生态瞬时评估 (EMA)

生态瞬时评估（EMA）是一种研究方法，它收集参与者在其自然环境中的体验和行为的重复、实时数据。

这种方法也称为经验取样法（ESM）、移动评估或实时数据捕获，旨在最小化回忆偏差，并捕捉思想、感受和行动在日常生活中展开的动态波动。

EMA 通常涉及提示个人使用电子设备或纸质日记回答简短的调查或记录特定事件。

这种实时数据收集最小化了回忆偏差，并提供了对个体体验的更准确表示。

在经验取样研究中收集的重复评估使研究人员能够研究随时间展开的微观过程，例如压力与情绪之间的关系或触发吸烟复发的因素。

这使得 EMA 成为研究者希望研究人们在其自然环境中的行为和感受的宝贵工具。

以下是生态瞬时评估的一些关键特征：

实时评估： 经验取样涉及要求参与者报告他们正在经历或不久之后的经历。这通常使用智能手机等电子设备完成，但也可以使用纸质日记。
重复评估： 经验取样研究通常涉及要求参与者在几天或几周的时间内完成多次评估。这使研究人员能够跟踪参与者体验的变化。
关注主观体验： 经验取样常用于研究主观体验，如情绪、情感和想法。然而，它也可以用于研究客观行为，如吸烟、饮食或社交互动。

经验取样如何工作

参与者被提供一个设备。

传统上，EMA 研究依赖于预编程的数字手表和纸质评估表。手表可以预编程在一天中的随机或固定间隔发出响声，提醒参与者记录他们的体验。

目前，智能手机是 ESM 研究中用于信号发送和数据收集的主要工具。

并非所有参与者都能平等地访问或舒适地使用技术。研究人员需要考虑移动界面对于有视觉或听觉障碍、不同技术水平以及不同输入方法偏好的参与者的可访问性。

选择设备和设计调查界面时，应考虑目标人群的具体特征和需求。

抽样设计

EMA 研究利用特定的抽样设计来确定何时以及多久提示参与者提供数据。

常用的两种主要抽样设计是：

基于时间的抽样： 参与者在一天中的预定时间收到提示。这些时间可以是固定的间隔，如每小时一次，或在预定义的时间段内随机化。例如，一项研究可能会指示参与者在连续六天内每天早上 7:30 到晚上 10:30 每隔 90 分钟完成一次评估。
基于事件的抽样： 参与者在发生特定感兴趣的事件时被提示完成评估。这可能包括吸烟、社交互动、体验特定症状或参与特定活动等事件。

问卷项目

参与者全天会收到提示：这些提示通常被称为“嘟嘟声”，提示参与者回答设备上的简短问卷。

调查问题经过精心设计，以收集与研究问题相关的信息。它们经常使用经过验证的量表来测量各种心理结构，如情绪、压力、社会联系或症状。

研究人员应考虑完成调查所需的时间、评估频率以及对参与者时间和注意力的整体负担。根据试点参与者的反馈，可能需要调整协议（例如减少调查长度或频率）。

研究人员应评估调查项目的清晰性、相关性和适用于参与者日常生活的情境。

问题的格式可以是开放式、封闭式或使用量表，具体取决于研究的目的。问卷通常包括关于以下内容的问题：

当前的思想、感受和行为： 这可能包括关于情绪或情感、压力水平、冲动或社交互动的问题。
情境因素： 这可能包括关于物理位置、同伴（他们与谁在一起）或提示时的活动的问题。

参与者对这些调查的回应随后被汇总和分析，以识别其体验随时间的变化模式。

传感器数据

除了自报告问卷外，一些 EMA 研究还利用嵌入智能手机或可穿戴设备中的传感器收集有关参与者环境和行为的被动数据。

这可能包括来自 GPS 传感器、加速度计、麦克风和其他传感器的数据，这些数据捕捉有关位置、运动、社交互动和生理反应的信息。

这些传感器数据可以帮助研究人员更深入地了解参与者体验的背景，并可能识别自我报告体验的客观相关因素。

数据管理和分析

EMA 数据的丰富性需要仔细规划和特定的分析方法，以充分利用其潜力。

使用移动设备的 EMA 研究可以生成大量复杂的数据集，需要适当的数据管理和分析技术。

研究人员需要计划数据清理、处理缺失数据，并使用多层模型（也称为层次线性模型或混合效应模型）等统计方法来考虑 EMA 数据的层次结构。

嵌套结构： ESM 研究产生的数据中，重复观察（第 1 层）嵌套在参与者（第 2 层）内。这意味着同一人的响应不是独立的，违反了传统统计方法（如方差分析或简单回归）的核心假设。
不平等参与： 由于遵守程度、错过信号或研究设计的差异，参与者往往贡献不同数量的数据点。这种不平等的参与进一步复杂化了分析，并需要能够适应每个参与者不同数量观察的方法。

多层模型明确考虑了这种嵌套结构，使研究人员能够在个体内部（第 1 层）和个体之间（第 2 层）划分变异。

这使得准确估计效果成为可能，并避免了使用假设独立性的传统统计方法可能导致的误导结果。

各种统计软件包可用于多层建模，包括 HLM、Mplus、R 和 Stata。

基于时间的抽样

生态瞬时评估（EMA）或经验取样法（ESM）中的基于时间的抽样涉及在一天中的特定时间从参与者那里收集数据，而基于事件的抽样则在特定事件发生时收集数据。

目标是获得参与者随时间变化的代表性样本。

基于时间的抽样计划主要有三种类型：

1. 固定时间间隔计划

参与者在预定的时间报告他们的体验。这可能涉及每小时、每天两次（例如，早晨和晚上）或每天一次接收信号以完成调查。

固定时间间隔计划允许研究人员研究随着时间可预测展开的体验。

例如，一项关于工作日情绪变化的研究可能会使用固定时间间隔计划，在工作时间的具体点捕捉情绪变化。

2. 随机时间间隔计划

参与者在随机间隔或基于更复杂的时间模式报告他们的体验。

随机间隔抽样的目的是通过获得更随机和有代表性的样本，减少回顾性回忆偏差。

例如，一项研究调查压力与饮食习惯之间的关系，可能会使用变量间隔计划，促使参与者在一天中的不可预测时间报告他们的压力水平和食物摄入，从而捕捉更广泛的一天中的体验。

3. 时间分层抽样

这种策略提供了一种更结构化的随机抽样方法。它涉及将总的抽样时间框架划分为较小的、预定义的时间块或分层，然后在每个时间块内随机选择评估时间。

这种方法确保了评估在一天中不同时间的更均匀分布，同时仍保持一定的不可预测性。

以下是时间分层抽样的工作方式：

定义时间块： 研究人员首先将总的抽样窗口（如一天或一天中的特定时间段）划分为较小的时间块。例如，一项研究情绪波动的研究可能会将一天划分为两小时的时间块。
在块内随机化： 在每个时间块内，评估时间是随机选择的。例如，在情绪研究示例中，研究人员可能会编程EMA设备，以在每个两小时的时间块内随机时间提示参与者进行评估。
确保覆盖： 通过在块内随机化，研究人员可以确保一天或抽样窗口的每一部分都在数据中得到体现，因为每个块内至少会进行一次评估。这有助于减少特定时间的数据缺失，并提供参与者体验的更全面视图。

例如，一名研究大学生压力与酒精渴望之间关联的研究人员可能会使用以下参数的时间分层抽样方法：

抽样窗口： 晚上8:00至午夜12:00（4小时），连续7天。
时间块： 两小时的时间块（晚上8:00至10:00和晚上10:00至12:00）。
随机化： 参与者每天被提示两次，每次在一个两小时的时间块内的随机时间。

时间抽样的考虑因素：

评估频率和时间： 评估提示的频率和时间应根据研究问题和所研究现象的性质仔细考虑。例如，研究高度可变的状态（如焦虑）可能需要更频繁的评估，而研究更稳定的状态则可能不需要。研究使用的评估频率从每30分钟到每天一次不等，具体选择取决于研究问题和参与者的负担。
参与者负担： 频繁的评估，尤其是在不便的时间，可能导致参与者负担并可能影响依从性。研究人员应仔细平衡频繁数据收集的需求与对参与者日常生活的潜在影响。
反应性： 参与者可能会在预期提示时调整他们的行为或体验，特别是在固定时间间隔计划中。这种反应性可以通过使用随机时间间隔计划在一定程度上减轻。
数据分析： 时间抽样设计要求使用适当的统计方法分析多时间点收集的数据，多层次建模是一种常用的方法。统计分析的选择应考虑数据的嵌套结构（即参与者内的多次评估）。

事件抽样

事件抽样，也称为事件依赖抽样，要求参与者在每次预定义事件发生时完成评估。

这一事件可以是外部事件（如社交互动）或内部事件（如突然的情绪激增）。

例如，指示参与者记录他们吸烟的每一个细节，包括时间、地点、情绪和社会背景。

事件抽样协议为希望深入了解特定事件的体验及其影响因素的研究人员提供了有价值的工具。

研究问题

事件抽样设计特别适合研究人们日常生活中特定的事件或行为。

关注事件频率和性质的问题：

特定事件在日常生活中发生的频率是多少？ 这类问题旨在了解某些体验的普遍性，特别是那些可能被低估或通过回顾性方法难以准确回忆的体验。例如，事件抽样EMA设计可用于跟踪以下事件的频率：
- 超过一定持续时间的社交互动，
- 与同事或家庭成员的冲突或分歧，
- 渴望或物质使用的情况，
- 恐慌发作或其他引发焦虑的情况，
- 头痛或其他疼痛发作。
这些事件的特征是什么？ 除了频率外，事件抽样EMA还允许研究人员探索事件的定性方面，提供对其性质和影响的更深入理解。例如：
- 社交互动期间和之后体验到哪些情绪？
- 冲突的典型前因和后果是什么？
- 在恐慌发作期间采用哪些应对策略？

探讨事件与其他变量关系的问题：

事件如何与即时体验相关？ 事件抽样EMA可以阐明特定事件如何实时影响思想、感受和行为。例如：
- 从事具有挑战性的工作任务是否会导致压力或疲劳增加？
- 在紧张事件中获得社会支持是否能缓冲负面情绪？
- 从事愉快的活动（如听音乐）是否能改善情绪？
事件如何预测后续的幸福感？ 这条研究路线考察事件对整体幸福感或功能的长期影响。例如：
- 工作中的频繁冲突是否预测更高的职业倦怠或更低的工作满意度？
- 每天经历的积极事件（如与亲人联系）是否有助于提高幸福感和生活满意度？

以下是事件抽样协议的一些关键特征和考虑因素：

明确的事件定义： 事件抽样协议需要对目标事件进行明确定义，以减少模糊性并确保准确记录。研究人员需要向参与者提供具体的指示，说明什么构成事件以及何时启动记录。例如，在吸烟研究中，研究人员应说明单次吸一口是否构成吸烟事件，还是只有在吸完整支烟时才记录。
参与者发起： 在大多数情况下，参与者负责识别事件的发生并启动评估。这假设参与者具有一定的意识和愿意中断活动以记录数据。
事件特征： 事件抽样协议适用于研究以下特征的事件：
- 离散性： 事件应有明确的开始和结束，使其更容易确定何时记录数据。
- 显著性： 事件应足够显著，使参与者能够识别并记住记录它们。
- 相对频繁： 事件应足够频繁地发生，以提供足够的数据点进行分析，但又不能过于频繁，以免成为负担。
依从性挑战： 验证事件抽样协议的依从性可能具有挑战性，因为无法确保参与者记录每一次目标事件。参与者可能会忘记、无法在当时记录或选择不报告某些事件。
潜在偏见： 通过事件抽样协议收集的数据可能偏向于更难忘、更强烈或有意识识别的事件。不太显著或发生在分心期间的事件可能会被低估。

混合抽样设计

混合抽样在EMA研究中结合了不同抽样设计的元素，如事件抽样、固定时间间隔抽样和随机时间间隔抽样，以利用每种方法的优势并在单一研究中解决更广泛的研究问题。

当研究人员希望捕捉日常体验的整体流程以及可能在纯时间抽样中容易错过或频率较低的特定事件时，这种方法尤其有价值。

以下是混合EMA研究中常见的几种结合抽样设计的方式：

在经验取样研究中添加每日日记部分

研究人员经常通过在晚上进行的每日日记部分来增强经验取样研究。

虽然经验取样部分提供了随机时间间隔内的瞬间体验洞察，但每日日记可以评估当天的整体方面，如整体情绪、睡眠质量、重要事件或对当天体验的反思。

例如，一项研究可以使用经验取样来评估一天中的瞬时压力和应对策略，然后使用每日日记来测量参与者当天的整体感知压力以及他们在整个白天使用特定应对策略的情况。

这种组合使研究人员能够理解瞬间体验与更广泛日常感知之间的关系。一些研究结合了早晨和晚上的日记，以捕捉围绕睡眠和研究关注时间段的进出体验。

将基于事件的调查纳入基于时间的设计

纯粹随机间隔取样的一个限制是，它可能无法充分捕捉特定事件，特别是如果这些事件不频繁或不可预测。

为了解决这个问题，研究人员可以在基于时间的协议中增加基于事件的调查，提示参与者在预定义事件发生时完成额外的评估。

例如，一项关于社交焦虑的研究可以使用随机间隔取样来评估参与者全天的一般情绪和焦虑水平，然后在每次超过一定持续时间的社会互动后立即触发基于事件的调查，从而更详细地考察社交情境中的焦虑体验。

这种混合方法提供了对焦虑的一般体验及其在现实生活中影响的具体因素的更全面理解。

在不同时间尺度上结合基于时间的设计

研究人员可以利用不同的基于时间的取样设计来研究不同时间尺度的现象。

例如，一项研究长期压力减少干预效果的研究可以纳入每周评估，使用固定间隔取样来跟踪整体压力水平的变化。

此外，可以采用随机间隔取样和每日结束日记来捕捉日常压力和应对策略的波动。

最后，可以在干预前后实施更密集的经验取样协议，以评估瞬时压力反应的变化。

这种多层次的方法使研究人员能够全面了解干预如何影响不同时间框架的体验，从日常波动到周趋势。

EMA 协议

协议规定了使用生态瞬时评估收集数据的程序。

它充当蓝图，指导研究人员在参与者的自然环境中收集实时、瞬时体验。

这些协议主要在如何以及何时提示参与者记录他们的体验方面有所不同。

最佳选择取决于将协议与研究问题、参与者负担考虑、技术能力和预期的数据分析方法对齐。

EMA 协议示例

一项研究日常压力与酒精渴望之间关系的研究可能涉及以下 EMA 协议：

设备： 参与者被提供了一个智能手机应用程序。
取样： 参与者在一周内每天下午 5 点到晚上 10 点之间随机收到五次提示。
问卷： 每个问卷要求参与者评估他们当前的压力水平、酒精渴望强度，并指出他们是独自一人还是与他人在一起。
传感器数据： 该应用程序还被动收集 GPS 数据，以确定每次评估时参与者的地点。

通过分析收集的数据，研究人员可以考察压力水平在整个晚上的波动情况，独处或与他人在一起是否影响渴望强度，以及某些地点是否与更高的渴望有关。

选择协议时的考虑事项

研究问题： 协议的选择应由研究问题指导。如果研究旨在了解全天体验的一般流程，基于时间的协议可能是合适的。如果目标是调查与特定事件相关的体验，基于事件的协议可能更合适。
参与者负担： 评估的频率和时间会影响参与者负担。研究人员应考虑所选协议的需求，并在数据收集需求与参与者福祉之间取得平衡。
可行性和技术： 所选协议应使用可用技术实施。例如，基于事件的取样可能需要更复杂编程或使用传感器来检测特定事件。
数据分析： 所选协议将影响可以执行的数据分析类型。研究人员在选择协议时应考虑他们的分析计划。

潜在陷阱

通过预见并解决这些潜在陷阱，EMA 研究人员可以增强研究的严谨性、有效性和伦理合理性，从而更深入地理解日常生活中的体验和行为。

参与者负担： 要求参与者整天频繁回应提示可能会带来负担，导致参与度下降或数据不准确。
- 为了减轻这一点，研究人员必须在收集足够数据和最小化参与者负担之间找到平衡。
- 研究人员应仔细考虑研究天数、每日评估频率（“哔哔声”）以及调查的长度和复杂性。
- 提供激励措施也可以鼓励参与和完成。
技术问题： EMA 研究通常依赖技术，这可能会引入技术挑战。
- 研究人员需要确保所选技术与参与者的设备和操作系统兼容。
- 需要解决信号传递失败的问题，如通知未出现或电话未接通。
- 研究人员应制定系统崩溃或数据丢失的应急计划。
数据质量： EMA 数据容易受到各种数据质量问题的影响，包括：
- 反应性： 参与者可能会因为意识到被监控而改变行为或回应。研究人员应注意这一点，并考虑通过使用不太侵入性的评估时间表来最小化反应性。
- 响应偏差： 参与者可能会形成不符合其真实体验的回应模式（例如，直线回答或同意偏差）。随机化项目顺序并提供多种回应选项可以帮助减轻这一点。
- 缺失数据： 参与者可能由于健忘、不便或技术问题而错过评估。研究人员应建立处理缺失数据的明确指南，并考虑使用统计技术来处理缺失值。
样本偏差： 自愿参加并完成 EMA 研究的参与者可能与那些不参加的参与者存在系统性差异，从而引入选择偏差。
- 研究人员应意识到这种可能性，并考虑可能影响参与的因素，如年龄、职业、技术舒适度和隐私问题。
伦理考虑： 在自然环境中收集数据引发了与隐私、数据安全和知情同意相关的伦理考虑，特别是在处理敏感信息时。
- 研究人员必须获得知情同意，确保数据保密，并解决可能对参与者隐私和福祉构成的风险。
数据分析： 分析 EMA 数据需要专门的统计技术，如多层建模，以考虑数据的嵌套结构（个体内的重复测量）。研究人员应熟悉这些技术或与具有分析 EMA 数据经验的统计学家合作。
研究问题的构建： EMA 数据的动态性质要求研究人员提出具体的研究问题，区分个体层面和情境层面的效果。未能做到这一点可能导致模糊的发现和误解释。

管理缺失数据

缺失数据是经验取样研究中固有的挑战。通过理解缺失性的性质和机制，研究人员可以就研究设计、数据清理和统计分析做出明智的决策。

与横断面研究中可能涉及少数跳过项目或参与者流失的缺失数据不同，日常生活的研究经常在各个维度上面临大量的缺失性。

采用适当的策略来最小化、管理和建模缺失数据对于提高 EMA 发现的有效性和可靠性至关重要。

处理 EMA 研究中缺失数据的几种策略，每种策略都对数据分析和解释有影响：

最小化缺失性的设计考虑：
- 用户友好的设计： 使用直观便捷的调查系统以及清晰的指示和提醒可以增强参与者参与度并最小化可避免的缺失性。
- 战略取样时间表： 仔细考虑评估的频率和时间可以减少参与者负担并提高回应率。
- 激励参与： 适当的激励措施，如金钱补偿或抽奖机会，可以激励参与者一致回应。
数据清理和识别“筛选出局”：
- 检测随机回应： 识别并解决不一致或无意义的回应模式，如使用项目标准差或检查相关项目的回应，可以提高数据质量。
- 建立排除标准： 根据预定义的标准，如低回应率或技术错误，制定明确的排除参与者或评估时机的指南，确保数据完整性。这可能涉及设置低回应率阈值、识别技术错误或标记可疑的回应模式。
处理缺失性的统计技术：
- 全信息最大似然（FIML）和多重插补： 这些高级统计技术可以有效地处理缺失数据，特别是在 EMA 研究中常用的多层建模背景下。这些方法即使在复杂的缺失数据模式下也能提供相对无偏的参数估计。
- 建模时间： 在 EMA 分析中考虑时间的作用很重要。根据研究问题，时间可以作为预测变量、结果变量或纳入模型结构（例如，自相关残差）。然而，他们也承认时间在实践中常常被忽略，特别是在密集的、日内 EMA 研究中，假设随机取样可以捕捉到日常体验的代表性样本。
  数据分析和解释的含义：

偏差： 缺失数据最令人担忧的影响可能是其引入偏差的潜力，特别是如果缺失与研究中的变量系统性相关。例如，如果经历高压力水平的人更有可能跳过调查，结果可能会低估压力与其他变量之间的真实关系。
统计功效降低： 如果缺失数据量较大，可能会降低研究的统计功效，使得检测统计显著效应更加困难。这意味着由于识别能力下降，真实效应可能被遗漏。
解释挑战： EMA研究中缺失数据的复杂性和多面性可能会使结果解释变得复杂。当缺失原因不明确时，关于变量间关系得出坚定结论会变得困难。研究人员在解释时应谨慎，并透明地说明缺失数据带来的限制。

生态效度与反应性的权衡

生态瞬时评估（EMA）研究涉及微妙的平衡。研究人员旨在通过捕捉自然环境中的体验来实现生态效度，但必须警惕反应性及其对结果的潜在扭曲。

通过理解影响反应性的因素并战略性地设计研究以减轻反应性，研究人员可以利用EMA的力量揭示现实世界中人类行为和体验的细微差别。

生态效度：捕捉生活中的瞬间

EMA的主要目标是实现高生态效度——即结果能在多大程度上推广到现实世界情境中。
传统研究通常依赖于实验室研究或回顾性自我报告，这两者都可能存在人为性和回忆偏差。
EMA通过在参与者自然环境中收集数据，解决这些局限性。这种即时评估为人们的经验和行为提供了一个更真实的窗口。
EMA非常适合研究受情境因素影响的现象。

反应性：观察者效应

反应性，EMA的一个潜在陷阱，指的是测量行为本身影响所研究的行为或体验的现象。
反复提示参与者反思他们的体验可能会改变这些体验。例如，要求个人每天多次记录他们的情绪可能会使他们更加自我意识，从而改变他们的情感模式。
自我监测可以是行为改变干预的一部分，进一步突显了EMA设计中反应性的可能性。

应对权衡

反应性在EMA研究中并非不可避免。几个因素会影响其可能性：

关注行为改变： 当参与者积极尝试修改目标行为时，反应性更可能发生。如果研究仅专注于观察而非干预，反应性可能不是主要问题。
记录时间： 在行为发生前记录（例如，询问参与者是否打算在接下来的一小时内吸烟）会增加反应性。关注过去的行为可以最小化这一风险。
目标行为数量： 反复评估单一行为可能会提高参与者的意识并影响其行动。追踪多种行为或体验的研究不太可能出现反应性。

研究人员可以采用策略来最小化反应性：

确保匿名性和保密性： 向参与者保证他们的数据将被保密可以减少社会期望偏差的担忧。
中立地陈述研究目标： 以不暗示预期结果的方式呈现研究目标可以最小化参与者试图控制其回应的倾向。
使用较少侵入性的评估计划： 减少评估的频率或持续时间可以减轻参与者负担并减少自我意识。

伦理考虑

使用日常生活中密集、重复的评估，虽然有助于理解情境中的行为，但也提出了重要的伦理考虑。

减轻参与者负担：

参与者负担是指因数据收集的重复性质而给参与者带来的努力和需求，可能影响依从性和数据质量。

可以采用几种策略来最小化频繁评估可能带来的负担：

优化评估设计：
- 限制调查长度： 保持调查简短（理想情况下不超过5-7分钟）并使用简洁的问题至关重要。
- 战略抽样频率： 在数据密度和参与者耐受性之间找到平衡是关键。虽然没有明确的指南，但许多研究认为每天5-8次评估可能是一个合理的平衡。然而，调查长度、研究持续时间和参与者特征等因素应指导这些决策。
- 尊重参与者时间： 允许参与者选择或调整评估时间段（例如，避免清晨或深夜）可以提高依从性并减少干扰。
明智地利用技术：
- “可居住功能”： 使用允许参与者在必要时静音或延迟通知的设备和应用程序可以防止在敏感情况下出现不必要的中断。
- 减少侵入性： 选择熟悉的科技（例如，参与者自己的智能手机）和用户友好的界面可以减少学习新系统的负担并将其融入日常生活中。
开放沟通和支持：
- 清晰的指示和期望： 在同意过程和整个数据收集过程中提供全面的信息关于研究的需求和程序至关重要。预见常见的参与者问题（例如，错过评估、技术问题、研究持续时间）并提供明确的答案。
- 定期联系： 在研究期间与参与者保持联系（例如，通过电子邮件或简短电话）可以帮助识别和解决问题，提供支持，并增强参与度。
- 透明度和反馈： 向参与者提供关于研究目标和发现的见解，并感谢他们的贡献，可以培养合作感和价值感。

确保知情同意：

需要强大的知情同意程序，超越传统方法，以解决密集、重复评估的独特伦理挑战：

明确表述负担： 同意过程应清楚说明预计的时间投入、评估频率以及参与研究可能带来的干扰。研究人员应透明地说明负担和疲劳的可能性，即使采取了减轻措施。
灵活性和控制： 应告知参与者有权在必要时拒绝或重新安排评估，而不会受到处罚。强调参与者的自主权和对其参与的控制至关重要。
数据安全和隐私： 鉴于日常生活中收集的数据往往具有敏感性，同意过程必须清楚说明数据存储程序、安全措施以及去识别化或匿名化的计划，以确保参与者的保密性。
解决反应性问题： 虽然对重复评估的反应性可能不如预期的普遍，同意过程应承认这一可能性并解释采取的任何缓解措施。
持续对话： 知情同意应被视为一个持续的过程，而不仅仅是一次性事件。研究人员应创造机会让参与者提问、表达关切并获得澄清。

阅读清单

Hektner, J. M. (2007). 经验取样法：衡量日常生活质量. Sage Publications.

Rintala, A., Wampers, M., Myin-Germeys, I., & Viechtbauer, W. (2019). 经验取样法研究中的响应依从性和预测因子. 心理评估, 31(2), 226–235. https://doi.org/10.1037/pas0000662

Trull, T. J., & Ebner-Priemer, U. (2013). 动态评估. 临床心理学年度评论, 9(1), 151-176.

Van Berkel, N., Ferreira, D., & Kostakos, V. (2017). 移动设备上的经验取样法. ACM计算调查(CSUR), 50(6), 1-40.

ESM研究示例

Bylsma, L. M., Taylor-Clift, A., & Rottenberg, J. (2011). 情绪对日常事件的反应在重度和轻度抑郁症中的表现. Journal of Abnormal Psychology, 120(1), 155–167. https://doi.org/10.1037/a0021662

Geschwind, N., Peeters, F., Drukker, M., van Os, J., & Wichers, M. (2011). 正念训练增加易患抑郁症成人的情绪愉悦感和奖励体验: 一项随机对照试验. Journal of Consulting and Clinical Psychology, 79(5), 618–628. https://doi.org/10.1037/a0024595

Hoorelbeke, K., Koster, E. H. W., Demeyer, I., Loeys, T., & Vanderhasselt, M.-A. (2016). 认知控制训练对日常生活中心理调节动态的影响. Emotion, 16(7), 945–956. https://doi.org/10.1037/emo0000169

Shiffman, S., Stone, A. A., & Hufford, M. R. (2008). 生态瞬时评估. Annu. Rev. Clin. Psychol., 4(1), 1-32.

Kim, S., Park, Y., & Headrick, L. (2018). 日常微休息与工作绩效: 工作投入作为跨层次调节变量. Journal of Applied Psychology, 103(7), 772–786. https://doi.org/10.1037/apl0000308

Shoham, A., Goldstein, P., Oren, R., Spivak, D., & Bernstein, A. (2017). 在培养正念过程中去中心化的体验: 一项时间和情境中的经验抽样研究. Journal of Consulting and Clinical Psychology, 85(2), 123–134. https://doi.org/10.1037/ccp0000154

Steger, M. F., & Frazier, P. (2005). 生活的意义: 宗教性与幸福感之间的链环之一. Journal of Counseling Psychology, 52(4), 574–582. https://doi.org/10.1037/0022-0167.52.4.574

Sun, J., Harris, K., & Vazire, S. (2020). 幸福感是否与社交互动的数量和质量有关? Journal of Personality and Social Psychology, 119(6), 1478–1496. https://doi.org/10.1037/pspp0000272

Sun, J., Schwartz, H. A., Son, Y., Kern, M. L., & Vazire, S. (2020). 幸福的语言: 通过日常语言追踪情绪体验的波动. Journal of Personality and Social Psychology, 118(2), 364–387. https://doi.org/10.1037/pspp0000244

Thewissen, V., Bentall, R. P., Lecomte, T., van Os, J., & Myin-Germeys, I. (2008). 自尊和偏执在日常生活中的波动. Journal of Abnormal Psychology, 117(1), 143–153. https://doi.org/10.1037/0021-843X.117.1.143

Thompson, R. J., Mata, J., Jaeggi, S. M., Buschkuehl, M., Jonides, J., & Gotlib, I. H. (2012). 重度抑郁症成人的日常情绪体验: 考察情绪不稳定性、惰性和反应性. Journal of Abnormal Psychology, 121(4), 819–829. https://doi.org/10.1037/a0027978

Van der Gucht, K., Dejonckheere, E., Erbas, Y., Takano, K., Vandemoortele, M., Maex, E., Raes, F., & Kuppens, P. (2019). 一项经验抽样研究考察正念干预对情绪区分的潜在影响. Emotion, 19(1), 123–131. https://doi.org/10.1037/emo0000406

引用来源

本文翻译自以下网站：

simplypsychology.org

使用声明

本文仅供教育和参考用途。如需转载或引用，请注明出处和作者。

如果你有任何问题或建议，请随时联系微信公众号。

聚观点

聚观点