体验取样法
体验取样法（Experience Sampling Method, ESM）是一种实时数据收集技术，通过在自然环境中多次测量个体的体验、行为和情境，为研究者提供高生态效度的数据。以下是 ESM 的核心信息及在研究中的应用示例。
核心概念
1. 重复测量
体验抽样涉及重复测量（即参与者在一段时间内完成相同结构的多项测量）。这是一个必要但不是充分的条件，因为纵向和潜在生长设计也使用重复测量。
2. 瞬态现象
体验抽样研究旨在检查瞬态状态、行为或体验如何影响后续状态、行为或体验，理想情况下，这些影响的机制和/或边界条件。因此，经验抽样通常不用于检查一个人的理论上稳定的特征（即性格）或他们的情况（即规范），尽管这些可能作为边界条件感兴趣，或者出于经验（即测量）原因而被整合到经验抽样设计中。
3. 个体内 （Co） 变异
体验抽样的最后一个要素是它对个体内部（共）变异的关注。这与我们之前关于“重复测量”一节中的讨论相吻合，因为通过随着时间的推移获得相同结构的几份报告，研究人员可以检查“个体内部”发生的方差。
核心特点
1. 实时性：参与者在特定情境下即时记录自己的体验或行为，减少回忆偏差。
2. 自然情境：不需要特定实验场景，直接在参与者的日常生活中收集数据。
3. 多次测量：通过一天、多天或更长时间的重复数据采集，捕捉动态变化。
4. 灵活性：可以使用智能手机应用、短信提醒、问卷、甚至纸质记录表。
ESM 的研究流程
体验取样法（ESM）的研究流程包括研究设计、数据采集、分析等环节，需要系统化地将理论和技术结合，确保研究结果的可信度和有效性。以下是 ESM 的具体研究流程：
1. 明确研究目标
a. 核心任务：确定需要研究的动态过程或情境性现象。
b. 关键问题：
需要捕捉什么变量的实时变化？
这些变化如何与情境或时间相关？
2. 确定研究设计
a. 选择变量
主观变量：情绪、动机、专注力、疲劳感等（参与者自我报告）。
客观变量：步数、心率、屏幕时间、位置数据等（通过设备记录）。
b. 定义测量频率
固定间隔：如每天测量3-5次（早、中、晚）。
触发机制：基于事件发生（如完成运动任务后记录）。
c. 数据采集时长
短期：1周左右，适合捕捉短期行为变化。
长期：1个月或更长，适合分析稳定趋势。
根据研究目标，确定研究持续时间：
d. 工具与平台
使用移动应用（如 Ethica、Paco、SurveySignal）或硬件（如智能手表、运动追踪器）记录数据。
3. 制定采样方案
a. 参与者选择：
确保样本具有代表性，同时选择能完成多次数据采集的对象。
b. 采样数量：
个体内研究：关注每个参与者的动态变化。
群体研究：确保样本量足够分析个体间差异（通常20-100人）。
4. 数据采集实施
a. 参与者培训
教育参与者如何使用数据采集工具。
强调及时性和准确性，避免记忆性偏差。
b. 提供采集工具
配备手机应用、智能手表或问卷记录表。
c. 设置提醒机制
定时推送通知，或通过短信提醒参与者填写数据。
示例提醒内容：“请记录您刚刚的运动感受，1分钟即可完成！”
d. 实时监控
研究者检查数据收集进展，提醒缺失数据的参与者。
5. 数据分析
a. 数据整理
将实时采集的主观数据与客观数据整合。
检查缺失值，必要时使用插值法处理。
b. 时间序列分析
个体层面：分析情绪、行为等随时间的变化趋势。
群体层面：比较不同群体的变化模式。
c. 混合模型分析
用于处理嵌套数据（如个体内部与个体间差异）。
d. 数据可视化
通过图表（如时间序列图、情境关联图）展示动态变化。
6. 结果解释与报告
将数据结果与研究问题和理论框架相结合，分析以下内容：
变量之间的动态关系。
情境对行为或体验的影响。
时间和群体特征的差异。
建议：
用清晰的视觉化图表辅助结果展示。
结合实际情境讨论结果的意义和应用价值。
7. 伦理与数据保护
知情同意：参与者需了解数据如何被使用和保护。
数据匿名化：防止个人隐私泄露，尤其是涉及地理位置等敏感信息时。
相关例子
案例 1: 屏幕时间管理策略对家庭氛围的影响
目标：记录家长在不同时间段对屏幕时间的管理方式和家庭互动感受。
实施：家长通过短信或App在屏幕使用冲突后填写调查表，记录管理策略和冲突强度。
分析时间点和策略之间的动态联系。
案例 2: 课堂活动对幼儿身体活动的影响
目标：研究幼儿在不同类型体育游戏后的情绪和社交行为变化。
实施：教师定期填写幼儿的参与度和行为表现。
幼儿也可以通过简单的表情符号（如笑脸或哭脸）自我报告感受
（图片来源于网络）
挑战和注意事项
1. 参与者依从性低
挑战：参与者可能忘记填写问卷、忽略提醒，或因频繁测量而感到疲惫。
注意事项：
简化流程：减少每次填写问卷的时间（不超过2分钟）。
设定合理频率：平衡数据需求与参与者负担（如每天3次）。
技术辅助：通过手机App或可穿戴设备设置自动提醒。
激励机制：提供奖励（如礼品卡或参与证明）以提高参与率。
2. 数据丢失或质量不佳
挑战：实时采集的数据容易因参与者未及时填写或设备故障而丢失。
注意事项：
实时监控：研究者定期检查数据采集进度，及时跟进缺失数据。
备份数据：使用云存储或本地设备定期保存数据。
敏感数据提醒：设置重复提醒，确保关键数据点被填写。
3. 回忆偏差
挑战：如果参与者未即时填写数据，而是事后补填，可能导致回忆性偏差。
注意事项：
即时采集：强调“实时记录”的重要性，减少延迟填写。
简明提醒：通过App或短信推送短语提醒，如“现在的心情如何？”
使用触发事件：基于参与者的活动或情境（如完成运动任务）即时触发填写。
4. 数据量大且复杂
挑战：多次测量产生的数据量巨大，数据整理与分析复杂。
注意事项：
提前规划变量：仅采集必要变量，避免不必要的数据冗余。
使用分析工具：采用专业软件（如 SPSS、R、NVivo）管理和分析数据。
数据整合：明确如何将主观报告与客观数据结合（如时间戳对齐）。
5. 生态效度与控制性冲突
挑战：虽然ESM注重自然情境，但缺乏实验室研究的控制性。
注意事项：
明确背景变量：记录可能影响结果的情境因素（如天气、活动类型）。
分层设计：将参与者分组，分析不同情境中的数据差异。
结合实验研究：与实验室研究结果对比，增加解释力。
6. 技术依赖与设备问题
挑战：数据采集高度依赖智能设备，可能因设备故障或参与者技术不熟悉导致问题。
注意事项：
设备培训：在研究开始前为参与者提供使用指导。
备用方案：提供纸质问卷或简单记录方式，作为技术故障的补充。
设备测试：研究前检查设备稳定性，减少故障发生。
7. 隐私与伦理问题
挑战：实时采集可能涉及敏感数据（如地理位置、情绪报告）。
注意事项：
知情同意：清楚说明数据用途、匿名处理方法和参与者权利。
数据加密：对数据进行匿名化和加密，确保隐私保护。
敏感数据选择：避免不必要的敏感信息采集，确保研究需求与隐私保护的平衡。
8. 文化或环境适应性
挑战：在不同文化或环境下，参与者可能对频繁记录感到不适或抗拒。
注意事项：
文化敏感性：设计符合参与者文化习惯的问卷与提醒方式。
语言适配：确保问题表述易于理解，避免术语化或复杂化。
本地化预测试：先进行小范围测试，根据反馈优化设计。
9. 样本偏差
挑战：由于ESM要求较高，可能吸引更有时间、技术熟悉度更高的参与者，导致样本不具有代表性。
注意事项：
样本多样化：从不同背景的参与者中招募样本。
合理筛选：排除可能无法完成多次记录的对象（如时间非常紧张的人群）。
10. 数据分析的统计要求
挑战：ESM数据通常具有嵌套结构（多次测量嵌套在个体中），分析复杂。
注意事项：
采用混合模型：如线性混合效应模型（Linear Mixed Effects Model）处理嵌套数据。
时间序列分析：针对随时间变化的数据，应用适合的统计方法。
团队协作：与统计学专家合作，确保数据分析的严谨性。
