資料處理

本研究使用問卷調查法，在實驗教學後運用雲端教學網站回收問卷資 料，將所有的問卷資料回收後，將資料整理、剃除無效問卷，並進行編碼、

登錄與確認，茲就資料處理的步驟分述如下：

壹、 資料整理

本問卷資料回收後，首先進行資料的逐一檢視並剃除無效問卷後，

再將有效問卷資料整理並且編碼。茲將資料整理過程說明如下：

(一) 資料過濾：問卷回收後，逐一檢視問卷填答情形，並且將資料填答 不全者予以刪除。

(二) 資料編碼：資料過濾後的有效問卷，依學校代碼及順序編碼。

(三) 資料登錄：編碼完成後進行資料登錄，以方便資料分析之用。

(四) 資料確認：資料登錄完成後，列印資料再與原始資料進行核對，修 正錯誤之資料，力求資料的完整度以及正確性。

貳、 統計分析

本研究應用統計軟體 SPSS Statistics 19.0 作為分析工具。依據前述之 研究目的與建立之研究假設，使用不同的統計方法加以分析，為達研究目 的需求，本研究所要進行的資料分析有七大部分：第一部分為敘述性統計，

第二部分研究工具分析，第三部分為時間序列分析，第四部分為重複量數 變異數分析，第五部分為卡方檢驗，第六部分為結構方程模式分析，茲就 各部分逐一詳細說明。

一、 敘述性統計(descriptive statistics)

敘 述 統 計 內 容 主 要 包 含 次 數 分 配 (frequency distribution) 、 百 分 比

(percentage) 方 式 敘 述 ， 等 距 變 項 則 以 平 均 數 (mean) 及 標 準 差 (standard deviation)等，其主要目的在於簡化分析資料之複雜性，並瞭解樣本的分佈 概況。本研究針對教學實驗後填寫之計算次數分配、平均數及標準差等統 計量來綜合描述實驗教學的教學成效；此外，計算探究式教學歷程之測驗 填答狀況與老師評論的狀況差值作為學生過度自信程度的描述。針對問卷 之各項填答及整體資料的呈現，描述自變項、依變項之分布情形，將類別 資料整理以來瞭解受訪者對該問題的看法與意見。

二、 研究工具分析

在本研究中，使用問卷工具來蒐集資料時，因為問卷品質的優劣非常 有可能會影響到研究的結果以及分析，因此我們必須要利用其他工具來檢 視。因為一份好的問卷除了需要具備難度適中以及鑑別度高的特質之外，

更重要的是擁有信度與效度這兩項 （陳順宇，2005） 。其中，信度 (validity) 就是指一種衡量研究工具的正確性或精確性的方式，也就是在施測相同的 受測者時，測驗多次的分數是有一致性的，因此信度也是在衡量研究工具 的一致性程度，信度(reliability) 分析的目的在於藉由信度係數以瞭解整個 量表之可信程度，一般是採用之信度係數為Cronbach’s α 係數來檢測量表 的內部一致性(consistency) 與穩定性(stability) ，其適合針對李克特 5 點量 表進行信度分析。此種分析方法是目前行為研究最常使用之信度指標，即 當Cronbach’s α 值愈大，表示單一變數的各問項的一致性越高，則信度愈 高，則顯示量表內之各項變項的相關性越高，代表各量表衡量問項彼此間 內部一致性相當好，具有良好信度（吳明隆，2008），如下頁表 3-5 所示。

本研究將回收的問卷內容，進行各項的信度分析，以確保每個量表的信度 在衡量標準之上。

表 3-5

conditions)，量測單一事件或物體，且其對應值是連續(continuous)，則採用 重複量數變異數分析。本研究將探討雲端平台之探究式學習歷程，包括提 供思考方向、提供工具尋找答案、舉例說明以及給答案強化說明共四階段 並記錄學生於前三階段學習過後進行隨堂測驗並記錄學生對於自我學習 狀況的評估以及教師針對學生測驗答題狀況給予回饋，進而探討其變化情 形。

五、 卡方考驗(Chi-square test)

在社會及行為科學研究中，如果研究者探討的變項是二個間斷變項

（名義變項或次序變項），則較常使用的統計方法為χ ²統計方法－卡方檢 定，又稱百分比考驗；而卡方考驗經常使用列聯表(Contingency table)來表 示，列聯表中通常不是次數便是百分比（吳明隆、涂金堂，2011）。進行 卡方考驗的主要目的是瞭解樣本的採用次數或百分比與整體樣本的理論 次數或百分比之間的差距，當採用次數與理論次數（期望值）之間有很大 的差距時，則卡方值會愈大；如採用次數與理論次數（期望值）之間的差 異愈小，則卡方值愈小。本研究使用卡方適合度考驗進行驗證，其目的在 於檢測單一自變項的實際採用次數分配與理論次數分配是否相符合；若 卡方值未達顯著差異，則稱樣本在該自變項的分佈與理論母群無異。本 研究將以此來探討學生於課程內容偏向記憶性之科學學習校正成長性分 佈狀況與理解性單元之科學學習校正成長性分佈狀況是否有差異。

六、 獨立樣本 t 檢定

獨立樣本 t 檢定屬於平均數考驗，即以平均數作為考驗的依據，背景 變項中有兩個向度的類別變項，依變項為連續變數。可採用 t 檢定(t-test) 考驗不同類型單元在科學學習校正成長性的差異，本研究將利用單元類型 當類別變項來進行 t 考驗，了解不同類型單元在科學學習校正成長性的差 異情形。

七、 結構方程模式(structural equation modeling, SEM)

結構方程模型近年來在社會科學、行為研究及教育等研究領域逐漸普 及起來，甚至於在生物學、經濟學、行銷及醫學研究領域也受到重視 (Raykov & Marcoulides, 2006)。應用 SEM 來建立模型可以了解變數與變數 之間潛在的關聯，藉此建立估計及檢定假設關係，進而蒐集資料並且加以 驗證。SEM 有許多指標可以用來評估假設模型與資料的配適程度，並從資 料所重製的共變異數矩陣中，分析觀察變數之間的相互關係。此資料處理 方式主要是結合了路徑分析（觀察變數之間的關係）及因素分析（變數之 間的共同因素），SEM 的主要任務是研究假設模型與樣本之間配適的程度 為何，並找出變數之間的關聯性（張偉豪，2011）。

本研究於結構方程模型中的構面有「過度自信特質」、「雲端學習之學 習態度」、「科學學習之後設認知」、「學習成效」。應用 SEM 來驗證理論模 型時，良好的模型配適度是 SEM 分析的必要條件(Byrne, 2010)，配適度愈 好即代表模型與樣本愈接近，也代表該研究模型更適合這個抽樣樣本。

在 SEM 分析中所產生許多的配適度指標，提供了假設模型與蒐集的資料 配適程度的完整檢驗，這些指標可分為三種型態，分別為絕對配適度指標 (absolute fit indexes)、增值適配度指標(incremental fit indexes)以及精簡適配 度指標(parsimony adjusted indexes)，本研究整理適配度檢驗表各項指標如 表 3-6 供後續分析核對使用。

表 3-6

模型適配度檢驗表

統計檢定值 適配標準或臨界值 檢定結果數據

絕對適配度

 ² -- --

d.f. -- --

 ² /d.f. < 5 --

RMSEA <.08 --

GFI >.80 以上 -- AGFI >.80 以上 -- 增值適配度

NFI >.90 以上 -- NNFI >.90 以上 -- CFI >.90 以上 -- IFI >.90 以上 -- RFI >.90 以上 -- 精簡適配度

PNFI >.50 以上 -- PGFI >.50 以上 --