第四章 結果與討論
第一節 研究結果
本研究於 aNobii 網路書櫃服務中抽樣 50 個使用者，建立書籍共現矩陣作為 建構使用者閱讀偏好多樣性指標的依據。由於 aNobii 平台的限制，無法單次下 載全部抽樣使用者書櫃的資料，資料收集時間為民國 2010 年 8 月 20 日至 2011 年 8 月 8 日。研究中所需書櫃資料，由於時間差可能會有資料不一致的情形，因 此在收集完畢 50 個抽樣書櫃的書籍並建立書籍清單後，重新比對資料做書籍清 單的增加或刪減，並重新檢驗個別書籍被書櫃擁有的次數建立 book-owner 矩陣 而後利用書籍共現矩陣進行書籍間相似性的計算。
本研究進行資料收集前，使用問卷訪談對 50 個抽樣書櫃的使用者，針對其 基本資料與 aNobii 網路書櫃的使用習慣做調查。基本資料顯示（如表 8），男性 共 21 名，占整體受測者 42%，女性共 29 名，佔 58%，性別比例大致相近，女 性受測者較多；年齡分布從 20 到 34 歲，平均年齡為 23.98（SD = 3.485）；書櫃 書籍總數最小值為 80 本，最大值為 3780 本，平均數為 563.28（SD = 703.19359），
顯示個書櫃間書籍總數差異大；閱讀偏好多樣性，於此為使用者自評之閱讀偏好 多樣性的值，此統計量為利用 SPSS 統計軟體轉換李氏 0~6 分七點量表的值，最 小值為-2.45，最大值為 1.75，平均數為 0（SD = .98974）。其中，書櫃編號 109 因未取得使用者自評閱讀偏好多樣性資料，後續作關聯性分析時去除此筆資料。
最小值 最大值 平均數 標準差
年齡 20 34 23.98 3.485
閱讀偏好多樣性 -2.45 1.75 .0000 .98974 書籍總數 80.00 3780.00 563.2800 703.19359
N = 50
表 8 抽樣書櫃統計資料
一、 書籍共現情形之多樣性指標
（一）最適閾值
研究中採用 3 種正規化方式與 2 種相似性計算方式建立抽樣書櫃中所有書籍的相 似性矩陣，接著以巨大組件大小減少比例為最適閾值判別依據，並輔以社會網絡 分析中的網絡密度（density）、平均連結線數（average link）作為輔助判斷指標。
本研究利用整體書籍網絡矩陣之閾值結果作為評斷最適閾值之依據，以下分述 5
大的變化；若從 0.4~0.5 閾值變化的數值來看，閾值在上升至 0.5 時，最大組件 Giant Component Size Decrease %
threshold
Giant Component Size…
由於分母為取兩本書之間被書櫃擁有次數的最小值，在多數常出現在多個書櫃
（譬如暢銷書）的書籍與其他書籍的相似性，會因為此種正規化方式分母的處理 方式，使得書籍間的相似值分布最平均的一種方式。因此，在閾值設定的逐步增 加下，最大組件大小也僅是以非常小的幅度逐漸減少（如表 10）。儘管如此，相 較之下閾值上升至 0.6 時，巨大組件的大小減少幅度最大，代表巨大組件的崩解，
此時大部分多餘的連結都經由閾值的篩選，若更進一步增加閾值，則可能進入下 一個分群的階層。因此，在巨大組件崩解前的網絡狀況最適合做分群，選擇 0.5 作為最適閾值。
圖 10 Inter 最適閾值 0.00000%
10.00000%
20.00000%
30.00000%
40.00000%
50.00000%
60.00000%
70.00000%
80.00000%
90.00000%
100.00000%
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Giant Component Size Decrease %
threshold
Giant Component SizeDecrease %
3. Interminus（Intersection (A, B)-1 / min(A, B)-1 ）
區間的 2 倍。此外，density 於閾值 0.5 時，停頓於 0.001706，若進行至 0.6，density 將驟減至 0.000722。同時考量最大組件大小的變化與 density 變化的停頓點，選 擇 0.5 作為最適閾值。圖 11 Interminus 最適閾值 0.00000%
10.00000%
20.00000%
30.00000%
40.00000%
50.00000%
60.00000%
70.00000%
80.00000%
90.00000%
100.00000%
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Giant Component Size Decrease %
threshold
Giant Component Size Decrease %
4. Cosine
圖 12 Cosine 最適閾值
5. Correlation
閾值 最大組
Correlation 的計算方式與 Cosine 較相似，因此在設定閾值與組件大小變化的情況 也很類似。閾值大小在 0.8 時，組件大小的減少比例為 79.05%（如表 13），為閾
Giant Component Size Decrease %
threshold
Giant Component SizeDecrease %
圖 13 Correlation 最適閾值 0.00000%
10.00000%
20.00000%
30.00000%
40.00000%
50.00000%
60.00000%
70.00000%
80.00000%
90.00000%
100.00000%
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Giant Component Size Decrease %
threshold
Giant Component SizeDecrease %
（二）書籍分群多樣性與使用者自評多樣性之關聯
將 5 種書籍相似性計算方式，依據前述研究結果套入最適閾值後，採用 UCInet 軟體內建的 3 種分群方式 Region、Block、Girvan Newman，3 種分群方式在閾值 為 0 時分群結果在 5 種相似性計算方式的任一書櫃分群數量皆為 1，表示在未設 定閾值的情形下，如果沒有自行設定個別書櫃的分群目標數，皆無法對個別書櫃 進行分群。以下依據不同分群方式，將套入最適閾值的 5 種相似性計算方式分群 結果與使用者自評之閱讀多樣性分數作雙變數相關性分析。
1. Region-binary graph
UCINet 執行程序：Network>Regions>Components>binary graphs>weak component UCINet 中用來區分 subgroup 的 region 若選擇 binary graph，則是單純計算一 個網絡中的組件數，weak component 為不考慮連結方向（undirected）計算組件。
本研究於選擇最適閾值後，個別書櫃的檔案則使用二分法（dichotomize）將書的 共現矩陣轉換為 0 與 1，意即網絡中的連結沒有程度上的差別。個別書櫃在套入 最適閾值後，網絡會去除一些連結，剩下的組件數則可視為個別書櫃擁有者的閱 讀偏好多樣性。
在排除缺乏使用者自評閱讀偏好多樣性資料的 109 號書櫃後，共計分析 49 個書櫃。描述性統計結果顯示（如表 14），Jaccard_0.5（意指在 Jaccard 的相似 性測量下，採用 0.5 作為網絡的最適閾值）、Cosine_0.7、Correlation_0.7 在敘述 性統計下的數值型態相似，組件數最小值在 60 左右，平均數則在 410 左右（標 準差約等於 510），顯示個別書櫃在以上相似性計算之下，組件數較多，同時差 異也大；Inter_0.5 與 Interminus_0.5 數值型態則是組件數較少，差異相對不大。
SPSS 執行程序：分析>敘述統計>描述性統計量
最小值 最大值 平均數 標準差
Jaccard_0.5 58.00 2873.00 413.9388 504.18409 Inter_0.5 1.00 349.00 27.2857 66.19164 Interminus_0.5 1.00 450.00 92.6122 84.06590 Cosine_0.7 66.00 2934.00 426.3469 520.43398 Correlation_0.7 61.00 2916.00 419.6327 516.18293 N = 49
表 14 Region 分群敘述性統計
下表（如表 15）為 5 種相似性測量，單純考量最適閾值之個別書櫃組件數，
與使用者自我評量多樣性間相關的表現，依據與使用者自評之閱讀偏好多樣性之 顯著性升冪排序。以使用者自評之閱讀偏好多樣性為標準，Interminus 在閾值 0.5 之下呈顯著正相關（r=.287, p=.046）。
2. Block （bi-component）
UCINet 執行程序：Network>Regions>Bi-component(Block)
Block 在移除網絡中的橋後，計算網絡內的組件數。其中，被移除的橋（bridge）
與其連結的點另外算為一個組件。此外，此種方法計算組件時，會排除沒有任何 連線的點（isolate），可能造成套入最適閾值之後產生多個獨立點的書櫃組件數 急遽減少，考量獨立點在個別書櫃中存在的比例，可能代表閱讀偏好較多樣。
由於排除獨立點的特性，於此分析方法中除了排除 109 號書櫃外，亦排除加 入最適閾值之後，最後只剩下獨立點而無任何組件數的 114、134 書櫃，共計分 析 47 個書櫃。敘述性統計結果顯示（如表 16），各種相似性測量的最大值相較 Region 計算組件少一半，平均數與標準差也一併減少。
SPSS 執行程序：分析>敘述統計>描述性統計量
最小值 最大值 總和 平均數 標準差 Jaccard_0.5 1 240 2016 42.89 52.660 Inter_0.5 1 93 627 13.34 24.262 Interminus_0.5 1 251 2687 57.17 45.421 Cosine_0.7 1 229 1985 42.23 51.369 Correlation_0.7 4 235 2122 45.15 52.584 N = 47
表 16 Block 分群敘述性統計
相關性分析結果顯示（如表 17），沒有任何一種方法接近顯著。
SPSS 執行程序：分析>相關>雙變數
使用者自評 r 使用者自評 p 書籍總數 r 書籍總數 p Inter_0.5 0.12 0.423 -0.205 0.167 Interminus_0.5 0.045 0.764 .331* 0.023 Correlation_0.5 0.03 0.839 .898** 0 Cosine_0.7 0.014 0.926 .892** 0 Jaccard_0.7 0.013 0.929 .896** 0
*P<.05, **P<.01
表 17 Block 分群相關性分析
3. Girvan-Newman
UCINet_Netdraw 執行程序：Analysis>Subgroups>Girvan-Newman
在 Girvan-Newman 中，其概念為在不斷移除 edge betweeness 值最高邊（edge）
過程中，計算網絡的品質（過程詳第三章 Girvan-Newman 分群），而本研究即在 求網路品質最佳化下計算個別書櫃的組件數，作為個別書櫃的閱讀偏好多樣性依 據。分析結果為成對的組件數與 Q 值（亦即網絡品質指標），研究中紀錄最佳 Q 值的組件數，然而分群數量在 Q 值極大化下不一定是特定的組件數，有時會有 多個或是一定範圍內的組件數（數值不一定連續）。然而，Q 值極大化的多個分 群數中，由於最佳組件數的數值不一定連續，不能採用平均數的方式計算最佳分 群數。因此，本研究在處理非單一最佳組件數的書櫃時，採用 Q 值最大化之最 大與最小的最佳組件數，下列結果亦分成最佳組件最小值與最大組件最大值作分 析。
在分析取樣上，去除缺乏使用者自評之閱讀偏好多樣性之 109 號書櫃。由於 此種組件計算方式必須計算 edge betweeness，計算較前兩種方式繁複，在本研究 中個別書櫃書籍總數超過 3000 的書櫃計算上無法負荷，必須去除 48、129 號 2 個書櫃；而在書籍總數過少的情形下，cosine、correlation 兩種相似性計算因其 最適閾值為 0.7，造成書櫃中所有書籍全部分離，網絡中皆為獨立點而無任何連 結的書櫃無法計算 edge betweeness，去除 114、134 號 2 個書櫃。此外，在 Inter_0.5 與 Interminus_0.5 兩種相似性計算下，個別書櫃書籍總數在 1000 以上亦無法正常 計算，去除 55、72、119、122、131 號 5 個書櫃。最終在去除 10 個書櫃的情況 下，不論是取組件數最大或最小值，取樣 40 個書櫃作分析。
(1) 最佳組件最小值
與 Interminus_0.5 在 Q 值的總和、平均數與標準差，可看出 Interminus 相似性計 算在本研究的案例中，的確可有效排除於研究方法所述之書籍共現特殊情形，改 善書籍共現的相似性計算。SPSS 執行程序：分析>敘述統計>描述性統計量
最小值 最大值 總和 平均數 標準差
Jaccard_0.5 2.000 104.000 1048.000 26.20000 21.073984 Inter_0.5 1.000 646.000 3409.000 85.22500 112.229958 Interminnus_0.5 1.000 259.000 1518.000 37.95000 48.115220 Cosine_0.7 2.000 104.000 1026.000 25.65000 20.850567 Correlation_0.7 4.000 103.000 1011.000 25.27500 20.566325 N = 40
表 18 Girvan-Newman 最佳分群最小值分群數敘述性統計
最小值 最大值 總和 平均數 標準差
Jaccard_0.5 -.500 .948 18.631 .46577 .384341 Inter_0.5 -.095 .839 6.674 .16685 .245731 Interminnus_0.5 .000 .874 19.440 .48600 .215311 Cosine_0.7 -.500 .946 19.814 .49535 .370230 Correlation_0.7 -.088 .947 23.732 .59330 .296542 N = 40
表 19 Girvan-Newman 最佳分群最小值 Q 值敘述性統計
相關性分析結果顯示（如表 20），除 Inter_0.5 為不顯著正相關（r = 0.11 , p = .5）
外，其餘相似性計算皆為不顯著負相關。此外，依據顯著性做排序，Cosine、
Correlation、Jaccard 殿後的結果與前述兩種分群方式結果相似，相似性計算與使 用者自評相關顯著 p 值愈小，與書籍總數之相關顯著 p 值則愈大。
SPSS 執行程序：分析>相關>雙變數
使用者自評 r 使用者自評 p 書籍總數 r 書籍總數 p Interminus_0.5 -0.188 0.245 .483** 0.002 Inter_0.5 0.11 0.5 .420** 0.007 Cosine_0.7 -0.022 0.892 .776** 0 Jaccard_0.5 -0.013 0.938 .784** 0 Correlation_0.7 -0.013 0.938 .827** 0
*P<.05, **P<.01
表 20 Girvan-Newman 分群最小值相關性分析
(2) 最佳組件最大值
SPSS 執行程序：分析>敘述統計>描述性統計量
不論最佳組件選擇最小或最大值分析，皆取 Q 值最大化的結果，因此 Q 值在敘 述性統計下的結果一致（如表 22）。然而在不同相似性組件數值統計結果顯示，
在最佳組件最大值的情況下，各個相似性計算下的組件數標準差皆上升。
最小值 最大值 總和 平均數 標準差
Jaccard_0.5 2.000 116.000 1068.000 26.70000 22.379249 Inter_0.5 1.000 646.000 3460.000 86.50000 112.468799 Interminus_0.5 1.000 259.000 1583.000 39.57500 50.347962 Cosine_0.7 2.000 117.000 1043.000 26.07500 22.203473 Correlation_0.7 4.000 103.000 1015.000 25.37500 20.614518 N = 40
表 21 Girvan-Newman 最佳分群最大值分群數敘述性統計
最小值 最大值 總和 平均數 標準差 Jaccard_0.5 -.500 .948 18.631 .46577 .384341 Inter_0.5 -.095 .839 6.674 .16685 .245731 Interminus_0.5 .000 .874 19.440 .48600 .215311 Cosine_0.7 -.500 .946 19.814 .49535 .370230 Correlation_0.7 -.088 .947 23.732 .59330 .296542 N = 40
表 22 Girvan-Newman 最佳分群最大值 Q 值敘述性統計
相關性分析結果顯示（如表 23），除 Inter_0.5 為不顯著正相關（r = 0.112 , p = .492）
相關性分析結果顯示（如表 23），除 Inter_0.5 為不顯著正相關（r = 0.112 , p = .492）