Choosing Among Randomized Design Families for Implementation Strategy Trials: A Question-Driven Framework with Practical Tools and Exemplars
Dieses Paper präsentiert ein praktisches, fragenorientiertes Framework sowie begleitende Werkzeuge, um Forscher bei der Auswahl der am besten geeigneten randomisierten Designfamilie – wie etwa parallelen Cluster-Studien, Stepped-Wedge-Designs, faktoriellen oder adaptiven Studien – für Implementierungsstrategie-Studien auf Basis ihrer spezifischen Entscheidungsziele statt methodischer Präferenzen zu leiten.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind ein Chefkoch, der herausfinden will, wie er eine ganze Stadt dazu bringt, mehr Gemüse zu essen. Sie haben ein großartiges Rezept (die „evidenzbasierte Intervention“), aber die eigentliche Schwierigkeit besteht darin, die Menschen dazu zu bringen, es auch tatsächlich zu kochen und zu essen. Hier kommt die Implementierungswissenschaft ins Spiel. Sie ist die Untersuchung dessen, wie man eine gute Idee nimmt und sie in der realen Welt verankert, sei es in einem Krankenhaus, einer Schule oder einem Gemeindezentrum. Um dies zu erreichen, nutzen Wissenschaftler oft Implementierungsstrategien – denken Sie an diese als „Marketingkampagnen“ oder „Kochkurse“, die darauf abzielen, dass die Leute das Rezept auch wirklich anwenden.
Aber hier liegt der knifflige Teil: Wie testen Sie, ob Ihre Marketingkampagne tatsächlich funktioniert? Sie können nicht einfach raten; Sie brauchen einen fairen Test. In der Wissenschaft ist eine randomisierte Studie der Goldstandard für einen fairen Test. Das ist so, als würde man eine Münze werfen, um zu entscheiden, wer den speziellen Kochkurs bekommt und wer nicht, damit man sicher sein kann, dass jeder Unterschied beim Gemüsekonsum auf den Kurs zurückzuführen ist und nicht darauf, dass eine Gruppe bereits gesundheitsbewusster war. Es gibt jedoch nicht nur eine Art, diese Münze zu werfen. Sie könnten sie einmal zu Beginn werfen, Sie könnten sie werfen, um zu entscheiden, wann die Leute den Kurs erhalten, oder Sie könnten sie mehrmals werfen, während Sie mehr lernen. Die Wahl der falschen Art, die Münze zu werfen, kann zu einem verwirrenden Durcheinander führen, bei dem Sie am Ende nicht das lernen, was Sie eigentlich untersuchen wollten.
Dieses Papier, geschrieben von Jonah K. Amponsah und Kollegen, ist wie ein freundlicher Leitfaden für Wissenschaftler, die kurz davor stehen, diese Münze zu werfen. Die Autoren stellten fest, dass Forscher sich oft für ein Studiendesign entscheiden, weil es das ist, was sie am besten kennen, und nicht, weil es die spezifische Frage tatsächlich beantwortet. Um dies zu beheben, haben sie ein „fragenorientiertes Framework“ entwickelt. Sie haben die vielen Möglichkeiten, diese Studien durchzuführen, in vier Hauptfamilien sortiert, die jeweils darauf ausgelegt sind, eine bestimmte Art von Frage zu beantworten.
Erstens: Wenn Sie nur wissen wollen, welche von zwei statischen Strategien besser ist (wie „Funktioniert ein Video-Tutorial besser als ein Live-Workshop?“), verwenden Sie eine Parallel Cluster-Randomized Trial. Stellen Sie sich vor, ganze Schulen werden entweder dem Video oder dem Workshop zugewiesen und man schaut dann, welche Gruppe mehr Gemüse isst. Dies ist der klassische, unkomplizierte Ansatz.
Zweitens: Wenn Sie eine Strategie schrittweise für alle ausrollen müssen, aber währenddessen testen müssen, verwenden Sie ein Stepped-Wedge-Design. Stellen Sie sich eine Welle von neuen Kochkursen vor, die durch die Stadt rollt. Sie werfen eine Münze, um zu entscheiden, welches Viertel im Januar den Kurs bekommt, welches im Februar und so weiter. Jeder bekommt den Kurs schließlich, aber der zufällige Zeitpunkt ermöglicht es Ihnen, diejenigen zu vergleichen, die ihn bereits haben, mit denen, die ihn noch nicht haben.
Drittens: Wenn Ihre Strategie ein großes Bündel aus vielen Teilen ist (wie ein Workshop, der Videos, Handouts und Follow-up-Anrufe umfasst) und Sie wissen wollen, welche spezifischen Teile tatsächlich die Hauptarbeit leisten, verwenden Sie ein faktorielles Experiment (oft Teil der Multiphase Optimization Strategy oder MOST). Dies ist wie der Test eines Smoothie-Rezepts, indem man über viele Chargen hinweg zufällig immer nur eine Zutat nach der anderen verändert, um zu sehen, ob die Banane, der Spinat oder die Erdnussbutter das Geheimrezept ist.
Viertens: Wenn Sie Ihre Strategie an die Reaktion der Menschen anpassen müssen (wie etwa von einem Video zu einem Live-Anruf zu wechseln, wenn das Video nicht funktioniert), verwenden Sie ein SMART (Sequential Multiple Assignment Randomized Trial). Dies ist wie ein Videospiel, bei dem sich der Schwierigkeitsgrad basierend auf Ihrer Punktzahl ändert. Wenn eine Schule mit der ersten Strategie keine Fortschritte macht, wird die Münze erneut geworfen, um zu entscheiden, ob sie einen „Schwierigkeitsgrad: Schwer“-Eingriff oder eine andere Art der Hilfe erhält.
Die Autoren haben diese Optionen nicht nur aufgelistet; sie haben ein praktisches Toolkit erstellt, das Forschern hilft, ihre spezifische Frage mit dem richtigen Design abzugleichen. Sie warnen davor, ein fancy, komplexes Design zu wählen, nur weil es cool klingt, da dies nach hinten losgehen kann, wenn man nicht genügend Schulen oder Daten hat, um es zum Laufen zu bringen. Stattdessen schlagen sie vor, mit der Entscheidung zu beginnen, die man treffen muss, und dann rückwärts zu arbeiten, um den einfachsten und leistungsstärksten Weg zu finden, die Münze zu werfen, um die Antwort zu erhalten. Durch die Nutzung ihrer fünfstufigen Planungssequenz und visuellen Karten können Wissenschaftler vermeiden, Studien zu bauen, die technisch korrekt, aber wissenschaftlich nutzlos sind – damit die „Kochkurse“, die sie entwerfen, den Menschen tatsächlich helfen, mehr Gemüse zu essen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.