‘One size does not fit all’: The value of person-centred analysis in health professions education research
Rashmi A. Kusurkar, Marianne Mak-van der Vossen, Joyce Kors, Jan-Willem Grijpma, Stéphanie M. E. van der Burgt, Andries S. Koster & Anne de la Croix
Perspectives on Medical Education (2020)
https://link.springer.com/article/10.1007%2Fs40037-020-00633-w
抄録
医療者教育（HPE:Health professions education）研究は、研究におけるさまざまな独立変数と従属変数の間の関係を探ることを可能にする変数による分析が多い。このような分析の結果は興味深いものであるが、HPE研究においてよりperson-centred analysisを行うことは、教育と学習に関わる変数に関するデータのよりニュアンスのある解釈を生み出すのに役立つだろう。person-centred analysisの研究成果は、より個別化された学習や改善の道筋の開発や、教育や監督の取り組みのカスタマイズを促進することができる。研究成果を実践の中でより認識しやすくすることは、教師や監督者が学生を理解して対処することを容易にすることができる。この論文の目的は、person-centred analysisに使用できるさまざまな方法を比較対照し、HPE研究におけるそのような分析の価値を示すことである。person-centred analysisを行うための3つの方法（クラスター分析、潜在クラス分析、Qソート分析）について、それぞれの長所と短所を、HPE研究の研究から得られた3つの具体的な例とともに説明します。
この記事の目的は3つあります。
1) person(case)-centred analysisがどのように変数を中心とした分析を補完できるか
2) person-centred analysisにはどのような手法が使用できるか
3) person-centred analysisがどのようにして学生、教員、および HPE に関わるすべての人に、よりパーソナライズされたサポートを提供するための推奨事項を生成できるか
person-centred analysisとは何ですか？
person-centred analysisでは、データのパターンに基づいて、「あまり明らかでない」カテゴリーを見つけようとします。統計的に言えば、全体の変動を「グループ間」の変動と「グループ内」の変動に分け、グループ間の違いを解釈することにさらに集中することで、データの「ノイズ」を減らそうとしています。person-centred analysisは、変数中心分析を補完するもので、サンプル全体または全体の特徴に基づいて作成されたサンプル内のサブグループの変数間の関連付けを探すものです。
・クラスター分析
クラスター分析は、2つ以上の変数の組み合わせでのスコアまたは結果に基づいて、研究参加者をグループ化する方法である。この手法は，あらゆる種類の標本サイズで使用できる．これは、「グループ内」の変動を減らし、「グループ間」の変動を最大化することで、データのノイズを減らそうとする。
・潜在クラス分析
潜在クラス分析 (LCA) は、調査に含まれるサンプルの観察された指標に基づいて、調査に含まれるサンプルのサブグループ（クラス、クラスター）を形成することを目的とした探索的な統計手法である。
・Qソート分析
主観性（視点、アイデア、意見など）の研究に適している。これは、参加者が一致度に応じて順位をつける必要がある介入を使用する。因子分析の特殊な形式は、研究対象のトピックについて同様に考える参加者をグループ化するために使用される。
person-centred analysisのための3つの方法の比較、長所と短所
person-centred analysisは、教育・学習方法、学生や教師のモチベーション、プロフェッショナリズム、学術的・臨床的パフォーマンス、評価、教員育成、リーダーシップ研修など、HPEのほぼすべてのトピックについて、概念を研究し、オーダーメイドの介入をデザインするために使用することができる。
クラスター分析
連続データまたはカテゴリデータに使用可能
サンプル・サイズは、クラスターの安定性に重要である。最小でも100は必要
利点
- データの性質と大規模なサンプルサイズを扱う能力により、より一般化可能な知見を提供します。
- 時間の経過とともに変化するかどうかを確認するために、プロファイルの縦断的なフォローアップに利用することができます。
欠点
- 探索的な性質のため、ランダムであり、異なるサンプルでは似たようなプロファイルを生成しない場合があります。
- サンプルサイズが小さい場合は使用できません。
潜在クラス分析 ； 連続データまたはカテゴリデータに使用可能
必要なサンプルサイズ
任意のサンプル内の指標の数に応じて、中規模（少なくとも70）および（非常に）大規模なサンプルサイズを扱うことができます。
利点
- LCAにおけるモデル仕様の柔軟性は、プロファイルの最適な表現が得られない可能性があるクラスター分析よりも有利である。
- 時間の経過とともに変化するかどうかを確認するために、プロファイルの縦断的なフォローアップにそれ自体を貸すことができます。
- 最適なクラスターの数を決定するために統計的・解釈的基準が用いられており、研究者自身がクラスの数を決定し、クラス間の違いを記述する「潜在因子」を理解しやすく実用的に使用できることを意味している。
欠点
- 限定的な一般化可能性- サンプル・サイズは，特に指標の数が多い場合には，小さすぎてはならない．
Qソート分析：ランク順位とインタビューデータの組み合わせで使用可能
サンプルサイズは、比較的小さくても、大きいものでもよい。サンプルの量よりもサンプルの質が重要である。研究者は，変化に富んだ多様なサンプルを選択しようとする
利点
- 主観性を研究するための堅牢で体系的な方法である。これは、（分析を実施している間に行われた選択に応じて）正確で厳格でありながら、Qソート後の質問やインタビューを含めることによって、記述的データの豊かさを維持することができます。
欠点
- 限定的な一般化可能性。一般化可能性を目的として設計されたものではなく，標本内の真正な視点を明らかにするために設計されている（標本は高品質でなければならない）．そこから，必要であれば，他の方法でより大きな母集団で視点の有病率を検証することができる．
- 経時的なプロファイルの変化を調べることが難しい
人を中心とした分析の限界と倫理的配慮
person-centred analysisのリスクは、特定のグループのスティグマ化につながる可能性があることである。このリスクを最小化するためには、以下のことが重要である。
person-centred analysisを行う研究者は、倫理的承認を申請して研究を発表する際に、必ず以下のことを行う。
・この分析を行う背景と根拠を説明する。
・分析の結果をどのように解釈すべきかを説明する。
・そのような研究の結果は、介入をカスタマイズするために建設的な方法で使用されるべきであり、特定のグループを汚名を付けないようにすることを宣言する。
倫理審査委員会は常に次のことを考慮する。
・研究者は、person-centred analysisを使用する正当な根拠を示しているか。
・研究者は、生成されたプロファイルを実際にオーダーメイドまたは個別化された介入のために使用しているか。
・研究者は、この分析から得られた知見をどのように扱うかを明確にしているか。
