設、規劃實驗、進行實驗、資料分析、蒐集證據到解釋結果(National Research Council, 2000)，都必須透過不停的相互討論，並且經由實際的實驗操作，來加深 學生的學習印象。
科學探究學習並非是一個新的科學教學法，主要目的在於幫助學生在科學探 究的過程中建構知識，以及養成基礎的科學認知能力。科學能力的培養，包括實 際操作之經驗、歸納、演繹和驗證等，藉以幫助學生理解科學的演譯過程，知道 為什麼會產生這樣的結果。過去的研究指出，透過科學探究課程學習的學生，會 獲得比傳統教學更好的科學知識學習成效，並且增強對於科學的好奇心(Buffler, Allie, & Lubben, 2001; Cropley & Page, 2002)。因此，比起傳統的教學法，於科學 課程中融入探究學習之設計，除了可以讓課程更加生動、活潑且讓學生印象深刻 外，也能提升學生的好奇心，以及對於課程的理解。
過去有許多研究在探討該如何提升學生之科學探究能力，但是大多著重於科 學探究課程的發展與科學探究能力的評估機制(Myers & Burgess, 2003; Wu &
Hsieh, 2006)，但近年來則慢慢演進為利用科技工具模擬實驗情境，利用學生操作 實驗之歷程來評估學生之科學探究能力(Buffler et al., 2001)。Gobert 等人(2013)的 研究指出，學生設計控制實驗的能力，可以藉由實驗操作之歷程，使用資料探勘 技術中的決策樹來進行建模，進而評估其能力。但是隨著控制變項越來越複雜，
仍有評量規則不夠完整與精確的問題，需要進一步的發展與改善。有部分研究者 提出科學探究能力並非靜態，會受到學生對於該領域知識熟悉程度(Kuhn et al., 1995; Germann, Aram, & Burke, 1996)、科學探究的學習環境(Greeno, 2001)等認知 和環境因素的影響(Zion, Michalsky, & Mevarech, 2005)。
‧
(scientific attitudes)」與「對科學的態度(attitude toward science)」兩大類，前者是 指問題解決等像科學家一樣思考的能力，如客觀等；後者則是指對科學議題的態 度(Gardner, 1975; Haladyna & Shaughnessy, 1982; 蘇懿生、黃台珠，1998)。徐慶 雲(2008)研究結果顯示，探究式教學顯著提升學生科學知識與概念，並能使學生 錄(Paulson et al., 1991)，例如：學習登入時間、瀏覽教材時間，以及與其他學習 者之互動狀況等。相較於傳統紙筆測驗的總結性評量，透過學習歷程的形成性評 量能更加全面性的掌握影響學習成效的原因，並可藉由學習歷程充分了解學習者 的學習進度、學習困難，以及努力程度等。很明顯，學習歷程紀錄在教育上的應 用，已經成為發展趨勢(Sparapani et al., 1996; 陳文森，2003；許金山，2006；林 奇賢、黃耿鐘，2007）。過去學習歷程紀錄標準，多採用美國國防部(Department of Defense，DoD)和 白宮科技政策辦公室(Office of Science and Technology Policy, OSTP)於 1997 年 11 月所發起的高階分散式學習(Advanced Distributed Learning, ADL)計畫，所提倡的 SCORM(Sharable Content Object Reference Model)標準。該計畫主要是為了確保 國防部與其他聯邦雇員，能夠利用先進的科技技術，在千變萬化的工作場域中精 進學習技能。SCORM 是一個整合各家規範的標準，主要是希望相同模型的系統 之間彼此能夠共享資料，這個規範提升了學習管理系統(Learning Management Systems, LMSs)的可復用性(reusability)及互用性(interoperability)。SCORM 從 2000 年開始陸續發布 SCORM 1.0、SCORM 1.2、SCORM 2004，以及 2009 年的最新 版本 SCORM 第四版。但是隨著科技的發展，以及數位學習平台的日趨多樣化，
此標準已經漸漸不敷使用。因此，ADL 克服 SCORM 僅能追蹤特定課程導向的 學 習 歷 程資 料記 錄 侷限 ， 提 出 了 學習 歷 程 紀 錄 的 新標 準 xAPI (Experience Application Programming Interface)(Advanced Distributed Learning, 2014, 2015)。
‧
學習歷程。xAPI 除了支援 SCORM 原本諸如紀錄追蹤完成(Track completion)、追 蹤時間(Track time)、追蹤通過/失敗(Track pass/fail)和回報單一分數(Report a single score)等功能之外，還支援回報多個分數(Report multiple scores)、詳細測試結果 (Detailed test results)、不需要瀏覽器支援(No internet browser required)等功能。SCORM 與 xAPI 之詳細比較如表 2- 1 所示。 回報多個分數(Report multiple scores) V 詳細測試結果(Detailed test results) V
安全性較高(Solid security) V
不需要 LMS(No LMS required) V
不需要瀏覽器支援(No internet browser required) V 完全控制內容(Keep complete control over your content) V 沒有跨領域的限制(No cross-domain limitation) V 可以使用行動 APP 學習(Use mobile apps for learning) V 跨平台(電腦或行動裝置)
(Platform transition (i.e. computer to mobile))
V
追蹤學習遊戲(Track serious games) V
追蹤模擬(Track simulations) V
追蹤非正式學習(Track informal learning) V 追蹤現實世界(Track real-world performance) V 追蹤離線學習(Track offline learning) V 追蹤交互學習(Track interactive learning) V 追蹤適性學習(Track adaptive learning) V 追蹤混合學習(Track blended learning) V 追蹤長期學習(Track long-term learning) V 追蹤團體學習(Track team-based learning) V
xAPI 使用 JSON 格式將學習歷程記錄到學習歷程記錄器(Learning Record Store, LRS)中，以保存每一個學習歷程狀態。每一個記錄的學習歷程可以分成包 括“主詞(Actor)＂、“動詞(Verb)＂和“受詞(Object)＂三個部分，例如：“Mike passed Introduction to REST＂ (Tin Can API, 2015c)。 xAPI 記錄的學習歷程能夠
‧
xAPI 是相當彈性的標準，無論是行動學習、模擬、虛擬世界、學習遊戲(serious games)、現實世界的活動、體驗式學習(experimental learning)、社交學習(social learning)，以及離線學習和協作學習等，都可以套用 xAPI 的標準來收集學習歷 程相關資料(Tin Can API, 2015b)。
資料探勘(Data Mining)技術能在大量資料中找出有價值的隱含性資訊與知 識，作為重要的決策參考依據(Kamber et al., 2012)。經由樣式判別、關聯式規則、
預測，以及分群等技術的探勘分析，可解讀出具參考價值的學習資訊，例如藉由 帳號登入時間、文章發表篇數等特徵，診斷出學生在學習過程中是否呈現學習倦 怠，協助教師更精準掌握學生的學習動態，並且基於診斷結果進行回饋，以提升 學生的學習成效具(Jong, Chan, & Wu, 2007; 黃月怡，2011）。此外，Chen 與 Chen (2009)藉由分群和模糊關聯規則，探勘出關鍵之評量特徵，進而產生即時之模糊 形成性評量規則，並以模糊推論(fuzzy inference)預測學生之學習成效，進行即時 回饋，以有效提升網路學習成效。Chen 等人(2014)藉由探勘學習者於閱讀標註系 統之標註行為，以決策樹探勘影響閱讀焦慮之閱讀標註行為特徵，並回饋給教師 作為制定降低閱讀焦慮策略的參考。此外，Laxhammar 與 Falkman(2014)的研究 基於循序樣式探勘的異常檢測(Sequential Hausdorff Nearest-Neighbor Conformal Anomaly Detector, SHNN-CAD)，有效檢測出網際網路學習環境中，學生之學習 路徑是否出現異常。此外，Chen 與 Chang(2014)的研究透過探勘合作問題導向 學習之社會網路，了解學習者彼此之間的互動關係，並配合學生的學習進度狀況，
推薦合適的學習夥伴來提升問題導向網路合作學習成效。
經由上述文獻得知，資料探勘已經被廣泛運用在數位學習領域，但並非每種 資料探勘方法皆具有探勘具時間順序性之資料特性。為了瞭解學習者的科學探究
‧
Agrawal 和 Srikant(1995)提出，透過此一方法可以將元素、事件等資料的象徵性 序列探勘出來，例如消費者購物序列、網頁點擊串流、程式執行序列及生物、科 學工程、自然與社會發展等序列皆具有相當高的探勘價值(Kamber et al., 2012)。Nkambou 等人(2011)結合序列樣式探勘與關聯式規則探勘使用者歷程記錄，提出 知識發現框架(knowledge discovery framework)，藉由框架中自行定義循序演算法 (sequential algorithm) 產 生關 連 式 規則 ， 進 而 釐清 智慧型 教 學系統 (Intelligent Tutoring Systems)流程領域(procedural domain)。Fortenbacher 等人(2013)藉由標準 化 ETL(Extraction–Translation–Load)介面收集學生於不同學習平台之歷程，運用 序列探勘技術分析與視覺化學習者的學習路徑，產生教師系統介面，幫助教師掌 握與評估學生的學習歷程。Rong Gu 等人(2008)於虛擬學習環境(Virtual Learning Environments)中，基於興趣和自動檢索(Automatic Retrieval)之序列探勘結果，與 用戶間交互分析，並透過心理學層面分析用戶間的興趣與互動關係，進而提出階 層式交互模型(Hierarchical Interaction Model)，研究結果能廣泛應用於數位學習領 域。Li 等人(2015)使用關聯式規則與序列探勘萃取出學生於智慧型手機上，數學 與科學平台中的問題解決能力行為模式，進而得知大部分學生之平均問題難度，
並提出根據自己的表現與努力給予適時鼓勵之演算法。
綜合上述文獻可知，序列探勘已經被應用於數位學習領域，且有助於了解學 習行為之順序性。本研究所使用的序列探勘方法，為 Fournier-Viger 等人(2008) 提出之序列樣式探勘架構（Sequential Pattern Mining Framework , SPMF）中具時 間限制條件之序列探勘演算法(Mining Sequential Patterns with Time Constraints)。
此一方法結合了多維度的資料探勘、時間間隔(time intervals)、K-Means 自動群聚 等技術，並搭配權重，能更彈性的探勘出更多具有價值的序列樣式。Faghihi 等 人(2009)使用具時間權重序列探勘演算法分析感知教學系統(Conscious Tutoring System)使用者之間的互動交流紀錄，進行使用者分類，評估與預測使用者行為，
進而於適當時機提供輔助，並改善感知教學系統的效能。Fournier-Viger 等人(2009) 從使用者行為探勘出使用者完成任務之時間權重序列樣式，並將其結果組織為資 料庫提升教學系統效能，研究結果證實，能有效提升使用者學習成效。Fournier-Viger 等 人 (2010) 應 用 時 間 樣 式 與 序 列 探 勘 技 術 於 智 慧 教 學 系 統 (Intelligent Tutoring Systems)，藉由系統所記錄的學習歷程探勘學習者的問題解決行為序列，
以及學習者彼此之間的交互影響行為，輔助學習者透過高成效學習者之完成任務 行為序列模式，調整其自身學習步驟。從上述研究可得知，目前具時間權重之序 列探勘技術已經被應用於數位學習領域，但尚未運用於探究式學習行為探勘，因 此本研究藉由序列探勘搭配時間權重演算法，找尋不同學習能力者在科學探究學 習歷程之差異，進而提供給教師作為日後課程調整之參考。