استبيان مونستر للتقييم – الوحدة الإضافية للتدريس الرقمي (MFE-ZdL)

الملخص

يُمثّل استبيان مونستر للتقييم – الوحدة الإضافية للتدريس الرقمي (بالألمانية: Münsteraner Fragebogen zur Evaluation – Zusatzmodul digitale Lehre؛ واختصاراً: MFE-ZdL) أداة سيكومترية وتقييمية طُوّرت في معهد علم النفس بـجامعة مونستر (Westfälische Wilhelms-Universität Münster) بألمانيا، بهدف التقاط تقييمات الطلاب وتجاربهم المرتبطة بمختلف عناصر التعليم الرقمي والتعلم الإلكتروني في التعليم العالي. نشأت هذه الأداة استجابةً للتحول الطارئ والسريع نحو التعليم عن بُعد إبّان جائحة كوفيد-19 (COVID-19)، حيث صُممت كوحدة إضافية تتكامل مع أدوات التقييم الأساسية المعتمدة في الجامعة مثل استبيان تقييم الحلقات الدراسية (MFE-Sr) واستبيان تقييم المحاضرات (MFE-Vr). تتألف البطارية من 10 فقرات ذات أشكال استجابة متباينة ومدروسة بعناية: فقرتان للمسح الوصفي لعناصر التدريس الرقمي المستخدمة، وست فقرات تقييمية تُجاب عبر مقياس ليكرت سباعي النقاط (من 1 = “لا أوافق على الإطلاق” إلى 7 = “أوافق تماماً”، مع خيار إضافي “لا يمكن الإجابة بشكل ذي معنى” يُرمّز كقيمة مفقودة)، وفقرة ذات خيارات متعددة لرصد التأثيرات على السلوك التعليمي للطلاب، وفقرة مفتوحة للملاحظات النوعية والاقتراحات التطويرية.

تتميز الأداة بمرونتها الفائقة وملاءمتها للمقررات الرقمية بالكامل، والمقررات الهجينة (Blended Learning)، والمقررات الحضورية المدعومة ببيئات تعليمية رقمية مكملة. استندت عمليات التحقق السيكومتري إلى بيانات مأخوذة من عينة قوامها 5,154 تقييماً طلابياً عبر الفصول الدراسية 2020/2021 و2021، حيث أظهرت التحليلات تمتع الأداة بمؤشرات قوية لصدق المحتوى وصدق البناء؛ كما كشفت النمذجة متعددة المستويات (Multilevel Modeling) عن قدرة الفقرات على التمييز بدلالة إحصائية بين المقررات المختلفة مع معاملات ارتباط داخل الفئة (ICC) تتراوح بين 0.08 و0.18، وفوارق معيار أكايكي للمعلومات (ΔAIC > 10). ونظراً لكون الفقرات تغطي مظاهر متعددة ومستقلة مفاهيمياً للتدريس الرقمي (مثل ملاءمة العناصر، التكافؤ التعليمي مع الحضور، التفاعل والانعكاس التشاركي، التعاون الرقمي، الأعباء التقنية، وتوافر المدرس)، فإن الأداة لا تُعامل كمقياس أحادي البُعد يُحسب له مجموع كلي، بل تُحلل فقراتها وصفياً بشكل فردي لتزويد أعضاء هيئة التدريس بتغذية راجعة تشخيصية دقيقة تسهم في التطوير المستمر لجودة التعليم الجامعي والبحوث التربوية.

الكلمات المفتاحية

تقييم التدريس، التعليم الرقمي، التعلم الإلكتروني، التعليم العالي، القياس النفسي التربوي، استبيان مونستر، جودة التدريس، بيئات التعلم الافتراضية، التغذية الراجعة الأكاديمية، التحليل متعدد المستويات.

المؤلفون

طُوّرت هذه الأداة من قِبل فريق التقييم الأكاديمي وضمان الجودة بمعهد علم النفس في جامعة مونستر (Westfälische Wilhelms-Universität Münster) في ألمانيا، تحت إشراف وتطوير نخبة من الباحثين المتخصصين في علم النفس التربوي والتشخيص السيكومتري لمنظومة التعليم العالي، بالتعاون الوثيق مع عمادة الكلية وأعضاء الهيئة التدريسية:

• فريق تقييم التدريس بقسم علم النفس (Evaluationsteam des Fachs Psychologie)، معهد علم النفس، جامعة مونستر، ألمانيا.
• د. ميكائيل تيلش (Dr. Meinald T. Thielsch)، باحث وأستاذ مشارك في القياس وعلم النفس التنظيمي وتطوير أدوات تقييم التعليم (MFE)، قسم علم النفس، جامعة مونستر (البريد الإلكتروني المؤسسي عبر بوابة التقييم: [email protected]).
• د. غيريت هيرشفيلد (Dr. Gerrit Hirschfeld)، شريك تطوير أدوات تقييم المقررات (MFE-Sr / MFE-Vr) بجامعة مونستر والقياس الإحصائي المتقدم.
• الموقع الإلكتروني الرسمي لوحدة التقييم والأدوات: https://www.uni-muenster.de/PsyEval/evaluationen/instrumente.html.

الغرض

شهد قطاع التعليم العالي على المستوى الدولي في مطلع عام 2020 تحولاً جذرياً غير مسبوق إثر تفشي جائحة فيروس كورونا المستجد (COVID-19)، مما اضطر الجامعات إلى تعليق التدريس الحضوري والتحول الفوري والشامل نحو التعليم الرقمي في حالات الطوارئ (Emergency Remote Teaching). ولم تكن معظم المؤسسات الجامعية قبل هذه الأزمة تمتلك بنية تقييمية مخصصة لرصد الجودة النوعية للتطبيقات الرقمية وتأثيرها على استيعاب المتعلمين ودافعيتهم وسلوكهم الدراسي (Persike & Friedrich, 2016). انطلاقاً من هذه الفجوة الملحة، تم تصميم استبيان مونستر للتقييم – الوحدة الإضافية للتدريس الرقمي (MFE-ZdL) كأداة تشخيصية معيارية واقتصادية تهدف إلى تحقيق أهداف متعددة ومتقاطعة:

1. التغذية الراجعة التشخيصية الفردية للمدرسين

الغرض الأساسي والأكثر إلحاحاً للأداة هو تزويد المدرسين والأساتذة الجامعيين بتغذية راجعة فورية ومفصلة حول الفعالية الإدراكية للأدوات والوسائط الرقمية التي وظفوها في مقرراتهم. تتيح نتائج الأداة للمحاضر فهم ما إذا كانت المنصات التعليمية الرقمية (مثل أنظمة إدارة التعلم Moodle/Learnweb، برمجيات البث التفاعلي Zoom، المحاضرات المسجلة غير المتزامنة، وحلقات النقاش الكتابية) قد حققت التوازن التربوي المطلوب بين سهولة الوصول التقني والعمق المفاهيمي، مما يمكنهم من إجراء تعديلات تكيفية مباشرة في الفصول الدراسية اللاحقة.

2. ضمان الجودة والتخطيط المؤسسي في الأقسام الأكاديمية

تستخدم وحدات إدارة وضمان الجودة على مستوى الكليات والأقسام بيانات المقياس كقاعدة قرار موثوقة (Decision-making basis). ومن خلال مقارنة البيانات المجمعة عبر مئات المقررات الدراسية، تتمكن اللجان الأكاديمية والعمادات من تحديد المجالات التي تتطلب دعماً فنياً أو بنيوياً، وتوزيع الموارد الرقمية بكفاءة، وتصميم ورش تدريبية نوعية موجهة لأعضاء هيئة التدريس في مجالات البيداغوجيا الرقمية وتصميم المقررات الإلكترونية.

3. الاستخدام في البحوث الأكاديمية والتربوية

بالإضافة إلى وظيفته التطبيقية في ضمان الجودة، يخدم الاستبيان أغراض البحث العلمي الرصين في مجالات علوم التربية، وتدريس التعليم العالي (Higher Education Didactics)، وعلم النفس التربوي. وتتجلى أهميته البحثية في دراسة المتغيرات الوسيطة والنهائية لعمليات التعلم، مثل العلاقة بين نوعية الوسائط الرقمية المطبقة وسلوكيات التعلم التكيفية مقابل غير التكيفية (كالتعلم الموجه ذاتياً والتسويف الأكاديمي)، واستكشاف محددات الرضا الطلابي، ومعدلات الاستبقاء الأكاديمي، والانسحاب من الدراسة (Drop-out rates) في البيئات الرقمية والهجينة الحديثة (Tinto, 1975; Schneider & Preckel, 2017).

البناء النفسي

يتميز البناء النفسي المقاس باستبيان (MFE-ZdL) بكونه بنية متعددة الأوجه ومتشعبة المكونات، تم تصميمها لتعكس الإدراك الذاتي للطلاب تجاه بيئة التعلم الرقمي وسلوكياتهم الدراسية المصاحبة لها. خلافاً للاختبارات النفسية الكلاسيكية التي تقيس سمة كامنة موحدة (مثل القلق أو الذكاء)، فإن هذا المقياس يتعامل مع “تقييم التدريس الرقمي” بوصفه تركيباً بنائياً (Formative / Multi-component Construct) يضم جوانب مستقلة مفاهيمياً. وتتوزع هذه الجوانب على الأبعاد الجوهرية التالية:

1. البنية التكنولوجية وتنوع الوسائط (Technological Features & Media Variety)

يتم قياس هذا الجانب من خلال الفقرتين 1 و2، حيث يتم استقصاء الوسائط المحددة التي وظفها عضو هيئة التدريس (شرائح العرض المتاحة مسبقاً، البث المباشر التفاعلي، التسجيلات الصوتية والمرئية غير المتزامنة، غرف الاجتماعات الافتراضية، ساعات المكتب الإلكترونية، ومنتديات النقاش المكتوبة)، مع إتاحة مساحة نوعية مفتوحة لتدوين أي أدوات مبتكرة أخرى. يُعنى هذا البُعد برسم الملمح التقني للمقرر وربطه بالخيارات الديداكتيكية المنفذة.

2. الملاءمة البيداغوجية ونقل المحتوى (Pedagogical Fit & Content Delivery)

تركز الفقرة 3 على “الملاءمة الإدراكية” (Perceived Fit) بين الوسيط الرقمي وطبيعة المادة العلمية؛ إذ يختلف النجاح الديداكتيكي للوسائط الرقمية باختلاف محتوى المقرر الدراسي (سواء كان نظرياً تجريدياً أو إحصائياً تطبيقياً أو تدريباً مهارياً). في حين تقيس الفقرة 4 “مكافأة التعلم والتحصيل” مقارنة بالتعليم الحضوري الكلاسيكي، مما يتيح استكشاف ما إذا كان التحول الرقمي قد حافظ على سلامة المخرجات التعليمية أم أدى إلى فقدان تدريجي لبعض المعارف والمهارات.

3. التفاعل الاجتماعي والانعكاس التشاركي (Social Interaction & Collaborative Reflection)

وفقاً لنظريات التعلم البنائي والاجتماعي، لا يمكن للتعلم أن يكتمل دون حوار وانعكاس تشاركي. تتناول الفقرة 5 مدى تمكن الطالب من التفكير في موضوعات المادة ومناقشتها بعمق مع زملائه بالرغم من القيود الرقمية. بينما تقيم الفقرة 6 جودة وكفاءة الأدوات الرقمية التي وُظفت للعمل الجماعي التعاوني المشترك بين الطلاب، ومدى فاعليتها في تقليص مشاعر العزلة والتباعد الاجتماعي التي رافقت الإغلاقات الجامعية.

4. الأعباء الإدراكية والتقنية (Cognitive & Technological Usability Load)

يقيس هذا البعد، عبر الفقرة 7، مستوى الجهد الإضافي أو الأعباء الذهنية والزمنية الناتجة عن التعامل مع المتطلبات التقنية للمقرر (مثل مشكلات الاتصال، تعقيد البرمجيات، أو تشتت المنصات). يهدف هذا البناء إلى التحقق من أن التكنولوجيا كانت وسيلة مساعدة وليست عائقاً معرفياً إضافياً يستهلك الموارد التنفيذية للمتعلم (Extraneous Cognitive Load).

5. إتاحة المدرس وقنوات التواصل (Instructor Availability & Distance Communication)

تقيس الفقرة 8 سهولة الوصول إلى أستاذ المقرر والتواصل معه عند الحاجة. ففي ظل غياب اللقاء الشخصي المباشر الذي توفره قاعات المحاضرات التقليدية، تنتقل قنوات الاتصال بالكامل إلى الفضاء الرقمي، ويغدو شعور الطالب بإتاحة المحاضر عاملاً حاسماً في تعزيز التغذية الراجعة والارتباط الأكاديمي وتقليل التوتر الإجرائي.

6. التغيرات في السلوك التعليمي والتنظيم الذاتي (Learning Behavior & Self-Regulation)

يتم فحص هذا البعد عبر الفقرة 9 ذات الخيارات المتعددة، والتي تقيس النتائج التقريبية (Proximal Outcomes) للتحول الرقمي على نمط دراسة الطالب. يشمل ذلك تأثيرات إيجابية كتحسين إدارة الوقت وزيادة الشعور بالاستقلالية وحرية تقرير المصير، في مقابل تأثيرات سلبية محتملة كزيادة التسويف الأكاديمي (Procrastination)، أو انخفاض مستويات الاندماج المعرفي السطحي في التعامل مع المادة العلمية.

الإطار النظري

ينتظم استبيان (MFE-ZdL) ضمن شبكة متكاملة من الأطر والنظريات السيكولوجية والتربوية المعاصرة التي تفسر فاعلية التعليم الرقمي، وسلوك الطلاب داخل بيئات التعلم المتقدمة:

1. نظرية تقرير المصير (Self-Determination Theory – SDT)

تُعد نظرية تقرير المصير التي أسسها إدوارد ديسي وريتشارد رايان (Deci & Ryan, 2012) المرتكز التفسيري الرئيسي لبُعدي التواصل والسلوك التعليمي في الأداة. تفترض النظرية أن دافعية التعلم الذاتية والرفاه النفسي الأكاديمي يتطلبان إشباع ثلاث حاجات نفسية أساسية: الحاجة إلى الاستقلالية (Autonomy)، الحاجة إلى الكفاءة (Competence)، والحاجة إلى الارتباط والانتماء الاجتماعي (Relatedness). يُتيح التعليم الرقمي درجات عالية من الاستقلالية والمرونة في إدارة الوقت، لكنه يمثل في الوقت ذاته تهديداً كبيراً لحاجة الارتباط والانتماء جراء غياب التفاعل الصفي المباشر. يعكس الاستبيان بدقة هذه الجدلية من خلال قياس التفاعل مع الزملاء (الفقرتان 5 و6) وتوافر المدرس (الفقرة 8)، وتوثيق مشاعر تقرير المصير مقابل التباعد في الفقرة 9.

2. نظرية الحمل المعرفي (Cognitive Load Theory – CLT) ونظرية ماير للتعلم بالوسائط المتعددة

تؤكد نظرية الحمل المعرفي (Sweller, 2011) ونظرية ريتشارد ماير للتعلم بالوسائط المتعددة (Mayer, 2014) أن سعة الذاكرة العاملة لدى الإنسان محدودة للغاية. عند إدخال عناصر رقمية متعددة وغير متزامنة، قد يواجه الطلاب عبئاً معرفياً دخيلاً (Extraneous Load) ناتجاً عن سوء التصميم التقني أو صعوبة التنقل بين التطبيقات والمنصات. يترجم الاستبيان هذه المبادئ في الفقرة 7 (التعامل مع المتطلبات التقنية بدون جهد زائد) والفقرة 3 (ملاءمة العناصر الرقمية)، لضمان توجيه الطاقات المعرفية للطالب نحو معالجة المحتوى الجوهري (Germane Load) بدلاً من استنزافها في الصراعات البرمجية.

3. نماذج التعلم المنظم ذاتياً والتسويف الأكاديمي (Self-Regulated Learning & Procrastination)

في بيئات التعلم الرقمية المفتوحة وغير المقيدة بجداول زمنية صارمة، تتضاعف متطلبات التنظيم الذاتي لدى الطالب (Hilpert et al., 2022). يشير الإطار النظري لبينتريش وزيمرمان للتعلم المنظم ذاتياً (Zimmerman, 2002) إلى أن غياب الرقابة الخارجية المباشرة يتطلب كفاءة ذاتية عالية في تخطيط الوقت ومقاومة المشتتات. أظهرت الدراسات الحديثة إبان الجائحة تفاقم ظاهرة التسويف الأكاديمي (Pelikan et al., 2021) وتراجع الاندماج المعرفي لدى شريحة واسعة من الطلاب نتيجة تراجع البنية الهيكلية الخارجية، وهي الأبعاد المحورية التي تم تضمينها واختبارها صراحة في الفقرة 9 من الاستبيان.

4. نموذج تينتو للاندماج المؤسسي والنجاح الأكاديمي (Tinto’s Student Integration Model)

يؤكد نموذج تينتو (Tinto, 1975) ودراسات شنايدر وبريكل (Schneider & Preckel, 2017) أن الاندماج الأكاديمي والاجتماعي يُعد من أقوى المنبئات بالاستمرار في التعليم الجامعي وتجنب التسرب والرسوب. وفي العصر الرقمي، تتشكل جسور هذا الاندماج عبر التفاعل الرقمي المرن والمستمر، وهو ما يسعى استبيان MFE-ZdL إلى قياسه في سياق التعليم العالي المرقمن لتقديم مؤشرات إنذار مبكر للهيئات الأكاديمية.

الصدق

خضع استبيان مونستر للتقييم الرقمي (MFE-ZdL) لبرنامج دقيق ومكثف للتحقق من خصائصه السيكومترية على مدار ثلاثة فصول دراسية متتالية (الفصل الصيفي 2020، الفصل الشتوي 2020/2021، والفصل الصيفي 2021)، حيث تم تطبيق الأداة على عينة ضخمة قوامها 5,154 تقييماً جامعياً بمعهد علم النفس بجامعة مونستر بألمانيا:

1. صدق المحتوى (Content Validity)

تم إرساء صدق المحتوى من خلال منهجية بناء استنتاجية (Deductive Test Construction). انطلق فريق التطوير المؤلف من خبيرات في القياس النفسي التربوي من صياغة بنك أولي ضم 25 فقرة، بحيث تُمثل كل ظاهرة أو مظهر بيداغوجي من 2 إلى 3 فقرات بديلة. خضعت هذه الفقرات لمراجعات متتالية وفحص تحليلي دقيق داخل فريق التقييم لحذف الصياغات الغامضة والتكرار غير المبرر، مع الحرص على تمثيل أبعاد الجودة الشاملة للتعليم الرقمي في حدود سقف اقتصادي لا يتجاوز 10 فقرات لتفادي إجهاد المستجيبين. تلا ذلك عقد جلسات استشارية متعمقة مع عميدة الشؤون الأكاديمية (Fachdekanin) ونخبة من مدرسي المقررات لضمان اتساق الصياغات مع الاحتياجات الإدارية والتطبيقية، مما أكد تمتع الأداة بصدق ظاهري وصدق محتوى استثنائيين.

2. صدق البناء والتحليل متعدد المستويات (Construct Validity & Multilevel Modeling)

نظراً لأن البيانات التقييمية تتسم بطبيعة هرمية متداخلة (Nested Structure)، حيث تتداخل تقييمات الطلاب الفردية (Level 1) داخل المقررات الدراسية المختلفة (Level 2)، تم تطبيق نماذج الآثار العشوائية للتقاطع فقط (Random-Intercept-Only Multilevel Models) لفصل التباين الكلي لكل فقرة إلى تباين داخل المقررات (SDwithin) وتباين بين المقررات المختلفة (SDbetween). واستُخرج معامل الارتباط داخل الفئة (Intraclass Correlation – ICC) ومقارنة النماذج باستخدام معيار أكايكي للمعلومات (AIC). يُلخص الجدول التالي النتائج التفصيلية المنشورة للدراسة:

تُثبت هذه النتائج قدرة الأداة الفائقة على التمييز بين المقررات؛ إذ تجاوز فارق معيار أكايكي عتبة الدلالة الحرجة (ΔAIC > 10) بفارق كبير جداً لجميع الفقرات، ووصل في الفقرة 5 إلى 654.89، مما يؤكد أن التباينات المرصودة في درجات الطلاب ترجع بصورة حقيقية وملموسة إلى الفروق النوعية في التدريس والتصميم الديداكتيكي للمقررات وليس لمجرد أخطاء القياس الفردية.

الثبات

يفرض المنظور السيكومتري الرصين التمييز بدقة بين أدوات قياس السمات الأحادية المتجانسة (Reflective Scales) والبطاريات التقييمية متعددة الأبعاد (Formative / Diagnostic Item Batteries). ونظراً لأن فقرات مقياس (MFE-ZdL) صُممت عمداً لتمثيل مؤشرات ومظاهر متباينة ومستقلة إدراكياً ومفاهيمياً للتعليم الرقمي، فإن دمجها في درجة كلية واحدة أو افتراض اتساق داخلي مثالي ليس هدفاً بنائياً للأداة. بالرغم من ذلك، ومن باب الشفافية الإحصائية المنهجية، أظهرت تحليلات الاتساق الداخلي للفقرات الست ذات مقياس التدريج السباعي (الفقرات من 3 إلى 8) معامل ألفا كرونباخ بلغ (α = 0.73) في العينة الكلية المكونة من 5,154 طالباً، وهو مستوى مقبول وجيد جداً لأداة تقييمية تتسم بتنوع مضامين فقراتها.

أما فيما يخص ثبات إعادة الاختبار (Test-Retest Reliability)، فإن طبيعة نظام تقييم التدريس الجامعي الذي يُجرى دون الكشف عن هوية المشاركين (Anonymous Evaluation)، وبشكل دوري عند نهاية كل فصل دراسي لمرة واحدة، تحول دون تتبع استجابات نفس الأفراد زمنياً لحساب استقرار الإجابات عبر الزمن. وعلاوة على ذلك، لا يُعد ثبات التجزئة النصفية (Split-Half Reliability) ملائماً إحصائياً للبطاريات غير المتجانسة بنيوياً. وتُعوض الأداة ذلك عبر الاستقرار المعياري والموضوعية الفائقة في شروط التطبيق الإلكتروني المقنن عبر منصات الويب الحاسوبية المعتمدة.

التحليل العاملي

خلال مسار التطوير السيكومتري، تم إجراء تحليلات عاملية استكشافية (Exploratory Factor Analysis – EFA) متتالية باستخدام طريقة الإمكانية الأعظمية والتدوير المائل (Maximum Likelihood with Oblimin Rotation) بهدف استكشاف العلاقات البينية بين الفقرات والتحقق من عدم وجود تجمعات شاذة أو حشو مفاهيمي مضلل:

1. اكتشاف العامل المنهجي (Method Factor) للفقرات السلبية

في النسخة الأولية التي جُربت في الفصل الصيفي 2020، تضمنت الأداة ثلاث فقرات ذات صياغة سلبية (Negative Wording)، كانت تستهدف قياس جوانب مختلفة نوعياً: فقدان المحتوى المعرفي (الفقرة 4)، غياب التبادل الشخصي مع الطلاب (الفقرة 5)، والعبء التقني الإضافي (الفقرة 7). ومع ذلك، كشفت نتائج التحليل العاملي الاستكشافي أن هذه الفقرات الثلاث تشبعت بقوة على عامل مستقل موحد بالرغم من اختلاف محتواها الموضوعي، مما أثار اشتباهاً سيكومترياً قوياً بوجود عامل منهجي اصطناعي (Method Effect) نتج عن النمط السلبي للصياغة وليس عن بنية كامنة مشتركة.

2. التنقيح وصياغة النسخة الإيجابية النهائية

للتغلب على هذا التشوه المنهجي، تم في الفصل الشتوي 2020/2021 إدخال صياغات إيجابية بديلة للفقرات الثلاث جنباً إلى جنب مع الفقرات السلبية في بطارية تجريبية موسعة من 13 فقرة. وأكدت تحليلات EFA أن إحلال الصياغات الإيجابية المباشرة (كما هو موضح في الجدول 2) قد فكك التكتل الاصطناعي وأعاد هيكلة التباين بصورة تعكس الجوانب المضمونية الأصلية للمقرر. وبناءً على ذلك، تم منذ الفصل الشتوي 2021/2022 اعتماد النسخة الموثقة رسمياً المكونة من 10 فقرات، حيث تم توحيد قطبية فقرات التدريج لتكون جميعها إيجابية الاتجاه (+ Polarity).

3. مصفوفة الارتباطات البينية للفقرات

يُوضح الجدول التالي مصفوفة معاملات الارتباط المتبادل بين الفقرات الست السباعية (Inter-item Correlations) استناداً إلى بيانات N = 5,154 مستجيباً:

تراوحت معاملات الارتباط الإيجابية المعتدلة بين 0.21 و0.45، مما يدعم الفرضية النظرية بكون الفقرات تعكس مظاهر متمايزة وليست تكراراً مترادفاً لبُعد أحادي، ولهذا يوصي مؤلفو المقياس بعدم اختزال الاستجابات في درجة كلية واحدة أو اشتقاق مقاييس فرعية قسرية.

أداة القياس

تتميز أداة القياس بخصائص دقيقة تم ضبطها لتلائم سياق التقييم المؤسسي في التعليم العالي:

• نوع الاختبار: استبيان تقييم أكاديمي وبيداغوجي ذاتي مُطبّق عبر الحاسوب (Computer-Assisted Self-Interview – CASI)، مع إمكانية استخدامه بصيغة ورقية (Paper-Assisted Self-Interview – PASI).
• التنسيق العام: وحدة إضافية مكملة (Modular Extension) تُدمج فورياً بعد استبيانات التقييم الأساسية للجامعة (MFE-Sr أو MFE-Vr)، وتُعرض بدون تعليمات مستقلة لتفادي التشتيت.
• عدد الفقرات الإجمالي: 10 فقرات، تنقسم إلى:
  • فقرتان للمسح الوصفي لعناصر التدريس الرقمي (الفقرة 1 متعددة الاختيارات، والفقرة 2 مفتوحة للخيارات الإضافية).
  • 6 فقرات تدريج رتبوية (الفقرات من 3 إلى 8) تقيس رضا وتقييم الطلاب لجودة التدريس الرقمي.
  • فقرة واحدة متعددة الاختيارات لقياس انعكاسات النمط الرقمي على سلوكيات التعلم وإدارة الوقت والتسويف (الفقرة 9).
  • فقرة واحدة مفتوحة لتقديم مقترحات نوعية وتغذية راجعة حرة للمدرس (الفقرة 10).
• مقياس الاستجابة للفقرات الرتبوية (الفقرات 3–8): مقياس متدرج سباعي النقاط (7-point Rating Scale):
  • 1 = لا أوافق على الإطلاق (stimme gar nicht zu)
  • 2 = لا أوافق (stimme nicht zu)
  • 3 = أميل إلى عدم الموافقة (stimme eher nicht zu)
  • 4 = محايد (neutral)
  • 5 = أميل إلى الموافقة (stimme eher zu)
  • 6 = أوافق (stimme zu)
  • 7 = أوافق تماماً (stimme vollkommen zu)
  • خيار إضافي متاح: “لا يمكن الإجابة بشكل ذي معنى” (nicht sinnvoll beantwortbar) ويُرمّز إحصائياً كقيمة مفقودة (NA).
• الفقرات المعكوسة: لا توجد أي فقرات معكوسة في النسخة المعتمدة؛ جميع الفقرات التقييمية (3-8) موجبة القطبية (+ Polarity) لمنع تأثير العوامل المنهجية الاصطناعية.
• طريقة التصحيح وحساب الدرجات: لا يتم حساب درجة مركبة أو درجة كلية. تُحلل الاستجابات وصفياً لكل مقرر تعليمي بشكل مستقل: حساب المتوسط الحسابي غير الموزون (Mean) والانحراف المعياري (SD) لكل فقرة سباعية، وحساب التكرارات والنسب المئوية النسبية لخيارات الفقرات متعددة الاختيار، وتلخيص الإجابات النوعية في تقرير مباشر يُسلّم لعضو هيئة التدريس. وفي حال وجود قيم مفقودة تُحسب الإحصاءات بحذف الأزواج (Pairwise Deletion).
• زمن الإجابة: ما بين دقيقة واحدة إلى دقيقتين (1-2 دقيقة)، مما يجعله أداة فائقة الاقتصادية في التقييم الميداني.

الأذونات والرسوم وسنة الاختبار

طُوّر المقياس رسمياً ودخل حيز التطبيق في يونيو 2020 بجامعة مونستر، ثم خضع لتنقيحات متعاقبة في عامي 2021 و2022 ليصبح في صيغته النهائية المعتمدة. الأداة متاحة مجاناً ومصنفة ضمن الموارد التعليمية والتقييمية المفتوحة للاستخدام غير التجاري في الأبحاث العلمية وتطوير التدريس وضمان الجودة في مؤسسات التعليم العالي.

يمكن للباحثين ومسؤولي التقييم الأكاديمي استخدام وتطبيق البطارية أو تكييف عناصرها المحددة بما يلائم المقررات الهجينة أو الحضورية المدعومة ببيئات إلكترونية دون الحاجة لدفع رسوم ترخيص مالية، شريطة الإشارة المرجعية الأكاديمية الصريحة للأداة الأصلية ومطوريها في جامعة مونستر. يمكن تنزيل وثائق المقياس ومتابعة التحديثات عبر بوابة أدوات التقييم بمعهد علم النفس: https://www.uni-muenster.de/PsyEval/evaluationen/instrumente.html.

المراجع

• Aini, Q., Budiarto, M., Putra, P. O. H., & Rahardja, U. (2020). Exploring e-learning challenges during the COVID-19 pandemic in higher education. Journal of Information Systems Engineering and Business Intelligence, 6(2), 155–164. https://doi.org/10.20473/jisebi.6.2.155-164
• Bates, D., Mächler, M., Bolker, B., & Walker, S. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1), 1–48. https://doi.org/10.18637/jss.v067.i01
• Breitenbach, A. (2021). Digitale Lehre an Hochschulen: Chancen, Herausforderungen und didaktische Gestaltungskonzepte. Beiträge zur Hochschulforschung, 43(3), 42–61.
• Burnham, K. P., & Anderson, D. R. (2004). Multimodel inference: Understanding AIC and BIC in model selection. Sociological Methods & Research, 33(2), 261–304. https://doi.org/10.1177/0049124104268644
• Deci, E. L., & Ryan, R. M. (2012). Self-determination theory. In P. A. M. Van Lange, A. W. Kruglanski, & E. T. Higgins (Eds.), Handbook of theories of social psychology (Vol. 1, pp. 416–436). Sage Publications. https://doi.org/10.4135/9781446249215.n21
• Grabowski, L., & Pape, N. (2016). Herausforderungen und Gelingensbedingungen digitaler Lehre: Eine empirische Bestandsaufnahme. Zeitschrift für Hochschulentwicklung, 11(5), 79–96.
• Haaser, A., Hirschfeld, G., & Thielsch, M. T. (2007). PsyEval: Eine modulare Webplattform zur universitären Lehrevaluation. GWP-Tagungsband, 12, 105–112.
• Hilpert, F., Schneider, J., & Scheunemann, A. (2022). Self-regulated learning in digital learning environments: The role of motivational and cognitive strategies during the COVID-19 pandemic. Frontiers in Psychology, 13, 856711. https://doi.org/10.3389/fpsyg.2022.856711
• Hong, J. C., Lee, Y. F., & Ye, J. H. (2021). Procrastination predicts online self-regulated learning and academic burnout during the COVID-19 pandemic. Computers & Education, 174, 104314. https://doi.org/10.1016/j.compedu.2021.104314
• Mayer, R. E. (Ed.). (2014). The Cambridge handbook of multimedia learning (2nd ed.). Cambridge University Press. https://doi.org/10.1017/CBO9781139547369
• Pelikan, E. R., Lüftenegger, M., Holzer, J., Korlat, S., Spiel, C., & Schober, B. (2021). Learning during COVID-19: The role of self-regulated learning, motivation, and procrastination for secondary school students. Zeitschrift für Erziehungswissenschaft, 24(2), 393–418. https://doi.org/10.1007/s11618-021-01007-8
• Persike, M., & Friedrich, J. D. (2016). Lernen mit digitalen Medien aus Studierendenperspektive (Arbeitspapier Nr. 17). Hochschulforum Digitalisierung.
• R Core Team. (2022). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
• Reinhardt, R., Schmidt, S., & Heinze, C. (2021). Didaktische Passung in der Hochschullehre: Analysen zum Zusammenspiel von Inhalten, Medien und Methoden. Zeitschrift für Didaktik der Naturwissenschaften, 27(1), 143–158.
• Revelle, W. (2022). psych: Procedures for psychological, psychometric, and personality research (R package version 2.2.5). Northwestern University. https://CRAN.R-project.org/package=psych
• Schneider, M., & Preckel, F. (2017). Variables associated with achievement in higher education: A systematic review of meta-analyses. Psychological Bulletin, 143(6), 565–600. https://doi.org/10.1037/bul0000098
• Sweller, J. (2011). Cognitive load theory. In J. P. Mestre & B. H. Ross (Eds.), The psychology of learning and motivation: Cognition in education (Vol. 55, pp. 37–76). Academic Press. https://doi.org/10.1016/B978-0-12-387691-1.00002-8
• Thielsch, M. T., & Hirschfeld, G. (2010a). Münsteraner Fragebogen zur Evaluation von Seminaren (MFE-Sr). Institut für Psychologie, Westfälische Wilhelms-Universität Münster.
• Thielsch, M. T., & Hirschfeld, G. (2010b). Münsteraner Fragebogen zur Evaluation von Vorlesungen (MFE-Vr). Institut für Psychologie, Westfälische Wilhelms-Universität Münster.
• Tinto, V. (1975). Dropout from higher education: A theoretical synthesis of recent research. Review of Educational Research, 45(1), 89–125. https://doi.org/10.3102/00346543045001089
• West, S. G., Finch, J. F., & Curran, P. J. (1995). Structural equation models with nonnormal variables: Problems and remedies. In R. H. Hoyle (Ed.), Structural equation modeling: Concepts, issues, and applications (pp. 56–75). Sage Publications.
• Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2), 64–70. https://doi.org/10.1207/s15430421tip4102_2

فقرات المقياس

فيما يلي النص الأصلي الكامل لفقرات استبيان مونستر للتقييم – الوحدة الإضافية للتدريس الرقمي (MFE-ZdL) كما وردت في الوثائق المرجعية الرسمية، مع تنسيق خيارات الاستجابة المعتمدة في بيئات التقييم الحاسوبية: