Experimentelle Forschungsdesigns: Typen, Merkmale & Konzepte

Einführung in Experimentelle Designs

Generell dienen Experimente dazu, Versuche mit mehr Kontrolle durchzuführen, insbesondere wenn Fragen zum Stimulus oder dessen Anwendung bestehen.

Pre-Experimentelle Designs

Merkmale von Pre-Experimenten

• Keine Vergleichsgruppe.
• Kausalität kann nicht mit Sicherheit festgestellt werden.
• Keine Kontrolle über Quellen interner Invalidität.
• Minimales Kontrollniveau.

Arten von Pre-Experimenten

1. Fallstudie mit einer einzigen Messung

Besteht aus der Verabreichung eines Reizes oder einer Behandlung an eine Gruppe, gefolgt von einer Messung in einer oder mehreren Variablen, um das Niveau der Gruppe in diesen Variablen zu bestimmen.

• Erfüllt nicht die Anforderungen eines echten Experiments.
• Keine Manipulation der unabhängigen Variablen.
• Es gibt keinen früheren Bezugspunkt, der das Niveau der Gruppe in der abhängigen Variablen vor dem Reiz oder zum Vergleich angibt.
• Keine Kausalität mit Sicherheit feststellbar.
• Keine Kontrolle über die Quellen der internen Invalidität.

2. Pretest-Posttest-Design mit einer einzigen Gruppe

Bei dieser Methode wird derselben Gruppe ein Pretest, ein Reiz oder eine experimentelle Behandlung verabreicht. Nach der Behandlung wird schließlich ein Posttest angewendet.

• Bietet den Vorteil eines ersten Bezugspunkts, um das Niveau der Gruppe in der abhängigen Variablen vor dem Reiz zu sehen.
• Nicht für wissenschaftliche Zwecke geeignet: Keine Manipulation oder Vergleichsgruppe.
• Verschiedene Quellen der internen Invalidität können wirken.
• Gefahr, eine atypische Gruppe zu wählen.
• Kausalität kann nicht mit Sicherheit festgestellt werden.

Pre-experimentelle Designs sind nicht geeignet, um Beziehungen zwischen unabhängigen und abhängigen Variablen herzustellen. Sie sind anfällig für interne Invalidität und sollten nur als explorative Studien oder Vorstudien für Experimente mit mehr Kontrolle verwendet werden. Ihre Ergebnisse sind mit Vorsicht zu betrachten und können keine verbindlichen Schlussfolgerungen liefern, ebnen aber den Weg für weitere Studien.

Echte Experimentelle Designs

Merkmale Echter Experimente

Echte Experimente sind diejenigen, die die Anforderungen an Kontrolle und interne Validität erfüllen:

1. Vergleichsgruppen (Manipulation einer oder mehrerer unabhängiger Variablen).
2. Gleichwertigkeit der Gruppen.

Sie können eine oder mehrere unabhängige Variablen und eine oder mehrere abhängige Variablen umfassen. Pretests und Posttests können verwendet werden, um die Entwicklung der Gruppen vor und nach der experimentellen Behandlung zu analysieren. Der Posttest ist notwendig, um die Auswirkungen der experimentellen Bedingungen zu bewerten.

Arten Echter Experimente

1. Posttest-Design mit Kontrollgruppe

Dieses Design umfasst zwei Gruppen: eine erhält die experimentelle Behandlung und die andere nicht (Kontrollgruppe). Die Manipulation der unabhängigen Variablen erreicht hier nur zwei Ebenen: Präsenz und Absenz. Die Probanden werden den Gruppen zufällig zugewiesen. Nach Abschluss der experimentellen Phase erhalten beide Gruppen eine Messung der abhängigen Variablen.

Der einzige Unterschied zwischen den Gruppen sollte das Vorhandensein oder Fehlen der unabhängigen Variablen sein. Der häufigste statistische Test zum Vergleich der Gruppen ist der t-Test für unkorrelierte Gruppen, wenn die Messungen Intervallskalenniveau haben.

Dieses Design kann erweitert werden, um mehr als zwei experimentelle Gruppen oder mehrere Behandlungen zusätzlich zur Kontrollgruppe einzuschließen. Ohne Kontrollgruppe wird es als „randomisiertes Posttest-Design mit nur einer Gruppe“ bezeichnet. Es ist in der Lage, alle internen Invaliditätsquellen zu kontrollieren.

2. Pretest-Posttest-Design mit Kontrollgruppe

Dieses Design beinhaltet die Verabreichung von Pretests an die Gruppen, die am Experiment teilnehmen. Die Probanden werden zufällig den Gruppen zugewiesen. Eine Gruppe erhält die experimentelle Behandlung, die andere nicht (Kontrollgruppe). Schließlich werden gleichzeitig Posttests durchgeführt.

Die Hinzufügung des Pretests bietet zwei Vorteile:

• Die Pretest-Ergebnisse können zur Kontrolle und zum Vergleich der Gruppen verwendet werden, um die Angemessenheit der Randomisierung zu beurteilen.
• Es ermöglicht die Analyse der Verbesserung der Werte jeder Gruppe (die Differenz zwischen Pretest und Posttest).

Dieses Design kontrolliert alle Quellen der internen Invalidität aus den gleichen Gründen wie das Posttest-Design mit Kontrollgruppe. Was eine Gruppe beeinflusst, sollte die andere Gruppe auf ähnliche Weise beeinflussen, wodurch die Gleichwertigkeit der Gruppen erhalten bleibt.

Quasi-Experimentelle Designs

Merkmale von Quasi-Experimenten

Quasi-experimentelle Designs manipulieren ebenfalls gezielt mindestens eine unabhängige Variable, nur dass sie sich von „echten“ Experimenten in der Sicherheit oder Zuverlässigkeit der anfänglichen Gleichwertigkeit der Gruppen unterscheiden. Bei quasi-experimentellen Designs werden die Probanden den Gruppen nicht zufällig zugewiesen oder zugeordnet, sondern diese Gruppen sind bereits vor dem Experiment gebildet worden; es handelt sich um intakte Gruppen.

Probleme bei Quasi-Experimentellen Designs

Die fehlende Randomisierung birgt potenzielle Probleme der internen und externen Validität. Aufgrund dieser potenziellen Probleme sollten Forscher bestrebt sein, die Ähnlichkeit zwischen den Gruppen herzustellen, indem sie die Eigenschaften oder Variablen berücksichtigen, die mit den untersuchten Variablen in Beziehung stehen könnten.

Quasi-Experimente unterscheiden sich von „echten“ Experimenten in der anfänglichen Gleichwertigkeit der Gruppen (erstere arbeiten mit intakten Gruppen, letztere verwenden ein Verfahren zur Äquivalenz der Gruppen). Dies bedeutet jedoch nicht, dass eine quasi-experimentelle Studie unmöglich ist, wenn die Gruppen in den relevanten Variablen vergleichbar sind.

Typen von Quasi-Experimentellen Designs

Abgesehen vom oben genannten Unterschied sind Quasi-Experimente den „echten“ Experimenten sehr ähnlich. Es gibt fast so viele quasi-experimentelle Designs wie „echte“ experimentelle Designs, nur dass keine Randomisierung oder Paarung stattfindet. Ansonsten sind sie gleich, die Interpretation ist ähnlich, die Vergleiche sind dieselben und die statistische Analyse ist dieselbe (außer manchmal bei Tests für korrelierte Daten).

1. Posttest-Design mit nur intakten Gruppen

Dieses Design verwendet zwei intakte Gruppen: eine erhält die experimentelle Behandlung und die andere nicht. Die Gruppen werden im Posttest verglichen, um zu prüfen, ob die experimentelle Behandlung einen Effekt auf die abhängige Variable hatte.

Wenn die Gruppen nicht miteinander vergleichbar sind, können Unterschiede im Posttest der beiden Gruppen nicht nur auf die unabhängige Variable zurückzuführen sein, sondern auch auf andere Gründe, und das Schlimmste ist, dass der Forscher dies möglicherweise nicht erkennen kann. Es ist daher wichtig, dass die Gruppen anfänglich vergleichbar sind und dass sie sich während des Experiments nicht anders verhalten, außer in Bezug auf das Vorhandensein oder Fehlen der experimentellen Behandlung.

Denken Sie daran, dass die Gruppen intakt sind, nicht für das Quasi-Experiment geschaffen, sondern aus anderen Gründen gebildet wurden.

2. Pretest-Posttest-Design mit intakten Gruppen (mit Kontrolle)

Diese Konstruktion ähnelt dem Posttest-Design mit intakten Gruppen, nur dass die Gruppen einen Pretest erhalten. Dies kann verwendet werden, um die anfängliche Gleichwertigkeit der Gruppen zu überprüfen (es sollten keine signifikanten Unterschiede zwischen den Pretests bestehen).

Die Vergleiche zwischen den Messungen der abhängigen Variablen und die Interpretationen sind dieselben wie im experimentellen Design des Pretest-Posttest mit Kontrollgruppe. Bei diesem quasi-experimentellen Design sind die Gruppen jedoch intakt, und dies muss bei der Interpretation der Ergebnisse berücksichtigt werden.

Schritte eines Experiments oder Quasi-Experiments

Die wichtigsten Schritte bei der Entwicklung eines Experiments oder Quasi-Experiments sind:

1. Schritt 1: Entscheiden Sie, wie viele unabhängige und abhängige Variablen das Experiment oder Quasi-Experiment umfassen soll.
2. Schritt 2: Wählen Sie das Manipulationsniveau der unabhängigen Variablen, um es in die experimentelle Behandlung zu übersetzen.
3. Schritt 3: Entwickeln Sie das Instrument oder die Instrumente zur Messung der abhängigen Variablen.
4. Schritt 4: Wählen Sie eine Stichprobe von Personen für das Experiment (idealerweise repräsentativ für die Bevölkerung).
5. Schritt 5: Rekrutieren Sie die Probanden des Experiments oder Quasi-Experiments. Dies beinhaltet den Kontakt, die notwendigen Erklärungen und die Angabe von Ort, Datum, Uhrzeit und Ansprechpartner. Es ist ratsam, ihnen maximale Erleichterungen für die Teilnahme zu bieten.
6. Schritt 6: Wählen Sie das geeignete experimentelle oder quasi-experimentelle Design, das zur Hypothese, den Zielen und den Forschungsfragen passt.
7. Schritt 7: Planen Sie, wie die Probanden im Experiment behandelt werden. Das heißt, einen kritischen Pfad festlegen, der den Probanden vom Eintreffen am Ort bis zum Verlassen Schritt für Schritt führt.
8. Schritt 8: Im Falle von „echten“ Experimenten: zufällig zuweisen oder paaren. Im Falle von Quasi-Experimenten: die Eigenschaften der intakten Gruppen sorgfältig analysieren.
9. Schritt 9: Führen Sie die Pretests (falls vorhanden), die jeweiligen Behandlungen (falls keine Kontrollgruppe vorhanden ist) und die Posttests durch. Es ist ratsam, die Entwicklung des Experiments zu beobachten. Dies hilft bei der Analyse des möglichen Einflusses von Störvariablen und liefert unschätzbares Material für die Interpretation der Gruppenunterschiede.

Grundlagen der Forschung

Beispiele für Forschungsdesigns (Aufgabenstellung)

Im Kontext des Themas „Einsatz von alternativen Ernährung der Fische“ könnten folgende Designs entwickelt werden:

• Entwicklung eines spezifischen Ziels für ein Pre-Experiment.
• Ein Beispiel für ein experimentelles Forschungsdesign.
• Ein Beispiel für ein nicht-experimentelles Forschungsdesign.
• Ein Beispiel für ein quasi-experimentelles Forschungsdesign.
• Ein Beispiel für eine Hypothese eines Forschungsgruppenunterschieds.

Definition: Hypothese

Eine Hypothese ist eine vorläufige Antwort oder Lösung für ein Problem, die überprüft (kontrastiert) wird, um ihre Gültigkeit zu bestimmen. Es ist eine Idee, Aussage, unbewiesene Theorie oder Formel, die zuerst aufgestellt und dann durch Experimente oder logische Ableitungen getestet wird.

Eine Hypothese ist eine Annahme, die ohne Beweise als Grundlage genommen wird. Sie dient dazu, Beziehungen zwischen Elementen herzustellen oder eine mögliche Lösung für ein Problem zu bieten. Sie ist auch ein Werkzeug zur Überprüfung von Annahmen mit der Realität.

Der Wahrheitsgehalt einer Hypothese hängt davon ab, inwieweit die gesammelten empirischen Daten die in der Hypothese aufgestellte Behauptung stützen. Dies wird als empirische Prüfung oder Validierung der Hypothese bezeichnet. Dies kann auf zwei Arten geschehen: durch Bestätigung (für allgemeine Hypothesen) oder durch Überprüfung (für existentielle Annahmen).

Definition: Statistische Signifikanz

Wenn das gewählte Prognoseverfahren statistischer Natur ist, ist ein Indikator für dessen „Zuverlässigkeit“ die statistische Signifikanz eines Tests. Diese besagt, dass eine bestimmte Schätzung sich von den klimatologischen Werten für die Region und den Zeitraum unterscheidet (im technischen Sinne, unterschiedliche statistische Parameter für das Wetter zu haben). Diese Werte werden verwendet, um statistischen Schätzungen Bedeutung zu verleihen. Hohe Werte (z.B. 99% oder 0,99) weisen auf eine bestimmte „Stärke“ dieser Prognose hin, zumindest relativ im Vergleich zu weniger signifikanten (z.B. 95%) oder wesentlich kleineren (z.B. 85%) Werten.

Die statistische Signifikanz (p-Wert) wird oft in der wissenschaftlichen Literatur herangezogen, um festzustellen, ob ein Ergebnis zufällig ist oder nicht. Technisch ist die statistische Signifikanz als die Wahrscheinlichkeit definiert, dass, wenn es keinen wirklichen Unterschied zwischen den verglichenen Gruppen gäbe, ein Unterschied von gleichem oder höherem Ausmaß nur durch Zufall gefunden worden wäre. Mit anderen Worten: Der festgestellte Unterschied ist real und nicht zufällig.

In der klinischen Forschung wird traditionell ein p-Wert < 0,05 akzeptiert. Dieser Wert bedeutet, dass die Wahrscheinlichkeit, einen so extremen oder extremeren Unterschied zufällig zu finden, 5 von 100 beträgt. Wenn ein Verfahren oder eine Technik extreme Risiken oder hohe Kosten birgt oder eine größere Sicherheit bei der Entscheidungsfindung erforderlich ist, wird die Verwendung eines p-Wertes < 0,01 bevorzugt. Praktisch ausgedrückt: Wenn der gefundene Effektunterschied auf Zufall zurückzuführen ist (falsch-positiv), wird dies als Typ-I-Fehler oder Alpha-Fehler bezeichnet. Umgekehrt, wenn ein Fehler vorliegt oder auf eine geringe Anzahl von Beobachtungen zurückzuführen ist (falsch-negativ), wird dies als Typ-II-Fehler oder Beta-Fehler bezeichnet. Eine Tabelle könnte die Rolle von Verzerrung und Zufall in verschiedenen Studien- und Experimenttypen vereinfacht darstellen.

Kriterien zur Formulierung einer Hypothese

Vier wichtige Kriterien bei der Formulierung einer Hypothese sind:

• Die verwendeten Begriffe müssen klar und spezifisch sein, um operational definiert werden zu können, sodass jeder Forscher ein klares Bild der Forschung erhält.
• Sie muss überprüfbar sein; eine Hypothese, die keiner empirischen Überprüfung unterzogen werden kann, ist wissenschaftlich nicht gültig. Eine Hypothese ohne empirischen Bezug ist lediglich eine Meinungsäußerung.
• Sie muss objektiv sein und keinerlei Werturteile enthalten; Adjektive wie „besser“ oder „schlechter“ sind zu vermeiden.
• Sie muss konkret sein, nicht nur in Bezug auf das Problem, sondern auch auf die Indikatoren, die zur Messung der Studienvariablen verwendet werden.
• Sie muss in Bezug auf die verfügbaren Ressourcen und Techniken realisierbar sein.