Het ontsluiten en waarborgen van het potentieel van langdurige experience sampling data: Een exponentieel voortschrijdend gemiddelde kader

De experience sampling methodologie (ESM) is een essentieel instrument in psychologisch onderzoek en wordt gebruikt om de dynamiek van momentane affectieve ervaringen vast te leggen via frequente zelfrapportages op smartphones. Langdurige ESM-studies bieden de mogelijkheid om vroege waarschuwingssignalen van verslechterende mentale gezondheid bij risicogroepen te detecteren, waardoor tijdige en gepersonaliseerde interventies mogelijk worden. Dit kan bijdragen aan het verminderen van terugkerende psychopathologische episodes, door de juiste ondersteuning op het juiste moment te bieden. Langdurige ESM brengt echter uitdagingen met zich mee op het gebied van datakwaliteit (e.g., toenemende careless responding). Om het potentieel van langdurige ESM te ontsluiten en de datakwaliteit te waarborgen, zijn statistische methoden nodig om ESM-data in real time te monitoren en betekenisvolle verandering te signaleren op het moment dat ze zich voordoen. Het exponentieel voortschrijdend gemiddelde (EWMA) is een veelbelovende techniek hiervoor. Hoewel mijn eerdere werk het potentieel van EWMA aantoonde, kwamen bij toepassingen op empirische data ook beperkingen naar voren, zoals niet-normaal verdeelde data, beperkte fase I-data, vals positieven en de noodzaak om multivariate data te monitoren. Mijn doel is om deze uitdagingen aan te pakken door EWMA aan te passen aan de kenmerken van ESM-data en de aangepaste technieken grondig te evalueren met gesimuleerde en empirische datasets.