Capitolul x

Modelarea performanțelor instituțiilor de învățământ preuniversitar la nivel european,

prin ecuații structurale, utilizând metoda celor mai mici pătrate parțiale (SEM-PLS)

x.1 Metodologia și ipotezele cercetării

Performanțele instituțiilor de învățământ preuniversitar la nivel european sunt influențate
de o multitudine de factori. Scopul acestei cercetări este de a identifica impactul unor variabile
precum calitatea serviciilor educaționale, interesul cadrelor didactice pentru dezvoltarea
competențelor lor, gradul de implicare al elevilor în procesele educaționale, utilizarea pe scară
largă a metodelor inovative de predare și a platformelor educaționale interactive și rezultatele
elevilor în procesele educaționale asupra performanțelor instituțiilor de învățământ
preuniversitar la nivel european. Am selectat ca metodă de cercetare modelarea prin ecuații
structurale, utilizând metoda celor mai mici pătrate parțiale (SEM-PLS), întrucât pentru fiecare
variabilă anterior menționată, cu rol de predictor al performanțelor instituționale, am identificat
indicatori specifici care o formează, respectiv reflectă.
Modelul structural elaborat este evidențiat în Figura 1, evidențiind relațiile dintre variabile
prin intermediul a șase ipoteze.
REZ1
REZ3
REZ
REZ2
CSE1
GIE1
H3 H6
CSE2 H5 GIE2
CSE H4 GIE
CSE3 GIE3
PERF3
H1 PERF
IDC1 H2
PERF1 PERF2

IDC2
IDC INOV

IDC3

INOV1 INOV3
INOV2

Figura 1- Modelul conceptual al cercetării bazate pe modelare prin ecuații structurale

Sursa: contribuție personală
 Ipoteza 1: Interesul cadrelor didactice pentru dezvoltarea competențelor lor (IDC) are un
efect semnificativ asupra calității serviciilor educaționale (CSE).
Ipoteza 2: Utilizarea pe scară largă a metodelor inovative de predare și a platformelor
educaționale interactive (INOV) are un efect semnificativ asupra calității serviciilor educaționale
(CSE).
Ipoteza 3: Calitatea serviciilor educaționale (CSE) are un efect semnificativ asupra
rezultatelor elevilor în procesele educaționale (REZ).
Ipoteza 4: Calitatea serviciilor educaționale (CSE) are un efect semnificativ asupra
performanțelor instituționale a liceelor (PERF).
Ipoteza 5: Rezultatele elevilor în procesele educaționale (REZ) au un efect semnificativ
asupra performanțelor instituționale a liceelor (PERF).
Ipoteza 6: Gradul de implicare al elevilor în procesele educaționale (GIE) are un efect
semnificativ asupra rezultatelor elevilor în procesele educaționale (REZ).
Modelarea prin intermediul ecuațiilor structurale, utilizând metoda celor mai mici pătrate
parțiale (SEM PLS), permite cercetătorilor să configureze și să estimeze simultan relații
complexe între mai multe variabile dependente și independente. Variabilele luate în considerare
sunt de obicei măsurate indirect prin mai mulți indicatori (latente). În estimarea relațiilor, SEM
PLS ține cont de eroarea de măsurare în variabilele observate. Ca urmare, metoda obține o
măsurare mai precisă a modelelor conceptuale din cercetările socio-economice.
Modelele structurale sunt diagrame utilizate pentru a afișa vizual ipotezele și relațiile
dintre variabilele latente, care sunt examinate atunci când se aplică SEM PLS (Hair, Hult, Ringle
și Sarstedt, 2021). Modelul structural prezentat în Figura 1 prezintă șase variabile latente,
reprezentate ca ovale (IDC, INOV, CSE, REZ, GIE, PERF). Indicatorii, numiți și itemi sau
variabile manifeste, sunt variabilele măsurate direct care conțin rezultatele cercetării pe bază de
chestionar (Anexa XX). Ele sunt reprezentate în modelele de traseu ca dreptunghiuri (câte trei
indicatori asociați fiecărei variabile latente). Relațiile dintre variabile, precum și dintre variabile și
indicatorii alocați acestora, sunt reprezentate sub formă de săgeți unidirecționale, considerate
relații predictive, însă pot fi interpretate și ca relații cauzale. Toți itemii chestionarului au fost
evaluați printr-o scală de tip Likert pe 7 trepte (1 – Dezacord total ....... 7 – Acord total).
Un model structural constă din două elemente. În primul rând, există un model structural
interior care conectează variabilele latente prin săgeți. În al doilea rând, există modelele de
măsurare (denumite și modele exterioare în PLS-SEM) ale variabilelor care afișează relațiile
dintre variabilele latente (denumite și constructe) și indicatorii care le formează sau le reflectă,
reprezentați în dreptunghiuri. În viziunea SEM PLS, există două tipuri de modele de măsurare:
unul pentru variabilele latente exogene (independente sau predictori, fiind acele constructe care
explică alte constructe din model) și unul pentru variabilele latente endogene (dependente, fiind
acele constructe care sunt explicate în model).
Chestionarul utilizat în cadrul acestei cercetări a fost postat online, atât în limba română,
la adresa web: https://forms.gle/wAr7iFEiDPWPCrKP7 cât și în limba engleză, la adresa web:
https://forms.gle/WxoX3i4eLsyTXyAF8, iar invitațiile de completare au fost transmise către
managerii de licee/colegii din România și alte opt țări europene, în perioada aprilie – Octombrie
2021. Au fost colectate și validate 110 răspunsuri, distribuția acestora în funcție de țările în care
sunt situate liceele fiind reprezentată în Tabelul 1.
 Tabel 1 – Repartizarea respondenților pe țări

Țara unde sunt localizate Număr respondenți

Pondere (%)
liceele participante la cercetare (manageri licee)
Germania 14 12.73%
Franța 13 11.82%
Finlanda 8 7.27%
Marea Britanie 10 9.09%
Olanda 13 11.82%
Spania 15 13.64%
Italia 13 11.82%
Ungaria 7 6.36%
România 17 15.45%
TOTAL 110 100%

Distribuția respondenților în cele nouă țări europene este echilibrată; s-a ținut cont în
procesul de selectare a acestor țări de faptul că acestea au fost analizate într-un alt capitol al
tezei din perspectiva leadership-ului educațional.

x.3 Analiza rezultatelor cercetării pe baza modelării ecuațiilor structurale

Tabelul 2 reflectă distribuția indicatorilor reflectați de itemii incluși în chestionar. Itemul

cu media cea mai mare este reprezentat de CSE2 (5.836), iar itemul cu cea mai scăzută medie
este INOV3 (4.636). Deviațiile standard nu scot evidență diferențe foarte mari între indicatori.
Indicele de asimetrie Skewness evaluează măsura în care distribuția unei variabile este
simetrică. Dacă distribuția răspunsurilor pentru o variabilă se întinde spre extrema din dreapta
sau din stânga distribuției, atunci distribuția este denumită înclinată. Indice de aplatizare sau
coeficientul de boltire (Kurtosis) face parte din indicii de apreciere a formei unei distribuţii. Un
indice de aplatizare mare arată o repartiţie cu distribuția variabilelor depărtate de medie. Un
ghid general pentru Skewness este că, dacă numărul este mai mare de +1 sau mai mic de –1,
acesta este un indiciu al unei distribuții substanțial deformate. Pentru Kurtosis, indicația
generală este că, dacă valoarea este mai mare de +1, distribuția este prea ascuțită. De
asemenea, valoarea Kurtosis mai mică de –1 indică o distribuție prea plată. În cazul datelor
colectate în această cercetare, remarcăm distribuții normale a datelor pe toți indicatorii asociați
variabilelor latente din modelul conceptual.
 Tabel 2 – Indicatori statistici descriptivi asociați modelului conceptual

Sursa: raport generat de software-ul Smart PLS 3

Figura 11 evidențiază relațiile dintre variabilele latente incluse în modelul cercetării,

indicate prin săgeți orientate de la variabila latentă exogenă considerată predictor către variabila
latentă dependentă (endogenă). De asemenea, diagrama ilustrează variabilele ce pot fi
măsurate printr-o abordare formativă (IDC – Interesul cadrelor didactice pentru dezvoltarea
competențelor lor și INOV - Utilizarea pe scară largă a metodelor inovative de predare și a
platformelor educaționale interactive, în care săgețile sunt orientate de la indicatori către
variabile), respectiv variabilele ce pot fi măsurate printr-o abordare reflectivă (CSE - Calitatea
serviciilor educaționale, REZ - Rezultatele elevilor în procesele educaționale, PERF –
Performanța instituțională a colegiului/liceului și GIE - Gradul de implicare al elevilor în
procesele educaționale, în care săgețile sunt orientate de la variabile către indicatori).
 Figura 11 – Determinarea coeficienților de efect, contribuțiilor indicatorilor la variabilele
latente reflective și ponderilor indicatorilor la variabilele latente formative
Sursa: prelucrare software Smart PLS 3

Modelul structural ne arată că rezultatele elevilor în procesele educaționale (REZ) au cel

mai puternic efect asupra performanțelor instituționale ale liceelor (PERF) incluse în eșantionul
cercetării (coeficient de efect 0.498), în timp ce calitatea serviciilor educaționale (CSE) are un
efect mai slab asupra performanțelor instituționale ale liceelor (coeficient de efect 0.205).
Întrucât există și o relație între calitatea serviciilor educaționale și rezultatele elevilor în
procesele educaționale (coeficient de efect 0.331), putem afirma că există un efect de mediere
între calitatea serviciilor educaționale și performanțele instituționale ale liceelor incluse în
eșantionul cercetării conferit de variabila latentă - rezultatele elevilor în procesele educaționale
(REZ). Atât calitatea serviciilor educaționale (CSE), cât și gradul de implicare al elevilor în
procesele educaționale (GIE) au un efect mediu asupra rezultatelelor elevilor în procesele
educaționale (REZ) – coeficienți de efect de 0.331, respectiv 0.316.
Interesul cadrelor didactice pentru dezvoltarea competențelor lor (IDC) are un efect
puternic asupra calității serviciilor educaționale (CSE) – coeficient de efect 0.455, în timp ce
efectul utilizării pe scară largă a metodelor inovative de predare și a platformelor educaționale
interactive (INOV) asupra aceleiași variabile latente (CSE) este mult mai scăzut – coeficient de
efect 0.229.
 Variabilele IDC și INOV explică 37.9% din varianța variabilei endogene CSE (coeficient
de determinare R2 = 0.379). Variabilele CSE și REZ explică 39.8% din varianța variabilei
endogene PERF (coeficient de determinare R2 = 0.398). Variabilele CSE și GIE explică 34.2%
din varianța variabilei endogene REZ (coeficient de determinare R2 = 0.342).
Coeficienții de relație sunt calculați de software-ul SmartPLS 3 și ilustrați în Figura 12.
Cea mai puternică corelație este între variabilele latente REZ și PERF (coeficient de relație
0.498), iar cea mai slabă corelație este între variabilele latente CSE și PERF (coeficient de
relație 0.205).

Figura 12 – Reprezentarea grafică a coeficienților de relație

Sursa: prelucrare software Smart PLS 3

Estimarea modelului conceptual furnizează date testate empiric asupra relațiilor dintre
indicatori și variabilele latente (modele de măsurare reflectivă sau formativă), respectiv relațiilor
dintre variabilele latente (modelul structural). Scopul modelării prin ecuații structurale, utilizând
metoda celor mai mici pătrate parțiale (SEM-PLS) este de a maximiza varianța medie explicată
(valoarea coeficientului de determinare R2) a variabilelor latente endogene din modelul
structural.
Evaluarea modelului de măsurare reflectivă se va realiza prin determinarea nivelului
de consistență internă (Cronbach Alpha și nivelul de încredere compozit), validității convergente
(evaluate prin varianța medie extrasă) și validității discriminante (evaluate prin criteriul Fornell-
Larcker și raportului Heterotrait-Monotrait (HTMT)).
Încărcările externe sunt indicatorii cheie care ilustrează traiectoria de variabilele latente
la indicatori și arată cât de mult contribuie în mod absolut fiecare indicator sau element
observabil la definirea unei variabile reflective. Majoritatea încărcărilor externe a indicatorilor
asociați variabilelor reflective (contribuțiilor la realizarea acestora) depășesc pragul recomandat
de 0.7, fiind marcate în culoarea verde în Tabel 3. Doar doi indicatori se află sub acest prag
(CSE3 și INOV3), având cei mai scăzuți indici de reliabilitate (CSE3 = 0.430 = 0.656 2, respectiv
INOV3 = 0,384 = 0.6202). Cel mai ridicat indice de reliabilitate îl are indicatorul INOV1 (0.804 =
0,8972).
 Tabel 3 – Reprezentarea încărcărilor externe (contribuțiilor) ale indicatorilor asociați
variabilelor reflective

Sursa: prelucrare software Smart PLS 3

Cronbach Alpha este o măsură a consistenței interne sau a fiabilității măsurătorii unei
variabile, reflectând cât de corelate sunt variabilele din cadrul modelului structural. Pragul minim
acceptat pentru acest indicator este de 0.7. Valorile pentru Cronbach Alpha sunt alocate în
Tabelul 4 doar variabilelor reflective (CSE, GIE, PERF și REZ), două dintre ele trecând pragul
de 0.7 (GIE și PERF), ira CSE și REZ situându-se sub acest prag.

Tabel 4 – Evaluarea consistenței interne și validității convergente în cazul modelului de

măsurare reflectivă

Sursa: prelucrare software Smart PLS 3

Nivelul de încredere compozit (CR) se obține prin combinarea tuturor varianțelor și

covarianțelor scorului real din compoziția indicatorilor din cadrul variabilelor latente și prin
împărțirea sumei acestora la varianța totală din compus. La fel ca Cronbach Alpha, CR este un
indicator de reliabilitate; dacă Cronbach Alpha presupune că încărcările factorilor sunt aceleași
pentru toți indicatorii, CR ia în considerare încărcările variabile ale indicatorilor. Valorile
acceptabile ale CR sunt, în general, considerate peste pragul de 0,7 și în cazul acestei cercetări
remarcăm că acest indicator depășește pragul minim recomandat pentru toate cele patru
variabile reflective (CSE, GIE, PERF și REZ).
Coeficientul de corelare a rangului lui Spearman (Rho) este un test neparametric folosit
pentru a măsura puterea asocierii dintre două variabile, unde valoarea r = 1 înseamnă o
corelație pozitivă perfectă și valoarea r = -1 înseamnă o corelație negativă perfectă. Remarcăm
în cazul celor patru variabile reflective (CSE, GIE, PERF și REZ) o corelație pozitivă.
Validitatea convergentă a modelului este evaluată prin varianța medie extrasă (AVE),
care măsoară varianța care este surprinsă de o variabilă în raport cu varianța datorată erorii de
măsurare. În general, se așteaptă o valoare AVE de cel puțin 0,5 sau mai mare, în caz contrar,
varianța erorii este mai mare decât varianța explicată. Remarcăm că trei variabile (CSE, GIE,
PERF) au AVE peste pragul recomandat, iar REZ are AVE puțin sub limita pragului admis
(0.497).
În cazul validității discriminante, criteriul Fornell-Larcker compară rădăcina pătrată a
varianței medii extrase (AVE) cu corelația variabilelor latente. O variabilă latentă ar trebui să
explice mai bine varianța propriilor indicatori decât varianța altor variabile latente. Prin urmare,
rădăcina pătrată a AVE-ului fiecărei variabile reflective ar trebui să aibă o valoare mai mare
decât corelațiile cu alte variabile latente, fapt confirmat în această cercetare empirică (întrucât
valorile AVE pentru CSE (0.771), GIE (0.807), PERF (0.836) și REZ (0.705) sunt mai mari decât
corelațiile cu celelalte variabile latente, ilustrate sub diagonala principală din Tabelul 5)

Tabel 5 – Evaluarea validității discriminante în cazul modelului de măsurare reflectivă

(criteriul Fornell-Larcker)

Sursa: prelucrare software Smart PLS 3

Cealaltă măsură pentru validitatea discriminantă este raportul de corelație Heterotrait

Monotrait (HTMT). HTMT este capabil să atingă rate de specificitate și fiabilitate mai mari în
comparație cu criteriul de încărcare încrucișată și criteriul Fornell-Lacker. Valorile HTMT
apropiate de 1 indică o lipsă de validitate discriminantă. Utilizarea HTMT ca și criteriu
presupune compararea acestuia cu un prag predefinit. Dacă valoarea HTMT este mai mare
decât acest prag, se poate concluziona că există o lipsă de validitate discriminantă. Unii autori
sugerează un prag minimal de 0,85.

Figura 13 – Evaluarea validității discriminante în cazul modelului de măsurare reflectivă

(raportul de corelație Heterotrait Monotrait (HTMT))
Sursa: prelucrare software Smart PLS 3

Observăm în cazul acestei cercetări că raportul de corelație Heterotrait Monotrait

(HTMT) se situează sub pragul de 0.85 doar în cazul relațiilor structurale dintre variabilele
PERF și CSE, respectiv PERF și GIE – Figura 13.
Evaluarea modelului de măsurare formativă se va realiza prin determinarea
semnificației și relevanței ponderilor asociate indicatorilor care compun o variabilă latentă,
validității convergente, colinearității dintre indicatori și analizei redundanței indicatorilor.
În cazul modelului de evaluare formativă, ponderile ilustrează traiectoria de la indicatori
la variabilele latente și indică contribuția relativă a fiecărui indicator la definirea variabilei sale.
Ponderile sunt rezultatul unor regresii multiple în care scorurile variabilelor latente reprezintă
variabile dependente, iar indicatorii formativi sunt variabilele independente.

Figura 14 – Relevanța ponderilor indicatorilor formativi

Sursa: prelucrare software Smart PLS 3
 În cazul variabilei IDC (Interesul cadrelor didactice pentru dezvoltarea competențelor
lor), ponderea cea mai mare o are indicatorul IDC3 (0.603), care reflectă dezvoltarea
competențelor digitale a cadrelor didactice în contextul pandemiei COVID-19, iar în cazul
variabilei INOV (Utilizarea pe scară largă a metodelor inovative de predare și a platformelor
educaționale interactive), ponderea cea mai mare o are indicatorul INOV1 (0.591), care
evidențiază faptul că atât profesorii cât și elevii liceelor din eșantionul cercetării utilizează
constant diferite platforme educaționale interactive – Figura 14.
Determinarea validității convergente în cazul variabilelor formative implică analiza
redundanței. În acest scop, am inclus în analiză două variabile: variabilele formative compozite
IDC_F, respectiv INOV_F și variabilele evaluate global prin itemi distincți din chestionar (IDC_G
și INOV_G).
Coeficientul de relație aferent relației structurale dintre IDC_F și IDC_G este de 0.718,
peste pragul recomandat de 0.7, susținând astfel validitatea convergentă a variabilei formative
IDC – Figura 15.

Figura 15 – Analiza redundanței în cazul variabilei latente IDC

Sursa: prelucrare software Smart PLS 3

Coeficientul de relație aferent relației structurale dintre INOV_F și INOV_G este de

0.767, peste pragul recomandat de 0.7, susținând astfel validitatea convergentă a variabilei
formative INOV – Figura 16.

Figura 16 – Analiza redundanței în cazul variabilei latente INOV

Sursa: prelucrare software Smart PLS 3
 Tabel 6 – Evaluarea testului statistic de coliniaritate

Factorul de inflație al varianței (VIF) este o

măsură multicoliniarității între un set de variabile
dintr-o regresie multiplă. Valorile mai mari de 5
indică o multicoliniaritate ridicată.
Multicoliniaritatea apare atunci când un
grup de variabile independente sunt puternic
corelate între ele.
Factorul de inflație al varianței (VIF) apare
în definirea varianţei coeficienţilor estimaţi și
măsoară de câte ori este supraevaluată varianţa
coeficienţilor datorită multicoliniarităţii în raport cu
situaţia când nu ar exista coliniaritate în cadrul
modelului structural.
Remarcăm că software-ul Smart PLS 3
generează valori ale factorului de inflație al
varianței (VIF) atât pentru variabilele formative,
cât și pentru cele reflective. Indicatorul reflectiv
PERF2 are cel mai ridicat nivel al inflației
varianței, în timp ce indicatorul reflectiv REZ3 are
cel mai scăzut nivel al inflației varianței. Toate
valorile VIF sunt situate sub pragul de 5.00 (Tabel
6) și putem concluziona că coliniaritatea nu atinge
niveluri critice pentru nici una dintre variabilele
formative sau reflective și implicit nu crează
probleme în estimarea modelului structural
analizat.

Sursa: prelucrare software Smart PLS 3

Metoda PLS-SEM nu ia în considerare faptul că datele sunt distribuite în mod normal,

ceea ce implică faptul că testele de semnificație nu pot fi aplicate pentru a testa dacă coeficienți
precum ponderile, încărcările exterioare și coeficienții de relație sunt semnificativi. În schimb,
PLS-SEM se bazează pe o procedură bootstrap neparametrică pentru a testa semnificația
coeficienților de relație estimați în PLS-SEM. În procedura de bootstrapping, sunt create
subeșantioane cu observații extrase aleatoriu din setul original de date (prin înlocuire).
Subeșantionul este apoi utilizat pentru a estima modelul structural. Acest proces se repetă până
când a fost creat un număr mare de eșantioane de date aleatorii, aproximativ 5.000.
Estimările parametrilor (ponderile, încărcările exterioare și coeficienții de relație estimați
din subeșantioane) sunt utilizate pentru a obține erori standard pentru estimări. Cu aceste
informații, valorile testului T și semnificațiile asimptotice (valorile p) sunt calculate pentru a
evalua semnificația fiecărei estimări și a valida sau respinge ipotezele cercetării.
Figura 17 reflectă modelul structural generat după aplicarea procedurii de bootstrap, în
care pe relațiile de legătură dintre variabilele latente sunt evidențiate valorile semnificației
asimptotice (valoarea p).

Figura 17 – Determinarea valorilor p asociate relațiilor dintre variabilele modelului, după

aplicarea procedurii de bootstrap
Sursa: prelucrare software Smart PLS 3

Datele reflectate în Tabelul 7 sunt utile pentru validarea/respingerea ipotezelor din

modelul structural analizat.

Tabel 7 – Valorile semnificației asimptotice p și testului T pentru cele 6 ipoteze din

modelul structural

Sursa: prelucrare software Smart PLS 3

 Toate cele 6 ipoteze sunt validate, întrucât valorile p nu depășesc nivelul de semnificație
maxim admis de 0.05. În plus, testul T ne arată magnitutidinea corelației dintre variabilele
latente din acest model structural. Astfel, rezultatele elevilor în procesele educaționale (REZ) au
cel mai puternic impact asupra performanței instituționale a liceelor din eșantion (PERF) (test T
= 5.648, valoarea p tinde spre zero), în timp ce calitatea serviciilor educaționale (CSE) are cel
mai scăzut impact asupra performanței instituționale a liceelor din eșantion (PERF) (test T =
2.033, valoarea p = 0.043).

Anexa XX – chestionar

Calitatea serviciilor educaționale (CSE)

CSE1 – Evaluarea internă a calității serviciilor educaționale oferite de liceul pe care îl conduceți
în prezent reflectă o situație favorabilă percepută de părțile interesate de procesele
educaționale (profesori, elevi, părinți, societate)
CSE2 – Rezultatele evaluărilor externe periodice realizate de ARACIP (altă instituție care
acordă acreditări) denotă o apreciere din partea acestei instituții naționale cu privire la calitatea
serviciilor educaționale furnizate de colegiul/liceul pe care îl conduceți în prezent.
CSE3 – Reputația la nivel local a colegiului/liceului conferită de calitatea serviciilor educaționale
determină un grad înalt de încredere în rândul elevilor și părinților și îl plasează în topul
preferințelor alegerii unei instituții de învățământ preuniversitar.

Interesul cadrelor didactice pentru dezvoltarea competențelor lor (IDC)

IDC1 – Profesorii din cadrul colegiului/liceului pe care îl conduceți participă într-o manieră
regulată la cursuri de perfecționare și se implică în proiecte extracurriculare.
IDC2 – Cadrele didactice din cadrul colegiului/liceului pe care îl conduceți sunt motivate
intrinsec și extrinsec pentru a-și dezvolta permanent competențele profesionale.
IDC3 – Situația generată de pandemia COVID-19 a generat dezvoltarea competențelor digitale
a cadrelor didactice din cadrul colegiului/liceului pe care îl conduceți.
IDC_G – Cadrele didactice din cadrul colegiului/liceului pe care îl conduceți au un interes ridicat
pentru dezvoltarea competențelor lor.

Gradul de implicare al elevilor în procesele educaționale (GIE)

GIE1 – Creșterea interesului elevilor pentru disciplinele studiate reprezintă rezultatul metodelor
de predare interactive adoptate de către profesori.
GIE2 – Elevii din cadrul colegiului/liceului pe care îl conduceți se implică activ în studii de caz,
dezbateri, experimente de laborator și alte proiecte educaționale.
GIE3 - Elevii sunt motivați de profesori să participe la concursuri locale, naționale și
internaționale.

Utilizarea pe scară largă a metodelor inovative de predare și a platformelor educaționale

interactive (INOV)
INOV1 – Atât profesorii cât și elevii colegiului/liceului pe care îl conduceți utilizează constant
diferite platforme educaționale interactive.
INOV2 – Profesorii din cadrul colegiului/liceului pe care îl conduceți s-au adaptat rapid în
privința integrării metodelor inovative de predare.
INOV3 – Tehnologiile emergente bazate pe gamificarea conținutului educațional vor fi utilizate
din ce în ce mai mult de profesorii din cadrul colegiului/liceului pe care îl conduceți
INOV_G - Profesorii din cadrul colegiului/liceului pe care îl conduceți adoptă metode inovative
de predare și platforme educaționale interactive

Rezultatele elevilor în procesele educaționale (REZ)

REZ1 – Elevii din cadrul colegiului/liceului pe care îl conduceți au rezultate superioare în urma
implicării în procesele de învățare activă.
REZ2 – Trecerea la educația online în contextul pandemiei COVID-19 nu a afectat negativ
rezultatele elevilor în procesele educaționale.
REZ3 – Rezultatele elevilor sunt superioare în contextul în care sunt antrenați de profesori în
activități interactive.

Performanța instituțională a colegiului/liceului (PERF)

PERF1 – Colegiul/liceul pe care îl conduceți se află la nivel local în primele poziții ale
clasamentului instituțiilor de învățământ preuniversitar prin prisma rezultatelor obținute de elevi
la bacalaureat.
PERF2 – Performantele elevilor la concursurile școlare locale, naționale și internaționale îl
plasează în primele poziții ale clasamentului instituțiilor de învățământ preuniversitar la nivel
local.
PERF3 – Strategia managerială a colegiului/liceului pe care îl conduceți implică un echilbru între
retenția profesorilor existenți și atragerea de profesori noi prin concursurile de
titularizare/transfer de la alte colegii/licee.

ENGLISH VERSION OF QUESTIONNAIRE

Quality of educational services (CSE)
CSE1 - Internal evaluation of the quality of educational services provided by the high school you
currently lead reflects a favorable situation perceived by stakeholders in educational processes
(teachers, students, parents, society)
CSE2 - The results of the periodic external evaluations carried out by quality evaluation
authoritiies show an appreciation from this national institution regarding the quality of the
educational services provided by the college / high school you currently lead.
CSE3 - The local reputation of the college / high school conferred by the quality of educational
services determines a high degree of trust among students and parents and places it in the top
of the preferences of choosing a pre-university educational institution.

Teachers' interest in developing their skills (TIDS)

IDC1 - The teachers from the college / high school you lead participate in regular courses in
training courses and get involved in extracurricular projects.
IDC2 - The teachers within the college / high school you lead are intrinsically and extrinsically
motivated to permanently develop their professional skills.
IDC3 - The situation generated by the COVID-19 pandemic has generated the development of
digital skills of teachers in the college / high school you lead.
IDC_G - Teachers in the college / high school you lead have a high interest in developing their
skills.
Degree of involvement of students in educational processes (ISEP)
GIE1 - The increase of students' interest in the subjects studied is the result of interactive
teaching methods adopted by teachers.
GIE2 - Students in the college / high school you lead are actively involved in case studies,
debates, laboratory experiments and other educational projects.
GIE3 - Students are motivated by teachers to participate in local, national and international
competitions.

Wide use of innovative teaching methods and interactive educational platforms (INNO)
INOV1 - Both teachers and students of the college / high school you run constantly use different
interactive educational platforms.
INOV2 - The teachers at the college / high school you lead have quickly adapted to the
integration of innovative teaching methods.
INOV3 - Emerging technologies based on gamification of educational content will be used more
and more by teachers at the college / high school you lead
INOV_G - Teachers at the college / high school you lead adopt innovative teaching methods
and interactive educational platforms
Student results in educational processes (SREP)
REZ1 - Students in the college / high school you lead have superior results due to involvement
in active learning processes.
REZ2 - The transition to online education in the context of the COVID-19 pandemic did not
negatively affect students' results in educational processes.
REZ3 - Students' results are superior in the context in which they are trained by teachers in
interactive activities.
Institutional performance of the college / high school (PERF)
PERF1 - The college / high school you run is at the local level in the first positions of the ranking
of pre-university education institutions in terms of the results obtained by high school students.
PERF2 - The results of students at local, national and international school competitions place it
in the first positions of the ranking of secondary education institutions at local level.
PERF3 - The managerial strategy of the college / high school you lead implies a balance
between the retention of existing teachers and the attraction of new teachers through tenure /
transfer from other colleges / high schools.

Bibliografie
Hair Jr, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2021). A primer on partial least
squares structural equation modeling (PLS-SEM). Sage publications.