Programme de renforcement des familles en ligne (SFPonline)

Cette étude teste un nouveau programme en ligne de formation aux compétences parentales et de prévention de la toxicomanie chez les jeunes basé sur le programme de renforcement des familles fondé sur des données probantes. La conception de l'étude implique un essai contrôlé randomisé parallèle à trois conditions contrastant : (1) SFP en ligne, (2) DVD/vidéos SFP à usage domestique et (3) contrôles sur liste d'attente. La condition d'intervention, SFP Online, est une condition multimédia interactive testant un programme en ligne de 10 sessions avec des pistes interdépendantes pour les parents et les jeunes. Les deux pistes impliquent l'achèvement de trois mini-leçons par semaine dispensées en ligne pendant 10 semaines. Chaque piste comprend une partie de jeu pour augmenter l'engagement et renforcer le contenu de la leçon grâce à un apprentissage furtif. La série de DVD/vidéos à usage domestique SFP est un programme de 11 sessions avec le même contenu que la version en ligne, mais est livré via une présentation vidéo en ligne ou un lecteur DVD. La condition de contrôle Wait-Listed reçoit des e-mails avec des recettes sur la même période de 10 semaines ; leur jeunesse reçoit des énigmes. À l'issue d'une période d'attente de 10 semaines, les contrôles en liste d'attente reçoivent l'intervention SFP Online. Notre analyse statistique porte sur les différences entre les conditions des DVD/vidéos en ligne et à usage domestique.

Une deuxième caractéristique de conception est un essai de non-infériorité (NIT) pour examiner empiriquement l'efficacité de SFP en ligne par rapport aux données des normes du groupe SFP. Les normes de groupe, qui servent de référence pour l'efficacité du SFP, sont un échantillon représentatif et apparié sur le plan démographique de n = 1400 familles tirées d'une base de données de 6000 familles qui ont suivi les cours complets de 14 sessions du SFP. Les tailles d'effets, à l'aide de la statistique êta-carré partiel, seront comparées entre les conditions pour les principales mesures de résultats. Les tailles d'effet seront ajustées en fonction des différences démographiques au niveau individuel ainsi que des facteurs de mise en œuvre. La marge d'équivalence pour la comparaison de la taille d'effet entre les conditions est fixée à 10 % (les tailles d'effet pour les résultats du programme SFP Online seront au moins 10 % plus grandes que les tailles d'effet correspondantes pour les vidéos SFP ou les normes de groupe).

RECRUTEMENT : Les enquêteurs recruteront 240 familles avec au moins un parent/soignant et un jeune (n = 480 participants), avec 80 familles assignées au hasard à chaque condition expérimentale. Le recrutement est géré par 24 recruteurs SFP qui ont envoyé des lettres de soutien. Ils sont ethniquement divers et géographiquement dispersés à travers les États-Unis. Ils ont accès à plusieurs races/ethnies et à des familles marginalisées. Chaque recruteur vise le recrutement de 10 familles (24 recruteurs x 10 familles).

AFFECTATION : Les familles individuelles seront assignées au hasard à l'une des trois interventions avec un générateur de nombres aléatoires informatisé pour éliminer les biais de sélection et contrôler les variables confusionnelles non observées qui contribuent aux résultats du programme. Nous examinerons la distribution des variables démographiques pertinentes (race/ethnicité, revenu, éducation, âge des adultes et des enfants) pour assurer l'équilibre entre les conditions de base. Nous effectuons des analyses pour détecter des différences significatives entre les programmes dans les effets de l'intervention par ces variables.

ANALYSE STATISTIQUE : Avant d'évaluer les effets du programme, nous examinons l'équivalence pré-test entre les conditions expérimentales en utilisant des tests appropriés pour les mesures de référence catégorielles ou continues. Les différences significatives sont contrôlées dans des modèles ajustés aux covariables évaluant l'efficacité du programme. Cette analyse utilise une ANOVA 3 (condition) x 2 (risque de base) avec une présence continue dans l'étude comme variable dépendante. Nous examinons également s'il existe une attrition différentielle selon la condition (c'est-à-dire en codant l'attrition comme 1/0 et en utilisant des modèles de régression logistique pour prédire la rétention). Nous utilisons également des techniques de confirmation pour comparer les matrices de variance/covariance entre les conditions afin d'évaluer si les modèles de relations statistiques diffèrent selon la condition. L'attrition différentielle par condition pourrait potentiellement limiter la validité interne (les effets de l'intervention peuvent être confondus avec les effets d'attrition) ou la validité externe (généralisation à d'autres familles). Les analyses de données commencent par générer des statistiques descriptives simples sur toutes les mesures de base (par exemple, fréquences, moyennes, variance), en répétant cette procédure pour le post-test et les données de suivi de 2 mois. Les distributions sont examinées pour l'asymétrie et l'aplatissement et les modèles de réponse. Des tests du chi carré, des corrélations ponctuelles bi-série et de Pearson sont utilisés pour examiner les relations statistiques entre les prédicteurs de base (c. test carré, t et F). La violation des hypothèses de normalité et d'homoscédasticité (souvent rencontrées dans la recherche sur la famille et lors de l'évaluation de la consommation de drogues autodéclarée par les jeunes) nécessitera des transformations de données (par exemple, pondération logarithmique, arc sinus, spline ou centile). Si les transformations ne parviennent pas à normaliser les données, nous pouvons utiliser des tests non paramétriques (par exemple, le Tau de Kendall, le test U de Mann-Whitney, la somme des rangs de Wilcoxon, la corrélation de Spearman et l'ANOVA de Freidman). Pour les distributions non gaussiennes qui découlent de comportements à basse fréquence, nous pouvons utiliser des modèles de régression de Poisson, gonflés à zéro et semi-continus en deux parties pour ajuster les distributions fortement asymétriques avec une prépondérance de zéros.

DONNÉES MANQUANTES. Il se peut que certains participants ne répondent pas aux enquêtes d'évaluation des résultats, cessent de participer à l'intervention ou soient réticents à fournir des données. Ces occurrences représentent différents visages de l'attrition (retrait et mauvaise observance) et doivent être examinées attentivement. Nous supposons que les données manquent complètement au hasard (MCAR), ou que les mécanismes à l'origine des données manquantes sont "ignorables" sans biais dans la comparaison des conditions ; cependant, nous appliquons le test de Little de MCAR pour les données multivariées afin de déterminer si les données manquantes biaisent les résultats. Quelle que soit la manière dont cela se produit, les méthodes de données complètes utilisées nécessitent l'utilisation de plusieurs procédures d'imputation pour obtenir des estimations de paramètres efficaces. Nous utilisons l'estimation du maximum de vraisemblance en information complète pour récupérer les données manquantes. Un nombre raisonnable d'imputations est de 10 compte tenu de l'efficacité de l'imputation avec des niveaux relativement faibles de données manquantes. Les 10 ensembles de données imputés sont ensuite combinés à l'aide de plusieurs procédures d'inférence qui ajustent les erreurs types pour l'incertitude des données manquantes142 produisant des estimations de paramètres plus efficaces.

INTENTION DE TRAITER. La non-conformité survient parce que les participants peuvent ne pas terminer toutes les leçons, n'en suivre aucune ou ne passer que les évaluations sans être exposés aux leçons. Cela fait que ceux qui terminent les leçons ne sont plus un «échantillon aléatoire du groupe d'origine». L'intention de traiter (ITT) est une stratégie d'analyse des données dans laquelle les participants restent dans la condition expérimentale qui leur a été assignée, indépendamment de l'achèvement de la leçon ou de l'état de non-conformité. À l'aide d'analyses de sensibilité, les données des finissants sont ensuite comparées à un ensemble de données avec des cas exclus après la randomisation parce qu'ils n'ont pas été exposés à l'ensemble du programme (analyses de sous-ensemble d'efficacité). Cette approche suppose que les données des cas censurés manquent au hasard (MAR) et que les résultats ont été obtenus de manière impartiale. Les analyses de sensibilité compareront les résultats en fonction de différents niveaux d'achèvement de la leçon (relâchant la règle d'exclusion) avec cette procédure répétée laissant l'exposition à l'intervention (nombre de séances) continue, car les participants peuvent bénéficier de toute exposition. Nous utiliserons également la méthode d'estimation des effets causaux moyens du compilateur (CACE) pour traiter les différences de conformité à l'intervention et ses effets sur les résultats du programme. À l'aide de l'analyse CACE, plusieurs groupes (mélanges) sont formés en fonction de leur niveau de conformité (c'est-à-dire d'engagement) et d'affectation de traitement (SFPOnline ou DVD/vidéos SFP). Les résultats du programme sont ensuite comparés entre ces mélanges à l'aide de méthodes de régression logistique traditionnelles. Nous pouvons en outre catégoriser les compilateurs en fonction de leurs taux d'achèvement de leçon observés, ce qui donne des compilateurs faibles ou élevés dans chaque condition. De plus, l'engagement peut être conditionné en fonction de covariables au niveau des participants (c'est-à-dire l'état matrimonial, le revenu, le stress, la consommation de drogues ou la taille de la famille). Les techniques ITT et CACE maintiennent la conception randomisée intacte, atténuent les biais liés à l'achèvement différentiel du programme et nous permettent de faire des inférences causales sur les effets de l'intervention dans cet échantillon. Dans le cas où les participants qui n'achèvent pas ne sont pas dispersés au hasard parmi les conditions, nous rapporterons également les tailles d'effet parmi ceux qui ont terminé les leçons et ont pris les Post Surveys.

TESTS DE CONFONDEUR. Même avec une affectation aléatoire aux conditions expérimentales et une réduction de tout déséquilibre entre les prétests, les effets de confusion pourraient demeurer une menace pour la validité (c'est-à-dire que les effets du programme pourraient être biaisés). En conséquence, nous examinerons les variables sélectionnées mesurées au départ pour détecter tout déséquilibre (c'est-à-dire l'équivalence pré-test) et effectuerons des analyses secondaires dans lesquelles nous modéliserons les covariables avant le traitement pour tenir compte des différences de résultats entre les groupes. Cet examen sera mené à l'aide de modèles linéaires généralisés. Les différences avant le traitement peuvent être spécifiques aux participants (par exemple, les données démographiques). Certaines preuves appuient l'inclusion de covariables afin de pouvoir attribuer de manière causale les différences entre les conditions à l'intervention. Leur inclusion augmente la précision du modèle et augmente la puissance, et cette efficacité vaut également pour les résultats binaires si nous choisissons de modéliser la consommation de drogues chez les jeunes de cette manière.

CONTRÔLES DE MANIPULATION. Nous prévoyons que certaines relations seront médiatisées par d'autres variables. Notre conception d'étude longitudinale nous permet de faire des inférences rigoureuses concernant les processus causaux, en abordant les mécanismes putatifs et la validité de la construction de traitement à travers laquelle SFP fonctionne. Nous supposons une ignorance séquentielle même si le médiateur est évalué après la randomisation. Nous pouvons évaluer statistiquement la diminution de l'ampleur de l'effet direct, ajustée des effets indirects. Ce cas s'étend aux données longitudinales avec plus d'un médiateur putatif par la règle de traçage pour l'analyse de chemin. La conception longitudinale fournit également une séparation temporelle du prétest, de l'intervention (semaines 1 à 10), du posttest (semaines 10 à 11) et du suivi de 2 mois (semaines 18 à 20). Nous utilisons la méthode delta multivariée pour calculer les erreurs types pour les effets médiatisés, dont les simulations ont montré qu'elles produisaient des estimations précises basées sur des intervalles de confiance bootstrap pour l'effet médiatisé. Les médiateurs potentiels dans ces modèles longitudinaux évaluant l'efficacité du programme comprennent des mesures de l'efficacité parentale, de la performance des compétences (basées sur des quiz intermédiaires), de la communication parent-enfant, de la surveillance, de l'établissement de limites et des niveaux d'engagement (basés sur la satisfaction, l'achèvement des leçons et les mesures d'utilisation).

MODIFICATION D'EFFET. Un ensemble limité d'analyses post-hoc explorera l'homogénéité de l'effet de l'intervention dans les sous-groupes de participants. Ces analyses permettent de gagner en précision pour savoir si les effets du programme ont été optimisés pour certains groupes.

PUISSANCE. Pour estimer la puissance, nous avons supposé : (1) trois conditions expérimentales, (2) plusieurs vagues de collecte de données, (3) des effets aléatoires associés à des résultats estimés compris entre 0,35 et 0,45 et différents types de mesures de résultats (dichotomiques vs continues ). Nous projetons la capacité de recruter 80 familles (1 parent/tuteur + 1 jeune) dans chaque condition expérimentale au cours de la période de recrutement. Avec des échantillons de grande taille (n = 480), nous pouvons détecter des effets significatifs dans la plupart des tailles d'effet.