資料分析

Haythornthwaite, Dawson, Shum, Duval, Verbert, Ferguson, & Baker, 2011）。學習 分析運用先進的分析工具提升學習成效與制訂教學政策，主要從一系列其他領 域的研究如商業智慧、網路分析、學術分析、教育資料探勘和行爲分析延伸而 來（Lias & Elias, 2011）。學習分析是一種資料導向決策的方法論，用於輔助教 育決策者應當對學校教學政策進行調整（Barneveld, Arnold, & Campbell, 2012;

Marsh, Pane, & Hamilton, 2006）。

爲了瞭解學習分析在學習科學的應用，需要三種主要研究的支持：如何在 各個階段記錄學習者學習的痕跡、用於判定不同數據結構的方法、如何通過數 據有效推論出結論（Roll, Baker, Aleven, & Koedinger, 2014）。除了應用在教育 決策上，用於瞭解學習者自我調節學習（Self-Regulated Learning）也非常有幫 助，學習是一種無分對錯的選擇，不應只關注學習者在學習上的表現，應該從 更全面的角度思考學習者如何規劃學習本身，從何切入給予正反面的回饋引導 學習者調整學習方式（Cutumisu, Blair, Chin, & Schwartz, 2015）。

正如遊戲分析的目的是爲了支撐數位遊戲的持續增長，學習分析最初的目 的是爲輔助綫上學習，嚴肅遊戲也需要一套標準，用來正確地測量、評估和提 升嚴肅遊戲的學習成效（Loh, Sheng, & Ifenthaler, 2015）。對於初學者與專家之 間的差異有清晰的理解可以幫助我們瞭解知識被獲取的過程，並針對差異之處

‧

Smith, Blackmore, & Nesbitt（2015）將不同嚴肅遊戲研究的資料收集技巧 分成遊戲前測、遊戲後、遊戲中，該後設研究發現遊戲後的資料收集最多，遊

的互動控制遊戲，產生許多的輸入痕跡（Input Traces），雖然互動的記錄會佔 用大量的網路頻寬和記憶空間，但適當地篩選資料能避免問題，足夠多的互動 資料甚至能再現遊戲的實況，搭配熱量圖的視覺化呈現更能明確地從玩家的視 角觀察（Serrano-Laguna, Torrente, Moreno-Ger, & Fernández-Manjón, 2014）。行 動學習隨著智慧型裝置的普及在近年來也越發流行，由於其廣泛的可用性、靈 活性、個人化等特性，資料的採集相較傳統平臺更加自然（Aljohani & Davis, 2012）。

‧

序列分析，或説是行爲序列分析（Behavior Sequential Analysis）是將研究 對象的行為資料進行編碼，並以二項式檢定（Binomial Distribution）計算編碼 與編碼之間的轉換是否有達到顯著性的一種方法；序列分析基本可以分成四個 樣會很容易遺漏重要的編碼（Bakeman & Gottman, 1997）。Bakeman & Gottman

（1997）也認爲資料的記錄格式不應拘束其表達方式，適合記錄的資料格式不 一定適合用於分析，重新思考資料的表達方式可以讓資料分析變得更簡單直接。

Soppitt & McAllister（2011）提出將遊戲玩家的情感編碼：情感沉浸、專注投入、

好奇、焦慮、無聊，透過觀察玩家在遊戲過程中的情緒反應，分析這兩款遊戲 的經驗，研究發現這樣的編碼能有效區分出哪一款遊戲的使用者經驗更好。

學者 Hou（2012）曾用序列分析分析大型網路遊戲（MMORPG）的學習者 行爲模式，並發現在適當地運用教育策略情況下，大型網路遊戲的機制可對學 習 者 的 專 注 與 持 續 起 正 向 作 用 。 序 列 分 析 也 可 結 合 頻 率 分 析 （ Frequency Analysis）用於觀察學生在不同的博物館導覽服務的學習相關的討論活動差異，

透過觀察學生使用服務與互動的頻率與行爲順序的關係，該研究發現以問題解 決為目標的導覽服務比起影音和紙本更能產生更高層次的互動與學習相關的討 論（Sung, Hou, Liu, & Chang, 2010）。Hou（2015）認爲現有的角色扮演模擬遊 戲在行爲分析上缺乏一個整合不同行爲分析模式的方法，並提出序列分析結合 群集分析的整合型分析法來探索學習者的心流狀態與行爲模式，他發現運用整 合型的行爲模式分析法可以幫助探索角色扮演模擬遊戲在科學教育的特質與限 制，並瞭解學習者的反思行爲模式。

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

18