許 多 研 究 學 者 也 曾 提 出 各 種 知 識 結 構 的 評 量 方 法 ， 如 Schvaneveldt(1990)提出以路徑搜尋分析法測量知識結構；而Koubek &
Mountjoy(1991)將評量知識結構方法分成三類，即口語報告(verbal reports)、
集群方法(cluster analysis)與量尺方法(scaling methodologies)。其中量尺法 有集群分析法、多向度量尺法等；口頭報告則有晤談法、問卷法與放聲 思考等方法；而Qian, Liang, & Dang(2009)則運用約略集合理論，可由現 存知識庫之知識結構掌握未知的目標概念，運用四個現存知識庫的運算 子，產生新的知識結構，並經由計算產生兩種不同知識結構的距離之差 異。
知識結構研究文獻中，可用問卷法來獲得知識結構再以路徑搜尋法 進行其分析，如Su, Hwang, & Chou(2006)以新手與專家為對象，藉由機車 維修手冊設計問卷，分別於新手與專家填寫並回答問題，以便獲得知識 結構，再以路徑搜尋分析法探討兩者之間的知識結構差異。然而Rose, Rose, & McKay(2007) 以 會 計 系 學 生 為 主 要 對 象 ， 並 以 Bonner &
Walker(1994)之路徑搜尋量表為基礎，測量學生指導、學習與輔助決策後，
以路徑搜尋分析法探討學生與專家的知識結構之差異比較。由於路徑搜 尋法可探討受試者知識結構和參照結構間之差異，且能以路徑搜尋網路
XXVII
的相似程度進行比較，以瞭解受試者於知識結構概念上之差異，然而本 研究探討在職人員與在校學生之就業力知識結構概念的差異，因此選擇 以路徑搜尋法作為主要研究工具。
第四節 路徑搜尋法
路徑搜尋法於 1990 年中，已被廣泛應用於知識結構中。然而 Durso &
Coggins(1990)指出應用路徑搜尋法可由網絡結構中描繪出概念間複雜的 相 互 關 係 並 包 括 個 人 的 知 識 結 構 ； 而 路 徑 搜 尋 網 路 分 析 係 由 Schvaneveldt(1990)依網路模式和圖解理論所發展而成的一種量尺化演算 方法(pathfinder scaling algorithm)，利用各種知識結構之概念以網路圖形 及接近性矩陣，來建構和分析各概念間的關係。此外 Goldsmith, Johnson,
& Acton (1991)認為以路徑搜尋法評估知識結構時，需先獲得專家的知識 結構做為參照結構再與受測者的知識結構進行相似度比較；然而路徑搜 尋法需透過以上之方法，將個人的知識概念的關係形成一個網路結構，
並在該結構中以節點表示知識概念，而節點間的連結代表兩知識概念之 間的關係，進而形成一個知識結構網路。
Choo & Curtis(2000)指出路徑搜尋法是以結構化的概念所評估的，可 測量於受測者的知識結構概念；且 Day, Arthur, & Gettman(2001)也指出路 徑搜尋法能有效的預測受試者的知識結構。此外 Davis & Yi(2004)指出路
XXVIII
徑搜尋法除了測量知識結構之外，還可將所測得的知識結構用於訓練模 式及決策效能中的中介關係。然而 Rose, Rose, & McKay(2007)指出應用 路徑搜尋法能有效評估知識結構，且能以專家知識結構與受測者的知識 結構相互比較其差異，並以概念與概念間的方式連繫，以凸顯完整的知 識結構組織。在執行的步驟上，江淑卿(1997)曾說明路經搜尋法之擷取與 評量知識結構的方式可分為三種步驟進行：知識結構的引出、知識結構 的表徵與知識結構的評價，內容整理如下：
一、 知識結構的引出
首先，於問卷設計上使用相似性評定法，以配對的概念為設計，讓 受試者判斷兩概念間的相關性，進而獲得受試者之接近性矩陣數值 (proximities matrix)，該接近性矩陣數值可轉換為資料網路(data-net)，如 資料網路中有 n 個節點，且每個概念結點都有鏈結時，則會產生 n( n-1)/2 條鏈結。
二、 知識結構的表徵
資料網路需轉成路徑搜尋網路(PFNETs)，並可產生圖形理論距離 (graph-theoretic distance, GTD)及網路圖解(pathfinder graph)，因此資料網
XXIX
路轉成路徑搜尋網路需以路徑搜尋法透過量尺化演算法進行轉換。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，
此網路的聯結鏈有直接鏈(direct link)和非直接鏈(indirect link)兩種，經由 演算法運算後，路徑搜尋網路會將非直接鏈結的最小長度距離與直接鏈 結進行比較。而路徑搜尋網路圖是結合節點與節點之間的鏈結，所呈現 路徑搜尋網路圖解。
三、 知識結構的評量
知識結構的評量透過路徑搜尋法將受試者的知識結構與參照結構進 行比較，而參照結構可選擇個人或團體平均作為知識結構；然而 Goldsmith
& Davenport(1990)發現圖形理論與集合理論適合比較兩個路經搜尋網路 的相似程度的方法。此外 Acton, Johnson, & Goldsmith(1994)則發現以團 體參照結構效果最佳。因此以圖形理論為基礎，可計算概念節點間的距 離之相關程度，並可得到圖形理論距離指數與接近性指數(proximity index, PRX)。且以集合理論演算則可得到相似性指數(closeness index, C 指數 or PFC)，因此經由圖形理論距離指數、接近性指數與相似性指數可判別受 試者之知識結構和參照結構間的相似程度及差異。三種指數分述如下：
XXX
（一）接近性指數
PRX 指數(proximity index, PRX)係計算受試者與參照結構的接近性 矩陣之相關程度，該值範圍介於-1 與 1 之間，當 PRX 指數越大，表示受 試者與參照結構相似程度越高，反之，則相似程度越低。計算公式如下：
其中
n 表示概念數
、 表示受測者第 i 項值 、 表示受測者各項平均值
（二）圖形理論距離指數
GTD 指數(graph-theoretic distance, GTD)是根據圖形理論算則所得到 的值，以受試者與參照結構兩方圖形理論距離的相關，並以相關係數表 示兩個相似程度，該值範圍介於-1 與 1 之間，當 GTD 指數越大表示受試 者與參照結構相似程度越高，反之，則相似程度越低。計算公式如下：
XXXI
其中
n 表示概念數
、 表示受測者第 i 項值 、 表示受測者各項平均值
（三）相似性指數
PFC 指數(closeness index, C 指數 or PFC)是根據集合理論方法，計算 受試者與參照結構兩方所共有的節點，該值的範圍介於 0 與 1 之間，值 越大表示二網路相似程度越高，反之，則相似程度越低。計算公式如下：
其中
Ai、Bi表示受測者鄰近節點 Ai∩Bi表示受測者鄰近節點交集 Ai∪Bi表示受測者鄰近節點聯集 n 表示鄰近節點總數
XXXII
目前以路徑搜尋法探討知識結構的文獻中，多以教育領域探討學生 與老師間的知識結構為對照差異之重點，如 Gomez & Housner(1992)以 28 位物理科系準老師做為受試者，並以一位物理教學經驗豐富的教授做為 參照結構，並且以學期初及學期末對 28 位受試者以物理教學概念配對作 為問卷進行相似性評量，並應用路徑搜尋法探討受試者物理教學知識結 構及學習成績表現之關係。研究發現該知識結構三種指數 PRX、GTD 與 PFC 皆與學期成績具顯著相關，然而預測力最高的為 PRX 指數，最低則 GTD 指數。而黃湃翔(2004)以高雄某所高中一年級抽取 4 班 148 位學生 為研究樣本，以 6 位具有科學教育物理組博士班背景教師的答案資料為 參照結構，利用路徑搜尋法得到 PRX、GTD、PFC 三個指標並與參照結 構進行比較，發現學生與參照組間具有顯著差異，其中以 PFC 指數對於 學生成績最具預估效力。然而 Azzarello(2007)以路徑搜尋法進行分析，並 以實驗教學探討兩組學生的學習表現以最優及最差進行比較，並發現在 社區健康護理學的知識結構中具有顯著差異。
本研究擇以 Acton, Johnson & Goldsmith(1994)之研究結果，以多人概 念平均值作為參照結構較為客觀，且該研究指出以團體作為參照結構效 果最佳，因此本研究以在職企業規劃人員作為參照結構，探討在學學生 的知識結構與參照結構間的相似性指數是否有顯著差異。
XXXIII
第参章 研究方法
本章共分為三節，內容為第一節抽樣對象、第二節問卷設計、第三 節路徑搜尋演算流程，分別敘述如下。
第一節 抽樣對象
本研究抽樣對象為企業資源規劃招募人才之廠商為主要實施問卷調 查，而企業資源規劃相關科系學生則針對北、中、南區五所院校的資訊 管理系、商管系及行銷系的學生實施問卷調查，並以立意抽樣進行問卷 發放。抽樣時間共三個月，總計發出問卷 360 份，其中在職企業資源規 劃人員發出問卷 60 份，回收 47 份，回收率 78.3%；北、中、南區五所院 校發出問卷 300 份，回收 260 份，回收率為 86.6%。扣除學生部分未填寫 完成之問卷 10 份，有效問卷總計 250 份。
第二節 問卷設計
本研究針對核心就業力及專業就業力之認知差異進行問卷設計，並 採用概念相似性判斷測驗，進行李克特式五點評定量表，共區分五個核 心就業力概念(李來錫與姚鐵城，2013；行政院青年輔導委員會，2006；
XXXIV
Harvey, Locke, & Morey, 2002)，內容包括：穩定度與抗壓性、表達溝通 能力、團隊合作、解決問題能力、個人學習意願等五種概念指標共十題，