Experience Sampling Method

Att mäta upplevelser innebär (minst) två utmaningar för forskare. Dels är upplevelser subjektiva, dels kan upplevelser förändras från en stund till nästa stund. Om man frågar sin granne hur optimistisk hon/han är, blir svaret kl. 7:00 på morgonen när väckarklockan ringer kanske annorlunda än om man skulle fråga mot slutet av dagen efter en kvällspromenad.

Hur kan man då undersöka upplevelser, som kan vara kortvariga men även innefatta olika nyanser, för att förstå hur individer tänker eller känner i vardagen? Svaret på denna fråga är en datainsamlingsmetod som kallas ”Experience Sampling Method” (förkortat ESM).

Intensive longitudinal data används ofta som ett paraplybegrepp över de datainsamlingsmetoder som använder frekventa insamlingsmetoder. Dessa datainsamlingsmetoder innefattar ’experience sampling method’, ’ecological momentary assessment’, ’daily diary’ och ’ambulatory assessment’. ESM är det vanligaste namnet, myntat av Mihaly Csikszentmihalyi och hans forskargrupp under 1970-talet. Metoderna används ofta synonymt, men kan särskiljas utifrån specifika egenskaper. Gemensamt för de fyra insamlingsmetoderna är att de mäter vardagsupplevelser i a) individens naturliga miljö, b) i realtid (eller nära realtid) och c) vid upprepade tillfällen. Det grundläggande tillvägagångssättet är att samla in data intensivt, åtminstone en gång per dag i flera dagars tid.

Under de tio senaste åren har det blivit alltmer populärt att använda sig av mobilbaserade datainsamlingsmetoder för experience sampling-studier. Tidigare använde man till exempel programmerbara Palm pilots eller andra elektroniska apparater som signalerade när det var dags för deltagare att fylla i dagboksenkäter. Idag är möjligheterna för kreativa ESM-studiedesigner betydligt större och det finns ett flertal appar på marknaden tillgängliga för de som planerar att utföra en ESM-studie.

Fördelar med ESM

• Möjlighet att undersöka delar av individers liv som annars vore svårt eller omöjligt att ha tillgång till (såsom emotioner under fysiska aktiviteter eller under lektionstid).
• ”Recall bias” minimeras eftersom data som samlas in är själva händelsen som inträffar här-och-nu, och händelsen utvärderas upprepade gånger över tid.
• Ekologisk hög validitet eftersom data samlas in i individens naturliga miljö.
• Tankar och emotioner kan undersökas i mycket specifika situationer och kontexter.
• Statistisk styrka tenderar att bli högre än i jämförelse med andra kvantitativa metoder.

Utmaningar med ESM

• Datainsamlingen kan ibland upplevas betungande av deltagarna.
• Viss risk för urvalsskevhet (eng. self-selection bias) — kan finnas deltagare som inte är villiga att delta fullt ut i denna typ av studier.
• ”Reactivity bias” — ESM kan förändra det fenomen som studeras, då upprepade mätningar kan orsaka förändringar i deltagarnas upplevelser.
• Komplexiteten av ESM-dataanalyser.

I ESM studier finns i regel alltid bortfall av data, vilket det finns olika tillvägagångssätt för att förebygga och hantera. Vid planering av en ESM-studie, och för att minimera till exempel bortfall av data, är val av studiedesign av stor vikt. Inom projekt REBOOT är studiedesignsaspekter något av det vi kartlägger i vår forskningsfältsöversikt.

Under de senaste åren har ESM ökat i popularitet, mycket tack vara dagens moderna teknologi som erbjuder möjligheter för intressanta datainsamlingar om individers dagliga upplevelser. Vi tror att ESM har en god potential för framtida forskning om interpersonella och kollektiva fenomen, för att få en djupare och mer nyanserad förståelse för till exempel olika känslomässiga tillstånd i specifika kontexter.