BodyKind 身体图像计划的整群随机对照试验

设计：

这项务实的试验将在类似于“现实世界”的环境中进行，其中包括使用学校环境、在课堂时间由教师主导的授课、对学生没有严格的排除标准以及与平常的常规课程进行比较。 数据收集时间点的选择将与学校校历保持一致，并将在随访前、随访后和两个月的随访时进行。 学校将被随机分配到干预组（接受 BodyKind 计划）或等候名单对照。 干预组和候补名单组的参与者在同一时间点完成测量，候补名单控制组的参与者将在所有评估完成后收到 BodyKind。 还将对实施质量进行混合方法评估，以了解观察到计划结果的“原因”，并为未来优化学校计划交付的工作提供信息。

随机化：

在随机化之前，学校将根据学校类别（例如，男女同校/单性别女生/单性别男生）、规模（即过渡年可参加的学生估计人数）和地点（即城市/地区）进行分层。农村分类），以确保每个治疗组参与者的性别和地理位置密切平衡。 然后，主要研究人员将使用计算机生成的最小化程序对入围学校进行随机分配。 最小化是一种随机化方法，将参与者分配到最能保持预后因素平衡（例如，不同情况下的性别平衡）的治疗组。 第一个参与者被随机分配治疗。 每个后续参与者的分配取决于哪种治疗分配会导致感兴趣变量中各组之间更好的平衡。 最小化可确保治疗组之间的良好平衡，并且当存在强烈的预后因素（例如性别）和适度的治疗效果时是可取的。 入围*分层学校将使用协变量约束随机化（一种最小化随机化）进行分配，以进行两臂集群随机对照试验，并使用 R 统计包 cvcrand (https://cran.r-project.org/web/packages) /cvcrand/cvcrand.pdf）。 实验/候补治疗组的学校分配将受到以下因素的限制：a.) 每所学校 TY 中的男生人数，b.) TY 中的女生人数，以及 c.) 学校的位置分类（城市/农村）。 退学的学校将根据最小化或按相同类别替换相同分配的原则，被候补名单上的学校取代（例如，如果城市学校退学/未能签署校长同意书，它们将被候补名单上的城市学校取代）以及分配给该城市学校的分配）。

数据收集程序：

招聘将在学校层面进行。 学校将通过电子邮件（爱尔兰教育者学校中心的邮件列表和冷电话邀请）、教师培训活动以及社交媒体和网站页面上的广告进行招募。 学校将根据以下因素进行选择：(1) 学校表达的兴趣；(2) 学校是否符合招聘标准。

登记有兴趣并符合这些标准的入围学校在初次联系后拒绝参加的学校将被向研究人员登记有兴趣的合格学校候补名单中的下一所学校取代。 学校将因参与而获得 200 欧元的经济酬金。

样本大小：

目标是招收 600 名 15 至 17 岁的四年级学生，就读爱尔兰的二级学校。 目标还包括从 12-28 所学校中每所学校招募 1-2 名二级教师，向青少年提供 BodyKind 计划。

样本大小原理 RMASS 功效分析 (http://www.rmass.org/RMASS_Manual.pdf) 基于参数；小科恩 d 效应大小为 0.2， 功率0.80， 阿尔法.05， 表示需要 504 名学生。 考虑到随机对照试验中自然减员和意外事件会减少参与者数量（例如，学生因病缺勤），将招募大约 20% (n=100) 的参与者，总计 N=600。 对同意程序和参与率的系统审查报告显示，父母主动同意的平均同意率为 65.5%（范围：11-100%）。 爱尔兰学校 TY 学生平均人数为 140 人；因此，考虑到 65% 的答复率意味着至少需要 8 所学校才能获得 600 名样本。 然而，最近在爱尔兰进行的一项自我同情身体形象干预试点试验，在家长同意的情况下，每所学校平均招募了 25 名 TY 学生（4 所学校，N = 100），这表明需要 n = 24 所学校才能达到样本量为 600。 考虑到过渡年班级规模的变化以及家长主动同意的同意率范围，研究人员将寻求在此范围内招募学生，直到达到 600 人的样本量。 为了防止集群层面的辍学，调查人员将目标是对至少 12 所学校和最多 28 所学校进行过度抽样和招募。

假设：

假设是

1. 与候补名单中的参与者相比，接受 BodyKind 计划的参与者将在 a.) 身体欣赏、心理健康、自我同情和对他人的同情心方面经历统计上显着的增加，b.) 对身体不满意和身体理想内化的显着减少干预前至干预后。
2. 在两个月的随访中，实验组中的变化将得到维持。
3. 身体欣赏和身体不满意的变化将通过自我同情、对他人的同情和身体理想内化来调节。 不会对影响的方向性做出任何先验假设。
4. 身体欣赏、身体不满意和心理健康的变化将受到与外表相关的社交媒体使用、外表戏弄、性别、基线身体欣赏、身体不满意、心理健康和实施质量的调节。 对于效应的方向性没有先验假设。
5. 该计划将被青少年和教师认为可接受且可行
6. 该计划可以由教师高保真度地实施

数据分析计划：

在进行推论统计之前，将筛选数据的缺失、异常值、正态性和模型假设。 数据将以图形方式并使用描述性统计进行总结。

H1。广义线性混合效应模型（GLMM）将用于确定结果指标的变化。 主要分析将比较第一时间（基线）和第二时间（干预后）的措施，以确定干预的固定效果。 潜在的集群效应将在学校层面进行检查和考虑。 该模型将包括 2 个主要效应（1. 重复测量时间的影响和2.受试者之间条件的影响）和一种双向交互作用（时间*条件）。 性别影响也将被考虑。 模型中的性别将产生三个主要影响以及相应的双向和三向交互作用。

H2。二次分析将检查时间 3（后续）的数据，以查看干预条件是否维持了因变量的假设变化。 研究人员还将通过计算 ICC 来评估组内和组间方差的比例。 由于复杂的模型可能无法收敛，如果研究人员在我们的模型中遇到收敛问题，研究人员可能会考虑放弃占组间方差比例最小的随机效应。 *注：如果未达到招募目标 (n=600)，则将使用不同的统计分析技术，2（条件；实验，对照）x 3（时间；前、后、随访）混合因子方差分析。 根据 MorePower 的分析，在 238 名参与者的样本中，这可以检测到微小的影响，但不能检测到集群效应。 将使用 t 检验进行事后计划比较，以检查不同时间点组内的变化（干预与控制）。

H3。中介分析将调查从 T1 到 T2，身体理想内化、自我同情和对他人的同情的变化是否介导身体不满和积极身体形象的变化。

H4。调节分析将调查与外表相关的社交媒体使用、外表戏弄、性别、学校类型、基线身体欣赏、身体不满意、心理健康和实施质量是否从 T1 到 T2 调节变化。

H5。描述性统计数据将用于评估教师忠诚度评级