Skip to content
Назад к результатам поиска

Метод выборки переживаний (Experience Sampling Method — ESM) со смартфона

Автор метода
Mihaly Csikszentmihalyi & Reed Larson
Год
1983–1987
Тип
Intensive longitudinal data collection technique
Семейство
Data collection

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Метод выборки переживаний (ESM) собирает многократные, маркированные по времени самоотчеты от участников в их естественной среде с помощью приложения для смартфона.

Сигнализируя участникам несколько раз в день в течение дней или недель, исследователи фиксируют психологические состояния, поведение и контексты по мере их возникновения — устраняя ретроспективную предвзятость и выявляя внутриличностную динамику, которую невозможно обнаружить при однократных опросах.

Интуиция метода

Традиционные опросы задают вопрос «Как вы себя чувствовали на этой неделе?» и полагаются на несовершенную память. Вместо этого мобильный ESM отправляет короткие запросы на телефон участника несколько раз в день — например, текстовое сообщение «Что вы делаете прямо сейчас? Как вы себя чувствуете?» — и собирает ответы в момент их возникновения. За счет множества сигналов и многих дней исследователь строит детальную картину того, как настроение, поведение или контекст колеблются и взаимосвязаны в реальной жизни. Мобильный телефон делает это осуществимым в масштабе; дизайн с повторными измерениями делает полученные данные экологически валидными и детализированными.

История

Метод выборки переживаний был введен Михаем Чиксентмихайи и Ридом Ларсоном в начале 1980-х годов, первоначально с использованием электронных пейджеров для сигнализации участникам. Их статья 1987 года в Journal of Nervous and Mental Disease установила надежность и валидность подхода. Термин «Экологическая моментальная оценка» (Ecological Momentary Assessment), подчеркивающий клинические и медицинские применения, был популяризирован Солом Шиффманом и Артуром Стоуном в 1990-х годах. Широкое распространение смартфонов после 2008 года превратило ESM из логистически трудоемкого лабораторного инструмента в масштабируемый метод сбора мобильных данных, породив вариант мобильного ESM с его специализированными экосистемами приложений.

Когда применять

Мобильный ESM является предпочтительным методом, когда исследовательский вопрос касается внутриличностных колебаний, контекста в реальном времени или экологической валидности психологических или поведенческих конструктов. Он особенно ценен для изучения настроения, стресса, употребления психоактивных веществ, социального взаимодействия или симптомов в повседневной жизни. Используйте его, когда ретроспективный самоотчет, вероятно, будет искажен памятью или социальной желательностью. Не используйте его, когда население не может надежно использовать смартфон, когда интересуют только различия между личностями (достаточно стандартного опроса) или когда требуемая продолжительность исследования превышает толерантность участника.

Ограничения и замечания

  • Высокая нагрузка на участника — ответы на множество ежедневных запросов в течение нескольких недель могут вызвать усталость и отсев.
  • Требует экспертизы в области многоуровневого анализа; стандартные регрессионные модели непригодны для вложенных данных ESM.
  • Реактивность на сигналы: сам акт запроса к участникам может изменять измеряемый конструкт.
  • Потеря данных из-за пропущенных ответов не является случайной и может исказить результаты, если с ней не обращаться осторожно.

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Фиксирует внутриличностную динамику и контекст в реальном времени, которые кросс-секционные опросы полностью упускают.
  • Устраняет ретроспективную предвзятость памяти — данные собираются в момент переживания или близко к нему.
  • Высокая экологическая валидность: результаты отражают поведение и аффект в естественных условиях, а не в искусственных лабораторных условиях.
  • Смартфоны позволяют пассивно дополнять данные (GPS, акселерометр) без дополнительной нагрузки на участника.
  • Позволяет разделить стабильные эффекты на уровне черт от преходящих эффектов на уровне состояний посредством многоуровневого анализа.

Применение

  • Отслеживание ежедневных колебаний депрессивного настроения, тревожности или психотических симптомов в исследованиях клинической психологии и психиатрии.
  • Изучение употребления психоактивных веществ, тяги и триггеров рецидива в исследованиях зависимости путем фиксации предшествующих факторов в реальном времени.
  • Измерение физической активности, сидячего образа жизни и пищевых привычек в исследованиях общественного здравоохранения и поведенческой медицины.
  • Изучение качества социального взаимодействия, одиночества и регуляции эмоций в повседневных межличностных контекстах.
  • Оценка вовлеченности в работу, стресса и восстановления в исследованиях профессионального здоровья в течение рабочего дня.
  • Фиксация моделей обучения, мотивации и контекста в исследованиях педагогической психологии вне класса.

Как это работает

Как это работает

1

Исследователь определяет протокол исследования: конструируемые понятия для измерения (например, настроение, стресс, активность), расписание сигналов (случайное в пределах фиксированных интервалов, фиксированное время или зависимое от события), количество ежедневных сигналов (обычно 4–10) и продолжительность исследования (обычно 7–30 дней). Подготавливаются краткие, не обременительные для респондента опросники — обычно 5–15 пунктов на запрос — для соответствия временному окну ответа (обычно 2–10 минут).

2

Участники набираются и проходят онбординг с помощью специализированного мобильного приложения ESM (например, m-Path, Experience Sampler или пользовательские сборки). Они заполняют исходные показатели и проходят обучение процедуре ответа. Ожидания по соблюдению правил и договоренности о конфиденциальности данных сообщаются явно.

3

В каждый запланированный момент времени приложение отправляет уведомление. Расписание сигналов может быть (a) случайным интервалом: запросы доставляются в непредсказуемое время в пределах фиксированных окон, чтобы участники не могли предвидеть и подготовить ответы; (b) фиксированным интервалом: запросы в одно и то же время каждый день; или (c) зависимым от события: инициируется участником после возникновения предопределенного события.

4

Участник открывает приложение и заполняет краткий опросник. Ответы маркируются по времени и, опционально, дополняются пассивными данными с датчиков (местоположение GPS, акселерометр, использование экрана). Исследователи отслеживают показатели соблюдения в режиме реального времени; показатель соблюдения выше 70–75% обычно считается достаточным для анализа.

5

Данные компилируются в многоуровневую структуру: наблюдения, вложенные в лиц, которые часто далее вложены в дни. Многоуровневое моделирование (MLM) или динамическое моделирование структурными уравнениями (DSEM) используется для разложения внутриличностной вариабельности от различий между личностями, оценки лаговых ассоциаций и проверки модераторов на уровне личности.

Частые ошибки

  • Слишком много пунктов на запрос: превышение 15 пунктов резко снижает показатели соблюдения; сохраняйте запросы краткими и сфокусированными.
  • Игнорирование несоблюдения: анализ только полных ответов без проверки систематичности пропусков может привести к серьезным искажениям.
  • Использование одноуровневого анализа на многоуровневых данных: применение обычной регрессии к данным ESM увеличивает частоту ошибок типа I; требуются многоуровневые модели.
  • Игнорирование эффектов времени суток: настроение и поведение систематически варьируются в течение дня; модели должны включать временные контроли или ковариаты в течение дня.
  • Недостаточно мощные дизайны: ESM требует достаточного количества сигналов на человека И достаточного количества людей; проконсультируйтесь с программным обеспечением для анализа мощности (например, PANGEA) перед окончательным утверждением протокола.

Часто задаваемые вопросы

Сколько сигналов в день и сколько дней являются типичными?

Большинство исследований ESM используют 4–10 сигналов в день в течение 7–14 дней, что дает 40–140 наблюдений на участника. Меньшее количество сигналов снижает статистическую мощность для внутриличностных оценок; большее количество сигналов увеличивает нагрузку на участника и отсев. Рекомендуются инструменты анализа мощности, такие как PANGEA, для определения оптимального дизайна.

В чем разница между ESM, EMA и методом ежедневного дневника?

Эти термины значительно пересекаются. ESM (Чиксентмихайи) обычно использует сигнализацию по случайным интервалам и подчеркивает фиксацию переживаний в реальном времени. EMA (Шиффман/Стоун) является предпочтительным термином в клинико-медицинской области и включает как дизайны со случайными интервалами, так и дизайны, зависящие от события. Исследования с ежедневным дневником используют один отчет в конце дня вместо нескольких внутридневных запросов. Мобильный ESM конкретно обозначает доставку через приложение для смартфона, позволяя пассивно дополнять данные с датчиков.

Приемлем ли уровень соблюдения 60%?

Соблюдение ниже 70% обычно считается риском для качества данных. Более того, несоблюдение, которое систематически связано с изучаемым конструктом, исказит оценки. Всегда проверяйте закономерности соблюдения по времени суток, дню исследования и характеристикам участника перед переходом к основному анализу.

Какую статистическую модель следует использовать для анализа данных ESM?

Многоуровневое моделирование (MLM), также называемое иерархическим линейным моделированием, является стандартным подходом, поскольку оно корректно обрабатывает не-независимость повторных наблюдений в пределах личностей. Для динамических, лаговых ассоциаций все чаще используется динамическое моделирование структурными уравнениями (DSEM). Стандартная регрессия методом наименьших квадратов (OLS) непригодна для данных ESM.

Какие мобильные приложения ESM обычно используются в исследованиях?

Широко используемые платформы включают m-Path (KU Leuven), Experience Sampler (open source) и iESP. Также используются коммерческие платформы, такие как MetricWire и LifeData. Выбор зависит от бюджета, требуемых возможностей пассивного сбора данных и того, имеет ли значение проверяемость с открытым исходным кодом.

Похожие методы

Источники

  1. Csikszentmihalyi, M., & Larson, R. (1987). Validity and reliability of the Experience-Sampling Method. Journal of Nervous and Mental Disease, 175(9), 526–536.

    Открыть ссылку DOI
    Скопировано.
  2. Shiffman, S., Stone, A. A., & Hufford, M. R. (2008). Ecological momentary assessment. Annual Review of Clinical Psychology, 4, 1–32.

    Открыть ссылку DOI
    Скопировано.