklem büyüklüğünü belgelemek için Tablo 2'yi kullanın. Temsil veri seti için ham hariç sayımlar yeniden oluşturulamazsa, bunu açıkça belirtin.
    NOT: Davaları yalnızca önceden belirlenmiş onay, uygunluk, tekrar, dikkat kontrolü, tamamlanma süresi, yanıt modeli, eksiklik veya tutarlılık kurallarına göre hariç tutun. Ham veri seti, temizlenmiş veri seti, tarama günlüğü, hariç kural dosyası, saha çalışma günlüğü ve veri seti versiyon kaydı ayrı kaydedilip kilitlenene kadar kodlamaya başlaman.

Tablo 2: Yanıt taraması, dışlama kuralları ve veri işleme kararları. Bu tablo, önceden belirlenmiş tarama kurallarını ve veri işleme kararlarını rıza, uygunluk, tekrarlayan yanıtlar, dikkat kontrolü, tamamlanma süresi, yanıt deseni kontrolleri, eksiklik ve veri seti kilitlenmesi için özetler. Dışlama kuralları, yapı korelasyonları, ölçüm modeli çıktısı, yapısal yollar veya dolaylı ilişki tahminleri incelenmeden önce uygulanır. Her hariç tutulan yanıt, anonim katılımcı kodu, dışlama kategorisi, hariç etme nedeni, tarama tarihi ve tarama kararı kullanılarak kimliği silinmiş bir tarama günlüğüne kaydedilir. Bu tabloyu indirmek için lütfen buraya tıklayın.

8. Eksik verileri yönetin

  1. Onay, uygunluk soruları ve 33 önemli Likert ölçeği maddesinde eksik değerleri önlemek, bu alanları anket sisteminde gerekli şekilde ayarlayın. Taramadan sonra temizlenmiş veri setinde eksik değerler için inceleyin.
  2. Isteğe bağlı arka plan değişkenlerindeki eksik değerleri "bildirilmemiş" olarak değerlendirin. Isteğe bağlı demografik veya arka plan değişkenleri atfetmeyin.
  3. Eksik oranı %10'u aşarsa, arka plan değişkenini kovaryat analizinden hariç tutun. Bir arka plan değişkenini yalnızca eksik oranı %10 veya daha düşük olduğunda ve değişken teorik olarak alakalı olduğunda kovaryat olarak kalın.
  4. 33 madde Likert ölçeği ürünü eksik değerler atmayın. Zorunlu yanıt ayarlarına rağmen önemli bir madde eksikliği tespit edilirse, temizlenen veri setini tamamlamadan önce sorunun anket ihracatından mı, anket mantığından mı yoksa eksik gönderim işlemesinden mi kaynaklandığını belirleyin.
    NOT: Kayıp veri kontrolünü kaydedin. Katılımcı kodu, arka plan değişkenleri, önemli Likert ölçeği öğeleri, boyut puanları ve küresel yapı puanları için eksik değerler sayısını ve eksik oranı raporlayın.

9. Değişkenleri kodlayın ve puanları hesaplayın

  1. 1'den 5'e kadar tüm madde Likert ölçeği öğeleri kodlayın: 1 = kesinlikle katılmıyor, 2 = katılmıyor, 3 = nötr, 4 = katılıyor ve 5 = kesinlikle katılıyor. Cinsiyet, akademik seviye, çalışma yılı, disiplin kategorisi, haftalık çevrimiçi öğrenme saatleri ve önceki çevrimiçi öğrenme deneyimini kilitli kod kitabına göre kodlayın.
  2. Boyut veya küresel yapı puanlarını hesaplamadan önce tüm değişkenleri aralık dışı değerler için inceleyin.
  3. Çevrimiçi öğrenme deneyimi boyut puanlarını öğe ortalamaları olarak hesaplayın: platform kullanılabilirliği = ortalama(OLE_PU1–OLE_PU3), öğretim desteği = ortalama(OLE_IS1–OLE_IS3), etkileşim kalitesi = ortalama(OLE_IQ1–OLE_IQ3) ve öğrenme esnekliği = ortalama(OLE_LF1–OLE_LF3).
  4. Temel psikolojik ihtiyaç boyut puanlarını eşya anlamı olarak hesaplayın: özerklik ihtiyacı = ortalama(BPN_AU1–BPN_AU3), yeterlilik ihtiyacı = ortalama(BPN_CO1–BPN_CO3) ve ilişkililik ihtiyacı = orta(BPN_RE1–BPN_RE3).
  5. Öğrenme katılımı boyut puanlarını öğe ortalamaları olarak hesaplayın: davranışsal katılım = ortalama(LE_BE1–LE_BE4), bilişsel katılım = ortalama(LE_CE1–LE_CE4) ve duygusal katılım = ortalama(LE_EE1–LE_EE4).
  6. Küresel yapı puanlarını boyut anlamları olarak hesaplayın: çevrimiçi öğrenme deneyimi = ortalama (platform kullanılabilirliği, öğretim desteği, etkileşim kalitesi, öğrenme esnekliği); temel psikolojik ihtiyaçlar = ortalama (özerklik, ihtiyaç, yetkinlik gereksinimi, akrabalık ihtiyalı); ve öğrenme etkileşimi = ortalama (davranışsal katılım, bilişsel katılım, duygusal katılım).
  7. Ölçüm modeli değerlendirmesi için öğe düzeyindeki verileri, üst dereceden yapı tahmini ve alt boyut analizi için boyut puanlarını, tanımlayıcı istatistikler, korelasyon analizi, yapısal model kontrolü ve regresyona dayalı dayanıklılık analizi için küresel yapı puanlarını tutun.
    NOT: Dikkat kontrolü maddesini herhangi bir puan, güvenilirlik analizi, geçerlilik analizi, PLS-SEM tahmini, dolaylı ilişkilendirme analizi veya dayanıklılık analizine dahil etmeyin. Orijinal 1–5 puanlarını betimleyici analizden önce standartlaştırmayın.

10. Yaygın yöntem yanlılığını kontrol edin ve değerlendirin

  1. Analizden önce prosedürel kontrolleri uygulamak; anonim yanıtlar, tarafsız ifadeler, ayrılmış yapı blokları, tek bir talimat tabanlı dikkat kontrolü öğesi, gerekli yanıt ayarları ve kısıtlı ham veri erişimi kullanılabilmektedir.
  2. Yanıt taramasından sonra, Harman'ın tek faktörlü testini kullanarak tek bir döndürülmemiş faktörün madde varyansında baskın payı oluşturup oluşturmadığını inceleyin. İlk dönmemiş faktör toplam varyansın %50'sinden azını oluşturduğunda sonucu kabul edilebilir olarak değerlendirin.
  3. Odak yapılar için tam kollinearlık varyans enflasyon faktörü değerlerini hesaplayın. 3.30'un altındaki değerleri, ciddi yaygın yöntem yanlılığının olası olmadığını gösteren bir gösterge olarak değerlendirin. Eğer ilk dönmemiş faktör toplam varyansın %50 veya daha fazlasını oluşturuyorsa veya herhangi bir tam kollinearite varyans enflasyon faktörü 3.30 veya daha üzerse, ortak yöntem yanlılığını sınırlama olarak kaydet.
    NOT: Yaygın yöntem yanlılığının olmadığını belirtmeyin. Sadece tanıların baskın ortak yöntem faktörünün ciddi kanıtını gösterip göstermediğini belirtin.

11. Tanımlayıcı ve ön kontroller yapmak

  1. Betimleyici istatistikler, dağılım kontrolleri, korelasyon analizi ve regresyona dayalı dayanıklılık analizi için R 4.4.1 kullanın. Kategorik katılımcı özellikleri için sıklıkları ve yüzdeleri hesaplayın.
  2. Temel öğeler için ortalama, standart sapma, minimum, maksimum, eğri ve kurtosis hesaplayın, boyut puanları ve küresel yapı puanları.
  3. Zemin etkileri, tavan etkileri ve ciddi normal olmayan durumlar için eşya ve puan dağılımlarını inceleyin. Potansiyel taban veya tavan etkisini, katılımcıların %20'sinden fazlasının en düşük veya en yüksek yanıt seçeneğini seçmesi olarak tanımlayın.
  4. Küresel yapılar ve boyut puanları arasındaki Pearson korelasyonlarını hesaplayın. Korelasyonları yalnızca ön tanımlayıcı kanıt olarak ele alın ve önceden belirlenmiş yapısal modelin yerine kullanılmayın.
    NOT: Taban veya tavan etkilerini veri özellikleri olarak kaydedin. Dağıtım nedenleriyle vakaları silmeyin, önceden belirlenmiş yanıt kalitesi kurallarını da ihlal etmedikçe.

12. Yüksek dereceli ölçüm modelini tahmin edin

  1. Birincil PLS-SEM analizi için Smart PLS 4.1 kullanın ve temizlenmiş eşya seviyesi veri setini içe aktarın. Platform kullanılabilirliği, öğretim desteği, etkileşim kalitesi, öğrenme esnekliği, özerklik gerekliliği, yetkinlik gereksinimi, ilişki gereksinimi, davranışsal katılım, bilişsel katılım ve duygusal katılımı yansıtıcı birinci dereceden yapılar olarak belirtin.
  2. Ayrık iki aşamalı yaklaşımı kullanın. İlk aşamada, yansıtıcı birinci dereceden yapıları tahmin edin ve onların gizli değişken puanlarını kaydedin.
  3. İkinci aşamada, platform kullanılabilirliği, öğretim desteği, etkileşim kalitesi ve öğrenme esnekliği gibi gizli değişkenli puanlar kullanılarak çevrimiçi öğrenme deneyimini temsil edilir; Gizli değişkenli özerklik ihtiyacı, yeterlilik ihtiyacı ve ilişkililik puanları temel psikolojik ihtiyaçları temsil etmelidir; ve öğrenme katılımını temsil etmek için davranışsal katılım, bilişsel katılım ve duygusal katılımın gizli değişkenli puanları.
  4. Daha yüksek dereceden yapı puanlarını, çok boyutlu yapıların analitik olarak türetilen temsilleri olarak ele alın. Biçimlendirici model açıkça belirtilmedikçe biçimlendirici olarak tanımlaman. Birinci aşama ayarlarını, ikinci aşama ayarlarını, gizli değişken puanlarını ve model çıktısı dosyalarını doğrulama klasörüne kaydedin.
    NOT: Ana yapısal modelde, psikolojik ihtiyaç alt boyut analizinde ve regresyona dayalı dayanıklılık analizinde aynı üst dereceden yapı prosedürünü kullanın.

13. Ölçüm modelini değerlendirin

  1. Yapısal modeli yorumlamadan önce ölçüm modelini değerlendirin. Tüm sabit göstergeler için standart dış yüklemeleri inceleyin. Mümkün olduğunda en az 0.70 yüklü göstergeleri koruyun.
  2. 0.40 ile 0.70 arasında yükleme oranlarıyla göstergeleri inceleyin. Bir gösterge, yalnızca silme güvenilirliği veya yakınsak geçerliliği artırdığında ve içerik kapsamını zayıflatmadığında kaldırın. Belgelenmiş teorik bir sebep korumayı desteklemiyorsa, 0.40'ın altındaki göstergeleri kaldırın.
  3. Cronbach'ın alfa ve bileşik güvenilirliğini kullanarak iç tutarlılığı değerlendirin. 0.70 ile 0.95 arasındaki değerleri kabul edilebilir olarak değerlendirin. Alınan ortalama varyans kullanılarak yakınsamak geçerliliği değerlendirin. En az 0.50 değerleri kabul edilebilir olarak kabul edin.
  4. Heterotrait-monotrait oranı kullanılarak ayrımcı geçerliliği değerlendirin. Teorik olarak bitişik yapılar için 0.85'i muhafazakar eşik olarak, 0.90'ı ise maksimum kabul edilebilir eşik olarak kullanın.
  5. Saklanan göstergeler, standart dış yüklemeler, Cronbach alfa, bileşik güvenilirlik, çıkarılan ortalama varyans, heterotrait-monotrait değerleri ve kilitli ölçüm modeli çıktısındaki herhangi bir eşya silme kararını kaydet.
    NOT: Öğeleri sadece istatistiksel değerleri geliştirmek için silmeyin. Bir öğeyi yalnızca istatistiksel zayıflık ve kavramsal gereksizlik belgelendiğinde kaldırın.
    DURAKLAMA NOKTASI: Korunan göstergeler, yükleme değerleri, güvenilirlik değerleri, yakınsak geçerlilik, ayırt edici geçerlilik, kod kitabı girişleri ve ölçüm-çıktı değerleri kilitli analiz dosyalarına göre kontrol edilene kadar yapısal testlere başlaman.

14. Yapısal modeli ve arabuluculuk yolunu test edin

  1. Üç yapısal yol belirtin: temel psikolojik ihtiyaçlar → çevrimiçi öğrenme deneyimi, öğrenme katılımı → temel psikolojik ihtiyaçlar ve çevrimiçi öğrenme deneyimi → öğrenme katılımı.
  2. Haftalık çevrimiçi öğrenme saatlerini ve önceki çevrimiçi öğrenme deneyimini önceden belirlenmiş kontrol değişkenleri olarak dahil edin. Cinsiyet, akademik seviye, çalışma yılı ve disiplin kategorisini, önceden belirlenmiş bir duyarlılık modeline dahil edilmedikçe tanımlayıcı değişkenler olarak ele alın.
  3. Yol katsayılarını yorumlamadan önce yapısal model kollineerliğini inceleyin. 3.30'un altındaki varyans enflasyon faktörü değerlerini zararlı kollinearlığın olası olmadığını gösteren bir gösterge olarak ele alın.
  4. Standartlaştırılmış yol katsayılarını, t değerlerini, p değerlerini ve %95 güven aralıklarını iki kuyruklu testle 5.000 bootstrap yeniden örnekleme kullanarak tahmin edin. Mevcut olduğunda önyargılı güven aralıkları kullanın.
  5. Temel psikolojik ihtiyaçlar aracılığıyla çevrimiçi öğrenme deneyiminden öğrenme katılımına dolaylı yolu tahmin edin. Dolaylı etki için bootstrap güven aralığı sıfır içermediğinde dolaylı ilişkilendirme yolunu desteklenmiş olarak kabul edin.
  6. Kilitli yapısal model çıktısında doğrudan etki, dolaylı etki, toplam etki, R2 değerleri, ayarlanmış R2 değerleri, f2 etki boyutları, yapısal model varyans şişirme faktörü değerleri ve kontrol değişkeni yollarını kaydedin. Tüm yapısal tahminleri nedensel etkiler yerine ilişki temelli yollar olarak yorumlayın.
    NOT: Önceden belirlenmiş bir yolu önemli olmadığı için kaldırmayın. Önceden belirlenmiş modeli, bir kodlama hatası veya model spesifikasyon hatası tespit edilmedikçe korun.

15. Psikolojik ihtiyaç alt boyutlarını inceleyin

  1. Küresel temel psikolojik ihtiyaç yapısını, özerklik ihtiyacı, yeterlilik ihtiyacı ve ilişki ihtiyacı ile paralel dolaylı ilişkilendirme yapıları olarak değiştirin. Çevrimiçi öğrenme deneyiminden öğrenme katılımına otonomluk ihtiyacını, yetkinlik ihtiyacı ve ilişkililik ihtiyacı yoluyla dolaylı yolları ayrı ayrı tahmin edin.
  2. Her alt boyut yolu için 5.000 bootstrap resample kullanın. Her alt boyutlu dolaylı yolun yönü, büyüklüğü ve güven aralığını karşılaştırın. Bu analizi birincil model olarak değil, bir duyarlılık analizi olarak ele alın.
    NOT: Alt boyut hassasiyeti analizini yeni bir birincil model olarak yeniden yorumlamayın.

16. Regresyona dayalı dayanıklılık analizi yapmak

  1. Temizlenmiş yapı-puan veri setini dışa aktarın ve ConstructScores_OnlineLearning_BPN_Engagement_YYYYMMDD.csv olarak kaydedin. R 4.4.1'i kullanarak küresel temel psikolojik ihtiyaçları küresel çevrimiçi öğrenme deneyimi, haftalık çevrimiçi öğrenme saatleri ve önceki çevrimiçi öğrenme deneyimiyle ilgili olarak gerileyin.
  2. Küresel çevrimiçi öğrenme deneyimi, küresel temel psikolojik ihtiyaçlar, haftalık çevrimiçi öğrenme saatleri ve önceki çevrimiçi öğrenme deneyimi üzerine küresel öğrenme katılımını gerileyin. Dolaylı yolu 5.000 bootstrap yeniden örnekleme kullanarak tahmin edin.
  3. Regresyon tabanlı dolaylı yolu PLS-SEM dolaylı yol ile karşılaştırın. Yolu yalnızca yön tutarlı kaldığında ve özsel yorum değişmediğinde sağlam olarak sınıflandırın. R scriptini, bootstrap ayarlarını ve dayanıklılık çıktısını doğrulama klasörüne kaydedin.
    DURAKLAMA NOKTASI: Yapısal model, alt boyut analizi ve regresyon tabanlı dayanıklılık analizi çapraz kontrol edilene kadar nihai dosya kilitlemesine başlamayın.

17. Optimal olmayan analitik sonuçları yönetin

  1. Cronbach'ın alfa veya bileşik güvenilirliği 0.70'in altındaysa, toplam eşya korelasyonlarını ve standart dış yüklemeleri inceleyin. Alınan ortalama varyans 0.50'nin altındaysa, saklanan göstergeleri inceleyin ve bir veya daha fazla göstergenin yakınsak geçerliliği zayıflatıp zayıflatmadığını belirleyin.
  2. Heterotrait-monotrait değerleri önceden belirlenmiş eşiği aşarsa, teorik olarak yakın yapılar arasında anlamsal örtüşme için öğe ifadesini inceleyin. Zayıf bir öğe sadece istatistiksel olarak zayıf ve kavramsal olarak gereksiz olduğunda kaldırın. Teorik olarak bitişik yapıları birleştirirken ayrı tutmak, kavramsal netliği azaltır.
  3. Dolaylı yol desteklenmiyorsa, sonucu desteklenmeyen dolaylı ilişki olarak kaydedin. Kontrol değişkenleri anlamsız ilişkiler gösteriyorsa, sonuçları aşırı yorumlamadan kaydedin.
    NOT: Analizden sonra teorik modeli daha güçlü destek sağlamak için revize etmeyin.

18. Yazılım çıkışlarını ve tekrarlanabilirlik dosyalarını kilitle

  1. Verification_OnlineLearning_BPN_Engagement_YYYYMMDD adında son bir kurumsal doğrulama klasörü oluşturun.
  2. Ham veri seti arşivini, temizlenmiş veri seti, yapı-puan veri seti, kod kitabı, anket, öğe kaynağı eşleme tablosu, uzman inceleme günlüğü, pilot test kaydı, saha çalışması günlüğü, tarama günlüğü, hariç kuralı dosyası, tamamlanma süresi eşik kaydı, Smart PLS çıktıları, R betikleri, R çıktı tabloları, yazılım sürüm kaydı ve sürüm değişikliği günlüğünü doğrulama klasörüne kaydedin.
  3. Smart PLS 4.1 proje dosyalarını kaydedin ve ölçüm modeli, yapısal model, bootstrap ve heterotrait-monotrait çıktılarını SmartPLS_Output adlı bir alt klasöre aktarın. R scriptlerini ve R çıktı tablolarını R_Output adlı bir alt klasöre kaydedin. Anketi, eşya kaynağı eşlemesini, değişken kodlamasını ve puanlama kurallarını Ek Dosya 1 olarak kaydedin.
  4. Son analitik veri seti doğrulaması, tarama özeti, eksik veri kaydı, yaygın yöntem yanlılığı tanılaması, ölçüm modeli sonuçları, yapısal model sonuçları, dolaylı ilişkilendirme sonuçları, alt boyut analizi, regresyon tabanlı dayanıklılık kaydı, yazılım ayarları ve sürüm kaydını Ek Dosya 2 olarak kaydedin.
  5. Doğrudan tanımlanabilir bilgileri, ham hariç kayıtları veya katılımcı düzeyinde ham verileri makale veya yayıma sunulan ek dosyalara dahil etmeyin. Tutarlılık kontrolünden sonra son doğrulama klasörünü kilitleyin. Sonraki düzeltmeleri yeni, tarihli sürümler olarak kaydedin ve nedenini sürüm değişikliği günlüğüne belgeleyin.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Son analitik veri seti ve katılımcı özellikleri

Son analitik veri setinde 386 üniversite öğrencisi yer aldı. Resmi işe alım, 18 Ağustos 2025'ten 26 Eylül 2025'e kadar üniversite öğrenme platformları, ders iletişim grupları, öğrenci e-posta listeleri ve kurumsal öğrenci kanalları aracılığıyla gerçekleştirildi. Toplam 432 gönderilmiş yanıt tarandı, 386 yanıt tutuldu; bu da %89,4 geçerli yanıt oranı sağladı. Kilitli veri seti 33 önemli Likert ölç...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

Bu protokol, üniversite öğrencilerinde çevrimiçi öğrenme deneyimi, temel psikolojik ihtiyaçlar ve öğrenme katılımı arasındaki ilişki yollarını değerlendirmek için tekrarlanabilir bir metodolojik iş akışı sağlar. Çevrimiçi öğrenmeyi tek bir koşul olarak ele almak yerine, protokol algılanan öğrenme ortamını platform kullanılabilirliği, öğretim desteği, etkileşim kalitesi ve öğrenme esnekliği olarak ayırıyor. Bu yapı, araştırmacıların çevrimiçi öğrenme deneyiminin hangi kısmının psikolojik ...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Yazarlar, bu makalede yer alan çalışmaları etkileyebilecek finansal veya kişisel ilişkileri olmadığını belirtmektedir.

Teşekkürler

Katılımcı tüm öğrencilere zamanları, iş birliği ve değerli yanıtları için içtenlikle teşekkür ediyoruz. Ayrıca, anket süreci boyunca verdikleri destek için ilgili akademik ve idari personele teşekkür ederiz.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
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.

Kaynaklar

  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.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Etiketler

Yap sal E itlik ModellemesiPlatform Kullan labilirli iretimsel DestekEtkile im Kalitesirenme Esnekli iPsikolojik htiya Tatmini

Bu makale yayımlandı

Video yakında

Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.