Choosing Among Randomized Design Families for Implementation Strategy Trials: A Question-Driven Framework with Practical Tools and Exemplars
Dit artikel presenteert een praktisch, vraaggestuurd kader en bijbehorende instrumenten om onderzoekers te begeleiden bij het selecteren van de meest passende gerandomiseerde designfamilie—zoals parallelle clusterstudies, stepped-wedge, factoriële of adaptieve trials—voor implementatiestrategiestudies op basis van hun specifieke besluitvormingsdoelen in plaats van methodologische voorkeur.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een chef-kok bent die probeert uit te vogelen hoe je een hele stad meer groenten kunt laten eten. Je hebt een geweldig recept (de "evidence-based interventie"), maar het is de moeilijke taak om mensen daadwerkelijk te laten koken en eten. Hier komt implementatiewetenschap om de hoek kijken. Het is de studie naar hoe je een goed idee neemt en het laat beklijven in de echte wereld, of dat nu in een ziekenhuis, een school of een buurthuis is. Om dit te doen, gebruiken wetenschappers vaak implementatiestrategieën—denk aan deze als de "marketingcampagnes" of "kooklessen" die zijn ontworpen om mensen het recept te laten gebruiken.
Maar hier komt het lastige deel bij: hoe test je of je marketingcampagne daadwerkelijk werkt? Je kunt niet gewoon gokken; je hebt een eerlijke test nodig. In de wetenschap is de gouden standaard voor een eerlijke test een gerandomiseerde trial. Dit is alsof je een munt opwerpt om te beslissen wie de speciale kookles krijgt en wie niet, zodat je zeker weet dat elk verschil in het eten van groenten komt door de les, en niet omdat één groep al gezonder bewust was. Er is echter niet slechts één manier om die munt op te werpen. Je kunt de munt één keer opgooien aan het begin, je kunt de munt gebruiken om te beslissen wanneer mensen de les krijgen, of je kunt de munt meerdere keren opgooien terwijl je meer leert. Het kiezen van de verkeerde manier om de munt op te werpen kan leiden tot een verwarrende bende waarbij je niet echt leert wat je van plan was te leren.
Dit artikel, geschreven door Jonah K. Amponsah en collega's, is als een vriendelijke gids voor wetenschappers die op het punt staan die munt op te werpen. De auteurs merkten op dat onderzoekers vaak een trial-ontwerp kiezen omdat het de manier is die ze het beste kennen, in plaats van de manier die daadwerkelijk hun specifieke vraag beantwoordt. Om dit op te lossen, hebben ze een "vraaggestuurd framework" gebouwd. Ze hebben de vele manieren om deze trials uit te voeren gesorteerd in vier hoofdfamilies, die elk ontworome zijn om een ander soort vraag te beantwoorden.
Ten eerste, als je alleen wilt weten welke van twee statische strategieën beter is (zoals "Werkt een videotutorial beter dan een live workshop?"), gebruik je een Parallel Cluster-Randomized Trial. Stel je voor dat je hele scholen toewijst aan óf de video óf de workshop en ziet welke groep meer groenten eet. Dit is de klassieke, rechttoe rechtaande aanpak.
Ten tweede, als je een strategie uiteindelijk aan iedereen moet uitrollen maar onderweg een strategie wilt testen, gebruik je een Stepped-Wedge Design. Stel je een golf van nieuwe kooklessen voor die door de stad rolt. Je werpt een munt om te beslissen welke buurt in januari de les krijgt, welke in februari, enzovoort. Iedereen krijgt uiteindelijk de les, maar de willekeurige timing laat je degenen die de les al hebben vergelijken met degenen die dat nog niet hebben.
Ten derde, als je strategie een groot pakket is van veel onderdelen (zoals een workshop die video's, handrezen en follow-up gesprekken bevat) en je wilt weten welke specifieke onderdelen het zware werk daadwerkelijk doen, gebruik je een Factorial Experiment (vaak onderdeel van de Multiphase Optimization Strategy, of MOST). Dit is als het testen van een smoothie-recept door willekeurig telkens slechts één ingrediënt te veranderen in veel verschillende batches om te zien of de banaan, de spinazie of de pindakaas het geheime ingrediënt is.
Ten slotte, als je je strategie moet aanpassen op basis van hoe mensen reageren (zoals overstappen van een video naar een telefoongesprek als de video niet werkt), gebruik je een SMART (Sequential Multiple Assignment Randomized Trial). Dit is als een videogame waarbij het moeilijkheidsniveau verandert op basis van je score. Als een school niet verbetert met de eerste strategie, wordt de munt opnieuw opgegooid om te beslissen of ze een "hard mode" interventie krijgen of een ander type hulp.
De auteurs hebben niet alleen deze opties opgesomd; ze hebben een praktische toolkit gemaakt om onderzoekers te helpen hun specifieke vraag te matchen met het juiste ontwerp. Ze waarschuwen dat het kiezen van een fancy, complex ontwerp alleen omdat het indrukwekkend klinkt, kan tegenwerken als je niet genoeg scholen of data hebt om het te laten werken. In plaats daarvan suggereren ze om te beginnen bij de beslissing die je moet nemen, en dan terug te werken naar de simpelste, meest krachtige manier om de munt op te werpen om het antwoord te krijgen. Door hun vijfstaps planning-sequentie en visuele kaarten te gebruiken, kunnen wetenschappers voorkomen dat ze trials bouwen die technisch correct zijn maar wetenschappelijk nutteloos, zodat de "kooklessen" die ze ontwerpen ook daadwerkelijk mensen helpen om meer groenten te eten.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.