Wpływ urządzeń mobilnych na rozwój i zdrowie małych dzieci (iKids)

Badacze zapewnienia jakości podejmujący pomiary są wysoce doświadczeni w procedurach i analizie. Śledczy wykorzystują tylko zatwierdzone narzędzia, które są dobrze ustalone w literaturze. Ekspozycja i korzystanie z interaktywnych urządzeń elektronicznych (np. Tablety i smartfonów) będą mierzone przez aplikację, która będzie dostępna bezpośrednio z urządzeń uczestnika (Android lub iOS) przy użyciu oprogramowania do wykrywania mobilnego do przechwytywania czasu ekranu i użycia aplikacji (Lind i in. 2023). Aplikacja została pomyślnie wykorzystana do pomiaru używania smartfonów u dzieci (Bagot i in., 2022; Wade i in., 2021).

Pomiar pojawiających się zdolności, nasza podstawowa miara wyniku, została zatwierdzona i szeroko stosowana w literaturze (Howard i in. 2017). Badacze wykorzystają listę kontrolną administracji wierności, aby ocenić praktyki u badaczy przed rozpoczęciem gromadzenia danych. Zostanie odnotowany zakres wyników wtórnych (tj. BMI (skalibowane skale i powtarzane pomiary), zachowanie ruchu (Accelerometry Cliff i in. 2024), Motor Development (NIH Toolbox, Reuben i in., 2013), interakcja nadrzędna i dzieci (STIMQ2, Cates i in. 2023). Pomiary te zostały wykorzystane w badaniu Sunrise, które zbiera dane o dzieciach w tym wieku w 63 krajach na całym świecie (https://sunrise-study.com/) i opublikowane w protokole (Okely i in., 2021) .

Zespół Sunrise zapewniał filmy szkoleniowe i wsparcie i zostały wykorzystane do poinformowania naszego protokołu badania. Ponieważ na rozwój dziecka ma wpływ wiele zmiennych towarzyszących, badacze wybrali najczęściej zgłaszane w literaturze i sugerowani nasza grupa PPI (tj. Płeć, wiek, pochodzenie etniczne, edukacja matki, styl rodzicielski (PSDQ-SV. Robinson i in. 2001), uczestnictwo w opiece nad dziećmi, uzależnienie od rodziców do smartfonów (SAS-SV, Kwon i in., 2013) oraz zasady oglądania ekranu.

Formularze przechwytywania danych przetwarzania danych zostały utworzone dla odpowiednich miar w celu standaryzacji wprowadzania danych i pomocy w wprowadzaniu danych. Pod względem przetwarzania i analizy danych. Badacze będą przeprowadzać wstępne czyszczenie danych, badając, czy wartości zmiennych ciągłych są w zakresie zakresu, prawdopodobieństwa średnich i odchyleń standardowych oraz ważności zakodowanych kategorii. Badacze ocenią rozkłady danych i zidentyfikują wszelkie wartości odstające jednoczynnikowe na podstawie metod graficznych i przypadków z bardzo dużymi, znormalizowanymi wynikami odłączonymi od innych wyników i wielowymiarowych wartości odstających za pomocą metod graficznych i kontroli odległości dźwigni/Mahalanobis, rozbieżności i statystyki wpływu. Wszelkie możliwe błędy będą badane indywidualnie. Badacze zbadają również zakres, wzór i charakter brakujących danych. Jeśli odsetek brakujących danych jest niewielki (poniżej 5%), rozważy pełne analizy przypadków. Jeżeli kwota lub wzór brakujących danych wyklucza pełną analizę przypadku, badacze rozważą imputację danych. Zostanie użyte wiele imputacji ze względu na ich odporność na rodzaj braku danych. W przypadku przeprowadzenia imputacji badania wrażliwości zostaną przeprowadzone poprzez porównanie wyników pochodzących z danych z imputacją i bez nich.

Analiza danych Analiza opisowa Próbka zostanie podsumowana opisowo. Śledczy zgłoszą liczbę dzieci w każdej jednostce edukacyjnej oraz wyniki pierwotne i wtórne według punktu czasowego (linia bazowa i obserwacja). W przypadku ciągłych wyników informacje podsumowujące zostaną przedstawione jako środki (odchylenia standardowe (SD); zakresy). W przypadku wyników kategorycznych informacje podsumowujące zostaną przedstawione jako częstotliwości (wartości procentowe). Oceniona zostanie potrzeba zmiennych transformacji w celu ustabilizowania wariancji lub osiągnięcia normalności.

Analiza wnioskowania Do analizy zostanie rozważone następujące zmienne testowe: 1) czas trwania; 2a) Tryb IED edukacyjny; 2B) Tryb IED odpowiedni dla wieku.

1. Modelowanie regresji wielopoziomowej wyniku pierwotnego badacze konceptuali 2-poziomowy losowy model wielopoziomowy, z dziećmi skupionymi w jednostkach edukacyjnych. Ten model uzna EA podczas obserwacji za miarę wyniku zaprojektowaną w celu odpowiedzi na podstawowe pytania badawcze: Jak czas trwania (godziny dziennie) i tryb (edukacyjne vs. nie-edukacyjne; -Płyny) na początku, kontrolowanie zmiennych towarzyszących na poziomie dzieci (w tym wyników bazowych EA) i zmiennych towarzyszących jednostek edukacyjnych, związanych z EA w okresie obserwacji w modelu wielopoziomowym, w którym dzieci są skupione w jednostkach edukacyjnych? Współczynnik podziału wariancji (VPC; odsetek wariancji resztkowej związanej z każdym poziomem modelu) zostanie oceniony za pomocą modelu zerowego przed przejściem do modelu zmiennego. Badacze rozważą połączenie poziomów w modelu, jeżeli statystyki VPC ujawniają nieistotne efekty klastrowania (nieistotna wariancja resztkowa na poziomie jednostki edukacyjnej). Niezludzkie modelowanie regresji wielokrotnej zostanie przeprowadzone, jeśli istnieją dowody na nieliniowy związek między poziomem użycia IED na początku a EA podczas obserwacji, umożliwiając pojedyncze maksimum (odpowiadające optymalnym poziomom wyjściowego użycia IED) lub płaskowyż; W przeciwnym razie zostaną przeprowadzone modele regresji liniowej. Jeśli dane wskazują na optymalny poziom użycia związany z określoną maksymalną wartością wyniku EA podczas obserwacji, alternatywne nieliniowe formularze funkcjonalne będą rozważane z cechami maksimami lub płaskowyżami, w tym wielomianem (np. kwadratowe) i logarytmiczne formy oraz funkcje fragmentaryczne. Badacze porównują dopasowanie wielu rozkładów w pobliżu dowolnego punktu zwrotnego i wybiorą najlepiej dopasowany model w tym regionie, aby zmaksymalizować dokładność, z jaką można uzyskać maksymalną wartość EA. Przedziały ufności zostaną dopasowane wokół funkcji, aby uzyskać zakres wartości dla wartości maksymalnej.

   Badacze będą prowadzić zarówno modele niezgodnie dostosowane, jak i skorygowane, z dostosowanymi modelami dostosowanymi dla wszystkich zmiennych towarzyszących na każdym poziomie modelu. Modele niezgodne z przystosowaniem będą obejmować (i) pojedynczy wyznacznik poziomu użycia IED (czas trwania) na początku, (ii) determinanty trybu dominującego IED na początku (jak zdefiniowano powyżej) oraz (iii) determinanty czasu trwania IED i czasu trwania IED i tryb. Wszystkie te determinanty zostaną dodane na poziomie dziecka modelu. Interakcje pierwszego rzędu zostaną uwzględnione w nieskorygowanych modelach, aby uchwycić dowolne efekty różnicowe w ocenie poziomów użycia IED z różnymi dominującymi sposobami użytkowania. Wszelkie interakcje wykazane jako istotne znaczenie zostaną zachowane w modelu ponownego odlewu wraz ze wszystkimi głównymi efektami. Skorygowane modele będą oparte na dołączonych zmiennych zarówno czasu trwania IED, jak i MOED dominującego, wszelkich interakcji o znaczeniu istotnym i wszystkich kontrolnych zmiennych na odpowiednim poziomie modelu. Badacze nie będą korzystać z zautomatyzowanych strategii modelowania do wyboru zmiennych i zachowają wszystkie główne efekty w skorygowanym modelu. Jednak kolinearność zostanie oceniona w skorygowanych modelach i rozważy usunięcie kontroli zmiennych towarzyszących, jeżeli widoczna jest nadmierna kolinearność (współczynnik inflacji wariancji> = 5 dla dowolnej zmiennej).

2. Modelowanie regresji wielopoziomowej wyników wtórnych, których badacze przeprowadzą modelowanie wielu regresji liniowej na wszystkich liczbowych wynikach wtórnych i modelowaniu regresji logistycznej dla binarnej pomiaru wyniku wtórnego, przy użyciu tej samej struktury modelu, co w głównej analizie głównej wyniku. Jeżeli ujawniono jakiekolwiek dowody nieliniowości między poziomem czasu trwania IED a wynikami wtórnymi, badacze rozważą modelowanie nieliniowe do analizy pierwotnego wyniku; W przeciwnym razie rozważą modelowanie liniowe. W obu przypadkach ten sam zestaw zmiennych towarzyszących i interakcji zdefiniowanych dla pierwotnego wyniku zostanie dostosowany. Nie zostanie dokonana dostosowanie wielu analiz; Wpad, wszystkie analizy zostaną zaplanowane a priori i zgłoszone w całości.

3. Modelowanie regresji wielopoziomowej: Analiza pomocnicza w celu zbadania społeczno-ekologicznych korelacji czasu trwania IED w jednostce (płeć, wiek i pochodzenie etniczne), interpersonalne (edukacja matki, styl rodzicielski i uzależnienie od smartfonów) oraz organizacyjne (polityka opieki nad dziećmi i obecność), będzie być przeprowadzane jako analiza pomocnicza, biorąc pod uwagę powyższy zestaw zmiennych jako determinanty IED przy użyciu zmiennych zgłaszanych jako zmienne kontrolne.

   Losowe przechwyty i modelowanie regresji wielokrotnej na temat wyniku czasu trwania IED zostaną przeprowadzone na początku. Zastosowana zostanie 2-poziomowa hierarchiczna struktura, z zmiennymi oznaczonymi jako indywidualne lub interpersonalne dołączone na niższym poziomie (dziecięce) i zmienne oznaczone jako organizacyjne przywiązane na poziomie górnym (jednostce edukacyjnej).

   Wszelkie relacje ujawnione podczas tego procesu zostaną wykorzystane w przyszłym modelowaniu do generowania hipotez w szerszych ramach modelowania równań strukturalnych.

4. Analiza wrażliwości i raportowanie danych dla pierwotnego wyniku, plan polega na przeprowadzeniu analiz wrażliwości w celu oceny wrażliwości modelu na niektóre założenia, jak wspomniano powyżej. Badacze porównają oszacowania parametrów testowanych zmiennych w modelach nieskorygowanych i skorygowanych. W przypadku wielopoziomowego modelowania związku między czasem trwania IED i EA zarówno losowe zbocza, jak i modele losowych przechwytywania zostaną wykorzystane do oceny zmienności na zboczach między jednostkami wyższego poziomu. Jeśli imputacja danych jest opłacalna, modele będą uruchamiane z i bez przypisywanych danych (patrz „Czyszczenie danych i ocena brakujących danych”).

W przypadku modeli regresji liniowych i nieliniowych ciągłych wyników liczbowych, w analizach głównych i zależnych, badacze zgłoszą wszystkie nieokreślone szacunki parametrów z powiązanymi 95% przedziałami ufności i wartościami p. W przypadku modeli regresji logistycznej zostaną zgłoszone wszystkie iloraz szans z powiązanymi 95% przedziałami ufności i wartości P. Jeśli ujawniono dowody na tendencję nieliniową, badacze zgłoszą formę funkcjonalną najlepiej dopasowanej krzywej i zidentyfikują lokalizację jakichkolwiek maksimum lub rozpoczęcie efektów plateau. Wszystkie założenia modelowania regresji zostaną sprawdzone, w tym jednorodność wariancji i normalność zmiennych wyników dla każdej wartości zmiennej niezależnej, stosując analizę resztkową. Analizy statystyczne zostaną przeprowadzone przy użyciu MLWIN w wersji 3.06 (Charlton i in., 2022) i STATA wersja 17 (Stata Corp 2021).