Bridging SCED and Group Designs: Demonstrating the Ratio-Metric BC-IRR Effect Size in a Meta-Analysis

शिक्षा और चिकित्सा की दुनिया में, शोधकर्ता एक निरंतर पहेली का सामना करते हैं: यह कैसे मापें कि क्या कोई नई विधि वास्तव में किसी व्यक्ति को सीखने या बेहतर व्यवहार करने में मदद करती है। दशकों से, वैज्ञानिक समुदाय ने साक्ष्य एकत्र करने के दो बहुत अलग तरीकों पर भरोसा किया है। एक दृष्टिकोण, जिसे 'ग्रुप डिजाइन' (समूह डिजाइन) कहा जाता है, बड़ी संख्या में लोगों को इकट्ठा करता है, उन्हें टीमों में विभाजित करता है, और एक टीम जो नया उपचार प्राप्त कर रही है, के औसत परिणामों की तुलना मानक देखभाल प्राप्त करने वाली टीम के साथ करता है। यह विधि आबादी के बीच व्यापक रुझानों को देखने के लिए शक्तिशाली है। दूसरा दृष्टिकोण, जिसे 'सिंगल-केस एक्सपेरिमेंटल डिजाइन' (एकल-मामला प्रयोगात्मक डिजाइन) कहा जाता है, एक समय में गहनता से एक व्यक्ति पर ध्यान केंद्रित करता है। शोधकर्ता सावधानीपूर्वक एक व्यक्ति का अवलोकन करते हैं, एक विशिष्ट हस्तक्षेप पेश करते हैं, और उस व्यक्ति के व्यवहार में समय के साथ होने वाले परिवर्तन को ट्रैक करते हैं, अक्सर अनुरोध करने या कार्य पर ध्यान केंद्रित रखने जैसे विशिष्ट कार्यों में तत्काल बदलावों की तलाश करते हैं। हालांकि दोनों विधियाँ कठोर हैं, लेकिन ऐतिहासिक रूप से वे अलग-अलग भाषाएँ बोलती रही हैं। समूह अध्ययन ऐसे नंबर प्रदान करते हैं जो बताते हैं कि एक पूरे समूह में कैसे बदलाव आया, जबकि एकल-मामला अध्ययन ऐसे नंबर प्रदान करते हैं जो बताते हैं कि एक व्यक्ति में कैसे बदलाव आया। क्योंकि ये नंबर अलग-अलग तरह से गणना किए जाते हैं, इसलिए उन्हें ऑटिज्म स्पेक्ट्रम डिसऑर्डर वाले छात्रों के लिए सबसे अच्छा क्या काम करता है, इसकी एक स्पष्ट तस्वीर में मिलाना कठिन रहा है।

यह कठिनाई शिक्षकों और नीति निर्माताओं के लिए एक अदृश्य क्षेत्र (ब्लाइंड स्पॉट) पैदा करती है। यदि एक नई तकनीक बच्चों के एक समूह की सामाजिक कौशल में एक निश्चित मात्रा तक सुधार करने में मदद करती है, लेकिन बच्चों के एक अलग सेट के संचार में एक अलग मात्रा तक सुधार करने में मदद करती है, तो हम यह कैसे जान सकते हैं कि तकनीक वास्तव में समग्र रूप से प्रभावी है? समस्या केवल यह नहीं है कि अध्ययन अलग दिखते हैं, बल्कि यह है कि सफलता को मापने के उपकरण आपस में असंगत हैं। पारंपरिक उपकरण अक्सर सुधार के आकार को इस बात के साथ भ्रमित कर देते हैं कि परिणाम व्यक्ति-दर-व्यक्ति कितने भिन्न होते हैं, या वे इस बात का अर्थ बदल देते हैं कि अवलोकन कितनी देर चला। इसे हल करने के लिए, टेक्सास ए एंड एम यूनिवर्सिटी में वेन लुओ के नेतृत्व में शोधकर्ताओं की एक टीम ने एक नया 'मापने वाला पैमाना' बनाने का लक्ष्य रखा। वे एक ऐसा तरीका चाहते थे जिससे एकल व्यक्तियों और समूहों के परिणामों को एक ही भाषा में अनुवादित किया जा सके, जिससे उन्हें अगल-बगल तुलना किया जा सके। उन्होंने एक विशिष्ट प्रकार के माप पर ध्यान केंद्रित किया जिसे 'इंसिडेंस रेट रेशियो' (घटना दर अनुपात) कहा जाता है। सरल शब्दों में, यह दरों की एक सरल तुलना है: यह पूछता है कि उपचार शुरू होने से पहले की तुलना में उपचार के दौरान व्यवहार कितनी बार हुआ। इस अनुपात का उपयोग करके, शोधकर्ता एक हस्तक्षेप के प्रभाव को एक सीधी प्रतिशत वृद्धि या कमी के रूप में व्यक्त कर सकते थे, न कि एक जटिल सांख्यिकीय स्कोर के रूप में जिसे समझने के लिए विशेष प्रशिक्षण की आवश्यकता होती है।

शोधकर्ताओं ने ऑटिज्म वाले छात्रों के लिए प्रौद्योगिकी-सहायता प्राप्त निर्देश पर पिछले अध्ययनों के एक बड़े संग्रह को फिर से देखकर इस नए दृष्टिकोण का परीक्षण किया। यह मूल संग्रह, अन्य वैज्ञानिकों द्वारा 2017 में संकलित किया गया था, जिसमें समूह डिजाइन और एकल-मामला डिजाइन दोनों का उपयोग करने वाले दर्जनों अध्ययन शामिल थे। टीम ने चेहरे के भावों को पहचानने से लेकर मदद मांगने या बातचीत में शामिल होने की आवृत्ति तक, छत्तीस विशिष्ट परिणामों के डेटा का पुन: परीक्षण किया। उन्होंने एकल-मामला अध्ययनों पर अपना नया अनुपात-आधारित तरीका लागू किया और समूह अध्ययनों पर भी एक मिलान करने वाला अनुपात तरीका लागू किया। लक्ष्य यह देखना था कि क्या दोनों प्रकार के शोध इस नए लेंस के माध्यम से एक सुसंगत कहानी बताते हैं। परिणामों ने स्पष्ट रूप से दिखाया कि दो प्रकार के डिजाइन सफलता को कैसे अलग तरह से मापते हैं। समूह अध्ययनों ने दिखाया कि प्रौद्योगिकी हस्तक्षेपों ने नियंत्रण स्थितियों (कंट्रोल कंडीशंस) की तुलना में औसतन लगभग 23 प्रतिशत का सुधार किया। दूसरे शब्दों में, उपचार समूहों के छात्र उन लोगों की तुलना में लगभग एक-चौथाई बेहतर प्रदर्शन करते थे जिन्हें विशिष्ट प्रौद्योगिकी सहायता प्राप्त नहीं हुई थी।

हालाँकि, एकल-मामला अध्ययनों ने बहुत अधिक नाटकीय कहानी सुनाई। जब शोधकर्ताओं ने एकल मामलों पर वही अनुपात-आधारित तर्क लागू किया, तो उन्होंने पाया कि हस्तक्षेपों ने बेसलाइन की तुलना में सकारात्मक परिणामों में चार गुना से अधिक की वृद्धि की। इसका अर्थ यह है कि इन अध्ययनों में व्यक्तिगत छात्रों के लिए, जिस व्यवहार को सुधारने का प्रयास किया जा रहा था, वह हस्तक्षेप शुरू होने के बाद चार गुना से अधिक बार हुआ। 23 प्रतिशत की वृद्धि और चार गुना वृद्धि के बीच का अंतर चौंकाने वाला है, और इसने शुरू में यह संकेत दिया कि डेटा में कोई विरोधाभास है। फिर भी, शोधकर्ताओं ने इस अंतर को त्रुटि या डेटा के दोष के रूप में खारिज नहीं किया। इसके बजाय, उन्होंने नए मीट्रिक का उपयोग यह समझाने के लिए किया कि नंबर इतने अलग क्यों दिख रहे थे। उन्होंने पाया कि दोनों प्रकार के अध्ययन मूल रूप से अलग-अलग जगहों से शुरू हो रहे थे। समूह अध्ययन अक्सर नई तकनीक की तुलना एक मानक कक्षा के वातावरण या निर्देश के एक अन्य प्रकार से करते थे, जहाँ छात्रों के पास पहले से ही कौशल का एक मध्यम स्तर होता है। इसके विपरीत, एकल-मामला अध्ययन अक्सर उन छात्रों के साथ शुरू होते थे जिनका लक्षित व्यवहार का स्तर हस्तक्षेप शुरू होने से पहले बहुत कम था। क्योंकि शुरुआती बिंदु इतना कम था, इसलिए एक मामूली पूर्ण सुधार भी एक विशाल प्रतिशत वृद्धि में बदल गया।

यह अंतर महत्वपूर्ण है क्योंकि यह इस बात को बदल देता है कि हम इन हस्तक्षेपों की सफलता की व्याख्या कैसे करते हैं। नए तरीके ने दिखाया कि एकल-मामला अध्ययनों में देखे गए बड़े नंबर अनिवार्य रूप से इस बात का संकेत नहीं थे कि उपचार व्यक्तियों के लिए समूहों की तुलना में बेहतर काम करता है, बल्कि यह कि व्यक्ति बहुत निचले स्तर से शुरू हुए थे। अनुपात-आधारित माप ने यह स्पष्ट किया क्योंकि यह पूर्ण अंतर के बजाय सापेक्ष परिवर्तन पर ध्यान केंद्रित करता है। इसने पुराने तरीकों की एक प्रमुख कमजोरी को भी उजागर किया। पारंपरिक उपकरण अक्सर सुधार के आकार को डेटा की परिवर्तनशीलता के साथ मिला देते थे, जिससे यह बताना कठिन हो जाता था कि एक बड़ा प्रभाव वास्तविक था या केवल स्कोर के फैलाव का परिणाम था। नए अनुपात दृष्टिकोण ने इस जाल से पूरी तरह बचते हुए, एक ऐसा परिणाम प्रदान किया जो इस बात पर स्थिर रहा कि स्कोर कितना भी भिन्न क्यों न हो या अवलोकन सत्र कितने लंबे चले हों। इसने एक ऐसा नंबर भी प्रदान किया जिसे कोई भी समझ सकता था: चार गुना वृद्धि एक मूर्त अवधारणा है, जबकि एक जटिल सांख्यिकीय स्कोर नहीं है।

अध्ययन ने इस प्रश्न को भी संबोधित किया कि क्या ये अलग-अलग परिणाम इस बात से उत्पन्न हुए थे कि अध्ययन कैसे प्रकाशित किए जाते हैं। यह एक सामान्य चिंता है कि शोधकर्ता उन एकल-मामला अध्ययनों को प्रकाशित करने की अधिक संभावना रखते हैं जो भारी सुधार दिखाते हैं, जबकि छोटे या बिना प्रभाव वाले अध्ययनों को अनदेखा कर देते हैं। हालांकि शोधकर्ताओं ने स्वीकार किया कि यह पूर्वाग्रह मौजूद हो सकता है, उनके विश्लेषण ने सुझाव दिया कि यह पूरी कहानी नहीं है। डेटा ने संकेत दिया कि परिणामों का अंतर काफी हद तक इस बात के कारण था कि अध्ययन कैसे स्थापित किए गए थे और वे क्या माप रहे थे। समूह अध्ययन यह परीक्षण कर रहे थे कि क्या तकनीक पहले से उपलब्ध चीजों से बेहतर है, जबकि एकल-मामला अध्ययन यह परीक्षण कर रहे थे कि क्या तकनीक बहुत कम या शून्य क्षमता की स्थिति से एक बड़ा परिवर्तन ला सकती है। दोनों निष्कर्ष वैध हैं, लेकिन वे अलग-अलग प्रश्नों के उत्तर देते हैं। समूह अध्ययन बताते हैं कि तकनीक मानक प्रथाओं की तुलना में एक मामूली लेकिन सार्थक लाभ प्रदान करती है, जबकि एकल-मामला अध्ययन दर्शाते हैं कि तकनीक उन छात्रों के लिए परिवर्तनकारी हो सकती है जो बहुत निम्न स्तर से शुरुआत करते हैं।

इन दोनों दुनियाओं को जोड़कर, शोधकर्ताओं ने साक्ष्य के संश्लेषण के लिए एक स्पष्ट मार्ग प्रदान किया। उन्होंने दिखाया कि विभिन्न प्रकार के अनुसंधान से प्राप्त निष्कर्षों को एक ही भ्रामक संख्या में बदले बिना जोड़ना संभव है। नया तरीका वैज्ञानिकों को पूर्ण तस्वीर देखने की अनुमति देता है: कि प्रौद्योगिकी-सहायता प्राप्त निर्देश प्रभावी है, लेकिन इसका प्रभाव संदर्भ और छात्रों के शुरुआती बिंदु के आधार पर अलग दिखता है। अध्ययन निष्कर्ष निकालता है कि कोई भी एकल संख्या किसी हस्तक्षेप की प्रभावशीलता की पूरी सच्चाई को नहीं पकड़ सकती। इसके बजाय, शोधकर्ताओं और चिकित्सकों को हस्तक्षेप की शक्ति के पूर्ण दायरे को समझने के लिए सापेक्ष परिवर्तन और पूर्ण परिवर्तन दोनों को देखना चाहिए। यह दृष्टिकोण सुनिश्चित करता है कि शिक्षा और चिकित्सा के बारे में निर्णय साक्ष्य की पूर्ण और सटीक समझ पर आधारित हों, न कि एक आंशिक दृष्टिकोण पर जो यह समझने में चूक सकता है कि विभिन्न छात्र मदद के प्रति कैसे प्रतिक्रिया करते हैं। यह कार्य प्रदर्शित करता है कि जब हम परिवर्तन को मापने के लिए सही उपकरणों का उपयोग करते हैं, तो हम न केवल यह देख पाते हैं कि कुछ काम करता है, बल्कि यह भी कि यह बिल्कुल कैसे और किसके लिए सबसे अच्छा काम करता है।