Исследовательский вопрос (основной и уточняющие)
- Основной: Как дистанционное обучение во время и после пандемии COVID-19 влияло на социальную интеграцию студентов в университетах разных стран?
- Уточняющие: (1) зависят ли эффекты от уровня дистанции (частичная vs. полная)? (2) модифицируются ли эффекты характеристиками университета и страны (жёсткость локдауна, поддержка кампуса)? (3) как меняются социальные сети студентов (размер, плотность, центральность)?
Дизайн исследования (общая схема)
- Тип: многоуровневое продольное (лонгитюдное) квази-экспериментальное смешанное исследование (mixed methods) — количественный панельный анализ + качеционные интервью/фокус‑группы.
- Выборка: стратифицированная по стране → университету → случайная выборка студентов; минимум нескольких стран с различной политикой COVID (например, 3–6). Желательно включить исторические (до пандемии) данные либо ретроспективные вопросы.
- Временные точки: до пандемии (если возможно), во время пика дистанта, через 6–12 месяцев после снятия ограничений, долгосрочное отслеживание (≥2 года).
Переменные и их операционализация
- Зависимые переменные (социальная интеграция):
- Чувство принадлежности: шкала Sense of Belonging (Likert).
- Вовлечённость в студенческую жизнь: частота участия в офлайн/онлайн кружках/мероприятиях (число/частота).
- Одиночество/изоляция: шкала UCLA Loneliness.
- Социальная сеть (egocentric / whole-network): размер сети (degree), плотность, средняя центральность, доля слабых/сильных связей.
- Поведенческие маркеры: количество контактов с однокурсниками, комментарии/посты в LMS, посещаемость офлайн мероприятий.
- Независимые переменные:
- Интенсивность дистанционного обучения: доля курсов/кредитов онлайн $({\text{RemoteShare}}_{jt})$, часы онлайн в неделю.
- Период: индикатор пандемии/после $({\text{Pandemic}}_t)$.
- Взаимодействие: ${\text{RemoteShare}}_{jt}\times {\text{Pandemic}}_t$.
- Контрольные (индивидуальные): возраст, пол, SES, проживание (студ. общежитие/дом), предшествующие соц. связи, экстраверсия/личностные черты.
- Университетские: размер, кампус/городская структура, наличие служб поддержки, политика перехода на онлайн.
- Страновые: индекс закрытий (Oxford Stringency Index), заболеваемость COVID, культура коллективизма/индивидуализма.
Данные и измерения
- Кросс‑источники: анкеты студентов, административные данные (регистрация на курсы, посещаемость), логи LMS/коммуникаций (Meta‑data), индекс правительственных ограничений.
- Сетевые данные: name‑generator survey (назови N ближайших контактов, частоту взаимодействий), либо автоматические связи в платформе (взаимодействия в учебной платформе).
- Качество: использовать валидированные шкалы; пилотирование опроса; переводы и культурная адаптация.
Статистические методы анализа
- Описание: тренды по времени, стратифицировано по странам/университетам.
- Многоуровневые смешанные модели (учёт вложенности студентов в университеты и страны): пример спецификации
$$Y_{ijt}={\beta }_0+{\beta }_1{\text{RemoteShare}}_{jt}+{\beta }_2{\text{Pandemic}}_t+{\beta }_3({\text{RemoteShare}}_{jt}\times {\text{Pandemic}}_t)+{\mathbf{X}}_{ijt}\gamma +u_j+v_c+{\epsilon }_{ijt},$$ где $i$ — студент, $j$ — университет, $c$ — страна.
- Различие в различиях (DiD) при наличии «переключившихся» университетов: модель DiD для оценки квазиизменения политики:
$$Y_{ict}=\alpha +\delta ({\text{Treat}}_c\times {\text{Post}}_t)+{\mathbf{X}}_{ict}\theta +{\mu }_c+{\tau }_t+{ϵ}_{ict}.$$ - Для сетевых исходов: SNA‑метрики (degree, betweenness, density) и модели ERGM / SIENA для динамики сетей.
- Для борьбы с селекцией: propensity score matching / inverse probability weighting; инструментальные переменные (например, локальный уровень заболеваемости или экзогенные даты перехода университетов) при соблюдении допущений.
- Качественный анализ: тематический анализ интервью для выявления механизмов (барьеры, адаптивные практики).
Робастность и верификация
- Сенситивити‑анализ: разные определения RemoteShare, разные выборки стран.
- Учёт неответов и оттока: анализ завершённости панели, множественная имputation.
- Проверка параллельных трендов перед DiD.
Этические и практические соображения
- Конфиденциальность сетевых данных; анонимизация, безопасность хранения.
- Согласие участников; возможность отказа от видов данных (логи).
- Межкультурная адаптация инструментов.
Краткая сводка (ключевые точки)
- Основной вопрос: эффект дистанта на социальную интеграцию во время и после пандемии.
- Дизайн: продольный многоуровневый смешанный (квант+качеств).
- Ключевые переменные: $Y$ — шкалы принадлежности/одиночества и сетевые метрики; основной предиктор — $\text{RemoteShare}$ и индикатор пандемии; контролируемые индивидуальные/университетские/страны.
- Методы: многоуровневые модели, DiD, SNA, PSM/IV для причинности, тематический анализ для механизмов.
Если нужно, могу предложить пример анкеты, набор SNA‑вопросов или шаблон моделей для конкретного числа стран/университетов.