互联网和移动育儿干预的社会经济因素和父母偏好对青少年心理健康预防的影响：离散选择实验

=互联网干预28（2022）100522社会经济因素和父母对互联网和移动育儿干预的偏好，以预防青少年心理健康问题：离散选择实验放大图片作者：GraceBroomfield a. 作者：Brown b，Marie B. H. Yap a，c，*a澳大利亚克莱顿莫纳什大学特纳脑与心理健康研究所b澳大利亚卡拉汉纽卡斯尔大学心理科学学院c澳大利亚墨尔本，墨尔本大学，墨尔本人口与全球卫生学院A R T I C L EI N FO保留字：青少年心理健康电子健康偏好离散选择实验A B S T R A C T背景：父母对青少年心理健康的积极影响被父母的困难所破坏。低参与度对社会经济地位较低的父母（SEP）的影响不成比例。基于互联网和移动的干预措施具有克服入学障碍的潜力，但需要进行更多的研究，以了解方案如何适当满足不同SEPs父母的需求。消费者偏好的方法，如离散选择实验可能是有价值的，在这方面的努力。方法：采用离散选择实验，确定可修改的程序功能对家长入学意愿的相对影响。在一项在线调查中，329名0-18岁儿童的澳大利亚父母从 随 机 的 假 设 项 目 中 反 复 选 择 他 们 喜 欢 的 项 目 。每一个假设的程序都是独特的，不同的四个程序功能：模块持续时间，程序平台，用户控制和程序成本。累积链接模型被用来预测选择，教育，家庭收入和社区优势作为SEP的指标结果：总体而言，家长更喜欢便宜的程序和简短的模块。父母的偏好因其所面临的社会经济挑战而异。与高收入父母相比，低收入父母更喜欢更简短的模块，更便宜的课程和基于应用的课程。教育程度较低的家长更喜欢简短的模块和预定义的模块顺序。居住在优势较少的地区的家长更喜欢基于网站的程序，用户选择模块顺序，以及更昂贵的程序。结论：本研究为项目开发人员提供了基于证据的策略，以定制基于互联网和移动的育儿干预措施，以增加低SEP父母入学率。调查结果还强调了考虑父母的社会经济挑战的重要性，以确保计划不会使现有的心理健康不平等永久化，因为育儿计划可以定义为向父母提供的任何干预措施，以增加父母的知识，技能和信心，目的是减少儿童和青少年心理健康问题的患病率（Sanders等人，2008年）。尽管有荟萃分析（Johnson等人， 2018;Furlong等人， 2012; Kaminski等人， 2008; Yap等人，（2016年）表明养育计划可以显着减少儿童心理健康症状（d 0.12-0.59），这些计划的积极影响被难以吸引父母所破坏（Finan等人，2018; Hansen等人，2019年）。研究表明，只有10%至31%的合格父母登记参加面对面的养育计划（Garvey等人， 2006; Heinrichs等人，2005; Thornton and Calam，2011）.经历更大社会经济挑战的家庭可能会在旨在预防青少年心理健康问题的育儿计划中发现特别的好处，因为低社会经济地位（SEP）家庭中的年轻人心理健康问题的风险增加（Lawrence等人，2016; Reiss等人，2019年）。SEP被定义为个人或家庭在社会结构中的相对位置，基于他们对有限和有价值资源的访问（Krieger等人，缩略语：DCE，离散选择实验; IMI，基于互联网或移动的干预; SEP，社会经济地位。* 通讯作者：特纳研究所脑和心理健康，心理科学学院，莫纳什大学，18创新步行，克莱顿，墨尔本3800，澳大利亚。电子邮件地址：marie. monash.edu（M.B.H. Yap）。https://doi.org/10.1016/j.invent.2022.100522接收日期：2021年10月10日;接收日期：2022年2月12日;接受日期：2022年3月5日2022年3月8日网上发售2214-7829/© 2022作者。由Elsevier B. V.发布，这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表互联网干预期刊主页：www.elsevier.com/locate/inventG. Broomfield等人互联网干预28（2022）10052221997年;林奇和卡普兰，2000年）。SEP被理解为是一个集合概念，其包括基于资源和基于资源的条件（Krieger等人，1997年）。因此，在与健康有关的文献中使用了各种各样的措施来捕捉这一多维结构。可持续教育的共同指标包括个人一级的措施（如教育; Richardson等人，2010年）和家庭一级（例如家庭收入; Zimmerman，2005年），或社区一级的背景措施（例如邻里劣势; Farahmand等人，2011年）。尽管这些计划对低SEP家庭有益，但与高SEP父母相比，低SEP父母较少参与面对面的青少年心理健康养育计划（Chacko等人， 2016;Lundahl等人，2006年; Reyno和McGrath，2006年）。参与度通常被概念化为初始参与度（例如，打算注册和注册）和持续参与度（例如，保留; Finan等人，2018年），低SEP父母在两个参与阶段的参与度都较低。在两项针对旨在预防青少年心理健康问题的面对面育儿计划的RCT的综合综述中，发现SEP和保留之间存在显著关联（Chacko等人，2016年;Reyno和McGrath，2006年）。这些评论发现，与SEP较高的父母相比，教育程度较低和收入较低的父母更有可能退出这些面对面的育儿计划。一篇综述（Finan等人，2018）发现SEP和参与度之间没有一致的关联，但这一发现可能受到研究中使用的预测因子范围的影响。在本研究中特别感兴趣的是，SEP也被发现影响初始参与。在一项基于社区的育儿干预中发现，SEP对入学率有显著的中度影响（Reynner和Meidert，2011年），SEP较低的父母中只有30.5%参加了该计划，而高于中位数Sep.互联网已被确定为一种替代的干预手段，可以增加低SEP人群的育儿计划的覆盖面。荟萃分析表明，基于互联网和移动设备的育儿干预（IMIs）可以成功地减少年轻人的外部化和内部化困难（Nieuwboer等人，2013; Spencer等人，2020），在线和面对面的育儿计划之间的干预效果没有显着差异（Florean等人，2020年）。针对青少年心理健康的预防性养育IMIs的示例包括Cool Little Kids Online（Morgan等人，2016;Morgan等人，2017），ez Parent（Breibians et al.，2016年; Breibians等人，2019），Triple P Online（Baker等人，2017; Sanders，1999;Sanders等人，2003），养育有弹性的孩子（费尔南多等人， 2018; Sim等人，2020）、ParentWorks（Piotrowska等人，2020），和父母的合作伙伴（Cardamone-Breen等人，2018; Yap等人，2018; Yap等人，2019年）。研究指示低SEP父母受益从预防性养育IMIs（Harris等人，2020; Nieuwboer等人，2013），并发现它们非常令人满意（Baggett等人，2010年），但仍然没有得到这些计划的服务（Cardamone-Breen等人，2018; Fossum等人， 2018; Morgan等人，2017年）。偏好数据表明，低SEP的父母更喜欢基于媒体的育儿信息（Metzler等人，2012），IMI的可负担性、便利性和自我导向性质对这一人群具有高度吸引力（Baggett等人，2010; Fleming等人，2015年）。然而，他们在最初的参与中也遇到了独特的障碍，对互联网设备的访问更有限（Willis和Tranter，2006），数字素养更低（Rothbaum等人，2008年）。目前还没有荟萃分析调查低SEP父母在IMIs中的入学情况，旨在预防青少年心理健康问题，但试验表明，低SEP父母在参与这些数字计划时面临更大的障碍，入学率低于高SEP同龄人。例如，对最强家庭智能网站干预的评估发现，在控制了其他父母因素后，不参与与父母教育较少显著相关（Fossum等人，2018年）。这与许多对预防性育儿的评价是一致的IMIs注意到难以招募具有不同社会经济挑战的父母（例如Fleming等人，2021; Morgan等人，2016; Yap等人，2017年）。此外，对技术辅助育儿计划中服务不足的父母群体的参与增强策略进行了系统的文献综述，发现可用于解决低SEP父母参与青少年心理健康育儿IMIs的有效和实用策略很少（Hansen例如，2019年）。在确保预防性育儿综合管理信息系统覆盖所有社会经济阶层的父母方面，面临的一个挑战是缺乏对不同社会经济因素如何影响父母入学率的了解。尽管在文献中较低SEP的父母通常被视为同质组（Mendez等人，2009年），研究表明，父母的计划偏好可能会根据他们面临的具体社会和经济挑战而有所不同（Broomfield等人，2021年）。这些差异并没有得到很好的理解，因为在用于开发和评估青少年心理健康养育计划的大多数样本中，SEP较低的家庭代表性不足（McGoron和Ondersma，2015）。因此，为了充分接触整个社会经济谱的父母，需要进行额外的研究，以了解低SEP和高SEP父母的偏好不同的方式，以及这如何受到父母的社会人口特征的影响（Hansen等人， 2019年）。离散 选择 EX实验 （区议会选举） 有 被 建议 作为一种特别有效的方法，用于引出偏好和探索不同亲本群体的程序特征的相对重要性（Chacko等人，2016; Hansen等人，2019年）。这种方法已被用于在没有显示偏好数据（即某人实际上做了什么）的情况下收集陈述的偏好数据（即某人说他们会做什么），以模拟患有精神健康问题的儿童的父母的治疗偏好（Cunningham等人，2013; Cun-ningham等人，2008; Fegert等人，2011年）。DCE要求参与者在两个或多个假设场景、商品或服务之间做出一系列选择（Lancsar和Louviere，2008;Louviere等人，2000年）。它们已被证明与实际行为有关（Caruso等人，2009），模仿现实世界的决策（Ryan和Gerard，2003），减少社会期望偏差（Phillips等人， 2002年）。DCEs可能特别适用于从“难以接触“的人群（如SEP较低的父母）获得偏好数据获得父母的偏好而不需要事先与服务或程序联系（Chacko等人，2016;Hansen等人，2019年）。然而，迄今为止还没有研究使用DCE设计来探索低SEP父母对预防性育儿IMIs对青少年心理健康的偏好。1. 本研究由于缺乏基于证据的实用策略，发现可以有效地使SEP较低的父母参与预防性育儿IMIs，以促进青少年心理健康（Hansen等人，2019年），本研究试图使用DCE来确定可修改的程序功能对父母参加预防性育儿IMIs的意图的相对影响，并调查偏好如何在社会经济范围内变化。本DCE的设计是通过对低SEP父母对预防性养育IMIs的偏好进行初步定性调查而获得的（Broomfield等人，2021年）。定性研究采用专题分析的访谈成绩单，以确定23个修改程序功能重要的低SEP父母的参与。因此，本研究扩展到Broomfield等人。通过调查四个最突出和最合理的程序特征的相对重要性，研究了Mr. Schloss（2021）的研究结果：1）模块持续时间; 2）程序平台; 3）用户对模块顺序的控制;以及4）程序成本。该DCE将为旨在增加其预防性育儿IMIs的吸收的计划开发者提供关于最有可能增加整个社会经济谱的父母入学率的计划特征的可推广的发现。研究证据还表明，父母对特征可以变化基于对父母的具体社会经济经验G. Broomfield等人互联网干预28（2022）1005223（Broomfield等人， 2021; Lakind和Atkins，2018; Mendez等人，2009年）。因此，本研究将包括社会经济领域的参与者，并利用几种社会经济优势的衡量标准，探讨父母的计划偏好如何根据他们所经历的优势或劣势的数量和类型而有所不同根据社会不平等文献，将使用《加强就业方案》中基于资源（家庭收入）和基于收入（教育）的衡量标准，以及一种背景衡量标准（社区劣势），卫生文献中经常使用这种衡量标准来调查获得当地服务和资源如何影响服务的使用（Shavers，2007年）。对不同社会经济因素影响父母方案偏好的方式进行这种探索，可能有助于定制方案，以优化不同社会经济条件下的入学率。假设所有四个程序属性将显著预测父母对课程的选择，父母更喜欢简短的模块，基于应用程序的课程，更大的用户控制模块顺序，以及更便宜的课程。根据Broomfield etal. （2021）以及先前的文献强调了父母面临不同类型的社会和经济挑战的障碍（Mendez等人，2009; Rothbaum等人，2008年;威利斯和特兰特，2006年），假设父母对节目特征的偏好对于较高和较低SEP的父母将不同，然而节目特征和SEP之间的关系也将基于SEP指数而变化。特别是，据预测，父母对计划成本的偏好将显着不同的家庭收入，与低收入的父母有更强的偏好，更便宜的程序。据预测，父母对模块持续时间的偏好将根据他们的教育水平而显着不同，受教育程度较低的父母对简短模块的偏好更强。家长对课程平台的偏好会因社区优势的不同而有显著差异，居住在较低优势地区的家长对应用型课程的偏好更强。2. 方法2.1. 离散选择实验DCE的设计通过文献综述（Hansen等人，2019年）和16个半结构化的采访，澳大利亚父母的儿童年龄为0至18岁（布鲁姆菲尔德等人，2021年）。通过对访谈记录的主题分析，确定了23个可修改的项目特征，这些特征对低SEP父母的项目选择很重要。采用Helter和Boehler（2016）通过对86个健康相关DCE中使用的属性开发方法进行系统性审查而建立的框架，将这23个可修改的程序功能减少为适当和可行的设计。该框架提供了七个属性选择标准：显著性、可解释性、可交易性、完整性、远离潜在结构、非显性和可操作性。与两位专家（一位育儿和青少年心理健康研究人员和一位预防性育儿IMI开发人员）的磋商指导了选择标准的适当应用，讨论导致排除了19个项目特征。这导致了四个程序特征，也称为属性，被选择用于当前的DCE。表1显示了本研究中使用的四种属性。此表还显示了每个属性的对调查内容和形式的书面反馈。该调查的最终版本由Qualtrics编程和管理（Qualtrics，2020）。DCE调查要求参与者在两个假设的青少年心理健康育儿计划中做出选择。一个可能的选择集的例子如图所示。1.一、选择集上显示的属性水平组合是通过实验设计的，因此可以使用统计方法来确定父母对基于他们的选择的属性水平变化的相对偏好选择了二进制离散选择设计，而不是多项式设计，以便更清楚地应用和解释（Lancsar和Louviere，2008）。此外，本研究采用了全析因设计，实验设计中包括所有可能的属性组合及其水平，得到630个选择集。这允许估计主效应和相互作用效应（Lancsar和Louviere，2008），而无需有效实验设计所需的额外假设（Johnson等人，2013年）。本设计中没有提供“退出“选项并且程序的左/右呈现是随机的。由于参与者完成DCE调查所需的时间和认知负荷，每位参与者从630个可能的选择集中随机选择25个，这个数字在试点期间被认为是可以接受的2.2. 招聘澳大利亚0至18岁儿童的父母或监护人于2020年3月至2021年3月期间通过在父母和社区社交媒体页面上发布的数字广告招募，或者通过两个调查小组平台之一Qualtrics Panels或Prolific Academic进行传播（见图2）。 入选标准为：1.居住在澳大利亚; 2）年满18岁; 3）0至18岁儿童的父母或监护人; 4）能够阅读和理解英语。采用了有目的抽样方法，通过定向Facebook广告活动，来自SEP较低地区和家庭收入较低的父母获得了更大比例的数字广告材料，并在多产学术和质量小组招募期间成为目标，以促进这些父母的充分代表。选择多产学术和质量调查小组来支持招募，因为有证据支持从这些平台获得的数据的有效性（Goodman和Paolacci，2017; Peer等人，2017年）。还使用了彻底的数据清理程序，以进一步支持数据质量，其中包括替换未通过质量检查的答复，如选择无差别、重复、答复时间不到中位数的一半以及可疑的开放式文本答复。本研究的探索性质意味着初始参数最小样本量要求所需的值（de Bekker-Grob等人，（2015年）在数据收集之前不确定。因此，为了计划采样要求，通过对前30名参与者获得的数据进行建模来确定预期参数值。这表明，如果误差概率为0.05，则最少需要3601个观测值，或n=144，因为每名参与者收到25个选择集，要求表1DCE设计中包含的属性和级别属性名称属性描述属性级别可能的选项，称为级别。每一个假设的程序前-在DCE调查中提出的被称为选择选项，包括四个属性中的每一个的一个级别。两个选择选项是相邻的，参与者必须选择他们的首选选项-是的。 一个两个选项的选择集的例子如图所示。1.一、模块持续时间完成每个模块会话或模块。Program platform您可以使用的平台访问程序。15分钟25分钟45 min网站下载在选择和起草调查的最初版本之后，用户控制用户在应用与专家进行了磋商，以简化整个DCE中使用的语言，从而改进了以下措辞：模阶预定义的顺序，他们完成的模块。用户的选择秩序属性级别和介绍材料中的附加信息，呈现给参与者以解释任务（见补充图S1）。然后邀请了四位家长进行试点调查，计划成本必须支付给访问程序。AU$20AU$30AU$50G. Broomfield等人互联网干预28（2022）1005224=Fig. 1. 一个示例选择集。注. 提出了两种可能的选择选项，每个选项包括四个属性：1）模块持续时间; 2）程序平台; 3）用户控制模块顺序;和4）程序成本。每个属性的级别因选择选项而异。对于每个选项集，参与者必须从两个选项中选择他们更喜欢的程序，每个参与者重复25次。图二、 通过三个招聘渠道招聘的参与者流程图。获得0.80水平的统计功效（Cohen，1992）用于主效应分析。2.3. 参与者329名参与者完成了DCE。样本的平均年龄为39岁（SD 8.77），67.8%为女性，31.6%为男性。大多数参与者已婚或事实上的伴侣关系（77.5%），从事全职（44.4%）或兼职（22.5%）工作。大约一半的样本（54.4%）生活在一个家庭，每年应纳税收入低于80，000美元。大多数父母（53.8%）和儿童（71.4%）没有经历过心理健康问题，16.5%的样本以前参加过青少年心理健康的育儿计划。其他社会人口统计学特征见表2。2.4. 程序在社交媒体网站和调查小组平台上发布数字广告，其中包括关键研究信息以及将参与者带到Qualtrics上托管的在线调查的URL。感兴趣的父母被要求在同意参与之前阅读更多的参与者信息。然后，使用四个调查前问题对父母进行资格筛选，以确保他们符合四个入选标准。如果符合条件，他们继续回答一系列问题，询问他们的社会人口特征和以前参与育儿计划的情况。然后，参与者进入调查的DCE部分。研究人员向他们展示了一个解释任务的选择小插图，然后随机选择了25个选择集。对于每个选择集，参与者被要求从两个可能的方案中选择他们喜欢的方案。参与者的平均完成时间为11.85分钟。结束时G. Broomfield等人互联网干预28（2022）1005225=表2参与者的社会人口统计学特征（N=329）。参与者特性父母年龄（岁）;平均值（SD）39（8.77）父母性别;n（%）女性223（67.8）男性104（31.6）2.4.1. 观察指标2.4.1.1. 离散选择实验。DCE由四个属性组成，每个属性有两个或三个级别，如表1所示。通过在线调查向家长介绍了儿童发展教育。首先向他们提供了任务的简要描述，解释了关键术语，并提供了一个简短的小插曲。其次是25个选择集，随机选择从630个可用的选择集。 家长们被反复非二元出生于澳大利亚;n（%）a2（0.6）选择自己喜欢的节目。253（76.9）第75名（22.8）关系状态;n（%）已婚或事实上的伴侣关系分居或离婚37（11.2）单33（10.0）寡妇4（1.2）就业状况;n（%）全日制就业146（44.4）非全日制就业74（22.5）家务69（21.0）临时工或自由职业者失业15（4.6）最高学历;n（%）高中或以下教育证书59（17.9）本科或研究生学位122（37.1）研究生学位41（12.5）年度应纳税家庭收入（AU$）;n（%）<40 000美元56（17.0）$40，000$80，000$120，0002.4.1.2. 社会人口问题。参与者自我报告年龄，性别，子女人数，子女年龄，邮政编码，教育，就业状况，关系状况，出生国家和家庭年收入。他们还自我报告了他们或他们的孩子是否被诊断出患有心理健康问题，他们是否曾经使用过面对面或基于互联网的育儿计划，以及他们是否会考虑在未来使用基于互联网的育儿计划。主要分析采用SEP的三个指标。家庭收入是根据父母自我报告的10个级别的合并年度应纳税家庭收入计算的。社区优势是使用地区社会经济指数（SEIFA）相对社会经济劣势指数（IRSD;澳大利亚统计局，2016年）来衡量的，该指数根据父母的邮政编码提供了10个级别的社区劣势。父母的教育是通过父母自我报告的最高教育水平来衡量的。2.4.2. 伦理批准莫纳什大学人类研究伦理委员会（项目ID≥ 160，000美元甲乙丙43（13.1）23122）授予本研究的完全伦理批准（03/03/2020）。邮政编码农村化;n（%）主要城市252（77.3）内部区域49（15.0）外区域24（7.4）远程1（0.3）社区劣势;n（%）a，c高83（25.5）中度140（43.1）低102（31.4）父母心理健康问题;n（%）152（46.2）否177（53.8）儿童心理健康问题;n（%）94（28.6）否235（71.4）青少年心理健康的父母计划的使用;n（%）a54（16.5）面对面38（11.5）基于互联网或移动设备的干预16（4.9）否274（83.5）愿意参与未来基于互联网或移动设备的育儿计划;n（%）a263（79.9）第64号（19.6）a由于缺少参与者的答复，并非所有频率加起来都是329b根据澳大利亚统计地理标准偏远结构（澳大利亚统计局，2018年）分类。c根据SEIFA IRSD分类：高（1接受调查的父母得到了时间补偿，补偿在各招聘流中有所不同。通过Prolific Academic招募的参与者（18.9%）以每小时14.42澳元的推荐费率报销，Qualtrics参与者（65.3%）的报销在3.72澳元和7.50澳元之间，通过社区招募的参与者（18.9%）可以参加抽奖，获得四个AU之一100块的购物券参与者没有参加任何进一步的研究活动。2.4.3. 统计分析使用软件包tidyverse_1.3.0和ordinal_2019.12-10在R版本3.5.3（RCore Team，2020）中分析数据。初步分析包括社会人口学变量的汇总统计和选择频率表。关于不同影响的推论使用一种称为累积链接模型（CLM）的逻辑回归来检验节目特征对节目选择的影响，以预测选择。因变量是二进制的，1和2代表参与者选择选项1或2。自变量为表1中列出的属性水平。两个属性，模块长度和程序成本是连续的。 两个属性，程序平台和用户控制分别用“基于应用”和“用户选择模块顺序”的参考水平进行虚拟编码。使用了对称效用模型，其中选项1和选项2的属性水平之间的差异被用作预测因素。由于测试的数量，第一类错误率α0.002，而不是0.05在整个过程中采用，导致家庭明智的错误率为6%。采用概率单位连接函数，对应于偏好随机效用模型的高斯假设。在这些模型中，不同属性对选择的相对影响通过标准系数估计来量化。审查了包含所有双向、三向和四向相互作用的完整模型（补充表S1），但是，考虑到包含4个主效应和11个相互作用效应的完整模型的复杂性，检查了允许更高统计效率的限制模型（补充表S2）。支持我们的选择，赤池信息标准（AIC）的限制模型略优于AIC的完整模型。从CLM的系数进行了审查，与偏好权重表示的效果，每个属性水平的程序选择相对于参考水平。为了研究不同的SEP变量如何影响参与者的偏好，然后使用SEP的三个指数将交互作用项添加到该模型中。父母教育程度被视为一个有序的因素，有四个层次。水平是根据澳大利亚G. Broomfield等人互联网干预28（2022）1005226=---- -=----=-=-------===-资格框架（澳大利亚资格框架咨询委员会，2007年），包括：1）高中或以下学历; 2）专上职业训练; 3）学士学位或研究生学位;及4）研究生学位。第二个水平用作参考水平，以支持可视化和解释的清晰度。为了确保从不同招聘来源抽取的样本之间的偏好没有实质性差异，进行了探索性分析，以调查招聘来源和项目选择之间的关系。未发现显著的相互作用，因此该变量未纳入主要分析中（补充表S3）。3. 结果本研究的结果部分将概述：1）家长对项目特征的总体评价; 2）项目特征与SEP指标（包括家庭收入、社区优势和家长教育程度）之间的相互作用，以预测家长对项目特征的偏好。3.1. 节目特色对家长喜好CLM模型发现，四个属性中有两个显著预测家长的项目选择选择受项目成本影响最大（z11.79 ， p0.001），其次是模块持续时间（z3.44，p 0.001）.<<用户控制（z0.67，p.502）和程序平台（z0.28，p0.777）没有显著预测节目选择如图3所示，对两个重要属性的偏好是在预期的方向上。模块持续时间和程序成本的显着负偏好权重表明，家长更喜欢的程序，更便宜，更简短的模块。程序平台的正偏好权重指示对基于网站的程序的弱的、不显著的偏好，并且用户控制的负偏好权重指示对模块顺序的用户选择的弱的、不显著的偏好。3.2. 低SEP父母对SEP指数通过纳入主效应和SEP指数之间的交互作用，评估属性和SEP指数在预测父母对节目特征的偏好方面的交互作用，并对协变量系数的统计可靠性进行相关检验。下文报告了程序特征和SEP变量之间相互作用效应的参数估计值，补充表S5中提供了更多详细信息。CLM模型发现，家庭收入对项目选择没有显著的主效应（z1.82，p0.069），但它与四个主效应中的三个有显著的交互作用：平台（z4.98，p<.001），计划成本（z 4.21 ，p<.001），以及模块持续时间（z3.13，p 0.002）。 用户控件之间的交互 和 家庭收入无显著性差异（z2.63，p.009）。随着收入的减少，对基于应用程序的程序、较低的程序成本和较简短的模块的偏好增加。社区优势对节目有显著的主效应选择（z3.22，p0.001），并与程序的三个属性：用户控制（z5.64，p 0.001）、程序成本（z3.72，p 0.001）和程序平台（z3.27，p<<.001）。 模块持续时间与社区的相互作用优势并不显著（z1.24，p.214）。随着社区优势的减少，用户选择模块顺序、更高的程序成本和基于网站的程序的偏好增加。父母教育程度对课程选择没有显著的主效应（p.243-0.556）.四个属性中的两个具有显著的交互作用。随着父母的教育程度从没有接受过中学后教育增加到接受过职业培训，与模块持续时间（z 3.67，p 0.001<）和用户控件（z）交互3.38，p.001）。 没有正规中学教育教育首选简介模块和预定义的模块顺序。教育和计划功能之间没有其他相互作用。图3.第三章。来自CLM 的主效应和交互作用效应的 偏好 权重注. 每个SEP变量的最低水平用于说明程序功能和SEP之间的相互作用。因此，低收入是指那些家庭收入为20，000澳元或更少的人，低优势是指那些生活在IRSD评级为1的邮政编码中的人，这表明社区处于高度劣势，低教育是指那些没有受过高等教育的人。负分数表示对图中所列水平的偏好较低，而正分数表示对所列水平的偏好较高。*第 002页。

下载后可阅读完整内容，剩余1页未读，立即下载