第二章 實驗一
第六節 資料分析
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
20
實驗結束後，卸掉記錄電極後，請參與者填寫人際反應量表。最後，主試者 向參與者說明實驗目的，並請參與者對於實驗內容保密，避免影響其他參與者來 參加實驗的結果。給予基本參加費與表現獎金，實驗正式結束。
第五節 儀器設定
膚電反應記錄使用 Schuhfried 公司生產的 Biopac Systems MP150，記錄電極 為 Ag\AgCl 材質。訊號以連續方式記錄，採樣頻率設定為 1000Hz。使用兩個記 錄電極，分別黏貼於參與者左手手掌 thenar 與 hypothenar 的位置，以獲得訊號良 好的膚電反應(Dawson, Schell, & Filion, 2007)。
第六節 資料分析
壹、 行為表現
測驗階段中，一組符號配對中，選擇較高機率的符號時，記為 1 分，否則記 為 0 分，分別計算出每位參與者三種學習情境下的正確率。更進一步，為了釐清 觀察學習中正向學習與負向學習，將行為表現分為正向學習與負向學習(Frank et al., 2004; Frank et al., 2007)。正向學習為參與者趨向選擇機率最高的符號，將 80%–60%與 80%–40%的表現作為正向學習的表現；負向學習為參與者避開選擇 機率最低的符號，將 60%–20% 與 40%–20%的表現作為負向學習的表現。
貳、 增強學習模型
以 Q-learning 模型進行適配（fitting），計算出參與者作業中的學習速率。為 了釐清觀察學習中正向學習與負向學習機制，將學習速率分為酬賞後或損失後對 於期望的調整（見公式一）(Frank et al., 2007)。i 為各個符號，Q(t)為第 t 個嘗試 次時對於符號的期望，r(t)為第 t 個嘗試次出現的回饋，加分為 1，減分為 0。訓 練階段中，當回饋為加分時，會以αG進行期望調整；回饋為減分時，會以αL進 行期望調整。α反應了參與者對於新近回饋的權重，範圍介於 0-1 之間，越接近 0，新近回饋對於期望調整影響較小，較依賴先前的期望，越接近 1，新近回饋
‧
以最大概似法（Maximum Log-Likelihood Estimation，MLE），相乘所有測驗階段 中，參與者於第 t 個嘗試次選擇符號 i 的機率（見公式三）。分別於三種學習情境，
為了檢驗模型是否能預測參與者測驗階段行為，將 Q-learning 模型與基準模 型比較，基準模型為參與者測驗階段隨機選擇符號，配對組合中兩個符號機率皆 為.5（Pi=.5，Pj=1- Pi）。由於 Q-learning 模型使用三個參數（αG、αL與β），基 準模型使用一個參數（Pi），將透過貝氏訊息標準（Bayesian Information Criterion, BIC）校正參數數量差異，n 為參數數量，trials 為測驗階段嘗試次數量（見公式 四），BIC 越小代表適配越好。接著將基準模型 BIC 減去 Q-learning 模型 BIC，
‧
先將資料進行 0.05-10Hz 的 Band pass 的過濾（filter），去除低頻的慢波偏移 與高頻的動作影響(Naqvi & Bechara, 2006)。膚電反應指標採用 peak-to-peak，以 回饋呈現後 1-3 秒鐘的最小值做為膚電反應的起點，以起點至回饋呈現後 6 秒鐘 最大值做為膚電反應的最高點，起點與最高點之間的振幅（Amplitude）做為分 析的指標。個別參與者中，計算出每個嘗試次的振幅，刪除小於 0.02μs 振幅的 嘗試次，視為雜訊（noise）；進行範圍校正（range correction），去除個別差異的 影響（見公式五），並將資料進行根號轉換，校正正偏（positive skewness），以 符合常態分配(Dawson et al., 2007)。膚電反應再根據回饋分為酬賞後或損失後，
平均刪除雜訊後剩餘的膚電反應，計算出每位參與者在三種學習情境下，不同回
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
23