芝加哥学校积极行动计划的随机试验并扩展至 8 年级

该项目是已在全国实施的不同项目的多站点试验中的七个项目之一。 俄勒冈州立大学 (OSU) 和伊利诺伊大学芝加哥分校 (UIC) 正在进行一项以学校为基础的随机试验，以评估积极行动计划 (PA) 的有效性，以了解该计划的运作方式，以确定积极行动计划的有效性小学生减少消极行为（包括与健康有关的行为），增加积极行为，提高学业成绩的行动计划。 积极行动计划旨在促进社会和性格发展（尊重、责任、利他主义、公民美德、亲社会行为），以减少反社会行为（暴力、药物滥用、犯罪）和提高学校表现（出勤率、考试成绩） ). 2004 年冬季选出的 14 所符合条件的学校由 7 对配对（治疗组和对照组）组成；这些学校根据由多种学校特征组成的“风险评分”进行匹配。 在基线（2004 年秋季）、2005 年春季和秋季、2006 年春季和 2007 年春季，对 2004-05 学年三年级的学生、他们的父母、他们的老师和校长进行了调查。 评估基于多种过程、中介变量和结果数据，这些数据来自学校记录（出勤率、短暂性、成绩、考试成绩、纪律处分和停学，以及学校和学生人口特征的变化）、学生记录、学生调查、家长调查，教师评级和调查，以及管理人员调查，从两种情况下的学校收集（除了关于实施积极行动计划的信息）。 OSU 所做的工作仅限于 Flay 博士对项目各个方面的全面监督，以及使用从 UIC 的 DuBois 博士那里收到的去识别化数据进行的数据分析和研究论文撰写。 UIC 正在完成的工作由 David DuBois 博士指导，包括所有干预工作、数据收集、数据输入以及一些数据分析和报告撰写。 美国教育部/IES 聘请了国家承包商 Mathematica Policy Research, Inc. (MPR) 在 2007 年春季之前对多地点试验的所有地点进行核心调查。 此外，OSU/UIC 正在管理一项针对特定地点的学生调查，该调查是对所有数据收集浪潮期间多地点调查的补充。 由于项目资金是在 Flay 博士于 2005 年 9 月从 UIC 转到 OSU 之后获得的，OSU IRB 对整个项目进行了审查。 截至 2008 年 4 月，新的资金允许研究继续进行到 2012 年 3 月，并在 2008 年秋季、2009 年春季以及春季与他们的父母一起接受调查时跟踪目标学生群直到 8 年级结束2010. 继续研究的数据收集还包括收集儿童的身高和体重以及来自学生和教师的过程评估数据。 MPR将不会参与。 数据收集于 2010 年 6 月完成。

同意率和流动性：

当学生上三年级时，在学生、家长或老师完成调查之前获得家长同意。79% 的家长在基线时表示同意。 在后来的浪潮中加入研究的学生当时是同意的；对于第 2-5 波，他们的同意率在 65% 到 78% 之间。 所有学生都在第 6 波（7 年级开始）时重新同意第二阶段资助；第 6 至 8 波的同意率较低（≈ 58% 至 64%）。 这与之前的研究一致，这些研究发现同意率随着年级的增加而下降。 在第 1、2、4、5 和 8 轮调查中，同意提供孩子报告的父母比例分别为 72.3%、58.9%、52.2%、50.5% 和 72.9%。 可能提高第 8 轮家长回复率的两个因素是 (1) 增加完成家长报告的经济激励，以及 (2) 与家庭进行密集的电话联系，以注意激励的增加并鼓励完成调查。 对于第 1、2、4、5、7 和 8 轮，教师完成评分的同意学生百分比分别为 74.6%、74.8%、72.4%、78.3%、74.4% 和 92.7%。 在第 8 波中，我们为 100% 的教师调查完成率引入了额外的校级激励措施，这可能会导致已完成教师评分的增加。 使用潜在类别分析的结果确定流动模式，其中发现 5 类解决方案最适合数据：1) 留守者（平均研究持续时间为 5.72 年，N = 158），2) 临时参与者（1.30 岁，仅在 4 年级或 5 年级；N=196），3) 晚入者（1.38 岁；N=308）； 4) 早退者（0.94 岁；N=263），和 5) 晚退者（3.23 岁；N=287）。

计划的统计分析：

由于该试验以整群为重点，我们评估了在试验开始后进入学校的学生（加入者），但没有跟踪停止就读研究学校的个别学生（离开者）。 从学生的角度来看，随着时间的推移，他们可以被认为是“动态的”（即 变化）年级队列。 将使用多层次模型来考虑学校和学生层次的差异。 缺失数据将使用随机缺失 (MAR) 假设来解决，因为单个未测量的变量或一组变量不太可能预测在随机化后离开或加入试验学校的所有学生的缺失我们提出了一个三 -水平（嵌套在学校内嵌套学生的测量场合）增长曲线模型，用于分析治疗对各种学生水平结果的影响。 这些模型将解释所有观察结果和模型学校差异。 这种方法允许对多波可用数据进行完整分析，并考虑随时间变化的模式。 首先估计随机截距增长曲线模型。 在随机截距模型之后，将运行一个随机系数模型来测试学生随时间的变化是否存在显着变化，而不是每个条件下的所有学生都具有相同的变化模式。 似然比卡方 (LR) 检验将用于比较具有和不具有随机系数的模型拟合。 如果具有随机时间系数的模型明显更适合给定的结果，它将被报告为最终模型。 干预对仅在后面的波浪（第 5 波或第 6 波之后）收集的尺度的影响将在端点（第 8 波）设置的截距进行测试，条件项表示最后一次（第 8 波）的影响可能存在差异。

因为只有 14 所学校参与了这项试验，而且 PA 效应是在整群随机试验中在学校层面进行测试的，所以我们将进行几项敏感性分析。 首先，我们将使用具有 12 个自由度的 t 分布评估 PA 系数估计的统计显着性及其标准误差：14 所学校 - 1（条件效应）- 1 = 12 df 提供更保守的方法。 第二种方法是配对分析，估计为四级模型：嵌套在学生、嵌套在学校、嵌套在匹配对中的测量场合。

除了学生层面的调查数据外，还将分析几个学校层面的档案措施。 因为这些数据是学校层面的，所以增长曲线模型将是两级（学校内的观察）而不是三级。 由于数据量小（学校数量乘以波浪数量）和由此产生的功率限制，这些分析将仅使用随机截距模型。

我们将按性别和学生流动性测试节制。 适度测试将揭示该程序对谁有影响；也就是说，这些测试将使我们能够评估项目效果是否因性别或儿童的行动能力而异。 我们不会按种族测试节制，因为它与学校高度混淆，有 3 对学校的入学人数主要是非裔美国人，而 2 对学校的入学人数主要是西班牙裔。

虽然在整个 CRCT 中保留了所有 14 所学校，但该试验中的学生人数流动性很大。 因此，重要的是要测试学生流动模式的潜在调节作用。 最近一种分析移动模式的方法是潜在类别分析 (LCA)。 然后可以将上述移动模式作为程序效果的调节器进行测试；也就是说，检查具有不同流动模式的学生是否具有不同的计划效果。

调解分析将使我们能够检查 PA 程序的作用机制。 我们将首先估计 X 对 Y 的双变量效应，而模型中不包含中介变量。 然后，我们将使用模型中包含的中介同时估计 X 对 Y 的直接影响，以及中介效应，其中包括 X 对 M × M 对 Y 的影响。