Jedes Smartphone verfügt über eine Vielzahl an Sensoren, die sich für die Messung von Verhalten einsetzen lassen. Ein Verhalten messen zu können (wie oft es auftritt, wie es ausgeführt wird usw.) ist eine wichtige Voraussetzung, um es auch verändern zu können. Wer Verhalten verändern möchte, sollte also überlegen, wie er sein Smartphone und andere mittlerweile erschwingliche Technik dafür einsetzen kann, dieses Verhalten objektiv zu messen.
In der experimentellen Verhaltensanalyse wird das Verhalten (seine Häufigkeit, Dauer usw.) meist automatisch gemessen. Skinners „cumulative recorder“, welcher die Häufigkeit des Hebeldrückens bei der Versuchsratte aufzeichnet, ist das beste Beispiel. In der angewandten Verhaltensanalyse wird es dagegen schnell kompliziert. Die Umwelt, in der die Versuche stattfinden, ist nicht so übersichtlich wie im Labor. Daher wird hier zumeist auf menschliche Beobachter gesetzt, die ihre Beobachtungen anhand der zeitweiligen gemeinsamen Beobachtung mit anderen Beobachtern eichen und so eine Beobachterübereinstimmung errechnen. Doch auch Beobachtungen mit hoher Beobachterübereinstimmung sind nicht notwendig von hoher Güte, denn es besteht immer die Möglichkeit, dass alle Beobachter der gleichen Fehleinschätzung erliegen. Zudem zeigt die Forschung (Cooper et al, 2008), dass sich die „internen“ Definitionen des Beobachters über die Zeit hinweg ändern. Die Genauigkeit der Beobachtungen ist von vielerlei situativen Faktoren abhängig, u. a. wird präziser beobachtet, wenn sich der Beobachter bewusst ist, dass seine Beobachtungen anhand anderer Beobachtungen zur Bestimmung der Beobachterübereinstimmung geprüft werden.
Automatische Beobachtungen in der angewandten Verhaltensanalyse sind anfangs aufwändiger. Es entstehen Kosten durch die Gerätschaften, zudem müssen diese an die Situation angepasst werden. Dafür aber ist im laufenden Betrieb kaum Personal erforderlich. Zudem werden die Gerätschaften immer günstiger. Crowley-Koch und Van Houten (2013) geben Anregungen, wie bereits vorhandene technische Geräte zur Messung von Verhalten eingesetzt werden können:
RFIDs (Radio Frequency Indentification) sind kleine Computerchips, die dazu eingesetzt werden, Produkte in der Warenkette zu verfolgen, Tiere zu identifizieren usw. Diese RFIDs kann man jedoch auch dazu einsetzen, Verstärkerpräferenzen zu erheben (je öfter ein bestimmter Gegenstand von der Versuchsperson frei gewählt wird, desto eher ist er ein Verstärker für das Verhalten dieser Person). Man könnte damit messen, wie lange Kinder einen Fahrradhelm tragen (vgl. Van Houten et al., 2007). Die Position von Operationsbesteck könnte mit RFIDs beobachtet werden, um so die Sicherheit bei den Operationen zu erhöhen (vgl. Cunningham & Austin, 2007). Auch das Verhalten von Spielern im Casino ließe sich mit RFIDs in den Spielchips besser beobachten.
Software, die Augenbewegungen aufzeichnet, nutzt die Daten von Videokameras. Während es früher erforderlich war, dass sich der Kopf dabei nicht bewegt, kann die Richtung, in der die Augen blicken, mittlerweile fast uneingeschränkt beobachtet werden. Auch diese Technik könnte man einsetzen, um Verstärkerpräferenzen zu erfassen (was die Versuchsperson häufig ansieht, wirkt evtl. als ein Verstärker). Auch die Stimulus-Overselectivity (eingeschränkte Reizgeneralisation, vgl. Cipani, 2012) ließe sich mit dieser Technik besser untersuchen. Das sichere oder riskante Verhalten von Autofahrern und Piloten hängt oft an deren Blickverhalten, insbesondere, wenn sie unter Schlafmangel leiden.
Die Spracherkennungssoftware ist mittlerweile sehr ausgefeilt. Immer wenn es um sprachliches Verhalten geht, lässt sich diese sinnvoll einsetzen. Zumindest das Transkribieren von Sprache lässt sich so erleichtern.
Beschleunigungsmesser finden sich in jedem Smartphone. Ein verbreitetes Symptom von Depressionen ist die geringe motorische Aktivität. Dies ließe sich damit ebenso quantifizieren wie die Schlafqualität und die Häufigkeit und Intensität von selbstverletzendem Verhalten. Ein weiterer Einsatz ist in der Sportpsychologie möglich.
GPS-Systeme lassen sich nutzen, um festzustellen, wo sich eine Person befindet, z. B. wenn das Ziel der Intervention lautet, dass die Person (z. B. ein Kind) einen bestimmten Bereich nicht verlassen sollte. Auch diese Technik ist bereits in Smartphones integriert, die u. a. von Apps genutzt werden, die die Laufleistung von Sportlern erfassen.
Die Autoren berichten des Weiteren, von Dallery erfahren zu haben, dass dieser einen Kohlenmonoxidsensor in ein Smartphone integrieren wolle. Dies würde Kontingenzprogramme zur Rauchentwöhnung (vgl. Dallery & Glenn, 2005) noch einmal deutlich vereinfachen und effektiver machen.
Darüber hinaus kann man Daten nutzen, die andere ohnehin sammeln, z. B. Supermärkte über den Absatz bestimmter Produkte (vgl. Sigurdsson et al., 2014, vgl. aber auch McNees et al., der bereits 1979 Verkaufsdaten nutzte, um eine Maßnahme zur Prävention von Diebstahl zu evaluieren). Virtuelle Realität wird bereits jetzt genutzt, um die Wirksamkeit von Therapien zu verbessern. Das Programm „iSocial“ wird beispielsweise dazu eingesetzt, soziale Kompetenzen bei autistischen Kindern zu trainieren.
Die Psychologie nutzt oft auch dann indirekte Daten, wenn direkte leicht erfasst werden können. Das Verhalten der Schüler wird z. B. über Beurteilungsbögen, die ihre Lehrer ausfüllen, erfasst, auch dann, wenn man das Verhalten der Schüler direkt beobachten könnte. Verhaltensanalytiker setzten schon immer auf die direkte Beobachtung von Verhalten. Der technische Fortschritt arbeitet ihnen zu, indem er mehr und genauere Beobachtungen ermöglicht. Man muss letztlich nur die technischen Möglichkeiten mit dem Forschungsinteresse zusammenbringen.
Literatur
Cipani, Ennio. (2012). Stimulus overselectivity: Empirical basis and diagnostic methods. The Behavior Analyst Today, 13(1), 3-11. PDF 403 KB
Cooper, J.O; Heron, T.E. & Heward W.L., (2008). Applied behavior analysis (2nd ed.). Upper Saddle River, NJ: Pearson.
Crowley-Koch, Brian J. & Van Houten, Ron. (2013). Automated measurement in applied behavior analysis: A review. Behavioral Interventions, 28(3), 225-240. DOI:10.1002/bin.1366 PDF 118 KB
Cunningham, Thomas R. & Austin, John. (2007). Using goal setting, task clarification, and feedback to increase the use of the hands-free technique by hospital operating room staff. Journal of Applied Behavior Analysis, 40(4), 673-677. PDF, 136 KB
Dallery, Jesse & Glenn, Irene M. (2005). Effects of an internet-based voucher reinforcement program for smoking abstinence. A feasibility study. Journal of Applied Behavior Analysis, 38(3), 349-357. PDF, 84 KB
McNees, Patrick; Gilliam, Sharon W.; Schnelle, John F. & Risley, Todd. (1979). Controlling employee theft through time and product identification. Journal of Organizational Behavior Management, 2(2), 113-119.
Sigurdsson, Valdimar; Larsen, Nils Magne & Gunnarsson, Didrik. (2014). Healthy food products at the point of purchase: An in-store experimental analysis. Journal of Applied Behavior Analysis, 47(1), 1-4.
Van Houten, Ron; Van Houten, Joy & Malenfant, J.E. Louis. (2007). Impact of a comprehensive safety program on bicycle helmet use among middle-school children. Journal of Applied Behavior Analysis, 40(2), 239-247. PDF, 415 KB
Verhalten usw. 