ระเบียบวิธีเก็บข้อมูลประสบการณ์เคลื่อนที่ (Mobile Experience Sampling Method — ESM) ผ่านสมาร์ทโฟน
- ผู้เสนอ
- Mihaly Csikszentmihalyi & Reed Larson
- ปี
- 1983–1987
- ประเภท
- Intensive longitudinal data collection technique
- กลุ่มวิธี
- Data collection
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
ระเบียบวิธีเก็บข้อมูลประสบการณ์เคลื่อนที่ (ESM) ทำการเก็บรวบรวมรายงานตนเองที่เกิดขึ้นซ้ำๆ และประทับเวลาจากผู้เข้าร่วมวิจัยในสภาพแวดล้อมตามธรรมชาติ โดยใช้แอปพลิเคชันบนสมาร์ทโฟน ด้วยการส่งสัญญาณแจ้งเตือนผู้เข้าร่วมวิจัยหลายครั้งต่อวัน เป็นเวลาหลายวันหรือหลายสัปดาห์ นักวิจัยจึงสามารถบันทึกสภาวะทางจิตใจ พฤติกรรม และบริบทต่างๆ ได้ตามที่เกิดขึ้นจริง — ซึ่งช่วยขจัดอคติจากการรายงานย้อนหลัง และเผยให้เห็นพลวัตภายในบุคคลที่แบบสำรวจแบบครั้งเดียวไม่สามารถตรวจจับได้
แนวคิดเบื้องหลังวิธีการ
แบบสำรวจแบบดั้งเดิมจะถามว่า 'สัปดาห์นี้คุณรู้สึกอย่างไร?' และอาศัยความจำที่ไม่สมบูรณ์ แต่ ESM แบบเคลื่อนที่ (Mobile ESM) จะส่งข้อความแจ้งเตือนสั้นๆ ไปยังโทรศัพท์ของผู้เข้าร่วมวิจัยหลายครั้งต่อวัน เช่น ข้อความที่ว่า 'ตอนนี้คุณกำลังทำอะไรอยู่? คุณรู้สึกอย่างไร?' และเก็บรวบรวมคำตอบ ณ ขณะนั้น เมื่อได้รับสัญญาณหลายครั้งและเป็นเวลาหลายวัน นักวิจัยจะสามารถสร้างภาพที่ละเอียดของความผันผวนและความสัมพันธ์ของอารมณ์ พฤติกรรม หรือบริบทในชีวิตจริงได้ โทรศัพท์มือถือทำให้สิ่งนี้เป็นไปได้ในวงกว้าง และการออกแบบการวัดซ้ำๆ ทำให้ข้อมูลเชิงลึกมีความเที่ยงตรงเชิงนิเวศและละเอียดอ่อน
ประวัติศาสตร์
ระเบียบวิธีเก็บข้อมูลประสบการณ์ (Experience Sampling Method) ถูกนำเสนอโดย Mihaly Csikszentmihalyi และ Reed Larson ในช่วงต้นทศวรรษ 1980 โดยเริ่มแรกใช้เพจเจอร์อิเล็กทรอนิกส์เพื่อส่งสัญญาณให้ผู้เข้าร่วมวิจัย บทความของพวกเขาในปี 1987 ในวารสาร Journal of Nervous and Mental Disease ได้สร้างความน่าเชื่อถือและความถูกต้องของแนวทางนี้ ชื่อ Ecological Momentary Assessment ซึ่งเน้นการประยุกต์ใช้ทางคลินิกและสุขภาพ ได้รับความนิยมจาก Saul Shiffman และ Arthur Stone ในทศวรรษ 1990 การแพร่หลายของสมาร์ทโฟนหลังปี 2008 ได้เปลี่ยน ESM จากเครื่องมือในห้องปฏิบัติการที่ต้องใช้การจัดการที่ซับซ้อน ให้กลายเป็นวิธีการเก็บข้อมูลเคลื่อนที่ที่ปรับขนาดได้ ทำให้เกิดรูปแบบ Mobile ESM ที่มีระบบนิเวศแอปพลิเคชันเฉพาะ
ควรใช้เมื่อใด
Mobile ESM เป็นระเบียบวิธีที่เลือกใช้เมื่อคำถามวิจัยเกี่ยวข้องกับความผันผวนภายในบุคคล บริบทแบบเรียลไทม์ หรือความเที่ยงตรงเชิงนิเวศของตัวแปรทางจิตวิทยาหรือพฤติกรรม มีคุณค่าอย่างยิ่งสำหรับการศึกษาอารมณ์ ความเครียด การใช้สารเสพติด ปฏิสัมพันธ์ทางสังคม หรืออาการต่างๆ ในชีวิตประจำวัน ควรใช้เมื่อการรายงานตนเองย้อนหลังมีแนวโน้มที่จะได้รับอคติจากความจำหรือการตอบสนองตามสังคมที่พึงประสงค์ ไม่ควรใช้เมื่อประชากรไม่สามารถใช้สมาร์ทโฟนได้อย่างน่าเชื่อถือ เมื่อสนใจเฉพาะความแตกต่างระหว่างบุคคลเท่านั้น (แบบสำรวจมาตรฐานก็เพียงพอ) หรือเมื่อระยะเวลาการศึกษาที่ต้องการเกินกว่าความอดทนของผู้เข้าร่วมวิจัย
ข้อจำกัดและข้อควรพิจารณา
- ภาระงานสูงของผู้เข้าร่วมวิจัย — การตอบสนองต่อการแจ้งเตือนหลายครั้งต่อวันเป็นเวลาหลายสัปดาห์อาจทำให้เกิดความเหนื่อยล้าและการถอนตัว
- ต้องอาศัยความเชี่ยวชาญในการวิเคราะห์หลายระดับ แบบจำลองการถดถอยมาตรฐานไม่เหมาะสมสำหรับข้อมูล ESM ที่มีการซ้อนกัน
- ปฏิกิริยาต่อสัญญาณ: การแจ้งเตือนผู้เข้าร่วมวิจัยอาจเปลี่ยนแปลงตัวแปรที่กำลังวัดได้เอง
- การสูญเสียข้อมูลจากการตอบสนองที่ขาดหายไปนั้นไม่สุ่มและอาจทำให้ผลการวิจัยลำเอียงได้หากไม่จัดการอย่างระมัดระวัง
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- บันทึกพลวัตภายในบุคคลและบริบทแบบเรียลไทม์ที่แบบสำรวจแบบตัดขวางพลาดไปโดยสิ้นเชิง
- ขจัดอคติจากความจำในการรายงานย้อนหลัง — ข้อมูลถูกรวบรวม ณ ขณะที่เกิดประสบการณ์หรือใกล้เคียง
- ความเที่ยงตรงเชิงนิเวศสูง: ผลการวิจัยสะท้อนพฤติกรรมและอารมณ์ในสภาพแวดล้อมตามธรรมชาติ แทนที่จะเป็นสภาวะในห้องปฏิบัติการที่ประดิษฐ์ขึ้น
- สมาร์ทโฟนช่วยเสริมข้อมูลแบบพาสซีฟ (GPS, เครื่องวัดความเร่ง) ได้โดยไม่มีภาระเพิ่มเติมต่อผู้เข้าร่วมวิจัย
- ช่วยแยกผลกระทบระดับลักษณะนิสัยที่คงที่ออกจากผลกระทบระดับสภาวะชั่วคราวผ่านการวิเคราะห์หลายระดับ
การประยุกต์ใช้
- การติดตามความผันผวนรายวันของอารมณ์ซึมเศร้า ความวิตกกังวล หรืออาการทางจิตในงานวิจัยด้านจิตวิทยาคลินิกและจิตเวชศาสตร์
- การศึกษาการใช้สารเสพติด ความอยาก และตัวกระตุ้นการกลับไปเสพซ้ำ โดยการบันทึกปัจจัยเหนี่ยวนำแบบเรียลไทม์
- การวัดกิจกรรมทางกาย พฤติกรรมเนือยนิ่ง และการเลือกรับประทานอาหารในงานวิจัยด้านสาธารณสุขและพฤติกรรมสุขภาพ
- การตรวจสอบคุณภาพปฏิสัมพันธ์ทางสังคม ความเหงา และการควบคุมอารมณ์ในบริบทปฏิสัมพันธ์ระหว่างบุคคลในชีวิตประจำวัน
- การประเมินการมีส่วนร่วมในงาน ความเครียด และการฟื้นตัวในงานวิจัยด้านสุขภาพอาชีวอนามัยตลอดวันทำงาน
- การบันทึกพฤติกรรมการเรียนรู้ แรงจูงใจ และบริบทในงานวิจัยด้านจิตวิทยาการศึกษา นอกห้องเรียน
วิธีการทำงาน
วิธีการทำงาน
นักวิจัยจะกำหนดระเบียบวิธีวิจัย: ตัวแปรที่จะวัด (เช่น อารมณ์ ความเครียด กิจกรรม) ตารางการส่งสัญญาณ (สุ่มภายในช่วงเวลาที่กำหนด, กำหนดเวลาคงที่, หรือขึ้นอยู่กับเหตุการณ์) จำนวนสัญญาณต่อวัน (โดยทั่วไป 4–10 ครั้ง) และระยะเวลาการศึกษา (โดยทั่วไป 7–30 วัน) แบบสอบถามสั้นๆ ที่มีภาระน้อย — โดยปกติมี 5–15 ข้อต่อการแจ้งเตือน — จะถูกเตรียมไว้เพื่อให้พอดีกับช่วงเวลาตอบสนอง (โดยทั่วไป 2–10 นาที)
ผู้เข้าร่วมวิจัยจะได้รับการคัดเลือกและปฐมนิเทศโดยใช้แอปพลิเคชัน ESM บนมือถือโดยเฉพาะ (เช่น m-Path, Experience Sampler หรือแอปที่พัฒนาขึ้นเอง) พวกเขาจะทำแบบวัดพื้นฐานและได้รับการฝึกอบรมเกี่ยวกับขั้นตอนการตอบสนอง การคาดหวังด้านการปฏิบัติตามข้อกำหนด และข้อตกลงด้านความเป็นส่วนตัวของข้อมูลจะได้รับการสื่อสารอย่างชัดเจน
ในแต่ละช่วงเวลาที่กำหนด แอปพลิเคชันจะส่งการแจ้งเตือน ตารางการส่งสัญญาณสามารถเป็น (a) แบบสุ่มตามช่วงเวลา (random-interval): การแจ้งเตือนจะถูกส่งในเวลาที่ไม่สามารถคาดเดาได้ภายในกรอบเวลาที่กำหนด เพื่อให้ผู้เข้าร่วมวิจัยไม่สามารถคาดการณ์และเตรียมคำตอบได้ (b) แบบกำหนดเวลาคงที่ (fixed-interval): การแจ้งเตือนจะถูกส่งในเวลาเดียวกันทุกวัน หรือ (c) แบบขึ้นอยู่กับเหตุการณ์ (event-contingent): ผู้เข้าร่วมวิจัยเป็นผู้เริ่มต้นหลังจากเหตุการณ์ที่กำหนดไว้ล่วงหน้าเกิดขึ้น
ผู้เข้าร่วมวิจัยจะเปิดแอปพลิเคชันและทำแบบสอบถามสั้นๆ การตอบสนองจะถูกประทับเวลา และอาจมีการเสริมด้วยข้อมูลจากเซ็นเซอร์แบบพาสซีฟ (ตำแหน่ง GPS, เครื่องวัดความเร่ง, การใช้งานหน้าจอ) นักวิจัยจะติดตามอัตราการปฏิบัติตามข้อกำหนดแบบเรียลไทม์ โดยทั่วไปอัตราการปฏิบัติตามข้อกำหนดที่สูงกว่า 70–75% ถือว่าเพียงพอสำหรับการวิเคราะห์
ข้อมูลจะถูกรวบรวมเป็นโครงสร้างแบบหลายระดับ (multilevel structure): การสังเกตการณ์ที่ซ้อนอยู่ภายในบุคคล ซึ่งมักจะซ้อนอยู่ภายในวันอีกที การสร้างแบบจำลองหลายระดับ (Multilevel Modeling — MLM) หรือการสร้างแบบจำลองสมการโครงสร้างแบบพลวัต (Dynamic Structural Equation Modeling — DSEM) จะถูกนำมาใช้เพื่อแยกความแปรปรวนภายในบุคคลออกจากความแตกต่างระหว่างบุคคล ประเมินความสัมพันธ์แบบล่าช้า และทดสอบตัวแปรกำกับที่ระดับบุคคล
ข้อผิดพลาดที่พบบ่อย
- จำนวนข้อคำถามมากเกินไปต่อการแจ้งเตือน: การมีข้อคำถามมากกว่า 15 ข้อจะลดอัตราการปฏิบัติตามข้อกำหนดลงอย่างมาก ควรทำให้การแจ้งเตือนสั้นและตรงประเด็น
- การละเลยการไม่ปฏิบัติตามข้อกำหนด: การวิเคราะห์เฉพาะการตอบสนองที่สมบูรณ์โดยไม่ตรวจสอบว่าการขาดหายไปนั้นเป็นระบบหรือไม่ อาจก่อให้เกิดอคติร้ายแรง
- การใช้การวิเคราะห์ระดับเดียวกับข้อมูลหลายระดับ: การใช้การถดถอยกำลังสองน้อยที่สุด (ordinary regression) กับข้อมูล ESM จะเพิ่มอัตราข้อผิดพลาดประเภทที่ 1 (Type I error) จำเป็นต้องใช้แบบจำลองหลายระดับ
- การไม่พิจารณาผลกระทบของเวลาของวัน: อารมณ์และพฤติกรรมมีความผันผวนอย่างเป็นระบบตลอดทั้งวัน แบบจำลองควรมีตัวควบคุมเวลาหรือตัวแปรร่วมภายในวัน
- การออกแบบที่ขาดกำลังทางสถิติ (Under-powered designs): ESM ต้องการจำนวนสัญญาณต่อบุคคลที่เพียงพอ และจำนวนบุคคลที่เพียงพอ ควรปรึกษาซอฟต์แวร์วิเคราะห์กำลัง (เช่น PANGEA) ก่อนสรุประเบียบวิธี
คำถามที่พบบ่อย
ต้องใช้สัญญาณกี่ครั้งต่อวันและกี่วันจึงจะถือว่าปกติ?
การศึกษา ESM ส่วนใหญ่ใช้สัญญาณ 4–10 ครั้งต่อวัน เป็นเวลา 7–14 วัน ทำให้ได้ข้อมูลการสังเกตการณ์ 40–140 ครั้งต่อผู้เข้าร่วมวิจัย การใช้สัญญาณน้อยลงจะลดกำลังทางสถิติสำหรับการประมาณค่าภายในบุคคล การใช้สัญญาณมากขึ้นจะเพิ่มภาระงานของผู้เข้าร่วมวิจัยและการถอนตัว เครื่องมือวิเคราะห์กำลัง เช่น PANGEA แนะนำให้ใช้เพื่อกำหนดการออกแบบที่เหมาะสมที่สุด
อะไรคือความแตกต่างระหว่าง ESM, EMA และระเบียบวิธีบันทึกประจำวัน (daily diary method)?
คำศัพท์เหล่านี้มีความหมายทับซ้อนกันอย่างมาก ESM (Csikszentmihalyi) มักใช้การส่งสัญญาณแบบสุ่มตามช่วงเวลา และเน้นการบันทึกประสบการณ์แบบเรียลไทม์ EMA (Shiffman/Stone) เป็นคำศัพท์ที่นิยมใช้ในแวดวงคลินิก-สุขภาพ และรวมถึงการออกแบบทั้งแบบสุ่มตามช่วงเวลาและแบบขึ้นอยู่กับเหตุการณ์ การศึกษาบันทึกประจำวันใช้การรายงานเพียงครั้งเดียวเมื่อสิ้นสุดวัน แทนที่จะเป็นการแจ้งเตือนหลายครั้งภายในวัน Mobile ESM ระบุเจาะจงถึงการส่งผ่านแอปพลิเคชันสมาร์ทโฟน ซึ่งช่วยให้สามารถเสริมข้อมูลจากเซ็นเซอร์แบบพาสซีฟได้
อัตราการปฏิบัติตามข้อกำหนด 60% ถือว่ายอมรับได้หรือไม่?
โดยทั่วไป การปฏิบัติตามข้อกำหนดที่ต่ำกว่า 70% ถือเป็นความเสี่ยงต่อคุณภาพของข้อมูล ที่สำคัญกว่านั้นคือ การไม่ปฏิบัติตามข้อกำหนดที่เชื่อมโยงอย่างเป็นระบบกับตัวแปรที่กำลังศึกษา จะทำให้การประมาณค่าลำเอียง ควรตรวจสอบรูปแบบการไม่ปฏิบัติตามข้อกำหนดตามเวลาของวัน วันที่ศึกษา และลักษณะของผู้เข้าร่วมวิจัยก่อนดำเนินการวิเคราะห์หลักเสมอ
ควรใช้แบบจำลองทางสถิติใดในการวิเคราะห์ข้อมูล ESM?
แบบจำลองหลายระดับ (Multilevel Modeling — MLM) หรือที่เรียกว่า แบบจำลองเชิงเส้นตามลำดับชั้น (hierarchical linear modeling) เป็นแนวทางมาตรฐาน เนื่องจากสามารถจัดการกับความไม่เป็นอิสระของการสังเกตการณ์ซ้ำๆ ภายในบุคคลได้อย่างถูกต้อง สำหรับความสัมพันธ์แบบพลวัตและแบบล่าช้า การสร้างแบบจำลองสมการโครงสร้างแบบพลวัต (dynamic structural equation modeling — DSEM) กำลังถูกนำมาใช้มากขึ้น การถดถอยกำลังสองน้อยที่สุด (OLS regression) แบบมาตรฐานไม่เหมาะสมสำหรับข้อมูล ESM
แอปพลิเคชัน Mobile ESM ใดที่นิยมใช้ในการวิจัย?
แพลตฟอร์มที่ใช้กันอย่างแพร่หลาย ได้แก่ m-Path (KU Leuven), Experience Sampler (โอเพนซอร์ส) และ iESP แพลตฟอร์มเชิงพาณิชย์ เช่น MetricWire และ LifeData ก็มีการใช้งานเช่นกัน การเลือกขึ้นอยู่กับงบประมาณ ความสามารถในการตรวจจับแบบพาสซีฟที่ต้องการ และว่าความสามารถในการตรวจสอบแบบโอเพนซอร์สมีความสำคัญหรือไม่
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Csikszentmihalyi, M., & Larson, R. (1987). Validity and reliability of the Experience-Sampling Method. Journal of Nervous and Mental Disease, 175(9), 526–536.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วShiffman, S., Stone, A. A., & Hufford, M. R. (2008). Ecological momentary assessment. Annual Review of Clinical Psychology, 4, 1–32.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว