A Survey and Protocol for Assessing Online Learning Experience, Basic Psychological Needs, and Learning Engagement in University Students

Podsumowanie

This protocol provides a reproducible survey and partial least squares structural equation modeling workflow for assessing association pathways among online learning experience, basic psychological needs, and learning engagement in university students, including questionnaire adaptation, screening, measurement assessment, indirect-association testing, robustness checks, and reproducibility records.

Streszczenie

Online learning is embedded in higher education, but evaluations often rely on access, satisfaction, or completion indicators that do not identify where engagement problems arise. This article presents a reproducible English-language survey and partial least squares structural equation modeling protocol for assessing association pathways among online learning experience, basic psychological needs, and learning engagement in university students. Online learning experience is measured through platform usability, instructional support, interaction quality, and learning flexibility; basic psychological needs through autonomy, competence, and relatedness; and learning engagement through behavioral, cognitive, and emotional engagement. The workflow specifies item-source mapping, questionnaire adaptation, expert review, pilot testing, electronic consent, eligibility screening, response-quality checks, construct scoring, common method bias diagnostics, higher-order construct estimation, measurement-model assessment, structural pathway testing, indirect-association analysis, psychological-need sensitivity analysis, regression-based robustness checks, and reproducibility file locking. Representative results from 386 valid responses demonstrate acceptable reliability, moderate construct correlations, retained measurement quality, a supported indirect association through basic psychological needs, nonsignificant control paths, and uneven dimensional scores. The protocol supports transparent diagnosis of how online learning experience is associated with psychological need satisfaction and engagement while avoiding causal interpretation from cross-sectional survey data.

Wprowadzenie

Online learning has become part of routine higher education through learning management systems, video platforms, recorded materials, synchronous sessions, and blended course designs. However, many evaluations still rely on access logs, satisfaction ratings, or completion indicators, which show whether students used an online course but do not clarify whether lower engagement is associated with platform usability, instructional support, interaction quality, learning flexibility, psychological need satisfaction, or a specific engagement dimension¹. Online learning experience should therefore not be reduced to a single satisfaction score. Prior online engagement research emphasizes learner-content, learner-instructor, and learner-learner interaction as important elements of students’ online learning experience². The present protocol measures online learning experience through platform usability, instructional support, interaction quality, and learning flexibility.

Learning engagement is also multidimensional. It includes behavioral participation, cognitive investment, and emotional involvement. Online-course engagement instruments show that engagement cannot be fully represented by visible participation or task completion alone³. Broader educational technology research also shows that behavioral engagement is often easier to observe than cognitive or affective engagement⁴. For this reason, the protocol measures learning engagement through behavioral, cognitive, and emotional engagement rather than collapsing engagement into one undifferentiated score.

Self-determination theory provides the theoretical basis for linking online learning experience with learning engagement. Basic psychological need theory identifies autonomy, competence, and relatedness as central conditions for motivation and adjustment⁵. In online learning, autonomy refers to perceived choice and control, competence to perceived capability in completing learning tasks, and relatedness to felt connection with instructors and classmates. Prior online learning studies using self-determination theory have linked contextual support, need satisfaction, motivation, and engagement^6,7. These findings support examining basic psychological needs as an indirect-association construct between online learning experience and learning engagement, while avoiding causal interpretation because the data are cross-sectional.

A methodological problem in online engagement research is the lack of consistent operational structure. Studies vary in how they define learning conditions, measure engagement, and connect the learning environment to students’ psychological experience⁸. Self-report surveys are also vulnerable to careless responding, patterned answers, post hoc exclusions, missing-data decisions, and common method bias⁹. Therefore, this protocol fixes the English-language questionnaire structure, item-source mapping, scoring rules, electronic consent procedure, eligibility screening, attention-check rule, completion-time threshold, straight-lining criterion, long-string response check, missing-data handling, model specification, and dataset-locking procedure before structural analysis begins.

The conceptual framework specifies online learning experience as the independent construct, basic psychological needs as the indirect-association construct, and learning engagement as the outcome construct. The primary pathway tests whether online learning experience is associated with basic psychological needs, whether basic psychological needs are associated with learning engagement, and whether online learning experience remains directly associated with learning engagement after accounting for basic psychological needs. The protocol is guided by four research questions: whether the structured survey protocol can measure the three constructs with acceptable response quality and construct reliability; whether online learning experience is positively associated with basic psychological needs and learning engagement; whether the association between online learning experience and learning engagement is partly carried through basic psychological needs as an indirect association; and whether psychological-need subdimension analyses and regression-based robustness checks support the same interpretation as the primary PLS-SEM workflow.

This article is positioned as a method-focused contribution rather than a conventional explanatory cross-sectional study. The protocol provides a reproducible workflow for questionnaire adaptation, expert review, pilot testing, survey administration, response screening, construct scoring, measurement-model assessment, structural pathway testing, indirect-association analysis, sensitivity analysis, robustness checking, and reproducibility file locking. Transparent educational research workflows require analytic decisions to be documented before final model interpretation¹⁰. Partial least squares structural equation modeling is used because it allows measurement and structural components to be examined within one workflow, with reflective first-order constructs and analytically derived higher-order construct scores through a disjoint two-stage approach¹¹. Prior work on online student engagement, social presence, learner support, and retention shows that communication, support, connection, and inclusive course design matter beyond simple access or flexibility^12,13. Systematic reviews further indicate that behavioral, cognitive, and emotional engagement may respond differently to online learning conditions¹⁴. Representative results are therefore used only to demonstrate the output of the protocol, not to claim causal effects from cross-sectional survey data¹⁵.

Protokół

Protokół badania został przeanalizowany i zatwierdzony przez Komisję Etyki Badań Universiti Malaya (Pozamedyczną) pod numerem zatwierdzenia UM.TNC (P&I)/UMREC_4892 w dniu 7 sierpnia 2025 r. Wszystkie procedury należy przeprowadzać zgodnie z wytycznymi instytucjonalnymi dotyczącymi badań z udziałem ludzi. Przed przeprowadzeniem ankiety należy uzyskać elektroniczną świadomą zgodę. Podczas rekrutacji, przesiewu, punktacji, analizy oraz przechowywania plików należy stosować anonimowe kody uczestników. Narzędzia badawcze i oprogramowanie wymieniono w Tabeli materiałów.

1. Określenie projektu badania i schematu analitycznego

1. Zastosuj przekrojowy projekt ilościowej ankiety w celu oceny ścieżek powiązań między doświadczeniem w nauczaniu online, podstawowymi potrzebami psychologicznymi a zaangażowaniem w naukę u studentów uczelni wyższych.
2. Zdefiniuj doświadczenie w nauczaniu online jako niezależny konstrukt latentny, podstawowe potrzeby psychologiczne jako latentny konstrukt powiązań pośrednich, a zaangażowanie w naukę jako wynikowy konstrukt latentny.
3. Określ trzy wielowymiarowe konstrukty przed rozpoczęciem gromadzenia danych. Reprezentuj doświadczenie w nauczaniu online poprzez użyteczność platformy, wsparcie dydaktyczne, jakość interakcji oraz elastyczność nauki; podstawowe potrzeby psychologiczne poprzez potrzebę autonomii, potrzebę kompetencji oraz potrzebę relacyjności; a zaangażowanie w naukę poprzez zaangażowanie behawioralne, poznawcze i emocjonalne.
4. Wykorzystaj modelowanie równań strukturalnych metodą najmniejszych kwadratów częściowych (PLS-SEM) jako główną metodę analityczną w celu oceny jakości pomiaru, wyników konstruktów wyższego rzędu, ścieżek strukturalnych oraz uprzednio określonej ścieżki pośredniej.
5. Określ główną ścieżkę przed analizą: doświadczenie w nauczaniu online → podstawowe potrzeby psychologiczne, podstawowe potrzeby psychologiczne → zaangażowanie w naukę oraz doświadczenie w nauczaniu online → zaangażowanie w naukę.
6. Traktuj wszystkie ścieżki strukturalne jako szacunki powiązań. Nie interpretuj żadnej ścieżki jako przyczynowej, ponieważ wszystkie zmienne są mierzone w jednym punkcie czasowym. Przed rekrutacją przeprowadź a priori weryfikację wielkości próby i mocy testu. Przyjmij co najmniej 380 poprawnych odpowiedzi jako próbę docelową oraz 350 poprawnych odpowiedzi jako minimalną dopuszczalną próbę po screeningu.
7. Przedstaw schemat postępowania w Rysunku 1, obejmujący rekrutację, zgodę, przeprowadzenie kwestionariusza, opinię ekspertów, testy pilotażowe, screening odpowiedzi, blokadę zbioru danych, ocenę pomiaru, testowanie strukturalne, analizę powiązań pośrednich, weryfikację odporności oraz przygotowanie plików reprodukowalności.
   UWAGA: Zachowaj model koncepcyjny i ścieżki strukturalne bez zmian od momentu konstruowania kwestionariusza aż do końcowej analizy.

Rycina 1: Operacyjny schemat oceny doświadczenia w nauce online, podstawowych potrzeb psychologicznych i zaangażowania w naukę. Rycina przedstawia przebieg protokołu: od rekrutacji, uzyskania zgody, przeprowadzenia ankiet, recenzji eksperckiej, testów pilotażowych, przesiewu odpowiedzi i blokowania zbioru danych, po ocenę pomiarów, testowanie strukturalne, analizę powiązań pośrednich, sprawdzanie odporności oraz przygotowanie pliku reprodukcyjności. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

2. Rekrutacja kwalifikujących się uczestników

1. Zrekrutuj studentów uniwersytetu, którzy uczestniczyli w co najmniej jednym kursie online lub w trybie mieszanym (blended) podczas bieżącego lub ostatniego semestru akademickiego.
2. Uwzględnij uczestników w wieku 18 lat lub starszych, obecnie zapisanych na studia licencjackie, magisterskie lub podyplomowe, mających doświadczenie w nauce online lub w trybie mieszanym, potrafiących przeczytać kwestionariusz w języku angielskim i wyrażających zgodę na udzielenie elektronicznej świadomej zgody.
3. Odrzuć odpowiedzi w przypadkach, gdy zgoda nie została potwierdzona, kryteria kwalifikowalności nie zostały spełnione, uczestnik nie przeszedł pytania kontrolnego (attention-check), wykryto powtórzone zgłoszenie, czas wypełnienia jest poniżej określonego progu, wykryto schematyczne zaznaczanie odpowiedzi (straight-lining) lub występuje nierozwiązana niespójność w kryteriach kwalifikowalności.
4. Zrekrutuj uczestników za pośrednictwem uniwersyteckich platform edukacyjnych, grup komunikacyjnych kursów, list mailingowych studentów oraz instytucjonalnych kanałów studenckich.
5. Nie gromadź bezpośrednich identyfikatorów, w tym imion i nazwisk, numerów indeksów, numerów telefonów, prywatnych adresów e-mail, dokładnych adresów zamieszkania, adresów IP, identyfikatorów urządzeń ani identyfikatorów kont.
6. Zapisz daty rekrutacji, kanały rekrutacyjne, przesłane odpowiedzi, liczbę odrzuceń z podziałem na kategorie, zachowane odpowiedzi oraz ostateczną wielkość ważnej próby w dzienniku badań terenowych oraz dzienniku przesiewowym.
   PUNKT PRZERWANIA: Co tydzień sprawdzaj postępy w rekrutacji. Analizuj wyłącznie liczbę odpowiedzi, zasięg kanałów rekrutacyjnych oraz wstępny współczynnik odrzuceń. Podczas rekrutacji nie analizuj wyników konstruktów, korelacji ani szacunków ścieżek.

3. Konstrukcja kwestionariusza

1. Przygotuj ustrukturyzowany kwestionariusz w języku angielskim zawierający elektroniczną zgodę na udział w badaniu, screening kwalifikacyjny, informacje o danych demograficznych uczestników, merytoryczne pytania skali oraz jedno pytanie kontrolne sprawdzające uważność oparte na instrukcji.
2. Zastosuj 5-stopniową skalę Likerta dla wszystkich pytań merytorycznych: 1 = zdecydowanie się nie zgadzam, 2 = nie zgadzam się, 3 = neutralny, 4 = zgadzam się i 5 = zdecydowanie się zgadzam.
3. Zaadaptuj pytania dotyczące doświadczeń z uczeniem się online z wcześniejszych narzędzi pomiaru percepcji uczenia się online, wsparcia dydaktycznego, jakości interakcji, użyteczności platformy oraz elastyczności nauki. Zaadaptuj pytania dotyczące podstawowych potrzeb psychologicznych z uznanych miar autonomii, kompetencji i relacyjności. Zaadaptuj pytania dotyczące zaangażowania w naukę z uznanych miar zaangażowania behawioralnego, poznawczego i emocjonalnego.
4. Zmień sformułowania pytań wyłącznie w celu dostosowania ich do kontekstu nauczania online i hybrydowego na uniwersytecie. Stosuj jasne, nie sugerujące odpowiedzi sformułowania i unikaj treści sugerujących, że oczekuje się wysokiego poziomu satysfakcji, wysokiego zaspokojenia potrzeb psychologicznych lub wysokiego zaangażowania.
5. Przed testowaniem pilotażowym przygotuj tabelę mapowania źródeł pytań. Dla każdego pytania merytorycznego odnotuj kod pytania, konstrukt, wymiar, zaadaptowane sformułowanie, podstawę źródłową, notatkę dotyczącą adaptacji, język kwestionariusza oraz kierunek punktacji.
6. Wykorzystaj 33 merytoryczne pytania w skali Likerta: 12 dla doświadczeń z uczeniem się online, dziewięć dla podstawowych potrzeb psychologicznych i 12 dla zaangażowania w naukę. Zastosuj po trzy pytania dla każdego wymiaru doświadczeń z uczeniem się online, po trzy pytania dla każdego wymiaru podstawowych potrzeb psychologicznych oraz po cztery pytania dla każdego wymiaru zaangażowania w naukę.
7. Umieść jedno pytanie kontrolne sprawdzające uważność oparte na instrukcji po bloku dotyczącym podstawowych potrzeb psychologicznych. Pytanie to wykorzystaj wyłącznie do screeningu jakości odpowiedzi i wyklucz je z punktacji konstruktów, analizy rzetelności, analizy trafności, estymacji PLS-SEM, testowania powiązań pośrednich oraz analizy odporności.
8. W czasie testowania pilotażowego utrzymuj przewidywany czas wypełniania kwestionariusza w przedziale 8–12 min. Wykorzystaj Tabelę 1 do udokumentowania domen konstruktów, wymiarów, kodów pytań, liczby pytań, skali odpowiedzi, kierunku punktacji oraz podstawy adaptacji. Wykorzystaj Plik uzupełniający 1 , aby przedstawić pełny kwestionariusz, mapowanie źródeł pytań, kodowanie zmiennych i zasady punktacji.
   UWAGA: Zachowaj rozróżnienie konceptualne między pytaniami dotyczącymi predyktorów, powiązań pośrednich i wyników.

Tabela 1: Domeny konstruktów, wymiary, struktura kwestionariusza i zasady punktacji. Tabela ta podsumowuje strukturę kwestionariusza, w tym domeny i wymiary konstruktów, kody i numery pozycji, przykładowe pytania, podstawę adaptacji, skalę odpowiedzi oraz zasady punktacji. Pozycja służąca do kontroli uwagi została zidentyfikowana jako element wyłącznie przesiewowy. Kliknij tutaj, aby pobrać tę tabelę.

4. Przeprowadzenie recenzji eksperckiej i testów pilotażowych

1. Zaproś od trzech do pięciu ekspertów z zakresu psychologii edukacyjnej, nauczania online, metodologii ilościowej, badań nad szkolnictwem wyższym lub projektowania ankiet w celu dokonania przeglądu kwestionariusza.
2. Poproś ekspertów o ocenę przejrzystości pozycji, istotności konstruktu, redundancji sformułowań, obciążenia odpowiedzią, przydatności kulturowej, jasności językowej oraz spójności między każdą pozycją a przypisanym jej wymiarem.
3. Odnotuj wyniki przeglądu eksperckiego w dzienniku rewizji pozycji, uwzględniając pierwotne sformułowanie, zastrzeżenia recenzenta, decyzję o rewizji, ostateczne sformułowanie oraz uzasadnienie pozostawienia, zmiany lub usunięcia pozycji.
4. Zrewiduj pozycje, które są wieloznaczne, dwusensowne, zbyt podobne do siebie, kulturowo nieodpowiednie, słabo powiązane z docelowym wymiarem lub niespójne z kontekstem ankiety w języku angielskim.
5. Przeprowadź test pilotażowy z udziałem 30–50 studentów uniwersytetu, którzy spełniają te same kryteria kwalifikacji co w badaniu głównym. Poproś uczestników pilotażu o wskazanie niejasnych sformułowań, problemów z wyświetlaniem technicznym, nadmiernej długości, powtarzających się sformułowań lub dyskomfortu wywołanego przez jakąkolwiek pozycję kwestionariusza.
6. Zapisz czas wypełnienia pilotażu dla każdego uczestnika. Zdefiniuj próg minimalnego czasu wypełnienia dla badania formalnego jako wartość większą spośród 3 min oraz jednej trzeciej mediany czasu wypełnienia w pilotażu.
7. Oblicz wstępną spójność wewnętrzną dla każdego konstruktu i sprawdź korelacje pozycji z sumą po teście pilotażowym. Zrewiduj lub usuń słabe pozycje tylko wtedy, gdy ich usunięcie poprawi jakość pomiaru i nie ograniczy zakresu pokrycia konstruktu.
8. Sfinalizuj i zablokuj kwestionariusz, książkę kodową, mapowanie źródeł pozycji, dziennik przeglądu eksperckiego, zapis z testu pilotażowego, próg czasu wypełnienia, regułę kontroli uwagi, regułę wykrywania duplikatów oraz kryteria wykluczenia przed rozpoczęciem formalnej rekrutacji.
   PUNKT ZATRZYMANIA: Nie rozpoczynaj formalnej rekrutacji do momentu zablokowania wszystkich kwestionariuszy, plików przesiewowych i kodowania.

5. Przeprowadzenie ankiety online

1. Opracuj kwestionariusz w systemie ankiet online, który obsługuje anonimowe uczestnictwo, potwierdzenie zgody, weryfikację kryteriów kwalifikowalności, ustawienia wymaganych odpowiedzi, rejestrację czasu odpowiedzi, ograniczenie powtarzających się zgłoszeń bez identyfikacji użytkownika, rozmieszczanie pytań kontrolnych uwagi oraz eksport do arkusza kalkulacyjnego.
2. Umieść elektroniczną świadomą zgodę przed weryfikacją kwalifikowalności i pytaniami kwestionariuszowymi. Pozwól uczestnikom przejść dalej dopiero po potwierdzeniu dobrowolnego udziału i przedstaw cel badania w neutralnym języku. Zaznacz, że badanie analizuje postrzeganie nauki online przez studentów, zaspokojenie potrzeb psychologicznych oraz zaangażowanie w naukę.
3. Ustaw zgodę, pytania o kwalifikowalność oraz wszystkie 33 merytoryczne pytania w skali Likerta jako pola wymagane. Wyłącz pola służące do bezpośredniej identyfikacji. Nie proś o nazwiska, numery studentów, numery telefonów, prywatne adresy e-mail, dokładne adresy zamieszkania, adresy IP, identyfikatory urządzeń ani identyfikatory kont.
4. Pozwól uczestnikom wyjść z kwestionariusza przed ostatecznym wysłaniem bez żadnych konsekwencji. Ogranicz wielokrotne przesyłanie ankiet wyłącznie za pomocą nieidentyfikujących ustawień platformy ankietowej, jeśli są one dostępne. Pozostaw kwestionariusz otwarty przez 4–6 tygodni. Monitoruj liczbę odpowiedzi dwa razy w tygodniu i dokumentuj postępy w rekrutacji w dzienniku terenowym.
   UWAGA: Nie przekazuj indywidualnych wyników po przesłaniu kwestionariusza.

6. Eksport i zabezpieczenie surowych danych

1. Niezwłocznie po zakończeniu rekrutacji wyeksportuj wszystkie przesłane odpowiedzi w formatach .xlsx i .csv.
2. Zapisz jeden niezmieniony plik .xlsx jako RawData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsx oraz jeden niezmieniony plik .csv jako RawData_OnlineLearning_BPN_Engagement_YYYYMMDD.csv.
3. Utwórz kopię roboczą do przesiewania, kodowania i analizy. Nazwij ją WorkingData_OnlineLearning_BPN_Engagement_YYYYMMDD.xlsx. Przypisz każdej przesłanej odpowiedzi anonimowy kod uczestnika w formacie P001, P002, P003 i tak dalej.
4. Przechowuj surowy zbiór danych w folderze tylko do odczytu i przed rozpoczęciem przesiewania utwórz sumę kontrolną, zapis wersji pliku lub instytucjonalny zapis historii wersji.
5. Przechowuj zanonimizowane archiwum przesłanych rekordów oraz metadane z przesiewania w zabezpieczonym instytucjonalnym folderze weryfikacyjnym. Nie zamieszczaj surowych rekordów wykluczonych, informacji bezpośrednio identyfikujących ani surowych danych na poziomie uczestnika w manuskrypcie ani w plikach uzupełniających przesyłanych do publikacji.
   PUNKT ZATRZYMANIA: Nie rozpoczynaj przesiewania, dopóki nie zostaną zapisane surowe pliki .xlsx i .csv, dziennik prac terenowych, zapis wersji surowych danych oraz zabezpieczony folder z surowymi danymi.

7. Przesiewanie odpowiedzi i stosowanie reguł wykluczania

1. Zastosuj wszystkie reguły wykluczania przed zbadaniem korelacji konstruktów, wyników modelu pomiarowego, ścieżek strukturalnych lub szacunków powiązań pośrednich. Usuń odpowiedzi bez potwierdzenia zgody lub bez danych dotyczących wieku, zapisów, ekspozycji na naukę online lub kryteriów językowych kwestionariusza.
2. Usuń powtórne odpowiedzi zgodnie z wcześniej określoną regułą wykrywania duplikatów. Identyfikuj potencjalne powtórzenia wyłącznie na podstawie nieidentyfikujących flag duplikatów platformy ankietowej oraz anonimowych informacji o wzorcach odpowiedzi. W przypadku zidentyfikowania powtórnych odpowiedzi zachowaj najwcześniejszą kompletną odpowiedź.
3. Usuń odpowiedzi, które nie przeszły testu uwagi opartego na instrukcjach lub zostały ukończone w czasie poniżej formalnego progu minimalnego czasu ukończenia badania. Zdefiniuj tzw. „straight-lining” jako wybór tej samej opcji odpowiedzi dla co najmniej 90% z 33 merytorycznych pozycji w skali Likerta. Usuń odpowiedzi spełniające to kryterium.
4. Oznacz wzorce odpowiedzi z długimi ciągami, gdy ta sama opcja odpowiedzi została wybrana dla ²0 lub więcej kolejnych merytorycznych pozycji w skali Likerta. Usuń oznaczone odpowiedzi tylko wtedy, gdy wykazują one również nieprawdopodobnie krótki czas ukończenia, niezaliczony test uwagi, „straight-lining” lub inne wcześniej określone naruszenie jakości.
5. Oznacz niespójne odpowiedzi dotyczące danych demograficznych, gdy uczestnik zgłasza brak ekspozycji na naukę online lub hybrydową, ale deklaruje liczbę godzin nauki online w tygodniu powyżej zera. Usuń odpowiedzi z nierozwiązaną niespójnością kwalifikacyjną.
6. Zapisz każdy wykluczony przypadek w zanonimizowanym dzienniku przesiewowym, zawierającym anonimowy kod uczestnika, kategorię wykluczenia, powód wykluczenia, datę przesiewu i decyzję o przesiewie.
7. Użyj Tabeli 2 do udokumentowania przesłanych odpowiedzi, kategorii wykluczeń, liczby wykluczeń, zachowanych odpowiedzi i ostatecznej wielkości próby. Jeśli surowe liczby wykluczeń nie mogą zostać odtworzone dla reprezentatywnego zbioru danych, należy to wyraźnie zaznaczyć.
   UWAGA: Wykluczaj przypadki wyłącznie zgodnie z wcześniej określonymi regułami dotyczącymi zgody, kwalifikowalności, duplikatów, testu uwagi, czasu ukończenia, wzorca odpowiedzi, brakujących danych lub spójności. Nie rozpoczynaj kodowania, dopóki surowy zbiór danych, oczyszczony zbiór danych, dziennik przesiewowy, plik reguł wykluczania, dziennik prac terenowych i rekord wersji zbioru danych nie zostaną zapisane osobno i zablokowane.

Tabela 2: Przesiewowe badanie odpowiedzi, reguły wykluczania i decyzje dotyczące obsługi danych. Tabela ta podsumowuje z góry określone reguły przesiewowe i decyzje dotyczące obsługi danych w zakresie zgody, kwalifikowalności, powielonych odpowiedzi, kontroli uwagi, czasu ukończenia, sprawdzania wzorców odpowiedzi, brakujących danych oraz blokowania zbioru danych. Reguły wykluczania są stosowane przed analizą korelacji konstruktów, wyników modelu pomiarowego, ścieżek strukturalnych lub szacunków powiązań pośrednich. Każda wykluczona odpowiedź jest zapisywana w zanonimizowanym dzienniku przesiewowym z uwzględnieniem anonimowego kodu uczestnika, kategorii wykluczenia, powodu wykluczenia, daty badania przesiewowego oraz decyzji o przesiewie. Aby pobrać tę tabelę, kliknij tutaj.

8. Obsługa brakujących danych

1. Zapobieganie brakom danych w zgodach, pytaniach o kwalifikowalność oraz 33 merytorycznych punktach w skali Likerta poprzez ustawienie tych pól jako wymagane w systemie ankietowym. Po przeprowadzeniu przesiewu należy sprawdzić oczyszczony zbiór danych pod kątem brakujących wartości.
2. Wartości brakujące w opcjonalnych zmiennych opisowych należy traktować jako „niepodane”. Nie należy przeprowadzać imputacji dla opcjonalnych zmiennych demograficznych lub opisowych.
3. Zmienną opisową należy wykluczyć z analizy współzmiennych, jeśli odsetek brakujących danych przekracza 10%. Zmienną opisową należy zachować jako współzmienną tylko wtedy, gdy odsetek brakujących danych wynosi 10% lub mniej i zmienna ta jest istotna teoretycznie.
4. Nie należy imputować brakujących wartości w 33 merytorycznych punktach w skali Likerta. Jeśli mimo ustawienia wymaganych odpowiedzi zostaną wykryte braki w punktach merytorycznych, przed sfinalizowaniem oczyszczonego zbioru danych należy ustalić, czy problem wynika z eksportu ankiety, logiki ankiety lub obsługi niepełnych zgłoszeń.
   UWAGA: Należy udokumentować kontrolę brakujących danych. Należy zaraportować liczbę brakujących wartości oraz odsetek braków dla kodów uczestników, zmiennych opisowych, merytorycznych punktów w skali Likerta, wyników wymiarowych oraz wyników konstruktu globalnego.

9. Kodowanie zmiennych i obliczanie wyników

1. Zakoduj wszystkie merytoryczne pozycje skali Likerta od 1 do 5: 1 = zdecydowanie nie zgadzam się, 2 = nie zgadzam się, 3 = neutralny, 4 = zgadzam się i 5 = zdecydowanie się zgadzam. Zakoduj płeć, poziom akademicki, rok studiów, kategorię dyscypliny, tygodniową liczbę godzin nauki online oraz wcześniejsze doświadczenie w nauce online zgodnie z ustalonym kodem (codebook).
2. Sprawdź wszystkie zmienne pod kątem wartości spoza zakresu przed obliczeniem wyników dla wymiarów lub globalnych konstruktów.
3. Oblicz wyniki dla wymiarów doświadczenia w nauce online jako średnie z pozycji: użyteczność platformy = mean(OLE_PU1–OLE_PU3), wsparcie dydaktyczne = mean(OLE_IS1–OLE_IS3), jakość interakcji = mean(OLE_IQ1–OLE_IQ3) oraz elastyczność uczenia się = mean(OLE_LF1–OLE_LF3).
4. Oblicz wyniki dla wymiarów podstawowych potrzeb psychologicznych jako średnie z pozycji: potrzeba autonomii = mean(BPN_AU1–BPN_AU3), potrzeba kompetencji = mean(BPN_CO1–BPN_CO3) oraz potrzeba relacyjności = mean(BPN_RE1–BPN_RE3).
5. Oblicz wyniki dla wymiarów zaangażowania w naukę jako średnie z pozycji: zaangażowanie behawioralne = mean(LE_BE1–LE_BE4), zaangażowanie poznawcze = mean(LE_CE1–LE_CE4) oraz zaangażowanie emocjonalne = mean(LE_EE1–LE_EE4).
6. Oblicz wyniki dla globalnych konstruktów jako średnie z wymiarów: doświadczenie w nauce online = mean (użyteczność platformy, wsparcie dydaktyczne, jakość interakcji, elastyczność uczenia się); podstawowe potrzeby psychologiczne = mean (potrzeba autonomii, potrzeba kompetencji, potrzeba relacyjności) oraz zaangażowanie w naukę = mean (zaangażowanie behawioralne, zaangażowanie poznawcze, zaangażowanie emocjonalne).
7. Zachowaj dane na poziomie pojedynczych pozycji do oceny modelu pomiarowego, wyniki wymiarów do szacowania konstruktów wyższego rzędu i analizy podwymiarów oraz wyniki globalnych konstruktów do statystyki opisowej, analizy korelacji, weryfikacji modelu strukturalnego i analizy odporności opartej na regresji.
   UWAGA: Nie włączaj pozycji sprawdzającej uwagę do żadnego wyniku, analizy rzetelności, analizy trafności, szacowania PLS-SEM, analizy powiązań pośrednich ani analizy odporności. Nie standaryzuj oryginalnych wyników 1–5 przed analizą opisową.

10. Kontrola i ocena typowych błędów metodycznych

1. Przed przeprowadzeniem analizy należy zastosować kontrole proceduralne, wykorzystując anonimowe odpowiedzi, neutralne sformułowania, oddzielne bloki konstruktów, jeden element kontrolny uwagi oparty na instrukcji, ustawienia wymagające udzielenia odpowiedzi oraz ograniczony dostęp do surowych danych.
2. Po przesiewaniu odpowiedzi należy zastosować jednoczynnikowy test Harmana, aby sprawdzić, czy jeden nieobrócony czynnik odpowiada za dominującą część wariancji elementów. Wynik uznaje się za akceptowalny, gdy pierwszy nieobrócony czynnik wyjaśnia mniej niż 50% całkowitej wariancji.
3. Należy obliczyć pełne wartości współczynnika inflacji wariancji współliniowości dla badanych konstruktów. Wartości poniżej 3,30 uznaje się za wskazujące na niskie prawdopodobieństwo wystąpienia silnego błędu wspólnej metody. Błąd wspólnej metody należy odnotować jako ograniczenie badania, jeśli pierwszy nieobrócony czynnik wyjaśnia 50% lub więcej całkowitej wariancji lub jeśli jakikolwiek pełny współczynnik inflacji wariancji współliniowości wynosi 3,30 lub więcej.
   UWAGA: Nie należy stwierdzać, że błąd wspólnej metody nie występuje. Należy jedynie określić, czy diagnostyka wskazuje na silne dowody istnienia dominującego wspólnego czynnika metodycznego.

11. Przeprowadzenie analizy opisowej i wstępnej weryfikacji

1. Użyj programu R 4.4.1 do obliczenia statystyk opisowych, sprawdzenia rozkładów, analizy korelacji oraz analizy odporności opartej na regresji. Oblicz częstości i wartości procentowe dla kategorycznych cech uczestników.
2. Oblicz średnią, odchylenie standardowe, minimum, maksimum, skośność i kurtozę dla pozycji merytorycznych, wyników wymiarowych oraz wyników konstruktów globalnych.
3. Przeanalizuj rozkłady pozycji i wyników pod kątem efektu podłogi, efektu sufitu oraz silnej nienormalności rozkładu. Potencjalny efekt podłogi lub sufitu zdefiniuj jako sytuację, w której ponad 20% uczestników wybrało najniższą lub najwyższą opcję odpowiedzi dla danej pozycji merytorycznej.
4. Oblicz korelacje Pearsona między konstruktami globalnymi a wynikami wymiarowymi. Traktuj korelacje wyłącznie jako wstępne dowody opisowe i nie używaj ich jako zamiennika dla wcześniej określonego modelu strukturalnego.
   UWAGA: Odnotuj efekty podłogi lub sufitu jako cechy danych. Nie usuwaj przypadków z powodów związanych z rozkładem, chyba że naruszają one również wcześniej określone zasady jakości odpowiedzi.

12. Estymacja modelu pomiarowego wyższego rzędu

1. Użyj oprogramowania Smart PLS 4.1 do głównej analizy PLS-SEM i zaimportuj oczyszczony zestaw danych na poziomie pozycji. Zdefiniuj użyteczność platformy, wsparcie instruktażowe, jakość interakcji, elastyczność nauczania, potrzebę autonomii, potrzebę kompetencji, potrzebę relacyjności, zaangażowanie behawioralne, zaangażowanie poznawcze oraz zaangażowanie emocjonalne jako refleksyjne konstrukty pierwszego rzędu.
2. Zastosuj rozdzielone podejście dwuetapowe. W pierwszym etapie oszacuj refleksyjne konstrukty pierwszego rzędu i zapisz wyniki ich zmiennych latentnych.
3. W drugim etapie wykorzystaj wyniki zmiennych latentnych dla użyteczności platformy, wsparcia instruktażowego, jakości interakcji i elastyczności nauczania do reprezentacji doświadczenia nauki online; wyniki zmiennych latentnych dla potrzeby autonomii, potrzeby kompetencji i potrzeby relacyjności do reprezentacji podstawowych potrzeb psychologicznych; oraz wyniki zmiennych latentnych dla zaangażowania behawioralnego, poznawczego i emocjonalnego do reprezentacji zaangażowania w naukę.
4. Traktuj wyniki konstruktów wyższego rzędu jako analitycznie wyprowadzone reprezentacje konstruktów wielowymiarowych. Nie opisuj ich jako formatywne, chyba że model formatywny zostanie wyraźnie określony i uzasadniony. Zapisz ustawienia pierwszego etapu, ustawienia drugiego etapu, wyniki zmiennych latentnych oraz pliki z wynikami modelu w folderze weryfikacyjnym.
   UWAGA: Zastosuj tę samą procedurę konstruktów wyższego rzędu w głównym modelu strukturalnym, analizie subwymiarów potrzeb psychologicznych oraz analizie odporności opartej na regresji.

13. Ocena modelu pomiarowego

1. Przed interpretacją modelu strukturalnego należy ocenić model pomiarowy. Należy zbadać wystandaryzowane ładunki zewnętrzne dla wszystkich zachowanych wskaźników. W miarę możliwości zachowuje się wskaźniki z ładunkami wynoszącymi co najmniej 0.70.
2. Należy przeanalizować wskaźniki z ładunkami w przedziale od 0.40 do 0.70. Wskaźnik usuwa się tylko wtedy, gdy jego usunięcie poprawia niezawodność lub trafność zbieżną i nie osłabia zakresu merytorycznego. Wskaźniki poniżej 0.40 należy usunąć, chyba że istnieje udokumentowane uzasadnienie teoretyczne popierające ich zachowanie.
3. Spójność wewnętrzną należy ocenić za pomocą alfa Cronbacha oraz niezawodności złożonej. Wartości między 0.70 a 0.95 uznaje się za akceptowalne. Trafność zbieżną ocenia się na podstawie średniej wariancji wyekstrahowanej (AVE). Wartości wynoszące co najmniej 0.50 uznaje się za akceptowalne.
4. Trafność różnicującą należy ocenić za pomocą stosunku heterotrait-monotrait (HTMT). Jako konserwatywny próg przyjmuje się wartość 0.85, natomiast maksymalny dopuszczalny próg dla konstruktów teoretycznie zbliżonych wynosi 0.90.
5. W zablokowanym pliku wynikowym modelu pomiarowego należy zapisać zachowane wskaźniki, wystandaryzowane ładunki zewnętrzne, alfę Cronbacha, niezawodność złożoną, średnią wariancję wyekstrahowaną, wartości heterotrait-monotrait oraz wszelkie decyzje dotyczące usunięcia pozycji.
   UWAGA: Nie należy usuwać pozycji wyłącznie w celu poprawy wartości statystycznych. Pozycję usuwa się tylko wtedy, gdy udokumentowano jednocześnie słabość statystyczną oraz redundancję konceptualną.
   PUNKT KONTROLNY: Nie należy rozpoczynać testowania strukturalnego, dopóki zachowane wskaźniki, wartości ładunków, wartości niezawodności, trafność zbieżna, trafność różnicująca, wpisy w książce kodowej oraz wartości z wyników pomiarowych nie zostaną zweryfikowane z zablokowanymi plikami analizy.

14. Testowanie modelu strukturalnego i ścieżki mediacji

1. Określ trzy ścieżki strukturalne: doświadczenie w nauce online → podstawowe potrzeby psychologiczne, podstawowe potrzeby psychologiczne → zaangażowanie w naukę oraz doświadczenie w nauce online → zaangażowanie w naukę.
2. Uwzględnij tygodniową liczbę godzin nauki online oraz wcześniejsze doświadczenie w nauce online jako wcześniej określone zmienne kontrolne. Potraktuj płeć, poziom akademicki, rok studiów i kategorię dyscypliny jako zmienne opisowe, chyba że zostały one uwzględnione w wcześniej określonym modelu czułości.
3. Zbadaj koliniowość modelu strukturalnego przed interpretacją współczynników ścieżek. Wartości wskaźnika inflacji wariancji poniżej 3,30 traktuj jako wskazanie, że szkodliwa koliniowość jest mało prawdopodobna.
4. Oszacuj ustandaryzowane współczynniki ścieżek, wartości t, wartości p oraz 95% przedziały ufności, wykorzystując 5 000 prób bootstrapowych z testowaniem dwustronnym. Stosuj przedziały ufności skorygowane o obciążenie, jeśli są dostępne.
5. Oszacuj ścieżkę pośrednią od doświadczenia w nauce online do zaangażowania w naukę poprzez podstawowe potrzeby psychologiczne. Traktuj ścieżkę związku pośredniego jako potwierdzoną, gdy bootstrapowy przedział ufności dla efektu pośredniego nie obejmuje zera.
6. Zapisz efekt bezpośredni, efekt pośredni, efekt całkowity, wartości R², skorygowane wartości R², wielkości efektu f², wartości wskaźnika inflacji wariancji modelu strukturalnego oraz ścieżki zmiennych kontrolnych w zablokowanym wyniku modelu strukturalnego. Interpretuj wszystkie szacunki strukturalne jako ścieżki oparte na związku, a nie jako efekty przyczynowe.
   UWAGA: Nie usuwaj wcześniej określonej ścieżki z powodu braku istotności. Zachowaj wcześniej określony model, chyba że zidentyfikowano błąd kodowania lub błąd specyfikacji modelu.

15. Analiza podwymiarów potrzeb psychologicznych

1. Zastąp ogólny konstrukt podstawowych potrzeb psychologicznych potrzebą autonomii, potrzebą kompetencji oraz potrzebą relacyjności jako równoległymi konstruktami powiązań pośrednich. Oszacuj osobno ścieżki pośrednie z doświadczenia w nauce online do zaangażowania w naukę poprzez potrzebę autonomii, potrzebę kompetencji i potrzebę relacyjności.
2. Użyj 5 000 prób bootstrapowych dla każdej ścieżki subwymiaru. Porównaj kierunek, wielkość i przedział ufności każdej pośredniej ścieżki subwymiaru. Potraktuj tę analizę jako analizę wrażliwości, a nie model główny.
   UWAGA: Nie interpretuj analizy wrażliwości subwymiarów jako nowego modelu głównego.

16. Przeprowadzenie analizy odporności opartej na regresji

1. Wyeksportuj oczyszczony zbiór danych z wynikami konstruktów i zapisz go jako ConstructScores_OnlineLearning_BPN_Engagement_YYYYMMDD.csv. Użyj programu R 4.4.1, aby przeprowadzić regresję globalnych podstawowych potrzeb psychologicznych względem globalnego doświadczenia w nauce online, tygodniowej liczby godzin nauki online oraz wcześniejszego doświadczenia w nauce online.
2. Przeprowadź regresję globalnego zaangażowania w naukę względem globalnego doświadczenia w nauce online, globalnych podstawowych potrzeb psychologicznych, tygodniowej liczby godzin nauki online oraz wcześniejszego doświadczenia w nauce online. Oszacuj ścieżkę pośrednią, stosując 5 000 prób bootstrapowych.
3. Porównaj ścieżkę pośrednią opartą na regresji ze ścieżką pośrednią PLS-SEM. Zaklasyfikuj ścieżkę jako odporną tylko wtedy, gdy kierunek pozostaje spójny i nie zmienia się interpretacja merytoryczna. Zapisz skrypt R, ustawienia bootstrapu oraz wyniki analizy odporności w folderze weryfikacyjnym.
   PUNKT PRZERWANIA: Nie rozpoczynaj ostatenego blokowania plików do momentu, aż model strukturalny, analiza subwymiarów i analiza odporności oparta na regresji zostaną wzajemnie sprawdzone.

17. Postępowanie w przypadku nieoptymalnych wyników analitycznych

1. Jeśli alfa Cronbacha lub rzetelność złożona jest niższa niż 0,70, należy sprawdzić korelacje pozycji z sumą oraz wystandaryzowane ładunki zewnętrzne. Jeśli średnia wariancja wyodrębniona jest niższa niż 0,50, należy sprawdzić zachowane wskaźniki i zidentyfikować, czy jeden lub więcej wskaźników osłabia trafność zbieżną.
2. Jeśli wartości heterotrait-monotrait przekraczają określony próg, należy przeanalizować sformułowania pozycji pod kątem nakładania się znaczeniowego między teoretycznie bliskimi konstruktami. Słabą pozycję należy usunąć tylko wtedy, gdy jest ona statystycznie słaba i koncepcyjnie nadmiarowa. Utrzymanie rozdzielności teoretycznie sąsiadujących konstruktów w sytuacji, gdy ich połączenie zmniejszyłoby przejrzystość koncepcyjną, jest wskazane.
3. Jeśli ścieżka pośrednia nie znajduje potwierdzenia, wynik należy odnotować jako niepotwierdzony związek pośredni. Jeśli zmienne kontrolne wykazują nieistotne statystycznie związki, wyniki należy zapisać bez nadinterpretacji.
   UWAGA: Nie należy modyfikować modelu teoretycznego po analizie w celu wymuszenia silniejszego potwierdzenia hipotez.

18. Blokowanie wyników programu i plików reprodukowalności

1. Utwórz końcowy folder weryfikacji instytucjonalnej o nazwie Verification_OnlineLearning_BPN_Engagement_YYYYMMDD.
2. Zapisz w folderze weryfikacyjnym archiwum surowego zbioru danych, oczyszczony zbiór danych, zbiór wyników konstruktów, księgę kodową, kwestionariusz, tabelę mapowania pozycji źródłowych, dziennik recenzji eksperckiej, zapis testu pilotażowego, dziennik prac terenowych, dziennik przesiewowy, plik z regułami wykluczania, zapis progu czasu wypełniania, wyniki z programu Smart PLS, skrypty R, tabele wyników z programu R, zapis wersji oprogramowania oraz dziennik zmian wersji.
3. Zapisz pliki projektu Smart PLS 4.1 oraz wyeksportowane wyniki modelu pomiarowego, modelu strukturalnego, bootstrapowania i analizy heterotrait-monotrait w podfolderze o nazwie SmartPLS_Output. Zapisz skrypty R i tabele wyników R w podfolderze o nazwie R_Output. Zapisz kwestionariusz, mapowanie pozycji, kodowanie zmiennych i reguły punktowania jako Supplementary File 1.
4. Zapisz weryfikację końcowego zbioru danych analitycznych, podsumowanie przesiewowe, zapis brakujących danych, diagnostykę błędu wspólnej metody, wyniki modelu pomiarowego, wyniki modelu strukturalnego, wyniki powiązań pośrednich, analizę podwymiarów, zapis odporności oparty na regresji, ustawienia oprogramowania i zapis wersji jako Supplementary File 2.
5. Nie zamieszczaj bezpośrednich informacji identyfikujących, surowych rekordów wykluczonych ani surowych danych na poziomie uczestników w manuskrypcie ani w plikach uzupełniających przesyłanych do publikacji. Zablokuj końcowy folder weryfikacyjny po sprawdzeniu spójności. Zapisuj późniejsze korekty jako nowe, datowane wersje i dokumentuj powód zmiany w dzienniku zmian wersji.

Wyniki

Końcowy zbiór danych analitycznych i charakterystyka uczestników

Końcowy analityczny zbiór danych obejmował 386 studentów uczelni wyższych. Formalna rekrutacja była prowadzona od 18 sierpnia 2025 r. do 26 września 2025 r. za pośrednictwem uczelnianych platform edukacyjnych, grup komunikacyjnych kursów, studenckich list mailingowych oraz instytucjonalnych kanałów studenckich. Przesiewowo sprawdzono łącznie 432 przesłane odpowiedzi, z czego zachowano 386, co dało odsetek prawidłowych odpowiedzi na poziomie 89,4%. Zablokowany zbiór danych zawierał 33 merytoryczne pytania w skali Likerta oraz jedno pytanie kontrolne sprawdzające uważność oparte na instrukcji. Pytanie kontrolne zostało wykorzystane wyłącznie do oceny jakości odpowiedzi i wykluczono je z punktowania konstruktów, analizy niezawodności, analizy ważności, estymacji PLS-SEM, analizy powiązań pośrednich oraz analizy odporności opartej na regresji. Końcową próbkę stanowiło 223 studentek, 154 studentów oraz dziewięciu uczestników, którzy wybrali opcję „wolę nie podawać” lub inną odpowiedź. W grupie znajdowało się 318 studentów studiów licencjackich i 68 studentów studiów magisterskich/podyplomowych. Rozkład według roku studiów obejmował 110 studentów I roku, 102 studentów II roku, 103 studentów III roku oraz 71 studentów IV roku lub wyższych. Kategorie dyscyplin obejmowały biznes i zarządzanie, nauki społeczne, inżynierię i technologię, medycynę i nauki o zdrowiu, humanistykę i sztukę oraz edukację. Tygodniowy czas ekspozycji na naukę online obejmował mniej niż 2 h na tydzień u 41 studentów, 2–4 h u 116 studentów, 5–7 h u 137 studentów, 8–10 h u 62 studentów i ponad 10 h u 30 studentów. Wcześniejsze doświadczenie w nauce online obejmowało brak doświadczenia u 38 studentów, mniej niż 6 miesięcy u 68 studentów, 6–12 miesięcy u 190 studentów i ponad 12 miesięcy u 90 studentów. Tygodniowa liczba godzin nauki online oraz wcześniejsze doświadczenie w nauce online zostały zachowane jako wcześniej określone zmienne kontrolne.

Recenzja ekspercka, testy pilotażowe i weryfikacja kwestionariusza

Przegląd ekspercki został przeprowadzony przez pięciu ekspertów w dziedzinach psychologii edukacyjnej, nauczania online, metodologii ilościowej, badań nad szkolnictwem wyższym oraz projektowania ankiet. W ramach przeglądu zidentyfikowano 13 problemów związanych z sformułowaniem pytań, cztery problemy dotyczące nadmiarowości oraz trzy problemy z dopasowaniem konstruktów. Czternaście pozycji poprawiono pod kątem jasności, dopasowania kontekstowego lub spójności z konstruktem; żadna pozycja nie została usunięta przed testami pilotażowymi. Testy pilotażowe przeprowadzono z udziałem 42 studentów uniwersytetu, którzy spełniali kryteria kwalifikowalności badania głównego. Mediana czasu wypełniania wyniosła 9,6 min, a minimalny próg czasu wypełniania ustalono na 3,2 min. Wstępne wartości alfa Cronbacha mieściły się w przedziale od 0,721 do 0,814. Po testach pilotażowych nie usunięto żadnej pozycji. Końcowy angielskojęzyczny kwestionariusz obejmował 12 pozycji dotyczących doświadczeń z nauczania online, dziewięć pozycji dotyczących podstawowych potrzeb psychologicznych, 12 pozycji dotyczących zaangażowania w naukę oraz jedną pozycję sprawdzającą uwagę opartą na instrukcji. Mapowanie źródeł pozycji, kodowanie zmiennych i zasady punktowania zostały ustalone przed formalną analizą i znajdują się w Pliku uzupełniającym 1.

Przesiewowe sprawdzanie odpowiedzi, brakujące dane i kontrola jakości danych

Po przeprowadzeniu przesiewu, z 432 nadesłanych odpowiedzi zachowano 386 prawidłowych. Wykluczenia obejmowały cztery odpowiedzi bez potwierdzenia zgody, 17 wykluczeń ze względu na niespełnienie kryteriów kwalifikowalności, osiem zdublowanych odpowiedzi, sześć błędów w testach uwagi, pięć odpowiedzi z czasem wykonania poniżej progu, cztery odpowiedzi wykazujące tendencję do wybierania tej samej opcji (straight-lining) oraz dwie nierozwiązane niespójności w zakresie kwalifikowalności. Oznaczono sześć wzorców długich ciągów identycznych odpowiedzi, jednak pokrywały się one z innymi kategoriami wykluczeń i nie zostały policzone jako dodatkowa, niezależna kategoria wykluczeń. Wykluczenia odnotowano w zanonimizowanym dzienniku przesiewowym. W zablokowanym zbiorze danych nie zachowano żadnych zdublowanych kodów uczestników. Nie odnotowano brakujących wartości w 33 merytorycznych punktach skali Likerta, zmiennych opisowych, zmiennych wyników wymiarowych ani zmiennych wyników konstrukcji globalnych. Nie zastosowano imputacji danych. Żadna z zachowanych odpowiedzi nie spełniała kryterium straight-lining, żadna nie wykazała wzorca długiego ciągu 20 lub więcej kolejnych identycznych odpowiedzi merytorycznych, a także nie zaobserwowano żadnych nierozwiązanych niespójności między ekspozycją na naukę online a tygodniową liczbą godzin nauki online.

Diagnostyka rozkładu opisowego i wspólnego błędu metodycznego

Globalna ocena doświadczeń z nauki online wyniosła 3,47 ± 0,45. Globalna ocena podstawowych potrzeb psychologicznych wyniosła 3,40 ± 0,49. Globalna ocena zaangażowania w naukę wyniosła 3,42 ± 0,48. Wsparcie dydaktyczne uzyskało najwyższą średnią wśród wymiarów doświadczeń z nauki online, natomiast jakość interakcji uzyskała najniższą średnią. Potrzeba kompetencji uzyskała najwyższą średnią wśród wymiarów podstawowych potrzeb psychologicznych, a potrzeba przynależności najniższą średnią. Zaangażowanie poznawcze uzyskało najwyższą średnią wśród wymiarów zaangażowania w naukę, natomiast zaangażowanie emocjonalne najniższą średnią. Kontrole rozkładu pozycji nie wykazały silnych efektów progowych dolnych ani górnych. Maksymalny wskaźnik odpowiedzi dolnych na poziomie pozycji wyniósł 1,55% dla OLE_PU3. Maksymalny wskaźnik odpowiedzi górnych na poziomie pozycji wyniósł 12,95% dla OLE_IS2. Obie wartości znajdowały się poniżej wcześniej określonego progu 20%. Diagnostyka błędu wspólnej metody nie wykazała istotnych dowodów na istnienie dominującego wspólnego czynnika metodycznego. Jednoczynnikowy test Harmana wykazał, że pierwszy czynnik nierotowany wyjaśnił 24,12% całkowitej wariancji. Pełna diagnostyka kolinearności wykazała maksymalny współczynnik inflacji wariancji na poziomie 1,527.

Jakość modelu pomiarowego

Jak pokazano w Tabeli 3, wartości alfa Cronbacha na poziomie wymiarów wahały się od 0,733 dla jakości interakcji do 0,801 dla zaangażowania poznawczego. Konstrukt globalnego doświadczenia uczenia się online wykazał wartość alfa wynoszącą 0,878, podstawowe potrzeby psychologiczne wartość alfa 0,846, a zaangażowanie w naukę wartość alfa 0,867. Standaryzowane ładunki zewnętrzne dla 33 merytorycznych pozycji mieściły się w przedziale od 0,704 do 0,842. Wartości niezawodności kompozytowej wahały się od 0,849 do 0,889. Wartości średniej wariancji wyekstrahowanej mieściły się w przedziale od 0,653 do 0,702. Maksymalny stosunek heterotrait-monotrait wyniósł 0,742. Wartości te spełniły wcześniej określone kryteria modelu pomiarowego.

Tabela 3: Niezawodność, statystyki opisowe i jakość modelu pomiarowego. Tabela ta przedstawia alfę Cronbacha, niezawodność złożoną, średnią wariancję wyodrębnioną, zakresy standaryzowanych ładunków, średnie, odchylenia standardowe oraz decyzje dotyczące utrzymania wymiarów pierwszego rzędu i konstruktów wyższego rzędu. Element sprawdzający uwagę został wykluczony z analizy niezawodności, trafności i estymacji modelu. Maksymalna wartość HTMT wśród konstruktów pierwszego rzędu wyniosła 0,742, co znajduje się poniżej wcześniej określonego konserwatywnego progu 0,85. Pełna tabela ładunków zewnętrznych oraz macierz HTMT znajdują się w Pliku uzupełniającym 2. Skróty: AVE = średnia wariancja wyodrębniona. Kliknij tutaj, aby pobrać tę tabelę.

Doświadczenie w nauce online korelowało z podstawowymi potrzebami psychologicznymi (r = 0.501) oraz zaangażowaniem w naukę (r = 0.497). Podstawowe potrzeby psychologiczne korelowały z zaangażowaniem w naukę (r = 0.510).

Ścieżka strukturalna i wyniki powiązań pośrednich

Jak pokazano na Rysunku 2, doświadczenie w nauce online było pozytywnie skorelowane z podstawowymi potrzebami psychologicznymi (β = 0.501, t = 11.259, p < 0.001, 95% CI: 0.414 do 0.588). Podstawowe potrzeby psychologiczne były pozytywnie skorelowane z zaangażowaniem w naukę (β = 0.349, t = 7.256, p < 0.001, 95% CI: 0.255 do 0.444). Doświadczenie w nauce online pozostało bezpośrednio skorelowane z zaangażowaniem w naukę (β = 0.324, t = 6.699, p < 0.001, 95% CI: 0.229 do 0.419). Model wyjaśnił 25.1% wariancji podstawowych potrzeb psychologicznych oraz 33.9% wariancji zaangażowania w naukę (Tabela 4). Wielkość efektu f² dla wpływu doświadczenia w nauce online na podstawowe potrzeby psychologiczne wyniosła 0.332. Wielkości efektu f² dla wpływu doświadczenia w nauce online oraz podstawowych potrzeb psychologicznych na zaangażowanie w naukę wyniosły odpowiednio 0.118 i 0.138.

Rysunek 2: Model strukturalny ze zestandaryzowanymi współczynnikami ścieżek opartymi na powiązaniach. Rysunek przedstawia zestandaryzowane ścieżki pomiędzy doświadczeniem w uczeniu się online, podstawowymi potrzebami psychologicznymi a zaangażowaniem w naukę, w tym ścieżkę bezpośrednią, ścieżkę pośrednią, wartości R² oraz określone wcześniej zmienne kontrolne. Wszystkie ścieżki są interpretowane jako estymacje oparte na powiązaniach. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Tabela 4: Wyjaśniona wariancja konstruktów endogenicznych.W tabeli przedstawiono współczynnik determinacji (R²), wartości skorygowanego R² oraz zmienne predyktory dla każdego konstruktu endogenicznego w modelu strukturalnym. Wszystkie wyniki interpretuje się jako szacunki oparte na powiązaniach, ponieważ dane miały charakter przekrojowy. Skróty: OLE_TOTAL = globalny wynik doświadczenia uczenia się online; BPN_TOTAL = globalny wynik podstawowych potrzeb psychologicznych; LE_TOTAL = globalny wynik zaangażowania w naukę. Prosimy kliknąć tutaj, aby pobrać tę tabelę.

Tabela 5 pokazuje, że tygodniowa liczba godzin nauki online nie była istotnie powiązana z podstawowymi potrzebami psychologicznymi (β = 0.001, p = 0.986) ani z zaangażowaniem w naukę (β = −0.020, p = 0.634).

Tabela 5: Szacunki ścieżek strukturalnych i wielkości efektów.Tabela ta przedstawia standaryzowane szacunki ścieżek strukturalnych, odpowiadające wartościy t, wartości p, 95% przedziały ufności (CI), wielkości efektów f² oraz decyzje dotyczące ścieżek dla modelu hipotetycznego. Przedstawiono również ścieżki zmiennych kontrolnych. Wszystkie ścieżki są interpretowane jako szacunki oparte na powiązaniach, ponieważ dane miały charakter przekrojowy. Skróty: OLE_TOTAL = globalny wynik doświadczenia uczenia się online; BPN_TOTAL = globalny wynik podstawowych potrzeb psychologicznych; LE_TOTAL = globalny wynik zaangażowania w naukę; WEEKLY_HOURS = liczba godzin uczenia się online w tygodniu; PRIOR_EXPERIENCE = wcześniejsze doświadczenie w uczeniu się online; CI = przedział ufności. Prosimy kliknąć tutaj, aby pobrać tę tabelę.

Wcześniejsze doświadczenie w nauczaniu online nie było istotnie powiązane z podstawowymi potrzebami psychologicznymi (β = −0,005, p = 0,916) ani z zaangażowaniem w naukę (β = 0,013, p = 0,754). Potwierdzono istnienie pośredniej ścieżki od doświadczenia w nauczaniu online do zaangażowania w naukę poprzez podstawowe potrzeby psychologiczne. Efekt pośredni wyniósł 0,175, przy 95% bootstrapowym przedziale ufności od 0,124 do 0,231. Bezpośredni efekt doświadczenia w nauczaniu online na zaangażowanie w naukę wyniósł 0,324, a efekt całkowity wyniósł 0,499 (Tabela 6). Ścieżkę tę zinterpretowano jako pośrednią ścieżkę opartą na powiązaniach, a nie jako mediację przyczynową.

Tabela 6: Szacunki powiązań bezpośrednich, pośrednich i całkowitych. Tabela ta przedstawia powiązania bezpośrednie, pośrednie (mediowane) oraz całkowite między doświadczeniem w nauce online a zaangażowaniem w naukę, w tym bootstrapowe 95% przedziały ufności (CI) oraz decyzje dotyczące ścieżek. Wszystkie efekty interpretowane są jako szacunki oparte na powiązaniach, ponieważ dane miały charakter przekrojowy. Skróty: OLE_TOTAL = globalny wynik doświadczenia w nauce online; BPN_TOTAL = globalny wynik podstawowych potrzeb psychologicznych; LE_TOTAL = globalny wynik zaangażowania w naukę; CI = przedział ufności. Kliknij tutaj, aby pobrać tę tabelę.

Analiza wrażliwości i analiza odporności dla podwymiarów potrzeb psychologicznych

Wykazano istotność ścieżki pośredniej poprzez potrzebę autonomii (efekt pośredni = 0,087, 95% CI: 0,049 do 0,131). Ścieżka pośrednia poprzez potrzebę kompetencji również została potwierdzona i wykazała największy efekt pośredni (efekt pośredni = 0,148, 95% CI: 0,094 do 0,205). Potwierdzono także istotność ścieżki pośredniej poprzez potrzebę przynależności (efekt pośredni = 0,092, 95% CI: 0,056 do 0,132) (Tabela 7).

Tabela 7: Analiza wrażliwości podwymiarów podstawowych potrzeb psychologicznych. W tabeli przedstawiono pośrednie powiązania poprzez podwymiary autonomii, kompetencji i pokrewieństwa podstawowych potrzeb psychologicznych, w tym bootstrapowe 95% przedziały ufności (CI) oraz decyzje dotyczące ścieżek. Wszystkie efekty interpretowano jako szacunki oparte na powiązaniach, ponieważ dane miały charakter przekrojowy. Skróty: OLE_TOTAL = globalny wynik doświadczenia uczenia się online; LE_TOTAL = globalny wynik zaangażowania w naukę; BPN_AU = potrzeba autonomii; BPN_CO = potrzeba kompetencji; BPN_RE = potrzeba pokrewieństwa; CI = przedział ufności. Kliknij tutaj, aby pobrać tę tabelę.

Analiza odporności oparta na regresji doprowadziła do tej samej merytorycznej interpretacji, co główny model PLS-SEM. Doświadczenie w nauce online pozostało pozytywnie skorelowane z podstawowymi potrzebami psychologicznymi (β = 0.501, 95% CI: 0.414 do 0.588). Po skorygowaniu o doświadczenie w nauce online oraz zmienne kontrolne, podstawowe potrzeby psychologiczne pozostały pozytywnie skorelowane z zaangażowaniem w naukę (β = 0.349, 95% CI: 0.255 do 0.444). Pośredni efekt oparty na regresji wyniósł 0.175, przy 95-procentowym przedziale ufności bootstrap od 0.124 do 0.231. Ze względu na przekrojowy charakter danych, wszystkie ścieżki zinterpretowano jako szacunki oparte na powiązaniach, a nie jako efekty przyczynowe (Tabela 8).

Tabela 8: Analiza odporności oparta na regresji. W tabeli przedstawiono wyniki analizy odporności opartej na regresji dla ścieżek strukturalnych, w tym skorygowane szacunki powiązań bezpośrednich i pośrednich z 95% przedziałami ufności (CI) metodą bootstrap. Wszystkie efekty interpretowane są jako szacunki powiązań, ponieważ dane miały charakter przekrojowy. Skróty: OLE_TOTAL = globalny wynik doświadczenia w nauce online; BPN_TOTAL = globalny wynik podstawowych potrzeb psychologicznych; LE_TOTAL = globalny wynik zaangażowania w naukę; CI = przedział ufności. Kliknij tutaj, aby pobrać tę tabelę.

Plik uzupełniający 1: Kwestionariusz, kodowanie zmiennych i reguły punktacji. Plik ten zawiera kwestionariusz w języku angielskim, zmienne służące do przesiewowej oceny kwalifikowalności, kodowanie zmiennych opisowych, sformułowania pytań, mapowanie źródeł pytań, skalę odpowiedzi, wzory punktacji, słownik zmiennych, reguły przetwarzania danych oraz kontrole spójności.Prosimy kliknąć tutaj, aby pobrać ten plik.

Plik uzupełniający 2: Weryfikacja końcowego zbioru danych analitycznych, ustawienia analizy oraz zapisy reprodukowalności. Plik ten zawiera zapisy zablokowanego zbioru danych analitycznych, podsumowanie prac terenowych, zapisy z recenzji eksperckiej i testów pilotażowych, podsumowanie przesiewowe, kontrole brakujących danych, wyniki modelu pomiarowego i niezawodności, wyniki modelu strukturalnego, analizę wrażliwości, analizę odporności oraz listę kontrolną reprodukowalności.Kliknij tutaj, aby pobrać ten plik.

Dyskusja

This protocol provides a reproducible methodological workflow for assessing association pathways among online learning experience, basic psychological needs, and learning engagement in university students. Rather than treating online learning as a single condition, the protocol separates the perceived learning environment into platform usability, instructional support, interaction quality, and learning flexibility. This structure allows researchers to identify which part of the online learning experience is most closely associated with psychological need satisfaction and engagement, instead of relying only on overall satisfaction or course-completion indicators¹⁶.

A central methodological contribution is the prespecification of questionnaire coding, eligibility screening, response-quality checks, construct scoring, dataset locking, and model testing. These steps are important because survey-based educational research is sensitive to inattentive responses, patterned answers, inconsistent eligibility responses, missing-data decisions, and post hoc exclusions¹⁷. By placing these decisions before structural analysis, the protocol makes the analytic pathway reproducible and reduces the risk that screening or scoring rules are changed after results are known.

The protocol also clarifies how the association pathway should be interpreted. Online learning experience is modeled as the independent construct, basic psychological needs as the indirect-association construct, and learning engagement as the outcome construct. This structure is theoretically grounded in self-determination theory, because autonomy, competence, and relatedness provide a mechanism for understanding why some online learning environments are associated with stronger engagement¹⁸. However, because the protocol uses cross-sectional questionnaire data, the pathway must be interpreted as an indirect association rather than causal mediation.

The multidimensional treatment of learning engagement is another strength of the protocol. Behavioral engagement, cognitive engagement, and emotional engagement are measured separately before being summarized as a global engagement construct. This prevents engagement from being reduced to attendance, task completion, or login behavior alone¹⁹. In practical terms, the protocol can distinguish students who complete required tasks from students who are cognitively invested, emotionally involved, and willing to continue participating in online learning activities.

The protocol is also useful for diagnosing weak points in online learning design. For example, a course may provide adequate platform access but still show low relatedness or emotional engagement if communication is delayed, fragmented, or not connected to meaningful learning interaction. This distinction is consistent with online learning models that emphasize social presence, teaching presence, and cognitive presence rather than technology availability alone²⁰. Therefore, the protocol supports targeted improvement of platform design, instructor support, interaction structure, and psychological need satisfaction.

Several limitations should guide interpretation and future use. First, the cross-sectional design does not establish temporal order, so causal claims should not be made²¹. Second, all main variables are self-reported, and common method diagnostics cannot fully remove response-bias concerns²². Third, the model does not directly observe instructor behavior, course design quality, platform analytics, or institutional support. Future studies can extend the protocol through longitudinal measurement, multi-group comparison, learning-analytics integration, or mixed-methods follow-up while retaining the same reproducible screening, scoring, model-testing, and verification logic²³.

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Qualtrics online survey platform	Qualtrics	Institutional account; version not applicable	Used to administer the anonymous English-language questionnaire, including consent confirmation, eligibility screening, required-response settings, AC1 attention-check item, response-time recording, and data export.
Microsoft Excel for Microsoft 365	Microsoft Corporation	Microsoft 365 institutional version	Used to store the raw exported dataset, cleaned dataset, codebook, screening log, construct-score file, and verification records in .xlsx and .csv formats.
G*Power	Heinrich Heine University Düsseldorf	G*Power 3.1.9.7	Used for a priori sample-size and power checking before recruitment.
SmartPLS	SmartPLS GmbH	SmartPLS 4.1 Professional	Used for the primary PLS-SEM workflow, including disjoint two-stage higher-order construct estimation, measurement-model assessment, structural-pathway testing, bootstrapping, R², f², and model-output export.
R statistical software	R Foundation / CRAN	R 4.4.1	Used for descriptive statistics, Pearson correlations, common method bias diagnostics, and regression-based robustness analysis.
R package: psych	CRAN	psych 2.4.6	Used for descriptive statistics, reliability checks, and psychometric summaries.
R package: boot	CRAN	boot 1.3-30	Used for bootstrap-based regression robustness checks.
R package: semPlot	CRAN	semPlot 1.1.6	Used only for optional path-diagram cross-checking when R-based visual verification is needed.
OneDrive for Business or SharePoint version history	Microsoft Corporation	Microsoft 365 institutional account	Used to store the verification folder and preserve version history for raw data, cleaned data, codebook, screening log, SmartPLS outputs, R scripts, and supplementary files.
Questionnaire and coding file	Author-prepared study file	Supplementary File 1	Contains the final questionnaire, item-source mapping, variable names, coding rules, dimension-score formulas, global construct-score formulas, and data-handling rules.
Screening and reproducibility record	Author-prepared study file	Supplementary File 2	Contains final dataset verification, screening checks, missing-data record, reliability results, common method bias diagnostics, measurement-model output, structural-model output, indirect-association results, sensitivity analysis, robustness record, and final consistency checklist.
Figure-preparation software	Adobe Illustrator or equivalent vector-editing software	Institutional version	Used to prepare publication-ready workflow and structural-model figures.