國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
85
第六章 綜合討論
個別差異的分析可以幫助我們瞭解人與人之間的變異性與獨特性的存在，且 隨著這方面的研究逐漸增加，代表我們越來越重視個別差異因素對於心理歷程的 重要性，但在過去類別學習的研究中對於個別差異的分析一直沒有太深入的探討，
主要是因為實驗設計本身的不完全以及統計分析技術的不成熟所致。所以本研究 的主要目的除了希望透過四個類別學習作業實驗的分析，以期開發出一套適合分 析分類策略對於個別差異影響的方法外，還包括瞭解 類別學習表現中個別差異在 組間的重要性，即是 不同的受試者為何會在相同的分類作業中會使用不同的策略，
這些不同策略的組別相互之間的關係又是如何，最後，根據分析的結果支持知識 分化理論的存在與探索深度。
本研究分別對於幾種不同類型的類別學習作業進行潛在剖面分析，企圖證明 在不同類型的實驗結構下，依然能使用潛在剖面分析來分類，且分類的結果可以 找出適當的分組以及發現實驗未預期的組別。不同類型的類別學習作業分別為分 析一的線性分類規則學習、分析二的非線性分類規則學習以及非規則分類學習的 分析三。以下將分別對這幾個部份做綜合討論的探討。
線性分類規則的分類學習作業
本研究在分析一的實驗一中發現，潛在剖面分析對於線性分類規則的分類學 習確實可以進行有效的分類，無論是在訓練階段亦或是測驗階段。相較於過去的 研究所使用的方法，如 k-means 群聚分析法受限於須無法明確事先決定各組重心，
以致無法有效對於訓練階段分類進行分組分析，研究者只能對於測驗階段進行分 組，而後根據測驗階段分類出來的各組，觀察他們在不同變項上的組態（pattern），
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
86
去推論知識分化現象在訓練階段會是何種組態，如此一來，便無法確定知識分化 現象在訓練階段就是否已經形成。而在本研究中對於訓練階段的有效分類可以證 明知識分化現象在訓練階段就已逐漸形成，且透過訓練階段的分類組別與測驗階 段的分類組別進行相關分析，發現兩者之間的相關為 0.604，達到中度相關的程 度，代表訓練階段所分類出來的組別已有中度的預測力去預測受試者在測驗階段 會落在哪一組內，知識分化現象的研究將不在只侷限於測驗階段的分析裡。
實驗一在測驗階段的分組在四組時有最好的適合度指標，分別是習得真實規 則的一組，即TB（True Boundary）組；只學會單一條界線的一組，只有學會下方 界線；反轉的知識分化組；以及標準的知識分化組，即KP（Knowledge Partition）
組。相較於蔡涵如（民97）實驗一所發現的三組，本研究所分類出來的組別可以 更清楚的說明分類出來的組別有何種特性，而不在僅限於TB組、KP組或其他組，
其中只學會單一界線的組別以及反轉的知識分化組是我們所沒有預期到的組別，
值得注意的是，若以知識分化現象的定義來說，未預期的兩組也應該為知識分化 的組別，只是選擇的策略有所不同而已。如此一來，產生知識分化現象的人數與 未產生知識分化現象的人數便不再是過去研究所說的差不多，而是三分之二比三 分之一的人數。若是知識分化產生與否的關鍵在於工作記憶容量的差異，無論兩 因子之間的係數是否顯著，我們應可以看到潛在剖面分析在分類時所切割的點，
產生知識分化的三個KP組會在一個方向，未產生知識分化的TB組會在另外一個 方向，事實也確實是如此。
使用潛在剖面分析與結構方程模式做結合，進行結構方程混合模型，發現工 作記憶容量並無法預測分類策略選擇的結果，雖然結果與蔡涵如（民97）一致，
但與理論所預期不同，可能原因有二，一為進行分析的樣本數不足，此點從工作 記憶容量的變異數（0.012）以及該因子影響分類策略選擇之間的標準誤（3.491）
兩者之間的差異過大可以發現；一為工作記憶容量確實無法影響分類策略的選擇，
進一步釐清兩因子之間的關係，可能是接下來研究可以繼續探討的部分。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
87
對於實驗二的分析發現，潛在剖面分析對於線性分類規則的學習也可以進行 有效的分組，無論是在訓練階段亦或是測驗階段。但不同於實驗一的訓練階段，
實驗二在分組時並未使用最佳的適合度指標，因為不同組數之間的適合度指標差 異並不大，所以根據實驗一訓練階段的分類，將組別數設定為三組，期望得到與 實驗一相同的結果。然而，訓練階段的分類卻無法預測測驗階段的分類，造成此 一結果的原因，很可能是因為訓練階段分組的第二組平均分散到與測驗階段分組 的四個組別裡面，在此一情況下，很難觀察到對於另外一個變項有一致性的趨 勢。
實驗二在測驗階段的分組同實驗一相同，在四組時有最好的適合度指標，分 別是標準的知識分化組，即KP（Knowledge Partition）組；只學會單一條界線的一 組，只有學會上方界線；反轉的知識分化組；以及習得真實規則的一組，即TB
（True Boundary）組。同實驗一，只學會單一界線的組別以及反轉的知識分化組 是我們所沒有預期到的組別，值得注意的是，實驗二中只學會單一界線的組別所 學會的單一界線不同於實驗一中只學會單一界線的組別，前者只學會上方界線，
而後者只學會下方界線，造成此一差異最大的原因在於實驗所操弄的兩變項對於 受試者所感受的敏感程度不同所致，該組受試者對於某一變項在不同大小時，另 一變項上敏感程度的不同而有所偏好，以致於無法學會兩條真實的界線；而反轉 的知識分化組在兩實驗的反應組態則完全相同，並沒有只習得單一規則組的反向 變化。
對實驗二進行結構方程混合模型，發現工作記憶容量同實驗一，並無法預測 分類策略選擇的結果，與理論所預期不同，可能原因應與實驗一相同，一為進行 分析的樣本數不足，此點從工作記憶容量的變異數（0.014）以及該因子影響分 類策略選擇之間的標準誤（4.830）兩者之間的差異過大可以發現；一為工作記 憶容量確實無法影響分類策略的選擇。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
88
有鑑於實驗一與實驗二在測驗階段，結構方程混合模式進行分類時切割點在 四組上的差異很有可能是因為難度的差異造成的影響，為了去驗證工作記憶容量 會因為作業難度而對實驗一與實驗二在分類策略的選擇上的影響，所以將實驗一 與實驗二的受試者組合在一起進行多團體（multiple-groups）的結構方程混合模型，
進行此一結構方程混合模型主要為確定難度對於分類策略選擇是否有效果，若有 效果，或許為難度本身的主要效果，亦有可能是因為難度與工作記憶容量的交互 作用所影響分類策略的選擇。
結果發現，難度與工作記憶容量對於分類策略選擇的影響，工作記憶容量的 潛在變項並不會影響分類策略的選擇(t-value=0.58)，而難度的潛在變項確實是影 響分類策略選擇的重要因子(t-value=-2.68)，對於過去研究中工作記憶容量影響分 類策略選擇有不一致的結果做解釋，最大的可能原因是不同的分類作業，難度不 同，自然導致會有不同的影響結果，不過也不排除是因為樣本數過小所造成的不 顯著。
最後，對於知識分化理論而言，過去只侷限於產生知識分化現象的組別與學 會真實界限的組別，且該產生知識分化現象的組別也僅只是研究者所想像的最佳 化知識分化型態，其他無法分類的組別一律忽視。然而在本研究使用潛在剖面分 析後發現，只學會單一界線的組別以及反轉的知識分化組這兩個研究者所沒有預 期到的組別，代表知識分化不只有單單一種表現形態而已，隨著操弄變項的不同，
會有不同的知識分化型態，在過去未預期的這兩個組別也許會被歸類到無法分類 的其他組裡，但實際上也許這兩組人也是知識分化現象下的產物，只是所使用的 分類規則有所不同，非是研究者所想像的最佳化知識分化型態。
根據上述所說，我們可以發現即使無關的情境線索同時也對於受試者有影響，
實驗所操弄的變項對於知識分化現象產生與否的影響仍然很大，甚至於無情境線 索的狀態下，操弄實驗變項的刺激即會自發性的產生知識分化的現象，該議題將 在分析二繼續探討。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
89
非線性分類規則的分類學習作業
分析二為二次分析楊立行（民96）的實驗，該實驗正確的分類規則為一條非 線性函式，並給予不多的足夠線索，企圖讓受試者在非線性函式的情境下自發性 的去產生知識分化的現象。此研究只有進行分類學習作業，而沒有測量工作記憶 容量的作業。
結果發現，潛在剖面分析確實可以對於非線性分類規則學習所得資料，進行 有效分組，在訓練階段分類出四個組別，在測驗階段分類出五個組別。這代表不 僅僅是在刺激結構為線性函式且有情境線索的情況下，潛在剖面分析可以對於訓
結果發現，潛在剖面分析確實可以對於非線性分類規則學習所得資料，進行 有效分組，在訓練階段分類出四個組別，在測驗階段分類出五個組別。這代表不 僅僅是在刺激結構為線性函式且有情境線索的情況下，潛在剖面分析可以對於訓