Badanie typu N= 1: Czego możemy się dowiedzieć, badając jednostkę
Marie Johnston i Derek Johnston, University of Aberdeen, Szkocja
Praktycy często chcą rozwiązać problem, który dotyczy pojedynczej osoby, jednego zespołu, jednego szpitala lub jednego regionu, itp.. Na przykład, istotne może być przyjrzenie się zwyczajom żywieniowym otyłego mężczyzny: jak często podjada, kiedy i gdzie oraz czy stres nasila to zachowanie. Albo sprawdzenie, jak często członkowie konkretnego zespołu opieki zdrowotnej pomijają higienę rąk, czy dzieje się to częściej, gdy jest za mało personelu i czy instrukcje umieszczone na oddziale poprawiają tę higienę. Można też eksplorować źródła błędów klinicznych, to znaczy, czy pojawiają się na konkretnych oddziałach, czy popełniają je tylko niektóre grupy pracowników. Można też, już na poziomie polityk publicznych, sprawdzić, jak działa wprowadzenie nowych przepisów, jak na przykład zakaz palenia na wskaźnik palenia.
Możesz szukać odpowiedzi na powyższe kwestie, bezpośrednio pytając ludzi, co myślą lub pamiętają, ale lepiej jest poprosić o obserwację konkretnych zachowań i zjawisk w określonych momentach i miejscach, aby uniknąć problemów związanych z tendencyjnością odpowiedzi i zapominaniem. Najnowsze osiągnięcia technologiczne, takie jak monitorowanie różnych zjawisk przy użyciu smartfonów, ułatwiają obserwowanie ich dynamiki w czasie rzeczywistym.
Badania typu N =1 mają jednak sens tylko wówczas, gdy interesujący nas problem daje się oceniać wielokrotnie celem uchwycenia zmian następujących w czasie. Tym samym, można opisać problem i określić, czy w konkretnych okolicznościach ulega on poprawie czy pogorszeniu. Można też wprowadzić interwencję lub leczenie i ocenić, czy przynoszą one zamierzony efekt.
Najprostszą oceną zebranych danych jest obserwacja trendów na wykresie, podobnym do tych, umieszczonych poniżej. Tego typu eksploracja stanowi istotny krok w analizie wyników badania N = 1 i może być już wystarczająca. Dodatkowo, można zastosować odpowiednie metody analiz statystycznych dla tego typu danych, choć nadal opracowywane są bardziej złożone metody (np. metody oceny dynamiki zmian).
Read more









