第三章 研究設計與實施
第五節 資料處理與分析
依據研究目的，將問卷分為三個部分，分別為: 「學生與家長背景變項的資料 處理」、「家長對教育、科技認知與期望的資料處理分析」、「阻礙學習程式設計課 程的影響因素分析」，這三部分再依資料屬性，用適合的統計方法分析結果，分析 方法敘述如下：
壹、學生與家長背景變項的資料處理
由於學生與家長背景變項中，具有類別變項與連續變項兩種類型，因此採用 卡方檢定與獨立樣本 T 檢定來判斷在不同變數下對學習程式設計是否具有顯著差 異。對背景資料的處理，製作表格說明如下:
一、描述性統計
在相同背景條件下，將全體樣本、有學程式設計課程和沒學程式設計課程的 人數，分別以次數分配、百分比、平均數列表統計。
二、卡方獨立性檢定(Chi-square distribution)
卡方獨立性檢定適用於分析兩組類別變數的關聯性。在問卷中，將是否有學 程式設計課程與學生及家長的背景變項，例如: 性別、補習科目、是否有專屬電 腦……等類別變項，利用列聯表(contingency table) 以計次方式呈現，再利用卡方 獨立性檢定，檢定其關聯性，若 p 值<0.05，具有顯著差異，表示有相關。將問卷 所有類別變項，整理成下表(表 3-1)
表 3-1 學生家長背景變項卡方檢定項目表
對象 變項類型 內容
學生 類別變項 1.性別 2.年級 3.補習科目 4.專屬電腦與否
家長 類別變項 1.職業社經地位 2.行業別 3.子女數 4.工作是否需要程式 5.是否學過程式設計
29
三、勝算比(odds ratio)
在卡方獨立性檢定中具有顯著差異(p<0.05)的變項，表示與「是否學過程式設 計課程」是有關聯性的，利用二維表格(2×2)，可以算出在某一獨立事件發生的情 況下，學習程式設計課程的勝算比，有關「勝算比」意義說明如下：
1. 勝算(odds)：一件事情發生的機率與一件事情沒發生機率的比值。
Odds
= 𝑝 1 − 𝑝
2. 勝算比(odds ratio)：則是兩件事情勝算(odds) 的比值。
Odds Ratio = Odds1/Odds2 = (P1/1−P1)
P2/(1−P2)
例如:以下是性別與是否學習程式設計課程的次數分配表(表 3-2)
表 3-2 學生性別與是否學習程式設計人數列聯表
有學程式設計 沒學程式設計 小計
女生 25 98 123
男生 68 109 177
小計 93 207 300
P0：男生有學程式的機率，1-P0：男生沒學程式的機率
P1：在沒學程式中男生沒學程式的機率，1-P1：在沒學程式中女生沒學程式的機率 Odds Ratio=(P0/1-P0)/P1/(1-P1)
(68/177)/(109/177) = 0.624 (男生學程式設計的勝算) (25/123)/(98/123) = 0.255 (女生學程式設計的勝算) 因此，0.624/0.255 = 2.447，男生與女生的勝算比為 2.447
30
四、獨立樣本 t 檢定(Independent-Sample t test)
獨立樣本 t 檢定，是用來檢定二個獨立樣本的平均數差異是否達到顯著差異。
所以我們將「有學程式」和「未學程式」課程的學生分成二個獨立的群體，來比 較自變數的平均數是否有差異。但在使用 t 檢定時的前提假設是自變數要為連續變 數，例如：補習費用、家庭年收入、使用電腦時間……，且必須為常態分佈(Normal Distribution)，因此可先將連續變數做 KS-Test(Kolmogorov-Smirnov Test)。
另外要注意，必須利用 Levene 檢定(F 檢驗)來比較兩組樣本變異數(Variances) 是否相等。若變異數相等，代表二群體的同質性很高，那就直接作二樣本群的比 較，反之，若變異數不相等，代表二樣本群沒有同質性，則需要作修正轉化才能 再作比較分析。例如，我們想知道「學習程式設計課程」是否與「家長年齡」有 關，利用獨立樣本 T 檢定，報表中 F 檢定的 p 值 0.493(>0.05)，代表兩組變異數無 顯著性差異，則 t 值採用「相等變異數」的資料 t=-2.909，p=0.004，反之，若 F 檢 定 p 值<0.05，代表兩組變異數有顯著差異，則用「不採用相等變異數」解讀 t 值 與 p 值。(如表 3-3)
表 3-3 獨立樣本 t 檢定 p 值與Levene 檢定對照表
Levene 檢定 平均值的 t 檢定
F p t p
家長年齡
採用相等變異數 .470 .493 -2.909 .004
不採用相等變異數 -2.819 .005
31
表 3-4 獨立樣本 t 檢定自變項目與方程型態
對象 變項類型 項 目 方程型態
學生 連續變項
1.補習費用 1.補習費用取自然對數 2.使用電腦時間 2. 選項取平均值 3.家中電腦數量 3. 選項取平均值
家長 連續變項
1. 年齡 1. 年齡取平方項
2. 家長教育程度 2.學歷以教育年限表示，高 中:12 年、大專:14、大學:16、
碩士:18、博士:23 3. 家庭收入 3. 家庭收入取自然對數 4. 學程式設計的時間 4. 選項取平均值
貳、家長對教育期望、科技認知量表的信效度分析
除了對學生和家長背景因素分析之外，我們也想了解家長對於教育觀念、科 技認知的差異是否會影響孩子學習程式設計課程。所以在設計問卷時，已將第二 部分問題設計成「家長對孩子學歷的期望」、「家長對學校教育失望程度」、「家長 參與孩子課業及學校活動的程度」三個構面，15 個問題；也將第三部分問題分為
「家長對全球資訊科技與程式教育趨勢的認知」、「家長對於從小學習程式設計重 要性認知」，二個構面，10 個問題。
將問卷第二、第三部分 25 個問題，進行信效度分析，分別採用項目分析與探 索性因素分析，看是否能濃縮成預期的五個構面，結果發現第二部分第 8 題、第 三部分第 10 題的因素負荷量只有 0.31 及 0.38，因此抽離後，重新進行探索性因素 分析，分析出五個構面，與預期結果一致，結果如表 3-5。
完成量表的項目分析與探索性因素分析後，再將「有學過程式課計課程」與
32
「沒學過程式設計課程」分為兩群組，與五個構面進行「獨立樣本 T 檢定」比較 平均數是否有顯著差異。項目分析與探索性因素分析方法與過程，說明如下：
一、項目分析(Item Analysis)
目的在於檢驗量表題目是否適切，將不適當的題目刪除，本量表採用「極端 組檢定」（comparisons of extreme groups）、「項目刪除時的 Cronbach's α 值」，檢驗 的過程與結果如下： (Cronbach's α=0.830)
2-1 -15.542 0.000 0.797 保留 (Cronbach's α=0.682)
2-6 -11.582 0.000 0.625 保留 2-7 -20.772 0.000 0.597 保留 2-8 -2.841 0.005 0.713 刪除 2-9 -29.191 0.000 0.528 保留 2-10 -11.939 0.000 0.651 保留
33 學校課業活動參與
(Cronbach's α=0.731)
2-11 -12.319 0.000 0.641 保留 (Cronbach's α=0.809)
3-1 -18.314 0.000 0.791 保留 (Cronbach's α=0.621)
3-6 -15.358 0.000 0.554 保留
分量表的Cronbach's α=0.682，若刪除 2-8 題後，分量表的 Cronbach's α 值會提高到 0.713，應予以刪除；「從小學程式重要性」Cronbach's α=0.621，若刪除 3-10 題後 Cronbach's α 值會提高到 0.768，應予以刪除，其餘應予以保留。
二、探索性因素分析（Exploratory Factor Analysis, EFA）
因素分析即是將眾多的變數濃縮成為較少的幾個精簡變數，所獲得的精簡變 數即是因素(factor)。因素分析的理論是假定各題項的變數得分是由共同因素 (common factor) 與獨特因素(unique factor)所組成，而因素分析就是將這些共同因 素抽取出來的方法。
34
探索性因素分析即是將量表的各個題項抽取出共同因素，以較少的構面來代 表原來較複雜的多變項結構，這些構面再賦予可解釋的構念（construct）。
1. 取樣適切性量數(KMO, Kaiser-Meyer-Olkin)
KMO 數值介於 0 與 1 之間，數值愈靠近 1，表示變項的相關愈高，愈適合 進行因素分析，本量表的 KMO 值為 0.817，根據 Kaiser(1974)提出的 KMO 判斷標 準，若介在 0.8~0.9 之間代表取樣的適切性是良好的。(表 3-6)
2. Bartlett 球形檢定(Sphericity test)
而 Bartlett 的球形檢定結果，達顯著水準 P<0.001，則表示題目之間有足夠的 相關性，足以作為因素分析萃取共同因素之用；也就是說，其彼此間可能存在一 個以上的共同因素。(表 3-6)
表 3-6 家長教育期望、科技認知量表因素分析 KMO 與 Bartlett 檢定表 KMO 與 Bartlett 檢定
Kaiser-Meyer-Olkin 取樣適切性量數 .817 Bartlett 的球形檢定
近似卡方分配 2638.713
自由度 276
p 0.000
3. 萃取因素採主成分分析法
本量表採用主成分分析法、轉軸方法採用 Kaiser 正規化的最大變異法，將因 素負荷量大於 0.4 的題目保留，主成分保留特徵值大於 1 的因素，因此可以萃取 5 個主因素，各主因素負荷量 (factor loadings)，即是因素的解釋變異量如表 3-7，整 體量表累積解釋變異量為 62.37%。是具備建構效度。
35
表 3-7 家長對教育、科技認知量表之因素分析表
題號 旋轉成分矩陣(N=300)
因素一 因素二 因素三 因素四 因素五 2-4 .795 -.076 .006 .086 -.028 2-2 .766 .081 .004 .081 .022 2-1 .748 .169 .012 .128 -.102 2-3 .738 .063 .218 .098 .045 2-5 .735 .095 .125 .076 .044 3-1 .081 .805 .046 .027 .039 3-2 .124 .739 .164 .025 .111 3-3 .085 .642 .367 .110 .004 3-5 .084 .498 .496 .119 .010 3-7 .044 .257 .781 .079 -.001 3-9 .084 .022 .750 .031 -.087 3-8 .155 .025 .742 -.022 .055 3-6 -.040 .450 .589 .223 -.059 3-4 .068 .533 .542 .085 .048 2-12 .202 .198 .099 .813 -.073 2-11 .160 -.100 .107 .795 .038 2-14 -.036 .455 -.008 .618 -.076 2-13 .349 -.171 .120 .614 .155 2-15 -.042 .412 -.019 .564 -.211
2-9 -.080 -.011 .030 .013 .849 2-7 .027 -.004 -.049 .092 .776 2-10 -.065 -.062 .020 -.110 .639 2-6 .131 .232 -.044 -.057 .624
三、 信度分析
信度是用來檢測各題目間的一致性及穩定性，信度越高代表同一構面中各提 相關性越高。本研究採用 Cronbach α 係數作為衡量指標，如表 3-8，所有構面 Cronbach α 直皆在 0.7~0.85 之間，表示本研究問卷具有一定可信程度。
36
表 3-8 家長教育期望、科技認知因素之信度量表
題號 內容 特徵
值
解釋變 異量
累積變 異量
Cronbach α 因素一 2-1 ~ 2-5 學歷期望 5.370 23.346% 23.346% 0.830 因素二 2-6、2-7、
2-9、2-10 教育失望 2.813 12.229% 35.576% 0.713 因素三 2-11 ~ 2-15 學校參與 2.303 10.013% 45.589% 0.731 因素四 3-1 ~ 3-3 科技認知 1.901 8.624% 53.853% 0.760 因素五 3-4 ~ 3-9 從小學程式認知 1.416 6.112% 59.965% 0.816
四、 利用獨立樣本 t 檢定判斷是否影響學習程式設計
經過信效度分析後，也透過因素分析將量表抽離出五個因素，分別為因素一：
家長對孩子學歷的期望，因素二：家長對學校教育的失望程度，因素三：家長參 與學校課業或活動的參與程度，因素四：家長對資訊科技與程式設計教育趨勢的 認知，因素五：家長認為從小應該要學習程式設計課程的認知。再將「有學過程 式課計課程」與「沒學過程式設計課程」分為兩組，與五個因素進行獨立樣本 T 檢定，比較兩群組平均數是否有顯著差異，以了解是否有學程式設計課程的家長 在這五個構面中，是否有顯著差異。
參、阻礙學習程式設計課程的影響因素資料分析
本人已從事教育工作二十餘年，深知國內家長對教育期望多以升學為主要目 標，雖然了解程式教育課程是目前全球的教育趨勢，但這二年的程式教育推廣經 驗卻是：試聽踴躍，也深知其重要性，但若要學生花半年以上長期學習時，卻有 諸多原因而駐足不前。因此本問卷也想討論到底是那些因素在影響學習程式設計 課程，以下針對時間因素、學科成績、大學再學、沉迷電腦、經濟因素、困難學 習、影響視力等七大因素，探討影響學習程式設計課程的因素。
37
先針對七大因素題項進行項目分析，採用「極端組檢定」（comparisons of extreme groups），先確認題項是否具有良好的鑑別度
一、項目分析
目的在於檢驗量表題目是否適切，將不適當的題目刪除，本量表採用「極端 組檢定」（comparisons of extreme groups），檢驗的過程與結果如下。(表 3-9)
表 3-9 阻礙學習程式的影響因素，項目分析摘要表
原始題號 內容 T 值(CR 值) p 結果
4-1 時間因素 -35.319 0.000 保留
4-2 學科成績 -27.078 0.000 保留
4-3 大學再學 -30.115 0.000 保留
4-4 沉迷電腦 -43.086 0.000 保留
4-5 經濟因素 -30.445 0.000 保留
4-6 困難學習 -52.759 0.000 保留
4-7 影響視力 -40.458 0.000 保留
二、利用獨立樣本 t 檢定判斷哪些影響因素影響學習程式設計
獨立樣本 t 檢定用於比較兩樣本的平均數是否有顯著差異。將「有學過程式課 計課程」與「沒學過程式設計課程」分為兩群組，再與影響因素分別比較兩群組
獨立樣本 t 檢定用於比較兩樣本的平均數是否有顯著差異。將「有學過程式課 計課程」與「沒學過程式設計課程」分為兩群組，再與影響因素分別比較兩群組