本研究在量表發展的部份，採線上問卷方式，以電子公文形式將問卷轉發至全國各大專 院校，並於兩個月內完成所有樣本的施測與回收。
四、資料分析
本研究首先以統計套裝軟體 SPSS for windows 15.0 進行項目分析、探索性因素分析及 Cronbach’s 內部一致性分析，以作為題目篩選的依據，並考驗之數位學習意義建構量表、數 位學習熱情以及數位學習知識管理量表建構效度與內部一致性信度；接著，本研究以 AMOS 7 軟體進行驗證性因素分析，再次確認數位學習意義建構、數位學習熱與數位學習知識管理量 表之建構效度及信度。
五、研究結果
（一） 數位學習意義建構量表
數位學習意義建構量表用於測量學生在數位學習的環境中，其修正或重新評估事件 的主動歷程。本研究初步編製的數位學習意義建構量表包含兩個分量表，分別為尋求利益（14 題）與關聯詮釋（14 題），共計 28 題。數位學習意義建構量表為李克特式四點量表，以 1～4 分分別代表「非常同意」、「同意」、「不同意」、「非常不同意」。經過兩階段的發展，共刪除 3 題，最後版本的數位學習意義建構量表包含兩個分量表：尋求利益（14 題）與關聯詮釋（11 題），共計 25 題。
1.探索性因素分析
以探索性因素分析進行刪題時，本研究也同時參酌內部一致性分析的結果，反覆檢 證。最後，刪除 23、25、27 等三題，保留其餘 25 題，共取出兩個因素，各題目的因素負荷 量介於.489~.755 之間，兩個因素累計可解釋變異量為 43.149%。此外，由因素相關矩陣來看，
因素間的相關介於.143 和.790 之間，顯示數位學習意義建構量表適合以正交轉軸方式進行轉 軸。此外，本研究也發現，數位學習意義建構量表兩個因素間的相關為.143，ps < .001；兩個 因素與總分的相關為.720~.790，ps < .001。可見，數位學習意義建構量表具有良好的建構效 度。
2.信度分析
本研究以 25 題進行內部一致性信度分析發現，各分量表中，其校正題目--總分的相關係 數皆在.467 以上，ps < .01。尋求利益的相關係數為.524~.719、關聯詮釋的相關係數為.467~.655
（見表 4）。數位學習意義建構總量表的 Cronbach’s α 係數為.884，尋求利益與關聯詮釋兩個 分量表的α 係數分別為.922 與.869。可見，數位學習意義建構量表具有良好的內部一致性。
3.驗證性因素分析
本研究數位學習意義建構量表分析模式與觀察資料適配的卡方考驗2(548, N = 650)＝
1934.381，p < .001，表示觀察所得之共變數矩陣與理論上的共變數矩陣均等的假設頇予以拒 絶，亦即理論模式與觀察資料並不適配；換言之，本研究所提出的兩個因素分析模式並沒有 與觀察資料適配。然而，卡方檢定對樣本數相當敏感，一旦樣本過大或資料偏離多變量常態 分配尌容易造成卡方統計上升而導致拒絶虛無假設（
H
0）。Hair、Black、Babin、Anderson 和 Tatham（2006）指出，當樣本數大於 400 人時，很多模式都可能被拒絕，本研究分析樣本 數為 1647 人，或許為理論模式被拒絕之故。因此，卡方檢定或許比較不適合成為模式考驗的 唯一指標，尚頇參考其他重要適配指標作為評鑑之依據（Jöreskog & Sörbom, 1993）。本研究 參酌其他重要的適配度指標，結果發現均方接近似誤（RMSEA）為.039，表示模式有合理的 適配；GFI 為.91，AGFI 為.894，為良好；RMR 為.025，表示適配度佳。此外，NC（正規化 卡方值）= 2 / df = 3.53，雖稍高於 1 至 3 之間的理想適配值，但尚可接受，表示此模式不易 遭受機運的影響而產生模式適配不良，也不需要進行修正。綜上顯示本研究建構的二向度數 位學習意義建構分析模式與觀察資料的整體適配度有接近良好的整體適配度。此外，本研究 模式的 CFI 為.917、NFI 為.888、IFI 為.917，表示本研究建構的二向度數位學習意義建構分析模式與觀察資料具有良好的比較適配度。圖 2 為數位學習意義建構量表之驗證性因素分析模
數位學習熱情量表具有良好的建構效度。
2.信度分析
本研究以 20 題進行內部一致性信度分析發現，各分量表中，其校正題目--總分的相關係 數皆在.101 以上，ps < .01。內在和諧性熱情的相關係數為.573~.690、外在和諧性熱情的相關 係數為.600~.688、內在強迫性熱情的相關係數為.490-.724、外在強迫性熱情的相關係數則 為.331-.465。數位學習熱情總量表的 Cronbach’s α 係數為.896，四個分量表的 α 係數分別 為.885、.818、.843 與.605。可見，數位學習熱情量表具有良好的內部一致性。
3.驗證性因素分析
本研究數位學習熱情量表分析模式與觀察資料適配的卡方考驗2(327, N = 420)＝
1616.154，p < .001，表示觀察所得之共變數矩陣與理論上的共變數矩陣均等的假設頇予以拒 絶，亦即理論模式與觀察資料並不適配；換言之，本研究所提出的兩個因素分析模式並沒有 與觀察資料適配。然而，卡方檢定對樣本數相當敏感，一旦樣本過大或資料偏離多變量常態 分配尌容易造成卡方統計上升而導致拒絶虛無假設（
H
0）。Hair、Black、Babin、Anderson 和 Tatham（2006）指出，當樣本數大於 400 人時，很多模式都可能被拒絕，本研究分析樣本 數為 1647 人，或許為理論模式被拒絕之故。因此，卡方檢定或許比較不適合成為模式考驗的 唯一指標，尚頇參考其他重要適配指標作為評鑑之依據（Jöreskog & Sörbom, 1993）。本研究 參酌其他重要的適配度指標，結果發現均方接近似誤（RMSEA）為.047，表示模式有合理的 適配；GFI 為.905，AGFI 為.885，為良好；RMR 為.034，表示適配度佳。此外，NC（正規化 卡方值）= 2 / df = 4.698，雖稍高於 1 至 3 之間的理想適配值，但尚可接受，表示此模式不易 遭受機運的影響而產生模式適配不良，也不需要進行修正。綜上顯示本研究建構的四向度數 位學習熱情分析模式與觀察資料的整體適配度有接近良好的整體適配度。此外，本研究模式 的 CFI 為.923、NFI 為.904、IFI 為.923，表示本研究建構的四向度數位學習熱情分析模式與觀 察資料具有良好的比較適配度。圖 3 為數位學習熱情量表之驗證性因素分析模式。圖 3：數位學習熱情量表驗證性因素分析模式
2.信度分析
本研究以 22 題進行內部一致性信度分析發現，各分量表中，其校正題目--總分的相關係 數皆在.525 以上，ps < .01。知識獲取與儲存的相關係數為.545~.771、知識應用的相關係數 為.695~.745、知識創新的相關係數為.485-.679、知識分享的相關係數為.632-.782。數位學習 知識管理總量表的Cronbach’s α 係數為.942，四個分量表的 α 係數分別為.887、.897、.827 與.910。可見，數位學習知識管理量表具有良好的內部一致性。
3.驗證性因素分析
本研究數位學習知識管理量表分析模式與觀察資料適配的卡方考驗2(406, N = 506)＝
2916.858，p < .001，表示觀察所得之共變數矩陣與理論上的共變數矩陣均等的假設頇予以拒 絶，亦即理論模式與觀察資料並不適配；換言之，本研究所提出的兩個因素分析模式並沒有 與觀察資料適配。然而，卡方檢定對樣本數相當敏感，一旦樣本過大或資料偏離多變量常態 分配尌容易造成卡方統計上升而導致拒絶虛無假設（
H
0）。Hair、Black、Babin、Anderson 和 Tatham（2006）指出，當樣本數大於 400 人時，很多模式都可能被拒絕，本研究分析樣本 數為 1647 人，或許為理論模式被拒絕之故。因此，卡方檢定或許比較不適合成為模式考驗的 唯一指標，尚頇參考其他重要適配指標作為評鑑之依據（Jöreskog & Sörbom, 1993）。本研究 參酌其他重要的適配度指標，結果發現均方接近似誤（RMSEA）為.061，雖稍高於.05 的標 準，但尚可接受；GFI 為.860，AGFI 為.825，為良好；RMR 為.030，表示適配度佳。此外，NC（正規化卡方值）= 2 / df = 7.184，雖稍高於 1 至 3 之間的理想適配值，但尚可接受，表 示此模式不易遭受機運的影響而產生模式適配不良，也不需要進行修正。綜上顯示本研究建 構的四向度數位學習熱情分析模式與觀察資料的整體適配度有接近良好的整體適配度。此外，
本研究模式的 CFI 為.895、NFI 為.880、IFI 為.895，表示本研究建構的四向度數位學習知識管 理分析模式與觀察資料具有良好的比較適配度。圖 4 為數位學習知識管理量表之驗證性因素 分析模式。
圖 4：數位學習知識管理量表驗證性因素分析模式