Mobile Experience Sampling — Ökologische Momentaufnahmen im täglichen Leben
- Eingeführt von
- Mihaly Csikszentmihalyi & Reed Larson
- Jahr
- 1983
- Typ
- Intensive longitudinal data collection technique
- Familie
- Data collection
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Mobile Experience Sampling (ESM) ist eine intensive longitudinale Datenerhebungstechnik, bei der Teilnehmer auf kurze, wiederholte Fragebögen reagieren, die über den Tag verteilt zu zufälligen oder geplanten Zeitpunkten auf ihre Smartphones gesendet werden.
Indem Gedanken, Gefühle, Verhaltensweisen und Kontexte zum oder nahe dem Zeitpunkt ihres Auftretens erfasst werden, minimiert ESM den Rückerinnerungsfehler und liefert ein hochauflösendes Bild psychologischer und Verhaltensschwankungen im Alltag.
Die Intuition hinter der Methode
Traditionelle Umfragen bitten die Menschen, über Tage oder Wochen zurückzublicken – ein Prozess, der anfällig für Gedächtnisverzerrungen und die Dominanz von Spitzen- oder jüngsten Erfahrungen ist. ESM umgeht dies, indem es mehrmals täglich kurze, gezielte Fragen stellt, genau dann und dort, wo das tägliche Leben stattfindet. Stellen Sie es sich als wiederholte „Schnappschüsse“ der Erfahrung vor, anstatt als ein einziges Panoramabild, das nachträglich aufgenommen wurde. Das Ergebnis sind Daten, die die intraindividuelle Variation über Zeit und Kontext verfolgen und es Forschern ermöglichen, nicht nur zu fragen: „Wie ist Ihre durchschnittliche Stimmung?“, sondern auch: „Wie schwankt Ihre Stimmung über verschiedene Aktivitäten, Personen und Orte hinweg?“
Geschichte
Die Experience Sampling Method wurde von Mihaly Csikszentmihalyi und Reed Larson an der University of Chicago in den frühen 1980er Jahren entwickelt, um optimale Erfahrungen und die Psychologie des täglichen Lebens zu untersuchen. Ihre Validierungsarbeit von 1987 im Journal of Nervous and Mental Disease lieferte grundlegende psychometrische Beweise. Der Artikel von Shiffman, Stone und Hufford im Annual Review of Clinical Psychology von 2008 systematisierte die parallele Tradition der Ecological Momentary Assessment in der Gesundheitsforschung. Die weit verbreitete Einführung von Smartphones ab Ende der 2000er Jahre verwandelte ESM von einem pagerbasierten Protokoll in eine skalierbare mobile Methodik.
Wann wird sie eingesetzt?
Verwenden Sie ESM, wenn Ihre Forschungsfrage sich auf intraindividuelle Variabilität, momentane Zustände oder die Dynamik von Verhalten in natürlichen Kontexten bezieht – Fragen wie, wie sich Affekte über tägliche Aktivitäten hinweg verändern, wie sich Stress über einen Arbeitstag hinweg aufbaut oder wie soziale Interaktionen die Stimmung in Echtzeit beeinflussen. Es eignet sich gut für Psychologie, Gesundheitswissenschaften, Organisationsforschung und Konsumverhalten. Vermeiden Sie ESM, wenn das interessierende Konstrukt eine längere Reflexion erfordert (z. B. Lebensgeschichtensinn), wenn Teilnehmer nicht über die nötige Lese- und Schreibfähigkeit oder Motivation für wiederholte kurze Fragebögen verfügen, wenn der Studienkontext häufige Handynutzung unpraktisch oder unsicher macht oder wenn das Forschungsbudget und der Zeitplan die Infrastruktur, die Compliance-Überwachung und die Multilevel-Analyse, die ESM erfordert, nicht unterstützen können.
Grenzen und Hinweise
- Die Belastung der Teilnehmer ist hoch; wiederholte Unterbrechungen über Tage hinweg können zu Ermüdung, Reaktivität auf die Erhebung und Abbruch führen.
- Non-Compliance ist systematisch (Erhebungen werden in anspruchsvollen oder privaten Momenten verpasst) und kann die Ergebnisse verzerren.
- Datenmanagement, App-Infrastruktur und Multilevel-Modellierung erfordern spezialisierte technische Expertise und Ressourcen.
- Momentane Messungen sind zwangsläufig kurz; komplexe Konstrukte, die eine reichhaltige Reflexion erfordern, können in 1–3-minütigen Momentaufnahmen nicht ausreichend erfasst werden.
- Die Ergebnisse sind spezifisch für den erfassten Zeitraum und Kontext; die Verallgemeinerung auf andere Lebensphasen oder Populationen erfordert Replikation.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Erfasst momentane Zustände mit minimalem Rückerinnerungsfehler, was die ökologische Validität dramatisch verbessert.
- Ermöglicht intraindividuelle Analysen, die Querschnittsdesigns nicht bieten – Verfolgung von Schwankungen, verzögerten Effekten und personenspezifischer Variabilität.
- Produziert eine große Anzahl von Beobachtungen pro Teilnehmer, was selbst bei moderaten Stichprobengrößen eine erhebliche statistische Aussagekraft für intraindividuelle Hypothesen bietet.
- Natürliche Umgebung: Daten werden in den realen Umgebungen der Teilnehmer gesammelt, nicht unter künstlichen Laborbedingungen.
- Flexible Bereitstellung über Smartphone-Apps ermöglicht passive Datenaugmentation (GPS, Beschleunigungsmessung, Bildschirmzeit) neben Selbstauskünften.
Anwendungen
- Erfassung der Variabilität von Stimmung und Affekt in klinischen Populationen (Depression, bipolare Störung, Angst), um intraindividuelle Risikomuster zu identifizieren.
- Untersuchung, wie soziale Interaktionen, körperliche Aktivität und Schlafqualität mit dem Wohlbefinden im täglichen Leben kovariieren.
- Untersuchung momentaner Verlangen, Auslöser für Substanzkonsum und Rückfallvorläufer in der Suchtforschung.
- Messung von Arbeitsengagement, Stress und kognitiver Belastungsschwankungen während eines Arbeitstages in der Organisationspsychologie.
- Erfassung von Konsumentscheidungen und Mediennutzung, wie sie in natürlichen Konsumkontexten auftreten.
- Bewertung von Symptomdynamiken und Behandlungsreaktionen bei Patienten mit chronischen Schmerz- oder Erschöpfungszuständen.
So funktioniert es
So funktioniert es
Der Forscher definiert das interessierende Konstrukt (Stimmung, Stress, Verlangen, soziale Interaktion usw.) und entscheidet über ein Signalisierungsschema: zufällig (Signale treten zu unvorhersehbaren Zeitpunkten innerhalb vordefinierter Zeitfenster auf), intervallabhängig (feste Zeiten pro Tag) oder ereignisabhängig (Teilnehmer löst die Erhebung aus, wenn ein definiertes Ereignis eintritt). Die Anzahl der täglichen Erhebungen und die Studiendauer werden festgelegt, um die Datendichte gegen die Belastung der Teilnehmer abzuwägen; 3–10 Signale pro Tag über 7–14 Tage sind typisch.
Die Teilnehmer werden rekrutiert und erhalten eine spezielle mobile App oder ein SMS-basiertes System, das Signale sendet und Antworten aufzeichnet. Eine gründliche Einweisung erklärt das Protokoll, und ein kurzer Übungstag wird normalerweise vor Beginn der eigentlichen Studie durchgeführt. Die Skalen müssen kurz sein – Antworten sollen 1–3 Minuten dauern – und für wiederholte intraindividuelle Messungen validiert sein.
Signale werden zu den vordefinierten Zeiten oder Intervallen gesendet. Wenn ein Signal eintrifft, öffnet der Teilnehmer die App und beantwortet den momentanen Fragebogen, der seinen aktuellen Zustand, seine laufende Aktivität, seinen sozialen Kontext und seinen Standort (falls erlaubt) erfasst. Antworten werden mit Zeitstempeln versehen und automatisch hochgeladen. Compliance und Antwortlatenz werden zur späteren Qualitätskontrolle aufgezeichnet.
Die Antwortraten werden während des gesamten Studienzeitraums verfolgt. Teilnehmer, die unter einem akzeptablen Schwellenwert (üblicherweise 70–75 % der Signale) liegen, können mit Erinnerungen kontaktiert oder von der Analyse ausgeschlossen werden. Hohe Non-Compliance ist nicht zufällig – sie tritt tendenziell in anspruchsvollen oder privaten Momenten auf – und kann systematische Verzerrungen einführen, die im Analyseplan berücksichtigt werden müssen.
Da jeder Teilnehmer viele Beobachtungen liefert, haben die Daten eine verschachtelte Struktur (Erhebungen innerhalb von Personen, Personen innerhalb von Gruppen). Multilevel-Modellierung (HLM / gemischte Modelle) ist der Standard-Analyserahmen. Intraindividuelle Effekte (wie eine Variable um den Mittelwert jeder Person schwankt) werden von interindividuellen Effekten (wie sich Personen im Durchschnitt unterscheiden) getrennt, was feingranulare Hypothesen über Zustandsdynamiken, verzögerte Effekte und personenspezifische Moderatoren ermöglicht.
Häufige Fallstricke
- Zu viele Items pro Signal: Fragebögen mit mehr als 10–15 Items reduzieren die Compliance erheblich; halten Sie jedes Signal kurz und für die intraindividuelle Messung validiert.
- Ignorieren von Intraclass-Korrelationen: Die Behandlung von ESM-Daten als unabhängige Beobachtungen erhöht den Fehler erster Art; verwenden Sie immer Multilevel- oder gemischte Modelle, die die verschachtelte Struktur berücksichtigen.
- Verwechslung von intraindividuellen und interindividuellen Effekten: Eine Variable, die auf der interindividuellen Ebene Vorhersagen für Ergebnisse liefert, muss dies nicht auf der intraindividuellen Ebene tun (und umgekehrt); diese Effekte müssen in der Analyse explizit getrennt werden.
- Vernachlässigung der Reaktivität: Der Akt der Selbstbeobachtung kann das untersuchte Verhalten oder die Erfahrung verändern; schließen Sie eine Gewöhnungsphase ein oder berücksichtigen Sie die Reaktivität in Sensitivitätsanalysen.
Häufig gestellte Fragen
Wie viele Signale pro Tag und für wie viele Tage sind angemessen?
Ein gängiges Protokoll liefert 4–8 zufällige Signale pro Tag über 7–14 aufeinanderfolgende Tage, was 28–112 Erhebungen pro Teilnehmer ergibt. Die optimale Anzahl hängt von der Intraclass-Korrelation Ihres Ergebnisses ab (höhere ICC = weniger wiederholte Messungen erforderlich), der Toleranz der Teilnehmer gegenüber Belastung und der Zeitskala des Phänomens ab. Sehr kurze Protokolle (3 Tage) können wöchentliche Rhythmen verfehlen; sehr lange (über 21 Tage) bergen das Risiko erheblicher ermüdungsbedingter Ausfälle.
Welche Stichprobengröße benötige ich für eine ESM-Studie?
Die Aussagekraft in ESM ist eine Funktion sowohl der Anzahl der Teilnehmer als auch der Anzahl der Erhebungen pro Person. Für typische intraindividuelle Effektgrößen (r ≈ 0,15–0,30) legen Simulationsstudien nahe, dass 50–100 Teilnehmer mit jeweils 30–50 gültigen Erhebungen eine ausreichende Aussagekraft für Multilevel-Modelle bieten. Weniger Teilnehmer können teilweise durch mehr Erhebungen kompensiert werden, aber unter etwa 30 Teilnehmern werden die Schätzungen der interindividuellen Varianz instabil.
Ist ESM für qualitative Forschung geeignet?
Vorwiegend generiert ESM quantitative Daten (Bewertungen, Häufigkeiten). Allerdings können ereignisabhängige Designs offene Textfelder für kurze narrative Antworten enthalten, und ESM-Daten können verwendet werden, um gezielt Momente für nachfolgende qualitative Interviews auszuwählen – ein Design, das manchmal als „ESM-angereicherte Interviews“ bezeichnet wird. Reines qualitatives ESM ist ungewöhnlich.
Welche Software und Apps werden üblicherweise für ESM verwendet?
Beliebte Forschungsplattformen sind m-Path, ExperienceSampler, MetricWire und movisensXS. Für klinische oder größere Studien werden auch benutzerdefinierte REDCap- oder Qualtrics-SMS-Integrationen verwendet. Die Wahl hängt vom Budget, dem Bedarf an passiver Erfassung und dem verfügbaren Programmierkenntnisstand ab.
Wie unterscheidet sich ESM von der Tagebuchmethode?
Tagebuchstudien bitten die Teilnehmer typischerweise, einen Tagesabschlussbericht auszufüllen, der eine tägliche Zusammenfassung erfasst. ESM erfasst mehrere Erhebungen über den Tag verteilt zum oder nahe dem Zeitpunkt des Erlebens. ESM bietet eine feinere zeitliche Auflösung und vermeidet den Rückerinnerungsfehler bei der täglichen Zusammenfassung, verursacht aber eine höhere Belastung für die Teilnehmer. Für Phänomene, die sich über Tage entfalten (z. B. die Anhäufung von täglichem Stress), kann ein Tagebuchdesign ausreichen; für intraday-Schwankungen ist ESM vorzuziehen.
Verwandte Methoden
Quellen
Csikszentmihalyi, M., & Larson, R. (1987). Validity and reliability of the Experience-Sampling Method. Journal of Nervous and Mental Disease, 175(9), 526–536.
DOI-Referenz öffnenKopiert.Stone, A. A., Shiffman, S., Atienza, A. A., & Nebeling, L. (Eds.). (2007). The Science of Real-Time Data Capture: Self-Reports in Health Research. Oxford University Press.
ISBN: 978-0195178715Kopiert.