- Décrire les éléments de base d’une conception de recherche sur un seul sujet.
- Concevoir des études simples sur un seul sujet à l’aide de plans d’inversion et de plans à base multiple.
- Expliquer comment les conceptions de recherche sur un seul sujet abordent la question de la validité interne.
- Interpréter les résultats d’études simples sur un seul sujet basées sur l’inspection visuelle de données graphiques.,
Avant d’examiner des conceptions de recherche spécifiques à un seul sujet, il sera utile de considérer certaines caractéristiques communes à la plupart d’entre elles. Bon nombre de ces caractéristiques sont illustrées à la figure 10.2, qui montre les résultats d’une étude générique sur un seul sujet. Premièrement, la variable dépendante (représentée sur l’axe Y du graphique) est mesurée de manière répétée dans le temps (représentée par l’axe X) à intervalles réguliers. Deuxièmement, l’étude est divisée en phases distinctes et le participant est testé sous une condition par phase., Les conditions sont souvent désignées par des lettres majuscules: A, B, C, etc. Ainsi, la figure 10.2 représente un plan dans lequel le participant a été testé d’abord dans une condition (A), puis testé dans une autre condition (B) et enfin testé à nouveau dans la condition d’origine (A). (Ceci est appelé une conception d’inversion et sera discuté plus en détail sous peu.)
Un autre aspect important de la recherche sur un seul sujet est que le changement d’une condition à l’autre ne se produit généralement pas après un nombre fixe de temps ou d’observations. Au lieu de cela, cela dépend du comportement du participant. Plus précisément, le chercheur attend que le comportement du participant dans une condition devienne assez cohérent d’observation en observation avant de changer les conditions., Ceci est parfois appelé la stratégie de l’état stable (Sidman, 1960). L’idée est que lorsque la variable dépendante a atteint un état stable, tout changement entre les conditions sera relativement facile à détecter. Rappelons que nous avons rencontré ce même principe en discutant de la recherche expérimentale plus généralement. L’effet d’une variable indépendante est plus facile à détecter lorsque le « bruit” dans les données est minimisé.
Conceptions d’inversion
La conception de recherche la plus fondamentale sur un seul sujet est la conception d’inversion, également appelée conception ABA., Au cours de la première phase, A, une ligne de base est établie pour la variable dépendante. C’est le niveau de réponse avant tout traitement est introduit, et donc la phase de base est une sorte de condition de contrôle. Lorsque la réponse à l’état d’équilibre est atteinte, la phase B commence lorsque le chercheur introduit le traitement. Il peut y avoir une période d’adaptation au traitement au cours de laquelle le comportement d’intérêt devient plus variable et commence à augmenter ou à diminuer., Encore une fois, le chercheur attend que cette variable dépendante atteigne un état stable afin qu’il soit clair si et dans quelle mesure elle a changé. Enfin, le chercheur supprime le traitement et attend à nouveau que la variable dépendante atteigne un état stable. Cette conception d’inversion de base peut également être étendue avec la réintroduction du traitement (ABAB), un autre retour à la base (ABABA), et ainsi de suite.
L’étude de Hall et de ses collègues était une conception d’inversion ABAB. La figure 10.3 donne une approximation des données de Robbie., Le pourcentage de temps qu’il a passé à étudier (la variable dépendante) était faible au cours de la première phase de référence, augmentait au cours de la première phase de traitement jusqu’à ce qu’il se stabilise, diminuait au cours de la deuxième phase de référence et augmentait à nouveau au cours de la deuxième phase de traitement.
Pourquoi l’inversion—la suppression du traitement—est-elle considérée comme nécessaire dans ce type de conception? Pourquoi utiliser un design ABA, par exemple, plutôt qu’un design AB plus simple? Notez qu’un plan AB est essentiellement un plan chronologique interrompu appliqué à un participant individuel., Rappelons qu’un problème avec cette conception est que si la variable dépendante change après l’introduction du traitement, il n’est pas toujours clair que le traitement était responsable du changement. Il est possible que quelque chose d’autre ait changé à peu près au même moment et que cette variable étrangère soit responsable du changement de la variable dépendante., Mais si la variable dépendante change avec l’introduction du traitement, puis revient avec l’élimination du traitement (en supposant que le traitement ne crée pas d’effet permanent), il est beaucoup plus clair que le traitement (et l’élimination du traitement) en est la cause. En d’autres termes, l’inversion augmente considérablement la validité interne de l’étude.
Il existe des parents proches du plan d’inversion de base qui permettent d’évaluer plus d’un traitement., Dans un plan d’inversion à traitement multiple, une phase initiale est suivie de phases distinctes au cours desquelles différents traitements sont introduits. Par exemple, un chercheur pourrait établir une base d’étude du comportement d’un élève perturbateur (A), puis introduire un traitement impliquant une attention positive de la part de l’enseignant (B), puis passer à un traitement impliquant une punition légère pour ne pas étudier (C). Le participant pourrait alors être renvoyé à une phase de référence avant de réintroduire chaque traitement—peut-être dans l’ordre inverse pour contrôler les effets de report., Cette conception particulière d’inversion à traitement multiple pourrait également être appelée conception ABCACB.
Dans une conception de traitements en alternance, deux traitements ou plus sont alternés relativement rapidement sur un calendrier régulier. Par exemple, une attention positive pour étudier pourrait être utilisée un jour et une punition légère pour ne pas étudier le lendemain, et ainsi de suite. Ou un traitement pourrait être mis en œuvre le matin et un autre l’après-midi. La conception de traitements alternatifs peut être un moyen rapide et efficace de comparer les traitements, mais seulement lorsque les traitements agissent rapidement.,
Plans à lignes de base multiples
Il existe deux problèmes potentiels avec le plan d’inversion-qui ont tous deux à voir avec l’élimination du traitement. La première est que si un traitement fonctionne, il peut être contraire à l’éthique de l’enlever. Par exemple, si un traitement semblait réduire l’incidence de l’automutilation chez un enfant ayant une déficience intellectuelle, il serait contraire à l’éthique de supprimer ce traitement juste pour montrer que l’incidence de l’automutilation augmente. Le deuxième problème est que la variable dépendante peut ne pas revenir à la valeur de base lorsque le traitement est retiré., Par exemple, lorsque l’attention positive pour étudier est supprimée, un étudiant peut continuer à étudier à un rythme accru. Cela pourrait signifier que l’attention positive a eu un effet durable sur les études de l’étudiant, ce qui serait bien sûr bon. Mais cela pourrait aussi signifier que l’attention positive n’était pas vraiment la cause de l’augmentation des études en premier lieu. Peut—être que quelque chose d’autre s’est produit à peu près au même moment que le traitement-par exemple, les parents de l’élève auraient peut-être commencé à le récompenser pour ses bonnes notes.,
Une solution à ces problèmes consiste à utiliser un plan à lignes de base multiples, qui est représenté à la figure 10.4. Dans une version du plan, une ligne de base est établie pour chacun des participants, puis le traitement est introduit pour chacun. En substance, chaque participant est testé dans un design AB. La clé de cette conception est que le traitement est introduit à un moment différent pour chaque participant. L’idée est que si la variable dépendante change lorsque le traitement est introduit pour un participant, cela pourrait être une coïncidence., Mais si la variable dépendante change lorsque le traitement est introduit pour plusieurs participants-en particulier lorsque le traitement est introduit à des moments différents pour les différents participants—il est extrêmement peu probable qu’il s’agisse d’une coïncidence.
À titre d’exemple, considérons une étude de Scott Ross et Robert Horner (Ross& Horner, 2009). Ils s’intéressaient à la façon dont un programme de prévention de l’intimidation à l’échelle de l’école affectait le comportement d’intimidation d’élèves en difficulté. Dans chacune des trois écoles différentes, les chercheurs ont étudié deux étudiants qui s’étaient régulièrement livrés à l’intimidation. Au cours de la phase de base, ils ont observé les élèves pendant des périodes de 10 minutes chaque jour pendant la pause du déjeuner et ont compté le nombre de comportements agressifs qu’ils avaient à l’égard de leurs pairs., (Les chercheurs ont utilisé des ordinateurs de poche pour aider à enregistrer les données.) Après 2 semaines, ils ont mis en œuvre le programme dans une école. Après 2 semaines supplémentaires, ils l’ont mis en œuvre à la deuxième école. Et après 2 semaines de plus, ils l’ont mis en œuvre à la troisième école. Ils ont constaté que le nombre de comportements agressifs de chaque élève a diminué peu de temps après la mise en œuvre du programme dans son école., Notez que si les chercheurs n’avaient étudié qu’une seule école ou s’ils avaient introduit le traitement en même temps dans les trois écoles, il serait difficile de savoir si la réduction des comportements agressifs était due au programme d’intimidation ou à quelque chose d’autre qui s’est produit à peu près au même moment où il a été introduit (p. ex., un jour férié, une émission de télévision, un changement de temps). Mais avec leur conception à base multiple, ce genre de coïncidence devrait se produire trois fois distinctes—un événement très improbable—pour expliquer leurs résultats.,
Dans une autre version du plan à lignes de base multiples, plusieurs lignes de base sont établies pour le même participant, mais pour différentes variables dépendantes, et le traitement est introduit à un moment différent pour chaque variable dépendante. Imaginez, par exemple, une étude sur l’effet de la fixation d’objectifs clairs sur la productivité d’un employé de bureau qui a deux tâches principales: passer des appels de vente et rédiger des rapports. Des niveaux de référence pour les deux tâches pourraient être établis. Par exemple, le chercheur pourrait mesurer le nombre d’appels de vente effectués et de rapports rédigés par le travailleur chaque semaine pendant plusieurs semaines., Ensuite, le traitement d’établissement d’objectifs pourrait être introduit pour l’une de ces tâches, et à un moment ultérieur, le même traitement pourrait être introduit pour l’autre tâche. La logique est la même qu’avant. Si la productivité augmente sur une tâche après l’introduction du traitement, il n’est pas clair si le traitement a causé l’augmentation. Mais si la productivité augmente sur les deux tâches après l’introduction du traitement—en particulier lorsque le traitement est introduit à deux moments différents—il semble beaucoup plus clair que le traitement était responsable.,
Dans une troisième version du plan à lignes de base multiples, plusieurs lignes de base sont établies pour le même participant, mais dans des contextes différents. Par exemple, une base de référence pourrait être établie pour le temps qu’un enfant passe à lire pendant son temps libre à l’école et pendant son temps libre à la maison. Ensuite, un traitement tel que l’attention positive pourrait être introduit d’abord à l’école et plus tard à la maison. Encore une fois, si la variable dépendante change après l’introduction du traitement dans chaque contexte, cela donne au chercheur la certitude que le traitement est, en fait, responsable du changement.,
Analyse des données dans la recherche sur un seul sujet
En plus de se concentrer sur les participants individuels, la recherche sur un seul sujet diffère de la recherche en groupe par la façon dont les données sont généralement analysées. Comme nous l’avons vu tout au long du livre, la recherche de groupe consiste à combiner des données entre les participants. Les données de groupe sont décrites à l’aide de statistiques telles que les moyennes, les écarts-types, le r de Pearson, etc. pour détecter les tendances générales. Enfin, les statistiques inférentielles sont utilisées pour aider à déterminer si le résultat de l’échantillon est susceptible de se généraliser à la population., La recherche sur un seul sujet, en revanche, repose fortement sur une approche très différente appelée inspection visuelle. Cela signifie tracer les données des participants individuels comme indiqué tout au long de ce chapitre, examiner attentivement ces données et juger si et dans quelle mesure la variable indépendante a eu un effet sur la variable dépendante. Les statistiques inférentielles ne sont généralement pas utilisées.
En inspectant visuellement leurs données, les chercheurs sur un seul sujet prennent en compte plusieurs facteurs. L’un d’eux est les changements dans le niveau de la variable dépendante d’une condition à l’autre., Si la variable dépendante est beaucoup plus élevée ou beaucoup plus faible dans une condition qu’une autre, cela suggère que le traitement a eu un effet. Un deuxième facteur est la tendance, qui fait référence à des augmentations ou des diminutions progressives de la variable dépendante entre les observations. Si la variable dépendante commence à augmenter ou à diminuer avec un changement de conditions, cela suggère à nouveau que le traitement a eu un effet. Il peut être particulièrement révélateur lorsqu’une tendance change de direction—par exemple, lorsqu’un comportement indésirable augmente pendant le traitement initial, mais commence à diminuer avec l’introduction du traitement., Un troisième facteur est la latence, qui est le temps qu’il faut à la variable dépendante pour commencer à changer après un changement de conditions. En général, si un changement dans la variable dépendante commence peu de temps après un changement dans les conditions, cela suggère que le traitement était responsable.
Dans le panneau supérieur de la figure 10.5, il y a des changements assez évidents dans le niveau et la tendance de la variable dépendante d’une condition à l’autre. De plus, les latences de ces changements sont courtes; le changement se produit immédiatement., Ce modèle de résultats suggère fortement que le traitement était responsable des changements dans la variable dépendante. Dans le panneau inférieur de la figure 10.5, cependant, les changements de niveau sont assez faibles. Et bien qu’il semble y avoir une tendance croissante dans le traitement de l’état, il semble qu’il pourrait être un prolongement d’une tendance qui avait déjà commencé au cours de référence. Ce modèle de résultats suggère fortement que le traitement n’était responsable d’aucun changement dans la variable dépendante—du moins pas dans la mesure où les chercheurs sur un seul sujet espèrent généralement voir.,
Les résultats de la recherche sur un seul sujet peuvent également être analysés à l’aide de procédures statistiques-et cela devient de plus en plus courant. Il existe de nombreuses approches différentes, et les chercheurs sur un seul sujet continuent de débattre de celles qui sont les plus utiles., Une approche est parallèle à ce qui est généralement fait dans la recherche de groupe. La moyenne et l’écart-type des réponses de chaque participant dans chaque condition sont calculés et comparés, et des tests statistiques inférentiels tels que le test t ou l’analyse de la variance sont appliqués (Fisch, 2001). (Notez que la moyenne entre les participants est moins courante.) Une autre approche consiste à calculer le pourcentage de données non overlapping (PND) pour chaque participant (Scruggs & Mastropieri, 2001)., Il s’agit du pourcentage de réponses dans la condition de traitement qui sont plus extrêmes que la réponse la plus extrême dans une condition de contrôle pertinente. Dans l’étude de Hall et de ses collègues, par exemple, toutes les mesures du temps d’étude de Robbie dans la première condition de traitement étaient supérieures à la mesure la plus élevée dans la première ligne de base, pour un PND de 100%. Plus le pourcentage de données non recouvrantes est élevé, plus l’effet du traitement est fort., Néanmoins, les approches statistiques formelles de l’analyse des données dans la recherche sur un seul sujet sont généralement considérées comme un complément à l’inspection visuelle, et non comme un remplacement pour celle-ci.
- Les conceptions de recherche sur un seul sujet impliquent généralement de mesurer la variable dépendante à plusieurs reprises au fil du temps et de changer les conditions (p. ex., de la base au traitement) lorsque la variable dépendante a atteint un état d’équilibre. Cette approche permet au chercheur de voir si les changements dans la variable indépendante provoquent des changements dans la variable dépendante.,
- Dans un plan d’inversion, le participant est testé dans un état de base, puis testé dans un état de traitement, puis retourné à la base. Si la variable dépendante change avec l’introduction du traitement, puis revient avec le retour à la base, cela fournit des preuves solides d’un effet du traitement.
- Dans un plan à lignes de base multiples, des lignes de base sont établies pour différents participants, différentes variables dépendantes ou différents paramètres-et le traitement est introduit à un moment différent sur chaque ligne de base., Si l’introduction du traitement est suivie d’un changement de la variable dépendante sur chaque ligne de base, cela fournit des preuves solides d’un effet du traitement.
- Les chercheurs sur un seul sujet analysent généralement leurs données en les présentant sous forme graphique et en déterminant si la variable indépendante affecte la variable dépendante en fonction du niveau, de la tendance et de la latence.
- Pratique: Concevoir une étude simple sur un seul sujet (en utilisant un plan d’inversion ou de base multiple) pour répondre aux questions suivantes., Assurez-vous de spécifier le traitement, de définir opérationnellement la variable dépendante, de décider quand et où les observations seront faites, etc.
- L’attention positive d’un parent augmente-t-elle le comportement de brossage des dents d’un enfant?
- L’auto-test pendant les études améliore-t-il les performances d’un élève aux tests d’orthographe hebdomadaires?
- L’exercice régulier aide-t-il à soulager la dépression?
- Pratique: Créez un graphique qui affiche les résultats hypothétiques de l’étude que vous avez conçue à l’exercice 1. Écrivez un paragraphe dans lequel vous décrivez ce que montrent les résultats., Assurez-vous de commenter le niveau, la tendance et la latence.
Descriptions longues
Figure 10.3 description longue: Graphique linéaire montrant les résultats d’une étude avec un plan d’inversion ABAB. La variable dépendante était faible au cours de la première phase de référence; augmentait au cours du premier traitement; diminuait au cours de la deuxième phase de référence, mais restait plus élevée que lors de la première phase de référence; et était la plus élevée au cours de la deuxième phase de traitement.
la Figure 10.,4 description longue: Trois graphiques linéaires montrant les résultats d’une étude générique à base multiple, dans laquelle différentes lignes de base sont établies et le traitement est présenté aux participants à différents moments.
Pour l’inclusion 1, le traitement est introduit un quart du chemin dans l’étude. La variable dépendante varie entre 12 et 16 unités au début de l’étude, mais descend à 10 unités avec le traitement et diminue principalement jusqu’à la fin de l’étude, allant de 4 à 10 unités.
Pour l’inclusion 2, le traitement est introduit à mi-parcours de l’étude., La variable dépendante varie entre 10 et 15 unités pendant la ligne de base, puis a une forte diminution à 7 unités lorsque le traitement est introduit. Cependant, la variable dépendante augmente à 12 unités peu après la baisse et varie entre 8 et 10 unités jusqu’à la fin de l’étude.
Pour la ligne de base 3, le traitement est introduit aux trois quarts du chemin dans l’étude. La variable dépendante varie entre 12 et 16 unités pour la plupart au cours de la ligne de base, avec une baisse vers le bas à 10 unités., Lorsque le traitement est introduit, la variable dépendante descend à 10 unités, puis oscille entre 8 et 9 unités jusqu’à la fin de l’étude.
Figure 10.5 description longue: Deux graphiques montrant les résultats d’une étude générique sur un seul sujet avec un plan ABA. Dans le premier graphique, sous condition, le niveau est élevé et la tendance est croissante. Dans la condition B, le niveau est beaucoup plus bas que dans la condition A et la tendance est à la baisse. Sous condition A encore une fois, le niveau est à peu près aussi élevé que la première fois et la tendance augmente., Pour chaque changement, la latence est courte, ce qui suggère que le traitement est la raison du changement.
Dans le deuxième graphique, sous la condition A, le niveau est relativement bas et la tendance est à la hausse. Dans la condition B, le niveau est un peu plus élevé que dans la condition A et la tendance augmente légèrement. Dans la condition A encore une fois, le niveau est un peu plus bas que dans la condition B et la tendance diminue légèrement. Il est difficile de déterminer la latence de ces changements, car chaque changement est plutôt infime, ce qui suggère que le traitement est inefficace.,
Le chercheur attend que le comportement du participant dans une condition devienne assez cohérent d’observation en observation avant de changer les conditions. De cette façon, tout changement entre les conditions sera facile à détecter.
Méthode d’étude dans laquelle le chercheur recueille des données sur un état de base, introduit le traitement et continue l’observation jusqu’à ce qu’un état d’équilibre soit atteint, et finalement supprime le traitement et observe le participant jusqu’à ce qu’il revienne à un état d’équilibre.,
Le niveau de répondre avant tout traitement est introduit et agit donc comme une sorte de condition de contrôle.
Une phase initiale est suivie de phases distinctes au cours desquelles différents traitements sont introduits.
Deux traitements ou plus sont alternés relativement rapidement selon un horaire régulier.
Une base de référence est établie pour plusieurs participants et le traitement est ensuite présenté à chaque participant à un moment différent.,
Le tracé des données individuelles des participants, l’examen des données et le jugement sur la question de savoir si et dans quelle mesure la variable indépendante a eu un effet sur la variable dépendante.
Si les données sont supérieures ou inférieures sur la base d’une inspection visuelle des données; un changement de niveau implique que le traitement introduit a eu un effet.
Les augmentations ou diminutions graduelles de la variable dépendante à travers les observations.
Le temps qu’il faut pour la variable dépendante pour commencer à changer après un changement de conditions.,
Pourcentage de réponses dans la condition de traitement qui sont plus extrêmes que la réponse la plus extrême dans une condition de contrôle pertinente.