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