第四章 研究分析與結果
第一節 系統一決策路徑網絡分析
二、 子群體分析
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
12
那州發生的狀況傳遞給其他州的民眾，讓其他州的民眾能夠幫助水災的受災戶 重建家園。
二、 子群體分析(sub-group)
子群體分析主要目的是嘗試從龐大的網絡中發現其中節點間的特殊關係，
讓我們能透過發現這些特殊關係來更了解網絡的內部運作情況。分析方法主要 是自原始完整網絡中根據密度(Density)分離出各個不同的子社群，密度越高的 子群體代表節點關係越密切，也代表著此子群體內的節點因為某種的關聯而形 成一個社群(W.D.Nooy ,2005)。Nerur et al.(2005)研究和CACM有關期刊間的引 用關係，透過子群分群和排名後，結果顯示和CACM有關的27本期刊，共可細 分為歐洲期刊、北美洲期刊、人工智慧、科技中心以及電腦科學五大類別，成 功透過子群體分析歸納出期刊間的關聯性。
人類的大腦其實可以視為是一個分工合作的網絡，不同的大腦區域視為這 個社群網絡中的節點，扮演不同的功能性，針對不同的決策需求，相關功能的 腦區會被活化來加入工作，經常共同被活化的腦區則形成大腦網絡中為解決該 問題所形成的網絡，因此我們透過社會網絡分析可以探討腦區間為解決特定問 題的連接模式(Bullmore, 2009)，如：Xiaohui et.al(2011)成功透過社群網絡分析 分析fmri受測資料，發現了可能造成癲癇的一些異常腦區關聯，這項研究也證 實了社群網絡分析能在神經科學研究上發揮重要作用。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第三章 研究方法
第一節 資料篩選與整理
本研究採用次級資料分析的研究方法，透過ScienceDirect、Neurosynth、
Google Scholar、PubMed這幾個網站來蒐集雙系統決策實驗文獻資料。
首先使用與系統一或系統二決策路徑特性相關的詞彙，如:heuristic、
intuitive、logical、analytic、emotional、reflexive、reflective等，結合 decision making 和 fmri 來做為文獻搜尋之關鍵字(如:heuristic decision making fmri。)，
總共搜尋出1258篇相關文獻。
接著針對搜尋出的文獻進行兩步驟篩選，來找出最適合做為本次研究之文 獻樣本。第一步驟主要透過閱讀文獻的標題及摘要來篩選，篩選標準如下:
1.使用fmri技術進行全腦掃描實驗 2.實驗情境必須是決策相關情境
總共篩選出113篇有使用FMRI進行決策實驗的文獻。
再來對第一步驟選出的這113篇實驗每篇做全文閱讀來進行第二步驟篩選，
依照下列標準篩選出決策實驗內容與雙系統決策路徑相關之文獻:
1. 實驗分析人數大於10人
2. 決策實驗操弄必須與雙系統決策相關，如:”heuristic or analytic”、”emotional or non-emotional”等(參考表1-2)
總共篩選出32篇文獻，由於有文獻進行了兩種不同的實驗操弄，32份文獻 中總共整理出41份fMRI實驗分析結果，我們使用這41份實驗結果做為本次社群 網路分析之樣本。
我們對論文進行全文閱讀，根據Evans(2008)所彙整的雙系統相關的描述(參 考表1-1、1-2)，作為對各文獻中實驗操弄所產生的結果可能活化的腦區是經由
DOI:10.6814/THE.NCCU.MIS.015.2018.A05
‧
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
14
系統一或系統二的決策路徑分類基準，來將實驗結果腦區進行分類。資料整理 的過程由兩名學者採用獨立編碼的方式，各自對這41份實驗結果進行分類，整 理出兩份分類結果，其中有3份實驗結果編碼不一樣，我們對分類結果相異的地 方進行共同討論，最後整理出一份兩位學者皆取得共識之分類結果。作為本研 究社群網絡分析之樣本，實驗分類與整理結果請參考附錄一。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖3-1，分析資料篩選整理流程
兩學者獨立編碼，全文閱讀進行分類，據 Evans(2008)所彙整的雙系統相關的描述 (參考表 1-1、1-2)，分類實驗操弄結果腦 區是經由系統一或系統二的決策路徑
全文閱讀進行篩選，篩選條件:
1.必須使用fmri進行全腦掃描
2.實驗必須是決策相關情境
透過關鍵字搜尋 ScienceDirect、Google Scholar、
PubMed 等網站:篩選出 1258 篇
滿足篩選條件之文獻共 113 篇
滿足所有篩選條件的文獻共 32 篇，作為本次分析之樣 本
閱讀標題與摘要進行篩選，篩選條件:
1.必須使用fmri進行全腦掃描 2.實驗必須是決策相關情境
整合兩學者分類結果，分類不同處進行討論與意見統 一，最後實驗分類與整理結果如附錄一。
DOI:10.6814/THE.NCCU.MIS.015.2018.A05
‧
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
16
第二節 資料分析方式
本研究主要利用Gephi社群網絡分析軟體對系統一、系統二決策路徑相關實 驗結果腦區進行社群網絡分析，其中網絡中的節點(node)代表不同的腦區，網 絡中的連結(link)代表腦區在同一個實驗中同時出現，而連結出現次數代表該連 結的權重(weight)。
透過軟體找出網絡中的連結與中心性等結果，判斷重要腦區，並透過子群 體分析探索腦區間的合作機制。分析主要涵括以下兩個部分:
1. 網絡中心性分析，包含程度中心性、居間中心性三種指標 2. 子群體分析
以下將依序進行說明。
一、 網路中心性分析
本研究透過加權程度中心性、居間中心性這兩個指標來衡量腦區節點在網 絡中的重要性，以下將針對這兩個中心性指標分別進行說明。
圖3-2 社群網絡範例圖
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
1. 加權程度中心性(Weighted Degree Centrality)
由於我們有將網絡中節點間連結出現次數(權重)納入考慮，因此採用加權 程度中心性，來衡量一個節點在社會網絡中的重要性以及其影響程度，越高的 加權程度中心性代表節點在網絡中的重要性以及對其他節點的影響程度越高。
計算方式是將該節點所有的連結權重進行加總，得出的結果即為該節點的 加權程度中心性，以圖3-2的網絡為例，節點3的加權程度中心性
為:1+3+2+5+6+2=19。
2.居間中心性(Betweenness Centrality):
居間中心性主要用於衡量某節點在於任兩節點或社群之間路徑上的重要程 度，計算方式如下：
n
i代表節點 i，a
jk代表節點 j 到最短路徑的數量，a
jk(n
i)
代表節點 i 在 j到 k 所有最短路徑的出現次數，n 為節點總數，以圖 3-2 的網絡為例，節點 3 的 居間中心性為：16/28 = 57%，為居間中心性最大的節點，代表節點 3 位於最多 節點間的中間位置，意味著它佔據著節點間訊息流動的關鍵位置。
二、 子群體分析(Sub-groups)
本研究採用的子群體分析演算法為 Vincent et,al.在 2008 年提出的社群網絡 分群演算法，演算法步驟如下：
1. 先將網絡中的每個節點視為一個獨立的子群體
2. 將節點 i 移動至鄰近的子群體 j，並計算其模組度變化值 ΔQ，計算 方式如下，其中Σin為子群體 j 內部連結權重總和，Σtot為所有與
DOI:10.6814/THE.NCCU.MIS.015.2018.A05
‧
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
18
子群體 j 內節點相連之所有連結權重總和，ki 為節點 i 所有連結權 重之總和，ki,in 為節點 i 與子群體 j 內所有節點連結權重之總和，
m 為網絡中所有連結權重之總和。
3. 如果 ΔQ 為正，則將節點 i 納入該子群體，反之則維持原本之分配 4. 持續重複步驟一到三，直到所有節點的移動無法再產生正的 ΔQ 為
止。
5. 將分群結果的每個子群，視為一個新的網絡節點，並將新節點連結 起來，新節點間連結的權重為上一個分群結果子群間所有節點之權 重總和，組成為一個新的社群網絡
6. 對新的社群網絡重新進行步驟一到四的分析
7. 重複執行步驟一到六，直到分群結果無法再產生任何新的社群網絡 (步驟五無法執行)為止。
圖 3-3 子群體分析演算法步驟圖(Vincent et,al.,2008)
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第四章 研究分析與結果
第一節 系統一決策路徑網絡分析
一、 中心性分析
(一) 加權程度中心性
圖4-1為系統一決策路徑的加權程度中心性分析結果，圖中節點的大小以及 顏色深淺代表其加權程度中心性的高低，越大、顏色越深的節點其加權程度中 心性越高，越小、顏色越淺的節點則越低；圖中連結的粗細代表腦區連結同時 出現的次數(權重)，越粗的連結代表同時出現的次數越高，連結權重越高，越 細則徒時出現次數越低，連結權重越低。
透過加權程度中心性分析我們可以發現在系統一的決策路徑中下列幾個腦 區與其他腦區的連結較強，ACC、precuneus、Amygdala、PCC、insula、Medial Frontal Gyrus等腦區，這些加權程度中心性較高的腦區代表其在與系統一決策路 徑相關的實驗操弄中，出現次數較高以及與較多的腦區有合作關係，因此可以 推測這些腦區在我們進行系統一決策路徑的思考模式有高機率激活，且佔有相 當重要的功能。
DOI:10.6814/THE.NCCU.MIS.015.2018.A05
‧
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
20
圖4-1 系統一決策路徑的加權程度中心性分析結果網絡圖
(二) 居間中心性分析
在系統一的居間中心性分析中，我們發現Precuneus這個腦區的居間中心 性遠大於其他腦區，表示這個腦區在系統一決策路徑的網絡中訊息流動佔有關 鍵地位。根據過去文獻，此腦區牽涉到許多大腦不同的功能，如：自我意識、
情節記憶(特定時間或事件的記憶)、在心中進行空間相關之想像等等，過去也 有學者透過社群網絡分析證明其在佔據parietal和prefrontal central區域的樞紐位 置，參與許多腦區間的合作(Bullmore, E., & Sporns, O. ,2009)。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖4-2 系統一決策路徑的居間中心性分析結果網絡圖
二、 子群體分析
子群體分析的分群結果分出三個子群，其網絡圖可參考圖4-3，不同顏色分 別代表不同的子群體，節點圓圈大小代表其程度中心性大小，線條粗細代表連 結強度(Weight)。以下將依照分群結果對各個子群進行說明。
DOI:10.6814/THE.NCCU.MIS.015.2018.A05
‧
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
22
圖4-3 系統一子群體分析分群結果網絡圖
子群體中最大的一群為第1類子群體 (圖4-3中紅色部分)，其中根據腦區的 加權程度中心性我們可以發現此子群體重要腦區為ACC、Amygdala、Posterior Cingulate Cortex(PCC)、insula、orbitofrontal cortex(OFC)、ventral medial
prefrontal cortex (vmPFC)以及superior temporal sulcus (STS)，這些腦區在處理社 會情感與相關任務時（如：了解他人與自我的情感狀態、道德觀等），會有更 高程度的激活 (Andrews-Hanna et.al., 2012；Mars et.al., 2012)，且ACC、PCC這 兩個腦區，我們根據其同時出現的實驗情境發現，這些實驗情境皆含有情感訊 息的操弄。而第1類子群內的連結強度與平均程度中心性也較其他兩個子群來的 高，根據此分群結果我們推斷第1類為整個系統一決策網絡中的主要架構，根據 不同的狀況去與第2類與第3類子群體中的腦區進行協作。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第2類子群體(圖4-3中綠色部分)，根據腦區的加權程度中心性，其重要腦區
第2類子群體(圖4-3中綠色部分)，根據腦區的加權程度中心性，其重要腦區