- describir los elementos básicos de un diseño de investigación de un solo sujeto.
- Diseñar estudios simples de un solo sujeto utilizando diseños de reversión y múltiples líneas de base.
- explicar cómo los diseños de investigación de un solo sujeto abordan el tema de la validez interna.
- interpretar los resultados de estudios simples de un solo sujeto basados en la inspección visual de datos gráficos.,
antes de mirar cualquier diseño específico de investigación de un solo sujeto, será útil considerar algunas características que son comunes a la mayoría de ellos. Muchas de estas características se ilustran en la figura 10.2, que muestra los resultados de un estudio genérico de un solo sujeto. Primero, la variable dependiente (representada en el eje y del gráfico) se mide repetidamente a lo largo del tiempo (representada por el eje x) a intervalos regulares. En segundo lugar, el estudio se divide en fases distintas, y el participante se prueba bajo una condición por fase., Las condiciones a menudo se designan con letras mayúsculas: A, B, C, etc. Por lo tanto, la figura 10.2 representa un diseño en el que el participante fue sometido a prueba primero en una condición (A), luego a prueba en otra condición (B), y finalmente volvió a ser sometido a prueba en la condición original (a). (Esto se llama un diseño de reversión y se discutirá en más detalle en breve.)
otro aspecto importante de la investigación de un solo sujeto es que el cambio de una condición a la siguiente generalmente no ocurre después de una cantidad fija de tiempo o número de observaciones. En cambio, depende del comportamiento del participante. Específicamente, el investigador espera hasta que el comportamiento del participante en una condición se vuelve bastante consistente de observación a observación antes de cambiar las condiciones., Esto se conoce a veces como la estrategia de estado estacionario (Sidman, 1960). La idea es que cuando la variable dependiente ha alcanzado un estado estacionario, entonces cualquier cambio a través de las condiciones será relativamente fácil de detectar. Recordemos que nos encontramos con este mismo principio cuando discutimos la investigación experimental de manera más general. El efecto de una variable independiente es más fácil de detectar cuando el» ruido » en los datos se minimiza.
diseños de inversión
el diseño de investigación de un solo sujeto más básico es el diseño de inversión, también llamado diseño ABA., Durante la primera fase, A, se establece una línea de base para la variable dependiente. Este es el nivel de respuesta antes de que se Introduzca cualquier tratamiento, y por lo tanto la fase basal es una especie de condición de control. Cuando se alcanza el estado estacionario de respuesta, la Fase B comienza a medida que el investigador introduce el tratamiento. Puede haber un período de ajuste al tratamiento durante el cual el comportamiento de interés se vuelve más variable y comienza a aumentar o disminuir., Una vez más, el investigador espera hasta que esa variable dependiente alcance un estado estacionario para que quede claro si y cuánto ha cambiado. Finalmente, el investigador retira el tratamiento y nuevamente espera hasta que la variable dependiente alcance un estado estacionario. Este diseño de reversión básica también se puede ampliar con la reintroducción del tratamiento (ABAB), otro retorno a la línea de base (ABABA), y así sucesivamente.
El estudio de Hall y sus colegas fue un diseño de reversión ABAB. La figura 10.3 aproxima los datos de Robbie., El porcentaje de tiempo que pasó estudiando (la variable dependiente) fue bajo durante la primera fase basal, aumentó durante la primera fase de tratamiento hasta que se estabilizó, disminuyó durante la segunda fase basal y volvió a aumentar durante la segunda fase de tratamiento.
¿Por qué se considera necesaria la reversión—la eliminación del tratamiento—en este tipo de diseño? ¿Por qué usar un diseño ABA, por ejemplo, en lugar de un diseño AB más simple? Observe que un diseño AB es esencialmente un diseño de series temporales interrumpidas aplicado a un participante individual., Recordemos que un problema con ese diseño es que si la variable dependiente cambia después de que se introduce el tratamiento, no siempre está claro que el tratamiento fue responsable del cambio. Es posible que algo más haya cambiado aproximadamente al mismo tiempo y que esta variable extraña sea responsable del cambio en la variable dependiente., Pero si la variable dependiente cambia con la introducción del tratamiento y luego cambia de nuevo con la eliminación del tratamiento (suponiendo que el tratamiento no crea un efecto permanente), es mucho más claro que el tratamiento (y la eliminación del tratamiento) es la causa. En otras palabras, la inversión aumenta en gran medida la validez interna del estudio.
Existen parientes cercanos del diseño básico de reversión que permiten la evaluación de más de un tratamiento., En un diseño de reversión de múltiples tratamientos, una fase basal es seguida por fases separadas en las que se introducen diferentes tratamientos. Por ejemplo, un investigador podría establecer una línea de base para estudiar el comportamiento de un estudiante perturbador (A), luego introducir un tratamiento que implique la atención positiva del maestro (B), y luego cambiar a un tratamiento que implique un castigo leve por no estudiar (C). El participante podría regresar a una fase inicial antes de reintroducir cada tratamiento, tal vez en el orden inverso como una forma de controlar los efectos de arrastre., Este particular diseño de reversión de tratamiento múltiple también podría ser referido como un diseño ABCACB.
en un diseño de tratamientos alternos, dos o más tratamientos se alternan relativamente rápidamente en un horario regular. Por ejemplo, la atención positiva para estudiar podría usarse un día y un castigo leve por no estudiar al siguiente, y así sucesivamente. O un tratamiento podría implementarse por la mañana y otro por la tarde. El diseño de tratamientos alternos puede ser una forma rápida y efectiva de comparar tratamientos, pero solo cuando los tratamientos son de acción rápida.,
diseños de base múltiple
Hay dos problemas potenciales con el diseño de reversión, los cuales tienen que ver con la eliminación del tratamiento. Una es que si un tratamiento está funcionando, puede ser poco ético eliminarlo. Por ejemplo, si un tratamiento parece reducir la incidencia de autolesiones en un niño con discapacidad del desarrollo, no sería ético eliminar ese tratamiento solo para demostrar que la incidencia de autolesiones aumenta. El segundo problema es que la variable dependiente puede no volver a la línea de base cuando se elimina el tratamiento., Por ejemplo, cuando se elimina la atención positiva para estudiar, un estudiante puede continuar estudiando a un ritmo mayor. Esto podría significar que la atención positiva tuvo un efecto duradero en el estudio del estudiante, lo que por supuesto sería bueno. Pero también podría significar que la atención positiva no fue realmente la causa del aumento del estudio en primer lugar. Tal vez algo más sucedió aproximadamente al mismo tiempo que el tratamiento; por ejemplo, los padres del estudiante podrían haber comenzado a recompensarlo por buenas calificaciones.,
una solución a estos problemas es utilizar un diseño de línea de base múltiple, que se representa en la figura 10.4. En una versión del diseño, se establece una línea de base para cada uno de los varios participantes, y luego se introduce el tratamiento para cada uno. En esencia, cada participante se prueba en un diseño AB. La clave de este diseño es que el tratamiento se introduce en un momento diferente para cada participante. La idea es que si la variable dependiente cambia cuando se introduce el tratamiento para un participante, podría ser una coincidencia., Pero si la variable dependiente cambia cuando el tratamiento se introduce para múltiples participantes, especialmente cuando el tratamiento se introduce en diferentes momentos para los diferentes participantes, entonces es extremadamente improbable que sea una coincidencia.
como ejemplo, considere un estudio de Scott Ross y Robert Horner (Ross & Horner, 2009). Estaban interesados en cómo un programa de prevención de la intimidación en toda la escuela afectaba el comportamiento de intimidación de estudiantes con problemas particulares. En cada una de las tres escuelas diferentes, los investigadores estudiaron a dos estudiantes que habían participado regularmente en el acoso escolar. Durante la fase de referencia, observaron a los estudiantes durante períodos de 10 minutos cada día durante el recreo del almuerzo y contaron el número de comportamientos agresivos que exhibieron hacia sus compañeros., (Los investigadores utilizaron computadoras de mano para ayudar a registrar los datos. Después de 2 semanas, implementaron el programa en una escuela. Después de 2 semanas más, lo implementaron en la Segunda Escuela. Y después de 2 semanas más, lo implementaron en la tercera escuela. Encontraron que el número de comportamientos agresivos exhibidos por cada estudiante disminuyó poco después de que el programa se implementó en su escuela., Tenga en cuenta que si los investigadores solo habían estudiado una escuela o si habían introducido el tratamiento al mismo tiempo en las tres escuelas, entonces no estaría claro si la reducción en los comportamientos agresivos se debió al programa de intimidación o a algo más que sucedió aproximadamente al mismo tiempo que se introdujo (por ejemplo, unas vacaciones, un programa de televisión, un cambio en el clima). Pero con su diseño de línea de base múltiple, este tipo de coincidencia tendría que ocurrir tres veces separadas, una ocurrencia muy improbable, para explicar sus resultados.,
en otra versión del diseño de múltiples líneas de base, se establecen múltiples líneas de base para el mismo participante pero para diferentes variables dependientes, y el tratamiento se introduce en un momento diferente para cada variable dependiente. Imagine, por ejemplo, un estudio sobre el efecto de establecer objetivos claros en la productividad de un empleado de oficina que tiene dos tareas principales: hacer llamadas de ventas y escribir informes. Podrían establecerse bases de referencia para ambas tareas. Por ejemplo, el investigador podría medir el número de llamadas de ventas realizadas y los informes escritos por el trabajador cada semana durante varias semanas., A continuación, el tratamiento de fijación de objetivos podría ser introducido para una de estas tareas, y en un momento posterior el mismo tratamiento podría ser introducido para la otra tarea. La lógica es la misma que antes. Si la productividad aumenta en una tarea después de la introducción del tratamiento, no está claro si el tratamiento causó el aumento. Pero si la productividad aumenta en ambas tareas después de que se introduce el tratamiento, especialmente cuando el tratamiento se introduce en dos momentos diferentes, entonces parece mucho más claro que el tratamiento fue responsable.,
en una tercera versión del diseño de líneas de base múltiples, se establecen varias líneas de base para el mismo participante pero en diferentes entornos. Por ejemplo, se podría establecer una línea de base para la cantidad de tiempo que un niño pasa leyendo durante su tiempo libre en la escuela y durante su tiempo libre en casa. Luego, un tratamiento como la atención positiva se puede introducir primero en la escuela y más tarde en casa. Una vez más, si la variable dependiente cambia después de que el tratamiento se introduce en cada entorno, entonces esto le da al investigador la confianza de que el tratamiento es, de hecho, responsable del cambio.,
análisis de datos en la investigación de un solo sujeto
Además de su enfoque en participantes individuales, la investigación de un solo sujeto difiere de la investigación de grupo en la forma en que los datos se analizan típicamente. Como hemos visto a lo largo del libro, la investigación grupal implica combinar datos entre los participantes. Los datos del grupo se describen utilizando estadísticas como medias, desviaciones estándar, R de Pearson, etc. para detectar patrones generales. Finalmente, las estadísticas inferenciales se utilizan para ayudar a decidir si el resultado de la muestra es probable que se generalice a la población., La investigación de un solo sujeto, por el contrario, se basa en gran medida en un enfoque muy diferente llamado inspección visual. Esto significa trazar los datos de los participantes individuales como se muestra a lo largo de este capítulo, mirar cuidadosamente esos datos y hacer juicios sobre si y en qué medida la variable independiente tuvo un efecto en la variable dependiente. Por lo general, no se utilizan estadísticas inferenciales.
al inspeccionar visualmente sus datos, los investigadores de un solo sujeto tienen en cuenta varios factores. Uno de ellos son los cambios en el nivel de la variable dependiente de una condición a otra., Si la variable dependiente es mucho mayor o mucho menor en una condición que en otra, esto sugiere que el tratamiento tuvo un efecto. Un segundo factor es la tendencia, que se refiere a aumentos o disminuciones graduales en la variable dependiente a través de las observaciones. Si la variable dependiente comienza a aumentar o disminuir con un cambio en las condiciones, entonces nuevamente esto sugiere que el tratamiento tuvo un efecto. Puede ser especialmente revelador cuando una tendencia cambia de dirección, por ejemplo, cuando un comportamiento no deseado está aumentando durante la línea de base, pero luego comienza a disminuir con la introducción del tratamiento., Un tercer factor es la latencia, que es el tiempo que tarda la variable dependiente en comenzar a cambiar después de un cambio en las condiciones. En general, si un cambio en la variable dependiente comienza poco después de un cambio en las condiciones, esto sugiere que el tratamiento fue responsable.
en el panel superior de la figura 10.5, hay cambios bastante obvios en el nivel y la tendencia de la variable dependiente de condición a condición. Además, las latencias de estos cambios son cortas; el cambio ocurre inmediatamente., Este patrón de resultados sugiere fuertemente que el tratamiento fue responsable de los cambios en la variable dependiente. En el panel inferior de la figura 10.5, sin embargo, los cambios de nivel son bastante pequeños. Y aunque parece haber una tendencia creciente en la condición de tratamiento, parece como si pudiera ser una continuación de una tendencia que ya había comenzado durante la línea de base. Este patrón de resultados sugiere fuertemente que el tratamiento no fue responsable de ningún cambio en la variable dependiente, al menos no en la medida en que los investigadores de un solo sujeto típicamente esperan ver.,
los resultados de la investigación de un solo sujeto también se pueden analizar mediante procedimientos estadísticos, y esto es cada vez más común. Hay muchos enfoques diferentes, y los investigadores de un solo tema continúan debatiendo cuáles son los más útiles., Un enfoque es paralelo a lo que se hace típicamente en la investigación en grupo. Se calcula y compara la media y la desviación estándar de las respuestas de cada participante bajo cada condición, y se aplican pruebas estadísticas inferenciales como la prueba t o el análisis de varianza (Fisch, 2001). (Tenga en cuenta que el promedio entre los participantes es menos común.) Otro enfoque es calcular el porcentaje de datos no superpuestos (PND) para cada participante (Scruggs & Mastropieri, 2001)., Este es el porcentaje de respuestas en la condición de tratamiento que son más extremas que la respuesta más extrema en una condición de control relevante. En el estudio de Hall y sus colegas, por ejemplo, todas las medidas del tiempo de estudio de Robbie en la primera condición de tratamiento fueron mayores que la medida más alta en la primera línea de base, para una PND del 100%. Cuanto mayor sea el porcentaje de datos no envolventes, más fuerte será el efecto del tratamiento., Sin embargo, los enfoques estadísticos formales para el análisis de datos en la investigación de un solo sujeto generalmente se consideran un suplemento a la inspección visual, no un reemplazo para ella.
- Los diseños de investigación de un solo sujeto generalmente implican medir la variable dependiente repetidamente a lo largo del tiempo y cambiar las condiciones (por ejemplo, desde el inicio hasta el tratamiento) cuando la variable dependiente ha alcanzado un estado estacionario. Este enfoque permite al investigador ver si los cambios en la variable independiente están causando cambios en la variable dependiente.,
- en un diseño de reversión, el participante se prueba en una condición basal, luego se prueba en una condición de tratamiento y luego vuelve a la condición basal. Si la variable dependiente cambia con la introducción del tratamiento y luego cambia de nuevo con el regreso al inicio, Esto proporciona una fuerte evidencia de un efecto del tratamiento.
- en un diseño de línea de base múltiple, se establecen líneas de base para diferentes participantes, diferentes variables dependientes o diferentes entornos, y el tratamiento se introduce en un momento diferente en cada línea de base., Si la introducción del tratamiento es seguida por un cambio en la variable dependiente en cada línea de base, esto proporciona una fuerte evidencia de un efecto del tratamiento.
- Los investigadores de un solo sujeto generalmente analizan sus datos gráficamente y hacen juicios sobre si la variable independiente está afectando a la variable dependiente según el nivel, la tendencia y la latencia.
- práctica: diseñe un estudio simple de un solo sujeto (utilizando un diseño de reversión o de línea de base múltiple) para responder las siguientes preguntas., Asegúrese de especificar el tratamiento, definir operacionalmente la variable dependiente, decidir cuándo y dónde se realizarán las observaciones, y así sucesivamente.
- ¿la atención positiva de un padre aumenta el comportamiento de cepillado de dientes de un niño?
- ¿La autoevaluación mientras estudia mejora el rendimiento de un estudiante en las pruebas de ortografía semanales?
- ¿El ejercicio regular ayuda a aliviar la depresión?
- práctica: cree un gráfico que muestre los resultados hipotéticos para el estudio que diseñó en el ejercicio 1. Escriba un párrafo en el que describa lo que muestran los resultados., Asegúrese de comentar el nivel, la tendencia y la latencia.
descripciones largas
figura 10.3 descripción larga: gráfico de líneas que muestra los resultados de un estudio con un diseño de reversión ABAB. La variable dependiente fue baja durante la primera fase basal; aumentó durante el primer tratamiento; disminuyó durante la segunda fase basal, pero fue aún más alta que durante la primera fase basal; y fue más alta durante la segunda fase de tratamiento.
Figura 10.,4 Descripción larga: gráficos de tres líneas que muestran los resultados de un estudio genérico de base múltiple, en el que se establecen diferentes líneas de base y se presenta el tratamiento a los participantes en diferentes momentos.
para el valor basal 1, el tratamiento se introduce una cuarta parte del tiempo en el estudio. La variable dependiente oscila entre 12 y 16 unidades durante el periodo basal, pero desciende a 10 unidades con el tratamiento y disminuye principalmente hasta el final del estudio, oscilando entre 4 y 10 unidades.
para el nivel basal 2, el tratamiento se introduce a mitad del estudio., La variable dependiente oscila entre 10 y 15 unidades durante la línea de base, luego tiene una fuerte disminución a 7 unidades cuando se introduce el tratamiento. Sin embargo, la variable dependiente aumenta a 12 unidades poco después de la caída y oscila entre 8 y 10 unidades hasta el final del estudio.
para el valor basal 3, el tratamiento se introduce tres cuartas partes del tiempo en el estudio. La variable dependiente varía entre 12 y 16 unidades en su mayor parte durante la línea de base, con una caída hasta 10 unidades., Cuando se introduce el tratamiento, la variable dependiente desciende a 10 unidades y luego oscila entre 8 y 9 unidades hasta el final del estudio.
figura 10.5 descripción larga: dos gráficos que muestran los resultados de un estudio genérico de un solo sujeto con un diseño ABA. En el primer gráfico, bajo la condición A, el nivel es alto y la tendencia está aumentando. Bajo la condición B, el nivel es mucho más bajo que bajo la condición A y la tendencia está disminuyendo. Bajo la condición A nuevamente, el nivel es casi tan alto como la primera vez y la tendencia está aumentando., Para cada cambio, la latencia es corta, lo que sugiere que el tratamiento es la razón del cambio.
en el segundo gráfico, bajo la condición A, el nivel es relativamente bajo y la tendencia está aumentando. Bajo la condición B, el nivel es un poco más alto que durante la condición A y la tendencia está aumentando ligeramente. Bajo la condición A nuevamente, el nivel es un poco más bajo que durante la condición B y la tendencia está disminuyendo ligeramente. Es difícil determinar la latencia de estos cambios, ya que cada cambio es más bien minuto, lo que sugiere que el tratamiento es ineficaz.,
el investigador espera hasta que el comportamiento del participante en una condición se vuelve bastante consistente de observación a observación antes de cambiar las condiciones. De esta manera, cualquier cambio en las condiciones será fácil de detectar.
método de estudio en el que el investigador recopila datos sobre un estado basal, introduce el tratamiento y continúa la observación hasta alcanzar un estado estacionario, y finalmente elimina el tratamiento y observa al participante hasta que regresa a un estado estacionario.,
el nivel de respuesta antes de cualquier tratamiento se introduce y por lo tanto actúa como una especie de condición de control.
una fase basal es seguida por fases separadas en las que se introducen diferentes tratamientos.
dos o más tratamientos se alternan relativamente rápidamente en un horario regular.
se establece una línea de base para varios participantes y luego se presenta el tratamiento a cada participante en un momento diferente.,
el trazado de los datos de los participantes individuales, el examen de los datos, y hacer juicios sobre si y en qué medida la variable independiente tuvo un efecto sobre la variable dependiente.
Si los datos son mayores o menores basados en una inspección visual de los datos; un cambio en el nivel implica que el tratamiento introducido tuvo un efecto.
Los aumentos o disminuciones graduales en la variable dependiente a través de observaciones.
El tiempo que tarda la variable dependiente en comenzar a cambiar después de un cambio en las condiciones.,
el porcentaje de respuestas en la condición de tratamiento que son más extremas que la respuesta más extrema en una condición de control relevante.