資料處理與分析

一、研究問題一之（一）、一之（二）、一之（三）、一之（四）

針對研究問題一之（一）至一之（四）分就學習能力、學習表現、

學習動機以及觸發輔助科技知識經驗四個因素下之不同個案描述，是否 會影響填答者在學習輔助科技之考量結果。研究者擬使用相依樣本單因 子變異數分析不同因素對應題項組合之考量是否達到顯著差異，並利用 事後比較了解填答者在特定因素不同個案描述程度時的輔助科技需求覺 知排序，為符合重複量數之統計假設，研究者於分析前會先進行變異數 同質性與常態性假設之檢定，變異數同質性檢定部分採用 Mauchly 球 形檢定之顯著性進行判斷，若未達顯著則符合球形假設，若達顯著則以 Greenhouse-Geisser 調整自由度後檢視重複量數之 F 值。常態性假設因 樣本數超過 30 故依 Kolmogorov-Smirnov 是否達顯著進行判定，若達顯 著即拒絕 H0=符合常態分佈之假設。如不符合母數統計假設則改以無母 數統計法進行分析，然而無母數統計法之統計考驗力（power）較母數 統計法為低（吳明隆、涂金堂，2014）。故研究會先以相依樣本單因子 變異數重複量數分析統計為優先。

無母數統計法的選擇則使用Wilcoxon matched-pairs signed ranks 檢 定進行兩個相依樣本及三個相依樣本之兩兩事後比較分析，三個相依樣 本以上的統計法則使用 Friedman 檢定，該統計法相當於母數統計法中 的重複量數單因子變異數分析（林清山，1992；Siegel & Castellan, 1988，引自吳明隆、涂金堂，2014）且統計考驗力在大於 3 個時較符號 檢定為佳（Zimmerman & Zumbo, 1993）。各因素項下比較題項組合如表 3-4-1。

58

表3-4-1 各因素差異性及事後比較題項組合

依變項 題項

學習能力^* 3a、4b

學習表現 2a、2b、2c

學習動機 3c、4a、4c

輔助科技知識經驗 1a、1b、1c、3b

*學習能力只有兩個題項，無須進行事後比較

二、研究問題一之（五）

本研究擬使用獨立樣本 t 檢定進行美國輔助科技專業人員與我國特 殊教育專業人員在學習輔助科技需求考量因素的差異性比較。如樣本不 符合母數統計之假設則改使用當獨立樣本為二時，可替代且結果與 t 檢 定相同的 Mann-Whitney U 檢定（Zimmerman & Zumbo, 1993；吳明 隆、涂金堂，2014）。

三、研究問題二之（一）、二之（二）、二之（三）

Anderson 與 Gerbing（1988）認為評鑑模式適配度乃是從各方面評 鑑理論模式是否能解釋實際觀察所得的資料（引自陳正昌、程炳林、陳 新豐、劉子鍵，2011）。為評鑑研究者依照文獻與理論歸納出之學習能 力、學習表現、學習動機以及觸發輔助科技知識等因素與輔助科技需求 考量之結構模式及因果路徑。研究者原欲使用 Covariance-based SEM

（CB-SEM）結構方程模式分析技術中的驗證性因素分析模式與徑路分 析模式。然因本研究階段之資料樣本數未符合樣本數須為所有問項 15 倍之要求（Bentler & Chou, 1987；陳正昌、程炳林、陳新豐、劉子鍵，

2011），亦即本階段研究如欲使用 CB-SEM 進行分析須有 180 份資料樣 本，然樣本回收後僅有美國及我國樣本個數 67 及 60 份。雖然 Olsson、

59

Foss、Troye 與 Howell 於 2000 年所進行的研究提到 CB-SEM 可利用 一般最小平方法(Generalized Least Square, GLS)在模式界定良好（well-specified model）的要求下，允許小樣本進行理論與實務適配接受度的 估計。但考量本研究由理論所發展出的因素與結構模式，尚未有深厚的 理論支持仍待更多後續研究進行驗證，以及樣本來源因立意取樣易形成 非常態分配之疑慮，故參考 Hair、Risher、Sarstedt 與 Ringle（2019）等 人之建議改採以 Partial Least Squares（PLS）SEM，偏最小平方演算法 進行結構模式之分析與驗證。

不同於CB-SEM 目標在使樣本矩陣與模型期望共變異數最接近的 演算方式，以及使用基本適配標準、整體模式適配度以及模式內在結構 適配度等指標進行測量模式與結構模式的驗證，PLS-SEM 的目標在使 內生變數的被解釋量達到最大（Henseler & Sarstedt, 2013）。再加上 PLS-SEM 無 CB-SEM 僅能進行反映指標估計之限制，同時也可反向進 行發展指標之估計，故同樣在測量模式與結構模式的驗證上，進行驗證 的指標也會有差異。本研究所發展的學習輔助科技需求考量結構模式係 以12 個觀察變項作為反映學習能力、學習表現、學習動機、學習輔助 科技知識經驗等四項潛在變項，屬於測量模式中的反映指標，將從觀察 變項的因素負荷量（loading>0.708）、內部一致性信度（Cronbach’s alpha、rA:0.70-0.90）、組成信度、收斂效度（AVE≧0.50）、區別效度

（HTMT<0.90）等進行測量模式的評鑑至於因果徑路結構模式的評鑑部 分，則以共線性（VIF<3）、解釋力（R²，強>0.75，中等 0.5-0.75，弱 0.25-0.5）、預測精確性（Q²，高於0、0.25 和 0.50 的值表示 PLS 路徑模 型的預測精度小，中和大）（Henseler, Hubona, & Ray, 2015；Hair,

Risher, Sarstedt,& Ringle, 2018）。也將依照路徑係數及 Boottrap 所得之 t 值檢定 H10：學習能力對學習表現無正向效果。H20：學習能力對學習 動機有正向效果。H30：學習能力對學習輔助科技知識經驗無正向效

60

果。H4₀：學習動機對學習表現無正向效果。H5₀：學習能力到學習表現 間未受到學習動機的中介效果。關係路徑與假設如下圖 3-4-1 所示。

圖3-4-1 學習輔助科技因素關係路徑與假設

對於關係路徑之形成與假設，主要依據為研究者作為因素形成參考 的 AT 模式，以及 15 個 AT 模式所提取出之共同詞彙關聯性。除了從第 二章探討共同詞彙在 AT 模式中的階層關係與定位，推論由各詞彙所整 合形成的因素間之關係形成關係路徑的方向假設外，同時利用中文潛在 語意資料庫檢視確認共同詞彙間的關聯性。研究者在詞彙間的關聯性分 析上，是將每個詞彙依照國內輔助科技相關領域進行中文翻譯後，將 15 個詞彙投入中文潛在語意分析系統（陳明蕾、王學誠、柯華葳，

2009），以中研院平衡語料庫作為語意空間進行成對比對（Pairwise Comparison）以獲取詞彙與詞彙間的餘弦值作為兩詞彙間的關聯數值

（請參閱附錄三），關聯度越高代表該詞於各種類型文類、文體、媒 體、主題領域的語意空間中與其他詞彙間相關程度越高，可代表該詞彙 較具實務通用性，透過這樣的作法，也可讓以英美 AT 模式為基礎所提 取的詞彙，以貼近我國詞彙的使用習慣檢視詞彙關聯性而讓結構模式更 具在地實用性。如學習能力因素指向學習輔助科技知識經驗因素依據之

學習輔助科 技知識經驗

H5

61

一，即為 HAAT 模式中由含括能力（ability）的人類（Human, H）構面 指向輔助科技（Assistive Technology, AT）構面的關係。再檢視形成學 習能力因素之共同詞彙與形成學習輔助科技知識經驗因素之共同詞彙彼 此關聯性，如「障礙」一詞與「環境」一詞之間在語意空間的關聯性達 到 0.307，僅次於「表現」一詞的 0.384，另檢視「功能」一詞也與「工 具」一詞達到所有詞彙中最高的關聯度 0.706，且形成學習能力因素之

「障礙」或「功能」與形成學習輔助科技知識經驗的共同詞彙介於 0.061 至 0.706 之間皆為正值，可作為兩因素間存在關係假設的預檢參 考。有關其他考量因素之間的關係路徑與方向假設可參閱研究者於第二 章第三節所述之內容。

此外，因本研究之考量因素，主要係以美國學者所提出可作為教育 現場評估輔助科技需求之輔助科技評估概念性模式為基礎所建置，故研 究者將先以美國輔助科技專業人員之資料樣本投入初始結構模式進行估 計並調整，驗證符合測量與結構模式之標準後，再與我國特殊教育專業 人員之資料樣本進行多組別分析（Multi group analysis. MGA），分析我 國樣本在結構模式中與美國樣本是否有差異，如有差異則調整該結構至 符合我國教育現場特教專業人員之實務情形。

四、研究問題三之（一）

研究問題三之（一）在確認本研究以閱讀學習活動為例所發展的閱 讀輔助科技需求考量工具內容為何，藉由學習輔助科技需求考量因素結 構模式，研究者發展「閱讀學習輔助科技評估表」作為輔助科技需求考 量工具之一，該工具由研究者及兩位參與編製閱讀輔助科技需求評估表 之資深教師共同討論並確認閱讀學習能力、閱讀學習表現、閱讀學習動 機、閱讀輔助科技知識經驗，以及閱讀學習表現項下之配對、轉錄、字 義觸接、語法分析、整合、摘要等六個閱讀歷程之定義後，分別就研究 者整理之評估表初稿題項進行閱讀學習輔助科技考量因素以及歸類為學 習表現因素後續之閱讀歷程對應。為了解包含研究者在內的三位編製者

62

對於題項歸類之一致性，研究者使用 Kendall's W test 進行評分者間的信 度分析。

五、研究問題三之（二)、三之（三）

研究問題三之（二）之信、效度可分為預試與正式兩階段，在預試 階段為了解本研究發展工具之一的「閱讀輔助科技需求考量評估表」之 信、效度，研究者使用 SPSS 軟體計算 Cronbach α 係數藉以分析評估表 之內在信度，並篩選影響信度之題項後進行因素分析，然因評估表之題 項為二分類別變項，故須以加權最小平方法（WLSMV）進行估計，依 照估計結果進行題目篩選考量並形成正式版評估表。在效度部分將使用 評估表中學生閱讀學習表現評估之計分結果使用效標關聯效度

（criterion-related validity）與學生在識字及閱讀理解能力是否達到切截 分數的二分類別變項進行點二相關係數分析，針對 1.識字表現與識字診 斷測驗是否達到切截分數、2.識字表現與閱讀理解診斷測驗是否達到切 截分數、3.閱讀理解表現與識字診斷測驗是否達到切截分數、4.閱讀理 解表現與閱讀理解診斷測驗是否達到切截分數等四個項目進行交叉分

（criterion-related validity）與學生在識字及閱讀理解能力是否達到切截 分數的二分類別變項進行點二相關係數分析，針對 1.識字表現與識字診 斷測驗是否達到切截分數、2.識字表現與閱讀理解診斷測驗是否達到切 截分數、3.閱讀理解表現與識字診斷測驗是否達到切截分數、4.閱讀理 解表現與閱讀理解診斷測驗是否達到切截分數等四個項目進行交叉分