Questionnaire d’évaluation de Münster – module complémentaire pour l’enseignement numérique (MFE-ZdL)

1. Résumé / Abstract

Le Questionnaire d’évaluation de Münster – module complémentaire pour l’enseignement numérique (Münsteraner Fragebogen zur Evaluation – Zusatzmodul digitale Lehre, MFE-ZdL) est un instrument psychométrique et docimologique développé à l’Institut de Psychologie de l’Université de Münster (Westfälische Wilhelms-Universität Münster). Conçu initialement au printemps 2020 en réponse directe aux perturbations massives et à la transition pédagogique d’urgence provoquées par la pandémie de COVID-19, ce module court composé de 10 items a été créé pour enrichir les instruments institutionnels standardisés d’évaluation des enseignements par les étudiants, spécifiquement le Münster Questionnaire for the Evaluation of Seminars (MFE-Sr) et le Münster Questionnaire for the Evaluation of Lectures (MFE-Vr).

L’instrument adopte une approche multidimensionnelle et pragmatique de la qualité pédagogique numérique. Il évalue les modalités technologiques concrètes déployées, l’adéquation didactique perçue des outils, la comparabilité des apprentissages par rapport au présentiel, la préservation des interactions réflexives entre pairs, l’efficacité de la collaboration en ligne, la charge de travail induite par les exigences techniques, la disponibilité de l’enseignant, ainsi que les répercussions du format numérique sur l’autorégulation de l’apprentissage (procrastination, gestion du temps, autonomie). Le questionnaire combine deux items descriptifs à choix multiple et réponses ouvertes, six items évaluatifs mesurés sur une échelle de Likert en 7 points (allant de 1 = « entièrement en désaccord » à 7 = « tout à fait d’accord », assortie d’une option « non applicable »), un item à choix multiple portant sur les effets sur l’apprentissage et une question ouverte de rétroaction qualitative.

Sur le plan psychométrique, le MFE-ZdL n’a pas vocation à mesurer un trait latent unidimensionnel homogène mais plutôt un ensemble d’indicateurs formatifs indépendants de la qualité de l’enseignement. L’analyse multiniveau (modèle à coefficients aléatoires) appliquée à un échantillon empirique de 5 154 évaluations démontre une sensibilité différentielle remarquable inter-cours (ΔAIC > 10 et coefficients de corrélation intraclasse allant jusqu’à 0,18), confirmant son utilité diagnostique tant pour la rétroaction formative individuelle fournie aux enseignants que pour la recherche en enseignement supérieur.

2. Mots-clés / Keywords

Évaluation des enseignements par les étudiants, enseignement numérique, pédagogie universitaire, psychométrie éducative, enseignement à distance, apprentissage en ligne, qualité didactique, enseignement hybride, MFE-ZdL, rétroaction formative, interaction pédagogique, auto-efficacité numérique.

3. Auteurs / Authors

Le module MFE-ZdL a été conçu et validé par l’équipe d’évaluation pédagogique de l’Institut de Psychologie de l’Université de Münster (Westfälische Wilhelms-Universität Münster, Allemagne) :

• Équipe d’évaluation de l’Institut de Psychologie (PsyEval) : Westfälische Wilhelms-Universität Münster, Fliednerstraße 21, 48149 Münster, Allemagne.
• Direction scientifique institutionnelle associée aux questionnaires MFE : Pr. Dr. Meinald T. Thielsch et Dr. Gerrit Hirschfeld (concepteurs des modules fondamentaux MFE-Sr et MFE-Vr), en collaboration avec le décanat des études et la commission d’enseignement du département de psychologie.
• Contact institutionnel et plateforme d’évaluation : Plateforme PsyEval de l’Université de Münster.

4. Objectif / Purpose

Le MFE-ZdL a été développé pour répondre à un impératif d’assurance qualité et d’optimisation pédagogique dans un contexte d’intégration massive et soudaine des technologies de l’information et de la communication dans l’enseignement supérieur. Avant la crise sanitaire de 2020, les environnements numériques d’apprentissage représentaient des composantes périphériques ou complémentaires de la formation universitaire germanophone (Persike & Friedrich, 2016). La fermeture brutale des campus universitaires a contraint les équipes pédagogiques à concevoir, dans l’urgence, des environnements d’apprentissage virtuels asynchrones, synchrones ou hybrides. Dans ce cadre, les questionnaires traditionnels d’évaluation des cours se sont avérés inadaptés pour capturer les défis techniques, communicationnels et motivationnels propres à la médiation numérique.

L’objectif fondamental de cet instrument est double :

1. Finalité diagnostique et formative au niveau micro (l’enseignant et son cours) : Fournir à chaque enseignant un profil diagnostique rapide et structuré des forces et des faiblesses des modalités numériques déployées. Grâce à une durée de passation extrêmement réduite (1 à 2 minutes en modalité informatique CASI), le questionnaire permet d’obtenir un retour direct sans alourdir la charge cognitive des étudiants. L’enseignant peut évaluer si les technologies choisies (vidéos enregistrées, classes virtuelles Zoom, forums) ont soutenu la compréhension, si la charge cognitive technique a pénalisé l’apprentissage, ou encore si sa propre accessibilité communicationnelle a été perçue comme satisfaisante.
2. Finalité de pilotage stratégique et d’évaluation au niveau méso et macro (départements et facultés) : Permettre aux commissions d’enseignement, aux doyennés et aux cellules de développement pédagogique de cartographier les pratiques numériques les plus efficientes à l’échelle de centaines de cours. Les données agrégées identifient les besoins de formation continue des enseignants-chercheurs, éclairent les choix d’équipements institutionnels et permettent de soutenir le passage d’une « pédagogie d’urgence » non régulée à une hybridation pérenne et scientifiquement fondée.

Au-delà de la démarche qualité interne, l’instrument offre des perspectives majeures en recherche fondamentale et appliquée en psychologie de l’éducation et en didactique universitaire. Il permet d’étudier l’influence proximale des choix technopédagogiques sur l’autorégulation de l’apprentissage (gestion du temps, autonomie, dérive vers la procrastination académique) et d’explorer les liens distaux avec la réussite, l’engagement et la persévérance académique (Tinto, 1975 ; Schneider & Preckel, 2017).

5. Construit psychologique / Construct

Le MFE-ZdL ne modélise pas un trait psychologique latent unique ou unidimensionnel (comme l’extraversion ou l’anxiété), mais appréhende un construit complexe et pragmatique : l’évaluation subjective par les étudiants des multiples dimensions de l’enseignement numérique. D’un point de vue conceptuel et psychométrique, il s’agit d’un réseau d’indicateurs formatifs recouvrant plusieurs domaines distincts :

1. Inventaire descriptif des dispositifs technologiques (Items 1 et 2)

Cette dimension documente la configuration technique objective du cours : diapositives annotées, retransmissions en direct (livestreams), enregistrements audio/vidéo asynchrones, séances interactives synchrones (ex. Zoom), permanences virtuelles de l’enseignant et forums de discussion en ligne. Ces informations contextualisent l’interprétation des items évaluatifs pour les équipes pédagogiques.

2. Pertinence et adéquation didactique (Item 3)

Ce construit mesure l’alignement pédagogique perçu entre les outils numériques sélectionnés et la nature intrinsèque des contenus disciplinaires. Conformément aux principes de l’alignement constructif, un outil technologique n’est pas vertueux en soi ; son efficacité dépend de son intégration cohérente avec les objectifs d’apprentissage visés.

3. Préservation de l’intégrité pédagogique par rapport au présentiel (Item 4)

Cette facette évalue si le passage au format numérique a permis la transmission intégrale des contenus d’apprentissage ou si des pertes conceptuelles et procédurales ont été perçues par rapport à un cours traditionnel sur campus.

4. Interaction sociale, réflexivité et collaboration entre pairs (Items 5 et 6)

L’isolement social constitue l’un des risques majeurs de la formation à distance. Le MFE-ZdL évalue spécifiquement deux niveaux d’interaction étudiante : d’une part, la suffisance perçue des opportunités d’échange pour réfléchir et approfondir les matières enseignées (Item 5) ; d’autre part, la fonctionnalité et l’efficacité des environnements numériques de travail collaboratif lors des travaux de groupe (Item 6).

5. Friction ergonomique et charge cognitive technique (Item 7)

Ce construit capture le coût cognitif et temporel induit par les exigences techniques (plateformes, logiciels, connectivité). L’item évalue la capacité des étudiants à surmonter les exigences technologiques sans surcroît de charge de travail indue (extraneous cognitive load).

6. Accessibilité communicationnelle de l’enseignant (Item 8)

En contexte dématérialisé, les canaux informels en présentiel (questions à la fin d’un cours en amphithéâtre) disparaissent. Cette facette mesure la perception par les apprenants de la disponibilité et de la réactivité de l’enseignant via les canaux numériques mis à disposition.

7. Impact sur l’autorégulation de l’apprentissage (Item 9)

Cette dimension catégorielle explore les répercussions proximales du format numérique sur les processus d’apprentissage : gestion plus efficiente du temps, flexibilité et autodétermination accrues, mais également risques accrus de procrastination académique et diminution de l’engagement cognitif en profondeur.

6. Cadre théorique / Theoretical Framework

Le développement du MFE-ZdL s’ancre à la croisée de plusieurs cadres théoriques majeurs de la psychologie de l’éducation, des théories de la motivation et de l’ingénierie pédagogique numérique :

Théorie de l’autodétermination (Deci & Ryan)

La théorie de l’autodétermination (Deci & Ryan, 2012) postule que la motivation intrinsèque et le bien-être psychologique reposent sur la satisfaction de trois besoins fondamentaux :

• Le besoin d’autonomie : Le numérique offre une plus grande flexibilité temporelle et spatiale, renforçant l’autonomie chez les étudiants capables d’autorégulation.
• Le besoin de compétence : Les frictions techniques ou le manque de clarté didactique peuvent miner le sentiment d’auto-efficacité des apprenants.
• Le besoin d’appartenance sociale (relatedness) : La réduction drastique des contacts physiques fragilise le lien social. L’évaluation de l’échange réflexif (Item 5), du travail collaboratif (Item 6) et du lien avec l’enseignant (Item 8) découle directement de la nécessité de préserver cette affiliation sociale pour prévenir le désengagement.

Théorie de la charge cognitive (Sweller)

La théorie de la charge cognitive (Sweller, 1988 ; Paas et al., 2003) distingue la charge intrinsèque (complexité du contenu), la charge pertinente (effort d’intégration dans les schémas mentaux) et la charge extrinsèque (indue, liée à une mauvaise présentation ou à des outils défaillants). L’item 7 du questionnaire opérationnalise précisément la charge extrinsèque induite par la complexité technologique. Si les étudiants doivent consacrer des ressources cognitives substantielles pour simplement accéder aux contenus, leur apprentissage conceptuel s’en trouve lourdement dégradé.

Modèles de l’apprentissage autorégulé (Zimmerman, Boekaerts)

L’apprentissage en ligne requiert un niveau élevé d’autorégulation (Hilpert et al., 2022). En l’absence des repères spatio-temporels stricts du présentiel, les étudiants dotés de compétences métacognitives élevées maximisent leur temps, tandis que les apprenants plus vulnérables manifestent un évitement stratégique et une procrastination accrue (Hong et al., 2021 ; Pelikan et al., 2021). L’item 9 documente empiriquement ces bifurcations comportementales.

7. Validité / Validity

Le processus de validation psychométrique du MFE-ZdL a été documenté sur deux semestres consécutifs (semestre d’hiver 2020/2021 et semestre d’été 2021) à l’Université de Münster, représentant un corpus complet de 5 154 évaluations de cours issues de 3 895 étudiants distincts (82,4 % de femmes, 15,5 % d’hommes ; âge moyen = 23,08 ans, ET = 3,61 ; cursus en psychologie et formation des enseignants).

Validité de contenu et d’experts

La validité de contenu a été garantie par une démarche de construction déductive rigoureuse menée par une équipe d’expertes en évaluation pédagogique. À partir d’un pool initial de 25 items couvrant les facettes théoriques du domaine, des revues critiques successives ont éliminé les redondances et ambiguïtés. Des consultations approfondies avec la vice-doyenne aux études, des représentants du corps enseignant et des spécialistes de l’enseignement supérieur ont permis de consolider la sélection finale de 10 items, assurant une représentativité optimale des caractéristiques de l’enseignement numérique tout en respectant une parcimonie temporelle stricte.

Élimination des biais méthodologiques et validité de construit

Lors du déploiement initial au semestre d’été 2020, trois items présentaient une formulation inversée (négative) : perte de contenu, manque d’échange entre pairs et surcroît de travail technique. Les analyses factorielles exploratoires ont révélé que ces trois items saturaient sur un même facteur parasite de méthode, sans rapport avec leur contenu théorique respectif. Les concepteurs ont donc reformulé ces items de manière positive dès les semestres suivants (voir Items 4, 5 et 7 finaux). Cette correction a éliminé l’artéfact de méthode et restauré la cohérence conceptuelle de la batterie.

Validité multiniveau et sensibilité différentielle inter-cours

Les données d’évaluation des enseignements présentent une structure hiérarchique naturelle : les étudiants (niveau 1) sont nichés au sein de cours spécifiques (niveau 2). Pour établir la validité de l’outil comme instrument d’évaluation pédagogique, il est indispensable de démontrer que les items discriminent réellement la qualité spécifique des cours et ne reflètent pas uniquement des dispositions individuelles des répondants.

Une modélisation multiniveau à ordonnée aléatoire seule (Random-Intercept-Only Multilevel Model) a été conduite sous R (paquet lme4). Pour l’ensemble des six items à échelle d’évaluation, la comparaison entre le modèle multiniveau et un modèle à ordonnée fixe (Fixed-Intercept) a révélé des écarts d’information majeurs avec ΔAIC > 100 (variant de 103,21 à 654,89), dépassant très largement le seuil standard de significativité (ΔAIC > 10 ; Burnham & Anderson, 2004). Le coefficient de corrélation intraclasse (ICC), qui indique la part de variance expliquée par les différences inter-cours, s’élève à 0,18 pour l’Item 5 (réflexion avec les pairs) et à 0,15 pour l’Item 8 (disponibilité de l’enseignant), attestant d’une excellente sensibilité discriminante de l’outil pour guider les pratiques pédagogiques.

8. Fidélité / Reliability

L’évaluation de la fidélité psychométrique classique du MFE-ZdL nécessite une mise en garde épistémologique essentielle :

• Absence de postulat d’unidimensionnalité : Les items de la batterie ont été délibérément construits pour capturer des dimensions conceptuellement hétérogènes et indépendantes de l’expérience pédagogique en ligne (technologie, didactique, sociabilité, charge de travail, autorégulation). Par conséquent, les items ne constituent pas les manifestations interchangeables d’un trait latent réflexif unique, ce qui rend l’estimation de la cohérence interne théoriquement non appropriée.
• Consistance interne indicative : À des fins de transparence psychométrique pure, le coefficient Alpha de Cronbach calculé sur les 6 items à échelle d’évaluation (Items 3 à 8) s’établit à α = 0,73 (sur N = 5 154). Cette valeur, modérément élevée mais non excessive, reflète une synergie générale positive entre les facettes évaluées sans tomber dans la redondance d’items.
• Fidélité test-retest : En raison de la nature totalement anonyme des enquêtes institutionnelles de fin de semestre, aucune identification longitudinale des répondants n’a pu être réalisée pour calculer une stabilité temporelle par test-retest. Par ailleurs, l’expérience d’un cours évolue au fil des semaines, ce qui ferait d’une corrélation test-retest un indicateur mêlant fidélité de l’outil et instabilité du phénomène évalué.

9. Analyse factorielle / Factor Analysis

Conformément à la stratégie de construction du test, les items du MFE-ZdL représentent des facettes distinctes et aucune partition rigide en sous-échelles composites n’est préconisée. Néanmoins, des analyses factorielles exploratoires (AFE) utilisant l’extraction par maximum de vraisemblance (ML) et une rotation oblique (Oblimin) ont été menées à chaque étape du développement pour investiguer la structure empirique des données et détecter d’éventuelles redondances.

Matrice d’intercorrélations des items évaluatifs

L’analyse des corrélations de Pearson entre les six items à échelle d’évaluation (Tableau ci-dessous, N = 5 154) met en évidence des relations positives d’intensité faible à modérée, confirmant que les items partagent une variance commune modérée tout en mesurant des composantes empiriquement différentiables :

• Item 3 (Adéquation générale) : corrélé à r = 0,45 avec l’Item 4 ; r = 0,32 avec l’Item 5 ; r = 0,38 avec l’Item 6 ; r = 0,31 avec l’Item 7 ; r = 0,38 avec l’Item 8.
• Item 4 (Intégrité des contenus) : corrélé à r = 0,39 avec l’Item 5 ; r = 0,33 avec l’Item 6 ; r = 0,38 avec l’Item 7 ; r = 0,30 avec l’Item 8.
• Item 5 (Réflexion avec les pairs) : corrélé à r = 0,45 avec l’Item 6 (collaboration numérique) ; r = 0,26 avec l’Item 7 ; r = 0,24 avec l’Item 8.
• Item 6 (Collaboration numérique) : corrélé à r = 0,35 avec l’Item 7 ; r = 0,28 avec l’Item 8.
• Item 7 (Charge technique sans surcoût) : corrélé à r = 0,21 avec l’Item 8.

Distribution statistique et écarts à la normalité

Les distributions des réponses présentent une asymétrie négative marquée (vers les scores favorables), fréquente dans les évaluations d’enseignements universitaires où les étudiants expriment globalement leur satisfaction :

• Item 3 (Adéquation des éléments) : M = 6,23 ; ET = 1,00 ; Asymétrie = -1,68 ; Aplatissement = 3,63.
• Item 4 (Transmission des contenus) : M = 5,79 ; ET = 1,35 ; Asymétrie = -1,29 ; Aplatissement = 1,36.
• Item 5 (Échanges réflexifs pairs) : M = 4,48 ; ET = 1,91 ; Asymétrie = -0,26 ; Aplatissement = -1,16.
• Item 6 (Collaboration numérique) : M = 5,85 ; ET = 1,26 ; Asymétrie = -1,30 ; Aplatissement = 1,59.
• Item 7 (Exigences techniques) : M = 5,91 ; ET = 1,47 ; Asymétrie = -1,49 ; Aplatissement = 1,55.
• Item 8 (Disponibilité enseignant) : M = 6,29 ; ET = 1,06 ; Asymétrie = -1,96 ; Aplatissement = 4,38.

L’écart à la normalité multivariée justifie une interprétation prudente des saturations factorielles issues de l’AFE et conforte la recommandation fondamentale des auteurs : restituer et analyser les items de manière individuelle au moyen de moyennes et d’écarts-types descriptifs, sans agréger les scores en un score total unique ni créer de sous-scores factoriels artificiels.

10. Instrument de mesure / Instrument

• Dénomination officielle : Münster questionnaire for evaluation – additional module digital teaching (MFE-ZdL) / Münsteraner Fragebogen zur Evaluation – Zusatzmodul digitale Lehre.
• Typologie d’évaluation : Batterie d’évaluation de la qualité pédagogique par les étudiants (student course evaluation module).
• Mode d’administration : Principalement auto-administré sur support informatique en ligne (CASI : Computer-Assisted Self-Interviewing), compatible avec une passation papier-crayon (PASI).
• Nombre d’items : 10 items répartis chronologiquement en trois blocs fonctionnels :
  • Items 1 et 2 : Inventaire descriptif des formats numériques utilisés (choix multiples et champ textuel libre).
  • Items 3 à 8 : Items évaluatifs ciblés sur échelle de Likert en 7 points.
  • Items 9 et 10 : Conséquences perçues sur l’apprentissage (choix multiple) et commentaires qualitatifs ouverts.
• Durée de passation : 1 à 2 minutes en moyenne.
• Échelle de réponse (Items 3 à 8) : Échelle de Likert à 7 degrés :
  • 1 = « stimme gar nicht zu » (entièrement en désaccord)
  • 2 = « stimme nicht zu » (en désaccord)
  • 3 = « stimme eher nicht zu » (plutôt en désaccord)
  • 4 = « neutral » (neutre)
  • 5 = « stimme eher zu » (plutôt d’accord)
  • 6 = « stimme zu » (d’accord)
  • 7 = « stimme vollkommen zu » (tout à fait d’accord)
  • NA = « nicht sinnvoll beantwortbar » (non évaluable / non applicable ; encodé comme valeur manquante).
• Consignes de cotation et d’analyse :
  • Chaque item fait l’objet d’un traitement descriptif distinct par cours évalué.
  • Pour les items 3 à 8 : calcul de la moyenne non pondérée (M) et de l’écart-type (SD).
  • Pour les items à choix multiple (1 et 9) : calcul des fréquences relatives (pourcentages).
  • Traitement des données manquantes : suppression par paire (pairwise deletion).
  • Aucun score global agrégé ne doit être calculé.

11. Permissions, Tarifs et Année du test / Permissions & Fee and Test Year

• Année de développement initial : Avril 2020 (première mise en application au semestre d’été 2020 ; consolidation de la version définitive au semestre d’hiver 2021/2022).
• Propriété intellectuelle : Développé au sein de l’Institut de Psychologie de l’Université de Münster (Westfälische Wilhelms-Universität Münster, Allemagne).
• Tarification et accessibilité : L’instrument est accessible gratuitement à des fins de recherche académique, d’assurance qualité universitaire et d’évaluation pédagogique interne (Open Access for academic research and higher education quality development).
• Conditions d’utilisation : Les utilisateurs institutionnels sont invités à citer formellement le travail de documentation de l’équipe de Münster et à mentionner le module original lors de toute réutilisation ou adaptation.
• Documentation officielle : Consultation libre sur le site de la cellule d’évaluation PsyEval de l’Université de Münster.

12. Références / References

• Aini, Q., Budiarto, M., Putra, P. O. H., & Rahardja, U. (2020). Exploring e-learning challenges during the COVID-19 pandemic: A case study of Indonesian higher education. Journal of Information Systems Engineering and Business Intelligence, 6(2), 154–165. https://doi.org/10.20473/jisebi.6.2.154-165
• 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: Gelingensbedingungen und Herausforderungen. Springer VS.
• 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. 416–437). SAGE Publications. https://doi.org/10.4135/9781446249215.n21
• Grabowski, J., & Pape, N. (2016). Digitale Medien in der Hochschullehre. In H. A. Mieg, R. K. Scharlau, & M. Pohlenz (Eds.), Hochschullehre im Fokus: Didaktische Perspektiven und Praxisbeispiele (pp. 145–164). WBV.
• Haaser, C., Thielsch, M. T., & Hirschfeld, G. (2007). PsyEval: Eine PHP-basierte Plattform zur standardisierten Lehrveranstaltungsevaluation. Berichte aus dem Psychologischen Institut der Westfälischen Wilhelms-Universität Münster.
• Hilpert, J. C., Bernacki, M. L., & Cardenas, D. (2022). Self-regulated learning in digital environments during emergency remote teaching. Computers in Human Behavior, 134, Article 107314. https://doi.org/10.1016/j.chb.2022.107314
• Hong, J. C., Lee, Y. F., & Ye, J. H. (2021). Procrastination predicts online self-regulated learning and academic anxiety during the COVID-19 lockdown. Computers & Education, 174, Article 104284. https://doi.org/10.1016/j.compedu.2021.104284
• Mishra, L., Gupta, T., & Shree, A. (2020). Online teaching-learning in higher education during lockdown period of COVID-19 pandemic. International Journal of Educational Research Open, 1, Article 100012. https://doi.org/10.1016/j.ijedro.2020.100012
• Paas, F., Renkl, A., & Sweller, J. (2003). Cognitive load theory and instructional design: Recent developments. Educational Psychologist, 38(1), 1–4. https://doi.org/10.1207/S15326985EP3801_1
• 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 university 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.
• Prokrastinationsambulanz der PTA der WWU. (2020). Studieren im Homeoffice: Herausforderungen der COVID-19-Pandemie für das studentische Arbeitsverhalten. Westfälische Wilhelms-Universität Münster.
• Reinhardt, F., Broadbent, J., Kossack, P., & Hille, R. (2021). Content-specific fit of instructional digital media in higher education: A didactic perspective. Instructional Science, 49(4), 515–540. https://doi.org/10.1007/s11251-021-09551-x
• Saverino, D., Formisano, L., & Caruana, C. (2022). Transitioning to online university teaching: Progressive adaptation and quality enhancement. Active Learning in Higher Education, 23(2), 115–128. https://doi.org/10.1177/14697874211012154
• Schmitz, B., Schmidt, M., & Krämer, N. (2021). Social connectedness and psychological strain during online semesters. Frontiers in Education, 6, Article 690223. https://doi.org/10.3389/feduc.2021.690223
• 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. (1988). Cognitive load during problem solving: Effects on learning. Cognitive Science, 12(2), 257–285. https://doi.org/10.1207/s15516709cog1202_4
• Thielsch, M. T., & Hirschfeld, G. (2010a). Münsteraner Fragebogen zur Evaluation von Seminaren (MFE-Sr). Westfälische Wilhelms-Universität Münster.
• Thielsch, M. T., & Hirschfeld, G. (2010b). Münsteraner Fragebogen zur Evaluation von Vorlesungen (MFE-Vr). 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.
• Zentrum für Qualitätsentwicklung in Lehre und Studium. (2020). Studieren unter Pandemiebedingungen: Erste Befunde der landesweiten Studierendenbefragung. Universität Potsdam.

13. Questions et items du questionnaire / Scale Items