Kapittel 9 Flashcards
Eksperimentelt design
En konkret plan for enn eksperimentell undersøkelse: valg av deltakere, hvilke uavhengige variabler som skal manipuleres, hvordan, analyse og fordeling av deltakere i grupper
Tre varianter av eksperimentelle design i kapittel 9
Flere nivåer av den uavhengige variabelen. Gjentatte målinger og to eller flere uavhengige variabler
Design som manipulerer en uavhengig variabel
Posttest design og pretest-posttest design
Eks med virus som uavhengig (manipulet variabel). Forsøkets leder må ha kontroll over andre variabler, situasjonen må være lik for begge grupper-eneste forskjell er om du får viruset eller ikke men dette vet du ikke på forhånd
Design med repeterte målinger
Hver deltaker måles mer enn en gang på avhengig variabel. Omtales ofte som innengruppedesign
Fordeler med design med repeterte målinger
Færre deltakere
Økonomisk
Innengruppedesign er mer sensitive (mindre feilvariasjon)
Trengs ikke randomisering for alle deltakere deltar i alle betingelsene
OBS repeterte målinger
Tretthet, læring/bedring, kontrast mellom eks stor og liten belønning > CARRYOVER EFFECTS Utenom er det vanskelig med rekruttering, frafall. Demand characteristics
Motbalansering
Halvparten av deltakerne får én sekvens, den andre får motsatt
Strategier for å håndtere carryover effekter
Motbalansering (komplett, delvis), minimere carryover effekter (siden de ofte er tidsavhengige kan man forlenge tidsrommet mellom deler av eksperimentet) og/eller inkludere dem som variabler i eksperimentet slik at effekten er under kontroll
Design med flere nivåer av den manipulerte variabel
Hva skjer når en gitt variabel manipuleres i flere nivåer? Prestasjon må måles i hvert nivå. Eks kaffekopper og prestasjon
Design med flere typer betingelser
Manipulere en variabel kvalitativt: eks kognitiv, samtale og atferdsterapi er manipulert variabel i eksperiment om behandling for depresjon. Kontrollgruppe og randomisering er like viktig her som andre eksperiment. For å unngå forventningseffekt kan man innføre blindt og dobbelt blindt design
T-test og ANOVA
T-test er beregnet for å sammenligne to gruppegjennomsnitt for å se effekt av uavhengig variabel. Anova brukes når du må sammenligne flere gruppegjennomsnitt - variansanalyse.
Faktorielle design
Eksperimentelt design hvor flere uavhengige variabler manipuleres samtidig i ett og samme eksperiment. Eks oppgave med høy/lav motivasjon og vanskelig/lett oppgave. Trenger 4 grupper der alle får ulik kombinasjon av faktorene oppgave og motivasjon
Hovedeffekt og interaksjonseffekt
Hovedeffekt tilsvare konklusjoner man kunne ha trukket fra to separate eksperimenter: talehastighet og kvalitet på budskapet. Interaksjonseffekt foreligger hvis effekten av én variabel avhenger av nivået på en annen variabel
Hvordan kan en forsker trekke slutninger fra kompliserte data?
Variansanalyse! ANOVA
Varianter av faktorielle design (6)
Flere faktorer (uavhengige variabler. 2x2x2 design)
Flere nivåer på hver faktor (stress kan måles i tre nivåer: 2x2x3 design)
Mixed design (repeterte målinger kombinert med gruppemanipulasjon)
Manipulerte og ikke manipulerte faktorer (en faktor manipuleres men variasjon i deltakere er faktor nummer to, som kjønn alder eller personlighet)
Repeterte målinger vs unike grupper (samme forsøkspersoner i flere enn én betingelse)
Mixed design med forskjellige tidspunkt for tiltak (først en test for alle deltakere, innfør så tiltak for en gruppe og se effekt, test en tredje gang hvor begge grupper har gjennomført test, og man ønsker at de nå er like for å konstatere effekt)
N=1-design
Eksperimentelle situasjoner hvor du bruker én forsøksperson om gangen. Personen er sin egen kontroll, brukes særlig i atferdsanalytisk orientert psykologi. Må IKKE blandes med kasusstudier.
Fordeler med N=1-design (2 argument)
Feilvariasjonsargumentet (lettere å identifisere, forklare og kontrollere feilvariasjon enn gruppedesign) og Utvanningsargumentet (å slå sammen skårer fra grupper kan gi feil informasjon ergo feilaktige slutninger. Eks om læring skjer gradvis eller i plutselige sprang)
Basline, atferdsbeskrivelse og prediksjon
For at repeterte målinger i N=1-design skal gi informasjon om hvilken effekt manipulert variabel har, må atferdsnivå før intervensjon iverksettes, (baseline) bli sammenlignet med atferdsnivå etter intervensjon/manipulasjon. Baselineobservasjonene har to funksjoner: atferdsbeskrivelse (hvor omfattende atferdsproblemet er) og prediksjon (Hvordan vil atferden være hvis betingelsene ikke endres?) Etter baselinje iverksetter man tiltaket
Visuelle analyser av endring for å trekke slutninger om et tiltak har hatt effekt (endringskriterier i N=1-design)
Endring i gjennomsnitt(måler forskjeller i gjsnitt atferd mellom baselinje og tiltaksfase), endring i tendens (er tendensen forskjellig i ulike faser av eksperimentet), endring i nivå (om det er forskjell i nivå mellom siste fase i baselinjeperioden og første fase av tiltaksperioden) og latenstid endring (hvor raskt atferden påvirkes av tiltaket. Generelt effekt når atferdsendring inntreffer relativt raskt)
Svakheter med visuell inspeksjon av data
Feilvurderinger, spesielt hvis datagrunnlaget er komplekst og mulige effekter av tiltaket er moderate
Visuell inspeksjon av data stiller høye krav til effekt, forskeren har en tendens til å overse remativ4 svake, men signifikante effekter
ABAB-design
Endringene som er diskutert i N=1-Design kan bygges i mer komplekse design for å dokumentere eksperimentell effekt - dette er en av dem. Forsker observerer målatferd vekselvis uten manipulasjon (A) og med manipulasjon (B). Kan måle baseline, innføre tiltak, så REVERSERE A igjen (altså uten tiltak) for så å sette inn tiltak B for andre gang og se effekt. Etikk: er ikke alltid forsvarlig å reversere målatferden, og av og til er det umulig (når du har lært å lese, sykle, svømme)
Amputert AB-design
Design som ikke kontrollerer kontrollfase etter at tiltaket første gang er introdusert. Kan gi trussel mot indre validitet i motsetning til ABAB design ved at det kan skje mye i eksperimentfasene, særlig om det er snakk om lange observasjonsfaser
Multiple-baseline design
Flere observerte atferdsformer eksponeres for tiltak på ulike tidspunkter. Eks om et spesielt tiltak hjelper mot aggresjon i barnehage. Først innføre tiltak mot verbal aggresjon, så fysisk aggresjon etterpå. Atferdsformene må være relativt uavhengige av hverandre!
Design med endrede kriterier
Forskeren etter en baseline observasjon innfører krav til endret atferd som det er relativt lett å oppfylle. Eks å minimere koffein-inntak fra 1000mg til 300mg i løpet av flere dager med mindre og mindre koffein-inntak
Ulemper/begrensninger med N=1-design
♡ Etikk
♡ Carryover effekter
♡ Individuelle forskjeller kan ikke kontrolleres eksperimentelt
♡ Høy indre validitet, men begrenset generaliserbarhet
