Zum Inhalt springen
Zurück zu den Suchergebnissen

Experimentelles Einzelfall-Design

Eingeführt von
Murray Sidman (foundational tactics); B. F. Skinner (applied behavior analysis lineage)
Jahr
1960s (Sidman 1960; formal applied codification by Kazdin and Baer in 1970s–1980s)
Typ
Experimental research design
Familie
Experimental design

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

Schriftgröße

Was leistet sie?

Das experimentelle Einzelfall-Design (Single-subject experimental design, SSED) etabliert experimentelle Kontrolle durch wiederholte Messung einer einzelnen Person (oder einer kleinen Anzahl von Personen) über Baseline- und Interventionsphasen hinweg, wobei der Teilnehmer als seine eigene Kontrolle dient.

Anstatt Gruppen zu vergleichen, vergleicht es das Verhalten des Teilnehmers über die Zeit unter verschiedenen Bedingungen. SSED wird häufig in der angewandten Verhaltensanalyse, Sonderpädagogik, Rehabilitation und klinischen Psychologie eingesetzt und ermöglicht kausale Schlussfolgerungen aus kleinen oder einzigartigen Stichproben, bei denen Gruppendesigns unpraktisch sind.

Die Intuition hinter der Methode

Stellen Sie sich vor, Sie möchten wissen, ob eine neue Leseintervention einem bestimmten Kind mit Legasthenie hilft. Sie können nicht Hunderte von Kindern rekrutieren, aber Sie können die Lesegenauigkeit dieses einen Kindes über Wochen hinweg täglich messen – zuerst ohne die Intervention (Baseline), dann mit ihr (Behandlung) und vielleicht wieder zurück. Wenn sich das Verhalten jedes Mal ändert, wenn sich die Bedingung ändert, sammelt sich der Beweis dafür, dass die Intervention die Veränderung verursacht hat, durch Replikation innerhalb derselben Person. SSED macht das Individuum zur Analyseeinheit anstelle der Gruppe und behandelt die Variabilität innerhalb der Person als primäre Quelle für experimentelle Beweise.

Geschichte

Die intellektuellen Grundlagen von SSED liegen in der Tradition der operanten Konditionierung, die von B. F. Skinner begründet wurde, der einzelne Organismen unter kontrollierten Verstärkungsplänen untersuchte. Murray Sidmans Buch 'Tactics of Scientific Research' von 1960 formulierte die Logik der intrasubjektiven Replikation als Grundlage für experimentelle Schlussfolgerungen in der Psychologie. Der wegweisende Artikel von Donald Baer, Montrose Wolf und Todd Risley von 1968 im Journal of Applied Behavior Analysis etablierte die angewandte Verhaltensanalyse als Disziplin und kodifizierte die Einzelfallmethodik als ihr primäres Forschungswerkzeug. Alan Kazdins Handbuch von 1982 systematisierte die Designoptionen, Messanforderungen und analytischen Konventionen, die bis heute Standard sind.

Wann wird sie eingesetzt?

Verwenden Sie SSED, wenn Sie experimentelle Beweise für die Wirkung einer Intervention auf eine bestimmte Person oder eine sehr kleine Anzahl von Personen benötigen – zum Beispiel einen Schüler mit einer seltenen Behinderung, einen Patienten mit einem einzigartigen klinischen Profil oder eine Stichprobe, die zu klein für Gruppendesigns ist. Es ist geeignet, wenn ethische oder logistische Einschränkungen die Zurückhaltung der Behandlung von einer Kontrollgruppe verhindern und wenn häufige wiederholte Messungen eines gut definierten Verhaltens über die Zeit machbar sind. Verwenden Sie SSED NICHT, wenn die Forschungsfrage die Prävalenz auf Bevölkerungsebene oder durchschnittliche Effekte betrifft, wenn das Zielverhalten nicht wiederholt und objektiv gemessen werden kann, wenn Übertragungseffekte oder irreversible Behandlungseffekte eine sinnvolle Rückkehr zur Baseline verhindern würden oder wenn das Ziel ein normbezogener Vergleich und keine funktionale Analyse auf individueller Ebene ist.

Grenzen und Hinweise

  • Die Ergebnisse sind spezifisch für die untersuchte(n) Person(en); eine statistische Generalisierung auf eine Population ist aus einer einzelnen Studie nicht gerechtfertigt.
  • Erfordert häufige, wiederholte, objektive Messung eines klar operationalisierten Zielverhaltens – machbar für offenkundige Verhaltensweisen, schwieriger für interne Zustände.
  • Reversal-Designs sind ungeeignet, wenn die Intervention eine Fähigkeit vermittelt, die nicht wieder verlernt werden kann, was die Rückkehr zur Baseline-Phase unlogisch oder unethisch macht.
  • Die visuelle Analyse ist inhärent subjektiv; die Übereinstimmung zwischen Gutachtern bei Schlussfolgerungen über Phasenänderungen ist nicht immer hoch, und quantitative Effektgrößen-Ergänzungen werden zu wenig genutzt.
  • Übertragungseffekte zwischen schnell wechselnden Bedingungen (in Alternating-Treatments-Designs) können die Ergebnisse verfälschen.

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

Stärken

  • Ermöglicht kausale Schlussfolgerungen aus sehr kleinen oder einzigartigen Stichproben, bei denen Gruppendesigns unmöglich oder unethisch sind.
  • Der Teilnehmer dient als seine eigene Kontrolle, wodurch die Variabilität zwischen den Subjekten eliminiert und individuelle Veränderungen transparent gemacht werden.
  • Kontinuierlich gesammelte Daten enthüllen die zeitlichen Dynamiken von Verhaltensänderungen – nicht nur Schnappschüsse vor und nach der Intervention.
  • Flexibel: Mehrere Designvarianten (AB, ABA, ABAB, Multiple Baseline, Alternating Treatments) ermöglichen die Anpassung an verschiedene Forschungsfragen und ethische Einschränkungen.
  • Replikation über Teilnehmer, Settings und Verhaltensweisen hinweg baut eine kumulative Evidenzbasis auf, die der meta-analytischen Konvergenz ähnelt.

Anwendungen

  • Bewertung von Verhaltensinterventionen für Personen mit Autismus-Spektrum-Störung, geistigen Behinderungen oder ADHS in sonderpädagogischen Einrichtungen.
  • Bewertung von Rehabilitationsprotokollen für Patienten mit erworbenen Hirnverletzungen, Schlaganfällen oder motorischen Beeinträchtigungen in klinischen Settings.
  • Testen von Unterrichtsverfahren oder Classroom-Management-Strategien für einzelne Schüler, deren Bedürfnisse sich stark von der Gruppe unterscheiden.
  • Untersuchung pharmakologischer oder verhaltensbezogener Behandlungen für seltene Erkrankungen, bei denen RCTs auf Bevölkerungsebene unpraktisch sind.
  • Bewertung von technologiebasierten oder App-gesteuerten Selbstmanagementprogrammen auf individueller Ebene vor der Skalierung.
  • Aufbau der Evidenzbasis für neuartige Interventionen durch systematische Replikation über Individuen und Settings hinweg.

So funktioniert es

So funktioniert es

1

Bevor eine Intervention eingeführt wird, sammelt der Forscher wiederholte Messungen des Zielverhaltens unter natürlichen oder unveränderten Bedingungen. Diese Baseline-Phase (typischerweise als A bezeichnet) etabliert ein stabiles, vorhersagbares Muster – die Leistung des Teilnehmers ohne Behandlung. Eine Baseline sollte stabil sein (geringe Variabilität) oder in die entgegengesetzte Richtung des erwarteten Behandlungseffekts tendieren; eine instabile Baseline untergräbt die kausale Interpretation.

2

Die Intervention oder unabhängige Variable wird eingeführt (Phase B), und dasselbe Zielverhalten wird weiterhin mit der gleichen Häufigkeit gemessen. Die Verschiebung in Niveau (Mittelwert), Trend (Steigungsrichtung) und Variabilität zwischen den Phasen A und B stellt den primären Beweis für einen Effekt dar. Komplexere Designs fügen zusätzliche Phasen hinzu (Rückkehr zur Baseline, zweite Intervention) oder gleichzeitige Baselines über Teilnehmer, Settings oder Verhaltensweisen hinweg.

3

Daten werden in einem Zeitreihendiagramm dargestellt, und die primäre Analysemethode ist die visuelle Inspektion. Analysten untersuchen die Merkmale der Daten innerhalb der Phasen (Niveau, Trend, Variabilität) und die Merkmale der Daten zwischen den Phasen (Änderung des Niveaus, Änderung des Trends, Überlappung zwischen benachbarten Phasen). Geringe Datenüberlappung zwischen den Phasen und sofortige, konsistente Phasenänderungen gelten als Beweis für eine funktionale Beziehung. Effektgrößenindizes wie Nonoverlap of All Pairs (NAP) oder Tau-U ergänzen die visuelle Analyse.

4

Die experimentelle Kontrolle in SSED beruht auf Replikation. In einem Reversal-Design wird die Intervention zurückgenommen und wieder eingeführt; in einem Multiple-Baseline-Design wird die Intervention über verschiedene Baselines gestaffelt. Jede Demonstration einer Verhaltensänderung, die mit einer Phasenänderung zusammenfällt, ist eine Replikation. Drei oder mehr Replikationen desselben Effekts innerhalb einer Studie stellen überzeugende Beweise für eine kausale Beziehung dar, gemäß der Logik der intrasubjektiven Replikation.

5

Der Forscher zieht Schlussfolgerungen darüber, ob eine funktionale Beziehung zwischen der unabhängigen Variablen (Intervention) und der abhängigen Variablen (Zielverhalten) besteht, und bewertet die soziale oder klinische Signifikanz der Änderungsgröße. Die externe Validität wird nicht durch statistische Inferenz über eine Stichprobe, sondern durch systematische Replikation über Studien, Settings und Teilnehmer in der Literatur hergestellt.

Häufige Fallstricke

  • Zu wenige Datenpunkte in der Baseline: Eine Baseline von weniger als drei bis fünf stabilen Datenpunkten bietet keine ausreichende Grundlage für die Vorhersage des kontrafaktischen Zustands; sammeln Sie Daten, bis das Muster klar ist, bevor Sie die Intervention einführen.
  • Mehr als eine Variable gleichzeitig ändern: Die gleichzeitige Einführung mehrerer Komponenten macht es unmöglich, die Veränderung einem einzelnen Element zuzuordnen – ändern Sie jeweils nur eine Bedingung.
  • Ignorieren des Trends in der Baseline: Eine Baseline, die bereits in Richtung des erwarteten Behandlungseffekts tendiert, bedeutet, dass jede nachfolgende Verbesserung nicht interpretierbar ist; stabilisieren oder berücksichtigen Sie den Trend, bevor Sie fortfahren.
  • Übermäßige Abhängigkeit von der visuellen Analyse allein: Trainieren Sie in standardisierten Kriterien für die visuelle Analyse und ergänzen Sie mit mindestens einer validierten Nichtüberlappungsstatistik (NAP, Tau-U, PND), um die Objektivität zu verbessern.
  • Fehlanwendung eines Reversal-Designs auf irreversible Ergebnisse: Der Erwerb von Fähigkeiten (z. B. Lesen lernen) kann nicht umgekehrt werden; verwenden Sie stattdessen ein Multiple-Baseline-Design.

Häufig gestellte Fragen

Ist das Einzelfall-Design 'echte' experimentelle Forschung oder nur eine Fallstudie?

Es ist experimentell. Eine Fallstudie beschreibt, was passiert ist; ein experimentelles Einzelfall-Design manipuliert aktiv eine unabhängige Variable und kontrolliert für Störfaktoren durch Replikation von Phasenänderungen innerhalb desselben Teilnehmers. Die Logik der kausalen Schlussfolgerung unterscheidet sich von Gruppendesigns (sie beruht auf intrasubjektiver statt intersubjektiver Replikation), ist aber dennoch rigoros, wenn die Designbedingungen erfüllt sind.

Wie viele Datenpunkte benötige ich in jeder Phase?

Die allgemeine Richtlinie ist ein Minimum von drei bis fünf Datenpunkten pro Phase, aber mehr sind immer vorzuziehen. Das Kriterium ist keine feste Zahl, sondern Stabilität: Sammeln Sie Daten, bis das Muster vorhersagbar ist (stabiles Niveau, klarer Trend oder akzeptable Variabilität), bevor Sie die Phasen wechseln. Eine überstürzte Einführung der Intervention nach nur ein oder zwei Baseline-Punkten untergräbt die kausale Interpretation.

Wann sollte ich ein Multiple-Baseline-Design anstelle eines Reversal (ABA/ABAB)-Designs verwenden?

Verwenden Sie ein Multiple-Baseline-Design, wenn der Interventionseffekt wahrscheinlich irreversibel ist (z. B. Fähigkeitserwerb), wenn das Zurückziehen der Behandlung unethisch wäre oder wenn eine Umkehrung echte therapeutische Fortschritte zunichtemachen würde. Ein Reversal-Design ist am besten geeignet, wenn erwartet wird, dass das Zielverhalten nach Entfernung der Intervention zur Baseline zurückkehrt – typischerweise operante Verhaltensweisen, die durch Umgebungsbedingungen aufrechterhalten werden, anstatt erlernte Fähigkeiten.

Kann ich Statistiken mit Einzelfalldaten verwenden, oder reicht die visuelle Analyse aus?

Die visuelle Analyse ist die primäre und traditionelle Methode, aber quantitative Ergänzungen werden empfohlen. Nichtüberlappungsstatistiken wie Nonoverlap of All Pairs (NAP), Tau-U oder Percentage of Nonoverlapping Data (PND) bieten einen objektiven Effektgrößenindex und erleichtern die Kommunikation mit Zielgruppen, die mit Zeitreihendiagrammen nicht vertraut sind. Multilevel-Modelle und Randomisierungstests sind ebenfalls anwendbar, wenn die Daten und das Design dies rechtfertigen.

Wie stelle ich die externe Validität aus einer Studie mit nur einem oder wenigen Teilnehmern her?

Die externe Validität in SSED wird durch systematische Replikation über Studien hinweg aufgebaut – Ihre eigene Replikation über mehrere Teilnehmer innerhalb derselben Studie (direkte Replikation) und nachfolgende Studien über verschiedene Settings, Populationen und Forscher hinweg (systematische Replikation). Eine einzelne Studie begründet keine externe Validität; eine Reihe von replizierten Studien tut dies. Dies ist analog zur Rolle der Metaanalyse für Literatur mit Gruppendesigns.

Verwandte Methoden

Quellen

  1. Kazdin, A. E. (1982). Single-Case Research Designs: Methods for Clinical and Applied Settings. Oxford University Press.

    ISBN: 978-0195030440
    Kopiert.
  2. Sidman, M. (1960). Tactics of Scientific Research: Evaluating Experimental Data in Psychology. Basic Books.

    Publikationsreferenz öffnen
    Kopiert.