第五章 結論與建議
第二節 建議
本研究發現除了 PISA2003 的國家網路妥善度能顯著「正向」調節學生 ICT 使用時間對數學素養、閱讀素養和科學素養的影響外，PISA2006 和 2009 的國家 網路妥善度均顯著「負向」調節學生 ICT 使用時間對數學素養、閱讀素養和科學 素養的影響，也就是說在 PISA2003 中，國家網路妥善度越高，則學生 ICT 使用 時間對數學素養、閱讀素養和科學素養的影響越強，但在 PISA2006 和 2009 中，
國家網路妥善度越高，則學生 ICT 使用時間對數學素養、閱讀素養和科學素養的 影響越弱，這結果因 PISA2003 和 2006、2009 的結果有歧異性，故須再加以更深 入的研究。
第二節 建議
依據本研究分析結果，提出下列建議。
一、國家教育政策方面
(一) 制定更佳的教育政策以同時推動數學和科學教育
根據本研究顯示，學生數學素養和科學素養間的關係最密切，代表科學素養 的培育，必須扣緊科學素養的培育，兩者的關係密不可分，國家必須制定更佳的 教育政策，來同時推動數學和科學教育。
(二) 投入更多經費以提升國家整體閱讀素養的落差
本研究亦發現在 PISA2006 和 2009 中的閱讀素養，均顯示國家之間落差相當 大，需要國家在閱讀教育的推動上，持續的投入更多經費，以提升國家整體閱讀 素養的落差。
(三) 防制學生網路成癮或過度的使用 ICT 相關產品
在本研究中發現 PISA2006 和 2009 中的學生 ICT 使用時間呈現負向影響數學
素養、閱讀素養和科學素養，推測可能與網路成癮或過度的使用 ICT 相關產品有 關，會造成學生的表現低落，這值得國家教育單位的重視，必須提出更好的輔導 機制，來防制學生網路成癮或過度的使用 ICT 相關產品。
(四) 國家必須努力做好網路環境基礎建設
在本研究中發現 PISA2006 和 2009 中的國家的網路妥善度能正向影響數學素 養、閱讀素養和科學素養，所以國家必須努力做好網路環境基礎建設。另在研究 中亦顯示，國家的網路妥善度能負向調節學生 ICT 使用時間對數學素養、閱讀素 養和科學素養的影響，也就是說國家的網路妥善度越好，則能降低學生 ICT 使用 時間負向影響數學素養、閱讀素養和科學素養的程度。
二、學校課程教學方面
(一)統整數學和科學課程及教學
本研究顯示學生的數學素養和科學素養具有密切關係，所以學校在課程方面，
可以將這兩者加以統整，建議科學教師應具備科學方面的學科教學知識，也應具 有數學學科的教學知識，幫助學生在科學學習中解決遇到的數學困難；而數學教 師在教學過程中，也需要培養學生將所學的數學概念應用在科學學習，可用具體 的科學情境來呈現。
(二)創新 ICT 課程和教學以培育科技人才
為培養新世代的公民，學校教育不單在教學目標、課程和教學方法上需要創 新與變革，更重要的是需要從基本的教育理念、價值觀和 21 世紀全球知識型經 濟與資訊科技社會的需求著眼，有系統的從政策、研究與實務方面做整體的考量、
通盤的規劃，將 ICT 教學由電腦操作的基本技能訓練，提升到一個嶄新的學習層 次，以發展思維，誘發創意，創造知識為出發點，結合學校教育的長遠目標，致 力培育具創新能力的科技人才。
三、未來研究方面
(一)可運用多變量階層線性模式於其它國際大型評量資料庫之分析研究
多變量階層線性模式分析具有許多優點，雖然前置資料的處理較繁複，但是 卻能同時分析 PISA 的數學素養、閱讀素養和科學素養，所以建議未來 PISA 每三 年釋出評量結果時，可採用此模式來進行相關研究。另外，多變量階層線性模式 分析亦可使用在其它的大型國際評量資料分析。
(二)可再進行其它相關的個人變項與國家變項之分析研究
本研究僅以學生階層的學生 ICT 使用時間，以及國家階層的國家網路妥善度 來進行分析，未來仍可探討其它相關的個人變項與國家變項對學生數學素養、閱 讀素養和科學素養之影響。
參考文獻
家科學委員會專題研究成果報告(編號：NSC 95-2522-S-026- 002)。周玉慧(2009)。夫妻間衝突因應策略之類型變遷及其長期影響。第四屆「社會學 與心理學的對話」學術研討會。
吳炎冠(2012)。PISA 2009 亞洲國家地區學生ICT 與數學素養表現關係之探討
（碩士論文）。國立臺中教育大學，臺中市。
吳春慧(2010)。數學和科學領域I/E模式的探討：跨性別之研究。屏東教育大學學 (Taiwan Network of eSchools，TNES。http://eschool. edu. tw/ )。
張文良(2011)。PISA中學校背景、學校經營因素與學生學科成就表現關係之研究
謝中琮(2011)。我國網路妥善度持續上升，快速邁向E化典範國家。行政院經建會 經研處研究報告。
貳、英文部分
Bussière, P., Cartwright, F., & Knighton, T. (2004). The performance of Canada’s youth in mathematics, reading, science and problem solving: 2003 first findings for Canadians aged 15. Ottawa, Canada: Authority of the Minister Responsible for Statistics Canada.
Knight, G. R. (1998). Issues and alternatives in educational philosophy, MI: Andrews University Press.
Kotte, D., Lietz, P., & Lopez, M. M. (2005). Factors influencing reading achievement in Germany and Spain: Evidence from PISA 2000. International Education Journal, 6, 113-124.
Lin, Y. H., Chang, C. T., Lin, H. F., & Wu, Z. S. (2007). Analysis of HLM on PISA 2003 based on networked readiness index of countries and mathematics learning of students. 6th WSEAS International Conference on EDUCATION and
EDUCATIONAL TECHNOLOGY, Italy, 13-18.
OECD (2000). Measuring student knowledge and skills: The PISA 2000 assessment of reading, mathematical and scientific literacy. Paris, France: OECD.
OECD (2003). The PISA 2003 assessment framework- Mathematics, reading, science and problem solving knowledge and skills. Paris, France: OECD.
OECD (2004a). Problem solving for tomorrow’s world. First measures of cross-curricular competencies from PISA 2003. Paris, France: OECD.
OECD (2004b). Learning for tomorrow’s world. First results from PISA 2003. Paris, France: OECD.
OECD (2006). PISA2006 science competencies for tomorrow’s world. Volumn 1:
Analysis. Paris, France: OECD.
OECD (2007). Human capital: How what you know shapes your life. Paris, France:
OECD.
OECD (2010). PISA 2009 Assessment Framework - Key competencies in reading, mathematics and science. Paris, France: OECD.
Pedhazur, E. J. (1997). Multiple regression inbehavioral research: Explanation and prediction (3rd ed.). New York: Holt,Rinehart and Winston.
Raudenbush, S. W., Brennan, R. T., & Barnett, R. C. (1995). A multivariate
hierarchical model for studying psychological change within married couples.
Journal of Family Psychology, 9, 161-174.
Raudenbush, S. W., & Bryk, A. S. (2002). Hierarchical linear models :Applications and data analysis methods (2nd Edition). Thousand Oaks, CA: Sage.
Schwab, K., Porter, M. E., & Cornelius, P. K. (2004). The global competitiveness report 2003-2004 (Global competitiveness report), Oxford University Press, 2004.
Shrout, P.E. & Fleiss, J.L. (1979) Intraclass correlations: Uses in assessing rater reliability. Psychological Bulletin, 2, 420-428.
Soumitra, D., Bruno L., & Fiona P. (2004).The global information technology report 2003-2004, Oxford University Press, 2004.
Thum, Y. M. (1997). Hierarchical linear models for multivariate outcomes. Journal of Educational and Behavioral Statistics, 22, 77-108.
Usami, S. (2009). Applying Gibbs Sampler for multivariate hierarchical linear model.
World Academy of Science, Engineering and Technology, 54, 340-342.
WEF (2009). Global competitiveness report 2009-2010. Oxford, NY: Oxford University Press.
WEF (2006). Global competitiveness report 2006-2007. Oxford, NY: Oxford University Press.
Williams, J. H. (2005). Cross-national variations in rural mathematics achievement: A descriptive overview. Journal of Research in Rural Education, 20(5), 1-18.
Willms, J. D. (1999). Basic concepts in hierarchical linear modeling with applications for policy analysis : Handbook of educational policy. New York:Academic Press.
附錄
附錄一 多變量階層線性模式資料前置處理流程
多變量資料處理步驟： 陳敏彥 製 1000306 (以 PISA2009 為例，欲同時分析數學、閱讀和科學 PV 值當依變項)
1. 使用 SPSS16.0 以上版本(才可讀取 EXCEL2007)，然後打開 INT_STQ09_DEC10 資料檔，先將所欲探討的變項整理好，刪除不必要的變項。
2. 然後再將所欲探討的數學、閱讀和科學各 5 個 PV 值和其所對應的 Indicators (Indicators 欄位可使用轉碼的方式製作)，分別存成 3 個不同的.sav 檔案 (math.sav 檔、read.sav 檔和 scie.sav 檔)，其餘變項均不變地跟隨。(可參考附 件) readID.sav 檔和 scieID.sav 檔。
5. 再分別將這 3 個 ID 檔併入前面(第 2 點)所製成的檔案中(math.sav 檔、read.sav
(3) 再分別存成.dat 檔(math.dat 檔、read.dat 檔和 scie.dat 檔) (4) 然後最好將它們貼到 C 槽下來使用 SAS 讀進來。
9. 打開 SAS，並使用下列語法處理：
data math;
infile 'c:\math.dat';
input A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17;
*PROC PRINT DATA=math;
run;
data read;
infile 'c:\read.dat';
input A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17;
*PROC PRINT DATA=read;
run;
data scie;
infile 'c:\scie.dat';
input A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 A13 A14 A15 A16 A17;
*PROC PRINT DATA=scie;
run;
proc sort data=math; by A17;
proc sort data=read; by A17;
proc sort data=scie; by A17;
data mrs;
set math read scie; by A17;
run;
附註：給予的變項數是要看你所要丟進來的變項數來決定，另外要注意 ID 欄 是哪個變項，上面這個語法中，A17 就是 ID 欄。
10. 跑完確定 LOG 欄內沒有 Error，且觀察值數目是正確的後，使用 EXPORT DATA 指令(下拉式選單 file 內)將檔案(合併完的檔案)輸出成.csv 檔。
11. 再用 SPSS16.0 將它讀進來，並給予正確的變項名稱。
12. 此即完成檔案的轉檔合併工作。