变量概述

描述

在“变量”部分，研究的所有变量都以列表的形式显示，按类型分类。最重要的变量属性（名称、量表、数据类型、数据格式、是否记录、是否重置）被显示。可以选择每个变量，以便在屏幕右侧显示变量的属性并进行编辑。

重要提示： 在发布研究和开始数据录制之前，建议查看/检查所有变量属性（例如，检查是否所有相关变量都被记录等）。

变量类型

在变量概述中，变量按其主要类型进行划分。有四种主要变量类型：

自定义变量： 所有用户创建的变量。
对象变量： 所有与（问卷）对象一起创建的变量（例如复选框、滑块等）。
因子变量： 在试验组中起因子作用的所有变量。
系统变量： 所有自动创建的变量（由 Labvanced 预先创建）。

变量还按其范围进行分类：

试验变量： 这些变量是按试验记录的。通常是用户创建的，示例包括反应时间和参与者选择。
会话变量： 这些变量每个会话只记录一次，主要由 Labvanced 创建。示例包括浏览器类型、屏幕大小以及研究的开始/结束时间。
受试者变量： 这些变量每个受试者只记录一次，由 Labvanced 创建。这些变量在多个会话中对同一受试者保持不变，包括受试者 ID 等值。

研究人员通常只关注试验变量和会话变量。受试者变量对于纵向研究非常有用。

删除变量

删除变量时必须极其小心。在删除变量之前，请确保该变量在您的研究中没有被使用。变量使用信息显示在当前选定变量的属性中，位于屏幕右下角（您可能需要向下滚动）。虽然 Labvanced 尝试更新这些变量使用信息，但在删除变量之前，请检查不同的任务和框架，以确认该变量确实没有被使用。

如果您不确定某个变量是否被使用，建议禁用该变量的录制。这样，该变量将不会出现在数据视图中，但不会对您的研究造成损害。另一种选择是复制您的研究（复制所有变量和对象等），然后在该研究的副本中删除问题变量并进行测试运行。这样，您可以看到没有该变量的研究表现如何。

如果删除了仍在某处使用的变量（例如在事件或对象中），这可能会对您的研究造成不可逆转的损害！请小心！

共享变量

共享变量 是动态变量，可以在跨会话和/或受试者之间共享。这些变量存储在 Labvanced 服务器上。

受试者间平衡

想象一个有 10,000 张图像的研究，但每个参与者只显示 100 张图像。然而，所有这十万张图像都应该至少显示一次，并且顺序是随机的。因此，需要 100 个参与者来完成研究。

共享变量可以用于写入一个数组，该数组存储尚未显示的图像的编号。这确保参与者 2 不会看到参与者 1 看到的任何图像。这在刺激的基础上在受试者之间实现了平衡。为了防止因参与者退出而造成的不平衡，该变量可以设置为仅在参与者做出反应后记录图像为已看到。这确保每个图像都有可用的反应，无论参与者是否完成研究。因此，研究将产生 随机化的、平衡的和完整的 数据。

多会话（纵向）研究

共享变量可用于确保受试者在纵向研究的每个会话中使用（或不使用）相同的设备。

在这种情况下，可以使用另一种版本的共享变量。在此方法中，共享变量存储在参与者的设备上，仅在不同会话之间与参与者自己共享。然而，如果受试者使用私密浏览器或设备出现故障，则此方法将无法正常工作。

在另一个示例中，想象一个每个参与者有两个会话的研究。在每个会话中，将显示 100 张图像，但这两次会话之间的图像是完全不同的。这些图像是从 10,000 张图像的语料库中随机挑选的。您可以随机抽取数字并将其保存到每个受试者的数组中以选取图像，然后在下一个会话中检索该数组，以确保它们不会被第二次选取。

多用户研究

这些变量用于涉及多个参与者的研究，以将值从一个人发送到另一个人。此方法使用服务器存储在受试者之间分配变量。

记住上述 10,000 张图像的研究示例，但每个参与者只显示 100 张图像。因此，每个图像应至少显示一次，并且顺序是随机的。

再次，共享变量可以用于写入一个数组，该数组存储尚未显示的图像的编号。在此示例中，应在研究初始化时随机抽取数字并写入数组。该数组将包括多用户研究中每个参与者看到的图像。这确保参与者 2 不会看到参与者 1 当前看到的相同图像。

示例研究

想象一个示例研究，在该研究中，您的智力与人口中平均智力为 100 分的群体进行比较。您的分数仅在作为相对值与他人进行比较时才具有相关性。为了进行这种比较，研究人员可以进行事后分析，或者他们可以给参与者实时反馈。

使用共享变量，参与者的分数可以被推送到一个满是值的数组中。然后可以对数组进行平均，并将百分位值在研究结束时推送回参与者。通过这种方式，随着更多个体参与研究，共享变量会动态更新，但分析是在研究过程中而不是事后进行的。