第二章 文獻探討
第三節 各種應用於分類研究之分析工具的比較
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
11
最後，在組別的解釋部分，分析完後研究者需要去檢驗每一個項目的機率以 得到每一組的特徵值，以去命名與解釋；而一個簡單的方法則是去看每一個變項 的條形圖。本研究則是使用M-Plus進行潛在剖面分析。
第三節 各種應用於分類研究之分析工具的比較
過去研究最常使用的分類方法為非階層群聚分析中的 k-means 群聚分析 法，如 Yang 與 Lewandowsky（2003, 2004）等人所使用的分類方法即為 k-means 群聚分析法，k-means 演算法屬於硬式群聚分析方法，在必須先設定要分類的組 別數的情況下，未知可能性的組別可能就會被忽略，甚至被硬性併到其他組別，
不但導致整體資料的遺失，嚴重的情況下還沒使研究的效果無法突出，為此方法 的主要缺點。另外，除了組別數的先決問題外，分群方式還有兩個缺點：第一，
當受試者表現和兩個以上分類標準具有相同相似程度時，便無法將受試者分群；
第二，即使受試者表現和各標準相似程度不高，仍會將之歸入與其相似程度相對 來較高的標準分類表現。此特性導致各組中參雜些許非典型表現，會拖累並模糊 各分類類型的表現。而有些表現良好卻無法被分類的受試者表現則會被忽略，這 些皆會影響各實驗各分類表現間的比較與討論。
根據上述所說，為了避免過去分類時分析方法的缺點，所以本研究使用潛在 剖面分析幫助分類學習中知識分化的分組，潛在剖面分析並不像K-Means聚類法 與階層式聚類法一開始就要決定組別數目，而是取決於不同的組數數目時誰有最 佳的適合度統計量，且每一組的特徵值也是在分析過後才知道的。潛在剖面分析 適用於當觀察變項為連續變項時，且潛在類別數目大於2的時機下使用。
在現代心理學的研究中，多半通過樣本可觀察的、可測得的行為表現對個體
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
12
潛在或內隱的認知、情緒等進行間接的測量。因此，統計模型的潛在結構分析
（Latent structure analysis）在心理學研究的統計中逐漸顯得重要且有意義。根據 外顯變項和潛在變項的數據類型，可以將外顯變項與潛在變項之間理論關係的潛 在結構分析分為四大類：潛在類別分析（Latent Class Analysis）、潛在特質分析
（Latent Trait Analysis）、潛在剖面分析（Latent Profile Analysis）與因素分析（Factor Analysis）。不同潛在結構的變數模式如表一所示。研究者常常假設外顯變項與潛 在變項皆為連續變數，此種分析可被視為因素分析並得到廣泛的使用。但是，在 實際研究中，由於研究工具或數據收集等的問題，所分析的數據未必能滿足連續 的要求；另一方面，並非所有心理特徵都屬於連續變項，即個體之間的某些心理 特徵差異可能並不是或不僅是量的差異，也可能體現某些群體之間質的差異。
表一、不同典型的潛在變數模式與開創人物
（資料來源：邱皓政，潛在類別模式，2008）
潛在剖面分析做為一種實用的潛在特徵分類技術，除了能有效挖掘類別變項 數據訊息外，還能彌補因素分析等其他潛在結構分析方法無法處理類別變項的不 足，與其他研究方法互為補充，可更為全面揭示心理研究的內在本質。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
13
對於潛在剖面分析技術在心理學上的應用，潛在剖面分析最基本的應用就是 根據外顯的行為指標來判斷個體的潛在特徵分類，並瞭解各種類型的人數比重，
有助於對各種特徵的個體進一步的研究或採取不同的處理方式，這種分析方式通 用於各個領域的心理學研究。潛在剖面分析的這種分類功能在國外廣泛應用於教 育與心理學測驗、社會心理調查、心理診斷、人才測評等應用研究。Notelaers, Einaesen, De Witte和Vermunt（2006）用潛在類別模型來對從業人員在工作中受欺 凌的情況進行研究分類，並通過外在效標對此種分類方法與傳統的分類方法結果 進行檢驗，結果發現基於潛在類別的分類與外在效標的相關更大，比傳統方法的 分類更為精細，分類也更為有效。另外，Tracey D. Wade, Ross D. Crosby和Nicholas G. Martin（2006）也使用潛在剖面分析對澳洲女性在飲食失調的症狀上進行分類，
結果分出五種飲食失調的基本型態。
根據上述研究我們可以知道，基於模型的潛在剖面分析在類別數目的判斷以 及分類特徵等方面有更為科學、客觀的判斷標準，因此潛在剖面分析在心理研究 中對個體心理或行為特徵的分類有著重要的作用。此外，這種分類結果也為心理 研究中樣本同質性與異質性問題提供訊息。
對於潛在剖面分析技術在類別學習中的應用，由於個別差異對於個體在類別 學習中所承擔的角色，所以在形成分類策略的過程中，就會產生不同的變化與群 體，導致行為反應（e.g., 反應時間與正確率）的不同。這些群體之內的穩定特徵 與群體之間的學習策略的不同，正代表著個別差異所產生的群體同質性與異質性，
本研究希望藉由潛在剖面分析可以釐清個別差異在類別學習中知識分化現象的 影響，並進一步瞭解這些學習策略所形成的內在表徵是在何時形成，是在類別學 習的練習階段就已形成，亦或是在測驗階段受試者才形成。以及分類過後的不同 群體之間，個別差異的不同是否會影響工作記憶容量的不同，不同群體對於工作 記憶之間的關係又為何，將是本研究的重點。
潛在剖面分析的另外一個優點是可以跟結構方程模式做結合，稱作結構方程
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
14
混合模式（Structure Equational Mixture Model）。傳統的結構方程模式在結構模式 部分，潛在變項一般皆為潛在連續變項的存在以探討潛在變項之間的關係，但結 構方程混合模式，卻可以探討潛在連續變項與潛在類別變項之間的變化，且潛在 類別變項的觀察值指標不一定只可以使用類別尺度的變項，也可以同時使用連續 尺度的變項，這使得潛在剖面分析的使用時機與範圍可以更適切的應用於類別學 習的分類作業中。
最後，相信使用潛在剖面分析可以避免知識分化中未知可能性組別的遺失，
此點已在本研究的三個分析中可以得到證實。而根據潛在剖面分析分類出來組別 的特徵值，可以輕易的解釋組別之間的變化與差異，方便研究者對於知識分化組 別的命名。