Scatterplot dei comportamenti: come leggerlo per guidare l'intervento

Che cosa mostra davvero uno scatterplot

Uno scatterplot è una griglia di osservazione. Di solito le righe rappresentano blocchi orari o routine, le colonne rappresentano giorni consecutivi, e ogni cella indica se il comportamento target è avvenuto in quel momento. Può usare un segno semplice, un colore, un numero o una codifica graduata. Il suo scopo è far emergere pattern temporali che una somma giornaliera nasconderebbe.

Touchette, MacDonald e Langer introdussero lo scatter plot proprio per questo motivo: i grafici che mediano frequenze su periodi lunghi possono oscurare cambiamenti rapidi e fonti di controllo ambientale. Un comportamento che sembra "imprevedibile" su base settimanale può diventare molto più ordinato quando viene visto per fascia oraria, attività o sequenza della giornata.

Il rischio opposto è trattare il grafico come se fosse una diagnosi funzionale. Se il cluster compare alle 12:00, non sappiamo ancora se la variabile rilevante sia fame, mensa, rumore, fila, cambio adulto, fine dell’attività preferita, richiesta di lavare mani o accesso ritardato al cibo. Lo scatterplot dice dove guardare con più precisione, non perché il comportamento è mantenuto.

Uno scatterplot buono non chiude l’assessment: lo rende più intelligente.

Quando è lo strumento giusto

Lo scatterplot è particolarmente utile quando gli episodi sono intermittenti, distribuiti su giornate lunghe o difficili da osservare in modo continuo. In una scuola, può mostrare che le crisi si concentrano dopo ricreazione. In un centro, può indicare che l’autolesionismo compare quando cambia turno il personale. A casa, può rivelare che le aggressioni non sono "sempre", ma soprattutto durante preparazione mattutina e spegnimento del tablet.

Delgado e colleghi confrontarono metodi di assessment a lungo termine per comportamenti sfidanti in persone con disabilità intellettiva grave. La loro lettura è molto pratica: lo scatterplot aiuta a vedere stabilità, variabilità e periodi in cui il comportamento è più probabile; l’ABC aggiunge contesto antecedente-conseguenza; strumenti più dettagliati o video permettono analisi più fini di topografia, durata e intensità. Nessuno strumento fa tutto.

Questo rende lo scatterplot ideale come primo livello: abbastanza semplice da essere usato da scuola e famiglia, abbastanza visivo da orientare riunioni di equipe, ma leggero rispetto a osservazioni continue. Quando invece un comportamento è altissima frequenza e appare in ogni intervallo, lo scatterplot rischia di diventare una parete piena di segni. In quel caso servono misure diverse: frequenza per minuto, durata, intensità, campionamento a intervalli più piccoli o registrazione evento per evento.

Come scegliere gli intervalli

La qualità del grafico dipende dalla cella. Se la cella è troppo grande, perdi informazione. "Mattina" non distingue ingresso, circle time, matematica, ricreazione, bagno e transizione in mensa. Se la cella è troppo piccola, la compilazione diventa impossibile e il team smette di registrare. Nella pratica, blocchi di 15 o 30 minuti sono spesso un buon compromesso; per routine rapide può essere più utile usare righe come "ingresso", "prima richiesta", "transizione", "mensa", "uscita".

Prima di iniziare, definisci una regola di compilazione. Una cella viene marcata se il comportamento compare almeno una volta? Oppure il colore cambia in base a 1 episodio, 2-3 episodi, più di 3 episodi? Stai registrando frequenza, durata o sola presenza/assenza? Se cambi regola a metà, il pattern può essere un artefatto della misura.

Audit tempo-contesto-misura

Prima di discutere un pattern in riunione, passa ogni grafico attraverso tre domande. Primo: tempo. Le celle sono abbastanza piccole da collegare il cluster a una routine reale? Secondo: contesto. Nelle celle piene sappiamo che attività, adulto, luogo, richiesta o transizione erano presenti? Terzo: misura. La cella indica presenza/assenza o quantità? Se il team confonde questi tre livelli, lo scatterplot sembra più preciso di quanto sia.

Kahng e colleghi valutarono distribuzioni temporali di comportamenti problema con osservazioni continue di 20 persone in contesti residenziali. La visual analysis degli scatterplot rimanenti non mostrò pattern temporali affidabili, mentre trasformazioni aggregate con procedure di statistical process control individuarono intervalli più probabili in 12 casi su 15. La conclusione è sobria: lo scatterplot può essere utile, ma non sempre il pattern è visivamente evidente o clinicamente sufficiente. Talvolta servono analisi più precise.

Mitteer e Greer aggiornano questa idea in chiave moderna: heat map e analisi fine-grained possono rendere visibili pattern nascosti da grafici aggregati. Il principio è lo stesso dello scatterplot: cambiare il livello di analisi può trasformare variabilità confusa in informazione operativa. Ma una heat map elegante non rende causalità ciò che resta descrittivo.

Dal cluster all’azione clinica

Quando vedi un cluster, non saltare direttamente alla soluzione. Scrivi una frase prudente: "Il comportamento è più probabile tra 11:30 e 12:00 nei giorni con transizione verso mensa". Poi programma osservazioni ABC proprio in quella fascia e in una fascia di confronto. Se nel cluster emergono sempre rimozione di richiesta, ritardo nell’accesso al cibo o attenzione intensa, hai una pista più solida.

Martens e colleghi ricordano che l’analisi dei dati osservativi deve distinguere eventi semplicemente contigui da eventi più probabilmente contingenti. Vedere una conseguenza dopo un comportamento non basta. Serve chiedersi anche quanto spesso quella conseguenza accade in assenza del comportamento. Questo vale anche per i cluster temporali: se alle 12:00 c’è sempre molta attenzione adulta, la cella piena può riflettere un contesto rumoroso e densamente sociale, non necessariamente una funzione attenzione.

Errori frequenti

• Usare categorie troppo larghe. "Problema" non basta: separa aggressione, fuga, autolesionismo o distruzione se hanno contesti diversi.
• Leggere l’ora come causa. L’ora è un indice, non una variabile comportamentale. La variabile è ciò che succede in quell’ora.
• Ignorare le celle vuote. I momenti senza comportamento sono preziosi: mostrano condizioni in cui la risposta è meno probabile.
• Non registrare cambi di routine. Gita, supplente, malattia, farmaco, sonno o eventi familiari possono spiegare cluster temporanei.
• Usare il grafico per colpevolizzare. Lo scopo è modificare ambiente e insegnare abilità, non assegnare colpe a bambino o operatori.

Vignetta clinica

Il Contesto

Un centro diurno descriveva Andrea, 9 anni, come "imprevedibile": urla e lancio di materiali sembravano comparire senza preavviso. Le frequenze settimanali oscillavano, ma non aiutavano a decidere quando osservare o quale routine modificare.

L'Intervento

Il supervisore ha creato uno scatterplot con celle da 30 minuti per 12 giorni, marcando solo il comportamento "lancia oggetti oltre 50 cm dal corpo". Dopo una settimana emergeva un cluster tra 10:30 e 11:00 nei giorni in cui veniva proposta attività grafomotoria prima della merenda. Il team ha raccolto ABC mirati in quella finestra e in una finestra di confronto.

L'Esito

Gli ABC hanno mostrato che il lancio era spesso seguito da rimozione del foglio e accesso anticipato alla merenda. Il piano non è stato "evitare le 10:30", ma ridurre il carico iniziale, insegnare richiesta di pausa e consegnare merenda solo dopo una risposta alternativa breve. Lo scatterplot ha fatto il suo lavoro: ha indicato dove guardare.

FAQ: domande frequenti