研究工具

本研究所使用的研究工具包含自行開發的「AI 素養測驗」和洪國峰

（2016）所開發的「科技素養測驗」等兩項。分別說明如下：

一、AI 素養測驗

本研究擬依據教育部（2019）所發布的 AI 教材《和 AI 做朋友》為 基礎，發展一份AI 素養測驗，並透過本測驗了解受試者的 AI 素養表現。

本測驗共分成「AI 態度量表」、「AI 知識與技能測驗」兩部分，每 一位受試者均須完成兩部分測驗。

(一) AI 態度量表

「AI 態度量表」每一面向均採用李克特五點量表設計題幹，受 試者依根據題意，選擇與自己實際認同狀況最接近的選項填答。必 須從非常認同、有點認同、普通、有點不認同、非常不認同 5 個選 項進行單選。依據其選擇，「非常認同」給5 分、「認同」給 4 分、「沒 意見」給3 分、「不認同」給 2 分、「非常不認同」給 1 分。如附錄 一所示。

本研究於民國109 年四月以某所新北市立高中的高二學生 142 人作為預試對象，以 Google 線上問卷的方式，讓學生於課堂中，在

問卷，回收率為 96.5%。

表3-3

*p<0.05，**p<0.01，***p<0.001，總變量 Cronbach's α=.836。

本預試分析採計AI態度量表總分前27%組與後27%組的差異 進行比較，根據極端組比較的結果發現，第26題未達統計顯著水 準(p<0 .05)，視為不具有鑑別度之題目；而第24、25題之CR值

<3，鑑別度偏低（邱皓政，2012），故刪除第24、25、26題三 道題目。

而剩餘的20道題目之CR值介於在7.404至12.200之間，均達 顯著水準(p< .001)，代表此20道題目具有足夠鑑別度，足以鑑別 出高分組與低分組的AI態度表現。經過同質性檢驗結果顯示，

此20道題目與總分的相關係數介於.276至.690之間，代表本AI態

度量表的題目，除了一題與總分間具有低度相關外，大部分題目 皆與總分具有中、高度相關，故保留此20道題目。

2. 因素分析

本研究使用探索性因素分析信行建構效度的檢定。因素分析 能協助驗證測量效度，目的是為了分析變數間的結構關係，確立 潛在因素。其中探索性因素分析可用來發展並建構關於一概念的 量測理論（邱皓政，2012）。

在AI態度量表經項目分析剔除掉3道題目後，繼續把剩下的 20題進行探索性因素分析（Exploratory Factor Analysis, EFA）。

首先將剩餘的20題進行KMO（kaiser-Meryer-Olkin measure of samping adequacy）檢驗與Bartlett球形檢驗。本研究採用邱皓政

（2010、2012）之建議，當量表的KMO值越大，表示變項間存 在越多的共同因素，即適合將此量表進行因素分析；接著透過 Bartlett球形檢驗檢定題目間之相關係數是否相異並>0，倘若檢 定結果顯著則代表相關係數可以進行因素抽取。

本量表的檢定結果顯示：AI態度量表的KMO值為.859，且 Bartlett球形檢驗的近似卡方分配值為1211.898，自由度190，已 達

α

基準：「在因素分析時，量表之KMO值>.80為佳」。由此可知，

3. 信度分析

本研究採用 Cronbach’s α 內部一致性檢定作為 AI 態度量表 的信度考驗，如果 α 係數越高，代表本量表內部一致性也越高。

從表3-5 結果可以發現，本 AI 態度量表在 AI 興趣、AI 貢獻、

AI 決策三構面之 α 係數皆介於.603 至.895 之間，整體 Cronbach’s α = .879。如表 3-5 所示。

表 3-5

AI 態度量表預試內部一致性分析摘要表（N=137）

量表構面 題數 題目編號 內部一致性

（Cronbach’s α）

AI 興趣 8 8、9、10、11、12、13、14、15 .895 AI 貢獻 8 16、17、18、19、20、21、22、23 .858 AI 決策 4 27、28、29、30 .603

整 體 20 - .879

除了「AI 決策」信度尚可（α >.50）之外，「AI 興趣」與

「AI 貢獻」的 α 係數均在.70 以上，代表題目有實用價值，本量 表具有高度的信度，且內部一致性優良（Carmines & Zeller, 1979）。

最終，本研究之 AI 態度量表共計 26 道題目，包含 6 道 AI 資訊來源題目、8 道 AI 興趣題目、8 道 AI 貢獻題目、以及 4 道 AI 決策題目，以作為正式 AI 態度量表之內容。如附錄三所示。

(二) AI 知識與技能測驗

「AI 知識與技能測驗」每一題都是 4 選 1 的單選題，且均只有 一個正確或最佳之選項；預試測驗包含 12 題單題，7 個題組，共計 30 道單選題。

擬定測驗初稿後，研究者先敦請3 位專家學者，包括 2 名正式生 活科技教師、1 名科技系教授，針對題幹的適當性及用字遣詞進行調 整，建立本測驗之專家效度，確認本測驗初稿。最終本測驗預試卷 由30 題刪減為 29 題，並增加 1 題有關調整深度學習訓練結果之技 能題目到「AI 知識與技能」題項範圍。共計 30 題單選題，作為 AI 素養測驗預試測驗卷，如附錄二所示。

本研究於民國109 年四月以某所新北市立高中的學生 142 人作為 預試施測對象，以 Google 線上問卷的方式，讓學生於課堂中，在電 腦教室施測。剃除無效問卷以及缺考人數，共計回收137 份有效問 卷，回收率為96.5%。

本研究將137 份有效「AI 素養測驗」樣本回收之後，進行資料 整理，以電腦統計套裝軟體SPSS 23.0 for Windows 進行項目分析。

第一次預試經整理與分析後，以前27%的樣本和後 27%的樣本分為 高分組和低分組，計算每一道試題的難度和鑑別度，進行題目篩選，

結果如表3-1 所示。

表 3-6

本研究在選題的時候，參考郭生玉（1996）建議，優先挑選鑑別 度數值0.25以上之試題，所以將鑑別度較低的第4、16、17、18、30 題刪除；另外因考量AI教材學習內容與構面配題之需要，針對第12、

22、28題等題目做試題修改，第23、27題維持不變，再於另一所科技 課程正常化教學之新北市立高中進行第二次預試，共發放108份問卷，

扣除無效問卷以及缺考人數，共計回收102份有效問卷，回收率為 94.4%，結果如表3-2。

表3-7

AI 知識與技能測驗第二次預試分析結果（N=102）

題號 PH PL 難度 鑑別度 判定

12 0.93 0.81 0.87 0.11 刪除 22 0.59 0.07 0.33 0.52 保留 23 0.74 0.59 0.67 0.15 刪除 27 0.85 0.33 0.59 0.52 保留 28 0.78 0.22 0.50 0.56 保留 註：鑑別度0.40 以上，代表該題非常優良、鑑別度介於 0.30-0.39 者，代表該題優良、

鑑別度介於0.20-0.29 者，代表該題尚可、而鑑別度 0.19 以下者，代表該題劣，需淘 汰或修改。

第二次預試分析共採計 102 個有效樣本，其中第 22、27、28

在經修改後，鑑別度皆達 0.50 以上，表示題目優良，故保留此三

道題目；而第 12、23 題因經第二次預試後之鑑別度仍未達 0.20

以上，故予以刪除。最終「AI 知識與技能測驗」在經過兩次預試

後，保留 23 道題目作為正式測驗之內容。如附錄四所示。

二、科技素養測驗

本研究在量化受試者科技素養時所使用的研究工具為洪國峰（2016）

編製之「科技素養測驗」。該測驗包含「科技知能」與「科技態度」兩 個子測驗。

洪國峰（2016）原發展之素養測驗中，科技知能包含科技科技知識、

科技技能和科技能力三個面向，共 22 道單選題。經過回收 2192 份有效 樣本之後，整理分析樣本得到所有題目之難度介於.35-.82 間、鑑別度介 於.21-.67 間，大部分皆為非常優良之試題（洪國峰，2016）。

為顧及研究工具在施測時的題組完整性與一貫性，受試學生皆須完 成 22 道科技素養試題，但本研究的研究變項並不包括科技能力面向，

故在資料分析時剔除科技能力面向的7 道題目，僅採用 15 道題目作為 科技素養在知識與技能上之研究工具。經回收 137 份高中生有效樣本進 行分析之後，整理發現所篩選之 15 道題目之難度皆介於.25-.86 間，鑑 別度皆介於.23-.64 間，大部分仍為優良之題目，故將此 15 道題目作為 正式測驗時的「科技知識與技能」構面之研究工具。

而在洪國峰（2016）原發展之素養測驗中，科技態度係以李克特五 點量表的方式進行選答，包含5 道資訊來源題目、9 道科技興趣題目、8 道科技貢獻題目、5 道科技決策題目，共計 27 題。科技態度的 27 道題 目之「決斷值（CR）」、「與量表總分之相關」皆達顯著水準，根據其內

部一致性解驗結果，科技態度量表在各面向的α 值皆介於.863 至.897 間，整體的α值為.755。

本研究經回收137 份高中生預試樣本進行分析之後，整理發現科技 態度的27 道題目在決斷值（CR）、與量表總分之相關皆達顯著水準，而 內部一致性結果顯示，在科技態度之三個面向，科技興趣的α值為.888、

科技貢獻的α值為.837，科技決策的α值為.814，且整體的α值為.897。

代表科技態度量表的題目與構面非常優良，故將此 27 道題目作為正式 測驗時的「科技態度」構面之研究工具。