Choosing Among Randomized Design Families for Implementation Strategy Trials: A Question-Driven Framework with Practical Tools and Exemplars
本文提出了一个实用的、以问题为导向的框架及配套工具，旨在引导研究人员根据其具体的决策目标而非方法论偏好，为实施策略研究选择最合适的随机设计类型——例如平行集群试验、阶梯式设计、析因设计或适应性试验。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你是一位大厨，正试图想办法让整个城市多吃蔬菜。你有一个很棒的食谱（即“循证干预措施”），但如何让人们真正去烹饪并食用它才是最难的部分。这就是实施科学（implementation science）发挥作用的地方——它是研究如何将一个好主意落实到现实世界的研究，无论是在医院、学校还是社区中心。为了实现这一目标，科学家们经常使用实施策略（implementation strategies）——把它们想象成旨在让人们使用该食谱的“营销活动”或“烹饪课程”。
但棘手之处在于，你如何测试你的营销活动是否真的有效？你不能仅仅靠猜测；你需要一个公平的测试。在科学领域，公平测试的金标准是随机对照试验（randomized trial）。这就像是通过抛硬币来决定谁能参加特别的烹饪课，谁不能，这样你就能确定蔬菜摄入量的任何差异都是因为这门课，而不是因为某一组人本身就更注重健康。然而，抛硬币的方式并不只有一种。你可以一开始就抛一次硬币，也可以通过抛硬币来决定人们何时获得课程，或者在学习过程中多次抛硬币。选择错误的抛硬币方式可能会导致一个混乱的局面，让你最终无法学到你原本想要学习的东西。
由 Jonah K. Amponsah 及其同事撰写的这篇论文，就像是一本为即将“抛硬币”的科学家们准备的友好指南。作者注意到，研究人员往往是因为他们最熟悉某种试验设计才选择它，而不是因为该设计能回答他们的特定问题。为了解决这个问题，他们建立了一个“问题驱动框架”。他们将运行这些试验的多种方式归纳为四个主要家族，每个家族都旨在回答不同类型的问题。
首先，如果你只想知道两种静态策略中哪一个更好（例如，“视频教程是否比现场研讨会更有效？”），你会使用平行集群随机试验（Parallel Cluster-Randomized Trial）。想象一下，将整个学校分配到接受视频教学或现场研讨会的组别中，然后观察哪一组人吃的蔬菜更多。这是最经典、最直接的方法。
其次，如果你必须最终向所有人推广一项策略，但在推广过程中需要进行测试，那么你会使用阶梯式设计（Stepped-Wedge Design）。想象一波新的烹饪课程正在全城展开。你通过抛硬币来决定哪个社区在 1 月份获得课程，哪个在 2 月份，依此类推。每个人最终都会获得课程，但随机的时间安排让你能够将已经获得课程的人与尚未获得的人进行比较。
第三，如果你的策略是一个包含许多部分的庞大组合（例如，一个包含视频、手册和随访电话的研讨会），并且你想知道哪些具体部分在起主要作用，你会使用析因实验（Factorial Experiment）（通常是多阶段优化策略，即 MOST 的一部分）。这就像是通过在许多批次中随机改变单一成分来测试奶昔配方，以观察是香蕉、菠菜还是花生酱才是那个秘密配料。
最后，如果你需要根据人们的反应来调整你的策略（例如，如果视频效果不佳，则切换为现场通话），你会使用 SMART（序列多阶段随机对照试验）。这就像是一款难度等级会根据你的得分而变化的视频游戏。如果一所学校在第一种策略下没有进步，则再次抛硬币，决定他们是进入“困难模式”的干预，还是接受另一种类型的帮助。
作者不仅列出了这些选项；他们还创建了一个实用的工具包，帮助研究人员将特定的问题与正确的方案相匹配。他们警告说，仅仅因为某种设计听起来很酷就选择复杂的方案可能会适得其反，如果你的学校数量或数据不足以支撑这种设计。相反，他们建议从你需要做出的决策开始，然后反向推导，找到最简单、最强大的抛硬币方式来获取答案。通过使用他们的五步规划序列和视觉图表，科学家们可以避免构建出技术上正确但在科学上毫无意义的试验，从而确保他们设计的“烹饪课程”确实能帮助人们多吃蔬菜。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。