探索性因素分析

完全沒有 1 0.2%

1~5 個 228 39.2%

6~10 個 263 45.3%

11~15 個 74 12.7%

16~20 個 12 2.1%

21 個（含）以上 3 0.5%

第二節 探索性因素分析

本研究使用 SPSS22 軟體作為分析工具。為了降低因為因素分類所造成的誤 差，本研究自有效問卷 581 份中進行 30 次資料隨機抽樣分別進行分析。而根據 Schwab (1978)與 Rummel (1988)建議，當進行量表發展，題項與問卷最適當的比 例為 1：4 至 1：10 不等。因此本研究以約為 1：6 的比例，每次抽取 350 份資 料。

首先以 KMO (Kaiser-Meyer-Olkin)與 Bartlett’s 檢定來判定資料集是否適合進 行後續的分析作業。結果顯示 30 份資料集的 KMO 值皆大於 0.9，屬於因素分析 適用性「非常良好」(Kaiser, 1974)；Bartlett’s 球型檢定數值皆為 0.000，代表非常 顯著。所有資料集均通過判定標準，表示變項間有足夠的相關性，可以進行因素 分析以擷取共同因素，詳細數據請參考表 10 的「KMO」及「Bartlett」欄位。

接下來進一步針對量表中的 58 個題項進行探索性因素分析。本研究採用主 成分法進行因素萃取。根據特徵值(Eigenvalues)保留大於或等於 1 的判斷方法，

本研究發現若保留五種以上因素，會造成後續的分類作業中，第六種或第七種因 素可能發生只包含一個項目的情況。本研究認為只以一個題項衡量整體構面可能 會造成偏誤，因此同時考慮特徵值、解說總變異量以及後續分類作業的結果後，

只萃取了特徵值大於 1 的前五種因素，而所有資料集的解說總變異量均達到 61%

以上，符合 60%的判定標準。本研究採用最大變異法(Varimax)作為轉軸法，保留 因素負荷量(Factor Loading)大於 0.5 之項目(Hair, Black, Babin, Anderson & Tatham, 1992)，如表 10「各因素所包含之題項數」所示，所有資料集的平均刪除題數為 13.26 題。

根據上述結果，本研究分別將各資料集中 Factor Loading 小於 0.5 的項目剔 除，重新進行因素分析作業。如表 11「KMO」及「Bartlett」所示，所有資料集 的 KMO 值皆大於 0.9，屬於因素分析適用性「非常良好」 (Kaiser, 1974)。而 Bartlett’s 球型檢定數值均為 0.000，表示非常顯著。所有資料集經過項目刪除，

仍全數通過判定標準。此階段同樣保留五種特徵值大於 1 的因素，且資料集的解 說總變異量相較於刪除前均提高了，達到 65%以上，滿足 60%的判定標準。以最 大變異法(Varimax)作為轉軸法，亦保留因素負荷量大於 0.5 之變數，如表 11「各 因素所包含之題項數」所示，平均刪除題數為 1 題。

D1 D2 D3 D4 D5 D6 D7 D8 D9 D10 D11 D12 D13 D14 D15 D16 D17 D18 D19 D20 D21 D22 D23 D24 D25 D26 D27 D28 D29 D30 KMO 0.969 0.967 0.970 0.969 0.972 0.972 0.968 0.969 0.968 0.972 0.970 0.968 0.971 0.971 0.969 0.972 0.973 0.969 0.968 0.970 0.969 0.966 0.970 0.969 0.967 0.966 0.967 0.968 0.968 0.967 Bartlett 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

各因素 之特徵 值

1 28.129 27.234 29.266 28.141 28.302 28.726 27.643 27.365 26.674 28.624 28.444 27.386 29.171 27.744 28.139 28.712 29.492 27.614 27.362 29.036 28.047 26.797 28.474 27.92 27.654 27.139 27.146 27.55 28.132 27.172 2 3.539 3.949 3.543 3.376 3.464 3.432 4.05 3.814 3.701 3.615 3.723 3.766 3.571 3.696 3.410 3.770 3.293 3.771 3.508 3.448 3.251 3.460 3.282 3.913 3.799 3.705 3.374 3.665 3.668 3.941 3 2.138 2.055 1.999 2.160 2.226 2.122 2.142 2.226 2.175 2.069 2.235 2.137 1.896 2.124 2.058 2.000 2.054 2.197 1.991 2.036 2.164 2.145 2.183 2.365 2.018 2.257 2.103 2.288 2.036 2.291 4 1.755 1.689 1.812 1.712 1.629 1.678 1.684 1.767 1.878 1.686 1.729 1.756 1.681 1.871 1.774 1.762 1.743 1.767 1.873 1.791 1.757 1.954 1.748 1.560 1.738 1.826 1.918 1.827 1.884 1.856 5 1.374 1.407 1.309 1.345 1.318 1.332 1.222 1.406 1.412 1.243 1.34 1.417 1.339 1.431 1.431 1.255 1.335 1.379 1.422 1.558 1.359 1.464 1.303 1.359 1.413 1.397 1.470 1.354 1.365 1.287 累計解釋量(%) 63.680 62.646 65.393 63.334 63.688 64.307 63.345 63.067 61.795 64.202 64.606 62.864 64.927 63.563 63.469 64.654 65.376 63.326 62.338 65.291 63.066 61.759 63.776 63.995 63.14 62.629 62.088 63.248 63.94 63.012

各因素 所包含 之題項 數

1 16 15 17 14 12 15 13 14 12 12 17 17 15 12 14 17 14 12 12 12 12 12 15 14 12 12 12 15 16 14

2 12 12 12 12 12 12 12 13 13 12 12 12 12 11 12 12 12 12 11 14 11 10 12 12 11 12 12 12 12 12

3 11 10 10 8 8 10 10 9 9 11 10 11 10 10 10 9 9 10 10 8 10 9 9 10 7 11 10 10 10 11

4 4 4 5 4 5 6 7 4 5 4 5 4 4 4 5 5 9 5 6 6 6 5 5 4 7 5 4 4 5 6

5 3 4 5 5 4 4 3 5 4 5 3 4 4 4 4 5 4 4 4 5 4 4 5 5 5 4 4 4 4 4

刪除題數 12 13 9 15 17 11 13 13 15 14 11 10 13 17 13 10 10 15 15 13 15 18 12 13 16 14 16 13 11 11

註：D1 代表 Dataset1，D2 代表 Dataset2，以此類推

表 11、刪除變數後—因素分析彙總表

D1 D2 D3 D4 D5 D6 D7 D8 D9 D10 D11 D12 D13 D14 D15 D16 D17 D18 D19 D20 D21 D22 D23 D24 D25 D26 D27 D28 D29 D30

KMO 0.969 0.965 0.97 0.965 0.965 0.968 0.967 0.965 0.961 0.967 0.969 0.966 0.967 0.964 0.965 0.969 0.97 0.963 0.964 0.966 0.964 0.959 0.969 0.963 0.963 0.962 0.963 0.963 0.967 0.963 Bartlett 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

各因素之 特徵值

1 22.964 21.382 25.014 21.29 19.996 23.351 21.447 21.426 19.666 21.585 23.15 22.913 22.827 19.636 22.099 24.041 24.42 20.697 20.362 22.645 20.961 18.599 22.78 21.495 20.183 20.821 19.75 21.53 22.971 21.883 2 3.368 3.788 3.461 3.244 3.244 3.284 3.824 3.665 3.476 3.403 3.598 3.655 3.484 3.365 3.194 3.716 3.184 3.674 3.264 3.343 3.013 3.07 3.158 3.787 3.588 3.51 3.156 3.566 3.577 3.81 3 1.83 1.831 1.827 1.863 1.934 1.966 2.03 1.932 1.951 1.784 1.986 1.861 1.72 1.815 1.87 1.814 1.953 1.86 1.769 1.814 1.973 1.933 1.945 2.065 1.798 1.951 1.892 2.034 1.823 2.058 4 1.58 1.606 1.713 1.518 1.485 1.589 0.604 1.642 1.69 1.609 1.602 1.667 1.557 1.722 1.666 1.583 1.66 1.612 1.682 1.643 1.648 1.81 1.685 1.52 1.492 1.642 1.724 1.649 1.754 1.828 5 1.244 1.298 1.248 1.209 1.222 1.213 1.138 1.337 1.253 1.164 0.1213 1.365 1.205 1.35 1.329 1.198 1.266 1.281 1.325 1.475 1.284 1.289 1.143 1.172 1.327 1.341 1.361 1.302 1.311 1.22 累計解釋量(%) 67.362 66.458 67.882 67.732 68 66.816 66.77 66.671 65.199 67.15 67.128 65.544 68.431 68.022 67.018 67.4 67.675 67.732 66.051 68.711 67.161 66.751 66.763 66.752 67.59 66.512 66.388 66.847 66.883 65.532

各因素 所包含 之題項 數

1 18 12 17 12 12 12 12 12 12 12 17 17 15 12 12 17 12 12 12 12 12 12 14 12 12 12 12 12 16 14

2 12 15 12 13 12 14 13 14 13 12 12 12 12 11 14 12 14 12 11 14 11 10 12 15 11 12 12 15 12 12

3 8 10 10 7 7 10 10 9 9 11 10 11 9 10 10 9 9 10 10 7 10 9 8 10 7 11 10 10 10 10

4 4 4 5 5 4 4 6 5 5 5 5 4 4 4 5 4 6 5 4 5 6 4 5 4 5 4 4 4 5 5

5 3 4 3 4 4 4 3 4 4 4 3 4 4 4 4 5 4 4 4 5 4 4 5 3 5 4 4 4 4 4

刪除題數 1 0 2 2 2 3 1 1 0 0 0 0 1 0 0 1 3 0 2 2 0 1 2 1 2 1 0 0 0 2

註：D1 代表 Dataset1，D2 代表 Dataset2，以此類推

為了避免採用單一資料集所造成的偏誤，本研究分別計算了所有資料集中，

每個項目被刪除以及所分配因素之比例。附錄三為計算每個項目在整體資料表中 屬於相同刪除結果的比例，舉例說明，D1 與 Q1 交集的 20%代表 Dataset1 的 Q1 結果與全體 30 份資料集中 20%的 Q1 結果相同，為被刪除。根據彙整結果得到 附錄三中 MAX 欄位為各項目比例之最大值，代表主要刪除與否之結果。本研究 發現 Dataset18 的數據皆符合 MAX 欄位比例，表示此資料集是符合大多數數據 結果的資料。附錄四為計算每個項目在整體資料集中屬於相同因素分類結果的比 例，舉例說明，D3 與 Q1 交集的 50%表示 Dataset3 的 Q1 結果與全體 30 份資料 集中 50%的 Q1 結果相同，為被歸類到第四個因素之中。根據彙整結果亦得到附 錄四中表示各項目的主要因素歸類結果的 MAX 欄位，其中 Q7 與 Q15 的比例相 對於其他項目顯得較低，分別為 37%及 40%，原因在於這兩個項目各個資料集進 行因素分析軸轉後的結果較為分散。Dataset18 的數據依舊符合 MAX 的欄位比 例，表示此資料集符合大部分數據歸類結果。綜合以上結果，本研究以 Dataset18 為樣本進行後續的分析作業。

為驗證因素分類結果一致性，本研究根據上述結果所剩餘之 43 題題項，將 全部 581 份資料集再次進行探索性因素分析作業。所得到之 KMO 值為 0.971，

大於 0.9 標準數值，屬於因素分析適用性「非常良好」(Kaiser, 1974)；Bartlett’s 球 型檢定數值為 0.000，代表非常顯著。資料集的解說總變異量為 67.141%，亦符 合 60%的判定標準。在因素萃取與題項歸類結果皆與第二節相同，如表 12 所示。

表 12、總體資料集之因素分析結果

題項 因素一 因素二 因素三 因素四 因素五

35. 此系統的介面是令人愉悅的 .598

36. 我喜歡使用此系統的介面 .569

41. 畫面看起來具有協調感 .568

42. 畫面佈局令人感到多樣化 .750

43. 畫面佈局讓人耳目一新 .819

44. 畫面佈局使人感覺生動活潑 .838

45. 畫面設計讓我感到興趣 .816

46. 畫面顏色的組合具有吸引力 .776

47. 畫面佈局呈現出專業設計 .738

48. 畫面佈局讓人感覺跟得上潮流 .788

49. 畫面的設計使人感覺很用心 .781

54. 這個系統的畫面非常有吸引力 .690

9. 這個系統很容易使用 .573

15. 此系統所提供的資訊對我來說是容易理解的 .546

19. 在我對這個系統上手之前，我不需要學很多前置

工作 .703

20. 我不需要有人幫助就能使用這個系統 .716

21. 這個網站在操作上對我來說合乎邏輯 .582

26. 這個系統不需要太多引導的說明 .716

28. 記得我在這個系統上所處的操作流程階段是容

易的 .695

29. 在這個系統內往來操作很容易 .722

30. 在系統上進行操作時，不需要耗費太多心理與感 官上的知覺(如：思考、決定、計算、記憶、觀 察、搜尋等)

.680

31. 在系統上進行任務，對我來說不需特別耗費體力 .725

32. 任務進行時，我感受不到時間的壓力 .617

34. 我不需要太多的努力就可以達到系統操作的要

求 .738

24. 使用這個系統是不浪費我時間的 .558

25. 這個網站可以幫助我找到我想要的東西 .565

37. 整體來說，我很滿意這個系統 .609

50. 我認為這個系統是很棒的 .628

52. 這個系統有很多我感興趣的東西 .572

53. 我喜歡使用這個系統 .752

55. 這個系統所提供的資訊是值得信賴的 .521

56. 您可能將這個系統介紹給朋友或同事 .730

57. 我將來可能會瀏覽這個系統 .675

58. 使用這個系統是個令人感到滿意的經驗 .716

1. 透過多次嘗試去了解系統的新功能是簡單的 .587

2. 整體系統的用詞是一致的 .710

3. 畫面上資訊的位置是一致的 .713

4. 系統中的用詞與我的執行動作是相關的 .650

7. 畫面上的文字或圖像是容易辨認的 .520

6. 錯誤訊息是有幫助的 .763

11. 此系統所提供的錯誤訊息明確地告訴我該如何

解決問題 .813

12. 當我在操作此系統時，我可以很快速地從錯誤

中恢復 .765

13. 此系統所提供的資訊(如線上幫手、螢幕訊息和

其他文件)是清楚明確的 .552

經過因素萃取後得到了五種因素，總共 43 個題項，此五種因素可以解釋題 目總變異量為 67.732%，第一種因素包含 12 個項目，第二種因素包含 12 個項

目，第三種因素包含 10 個項目，第四種因素包含 5 個項目，第五種因素包含 4 個項目，並刪除了 15 個因素負荷量小於 0.5 的項目。針對所得到的五種因素，

逐一為其命名。

因素一總共包含 12 個題項。如表 13 所示，除了第 54 題為情感反應(E)特性 題項，其他 11 題皆屬於非功能性(N)。觀察題項來源，發現其中 9 個題項（第 41 題至第 49 題）均來自衡量介面美感的 VisAWI 量表；而第 35、36 題來自 PSSUQ 中用來衡量使用者對介面的外觀、佈局之感知的介面品質構面，亦屬於介面美感 衡量之題項。第 54 題雖然屬於情感反應特性，其因素負荷量 0.708 相較於其他 題項並無太大落差，題項內容亦是針對介面外觀進行衡量。會發生類別不同的原 因可能在於，最初本研究主要是以各構面進行功能性特性(I)、非功能性特性(N) 及情感反應特性(E)的分類，然而各構面所包含的題項並不完全屬於該特性。經 過因素萃取與軸轉後，將所有題項打散後並重新分配，得到新的結果。

Silvennoinen et al. (2014)將使用者介面中，關於視覺設計的部分稱為視覺美 感，而因素一主要包含的題項皆為衡量使用者對於介面在視覺上設計與美感，因 此本研究沿用此名稱，將因素一命名為「視覺美感」。「視覺美感」屬於 CUE 模 型中的非功能性特性。

在信度方面，本研究以 Cronbach’s α 係數進行構面內每個題項的內部一致性 檢定。視覺美感構面所得到的 Cronbach’s α 值為 0.958，大於 0.7 的判斷標準，表 示此構面具有良好的信度。

表 13、因素一 視覺美感

因素一 視覺美感

Factor

Loading CUE

量表 原始構面

35. 此系統的介面是令人愉悅的 .591 N PSSUQ Interface quality 介面品質 36. 我喜歡使用此系統的介面 .570 N PSSUQ Interface quality

介面品質 41. 畫面看起來具有協調感 .584 N VisAWI Simplicity 簡單性 42. 畫面佈局令人感到多樣化 .751 N VisAWI Diversity 多元性 43. 畫面佈局讓人耳目一新 .831 N VisAWI Diversity 多元性 44. 畫面佈局使人感覺生動活潑 .820 N VisAWI Diversity 多元性 45. 畫面設計讓我感到興趣 .808 N VisAWI Diversity 多元性 46. 畫面顏色的組合具有吸引力 .792 N VisAWI Colorfulness 色彩 47. 畫面佈局呈現出專業設計 .741 N VisAWI Craftsmanship 技術性 48. 畫面佈局讓人感覺跟得上潮流 .783 N VisAWI Craftsmanship 技術性 49. 畫面的設計使人感覺很用心 .776 N VisAWI Craftsmanship 技術性 54. 這個系統的畫面非常有吸引力 .708 E WAMMI Attractiveness 吸引力

因素二總共包含 12 個題項。如表 14 所示，題項來源雖不如因素一一致，但 所有題目皆屬於功能性特性(I)。其中認知負荷構面所占比例最多（第 30 題至第 34 題）；而題項 21、26 及 28 則來自同一個量表 WAMMI。

認知負荷理論(Cognitive Load Theory)涉及認知資源如何在學習和解決問題 過程中的分配與使用，認知負荷為人類在解決問題和學習的過程所需消耗認知資

需特別耗費體力 構面 認知負荷

根據態度三元論(The ABC Model of Attitude)，態度由情感(Affect)、行為 (Behavior)及認知(Cognitive)三個元素所組成。情感元素指的是使用者對態度對象

Overall reaction to the software

吸引力 55. 這個系統所提供的資訊是值得信

賴的 .533 E SUPR-Q Trust & Credibility 可信性 56. 您可能將這個系統介紹給朋友或

同事 .739 E SUPR-Q Loyalty 忠誠度

57. 我將來可能會瀏覽這個系統 .710 E SUPR-Q Loyalty 忠誠度 58. 使用這個系統是個令人感到滿意

的經驗 .709 E UMUX Satisfaction 滿意度

因素四總共包含 5 個題項。如表 16 所示，題項皆屬於功能性特性(I)，來源

因素四總共包含 5 個題項。如表 16 所示，題項皆屬於功能性特性(I)，來源