Zum Inhalt springen
Zurück zu den Suchergebnissen

Adaptives AB-Design — Adaptives AB-Experimentelles Einzelfall-Design

Eingeführt von
Baer, Wolf & Risley (AB foundation); Kratochwill & Levin (adaptive single-case extensions)
Jahr
1968 (AB foundation); 2000s (adaptive extensions)
Typ
Single-subject experimental design with adaptive phase-change rules
Familie
Experimental design

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Das adaptive AB-Design ist ein experimentelles Einzelfall-Design, das die zweiphasige Baseline-dann-Interventions-Struktur des klassischen AB-Designs beibehält, aber feste Sitzungsanzahl-Regeln durch vordefinierte datengesteuerte Kriterien ersetzt – wie Stabilitätsschwellen oder Trend-Benchmarks –, die bestimmen, wann zwischen den Phasen gewechselt wird.

Diese adaptive Logik ermöglicht es, die Phasengrenze als Reaktion auf die tatsächliche Leistungsentwicklung des einzelnen Teilnehmers zu verschieben, anstatt einem vorbestimmten Zeitplan zu folgen.

Die Intuition hinter der Methode

Bei einem Standard-AB-Design könnten Sie im Voraus entscheiden, zehn Baseline-Sitzungen durchzuführen und dann unabhängig von den Daten mit der Intervention zu beginnen. Bei einem adaptiven AB-Design legen Sie stattdessen vor Beginn der Studie eine Regel fest – zum Beispiel: 'Wechseln Sie nur dann zur Interventionsphase, wenn fünf aufeinanderfolgende Datenpunkte innerhalb von zehn Prozent voneinander liegen und keinen Aufwärtstrend aufweisen.' Das Design reagiert auf die eigenen Daten des Teilnehmers und nicht auf einen festen Kalender, was die Baseline besser begründbar und den Phasenübergang wissenschaftlich fundierter macht. Der Kernkompromiss bleibt: Ohne eine Reversionsphase kann das Design immer noch keine zufälligen Ereignisse als Ursache für beobachtete Veränderungen ausschließen.

Geschichte

Das AB-Design war grundlegend für die angewandte Verhaltensanalyse nach dem wegweisenden Artikel von Baer, Wolf und Risley (1968). Einzelfallforscher erkannten früh, dass feste Sitzungsanzahlen für Baselines willkürlich waren, und Methodologen befürworteten Stabilitätskriterien als wissenschaftlich angemessene Stoppregel – eine Position, die in einflussreichen Texten wie Cooper, Heron und Heward's Applied Behavior Analysis gefestigt wurde. Die explizite Formulierung datengesteuerter Phasengrenzkriterien als adaptive Funktion von Einzelfalldaten-Designs gewann in den 2000er Jahren an Bedeutung, parallel zum breiteren Interesse an adaptiven experimentellen Methoden, wie von Kratochwill und Levin (2010) in ihrer Synthese methodischer Fortschritte bei Einzelfalldaten-Designs zusammengefasst.

Wann wird sie eingesetzt?

Verwenden Sie das adaptive AB-Design, wenn Sie einen Einzelfall-Baseline-Interventions-Rahmen benötigen, aber nicht im Voraus genau bestimmen können, wie viele Sitzungen der einzelne Teilnehmer benötigt, um eine stabile Baseline zu erreichen – üblich in der angewandten Verhaltensanalyse, Sonderpädagogik, Rehabilitation und klinischen Fallstudien, wo die Variabilität der Teilnehmer hoch ist. Es ist einem AB-Design mit fester Sitzungsanzahl vorzuziehen, wenn eine instabile Baseline sonst einen frühen, ungerechtfertigten Phasenübergang oder einen unnötig verlängerten erzwingen würde. Verwenden Sie das adaptive AB-Design nicht, wenn kausale Beweise erforderlich sind: Wie das Standard-AB-Design kann es ohne eine Reversions- oder Replikationsphase keine zufälligen Ereignisse ausschließen. Wenn die interne Validität Priorität hat, verwenden Sie ein ABA-, ABAB- oder Mehrfach-Baseline-Design. Vermeiden Sie es auch, wenn das Team sich nicht vor der Datenerhebung an die Entscheidungsregel halten kann, da eine nachträgliche Anpassung der Phasengrenze die Interpretation ungültig macht.

Grenzen und Hinweise

  • Wie das Standard-AB-Design kann es keine Kausalität nachweisen: Ohne eine Reversionsphase bleiben Geschichte, Reifung und Regression zum Mittelwert plausible alternative Erklärungen.
  • Die adaptive Phasengrenzregel führt einen zusätzlichen methodischen Entscheidungspunkt ein, der vollständig vordefiniert und transparent berichtet werden muss, um Forscher-Freiheitsgrade zu vermeiden.
  • Ergebnisse gelten nur für die untersuchte Einzelperson; externe Generalisierbarkeit erfordert systematische Replikation über mehrere Teilnehmer und Settings hinweg.
  • Wenn das Stabilitätskriterium zu streng festgelegt wird, kann die Baseline-Datenerhebung unpraktisch lange dauern; wenn es zu locker ist, ist die Baseline nicht besser begründbar als eine Regel mit fester Sitzungsanzahl.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Der datengesteuerte Phasenübergang liefert eine wissenschaftlich fundiertere Baseline als eine willkürliche feste Sitzungsanzahl.
  • Flexibilität passt sich individuellen Unterschieden in der Baseline-Stabilität an, ohne das Prinzip der Vordefinition zu beeinträchtigen.
  • Behält den ethischen Vorteil des AB-Designs bei – es ist kein Entzug einer vermutlich vorteilhaften Intervention erforderlich.
  • Kompatibel mit visueller Analyse und Tau-U-Effektstärkeschätzung, die in der Einzelfallforschung verwendet werden.
  • Praktisch in klinischen und pädagogischen Umgebungen, wo die Sitzungszeit begrenzt ist und die Verläufe der Teilnehmer unvorhersehbar sind.

Anwendungen

  • Bewertung der Auswirkung einer Leseintervention auf einen einzelnen Schüler, dessen prä-interventionale Leseflüssigkeit stark schwankt, unter Verwendung eines Stabilitätskriteriums zur Bestimmung, wann Baseline-Daten ausreichend sind.
  • Überwachung von Verhaltensoutcomes in der Praxis der angewandten Verhaltensanalyse, bei denen die Verbesserungsraten des Klienten während der Baseline einen festen Phasenübergang verzerren würden.
  • Dokumentation der Behandlungsreaktion in der Rehabilitationsmedizin für einen einzelnen Patienten, dessen motorischer Erholungsverlauf während der Nichtbehandlungsphase ein Plateau-Kriterium erfüllen muss, bevor mit der Physiotherapie begonnen wird.
  • Bewertung des Einflusses einer Unterrichtsanpassung in der Sonderpädagogik, bei der der Praktiker eine prinzipienbasierte Regel benötigt, wann das Baseline-Verhalten stabil genug ist, um die Intervention zu rechtfertigen.
  • Pilotierung einer neuen psychosozialen Intervention mit einem Einzelfall in der klinischen Psychologie, bevor eine Gruppendesign-Verpflichtung eingegangen wird, unter Verwendung adaptiver Baseline-Kriterien zum Schutz der internen Validität.
  • Verfolgung von Selbstbeobachtungs-Outcomes im betrieblichen Gesundheitswesen für einen einzelnen Mitarbeiter, wobei der Phasenübergang durch vordefinierte Schwellenwerte für Verhaltensstabilität geregelt wird.

So funktioniert es

So funktioniert es

1

Definieren Sie die abhängige Variable operativ – das spezifische, beobachtbare und messbare Verhalten oder Ergebnis, das über beide Phasen hinweg verfolgt werden soll. Eine klare Operationalisierung stellt sicher, dass die Messungen in der Baseline- und Interventionsphase streng vergleichbar sind und die Anpassungskriterien konsistent angewendet werden können.

2

Erheben Sie wiederholte Messungen des Zielverhaltens unter natürlichen Bedingungen ohne Intervention (Phase A). Anstatt bei einer festen Anzahl von Sitzungen aufzuhören, fahren Sie mit der Erhebung von Baseline-Daten fort, bis das vordefinierte Stabilitätskriterium erfüllt ist – zum Beispiel nicht mehr als zehn Prozent Variabilität über die letzten fünf Datenpunkte und kein systematischer Trend in die gewünschte Richtung. Diese datenabhängige Stoppregel liefert eine besser begründbare Schätzung vor der Intervention als eine willkürliche Regel mit fester Sitzungsanzahl.

3

Werten Sie die gesammelten Baseline-Daten bei jeder Sitzung anhand der vordefinierten Entscheidungskriterien aus. Wenn der Stabilitätsschwellenwert noch nicht erreicht ist, verlängern Sie die Baseline. Wenn das Trendkriterium noch nicht erfüllt ist – zum Beispiel, wenn die Baseline bereits in die gewünschte Richtung fortschreitet –, bewerten Sie neu, ob die Interventionsphase aussagekräftig interpretiert werden kann oder ob das Design neu gestaltet werden sollte. Die Entscheidungsregel muss vollständig festgelegt sein, bevor die Datenerhebung beginnt, um nachträgliche Rationalisierungen zu verhindern.

4

Sobald die Entscheidungsregel signalisiert, dass das Baseline-Kriterium erfüllt ist, führen Sie die Behandlung an einer klar definierten Sitzungsgrenze ein, während alle anderen Bedingungen konstant gehalten werden. Dokumentieren Sie die genaue Sitzungsnummer und den Grund für den Phasenübergang. Keine gleichzeitigen Verfahrensänderungen sollten den Beginn der Intervention begleiten.

5

Tragen Sie alle Zeitreihendaten mit einer Phasenwechsellinie am adaptiven Übergangspunkt auf. Bewerten Sie Veränderungen in Niveau, Trend und Variabilität zwischen den Phasen anhand standardmäßiger visueller Analyseverfahren. Ergänzen Sie die visuelle Analyse durch Effektstärkestatistiken wie Tau-U, die den Baseline-Trend berücksichtigt und für kurze Serien geeignet ist. Interpretieren Sie beobachtete Veränderungen angesichts des Fehlens einer Reversionsphase vorsichtig.

Häufige Fallstricke

  • Die Festlegung oder Anpassung der Entscheidungsregel nach Betrachtung der Baseline-Daten – diese nachträgliche Flexibilität zerstört die Interpretationsvalidität des Phasenübergangs und stellt einen nicht offengelegten Forscher-Freiheitsgrad dar.
  • Fortfahren zur Interventionsphase trotz einer Baseline, die sich in die gewünschte Richtung entwickelt – eine sich verbessernde Baseline macht jede weitere Verbesserung in der B-Phase als Interventionseffekt uninterpretierbar.
  • Zu wenige Datenpunkte vor Erreichen des Kriteriums: Wenn die Stabilitätsregel nur durch drei oder vier Sitzungen erfüllt ist, ist die Baseline zu kurz für eine zuverlässige visuelle Analyse; das Kriterium sollte eine Mindestanzahl von Beobachtungen sowie einen Stabilitätsschwellenwert erfordern.
  • Vermischung des adaptiven Phasengrenzmechanismus mit adaptiven Designs in klinischen Studien – das adaptive AB-Design leiht sich das Wort 'adaptiv' im Einzelfall-Kontext; es beinhaltet nicht die Alpha-Spending-Funktionen oder Zwischenanalysen klinischer adaptiver Designs.

Häufig gestellte Fragen

Was macht dieses Design im Vergleich zu einem Standard-AB-Design 'adaptiv'?

Bei einem Standard-AB-Design wird die Anzahl der Baseline-Sitzungen typischerweise vor Beginn der Datenerhebung festgelegt. Beim adaptiven AB-Design wird der Phasenübergang durch ein vordefiniertes datengesteuertes Kriterium – wie einen Stabilitätsschwellenwert oder einen Trend-Benchmark – gesteuert, sodass die Baseline fortgesetzt wird, bis die Daten des Teilnehmers die Regel erfüllen. Das Wort 'adaptiv' bezieht sich auf diese datenabhängige Entscheidung über die Phasengrenze, nicht auf Zwischenanalysen klinischer Studien.

Wie lege ich die Entscheidungsregel fest, ohne die Ergebnisse zu verzerren?

Das Stabilitätskriterium und jede Mindestsitzungsanzahl müssen vor der Erhebung von Daten im Studienprotokoll festgelegt und idealerweise mit einem Zeitstempel registriert oder dokumentiert werden. Gängige Kriterien umfassen einen spezifizierten maximalen Variationskoeffizienten über die letzten N Datenpunkte, das Fehlen eines monotonen Trends mit einer gegebenen Steigung oder eine Kombination aus beidem. Eine nachträgliche Änderung des Kriteriums ist nicht akzeptabel.

Löst die adaptive Phasengrenzregel das Problem der kausalen Inferenz des AB-Designs?

Nein. Die adaptive Regel stärkt die Prä-Interventions-Schätzung, indem sie eine wirklich stabile Baseline gewährleistet, fügt aber kein Reversions- oder Replikationselement hinzu. Geschichte und Reifung bleiben alternative Erklärungen für jede nach dem Phasenübergang beobachtete Veränderung. Kausale Inferenz in der Einzelfallforschung erfordert eine Reversion (ABA, ABAB) oder eine Mehrfach-Baseline-Replikationsstruktur.

Kann ich Tau-U mit adaptiven AB-Daten verwenden?

Ja. Tau-U eignet sich für kurze Zeitreihendaten aus Einzelfalldaten-Designs und berücksichtigt den Baseline-Trend bei der Berechnung der Effektstärke. Es kann auf adaptive AB-Daten auf die gleiche Weise wie auf Standard-AB-Daten angewendet werden, wobei alle Datenpunkte aus jeder Phase verwendet werden. Die Position der Phasengrenze (adaptiv bestimmt) sollte zusammen mit der Tau-U-Statistik transparent berichtet werden.

Wann sollte ich von einem adaptiven AB-Design zu einem ABA- oder ABAB-Design wechseln?

Wenn die Forschungsfrage kausale Beweise anstelle einer vorläufigen Dokumentation erfordert, wenn das Zielverhalten voraussichtlich nicht durch Lernen irreversibel ist und wenn der Entzug der Behandlung ethisch vertretbar ist. Das adaptive AB-Design eignet sich am besten für Pilotuntersuchungen, die Dokumentation von Anwenderfällen oder Situationen, in denen eine Reversion ethisch oder praktisch unmöglich ist.

Verwandte Methoden

Quellen

  1. Baer, D. M., Wolf, M. M., & Risley, T. R. (1968). Some current dimensions of applied behavior analysis. Journal of Applied Behavior Analysis, 1(1), 91-97.

    DOI-Referenz öffnen
    Kopiert.
  2. Kratochwill, T. R., & Levin, J. R. (Eds.). (2010). Single-Case Intervention Research: Methodological and Statistical Advances. American Psychological Association.

    ISBN: 978-1433807428
    Kopiert.