AB设计 — AB单案例实验设计
- 提出者
- Murray Sidman; Baer, Wolf & Risley
- 年份
- 1960s
- 类型
- Single-subject experimental design
- 类别
- Experimental design
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
AB设计是最简单的单案例实验设计,由两个连续阶段组成:一个基线阶段(A),在此阶段目标行为在没有干预的自然条件下被观察;随后是一个干预阶段(B),在此阶段引入治疗或操作。通过比较行为在两个阶段之间在水平、趋势或变异性方面的变化,来推断干预对个体参与者的影响。
方法背后的直觉
可以将AB设计视为针对单个个体的“前后”比较。首先,在不施加任何干预的情况下观察并记录学生、患者或客户的行为——这是基线。然后引入治疗并继续记录相同的行为。如果行为在引入治疗时(且仅在此时)发生显著变化,则有证据表明治疗可能有效。关键词是“可能”:由于没有撤回或返回基线阶段,因此无法明确排除导致变化的其他解释。AB设计通常是单案例研究的切入点,也是构建更强设计(ABA、ABAB)的基础。
历史学
单案例实验方法由Murray Sidman在其1960年的著作《科学研究策略》中系统化,该著作确立了被试内复制作为群体设计的替代方案。两阶段AB逻辑在应用行为分析领域得到正式化,这源于Baer、Wolf和Risley于1968年在《应用行为分析杂志》创刊号上发表的里程碑式文章。AB设计仍然是这一传统最简单的表达,也是所有更复杂的单案例设计——ABA、ABAB、多基线——构建的支架。
何时使用
当您需要一个实用、低资源的单案例框架来记录干预与个体行为变化之间的关联时,请使用AB设计——这在应用行为分析、特殊教育、临床心理学和康复领域很常见。当逆转(撤回治疗)在伦理上或实践上不可能时,或者当目标是初步记录而非强实验控制时,它适用。当您需要因果证据时,请勿使用AB设计:如果没有返回基线或复制阶段,该设计无法排除历史、成熟或均值回归。当内部效度是优先考虑时,请升级到ABA或ABAB设计。
局限与注意事项
- 内部效度弱:缺乏撤回或复制阶段意味着无法排除巧合事件(历史)是观察到变化的原因。
- 结果仅适用于所研究的个体;推广到其他人、环境或行为需要跨多个案例进行系统复制。
- 依赖于稳定、可预测的基线——可变或有趋势的基线使得干预后的变化无法解释。
- 如果行为变化滞后于阶段转换多个会话,则该设计无法检测到延迟的治疗效果。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 实施起来极其简单——只需两个阶段,可由一名实践者与一名参与者完成。
- 当撤回或逆转可能有利的治疗不合适时,在伦理上是可行的。
- 提供个体行为变化的图景,而群体设计平均值会掩盖这些变化。
- 作为构建更强的撤回和多基线设计的基础。
- 时间序列数据的视觉分析使没有高级统计培训的实践者也能理解研究结果。
应用
- 记录特殊教育中阅读流畅性干预对个体学生每分钟正确阅读单词数的影响。
- 监测临床环境中行为管理策略对自伤行为频率的影响。
- 在康复研究中,追踪物理治疗方案前后疼痛强度或功能活动能力的变化。
- 评估工作场所调整对个体员工生产力或错误率的影响。
- 评估药物或饮食改变对单个患者可测量行为或生理结果的初步影响。
- 在推广到群体干预之前,与一名学生试用新的课堂教学技术。
使用方式
使用方式
操作性定义因变量——您将追踪的特定、可观察和可测量的行为或结果(例如,每分钟正确阅读的单词数、每次会话破坏性行为的频率)。清晰的操作性定义可确保两个阶段测量的一致性。
在引入任何干预之前(A阶段),在多次会话中重复测量目标行为。基线数据建立了干预前的趋势和变异性。在进入干预阶段之前,需要一个稳定、可预测的基线——至少三到五个数据显示出明确的水平和趋势;如果基线在期望方向上呈上升趋势,则几乎不可能将随后的改善归因于治疗。
在明确定义的会话边界处,引入治疗或操作,同时保持所有其他条件不变。精确记录干预开始的时间和方式,以便在数据记录中阶段转换是明确的。避免同时进行任何可能混淆阶段转换的程序性更改。
在B阶段,继续在相同条件下使用相同的数据收集方法测量相同的目标行为。跨阶段测量的一致性至关重要:除干预本身之外的任何程序性偏差都构成混淆,从而损害解释。
将所有数据点绘制在时间序列图上,并用阶段变化线标记A到B的转换。评估水平(每阶段数据的平均值)、趋势(斜率方向)和变异性(围绕趋势的分布)的变化。与阶段变化同时发生的水平或趋势的清晰、即时转变提供了干预效果的初步证据;也可以应用Tau-U等正式统计补充方法。
常见陷阱
- 在基线不稳定的情况下继续:如果基线数据高度可变或已经朝着期望的方向发展,那么B阶段的任何改善都不能归因于干预——在引入治疗之前等待稳定性。
- 数据点过少:每个阶段至少三到五个数据点是常规下限;更少的数据点会使趋势难以辨别,视觉分析不可靠。
- 混淆阶段转换:在引入干预的同时改变测量程序、环境或观察者会产生无法解释的混淆。
- 过度声称因果关系:AB设计产生的是相关性证据,而非因果证据;结论应表述为“与变化相关”,而不是“由干预引起”。
常见问题
为什么AB设计被认为不如ABA或ABAB设计强?
AB设计表明行为在干预引入后发生了变化,但它无法证明干预导致了这种变化。如果没有撤回治疗并观察行为是否返回基线——如ABA设计所示——或复制这种逆转——如ABAB设计所示——就无法排除巧合事件、成熟或自发恢复等替代解释。更强的设计提供了建立实验控制的被试内复制。
每个阶段需要多少数据点?
常规的最小值为每个阶段三到五个数据点,但越多越好。实际标准是稳定性:收集数据直到水平和趋势足够可预测,以便您可以预测如果没有任何变化数据会走向何方。对于干预阶段,继续收集直到效果或无效果明确且序列稳定。
我可以使用统计测试来分析AB数据吗?
是的。视觉分析是主要和传统的方法,但也有几种统计补充方法:Tau-U考虑了基线趋势并提供了效应量估计;分段回归(中断时间序列分析)模拟了阶段边界处的水平和斜率变化。这些方法补充了视觉分析,并且每个阶段至少需要八到十个数据点才能有意义。
在什么情况下,AB设计在伦理上优于更强的逆转设计?
当预期干预会产生不可逆的学习(例如,获得新的学术技能)时,或者当撤回有益的治疗会造成伤害或不道德时,ABA或ABAB设计所需的逆转是不合适的。在这些情况下,AB设计——或完全避免撤回的多基线设计——是伦理上的选择。
AB设计与前测-后测设计相同吗?
不。前测-后测设计通常涉及干预前和干预后的一次测量,通常是在一个群体中。AB设计涉及在单个参与者内部随时间进行的重复、频繁测量,产生一个时间序列,揭示趋势和变异性——这是单一的前测和后测测量无法提供的信息。