Mobile Experience Sampling Method — ESM per Smartphone
- Eingeführt von
- Mihaly Csikszentmihalyi & Reed Larson
- Jahr
- 1983–1987
- 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?
Die Mobile Experience Sampling Method (ESM) sammelt wiederholte, zeitgestempelte Selbstauskünfte von Teilnehmern in ihrer natürlichen Umgebung mittels einer Smartphone-App.
Durch mehrmalige tägliche Signalisierung der Teilnehmer über Tage oder Wochen erfassen Forscher psychologische Zustände, Verhaltensweisen und Kontexte, wie sie auftreten – wodurch retrospektive Verzerrungen eliminiert und individuelle Dynamiken aufgedeckt werden, die Umfragen mit Einzelsitzungen nicht erfassen können.
Die Intuition hinter der Methode
Traditionelle Umfragen fragen „Wie haben Sie sich diese Woche gefühlt?“ und verlassen sich auf unvollkommene Erinnerungen. Mobile ESM sendet stattdessen mehrmals täglich kurze Aufforderungen an das Telefon eines Teilnehmers – wie eine Textnachricht „Was machst du gerade? Wie fühlst du dich?“ – und sammelt Antworten im Moment. Über viele Signale und viele Tage hinweg erstellt der Forscher ein dichtes Bild davon, wie Stimmung, Verhalten oder Kontext im wirklichen Leben schwanken und miteinander korrelieren. Das Mobiltelefon ermöglicht dies in großem Maßstab; das Design mit wiederholten Messungen macht die Erkenntnisse ökologisch valide und feingranular.
Geschichte
Die Experience Sampling Method wurde von Mihaly Csikszentmihalyi und Reed Larson in den frühen 1980er Jahren eingeführt, zunächst unter Verwendung von elektronischen Pager zur Signalisierung von Teilnehmern. Ihr Artikel von 1987 im Journal of Nervous and Mental Disease etablierte die Zuverlässigkeit und Validität des Ansatzes. Der Begriff Ecological Momentary Assessment, der klinische und gesundheitliche Anwendungen betont, wurde in den 1990er Jahren von Saul Shiffman und Arthur Stone populär gemacht. Die weit verbreitete Verbreitung von Smartphones nach 2008 verwandelte ESM von einem logistisch anspruchsvollen Laborwerkzeug in eine skalierbare mobile Datenerfassungsmethode, was zur Variante Mobile ESM mit ihren dedizierten App-Ökosystemen führte.
Wann wird sie eingesetzt?
Mobile ESM ist die Methode der Wahl, wenn die Forschungsfrage die Schwankungen innerhalb von Personen, den Echtzeitkontext oder die ökologische Validität psychologischer oder Verhaltenskonstrukte betrifft. Sie ist besonders wertvoll für die Untersuchung von Stimmung, Stress, Substanzkonsum, sozialer Interaktion oder Symptomen im täglichen Leben. Verwenden Sie sie, wenn retrospektive Selbstauskünfte wahrscheinlich durch Erinnerung oder soziale Erwünschtheit verzerrt sind. Verwenden Sie sie nicht, wenn die Bevölkerung kein Smartphone zuverlässig nutzen kann, wenn nur Unterschiede zwischen Personen von Interesse sind (eine Standardumfrage reicht aus) oder wenn die erforderliche Studiendauer die Toleranz der Teilnehmer übersteigt.
Grenzen und Hinweise
- Hohe Teilnehmerbelastung – die Beantwortung mehrerer täglicher Aufforderungen über Wochen kann zu Ermüdung und Abbruch führen.
- Erfordert Expertise in mehrstufiger Analyse; Standardregressionsmodelle sind für verschachtelte ESM-Daten ungeeignet.
- Signalreaktivität: Die Aufforderung an die Teilnehmer kann das zu messende Konstrukt selbst verändern.
- Datenverlust durch verpasste Antworten ist nicht zufällig und kann die Ergebnisse verzerren, wenn er nicht sorgfältig behandelt wird.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Erfasst individuelle Dynamiken und Echtzeitkontexte, die Querschnittsumfragen vollständig übersehen.
- Eliminiert retrospektive Erinnerungsverzerrungen – Daten werden zum Zeitpunkt des Erlebens oder kurz danach gesammelt.
- Hohe ökologische Validität: Ergebnisse spiegeln Verhalten und Affekte in natürlichen Umgebungen wider, nicht unter künstlichen Laborbedingungen.
- Smartphones ermöglichen die passive Datenanreicherung (GPS, Beschleunigungsmesser) ohne zusätzliche Belastung für den Teilnehmer.
- Ermöglicht die Trennung von stabilen Merkmals- von transienten Zustands-Effekten durch mehrstufige Analyse.
Anwendungen
- Erfassung täglicher Schwankungen depressiver Stimmung, Angst oder psychotischer Symptome in der klinischen Psychologie und Psychiatrieforschung.
- Untersuchung von Substanzkonsum, Verlangen und Rückfallauslösern in der Suchtforschung durch Erfassung von Echtzeit-Antezedenzien.
- Messung von körperlicher Aktivität, sitzendem Verhalten und Ernährungsentscheidungen in der öffentlichen Gesundheit und Verhaltensmedizin.
- Untersuchung der Qualität sozialer Interaktion, Einsamkeit und Emotionsregulation in alltäglichen zwischenmenschlichen Kontexten.
- Bewertung von Arbeitsengagement, Stress und Erholung in der arbeitsmedizinischen Forschung während des Arbeitstages.
- Erfassung von Lernverhalten, Motivation und Kontext in Studien der pädagogischen Psychologie außerhalb des Klassenzimmers.
So funktioniert es
So funktioniert es
Der Forscher definiert das Studienprotokoll: die zu messenden Konstrukte (z. B. Stimmung, Stress, Aktivität), den Signalplan (zufällig innerhalb fester Intervalle, feste Zeitpunkte oder ereigniskontingent), die Anzahl der täglichen Signale (typischerweise 4–10) und die Studiendauer (typischerweise 7–30 Tage). Kurze, wenig belastende Fragebögen – normalerweise 5–15 Items pro Aufforderung – werden vorbereitet, um in das Antwortfenster (üblicherweise 2–10 Minuten) zu passen.
Teilnehmer werden mit einer speziellen mobilen ESM-App (z. B. m-Path, Experience Sampler oder benutzerdefinierte Builds) rekrutiert und eingewiesen. Sie absolvieren Basisuntersuchungen und erhalten Schulungen zum Antwortverfahren. Erwartungen an die Compliance und Datenschutzvereinbarungen werden explizit kommuniziert.
Zu jedem geplanten Zeitpunkt sendet die App eine Benachrichtigung. Der Signalplan kann sein: (a) Zufallsintevalle: Aufforderungen zu unvorhersehbaren Zeiten innerhalb fester Fenster, sodass die Teilnehmer keine Antworten antizipieren und vorbereiten können; (b) Feste Intervalle: Aufforderungen zu den gleichen Zeiten jeden Tag; oder (c) Ereigniskontingent: vom Teilnehmer initiiert, nachdem ein vordefiniertes Ereignis eingetreten ist.
Der Teilnehmer öffnet die App und füllt den kurzen Fragebogen aus. Antworten werden zeitgestempelt und optional mit passiven Sensordaten (GPS-Standort, Beschleunigungsmesser, Bildschirmzeit) angereichert. Forscher überwachen die Compliance-Raten in Echtzeit; eine Compliance-Rate von über 70–75 % gilt im Allgemeinen als ausreichend für die Analyse.
Die Daten werden in einer mehrstufigen Struktur zusammengefasst: Beobachtungen, die in Personen verschachtelt sind, welche oft weiter in Tage verschachtelt sind. Mehrstufige Modellierung (MLM) oder dynamische Strukturgleichungsmodellierung (DSEM) wird verwendet, um die Variabilität innerhalb von Personen von Unterschieden zwischen Personen zu trennen, verzögerte Assoziationen zu schätzen und Moderatorvariablen auf Personenebene zu testen.
Häufige Fallstricke
- Zu viele Items pro Aufforderung: Mehr als 15 Items pro Aufforderung reduzieren die Compliance-Raten drastisch; Aufforderungen kurz und fokussiert halten.
- Ignorieren von Non-Compliance: Die Analyse nur abgeschlossener Antworten, ohne zu prüfen, ob fehlende Antworten systematisch sind, kann zu ernsthaften Verzerrungen führen.
- Verwendung von Einstufenanalysen für mehrstufige Daten: Die Anwendung von Ordinary Least Squares (OLS)-Regression auf ESM-Daten erhöht die Typ-I-Fehlerraten; mehrstufige Modelle sind erforderlich.
- Nichtberücksichtigung von Tageszeit-Effekten: Stimmung und Verhalten variieren systematisch über den Tag; Modelle sollten Tageszeitkontrollen oder Kovariaten innerhalb des Tages einschließen.
- Unterdimensionierte Designs: ESM erfordert sowohl ausreichende Signale pro Person ALS AUCH ausreichende Personen; konsultieren Sie Power-Analyse-Software (z. B. PANGEA), bevor Sie das Protokoll finalisieren.
Häufig gestellte Fragen
Wie viele Signale pro Tag und wie viele Tage sind typisch?
Die meisten ESM-Studien verwenden 4–10 Signale pro Tag über 7–14 Tage, was 40–140 Beobachtungen pro Teilnehmer ergibt. Weniger Signale reduzieren die statistische Aussagekraft für Schätzungen innerhalb von Personen; mehr Signale erhöhen die Teilnehmerbelastung und den Abbruch. Power-Analyse-Tools wie PANGEA werden empfohlen, um das optimale Design zu bestimmen.
Was ist der Unterschied zwischen ESM, EMA und der Daily-Diary-Methode?
Diese Begriffe überschneiden sich erheblich. ESM (Csikszentmihalyi) verwendet typischerweise Signalisierung mit zufälligen Intervallen und betont die Echtzeit-Erfassung von Erfahrungen. EMA (Shiffman/Stone) ist der bevorzugte klinisch-gesundheitliche Begriff und umfasst sowohl zufällige Intervall- als auch ereigniskontingente Designs. Daily-Diary-Studien verwenden eine einzelne Berichterstattung am Ende des Tages anstelle mehrerer Aufforderungen innerhalb des Tages. Mobile ESM bezeichnet speziell die Zustellung über eine Smartphone-App, die passive Sensoranreicherung ermöglicht.
Ist eine Compliance-Rate von 60 % akzeptabel?
Eine Compliance unter 70 % gilt im Allgemeinen als Risiko für die Datenqualität. Wichtiger ist, dass eine systematisch mit dem untersuchten Konstrukt verknüpfte Non-Compliance die Schätzungen verzerrt. Untersuchen Sie immer die Compliance-Muster nach Tageszeit, Studientag und Teilnehmermerkmalen, bevor Sie mit der primären Analyse fortfahren.
Welches statistische Modell sollte ich zur Analyse von ESM-Daten verwenden?
Die mehrstufige Modellierung (MLM), auch hierarchische lineare Modellierung genannt, ist der Standardansatz, da sie die Nicht-Unabhängigkeit wiederholter Beobachtungen innerhalb von Personen korrekt behandelt. Für dynamische, verzögerte Assoziationen wird zunehmend die dynamische Strukturgleichungsmodellierung (DSEM) verwendet. Standard-OLS-Regression ist für ESM-Daten nicht geeignet.
Welche mobilen ESM-Apps werden häufig in der Forschung verwendet?
Weit verbreitete Plattformen sind m-Path (KU Leuven), Experience Sampler (Open Source) und iESP. Kommerzielle Plattformen wie MetricWire und LifeData werden ebenfalls verwendet. Die Wahl hängt vom Budget, den erforderlichen passiven Sensorfunktionen und davon ab, ob Open-Source-Auditierbarkeit wichtig ist.
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.Shiffman, S., Stone, A. A., & Hufford, M. R. (2008). Ecological momentary assessment. Annual Review of Clinical Psychology, 4, 1–32.
DOI-Referenz öffnenKopiert.