План исследования (кратко и по шагам)
1) Цель и гипотезы
- Основная цель: оценить влияние программы развития эмоционального интеллекта (ЭИ) на уровень ЭИ у преподавателей и связанные рабочие исходы (выгорание, удовлетворённость, классная атмосфера).
- Нулевая гипотеза: $H_0:{\mu }_{интерв}={\mu }_{контр}$. Альтернативная: $H_A:{\mu }_{интерв}\ne {\mu }_{контр}$.
2) Дизайн и выборка
- Рандомизированное контролируемое исследование (RCT) предпочтительно; если нельзя — квазиэксперимент с сопоставлением по склонности (propensity score).
- Группы: интервенция vs активный/пассивный контроль.
- Предпочтительная выборка: преподаватели из нескольких школ/университетов, стратификация по уровню/предмету.
- Предварительный расчёт размера выборки (power): цель $\alpha =0.05$, $1-\beta =0.80$. Для двухгруппового сравнения среднего:
$$n=\frac{2(Z_{1-\alpha /2}+Z_{1-\beta }{)}^2{\sigma }^2}{{\Delta }^2},$$ где $\Delta$ — ожидаемая разница в среднем, $\sigma$ — стандартное отклонение.
3) Меры и исходы
- Примеры валидных инструментов: MSCEIT, TEIQue (для ЭИ); MBI — для выгорания; опросы удовлетворённости, наблюдения/оценки классной среды; вторичные — успеваемость/поведение учащихся.
- Определить первичный исход (например, общий балл ЭИ) до начала.
- Оценки: базовая (T0), сразу после вмешательства (T1), и длительное наблюдение (например, T2 = 3 мес, T3 = 6 мес).
4) Проведение интервенции и контроль качества
- Стандартизированный протокол, тренинг фасилитаторов, проверка соблюдения (fidelity).
- Регистрировать участие, пропуски, побочные эффекты.
5) Анализ данных — основной план
- Подход: intention-to-treat (ITT) как основной; per-protocol в чувствительных анализах.
- Модель для повторных измерений: линейная смешанная модель (LMM) с фиксированными эффектами для группы, времени и их взаимодействия, рандомными эффектами для субъекта/школы.
- Пример спецификации: отклик ~ группа * время + ковариаты + (1|учитель).
- Альтернативы: повторный measures ANOVA, ANCOVA (с контролем baseline).
- Проверка предпосылок: нормальность остатков, гомоскедастичность, автокорреляция; при нарушениях использовать робастные стандартные ошибки или непараметрические тесты.
- Обработка пропусков: множественная имputation, сравнение с анализом complete-case.
6) Коррекция множественных сравнений и дополнительные анализы
- Если несколько первичных исходов — заранее выбрать один. Иначе корректировать (Benjamini–Hochberg или Bonferroni).
- План медиаторных/модераторных анализов (напр., влияние стажа, начального уровня ЭИ).
- Чувствительные анализы (например, исключение участников с низким соблюдением).
Критерии статистической значимости
- Основной критерий: $p<\alpha$ с заранее заданным уровнем значимости, обычно $\alpha =0.05$ (двусторонний).
- Подтверждение значимости через доверительные интервалы: эффект статистически значим, если $95\%$ ДИ для разницы не включает ноль.
- Отчёт о точных значениях: $p$-value, оценка эффекта (коэффициент в модели) и $95\%$ CI.
Критерии практической (клнической/прикладной) значимости
- Эффект размера: рассчитывать стандартизированный эффект, например, Коэновское d:
$$d=\frac{{\bar{X}}_{интерв}-{\bar{X}}_{контр}}{s_p},s_p=\sqrt{\frac{(n_1-1)s_1^2+(n_2-1)s_2^2}{n_1+n_2-2}}.$$ Интерпретация: $d\approx 0.2$ — малый, $d\approx 0.5$ — средний, $d\approx 0.8$ — большой.
- Минимально значимое клиническое/практическое изменение (MCID): установить заранее (например, изменение ≥ $0.5$ SD или ≥ $10\%$ от базовой величины) и проверять долю участников, достигших MCID.
- Минимально обнаруживаемое изменение (MDC):
$$SEM=SD\sqrt{1-r},MDC=z\cdot \sqrt{2}\cdot SEM,$$ где $r$ — надёжность шкалы, $z$ — критическое значение (для $95\%$ CI $z\approx 1.96$).
- Практическая интерпретация: помимо d приводить абсолютные изменения (баллы, проценты), NNT при бинаризации результата, экономический эффект (cost-effectiveness) и влияние на рабочие показатели (снижение выгорания, уменьшение текучести).
- Пример порогов: статистически значимый, но $d<0.2$ — малопрактичен; $d\ge 0.5$ обычно считается практически значимым.
Интерпретация результатов — кратко
- Статистически значимо ($p<\alpha$) + крупный эффект ($d\ge 0.5$) → надёжный и практически релевантный вывод.
- Статистически значимо, но маленький эффект ($d<0.2$) → возможно, не стоит менять практику без дополнительных выгод (стоимость, масштабируемость).
- Не статистически значимо, но средний/большой эффект (недостаточная мощность) → сделать заключение осторожно, рассмотреть увеличение выборки.
Дополнительно (коротко)
- Пререгистрация протокола, прозрачная отчётность, публикация плана анализа.
- Отчёт о соблюдении этических требований и конфликтах интересов.
Если нужно, могу кратко привести пример расчёта размера выборки для конкретных предположений (ожидаемый $d$, $SD$, потеря данных).