Słownik metodologiczny · Projekt badania

Próbkowanie czasowe w obserwacji – interwał częściowy, pełny czy moment?

Próbkowanie czasowe dzieli sesję obserwacji na krótkie interwały i w każdym zapisuje tylko, czy zachowanie wystąpiło. Pokazujemy trzy odmiany, ich typowe błędy, mały przykład w R, opis do pracy i najczęstsze pułapki.

Strona główna / Słownik / Próbkowanie czasowe
W skrócie: Próbkowanie czasowe to rejestrowanie zachowania w kolejnych krótkich interwałach zamiast zapisu ciągłego. Interwał częściowy (PIR) zawyża odsetek czasu, interwał pełny (WIR) go zaniża, a próbkowanie momentalne (MTS) myli się w obie strony i najlepiej odtwarza czas trwania, choć w krótkich sesjach jest mało dokładne.

Co to jest próbkowanie czasowe?

Próbkowanie czasowe (ang. time sampling) to sposób rejestrowania zachowania w obserwacji systematycznej: sesję dzieli się na krótkie interwały, np. po 10 s, i w każdym zapisuje się tylko, czy zachowanie wystąpiło według przyjętej reguły. Obserwator nie mierzy każdej sekundy, więc metoda jest tańsza od zapisu ciągłego, ale płaci się za to błędem. Altmann (1974) pokazała, że metody próbkowania różnią się podatnością na obciążenie, więc wybór trzeba dopasować do cech zachowania i pytania badawczego. System kategorii, arkusz i szkolenie obserwatorów opisuje wpis Obserwacja jako metoda badawcza.

Trzy odmiany

  • Interwał częściowy (PIR) – zaznaczasz interwał, jeśli zachowanie pojawiło się w nim choć na chwilę.
  • Interwał pełny (WIR) – zaznaczasz interwał tylko wtedy, gdy zachowanie trwało przez cały jego czas.
  • Próbkowanie momentalne (MTS) – sprawdzasz, czy zachowanie trwa w chwili sygnału na końcu interwału.

Powell, Martindale i Kulp (1975) porównali te metody z zapisem ciągłym. Interwał pełny systematycznie zaniżał odsetek czasu, interwał częściowy systematycznie go zawyżał, a błędy próbkowania momentalnego rozkładały się w obie strony. Im gęstsze próbki, tym mniejszy błąd, który zależy od średniego czasu trwania zachowania i nie musi być stały w różnych warunkach.

Przykład

W symulowanej dwuminutowej sesji uczeń sześć razy na kilka sekund odwracał się od zadania, łącznie przez 30% czasu. Przy 12 interwałach po 10 s interwał częściowy dał 75%, interwał pełny 0%, a próbkowanie momentalne 33.3% (4 z 12 momentów). Tylko ta ostatnia metoda była blisko prawdy, ale 12 momentów to mało. Ledford i in. (2015) pokazali, że w krótkich sesjach próbkowanie momentalne zwiększa zmienność wyników i ryzyko błędu II rodzaju, co ma znaczenie w badaniach jednego przypadku.

Jak opisać w pracy

Zachowanie poza zadaniem rejestrowano metodą próbkowania momentalnego: co 10 s obserwatorka zapisywała, czy zachowanie trwa w chwili sygnału. Sesje trwały 20 min (120 momentów). Zgodność dwóch obserwatorek oceniano na losowo wybranych sesjach, κ = [wartość].

Na co uważać

  • Interwał częściowy jako odsetek czasu. Przy krótkich epizodach wynik bliższy jest liczbie zdarzeń niż czasowi trwania.
  • Porównania warunków. Jeśli interwencja skraca epizody, interwał częściowy lub pełny może pokazać zmianę, której nie było.
  • Zgodność obserwatorów. Licz ją interwał po interwale, np. kappą Cohena; dobór miary omawia wpis Zgodność sędziów: kappa, ICC i alfa Krippendorffa.
  • Metoda a plan badania. Próbkowanie czasowe to technika pomiaru, a nie schemat obserwacyjny – działa także w eksperymencie.
Przykład reprodukowalny

Próbkowanie czasowe w R

Kod tworzy dwuminutową sesję z krótkimi epizodami zachowania zapisanymi sekunda po sekundzie i koduje ją trzema metodami próbkowania czasowego z interwałem 10 s.

Interwał częściowy, interwał pełny i próbkowanie momentalne w jednej sesji

Dane wejściowe: 120 s symulowanego zachowania (epizody 3–8 s, przerwy 5–25 s), 12 interwałów po 10 s; set.seed(4171).

Co odczytać: liczbę epizodów, odsetek czasu z zapisu ciągłego oraz wyniki PIR, WIR i MTS w procentach.

R
set.seed(4171)
sek <- 120                                        # sesja: 2 minuty, zapis co 1 s
x <- integer(sek); t <- 0
while (t < sek) {                                 # epizody 3–8 s, przerwy 5–25 s
  t <- t + sample(5:25, 1); d <- sample(3:8, 1)
  if (t < sek) x[(t + 1):min(sek, t + d)] <- 1L; t <- t + d
}
int <- rep(1:12, each = 10)                       # 12 interwałów po 10 s
c(epizody = sum(diff(c(0, x)) == 1),
  ciagly  = round(100 * mean(x), 1),                       # zapis ciągły
  PIR = round(100 * mean(tapply(x, int, max)), 1),         # interwał częściowy
  WIR = round(100 * mean(tapply(x, int, min)), 1),         # interwał pełny
  MTS = round(100 * mean(x[seq(10, sek, by = 10)]), 1))    # moment na końcu interwału
Wynik w R
epizody  ciagly     PIR     WIR     MTS 
    6.0    30.0    75.0     0.0    33.3

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (bez dodatkowych pakietów). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/

Najczęstsze pytania

Którą metodę próbkowania czasowego wybrać?

Jeśli chcesz oszacować odsetek czasu, wybierz próbkowanie momentalne z krótkim interwałem albo zapis ciągły. Jeśli pytasz o częstość krótkich zachowań, lepsza jest rejestracja zdarzeń. Interwał częściowy i pełny dają systematyczny błąd (Powell i in., 1975).

Jak długi powinien być interwał?

Im krótszy interwał, tym mniejszy błąd (Powell i in., 1975), ale tym trudniej kodować na żywo. Często stosuje się interwały kilkusekundowe, np. 10 s. Przy krótkich sesjach dłuższy interwał daje mało momentów i niestabilny wynik.

Jak policzyć zgodność obserwatorów przy próbkowaniu czasowym?

Porównaj zapisy obu obserwatorów interwał po interwale i policz kappę Cohena oraz procent zgodności. Jeśli w analizie używasz wyniku sesji, np. odsetka momentów, policz też ICC dla tego wyniku.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Altmann, J. (1974). Observational study of behavior: Sampling methods. Behaviour, 49(3–4), 227–266. https://doi.org/10.1163/156853974x00534
  2. Ledford, J. R., Ayres, K. M., Lane, J. D., & Lam, M. F. (2015). Identifying issues and concerns with the use of interval-based systems in single case research using a pilot simulation study. The Journal of Special Education, 49(2), 104–117. https://doi.org/10.1177/0022466915568975
  3. Powell, J., Martindale, A., & Kulp, S. (1975). An evaluation of time-sample measures of behavior. Journal of Applied Behavior Analysis, 8(4), 463–469. https://doi.org/10.1901/jaba.1975.8-463 ● Otwarty dostęp

Cytowania BibTeX

@article{altmann1974observational, author={Altmann, Jeanne}, title={{Observational study of behavior: Sampling methods}}, journal={Behaviour}, year={1974}, volume={49}, number={3–4}, pages={227--266}, doi={10.1163/156853974x00534}}
@article{ledford2015identifying, author={Ledford, Jennifer R. and Ayres, Kevin M. and Lane, Justin D. and Lam, Man Fung}, title={{Identifying issues and concerns with the use of interval-based systems in single case research using a pilot simulation study}}, journal={The Journal of Special Education}, year={2015}, volume={49}, number={2}, pages={104--117}, doi={10.1177/0022466915568975}}
@article{powell1975evaluation, author={Powell, J. and Martindale, A. and Kulp, S.}, title={{An evaluation of time-sample measures of behavior}}, journal={Journal of Applied Behavior Analysis}, year={1975}, volume={8}, number={4}, pages={463--469}, doi={10.1901/jaba.1975.8-463}}
R