글쓰기 오류: 미미한 공격성을 위한 표현적 글쓰기 (WW)

2021년에는 미국 대학생 인구의 약 46%가 소수 인종 또는 민족 집단으로 확인되었습니다. 주로 백인 교육 기관(PWI)에 다니는 소수 계층 학생들은 인종 차별, 차별, 미시적 공격성과 같은 인종 및 민족 정체성과 관련된 복합적인 스트레스 요인 외에도 보편적인 고등 교육 스트레스 요인을 경험합니다. 최근 문헌은 미세한 공격성을 포함한 인종 및 민족 차별의 복합적인 경험이 건강과 학문에 부정적인 영향을 미친다는 중요한 증거를 제공합니다. 다양한 개입을 통해 인종차별과 광범위한 차별 경험으로 인해 발생하는 부정적인 건강 결과를 줄이는 데 효능이 있음이 입증되었습니다. 우리가 아는 바에 따르면, 현재 어떤 개입도 미세 공격 경험에 특별히 초점을 맞추고 있지 않습니다. PWI에서 소수 계층 학생들의 미세한 공격 경험으로 인한 부정적인 영향을 해결하기 위한 개입을 개발하거나 적용할 때 개입의 효율성뿐만 아니라 개입의 수용 가능성과 타당성도 고려하는 것이 중요합니다. 세계보건기구(WHO)의 권장 사항에 따라 확장 가능한 개입은 소수 계층 학생들의 장벽을 찾는 이전에 확인된 정신 건강 치료를 해결하는 데 도움이 될 수 있습니다. 이러한 확장 가능한 개입 중 하나에는 스트레스가 많은 생활 사건에 대해 개인에게 글을 쓰도록 요청하는 반복 노출 연습 유형인 표현 쓰기가 포함됩니다. 소수 학생들의 미세한 공격성에 대한 표현적 글쓰기의 문화적으로 민감한 적응을 알리기 위해 ADAPT-ITT 모델을 활용하여 우리 연구 그룹은 글쓰기 잘못이라는 제목의 적응된 개입의 개선을 위한 수용 가능성과 기회를 보여주는 파일럿 연구를 수행했습니다. 현재 연구는 PWI의 소수 학생들이 경험한 미세한 공격성을 해결하기 위해 맞춤화된 표현적 글쓰기 개입인 Writing Wrongs의 효능을 조사하는 이러한 연구 라인을 계속하는 것을 목표로 합니다.

ADAPT-ITT PWI의 소수 학생들을 위한 미세 공격을 목표로 하는 개입을 확립하고 고려하려면 확립된 개입을 새로운 주제나 인구로 내보내는 것 이상을 수행하는 것이 중요합니다. ADAPT-ITT 모델을 활용하여 PWI의 소수 학생들의 미세한 공격 경험에 대한 표현적 글쓰기의 적응을 알리는 것은 표준화된 증거 기반의 문화적으로 민감한 적응 프로세스를 허용합니다. 이 모델은 기존의 개입을 새로운 그룹과 주제에 적용하는 데 있어 효율성을 입증했습니다. 이 모델을 사용하여 조정된 개입에는 HIV 개입, 라틴계 소녀를 위한 HIV 예방 프로그램, HIV 감염자를 위한 PTSD 개입, 아메리칸 인디언 및 알래스카 원주민 청년을 위한 성 건강 개입, 심각한 정신 질환을 경험하는 개인을 위한 만성 질환 자가 관리가 포함됩니다. ADAPT-ITT 모델은 요구 사항 및 잠재적인 솔루션 식별, 평가부터 개입 효과 결정, 테스트까지 8단계로 구성됩니다.

우리는 이 모델의 처음 6단계를 다루기 위해 파일럿 연구를 수행했습니다. 처음 두 단계에서는 요구 사항과 잠재적으로 조정되거나 채택된 솔루션을 식별해야 합니다. 미세한 공격은 개인이나 자신이 속한 그룹에 대한 모욕, 비하 또는 축소의 표현이 미묘한 사례입니다. 연구에 따르면 소수 계층 학생들에게 미세한 공격성을 경험할 때 건강과 학업에 심각한 부정적인 영향을 미치는 것으로 나타났습니다. 개인에게 스트레스가 많은 생활 사건에 대해 글을 쓰도록 요청하는 반복적인 노출 기반 연습인 표현적 글쓰기는 미세한 공격의 경험을 목표로 할 뿐만 아니라 소수 학생들에게 존재하는 치료 추구 장벽을 해결할 수 있는 확장 가능한 개입일 수 있습니다. 스트레스가 많은 생활 사건을 대상으로 하는 중재로서 표현적 글쓰기의 확립된 효능과 유연한 관리 방법을 고려할 때, 표현적 글쓰기의 적용은 미세한 공격에 대한 교육뿐만 아니라 개인이 차별에 대해 논의할 의도적인 공간을 제공할 수 있습니다. 파일럿 연구에서는 ADAPT-ITT 모델의 나머지 4단계를 다루기 위해 문화적으로 민감한 표현적 글쓰기의 온라인 적응인 Writing Wrongs가 PWI의 소수 학생 샘플을 대상으로 표현적 글쓰기의 표준화된 버전과 함께 관리되었습니다. Writing Wrongs는 미시적 공격 경험과 관련된 생각과 감정을 구체적으로 이끌어내기 위해 표현적 글쓰기 개입 프롬프트를 맞춤화합니다. 혼합 방법 접근법을 활용하여, 우리는 개입 전 평가 세션 이후에 감소를 발견하지 못했을 뿐만 아니라 Writing Wrongs가 도움이 되고 적절하며 즐겁고 필요한 개입임을 반영하는 참가자 피드백도 발견하지 못했습니다. 이러한 결과는 글쓰기 오류에 대한 대상 집단인 소수 학생의 초기 지원을 제공합니다. 표준화된 표현적 글쓰기와 Writing Wrongs를 비교할 때 참가자들은 Writing Wrongs에 대한 선호도를 표명했습니다. 더욱이, 참가자들은 표준화된 메시지가 아닌 글쓰기 오류 메시지에 대한 응답으로 미세한 공격에 대해 가장 자주 글을 썼습니다. 이 발견은 학생들이 의도적으로 미세한 공격에 대해 성찰하고 잠재적으로 그러한 경험을 목표로 하는 대처 기술을 개발할 수 있는 기회를 제공하는 데 있어 글쓰기 오류 적응의 중요성에 대한 증거를 제공합니다. 주제별 전문가 상담과 함께 파일럿 연구의 결과는 프롬프트 수정(예: 사용된 문구 변경, 더 구체적인 프롬프트 추가) 및 관리 방법(예: 추가 교육 또는 개입을 위한 추가 리소스 제공)을 포함하여 잘못된 쓰기에 대한 변경 사항을 알려줍니다. .

방법 참가자 모든 연구 절차는 Auburn University Institutional Review Board의 승인을 받았습니다. 학생들은 SONA 인간 대상 풀 소프트웨어 및 공공 광고를 사용하여 Auburn University에서 모집됩니다. 잠재적 참가자는 소수 인종/민족 집단에 속해 있으며 미국 남동부에 위치한 PWI인 Auburn University에 정규 학생으로 등록되어 있다는 포함 기준이 포함된 자격 심사를 완료하게 됩니다.

절차 적격 참가자는 보안 Zoom 링크를 통해 연구 보조자와 사전 동의 세션을 완료합니다. 동의 세션 후 참가자는 쓰기 오류 중재 또는 평가 전용 제어 조건에 무작위로 할당됩니다. 모든 참가자는 5개 세션에 걸쳐 온라인 설문조사를 완료하게 됩니다. 처음 4개의 세션은 연속된 날짜에 완료됩니다. 첫 번째 세션은 개입 전 평가입니다. 다음 세 세션 동안 쓰기 오류 중재 조건은 20분의 쓰기 활동을 받게 되며 두 조건 모두 현재 증상 경험과 감정 상태에 대한 평가를 완료합니다. 모든 참가자는 또한 네 번째 세션 동안 중재 후 평가와 1주간의 중재 후 후속 평가를 완료하게 됩니다. 전체적으로 참가자는 사전 개입 평가, 할당된 조건에 따라 두 번의 잘못된 쓰기 세션 또는 평가 전용 세션, 사후 개입 평가 또는 조건 할당에 따른 평가 전용 세션이 포함된 세 번째 잘못된 쓰기 세션 및 1주일 후 개입 평가. 평가 통제 조건에는 연구 완료 후 Writing Wrongs 중재에 대한 액세스 권한이 부여됩니다.

가설 및 데이터 분석 전략 우리는 Writing Wrongs가 시간이 지남에 따라 인종 및 차별적 트라우마 증상뿐만 아니라 우울증, 불안 및 외상 후 스트레스 증상을 개선할 것이라는 가설을 세우고 평가 통제 조건과 비교합니다. 또한 잘못된 쓰기 및 평가 통제 조건에 대해 세션 내 및 세션 전반에 걸쳐 긍정적인 영향과 부정적인 영향의 변화를 비교하기 위한 탐색적 분석을 수행할 것입니다. 기본 분석은 IBM SPSS Statistics(버전 27)를 사용하여 수행되며 누락된 데이터는 다중 대체를 통해 처리됩니다. 탐색적 분석은 Mplus(버전 8.4)를 사용하여 수행되며 누락된 데이터를 처리하기 위해 최대 가능성에 대한 전체 정보를 사용할 것입니다. 인종 및 차별적 트라우마 증상에 대한 개입 효과의 주요 결과는 2 x 5 반복 측정 ANOVA를 사용하여 조사됩니다. 정신 건강 증상(예: 우울증, 불안, 외상후 스트레스 증상)의 이차적 결과 세션 변수 작성은 2 x 3 반복 측정 ANOVA를 사용하여 검사됩니다. ANOVA 요인은 조건(예: 잘못된 쓰기 및 평가만), 시간 및 조건별 상호 작용입니다. 긍정적인 영향과 부정적인 영향의 변화를 조사하는 탐색적 분석을 위해 잠재 변화 점수 모델을 수행하여 각 세션 내에서 그리고 각 세션 전반에 걸쳐 영향의 변화를 추정하고 조건에 따른 차이를 테스트할 것입니다.