VALIDAÇÃO E TESTES DE CONFIABILIDADE DA ESCALA DE CONTEÚDO DAS CIRCUNSTÂNCIAS DA VIDA E ASPECTOS MOTIVACIONAIS DO ESTUDANTE (CVAME)
DOI:
https://doi.org/10.47820/recima21.v3i4.1280Palavras-chave:
Validação, Confiabilidade, Escala, Estudante, ModeloResumo
O objetivo do estudo é validar e testar a confiabilidade da escala de conteúdo das Circunstâncias da Vida e Aspectos Motivacionais do Estudante (CVAME). Para tanto, utiliza-se técnicas de Análise Fatorial Exploratória (AFE) e Análise Fatorial Confirmatória (CFA). Os resultados obtidos a partir do modelo representado pela Figura 3. Modelo de medida foram considerados adequados, pois em conjunto, o valor de 0.782 da fiabilidade compósita (“composite reliability”, ou “CR”) e o valor de 0.555 da variância média extraída (“average variance extracted”, ou “AVE”) indicam valores aceitáveis de fiabilidade e de validade convergente para o modelo de medida. Esses valores evidenciam a qualidade do modelo estrutural do instrumento. Tendo em vista os resultados apresentados, este instrumento parece-nos muito útil e permite afirmar que, ele é sensível, válido e confiável para a avaliação do apoio acadêmico recebido pelos estudantes, do conteúdo ou mudanças das circunstâncias da vida do estudante durante o processo de formação, aos aspectos motivacionais das experiências de aprendizagem.
Downloads
Referências
ANDERSON, J. C.; GERBING, D. W. The Effect of Sampling Error on Convergence, Improper Solutions, and Goodness-of-Fit Indices for Maximum Likelihood Confirma-tory Factor Analysis. Psychometrika, v. 49, n. 2, p. 155-173, 1984. doi: https://doi.org/10.1007/BF02294170
BALABAN-SALI, J. Designing motivational learning systems in distance education. Turkish Online Journal of Distance Education, v. 9, n. 3, p. 149-161, jul., 2008. Disponível em: <https://dergipark.org.tr/download/article-file/156290>. Acesso em: 28 jun. 2019.
BARBOZA, S. I. S. et al. Variações de Mensuração pela Escala de Verificação: uma análise com escalas de 5, 7 e 11 pontos. Teoria e Prática em Administração, n. 3, v. 2, p. 99-120, 2013. Disponível em: <http://www.spell.org.br/documentos/ver/18384/variacoes-de-mensuracao-pela-escala-de-verifica--->. Acesso em: 28 jun. 2019.
BATTALIO, J. Interaction online: A reevaluation. The Quarterly Review of Distance Education, n. 8, v. 4, p. 339-352, 2007.
BENSON, J.; FLEISHMAN, J. A. The robustness of maximum likelihood and distribution-free estimators to non-normality in confirmatory factor analysis. Qual Quant, n. 28, p. 117-136, 1994. Disponível em: <https://link.springer.com/article/10.1007/BF01102757>. Acesso em: 28 jun. 2019.
BERGE, Z.; HUANG, Y. Um modelo para a retenção sustentável de estudantes: Uma perspectiva holística sobre o problema do abandono escolar com atenção especial ao e-learning. DEOSNEWS, n. 13, v. 5, mai., 2004. Disponível em: <http://www.ed.psu.edu/acsde/deos/deosnews/deosnews13_5.pdf>. Acesso em: 09 jul. 2019.
BOLLEN, K. A. Structural equations with latent variables. New York: John Wiley and Sons, 1989.
BYRNE, B. M. Structural equation modeling with AMOS: Basic concepts, applications, and programming. 2. ed. New York: Routledge Taylor & Francis Group, 2010.
COMREY, A. L. Factor-Analytic Methods of Scale Development in Personality and Clinical Psychology. Journal of Consulting and Clinical Psychology, v. 56, p. 754-761, out., 1988. doi: https://doi.org/10.1037/0022-006X.56.5.754
FINKELSTEIN, L. Widely-defined measurement: An analysis of challenges. Measurement, n. 42, p. 1270-1277, 2009.
FINNEY, S.J.; DiSTEFANO, C. Non-normal and Categorical data in structural equation modeling. In: Hancock, G. R.; MUELLER, R. O. (Hrsg.). Structural equation modeling: a second course. Greenwich, Connecticut: Information Age Publishing, 2006, p. 269-314.
GORMLEY, D. K.; COLELLA, C.; SHELL, D. L. Motivating online learners using attention, relevance, confidence, satisfaction motivational theory and distributed scaffolding. Nurse Educator, n. 37, v. 4, p. 177-180, 2012.
HAIR, J. F. et al. Multivariate Data Analysis. 7. ed. Ney Jersey: Prentice Hall, 2010.
HART, C. Factors Associated With Student Persistence in an Online Program of Study: A Review of the Literature. Journal of Interactive Online Learning, v. 11, n. 1, p. 19-42, 2012.
HOE, S. L. Issues and Procedures in Adopting Structural Equation Modeling Technique. Journal of Applied Quantitative Methods, n. 3, p.76-83, 2008.
HUANG, B.; HEW, K. F. Measuring Learners’ Motivation Level in Massive Open Online Courses. International Journal of Information and Education Technology, n. 6, v. 10, p. 759-764, 2016. Disponível em: <http://www.ijiet.org/vol6/788-A001.pdf>. Acesso em: 29 jun. 2019,
HUETT, J. et al. Supporting the distance student: The effect of ARCS-based strategies on confidence and performance. Quarterly Review of Distance Education, n. 9, v. 2, p. 113-126, 2008.
HUNG, I. C. et al. Designing a robot teaching assistant for enhancing and sustaining learning motivation. Interactive Learning Environments, n. 21, v. 2, p. 156-171, 2013. doi: https://doi.org/10.1080/10494820.2012.705855.
JORDAN, K. Massive Open Online Courses Completion Rates Revisited: Assessment, Length and Attrition. In: International Review of Research in Open and Distributed Learning, V. 16, n. 3, jun., 2015. Disponível em: <https://files.eric.ed.gov/fulltext/EJ1067937.pdf>. Acesso em: 28 jun. 2019
JUN, J. Understanding dropout of adult learners in e-learning. Dissertation (Doctoral of Philosophy) - University of Georgia, Athens, Georgia, 2005.
KELLER, K. L. Memory Factors in Advertising: The Effect of Advertising Retrieval Cues on Brand Evaluations. Journal of Consumer Research, v. 14, p. 316-33, december, 1987.
KELLER J. M. Motivational design for learning and performance: the ARCS model approach. New York, NY: Springer, 2010.
KELLOWAY, E. K. Using Mplus for Structural Equation Modeling. Thousand Oaks, CA: Sage, 2015.
KIM, C.; KELLER, J. M. Effects of motivational and volitional email messages (MVEM) with personal messages on undergraduate students' motivation, study habits and achievement. British Journal of Educational Technology, n. 39, v. 1, p. 36-51, 2008. doi: https://doi.org/10.1111/j.1467-8535.2007.00701.x.
KLINE, R. B. Principles and Practice of Structural Equation Modeling. 4. ed., 2016.
KYRIAZOS, T. A. Applied Psychometrics: Sample Size and Sample Power Considerations in Fac-tor Analysis (EFA, CFA) and SEM in General. Psychology, n. 9, p. 2207-2230, 2018. doi: https://doi.org/10.4236/psych.2018.98126.
LEVY, Y. Comparing dropouts and persistence in e-learning courses. Computers and Education, v. 48, p. 185-204, 2007.
MACCALLUM, R. C.; AUSTIN, J. T. Applications of Structural Equation Modeling in Psychological Research. Annual Review of Psychology, v. 51, p. 201-226, 2010. doi: https://doi.org/10.1146/annurev.psych.51.1.201.
MOLLISON, A. Colleges adjust as more older people seek knowledge [final edition]. Palm Beach Post, August 21, p. 1A, 2000.
MORRIS, L. V.; WU, S.; FINNEGAN, C. Predicting retention in online general education courses. American Journal of Distance Education, n. 19, v. 1, p. 23-36, p. 2005.
NETTO, C.; GUIDOTTI, V.; SANTOS, P. K. A evasão na EAD: Investigando causas, propondo estratégias. In: Conferencia Latinoamericana sobre el Abandono de la Educación Superior, 2., 2012, Porto Alegre. Anais… Porto Alegre: Pontifícia Universidade Católica Rio Grande do Sul, 2012.
NUNNALLY, J. C.. Psychometric theory. 2. ed. New York: McGraw-Hill, 1978.
PARK, J. H.; CHOI, H. J. Factors influencing adult learners decision to drop out or persist in online learning. Educational Technology & Society, Paris, v. 12, n. 4, p. 207-217, 2009.
SAHIN, I. Predicting student satisfaction in distance education and learning environments. Turkish Online Journal of Distance Education-TOJDE, n. 8, v. 2, p. 113-119, 2007.
SALES, G. L. Learning Vectors: Um Modelo de Avaliação da Aprendizagem em EaD Online Aplicando Métricas Não-Lineares. Tese (Doutorado) - Universidade Federal do Ceará (UFC), Programa de Pós-graduação em Teleinformática, Fortaleza, CE, 2010.
SCHUMACKER, R. E.; LOMAX, R. G. A Beginner’s Guide to Structural Equation Modeling. 3. ed. New York: Taylor and Francis Group, 2010.
SINGH, K.; JUNNARKAR, M.,; KAUR, J. Measures of Positive Psychology: Development and Validation. Berlin: Springer, 2016.
TINSLEY, H. E.; TINSLEY, D. J. (1987). Uses of Factor Analysis in Counseling Psychology Research. Journal of Counseling Psychology, n. 34, p. 414-424, 1987. doi: https://doi.org/10.1037/0022-0167.34.4.414
WANG, J.; WANG, X. Structural Equation Modeling: Applications Using Mplus. Chichester, UK: Wiley, 2012.
YUKSELTURK, E.; YILDIRIM, Z. Investigação de interação, suporte online, estrutura do curso e flexibilidade como fatores que contribuem para a satisfação dos alunos em um programa de certificação on-line. Educational Technology & Society, n. 11, v. 4, p. 51-65, 2008.
Downloads
Publicado
Edição
Seção
Categorias
Licença
Copyright (c) 2022 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.
