6 Schlüsselkonzepte des experimentellen Designs

Das experimentelle Forschungsdesign ist eine entscheidende Fähigkeit, die neue Studierende verstehen und schließlich meistern müssen. Ein gutes Experimentdesign ist unbedingt erforderlich, um objektive Schlussfolgerungen aus einer Studie zu erreichen. Hier behandeln wir die wichtigsten Konzepte, die jeder Student im Hinterkopf behalten sollte.

1. Definieren Sie Ihre experimentellen Variablen klar

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

• Unabhängigen Variable: Der Stimulus, die Bedingung oder Intervention, die Sie manipulieren und kontrollieren.
• Abhängigen Variable: Der anschließende Effekt der Änderung in der unabhängigen Variable.

Betrachten Sie die Forschungsfrage: „Beeinflusst das Beobachten einer Emotion die Wahrnehmung der Teilnehmer von geschriebener Sprache?“ Sie könnten dies fragen, wenn Sie die Wahrnehmung untersuchen und daran interessiert sind, welchen Einfluss das Priming einer Emotion darauf hat, wie geschriebene Sprache interpretiert wird.

Stellen Sie sich zum Beispiel vor, der Teilnehmer sieht eine glückliche Person, gefolgt von verschiedenen Textaufforderungen wie „Sprechen Sie 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 Vielzahl von Dingen sein, und es liegt an Ihnen 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, die verschiedene Dimensionen der Textaufforderung bewertet oder sogar eine Frage zur Wahrscheinlichkeit misst: „Wie wahrscheinlich ist es, dass die Person, die Sie wahrgenommen haben, diesen Befehl sagt?“

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

• Kontrollvariablen
• Störvariablen
• Überflüssige Variablen

Wenn Sie alle Ihre Variablen in der Planungsphase konzipieren und sorgfältig berücksichtigen, wird das Entwerfen webbasierter Experimente und die Einrichtung von Variablen im Labvanced-Editor nur eine Angelegenheit des Erlernens einiger Klicks.

Sie können auch verschiedene Stimuli hochladen, von visuell bis auditiv, und das Verhalten der Teilnehmer durch Funktionen wie Eye Tracking testen. Überprüfen Sie diese Playlist, wie verschiedene Stimuli in Labvanced erstellt und als Objekte behandelt werden, um Experimente aufzubauen!

2. Verstehen Sie die Bausteine des experimentellen Designs

Um im experimentellen Design gut zu sein und ein Design zu erstellen, das Ihre Forschungsfrage unterstützt und Ihre Variablen isoliert, müssen Sie die Bausteine des experimentellen Designs aus dem Effeff kennen.

Nämlich sind dies:

• Versuche: Einzelne Instanzen einer bestimmten Aufgabe oder einer ausgelösten Reaktion auf die Stimuluspräsentation, wie das Durchlaufen eines Labyrinths oder das Betrachten einer Buchstabenkette.
• Versuchsblöcke: Ein Block besteht aus mehreren Versuchen, normalerweise hat ein Experiment mehrere Blöcke.
• Sitzungen: In Bezug auf das longitudinale Design können experimentelle Sitzungen mehrere Tage (sogar Jahre) umfassen, in denen die Teilnehmer die Versuche zu unterschiedlichen Zeitpunkten erneut durchführen.

Versuche

Versuche sind die grundlegenden Einheiten eines Experiments; wenn sie zusammengefasst werden, bilden sie Blöcke, aus denen Sitzungen bestehen. Versuche sind typischerweise Einzelinstanzen eines Stimulus.

Sehen Sie sich dieses Video an, das erklärt, wie man mehrere Versuche erstellt, die Bilder von Haustieren (Hunden und Katzen) und Blumen zeigen, wobei der Teilnehmer in jedem Versuch das Haustier auswählen soll, indem er Labvanced verwendet:

Blöcke

Eine Sammlung von Versuchen bildet einen Block. Forscher verwenden diese Blöcke aus vielen Gründen, einschließlich der Randomisierung ihrer Studie. Ein weiterer gängiger Ansatz für Blöcke besteht darin, ihnen ein Thema zu geben, das mit der Forschungsfrage verbunden ist oder sie mit den verschiedenen Lernstufen, die für ein Experiment erforderlich sind, in Verbindung zu setzen.

Beispiele für Blöcke in der Forschung:

• Themenfrage: Versuchsblöcke können ein bestimmtes Forschungsthema haben, dem sie folgen. Zum Beispiel können Blöcke einem bestimmten kognitiven Thema folgen, wie Aspekten des Arbeitsgedächtnisses oder sogar der Form des Akteurs, wo präsentierte Bewegungen nach Richtung und Geschwindigkeitsmerkmalen gruppiert sind (Cook, Pan & Bianchi-Berthouze, 2013).
• Zeit-Element: Blöcke, die sich von „Übung“ zu „Training“ bis „experimentell“ erstrecken, typischerweise in einem Within-Subjects-Studiendesign gesehen. Zum Beispiel verwendete eine Studie, die Labvanced einsetzte, um die Leistung von Kindern bei der Aufgabe zur Serienreaktionszeit in einem Sprachexperiment zu bewerten, Blöcke und maß die Unterschiede zwischen den Leistungen der Teilnehmer im ersten Trainingsblock im Vergleich zum letzten Block (Marimon et al., 2021).

Sitzungen

Sitzungen beziehen sich auf verschiedene Zeitpunkte, an denen Teilnehmer Antworten auf eine Studie geben.

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

Spätere Sitzungen erfolgen typischerweise an unterschiedlichen Tagen (sogar Monaten) und können entweder dieselben Versuche und Blöcke wie zuvor, andere oder eine Mischung aus neuen und alten Blöcken sein.

In einer aktuellen Studie von Chládková et al. rekrutierten die Forscher Teilnehmer für Sitzung 1, bei der 161 Teilnehmer getestet wurden, und für Sitzung 2, bei der 202 andere Teilnehmer getestet wurden. Das Ziel war es, den Effekt zu untersuchen, den ein einmonatiges Maskentragen auf die Sprachwahrnehmung hat. Um dies zu erreichen, hatten die Forscher Sitzung 1 vor dem Mandat und Sitzung 2 nach dem einmonatigen Mandat. Für beide Sitzungen waren die Stimuli exakt dieselben, nämlich eine Sammlung von 48 Versuchen, die etwa 10 Minuten in Anspruch nahmen und die Stärke des McGurk-Effekts bewerteten.

3. Between-Subjects und Within-Subjects Design

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

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 Messdesign, können Teilnehmer im Between-Subjects-Design nur in einer Bedingung oder Behandlung aus den vielen, die in dem Experiment untersucht werden, sein.

Typischerweise handelt es sich um das klassische experimentelle Design, bei dem die Teilnehmer entweder der Kontrollgruppe (manchmal wo der Placebo-Effekt beobachtet wird) oder der Experimentalgruppe zugeordnet werden.

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

• Sozialpsychologie
• Persönlichkeitspsychologie
• Entscheidungsstudien

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

• Kürzere Sitzungen: Da von einem Teilnehmer nicht erwartet wird, dass er mehrere Bedingungen oder Behandlungen durchläuft (wie im Fall des Within-Subjects-Designs), sind die Sitzungen kürzer.
• Reduziert Übertragungseffekte: Da von einem einzelnen Teilnehmer nicht erwartet wird, dass er mehrere Bedingungen oder Behandlungen abschließt, gibt es weniger Einfluss von eine Bedingung gefolgt von einer anderen. Daher müssen Forscher sich nicht um Dinge wie Lerneffekte oder Ermüdungseffekte sorgen, wie es im Within-Subjects-Design der Fall ist.

Within-Subjects Design

Auch bekannt als wiederholte Maßnahme Design, nehmen Teilnehmer im Within-Subjects-Design an einer Bedingung oder Behandlung und dann an einer anderen Bedingung oder Behandlung teil. Alle longitudinalen Studien, die Teilnehmer über die Zeit hinweg verfolgen, folgen einem Within-Subjects-Design, da sie dieselben Teilnehmer immer wieder betrachten.

Dieses Design ist beliebt, wenn akkumulierende Effekte untersucht werden, etwas, von dem man erwartet, dass es sich im Laufe der Zeit entwickelt. Indem man denselben Teilnehmer immer wieder misst, kann das gewünschte Ergebnis im Laufe der Zeit erfasst werden, während es emergiert.

Gegenseitiges Ausbalancieren wird von Forschern verwendet, um sicherzustellen, dass die Reihenfolge, in der die Behandlung erhalten wird, die beobachtbaren Ergebnisse nicht beeinflusst. In einem gegeneinander ausgeglichenen Design können Sally Condition A vor Condition B erleben, während Laura durch Condition B vor Condition A geht.

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

• Weniger Teilnehmer erforderlich: Da mehr Daten von einem einzelnen Teilnehmer stammen, ist es möglich, Korrelationen oder sogar kausale Beziehungen mit kleinen Stichproben zu erkennen.
• Rauschen minimieren: Da die Daten von demselben Teilnehmer stammen, 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/fokussieren sich auf (Keren & Lewis, 2014):

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

4. Randomisierung & Balance

Randomisierung ist die zufällige Zuordnung von Teilnehmern zu verschiedenen experimentellen Bedingungen und ist das Herzstück des experimentellen Designs, weil es hilft, Verzerrungen und die Auswirkungen unbekannter Variablen zu beseitigen, die statistisch signifikante Ergebnisse erklären könnten. (Suresh, 2011).

Balance hingegen ist eine Möglichkeit, sicherzustellen, dass die verschiedenen experimental Gruppen eine gleiche (oder so ähnliche wie möglich) Anzahl von Teilnehmern zugewiesen wird. Stellen Sie sich zum Beispiel vor, Ihre „Kontrollgruppe“ hat 5 Teilnehmer und Ihre „Experimentalgruppe“ hat 95 Teilnehmer. Klingt katastrophal, oder? Ein ausgewogeneres Design wäre etwa 50 Teilnehmer in der „Kontrollgruppe“ und 50 in der „Experimentalgruppe“ 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 Balance zwischen Gruppen sicherstellen, um sicherzustellen, dass es eine gleiche Anzahl von Probanden zwischen den Gruppen gibt.

Hier sind einige Möglichkeiten, um Ihre Studie mit Labvanced zu balancieren und zu randomisieren:

• Zufällige Faktoren: Erreichen Sie einfache, geschachtelte oder zwischen den Probanden ausgeglichene Stimuli
• Zufällige Versuchsanordnung: Laden Sie eine vordefinierte Versuchsreihenfolge für jeden Teilnehmer hoch oder erstellen Sie eine adaptive / dynamische Versuchsanordnung mithilfe von Ereignissen
• Ereignislogik: Erstellen Sie sehr individuelle Ausgleichsmechanismen, z. B. Datei dynamisch Objekten zuordnen

Eine ausgewogene und randomisierte Studie ist ein Muss, da sie zur Integrität Ihrer statistischen Analyse und Ergebnisse beiträgt.

5. Replikation

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

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

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

Einer der Vorteile einer Online-Studie ist, dass Sie die Studienvorlage teilen können, damit andere Forscher das Experiment oder die Aufgaben nutzen können, um andere Populationen zu testen und versuchen, Ihre Ergebnisse zu replizieren.

6. Die Kraft der Evidenz

Je rigoroser eine Studie definiert und eingerichtet ist, desto stärker ist die Evidenz hinter allen darauf basierenden Schlussfolgerungen. Wenn Sie also in Ihrer Studie etwas etablieren möchten, benötigen Sie die Beweise, um dies zu unterstützen.

Es gibt viele verschiedene Systeme, die Evidenz klassifizieren (die sogar je nach Land und Organisation variieren können). Als allgemeine Regel können Sie Beweise als Spektrum von „nicht sehr streng oder überzeugend“ bis „ausprobiert und getestet“ betrachten.

Stellen Sie sich vor, die Tante einer Person erzählt Ihnen ihre Meinung über den Einfluss von Pflege auf die Wahrnehmung von Säuglingen, basierend auf ihren Erfahrungen mit der Aufzucht ihrer drei Kinder. Während dieses Gespräch sehr amüsant und unterhaltsam sein mag, sind diese Erkenntnisse nicht zuverlässig im Vergleich zu den Schlussfolgerungen, die aus einer randomisierten Studie mit über 1000 Pflegekräften, die bestimmten Erziehungsstilen zugewiesen wurden, gezogen wurden, und deren Reaktionen auf die Kinder gemessen wurden (wobei gleichzeitig Störvariablen kontrolliert werden)!

Durch das Verständnis der Kraft von Evidenz können Sie ein Experiment entwerfen, dessen darauf basierende Schlussfolgerungen fundiert, zuverlässig und nicht durch Störfaktoren und/oder Bias beeinträchtigt sind.

Abschließende Bemerkungen

Es gibt nichts Aufregenderes, als Ihre ersten Experimente als aufstrebender Forscher zu entwerfen. Mit diesen Schlüsselkonzepten im Hinterkopf können Sie stark beginnen und die Grundlage für ein besseres Verständnis fortgeschrittener Konzepte wie Interaktionen schaffen. Und das Bauen von Experimenten online mit Labvanced kann Ihnen helfen, weiter als Forscher zu wachsen, während Sie schnell Daten sammeln, valide Experimente entwerfen und Ihre Publikationsausgaben erhöhen!

Und denken Sie daran, wie Sie die 6 in diesem Artikel skizzierten Komponenten ansprechen und handhaben, bestimmt die Stärke Ihrer Schlussfolgerungen und sogar die Ergebnisse Ihrer Erkenntnisse. Denken Sie auch daran, dass experimentelle Kontrolle eine wichtige Rolle dabei spielt, wie das Experiment in einer Online-Umgebung durchgeführt wird. Erfahren Sie mehr darüber, wie Labvanced experimentelle Kontrolle hier sichert.

Referenzen

Chládková, K., Podlipský, V. J., Nudga, N., & Šimáčková, Š. (2021). Der McGurk-Effekt in 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 Interferenzeffekte der Handlungsbeobachtung bei Autismus-Spektrum-Bedingungen. Psychologische Medizin, 44(4), 731-740.

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

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

Marimon, M., Hofmann, A., Veríssimo, J., Männel, C., Friederici, A. D., Höhle, B., & Wartenburger, I. (2021). Lernen von nicht benachbarten Abhängigkeiten bei Kindern mit einem webbasierten Computer-Spielsetting. Frontiers in Psychology, 12.

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

Suresh, K. P. (2011). Ein Überblick über Randomisierungstechniken: Eine unvoreingenommene Bewertung der Ergebnisse in klinischer Forschung. Journal of Human Reproductive Sciences, 4(1), 8.