测试训练计划以改善儿童的行人行为

方法

1. 研究目标。 具体目标是：（1）对 7-8 岁儿童进行 RCT，以评估 2 个培训项目（虚拟现实、街边）与无干预对照相比的相对有效性，重点是培训的地点和地点如何穿越。 (2) 对项目进行经济分析以确定其相对成本效益。 这些结果将提供有关项目有效性和经济成本的基本知识，为未来通过行为培训预防儿童行人伤害的“最佳实践”决策提供信息
2. 研究设Street Side training 或 SS-T) 和无干预对照组（No Intervention: NI-C）对孩子的性别进行了平衡。
3. 研究问题 VR-T 的性能是否超过 NI-C？ SS-T 中的性能是否超过 NI-C 中的性能？ VR-T 与 SS-T 的性能是否相同，或者是否产生更好的结果并符合最佳实践？ 随着时间的推移（干预后 2 个月），任何直接的收益都会持续吗？ 与 SS-T 相比，VR-T 的成本效益如何？
4. 功效分析 所有计算均由咨询统计学家（Dr. Gerarda Darlington) 使用用 R 版本 3.3.2 编写的函数 基于 Julious 提供的公式并使用 pwr.anova.test R 中 pwr 包的函数。试点可行性研究的结果用于估计穿越地点和方式的平均变化：在 VR-T 之后，儿童在不安全地点穿越的次数减少了 65%，穿越方式增加了 68%安全地穿越，两个变量都是正态分布的。 组内标准差为 0.16（试点数据），样本量为每组 58 名儿童，假设没有观察到变化差异，我们将有超过 80% 的能力确认 VR-T 和 SS-T 组之间的等效性组之间的分数和 17% 的等效阈值水平，其中 alpha = 0.025。 请注意，总样本量将支持计划的分析，允许 p < 0.0001 且功效大于 95% 时的显着性。 考虑到 10% 的人员流失，我们将招募 64 人/组 (N = 192)。
5. 受试者人数和资格标准 [*请参阅申请简介] 共招募 192 名 7-8 岁儿童，每组 64 名；这包括 10% 的减员津贴（通常比率 = 5%）。 将从现有的 9250 名社区招募志愿者数据库中随机抽取青年，并通过社区组织和广告进行补充招募（根据需要）。 数据库的使用提高了我们执行研究的速度和效率，但不会改变基本人口——它都是社区招募的样本。 纳入标准：发育正常（家长报告；无学习、社交、身体、心理健康问题），会说英语。 排除标准：自己或家人因行人受伤住院，这可能导致非典型的谨慎。

6. 随机化 设盲。 对条件采用盲法是不可能的，但与盲法相比，分配隐藏不充分可能会在随机对照试验中引入更大的偏倚。 所有参与者都将对研究假设视而不见。

   参与者的分配将通过计算机生成的随机数序列进行。

7. 事件和措施的时间安排 所有儿童都进行初次访问以完成预测试措施，然后随机分配。 然后 SS-T 和 VR-T 儿童完成 6 周的训练课（约 30 分钟/课）。 然后所有儿童完成另一次访问以进行测试后立即措施，并进行长期访问（2 个月后）以评估任何改进的可持续性。

8. 设置双车道双向道路上的中街区十字路口，附近没有交通信号或人行横道，是重点。

   对于 SS-T 课程，已经确定了一条道路（50 公里限制），该道路提供了在 VR-T 中呈现的相同类型道路情况下的培训机会。 最近测量了 7 天的交通量，从轻型（8 辆汽车/分钟）到重型（16 辆汽车/分钟）不等。 这个流量范围将出现在 VR-T 中。

   对于 VR-T 会话，这些会话发生在 UG 校园的 VR 实验室中。 对于事前和事后措施，对于所有群体，这些发生在两种情况下：(a) 街边（在下面指定为“现场”），交通自然变化（孩子们指出他们将在何处以及如何过马路，但没有这样做），(b ) 在 VR 实验室中，孩子们使用游戏控制器穿越虚拟街道。

   请注意，将在同一条道路上的两个位置采取前/后现场措施（随机顺序，一个用于前，另一个用于后），这控制了熟悉程度并最大限度地减少了前/后交通量大变化的风险岗位措施。 道路就在VR实验室附近，可以让孩子在参观UG的同时完成预测VR和Field测量；测试后措施也会发生同样的情况。 公布的速度为 50 公里，这意味着要测试的交通条件是对这些年龄段的人造成严重伤害风险的交通条件。

9. 测试方案 关于过马路和如何过马路的前/后措施 [请注意，前措施和后措施是相同的，所有儿童，无论组别，都要完成所有措施。 ***街道交叉路口编码的可靠性将完成。] 实地措施。 对于过马路的措施，孩子会在 3 种不同的街边情况（停放的汽车、山丘、盲弯）中选择最安全的过马路位置。 对于如何过马路的措施：孩子站在离路边 1 英尺的地方，面前有一个压敏踏板（它连接到笔记本电脑；透明的塑料墙可防止进入街道），并完成“两步程序” '（根据观察到的交通情况，向前走 2 步，对应于开始过马路；据此我们估计过马路措施。[注意： 街边测试是视频记录的，因此可以在以后计算交通和交叉路口措施和可靠性。] 虚拟现实措施。 与 Field 相同的措施，除了在虚拟街道环境中完成。

   预培训活动和措施 VR-T。 初始定向和运动控制训练模块可确保所有儿童在开始步行训练之前练习使用控制器在 3-D 世界中导航，达到相同的运动技能水平。 控制器允许他们改变步行和过马路的路径、方向和速度。

   SS-T。 确定儿童过马路的平均步行速度，然后结合街边拍摄的视频，用于估计过马路措施 - 因此他们不会在交通中过马路，而只会给出初始判断。 这是以前使用过的常用方法。

   培训计划 [所有计划决策均通过试点测试获知。] 每个包括 6 个 30 分钟的培训课程（我们的飞行员样本中有 2% 需要休息），并说明在哪里以及如何看和交叉。 绩效是在逐个试验的基础上进行跟踪的，错误会导致教学试验的重复，从而导致他们缺乏的技能培训比他们拥有的技能培训更多。 随着孩子们掌握技能，难度级别通常会随着课程的增加而增加。

   VR-T。 孩子们从三个训练模块中的每个模块中体验试验，这些模块按逻辑组织如何过马路：(1) 决定在哪里过马路（组成技能：确定有停放汽车的安全地方、山上的交通、盲弯上的交通）； (2) 有效的观察（组合技能：左-右-左，进入道路时始终在左侧）； (3)如何安全过马路（组件技巧：检查双向车流，选择较大的空隙，当车后保险杠通过时从右开始）。 在每次试验中，计算机都会说话并提供有关表现的即时反馈，以便孩子们知道他们是否安全地完成了试验（例如，“干得好”）或者他们所做的不安全的事情以及原因（重播孩子所做的事情并进行了解释)，以及该怎么做。 测试组件技能（对失败给出解释性反馈），直到孩子在至少 5 次试验中达到至少 80% 的成功或完成 10 次试验。 然后孩子继续测试另一项技能，在未来的课程中重新测试失败的组件技能。 在课程中，孩子会得到所有模块和技能的重复训练，但重复主要集中在孩子仍然需要达到的技能上。

   SS-T。 Kerbcraft 程序以行为理论（建模、强化）为基础。 该计划包括内容的位置和方式，其组织方式类似于 VR-T（模块、教授组件技能、即时反馈）。 在课程中，孩子们将接受所有模块和技能的培训，并针对较弱的技能进行重复。 测试人员（RA，学生）将遵循概述程序交付的详细手册。

10. 主要结果测量行为测量。 [所有这些都已用于先前的研究。] 在两种设置（VR 实验室和 Field 街边）中采取前后措施。 在每个设置中，孩子们完成 15 次在哪里试验（他们指出在哪里过马路，但没有这样做）和 15 次如何试验（他们决定在交通中过马路）。

在哪里。 一个分数：15 次试验中孩子选择安全选项的平均比例：在山上穿越（5 次试验）、盲弯（5 次试验）、停放汽车（5 次试验）。 这 3 个组成部分的分数也将分别进行分析（参见二级分析）。

如何。三个分数：(1) 注意力综合（他们看起来正确的 15 个试验的比例：L/R/L，在他们进入 VR-T 道路或 SS-T 道路之前总是 L）； (2) Start Delay（汽车通过后保险杠到开始横穿之间的时间，以秒为单位）； (3) 选择的车辆间时间间隙大小（以秒为单位）。

结果。 两个分数（来自如何试验）：（1）平均剩余时间（即汽车在几秒钟内有多接近）； (2) Near Miss（汽车在儿童 1 秒内通过）和 Hit 试验的比例组合。

经济措施 关键结果是命中，因为这会导致伤害的经济负担。 首先，将确定实施这两个培训计划（人员、设备等）的实际成本。 然后将开发一个决策分析模型，将每个项目与无干预组进行比较。 该模型将从社会角度考虑，包括政府付款人（直接医院和非医院费用：急诊室就诊、社区医生就诊等）和个人/家庭自付费用（例如，医院外药物、家庭护理服务） , 失去了生产力）。 将使用终生时间范围，注意一些伤害很严重，会对发病率和生活质量产生长期影响。 概率敏感性分析将评估模型的稳健性。 成本数据将从相关的行政数据库中获取；在数据缺失的情况下，将使用相关文献和/或专家意见来估算成本。