N=1 Ερευνητικά Σχέδια-Περίγραμμα

Παρουσίαση με θέμα: "N=1 Ερευνητικά Σχέδια-Περίγραμμα"— Μεταγράφημα παρουσίασης:

1 N=1 Ερευνητικά Σχέδια-Περίγραμμα
Σύγκριση με σχέδια ομάδων Αιτιακή λογική-λειτουργικές σχέσεις Βασικό επίπεδο Τα σχέδια ΑΒ, ΑΒΑ, ABAB, ΑΒCBCB Το σχέδιο πολλαπλών βασικών επιπέδων (Multiple Baseline Design) Σχέδιο εναλλακτικών παρεμβάσεων (Alternating Treatments Design)

2 N=1 Σχέδια Ορισμός Χρήση μικρού αριθμού συμμετεχόντων, δεδομένα περιγράφονται ξεχωριστά για κάθε συμμετέχοντα και συνήθως χωρίς τη χρήση στατιστικών αναλύσεων Here is a summarized definition from your text that I skimmed from a few of the paragraphs describing small-n designs. Now upon first look, you’re probably thinking, “No stats? Sign me up!” And granted, there are many advantages to small-n designs, including this no statistic aspect

3 Ιστορική Βάση-Skinner
B.F. Skinner Εξαρτημένη μάθηση I won’t belabor B.F. Skinner here, since your text does a thorough job, but I will touch upon a few highlights. Similar to Thorndike in the use of animals as subjects and the report of animals’ individual performances. Operant Conditioning is defined as the frequency of behavior as being modified by the consequences of the behavior. Why are we talking about this? Because the designs that skinner used to consider how his individual animals performed are the same types of designs we will talk about with small-n designs. There is some behavior that is already occurring, and this behavior maybe/can be changed with the introduction of a consequence or the change in a consequence.

4 Ερευνητικό σχέδιο Τρία βασικά συστατικά Λειτουργικοί ορισμοί
Βασικά επίπεδα (A) Παρεμβάσεις (B) Before we start in on the designs, here are a two helpful ideas that will keep you on track for the rest of the lecture: There are three essential elements to small-n designs. Each of the designs we will talk about today will be some variation of the theme I am about to show you One feature is that the behavior must be operationally defined. This is a very detailed description of the behavior. (example to follow) A refers to the baseline, or whatever is happening normally, without any interference from the experimenter B refers to the treatment, or what the experimenter does to change the behavior. Example: When I was an undergrad, I took a behavior modification course (highly recommend!). Now, since I did not go to a school where money was abundant, we didn’t have money for lab animals. So, when in need of a subject, turn to what you have: roommates! This is Carrie (show picture) Carrie has given me permission to discuss my project with you all today, although she would also like me to add that she was quite angry with me at the time and does not recommend you do experiments on your roommates. Behavior: Playing with food Operational definitions: examples Baseline: for ten days at dinner (which we always ate together) I recorded the number (or frequency) she played with her food for half an hour (starting 10 minutes after we sat down) Treatment (not done): distract from playing with food, tell her it’s gross every time that she does it, etc.

5 Σύγκριση με σχέδια ομάδων
Σε σχέδια ομάδων, ελέγχουμε εναλλακτικές αιτιακές αποδόσεις με το να διαμορφώνουμε πειραματικές και ομάδες ελέγχου κατά τύχη και ελέγχοντας πιθανές εμπλεκόμενες μεταβλητές. Σε σχέδια n=1, δεν μπορούμε να κατατάξουμε συμμετέχοντες σε διαφορετικές συνθήκες γιατί ο ίδιος συμμετέχων παίρνει μέρος σε όλες τις συνθήκες.

6 Σχέσεις αιτίας αποτελέσματος
Πάντα – όποτε εφαρμόζεται η παρέμβαση, αλλάζει η συμπεριφορά. Μόνο – η αλλαγή της συμπεριφοράς συμβαίνει μόνο με την εφαρμογή της παρέμβασης. Αν και τα 2 ισχύουν τότε ισχυριζόμαστε ότι υπάρχουν σχέσεις αιτίας αποτελέσματος μεταξύ ανεξάρτητης και εξαρτημένης μεταβλητής.

7 Βασικό επίπεδο Μας περιγράφει τη συμπεριφορά που μας ενδιαφέρει – όπως και αυτή να μετριέται (συχνότητα, ένταση) – όταν η παρέμβαση απουσιάζει. Πάντα ξεκινάμε μια έρευνα n=1 συλλέγοντας δεδομένα βασικού επιπέδου; Αν το βασικό επίπεδο είναι σταθερό, ξεκινάμε την παρέμβαση. Αν δεν είναι σταθερό, πρέπει να σταθεροποιηθεί πριν την παρέμβαση.

8 Πώς Διαβάζουμε το Σχήμα
Ο Χ άξονας αντιπροσωπεύει χρόνο. Τα διασήματα στον Χ άξονα πρέπει να είναι ίσα μεταξύ τους (π.χ., ημέρες, εβδομάδες, ώρες, κλπ) Ο Ψ άξονας έχει πάνω του την εξαρτημένη μεταβλητή. Συνήθως μετριέται με συχνότητα της συμπεριφοράς. This would be a simple baseline design, also referred to as an A-B design. (The O refers to observation and the X to treatment and observation together)

9 Πιθανά ευρήματα Αλλαγές στην κατεύθυνση - επίπεδο

10

11 Προβληματικά Επίπεδα;

12 Προβληματικά Επίπεδα;

13 Phantom Πόνος (A-B) Johnson & Fisher, 1996 Δύσκολη θεραπεία
Δύσκολο να βρεις συμμετέχοντες Μια γυναίκα που χρειάστηκε να της κόψουν και τα 2 πόδια Θεραπεία: μετατόπιση της προσοχής This is a required article -- #6 (“Case study”) Something that has been considered widely, and the first published account came in 1866 (Mitchell, an important neurologist of his time) as a short story because he wasn’t sure how it would be received. In it, a character wrote about a leg cramp in a leg that didn’t exist anymore. He was told by another character “ Calf?…You ain’t got none, pardner. It’s took off.” (Study Summary from Prof Gordon 2001) Statistics about phantom pain: of 2700 amputees, 78% had current phantom pain (prevalence) and 44% had not noted a decline over a 30-year period (persistence) This study: A 63 year old widowed woman had both her legs amputated due to circulatory problems. She then complained about a phantom pain below the knee in her right leg. She described it as “a severe, stabbing, cruel pain” that felt like electric shock, and it came 1 or 2 times a week, and lasted about 20 minutes. The treatment consisted of having her focus her attention on some stimulus in the environment (like a picture) when she felt the pain beginning, and to focus on the stimulus in exacting detail. It was hoped this would take her mind off the pain and help it dissipate.

14 Phantom Πόνος –αποτελέσματα Σας πείθει;
(Prof. Gordon 2001)

15 Το Σχέδιο ABA A = Βασικό επίπεδο; B = παρέμβαση A1 – πριν την παρέμβαση B1 – παρέμβαση πρώτη φορά A2 – δεύτερο βασικό επίπεδο Αλλάζει η συμπεριφορά συστηματικά με την εφαρμογή της παρέμβασης αλλά και της απόσυρσής της;

16 Αποτελέσματα

17 Το Σχέδιο ABAB A = Βασικό επίπεδο; B = παρέμβαση A1 – πριν την παρέμβαση B1 – παρέμβαση πρώτη φορά A2 – δεύτερο βασικό επίπεδο B2 – δεύτερη εφαρμογή της παρέμβασης Αλλάζει η συμπεριφορά συστηματικά με την εφαρμογή της παρέμβασης αλλά και της απόσυρσής της;

18 Αποτελέσματα

19 ΑΒΑΒ

20 Τι συμβαίνει αν η συμπεριφορά δεν γυρίζει στο βασικό επίπεδο;
Μόνιμη αλλαγή; Επίδραση άλλης ανεξάρτητης μεταβλητής (π.χ., προσοχή;) Λάθος σχεδιαστικό; (π.χ., ανάγνωση) Επανάληψη πειράματος; Εφαρμογή άλλου ερευνητικού σχεδίου;

21 Σχέδιο Πολλαπλών Βασικών Επιπέδων (Multiple baseline design)
Τα διαφορετικά βασικά επίπεδα αφορούν την έναρξη της παρέμβασης που μπορεί να αναφέρεται σε διαφορετικά: Άτομα (μια παρέμβαση, μια συμπεριφορά, διαφορετικά άτομα) Συμπεριφορές (μια παρέμβαση, ένα άτομο, διαφορετικές συμπεριφορές) Καταστάσεις (μια παρέμβαση, ένα άτομο, μια συμπεριφορά, διαφορετικό περιβάλον)

22 Multiple baseline design-Επιθυμητά αποτελέσματα

23 Multiple baseline design - πλεονεκτήματα
User-friendly γιατί η παρέμβαση εφαρμόζεται σταδιακά Μή αποτελεσματικές παρεμβάσεις μπορούν να βελτιωθούν πριν εφαρμοστούν στα διαφορετικά επίπεδα. Δεν επιστρέφουμε σε βασικά επίπεδα (ABAB) Χρειάζονται τουλάχιστον 2 βασικά επίπεδα αλλά προτιμούνται 3-4.

24 Σχέδιο Εναλλασόμενων Παρεμβάσεων
Παρεμβάσεις ακολουθούν η μια την άλλη τυχαία Η συμπεριφορά μετριέται σε κάθε παρέμβαση Αξιολογείται ποια παρέμβαση είναι πιο αποτελεσματική

25 Παράδειγμα: Αξιολόγηση Παρεμβάσεων στην ADHD
B A C A D A B A C A 100 % of intervals with attn behavior 40 30 20 10 days

26 Σχέδιο Κριτηρίου

27

28

29 Ανάλυση Οπτική Ανοδική τάση Σταθερή τάση-αλλαγή επιπέδου Καθοδική τάση
Συμπεράσματα αποτελεσματικής παρέμβασης Μικρή διακύμανση της συμπεριφοράς κατά την παρέμβαση Τάση, επίπεδο, ή και τα δυο αλλάζουν Επανεφαρμογή της παρέμβασης έχει ως αποτέλεσμα την ίδια αλλαγή της συμπεριφοράς όπως και με την πρώτη εφαρμογή της

30 Πλεονεκτήματα των Σχεδίων N=1
Αποφεύγουν προβλήματα μέσου όρου Αποφεύγουν προβλήματα τυπικής απόκλισης Εφαρμόσιμα σε σπάνιους πληθυσμούς Δουλεύουν με το άτομο, όχι με ομαδική συμπεριφορά και ομάδες Τα αποτελέσματα είναι ορατά Συνήθως δεν χρησιμοποιούνται στατιστικές αναλύσεις Αποφεύγονται οι αδύναμες - μή αποτελεσματικές παρεμβάσεις Δεν γίνονται σφάλματα Τύπου-Ι, κλινική σημαντικότητα Μπορούν να γίνουν σφάλματα Τύπου-ΙΙ Εύχρηστα Αποτελεσματικά ως προς τη θεραπεία συγκεκριμένων συμμετεχόντων χωρίς καμιά αμφιβολία Μπαίνουν σε μεγάλο βάθος αναφορικά με την ανάλυση και τον έλεγχο της συμπεριφοράς Remember that the mean is the measure of central tendency that is calculated by taking the average of all responses. As such, it is possible that NO ONE will have received the mean as a score! Using small samples, we might look at their data individually, and avoid summarizing them this way. Also, we can examine people from rare populations (such as schizophrenics, or people with rare hormonal disorders). These are two of the key reasons currently for small-n designs Other benefits include looking at individual behavior, the ease of interpreting results by looking at individual data (and figures), we can avoid small unimportant effects, flexibility, and can in some cases work towards helping one or a few participants (applied).

31 Μειονεκτήματα των Σχεδίων N=1
Δύσκολο να εντοπιστούν αιτιακές σχέσεις όταν υπάρχει μεγάλη διακύμανση της συμπεριφοράς Δεν υπάρχει ομάδα ελέγχου Δεν μπορούν να διαγνωσθούν παρεμβάσης ‘μέσης’ αποτελεσματικότητας (όχι στατιστική) Δεν μπορούν να κοιτάξουν για αλληλεπιδράσεις μεταβλητών Είναι πρόβλημα η σειρά, όταν υπάρχουν πολλές παρεμβάσεις που δοκιμάζονται (Counterbalancing) Carry over effects Η εξαρτημένη μεταβλητή δεν μπορεί να κοιταχτεί ποιοτικά Πρόβλημα γενίκευσης Ανηθικότητα σε σχέση με τα ερευνητικά σχέδια ομάδων Υποκειμενικότητα (π.χ., observer bias, drift, reactivity) Έλλειψη πειστικότητας (π.χ., ΑΒ, brief phases, μεγάλες διακυμάνσεις ή ατομικές διαφορές του πόσο καλά λειτουργεί η παρέμβαση Κάποια δεν είναι εφαρμόσιμα στην πράξη (π.χ., alternating treatments) Of course, with the good comes the bad, and there are a few drawbacks to small-n designs. First, it’s hard to demonstrate causality. Can we really be sure that the “treatment” we used cause the result we say? Also, there is a lack of control groups And the statistics we were all so happy about being gone a minute ago give us problems in the sense that we lack a definitive way on how to capture the idea of “enough” (or significant) change. In small-n designs we rely on what is know as the IOT, the Inter-ocular test. This means that the answer hits you right between the eyes. You can’t look at interaction effects (can only do one thing at a time or else the design gets extremely complicated), counterbalancing is a problem 9again, it extends the design), and the types of DV’s we can study are limited to response rates (response to weight loss, to therapy, time reaction tests, etc.) Also, there is the problem of external validity

32 Μερική Αλλαγή της Σειράς
Πρόβλημα στη σειρά - ABBA: subject # treatment 1 ABC! 2 ACB 3 BCA 4 BAC 5 CAB CBA Μερική Αλλαγή της Σειράς ABCD BCDA CDAB DABC

33 Εγκυρότητα & Αξιοπιστία
Μεταξύ κριτών αξιοπιστία είναι σημαντική Εσωτερική εγκυρότητα Λειτουργικές σχέσεις Προβλήματα περιλαμβάνουν: ιστορικό, μή ελεγχόμενες καταστάσεις του περιβάλοντος, αλλαγή μεθοδολογίας, προκαταλήψεις κατά την επιλογή των συμμετεχόντων. Εξωτερική εγκυρότητα Απούσα!

34 Στατιστική Ανάλυση Με προβλήματα...
Μικρές διαφορές.....ανάγκη στατιστικής Μικρές διαφορές....κλινικά ασήμαντες Δεν κάνουμε σφάλμα Type I με οπτική ανάλυση Εκλεπτισμένες μαθηματικές αναλύσεις

35

36 Data Smoothing

37

38

39

40

41

42

43

44

45

46

47

48

49 O1 X O2 PreTest/PostTest, with Intervention
O1 O2 PreTest/PostTest, without Intervention X O2 PostTest only, with Intervention O2 PostTest only, without Intervention

50