El efecto de los dispositivos móviles en el desarrollo y la salud de los niños pequeños. (iKids)

Los investigadores de garantía de calidad que realizan las mediciones tienen altamente experimentados en los procedimientos y análisis. Los investigadores están utilizando solo herramientas validadas que están bien establecidas en la literatura. La exposición y el uso de dispositivos electrónicos interactivos (por ejemplo, tabletas y teléfonos inteligentes) se medirá mediante una aplicación que accederá a la información directamente desde los dispositivos del participante (Android o iOS) utilizando el software de detección móvil para capturar el tiempo de pantalla y el uso de la aplicación (Lind et al. . La aplicación se ha utilizado con éxito para medir el uso de teléfonos inteligentes en los niños (Bagot et al., 2022; Wade et al., 2021).

La medición de las habilidades emergentes, nuestra medida de resultado principal, ha sido validada y ampliamente utilizada en la literatura (Howard et al. 2017). Los investigadores utilizarán una lista de verificación de fidelidad de administración para evaluar la práctica entre los investigadores antes del inicio de la recopilación de datos. Se registrarán una gama de resultados secundarios (es decir ,. El IMC (escalas calibradas y medidas repetidas), comportamiento de movimiento (Accelerometry Cliff et al. 2024), desarrollo motor (NIH Toolbox, Reuben et al., 2013), interacción parente e infantil (STIMQ2, Cates et al. 2023). Estas mediciones se han utilizado en el estudio Sunrise, que está recopilando datos sobre niños a esta edad en 63 países de todo el mundo (https://sunrise-study.com/) y publicado en un protocolo (Okely et al., 2021) .

El equipo de Sunrise ha proporcionado videos y apoyo de capacitación y se han utilizado para informar nuestro protocolo de estudio. Dado que el desarrollo infantil está influenciado por una serie de covariables, los investigadores han seleccionado los más comúnmente reportados en la literatura y sugerido por nuestro grupo PPI (es decir, sexo, edad, etnia, educación materna, estilo de crianza (PSDQ-sv. Robinson et al. 2001), Asistencia a cuidado infantil, adicción a los padres a teléfonos inteligentes (SAS-SV, Kwon et al., 2013) y una política de visualización de pantalla.

Se han creado formularios de captura de datos de procesamiento de datos para las medidas aplicables para estandarizar la entrada de datos y ayudar con la entrada de datos. En términos de procesamiento y análisis de datos. Los investigadores realizarán la limpieza de datos preliminares, explorando si los valores de las variables continuas están dentro del rango, la plausibilidad de las medias y las desviaciones estándar, y la validez de las categorías codificadas. Los investigadores evaluarán las distribuciones de datos e identificarán cualquier valores atípicos univariados a partir de métodos gráficos y de casos con puntajes muy grandes y estandarizados desconectados de otros puntajes y valores atípicos multivariados por métodos gráficos e inspección de distancias, discrepancias e influencias de Mahalanobis. Cualquier posible error se investigará de forma individual. Los investigadores también investigarán el alcance, el patrón y la naturaleza de los datos faltantes. Si la proporción de datos faltantes es pequeña (por debajo del 5%), considerarán los análisis de casos completos. Si la cantidad o patrón de datos faltantes impide el análisis de casos completos, los investigadores considerarán la imputación de datos. Se utilizarán múltiples imputaciones debido a su solidez al tipo de falta de datos. Si se realiza la imputación, los estudios de sensibilidad se realizarán comparando los resultados derivados de los datos con y sin imputación.

Análisis de análisis de datos Análisis descriptivo La muestra se resumirá de manera descriptiva. Los investigadores informarán el número de niños en cada unidad educativa y resultados primarios y secundarios por punto de tiempo (línea de base y seguimiento). Para los resultados continuos, la información de resumen se presentará como medias (desviaciones estándar (SD); rangos). Para los resultados categóricos, la información de resumen se presentará como frecuencias (porcentajes). Se evaluará la necesidad de transformaciones variables para estabilizar la varianza o lograr la normalidad.

Análisis inferencial Las siguientes variables de prueba se considerarán para el análisis: 1) duración de IED; 2a) Modo IED educativo; 2b) Modo IED apropiado para la edad.

1. Modelado de regresión multinivel del resultado primario Los investigadores conceptualizaron un modelo de multinivel aleatorio de 2 niveles, con niños agrupados dentro de las unidades educativas. Este modelo considerará que EA en el seguimiento es la medida de resultado diseñada para responder a las preguntas de la investigación principales: ¿cómo es la duración de IED (horas por día) y el modo (educativo frente a no educativo; apropiado para la edad versus no cenage -Propiat) al inicio, controlando covariables a nivel de niño (incluidas las puntuaciones de línea de base de EA) y las covariables de nivel de unidad educativa, asociadas con EA en el seguimiento en un modelo multinivel en el que los niños se agrupan dentro de las unidades educativas. El coeficiente de partición de varianza (VPC; la proporción de la varianza residual asociada con cada nivel del modelo) se evaluará a través de un modelo nulo antes de proceder a un modelo covariable. Los investigadores considerarán fusionar los niveles en el modelo si las estadísticas de VPC revelan efectos de agrupación insignificantes (varianza residual insignificante a nivel de la unidad educativa). Se realizará un modelado de regresión múltiple no lineal si existe evidencia de una relación no lineal entre el nivel de uso de IED al inicio y EA en el seguimiento, lo que permite un solo máximo (correspondiente a niveles óptimos de uso de IED de línea de base) o meseta; De lo contrario, se realizarán modelos de regresión lineal. Si los datos indican un nivel de uso óptimo IED asociado con un valor máximo específico de la puntuación EA en el seguimiento, se considerarán formas funcionales alternativas no lineales con máximos o características de meseta, incluidos los polinomios (p. Ej. Cuadrático) y formas logarítmicas y funciones por partes. Los investigadores compararán el ajuste de múltiples distribuciones en la vecindad de cualquier punto de inflexión y seleccionarán el modelo de mejor ajuste en esta región para maximizar la precisión con la que se puede obtener el valor máximo de EA. Los intervalos de confianza se ajustarán alrededor de la función para derivar un rango de valores para el valor máximo.

   Los investigadores realizarán modelos no ajustados y ajustados, con modelos ajustados ajustados para todas las covariables en cada nivel del modelo. Los modelos no ajustados incluirán (i) el determinante único del nivel de uso de IED (duración) al inicio, (ii) los determinantes del modo predominante IED al inicio (como se definió anteriormente) y (iii) determinantes de la duración del IED y modo. Todos estos determinantes se agregarán a nivel infantil del modelo. Las interacciones de primer orden se incluirán dentro de modelos no ajustados para capturar cualquier efecto diferencial en la evaluación de los niveles de uso de IED con diferentes modos de uso predominantes. Cualquier interacción revelada es de importancia sustantiva se conservará en un modelo de rehacer junto con todos los efectos principales. Los modelos ajustados se basarán en las variables incluidas de la duración del IED y el modo predominante IED, cualquier interacción de importancia sustantiva y todas las covariables de control en el nivel apropiado del modelo. Los investigadores no utilizarán estrategias de modelado automatizadas para la selección de variables y conservarán todos los efectos principales en el modelo ajustado. Sin embargo, la colinealidad se evaluará en modelos ajustados y considerará la eliminación de las covariables de control si es aparente la colinealidad excesiva (factor de inflación de varianza> = 5 para cualquier variable).

2. Modelado de regresión multinivel de resultados secundarios Los investigadores realizarán un modelado de regresión lineal múltiple en todos los resultados secundarios numéricos y el modelado de regresión logística múltiple para la medida de resultado secundario binaria, utilizando la misma estructura del modelo que para el análisis principal del resultado primario. Si se revela alguna evidencia para la no linealidad entre el nivel de duración de IED y los resultados secundarios, los investigadores considerarán el modelado no lineal para el análisis del resultado primario; De lo contrario, considerarán modelado lineal. En ambos casos, se ajustará el mismo conjunto de covariables e interacciones definidas para el resultado primario. No se realizará ajuste para múltiples análisis; Hover, todos los análisis se planificarán a priori y se informarán en su totalidad.

3. Modelado de regresión multinivel: análisis subsidiario para explorar los correlatos socioecológicos de la duración del IED en los niveles individuales (género, edad y etnia), interpersonal (educación materna, estilo de crianza y adicción a los teléfonos inteligentes) y niveles organizativos (política y asistencia de cuidado infantil), Will ser realizado como un análisis subsidiario, considerando el conjunto anterior de variables como determinantes de IED utilizando las variables que se informan como variables de control.

   Las intercepciones aleatorias y el modelado de regresión lineal múltiple en el resultado de la duración de IED se realizarán al inicio. Se utilizará una estructura jerárquica de 2 niveles, con variables designadas como individuales o interpersonales adjuntas a nivel inferior (niño) y variables designadas como organizativas adjuntas a nivel superior (unidad educativa).

   Cualquier relación revelada durante este proceso se utilizará en el modelado futuro para generar hipótesis dentro de un marco de modelado de ecuaciones estructurales más amplias.

4. Análisis de sensibilidad e informes de datos Para el resultado primario, el plan es realizar análisis de sensibilidad para evaluar la sensibilidad del modelo a ciertos supuestos, como se mencionó anteriormente. Los investigadores compararán las estimaciones de parámetros de las variables probadas en modelos no ajustados y ajustados. Para el modelado multinivel de la relación entre la duración del IED y la EA, se utilizarán tanto las pendientes aleatorias como los modelos de intercepciones aleatorias para evaluar la variación en pendientes entre las unidades de nivel superior. Si la imputación de datos es viable, los modelos se ejecutarán con y sin datos imputados (consulte 'Limpieza de datos y evaluación de los datos faltantes').

Para los modelos de regresión lineal y no lineal de resultados numéricos continuos, en los análisis principales y subsidiarios, los investigadores informarán todas las estimaciones de parámetros no estandarizados con intervalos de confianza del 95% asociados y valores P. Para los modelos de regresión logística, se informarán todos los odds ratios con intervalos de confianza del 95% asociados y valores P. Si se revela evidencia para una tendencia no lineal, los investigadores informarán la forma funcional de la curva mejor ajustada e identificarán la ubicación de cualquier máximo o comienzo de los efectos de meseta. Se verificarán todos los supuestos de modelado de regresión, incluida la homogeneidad de varianza y la normalidad de las variables de resultado para cada valor de una variable independiente, utilizando el análisis residual. Los análisis estadísticos se realizarán utilizando MLWIN versión 3.06 (Charlton et al., 2022) y Stata versión 17 (Stata Corp 2021).