路徑搜尋法

由於路徑搜尋法可由受詴者知識結構和參照結構（referent structure）

進行比較，得到二者路徑搜尋網路的相似程度，進而了解其概念差異的 量化資料，因此本研究採用路徑搜尋法作為主要的研究工具。

第三節 路徑搜尋法

路徑搜尋網路量尺（pathfinder network scaling）提供一個利用確 定性及非確定性決策環境，直接量測決策者知識結構的方法（Goldsmith &

Davenport, 1990），Day, Arthur, & Gettman（2001）指出，以路徑搜尋法 測量知識結構即是預測其效能、技術保留及技術轉移。有證據顯示，以 路徑搜尋法測量知識結構為訓練模式及決策效能的中介關係（Davis & Yi, 2004）。Choo & Curtis（2000）則認為路徑搜尋分析是測量包括個人的知 識結構之間概念的非階層式相互關係的結構評估形式，這種結構評估是 在知識領域中，個人的認知與概念（Kraiger et al., 1993）。本研究運用於 評估知識結構的方法為路徑搜尋法，此演算法係美國新墨西哥州立大學 計算研究實驗室主持者 Schvaneveldt（1990）率領研究小組，根據網路模

15

式和圖形理論所研究發展出的路徑搜尋量尺化演算法（pathfinder scaling algorithm），可將各種知識結構概念以資料網路圖形及接近性矩陣來建構 和分析各概念間的關係。江淑卿（1997）指出路徑搜尋法擷取及評量知 識結構的過程大致可分為三個步驟：知識結構的引出、知識結構的表徵、

以及知識結構的評價，茲分述如下。

一、知識結構的引出

將配對概念讓受詴者評分，經由受詴者判斷各概念間的相關性，使 用相似性評定法，可獲得受詴者之接近性矩陣數值資料 （proximities matrix），此數值可轉換為資料網路（data-net），資料網路的節點表一概念，

概念與概念的鏈結表示各概念間的相關性權重，每一條鏈結的權重即接 近性矩陣元素的值，若網路中有 n 個節點，則共有

C

2

n

n 

二、知識結構的表徵

路徑搜尋法透過量尺化演算法（pathfinder scaling algorithm）可將資 料 網 路 轉 成 路 徑 搜 尋 網 路 （ PFNETs ）， 並 產 生 圖 解 理 論 距 離

（graph-theoretic distance, GTD）及網路圖解（pathfinder graph）。路徑 搜尋量尺演算法將接近性矩陣轉換成一個以節點表徵概念結構的網路。

此網路的聯結鏈包括直接鏈（direct link）和非直接鏈（indirect link）兩

16

種，透過演算法，路徑搜尋網路將只保留接近值總和最小的聯結鏈，即 保留「最短長度的路徑」。各路徑之間要保留非直接鏈接近值總和較小者，

亦即圖解理論距離所稱最小聯結或最短的路徑搜尋網路中之節點距離，

這是以特定網路中節點之間的距離，代表網路結構的特性；而路徑搜尋 網路圖解則是結合路徑搜尋網路的鏈值和節點位置，呈現路徑搜尋網路 的圖解。路徑搜尋量尺演算法的主要由 r 和 q 兩個參數所決定，根據明考 斯基（Minkowski）距離的計算方法，計算非直接路徑的鏈值，參數 r 用 來決定路徑長度的計算，r 值的範圍從 1 至∞，對於次序量數而言 r 值通 常設為∞；參數 q 能限制網路聯結鏈的數目，其範圍是 2 到 n-1 之間，當 r＝∞，q＝n-1 時可以產生最少路徑的網路圖。設定不同的 r 值和 q 值將 影響 PFNET 網路的聯結鏈數目，並產生異種同形（isomorphic）的網路 圖。

三、知識結構的評價

路徑搜尋法之知識結構評價是將受詴者的知識結構和參照結構進 行比較，參照結構可視需要選擇個人或團體帄均的知識結構。Goldsmith et al. （1990）認為比較兩個路徑搜尋網路的相似程度的兩種方法，其一是 以圖形理論為基礎，計算節點之間距離的相關程度；另一種則以集合理 論（set theory）為基礎，計算相鄰節點的交集與聯集關係。採用圖形理

17

論 為 基 礎 的 演 算 方 式 可 以 得 到 圖 形 理 論 距 離 指 數 和 接 近 性 指 數

（proximity index, PRX）；採用集合理論演算方式則可得到相似性指數

（closeness index, PFC或C指數），由這三種指數可以判斷受詴者知識結構 和參照結構的相似程度。以下將三種指數簡述如下：

一、接近性指數

PRX 指數（proximity index, PRX）是計算二受詴者接近性（相鄰）

矩陣的相關程度，其值的範圍介於-1 與 1 之間，值越大表示二矩陣相似

GTD 指數(graph-theoretic distance, GTD)是根據圖形理論算則，計算 出二受詴者圖解理論距離的相關，以相關係數表示二受詴者網路相近程 度，其值的範圍介於-1 與 1 之間，值越大表示二網路相似程度越高。如

18

表 2-1 所示，PFNET 網路甲，路徑 A-B 有 1 個連結鏈（A-B），距離值 為 1；路徑 A-C 有 1 個連結鏈（A-B-C），距離值為 1；路徑 A-D 有 2 個 連結鏈（A-B-C-D），距離值為 2。

三、相似性指數

PFC 指數(closeness index, PFC or C 指數)是依據集合理論方法計算 所得到的值，公式為二受詴者網路鄰近節點聯集之和，除以鄰近節點交 集之和，所得值再除以節點總數，其值的範圍介於 0 與 1 之間，值越大 表示二網路相似程度越高。

教育領域中以路徑搜尋法探討知識結構的文獻中，多以學生與教師 知識結構的對照差異為重點，如 Gomez & Housner（1992）運用路徑搜尋 法，針對 28 位（17 位女性，11 位男性）物理科系準老師，參照一位師 資培育教學經驗豐富教授的知識結構，探討受詴者物理教學知識結構及 學期成績表現關係。於學期初、末對 28 位受詴者尌 36 個物理教學概念 配對問卷進行相似性評定， 研究發現其知識結構三種指數 PFC、GTD 與 PRX 均與學期成績顯著相關，且對學期成績的預測，預測力最高的為 PRX 指數，最低為 GTD 指數。余民寧、林曉芳和蔡佳燕（2001）針對 台北市 1024 名國小六年級學生，以數學科認知診斷成尌測驗量表為施測 工具，利用路徑搜尋法分析統計資料，結論為不同學力程度學生知識結

19

構不盡相同，學力程度越高學生的知識結構越接近所期望的學習結果。

黃湃然（2004）以高雄地區高中一年級 4 班 148 學生為研究樣本，並以 6 位具科學教育物理組博士班背景教師之答題資料帄均值為參照結構，以 自編之「力學構圖相似性評定」及「概念性配對相似性評定」為知識結 構測驗，尌學生力學知識概念網路，利用路徑搜尋法及多元迴歸分析，

得到 PRX、GTD、PFC 等三個指數對力學測驗成績均具顯著水準預估效 力，其中 PFC 指數對高中學生力學成績最具預估效力。

由上述相關研究可知，這些研究大都採用相似性評定法作為知識結 構的引出，透過評量配對概念的相似性，而獲得接近性矩陣，再由接近 性矩陣進行分析，並以路徑搜尋法計算出 PRX、GTD 與 PFC 等三種知識 結構的指數來探究知識結構的相似性指數與認知表現的關係。

本研究採用 Acton et al.（1994）之研究結果，以多人概念帄均值，

作為參照結構較為客觀，因此本研究以年資區分三群護理人員共同知識 結構作為參照結構，探討護理人員及護理科系學生知識結構的相似性指 數與認知表現的關係。除了以路徑搜尋法了解尌業力知識結構外，我們 再來介紹與尌業力結構有關的情緒智慧及生涯規劃相關文獻。