第三章 研究設計
第五節 研究步驟
本研究首先以認知負荷論、科技接受模式和計畫行為理論取向，建構 線上學習使用行為傾向，以及行為傾向與實際行為關聯強度。其次，就是 探討線上學習的使用現況，以及不同背景的學習者在線上學習科技接的心 理特徵差異。茲就研究步驟與實施分述如下：
一、蒐集認知負荷(CL)、科技接受模式(TAM)、計畫行為理論(TPB) 及其相關因素的文獻資料，進行資料整理與分析。
二、確定研究題目、目的、方法，並建立研究架構。
三、擬定研究計畫。
四、蒐集、整理與分析國內外有關科技接受模式相關文獻。
五、發展「線上學習科技接受行為傾向」問卷。
六、確定研究母群及第一階段層級隨機抽樣方式。
七、邀請專家學者問卷審查
八、進行「線上學習科技接受行為傾向」問卷效度與信度考驗。
九、進行「線上學習科技接受行為傾向」心理結構模式驗證與比較。
十、進行第二階段層級隨機抽樣。
152
十一、進行「線上學習科技接受行為傾向」心理結構模式再驗。
十二、文獻探討與問卷分析資料進行綜合討論。
十三、歸納結論並提出建議。
十四、撰寫研究報告。
十五、論文口試。
十六、完成研究論文。
153
圖3-13 研究流程圖
154
第六節 研究統計
本研究應用統計軟體SPSS 18.0 版進行統計分析工具。根據前述之研 究目的與所建立之研究假設，使用不同的統計方法加以分析，以下就各種 統計技術大抵介紹。
壹、描述性統計
針對問卷之各項填答及整體資料的呈現，描述外生變項及內生變項之 分 布 情 形 ， 將 類 別 資 料 以 次 數 分 配(freguency distribution) 、 百 分 比 (percentage) 方 式 敘 述 ， 等 距 變 項 則 以 平 均 數 (mean)及 標 準 差 (standard deviation)等描述分佈情況。
貳、相關性分析
利用相關分析加以檢測「系統品質知覺(PSQ)」、「資訊品質知覺(PIQ)」、
「電腦自我效能(CSE)」、「認知負荷(CL)」、「有用性知覺(PU)」、「易用性知 覺(PEOU)」、「主觀規範(SN)」、「行為控制知覺(PBC)」、「態度(A)」、「行為 傾向(BI)」和「實際使用行為(B)」之 11 個構面，以求兩兩彼此之間的關 聯性。
参、結構方程模式(Structural Equation Modeling, SEM)
本研究提出使用線上學習行為模式，使用 AMOS 8.0 統計分析軟體 (陳耀茂，2003)，以最大概似法 (maximum likelihood) 驗證，有關 SEM 理
155
論、適合度指標及測量模式檢定等內容，茲述如下。
結構模型分析屬於驗證式因素分析 (confirmatory factor analysis)方法，
又稱為結構方程模式，係在研究進入較成熟的階段所用的統計方法，用來 驗證或確定因素分析各個參數的性質或因素的個數。換句話說，驗證式因 素分析，係指在觀察變項與所萃取之潛在因素，在一定理論架構之前提下，
為驗證理論架構與實際資料之相容性，所進行之因素分析。一般而言，財 務、心理等領域之觀察變項與潛在因素有非常強烈的理論架構，故常用此 法加以分析其關係。本研究以統計軟體進行假說之驗證。茲將結構方程模 式的適合度指標 (Index of Goodness of Fit)說明如下：
模式適合度評鑑的目的，主要是判斷研究者所建構的理論模式是否能 夠對實際觀測所得的資料予以合理的解釋。以下就配適度指標作一說明：
一、絕對適配指標
(一)、卡方值 (Chi-Square) 與 NCI (Normed Chi-Square Index)
卡方值是用以對研究者所提出之理論模式與觀察所得資料可以配 適的虛無假設進行適合度檢定，因此，若卡方值越大，代表理論模式 與實際資料的配適情形越差，但是卡方值對樣本數極為敏感，容易隨 著樣本數的大小而改變；當樣本數太大時，卡方值將會相對提高，而 容易達到拒絕虛無假設的現象；若樣本數大小，卡方值容易不顯著，
使研究者容易接受虛無假設，因此，卡方值並不適宜作為配適度指標。
是故學者建議以NCI (x2/df，卡方值除以自由度) 作為配適度的判斷指 標，當NCI < 5 時，表示模式配適度可以接受。
156
(二)、適配度指數 (GFI)
GFI 為「適配度指數或譯為良適性適配指標」(goodness-of-fit index)，
GFI 指標用來顯示:觀察矩陣中的變異數與共變數可被複製矩陣預測得 到的量，其數值是指根據「樣本資料之觀察矩陣與理論建構複製矩陣 之差的平方和」與「觀察之變異數」的比值 (余民寧，民 95)。GFI 類 似於迴歸分析中的 R 平方，表示被模式解釋的變異數及共變數的量，
代表模式緊密完美適配觀察資料再製之共變數矩陣。如果GFI 值愈大，
表示理論建構複製矩陣能解釋樣本資料之觀察矩陣的變異量愈大，二 者的契合度愈高。GFI 數值介於 0 至 1 間，其數值愈接近 1，表示模 式的適配度愈佳；GFI 值愈小，表示模式的契合度愈差，一般的判別 標準為GFI 值如大於.90，表示模式徑路圖與實際資料有良好的適配度。
GFI 值相當於複迴歸分析中的決定係數(R2) ，R2 值愈大，表示可解 釋變異量愈大；在SEM 分析中，GFI 值可認為是假設模式共變異數可 以解釋觀察資料共變異數的程度。
(三)、調整後的適合度指數 (AGFI)
AGFI 是表示由理論模式所能解釋實際觀測資料的變異數與共變 異的量，因此，AGFI 越接近 1 表示此模式的解釋能力起高，配適度 越佳。其可對不同自由度的模式進行比較，一般的判別標準為 AGFI 值 如 大 於.90 ， 表 示 模 式 徑 路 圖 與 實 際 資 料 有 良 好 的 適 配 度 (Hu&Bentler,1999)。學者 Bollen 與 Long(1993)更認為模式的契合度良 好的評鑑指標應提高到.92 以上。在模式估計中，AGFI 估計值通常會 小於 GFI 估計值。AGFI 值相當於複迴歸分析中的調整後的決定係數 (adjusted R2)，因而 AGFI 值會同時考量估計參數的多少，當估計參數
157
數目愈多，AGFI 值相對的就會變得較大，得到假設模式的適配度更佳 的結論。一般而言，AGFI 的值至少應大於 0.8，此模式的配適度才可 被接受。
(四)、平均方根殘值 (RMR)
RMR 是配適殘差變異- 共變項的平均值的平方根，反映的是觀測 資料的變異- 共變與推估的變異- 共變異的殘差大小，故 RMR 越小，
表示理論模式與觀測資料的配適情形越佳；若分析的是相關矩陣，
RMR 的可接受標準為 0.05 以下；若分析的是共變異矩陣，RMR 至 少需小於0.1，方可接受。
(五)、漸進殘差均方和平方根(RMSEA)
RMSEA 為「漸進殘差均方和平方根」(root mean square error of approximation) ， 其 概 念 與 NCP 值 類 似 (NCP 值 為 noncentrality parameters，即非集中化參數，其數值等於 X2-df，NCP 值等於 0 時，
表示理論模式與實際資料最適配)
當RMSEA 的數值高於.10 以上時，則模式的適配度欠佳(poor fit)，
其數值.08 至.10 之間則是模式尚可，具有普通適配(mediocre fit)、在.05 至.08 之間表示模式良好，即有合理適配(reasonable fit)，而如果其數值 小於.05 表示模式適配度非常良好(good fit) (Browne&Cudeck, 1993)。
此外，Sugawara 與 MacCallum (1993) 二人認為 RMSEA 值在.01 以下 時，代表模型有相當理想的適配(outstanding fit)、Steiger(1989)認為 RMSEA 值若高於.08 表示在母群體中有一合理的近似誤差值存在，
Mac Callum 等人(1996) 則進一步提出 RMSEA 的分割點(cut-points)，
158
其認為RMSEA 值介於.08 至.10 之間，模型還是普通適配，但 RMSEA 值超過.10 時，模型呈現的不良的適配(poor fit)。上述學者個別論點就 是Browne 與 Cudeck(1993)的論點。
二、增值適配指標
(五)、非規準適配指標 (Tacker-Lewis index, TLI)
TLI 指標用來比較二個對立模式之間的適配程度，或者用來比較 所提模式對虛無模式之間的適配程度，TLI 指標經過量化後的數值，
介於 0(模式完全不適配)到 1(模式完全適配)之間，此指標又稱為「非 規準適配指標」(NNFI)
(六)、比較適配指標( comparative fit index, CFI)
至於CFI 指標值則是一種改良式的 NFI 指標值，它代表的意義是 在測量從最限制模式到最飽和模式時，非集中參數(non-centrality parameter)的改善情形，並且以非集中參數的卡方分配(自由度為 k 時) 及其非集中參數來定義(余民寧，民 95；Bentler&Bonett,1980)。
(七)、簡約調整後之規準適配指數(PNFI)
PNFI 為「簡約調整後之規準適配指數」(parsimony-adjusted NFI)。
PNFI 指標把自由度的數量納入預期獲得適配程度的考量中，因此它比 NFI 指標更適合作為判斷模式精簡程度的一種指標，當研究者欲估計 某個模式參數時，他只使用較少的自由度，即能獲得一個較高程度的 適配時，此時即表示已經達到「模式的精簡程度」(余民寧，民 95)。
判別模式適配的標準，一般皆採 PGFI 值大於.05 為模式可接受的範
159
圍。
(八)、簡約適配度指數 (PNFI)
PGFI 為「簡約適配度指數」(parsimony goodness-of-fit index)，其 性質與PNFI 指標值雷同，PGFI 的值介於 0 與 1 之間，其值愈大，表 示模式的適配度愈佳(模式愈簡約)。判別模式適配的標準，一般皆採 PGFI 值大於.05 為模式可接受的範圍。
(九)、臨界樣本數(Critical N, CN)
CN 值為「臨界樣本數」 (Critical N)，此一判別指標值由學者 Hoelter(1983)提出。所謂「臨界樣本數」是指:「在統計檢定的基礎上，
要得到一個理論模式適配的程度，所需要的最低樣本的大小值」。CN 值的作用在估計需要多少樣本數才足夠用來估計模式的參數與達到模 式的適配度，亦即，根據模式的參數數目，估計要產生一個適配度符 合的假設模式時，其所需的樣本數需要多少？一般用來的判別標準或 建議值是 CN 值>200，當 CN 指標值在 200 以上時，表示該理論模式 可以適當的反應實際樣本的資料。Hu 與 Bentler(1995)主張模式可以接 受範圍的最小值是CN 值在大於 250，Hu 與 Bentler(1995)的此種觀點 是較為嚴格的。
160
愈好 Bagozzi &Yi(1988)
NCP 愈小
愈好 NCP = 0 完美適配
x2/df
< 3 Carmines & Mclver(1981)、Chin & Todd (1995)、Hair et al.(1998)
< 5 Bagozzi &Yi(1988)、Browne & Cudeck (1993)、Hair et al. (1998)
GFI
> 0.80
(尚可) Byrne(1998)、Joreskog and Sorborm(1989)
> 0.90 (優良)
Bagozzi &Yi(1988)、Bentler(1988)、Geffen et al.(2003)
AGFI
> 0.80 (尚可)
Bagozzi &Yi(1988) 、Bentler(1988) 、Geffen et al.(2003)
(理想) Bentler &Bonett (1980)、Geffen et al.(2003)
TLI
> 0.9
(良好) Hair et al. (1998)
> .95
(理想) Hu & Bentler(1999)
161 CFI
> 0.9
(良好) Jiang et al. (2000)
> .95 (理想)
Bentler &Bonett (1980)、Bentler(1988)、Hu and Bentler(1999)
簡約 適配 指標
CN
≧200
(良好) Hoelter (1983)
≧250
(理想) Hu and Bentler(1995) PGFI > .05 Mulaik et al. (1989) PNFI > .05 吳明隆(2007)
(本研究整理)
162
163