Üniversite Öğretim Elemanlarının Mesleki Gelişim Motivasyonu, Öğretim Öz-Yeterliliği ve Bağlılığı için Bir Öz-Belirleme Kuramı Anketi Protokolü

Özet

Bu protokol; üniversite öğretim elemanlarının mesleki gelişim motivasyonlarını, öğretim öz-yeterliliklerini, bağlılıklarını ve yansıtıcı uygulamalarını değerlendirmek için kullanılan anonim, kesitsel bir anket prosedürünü açıklamaktadır.

Özet

Üniversite öğretim elemanları; farklı kurumsal, disipliner ve motivasyonel koşullar altında mesleki gelişime katılım sağlarlar. Sadece katılım kayıtları, mesleki gelişimin anlamlı bir mesleki öğrenmeye dönüşüp dönüşmediğini açıklayamaz. Bu makale; psikolojik ihtiyaç tatminini, özerk ve kontrollü motivasyonu, öğretim öz-yeterliliğini, mesleki gelişim bağlılığını ve yansıtıcı uygulamaları öz-belirleme kuramı perspektifinden değerlendirmek için tekrarlanabilir, anonim ve kesitsel bir anket protokolü sunmaktadır. Protokol; uygunluk taramasını, tabakalı kolay örneklemeyi, anket oluşturmayı, uzman incelemesini, pilot testi, çevrimiçi uygulamayı, anonimleştirmeyi, yanıt kalitesi taramasını, ölçek puanlamasını, güvenilirlik tahminini, korelasyon analizini, hiyerarşik regresyonu ve duyarlılık analizlerini belirtmektedir. Ayrıca ölçek adaptasyonunu, izin doğrulamasını, yapı puanlamasını ve yüksek güvenilirliğe sahip ölçeklerin madde fazlalığının potansiyel göstergeleri olarak yorumlanmasını açıklığa kavuşturmaktadır. Protokolün tamamlanan bir uygulamasından temsili sonuçlar elde edilmiş; bu kapsamda sunulan 326 kayıt dışa aktarılmış ve önceden belirlenmiş tarama sonrası 313 geçerli yanıt tutulmuştur. Sonuçlar; özerklik, yetkinlik ve ilişkisellik ihtiyaç tatmininin özerk motivasyonla pozitif ilişkili olduğunu, özerk motivasyon ve öğretim öz-yeterliliğinin ise mesleki gelişim bağlılığı ile ilişkili olduğunu göstermiştir. Bu protokol; mesleki gelişim bağlılığının motivasyonel ve mesleki inançla ilgili korelatlarının standartlaştırılmış, çok kurumlu ve anket tabanlı çalışmaları için uygundur. Tekrarlı ölçümler, gözlem, nitel araştırma veya idari veriler eklenmediği sürece nedensel çıkarım, boylamsal değişim tahmini, doğrudan davranışsal sonuçlar veya kurum düzeyinde program değerlendirmesi için daha az uygundur.

Giriş

Öğretmen mesleki gelişimi; öğretim kalitesini, öğretimsel iyileştirmeyi ve mesleki öğrenmeyi desteklemek için yaygın olarak kullanılmaktadır, ancak değerlendirme yalnızca katılım, maruz kalma veya tamamlanan eğitim saatlerinin sayısıyla sınırlı olduğunda etkilerini yorumlamak zordur^1,2. Mesleki gelişim araştırmaları, öğrenme faaliyetlerini öğretmen değişimine bağlayan mekanizmaların net bir şekilde kavramsallaştırılmasını gerektirir; çünkü katılım, her zaman etkileşim, algılanan fayda veya sonrasındaki yansıtmayı göstermez¹. Üniversite ortamlarında öğretmenler farklı disiplinlerde, atama türlerinde, iş yükü koşullarında ve kurumsal beklentiler altında çalışırlar. Bu nedenle, psikolojik ve mesleki inanç koşullarını ölçen bir anket protokolü, öğretmenlerin mesleki gelişimi nasıl deneyimlediklerini ve nasıl ileriye taşıdıklarını inceleyerek faaliyet tabanlı izlemeyi tamamlayabilir. Alternatif yaklaşımlar farklı değerlendirme amaçlarına hizmet eder. Katılım tabanlı değerlendirme; erişimin, uyumluluğun ve programın benimsenmesinin belgelenmesi açısından verimlidir, ancak motivasyon, algılanan yetkinlik veya etkileşim kalitesi hakkında sınırlı bilgi sağlar. Nitel mülakatlar, odak grupları ve yansıtıcı anlatılar, mesleki öğrenme deneyimlerine ilişkin daha zengin açıklamalar sunar, ancak birkaç kurum veya daha büyük örneklemler genelinde standartlaştırılmış ölçümler için daha az uygundur. Boylamsal tasarımlar, zaman içindeki değişimi, zamansal sıralamayı veya gecikmiş öğretim sonuçlarını tahmin etmek için daha tercih edilebilirdir. Kurum düzeyindeki değerlendirme çerçeveleri; program sunumunun, kaynak tahsisinin ve organizasyonel hesap verebilirliğin izlenmesi için faydalıdır. Mevcut protokol; yeniden üretilebilir puanlama, temizleme ve analiz prosedürleri kullanılarak anonim, kesitsel ve çok kurumlu bir anket yürütmenin amaçlandığı durumlar için en uygundur.

Protokol, mesleki gelişimi tek seferlik kurumsal bir etkinlikten ziyade, profesyonel bir öğrenme süreci olarak ele almaktadır. Opfer ve Pedder, öğretmenlerin mesleki öğrenmesini; birey, iş yeri ve öğrenme faaliyeti sistemleri arasındaki etkileşimlerle şekillenen karmaşık bir süreç olarak kavramsallaştırmışlardır³. Bu bakış açısı üniversite öğretim elemanları için önem taşımaktadır; çünkü aynı faaliyet, algılanan seçim, öğretimsel güven, meslektaş desteği, iş yükü baskısı ve disipliner uygunluğa bağlı olarak farklı şekilde deneyimlenebilir. Bu nedenle protokol, katılım geçmişinin yanı sıra psikolojik ihtiyaç tatminini, mesleki gelişim motivasyonunu, öğretim öz-yeterliliğini, mesleki gelişime katılımı ve yansıtıcı uygulamayı değerlendirmektedir. Öz belirleme kuramı, protokolün motivasyonel temelini oluşturmaktadır. Bu kuram; davranışın kişisel olarak onaylandığı veya anlamlı bulunduğu otonom motivasyonu, davranışın esas olarak baskı, zorunluluk veya dış talep tarafından yönlendirildiği kontrollü motivasyondan ayırmaktadır⁴. Ayrıca otonomi, yetkinlik ve ilişkiselliği, öz-onaylı eylemi ve sürdürülebilir katılımı destekleyen temel psikolojik ihtiyaçlar olarak tanımlamaktadır⁵. Üniversite öğretim elemanlarının mesleki gelişiminde otonomi, gelişim faaliyetlerini seçmede veya kullanmada algılanan seçime ve mesleki takdire; yetkinlik, öğretim kapasitesindeki algılanan gelişime; ilişkisellik ise meslektaş bağlantılarına, mesleki aidiyete ve yapıcı etkileşime atıfta bulunur. Bu yapılar, protokolün öğretmenlerin neden katıldığını ve mesleki gelişim ortamının nasıl deneyimlendiğini incelemesine olanak tanır.

Öğretim öz-yeterliliği, motivasyonun tek başına öğretmenlerin mesleki gelişim içeriklerini öğretim pratiğinde uygulayabilme kapasitelerini belirlemediği için çalışmaya dahil edilmiştir. Öğretmen öz-yeterliliği, öğretmenlerin öğretimle ilgili eylemleri organize etme ve yürütme yeteneklerine ilişkin inançlarını ifade eder; bu kavram öğretim davranışı, kararlılık, coşku ve öğrenciyle ilgili çıktılarla ilişkilendirilmiştir⁶. Guskey'nin öğretmen değişimi modeli, öğretmenlerin yeni uygulamaları gelişim kanıtlarıyla ilişkilendirebildikleri zaman mesleki gelişimin anlamlı hale geldiğini öne sürmektedir⁷. Bu protokolde öğretim öz-yeterliliği, mesleki gelişimin sınıf, çevrimiçi, laboratuvar, stüdyo, klinik veya süpervizörlük öğretim ortamlarına aktarılıp aktarılmadığını açıklamaya yardımcı olabilecek mesleki bir inanç değişkeni olarak ele alınmıştır. Mesleki gelişim katılımı; mesleki gelişim etkinliklerine aktif katılım, öğrenme sürecine gösterilen dikkat, mesleki gelişim içeriğini öğretimle ilişkilendirme çabası, etkinlik sonrası süregelen öğrenme ve gelecekteki mesleki öğrenme süreçlerine katılma isteği olarak tanımlanmıştır. Bu yapı; zindelik, adanmışlık ve odaklanmanın işle ilgili faaliyetlerdeki sürdürülebilir katılımı tanımladığı daha geniş katılım literatürüyle ilişkilidir⁸. Bununla birlikte, mesleki gelişim katılımı, genel iş katılımı ile özdeş veya sadece mesleki gelişim etkinliklerine katılım sayısı olarak değerlendirilmemektedir. Bu kavram, öğretmenlerin mesleki gelişim deneyimlerine nasıl katıldıklarını, bunları nasıl işlediklerini ve kullanmaya nasıl devam ettiklerini kapsayan daha dar kapsamlı bir mesleki öğrenme yanıtı olarak ölçülmektedir. Yansıtıcı uygulama ise etkinlik sonrası inceleme, öğretim faydasının değerlendirilmesi, öğretim stratejilerinin revize edilmesi ve öğrenme çıktılarının belgelenmesi veya tartışılmasına dair kısa bir gösterge olarak dahil edilmiştir⁹.

Bir anket protokolü ayrıca önceden belirlenmiş yanıt kalitesi ve ölçüm prosedürleri gerektirir. Anonim çevrimiçi anketler; kısa süreli yanıtlar, eksik maddeler, dikkat kontrolü hataları ve değişmeyen yanıt kalıpları üretebilir. Dikkatsiz yanıt taraması, tek bir hariç tutma kuralı kullanıldığından ziyade birden fazla gösterge birleştirildiğinde daha savunulabilir olur¹⁰. Bu nedenle protokol; ölçek puanlamasından önce tamamlama süresi eşikleri, talimatlı yanıt dikkat kontrolleri, eksiklik kuralları, değişmeyen yanıt taraması ve izlenebilir hariç tutma kodlaması belirler. Bazı ölçüm koşulları altında tek başına alfa yanıltıcı olabileceği için iç tutarlılık, Cronbach’ın alfası ve McDonald’ın omegası kullanılarak tahmin edilir¹¹. Çok yüksek güvenilirlik değerleri, daha güçlü bir ölçümden ziyade madde tekrarlılığına işaret edebileceği için dikkatle yorumlanır. Birincil analiz; betimsel istatistikler, güvenilirlik tahmini, korelasyon analizi, hiyerarşik regresyon ve duyarlılık analizleri için her bir yapıyı gözlemlenen bir ölçek puanı olarak ele alır. Bu protokolü ölçek geliştirme, kültürler arası karşılaştırma veya yüksek riskli ölçümler için kullanan çalışmalar, özellikle yapı korelasyonları yüksek olduğunda veya çevrilmiş maddeler kullanıldığında, yapısal ilişkileri yorumlamadan önce açımlayıcı veya doğrulayıcı faktör analizi eklemelidir. Kesitsel tasarım; psikolojik ihtiyaç doyumu, motivasyon, öğretim öz yeterliliği, mesleki gelişim katılımı ve yansıtıcı uygulama arasındaki ilişkileri tahmin edebilir, ancak zamansal sıralamayı, nedensel etkileri veya davranışsal değişimi belirleyemez. Tüm ana değişkenler aynı katılımcılar tarafından öz bildirimle raporlandığı için; anonimlik, nötr dil kullanımı, yanıt kalitesi taraması ve duyarlılık analizlerine rağmen sosyal beğenirlik ve ortak yöntem yanlılığı olasılığı devam etmektedir¹². Bu nedenle protokol; tekrarlı ölçümler, nitel inceleme, sınıf gözlemi, öğretim materyalleri veya idari program verileri eklenmediği sürece nedensel çıkarım, boylamsal değişim tahmini, öğretim davranışının doğrudan değerlendirilmesi veya kurum düzeyinde program değerlendirmesi için daha az uygundur. Hedeflenen kapsamı dahilinde protokol, üniversite öğretim elemanlarının mesleki gelişim katılımı ve yansıtıcı mesleki öğrenme ile ilişkili motivasyonel ve mesleki inanç yapılarını incelemek için standartlaştırılmış bir yöntem sunar¹³.

Protokol

The study protocol was reviewed and approved by the Universiti Malaya Research Ethics Committee (Non-Medical) on 7 August 2025 (Reference No. UM.TNC(P&I)/UMREC_4864). Local administrative permission was obtained from each participating university before recruitment when required. Electronic informed consent was collected before eligibility screening and questionnaire administration. No names, staff identification numbers, telephone numbers, institutional email addresses, Internet Protocol addresses, geolocation data, device identifiers, exact department names, or open-text identifiers were collected. Submitted responses were assigned anonymous respondent codes and stored in encrypted institutional storage according to the approved data-retention procedure.

This protocol standardizes an anonymous, cross-sectional questionnaire procedure for assessing university teachers’ professional development motivation, basic psychological need satisfaction, teaching self-efficacy, professional development engagement, and reflective practice. The protocol uses self-determination theory to distinguish autonomous motivation from controlled motivation in professional development participation¹⁴.

1. Study design and workflow

1. Define the study as an anonymous, cross-sectional questionnaire study of university teachers and follow the workflow shown in Figure 1 from ethics approval to reproducibility checking.
2. Measure basic psychological need satisfaction, professional development motivation, teaching self-efficacy, professional development engagement, and reflective practice.
3. Treat autonomy, competence, and relatedness need satisfaction as motivational antecedents; autonomous and controlled motivation as motivational-regulation variables; teaching self-efficacy as a professional belief variable; and professional development engagement and reflective practice as professional-learning response variables¹⁵.
4. Analyze constructs as observed scale scores for descriptive statistics, reliability estimation, correlation analysis, hierarchical regression, and sensitivity analyses.
   NOTE: Add exploratory or confirmatory factor analysis before interpreting latent structure, cross-cultural measurement equivalence, or discriminant validity in studies using translated items, newly adapted items, or highly correlated constructs.

2. Participant eligibility and sampling plan

1. Recruit university teachers from at least four universities with varied institutional profiles.
2. Include participants aged 21 years or older who are employed by a higher-education institution, involved in teaching or supervision, able to complete the questionnaire in the study language, and willing to provide electronic informed consent.
3. Include undergraduate teaching, postgraduate teaching, supervision, curriculum delivery, clinical teaching, studio teaching, laboratory teaching, online teaching, and academic mentoring as eligible teaching roles.
4. Exclude administrative staff without teaching duties, retired teachers no longer involved in teaching, visiting scholars without teaching responsibilities, external trainers not employed by the university, and individuals without informed consent.
5. Use stratified convenience sampling across broad discipline groups and academic ranks. Code discipline group as Education, Humanities, Social Sciences, Business and Management, Science, Technology, Engineering and Mathematics, Health Sciences, Arts and Design, or Other.
6. Set the minimum target at 300 valid responses for regression models with multiple background and psychological predictors¹⁶. Recruit 330–360 submitted responses to allow for exclusion during screening.
7. Conduct recruitment during a regular teaching period, avoid examination weeks and major institutional evaluation periods, use a 4-week recruitment window, and extend recruitment once for 7 calendar days if fewer than 300 valid responses are available.
   NOTE: Apply identical eligibility criteria, discipline categories, recruitment wording, and exclusion rules across all universities.Pause after ethics approval, institutional permissions, recruitment channels, sampling frame, and recruitment materials are finalized.

3. Questionnaire structure and construct map

1. Build the questionnaire in seven sections: informed consent, demographic and professional background, basic psychological need satisfaction, professional development motivation, teaching self-efficacy, professional development engagement, and reflective practice.
2. Define each construct, item code, item source, item number, response scale, scoring method, expected score range, and permission status in Table 1 before programming the questionnaire.
3. Use a 5-point Likert response scale for all main psychometric items, ranging from 1 (strongly disagree) to 5 (strongly agree).
4. Collect institution code, discipline group, gender, age group, academic rank, teaching years, weekly teaching hours, professional development activities and hours in the last 12 months, and perceived administrative workload before psychometric items.
5. Code age group, teaching years, discipline group, and perceived administrative workload using the codebook in Supplementary File 1. Use broad discipline categories instead of exact department names.
6. Provide the full questionnaire, variable names, item codes, response coding, scoring syntax, exclusion coding, and script structure in Supplementary File 1.
   NOTE: Lock item codes before programming the online questionnaire. Do not change item codes after pilot testing unless the questionnaire, codebook, and analysis script are updated together.

4. Construct measurement and item allocation

1. Measure autonomy, competence, and relatedness need satisfaction with four items each.
2. Measure autonomous motivation with six items and controlled motivation with four items reflecting self-endorsed and pressure-based reasons for teaching-related professional development¹⁷.
3. Measure teaching self-efficacy with 12 university-adapted items covering instructional strategies, student engagement, and classroom management or interaction¹⁸.
4. Measure professional development engagement with six items covering active participation, sustained learning effort, attention, application, continued learning, and willingness to engage in future professional development¹⁹.
5. Measure reflective practice with four items covering post-activity reflection, usefulness evaluation, teaching-strategy revision, and documentation or discussion of learning outcomes²⁰.
6. Include two instructed-response attention-check items: one requiring “Agree” after the motivation items and one requiring “Disagree” after the teaching self-efficacy items.
7. Keep the final questionnaire between 38 and 44 main items, excluding informed consent and background questions.
8. Classify all psychometric items in Table 1 as adapted, newly written, or domain-aligned, and record source, adaptation status, and permission status.
   NOTE: Do not reproduce restricted scale items verbatim unless written permission has been obtained or the source explicitly permits such use.

5. Expert review and item refinement

1. Invite three to five reviewers with expertise in motivation theory, higher education or teacher professional development, and quantitative survey research. Include one bilingual reviewer if translation is used.
2. Provide reviewers with the study aim, construct definitions, item list, response scale, target population, scoring plan, and permission-status table.
3. Ask reviewers to rate construct relevance, wording clarity, cultural appropriateness, respondent burden, and social-desirability risk using a 4-point relevance scale.
4. Retain items rated 3 or 4 by at least 80% of reviewers. Revise or remove items with low relevance, ambiguous wording, cultural mismatch, social-desirability risk, duplication, or double-barreled wording.
5. Retain at least four items for each main construct and prepare an item-decision log with item code, reviewer concern, revision decision, final wording, source status, and permission status.
   NOTE: Pause after expert review. Resume only after the revised questionnaire, item-decision log, codebook, and scoring syntax use identical item codes.

6. Translation and language verification

1. Use the original study language if all participating teachers can complete the questionnaire in that language.
2. Apply forward translation and back translation if English-source items are administered in another language.
3. Ask two bilingual translators to translate the questionnaire independently, reconcile the translations, and ask a third bilingual translator to back-translate the reconciled version into English.
4. Compare the back-translated version with the source version for changes in construct meaning, response direction, and item intensity²¹. Revise items when meaning changes are identified.
5. Conduct cognitive checking with five university teachers and ask them to identify confusing, ambiguous, sensitive, repeated, or culturally inappropriate items.
6. Finalize and lock the administered version after translation and cognitive-checking issues are resolved.
   NOTE: Use one finalized questionnaire version for all main-study participants unless each language version has passed the same verification procedure.

7. Pilot testing

1. Recruit 20-30 university teachers from the target population for pilot testing and exclude them from the main survey.
2. Administer the pilot questionnaire through the same type of institutionally approved online survey platform planned for the main study.
3. Record completion time automatically from the first post-consent questionnaire page to final submission, and collect participant comments on wording, repetition, survey length, sensitive items, and display problems.
4. Calculate the median pilot completion time. Define the minimum valid completion-time threshold as one-third of the pilot median or 180 s, whichever is longer, and define the borderline-time range as the threshold plus 60 s.
5. Revise the questionnaire if the pilot median completion time is below 5 min or above 15 min, if item missingness exceeds 10% with wording-related comments, or if more than 10% of pilot participants misunderstand either of the attention-check item.
6. Calculate preliminary internal consistency for each scale and lock the questionnaire, codebook, scoring syntax, completion-time threshold, and borderline-time range before main recruitment.
   NOTE: Do not use pilot responses in the main analysis dataset. Resume main recruitment only after the questionnaire, codebook, completion-time rules, and scoring syntax are locked.

8. Online survey setup

1. Build the questionnaire in an institutionally approved online survey platform using the platform-configuration checklist in Supplementary File 1.
2. Disable collection of Internet Protocol addresses, geolocation data, device identifiers, names, and email addresses.
3. Place the participant information sheet and electronic informed-consent item on the first page. Terminate the survey automatically when “I do not agree to participate” is selected.
4. Use forced response only for consent and eligibility items. Allow psychometric items to be skipped for prespecified missing-data handling.
5. Display one construct block per page, keep consent, eligibility, demographic, and attention-check items fixed, and apply block-level item randomization only within construct blocks when supported by the platform.
6. Use non-identifying duplicate-prevention settings and avoid Internet Protocol address tracking.
7. Test the survey link on desktop, laptop, tablet, and smartphone devices. Submit and export at least five test responses, then verify consent branching, eligibility branching, variable names, response codes, timestamps, missing values, completion time, and attention-check coding using Supplementary File 1.
8. Confirm that skipped psychometric items are exported as missing values rather than zeros. Delete test responses before recruitment.
   NOTE: Do not start recruitment if skipped psychometric items are exported as zeros or if consent branching, eligibility branching, or attention-check coding is incorrect.

9. Recruitment procedure

1. Send the recruitment invitation through general institutional channels, faculty development offices, academic mailing lists, or teacher professional development groups.
2. Use a neutral recruitment message stating the study purpose, eligibility criteria, approximate completion time, voluntary participation, anonymity protection, and survey closing date.
3. Do not ask direct supervisors to recruit individual staff members, provide department-level participation reports, or provide individual completion-linked incentives unless approved by the ethics committee.
4. Send the first invitation on Day 1, the first reminder on Day 10, and the final reminder on Day 21.
5. Close the survey on Day 28 unless the approved 7-calendar-day extension is activated because fewer than 300 valid responses are available.
6. Record recruitment dates, reminder dates, submitted responses, extension status, and final closure date in the recruitment log.
   NOTE: Pause after survey closure. Export and lock the raw dataset before applying any cleaning rule.

10. Data export and anonymization

1. Export the survey data within 48 h after survey closure in spreadsheet and comma-separated values formats. Save the original export as a read-only raw-data file and create a separate working copy for cleaning and analysis.
2. Replace platform-generated response identifiers with anonymous respondent codes, such as T001, T002, and T003.
3. Inspect all variables for accidental identifiers. Remove free-text content containing names, exact department names, institutional email addresses, or identifiable events.
4. Replace university names with University A, University B, University C, and University D, and replace exact discipline names with broad discipline groups.
5. Store the raw-data file, working file, cleaned-data file, screening log, codebook, questionnaire, and analysis scripts in encrypted institutional storage with access restricted to approved research team members.
6. Record every anonymization and cleaning decision in the screening log.
   NOTE: Do not clean, recode, or score data directly in the raw-data file. Resume data cleaning only after the raw-data file has been preserved and the working file contains no direct or indirect identifiers.

11. Response-quality screening

1. Screen all submitted responses before scale scoring using the response-quality and analysis-decision rules in Table 2.
2. Exclude responses without electronic informed consent, failed eligibility screening, completion time below the prespecified minimum valid threshold, failure of either attention-check item, or more than 20% missing psychometric items.
3. Review responses in the borderline completion-time range. Retain them only when both attention checks are passed, missingness is within the allowed range, and no invariant response pattern is observed.
4. Flag respondents who select the same Likert response option for at least 90% of psychometric items, and identify careless responses by combining completion time, attention-check results, missingness, and invariant response patterns²².
5. Inspect responses for implausible demographic combinations. Set one implausible demographic value to missing if psychometric responses are otherwise valid, and exclude the response when multiple demographic values indicate ineligibility.
6. Record one primary exclusion reason for every removed response, create an inclusion-status variable coded as 1 = included and 0 = excluded, generate the participant-flow summary for Figure 2, and save cleaned_teacher_PD_survey.csv.
   NOTE: Apply exclusion rules before computing scale scores. Do not exclude cases after viewing regression significance unless the exclusion rule was prespecified.

12. Missing-data handling and scale scoring

1. Convert Likert-scale responses to numeric values ranging from 1 to 5, check item direction, and reverse-score negatively worded items before scale scoring.
2. Compute a scale score only when at least 75% of items in that scale are completed. Use the available-item mean when no more than 25% of items within a scale are missing, and set the scale score to missing when more than 25% are missing.
3. Compute scale scores as follows: autonomy need satisfaction = mean of AUT1–AUT4; competence need satisfaction = mean of COM1–COM4; relatedness need satisfaction = mean of REL1–REL4; autonomous motivation = mean of AM1–AM6; controlled motivation = mean of CM1–CM4; teaching self-efficacy = mean of TSE1–TSE12; professional development engagement = mean of PDE1–PDE6; reflective practice = mean of RP1–RP4.
4. Create scored_teacher_PD_survey.csv containing respondent code, background variables, item responses, scale scores, inclusion status, and exclusion reason.
   NOTE: Confirm that all scale scores remain within the 1–5 range after scoring.

13. Statistical software setup and script execution

1. Use R version 4.3.2 or later and organize the project folder according to the reproducibility structure in Supplementary File 1.
2. Run the script sequence provided in Supplementary File 1: 01_import_anonymize.R, 02_screen_score.R, 03_reliability_descriptives.R, 04_regression_sensitivity.R, and 05_reproducibility_check.R.
3. Run all scripts from the project folder without manually editing intermediate datasets or generated outputs.
4. Export tables as spreadsheet files, generated figures as high-resolution PDF files, and R session information as sessionInfo.txt.
   ​NOTE: Do not overwrite raw data or manually edit generated analysis outputs. Pause after the script imports the data without errors and confirms that all required variables are present.

14. Reliability and item diagnostics

1. Calculate Cronbach’s alpha, McDonald’s omega, corrected item-total correlations, descriptive statistics, skewness, kurtosis, and floor or ceiling effects for each multi-item scale²³.
2. Interpret reliability values from 0.70 to 0.79 as acceptable, 0.80 to 0.89 as good, and 0.90 or higher as high internal consistency. Treat values above 0.95 as possible item redundancy.
3. Flag corrected item-total correlations below 0.30. Remove or revise an item only when weak item performance is consistent with conceptual mismatch, unclear wording, or prespecified expert-review concerns.
4. Flag floor or ceiling effects when more than 15% of respondents obtain the lowest or highest possible scale score.
5. Export the reliability and item-diagnostic output as Table_reliability_item_diagnostics.xlsx.
   NOTE: Do not delete items after main data collection unless the deletion rule was prespecified.

15. Descriptive and correlation analysis

1. Calculate descriptive statistics for demographic variables, professional background variables, and construct scores.
2. Report categorical variables as frequency and percentage. Report continuous or ordinal professional variables as mean and standard deviation when approximately symmetric, and as median and interquartile range when clearly skewed.
3. Confirm that each construct score falls within the expected 1–5 range and inspect histograms or density plots for major distributional distortion.
4. Calculate Pearson correlations among construct scores when scale means are approximately continuous, and calculate Spearman correlations as a sensitivity check when distributions are markedly skewed.
5. Interpret correlations from 0.10 to 0.29 as small, 0.30 to 0.49 as moderate, and 0.50 or above as large²⁴. Flag correlations above 0.85 as possible construct overlap.
6. Export descriptive statistics as Table_descriptive_statistics.xlsx and the correlation matrix as Table_correlation_matrix.xlsx.
   NOTE: Inspect construct overlap before regression analysis. Add factor analysis or reduce interpretive claims when theoretically distinct constructs show very high correlations.

16. Regression analysis

1. Fit prespecified hierarchical linear regression models.
2. Use autonomous motivation as the dependent variable in Model 1. Enter age group, gender, academic rank, teaching years, professional development hours in the last 12 months, and administrative workload in Step 1; autonomy, competence, and relatedness need satisfaction in Step 2; and controlled motivation in Step 3.
3. Use professional development engagement as the dependent variable in Model 2. Enter age group, gender, academic rank, teaching years, professional development hours in the last 12 months, and administrative workload in Step 1; autonomous motivation and controlled motivation in Step 2; and teaching self-efficacy in Step 3.
4. Use reflective practice as an exploratory dependent variable only if prespecified in the ethics-approved analysis plan.
5. Mean-center continuous predictors before creating interaction terms. Do not create moderation terms unless moderation is included in the research question and analysis plan.
6. Report unstandardized coefficients, standard errors, standardized coefficients, 95% confidence intervals, p values, adjusted R², and change in R².
7. Inspect variance inflation factor values, residual-versus-fitted plots, quantile-quantile plots, standardized residuals, and Cook’s distance. Treat variance inflation factor values above 5.00, standardized residuals above |3.00|, or Cook’s distance above 1.00 as requiring inspection.
8. Remove influential cases only when a data-entry error, eligibility error, or duplicate-response problem is confirmed.
9. Export regression output as Table_regression_models.xlsx and diagnostic plots as high-resolution PDF files.
   NOTE: Do not remove influential cases solely because they change model significance.

17. Sensitivity analysis and reproducibility check

1. Repeat the main regression models using listwise deletion of cases with missing model variables and after excluding borderline-time responses.
2. Compare coefficient direction, standardized coefficient size, standard error, and adjusted R² with the primary models.
3. Treat results as stable if key coefficient directions remain unchanged and standardized coefficients differ by less than 0.10.
4. Retain the prespecified screening rule if sensitivity analyses do not materially alter the interpretation.
5. Regenerate descriptive tables, reliability tables, correlation matrices, regression tables, participant-flow figure, workflow figure, and any construct-score figures from the cleaned dataset and final script.
6. Archive the cleaned anonymized dataset, codebook, screening log, questionnaire, analysis scripts, generated outputs, and R session information according to the approved data-sharing plan.
7. Confirm that all archived files use the same respondent identifier and contain no direct or indirect identifiers.
   NOTE: Do not archive the reproducibility package until all outputs have been regenerated from the final script. Resume archiving only after all outputs have been regenerated from the final script.

Sonuçlar

Katılımcı akışı ve temsilci veri setinin durumu

Burada bildirilen temsili sonuçlar, protokolün tamamlanmış tek bir uygulamasından elde edilmiştir. Veri seti, yukarıda açıklanan anonim, kesitsel anket prosedürü aracılığıyla toplanmış olup pilot testten veya örneklendirici bir veri setinden alınmamıştır. Çevrimiçi anket platformundan toplam 326 gönderilmiş anket kaydı dışa aktarılmıştır. Önceden belirlenmiş onam, uygunluk, yanıt kalitesi ve eksik veri kuralları uygulandıktan son...

Tartışma

Temsili sonuçlar, protokolün üniversite öğretim elemanlarının mesleki gelişimini; katılım, eğitim saatleri veya tamamlama kayıtlarının ötesinde incelemek için kullanılabileceğini göstermektedir. Özerklik, yetkinlik ve ilişkisellik ihtiyacının karşılanması, otonom motivasyon ile pozitif yönde ilişkili bulunmuştur ve bu ilişkiler, arka plan değişkenleri modele dahil edildikten sonra da geçerliliğini korumuştur. Bu bulgu, bireyler seçim, yetenek ve sosyal bağ deneyimlediklerinde kendi benimsedikleri motivasyonun desteklendi...

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
Adobe Acrobat Pro	Adobe Inc., San Jose, CA, USA	Adobe Acrobat Pro 2024	Nihai anket PDF'sinin, katılımcı bilgi formunun, onam formunun, dışa aktarılan şekillerin ve sunulan ek dosyaların incelenmesinde kullanıldı.
Analiz betiği	Araştırma ekibi tarafından hazırlandı	analysis_script.R	Veri aktarımı, anonimleştirme kontrolleri, yanıt kalitesi taraması, eksiklik hesaplaması, ölçek puanlaması, tanımlayıcı istatistikler, güvenirlik analizi, korelasyon analizi, regresyon modelleri, tanısal kontroller, duyarlılık analizleri, tablo aktarımı, şekil aktarımı ve oturum bilgisi aktarımını yürütür.
Temizlenmiş Öğretmen PD Anketi CSV'si	analysis_script.R üzerinden oluşturuldu	cleaned_teacher_PD_survey.csv	Dahil edilme durumu, hariç tutulma nedeni, tarama değişkenleri ve temizlenmiş arka plan değişkenleri ile birlikte kimliksizleştirilmiş, tutulan ve hariç tutulan kayıtları içerir.
Kod kitabı	Araştırma ekibi tarafından hazırlandı	codebook.xlsx	Değişken adlarını, madde kodlarını, yanıt kodlamasını, eksik değer kodlamasını, ölçek puanı formüllerini, dahil edilme durumunu, hariç tutulma nedenlerini, tablo değişkenlerini ve çıktı dosyası adlarını tanımlar.
Masaüstü bilgisayar	Windows 11 Pro	Uygulanamaz; Kurumsal araştırma bilgisayarı: 16 GB RAM ve tam disk şifreleme etkin.	Anket programlama, veri aktarımı, betik yürütme, tablo oluşturma, şekil aktarımı ve güvenli dosya arşivleme için kullanıldı.
Etik onay belgesi	Kurumsal insan araştırmaları etik kurulu	ethics_approval.pdf	Onay numarası, onay tarihi, onaylanmış çalışma başlığı, araştırmacı bilgileri ve onaylanmış katılımcı alımı ve veri işleme koşulları dahil olmak üzere, katılımcı alımı öncesindeki etik onayı belgeler.
Kurumsal izin kayıtları	Katılımcı üniversiteler	institutional_permission_records.pdf	Katılımcı üniversitelerin, onaylanmış kurumsal kanallar aracılığıyla öğretmen alımı için verdiği yazılı izin kayıtlarını içerir.
Microsoft Excel	Microsoft Corporation, Redmond, WA, USA	Microsoft Excel 365	Dışa aktarılan veri setlerini incelemek, kod kitabını hazırlamak, tarama günlüklerini gözden geçirmek ve dışa aktarılan tablo dosyalarını kontrol etmek için kullanıldı. Analiz veri seti, betik tabanlı temizlikten sonra manuel olarak düzenlenmedi.
Katılımcı bilgi formu ve onam formu	Araştırma ekibi tarafından hazırlandı ve etik kurul tarafından onaylandı	participant_information_and_consent. pdf	Çalışma amacını, uygunluk kriterlerini, gönüllü katılım beyanını, anonimlik beyanını, riskleri ve faydaları, veri saklama bilgilerini, araştırmacı iletişim detaylarını, etik bilgilerini ve elektronik onam metnini sağlar.
Anket dosyası	Araştırma ekibi tarafından hazırlandı	questionnaire.pdf	Kilitli anketi, madde sırasını, madde kodlarını, yanıt seçeneklerini, uygunluk maddelerini, arka plan maddelerini, yapı maddelerini ve dikkat kontrol maddelerini içerir.
R paket manifestosu	R ortamından oluşturuldu	package_manifest.txt	Veri aktarımı, temizleme, puanlama, güvenirlik kestirimi, regresyon tanıları, görselleştirme, çıktı oluşturma ve tekrarlanabilirlik kontrolü için kullanılan R paketlerini ve paket versiyonlarını listeler.
R istatistik yazılımı	R Foundation for Statistical Computing, Vienna, Austria	R 4.3.2	Veri temizleme, ölçek puanlaması, istatistiksel analiz, tanısal kontrol, şekil oluşturma, tablo aktarımı ve tekrarlanabilirlik doğrulaması için kullanıldı.
Tekrarlanabilirlik paketi	Araştırma ekibi tarafından hazırlandı	reproducibility_package.zip	questionnaire.pdf, codebook.xlsx, cleaned_teacher_PD_survey.csv, scored_teacher_PD_survey.csv, screening_log.xlsx, analysis_script.R, sessionInfo.txt, package_manifest.txt, tablo çıktıları, şekil çıktıları ve tanısal grafikleri içerir.
RStudio Desktop IDE	Posit Software, PBC, Boston, MA, USA	RStudio Desktop 2023.12.1	analysis_script.R'yi yürütmek, belgelemek ve gözden geçirmek için kullanıldı.
Puanlanmış Öğretmen PD Anketi CSV'si	analysis_script.R üzerinden oluşturuldu	scored_teacher_PD_survey.csv	Dahil edilen yanıtları ve AUT_MEAN, COM_MEAN, REL_MEAN, AM_MEAN, CM_MEAN, TSE_MEAN, PDE_MEAN ve RP_MEAN dahil olmak üzere hesaplanmış ölçek puanlarını içerir.
Tarama günlüğü	analysis_script.R üzerinden oluşturuldu ve araştırma ekibi tarafından gözden geçirildi	screening_log.xlsx	Onamı, uygunluğu, tamamlanma süresi taramasını, dikkat kontrol sonuçlarını, eksikliği, değişmez yanıt bayraklarını, hariç tutulma nedenlerini, yeniden kodlama kararlarını ve nihai dahil edilme durumunu kaydeder.
Güvenli kurumsal depolama	Katılımcı üniversite bilgi teknolojileri servisi	Şifrelenmiş kurumsal araştırma sürücüsü	Ham verileri, temizlenmiş verileri, puanlanmış verileri, kod kitabını, tarama günlüğünü, anketi, analiz betiğini, etik belgelerini, izin kayıtlarını, tablo çıktılarını, şekil çıktılarını ve tekrarlanabilirlik paketini saklamak için kullanıldı. Erişim, onaylı araştırma personeli ile sınırlandırıldı.
Oturum bilgisi dosyası	R'den oluşturuldu	sessionInfo.txt	R versiyonunu, işletim sistemini, ekli paketleri, paket versiyonlarını ve tekrarlanabilirlik ortamını kaydeder.
Tablo ve şekil çıktıları	analysis_script.R üzerinden oluşturuldu	outputs_tables_figures klasörü	Katılımcı akış çıktısını, tanımlayıcı tabloları, güvenirlik tablolarını, korelasyon matrisini, regresyon tablolarını, duyarlılık analizi tablolarını, yapı puanı şekillerini ve tanısal grafikleri içerir.
Wenjuanxing / Questionnaire Star çevrimiçi anket platformu	Changsha Ranxing Information Technology Co., Ltd., Changsha, China	Wenjuanxing web anket projesi	Elektronik onam, anonim anket uygulaması, uygunluk dallanması, dikkat kontrol maddeleri, tamamlanma süresi kaydı, tarayıcı başına tek yanıt ayarı ve anket kayıtlarının aktarımı için kullanıldı.