Skip to content
返回搜索结果

移动体验抽样法 — 智能手机驱动的ESM

提出者
Mihaly Csikszentmihalyi & Reed Larson
年份
1983–1987
类型
Intensive longitudinal data collection technique
类别
Data collection

本文为机器翻译,尚未经过审校。 阅读英文原文

字号

它有什么作用?

移动体验抽样法(ESM)通过智能手机应用程序,在参与者所处的自然环境中收集重复的、带时间戳的自我报告。通过在数天或数周内每天多次向参与者发出信号,研究人员可以捕捉到心理状态、行为和情境的发生过程——从而消除回顾性偏差,并揭示单次调查无法检测到的个体内部动态。

方法背后的直觉

传统调查询问“你这周感觉如何?”,依赖于不完美的记忆。移动ESM则每天多次向参与者的手机发送简短提示——就像一条短信说“你现在在做什么?你感觉如何?”——并在当下收集答案。通过多次信号和多天的数据,研究人员可以详细了解情绪、行为或情境在现实生活中如何波动和共变。智能手机使得大规模实现这一点成为可能;重复测量设计使研究结果具有生态效度和精细度。

历史学

体验抽样法由Mihaly Csikszentmihalyi和Reed Larson在20世纪80年代初引入,最初使用电子寻呼机向参与者发出信号。他们1987年发表在《神经与精神疾病杂志》上的论文确立了该方法的可靠性和有效性。强调临床和健康应用的“生态瞬时评估”(Ecological Momentary Assessment)一词在20世纪90年代由Saul Shiffman和Arthur Stone推广。2008年后智能手机的广泛普及将ESM从一种后勤要求高的实验室工具转变为一种可扩展的移动数据收集方法,催生了具有专用应用程序生态系统的移动ESM变体。

何时使用

当研究问题涉及个体内部波动、实时情境或心理或行为构念的生态效度时,移动ESM是首选方法。它尤其适用于研究日常生活中的情绪、压力、物质使用、社交互动或症状。当回顾性自我报告可能因记忆或社会期望而产生偏差时使用它。当目标人群无法可靠使用智能手机时,当只对个体之间差异感兴趣时(标准调查已足够),或当所需研究持续时间超出参与者耐受范围时,则不应使用它。

局限与注意事项

  • 参与者负担高——连续数周回应每日多个提示可能导致疲劳和退出。
  • 需要多层分析专业知识;标准的回归模型不适用于嵌套的ESM数据。
  • 信号反应性:提示参与者这一行为本身可能会改变所测量的构念。
  • 遗漏响应导致的数据丢失是非随机的,如果处理不当可能会导致结果偏差。

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

  • 捕捉横断面调查完全遗漏的个体内部动态和实时情境。
  • 消除回顾性记忆偏差——数据在经历之时或接近之时收集。
  • 高生态效度:研究结果反映自然环境中的行为和情感,而非人造实验室条件。
  • 智能手机能够以零额外参与者负担的方式进行被动数据增强(GPS、加速度计)。
  • 通过多层分析,可以区分稳定的特质水平效应与短暂的状态水平效应。

应用

  • 追踪临床心理学和精神病学研究中抑郁情绪、焦虑或精神病症状的每日波动。
  • 通过捕捉实时前因,研究成瘾研究中的物质使用、渴求和复发触发因素。
  • 在公共卫生和行为医学中测量体育活动、久坐行为和饮食选择。
  • 在日常人际交往情境中,考察社交互动质量、孤独感和情绪调节。
  • 在职业健康研究中,跨越工作日评估工作投入、压力和恢复情况。
  • 在课堂外的教育心理学研究中,捕捉学习行为、动机和情境。

使用方式

使用方式

1

研究人员定义研究方案:要测量的构念(例如,情绪、压力、活动),信号计划(固定时间间隔内的随机、固定时间或事件触发),每日信号数量(通常为4-10个),以及研究持续时间(通常为7-30天)。准备简短、负担轻的问卷——通常每个提示5-15个项目——以适应响应窗口(通常为2-10分钟)。

2

使用专门的移动ESM应用程序(例如,m-Path、Experience Sampler或定制版本)招募和引导参与者。他们完成基线测量,并接受响应程序培训。明确传达依从性期望和数据隐私安排。

3

在每个预定的时间点,应用程序会发送通知。信号计划可以是(a)随机间隔:在固定窗口内不可预测的时间发送提示,因此参与者无法预料和准备答案;(b)固定间隔:每天在相同时间发送提示;或(c)事件触发:在预定事件发生后由参与者启动。

4

参与者打开应用程序并完成简短问卷。响应会被打上时间戳,并可选择性地用被动传感器数据(GPS位置、加速度计、屏幕使用情况)进行增强。研究人员实时监控依从率;依从率高于70-75%通常被认为足以进行分析。

5

数据被编译成多层结构:观察结果嵌套在个体内部,个体又常常嵌套在天内部。多层模型(MLM)或动态结构方程模型(DSEM)用于分解个体内部变异与个体之间差异,估计滞后关联,并检验个体水平的调节变量。

常见陷阱

  • 每个提示的项目过多:超过15个项目会显著降低依从率;保持提示简短且聚焦。
  • 忽略不依从:仅分析已完成的响应而不检查缺失是否系统化,可能引入严重偏差。
  • 在多层数据上使用单层分析:将普通回归应用于ESM数据会夸大第一类错误率;需要多层模型。
  • 未能考虑一天中的时间效应:情绪和行为会随一天中的时间系统性变化;模型应包含时间控制或一天内的协变量。
  • 证据不足的设计:ESM需要每个个体有足够的信号数 AND 足够多的个体数;在最终确定方案前,请咨询功效分析软件(例如,PANGEA)。

常见问题

每天多少信号和多少天是典型的?

大多数ESM研究每天使用4-10个信号,持续7-14天,每个参与者产生40-140个观察结果。信号太少会降低个体内部估计值的统计功效;信号太多会增加参与者负担和退出率。建议使用PANGEA等功效分析工具来确定最佳设计。

ESM、EMA和每日日记法之间有什么区别?

这些术语重叠很多。ESM(Csikszentmihalyi)通常使用随机间隔信号,并强调实时捕捉体验。EMA(Shiffman/Stone)是临床健康领域首选术语,包括随机间隔和事件触发设计。每日日记研究使用单次日终报告,而不是一天内的多次提示。移动ESM特指通过智能手机应用程序进行传输,能够进行被动传感器增强。

60%的依从率可以接受吗?

依从率低于70%通常被认为对数据质量有风险。更关键的是,与所研究的构念系统性相关的不依从会使估计值产生偏差。在进行主要分析之前,务必检查按一天中的时间、研究天数和参与者特征划分的依从模式。

我应该使用哪种统计模型来分析ESM数据?

多层模型(MLM),也称为分层线性模型,是标准方法,因为它能正确处理个体内部重复观测值的不独立性。对于动态的、滞后的关联,动态结构方程模型(DSEM)正日益被使用。标准的OLS回归不适用于ESM数据。

研究中常用哪些移动ESM应用程序?

常用的平台包括m-Path(KU Leuven)、Experience Sampler(开源)和iESP。MetricWire和LifeData等商业平台也被使用。选择取决于预算、所需被动传感能力以及开源可审计性是否重要。

相关方法

参考文献

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

    打开 DOI 文献
    已复制。
  2. Shiffman, S., Stone, A. A., & Hufford, M. R. (2008). Ecological momentary assessment. Annual Review of Clinical Psychology, 4, 1–32.

    打开 DOI 文献
    已复制。