徑路搜尋對於知識結構分析的過程，大致可分成以下三個步驟：
一、知識結構的引發
徑路搜尋的分析方法，是根據受試者在一組概念上，所對應的接近性 矩陣，在概念上定義為完全網路 (complete network) ，又稱資料網路 (DATANET) 。
其中徑路搜尋網路是以節點和鏈結相互連接之網路結構，一個節點代 表一個概念，如果有n 個節點，且每一對節點之間都有鏈結，則有 (n²-n)/2 條鏈結。而節點與節點之間的鏈結關係以距離測度表示其鏈結強度，但沒 有命名。鏈結的特色是能掌握知識結構中概念與概念間的關係，並藉此了 解哪些鏈結間的關係比較重要，但也因鏈結沒有命名，在解讀圖解時較難 直接了解其結構形式 (Schvaneveldt, 1990) 。
二、知識結構的構成
網路中的每一個鏈結均有一個鏈值，包括直接鏈和非直接鏈，透過算 則發現完全網路中「最接近的非直接徑路」 (closest indirect path) 之鏈結，
刪除大於「最短長度的徑路」 (minimum-length path，又稱 geodesic) 之鏈 結，也就是保留最短長度的徑路。如圖2-3-1 所示。
A B C D E A 0 1 3 2 3 B 1 0 1 4 6 C 3 1 0 5 5 D 2 4 5 0 4 E 3 6 5 4 0
最短距離
圖2-3-1 接近性矩陣與徑路搜尋網路 (引自 Goldsmith et al., 1991)
在進行徑路搜尋量尺化算則運算時，須設定參數 r 和參數 q 之值，參 數r 用來決定徑路的長度 (lengths) ，參數 q 則用以限制網路鏈結的數目，
亦即決定最大數量的鏈結。透過參數r=∞，q=n-1，節點數目 n，可產生最 少徑路的網路，稱為最小值的網路 (minimum-cost network，簡稱 MCN) (Schvaneveldt, 1990) 。
三、知識結構的評價
得到徑路搜尋網路後，將受試者之徑路搜尋網路與參照結構相互比 較，可得三個相似性指數 (PFC 指數、GTD 指數、PRX 指數) 以作為量化 數值評估依據，且其值域均介於0 與 1 之間，值愈小表示受試者與參照結 構愈不相似，反之則表示愈相似。以下將以圖 2-3-2 之網路一及網路二為 例，解釋三個相似性指數及其計算過程：
A B
C D
E
圖2-3-2 網路一和網路二的圖解 (引自 Goldsmith et al., 1991)
(一)GTD 指數
又稱為圖解理論距離指數 (graphical theoretic distance，簡稱 GTD) ，是指兩個徑路搜尋網路中其圖解理論距離的相關性。圖解理 論距離的算則是以節點間所經過的鏈結數目來計算，而節點與節點之 間的連結距離為1，求其相關係數，範圍從 0 至 1，值越大表示兩個網 路越相似。在圖2-3-2 中，網路一及網路二之所有節點間的圖解理論距 離值如表2-3-1 所示，而兩個圖解理論距離矩陣對應值之相關係數，即 GTD 指數為 .79。
A
網路一
B C
D E F G
A
B C
D E F G
網路二
表2-3-1 由圖 2-3-1 計算所得之 GTD 指數 節 點
節點 A B C D E F G
網路一
A － 1 1 2 2 2 2
B － 2 1 1 3 3
C － 3 3 1 1
D － 2 4 4
E － 4 4
F － 2
G － 網路二
A － 1 2 1 1 3 3
B － 1 2 2 2 2
C － 3 3 1 1
D － 2 4 4
E － 4 4
F － 2
G － GTD 指數為 .79
(引自 Goldsmith et al., 1991)
(二)PFC 指數
PFC 指數或稱 C 指數 (closeness index) 係利用集合理論 (set theory) 分別計算兩個網路共有的節點，其與鄰近節點的交集數與聯集 數之比率。表示知識結構圖中，兩個網路的每個節點周圍所銜接其他 節點的相似程度，範圍從 0 至 1，值越大表示兩個網路越相近。算法 如表2-3-2 所示。
表2-3-2 根據圖 2-3-2 之網路一與網路二計算所得之 PFC 指數 鄰近節點 節點交集 節點聯集
共有節點
網路一 網路二 集合 大小 集合 大小 比率
A {B,C} {B,D,E} {B} 1 {B,C,D,E} 4 1/4 B {A,D,E} {A,C} {A} 1 {A,C,D,E} 4 1/4 C {A,F,G} {B,F,G} {F,G} 2 {A,B,F,G} 4 2/4 D {B} {A} U 0 {A,B} 2 0/2 E {B} {A} U 0 {A,B} 2 0/2 F {C} {B} {C} 1 {C} 1 1/1 G {C} {B} {C} 1 {C} 1 1/1
*比率總和為 3，PFC＝3/7＝.43，U 表示空集合。
(引自 Goldsmith et al., 1991)
(三)PRX 指數
PRX 指數 (proximity data matrix) 又稱為接近性指數。算法是直接 由評定量尺所獲得的接近性矩陣，求兩網路接近性矩陣對應值元素的 相關係數，範圍為0 至 1，值越大表示兩個網路越相近。舉例如表 2-3-3 與表2-3-4，求出兩網路接近性矩陣對應值元素的相關係數的值，即為 接近性指數的值。
表2-3-3 根據圖 2-3-2 之網路一的接近性矩陣
節點 A B C D E F G
A a₁₁ a₁₂ a₁₃ a₁₄ a₁₅ a₁₆ a₁₇ B a₂₁ a₂₂ a₂₃ a₂₄ a₂₅ a₂₆ a₂₇₇ C a₃₁ a₃₂ a₃₃ a₃₄ a₃₅ a₃₆ a₃₇ D a₄₁ a₄₂ a₄₃ a₄₄ a₄₅ a₄₆ a₄₇ E a₅₁ a₅₂ a₅₃ a₅₄ a₅₅ a₅₆ a₅₇ F a₆₁ a₆₂ a₆₃ a₆₄ a₆₅ a₆₆ a₆₇ G a₇₁ a₇₂ a₇₃ a₇₄ a₇₅ a₇₆ a₇₇
表2-3-4 根據圖 2-3-2 之網路二的接近性矩陣
節點 A B C D E F G
A b₁₁ b₁₂ b₁₃ b₁₄ b₁₅ b₁₆ b₁₇ B b₂₁ b₂₂ b₂₃ b₂₄ b₂₅ b₂₆ b₂₇ C b₃₁ b₃₂ b₃₃ b₃₄ b₃₅ b₃₆ b₃₇ D b₄₁ b₄₂ b₄₃ b₄₄ b₄₅ b₄₆ b₄₇ E b₅₁ b₅₂ b₅₃ b₅₄ b₅₅ b₅₆ b₅₇ F b₆₁ b₆₂ b₆₃ b₆₄ b₆₅ b₆₆ b₆₇ G b₇₁ b₇₂ b₇₃ b₇₄ b₇₅ b₇₆ b₇₇