- Descrivono gli elementi di base di un progetto di ricerca a soggetto singolo.
- Progetta semplici studi a soggetto singolo utilizzando disegni di inversione e baseline multiple.
- Spiega come i progetti di ricerca a soggetto singolo affrontano il problema della validità interna.
- Interpretare i risultati di semplici studi a soggetto singolo basati sull’ispezione visiva dei dati grafici.,
Prima di esaminare qualsiasi progetto specifico di ricerca a soggetto singolo, sarà utile considerare alcune funzionalità comuni alla maggior parte di esse. Molte di queste caratteristiche sono illustrate nella Figura 10.2, che mostra i risultati di uno studio generico a soggetto singolo. Innanzitutto, la variabile dipendente (rappresentata sull’asse y del grafico) viene misurata ripetutamente nel tempo (rappresentata dall’asse x) a intervalli regolari. In secondo luogo, lo studio è diviso in fasi distinte e il partecipante viene testato in una condizione per fase., Le condizioni sono spesso designate con lettere maiuscole: A, B, C e così via. Pertanto, la figura 10.2 rappresenta un progetto in cui il partecipante è stato testato prima in una condizione (A), quindi testato in un’altra condizione (B) e infine nuovamente testato nella condizione originale (A). (Questo è chiamato un disegno di inversione e sarà discusso più dettagliatamente a breve.)
Un altro aspetto importante della ricerca a soggetto singolo è che il cambiamento da una condizione all’altra di solito non si verifica dopo un determinato periodo di tempo o numero di osservazioni. Invece, dipende dal comportamento del partecipante. In particolare, il ricercatore attende che il comportamento del partecipante in una condizione diventi abbastanza coerente dall’osservazione all’osservazione prima di cambiare le condizioni., Questo è a volte indicato come la strategia di stato stazionario (Sidman, 1960). L’idea è che quando la variabile dipendente ha raggiunto uno stato stazionario, qualsiasi cambiamento tra le condizioni sarà relativamente facile da rilevare. Ricordiamo che abbiamo incontrato questo stesso principio quando discutevamo della ricerca sperimentale più in generale. L’effetto di una variabile indipendente è più facile da rilevare quando il” rumore ” nei dati è ridotto al minimo.
Reversal Designs
Il design di ricerca a soggetto singolo più basilare è il design reversal, chiamato anche design ABA., Durante la prima fase, A, viene stabilita una linea di base per la variabile dipendente. Questo è il livello di risposta prima che venga introdotto qualsiasi trattamento, e quindi la fase di base è una sorta di condizione di controllo. Quando viene raggiunta la risposta allo stato stazionario, la fase B inizia quando il ricercatore introduce il trattamento. Ci può essere un periodo di adattamento al trattamento durante il quale il comportamento di interesse diventa più variabile e inizia ad aumentare o diminuire., Ancora una volta, il ricercatore attende che quella variabile dipendente raggiunga uno stato stazionario in modo che sia chiaro se e quanto è cambiato. Infine, il ricercatore rimuove il trattamento e attende nuovamente fino a quando la variabile dipendente raggiunge uno stato stazionario. Questo disegno di inversione di base può anche essere esteso con la reintroduzione del trattamento (ABAB), un altro ritorno alla linea di base (ABABA), e così via.
Lo studio di Hall e dei suoi colleghi era un disegno di inversione ABAB. Figura 10.3 approssima i dati per Robbie., La percentuale di tempo trascorso a studiare (la variabile dipendente) era bassa durante la prima fase di base, aumentata durante la prima fase di trattamento fino a quando non si è livellata, diminuita durante la seconda fase di base e nuovamente aumentata durante la seconda fase di trattamento.
Perché l’inversione—la rimozione del trattamento—è considerata necessaria in questo tipo di progettazione? Perché utilizzare un design ABA, ad esempio, piuttosto che un design AB più semplice? Si noti che un progetto AB è essenzialmente un progetto di serie temporali interrotte applicato a un singolo partecipante., Ricordiamo che un problema con quel disegno è che se la variabile dipendente cambia dopo l’introduzione del trattamento, non è sempre chiaro che il trattamento era responsabile del cambiamento. È possibile che qualcos’altro sia cambiato nello stesso momento e che questa variabile estranea sia responsabile del cambiamento nella variabile dipendente., Ma se la variabile dipendente cambia con l’introduzione del trattamento e poi cambia di nuovo con la rimozione del trattamento (supponendo che il trattamento non crei un effetto permanente), è molto più chiaro che il trattamento (e la rimozione del trattamento) è la causa. In altre parole, l’inversione aumenta notevolmente la validità interna dello studio.
Esistono parenti stretti del disegno di inversione di base che consentono la valutazione di più di un trattamento., In un disegno di inversione del trattamento multiplo, una fase di base è seguita da fasi separate in cui vengono introdotti diversi trattamenti. Ad esempio, un ricercatore potrebbe stabilire una linea di base del comportamento di studio per uno studente dirompente (A), quindi introdurre un trattamento che coinvolga l’attenzione positiva dell’insegnante (B) e quindi passare a un trattamento che preveda una punizione lieve per non studiare (C). Il partecipante potrebbe quindi essere riportato a una fase di base prima di reintrodurre ogni trattamento—forse nell’ordine inverso come un modo per controllare gli effetti del riporto., Questo particolare disegno di inversione di trattamento multiplo potrebbe anche essere indicato come un disegno ABCACB.
In un progetto di trattamenti alternati, due o più trattamenti vengono alternati relativamente rapidamente su un programma regolare. Ad esempio, un’attenzione positiva per lo studio potrebbe essere usata un giorno e una punizione mite per non studiare il prossimo, e così via. Oppure un trattamento potrebbe essere implementato al mattino e un altro nel pomeriggio. Il design dei trattamenti alternati può essere un modo rapido ed efficace per confrontare i trattamenti, ma solo quando i trattamenti sono ad azione rapida.,
Multiple-Baseline Designs
Ci sono due potenziali problemi con il disegno di inversione—entrambi i quali hanno a che fare con la rimozione del trattamento. Uno è che se un trattamento funziona, potrebbe essere immorale rimuoverlo. Ad esempio, se un trattamento sembrava ridurre l’incidenza di autolesionismo in un bambino disabile in via di sviluppo, sarebbe immorale rimuovere quel trattamento solo per dimostrare che l’incidenza di autolesionismo aumenta. Il secondo problema è che la variabile dipendente potrebbe non tornare al basale quando il trattamento viene rimosso., Ad esempio, quando viene rimossa l’attenzione positiva per lo studio, uno studente potrebbe continuare a studiare ad un ritmo maggiore. Ciò potrebbe significare che l’attenzione positiva ha avuto un effetto duraturo sullo studio dello studente, che ovviamente sarebbe buono. Ma potrebbe anche significare che l’attenzione positiva non era davvero la causa dell’aumento dello studio in primo luogo. Forse qualcos’altro è successo all’incirca nello stesso momento del trattamento—per esempio, i genitori dello studente potrebbero aver iniziato a premiarlo per buoni voti.,
Una soluzione a questi problemi consiste nell’utilizzare un design a più baseline, rappresentato nella Figura 10.4. In una versione del progetto, viene stabilita una linea di base per ciascuno dei diversi partecipanti e il trattamento viene quindi introdotto per ciascuno di essi. In sostanza, ogni partecipante viene testato in un design AB. La chiave di questo progetto è che il trattamento viene introdotto in un momento diverso per ogni partecipante. L’idea è che se la variabile dipendente cambia quando viene introdotto il trattamento per un partecipante, potrebbe essere una coincidenza., Ma se la variabile dipendente cambia quando il trattamento viene introdotto per più partecipanti-specialmente quando il trattamento viene introdotto in momenti diversi per i diversi partecipanti—allora è estremamente improbabile che sia una coincidenza.
Ad esempio, si consideri uno studio di Scott Ross e Robert Horner (Ross& Horner, 2009). Erano interessati a come un programma di prevenzione del bullismo a livello scolastico influenzasse il comportamento di bullismo di particolari studenti problematici. In ognuna delle tre scuole diverse, i ricercatori hanno studiato due studenti che si erano regolarmente impegnati nel bullismo. Durante la fase di base, hanno osservato gli studenti per periodi di 10 minuti ogni giorno durante la pausa pranzo e contato il numero di comportamenti aggressivi che hanno esibito nei confronti dei loro coetanei., (I ricercatori hanno utilizzato computer palmari per aiutare a registrare i dati.) Dopo 2 settimane, hanno implementato il programma in una scuola. Dopo altre 2 settimane, l’hanno implementato nella seconda scuola. E dopo altre 2 settimane, l’hanno implementato alla terza scuola. Hanno scoperto che il numero di comportamenti aggressivi esibiti da ogni studente è sceso poco dopo che il programma è stato implementato nella sua scuola., Si noti che se i ricercatori avessero studiato solo una scuola o se avessero introdotto il trattamento contemporaneamente in tutte e tre le scuole, non sarebbe chiaro se la riduzione dei comportamenti aggressivi fosse dovuta al programma di bullismo o a qualcos’altro che è accaduto all’incirca nello stesso momento in cui è stato introdotto (ad esempio, una vacanza, un programma televisivo, un cambiamento del tempo). Ma con il loro design a più linee di base, questo tipo di coincidenza dovrebbe accadere tre volte separate—un evento molto improbabile—per spiegare i loro risultati.,
In un’altra versione del progetto di base multipla, vengono stabilite più linee di base per lo stesso partecipante ma per diverse variabili dipendenti e il trattamento viene introdotto in un momento diverso per ogni variabile dipendente. Immagina, ad esempio, uno studio sull’effetto di fissare obiettivi chiari sulla produttività di un impiegato che ha due compiti principali: effettuare chiamate di vendita e scrivere rapporti. Potrebbero essere stabilite linee di base per entrambe le attività. Ad esempio, il ricercatore potrebbe misurare il numero di chiamate di vendita effettuate e rapporti scritti dal lavoratore ogni settimana per diverse settimane., Poi il trattamento di definizione degli obiettivi potrebbe essere introdotto per uno di questi compiti, e in un secondo momento lo stesso trattamento potrebbe essere introdotto per l’altro compito. La logica è la stessa di prima. Se la produttività aumenta su un’attività dopo l’introduzione del trattamento, non è chiaro se il trattamento abbia causato l’aumento. Ma se la produttività aumenta su entrambi i compiti dopo l’introduzione del trattamento-specialmente quando il trattamento viene introdotto in due momenti diversi-allora sembra molto più chiaro che il trattamento è stato responsabile.,
In una terza versione del progetto di base multipla, vengono stabilite più linee di base per lo stesso partecipante ma in impostazioni diverse. Ad esempio, una linea di base potrebbe essere stabilita per la quantità di tempo che un bambino trascorre a leggere durante il suo tempo libero a scuola e durante il suo tempo libero a casa. Quindi un trattamento come l’attenzione positiva potrebbe essere introdotto prima a scuola e poi a casa. Ancora una volta, se la variabile dipendente cambia dopo che il trattamento è stato introdotto in ogni impostazione, questo dà al ricercatore la fiducia che il trattamento è, di fatto, responsabile del cambiamento.,
Analisi dei dati nella ricerca a soggetto singolo
Oltre alla sua attenzione sui singoli partecipanti, la ricerca a soggetto singolo differisce dalla ricerca di gruppo nel modo in cui i dati vengono tipicamente analizzati. Come abbiamo visto in tutto il libro, la ricerca di gruppo comporta la combinazione di dati tra i partecipanti. I dati di gruppo sono descritti utilizzando statistiche come mezzi, deviazioni standard, r di Pearson e così via per rilevare modelli generali. Infine, le statistiche inferenziali vengono utilizzate per aiutare a decidere se il risultato per il campione è probabile che generalizzi la popolazione., La ricerca su un singolo soggetto, al contrario, si basa molto su un approccio molto diverso chiamato ispezione visiva. Ciò significa tracciare i dati dei singoli partecipanti come mostrato in questo capitolo, esaminare attentamente tali dati e formulare giudizi sul fatto e in che misura la variabile indipendente abbia avuto un effetto sulla variabile dipendente. Le statistiche inferenziali in genere non vengono utilizzate.
Nell’ispezionare visivamente i loro dati, i ricercatori a soggetto singolo prendono in considerazione diversi fattori. Uno di questi sono i cambiamenti nel livello della variabile dipendente da condizione a condizione., Se la variabile dipendente è molto più alta o molto più bassa in una condizione rispetto a un’altra, ciò suggerisce che il trattamento ha avuto un effetto. Un secondo fattore è la tendenza, che si riferisce ad aumenti o diminuzioni graduali della variabile dipendente attraverso le osservazioni. Se la variabile dipendente inizia ad aumentare o diminuire con un cambiamento delle condizioni, allora di nuovo questo suggerisce che il trattamento ha avuto un effetto. Può essere particolarmente significativo quando una tendenza cambia direzione—ad esempio quando un comportamento indesiderato aumenta durante la linea di base, ma poi inizia a diminuire con l’introduzione del trattamento., Un terzo fattore è la latenza, che è il tempo necessario affinché la variabile dipendente inizi a cambiare dopo un cambiamento delle condizioni. In generale, se un cambiamento nella variabile dipendente inizia poco dopo un cambiamento delle condizioni, ciò suggerisce che il trattamento era responsabile.
Nel pannello superiore della Figura 10.5, ci sono cambiamenti abbastanza evidenti nel livello e nell’andamento della variabile dipendente da condizione a condizione. Inoltre, le latenze di questi cambiamenti sono brevi; il cambiamento avviene immediatamente., Questo modello di risultati suggerisce fortemente che il trattamento era responsabile dei cambiamenti nella variabile dipendente. Nel pannello inferiore della Figura 10.5, tuttavia, i cambiamenti di livello sono abbastanza piccoli. E anche se sembra esserci una tendenza crescente nella condizione di trattamento, sembra che potrebbe essere una continuazione di una tendenza che era già iniziata durante la linea di base. Questo modello di risultati suggerisce fortemente che il trattamento non era responsabile di eventuali cambiamenti nella variabile dipendente—almeno non nella misura in cui i ricercatori a soggetto singolo in genere sperano di vedere.,
I risultati della ricerca su singolo soggetto possono anche essere analizzati utilizzando procedure statistiche-e questo sta diventando più comune. Ci sono molti approcci diversi e i ricercatori a soggetto singolo continuano a discutere quali sono i più utili., Un approccio parallelo a ciò che viene tipicamente fatto nella ricerca di gruppo. La media e la deviazione standard delle risposte di ciascun partecipante in ciascuna condizione vengono calcolate e confrontate e vengono applicati test statistici inferenziali come il test t o l’analisi della varianza (Fisch, 2001). (Si noti che la media tra i partecipanti è meno comune.) Un altro approccio è quello di calcolare la percentuale di dati non sovrapposti (PND) per ogni partecipante (Scruggs & Mastropieri, 2001)., Questa è la percentuale di risposte nella condizione di trattamento che sono più estreme della risposta più estrema in una condizione di controllo pertinente. Nello studio di Hall e dei suoi colleghi, ad esempio, tutte le misure del tempo di studio di Robbie nella prima condizione di trattamento erano maggiori della misura più alta nella prima linea di base, per un PND del 100%. Maggiore è la percentuale di dati non sovrapposti, più forte è l’effetto del trattamento., Tuttavia, gli approcci statistici formali all’analisi dei dati nella ricerca su singolo soggetto sono generalmente considerati un supplemento all’ispezione visiva, non un sostituto per esso.
- I progetti di ricerca a soggetto singolo comportano in genere la misurazione della variabile dipendente ripetutamente nel tempo e il cambiamento delle condizioni (ad esempio, dal basale al trattamento) quando la variabile dipendente ha raggiunto uno stato stazionario. Questo approccio consente al ricercatore di vedere se i cambiamenti nella variabile indipendente stanno causando cambiamenti nella variabile dipendente.,
- In un progetto di inversione, il partecipante viene testato in una condizione di base, quindi testato in una condizione di trattamento e quindi restituito alla linea di base. Se la variabile dipendente cambia con l’introduzione del trattamento e poi cambia di nuovo con il ritorno alla linea di base, ciò fornisce una forte evidenza di un effetto del trattamento.
- In un progetto di base multipla, le linee di base sono stabilite per diversi partecipanti, diverse variabili dipendenti o impostazioni diverse-e il trattamento viene introdotto in un momento diverso su ciascuna linea di base., Se l’introduzione del trattamento è seguita da un cambiamento nella variabile dipendente su ogni linea di base, ciò fornisce una forte evidenza di un effetto del trattamento.
- I ricercatori a soggetto singolo analizzano in genere i loro dati illustrandoli graficamente e formulando giudizi sul fatto che la variabile indipendente stia influenzando la variabile dipendente in base al livello, alla tendenza e alla latenza.
- Pratica: progetta un semplice studio a soggetto singolo (usando un disegno di inversione o una linea di base multipla) per rispondere alle seguenti domande., Assicurati di specificare il trattamento, definire operativamente la variabile dipendente, decidere quando e dove verranno fatte le osservazioni e così via.
- L’attenzione positiva da parte di un genitore aumenta il comportamento di spazzolatura di un bambino?
- L’auto-test durante gli studi migliora le prestazioni di uno studente nei test di ortografia settimanali?
- L’esercizio fisico regolare aiuta ad alleviare la depressione?
- Pratica: crea un grafico che visualizza i risultati ipotetici per lo studio che hai progettato nell’esercizio 1. Scrivi un paragrafo in cui descrivi ciò che mostrano i risultati., Assicurati di commentare livello, tendenza e latenza.
Descrizioni lunghe
Figura 10.3 descrizione lunga: grafico a linee che mostra i risultati di uno studio con un disegno di inversione ABAB. La variabile dipendente era bassa durante la prima fase basale; aumentata durante il primo trattamento; diminuita durante il secondo basale, ma era ancora più alta che durante il primo basale; ed era più alta durante la seconda fase di trattamento.
Figura 10.,4 descrizione lunga: Tre grafici a linee che mostrano i risultati di uno studio generico di base multipla, in cui vengono stabilite diverse linee di base e il trattamento viene introdotto ai partecipanti in momenti diversi.
Per il basale 1, il trattamento viene introdotto un quarto del percorso nello studio. La variabile dipendente varia tra 12 e 16 unità durante il basale, ma scende a 10 unità con il trattamento e per lo più diminuisce fino alla fine dello studio, oscillando tra 4 e 10 unità.
Per il basale 2, il trattamento viene introdotto a metà dello studio., La variabile dipendente varia tra 10 e 15 unità durante la linea di base, quindi ha una forte diminuzione a 7 unità quando viene introdotto il trattamento. Tuttavia, la variabile dipendente aumenta a 12 unità subito dopo la caduta e varia tra 8 e 10 unità fino alla fine dello studio.
Per il basale 3, il trattamento viene introdotto per tre quarti dello studio. La variabile dipendente varia tra 12 e 16 unità per la maggior parte durante la linea di base, con un calo fino a 10 unità., Quando viene introdotto il trattamento, la variabile dipendente scende a 10 unità e quindi varia tra 8 e 9 unità fino alla fine dello studio.
Figura 10.5 descrizione lunga: Due grafici che mostrano i risultati di uno studio generico a soggetto singolo con un disegno ABA. Nel primo grafico, nella condizione A, il livello è elevato e la tendenza è in aumento. Nella condizione B, il livello è molto più basso rispetto alla condizione A e la tendenza sta diminuendo. Sotto condizione A ancora una volta, livello è circa alto come la prima volta e la tendenza è in aumento., Per ogni cambiamento, la latenza è breve, suggerendo che il trattamento è la ragione del cambiamento.
Nel secondo grafico, nella condizione A, il livello è relativamente basso e la tendenza è in aumento. Nella condizione B, il livello è leggermente superiore rispetto alla condizione A e la tendenza è in leggero aumento. Nella condizione A di nuovo, il livello è leggermente inferiore rispetto alla condizione B e la tendenza sta diminuendo leggermente. È difficile determinare la latenza di questi cambiamenti, poiché ogni cambiamento è piuttosto minuto, il che suggerisce che il trattamento è inefficace.,
Il ricercatore attende che il comportamento del partecipante in una condizione diventi abbastanza coerente dall’osservazione all’osservazione prima di cambiare le condizioni. In questo modo, qualsiasi cambiamento tra le condizioni sarà facile da rilevare.
Un metodo di studio in cui il ricercatore raccoglie dati su uno stato di base, introduce il trattamento e continua l’osservazione fino a raggiungere uno stato stazionario, e infine rimuove il trattamento e osserva il partecipante fino a quando non ritorna a uno stato stazionario.,
Il livello di risposta prima di qualsiasi trattamento viene introdotto e quindi agisce come una sorta di condizione di controllo.
Una fase di base è seguita da fasi separate in cui vengono introdotti diversi trattamenti.
Due o più trattamenti vengono alternati relativamente rapidamente secondo un programma regolare.
Viene stabilita una linea di base per diversi partecipanti e il trattamento viene quindi introdotto a ciascun partecipante in un momento diverso.,
La mappatura dei dati dei singoli partecipanti, l’esame dei dati e la valutazione se e in che misura la variabile indipendente ha avuto un effetto sulla variabile dipendente.
Se i dati sono più alti o più bassi in base a un’ispezione visiva dei dati; un cambiamento nel livello implica che il trattamento introdotto abbia avuto un effetto.
Aumenta o diminuisce gradualmente la variabile dipendente attraverso le osservazioni.
Il tempo necessario alla variabile dipendente per iniziare a cambiare dopo un cambiamento nelle condizioni.,
La percentuale di risposte nella condizione di trattamento che sono più estreme della risposta più estrema in una condizione di controllo pertinente.