In der quantitativen Forschung sind die Daten im Vordergrund. Daten bilden eine Abbildung der Wirklichkeit, die extrem simplifiziert ist, bei der sehr sehr viel Information verloren geht. Durch diese Simplifizierung wird erhofft, doch ein paar wenige aber wesentliche Aspekte der Realität zu erfassen. Sie sollen so wenige und so simpel wie möglich sein, so dass man mit ihnen operativ - in der quantitativen Psychotherapieforschung statistisch - etwas anfangen kann. Und sie sollen so wesentlich wie möglich sein, so dass die Aussage der Forschung von Bedeutung ist.

Die oft abschreckend wirkenden statistischen Auswertungen sind zwar komplex, aber durch eine Spezialist_in mit Hilfe von Computerprogrammen direkt durchführbar. Wir können die statistische Auswertung ruhig wie eine Black Box (engl. schwarze Kiste) benützen: so wie beim Smartphone interessiert uns nicht, wie es funktioniert, sondern nur das Ergebnis. Mit statistischen Methoden werden wir also hier keine Zeit verlieren.

Es ist die Wahl der Daten, die die halbe Kunst der quantitativen Forschung darstellt (die andere Hälfte ist die Interpretation der Ergebnisse - darüber später).

Gehen wir nun zu weiteren Details und schauen, wie solche Daten strukturiert sind.

Die Daten können durch Zahlen dargestellt werden, wie zum Beispiel binäre Zahlen (1,0), Ganzzahlen (1, 2, 3, ...) oder reelle Zahlen (wie die Punkte in einer Gerade). Sie können aber auch "nominell" sein, das heißt, dass sie bestimmte vordefinierte Kategorien, wie "sicher", "besorgt", "abweisend", "dissoziativ", umfassen. Letztlich können sie auch hierarchisch wie beim ICD-10 organisiert sein.

Die Arbeit der Forscher_in besteht nun zuerst in der Wahl der Daten, die sie untersuchen wird. Die verschieden Arten von Daten werden Variable genannt. Sie müssen qualitativ definiert werden. Wenn ich zum Beispiel die Affektstärke untersuchen will, muss ich zunächst erklären, was darunter gemeint ist. Zu dieser qualitativen Erklärung kommnt dann auch eine genaue Anweisung, wie diese Variable bestimmt/gemessen wird. Es könnte zum Beispiel durch die Messung des Pulsschlages, oder durch die Beurteilung einer trainierten Beobachter_in geschehen.

In Kleingruppen lese und diskutiere den folgenden Text

Organisation

Damit unsere Black Box funktionieren kann, müssen die Daten in einer bestimmten Weise strukturiert sein. Hier werden wir uns an dem statistischen Standardprogramm SPSS ( Statistical Programs for Social Sciences) orientieren. Es arbeitet mit einfachen Tabellen (Matrizen), in der die Reihen die "Fällen" und die Spalten die Variablen darstellen. Zum Beispiel (diese Tabelle, wie ein Großteil des Vortrags, ist aus der ⚠ %popwin id=2 width=800 height=500%[[Inhalt.ProzessorientiertQuantitativReferenzen?skin=triad|Referenz 1]] entnommen) :

WAI (Working Alliance Inventory) ist ein Wert, der die "therapeutische Allianz" darstellt. Er wird durch einen Fragebogen mit 36 Aussagen wie "Meine Therapeut_in und ich vertrauen einander", die in einer Skala von 1 bis 7 bewertet werden (1=gar nicht, 7=sehr gut), ermittelt. Der Fragebogen wird zum Beispiel unmittelbar nach der Therapiesitzung ausgefüllt. Wir sehen hier ein Beispiel aus der Praxis, wie eine Variable definiert und gemessen wird.

Etwas komplexer könnte es werden, wenn zum Beispiel die Klient_innen einer zweiten Therapeut_in einbezogen werden:

Weiters könnten wir uns nach der Veränderung der therapeutischen Allianz im Laufe der Therapie fragen. Dafür führten wir eine weitere Variable ein, WAI_t2 (und nennen die alte WAI _t1):

Wir sehen, dass in fast allen Fällen die therapeutische Allianz gewachsen ist. Im Fall 204 steht X für den Wert von WAI_t2. Dieser Wert fehlt, weil die Therapie abgebrochen wurde. Fehlenden oder schlechte Daten sind etwas, was in der Praxis oft vorkommt. Das statistische Programm weiß, wie damit umzugehen ist.

WAI_t1 und WAI_t2 sind sogennnante unabhängige Variable. Wir können eine weitere Variable Z einführen für den Zuwachs der therapeutischen Allianz Z = WAI_t2 - WAI_t1 (diese Variable ist von den ersten zwei abhängig)

Die Beispiele bis jetzt untersuchten die zeitliche Veränderung der Beziehung Klient_in-Therapeut_in und könnten natürlich auch für eine ergebnisorientierte Forschung verwendet werden. Dem Prozess mehr zugewandt ist das nächste Beispiel, im dem wir nur eine einzige Person bei vielen Sitzungen betrachten:

Einzelfall

Hier die fiktive Tabelle zur Therapie von "Alice".

Die WAI-Werte für Tage 0 und 7 könnten leicht als Widerstand der Klientin interpretiert werden. Am Tag 14 passiert etwas, was die therapeutische Allianz plötzlich stärkt. Im Verlauf danach steigt sie dann kontinuierlich. Was dafür Ursache ist, verrät uns der WAI-Wert nicht. Dafür bräuchten wir einen tieferen Einblick. Diese plötzliche Wertanstieg lenkt unser Interesse sehr stark auf diese Sitzung. Was war passiert? In weiterer Folge würde frau mit neuen Variablen oder gar einem neuen Zugang versuchen, dieser Frage nachzugehen.

Komplexere Datenmatrizen

In der Praxis sind die Matrizen viel komplexer und könnnen verschiedene Variablen für mehrere Klient_innen und/oder Therapeut_innen, für Gruppen, Settings, usw. enthalten. Auch die untersuchten Variablen können andere Eigenschaften als die therapeutische Allianz messen. Ebenso können die Messverfahren variieren.

Die meisten solcher Matrizen können in die Black Box SPSS eingegeben werden, und diese liefert Ergebnisse wie Durchschnittswert, Abweichung, Signifikanz usw.. Auch für noch komplexere Datenmatrizen gibt es andere geeignete statistische Werkzeuge.

Kodierung innerhalb einer Therapiesitzung

In den vorhergegangenen Beispielen haben wir die Variable WAI verwendet. Diese wird durch einem Fragebogen ermittel, den die Klient_in unmittelbar nach der Therapiesitzung ausfüllt. Es gibt aber auch Verfahren, die Werte während der Sitzung messen.

Eine Möglichkeit ist die Tonaufnahme der Sitzungen. Diese kann händisch oder maschinell transkribiert werden. Das statistische Werzeug wird dann auf das Transkript angewendet. Ein Beispiel dafür sehen wir in der Tabelle rechts (⚠ %popwin id=2 width=800 height=500%[[Inhalt.ProzessorientiertQuantitativReferenzen?skin=triad|Referenz 1, Seite 237, frei übersetzt)]].

Da wird jedes Wort mit einer ID-Zahl markiert, mit der Sitzungszahl, der Sprecher_in und noch dem ADU (affektive Diktionär Ulm), einem Glossar, das jedem Wort einen Affektwert zuschreibt. Das statistische Programm kann an dieser Tabelle angewendet werden und Aussagen liefern.
Natürlich kann solch ein Programm den Kontext, in dem jedes Wort gesprochen wird, nicht analysieren und verliert somit wesentliche Informationen. Auch Stille, Gestik und andere nonverbale Informationen gehen verloren.
Das kann durch Einführung weiterer Variable umgangen werden. Zum Beispiel, in dem eine Person die Aufnahme mithört und zu jeder Zeile einen geschätzten Affektwert angibt, oder auch Anmerkungen zu den nonverbalen Elemente einträgt.

Alles, was der Computer allein machen kann, ist schnell, und kann daher sehr große Datenmatrizen behandeln. Sobald eine Person in die Dataaquisition miteinbezogen wird, verlangsamt sich der ganze Prozess.

Beide machen Fehler: Der Computer, weil er zum Beispiel den Inhalt nicht versteht (obwohl bei ehrgeizigeren Forschungen Sätze oder Satzteile statt Worten verwendet werden). Menschen machen Fehler, weil sie subjektiv interpretieren (auch das kann minimiert werden, in dem frau die selbe Aufnahme durch verschiedene Personen bearbeiten lässt).

Datenerhebung und Dokumentation

Fehler passieren auch in der Phase der Datenerhebung.

Um das zu kontrollieren, kann frau redundante Daten erheben, zum Beispiel, Alter und Geburtsdatum. Sollte bei der Erhebung ein Fehler passiert sein, wird er sich wahrscheinlich in der Inkonguenz der Daten zeigen.
Deswegen ist es gute Praxis, die Daten nach ihrer Kongruenz zu analysieren, bevor man sie manipuliert.

Wichtig ist auch eine Dokumentation der Datenerhebung, so dass Fehler nachträglich erfoscht werden können.

Wir fassen hier zusammen: Bei einer konkreten Forschung wählen wir zunächst die Daten, die wir untersuchen wollen. Anschließend erheben wir eine große Menge solcher Daten. Wir haben dafür gesorgt, dass sie so organisiert sind, dass wir die standardisierten statistischen Programme anwenden können. Wonach aber suchen wir?!

Methoden mit mehreren Variablen

Das Ziel der Forschung ist, eine Korrelation zwischen den Variablen zu finden. Sind die erhobenen Variablen unabhängig oder stehen sie in einem spezifischen Bezug zueinander? Wir könnten zum Beispiel fragen, ob der ADU-Wert mit dem WAI-Wert zusammenhängt, soll heißen, lassen die Klient_innen mehr Affekt zu, wenn die therapeutische Allianz stark ist?

Es gibt viele statistische Methoden, die dafür gebaut wurden, um diese sogenannte multivariate Verteilung zu untersuchen. Auch komplexere Zusammenhänge können erfasst werden.

Wie wir sehen liegt die Kunst nicht so sehr in der mathematischen Aufarbeitung, sondern vielmehr in der adäquaten Fragestellung. Was will ich wissen und was brauche ich, um darüber Aussagen zu machen?

Interpretation

Wenn ich nun Ergebnisse bekommen habe, ist es wichtig, wieder zum Beginn zu gehen und zu überprüfen, ob die Ergebnisse mit dem dokumentierten Detail der Fälle übereinstimmt.

Gehen wir also zurück zur Einzelfalltabelle Alice

• Wir sehen eine Steigerung des WAI-Werts im Laufe der 12 Therapiesitzungen. Wir erinnern uns, dass der WAI-Wert der Durschnittswert aller 36 Punkte des Fragebogens ist. Wir können uns fragen, wie verhält sich jeder dieser 36 Punkte - gibt es da Unterschiede?
• Die 7. Sitzung verzeichnet einen sehr niedrigen WAI-Wert. Was ist da passiert? Wenn wir in der Dokumentaion der transkribierenden Person nachschauen, sehen wir, dass viele Worte mit "nicht verständlich" gekennzeichnet wurden. Wir könnten nun die Hypothese stellen, dass in dieser Sitzung die Klient_in einen besonders großen Affekt hatte und daher nicht deutlich gesprochen hat. Das würde auf einen Durchbruch hinweisen und erklären, warum die Werte danach stetig steigen. Weitere Notizen der Transkribierenden zeigen aber ein anderes Bild: es war während der Sitzung ein großer Lärm auf der Straße, so dass die Aufnahme unverständlich war - hatte also mit Affekt der Klient_in nichts zu tun.

Diskussion im Plenum

Diskussion für den Online-Kurs:

Schreibe deine Gedanken zur Gestaltung einer Datenmatrix und zur Datenanalyse und Interpretation unten in den Kommentaren

Diskussion im präsenziellen Kurs:

Gibt es Verständnisfragen?

• Bilde Kleingruppen und diskutiere die Gestaltung einer Datenmatrix. Danach Diskussion im Plenum
• Zum Thema Datenanalyse und Interpretation - Diskussion im Plenum