Prevalensberäkningar

Prevalensberäkningar i doping

Höga prevalensskattningar används ofta som retorisk motivering för nya studier och policyargument som hävdar att dopning är utbredd, underdetekterad och/eller utgör ett akut problem inom idrotten. Trots årtionden av övervakning och testning kvarstår dock ett bestående gap mellan vad antidopningssystemen kan upptäcka och vad idrottare faktiskt kan göra, vilket resulterar i en av de mest långvariga bristerna inom idrottsstyrning. Biologisk testning detekterar incidens, inte prevalens, och konventionella självrapporter är känsliga för förnekelse, rädsla för upptäckt och social önskvärdhet (social desirability bias). Inom ett område där hemlighållande är strukturellt inbäddat är empirisk observation nödvändigtvis begränsad.

Faktorer som minskar socialt önskvärda svar inkluderar enkätmetod (till exempel online-administration och full anonymitet), proxy-rapportering (det vill säga projicerade svar för någon annan, såsom ”en elitcyklist” eller ”en amerikansk idrottare”), strategier för att bevara ansiktet (till exempel användning av förmildrande formuleringar eller inledande ursäkter), den vilseledande ”bogus pipeline”-tekniken, implicita associationer samt indirekta skattnings-modeller (Indirect Estimate Models, IEM) baserade på listexperiment eller sannolikhets-baserade metoder.

Även om det intuitivt kan framstå som rimligt att anta att direktfrågor till idrottare skulle ge insikt i förbjudna beteenden, är det varken enkelt eller okomplicerat att få fram ärliga självrapporter om dopning. De potentiella konsekvenserna av avslöjande, i kombination med den starka sociala stigmatiseringen av dopning, innebär att även anonymiserade enkäter inte kan antas ge sanningsenliga svar. Bakom varje prevalenssiffra finns både ett praktiskt och etiskt dilemma: hur man mäter beteenden som individer har stark motivation att dölja. För att hantera denna utmaning har forskare som studerar dopningsprevalens (och andra socialt känsliga eller avvikande beteenden) i allt högre grad vänt sig till indirekta enkätmetoder som är utformade för att minska svarsbias till följd av rädsla för exponering och därigenom möjliggöra mer ärlig rapportering.

Skattning av prevalens för känsliga beteenden med indirekta skattningsmodeller

Indirekta skattningsmodeller (IEM) utgör en familj av innovativa enkätmetoder som är utformade för att skydda både respondenter och forskare genom att skapa säkra enkät-förhållanden som går bortom konventionell anonymitet. IEM är konstruerade för att dölja kopplingen mellan individens svar och det känsliga beteende som undersöks. Även om ett svar är känt är det omöjligt att avgöra om det utgör en bekännelse eller ett förnekande av dopning, eftersom svarsalternativen medvetet maskeras genom randomisering eller orelaterade mekanismer. Denna egenskap utgör ett viktigt procedurmässigt och psykologiskt skydd för respondenten och säkerställer att individuell identifiering – och därmed sanktion eller rättsliga åtgärder – är omöjlig.

IEM uppnår detta skydd genom olika maskeringsmekanismer. Vissa varianter, inklusive Forced response (FR) (och Unrelated Question Model (UQM), döljer vilken fråga – känslig eller orelaterad/harmlös – som besvaras. I dessa upplägg får endast ett slumpmässigt urval den känsliga frågan, medan andra svarar på en orelaterad fråga med en känd sannolikhetsfördelning. I andra modeller, såsom Crosswise Model (CM) och Single Sample Count (SSC), behöver respondenten aldrig direkt erkänna det oönskade beteendet. Istället kombineras svaret på den känsliga frågan med ett svar på en orelaterad fråga, vilket genererar ett sammansatt svar som döljer om respondenten har ägnat sig åt förbjudna handlingar. I samtliga dessa metoder är det endast respondenten som vet vilken fråga som faktiskt besvaras, inte forskaren. Tillsammans gör dessa mekanismer IEM särskilt lämpade för insamling av data om socialt känsliga eller förbjudna beteenden såsom dopning, samtidigt som den etiska integriteten för både deltagare och forskare upprätthålls.

Bristande efterlevnad av enkätinstruktioner, som kan uppstå av olika skäl, är en central svaghet hos IEM eftersom den snedvrider prevalensskattningar. Även om icke-efterlevnad påverkar alla självrapporteringsmetoder är den särskilt relevant för IEM på grund av deras komplexa instruktioner, vilket kan öka graden av felaktigt genomförande. Samtidigt möjliggör IEM på ett unikt sätt att omfattningen av icke-efterlevnad kan uppskattas och potentiellt korrigeras, något som i stort sett inte är möjligt i direkta självrapporter. Analytiska metoder för att identifiera och justera för bristande efterlevnad av enkätinstruktioner är i princip tillämpliga över olika IEM. I praktiken kräver de flesta modeller dock empirisk manipulation i datainsamlingsfasen, vanligtvis genom två parallella enkätversioner eller ytterligare experimentella villkor, för att formellt testa icke-efterlevnad och möjliggöra statistiska efterjusteringar. Utan sådana designinslag förblir icke-efterlevnad i stor utsträckning oobserverbar och inkluderas implicit i prevalensskattningarna. Ett praktiskt undantag är SSC, som till skillnad från andra modeller inte kräver parallella urval eller ytterligare experimentella villkor. Dess struktur möjliggör efterhandsanalys av svarsanomalier inom ett enda dataset, vilket minskar den logistiska belastningen, men med vissa tolkningsoff och bredare konfidensintervall.