어린이와 가족의 수면을 개선하기 위한 Good Night Sleep 프로그램 (GNSP)

경제적으로 불리한 가정의 어린이는 부유한 가정의 어린이에 비해 액티그래피로 인한 수면 시간이 짧고 품질이 낮으며 주관적인 수면 문제가 더 큽니다. 이러한 수면 불균형은 사회 경제적 계층에 존재하는 전반적인 건강 불균형뿐만 아니라 어린이의 심리사회적, 학업 발달의 차이와도 관련이 있습니다. 사회 경제적으로 불리한 가정의 어린이를 위한 수면 중재는 수면의 사회 경제적 불균형을 줄일 수 있으며 신체적, 정신적 건강과 학업 기능의 더 넓은 사회 경제적 기반 불균형에 대한 잠재적인 하류 영향을 미칠 수 있습니다. 수면의 보호 기능에 대한 연구에 따르면 경제적으로 불리한 가정의 어린이에게는 수면의 이점이 훨씬 더 클 수 있습니다. 따라서 수면을 개선하는 것은 건강 격차를 줄이기 위한 잠재적으로 강력한 전략입니다.

조사관은 앨라배마주 저소득층 어린이에게 봉사하는 Auburn University 보충 영양 지원 프로그램 - 교육(SNAP-Ed)의 앨라배마 확장을 통해 30명의 부모-자녀 쌍(총 참가자 60명)으로 구성된 비무작위 목적의 파일럿 샘플을 모집할 예정입니다. 초등학교. 학습 정보는 참여 학교의 어린이에게 집으로 전송됩니다. 주요 포함 기준은 아동이 무료 또는 할인된 학교 급식을 받을 자격이 있다는 것입니다. 참가자는 대기자 명단 관리 그룹 또는 개입 그룹에 무작위로 배정됩니다. 이 개입은 아동과 가족의 수면 환경과 수면 위생 관행을 바꾸기 위해 확립된 증거 기반 동기 부여 관행을 적용합니다. 0주차에 참가자는 수면 환경과 수면 위생 관행에 대한 종합적인 평가를 제공하고 연구 기간 동안 기준 데이터로 착용할 Fitbit 시계를 발급받게 됩니다. 2주차에 참가자들은 좋은 수면의 이점에 대한 정보, 집에서 구현할 평가 데이터를 기반으로 한 수면 환경 및 수면 위생 관행에 대한 피드백, 참가자가 식별한 필요 영역(예: 선풍기, 음향기, 침구). 4주차에 중재 그룹의 가족은 중재 후 평가 데이터와 중재에 대한 피드백을 제공하고 대기자 명단 제어 그룹의 가족은 원할 경우 중재를 받도록 선택할 수 있습니다. 주요 관심 변수는 수면, 수면 환경, 수면 위생 관행에 대한 주관적 보고서와 4주에 걸쳐 3회 평가 기간 동안 Fitbit 시계를 착용하여 수집한 수면 활동 기록을 통한 객관적인 수면 데이터입니다.

연구 설계는 무작위 임상 시험이라고도 불리는 중재 전후 평가를 통한 피험자 간 실험입니다. 이는 내적 타당성이 높은 방법론적으로 엄격한 설계로, 관찰된 중재 효과에 대한 인과적 추론을 허용합니다. 조건에 대한 무작위 할당은 개입 또는 대기자 명단 통제 그룹이 개입 이전에 동등하고 이후 변경 사항이 초기 그룹 차이로 인한 것이 아닌지 확인하는 데 도움이 됩니다.

데이터 분석은 개입 전 수면 변수, 개입 후 수면의 그룹 차이, 개입 전과 개입 후 수면 변화의 그룹 간 차이에 대한 그룹 동등성을 평가합니다. 데이터 관리 및 분석의 모범 사례에 따라 우리 연구실에서 오랫동안 확립해 온 예비 분석 절차의 일환으로 변수의 누락 패턴, 정상성 및 특이점을 평가합니다.

1차 분석에서는 학습 단위로서 어린이, 부모, 가족 모두에 대한 혁신적 강조를 고려할 것입니다. 특히, 어린이와 부모의 수면 변수는 같은 가족에 속하고 동일한 수면 환경 특성을 많이 공유하기 때문에 비독립적일 가능성이 높습니다. 패밀리 내 중첩으로 인한 데이터의 비독립성은 많은 통계 분석의 기초가 되는 일반 선형 모델의 기본 가정을 위반합니다. 가족 중첩을 고려하지 않으면 편향되고 덜 정확한 결과가 나올 가능성이 높습니다. 마찬가지로, 수면 변수의 반복 측정은 참가자 내에서 비독립적일 가능성이 높습니다. 즉, 반복 측정값은 참가자 내에 중첩되고 참가자는 패밀리 내에 중첩됩니다. 다단계 모델링(계층적 선형 모델링이라고도 함)은 관심 변수의 변동성을 개인 내 수준, 개인 간 수준, 가족 간 수준으로 분리하여 통계적으로 가장 유효한 추정치에 도달함으로써 비독립적 데이터를 적절하게 처리합니다. 개입으로 인한 수면 변수의 변화.

제안된 샘플 크기, 알파 수준(.05로 설정) 및 최소 허용 검정력(0.05로 설정)을 고려하여 감지할 수 있는 효과 크기의 범위를 결정하기 위해 Mplus 통계 소프트웨어 패키지의 Monte Carlo 기능을 사용하여 선험적 검정력 분석을 수행했습니다. .80). 연구 설계는 30개 가족 내에 중첩된 60명의 개인 내에 중첩된 180개의 반복 변수 측정(개인당 3회 측정 사례)을 사용하여 다단계 데이터를 생성합니다. 1차 독립 변수인 조건(즉, 대기자 명단 통제 또는 실험)은 개인 및 가족 수준의 분석 모두에 존재합니다.

개인 수준(n = 60)에서 연구는 대략 F ≥ .3의 작거나 큰 효과 크기를 탐지할 수 있는 힘을 갖고 있습니다. D ≥ .6; R2 ≥ .08. 쉽게 말하면, 개입이 측정된 변수의 개인 간 차이 중 8% 이상을 설명하는 경우 해당 효과를 감지할 수 있는 분석이 강화됩니다. 가족 수준(n = 30)에서 연구는 대략 F ≥ .4의 중간 이상의 효과 크기를 감지할 수 있습니다. D ≥ .8; R2 ≥ .14. 개입이 측정된 변수의 가족 간 차이의 14% 이상을 설명하는 경우 분석은 해당 효과를 감지할 수 있는 힘을 갖게 됩니다. 이 파일럿 프로젝트에서는 대규모 복제의 필요성을 지적하는 효과 크기의 실질적인 의미에 중점을 둡니다.