資料分析

本研究將蒐集的實驗資料，以 SPSS 16.0 統計軟體分別針對「Java 程式語言 for 迴圈學習成效」及「Java 程式語言 for 迴圈課程學習態度」進行分析，統計分 析之顯著水準值皆為 .05，分析方法詳述如下：

壹、Java 程式語言 for 迴圈學習成效分析

Java 程式語言 for 迴圈學習成效分析先由整體成效表現進行分析，再進一步 進行基本題學習成效表現和進階題學習成效表現分項分析，其分析流程如下：

一、整體學習成效表現分析

Java 程式語言 for 迴圈整體學習成效分析採二因子單變量共變數分析 (two-way ANCOVA)，以視覺化工具融入教學與先備知識程度為自變項，先 備知識測驗成績之數據為共變項，成就測驗成績之總分為依變項，進行 for 迴圈課程之學習成效表現分析，分析流程如圖 3-21 所示。

首 先 進 行 變 異 數 同 質 性 檢 定 考 驗 ， 本 研 究 採 常 用 之 檢 定 Levene’s test，在於檢定各組別中依變項之變異量是否相似。若符合變異數同質性的基 本假定，則可進行二因子單變量共變數分析。接著進行單變量共變數分析，

確認視覺化工具融入教學及先備知識程度二自變項交互作用是否達顯著水 準，若交互作用達顯著水準，則分別進行單純主效果分析(simple main effect)；若交互作用未達顯著水準，則進行主效果分析(main effect)，判斷視 覺化工具融入教學及先備知識主效果對整體學習成效表現是否有影響。

圖 3-21： 整體學習成效表現分析流程圖

二、分項學習成效表現分析

Java 程式語言 for 迴圈分項學習成效表現分析採二因子多變量共變數分 析(two-way MANCOVA)，視覺化工具融入教學與先備知識程度為自變項，

先備知識測驗成績之數據為共變項，成就測驗成績中「基本概念」和「進階 概念」所得成績之數據為依變項，進行 for 迴圈課程之分項學習成效表現分 析，分析流程如圖 3-22 所示。

首先進行多變項同質性檢定考驗，本研究採常用之檢定 Box's M 考驗，

用於考驗依變項間母群變異量是否相似。在進行多變項同質性檢定考驗時，

若符合變異數同質性的基本假定，則可進行二因子多變量共變數分析，並觀 察 Wilks' Lamda 值(吳明隆、徐金堂，2005)；若違反變異數同質性的基本假 定，且各組樣本人數差距不大，亦可進行二因子多變量共變數分析，並觀察

變異數同質性檢定

二因子單變量共變數分析

自變項：視覺化工具融入教學與先備知識程度 共變項：先備知識測驗成績

依變項：成就測驗總成績

視覺化工具融入教學 x 先備知識程度 交互作用是否達顯著？

完成 顯著

單純主效果分析

不顯著 主效果分析

Pillai's Trace 值(Tabachnick & Fidell, 2006)。進行多變量共變數分析，確認視 覺化工具融入教學及先備知識程度二自變項交互作用是否達顯著水準，若交 互作用達顯著水準，則分別進行單純主效果分析(simple main effect)；若交互 作用未達顯著水準，則進行主效果分析(main effect)，判斷視覺化工具融入教 學及先備知識程度主效果對分項學習成效表現是否有影響。

圖 3-22： 分項學習成效表現分析流程圖

三、學習成效進步幅度分析

學習成效進步幅度分析，本研究參考 Ben-Bassat Levy、Ben-Ari 與 Uronen (2003) 之研究，分析流程如圖 3-23 所示，目的是以進步幅度作為學 習者在學習前後是否進步的指標。首先先備知識測驗成績與成就測驗成績均

多變項同質性檢定

二因子多變量共變數分析

自變項：視覺化工具融入教學與先備知識程度 共變項：先備知識測驗成績

依變項：基本概念成績與進階概念成績

視覺化工具融入教學 x 先備知識程度 交互作用是否達顯著？

完成 顯著

單純主效果分析

不顯著 主效果分析

轉換為總分100 分的相對分數後，以轉換後之成就測驗成績減去轉換後之先 備知識測驗成績，所得結果為進步幅度分數，最後將分數分為：「退步 10 分以上」、「退步6~ 10 分」、「退步 1~ 5 分」、「進步 1~ 5 分」、「進步 6~ 10 分」、「進步 11~ 15 分」、「進步 16 分以上」7 個等級，並將「退步 10 分以上」、「退步 6~ 10 分」歸類為「退步」，「退步 1~ 5 分」、「進步 1~ 5 分」歸類為「持平」，「進步 6~ 10 分」、「進步 11~ 15 分」、「進步 16 分以上」歸類為「進步」，比較兩組之分佈差異，此外再進行進步比例分 析，運用下列公式：

各組成就測驗成績 － 各組先備知識測驗成績

進步比例 ＝ ────────────────────────────────────

總分(100) － 各組先備知識測驗成績 計算並比較各組之進步比例。

圖 3-23： 學習成效進步幅度分析

貳、Java 程式語言 for 迴圈課程學習態度分析

Java 程式語言 for 迴圈課程學習態度分析採用二因子多變量變異數數分析 (two-way MANOVA)。以視覺化工具融入教學及先備知識為自變項，先備知識測 驗成績之數據為共變項，學習態度之數據為依變項，分別進行「學習滿意度」、

「學習幫助度」、「自我效能」、「主動學習與思考」和「學習焦慮」五個面向 進行學習態度分析。學習態度分析流程如圖 3-24 所示。

測驗成績轉換為總分 100 分的相對分數

兩組成績進步幅度分佈分析

兩組成績進步幅度比例分析

完成

圖 3-24： 學習態度表現分析流程圖

首先進行多變項同質性檢定考驗，本研究採常用之檢定 Box's M 考驗，用於 檢定依變項間母群變異量是否相似。在進行多變項同質性檢定考驗時，若符合變 異數同質性的基本假定，則可進行二因子多變量變異數分析，並觀察 Wilks' Lamda 值(吳明隆、徐金堂，2005)。接著進行多變量變異數分析，確認視覺化工 具融入教學和先備知識程度二自變項交互作用是否達顯著水準，若交互作用達顯 著水準，則分別進行單純主效果分析(simple main effect)；若交互作用未達顯著水 準，則進行主效果分析(main effect)，判斷視覺化工具融入教學和先備知識程度主 效果對程式設計概念學習態度表現是否有影響。

多變項同質性檢定

二因子多變量變異數分析

自變項：視覺化工具融入教學與先備知識程度 依變項：學習態度（學習滿意度、學習幫助度、自

我效能、主動學習與思考、學習焦慮）

視覺化工具融入教學 x 先備知識程度 交互作用是否達顯著？

完成 顯著

單純主效果分析

不顯著 主效果分析