進一步分析主成份間的相關性，將參與者同樣頻率的成份配對以延遲交叉相關檢驗成 份間相關性，發現所有人只有在一、二成份及三、四成份會達到高度相關。最後結果發現六 步排腿為兩種動作組成(1)大幅度的繞圈動作(2)較快頻率的近軀幹繞圈動作。初學者已能具 備粗略地的繞圈動作，但卻不能呈現六步排腿的快頻動作。
第二節、動作型態的建構及量化
一、動作型態的建構—學習
人自出生起便開始漫長的學習旅程，學習走路、跑步、使用器具等，以維持人類日常所 需，而在運動行為領域常常所探討是比起維生更複雜的運動學習過程。對於學習的定義眾說 紛紜，簡單的以運動技能學習的觀點來說，學習正是建構一協調型態的過程。關於協調，
Bernstein(1967)從自由度(degree of freedom)來探討運動技能的協調，強調技能的獲取就 是有效率的控制多餘自由度，將其轉變為可控制的系統 。在往後的運動行為學家基於一般
參與者 各成分主要頻率
PC1 PC2 PC3 PC4 PC5
熟練者 R 0.9375 0.9375 1.40625 1.40625
P 0.9375 0.9375 1.40625 1.40625
初學者 L 0.9375 0.9375 1.40625 0.9375 0.9375
N 0.9375 0.9375 1.40625 1.40625
Y 0.9375 0.9375 1.40625 1.875
J 0.9375 0.9375 0.9375 1.40625
Z 0.9375 0.9375 0.9375 0.9375
B 0.46875 0.46875 0.46875 0.703125
11
性的學習定義將運動技能學習解釋為:來自練習或過去經驗所造成的運動技能表現上、或其 他向度上的恆久性的改變(陳秀惠，2008)。傳統上對於學習的探討著重於訊息在人腦中的處 理過程。
從訊息處理的觀點來說，訊息的來源不確定時，便需要學習以降低不確定性，而人腦就 像電腦一樣，蒐集外來複雜的訊息及刺激，進入中央處理系統後進行判斷，刪除不必要的訊 息，只對需要的訊息產生反應(林如瀚，2008)。認知心理學派學者對於學習提出了兩大訊息 處理論。Adams 於 1971 年提出的閉鎖環理論強調「訊息回饋」(feedback)與錯誤偵測機制 (error detection mechanism)。每次動作練習與動作目標之間的差異於中樞神經系統形成 的參考值「知覺痕跡」(perceptual trace)，經由訊息回饋與錯誤偵查機制，在反複練習的 過程中知覺痕跡不斷的被強化，並獲得最大的正確性，並存於記憶系統中成為「記憶痕跡」
(memory trace)(Adams, 1971)。其後，Schmidt(1975)以基模的概念，並將 Adams 的閉鎖環 理論改進提出基模理論。基模理論提出兩種基模，回憶基模(recall schema )與辨識基模 (recognition schema)來解釋人類大腦產生動作的機制。每次執行動作，動作者要先確認其 動作執行的「起始狀態」(initial condition)，其包括環境周圍狀況及自身位置等等，再 根據先前的經驗與預期的動作目標決定執行動作的「運動參數」(motor parameter)，動作 執行中透過感覺接受器，獲得「感覺結果」(sensory consequence)的內在回饋，動作結束 後經由「動作結果」(response outcome)獲得外在回饋，了解動作與實際目標的差距做為下 次修正動作參數的依據，根據上述四個訊息形成動作基模。
傳統訊息處理理論認為訊息在大腦儲存形成痕跡，並以正確的動作加深痕跡或建立基模，
所以相當重視練習的正確性，然而情境干擾、隨機練習等對於練習的效應卻難以解釋。
近年來運動行為學者轉向以非線性動力系統理論解釋人類複雜的學習行為。動力系統理 論即是以非線性的數學程式來解釋自然中複雜的現象，隨著時間推進之下改變的過程(廖庭 儀，2002)。動力系統理論認為，在一個系統狀態底下所有的子系統交互作用，且在子系統 下還存在著許多的元素，在此將在人類動作作為例子，人是一個大系統，而神經系統及骨骼 肌肉系統則是其子系統，在子系統下還存在著骨骼、肌肉、肌腱等更小的元素，人類的動作
12
行為便是在各種系統下交互作用而產生。而子系統是以一種稱為自我組織
(self-organization)的方式互相作用(Kelso & Schöner, 1988)。整個系統狀態在自我組織 之下穩定的運作，穩定的狀態則稱為吸引子(attractor)。而轉移(transition)則是由一個 穩定狀態轉為另一個穩定的情形，當系統狀態隨著控制參數(如練習次數)的增加，在一段時 間之內，可能沒有明顯的型態改變，但當此控制參數達到一閾值，便引起整體動作型態的改 變。當轉移發生時會有所謂的關鍵性震盪(critical fluctuation)及關鍵性減慢(critical slowing down)。「景觀」(landscape)被用以描述個體運動行為的表現，在景觀中的山谷便 是吸引子，當山谷越深，把周圍狀態吸引過來的強度則越強，景觀可能隨著練習或個體的經 驗而改變，隨著練習不斷挖深山谷，吸引子強度越強(Newell & Liu, & Mayer-Kress, 2001)。
二、Bernstein 的運動學習三階段理論
俄國生理學家Bernstein (1967) 從運動控制自由度與協調控制的觀點，對運動學習過 程中，人體如何調節、掌控自由度， 提出三階段的模式。以下取自戴遠成(2007)整理所提 出之三階段模式：
(一)、凍結自由度(freezing the degrees of freedom)：在學習某動作技能的初期，學習 者沒辦法有效運用肢段的自由度，就會在執行動作時將關節與肢段連結、固定，進而尋求動 作的穩定，凍結了次要部分的自由度。也就是說，動作者試圖以最簡單的動作來達成目標工 作。
(二)、釋放自由度(release of degrees of freedom)：個體在經過練習和經驗的累積後，
對於工作有所心得，能進一步的控制肢段間的相互作用。在這個階段，個體開始釋放原本凍 結的自由度， 使動作更為協調，變為可控制的系統。
(三)利用反作用力(exploiting reactive phenomena)： Bernstein 認為運動技能學習的最 終目的，在於能進一步利用環境中的被動力量(passive force)，意指學習者有效利用這些 反作用力，使得執行動作所需花費的主動力量(active force) 會相對地減少，相較於前面 兩個階段，學習者能善用原本所浪費的功及能量，使得個體與環境間的相互關係更為密切。
13
三、協調型態的量化
Turvey(1990)將協調(coordination)定義為「在環境中各種物體和事件的狀態下，身體 各部位的動作型態」，他認為協調是身體肢段與環境的相對關係。人類的運動協調是相當複 雜的，要如何產生諸如姿勢控制、舞蹈等活動，以達成目標動作的要求?就整體性而言，人 類的動作執行需要經過肌肉、骨骼在多個軸向的活動，更甚是數以萬計的神經訊號傳遞，再 加上所面臨的環境、使用的工具等複雜的變數(陳秀惠，2005)。Bernstein(1967)便以動作 自由度的觀點探討人類動作系統中—肌肉、關節和身體肢段等數量眾多的自由度如何從人體 複雜的動作中彼此協調，其定義協調的產生為「掌握多餘的動作自由度，也就是將其轉變成 可控制的系統」，因此，技能的學習就在於使眾多的動作自由度得以組織進而達到協調。
面對人類動作相當複雜的特性，動作的協調或控制該如何量化一直是學者們在探討的問 題。傳統的動作型態分析方式，多在紀錄單一時間點的各項運動學資料，並以平均數標準差 等統計方式加以分析、比較其差異性；然而面對人體全身性的複雜動作，Newell(1985)認為 這樣的分析仍不足以具體描述整段動作的協調型態，其後開始有學者以圖型化、表徵的概念 來研究人類的協調型態，如角角圖，是經由圖型觀測兩個運動學參數，在時間序列下的對應 關係及其變化情形，進一步利用圖型的參數進行量化統計分析。
四、主成份分析(principal component analysis, PCA)
隨著電腦科技日新月異、研究方法的進步，在量化人類動作協調的方式有了更進一步的 方式，能夠探討人體多肢段協調與動作特徵。統計方法中的主成份分析法(principal component analysis, PCA)，能夠以線性相關的方式，將在時間序列下相關性很高的的多維 度資料歸類，進而縮減成數量較少、彼此為線性獨立關係的參數也就是所謂的主成份，並能 保有原始資料的特性及關鍵訊息。綜合以上的概念曾國棟與劉有德(2010)指出PCA 的目的在 於：(一)減少變項，將許多相關性較高的變數歸類，轉換成較少數幾個互相獨立的線性組合 變項，(二) 用較少的變數（主成份）去解釋原來資料的大部分變異。陳秀惠(2005) 指出PCA 使用的時機就在於研究者面臨許多彼此可能存在相關變項的情況下，透過線性組合將這許多 變項減為少數幾個獨立的成份，使得分析的工作更有效率。因此，主成份分析能有效的縮減
14
資料的維度，降低其複雜性，方便研究者進行資料分析。
PCA 對於動作行為的分析研究，是一個相當實用的工具，有學者以 PCA 作為工具分析舞 蹈的動作。Sakata,Marumo and Hachimura(2008)利用 PCA 研究日本舞舞者的動作,探討如何 運用身體動作表現出的特色指標及運動學參數，達到一人分飾多角的表現。透過分析將各種 參數歸類，以此看出 8 種角色的動作特徵。
Hollands,Wing and Daffertshofer (2004)以 PCA 量化現代舞者動作型態的動力，以 Vicon 攝影機錄製兩名現代舞者的一系列排舞動作，將資料以 PCA 加以分析，其結果發現只 要 9 個成分即能解釋原本 96 維資料的 90%以上的變異。Hollands 等人對於專業舞者的研究，
讓我們知道舞蹈等動作，看起來相當複雜，但經由適當的分析，可以簡化其看似複雜的動作 協調。以 Bernstein 的動作學習理論來說，學習是在控制、協調眾多的自由度，舞蹈相對於 一般人體動作更為複雜，卻能以較少的 9 個維度呈現，或許是因為專業舞者已能有效的控制 多餘的自由度，而初學的舞者的動作又會如何? Bernstein 認為，在學習初會對於執行動作 次要的自由度加以凍結，而以 PCA 分析舞蹈初學者動作是否也會以低維度表現? 潘柏遠與劉 有德在 2013 的研究發現並沒有成份上的差異，所以我們不能單從成份數量來觀察初學者的 動作型態，應觀察成份內容及分析成份分數的趨勢觀察協調的情形。
五、以 PCA 量化運動技能學習
近年來有許多運動技能學習研究利用 PCA 作為初學運動技能動力的研究工具。
Haken(1996)以 PCA 量化踩板車的學習，其發現練習後主成份的結果縮減成一個維度。Chen, Liu, Mayer-Kress and Newell(2005)同樣以 PCA 分析踩板車學習的全身性動作型態變化情 形，但結果卻有所不同。在練習後成份數由練習前的五個縮減為四個，且解釋量也由 93.5%
增加為 94.5%。Ko, Challis and Newell(2003)以多項運動學參數及 PCA 檢驗動態平衡板的 學習，結果發現練習後成份數並沒有改變，而關節角動作的振幅及變異性、壓力中心前後向
增加為 94.5%。Ko, Challis and Newell(2003)以多項運動學參數及 PCA 檢驗動態平衡板的 學習，結果發現練習後成份數並沒有改變，而關節角動作的振幅及變異性、壓力中心前後向