单被试实验设计
- 提出者
- Murray Sidman (foundational tactics); B. F. Skinner (applied behavior analysis lineage)
- 年份
- 1960s (Sidman 1960; formal applied codification by Kazdin and Baer in 1970s–1980s)
- 类型
- Experimental research 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?
单被试实验设计(SSED)通过在基线和干预阶段反复测量一个或少数几个个体,利用被试自身作为对照来建立实验控制。它不比较不同组别,而是比较同一被试在不同条件下的行为随时间的变化。SSED广泛应用于应用行为分析、特殊教育、康复和临床心理学,能够从难以进行分组设计的微小或独特样本中进行因果推断。
方法背后的直觉
假设你想知道一项新的阅读干预是否能帮助一名患有阅读障碍的特定儿童。你无法招募数百名儿童,但你可以连续数周每天测量该儿童的阅读准确率——首先在没有干预的情况下(基线),然后进行干预(治疗),之后可能再回到基线。如果行为在条件改变时也随之改变,那么通过同一被试内的重复验证,就可以累积干预导致行为改变的证据。SSED将个体而非群体作为分析单位,将个体内部的变异性视为实验证据的主要来源。
历史学
SSED的智力基础在于B. F.斯金纳开创的操作性条件反射传统,他研究了个体在受控强化程序下的行为。Murray Sidman在1960年出版的《科学研究策略》一书中阐述了被试内重复作为心理学实验推断基础的逻辑。Donald Baer、Montrose Wolf和Todd Risley在1968年发表于《应用行为分析杂志》的里程碑式文章,将应用行为分析确立为一个学科,并将单被试方法论作为其主要研究工具。Alan Kazdin在1982年的手册系统化了设计选项、测量要求和分析约定,这些至今仍是标准。
何时使用
当你需要关于干预对特定个体或极少数个体影响的实验证据时,使用SSED——例如,一个患有罕见残疾的学生,一个具有独特临床特征的患者,或者一个样本量太小而无法进行分组设计的群体。当伦理或后勤限制阻止从对照组中剥夺治疗,并且能够对一个明确界定的行为进行频繁的重复测量时,SSED是适用的。当研究问题涉及群体水平的患病率或平均效应时,当目标行为无法被重复和客观地测量时,当治疗的残留或不可逆效应会阻止有意义的基线回归时,或者当目标是常模参照比较而非个体水平的功能分析时,请勿使用SSED。
局限与注意事项
- 研究结果仅限于所研究的个体;单项研究不能保证对总体的统计泛化。
- 需要对一个清晰界定的目标行为进行频繁、重复、客观的测量——对显性行为可行,对内在状态较难。
- 当干预教授的技能不可逆时,反转设计不适用,使得返回基线阶段不合逻辑或不符合伦理。
- 视觉分析本质上是主观的;评分者之间对阶段变化结论的一致性并非总是很高,而且定量效应量补充指标的使用不足。
- 快速交替处理设计中,条件间的残留效应可能混淆结果。
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
- 能够从分组设计不可能或不符合伦理的极小或独特样本中进行因果推断。
- 被试充当自身的对照,消除了被试间变异性,使个体变化清晰可见。
- 连续收集的数据揭示了行为变化的动态过程——而不仅仅是前后快照。
- 灵活:多种设计变体(AB、ABA、ABAB、多基线、交替处理)可适应不同的研究问题和伦理限制。
- 跨被试、跨设置和跨行为的重复,构建了一个类似于荟萃分析汇聚的累积证据基础。
应用
- 评估特殊教育环境中自闭症谱系障碍、智力障碍或注意力缺陷多动障碍个体的行为干预。
- 评估临床环境中脑损伤、中风或运动障碍患者的康复方案。
- 测试教学程序或课堂管理策略,针对与群体需求显著不同的个体学生。
- 研究在群体水平随机对照试验不切实际的罕见疾病的药物或行为治疗。
- 在扩大规模之前,评估个体层面的技术驱动或应用程序驱动的自我管理项目。
- 通过跨个体和跨设置的系统性重复,为新颖干预建立证据基础。
使用方式
使用方式
在引入任何干预措施之前,研究者会收集目标行为在自然或未操纵条件下的重复测量数据。这个基线阶段(通常标记为A)建立了一个稳定、可预测的模式——被试在没有接受治疗时的表现。基线应稳定(变异性低)或呈现与预期治疗效果相反的趋势;不稳定的基线会削弱因果解释。
引入干预措施或自变量(B阶段),并以相同的频率继续测量相同的目标行为。A和B阶段之间在水平(均值)、趋势(斜率方向)和变异性上的变化构成了效应的主要证据。更复杂的设计会增加额外的阶段(返回基线、第二次干预)或跨被试、设置或行为的并行基线。
数据绘制在时间序列图上,主要的分析方法是视觉检查。分析者检查阶段内数据特征(水平、趋势、变异性)和阶段间数据特征(水平变化、趋势变化、相邻阶段间的重叠度)。阶段间数据重叠度低以及即时、一致的阶段变化被视为功能关系的证据。诸如所有对非重叠(NAP)或Tau-U等效应量指标可以补充视觉分析。
SSED中的实验控制依赖于重复。在反转设计中,干预被撤回后又重新引入;在多基线设计中,干预在不同的基线之间交错进行。每次行为改变与阶段变化相吻合的演示都是一次重复。一项研究中对同一效应进行三次或更多次的重复,就构成了因果关系的令人信服的证据,遵循了被试内重复的逻辑。
研究者得出结论,判断自变量(干预)与因变量(目标行为)之间是否存在功能关系,并评估行为改变幅度的社会或临床意义。外部效度不是通过样本的统计推断来确立的,而是通过文献中跨研究、跨设置和跨被试的系统性重复来确立的。
常见陷阱
- 基线数据点过少:少于三到五个稳定数据点的基线为反事实预测提供了不足的基础;在引入干预前应收集足够数据直至模式清晰。
- 一次改变多个变量:同时引入多个组成部分,使得无法将变化归因于任何单一元素——一次只改变一个条件。
- 忽略基线趋势:基线如果已经呈现预期治疗效果的方向趋势,那么后续的任何改善都无法解释;在进行之前应稳定基线或考虑趋势。
- 过度依赖视觉分析:应接受标准化视觉分析标准的培训,并辅以至少一个经过验证的非重叠统计量(NAP、Tau-U、PND)以提高客观性。
- 错误地将反转设计应用于不可逆结果:技能习得(例如,阅读)是不可逆的;应改用多基线设计。
常见问题
单被试设计是“真正”的实验研究,还是仅仅是案例研究?
它是实验性的。案例研究描述发生了什么;单被试实验设计主动操纵自变量,并通过同一被试内的阶段变化重复来控制混淆因素。因果推断的逻辑与分组设计不同(它依赖于被试内重复而非被试间重复),但在满足设计条件时同样严谨。
每个阶段需要多少个数据点?
一般指南是每个阶段最少三到五个数据点,但越多越好。标准不是固定数量,而是稳定性:在改变阶段之前,收集数据直到模式可预测(水平稳定、趋势清晰或变异性可接受)。在仅有一个或两个基线数据点后匆忙引入干预会削弱因果解释。
何时应使用多基线设计而非反转(ABA/ABAB)设计?
当干预效果可能不可逆(例如,技能习得)时,当撤回治疗不符合伦理时,或当反转会抵消真正的治疗效果时,应使用多基线设计。当预期目标行为在移除干预后会恢复到基线水平时,反转设计最为合适——通常是受环境条件维持的操作行为,而非习得的技能。
我可以使用统计方法处理单被试数据,还是仅靠视觉分析就足够了?
视觉分析是主要且传统的方法,但鼓励使用定量补充。非重叠统计量,如所有对非重叠(NAP)、Tau-U或非重叠数据百分比(PND),提供了客观的效应量指标,并有助于与不熟悉时间序列图的受众沟通。当数据和设计允许时,也可以应用多层次模型和随机化检验。
如何从只有一个或几个被试的研究中建立外部效度?
SSED中的外部效度是通过跨研究的系统性重复来建立的——你自己的研究跨多个被试的重复(直接重复),以及后续跨不同设置、人群和研究者的研究(系统性重复)。单项研究不能建立外部效度;一系列重复的研究才能建立。这类似于荟萃分析在分组设计文献中的作用。
相关方法
参考文献
Kazdin, A. E. (1982). Single-Case Research Designs: Methods for Clinical and Applied Settings. Oxford University Press.
ISBN:978-0195030440已复制。Sidman, M. (1960). Tactics of Scientific Research: Evaluating Experimental Data in Psychology. Basic Books.
打开出版物文献已复制。