Forschungsmethoden in der Psychologie

Multiple-Baseline-Designs

Es gibt zwei mögliche Probleme mit der Umkehrung design—beide haben zu tun mit der Beseitigung der Behandlung. Eine ist, dass, wenn eine Behandlung funktioniert, es unethisch sein kann, sie zu entfernen. Wenn beispielsweise eine Behandlung die Häufigkeit von Selbstverletzungen bei einem entwicklungsbehinderten Kind zu verringern schien, wäre es unethisch, diese Behandlung zu entfernen, nur um zu zeigen, dass die Häufigkeit von Selbstverletzungen zunimmt., Das zweite Problem besteht darin, dass die abhängige Variable möglicherweise nicht zum Ausgangswert zurückkehrt, wenn die Behandlung entfernt wird. Wenn beispielsweise die positive Aufmerksamkeit für das Studium aufgehoben wird, kann ein Student mit einer erhöhten Rate weiter studieren. Dies könnte bedeuten, dass sich die positive Aufmerksamkeit nachhaltig auf das Studium des Schülers auswirkt, was natürlich gut wäre. Es könnte aber auch bedeuten, dass die positive Aufmerksamkeit nicht wirklich die Ursache für das erhöhte Studium war., Vielleicht geschah etwas anderes ungefähr zur gleichen Zeit wie die Behandlung—zum Beispiel hätten die Eltern des Schülers begonnen, ihn für gute Noten zu belohnen.

Eine Lösung für diese Probleme ist die Verwendung eines Multiple-Baseline-Designs, das in Abbildung 10.5 „Ergebnisse einer generischen Multiple-Baseline-Studie“dargestellt ist. In einer Version des Designs wird für jeden von mehreren Teilnehmern eine Basislinie festgelegt, und die Behandlung wird dann für jeden einzelnen eingeführt. Im Wesentlichen wird jeder Teilnehmer in einem AB-Design getestet., Der Schlüssel zu diesem Design ist, dass die Behandlung zu einem anderen Zeitpunkt für jeden Teilnehmer eingeführt wird. Die Idee ist, dass, wenn sich die abhängige Variable ändert, wenn die Behandlung für einen Teilnehmer eingeführt wird, dies ein Zufall sein könnte. Wenn sich jedoch die abhängige Variable ändert, wenn die Behandlung für mehrere Teilnehmer eingeführt wird—insbesondere wenn die Behandlung für die verschiedenen Teilnehmer zu unterschiedlichen Zeiten eingeführt wird—, ist es äußerst unwahrscheinlich, dass dies ein Zufall ist.

Als ein Beispiel, betrachten Sie eine Studie von Scott Ross und Robert Horner (Ross & Horner, 2009). Sie interessierten sich dafür, wie sich ein schulweites Mobbingpräventionsprogramm auf das Mobbingverhalten bestimmter Problemschüler auswirkte., An jeder von drei verschiedenen Schulen untersuchten die Forscher zwei Schüler, die regelmäßig Mobbing betrieben hatten. Während der Basisphase beobachteten sie die Schüler jeden Tag während der Mittagspause 10 Minuten lang und zählten die Anzahl der aggressiven Verhaltensweisen, die sie gegenüber Gleichaltrigen zeigten. (Die Forscher verwendeten Handheld-Computer, um die Daten aufzuzeichnen. Nach 2 Wochen wurde das Programm an einer Schule umgesetzt. Nach 2 weiteren Wochen haben sie es an der zweiten Schule umgesetzt. Und nach zwei weiteren Wochen haben sie es an der dritten Schule umgesetzt., Sie stellten fest, dass die Anzahl der aggressiven Verhaltensweisen, die jeder Schüler zeigte, kurz nach der Durchführung des Programms an seiner Schule sank. Beachten Sie, dass, wenn die Forscher nur eine Schule studiert hätten oder wenn sie die Behandlung gleichzeitig an allen drei Schulen eingeführt hätten, unklar wäre, ob die Verringerung aggressiven Verhaltens auf das Mobbingprogramm zurückzuführen war oder etwas anderes, das ungefähr zur gleichen Zeit geschah Es wurde eingeführt (z. B. ein Urlaub, ein Fernsehprogramm, eine Änderung des Wetters)., Aber mit ihrem Multiple-Baseline-Design müsste diese Art von Zufall dreimal passieren—ein sehr unwahrscheinliches Ereignis -, um ihre Ergebnisse zu erklären.

In einer anderen Version des Multiple-Baseline-Designs werden mehrere Baselines für denselben Teilnehmer, aber für verschiedene abhängige Variablen festgelegt, und die Behandlung wird zu einem anderen Zeitpunkt für jede abhängige Variable eingeführt. Stellen Sie sich zum Beispiel eine Studie über die Auswirkungen der Festlegung klarer Ziele auf die Produktivität eines Büroangestellten vor, der zwei Hauptaufgaben hat: Verkaufsgespräche führen und Berichte schreiben., Baselines für beide Aufgaben konnten eingerichtet werden. Zum Beispiel könnte der Forscher die Anzahl der getätigten Verkaufsanrufe und Berichte messen, die der Arbeiter jede Woche für mehrere Wochen schreibt. Dann könnte die zielsetzende Behandlung für eine dieser Aufgaben eingeführt werden, und zu einem späteren Zeitpunkt könnte die gleiche Behandlung für die andere Aufgabe eingeführt werden. Die Logik ist die gleiche wie zuvor. Wenn die Produktivität bei einer Aufgabe nach der Einführung der Behandlung zunimmt, ist unklar, ob die Behandlung den Anstieg verursacht hat., Wenn jedoch die Produktivität bei beiden Aufgaben nach der Einführung der Behandlung zunimmt—insbesondere wenn die Behandlung zu zwei verschiedenen Zeiten eingeführt wird -, scheint es viel klarer zu sein, dass die Behandlung verantwortlich war.

In einer dritten Version des Multiple-Baseline-Designs werden mehrere Baselines für denselben Teilnehmer, jedoch in unterschiedlichen Einstellungen, erstellt. Zum Beispiel könnte eine Grundlinie für die Zeit festgelegt werden, die ein Kind während seiner Freizeit in der Schule und während seiner Freizeit zu Hause liest., Dann könnte eine Behandlung wie positive Aufmerksamkeit zuerst in der Schule und später zu Hause eingeführt werden. Wenn sich die abhängige Variable nach der Einführung der Behandlung in jeder Einstellung ändert, gibt dies dem Forscher das Vertrauen, dass die Behandlung tatsächlich für die Änderung verantwortlich ist.