6 Schlüsselkriterien des experimentellen Designs

Das experimentelle Forschungsdesign ist eine entscheidende Fähigkeit, die neue Studierende verstehen und letztendlich meistern sollten. Ein gutes Experimentdesign ist absolut notwendig, um objektive Schlussfolgerungen aus einer Studie zu ziehen. Hier behandeln wir die Hauptkonzepte, an die jeder Student denken sollte.

1. Definieren Sie Ihre experimentellen Variablen klar

Variablen müssen von Anfang an klar definiert werden. Die meisten Studien wollen die Beziehung zwischen einem(n):

• Unabhängigen Variable: Der Reiz, die Bedingung oder Intervention, die Sie manipulieren und kontrollieren.
• Abhängigen Variable: Der nachfolgende Effekt der Änderung der unabhängigen Variablen.

Betrachten Sie die Forschungsfrage: „Beeinflusst das Beobachten einer Emotion die Wahrnehmung des Teilnehmers von geschriebener Sprache?“ Sie könnten dies fragen, wenn Sie die Wahrnehmung untersuchen und an dem Effekt interessiert sind, den das Priming einer Emotion auf die Interpretation geschriebener Sprache hat.

Stellen Sie sich beispielsweise vor, der Teilnehmer sieht eine glückliche Person und liest danach verschiedene Textaufforderungen wie „Sprich nicht mit Fremden“, gefolgt davon, dass der Teilnehmer berichten muss, wie er die Textaufforderung wahrnimmt.

In diesem Beispiel könnten Ihre unabhängigen und abhängigen Variablen eine beliebige Anzahl von Dingen sein, und es ist Ihre Aufgabe als Forscher, diese zu operationalisieren und zu definieren.

• Für die unabhängige Variable: Bilder von verschiedenen Emotionen oder Audio von Stimmen, die verschiedene Emotionen ausdrücken.
• Für die abhängige Variable: Eine Likert-Skala zur Bewertung verschiedener Dimensionen der Textaufforderung oder sogar eine Frage zur Einschätzung der Wahrscheinlichkeit: „Wie wahrscheinlich ist es, dass die Person, die Sie wahrgenommen haben, diesen Befehl sagt?“

Unabhängige und abhängige Variablen stehen im Herzen aller Forschung, aber ein gutes experimentelles Design berücksichtigt auch andere Variablen, wie:

• Kontrollvariablen
• Störvariablen
• Nebeneffekte

Wenn Sie alle Ihre Variablen in der Planungsphase konzipieren und sorgfältig berücksichtigen, wird das Entwerfen von webbasierten Experimenten und das Einrichten von Variablen im Editor von Labvanced nur eine Frage des Lernens von ein paar Klicks.

Sie können auch verschiedene Stimuli hochladen, von visuell bis auditiv, und das Verhalten der Teilnehmer durch Funktionen wie Eye-Tracking testen. Schauen Sie sich diese Wiedergabeliste an, wie verschiedene Stimuli in Labvanced erstellt und als Objekte behandelt werden, um Experimente zu erstellen!

2. Verstehen Sie die Bausteine des experimentellen Designs

Um im experimentellen Design gut zu sein und ein Design zu etablieren, das Ihre Forschungsfrage unterstützt und Ihre Variablen isoliert, müssen Sie die Bausteine des experimentellen Designs wie Ihre Westentasche kennen.

Nämlich sind dies:

• Versuche: Einzelfälle einer bestimmten Aufgabe oder einer angeregten Antwort auf eine Stimuluspräsentation, wie das Durchführen eines Mazaruns oder das Betrachten einer Buchstabenreihe.
• Versuchsblöcke: Ein Block besteht aus mehreren Versuchen, normalerweise hat ein Experiment mehrere Blöcke.
• Sitzungen: Im Zusammenhang mit longitudinalem Design können experimentelle Sitzungen über mehrere Tage (sogar Jahre) hinweg dauern, in denen Teilnehmer die Versuche zu unterschiedlichen Zeitpunkten erneut durchführen.

Versuche

Versuche sind die grundlegenden Einheiten eines Experiments, die, wenn sie zusammengefasst werden, Blöcke bilden, die Sitzungen ausmachen. Versuche sind typischerweise einzelne Instanzen eines Stimulus.

Sehen Sie sich dieses Video an, das erklärt, wie man mehrere Versuche erstellt, bei denen Bilder von Haustieren (Hunden und Katzen) und Blumen angezeigt werden, und den Teilnehmer auffordert, in jedem Versuch das Haustier auszuwählen, unter Verwendung von Labvanced:

Blöcke

Eine Sammlung von Versuchen bildet einen Block. Forscher verwenden diese Blöcke aus vielen Gründen, einschließlich der Randomisierung ihrer Studie. Ein weiterer gebräuchlicher Ansatz für Blöcke besteht darin, ihnen ein Thema zu geben, das mit der Forschungsfrage zusammenhängt, oder sie mit den verschiedenen Lernstufen zu verbinden, die ein Experiment erfordert.

Beispiele für Blöcke in der Forschung:

• Themenfrage: Versuchsblöcke können einem bestimmten Forschungsthema folgen. Beispielsweise können Blöcke einem bestimmten kognitiven Thema wie Aspekten des Arbeitsgedächtnisses oder sogar der Form des Akteurs folgen, wobei präsentierte Bewegungen nach gerichtlichen und geschwindigkeitsbezogenen Merkmalen gruppiert werden (Cook, Pan & Bianchi-Berthouze, 2013).
• Zeit-Element: Blöcke, die sich von ‚Übung‘ über ‚Training‘ bis hin zu ‚experimentell‘ erstrecken, typischerweise gesehen in einem Within-Subjects-Studienentwurf. Zum Beispiel verwendete eine Studie, die Labvanced einsetzte, um die Leistung von Kindern im Serial Reaction Time Task in einem Sprachexperiment zu bewerten, Blöcke und maß die Unterschiede in der Leistung der Teilnehmer im ersten Trainingsblock im Vergleich zum letzten Block (Marimon et al., 20201).

Sitzungen

Sitzungen beziehen sich auf verschiedene Zeitpunkte, zu denen Teilnehmer auf eine Studie antworten.

Betrachten Sie diese Studie von Polonen, Lappi & Tervanieni (2019) in den Frontiers of Psychology, bei der das Ziel darin bestand, den Einfluss von Bewegung auf den affektiven Zustand und den Fluss bei Qigong-Praktizierenden zu bewerten, wobei die erste Sitzung eine Mischung aus Reflexion und Übungsblöcken darstellt.

Spätere Sitzungen finden typischerweise an verschiedenen Tagen (sogar Monaten) statt und können entweder die gleichen Versuche und Blöcke wie zuvor, unterschiedliche oder eine Mischung aus neuen und alten Blöcken verwenden.

In einer aktuellen Studie von Chládková et al. rekrutierten die Forscher Teilnehmer für Sitzung 1, in der 161 Teilnehmer getestet wurden, und für Sitzung 2, in der 202 andere Teilnehmer getestet wurden. Das Ziel war es, den Effekt zu untersuchen, den ein monatelanges Tragen von Masken auf die Sprachwahrnehmung hat. Dazu hatten die Forscher Sitzung 1 vor dem Mandat und Sitzung 2 nach dem einmonatigen Mandat. Für beide Sitzungen waren die Stimuli genau die gleichen, nämlich eine Sammlung von 48 Versuchen, die etwa 10 Minuten in Anspruch nahmen, um die Stärke des McGurk-Effekts zu bewerten.

3. Between-Subjects- und Within-Subjects-Design

Im obigen Beispiel, in dem das McGurk-Effekt-Experiment von Chládková et al. diskutiert wurde, wurde ein Between-Subjects-Design (Sitzung 1 vs. Sitzung 2) verwendet!

Manchmal gibt es verschiedene Bedingungen oder Behandlungen, die Forscher untersuchen möchten. In diesem Fall sollte entweder ein Between-Subjects- oder ein Within-Subjects-Design ausgewählt werden.

Between-Subjects-Design

Auch bekannt als ANOVA oder unabhängige Messungen Design, im Between-Subjects-Design kann ein Teilnehmer nur in einer Bedingung oder Behandlung aus den vielen, die in dem Experiment untersucht werden, sein.

Typischerweise ist dies das klassische experimentelle Design, bei dem die Teilnehmer entweder der Kontrollgruppe (manchmal dort, wo ein Placebo-Effekt beobachtet wird) oder der Experimentalgruppe zugewiesen werden.

Auf einer oberflächlichen Ebene sind Anwendungsfälle, die typischerweise das Between-Subjects-Design verwenden, Studien in:

• Sozialpsychologie
• Persönlichkeitspsychologie
• Entscheidungstheorie

Einige Vorteile des wiederholten Messungen / Between-Subjects-Designs sind:

• Kürzere Sitzungen: Da von einem Teilnehmer nicht erwartet wird, dass er mehrere Bedingungen oder Behandlungen (wie beim Within-Subjects-Design) durchläuft, sind die Sitzungen kürzer.
• Reduziert Carryover-Effekte: Da von einem einzelnen Teilnehmer nicht erwartet wird, dass er mehrere Bedingungen oder Behandlungen durchläuft, gibt es weniger Auswirkungen, wenn eine Bedingung auf eine andere folgt. Daher müssen Forscher sich keine Gedanken über Dinge wie Lerneffekte oder Ermüdungseffekte machen, wie es im Within-Subjects-Design der Fall ist.

Within-Subjects-Design

Auch bekannt als wiederholte Messungen Design, im Within-Subjects-Design nehmen Teilnehmer an einer Bedingung oder Behandlung und dann an einer anderen Bedingung oder Behandlung teil. Alle longitudinalen Studien, die Teilnehmer über die Zeit verfolgen, folgen einem Within-Subjects-Design, weil sie die gleichen Teilnehmer immer wieder ansehen.

Dieses Design ist beliebt, wenn kumulative Effekte untersucht werden, die voraussichtlich über die Zeit hinweg auftauchen. Durch die Messung desselben Teilnehmers immer wieder kann das gewünschte Ergebnis im Laufe der Zeit aufgezeichnet werden, wie es erscheint.

Gegengewichtung wird von Forschern verwendet, um sicherzustellen, dass die Reihenfolge, in der die Behandlung erhalten wird, die beobachtbaren Ergebnisse nicht beeinflusst. Beispielsweise erlebt Sally Bedingung A bevor Bedingung B, aber Laura durchläuft Bedingung B bevor Bedingung A.

Einige Vorteile des wiederholten Messungen / Within-Subjects-Designs sind:

• Weniger Teilnehmer benötigt: Da mehr Daten von einem einzelnen Teilnehmer kommen, ist es möglich, Korrelationen oder sogar Kausalbeziehungen mithilfe kleiner Stichproben zu erkennen.
• Minimieren von Rauschen: Da die Daten von demselben Teilnehmer kommen, werden individuelle Unterschiede (d.h. Rauschen) minimiert, da Faktoren wie Gedächtnis oder Intelligenz von Bedingung zu Bedingung nicht variieren.

Auf einer oberflächlichen Ebene sind Anwendungsfälle, die typischerweise das Within-Subjects-Design verwenden, Studien in/fokussiert auf (Keren & Lewis, 2014):

• Kognitive & Neuropsychologie
• Wahrnehmung
• Gedächtnis
• Lernen
• Psychophysik
• Reaktionszeit

4. Randomisierung & Balancierung

Randomisierung ist die zufällige Zuteilung von Teilnehmern zu verschiedenen experimentellen Bedingungen und ist das Herzstück des experimentellen Designs, da sie hilft, Vorurteile und die Auswirkung unbekannter Variablen zu beseitigen, die statistisch jede signifikante Ergebnisse erklären könnten (Suresh, 2011).

Balancierung hingegen ist eine Möglichkeit, sicherzustellen, dass die verschiedenen experimentellen Gruppen eine gleiche (oder so ähnliche wie möglich) Anzahl von zugewiesenen Teilnehmern haben. Angenommen, Ihre „Kontrollgruppe“ hat 5 Teilnehmer und Ihre „Experimentelle Gruppe“ hat 95 Teilnehmer. Klingt katastrophal, oder? Ein ausgewogeneres Design wäre, etwa 50 Probanden in der „Kontrollgruppe“ und 50 in der „experimentellen Gruppe“ zu haben.

Während alle Bereiche der Psychologie von der Randomisierung profitieren, achten klinische und Gesundheitspsychologen besonders darauf, da sie oft mit Interventionen und Behandlungen zu tun haben.

Mit Labvanced kann Ihr Experiment randomisierte Versuche, Aufgaben, Blöcke und Gruppen haben, abhängig von der Natur Ihrer Studie. Es ist möglich, alles zu randomisieren, was Sie möchten, und Sie können die Balancierung zwischen Gruppen sicherstellen, sodass es eine gleichmäßige Anzahl von Probanden zwischen den Gruppen gibt.

Hier sind einige Möglichkeiten, wie Sie Ihre Studie mit Labvanced balancieren und randomisieren können:

• Zufällige Faktoren: Erreichen Sie einfache, geschachtelte oder zwischen-subjektliche Balance der Stimuli
• Zufällige Versuchsreihenfolge: Laden Sie eine vordefinierte Versuchssequenz für jeden Probanden hoch oder erstellen Sie eine adaptive / dynamische Versuchssequenz unter Verwendung von Ereignissen
• Ereignislogik: Erstellen Sie hochgradig individualisierte Balancierungsmechanismen, z.B. Dateien dynamisch Objekten zuweisen

Eine ausgewogene und randomisierte Studie ist unerlässlich, da sie dazu beiträgt, die Integrität Ihrer statistischen Analyse und Ergebnisse sicherzustellen.

5. Replikation

Replikation ist eines der ältesten Probleme im Bereich der Psychologie, das auf Beobachtungen führender Psychologen im 19. und frühen 20. Jahrhundert zurückgeht (Laws, 2016).

Bis heute ist die Replikation, die sich darauf bezieht, wie wiederholbar eine Studie sein kann (typischerweise um zu bestimmen, ob die Ergebnisse einer Originalstudie in anderen Situationen und bei anderen Teilnehmern beobachtet werden können), immer noch ein Problem in der experimentellen Forschung.

Replikation ist wichtig, denn damit andere Forscher die Ergebnisse einer Studie bestätigen oder testen können, müssen sie in der Lage sein, die Studie zu replizieren. Dies ist in der Psychologie schwierig, da Verhalten im Allgemeinen sehr komplex und schwer vorherzusagen ist.

Ein Vorteil davon, Ihre Studie online zu haben, besteht darin, dass Sie die Studienvorlage mit anderen Forschern teilen können, und sie können das Experiment oder die Aufgaben innerhalb davon nutzen, um andere Populationen zu testen und versuchen, Ihre Ergebnisse zu replizieren.

6. Die Kraft der Evidenz

Je rigoroser eine Studie definiert und aufgebaut ist, desto stärker ist die Evidenz hinter etwaigen daraus folgenden Schlussfolgerungen. Wenn Sie also mit Ihrer Studie etwas beweisen möchten, benötigen Sie die Evidenz, um dies zu unterstützen.

Es gibt viele verschiedene Systeme, die Evidenz klassifizieren (die sogar je nach Land und Organisation variieren kann). Als allgemeine Regel können Sie Evidenz auf einem Spektrum von „nicht sehr stringent oder überzeugend“ bis „getestet und bewährt“ betrachten.

Stellen Sie sich vor, die Tante eines Menschen erzählt Ihnen ihre Meinung über den Einfluss von Pflege auf die Wahrnehmung von Säuglingen, basierend auf ihrer Erfahrung mit der Erziehung ihrer drei Kinder. Auch wenn dies ein amüsantes und erfreuliches Gespräch sein kann, sind diese Einblicke nicht zuverlässig, da die Schlussfolgerungen, die aus einer randomisierten Studie mit über 1000 Pflegekräften, die bestimmten Erziehungsstilen zugewiesen wurden und deren Reaktion bei den Kindern gemessen wurde (wobei alle Störvariablen kontrolliert wurden), viel robuster sind!

Durch das Verständnis der Kraft der Evidenz können Sie ein Experiment entwerfen, bei dem die resultierenden Schlussfolgerungen fundiert, zuverlässig und nicht durch Störfaktoren und/oder Verzerrungen beeinträchtigt sind.

Abschließende Bemerkungen

Es gibt nichts Aufregenderes, als Ihre ersten Experimente als aufstrebender Forscher zu entwerfen. Mit diesen Schlüsselkriterien im Hinterkopf können Sie stark anfangen und die Grundlage für ein besseres Verständnis komplexer Konzepte wie Interaktionen entwickeln. Und das Online-Bauen von Experimenten mit Labvanced kann Ihnen helfen, als Forscher weiter zu wachsen, während Sie schnell Daten sammeln, gültige Experimente gestalten und Ihre Veröffentlichungsrate erhöhen!

Und denken Sie daran, wie Sie mit den 6 Komponenten umgehen, die in diesem Artikel umrissen sind, bestimmt die Stärke Ihrer Schlussfolgerungen und sogar die Ergebnisse Ihrer Erkenntnisse. Denken Sie auch daran, dass experimentelle Kontrolle bei der Durchführung von Experimenten online eine wichtige Rolle spielt, wie das Experiment in einer Online-Umgebung behandelt wird. Erfahren Sie mehr darüber, wie Labvanced experimentelle Kontrolle hier gewährleistet.

Referenzen

Chládková, K., Podlipský, V. J., Nudga, N., & Šimáčková, Š. (2021). Der McGurk-Effekt in der Zeit der Pandemie: altersabhängige Anpassung an den Verlust visueller Sprachhinweise. Psychonomic Bulletin & Review, 28(3), 992-1002.

Cook, J., Swapp, D., Pan, X., Bianchi-Berthouze, N., & Blakemore, S. J. (2014). Atypische Interferenzwirkung der Handlungsbeobachtung bei Autismus-Spektrum-Bedingungen. Psychologische Medizin, 44(4), 731-740.

Keren, G., & Lewis, C. (2014). Ein Handbuch zur Datenanalyse in den Verhaltenswissenschaften: Band 1: Methodologische Fragen Band 2: Statistische Fragen. Psychology Press.

Laws, K. R. (2016). Psychologie, Replikation & darüber hinaus. BMC Psychology, 4(1), 1-8.

Marimon, M., Hofmann, A., Veríssimo, J., Männel, C., Friederici, A. D., Höhle, B., & Wartenburger, I. (2021). Lernen von Kindern in Bezug auf nicht benachbarte Abhängigkeiten mithilfe eines webbasierten Computer-Spiel-Settings. Frontiers in Psychology, 12.

Pölönen, P., Lappi, O., & Tervaniemi, M. (2019). Einfluss von meditativer Bewegung auf Affekt und Fluss bei Qigong-Praktizierenden. Frontiers in Psychology, 2375.

Suresh, K. P. (2011). Ein Überblick über Randomisierungs-techniken: eine unvoreingenommene Bewertung von Ergebnissen in klinischen Studien. Journal of Human Reproductive Sciences, 4(1), 8.