本研究旨在探討臺東市國中學生網路使用行為、現實情緒調節與網路情緒調 節之間的關係。先採取 Pearson 積差相關係數來檢視各變項間的關聯性,再採用迴 歸統計方法為分析方法,針對回收之問卷,進行變項之間的整合性分析,以驗證 研究假設七。本研究進行解釋學生網路情緒調節的迴歸分析是採取逐步歸入迴歸 分析。
一、各變項 Pearson 積差相關係數
採用 Pearson 積差相關係數(r),以雙尾檢定方式檢測網路使用行為、現實情 緒調節與網路情緒調節情緒之關聯性,結果如表 79 所示。此相關分析除了解變項 間相關情形外,亦為進一步統計分之基礎。
就以依變項網路情緒調節之關聯性而言,「現實情緒調節」、「網路使用行為」
等自變項皆與網路情緒調節變項呈現顯著正相關( p=.000<.001),r 值分別為.751 及.310。亦即現實情緒調節情況越佳,網路情緒調節情況就越佳;網路使用行為使 用度越高,網路情緒調節情況也就越好。又因為現實情緒調節與網路使用行為的 相關係數(r)為.210,雖有達到顯著性(p=.000<.001),但因相關係數低於.3,是極低 的相關(楊世瑩,2005),對於本研究兩自變項在進入多元迴歸分析模式當中所可能 產生的共線性問題將降低許多。
表 79 各變項相關係數表 各變項相關係數表
各變項名稱 網路使用行為 現實情緒調節 網路情緒調節 網路使用行為 -
現實情緒調節 .210*** -
網路情緒調節 .310*** .751*** -
***p<.001
二、預測網路情緒調節之逐步迴歸分析
本研究進行預測網路情緒調節的迴歸分析是採用逐步迴歸分析,根據廖全涼 (2009)的結論「網路使用行為越高,相對的其情緒調節傾向越高」,研究者將網路 使用行為當成自變項,以網路情緒調節為依變項;同時根據何蕙琪(2007)的結論「網 路攻擊與現實攻擊之間存有中度相關」,研究者將現實情緒調節當成自變項,而網 路情緒調節成為依變項。依研究者設計的迴歸模式及因果關係,我們需要多元迴 歸來探究影響網路情緒調節之迴歸模式。多元迴歸的自變項為現實情緒調節與網 路使用行為,依變項為線上情緒調節。
(一)預測網路情緒調節
從表 80 當中整理出現實情緒調節與網路使用行為對網路情緒調節的逐步 迴歸結果:決定係數解釋力 R2 =.589,調整後決定係數 R2 =.587,即上述 2 個 自變項能聯合影響網路情緒調節(依變數)最大達 58.9%的變異量。F(2,499)
=357.240,p=.000<.001 代表這個逐步迴歸模式解釋力具有統計上的顯著性;
係數估計的結果指出,現實情緒調節對網路情緒調節未標準化係數(B)=.767,
標準化係數()=.718 (t=24.450,p=.000<.001),而網路使用行為對網路情緒調 節未標準化係數(B)=.302,標準化係數()=.159 (t=5.432,p=.000<.001),兩者 表示現實情緒調節越好,網路使用行為越高,皆能正向影響網路情緒調節。
故現實情緒調節與網路使用行為可以解釋網路情緒調節 58.9%的變異量,標準 化迴歸方程式如下:
網路情緒調節=8.525+.718*現實情緒調節+.159*網路使用行為
表 80 現實情緒調節、網路使用行為對網路情緒調節之逐步迴歸分析
現實情緒調節、網路使用行為對網路情緒調節之逐步迴歸分析摘要表(N=502) 預測變項
B SE B t p
允差(容忍度) VIF 常數 08.525 2.790 03.056*** .002
現實情緒
調節 00.767 0.031 .718 24.450*** .000 0.956 1.046 網路使用
行為 00.302 0.056 .159 05.432*** .000 0.956 1.046 全部 2 個
自變項
R
=.767
R
2=.589
R
2=.587
F =357.240***
Durbin-Watson 檢定=1.871
**p < .01,***p < .001
(二)預測線上情緒覺察
從表 81 當中整理出現實情緒調節與網路使用行為對線上情緒覺察的逐步 迴歸結果:決定係數解釋力 R2
=.519,調整後決定係數 R
2 =.516,即情緒覺察、線上娛樂行為、情緒反省 3 個自變項能聯合預測線上情緒覺察(依變數)最大達 51.9%的變異量。F(3,498) =179.171,p=.000<.001 代表這個逐步迴歸模式解釋力 具有統計上的顯著性;係數估計的結果指出,情緒覺察對線上情緒覺察未標 準化係數(B)= .681,標準化係數()=.651 (t=18.779,p=.000<.001);線上娛樂 行為對線上情緒覺察未標準化係數(B)= .091,標準化係數()=.116 (t=3.682,
p=.000<.001);情緒反省對線上情緒覺察未標準化係數(B)= .071,標準化係數
()=.084 (t=2.452,p=.015<.05)。這表示情緒覺察知覺越好,線上娛樂行為越 高,情緒反省知覺越好皆能正向影響線上情緒覺察。故現實情緒調節與網路 使用行為可以解釋線上情緒覺察 51.6%的變異量,標準化迴歸方程式如下:線上情緒覺察=1.741+.651*情緒覺察+.116*線上娛樂行為+.084*情緒反省
表 81 現實情緒調節、網路使用行為對線上情緒覺察之逐步迴歸分析
現實情緒調節、網路使用行為對線上情緒覺察之逐步迴歸分析摘要表(N=502) 預測變項
B SE B t p
允差(容忍度) VIF 常數 1.741 .590 2.951*** .003
情緒覺察 .681 .036 .651 18.779*** .000 .805 1.243
線上娛樂行為 .091 .025 .116 3.682*** .000 .967 1.034
情緒反省 .071 .029 .084 2.452*** .015 .816 1.226 全部 3 個自變項 R =.720 R2 =.519
R
2=.516F =179.171***
Durbin-Watson 檢定=2.051
*p < .05,**p < .01,***p < .001。
(三)預測線上情緒表達
從表 82 當中整理出現實情緒調節與網路使用行為對線上情緒表達的逐步 迴歸結果:決定係數解釋力 R2 =.514,調整後決定係數 R2 =.513,即情緒表達、
情緒反省 2 個自變項能聯合預測線上情緒表達(依變數)達 51.3%的變異量。
F
(2,499) =264.389,p=.000<.001 代表這個多元迴歸模式解釋力具有統計上的顯著性;係數估計的結果指出,情緒表達對線上情緒表達未標準化係數(B)= .791,
標準化係數()=.719 (t=18.779,p=.000<.001);情緒反省對線上情緒表達未標 準化係數(B)= -.105,標準化係數()=-.083 (t=-2.667,p=.008<.01)。這表示情 緒表達知覺越好,線上情緒表達知覺越好,情緒反省知覺越好卻負向影響線 上情緒表達。故現實情緒調節與網路使用行為可以解釋線上情緒表達 51.3%的 變異量,標準化迴歸方程式如下:
線上情緒表達=5.463+.719*情緒表達-.083*情緒反省
表 82 現實情緒調節、網路使用行為對線上情緒表達之逐步迴歸分析
現實情緒調節、網路使用行為對線上情緒表達之逐步迴歸分析摘要表(N=502) 預測變項
B SE B t p
允差(容忍度) VIF
常數 5.463 .819 6.669*** .000
情緒表達 .791 .034 .719 22.980*** .000 .994 1.006 情緒反省 -.105 .040 -.083 -2.667*** .008 .994 1.006 全部 2 個自變項 R =.717 R2 =.514
R
2=.513F =264.389***
Durbin-Watson 檢定=1.734
**p < .01,***p < .001。
(四)預測線上策略調整
從表 83 當中整理出現實情緒調節與網路使用行為對線上策略調整的逐步 迴歸結果:決定係數解釋力 R2 =.568,調整後決定係數 R2 =.566,即策略調整、
網路社交行為、網路學習使用行為 3 個自變項能聯合預測線上策略調整(依變 數)最大達 56.8%的變異量。F(3,498) =218.626,p=.000<.001 代表這個逐步迴歸 模式解釋力具有統計上的顯著性;係數估計的結果指出,策略調整對線上策 略調整未標準化係數(B)= .725,標準化係數()=.704 (t=23.360,p=.000<.001);
網路社交行為對線上策略調整未標準化係數(B)= .135,標準化係數()=.123 (t=3.953,p=.000<.001);網路學習行為對線上策略調整未標準化係數(B)= .119,
標準化係數()=.079 (t=2.486,p=.013<.05)。這表示策略調整知覺越好,線上 策略調整知覺就越好,線上社交行為表現越多會正向影響線上策略調整;線 上學習行為表現越多會正向影響線上策略調整。故現實情緒調節與網路使用 行為可以解釋線上策略調整 56.8%的變異量,標準化迴歸方程式如下:
線上策略調整=1.807+.704*策略調整+.123*線上社交行為+.079*線上學習行為
表 83 現實情緒調節、網路使用行為對線上策略調整之逐步迴歸分析
現實情緒調節、網路使用行為對線上策略調整之逐步迴歸分析摘要表(N=502) 預測變項
B SE B t p
允差(容忍度) VIF
常數 1.807 .699 2.585*** .010
策略調整 .725 .031 .704 23.360*** .000 .954 1.048 線上社交行為 .135 .034 .123 3.953*** .000 .888 1.126 線上學習行為 .119 .048 .079 2.486*** .013 .865 1.157 全部 3 個自變項 R =.754 R2 =.568
R
2=.566F =218.626***
*p < .05,***p < .001。
(五)預測線上情緒反省
從表 84 當中整理出現實情緒調節與網路使用行為對線上情緒反省的逐步 迴歸結果:決定係數解釋力 R2 =.594,調整後決定係數 R2 =.591,即情緒反省、
線上社交行為、線上學習行為 3 個自變項能聯合預測線上情緒反省(依變數) 最大達 59.4%的變異量。F(3,498) =242.433,p=.000<.001 代表這個逐步迴歸模 式解釋力具有統計上的顯著性;係數估計的結果指出,情緒反省對線上情緒 反省未標準化係數(B)= .772,標準化係數()=.730 (t=25.106,p=.000<.001);
網路社交行為對線上情緒反省未標準化係數(B)= .095,標準化係數()=.097 (t=3.193,p=.001);線上學習行為對線上情緒反省未標準化係數(B)= .111,標 準化係數()=.082 (t=2.674,p=.008<.01)。這表示情緒反省知覺越好,線上情 緒反省知覺就越好,線上社交行為表現越多會正向影響線上情緒反省;線上 學習行為表現越多會正向影響線上情緒反省。故現實情緒調節與網路使用行 為可以解釋線上情緒反省 59.1%的變異量,標準化迴歸方程式如下:
線上情緒反省=.730*情緒反省+.097*線上社交行為+.082*線上學習行為 表 84 現實情緒調節、網路使用行為對線上情緒反省之逐步迴歸分析
現實情緒調節、網路使用行為對線上情緒反省之逐步迴歸分析摘要表(N=502) 預測變項
B SE B t p
允差(容忍度) VIF 常數 1.160 .616 1.882*** .060情緒反省 .772 .031 .730 25.106*** .000 .967 1.037 線上社交行為 .095 .030 .097 3.193*** .001 .887 1.128 線上學習行為 .111 .041 .082 2.674*** .008 .874 1.144 全部 3 個自變項 R =.770 R2 =.594
R
2=.591F =242.433***
Durbin-Watson 檢定=1.960
**p < .01,***p < .001。
(六)預測線上情緒效能
從表 85 當中整理出現實情緒調節與網路使用行為對線上情緒效能的逐步 迴歸結果:決定係數解釋力 R2 =.612,調整後決定係數 R2 =.610,即情緒效能、
線上社交行為、線上學習行為 3 個自變項能聯合預測線上情緒效能(依變數) 最大達 61.2%的變異量。F(3,498) =262.306,p=.000<.001 代表這個逐步迴歸模 式解釋力具有統計上的顯著性;係數估計的結果指出,情緒效能對線上情緒 效能未標準化係數(B)= .784,標準化係數()=.740(t=26.174,p=.000<.001);線 上社交行為對線上情緒效能未標準化係數(B)= .139,標準化係數()=.121 (t=4.
087,p=.000<.001);線上學習行為對線上情緒效能未標準化係數(B)= .140,標 準化係數()=.088 (t=2.936,p=.003< .01)。這表示情緒效能越高,線上情緒效 能也就越高,線上社交行為及線上學習行為表現越多皆會正向影響線上情緒 效能。故現實情緒調節與網路使用行為可以解釋線上情緒效能 61.0%的變異量,
標準化迴歸方程式如下:
線上情緒效能=.740*情緒效能+.121*線上社交行為+.088*線上學習行為 表 85 現實情緒調節、網路使用行為對線上情緒效能之逐步迴歸分析
現實情緒調節、網路使用行為對線上情緒效能之逐步迴歸分析摘要表(N=502) 預測變項
B SE B t p
允差(容忍度) VIF 常數 .209 .664 .314*** .753情緒效能 .784 .030 .740 26.174*** .000 .973 1.028
線上社交行為 .139 .034 .121 4. 087*** .000 .891 1.122
線上學習行為 .140 .048 .088 2.936*** .003 .873 1.146
全部 3 個自變項 R =.783 R2 =.612
R
2=.610F =262.306***
Durbin-Watson 檢定=1.983
**p < .01,***p < .001。
三、綜合討論
本研究透過逐步迴歸分析的統計方法,根據廖全涼(2009)與何蕙琪(2007)的研 究結果,以網路使用行為、現實情緒調節為自變項,以網路情緒調節為依變項,
試圖結合研究者蒐集的網路使用行為及情緒調節的理論當中,以線性方程式來表 達出網路情緒調節,最後證實迴歸模式適合,並能夠以網路使用行為及現實情緒 調節來解釋網路情緒調節最大 58.9%的變異量。以下列出網路使用行為與現實情緒
試圖結合研究者蒐集的網路使用行為及情緒調節的理論當中,以線性方程式來表 達出網路情緒調節,最後證實迴歸模式適合,並能夠以網路使用行為及現實情緒 調節來解釋網路情緒調節最大 58.9%的變異量。以下列出網路使用行為與現實情緒