第三章 分析一
第一節 蔡涵如（民 97）實驗一
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
33
第一節 蔡涵如（民 97）實驗一
在實驗一中，蔡涵如使用Yang和Lewandowsky（2004）所使用的分類學習實 驗的結構典範來觀察知識分化現象的產生。此實驗有80名無紅綠色盲的受試者參 與，在訓練階段，共有40個刺激隨機於圖三虛線區域內挑選出來，其中有一半分 布於上方類別界線，另一半則分布於下方類別界線處，各自以一種顏色呈現(紅 或綠)。顏色與不同群的學習刺激間採受試者對抗平衡，但不論是哪個顏色，燈 與等量的類別A與類別B刺激配對出現。在測驗階段中使用的刺激包括40個新的 刺激以及20個從訓練階段中隨機挑出的刺激。在訓練階段共有8個訓練區段 (block)，在進行分析時，只針對雙數區段中，受試者在不同的情境線索(顏色)出 現時，選擇A的機率，當作變項進行分析，所以在訓練階段將使用此8個(4x2)變 項進行分析。
無論是訓練階段還是測驗階段，實驗的結果大致上可以分成兩大類受試者，
即真實規則習得者以及知識分化者，結果範例如圖四與圖二十五所示， 刺激分別 以「○」、「X」表示，其中「○」表示 刺激屬於類別A；而「X」表示刺激屬於 類別B。圖四為習得真實規則者在測驗階段中的結果示意圖，圖A 的結果可看出 受試者學習到真實的分類規則，當情境線索為顏色時，不論刺激以什麼顏色呈現，
習得真實規則者，均僅依據矩形高 度以及短線位置的搭配協助其進行分類。不論 刺激顏色為紅色時（如圖B）或刺激顏色為綠色時（如圖C），受試者都可忽略 無關的顏色訊息，單純以矩形高 度及短線位置的搭配做判斷。圖二十五則為實驗 中，學習到標準的知識分化者的結果示意圖，圖二十五A可以看出，知識分化者 會根據刺激呈現不同的情境線索(顏色)而有不同的反應答案，當刺激顏色為紅色 時（如圖B），則受試者使用函式學習中的上邊界線進行A、B類的判斷，當刺激 顏色為綠色時（如圖C），受試者使用函式學習中的下邊界線進行A、B類的判斷。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
34
根據上述知識分化的差異，所以在進行潛在剖面分析的第一個步驟便是先確 定所要分析的變項為何，根據圖四與圖二十五對於知識分化現象的區分，在實驗 一的測驗階段我們可以使用六個變項去進行分類，分析與解釋過後以觀察變項組 態的差異來分辨知識分化現象是否可以準確的被分類出來。潛在剖面分析的六個 變項應是在函式學習當中，以兩條真實界線所區分出的三個區域在不同情境線索 下，受試者選擇A的機率，分別為在區域1且情境線索為紅色時，選擇A的機率；
在區域1且情境線索為綠色時，選擇A的機率；在區域2且情境線索為紅色時，選 擇A的機率；在區域2且情境線索為綠色時，選擇A的機率；在區域3且情境線索 為紅色時，選擇綠色的機率；在區域3且情境線索為綠色時，選擇A的機率，以 上六個變項。
結果 訓練階段
知識分化實驗派典中最具特色的是，情境線索雖然無法預測正確答案，但卻 可以輔助受試者選擇適切的分類規則。因此，受試者在訓練階段中，應會習得情 境線索與分類規則之間的關連性，情境線索無疑是這類實驗中的重要因子。在訓 練階段中，因為受試者在不同情境線索時並不會學習到所有區域的刺激，所以在 進行潛在剖面分析時，只使用當情境線索（紅色或綠色）出現時，受試者選擇類 別 A 的機率變化來當作知識分化出現與否的分析依據。因為在實驗中，訓練階 段有八個區段(block)，在進行分析時，只針對雙數區段，即在第二、四、六與八 區段當中，選用受試者在情境線索出現時，選擇 A 的機率當作變項進行分析。
‧
Exp1: Training PhaseGroups of Latent Classes C=2 C=3 C=5
Log likelihood
H0 Value
H0 Scaling Correction Factor for MLR
342.83
Information Criteria
Number of Free Parameters AIC
BIC
Sample-Size Adjusted BIC (n*=(n+2)/24) Entropy
25 Numbers of
Latent Classes
1 1 1 適合度（goodness of fit），BIC=-620.990，AIC=-701.551，Sample-Size Adjusted BIC=-728.194。各組人數如表三所示，所有變項皆達顯著水準，且各組之間的相
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
36
的一組，所以此組的受試者在情境線索出現時，選擇 A 的機率都約為 50%，有 68 人屬於這一組別；第三組為受試者偏好在情境線索為紅色時，選擇 A 分類的 組別，有 3 人組於這一組別。
圖七、蔡涵如(民 97)實驗一訓練階段各組平均數與標準誤。A 圖為各類別在 實驗不同的四個區段時，兩個情境線索選擇 A 機率變項的平均數與標準誤；
B 圖為情境線索為綠色時，四個區段選擇 A 的機率；C 圖為情境線索為紅 色時，四個區段選擇 A 的機率。
測驗階段
不同於練習階段，在測驗階段中使用六個變項去進行分類，六個變項應是在
‧
Exp1: Transfer PhaseGroups of Latent Classes C=2 C=3 C=4 C=5
Log likelihood
H0 Value
H0 Scaling Correction Factor for MLR
-27.73
Information Criteria
Number of Free Parameters AIC
BIC
Sample-Size Adjusted BIC (n*=(n+2)/24) Entropy
37 Numbers of
Latent Classes
1 1 1 1
結果發現，在組別為四組時，有最好的適合度指標，BIC=165.410，AIC=16.14，
Sample-Size Adjusted BIC=-33.23。各組人數如表四所示，所有變項皆達顯著水準，
且各組之間的相關極低。各類別在不同變項之平均數與標準誤如圖八的上方的圖
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
38
所示，在不同區間時，不同情境線索的平均數組態如圖八的 B1S、B1W、B2S、
B2W 圖所示。觀察圖八下方四個圖可以發現四個組別之間的差異極大，但在相 同的組別上，不同的區間幾乎沒有什麼差別存在。
根據分類出來的結果，基本上實驗一在測驗階段可以分成四個組別，第一組 為分類學習作業中，習得真實規則的一組，受試者在刺激出現在區域 1 以及區域 3 時，無論情境線索為何皆偏向選擇 B 這個類別，而刺激出現在區域 2 時，無論 情境線索為何皆偏向選擇 A 這個類別，即 TB（True Boundary）組，有大約 29 個 人在這一組；第二組為只學會單一條界線的一組，所以此組的受試者在刺激出現 時，無論情境線索為何，在區域 1 及區域 2 選擇 A 的機率較高，但若刺激出現 在區域 3 時，選擇 A 的機率降低，明顯只有學會下方界線，有 14 人屬於這一組 別；第三組的受試者為反轉的知識分化組，即受試者雖然有產生知識分化的現象，
但其預測跟標準的知識分化組在不同區域不同情境下產生的反應完全相反，所以 稱為反轉的知識分化組，共有 13 人。他們也會根據情境線索的不同，而有不同 的分類規則，該組受試者偏好在刺激出現時，若情境線索為 S（代表紅色情境）， 則使用下邊界線，此時在區域 1 以及區域 2 選擇 A 的機率會較高，區域 3 選擇 A 的機率會較低，若情境線索為 W（代表綠色情境）時，則使用上邊界線，此時 在區域 2 及區域 3 選擇 A 的機率會較高，區域 1 選擇 A 的機率則會較低。第四 組的受試者為標準的知識分化組，即受試者會根據情境線索的不同，而有不同的 分類規則，該組受試者偏好在刺激出現時，若情境線索為 S，則使用上邊界線，
此時在區域 1 以及區域 2 選擇 A 的機率會較高，區域 3 選擇 A 的機率會較低，
若情境線索為 W 時，則使用下邊界線，此時在區域 2 及區域 3 選擇 A 的機率會 較高，區域 1 選擇 A 的機率則會較低，此組的人數有 23 人，為第二大人數的一 組。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
39
圖八、蔡涵如(民 97)實驗一測驗階段各組平均數與標準誤。上方的圖為各 類別在實驗區段 1 與區段 2 時，不同變項之平均數與標準誤，圖 B1S 為在 實驗區段 1 且情境線索為 S 時，選擇 A 的機率；B1W 為在實驗區段 1 且情 境線索為 W 時，選擇 A 的機率；B2S 為在實驗區段 2 且情境線索為 S 時，
選擇 A 的機率；B2W 為在實驗區段 2 且情境線索為 W 時，選擇 A 的機率。
測驗階段與訓練階段的相關
在蔡涵如(民 97)的實驗一中，分別對於訓練階段與測驗階段使用潛在剖面分 析後，在訓練階段分類出 3 個組別，在測驗階段分類出 4 個組別，而後使用計算
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
40
多分名義變項的列聯相關。可以發現，測驗階段與訓練階段的列聯相關為 0.604，
Chi-square=45.470，p-value<.001，相關達到顯著水準，即表示，使用練習階段的 分類結果可以有中度的預測力來預測測驗階段的分類結果。在訓練階段與測驗階 段各組人數的變化如表五所示。
表五、蔡涵如(民 97)實驗一學習階段與測驗階段各組人數變化表
Transfer \ Training 1 2 3 total 1
2 3 4
3 25 1 2 12 0 0 13 0 3 18 2
29 14 13 23
total 8 68 3
工作記憶容量與實驗一分類策略的關係
使用潛在剖面分析的另外一個優點是可以跟結構方程模式(Structure
Equational Model)做結合，以去考驗模型的適合度。不同於傳統的結構方程模式，
即所有潛在變項皆為連續變項，探討潛在變項之間的關係，使用潛在剖面分析與 結構方程模式做結合，會涉及到連續尺度的潛在變項與名義尺度的潛在變項之間 的關係，稱做結構方程混和模式(Structure Equational Mixture Model )。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
41
圖九、蔡涵如(民 97)實驗一的資料進行結構方程混和模型(Structrue
Equational Mixture Model)去比較工作記憶容量與知識分化策略的關係。左邊 部分的觀察變項使用四種工作記憶容量作業，分別為記憶更新作業（memory updating）、運算廣度作業（operation span）、語句判斷作業（sentence span）
與空間短期記憶作業（spatial short term memory）。右邊的觀察變項使用如潛 在剖面分析時使用的變項一樣，為在函式學習中不同區域在不同情境線索 時選擇 A 的機率。
針對實驗一資料進行結構方程混和模型，模型如圖九所示，連續的潛在變項 所使用的觀察值為四種工作記憶容量作業，分別為記憶更新作業（memory updating）、運算廣度作業（operation span）、語句判斷作業（sentence span）與空間 短期記憶作業（spatial short term memory）。類別的潛在變項所使用的觀察值則與 進行潛在剖面分析時所使用的觀察變項相同，在訓練階段為不同情境線索下選擇 A 的機率，使用 4 個實驗區段，共 8 個變項；在測驗階段為在區域 1、2、3 中不 同情境現所選擇 A 的機率，使用 2 個實驗區段，共 12 個變項。
‧
Numbers of Latent Classes
Latent Classes In Training Phaes
1 2 3
3(.03896) 7(.09091) 67(.87013)
Latent Classes In Transfer Phaes
1 2 3 4
28(.36364) 14(.18182) 13(.16883) 22(.28571)
結果發現，在練習階段中，組數為 3 組時，有最好的適合度指標，
結果發現，在練習階段中，組數為 3 組時，有最好的適合度指標，