國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
畫數。詳細數據請見表 6。
實驗句的總長控制在 24 至 27 字 (含句點) 範圍內，四種情境平均句長：單 詞義可預測語境平均 26.4 字，單詞義不可預測語境平均 26.6 字，多詞義可預測 語境平均 26.5 字，多詞義不可預測語境平均 26.4 字。實驗句的句中無逗點，目 標詞不落在句首或句末前三個字內，四種情境的目標詞平均出現在句中的位置：
單詞義可預測語境平均出現在第 15.9 字，單詞義不可預測語境平均出現在第 13.7 字，多詞義可預測語境平均出現在第 16.2 字，多詞義不可預測語境平均出現在 第 13.7 字。目標詞的前一個詞彙為雙字詞且非疊字。
第二節、 實驗材料事前評量作業(Norming study)：克漏詞語境預測力 本實驗的語境預測力有無之定義標準由克漏詞語境預測力作業判定。
一、 受試者
共計 60 位受試者參與實驗材料事前評量作業，參與之受試者皆為大學生或 已有大學學歷以上(含)者，年齡介於 18 歲到 30 歲之間。受試者費以半小時計算，
一次給予 50 元，若超過半小時則斟酌補貼 25 元至 50 元不等。
二、 方法
克漏詞作業的材料分成 A 與 B 兩份問卷，每位受試者只會參與其中一份問 卷。任一卷中目標詞僅會出現一次、目標詞動詞與名詞各半出現且可預測語境與 不可預測語境之分佈也為各半。每個句子皆被二十位受試者受測，受試者填出的 詞彙必須完全符合預期的目標詞才列入計算，可預測語境之答對比例必須落在 40 %以上，不可預測語境必須落在 15%以下。前後共施測三次實驗材料事前評 量作業始完成實驗句材料。實驗句的單詞義部分之可預測語境平均為 65%，不可
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
預測語境平均為 1%；而多詞義的可預測語境平均為 69%，不可預測語境平均為 1%。下表 6 整理實驗一的操弄及控制項目之數值分佈與平均值。
表 6 實驗一的操弄及控制項目之數值分佈與平均值
詞義數量 語境
預測力 預測力值 詞義個數 每百萬
詞頻
詞首 鄰項個數
總筆 畫數 單詞義 可預測 65%
1 個 21 次 12.7 個 21.5 筆 不可預測 1%
多詞義 可預測 69%
3.54 個 28.7 次 15.2 個 22.9 筆 不可預測 1%
三、 程序
克漏詞語境預測力作業程序如圖 3。首先會先向受試者解釋指導語的部分，
請他們以直覺填出能夠接續片斷句子的詞彙，練習題四題後進入正式實驗句。
圖 3 克漏詞語境預測力作業程序
第三節、 預期結果
下頁表 7 為實驗一對一詞多義提取歷程之預期結果，分為兩個區域進行分析：
目標詞與目標詞後區域。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
表 7 語義提取歷程之預期結果
劃分出目標詞後區域的原因在於，根據詞義未定模型：若目標詞前的語境內 容沒有偏向某一特定詞義的必要時，可能會發生延遲語義解讀效果，因此，劃分 出目標詞後的區域，以利觀察延遲解讀現象。
若一詞多義的語義提取歷程符合詞義未定模型，表示目標詞上對於多詞義的 理解，因為有共享的語義屬性之故，而毋須在目標詞當下就進行特定詞義的挑選，
因而預期多詞義的凝視時間或凝視比例不會長或低於單詞義(詞義抑制效果)，但 預期在不可預測語境情況下，應在目標詞後的區域上看到詞義抑制效果發生(多 詞義>單詞義)，而在可預測語境下，因為語境的幫忙，預期理解上不會比較費力。
反之，若一詞多義的語義解讀符合直接提取模型，則預期看到目標詞當下立 即進行特定詞義的挑選，因此，在不可預測語境下，多詞義預期因為語境無法幫 忙詞義的挑選，語義提取相對詞義未定模型而言，較為明確、完整，故預期發生 詞義的抑制效果(多詞義>單詞義)，在可預測語境下則由於語境預測力的幫忙，
因此理解上不會比較費力。
第四節、 實驗設備
本實驗採用的眼動儀(eye-tracker)為 Eyelink 1000，其眼球監測系統每秒鐘可 以取得 1000 次的眼球移動位置的資料，此系統包含兩台個人電腦與下巴固定式 眼動偵測儀，並以一條網路線連接，用此種方式可以即時傳輸眼球追蹤儀器所記 錄的眼球位置。其中一台電腦為主試者電腦(host PC)，負責的工作為監測與紀錄
分析 直接提取模型 詞義未定模型
區域 可預測語境 不可預測語境 可預測語境 不可預測語境
目標詞 多詞義＝單詞義 多詞義>單詞義 多詞義＝單詞義
目標詞後
區域 X 多詞義＝單詞義 多詞義>單詞義
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
眼動資料，而另一台電腦則是負責呈現刺激材料(display PC)。所有程式均以 Matlab 2009b 編譯，並於 Windows 7 的環境下執行。
第五節、 實驗程序
當受試者進入實驗室後，主試者會先確認受試者的優勢眼，然後陳述指導語 的部分，接著是請受試者將下巴放到眼球追蹤儀器的固定架上，調整至合適位置 後，會進行五點眼動位置校正程序，以校正眼睛移動的距離與電腦螢幕刺激呈現 的位置。整個眼球追蹤儀器的設定耗時約 5 至 10 分鐘完成，完成後即可進行實 驗。本實驗採用閱讀理解作業，共分為三個階段(block)進行，正式實驗開始前會 先進行八句練習句，之後每個階段會呈現 48 句，其中每個階段皆含有 16 句填充 句(fillers)，每個階段進行前會先出現兩句填充句做為練習，目的是為了避免受試 者在每個階段進行之前還未進入狀況。刺激句呈現為一行，受試者看完句子後必 須凝視在句子後方十字然後自行按下反應盒上的任一按鍵以結束當次嘗試次 (trial)，目的是為了讓主試者確保受試者眼睛對應到螢幕上的位置沒有偏差以做 是否再次校正的依據。句子閱讀結束後隨機會出現理解題(comprehension)，理解 題以是非題的方式呈現，受試者以反應盒左右鍵作答，每個階段的練習題為當階 段嘗試次的百分之四十，每個情境出現的練習次數也相同，皆為 3 次，故共計一 個階段會含有 12 句理解題(3x4 個情境)。本實驗需耗時 30 分鐘至 55 分鐘完成。
程序如下頁圖 4 所示。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4 實驗程序
第六節、 結果
實驗一的分析主要分成兩個區域(Region of Interest，ROI)：(1)目標詞(2)目標 詞後區域。「目標詞」上的首次通過凝視(first-pass fixations)之眼動指標(SFD、FFD、
GD、skipping rate 與 refixation rate)即為「早期處理歷程」的部分，可反映一詞多 義 的 字 詞 辨 識 與 早 期 語 義 提 取 的 歷 程 ， 而 「 目 標 詞」 上 的 再 次 通 過 凝 視 (second-pass fixations)之眼動指標(TVT、GPT、rereading rate、regression-out rate 與 regression- in rate)以及「目標詞後區域」，即為「晚期處理歷程」的部分，可反 映語境介入影響語義選擇以及語義與語境整合的部分。
列入分析的受試者資料，首先會刪除在目標詞上眨眼(blink)的資料點，在計 算平均值之前，會先刪除受試者首次通過凝視的凝視時間小於 80 毫秒與大於 800 毫秒的數值與總凝視時間小於 80 毫秒與大於 1500 毫秒的數值；目標詞後區域的 計算方式由於區域較大，因此不會設眨眼的刪除標準，在計算平均值之前，會先
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
刪除受試者首次通過凝視的凝視時間與總凝視時間小於 80 毫秒與大於 10000 毫 秒的數值，受試者理解題答對率皆高於百分之八十，理解題平均正確率為百分之 九十二(標準差：5%)。本研究採用線性混合效果模型(Linear Mixed Model，LMM) 進行統計考驗，在 R 統計軟體下進行分析。
目標詞上的預測力主要效果在以下指標上均達顯著(FFD，b＝-0.06，SE＝
0.01，t＝-4.54*；SFD，b＝-0.06，SE＝0.01，t＝-4.45*；GD，b＝-0.10，SE＝0.02，
t＝-6.41*；TVT，b＝-0.11，SE＝0.02，t＝-5.16*；GPT，b＝-0.11，SE＝0.02，t
＝-5.98*；skipping rate，b＝0.19，SE＝0.09，p＝0.04*；refixation rate，b＝-0.86，
SE＝0.16，p＝0.00*；regression-out rate，b＝-0.43，SE＝0.21，p＝0.04*)，可預
測的語境較不可預測的語境在目標詞上的凝視時間短，凝視比例也較低。詞義的 主要效果在以下指標上均達顯著(GD，b＝0.04，SE＝0.02，t＝2.2*；GPT，b＝
0.04，SE＝0.02，t＝2.1*；skipping rate，b＝-0.19，SE＝0.09，p＝0.04*)，多詞 義較單詞義的凝視時間短，凝視比例較低。而語境預測力與詞義個數之間的交互 作用，在任何指標上均未達顯著。請見圖 5 及數據參見下頁表 8 與下下頁表 9。
240 260 280 300 320 340 360
單詞義 多詞義 單詞義 多詞義 單詞義 多詞義 單詞義 多詞義 單詞義 多詞義
FFD SFD GD TVT GPT
毫秒
凝視時間
P UP
‧
SKIP REFIX REREAD REGS_OUT REGS_IN凝視比例
‧
Skipping rate Refixation rate Reread rate Regression-out rate
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 6 目標詞後區域的總凝視時間
表 10 目標詞後區域的總凝視時間平均值、標準誤及效果量
註：單位：毫秒。
第七節、 討論
目標詞的結果在語境預測力效果上與過去文獻的發現一致(K. Rayner & Well, 1996)，可預測語境的凝視時間較不可預測語境短，其凝視比例也較低，此現象 存在於早期與晚期歷程，顯示出語境預測力介入詞彙辨識的處理歷程。而在詞義 效果的部分，目標詞上的 GD 與 GPT 指標皆顯示多詞義的凝視時間顯著快於單 詞義，而多詞義的凝視比例也較單詞義低，此結果並不符合直接提取模型的預期，
總凝視時間
可預測語境 不可預測語境 單詞義 999.19(18) 1274.81 (21) 多詞義 977.18(19) 1281.55(21)
單詞義-多詞義(效果量) 7.82
可預測-不可預測語境(效果量) -290.00 *
900 950 1000 1050 1100 1150 1200 1250 1300 1350
單義詞 多詞義
TVT
毫秒 P
UP
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
因為並未在早期階段上觀察到多詞義較單詞義困難。然而，詞義未定模型認為一 詞多義的理解最初會以未定意義來作為暫時的解釋，在實驗一結果中，僅觀察到 詞義的促進效果(多詞義的凝視時間快於單詞義)，可能的解釋在於一詞多義因其 豐富的詞義，致使能比單詞義更快提取到涵蓋所有詞義的核心語義，在此結果上 支持單一表徵的看法，也表示一詞多義因彼此間的詞義屬性有所重疊，因此，提 取到的語義是比較不明確的意義(underspecified meaning)，此結果亦與部分語義 解讀的看法相合，語義的提取是以部分語義解讀來理解的，故詞義未定模型的預 期較為符合。進一步，根據詞義未定模型的預期，一詞多義的語義處理在語義提 取之後應會發生延遲語義解讀的效果，但實驗一在目標詞後的區域上並未觀察到 語境預測力與詞義個數的交互作用，同時，也沒有觀察到詞義的抑制效果發生，
即多詞義的凝視時間比單詞義長或多詞義的凝視比例比單詞義高的情形。
即多詞義的凝視時間比單詞義長或多詞義的凝視比例比單詞義高的情形。