研究設計與實施

本章旨在說明本研究之方法與設計，分別就研究架構與設計、研究對象及研 究工具一共三節分別予以說明。

第一節 研究架構與設計

壹、 研究架構

根據上述之研究動機、目的及文獻探討，綜合相關理論，擬訂研究架構。本 研究之研究架構如圖 2  所示。本研究量表分析，以大學生為受試對象，並依據受 試類別之背景變項為自變項，而以大學生美感品味能力指標為依變項。透過專家 建構專家效度之後，進行預試與正式施測，最後再以 Rasch 模式分析大學生美感 品味能力量表。

圖 2  研究架構圖

大學生美感品味能力指標預試量表 專家學者建構專家效度

分析美感品味能力指標預試量表

編製美感品味能力指標正式量表

分析美感品味能力指標正式量表

貳、研究設計

本研究依據研究目的，採用下列方法進行大學生美感品味能力量表的研究：

一、 文獻分析：進行美感品味相關文獻的蒐集、整理、歸納並分析，作為 本次研究中理論基礎與研究設計的依據來源。

二、 量表調查：針對大學生，分別抽取某大學，從各學院中隨機抽測一個 系所中的一個班級作為樣本，以本研究建構之「大學生美感品味能力量表」進行 調查。量表之內容包括： （1）學生個人基本資料； （2）大學生美感品味能力量表 內容。本研究採用描述性統計及其他統計方法進行分析。

第二節 研究對象

本研究之大學生美感品味量表一共抽取某一大學中，分別隨機抽取一個系所 中的一個班級及抽取通識中心學生作為樣本受試者。

壹、 預試樣本

本次研究實際發放預試樣本數為 400 份，實際有效回收份數會比原先設定發 放之份數來得少，此為問卷回收正常現象，並刪除無效受試者（如做答題目過少 者）。因此本次研究預試樣本共回收 279 份。整體來說，本次預試樣本回收率達  70％。

貳、 正式樣本

本次研究實際發放正式樣本數為 1336 份，因刪除無效受試者（如做答題目 過少者或作答反應皆相同者），故實際的受試者人數比原先作答受試者來得少。

因此本次正式樣本共回收 1277 份。整體來說，本次正式樣本回收率高達 96％。

第三節 研究工具

壹、大學生美感品味能力量表

一、量表編製依據說明

黑格爾（Hegel,George Wilhelm Friedrich, 1770­1831）說「美是理念的感性顯 現」，他認為美必須包含各別事物外在現象及其所顯現的理念或真理，在達成內 外一致表現後以感性形式呈現於意識、人的感官、感覺對象時，才具有審美意義 而構成現實的美，將百事萬物的感動內化於心，最終達到精神美的層次，並能體 現於生命之中。具體行為上，人類則主要藉由五感－視覺、聽覺、嗅覺、味覺、

皮膚感覺（包含觸覺、痛覺、溫覺與冷覺）等五種感覺進行美感體驗。綜言之，

本研究融入教育部九年一貫教育「藝術與人文領域」中對於學生應具備之三個指 標--「探索與表現」、「審美與理解」與「實踐與應用」以及多位學者的觀點。緣 此，本研究將美感品味定義如下：透過五感的探索，理解美學與社會文化的關係，

拓展藝術賞析的經驗，達到美的培養與實踐，並建立個人審美觀，成為一種生活 態度。

二、美感品味能力量表內涵

在本研究中，將美感品味能力量表的內涵一共分成三個分量表，合計 25 道 試題，且分述其主要內涵與行為指標如下：

（一）認知與察覺：在此分量表中一共編製了七道試題，其行為指標為： 

1、了解美感的特定概念及藝術媒材與資源。 

2、其他學科間的聯繫。 

3、察覺地方藝術文化。 

4、藝術與生活的關係。

（二）探索與審美：此分量表一共編製九道試題，其行為指標為：

1、五感的體驗美感。 

2、藝文資訊的獲得。 

3、以正確的觀念和適當的藝術用語及態度進行鑑賞。

（三）實踐與應用：此分量表一共編製九道試題，其行為指標為： 

1、運用學習累積的藝術知能、培養創作才能與美育專才。 

2、表現對藝術文化尊重、關懷與認同。 

3、能美化生活空間。

貳、建立專家內容效度

量表問卷初稿完成之後，編製內容效度之「專家意見調查表」，邀請專家學 者針對大學生美感品味能力指標各分量表內涵及適切性，進行修正，藉以建構各 分量表之代表性；在內容效度問卷中採取「適合」、「不適合」、「修改後適合」

三種等級，勾選其中一個最符合專家個人所認同的方式。此方式僅以鑑別各問卷 分量表中文字敘述是否符合各層面的概念內涵為主，並以不改變指標量表中項目 與原意為原則，依據指標效度之專家回覆意見，研究者逐題審視專家回覆意見，

據以修訂預試量表的文字敘述。

參、研究軟體 

ConQuest 是一種適用在試題反應的電腦程式軟體，它提供廣泛的試題反應 模型分析。ConQuest 可以應用在執行試題分析、差異試題功能、評估者的影響、

估計潛在的相關性和檢測向度。 

ConQuest 由 Wu、Adams 和 Wilson(2007)所發展，可應用於二元計分或多元 計分模式的 Rasch 模式。ConQuest 中使用邊緣最大概似估計法(MML)進行試題參 數估計，最大概似估計法(MLE)、期望後驗估計法(EAP)  、加權概似估計法(WLE)  以及潛在估計法(latent)進行能力參數估計。運用範圍漸廣，已逐漸成為 Rasch 分 析的主流程式。(余民寧, 2009)