在教師教學知識信念量表回收後，本研究以SPSS 16.0統計軟體為資料分析工
具，所採用的分析方法如下：
一、項目分析(Items Analysis)
項目分析主要目的在對預試量表個別題項適切性，即鑑別力的檢核(吳明隆、
涂金堂，民96)。本研究採用極端組檢驗法以求出各題項之決斷值，並透過獨立樣
本t檢定法將決斷值未達顯著水準的題項刪除。
二、因素分析(Factor Analysis)
因素分析可以抽取變項間的共同因素，以較少的構面來代表原本較複雜的資
料結構(吳明隆、涂金堂，民96)。本研究藉由因素分析以確認教師知識信念是否符
合「重要性」、「充足性」、「對線上社群之貢獻性」、「於線上具體化呈現」與「線
上分享意願」等五個構面或是其他構面。並採主成分分析法(principal component
analysis)，選取特徵值(eigen value)大於1之因素，並以最大變異數直交轉軸法
(varimax orthogonal rotation)以求得主要因素並予以命名。
三、信度分析(Reliability Analysis)
因素分析後，為進一步瞭解量表的可靠性與有效性，要進行信度考驗(吳明隆、
涂金堂，民96)。因此針對總量表與各因素分別進行內部一致性分析，並採用
Cronbach’s α係數來衡量同一因素之下各題項之間的一致性。
四、集群分析(Cluster Analysis)
集群分析主要功能在於辨認某些特性上相似或相異的事物，並按照這些特性
將事物劃分成幾個集群，使同一集群內的事物具有高度的同質性(homogeneity)，而
不同集群的事物具有高度的異質性(heterogeneity)。與因素分析比較，因素分析是
將同質性高的變數(variables)集成一群，而集群分析則是將變數相似性高的觀察值
(case)集成一群。觀察值代表要集群的對象，變數則代表集群所依據的屬性，可進
行因素分析以產生分群的變數(林震岩，民96)。
由於本研究並不知每一個觀察值(即教師)屬於何種教學知識信念類型，故採用
集群分析的方法，將擁有相似變數(即知識信念於分享上的各特徵)的觀察值予以分
類。但由於階層集群分析(Hierarchical cluster analysis)易受異常值(outlier)影響，而
非階層集群法(Non-Hierarchical cluster analysis)會有主觀決定分群數目的問題，故
建議採取二階段法(TwoStep)(林震岩，民96)，即結合上述兩種方法，將因素分析
所得到的因素對教師進行分群，以求得教學知識信念的類型，並予以適當命名。
五、單因子變異數分析(One-way ANOVA)
以單因子變異數分析，檢定不同教學知識信念類型的教師於八項知識分享行
為的次數上有無顯著差異，並在達顯著差異的知識分享行為繼續以Scheffe多重比
較(Scheffe’s Multiple Comparison)，進一步瞭解不同信念類型的教師於分享次數的
差異情況。
第四章 第四章 第四章
續表 4-1 鑑別力分析之結果
表 4-2 信度分析結果
參參
參參、、、、 因素分析因素分析因素分析因素分析
第 10 題與第 12 題刪除後，將受試者在 13 個題項的反應進行因素分析，取樣
適切性量數 KMO(Kaiaer-Meter-Olkin)值為.84，依據陳正昌等(民 92)提出 KMO 值
愈大，表示變項間的共同因素愈多，愈適合進行因素分析，邱皓政(民 92)認為 KMO
值達.80 即為因素分析執行的良好判準。此 13 個題項經由主成分分析法(principal
component analysis)，選取特徵值(eigen value)大於 1 之因素，並以最大變異數直交 轉軸法(varimax orthogonal rotation)，萃取出四個因素成分矩陣，詳見表 4-3。
題項 題項刪除後之
表 4-3 採最大變異數直交轉軸後的因素成分矩陣
該題項刪除。除了該題項因素負荷量較低外，其餘各題項均大於.79，顯示該量表
行信度分析，形成四個分量表，其內部一致性Cronbach’s α係數皆高達.84以上，
詳見表4-5。而總量表α係數為.83，顯示刪除第10、11、12題後的量表具有較高的
信度水準。
表4-5 各因素命名與內部一致性結果
因素命名 題項 刪除此題項後
Cronbach’s α係數
Cronbach’s α係數