• 沒有找到結果。

研究三、四種不同模式信任度比較

研究三之目的是探討小學現場教師對於四種不同適讀性模式的看法。此研 究以一對一訪談並輔以紙本問卷的方法,讓小學教師瞭解預測適讀性的四種不 同建構取向,並詢問他們對於不同適讀性模式的信任程度。

第一節 研究方法

壹、參與者

此研究的參與者是31 位小學教師。其中 10 位任教於北部學校、21 位來自 於中部學校。教學的平均年資為18.68 年,標準差為 6.43 年。

貳、問卷與施測程序

研究者與參與者是一對一於(參與者任教學校中的)獨立空間中進行研究 訪談。參與者在研究開始時會得到一份A4 列印的紙本問卷,該問卷包含指導 語、研究參與同意書、以及問卷內容。研究者會向參與者表明這是一項學位論 文研究,主題是「國小文本適讀年級」,研究目的是「想要知道教學現場的教 師,認為哪些預測文本適讀年級的方式是他們願意信任的」。研究者徵得參與者 同意並簽署同意書之後,開始進行訪談。在徵得參與者同意之後,研究者將訪 談過程加以錄音記錄。

訪談時,研究者會先向教師介紹目前預測適讀性的四種建構取向。研究者 先以口語方式,敘述四種模式如何預測文本的適讀年級:

「第一種方式和第二種方式根據的都是文章的屬性,像是字、詞、句子有

多難、文章有多長。一和二不同的地方,在於一是比較簡單的數學式子,我們 會調整每個屬性的加權,並得到最後的結果。二則是比較複雜的數學模式,每 篇文章都會對應到某個區間、這些區間再對應到某個年級。三則是看主題,例 如有篇文章和勞動與勞工有關,那就看這個主題和哪個年級的課文主題比較接 近。四則是比較接近現在AI 或是深度學習的作法,我們交給電腦一些文章,以 及這些文章的所屬年級,讓電腦自己學習文章和年級的對應關係。」

研究者亦會指明,在紙本問卷中,有各種適讀性模式的文字說明。以下是 問卷中對於四種模式的描述:

第一種模式是根據文本所用字詞的難度、句子的長度、文法的複雜性等文 本屬性,以統計迴歸分析的方式,評估文本的適讀年級。

第二種模式是根據文本的屬性,建立以屬性為維度的多維空間。然後建立 數學模型,將空間區分為不同的區間,每一區間代表不同的適讀年級。

第三種模式是分析文本中每個詞彙的意義,然後藉以推斷文本涉及的內容

(主題、領域等)以及各類內容在文本中所佔的比重,藉以評估文本的適讀年 級。

第四種方式是提供電腦多篇不同年級的文本,讓電腦建立文章中的詞彙與 文本適讀年級的數學關係模型,藉此模型評估其它文本的適讀年級。

當研究者說明完四種不同的模式建構取徑之後,研究者接著請參與者按照 他們對這四種模式的大略理解,教師在選擇和評估文章的難度時,「對上述四種 模式,你最願意採用哪一種模式的評估結果?請根據您願意採用的程度,對四 種模型加以排序。」在問卷中以及研究者的口語敘述中皆未提及四種模式的正 確率數值或其相對表現。

參與者需在問卷上,以排序的方式表達他們對於這四種模式採用的願意程 度。當參與者作答完畢之後,研究者會以口語詢問參與者排序的理由,參與者 則以口語回答。

第二節 結果與討論

問卷結果如圖4.1,參與者對四種模式的信任度排序依序為主題模式(M = 1.84,SD = 1.00),支持向量機(M = 2.58,SD = 0.84),線性迴歸(M = 2.71,

SD = 1.18),以及深度學習(M = 2.87,SD = 1.18)。這四個模式的排序分數經 由Friedman 排序總和檢定(Fridman rank sum test)達到統計上的顯著差異(χ

2(3) = 11.63,p < .01)。

從參與者口頭報告的內容可歸納出以下的排序原因:(1)選擇主題模式的 教師多認為模式應考慮到文章的內容(主題),因為文章內容才是讓學生能夠有 興趣閱讀的因素,也才能避免學生學到零散的知識。否則,學生很可能認得文 章中的每個字詞,但無法理解文章背後要傳遞的題材。(2)選擇線性迴歸或支 持向量機的教師,傾向認為根據字、詞等文本屬性預測文本適讀性比較接近教 師平常以人工選擇文本的方式。而且他們認為,句子的長度、句法複雜度與學 生的閱讀理解能力息息相關,較符合教學上的需求。(3)選擇深度學習的教師 則認為電腦在訓練資料中可能發現人們未思考到的面向。而且深度學習會從較 多資料中學習年級與文本的關係,相較而言,線性迴歸與支持向量機的想法則 過於簡單。

綜合研究二和研究三的結果可發現,各適讀性模式的預測準確率皆具備應 用上的價值,但是參與者對於模式的採用程度卻會受到不同模式透明度的影 響。研究三問卷訪談的結果顯示,會考慮文本的內容、文章字詞難度、句法複 雜度的適讀性模式是參與者較願意採用的模式,而這些特性不見得是所有建構 適讀性模式的取向都具備的。

4.1:小學教師對四種不同模式願採用程度之排序

註:數字愈小代表愈信任。模式一到四依序為線性迴歸、支持向量機、主題模 式以及深度學習。為清楚呈現各資料點的散佈趨勢,故資料點位置以打散 方式(jitter)呈現。