第四章 資料處理與分析
第二節 研究工具分析
壹、 一階驗證性因數分析(confirmatory factor analysis, CFA)
構面效度的檢定在進行模型分析的歷程中是非常重要的，構面效度是 指單一構面與潛在變項的對應程度，由於潛在因素無法直接測量，因此我 們利用觀察變數加以間接測量，試圖以此觀察變數找出構面的全貌，並以 此成果來探討構面與構面之間的相關。而驗證性因數分析經常被應用於驗 證觀察變數的測量工具，驗證其是否真能代表該構面。驗證式因素分析一 般是僅有測量模式而無結構模式，也就沒有因果模式的推論。當我們引用 了他人的測量工具，尚未確認題目是否完全適用於本研究的母體，因此必須加以檢定；檢定的過程中必須透過變數縮減將某些信度不好或不屬於該 MSL5 和 MSL7、MSL8 和 MSL6、MSL8 和 MSL9、MSL3 和 MSL9 殘差 不獨立，顯示兩題為相似觀點的觀察變數，為了模式精簡及違反殘差獨立
科學 學習 之 後設 認知
指標 題目內容
MSL 6 我會試一些方法減少解題犯錯的方式（如用尺規減低看錯行）。
MSL 7 我會整理一些方法來減少概念錯誤的再犯（如做相關圖）。
MSL 8 若我發現自己解答策略不是很好的時候，我會請教他人。
MSL 9
我在理解科學題目之後，會試著搜尋相關資訊來深化對該單元的 理解。
圖 4-1 科學學習之後設認知一階驗證分析圖
二、 雲端學習之學習態度
如下頁表 4-2 所示，雲端平台之學習態度構面共有 7 題，執行 CFA 後，
發現 ATOL5 和 ATOL6、ATOL2 和 ATOL3 殘差不獨立，顯示兩題為相似 觀點的觀察變數，為了模式精簡及違反殘差獨立原則，因此刪除 ATOL2、
ATOL6。圖 4-2 顯示雲端平台之學習態度構面最後保留了五個觀察變數，
因素負荷量均超過 0.7 以上的標準，殘差均為正值而且顯著，顯見無違犯 估計，組成信度為 0.99，遠超過 0.7 的標準，平均變異數萃取量為 0.97，
遠超過 0.5 的標準，配適度也在可接受的範圍，因此保留五題作後續分析。
表 4-2
雲端學習之學習態度構面正式問卷題項
構面 指標 題項內容
雲端 學習 之 學習 態度
ATOL1 在雲端學習不管是否知道問題的解答，我會認真的從由問答題中推論答案。
ATOL2 在雲端學習中所提供的網站內容，我會認真的去看。
ATOL3 在雲端學習中的問題討論，我會認真的把想法 post 上去。
ATOL4 在雲端學習中所提供的答案解釋，我會認真的看並加以理解。
ATOL5 在雲端學習中老師給予的意見，我會認真的看，若不了解仍會請教他人。
ATOL6 在雲端學習中同學的討論，我會認真的分享自己想法。
ATOL7 在雲端學習中若大家結論改變時，我會注意後續討論的效果或情況。
圖 4-2 雲端學習之學習態度一階驗證分析圖
三、 過度自信特質
表 4-3 顯示過度自信特質構面共有 4 題，執行 CFA 後，發現 OC3 和 OC4、殘差不獨立，顯示兩題為相似觀點的觀察變數，為了模式精簡及違 反殘差獨立原則，因此刪除 OC4。圖 4-3 顯示雲端平台之學習態度構面最 後保留了五個觀察變數，因素負荷量均超過 0.7 以上的標準，殘差均為正
值而且顯著，顯見無違犯估計，組成信度為 0.93，遠超過 0.7 的標準，平 均變異數萃取量為 0.82，遠超過 0.5 的標準，配適度也在可接受的範圍，
因此保留三題作為後續分析。
表 4-3
過度自信特質構面正式問卷
構面 指標 題目內容
過度 自信 特質
OC1 大多數的時候我在回答題目時，我覺得我會答對的。
OC2 即使在做題時遇到比較艱難的題目，我總覺得我會答對的。
OC3 就算上一次自己不小心答錯了題目，我覺得我這次會答對的。
OC4 如果遇到我常常答錯了的題目，這一次我覺得我會答對的。
圖 4-3 過度自信特質一階驗證分析圖
貳、 效度分析
本研究共回收 407 份有效問卷，以下就本研究運用之研究工具作為分 類，分別為「雲端學習之學習態度量表」、「科學學習之後設認知量表」與
「過度自信特質量表」，分別檢驗其建構效度、區別效度以及收斂效度。
吳明隆（2008）建議刪去因素負荷量(factor loading)低於 0.5 的題目，
讓各構面欲建構的測驗目標較為精確。經過驗證性因素分析後，本研究個 構面所保留的題項之因素負荷量皆大於 0.5，因此皆予以保留。而各題項之 因素荷負量大於 0.5 時，即達到建構效度(construct validity)的要求(Nunnally, 1978; Byrne, 2001)，由表 4-4 可以看到科學學習之後設認知各題之 loading
值介於.697 與.789 之間；雲端學習之學習態度量表中各題之 loading 值介 少要大於.5(Nunnally, 1978)、(2)組合信度(composite reliability, CR)值大 於.7(Fornell & Larcker, 1981)、(3)平均變異數萃取(average variance extracted, AVE)至少大於.5(Fornell & Larcker, 1981)，由表 4-4 數據，各構面皆符合收 斂效度以上三項標準，故本研究數據具備收斂效度。
表 4-4
各構面現況分析與各構面保留題項分析一覽 科學學習之後設認知：
M=3.85, SD=.768, Cronbach's α=.799, CR=.863, AVE=.558
Mean SD Loading t 值
雲端學習之學習態度：
M=3.82, SD=.838, Cronbach's α=.857, CR=.898, AVE=.638
Mean SD Loading t 值
M=3.14, SD= .932, Cronbach's α= .737, CR=.852, AVE=.658
Mean SD Loading t 值 variance extracted, AVE)也可以計算潛在變項對各測量項的變異解釋能力，
若 AVE 愈高，則表示潛在變項有愈高的信度。Fornell and Larcker(1981)建 議其標準值須大於 .5，表示構面的可解釋變異量大於測量誤差，如表 4-4 中，各構面之 AVE 值皆大於 .5，顯示本研究之所有構面的可解釋變異量 皆大於測量誤差，具有良好信度。