Primeiros anos longe de casa: deixando ir e ficar conectado (FYAH:LGSC)

Este é um estudo randomizado controlado (ECR) com duas condições experimentais (Manual e Manual+) e um controle. Cada condição será composta por 450 díades aluno/pai, cerca de metade na Coorte 1 e metade na Coorte 2. Os participantes serão recrutados nas turmas de calouros da Washington State University em 2017 e 2018 pelo Social Development Research Group (SDRG) em Universidade de Washington. Os pais em ambas as condições experimentais receberão um manual no verão antes do início das aulas. O manual contém sugestões de início de conversa, listas de verificação e atividades a serem concluídas pela dupla pai/aluno. As atividades são baseadas na teoria do desenvolvimento social e emocional e projetadas para abordar os fatores de risco e proteção para essa faixa etária à medida que passam a viver de forma independente dos pais. Os pais do Handbook plus também receberão mensagens de texto periodicamente durante os semestres de outono e primavera, algumas das quais são projetadas para informá-los sobre os principais eventos universitários (por exemplo, jogos de futebol em casa), que são conhecidos por serem períodos de alto risco. Cada coorte será acompanhada por dois anos. Os pais completam as pesquisas na linha de base (primavera antes do início dos alunos) e no semestre de outono. Os alunos completam as pesquisas no início e a cada semestre durante os primeiros dois anos na escola.

Os Objetivos Específicos do projeto são os seguintes:

Objetivo 1: Testar a eficácia de Letting Go and Staying Connected, um manual de intervenção orientado teoricamente, direcionado para o desenvolvimento e com suporte empírico para pais de alunos em transição para a faculdade. Os investigadores levantam a hipótese de que os alunos nas condições do Manual se envolverão em menos comportamentos de risco, incluindo iniciação, uso e abuso de substâncias (álcool, maconha, opiáceos e estimulantes prescritos) e comportamentos de risco relacionados ao HIV/sexo. Como resultado, os alunos do Handbook também relatarão menos danos físicos, emocionais, sociais e acadêmicos. Os investigadores testarão uma condição de controle versus uma condição "Apenas Manual" e uma condição "Manual Plus" (uma versão aprimorada da intervenção que adiciona Serviço de Mensagens Curtas e/ou e-mails estrategicamente programados para aumentar a utilização da intervenção).

Objetivo 2: Testar caminhos de mediação teoricamente especificados entre a utilização do Manual e as mudanças de intervenção esperadas em comportamentos de risco/danos associados. Os investigadores esperam que o efeito do Manual nos resultados dos alunos seja mediado pelos comportamentos dos pais e dos alunos, conforme descrito no seguinte caminho: 1) Envolvimento dos pais e uso da intervenção 2) Práticas dos pais na gestão familiar, apoio à autonomia, e apoio emocional 3) Recompensas percebidas pelos alunos por comportamentos saudáveis ​​4) Conexões saudáveis ​​com pais e colegas 5) Crenças saudáveis ​​e padrões claros que levam a 6) Uso reduzido de substâncias e comportamentos sexuais de risco; maior desempenho acadêmico.

Objetivo 3: Identificar atributos específicos da comunicação pais-alunos que prevêem e covariam com o uso de substâncias e comportamentos de risco de HIV/sexo do aluno. No início do primeiro semestre, os pesquisadores farão uma pesquisa intensiva com os alunos durante 2 períodos de 7 dias para aprender sobre sua comunicação diária com os pais e seus comportamentos diários de risco. Como pouco se sabe sobre a comunicação pais-alunos nesse estágio de desenvolvimento, os investigadores conduzirão análises descritivas e exploratórias sobre o conteúdo, tom emocional, tempo, duração, modo e frequência da comunicação dos pais com seus alunos e examinarão como esses aspectos da a comunicação relaciona-se com os comportamentos de risco do aluno e os danos associados tanto no nível interpessoal quanto no nível pessoal.

O SDRG tem uma vasta experiência em recrutamento, coleta de dados, gerenciamento de dados e segurança de dados. O plano de monitoramento de segurança de dados detalhado dos investigadores contém informações sobre procedimentos específicos usados ​​para proteger as informações dos participantes. Os investigadores recrutarão alunos sub-representados proporcionalmente às porcentagens de alunos da Washington State University (WSU). SDRG também tem uma vasta experiência na retenção de participantes do estudo, em alguns estudos por mais de 20 anos.

Limpeza de dados. Os investigadores realizarão testes para valores fora do intervalo, consistência entre pontos de medição, normalidade e outliers influentes. Os investigadores abordarão quaisquer problemas de viés relacionados a valores discrepantes usando técnicas aceitas (por exemplo, análises robustas à violação de suposições). As contagens de variáveis ​​dicotômicas de uso de substâncias são frequentemente distorcidas; os investigadores usarão transformações logarítmicas de variáveis ​​e análises apropriadas (por exemplo, análise de sobrevivência ou regressões de Poisson) conforme necessário.

Seleção e Atrito. A seleção aleatória de alunos para convite para o estudo deve garantir uma amostra representativa da população estudantil, e vários estudos demonstraram a capacidade da Divisão de Pesquisa de Levantamento do SDRG em reter mais de 90% dos entrevistados por mais de 10 anos. No entanto, os investigadores testarão a participação diferencial e atrito e a probabilidade de estimativas de resultados tendenciosas; se necessário, os investigadores modelarão esses efeitos e empregarão técnicas de correção.

Variabilidade na implementação e dosagem. Particularmente no caso de uma intervenção autoadministrada, a implementação e a dosagem não são distribuídas aleatoriamente - por exemplo, os pais na condição de intervenção que são particularmente motivados ou complacentes podem fazer todas as atividades, enquanto outros podem escolher. A distribuição não aleatória dos componentes da intervenção entre os participantes da intervenção confunde a capacidade de fazer inferências causais sobre os efeitos do programa e obscurece os mecanismos dos efeitos do programa ao tratar a implementação como um evento binário. Além das análises de intenção de tratar, os investigadores empregarão avanços metodológicos recentes que permitem estimativa, modelagem e controle de efeitos de seleção na implementação por meio do uso de pontuação de propensão e ponderação de probabilidade inversa.

Dados ausentes. Quando os respondentes pulam itens ou perdem um ou mais pontos de coleta de dados, os dados ausentes podem introduzir viés e aumentar a probabilidade de erros do Tipo I. As abordagens analíticas primárias dos investigadores usam Máxima Verossimilhança de Informação Total (FIML)(38) para gerenciar dados ausentes. Em caso de falta excessiva, os investigadores usarão a imputação múltipla.

Erro familiar. Os investigadores usarão variáveis ​​resumidas de comportamentos/danos de risco, mas também conduzirão análises separadas para cada resultado de risco para fornecer uma visão mais detalhada de substâncias individuais, aumentando a probabilidade de um erro tipo 1. As respostas aos itens de uso de substâncias também tendem a ser altamente correlacionadas; nesses casos, as correções padrão de Bonferroni tendem a ser excessivamente conservadoras, com maior probabilidade de erro tipo 2. Procedimentos de reamostragem (por exemplo, Statistical Analysis Software (SAS) Procedimento MULTTEST) são mais poderosos do que o teste de Bonferroni e podem ser aplicados a testes de dados categóricos, contínuos e censurados, análises de métodos mistos de efeitos entre sujeitos e testes longitudinais entre sujeitos(15,148). Uma estatística de teste global será usada quando apropriado.

Análises: Objetivo 1: Para medir o impacto da intervenção na mudança ao longo do tempo, os investigadores modelarão curvas de crescimento latente (LGC) para cada um dos resultados hipotéticos. Primeiro, modelos incondicionais serão estimados para confirmar a escalação esperada em 5 ondas de dados. Os investigadores esperam um modelo de dois fatores: um fator de interceptação definido para níveis pré-teste e um fator de inclinação linear estimado com cargas fatoriais definidas para indicar pré-teste como interceptação e intervalos não iguais entre as pesquisas. Uma inclinação não linear será estimada usando formas quadráticas para carregamentos, no entanto, os investigadores esperam principalmente aumentos lineares em todos os 5 pontos de tempo. Uma covariância é normalmente estimada entre os fatores de interceptação e inclinação para controlar os níveis pré-teste do resultado. As variáveis ​​de controle serão adicionadas na próxima etapa. Finalmente, a atribuição do grupo de intervenção (na forma de 2 variáveis ​​fictícias) será adicionada como preditores da média e variância do fator de inclinação (a atribuição aleatória deve impedir os efeitos do grupo na interceptação definida no pré-teste). Os investigadores esperam que esses parâmetros reflitam médias e variações de inclinação positivas significativas no modelo incondicional e no modelo minimamente condicional. Nos modelos finais, supõe-se que as variáveis ​​fictícias de intervenção tenham efeitos negativos significativos na média e na variância da inclinação em comparação com a condição de controle, indicando que ambas as condições de intervenção reduziram a taxa de escalada em comportamentos de risco e consequências e também reduziram a variabilidade nesses resultados. Ao manipular a codificação de variáveis ​​fictícias, os investigadores podem testar a comparação entre H e H+ com a expectativa de que os parâmetros de H+ sejam significativamente mais fortemente negativos do que os de H.

Objetivo 2: Análises preliminares de intenção de tratar (ANCOVA) serão realizadas em mediadores em cada acompanhamento, conforme descrito para os resultados acima. Em seguida, as análises de LGC descritas acima serão estendidas para incluir variáveis ​​mediadoras. No entanto, antes de estimar a mediação, cada mediador será modelado ao longo do tempo em um modelo LGC para determinar sua forma (interseção, inclinação linear e inclinação quadrática) condicionada a variáveis ​​de controle conforme descrito para resultados no Objetivo 1. No caso dos mediadores, os fatores de inclinação são menos previsíveis, embora em geral se espere que esses fatores positivos de parentalidade e de relacionamento pais-aluno diminuam com o tempo. Uma vez determinados os modelos apropriados de mudança, os processos de crescimento simultâneos/paralelos em mediadores e resultados serão estimados. Processo paralelo Modelagem de Crescimento Longitudinal (LGM) é uma técnica que tem sido usada para examinar inter-relações entre vários resultados de desenvolvimento, incluindo co-ocorrência de uso de drogas e delinquência, em adolescentes e adultos jovens e para testar os mecanismos de efeitos de intervenção preventiva. Na etapa final, as variáveis ​​fictícias de status do grupo de intervenção serão adicionadas aos modelos de processos paralelos.

Objetivo 3: Dado o caráter exploratório deste objetivo, não há hipóteses. Observe que as mudanças na comunicação não são postuladas para mediar os efeitos da intervenção. No entanto, se forem encontradas relações significativas entre o status da intervenção e as medidas de comunicação, análises exploratórias podem ser realizadas no grupo de controle apenas para refletir melhor as relações etiológicas não confundidas por possíveis influências da intervenção. As análises preliminares se concentrarão na descrição dos níveis e na variabilidade do conteúdo, tom emocional, tempo, duração, modo e frequência e no desenvolvimento de pontuações resumidas apropriadas para melhor refletir esses fatores com base nos relatórios das pesquisas Time Line Follow Back. Análises de classe latente (LCA) com estimativa de probabilidade máxima e erros padrão robustos serão usadas para explorar os padrões de comunicação pais-alunos usando essas pontuações resumidas. Os investigadores derivarão classes de participantes com base empírica com base no conteúdo, tom emocional, tempo, duração, modo e frequência. Isso envolverá a estimativa de uma série de modelos para determinar o número de classes únicas que melhor se ajustam aos dados, comparando o Critério de Informação Bayesiano, o teste de Razão de Verossimilhança Ajustada de Lo-Mendell-Rubin e o teste de Razão de Verossimilhança Paramétrica Bootstrapped entre os modelos e selecionando os mais modelo parcimonioso com o melhor ajuste.