幼い子供の開発と健康に対するモバイルデバイスの効果 (iKids)

測定を行う品質保証研究者は、手順と分析で非常に経験があります。 調査員は、文献で十分に確立された検証済みのツールのみを利用しています。 インタラクティブな電子デバイス（タブレットやスマートフォンなど）の露出と使用は、モバイルセンシングソフトウェアを使用して参加者のデバイス（AndroidまたはiOS）から直接情報にアクセスして画面の時間とアプリの使用をキャプチャするアプリによって測定されます（Lind et al 。 このアプリは、子供でのスマートフォンの使用を測定するために成功裏に使用されています（Bagot et al。、2022; Wade et al。、2021）。

私たちの主要な結果尺度である新興能力の測定は、文献で検証され、広く使用されています（Howard etal。2017）。 調査員は、データ収集が開始される前に、管理者の忠実度チェックリストを使用して、研究者全体で実践を評価します。 さまざまな二次的な結果が記録されます（つまり、 BMI（キャリブレーションされたスケールと繰り返し測定）、運動挙動（加速度Cliff etal。2024）、運動発達（NIH Toolbox、Reuben et al。、2013）、親と子の相互作用（Stimq2、Cates etal。2023）。 これらの測定値は、世界中の63か国（https://sunrise-study.com/）のこの年齢の子供に関するデータを収集し、プロトコル（Okely et al。、2021）で公開されている日の出研究で使用されています。 。

トレーニングビデオとサポートは、サンライズチームによって提供されており、調査プロトコルの通知に使用されています。 子どもの発達は多くの共変量の影響を受けているため、調査員は文献で最も一般的に報告されているものを選択し、PPIグループによって提案されています（つまり、 性別、年齢、民族、母性教育、子育てスタイル（PSDQ- SV。 ロビンソン等2001）、育児への出席、スマートフォンへの親の依存症（SAS-SV、Kwon et al。、2013）およびスクリーン視聴ポリシー。

データ入力とデータ入力により、データ入力と支援を標準化するために、データ処理データキャプチャフォームが作成されています。 データ処理と分析の観点から。 調査員は、予備データクリーニングを実施し、連続変数の値が範囲内であるかどうか、平均の妥当性と標準偏差、およびコード化されたカテゴリの妥当性を調査します。 調査員は、データ分布を評価し、グラフィカルな方法と、他のスコアから切断された非常に大きい標準化されたスコアを備えた単変量の外れ値を、グラフィカルな方法とレバレッジ/マハラノビス距離の検査、矛盾、影響統計の検査により、非常に大きく標準化されたスコアを特定します。 考えられるエラーは、個別に調査されます。 調査員は、欠落データの範囲、パターン、性質も調査します。 欠落データの割合が小さい場合（5％未満）、完全なケース分析を検討します。 欠落データの量またはパターンが完全なケース分析を妨げる場合、調査員はデータの代入を検討します。 データの欠落の種類に対する堅牢性により、複数の帰属が使用されます。 帰属が実施された場合、抑制の有無にかかわらず、データから派生した結果を比較することにより、感度の研究が実施されます。

データ分析記述分析サンプルは記述的に要約されます。 調査員は、各教育単位の子供の数と、時点で一次および二次的な結果を報告します（ベースラインとフォローアップ）。 継続的な結果の場合、要約情報は平均（標準偏差（SD）、範囲）として提示されます。 カテゴリの結果については、概要情報が頻度（パーセンテージ）として表示されます。 分散を安定させたり、正規性を達成するための可変変換の必要性が評価されます。

推論分析分析のために、次のテスト変数が考慮されます。1）IED期間。 2a）IEDモード教育; 2b）IEDモード年齢に応じて。

1. 一次転帰のマルチレベル回帰モデリング調査員は、教育ユニット内にクラスター化された2レベルのランダムインターセプトマルチレベルモデルを概念化しました。 このモデルでは、フォローアップでのEAは、主要な研究の質問に答えるために設計された結果測定であると考えています：IED期間（1日あたりの時間）とモード（教育と非教育、年齢に応じたものと非時代はどうですか - 適切）ベースラインでは、子どもレベルの共変量（EAベースラインスコアを含む）と教育ユニットレベルの共変量を制御します。 分散パーティション係数（VPC、モデルの各レベルに関連する残差分散の割合）は、共変量モデルに進む前にヌルモデルを介して評価されます。 VPC統計が無視できるクラスタリング効果（教育ユニットのレベルでは無視できる残差分散）が明らかになった場合、調査員はモデルのレベルをマージすることを検討します。 ベースラインでのIED使用レベルとフォローアップ時のEAのレベルの間に非線形関係の証拠があり、単一の最大値（ベースラインIED使用量の最適レベルに対応）を可能にする場合、非線形重回帰モデリングが実行されます。またはプラトー;それ以外の場合、線形回帰モデルが実行されます。 データが、フォローアップ時のEAスコアの特定の最大値に関連付けられた最適なIEDの使用レベルを示している場合、多項式を含む最大またはプラトーの特徴を使用して、代替の非線形関数形式を考慮します（例： 二次）および対数形式、および区分的関数。 調査員は、ターニングポイントの近くにある複数の分布の適合を比較し、この領域で最適なモデルを選択して、EAの最大値を取得できる精度を最大化します。 信頼区間は、関数に適合して、最大値の範囲の値を導出します。

   調査員は、モデルの各レベルですべての共変量に対して調整された調整モデルを使用して、非適切に調整されたモデルと調整モデルの両方を実施します。 非調整モデルには、（i）ベースラインでのIED使用率（持続時間）のレベルの単一の決定要因、（ii）ベースラインでのIED優勢モードの決定要因（上記）、および（iii）IED持続時間と（iii）決定要因と（モード。 これらの決定要因はすべて、モデルの子レベルで追加されます。 1次相互作用は、未調整モデルに含まれて、異なる主要な使用モードでIED使用のレベルを評価する際の差異効果をキャプチャします。 実質的に重要であることが明らかになった相互作用は、すべての主効果とともに再キャストモデルで保持されます。 調整されたモデルは、IED持続時間とIED優位モードの両方の含まれた変数、実質的な重要性の相互作用、およびモデルの適切なレベルでのすべての制御共変量に基づいています。 調査員は、可変選択に自動化されたモデリング戦略を使用せず、調整されたモデルのすべての主効果を保持します。 ただし、調整されたモデルで共線性が評価され、過度の共線性が明らかな場合は、共変量の制御の削除を検討します（変数の変動インフレ係数> = 5）。

2. 二次アウトカムのマルチレベル回帰モデリング研究者は、主要な結果の主な分析と同じモデル構造を使用して、バイナリ二次アウトカム測定のすべての数値的結果と複数のロジスティック回帰モデリングで複数の線形回帰モデリングを実施します。 IED期間のレベルと二次的な結果の間の非線形性について証拠が明らかになった場合、調査員は主要な結果の分析のために非線形モデリングを検討します。そうでなければ、彼らは線形モデリングを考慮します。 どちらの場合も、主要な結果に対して定義された同じ共変量と相互作用のセットが調整されます。 複数の分析の調整は行われません。ホバー、すべての分析は先験的に計画され、完全に報告されます。

3. マルチレベル回帰モデリング：個人（性別、年齢、民族性）、対人（母性教育、子育てスタイルとスマートフォン中毒）、および組織（保育政策と出席）レベルでのIED期間の社会生態学的相関を調査するための補助分析上記の変数セットを、制御変数として報告された変数を使用してIEDの決定要因として考慮して、補助分析として実施されます。

   IED持続時間の結果に関するランダムインターセプトと多重線形回帰モデリングは、ベースラインで行われます。 2レベルの階層構造が使用され、変数は下部（子）レベルで個別または対人が接続され、上部（教育単位）レベルで組織として添付されている組織として指定された変数が使用されます。

   このプロセス中に明らかにされた関係は、将来のモデリングで使用され、より広い構造方程式モデリングフレームワーク内で仮説を生成します。

4. 感度分析とデータレポートの主要な結果については、計画は、上記のように、特定の仮定に対するモデルの感度を評価するための感度分析を実施することです。 調査員は、未調整モデルと調整されたモデルのテストされた変数のパラメーター推定値を比較します。 IED持続時間とEAの関係のマルチレベルモデリングの場合、ランダムスロープとランダムインターセプトモデルの両方を使用して、高レベルユニット間の勾配の変動を評価します。 データの代入が実行可能である場合、モデルは帰属データの有無にかかわらず実行されます（「欠損データのデータのクリーニングと評価」を参照）。

主要な数値的結果の連続的数値結果の線形および非線形回帰モデルの場合、研究者は、関連する95％信頼区間とp値を持つすべての標準化されていないパラメーター推定を報告します。 ロジスティック回帰モデルの場合、関連する95％の信頼区間とp値を持つすべてのオッズ比が報告されます。 非線形傾向について証拠が明らかにされた場合、調査員は最適な曲線の機能的な形式を報告し、プラトー効果の最大または開始の位置を特定します。 すべての回帰モデリングの仮定は、残差分析を使用して、独立変数の各値の分散の均一性や結果変数の正規性を含むチェックされます。 統計分析は、MLWINバージョン3.06（Charlton et al。、2022）およびStataバージョン17（Stata Corp 2021）を使用して実施されます。