H14: Case study en single-case experimental research designs
Ideografische aanpak: studie van één individu
<=> nomothetisch onderzoek: studie van groep
Case study designs: dieptestudie van één persoon
Case history: wanneer er geen behandeling wordt gegeven
Case report: wanneer het niet klinisch is
(bv beschrijving van de persoon die wordt onderzocht)
Toepassingen
Groepsstudies geven meer info, maar individuele studies geven diepere info
Unieke fenomenen en klinische cases
Wanneer er geen grote groep mensen is die je kan onderzoeken
Kan in alle soorten research design
Proof of concept aantonen dat een nieuwe manier van therapie succesvol kan zijn
Deelnemer in je case (case participant) vergelijken met controlegroep
=> Dissociations (scheidingen) tussen twee groepen ontdekken
=> Enkele dissociatie: op 1 taak vergelijkbaar scoren met controlegroep en op andere taak niet
=> Dubbele dissociatie: zoals enkele dissociatie, maar bij tweede casestudie kom je het tegenovergesgtelde tegen
Lijkt op differential research design => quasi-experimenteel
Individu = een team of organisatie
Onderzoek van ‘critical incidents’ om veiligheid te verbeteren
Voor-en nadelen
Diepgaand: veel details + persoonlijker => overtuigender
Kan nieuwe variabelen identificeren om later te onderzoeken
=> nieuwe hypotheses
Kan geen verklaring geven over onderliggende processen die gedrag uitleggen, altijd andere verklaringen mogelijk
=> weinig interne validiteit
Weinig externe validiteit want je onderzoekt slechts 1 persoon
Selection bias over welke case we wel rapporteren/welke niet én welke onderdelen van de case je bespreekt
(bv geen uitgebreid rapport over een behandeling die niet werkt)
Deelnemers kunnen vertekend beeld geven/liegen
Oplossing: replicaties
Single-case experimenteel design
Experiment met 1 participant dat oorzaak-gevolgsreatlie probeert te onderzoeken
Zoals time-series: meerdere observaties voor en na behandeling/event
Manipulatie en controle
Baseline: basiswaarde meten voor het onderzoek begint
Herhaalde observatie => baseline moet stabiel zijn
Replicatie: onderzoeker moet kunnen aantonen dat de verandering in behandeling de oorzaak is van de verandering
Verandering kan gewoon puur toeval zijn
Evalueren: niet via statistische analyse, maar via grafiek
Controle van extraneous variabelen
Je kan geen nulhypothese maken, je moet je baseren op grafiek
Fases en veranderingen in fases
Fase = observaties gemaakt onder dezelfde omstandigheden
Baseline observaties en fase: observaties gemaakt wanneer er geen behandeling is
Behandeling observaties en fase: observaties gemaakt wanneer er wel een behandeling is
AB-design: eerst baseline dan behandeling
Level: grootte van deelnemer zijn reactie
=> stabiel wanneer we telkens dezelfde data krijgen
Trend: consistente verschillen tussen metingen
(richting v/d trend kan bijvoorbeeld omhoog zijn)
Stabiliteit: data moet stabiel zijn voor baseline
Onstabiel: grote vershillen in variabiliteit
Wachten tot data stabiel worden => deelnemers reageren soms onverwachts omdat het ‘geobserveerd worden’ nieuw is voor hen
Gemiddeldes nemen van dagen
Patroon zoeken in de inconsistentie
Fases veranderen
Fase moet minstens 3 observaties hebben, bij onstabiele meting zeker meer dan 3
Veranderen = manipulatie van onafhanelijke variabele
Doel: tonen dat behandeling een effect heeft
Wanneer de baseline al een positieve trend heeft, moet je geen behandeling starten: patiënt toont al verbetering
(veiligst om niet tussen te komen)
en je zou toch niet weten of verbetering door de behandeling of door de trend komen
Baseline heeft gevaarlijke trend: niet wachten tot je meer dan 3 observaties hebt, ethisch verplicht om behandeling te starten
=> pas terug naar baseline bij veiligheid
Visuele inspectietechnieken
Via grafiek moet verandering makkelijk te zien zijn
Verandering in gemiddeld level: van stabiel laag naar stabiel hoog of omgekeerd
Onmiddellijke verandering in level: van stabiel naar omhoog of omlaag schieten via trend
Verandering in trend van een trend die omhoog gaat naar een trend die omlaag gaat of omgekeerd
Vertraging in verandering: wanneer verandering pas na een paar observaties duidelijk wordt => niet zeker of het door behandeling komt
Reversal designs: ABAB en variaties
= design waarbij er gewisseld wordt tussen baseline en behandeling
ABAB: baseline, behandeling, baseline, behandeling
=> aantonen dat er een verschil is tussen baseline en behandeling én dat de verandering veroorzaakt wordt door de behandeling (door replicatie)
Eerste faseverandering: duidelijk verschil tussen baseline en behandeling => verschil hoeft niet door behandeling te zijn
Tweede verandering: return to baseline/reversal
Derde verandering: we zien opnieuw hetzelfde verschil tussen baseline en behandeling
=> verschil is door behandeling
Limieten van het ABAB ontwerp
Ethisch probleem van midden in behandeling stoppen die goed werkt, maar het is tijdelijk en uiteindelijk zal deelnemer opnieuw moeten leren leven zonder behandeling
Kan zijn dat gedrag van deelnemer niet terugkeert naar baseline door de behandeling (klinisch goed, maar slecht voor onderzoek)
Geloofwaardigheid hangt af van grootte v/d reactie op behandeling
Complexe faseveranderingen
Multiple-baseline design across subjects: twee deelnemers worden getest op baseline, ene krijgt behandeling en andere blijft getest worden op baseline, maar krijgt uiteindelijk ook behandeling => kijken naar verschillen
Multiple-baseline across behaviours: bij 1 deelnemer 2 gedragingen onderzoeken
Multiple baseline across situations: in verschillende situaties behandeling evalueren (bv. In school en thuis)
Voor- en nadelen
Voordelen
Nadelen
Heel flexibel
Neemt veel tijd in beslag: meerdere observaties nodig
Oorzaak-gevolgsrelaties bewijzen
Therapeut kan experiment doen en behandeling geven zonder compromis te moeten sluiten
Kijken naar noden van patiënt: we moeten geen gestandaardiseerde behandeling hebben tussen groepen
Relatie is slechts aangetoond voor 1 deelnemer:
externe validiteit in gevaar
Veel observaties: deelnemer kan hierdoor anders reageren
Geen statistische controle zoals nulhypothese
Praktische significantie: effect is groot genoeg om een praktische toepassing te hebben
Gewone significantie: weinig kans dat dit effect zich door toeval voordoet
Behandeling moet meteen groot effect hebben, anders zien we het niet => veel goeie behandelingen worden niet gezien