De Invloed van Trait en State
Zelfvertrouwen op de Connectiviteit van
Depressienetwerken op Symptoomniveau.
Door: Nadieh Huijzendveld Studentnummer: 10343768 Bachelorthese-project 2016
Universiteit van Amsterdam (UvA) Begeleid door: Claudia van Borkulo Aantal woorden: 4945
Inhoudsopgave
Abstract - p. 3 Inleiding - p. 4 Methode - p. 12 Resultaten - p. 18 Discussie - p. 25 Literatuurlijst - p. 29Abstract
De invloed van zelfvertrouwen op de ontwikkeling van depressie-(symptomen) is tot dusver enkel onderzocht via het ziektemodel. In dit onderzoeksverslag wordt deze relatie vanuit het netwerkperspectief onderzocht. Depressiesymptoomnetwerken werden geschat voor mensen met laag en hoog zelfvertrouwen. Deze twee groepen werden met elkaar vergeleken, op basis van verschillen in connectiviteit van de depressiesymptoomnetwerken. Het onderzoek bestond uit een LGZ-conditie (laag zelfvertrouwen) (N = 6) en een HGZ-conditie (hoog zelfvertrouwen) (N = 11). Data werd volgens de EMS-methode verzameld m.b.v. een smartphone applicatie. Hierdoor was het mogelijk om de invloed van zowel trait als state zelfvertrouwen op de connectiviteit van de depressiesymptoomnetwerken te onderzoeken. Uit de resultaten bleek dat deelnemers uit de LGZ-conditie een netwerk met een hogere connectiviteit bezaten dan deelnemers uit de HGZ-conditie. Verder bleek state zelfvertrouwen conditioneel onafhankelijk in de HGZ-conditie, in tegenstelling tot de LGZ-conditie. Dit ondersteunt de theorie dat mensen met een laag trait zelfvertrouwen een sterker verbonden depressiesymptoomnetwerk bezitten en daarmee mogelijk kwetsbaarder zijn voor het ontwikkelen van depressiesymptomen.
Inleiding
Decennialang trachten onderzoekers te achterhalen welke factoren van invloed kunnen zijn op de ontwikkeling van verscheidene psychopathologische stoornissen. Een van de meest prevalente en onderzochte mentale stoornissen is depressie (Major Depressive Disorder, MDD). MDD wordt in de Diagnostic and Statistical Manual of Mental Disorders (DSM.; American Psychiatric
Association, 2013) gekenmerkt door pathologische symptomen, zoals somberheid en
concentratieproblemen. MDD is een van de meest onderzochte psychopathologische stoornissen. Dit heeft verschillende redenen. Ten eerste heeft MDD wereldwijd gemiddeld de hoogste
levenslange prevalentie (21.4%) (Kessler et al., 2007). Ten tweede zijn depressiesymptomen terug zijn te vinden in alle lagen van de bevolking, binnen verschillende leeftijdscategorieën (Orth, Robins, en Meier., 2009) en bij beide seksen (Cambron et al., 2009). Ten derde brengen depressiesymptomen veel mentaal leed en disfunctie op sociaal, werk gerelateerd en persoonlijk vlak met zich mee (Penninx et al., 2008). Kortom, MDD is een van de meest onderzochte psychopathologische stoornissen omdat het zo ernstig is en wijdverspreid voorkomt.
Veel onderzoek naar de ontwikkeling van depressiesymptomen richt zich op het
achterhalen van factoren waarop mensen die depressiesymptomen ontwikkelen, verschillen van mensen die geen depressiesymptomen ontwikkelen. Het niveau van zelfvertrouwen is een van de factoren die van invloed zou kunnen zijn op de ontwikkeling van depressiesymptomen.
Zelfvertrouwen blijkt namelijk zowel een buffer, veroorzaker als instandhouder van
depressiesymptomen te zijn (Cheng & Furnham., 2003; Cast & Burke., 2002). Om te begrijpen hoe zelfvertrouwen op zoveel verschillende manieren van invloed kan zijn op de ontwikkeling
van depressiesymptomen, moet er eerst goed begrepen worden wat zelfvertrouwen precies
inhoudt. Zelfvertrouwen is een onderdeel van het zelfconcept van een individu. Het zelfconcept is een verzameling van normen, waarden en overtuigingen over het zelf en vormt de basis van onze identiteit als individu (Mann et al., 2004). Het zelfvertrouwen vormt de evaluatieve en affectieve dimensie van het zelfconcept. Zelfvertrouwen gaat over iemands gevoelens over zijn of haar eigenwaarde, zelfrespect en zelfacceptatie (Crocker et al., 2001). Dit betekent dat het niveau van het zelfvertrouwen is gebaseerd op de mate waarin iemand zichzelf positief of negatief beoordeelt (Mann et al., 2004). Wanneer iemand voldoet aan het beeld van zijn of haar eigen zelfconcept is er sprake van zelf-verificatie (Iemand vindt bijvoorbeeld studie erg belangrijk en haalt vervolgens hoge cijfers). Dit leidt tot een positieve evaluatie van het zelf en daarmee een groei in het niveau van zelfvertrouwen. Wanneer iemand niet voldoet aan zijn of haar eigen zelfconcept (Iemand vindt studie erg belangrijk, maar haalt keer op keer lage cijfers), dan heeft dit een negatieve evaluatie van het zelf tot gevolg. Het niveau van zelfvertrouwen wordt hierdoor aangedaan (Cast & Burke., 2002) (Figuur 1). Uit eerder onderzoek blijkt dat het hebben van een laag of hoog niveau van zelfvertrouwen van invloed is op de ontwikkeling van depressiesymptomen en de mate waarin een individu geluk ervaart. Zo is uit eerder onderzoek van Schmitz, Kugler, en Rollnik (2003) naar voren gekomen dat laag zelfvertrouwen significant correleert met MDD. Daarnaast correleert hoog zelfvertrouwen ook nog met de mate waarin iemand geluk ervaart. Zelfvertrouwen kan op twee verschillende manieren geconceptualiseerd worden, namelijk als een trait of een state (Crocker et al., 2001). In dit onderzoek zal dan ook zowel trait als state
zelfvertrouwen onderzocht worden. Een trait staat voor het globale niveau van zelfvertrouwen en is stabiel door de tijd heen (bijv. ‘Ik voel mezelf voortdurend een grote mislukking’). Een state is een momentopname en fluctueert door de tijd heen. State zelfvertrouwen is sterker afhankelijk
et al., 2001). In de eerder benoemde onderzoeken (Cheng & Furnham., 2003; Cast & Burke., 2002; Schmitz et al., 2003) ging het niet om longitudinaal onderzoek, waardoor alleen trait zelfvertrouwen gemeten werd. Aangezien zelfvertrouwen zowel uit state als trait zelfvertrouwen bestaat, is het belangrijk om ook vanuit longitudinaal onderzoek te onderzoeken wat de invloed van zelfvertrouwen op depressiesymptomen is (Crocker et al., 2001). Bij longitudinaal onderzoek wordt er namelijk gebruik gemaakt van meerdere metingen over een lange tijdsperiode heen. Hierdoor worden meerdere momentopnamen van zelfvertrouwen (state) gemeten en kan er een beeld worden geschetst van het globale niveau van zelfvertrouwen (trait). In longitudinaal onderzoek van Galambos, Barker, en Krahn (2006) kwam naar voren dat wanneer
depressiesymptomen bij adolescenten afnemen, zelfvertrouwen juist toeneemt. Dit zegt eerder iets over de invloed van zelfvertrouwen op depressiesymptomen dan andersom. Zelfvertrouwen blijkt namelijk, volgens het vulnerability model, wel een voorspeller te zijn voor
depressiesymptomen, maar depressiesymptomen zijn geen voorspeller voor een laag niveau van zelfvertrouwen (Robins, Hendin, & Trzesniewski, 2001; Sowislo, en Orth, 2013). De invloed van zelfvertrouwen op depressiesymptomen wordt veelal gekoppeld aan adolescenten. Onderzoek van Orth et al, (2009) toont echter aan dat zelfvertrouwen een significante voorspeller is voor depressiesymptomen over de gehele levensspanne. Eerder onderzoek heeft dan ook volop bijgedragen aan de bewijsvoering dat zelfvertrouwen van invloed is op de ontwikkeling van depressiesymptomen, zowel op trait als state niveau (Crocker et al., 2001). Zelfvertrouwen is dan ook om verscheidene reden een interessante factor om te onderzoeken. Ten eerste wordt
zelfvertrouwen in verband gebracht met MDD als zowel een buffer, veroorzaker en
instandhouder van depressiesymptomen (Cheng & Furnham., 2003; Cast & Burke., 2002). Ten tweede is zelfvertrouwen iets wat elk individu bezit, met variatie in het niveau. Dit maakt zelfvertrouwen mogelijk tot een zeer invloedrijke factor voor de ontwikkeling van
depressiesymptomen. Door meer kennis te vergaren over de invloed van zelfvertrouwen op de ontwikkeling van depressiesymptomen, zullen depressiesymptomen wellicht effectiever kunnen worden voorkomen en verholpen.
Eerder onderzoek naar de causale relatie tussen zelfvertrouwen, geluk en depressie is tot dusver gebaseerd op het ziektemodel voor depressie (MDD). Dit model ziet depressie als een latente variabele die een set aan depressie gerelateerde symptomen, zoals somberheid,
veroorzaakt. Deze relatie wordt gezien als asymmetrisch. Dit houdt in dat de latente variabele de symptomen veroorzaakt en niet andersom (Borsboom & Cramer, 2013). Bij lichamelijke ziekten, bijvoorbeeld een hersentumor, is er inderdaad sprake van een latente variabele als oorzaak van symptomen. De hersentumor (latente variabele) veroorzaakt symptomen zoals hoofdpijn. Oorzaak en symptoom zijn los van elkaar empirisch te observeren en kunnen met elkaar in verband worden gebracht. Door uit te gaan van het ziektemodel worden psychopathologische stoornissen gelijk gesteld aan lichamelijke ziekten. Deze benadering lijkt op het eerste gezicht voor zowel psychopathologische stoornissen als lichamelijke ziekten goed van toepassing te zijn. Het ziektemodel is dan ook zeer invloedrijk (Borsboom & Cramer, 2013). In de praktijk blijkt er echter een belangrijk verschil te bestaan tussen lichamelijke ziekten en psychopathologische stoornissen. Een dergelijke stoornis kan, in tegenstelling tot een lichamelijke ziekte, enkel empirisch gemeten worden aan de hand van observeerbare symptomen. In tegenstelling tot een hersentumor, kan MDD niet opzichzelfstaand empirisch geobserveerd worden. Hierdoor is het bij psychopathologische stoornissen haast onmogelijk om met zekerheid te achterhalen of
geobserveerde symptomen veroorzaakt worden door een latente variabele. Er kan dus niet met zekerheid gesteld worden dat het ziektemodel daadwerkelijk opgaat voor psychopathologische stoornissen.
Verschillende studies tonen een interessante en alternatieve benadering voor het onderzoeken van psychopathologische stoornissen aan; het netwerkperspectief (Borsboom & Cramer, 2013). Het netwerkperspectief gaat uit van twee belangrijke aannames. Ten eerste worden symptomen niet veroorzaakt door één enkele latente variabele. Er is dan ook geen sprake van een asymmetrische relatie. Ten tweede wordt ervan uitgegaan dat symptomen elkaar
beïnvloeden in een complex netwerk van interactie. Symptomen kunnen andere symptomen activeren, beïnvloeden en in stand houden. Een psychopathologische stoornis, zoals MDD, kan gediagnosticeerd worden aan de hand van verschillende symptomen (somberheid,
concentratieproblemen ect.) die onderling sterk met elkaar in verbinding staan en daardoor een hoge onderlinge connectiviteit bezitten. Dit wordt een netwerkcluster genoemd. Symptomen beïnvloeden elkaar niet op slechts één enkele manier. De ontwikkeling van depressiesymptomen kan zich dan ook op verschillende manieren manifesteren (Borsboom & Cramer, 2013). Tevens hoeft de invloed die symptomen op elkaar hebben zich niet te limiteren tot de DSM-5 (2013) kwalificaties. Dit is dan ook de reden dat psychopathologie voor elk individu een unieke ontwikkeling en verloop kent, hetgeen goed wordt weergegeven door het netwerkperspectief. Onderzoek van Cramer et al., (2012) en Keller et al. (2007) ondersteunen het netwerkperspectief. Uit deze onderzoeken is bijvoorbeeld gebleken dat stressvolle levensgebeurtenissen direct
symptomen kunnen veroorzaken, zoals concentratieproblemen, die weer andere symptomen tot gevolg hebben. Uiteindelijk kan deze kettingreactie, van elkaar activerende symptomen, leiden tot genoeg symptomen om te kunnen spreken van psychopathologie. Er is dan echter geen sprake geweest van de stoornis als oorzaak van de symptomen, hetgeen volgens het ziektemodel de enige mogelijke causale relatie is. Het netwerkperspectief geeft daarmee mogelijk een betere weerspiegeling van de manier waarop psychopathologische stoornissen in de praktijk tot stand kunnen komen. Het vormt daardoor wellicht een beter aansluitend alternatief voor onderzoek
naar de ontwikkeling van psychopathologische stoornissen in de praktijk.
In dit onderzoek zal dan ook via het netwerkperspectief onderzocht worden wat de invloed van zelfvertrouwen op depressiesymptomen precies is. Om dit te kunnen doen moet allereerst goed begrepen worden waarom zelfvertrouwen mogelijk van invloed is op de
ontwikkeling van depressiesymptomen, zoals beschreven wordt binnen het netwerkperspectief. Borsboom en Cramer (2013) stellen dat hoe hoger de connectiviteit tussen symptomen binnen een netwerkcluster is, des te sneller en heftiger de symptomen elkaar activeren en beïnvloeden. Dit maakt het individu kwetsbaarder voor de ontwikkeling van psychopathologie. Andersom geldt dat wanneer de connectiviteit tussen symptomen minder sterk is, dit individu ook minder gevoelig is voor de ontwikkeling van een psychopathologische stoornis. Zelfvertrouwen kan van invloed zijn op de connectiviteit tussen depressiesymptomen vanwege de overgang van state naar trait zelfvertrouwen. Wanneer een individu discrepantie ondervindt in het eigen zelfconcept, zoals eerder beschreven, ontstaat er een laag state zelfvertrouwen. Een lage state kan van korte duur zijn en opgeheven worden door positieve ervaringen die voor zelf-verificatie van het zelfconcept zorgen, oftewel in een hoog state zelfvertrouwen resulteren. Als echter vele
momenten van laag state zelfvertrouwen elkaar opvolgen, kan dit een laag trait zelfvertrouwen tot gevolg hebben. Wanneer trait zelfvertrouwen negatief is kan dit een negatieve invloed hebben op iemands zelfconcept. Een laag trait zelfvertrouwen kan hierdoor een negatieve cognitieve bias tot gevolg hebben. Deze negatieve cognitieve bias zorgt ervoor dat iemand kwetsbaarder wordt voor het ontwikkelen van depressiesymptomen. Het depressienetwerk wordt gemakkelijker geactiveerd (Croker & Wolfe, 2001). Een hoog trait zelfvertrouwen biedt juist een buffer tegen deze negatieve cognitieve bias en zorgt voor een gevoel van zelf-verificatie (Cheng & Furnham., 2003; Figuur 1).
Deze redenering, over toenemende kwetsbaarheid van mensen met een laag trait zelfvertrouwen, wijst er op dat mensen met een laag trait zelfvertrouwen een hogere
connectiviteit hebben tussen depressiesymptomen dan mensen met een hoog trait zelfvertrouwen. In de resultaten wordt verwacht dit terug te zien. In dit onderzoek worden verschillen in
connectiviteit tussen populatienetwerken, van mensen met een hoog trait zelfvertrouwen en mensen met een laag trait zelfvertrouwen, onderzocht. Om zowel trait als state zelfvertrouwen te kunnen meten wordt data aan de hand van herhaalde metingen verzameld. Verder kijkend, naar lokale connectiviteit, ligt het in de lijn der verwachting dat het state zelfvertrouwen van mensen met een laag trait zelfvertrouwen sterker depressiesymptomen weet te voorspellen dan het state zelfvertrouwen van mensen met een hoog trait zelfvertrouwen. Met behulp van centraliteitsmaten (betweenness, closeness en degree) wordt onderzocht welke symptomen onderling een sterke connectie bezitten en welke rol state zelfvertrouwen hierin speelt.
Figuur 1. Schematische weergave over de invloed van globaal zelfvertrouwen op
Methode
Dit onderzoek naar de invloed van zelfvertrouwen op de connectiviteit binnen
depressienetwerken op symptoomniveau, is deel van een groter, overkoepelend bachelorproject-onderzoek naar depressienetwerken (2016). Het bestaat uit acht losse studies die elk gebruik maken van dezelfde deelnemers en dataset.
Deelnemers
Aan dit onderzoek namen in totaal 123 deelnemers deel. Deelnemers werden voor deelname geworven via de faculteit der Maatschappij- en Gedragwetenschappen aan de Universiteit van Amsterdam (UvA) (https://www.lab.uva.nl/lab) of persoonlijk benaderd. Dit onderzoek richtte zich uitsluitend op volwassenen (>18 jaar). Daarnaast konden enkel deelnemers die in het bezit waren van een iPhone of iPod touch deelnemen aan het onderzoek, omdat de dataverzameling werd verricht via een Apple smartphone-applicatie (app). De deelnemers werden verdeeld over twee condities. Een HoogGlobaalZelfvertrouwen-conditie (HGZ-conditie) en een LaagGlobaalZelfvertrouwen-conditie (LGZ-conditie). Deelnemers konden een beloning van maximaal zes proefpersoonpunten ontvangen voor deelname aan dit onderzoek.
Materialen
Qumi
‘Qumi’ is een Apple smartphone-applicatie die speciaal ontwikkeld is om vragenlijsten gemakkelijk in een natuurlijke setting af te kunnen nemen. ‘Qumi’ is te installeren via TestFlight in de Apple store. Binnen dit onderzoek werden er meerdere keren per dag metingen afgenomen. Het was dan ook van belang dat deelnemers tijdens de testperiode voortdurend toegang hadden
tot de ‘Qumi’ app. Deze hield bij hoe vaak deelnemers de vragenlijsten invulden en verstuurde herinneringen voor het invullen van de vragenlijsten. De ‘Qumi’ applicatie is ontwikkeld door Bas Oppenheim (2016) en wordt binnen deze pilotstudie voor het eerst getest voor gebruik in de praktijk.
Rosenberg Self-Esteem Scale (RSE)
Binnen dit onderzoek werd er bij de voormeting gekeken naar sociaal demografische gegevens en de Rosenberg Self-Esteem Scale (RSE) (Robins, Hendin, & Trzesniewski, 2001). De RSE werd gebruikt om trait zelfvertrouwen te meten. De RSE is een 10-item zelf-rapportage instrument en maakt gebruik van een 5-punts Likert schaal. Een voorbeelditem uit de RSE; 'Over het algemeen ben ik tevreden met mezelf.’ De scorebetekenis loopt als volgt; heel weinig (1), een beetje (2), matig (3), veel (4) en heel veel (5). De RSE heeft vijf positieve items (1, 3, 4, 7, 10) en vijf negatieve items (2, 5, 6, 8, 9). Om tot een totaalscore te komen, werden de negatieve items gehercodeerd bij de scoring. Het scorebereik loopt van 0 - 50. Hoe hoger de score, hoe hoger het trait zelfvertrouwen. De RSE is het meest gebruikte zelfvertrouwen-meetinstrument in de
praktijk. De psychometrische kwaliteiten, zoals interne consistentie en test-hertest
betrouwbaarheid zijn van goede kwaliteit, blijkt uit onderzoek van Robins et al, (2001). In de huidige literatuur (Robins et al., 2001) komt niet duidelijk naar voren welke cut-off score gebruikt dient te worden. Op basis van de 5-punts Likert schaal is daarom binnen dit onderzoek gekozen voor een cut-off score van ≥ 40. Bij een somscore van ≥ 40 hebben deelnemers
voornamelijk veel (4) en heel veel (5) aangegeven op de 5-punts Likert schaal, wat een hoog niveau van globaal zelfvertrouwen representeert.
Naast dataverzameling op de voormeting werd binnen dit onderzoek data verzameld door tijdseries te creëren met behulp van de experience-sampling methode (EMS). De EMS-methode maakt het mogelijk om data te verzamelen, via herhaalde metingen, over een vastgestelde tijdsperiode, binnen een natuurlijke setting. Tijdseriedata meten niet alleen een momentopname, maar maken het mogelijk om het verloop tussen momentopnamen over tijd te meten. Hierdoor kan er onderzocht worden of bepaalde variabelen elkaar direct beïnvloeden of kunnen
voorspellen over tijd (Scollon, Prieto & Diener, 2009). Single Item Self-Esteem schaal (SISE)
De Single Item Self-Esteem schaal (SISE) is een verkorte versie van de RSE en heeft één enkel item; ‘Ik heb veel zelfvertrouwen’. De SISE maakt gebruik van een 5-punts Likert schaal, met dezelfde scorebetekenis als bij de RSE. Ondanks dat de SISE slechts uit één item bestaat zijn de psychometrische kwaliteiten vergelijkbaar gebleken met de RSE (Robins et al., 2001). De SISE maakte onderdeel uit van de tijdserie-vragenlijst die gebruikt werd voor dit onderzoek en meet het state zelfvertrouwen.
Zelf-rapportage instrument DSM-5 depressiesymptomen
De tijdserie-vragenlijst bestond naast de SISE uit een op de DSM-5 (2013) gebaseerde 9-item depressiesymptomenvragenlijst, geschikt gemaakt voor dataverzameling met behulp van de EMS-methode (Bachelorproject Depressienetwerken, 2016). Deze tijdserie-vragenlijst is een zelf-rapportageinstrument en maakt gebruik van een 5-punts Likert schaal, met dezelfde
scorebetekenis als de RSE en SISE. Een voorbeelditem; ‘Ik ben geïnteresseerd’. Doordat deze tijdserie-vragenlijst speciaal voor dit onderzoek is gecreëerd, kunnen er nog geen uitspraken worden gedaan over de psychometrische kwaliteiten.
Procedure
Voorafgaand aan deelname werden de deelnemers die voldeden aan de inclusiecriteria gevraagd een informed consent te ondertekenen. Deelnemers kregen elk een proefpersoon-nummer toegekend, zodat de dataverzameling anoniem kon plaatsvinden. Deelnemers werden vervolgens via de mail geïnstrueerd hoe ze de ‘Qumi’ app konden installeren. De voormeting-vragenlijst (RSE & demografische gegevens) nam circa 30 minuten in beslag. De deelnemers werden op basis van hun totaalscore op de RSE verdeeld over de twee condities (HGZ-conditie en de LGZ-conditie). Vanaf dat punt werd de tijdserie-vragenlijst 7 keer per dag, gedurende 15 dagen lang, afgenomen. Dit nam per keer ongeveer één minuut in beslag. Deelnemers ontvingen via ‘Qumi’ notificaties om met de vragenlijst te beginnen. Na ontvangst van een notificatie hadden de deelnemers 20 minuten de tijd om de tijdserie-vragenlijst in te vullen. De deelnemers werd verzocht elke twee dagen de verzamelde data in ‘Qumi’ te versturen. Proefpersoonpunten werden enkel verstrekt aan UvA-studenten die deelnamen aan het onderzoek. Per correct voltooide dag (≥ vijf metingen per dag) waren er 0.4 proefpersoon punten te verdienen, met een maximum van zes proefpersoonpunten in totaal. Het werd deelnemers dan ook aangeraden om hun iPhone of iPod touch gedurende de volledige testperiode constant bij de hand te houden, om zo geen metingen te missen. Na afloop van de testperiode werd er nog een debriefing van het onderzoek gegeven over de mail. Hierbij kregen de deelnemers ruimte om vragen te stellen en hun mening te geven over het onderzoek.
Analyses
Voormeting - Rosenberg Self-Esteem Scale (RSE)
(Demografische gegevens & RSE). Om een totaalscore van de RSE te kunnen berekenen dienden de vijf negatieve items (2, 5, 6, 8, 9) op de RSE opnieuw gecodeerd te worden (Tabel 1). Dit werd gedaan met behulp van het statistische programma SPSS (versie 24). De deelnemers konden vervolgens op basis van de cut-off score ( ≥ 40) verdeeld worden over de twee condities (LGZ-conditie & HGZ-(LGZ-conditie). Vervolgens werd de variantie op leeftijd (m.b.v. een t-test ) en opleidingsniveau (m.b.v. de Pearson's Chi-squared test) tussen beide condities onderzocht.
Tabel 1
Overzicht positieve (PRSE) & negatieve (NRSE) items op de RSE en de her-codering voor de negatieve items (NRSE_R).
Positieve RSE items (PRSE)
Negatieve RSE items (NRSE)
Negatieve RSE items –
Rivised (NRSE_R)
(1) = heel weinig (1) = heel weinig (1) = heel veel
(2) = weinig (2) = weinig (2) = veel
(3) = matig (3) = matig (3) = matig
(4) = veel (4) = veel (4) = weinig
(5) = heel veel (5) = heel veel (5) = heel weinig
Multilevel VAR – Tijdserie-data (EMS)
De verzamelde tijdserie-data werd gebruikt om populatienetwerken voor beide condities (LGZ-conditie & HGZ-conditie) te kunnen schatten (Figuur 3). Hierbij werd gebruik gemaakt van de multilevel VAR methode (mlVAR) (Bringmann, Lemmens, Huibers, Borsboom & Tuerlinckx, 2013). De mlVAR methode is ook in het statistische programma R (versie 3.2.4 revised) te gebruiken (mlVAR package). De mlVAR methode maakt gebruik van autoregressies
met time-lagged (lag-1) regressies om connecties tussen variabelen (in dit geval
depressiesymptomen) te schatten. Voor elke variabele wordt er een regressieanalyse uitgevoerd op alle variabelen op het vorige tijdstip. Dit wordt met alle variabelen voor elke deelnemer gedaan. Om een uiteindelijk populatienetwerk per conditie te creëren, zal het gemiddelde van de connectiesterktes genomen worden. Vervolgens werd er onderzocht of de twee condities van elkaar verschilden op basis van de connectiviteit van variabelen binnen de populatienetwerken. De mlVAR methode maakt hiermee gebruik van zowel within- als between-subjects informatie. De significantie van de connecties werd getest met een significantieniveau (α) van .05.
Centraliteitsmaten – Degree, Closeness, Betweenness
Naast de globale netwerkconnectiviteit, werden verschillen tussen de beide
populatienetwerken onderzocht vanuit drie verschillende centraliteitsmaten (Figuur 4). Ten eerste werd er gekeken naar Degree. Degree geeft het aantal verbindingen van een variabele binnen een populatienetwerk weer. Degree bestaat uit InStrenght (het aantal verbindingen dat naar een bepaald item of knoop toeloopt) en OutStrength (het aantal verbindingen dat van een knoop afloopt). Hoe hoger het degree voor een knoop, des te belangrijker deze knoop is. Ten tweede werd er gekeken naar Closeness. Closeness bekijkt de afstand tussen de verscheidene knopen. Wanneer een knoop een hoge mate van closeness heeft, kan deze knoop andere knopen gemakkelijker beïnvloeden vanwege de kleinere afstand. Ten derde werd er gekeken naar Betweenness. Betweenness bekijkt welke knoop binnen een netwerk de hoogste
verbindingsfunctie heeft. Een knoop met een hoge betweenness ligt centraal binnen het netwerk, aangezien verbindingen van andere knopen altijd langs deze centrale knoop lopen. (Opsahl, Agneessens & Skvoretz,. 2010). De centraliteitsmaten werden berekend in R (versie 3.2.4
Resultaten
Algemene Gegevens
Van de 123 deelnemers startte er 60 op tijd met de ‘Qumi’ app. Van deze overgebleven 60 deelnemers bleek de verzamelde data voor 43 van hen niet bruikbaar voor verdere analyse
(Figuur 2). Redenen hiervoor varieerden van; te veel gemiste oproepen (> 2 gemiste oproepen, per dag, over een periode van 10 aaneengesloten dagen), problemen met de dataweergave in Excel (mogelijk veroorzaakt door complicaties bij het inlezen van de data van ‘Qumi’ naar Excel), persoonlijke redenen van de deelnemers en technische problemen met de ‘Qumi’ app en mailcontact. Data van deze 43 deelnemers werd dan ook niet meegenomen in de verdere
dataverwerking en analyse. Dit resulteerde in 17 overgebleven deelnemers met geschikte data voor verdere analyse (vrouw N = 14, man N = 3). De 17 deelnemers werden op basis van scores op de voormeting verdeeld over een HoogGlobaalZelfvertrouwen-conditie (HGZ-conditie) (N = 11,M = 26, SD = 14.1) en een LaagGlobaalZelfvertrouwen-conditie (LGZ-conditie) (N = 6, M = 23.5, SD = 3.6).
Figuur 2 Overzicht uitval van deelnemers
28%
45%
14%
13%
Deelnemers
Geschikte data (17 deelnemers)
Ongeschikt: onvlodoende metingen
(27 deelnemers)
Ongeschikt: problemen met Qumi app
(8 deelnemers)
Ongeschikt: problemen met Excel
weergave (8 deelnemers)
Binnen het onderzoek werd er gecontroleerd voor de variabele leeftijd, met behulp van een independent t-test in R (versie 3.2.4 revised; Bringmann et al., 2013). Hiermee werd onderzocht of de leeftijden van de deelnemers niet significant verschilden tussen de HGZ-conditie en de LGZ-HGZ-conditie. Uit de resultaten bleek dat er tussen de twee HGZ-condities een
significant verschil in leeftijd bestond p = .007. Dit is vermoedelijk te wijten aan het lage deelnemersaantal (N = 17). Mogelijke variantie tussen beide condities op basis van
opleidingsniveau werd onderzocht met de Pearson's Chi-squared test. Hier bleek geen significant verschil tussen beide condities te bestaan ( p = 0.657).
Verschillen in Globale Netwerkconnectiviteit
Gekeken naar de globale netwerkconnectiviteit (Figuur 3) van de populatienetwerken van beide condities, vielen meteen meerdere verschillen op. Ten eerste bleken er, in het
populatienetwerk voor de deelnemers uit de LGZ-conditie, meer knopen met elkaar in verbinding te staan dan binnen het populatienetwerk voor de deelnemers uit de HGZ-conditie. Ten tweede bleek het populatienetwerk voor deelnemers uit de LGZ-conditie sterkere verbindingen tussen de verscheidene knopen te bezitten dan binnen het populatienetwerk voor de deelnemers uit de HGZ-conditie. Ten derde bleek er een belangrijk verschil te bestaan in de rol van state
zelfvertrouwen binnen de populatienetwerken van beide condities. Voor het state zelfvertrouwen bleek er binnen beide populatienetwerken geen significante autoregressie coëfficiënt te zijn. Dit houdt in dat er geen sprake was van autocorrelatie op het state zelfvertrouwen. State
zelfvertrouwen op een bepaald punt in de tijd (bijv. de eerste meting, t-1, Xt-1) voorspelt niet het state zelfvertrouwen op het volgende punt in de tijd (t, Xt). Hieruit blijkt dat fluctueringen binnen state zelfvertrouwen enkel worden beïnvloed door externe factoren. Verder bleek dat alleen
tussen het state zelfvertrouwen en andere knopen te bestaan. State zelfvertrouwen binnen het populatienetwerk van de HGZ-conditie is conditioneel onafhankelijk van de andere knopen binnen het netwerk. Er is dan ook een duidelijk verschil aanwezig, tussen mensen met laag trait zelfvertrouwen en hoog trait zelfvertrouwen, op het gebied van globale netwerkconnectiviteit.
Figuur 3. Geschat populatienetwerk voor de HoogGlobaalZelfvertrouwen-conditie
(HGZ-conditie, N = 11). Geschat populatienetwerk voor de LaagGlobaalZelfvertrouwen-conditie (LGZ-conditie, N = 6).
HGZ-conditie = links afgebeeld, LGZ-conditie = rechts afgebeeld, Str = stress, Som = somber, Int = interesse, Eet = eetlust, Eng = energie, Moe = vermoeidheid, Waa = waardeloos, Sch = Schuldig, Con = concentratie, ZVs = state zelfvertrouwen.
Lokale connectiviteit – Centraliteitsmaten
De lokale connectiviteit werd aan de hand van de drie eerder beschreven centraliteitsmaten onderzocht (Figuur 4). Hierbij kwam nog duidelijker het verschil in
vermoeidheid, concentratie en state zelfvertrouwen de hoogste betweenness scores bezaten. In de HGZ-conditie gold dit juist voor schuldgevoelens en somberheid (Tabel 2).
Tabel 2
Centraliteitswaarden – betweennes,
Voor de LaagGlobaalzelfvertrouwenconditie (LGZ-conditie)
LGZ-conditie HGZ-conditie
Knoop Waarde Waarde
Stress -1.50844212 -0.78369490 Somber -0.99500738 1.17554235 Interesse -0.54438647 0.96930685 Eetlust -1.05417983 -0.06187065 Energiek -0.13473110 -0.06187065 Moe 1.41285587 -0.78369490 Waardeloos -1.05417983 -0.78369490 Schuldig -0.29859325 1.89736660 Concentratie 1.04871776 -0.78369490 State Zelfvertrouwen 0.11106212 -0.78369490
Binnen de centraliteitsmaat degree (InStrength en OutStrength) bleken er ook aanzienlijke verschillen te bestaan tussen beide condities. Voor de LGZ-conditie bleken state zelfvertrouwen en stress de hoogste InStrength te bezitten en stress en concentratie de hoogste Outstrength. Voor de HGZ-conditie bleken daarentegen juist somberheid en energie de hoogste InStrength te
Tabel 3
Centraliteitswaarden – Degree; InStrength,
Voor de LaagGlobaalzelfvertrouwenconditie (LGZ-conditie)
LGZ-conditie HGZ-conditie
Knoop Waarde Waarde
Stress 1.03150562 -0.81203552 Somber -0.38934131 1.81575777 Interesse 0.56011956 0.06969594 Eetlust -1.61734848 0.18257405 Energiek -0.03007665 1.43396415 Moe 0.59651083 -0.81203552 Waardeloos -1.61734848 -0.81203552 Schuldig 0.68199065 0.55818570 Concentratie -0.35295003 -0.81203552 State Zelfvertrouwen 1.13693829 -0.81203552
Noot. Degree = InStrength & OutStrength
Tabel 4
Centraliteitswaarden – Degree; OutStrength,
Voor de LaagGlobaalzelfvertrouwenconditie (LGZ-conditie)
LGZ-conditie HGZ-conditie
Knoop Waarde Waarde
Stress 1.84072611 0.80096863 Somber -0.08027896 -0.74541850 Interesse -1.03805290 -0.13411480 Eetlust -0.29572898 -0.74541850 Energiek -0.06870971 -0.74541850 Moe 0.57189211 2.22934063 Waardeloos -0.23198896 0.76691974 Schuldig -1.03805290 -0.74541850 Concentratie 1.37824710 0.06397829 State Zelfvertrouwen -1.03805290 -0.74541850
Voor closeness bleken er binnen beide condities enkele waarden te missen (Figuur 5 & 6; Tabel 5). Dit kan verklaard worden, doordat er een bijzonder grote afstand tussen de knopen binnen beide netwerken bestaat (https://www.toreopsahl.com). Een uitzondering hierop bleek het item somberheid binnen de LGZ-conditie. Hieruit blijkt dat de netwerkstructuur aanzienlijk verschilt tussen beide condities.
Tabel 5
Centraliteitswaarden – closeness,
Voor de LaagGlobaalzelfvertrouwenconditie (LGZ-conditie)
LGZ-conditie HGZ-conditie
Knoop Waarde Waarde
Stress -0.70710678 0.00000000 Somber 0.70710678 0.00000000 Interesse NA 0.00000000 Eetlust NA 0.00000000 Energiek NA 0.00000000 Moe NA 0.00000000 Waardeloos NA 0.00000000 Schuldig NA 0.00000000 Concentratie NA 0.00000000 State Zelfvertrouwen NA 0.00000000
Figuur 4. Centraliteitsmaten, HoogGlobaalZelfvertrouwen-conditie (HGZ-conditie) & LaagGlobaalZelfvertrouwen-conditie (LGZ-conditie).
Discussie
Dit is de éérste studie naar de invloed van zelfvertrouwen op depressiesymptomen, onderzocht vanuit het netwerkperspectief. Enerzijds werd een verschil verwacht in connectiviteit van depressiesymptoomnetwerken, tussen mensen met een hoog trait zelfvertrouwen en een laag trait zelfvertrouwen. Anderzijds werd verwacht dat de voorspellende waarde van state
zelfvertrouwen voor depressiesymptomen binnen het netwerk van mensen met laag trait zelfvertrouwen hoger zou zijn, en voor mensen met een hoog trait zelfvertrouwen lager.
Kijkend naar de globale netwerkconnectiviteit blijkt ten eerste, geheel volgens de verwachtingen, dat mensen met een laag trait zelfvertrouwen een sterker verbonden
depressiesymptoom netwerk bezitten dan mensen met een hoog trait zelfvertrouwen. Wanneer er verder wordt gekeken naar verschillen in lokale connectiviteit tussen beide netwerken blijkt vervolgens dat er ook een wezenlijk verschil in netwerkstructuur tussen beide netwerken bestaat.
Bij analyse van de invloed van state zelfvertrouwen op beide netwerken komen twee interessante bevindingen naar voren. Ten eerste blijkt state zelfvertrouwen conditioneel onafhankelijk te zijn binnen het netwerk van mensen met een hoog trait zelfvertrouwen, in tegenstelling tot state zelfvertrouwen binnen het netwerk van mensen met een laag trait zelfvertrouwen. Ten tweede blijkt state zelfvertrouwen, binnen het laag trait zelfvertrouwen netwerk, geen voorspeller van depressiesymptomen te zijn. State zelfvertrouwen blijkt juist voorspeld te worden door depressiesymptomen (vermoeidheid en energie). Dit gaat in tegen de eerder gestelde verwachtingen en weerspreekt daarnaast het vulnerability model (Robins et al., 2013), dat aantoont dat (laag) zelfvertrouwen depressiesymptomen kan voorspellen, maar niet andersom. Een mogelijke verklaring voor deze bevindingen is dat mensen met een laag trait
zelfvertrouwen, dan mensen met een hoog trait zelfvertrouwen. Vervolgonderzoek naar de causale relatie tussen depressiesymptomen en zelfvertrouwen kan deze resultaten dan ook in ogenschouw nemen en verder onderzoeken.
Voor er verder over eventueel vervolgonderzoek gespeculeerd kan worden is het
verstandig twee belangrijke limitaties aan dit onderzoek in ogenschouw te nemen. Allereerst was er sprake van een laag deelnemersaantal (N = 17). Dit kan vertekende populatienetwerken hebben opgeleverd die minder goed corresponderen met de praktijk, waardoor de onderzoeksresultaten wellicht minder generaliseerbaar zijn. Dit was al enigszins te zien aan het significante
leeftijdsverschil tussen beide groepen. Het lage deelnemersaantal is direct terug te brengen tot problemen die werden ondervonden bij het gebruik van de EMS dataverzamelings-app (Qumi). Het voordeel van het gebruik van een applicatie als ‘Qumi’ is dat data overal en in een natuurlijke setting vergaard kan worden, waardoor het verloop van psychopathologie nauwgezetter
onderzocht kan worden. De ‘Qumi’ app was ten tijde van het onderzoek echter nog in ontwikkeling. Problemen die opkwamen werden zo goed mogelijk verholpen door updates. Helaas zorgden deze problemen er alsnog voor dat data van 72% van de deelnemers (N = 106; Figuur 2) niet meegenomen kon worden in de verdere analyse. Het is echter belangrijk om te onthouden dat het hier gaat om een pilotstudie waarbij onontgonnen terrein wordt onderzocht, met als doel vervolgonderzoek verder te inspireren en ondersteunen. In vervolgonderzoek is het dan ook aan te raden om te proberen een hoger deelnemersaantal te behalen. Verder zou bij vervolgonderzoek de ‘Qumi’ app verder getest en aangepast kunnen worden op
gebruiksvriendelijkheid en efficiëntie. De tweede limitatie vormt wellicht de binnen dit onderzoek gebruikte tijdserie-vragenlijst. Zoals eerder gesteld is deze op de DSM-5 (2013) gebaseerde 9-item depressiesymptomen vragenlijst (Bachelorproject Depressienetwerken, 2016),
speciaal voor dit onderzoek ontwikkeld. De psychometrische kwaliteiten zijn tot dusver nog onbekend. Het is dan ook mogelijk dat de tijdserie-vragenlijst niet voldoende valide of betrouwbaar is. De vragenlijst is echter wel gebaseerd op DSM-5 (2013) gevalideerde depressiesymptomen. Verder kent de door ons gebruikte tijdserie-vragenlijst een belangrijk voordeel. Het is namelijk de éérste vragenlijst die speciaal ontwikkeld is om data te verzamelen volgends de EMS-methode. Het is dan ook interessant om in vervolgonderzoek de
psychometrische kwaliteiten van de tijdserie-vragenlijst uit dit onderzoek verder te onderzoeken. Naast limitaties kent dit onderzoek ook drie sterke punten. Ten eerste is dit het éérste onderzoek naar de invloed van zelfvertrouwen op depressiesymptomen, onderzocht vanuit het netwerkperspectief. Hieruit is duidelijk naar voren gekomen dat de relatie tussen globaal zelfvertrouwen en depressiesymptomen anders blijkt te lopen dan gedacht. Zo blijkt, de in het ziektemodel ondersteunde theorie van het vulnerability model (Robins et al., 2013), niet
ondersteund te worden binnen dit onderzoek. Het is dan ook interessant om verder onderzoek te doen naar de gegrondheid van het vulnerability model, bekeken vanuit het netwerkperspectief. Ten tweede is er binnen deze studie gebruik gemaakt van de EMS-methode om data te
verzamelen. Deze methode stelt onderzoekers in staat zowel op groeps-, als op individueel-niveau het verloop van depressiesymptoom-ontwikkeling te onderzoeken. Onderzoek op individueel niveau is gunstig voor behandelaars in de praktijk, aangezien er dan nog beter ingezoomd kan worden op de ontwikkeling van psychopathologie bij elke individuele cliënt. Binnen deze studie worden er zelfs nieuwe materialen getest die speciaal zijn ontwikkeld om deze vorm van dataverzameling nog gemakkelijker te maken voor de praktijk (‘Qumi’ applicatie en tijdserie-vragenlijst). Ten slotte wordt binnen deze studie zowel trait als state zelfvertrouwen onderzocht. Het belang dit beide te onderzoeken wordt uiteen gezet in onderzoek van Crocker et
al. (2001), maar wordt alsnog in vele andere studies naar zelfvertrouwen verwaarloosd. Ook binnen dit onderzoek komt naar voren dat er belangrijke verschillen bestaan tussen trait en state zelfvertrouwen. Zo blijkt de rol van state zelfvertrouwen te verschillen wanneer er sprake is van hoog of laag trait zelfvertrouwen. Dit wordt duidelijk juist omdat beide vormen van
zelfvertrouwen zijn opgenomen in dit onderzoek. Voor vervolgonderzoek is het dan ook aan te raden, zowel trait als state zelfvertrouwen gezamenlijk te blijven onderzoeken.
Ter conclusie is uit dit onderzoek naar voren gekomen dat het depressiesymptoomnetwerk voor laag trait zelfvertrouwen een sterkere connectiviteit en een afwijkende netwerkstructuur heeft in vergelijking met het depressiesymptoomnetwerk voor hoog trait zelfvertrouwen.
Daarnaast bleken depressiesymptomen het state zelfvertrouwen te voorspellen voor mensen met een laag trait zelfvertrouwen. Dit vormt nieuw bewijs tegen het vulnerability model (Robins et al, 2001). Deze nieuwe inzichten geven een hoop ruimte en inspiratie voor verder onderzoek. Ten slotte is een nieuwe applicatie (Qumi) getest om dataverzameling in de praktijk gemakkelijker in een natuurlijke setting uit te kunnen voeren. Dit is zowel gunstig voor behandelaars
(gemakkelijker symptoomontwikkeling van cliënten over tijd kunnen bijhouden en bestuderen) als voor onderzoekers (een nieuwe toegankelijke manier om EMS data te verzamelen voor netwerkonderzoek).
Literatuurlijst
American Psychiatric Association. (2013). Diagnostic and statistical manual of mental disorders (DSM-5®). American Psychiatric Pub.
Borsboom, D., & Cramer, A. O. (2013). Network analysis: an integrative approach to the structure of psychopathology. Annual review of clinical psychology, 9, 91-121. Bringmann, L. F., Vissers, N., Wichers, M., Geschwind, N., Kuppens, P., Peeters, F., &
Tuerlinckx, F. (2013). A network approach to psychopathology: new insights into clinical longitudinal data. PloS one, 8(4), e60188.
Cambron, M. J., Acitelli, L. K., & Pettit, J. W. (2009). Explaining gender differences in depression: An interpersonal contingent self-esteem perspective. Sex Roles, 61(11-12), 751-761
Cast, A. D., & Burke, P. J. (2002). A theory of self-esteem. Social forces, 80(3), 1041-1068.
Cheng, H., & Furnham, A. (2003). Personality, self-esteem, and demographic predictions of happiness and depression. Personality and individual differences, 34(6), 921-942. Cramer, A. O. J., Borsboom, D., Aggen, S. H., & Kendler, K. S. (2012). The pathoplasticity of
dysphoric episodes: differential impact of stressful life events on the pattern of depressive symptom inter-correlations. Psychological medicine, 42(05), 957-965. ISO 690
593.
Galambos, N. L., Barker, E. T., & Krahn, H. J. (2006). Depression, self-esteem, and anger in emerging adulthood: seven-year trajectories.Developmental psychology, 42(2), 350. Kessler, R. C., Angermeyer, M., Anthony, J. C., De Graaf, R., Demyttenaere, K., Gasquet, I., &
Kawakami, N. (2007). Lifetime prevalence and age-of-onset distributions of mental disorders in the World Health Organization's World Mental Health Survey Initiative. World Psychiatry, 6(3), 168.ISO 690
Mann, M. M., Hosman, C. M., Schaalma, H. P., & de Vries, N. K. (2004). Self-esteem in a broad-spectrum approach for mental health promotion. Health education research, 19(4), 357-372.
Opsahl, T., Agneessens, F., & Skvoretz, J. (2010). Node centrality in weighted networks: Generalizing degree and shortest paths. Social Networks, 32(3), 245-251.
Orth, U., Robins, R. W., & Meier, L. L. (2009). Disentangling the effects of low self-esteem and stressful events on depression: findings from three longitudinal studies. Journal of personality and social psychology, 97(2), 307.
Penninx, B. W., Beekman, A. T., Smit, J. H., Zitman, F. G., Nolen, W. A., Spinhoven, P., & Van Der Meer, K. (2008). The Netherlands Study of Depression and Anxiety (NESDA): rationale, objectives and methods. International journal of methods in psychiatric research, 17(3), 121-140.
Robins, R. W., Hendin, H. M., & Trzesniewski, K. H. (2001). Measuring global self-esteem: Construct validation of a single-item measure and the Rosenberg Self-Esteem Scale.
Personality and social psychology bulletin, 27(2), 151-161.
Schmitz, N., Kugler, J., & Rollnik, J. (2003). On the relation between neuroticism, self- esteem, and depression: results from the National Comorbidity Survey. Comprehensive psychiatry, 44(3), 169-17.
Scollon, C. N., Prieto, C. K., & Diener, E. (2009). Experience sampling: promises and pitfalls, strength and weaknesses. In Assessing well-being, 157-180.
Sowislo, J. F., & Orth, U. (2013). Does low self-esteem predict depression and anxiety? A meta-analysis of longitudinal studies. Psychological bulletin, 139(1), 213.
