近年來人們開始漸漸意識到關於學習動機的重要性，因為它不僅可幫助學生 在學習時有動力更加投入外，其最後反映出的學習成果也會有所提升。因此人們從 過往只專注在鑽研教學內容本身，到現在會開始探討提升教學動機的方法。所以也 才造就了教育科技、遊戲化的崛起與興盛，人們渴望透過更好的教學內容與教學方 法來幫助學習之人能夠有更大的收穫。
而在這次研究中，就是期望能從 Edventure 中的資料來分析探討到底遊戲化、
教育科技的學習是否確實真的對學生有所幫助，並藉由線上學習行為來分析出其 對於學習投入、學習成果的因果關聯，找出系統上的缺失及需要改進的關鍵點。而 在經過一連串的統計與實驗分析後，最後得出一個預測迴歸模型：首先可從學生對 於 Edventure 的趣味享受（學習動機）來預測他未來在 Edventure 上的學習投入，
接下來再從對於系統的學習投入去預測最後的學習成果（成績分數）。這個預測模 型好處在於管理者可透過系統上學習的行為去預測最後學生於系統上的學習投入 及成績分數，那麼以後當學生於學期初就出現、遇到學習狀況問題時，系統就可馬 上從他的學習行為來判斷出，並即時同步通知給助教與老師們，也因此學生就能夠 儘早獲得助教與老師的協助與幫忙，改善其學習效益與狀況。
圖表 5-1 預測模型
此外在上述預測模型裡最重要的兩個關鍵點在於學生投入於 Edventure 的程 度與是否有享受在 Edventure 的學習遊戲中。故針對於這兩點做更深入的探討研 究之後，發現到在此實驗樣本（103-2 台大機率與統計課程）中是否有享受於遊戲
學生而言他找到更有趣的一片天，而對於學習不投入的人也能因為遊戲化的學習 而提升學習動機與效益。也因此就 Edventure 初衷而言，上述結果其實非常令人鼓 舞激動的，因為它被證實確實有幫助提升了學生的學習動機。儘管顯著性的不足說 明了此結果只是個案現象並無法直接宣告為方法做推論及應用，其中原因不外乎 為每年的學習環境、系統使用者不盡相同，但是在過往幾年觀察在使用 BJT-Online 的使用情況也依然能看到不錯的成效。因此在往後繼續不斷提升學生對於學習投 入者之趣味享受的重要性、影響性，仍然會一直是未來 Edventure 改良最重要的課 題之一。
最後在這次研究成果中，除了上述成果之外還看到許多對於未來 Edventure 改版更新時有用的發現，例如說將迴歸模型透過視覺化來建置成雷達圖，其好處在 於讓學生看到自己學習狀況的資料可以更幫助他們自己改善學習的狀況與效益 [19]，而且老師在觀察各組別表現時也能更簡單的看出各組學習狀況的差別。另外 雷達圖對於老師們還有另外一種用處，他可藉此來調整、改善教學方法，因為只需 要根據這視覺雷達圖來比較不同班級（但要相同背景）學生的最後學習效益，就可 了解各個教學方法的效益與差別。
圖表 5-2 雷達圖示意範例
總結這次研究而言，可發現說遊戲化與教育科技對於學習而言是真的有所幫 助與影響的，在不同投入度之下其幫助的效益會有所不同。至於要怎麼讓效益提升 就需要透過不斷的嘗試，不論是透過使用者質性訪談資料來探討合作學習對使用
者之幫助，亦或者是系統遊戲性新舊功能的優化與開發等等。至於透過學習行為來 預測學習成果成績之預測模型，就需要再讓其他樣本加入與測試才能繼續修正優 化，找出最佳的預測模型。相信最後完成之時，它會大大幫助到使用系統的學生與 管理者們。最後也期許未來 Edventure 對使用者在學習的效益幫助上越來越高、越 來越好，成為其他教育科技的範本與榜樣。
參考文獻
[1] Barbara:
A Mind for Numbers: How to Excel at Math and Science (Even If You Flunked Algebra)
[2] S. Deterding, D. Dixon, R. Khaled, and L. Nacke, “From game design elements to gamefulness: Defining ”gamification”,” in Proceedings of the 15th International Academic MindTrek Conference: Envisioning Future Media Environments, ser.
MindTrek ’11. NewYork, NY, USA: ACM, 2011, pp. 9–15.
[3] A. Domnguez, J. S. de Navarrete, L. de Marcos, L. Fernndez-Sanz, C. Pags, and J.-J. Martnez-Herriz, “Gamifying learning experiences: Practical implications and outcomes,” Computers &Education, vol. 63, pp. 380 – 392, 2013.
[4] M. B. Iba´n˜ ez, A´. Di-Serio, and C. Delgado-Kloos, “Gamification for engaging computer science students in learning activities: A case study,” IEEE Transactions on Learning Technologies, vol. 7, no. 3, pp.291–301, 2014.
[5] S. de Sousa Borges, V. H. S. Durelli, H. M. Reis, and S. Isotani, “A systematic mapping on gamification applied to education,” in Proceedings of the 29th Annual ACM Symposium on Applied Computing. ACM, 2014, pp. 216–222.
[6] R. RAYMER, “Gamification: Using game mechanics to enhance elearning,”
eLearn Magazine,2011. [Online]. Available:
http://elearnmag.acm.org/featured.cfm?aid=2031772
[7] S. Nicholson, “A user-centered theoretical framework for meaningful gamification,” in Games + Learning + Society 8.0, 2012, pp. 223–230.
[8] A. Inoue, Gamification - Games changes the business. Enueichikeishuppan,2012.
[9] K. M. Kapp, The gamification of learning and instruction: game-based methods and
strategies for training and education. John Wiley & Sons, 2012.
[10] H. Pastor Pina, R. Satorre Cuerda, R. Molina Carmona, F. Gallego Dur´an, F. Llorens Largo et al., “Can moodle be used for structural gamification?” in International Association of Technology, Education and Development (IATED), 2015.
[11] I. BoniO, “Pagamo,” 2016. [Online]. Available: https://www.pagamo.org/
[12] G. Zichermann and C. Cunningham, Gamification by Design: Implementing Game Mechanics in Web and Mobile Apps, 1st ed. O’ReillyMedia, Inc., 2011.
[13] Z. Fitz-Walter and D. W. Tjondronegoro, “Exploring the opportunities and challenges of using mobile sensing for gamification and achievements,” in Ubi Comp 11: Proceedings of the 2011 ACM Conference on Ubiquitous Computing.
ACM Press, 2011, pp. 1–5.
[14] Chia-Yu Lin and I-Wei Lai, “Edventure: Gamification for Cooperative Problem Design and Solving”. 2016
[15] D. Dicheva, C. Dichev, G. Agre, and G. Angelova, “Gamification in education: a systematic mapping study,” Educational Technology& Society, vol. 18, no. 3, pp. 1–
14, 2015.
[16] Wei-Hsuan Tang, Self-Determination Theory and Gamified Online Homework System, 2013
[17] B. Huang and K. Hew, “Do points, badges and leaderboard increase learning and activity: A quasi-experiment on the effects of gamification?” in International Conference on Computers in Education,2015.
[18] A. Iosup and D. Epema, “An experience report on using gamificationin technical
[19] T. Auvinen, L. Hakulinen, and L. Malmi, “Increasing students’ awareness of their behavior in online learning environments with visualizations and achievement badges,” IEEE Transactions on Learning Technologies, vol. 8, no. 3, pp. 261–273, July 2015.
[20] S. Azmi, N. A. Iahad, and N. Ahmad, “Gamification in online collaborative learning for programming courses: A literature review,” ARPN Journal of Engineering and Applied Sciences, vol. 10, no. 23, pp.18 087–18 094, 2015.
[21] M. Romero, M. Usart, M. Ott, J. Earp, and S. de Freitas, “Learning through playing for or against each other? promoting collaborative learning in digital game based learning,” in ECIS 2012 Proceedings, vol. 5, no. 2012, 2012, pp. 15–2012.
[22] F.-R. Kuo, G.-J. Hwang, and C.-C. Lee, “A hybrid approach to promoting students web-based problem-solving competence and learning attitude,” Computers &
Education, vol. 58, no. 1, pp. 351 –364, 2012.
[23] S. Hrastinski, “A theory of online learning as online participation,” Computers &
Education, vol. 52, no. 1, pp. 78–82, Jan. 2009.
[24] L. Moccozet, C. Tardy, W. Opprecht, and M. Lonard, “Gamification-based assessment of group work,” in In 2013 International Conference on Interactive Collaborative Learning (ICL),. IEEE, Sept 2013, pp. 171–179.
[25] C. Coll, M. J. Rochera, and I. de Gispert, “Supporting online collaborative learning in small groups: Teacher feedback on learning content, academic task and social participation,” Computers &Education, vol. 75, pp. 53 – 64, 2014.
[26] J. Brindley, L. Blaschke, and C. Walti, “Creating effective collaborative learning groups in an online environment,” The International Review of Research in Open and Distributed Learning, vol. 10, no. 3,2009.
[27] C. Li, Z. Dong, R. H. Untch, and M. Chasteen, “Engaging computer science students
through gamification in an online social network based collaborative learning environment,” International Journal of Information and Education Technology, vol.
3, no. 1, pp. 72–77, 022013.
[28] M. Galton, “Assessing group work,” in International Encyclopedia of Education (Third Edition), third edition ed., P. Peterson, E. Baker, and B. McGaw, Eds. Oxford:
Elsevier, 2010, pp. 342 – 347.
[29] L. M. Jeffrey, “Learning orientations: Diversity in higher education,” Learning and Individual Differences, vol. 19, no. 2, pp. 195 –208, 2009.
[30] F.-Y. Yang and C.-C. Tsai, “Investigating university student preferences and beliefs about learning in the web-based context,” Computers & Education, vol. 50, no. 4, pp. 1284–1303, 2008.
[31] 蕭文龍, “多變量分析最佳入門實用書(第二版)：SPSS+LISREL”, 2009
[32] Y.-C. Hsu, “Edventure online user guide,” 2016, (Chinese version). [Online].
Available: https://goo.gl/T3flOr
[33] ——, “Edventure online tutorial,” 2016, (Chinese version). [Online]. Available:
https://youtu.be/ aiPipDno3w
[34] Gwo-Hshiung Tzenga, Cheng-Hsin Chiang and Chung-Wei Li, “Evaluating intertwined effects in e-learning programs: A novel hybrid MCDM model based on factor analysis and DEMATEL,” 2006
附錄一 描述性資料分析
其分散情形最為精準，缺點是同時也容易受到極端值的影響，所以通常會與平均數 搭配使用。
分佈量數：
用來表示變數分佈特性的有兩種量數，包括：偏態 (skewness) 和峰度 (kurtosis），而偏態與峰度兩者的大小都可以用偏態係數和峰度係數來表示，其係 數是透過動差法來生成。
峰度係數（四級動差）：
偏態係數（三級動差）：
表格 4 偏態與峰態之條件對照表格
圖表 2 正偏態與負偏態的差異圖
圖表 3 峰態圖之三種情況差異圖 相對地位量數：
相對地位量數是用來表示某一觀察值在全體樣本中性質的量數，常用的相對 地位量數包括百分等級、百分位數、及各種標準分數，而各種標準分數都有其特性 及適用的條件狀，例如『Z 分數』是將原始資料進行線性轉換，但同時不會去改變 個資料的相對關係與距離，因此 Z 分數轉換並不會改變分配的情況，而『T 分數』
的功能性就不一樣了，它主要是用來表示某個體在其樣本群中之相對位置，因此被 常用來做為比較兩群樣本中不同個體的數量，只是這種比較應在兩個樣本群的分 配是一樣時才不致造成誤解。
Z 分數轉換公式：
T 分數轉換公式：
附錄二 因素分析
表格 5 KMO 值檢測結果對應表格
0 ~ 0.5 0.5 ~ 0.59 0.6 ~ 0.69 0.7 ~ 0.79 0.8 ~ 1.0 不可接受 殘忍的 平凡的 中度的 良好的
Bartlett's 球形檢定不同於 KMO，其計算方式是採用相關係數，在正常情況下，相 關矩陣的行列式直須大於零，這點在使用 SPSS 軟體時就可順道查看 Bartlett's 的 顯著性，作為判定是否適合做因素分析的準則之一。
在檢測完及執行完因素分析後，接下來要思考的是該如何決定選取因素之數 目，基本上這沒有絕對的標準答案，需要憑藉依靠使用者自身的經驗及判斷來決定，
而正常情況下通常依靠以下四種方法來幫助我們做出一個合適的判定。
特徵值：
特徵值判斷方法就是依據其值是否大於 1 或小於 1，大於 1 的含義在於變 數能解釋的變異超過 1，因此非常重要可留下來，但倘若小於 1，就代表不重要可 以捨去。而適合使用特徵值來當作判斷依據的情況為，變數的數量介於 20 至 50 個左右，若是少於 20 個，則會有萃取過少的問題，但若是變數數量大於 50，反 而會有萃取過多的問題。
陡坡圖 (Scree Test)：
陡坡圖是用來判定最適切的因素個數，其理論根據是用特徵值來判斷，陡坡圖 本身是 2D 平面圖，有兩個主軸，特徵值當 y 軸，因素個數則為 x 軸，至於曲線 上的點代表的是變數可以解釋的變異，如下圖所示：
圖表 4 陡坡圖範例
至於陡坡圖本身判定方法是看曲線的斜率變化，當曲線的斜率忽然趨近為零，也就 是曲線忽然變平坦之處，就是判定點，如上圖所示，我們會選取 5 個因素。只不
過如果使用第一個方法看特徵值 >= 1，則會選取 4 個因素，這時到底要選 4 個 還 5 個因素，就得靠研究者本身的經驗或者研究理論來當作抉擇的依據。
理論決定：
研究人員、使用者須根據過去的文獻或本身研究的理論架構來選取因素，甚至 在做因素分析前就已經知道需要選取多少因素，而統計分析則是用來驗證有關多 少因素應該被選取。
變異的百分比：
在社會科學領域中，經過篩選萃取出的因素，其能夠解釋的變異數通常只要累 積到 60% 左右就達到標準了，至於在其他研究領域中，標準甚至會再放低許多。