Ниже — сжато и по пунктам.
Независимые переменные (предложения):
- Наличие смартфон‑отвлекающих стимулов: бинарно (present / absent).
- Модальность отвлечения: визуальный / звуковой / вибрация.
- Салiencia/интенсивность уведомления: низкая / средняя / высокая.
- Тайминг отвлечения: предсказуемый / непредсказуемый; задержка от начала trial.
- Расположение телефона: в поле зрения / в кармане / на столе.
- Когнитивная нагрузка / сложность основной задачи: лёгкая / сложная (dual‑task).
- Инструкция участнику: игнорировать / ответить на уведомления.
(Возможны и непрерывные IV: уровень самооценённой зависимости от смартфона, количество уведомлений/мин и т. д.)
Зависимые переменные (предложения):
- Поведенческие: среднее время реакции (RT), точность (accuracy), доля пропусков (omission), доля ложных ответов (commission).
- Показатели вариабельности: SD RT, coefficient of variation, τ/ex‑Gaussian параметры (µ, σ, τ).
- Trial‑уровневые: RT на каждом trial, RT‑slowing сразу после отвлечения.
- Биопоказатели (если есть): глазодвигательные метрики (fixation duration, saccade rate), зрачковая реакция, EEG‑компоненты.
- Субъективные: самооценка внимания, нагрузка (NASA‑TLX).
Контрольные условия и меры контроля:
- Контроль источников шума: одинаковое освещение, фоновые звуки, время суток.
- Контроль устройства: один тип смартфона/настроек или фиксировать модель и громкость.
- Приведение к одному уровню сложности основной задачи (пилотное тестирование).
- Случайная или латеральная контбалансировка порядка условий (перестановки).
- Практические trials и фиксация gaze (если требуется).
- Устранение/регистрация известных ковариат: возраст, пол, привычки использования смартфона, базовый уровень внимания.
- Стандартный протокол обработки RT: правила по выбросам (отрезать RT < 200 ms и > 3000 ms или использовать квантильную обрезку).
- Контроль возмущающих переменных: стимул‑предсказуемость, интер‑триал интервал (ITI), адаптация к уведомлениям.
Структуры дизайна (рекомендации):
- Простая проверка эффекта: within‑subjects (каждый участник в условиях present/absent) — повышает мощность.
- Факторный дизайн 2×2/3×2 для взаимодействий (напр., модальность × интенсивность).
- Межгрупповой дизайн при вмешательстве (random assignment).
Статистические методы (когда что применять) — кратко:
- Для попарного сравнения (between subjects): t‑test.
Формула необходимого объёма (пример для двухстороннего t): $$n=2{\left(\frac{(z_{1-\alpha /2}+z_{1-\beta })\sigma }{\delta }\right)}^2$$
где $\delta$ — ожидаемый эффект, $\sigma$ — SD, $z$ — квантили нормального распределения.
- Для повторных измерений: повторный measures ANOVA / линейные смешанные модели (LMM). LMM предпочтительнее при неоднородных данных и пропусках. Пример линейной смешанной модели для RT: $${\text{RT}}_{ij}={\beta }_0+{\beta }_1{\text{Distractor}}_{ij}+u_{0i}+{ϵ}_{ij}$$ где $u_{0i}$ — случайный перехват для субъекта $i$.
- Для бинарной точности: логистическая смешанная модель: $$\text{logit}(P({\text{correct}}_{ij}))={\beta }_0+{\beta }_1{\text{Distractor}}_{ij}+u_{0i}$$.
- Для множественных зависимых переменных (RT и accuracy вместе): MANOVA или мультиуровневый подход с совместным моделированием.
- Для не‑нормальных RT: лог‑трансформация или использование ex‑Gaussian / shifted Wald моделей.
- Для trial‑уровневых временных рядов/роста реакции после отвлечения: growth curve analysis / GAMM (generalized additive mixed models).
- Для коррекции множественных сравнений: Holm / Benjamini‑Hochberg (FDR) / Bonferroni (жёстко).
- Проверки предпосылок: нормальность остатков, гомогенность дисперсий, сферичность (Mauchly) — при нарушении сферичности применять Greenhouse‑Geisser.
- Робастные методы: бутстрэп, permutation tests — если нарушены допущения.
- Байесовский анализ: Bayes factors или Bayesian mixed models — для оценки доказательств в пользу нулевой гипотезы.
- Отчёт эффектов: Cohen’s d для t‑test, partial η^2 для ANOVA, доверительные интервалы для оценок.
Дополнительные рекомендации по анализу данных:
- Моделировать данные на уровне trial с random intercepts (и, при необходимости, random slopes) для факторов: $${\text{RT}}_{ij}={\beta }_0+{\beta }_1{X}_{ij}+u_{0i}+u_{1i}{X}_{ij}+{ϵ}_{ij}.$$
- Учитывать автокорреляцию в последовательных trial (коррекция или включение лагов).
- Предварительная регистрация гипотез и план анализа, отчёт об обработке выбросов и всех исключениях.
- Отчёт не только p‑значений, но и размеров эффекта и CI.
Если нужно, могу предложить конкретную модель для вашего дизайна (формула LMM), план предварительного расчёта мощности или набор переменных для анкеты ковариат.