基於中文基本筆劃之視動整合電腦化自動評量系統

全文

(1)國立臺中教育大學教育測驗統計研究所碩士論文. 指導教授：郭伯臣. 博士. 林巾凱. 博士. 基於中文基本筆劃之視動整合電腦化自動評量系統 A Computerized Testing System of Visual Motor Integration Based On The Basic Chinese Characters. 研究生：陳愷謦. 中. 華. 民. 國. 一. ○. 三. 撰. 年. 七. 月.

(2) 謝辭首先我要感謝指導教授郭伯臣教授及林巾凱教授，兩位老師在研究上悉心教導，不時的討論並指點我正確的方向，使我在這些年中獲益匪淺。感謝口試委員黃孝雲教授在論文上給我許多寶貴的建議，使得論文能更加完整。還要感謝李政軒教授，不只百忙之中抽空幫我修改論文，而且在研究與生活上也都給予我非常多的幫助及照顧。在研究所三年裡的日子，感謝所辦助理、各位學長姐、同學、學弟妹的陪伴，實驗室裡共同的生活點滴，學術上的討論、言不及義的閒聊，都讓我能有個多采多姿的研究生活。感謝科技部計劃「視覺動作整合電腦化評量工具編製的研究，編號 NSC 101-2410H-142-005-MY3」的支持，使得本研究能順利進行，特此鳴謝。另外，感謝我最重要的家人，感謝外公、外婆、舅舅和舅媽，有你們的幫助讓我能順利完成學業。感謝爸爸、媽媽，讓我選擇自己的人生。感謝姊姊、弟弟全力支持我做的任何決定，當我最強力的後盾，真的非常感謝你們。最後，謝謝一路上幫助過我的每個人！陳愷謦中華民國一○三年七月.

(3)

(4) 摘要本研究主要是建立一個以中文字體基本筆劃特徵的視覺動作整合能力電腦化評量工具，此評量包含兩大部分：視知覺測驗和視覺統整測驗。並且讓 4 到 6 歲的兒童透過具有壓力感應的平板電腦進行測驗。視知覺測驗主要是希望了解兒童是否具備能分辨字體的形狀、大小等圖形認知能力，測驗是以選擇題的方式命題，再利用信度及試題反應理論（Item Response Theory, IRT）檢驗試題的優劣；視覺統整測驗則是要了解兒童對於空間及字體樣式的動作表現。在視覺統整測驗中，利用收集的資料建立特徵，結合專家校標，探討本研究在電腦化自動評量系統的性能。研究結果顯示，視知覺試題具有一致性，符合單參數 IRT 模式，且試題難度適中；視覺統整測驗，將資料建立距離、速率、斜率和角度等特徵，依照筆畫不同可建立 12~34 個特徵，經由支撐向量機（Support Vector Machine, SVM）與 K 最近鄰近法分類器（K Nearest Neighbors Classifier, KNN）進行分類診斷正確率，正確率介於 80.31%~97.59%之間，代表診斷的結果與專家具有一致性。. 關鍵字：視動整合能力、試題反應理論、支撐向量機、K 最近鄰近法分類器. I.

(5) Abstract This study developed a computerized testing system of visual motor integration based on the basic Chinese characters. The test-takers aged from four to six used the tablet to take the test. Moreover, the reliability analysis and item response theory (IRT) were used to analysis the items about visual perception. On the other hand, for visual integration, some features such as distance, speed, slop, and angles, were designed and extracted for classifying the degree of disability automatically. From the experimental results, the item difficulties are relevant according to the Rasch model (one-parameter logistic model) for the items about visual perception. For visual integration, twelve to thirty four features are extracted according to the strokes of the basic Chinese characters. Comparing the classification results with these features by applying the support vector machine (SVM) and K nearest neighbor classifier (KNN) with expert’s judgments are consistent and the corresponding classification accuracies are between 80.31% and 97.59%.. Key words：Visual Motor Integration, Item Response Theory, Support Vector Machine, K nearest neighbor Classifier. II.

(6) 目錄摘要 .......................................................................................................................................... I Abstract ................................................................................................................................... II 目錄 ........................................................................................................................................III 表目錄 ................................................................................................................................... IV 圖目錄 ..................................................................................................................................... V 第一章. 緒論 ..........................................................................................................................1. 第一節第二節第二章. 文獻探討 ..................................................................................................................5. 第一節第二節第三節第四節第五節第三章. 硬體設備及系統概述 ....................................................................................19 視知覺系統設計 ............................................................................................23 視覺統整系統設計與自動分類流程 ............................................................24. 研究結果 ................................................................................................................33. 第一節第二節第五章. 視覺動作整合能力發展現況 ..........................................................................5 視覺動作整合評量發展現況 ..........................................................................7 信度分析 ........................................................................................................10 試題反應理論 ................................................................................................10 分類器 ............................................................................................................ 11. 研究方法 ................................................................................................................19. 第一節第二節第三節第四章. 研究動機 ..........................................................................................................1 研究目的 ..........................................................................................................3. 視知覺測驗結果 ............................................................................................33 視動整合電腦化自動評量系統在視覺統整測驗之診斷結果 ....................37. 結論與建議 ............................................................................................................47. 第一節第二節. 結論 ................................................................................................................47 建議 ................................................................................................................49. 參考文獻 ................................................................................................................................50 中文部分 ........................................................................................................................50 英文部分 ........................................................................................................................52 附錄一. 視知覺測驗試題 ....................................................................................................60. III.

(7) 表目錄表 1-1. 獨體字結構範例......................................................................................................23. 表 1-2. 合體字結構範例......................................................................................................23. 表 1-3. 視覺統整題目..........................................................................................................25. 表 2-1. 視知覺測驗之信度量表..........................................................................................33. 表 2-2. 視知覺 IRT 模式結果 .............................................................................................34. 表 2-3. 視知覺 IRT 模式結果 .............................................................................................36. 表 2-4 1 筆畫試題...............................................................................................................39 表 2-5. 試題為 1 筆畫之特徵..............................................................................................39. 表 2-6. 試題為 1 筆畫之診斷正確率..................................................................................40. 表 2-7 2 筆畫試題...............................................................................................................41 表 2-8. 試題為 2 筆畫之特徵..............................................................................................42. 表 2-9. 試題為 2 筆畫之診斷正確率..................................................................................42. 表 2-10. 3 筆畫試題.............................................................................................................43. 表 2-11. 試題為 3 筆畫之特徵 ............................................................................................44. 表 2-12. 試題為 3 筆畫之診斷正確率................................................................................44. 表 2-13. 4 筆畫試題.............................................................................................................45. 表 2-14. 試題為 4 筆畫之特徵............................................................................................46. 表 2-15. 試題為 4 筆畫之診斷正確率................................................................................46. 表 3-1. 視覺統整試題之特徵個數......................................................................................48. 表 3-2. 視覺統整試題診斷之正確率..................................................................................48. IV.

(8) 圖目錄圖 1-1. 可將資料分開之邊界..............................................................................................12. 圖 1-2 SVM 認為最適當的邊界 ........................................................................................13 圖 1-3 SVM 希望能找到一個直線具有最大的 margin ...................................................14 圖 1-4. 線性可分割之圖例..................................................................................................15. 圖 1-5 Nonlinear SVM 的想法 ...........................................................................................16 圖 2-1. 平板放置位置..........................................................................................................20. 圖 2-2. 施測環境..................................................................................................................20. 圖 2-3. 登入介面..................................................................................................................21. 圖 2-4. 教學影片說明..........................................................................................................21. 圖 2-5. 施測流程圖..............................................................................................................22. 圖 2-6. 視知覺系統..............................................................................................................24. 圖 2-7. 視覺統整系統..........................................................................................................26. 圖 2-8. 視覺統整施測結果..................................................................................................26. 圖 2-9. 電腦軟體畫出之圖形..............................................................................................27. 圖 2-10. 視覺統整範例題目................................................................................................28. 圖 2-11. 角度 ........................................................................................................................29. 圖 2-12. 自動分類流程圖....................................................................................................31. 圖 3-1. 試題難度點圖..........................................................................................................35. 圖 3-2. 診斷流程圖..............................................................................................................37. V.

(9) 第一章. 緒論. 本研究是建立一個視覺動作整合能力電腦化測驗工具－依據中文字體基本筆劃特徵，將測驗內容視知覺和視覺統整所收集的資料進行探討。本章將針對研究動機與研究目的逐一進行說明。. 第一節研究動機運用眼睛和手流暢且有效率的去完成一件事務的能力稱為視覺動作整合能力（Sanghavi & Kelkar, 2005），且視覺動作整合能力也是兒童書寫能力的先備技能（Rosenblum, Weiss, & Parush, 2003）。在臺灣有達 36.8%醫院及私人復健診的治療師利用視覺動作整合能力的測驗工具來評估兒童的書寫能力(林巾凱、曾美惠，2001)，許多國內、外學者指出兒童的書寫表現可以利用視覺動作整合能力來預測（Amundson & Weil, 1996; Goyen & Duff, 2005; Kaiser, Albaret, &Doudin, 2009; Klein, Guiltner, Sollereder, & Cui, 2011; Maeland, 1992; Marr & Cermak, 2002; 張韶霞、余南瑩, 2010），也可以透過施測的過程了解兒童的精細動作（Klein et al., 2011），由此可知視覺動作整合能力對於兒童在書寫能力上的重要性。大部分的動作整合能力的測驗工具都由國外學者發展，再經由國內學者翻譯編製而成。如瑞－布坦尼卡視覺－動作統整發展測驗、感覺統合與運用測驗 Sensory Integration and Praxis Test 的第四個測驗仿畫 Motor Accuracy Test（MAC）、布氏動作精熟測驗第二版 Bruininks-Oseretsky Test of Motor Proficiency、簡明知覺－動作測驗等，其內容主要是描繪幾何圖形，其具有發展的順序且順序由簡單到複雜。這些測驗工具具有良好的信效度，且發展完善，經常被用在預測中文書寫的表現（張韶霞、余南瑩, 2010）；但是中文與英文字體差異很大，以此作評量將可能會有誤差。如果能發展一套不只是幾何圖形，且能符合中文字體基本筆劃特徵的視覺動作整合測驗，則更能符合國內學齡前兒童的學習內容，應該可以增加預測學齡兒童之中文書寫能力。另外，進行視覺動作整合測驗的過程中需要紀錄筆劃順序與時間的反應；試測結. 1.

(10) 束後必須量測筆劃的長度。這些紀錄過程都會使得施測者較為混亂，或者來不及紀錄，甚至失去重要的資料。目前許多國內、外學者已將書寫測驗發展成電腦化測驗（Blank, Miller, & Von., 2000; Blank,Miller, Von, & Von, 1999; Chang, Yu, & Shie, 2009; Hermsdorfer, Marquardt, Schneider, Furholzer, & Baur, 2011; Luria & Rosenblum, 2010; Poon, Li-Tsang, Weiss, & Rosenblum, 2010; Rosenblum, Parush, & Weiss, 2003; Schneider et al., 2010; 張韶霞,2002），可以獲得更多資訊。先前研究中，電腦化的視覺動作整合測驗多以數位板進行，用來改善傳統紙筆測驗的缺點（Chang et al., 2009; 張韶霞, 2002），但是利用數位板進行測驗，一個數位板必須搭配一台電腦，若一次要測驗多個受試者，則需龐大的經費，以及測驗時需花費更多前置作業的時間。然而，目前數位板使用觸控筆及 1024 階壓力敏感度的技術已經跟平版電腦整合，所以本研究開發一套結合平板電腦的視動整合電腦化自動評量系統，讓受試者透過平板電腦紀錄施測過程、計分電腦化、使用平板電腦藉由座標、向量獲得運動學資料的分析如筆劃軌跡長度、位置、開始結束的時間、速度、斜率、筆劃扭曲、歪斜、抖動的現象等資料，則能收集到更完整的資訊，使得視覺動作整合測驗更為精確，並且可以降低成本，節省更多測驗的時間。因此本研究透過建置需要的軟、硬體環境及電腦化的計分模式，發展一套電腦化的「視動整合電腦化自動評量系統」，此評量系統包含兩大測驗：視知覺和視覺統整，在透過學齡前兒童進行「視動整合電腦化自動評量系統」測驗，將測驗結果進行探討。其中，本研究利用信度和試題反應理論（Item Response Theory, IRT）檢驗視知覺試題的品質，而視覺統整的測驗結果，則利用支撐向量機(Support Vector Machine, SVM)與 K 最近鄰近法分類器（K Nearest Neighbors Classifier, KNN）自動判斷兒童為正常、疑似障礙、障礙三種程度，並可在學前、幼稚園階段發現其可能的問題，盡早的接受診斷與治療訓練。. 2.

(11) 第二節研究目的本研究先透過建置軟、硬體環境及電腦化的計分模式，發展一套電腦化的「視覺動作整合電腦化評量工具」，包含視知覺、視覺統整與動作協調，進而進行學齡前兒童施測，收集相關資料。本研究目的，在視知覺部分：ㄧ、設計高信度的試題。二、透過試題反應理論（Item Response Theory, IRT）檢驗試題的品質。在視覺統整部分：ㄧ、建立中文字基本筆劃的特徵。二、透過支撐向量機（Support Vector Machine, SVM）與 K 最近鄰近法分類器（K Nearest Neighbors Classifier, KNN）來自動判別兒童不同障礙類型。. 3.

(12) 4.

(13) 第二章. 文獻探討. 本研究將針對相關的文獻進行探討：第一節所討論的是視覺動作整合能力發展現況；第二節討論的是視覺動作整合評量發展現況；第三節討論的是單向度試題反應理論；最後一節則是簡介本研究所使用的兩種分類器。. 第一節視覺動作整合能力發展現況視覺動作整合是利用眼睛與手同時進行且完成一件事務（Sanghavi & Kelkar, 2005），並且 Beery 也把視覺動作整合定義為複製幾何圖形的能力，所以在編製測驗必須注意兒童在視覺動作整合能力三個部分：視知覺、視覺動作整合、視覺動作協調的發展（林巾凱，2012）。形狀辨認與複製圖形這兩種發展技巧是完全截然不同的，像是兒童在嬰兒時期 6 個月大的時候就可以認出簡單的幾何圖形，而且大多數幼兒在 12 個月左右會抓握筆塗鴉、兩歲描繪畫直線、三歲開始會模仿畫直線、橫線以及圓形，研究發現在描繪或仿畫直線比橫線容易，而且兒童在六歲以下，畫圓形是由下方開始畫起，六歲以上的兒童，大部分是由圓形的頂端開始畫起。在三歲幼兒當中有 77％會畫十字形狀，在四歲的時候比較熟練，研究發現在十字形的橫線常發生線斷中斷，稱為跨中線能力不成熟（Beery, 2004）。四歲幼兒是可以模仿畫出正方形，正方形的四個邊是容易且準確的評分標準，在兒童早期會把正方形畫成類似圓形的圖形，接著畫出一、兩個角，最後才會慢慢發展四個角的圖形，所以 Beery 發現兒童在六歲前就可以完整畫出正方形的四個角（K. E. Beery, 1989），也有研究發現兒童在畫正方形時有ㄧ種病理表現，就是在畫的時候沒辦法停止且轉換方向（Klein et al., 2011; Poon et al., 2010）。斜線的發展年齡在研究上學者發現的結果並不一致，大約在兒童四歲及五歲時就會仿畫斜線（Beery,1997），所以畫斜線比畫直線、橫線的發展的晚，其中因為慣用手. 5.

(14) 的關係，也會影響右斜線（由右上到左下）跟左斜線（左上到右下）發展的先後，例如兒童是右手慣用手的話，右斜線比左斜線的發展早大約 3 至 6 個月，因為對於使用右手的兒童在畫右斜線時可以看到整個圖形，畫左斜線會因為手腕遮住視線的問題，不容易仿畫，所以右斜線會先仿畫出來（劉鴻香、陸莉譯，1997）。三角形的發展比畫正方形還困難，因為三角形需要兩條斜線及一條直線才能畫出，所以有 40%的五歲兒童會仿畫且底線會接近水平線，在六歲兒童就有 95%會仿畫三角形。七歲的兒童能畫出直的菱形在 Stanfort-Binet 屬於常模，直的菱形的特徵是上下都是鋭角，兒童經常在鋭角處動作過大而讓圖形看起來像一個彎曲線。橫的菱形特徵是上下都是鈍角，兒童在畫橫的菱形比在畫直的菱形時更容易畫成正方形，在五歲只有 9%會仿畫，六歲就有 61％會仿畫。四歲兒童無法畫出立體三度空間的圖形，五至六歲兒童則可以畫出內、外部的正方形，但是無法呈現成三度空間的圖形，七歲才開始發展三度空間部分的樣式，要到兒童十歲的時候才會畫出適當的立方體圖形。兒童在描繪圖型的能力會比仿畫圖型的能力之前就發展出來（劉鴻香、陸莉譯， 1997），也可以從兒童經過描繪、仿畫圖形的發展來看，了解兒童在上肢肌肉的三角肌、大小圓肌、肩胛下肌，前臂的掌前肌、旋後肌、伸指肌、屈腕肌、屈指淺肌、屈指深肌，上臂的肱二頭肌、肱三頭肌、喙肱肌，手指的魚際肌、蚓狀肌、背側骨間肌、掌短肌、掌側指間肌、拇指對掌肌、拇外展短肌等的發展（Tukel Kavak & Eliasson,2011），經由對於兒童發展順序，了解視覺動作整合能力可以預測兒童在運筆上是否成熟，也是書寫能力的先備技能（Amundson & Weil, 1996; Daly et al., 2003; Kaiser et al., 2009; Klein et al., 2011; Marr & Cermak, 2002; Poon et al., 2010）。. 6.

(15) 第二節視覺動作整合評量發展現況目前國內的視覺動作整合能力測驗主要由國外學者發展，再經由國內學者收集編製而成，如下：ㄧ、簡明知覺─動作測驗簡明知覺─動作測驗為台灣常模的測驗是由周台傑（周台傑, 1992）修訂 Mutti 在 1978 所編製的 Quick Neurological Screening Test。主要評量對象是 6~12 歲兒童，在學習有關的神經性統整能力，共有十五個分測驗，包括動作（成熟度、速度、韻律感）、大小肌肉控制、注意力、視知覺、聽知覺、空間組織、平衡等能力，其中有關視覺統整的施測內容分成三個分測驗。二、拜瑞─布坦尼卡視覺─動作統整發展測驗此測驗是由 Beery 於 1967 年所編製，而由劉鴻香、陸莉（劉鴻香、陸莉, 1997）修訂並收集台灣的常模，為目前最廣泛運用的視覺動作整合工具(Sanghavi & Kelkar, 2005)。分成三大部分：視知覺、視覺統整、動作協調；適用對象從三歲幼兒到成人，經常被用來篩檢兒童寫字困難的表現。三、布氏動作精熟測驗第二版 Bruininks-Oseretsky Test of Motor Proficiency 此布氏動作精熟測驗（Bruininks, R. H., & Bruininks, B. D., 2005）的第二個分測驗－精細動作整合是施測動作整合的能力，受試者以紙筆抄畫 8 個幾何圖形，包括圓形、正方形、重疊的圓形、S 型、三角形、菱形、星形、兩個重疊的筆形。四、感覺統合與運用測驗感覺統合與運用測驗 Sensory Integration and Praxis Test （Ayres, 1989）中的第四個測驗仿畫 Motor Accuracy Test （MAC），此測驗分為二個部分，第一部分有 13 個圖形，在下方空格依照刺激圖將提示點連接起來，第二部分有 12 個圖形，要直接仿畫刺激圖的圖形，而且沒有提示的點。視覺動作整合測驗經由施測後所得到的結果，再經由測驗的結果了解問題所在，. 7.

(16) 並且可以當作溝通家長及確定是否達成治療的目標，所以測驗與治療是相輔相成的。而在傳統的測驗上有其方便性外，也包含了下列的缺點：ㄧ、花費較多的時間在施測結束後，需以人工方式算出分數與常模比照，要花費較多的時間。二、準確性的問題施測過程中需要進行計分，如果規則複雜且不容易標準化，容易產生人為失誤使得計分不準確，造成解釋上的錯誤。三、多種計分準則的限制施測者需要同時注意兒童在測驗時候的每個細節，例如視覺動作測驗上，題目請兒童畫一個正方形，施測者必須同時注意兒童畫的順序、開始的方位、是否停頓在連接、或放慢速度轉換方向等，常會使施測者手忙腳亂，造成顧此失彼的情形發生，無法同時注意多個層面這也是人類能力的限制。電腦化測驗的發展從 1970 年代開始，早期電腦化測驗的研究主要包括校準大量的試題、設計計分程序、建構測驗題庫等，進而發展到現在，電腦化測驗主要的研究議題為適性電腦化測驗、認知層次的訊息、線上測驗等。現在因為電腦已經非常普及，並且可以透過測驗電腦化得到許多準確的訊息，也可以提升評量的效率，所以在教育上電腦已經成為重要的輔助工具。而國外有許多的學者投入電腦化評量在書寫表現上的研究（Blank et al., 2000; Blank et al., 1999; Hermsdorferet al., 2011; Luria & Rosenblum, 2010; Poon et al., 2010; Rosenblum, Parush, et al., Schneider et al., 2010），在國內也有學者研究電腦化測驗的信、效度、區辨效度（Chang et al., 2009; 張韶霞, 2002）。在視覺動作整合測驗來預測書寫表現上還未有電腦化的研究，且目前視覺動作整合測驗大多由國外學者發展，再由國內學者翻譯而成，測驗題目大多為幾何圖形，而中文字體與英文差異很大，因此本研究利用電腦化的優點以及符合中文字體基本筆劃特徵的題目，應用在視覺動作整合測驗上，電腦化則有下列的優點：ㄧ、提升評量效率 8.

(17) 減少施測時間，且施測完後即可完成計分，並且可得到更精準的資料。二、題型多樣性因為電腦命題的關係，選項上有多種組合。三、減少失誤電腦化的計分可以減少人工判斷失誤的部分。四、獲得更多資訊因為電腦化所獲得的資訊，可以協助記錄每位兒童作答反應的時間、書寫的順序、停頓等。五、提供視覺、聽覺的回饋與效果與傳統紙筆測驗不同，利用電腦可以讓測驗形式更加多樣。六、較佳的施測品質視覺動作整合電腦化測驗需建立一個圖形資料庫，資料庫是由專家設計過的計分標準，經過預試並且依據結果進行修改，因此資料庫各項計分標準相對性穩定。七、響應環保施測時直接使用電腦測驗，不需要列印紙張，可以減少紙張用量。八、增加預測中文書寫能力利用中文字體基本筆劃特徵命題，更能預測兒童在未來在中文書寫的能力。. 9.

(18) 第三節信度分析信度可以分析試題的一致性、可靠性及穩定性，本研究採用 Cronbach（1951）發展的  系數來進行信度分析，Cronbach’s  是目前信度分析上最常被使用的方法，利用介於 0 到 1 之間的值測量試題的一致性。Cronbach’s  公式如下： N     x2i  N     1 i 2 X  N  1   .    , i  1,2,, N    N. 其中， N 為試題總數； xi 為第 i 題分數；總分為 X   xi ； x2 為第 i 題之變異數； i. i.  X2 為總分之變異數。當 Cronbach’s  值越大，代表試題一致性越高，且穩定性越好，ㄧ般來說  至少要大於 0.5，但是在實務上  大於 0.7 以上才會被接受。. 第四節試題反應理論本研究開發的視知覺測驗，題目型態為選擇題，因此可以利用試題反應理論單向度單參數模式分析，主要以每個試題的特性，用來解釋測驗分數的意義。當學生在其中一個試題上的作答情形，可以透過一條連續遞增的數學函數，來詮釋和表達其背後所潛在的能力間具有某種特質的存在，則稱這種數學函數為「試題特徵曲線」（item characteristic curve, ICC）。試題特徵曲線的涵義為：答對其中一試題的機率，是由受試者能力和試題特性所共同決定的（余民寧，2009）。單向度試題反應主要有二大類，分別為二元計分和多元化計分。其中，用於二元計分的單向度試題反應理論，常用的有三種模式：一、單參數對數模式（one-parameter logistic model, 1PL）二、雙參數對數模式（two-parameter logistic model, 2PL）三、三參數對數模式（three-parameter logistic model, 3PL） 10.

(19) 本研究使用單參數對數模式進行分析，單參數模式說明如下：單參數對數模式又稱為 Rasch 模式，假設受試者 j 之能力為  j ，其答對試題 i 的機率為 Pi ( j ) ，其數學公式如下（Rasch, 1960）： Pi ( j )  P( X ij  1 |  j , bi ) . 1 i  1, 2, 3, ...n j  1, 2, 3, ...N 1  exp[ ( j  bi )]. 其中，答對記為 1，答錯記為 0，Xij 為受試者 j 在試題 i 的作答反應；bi 為試題 i 之試題難度參數（item difficulty parameter）；n 為試題長度；N 為受試者人數。 Acer ConQuest2.0（Ｗu, Adams, & Wilson, 1998）可應用於單向度或多向度試題反應模式的電腦軟體，本研究利用 Acer ConQuest2.0 軟體進行單參數 IRT 模式有關參數的估計，其中適配度指標 MNSQ（mean square）可以確認此模式與資料是否合適，根據 Linacre 與 Wright（1994）對於適配度而言，MNSQ 在 0.6~1.4 之間為合理範圍。在估計難度參數上，Acer ConQuest2.0 利用最大概似法（maximum likelihood method, ML）來估計，當 IRT 試題難度參數在介於-3~3 之間則為良好試題的檢核準則（余民寧， 2009）。. 第五節分類器分類器可以依據資料的特性與性質，有效的將複雜且過多的特徵作個分類，並且給定一個等級，可以達到自動判斷的目的。在眾多分類器中，本研究「基於中文基本筆劃之視動整合電腦化自動評量系統」採用支撐向量機（Support Vector Machine, SVM）與 K 最近鄰近法分類器（K Nearest Neighbors Classifier, KNN）為為主要的分類器。. 壹、支撐向量機（Support Vector Machine, SVM）近年來 SVM 開始廣泛應用，並且在許多研究中比傳統分類器具有更好的分類效果（Camps & Bruzzone, 2005；Fauvel, Chanussot & Benediktsson, 2006)。而 SVM 主要. 11.

(20) 是要解決 Multi-Layer Perceptron（MLP）兩個問題：ㄧ、求解最佳化過程中落入 local mean 的問題。二、需使用幾個神經元（neurons）於架構內。 SVM 可以藉由 kernel function 把資料映射到高為度的特徵空間（John & Nello, 2004），並使資料為線性可分割，這種想法非常吸引人。所以 SVM 在特徵空間上希望能夠找到一個超平面（hyperplane），而利用這個超平面將兩個類別的資料分的最開，則會有最大的邊界（margin），稱為 margin of separation（記為  ），並使  最大。設定訓練樣本如下：  1, xi  class 1 ( xi , yi ), xi  R d , yi   , i  1,2,, N  1, xi  class 2. 在這兩個類別中，我們希望找到一條適合的直線把這兩類分開。如圖 1-1 中，有三條線都可以把資料分開，但是這三條線當中，只有如圖 1-2 的直線應該為最合適的邊界。. 圖 1-1. 可將資料分開之邊界. 資料來源：An Introduction to Statistical Learning, by G. James, D. Witten, and R. Tibshirani, 2013, New York: Springer. 12.

(21) 圖 1-2. SVM 認為最適當的邊界. 資料來源：An Introduction to Statistical Learning, by G. James, D. Witten, and R. Tibshirani, 2013, New York: Springer.. 則目標要找出最大的 margin 並設定一條決策邊界 wT x  b  0 可以把兩個類別分開，如圖 1-所示，margin 會落在直線 wT x  b  1 和 wT x  b  1 上且這兩條直線和決策邊界平行，因此決策邊界的範圍為. 1 0 w. . 0 1 w. . 2  w. 13. 2 wT w. 。.

(22) 圖 1-3. SVM 希望能找到一個直線具有最大的 margin. 資料來源：An Introduction to Statistical Learning, by G. James, D. Witten, and R. Tibshirani, 2013, New York: Springer. 另外，在訓練樣本的時候希望 SVM 能滿足下列式子： wT xi  b  1 if yi  1 , i  1,, N  T w xi  b  1 if yi  1. 即 yi (wT xi  b)  1, i  1,, N ，其中，SVM 的目標是要找出決策邊界，使 w  min. 1 T w w， 2. 限制式為： yi (wT xi  b)  1, i  1, N. 在利用 Lagrange multipliers 來解決最佳化的問題： min.  i 0, i 1,N. J ( w, b,  ) . N 1 T w w   i [ yi ( wT xi  b)  1] 2 i 1. 並使. 14.

(23) N J  0  w    i y i xi w i 1 N J  0    i yi  0 b i 1. 對於使用 SVM 的兩種方法說明如下。. ㄧ、線性可分割 SVM (linearly separable SVM) 如圖 1-4 中，當兩個類別可以使用線性分割時，則可得到 optimal hyperplane 為 min.  i 0, i 1,N. J ( w, b,  ) . N 1 T w w   i [ yi ( wT xi  b)  1] 2 i 1. 限制式為： N  w   i y i xi    i 1 N   y 0 i i  i 1. 圖 1-4. 線性可分割之圖例. 資料來源：An Introduction to Statistical Learning, by G. James, D. Witten, and R. Tibshirani, 2013, New York: Springer.. 15.

(24) 二、非線性 SVM（Nonlinear SVM）非線性 SVM 實際應用上對於複雜度比較高的問題而言，要在原空間應用 linear SVM 直接求得 optimal hyperplane 是ㄧ件困難的事情。所以要將原特徵空間的資料轉換到另一個特徵空間，再使用 linear SVM 是一個重要的研究。要達成這個目的，可以利用 kernel method，假設  為 kernel function，  為相對應的特徵函數，所以要簡化為 linear separable，則可以利用  把原空間的資料轉換到另一個特徵空間，如圖 1-5 所示。. 圖 1-5. Nonlinear SVM 的想法. 資料來源：Kernel Methods for Pattern Analysis, by S. T. John, and C. Nello, 2004, Cambridge University Press. 其中 optimal hyperplane 為 min.  i 0, i 1,N. J ( w, b,  ) . N 1 T w w   i [ yi ( wT  ( xi )  b)  1] 2 i 1. 限制式為 N  w   i y i ( xi )    i 1 N   y 0 i i  i 1. 16.

(25) 因此，要得到精確的最佳化的解，可以利用 kernel function  計算出 wT w 和 wT  ( xi )，計算過程如下： N N  N N  N  N wT w    i yi ( xi ) T   j y j ( x j )    i j yi y j ( xi ) T  ( x j )   i j yi y j  ( xi , x j ) i 1 j 1  i 1  j 1  i 1 j 1. 和 N  N  wT  ( xi )    j y j ( x j ) T  ( xi )    j y j  ( xi , x j ), i  1,, N j 1  j 1 . 接著計算 J ( w, b,  ) . N 1 T w w    i [ y i ( wT  ( xi )  b)  1] 2 i 1. . N N N 1 T w w    i y i wT  ( xi )  b  i y i    i 2 i 1 i 1 i 1. . N N 1 T w w    i y i wT  ( xi )    i 2 i 1 i 1. . N N N 1 N N   y y  ( x , x )   y  y  ( x , x )  i  i j i j i j   i i j j i j 2 i 1 j 1 i 1 j 1 i 1 N.   i  i 1. 1 N N   i j yi y j  ( xi , x j ) 2 i 1 j 1. 最後，解最佳化問題： N. max Q( )   i  i 1. 1 N N  i j yi y j  ( xi , x j ) 2 i 1 j 1. 限制式為 N   i y i  0  i 1   0, i  1,, N  i. 17. 。.

(26) 貳、K 最近鄰近法分類器（K Nearest Neighbors Classifier, KNN） K 最近鄰近法分類器（K Nearest Neighbors Classifier, KNN）雖然在樣式辨認上已經年代久遠，但卻是一個很直覺且簡潔的分類器，所以常被當作基礎的分類器和其他複雜的分類器分類效能進行比較。KNN 在高維度的資料上也有很好的分類效果，包括手寫數字、衛星影像和心電圖等（Hastie, Tibshirani & Friedman, 2001），不過與其他分類器不同，在於 KNN 是一個無參數的分類器。在辨識未知類別的測試樣本點 x 時，KNN 會根據未知測試樣本點 x 利用 K 個最近相鄰的點所出現的頻率來分類，並依據相鄰的點出現最高的訓練樣本點的類別判斷，所以 KNN 是利用「物以類聚」的概念來進行分類（Fukunaga, 1990）。KNN 主要是想利用延伸測試樣本點 x 的區域，直到找出 K 個最近的相鄰點。而且，當 K 的數字增加的時候不一定辨識的效果會比較好。在相關研究應用上，當 K 的數目比較小的情況下，辨識的正確率更高（Hastie & Tibshirani, 1996）。本研究使用 KNN 來進行資料集的分類，將 K 設定為 K=1，則為 1NN。. 18.

(27) 第三章. 研究方法. 本研究針對文獻探討中視覺動作整合能力發展現況與視覺動作整合評量發展現況的相關文獻，開發一套電腦化的視動整合電腦化自動評量系統，並透過施測收集所需要的樣本(四至六歲的兒童)，分析視知覺和視動整合兩個測驗，在視知覺部分，以單向度試題反應理論對於題目進行分析，在視動整合部分，則以專家判別之效標將樣本給予標籤（labeling），並建立動整合電腦化自動評量資料庫，利用分類器辨識診斷受試者視動整合的類別。本章節共分為四節。第一節是硬體設備及系統概述，第二節視知覺系統設計，第三節視覺統整系統設計與自動分類流程。. 第一節硬體設備及系統概述本研究的系統及硬體設備主要是林巾凱（2012）科技部計畫「視覺動作整合電腦化評量工具編製的研究，編號 NSC 101-2410-H-142-005-MY3」之部分成果及規劃的施測環境。說明如下：ㄧ、硬體設備使用有觸控筆及 1024 階壓力敏感度技術的平板電腦（11.6 吋）進行施測。二、系統建置系統是利用 Microsoft Visual C#和導入 VBTablet.dll 進行系統的開發，並且搭配觸控式平板電腦（11.6 吋）進行施測。三、施測樣本及環境本研究主要施測對象為中區 5 所幼稚園，年齡為 4 到 6 歲的兒童，共計 519 人。其中，視知覺測驗有效樣本為 159 人，視動統整測驗有效樣本為 293 人。施測地點於幼稚園園區內進行，此環境為受試者熟悉之環境，可避免受試者因緊張而造成施測誤差。施測教室為四周安靜且沒有會引起受試者分心之雜物，施測用的平板電腦則放置於離桌子邊緣 5 公分處如圖 2-1 所示，且受試者採取坐姿進行施測。每次施測由 5 位. 19.

(28) 受試者同時進行，且每位受試者座位有固定的間隔距離，如圖 2-2 所示，以避免互相干擾。. 圖 2-1. 平板放置位置. 圖 2-2. 施測環境. 四、施測流程完成施測環境佈置後，受試者依序進行測驗，在開始測驗時，利用登入介面（圖 2-3）登入個人姓名，並且每個分測驗開始之前受試者先透過平板電腦觀看每個測驗的教學影片說明（圖 2-4），以便受試者了解如何進行測驗。測驗說明結束後開始進行視. 20.

(29) 知覺、視覺統整與動作協調測驗，在此過程中，利用平板電腦紀錄每個受試者之作答資料，以利後續資料分析。完成測驗後，利用指力器與握力器進行指力及握力測驗，作為後續專家評估之依據，流程圖如圖 2-5。. 圖 2-3. 圖 2-4. 登入介面. 教學影片說明. 21.

(30) 圖 2-5. 施測流程圖. 22.

(31) 第二節視知覺系統設計視動整合電腦化測驗系統包含三大部分視知覺、視覺統整、動作協調，其中視知覺的題目編制是以中文字體的特徵來設計題目，測驗試題共有 30 題（附錄一），並且將中文字的結構分為兩大類：一、獨體字：利用字圍成的面積大小，範例如下表 1-1。二、合體字：字的空間組合元素，範例如下表 1-2。. 表 1-1 獨體字結構範例結. 構. 題. 目. 上角形結構. 人：(1). (2). (3). 下角形結構. 下：(1). (2). (3). 上下角形結構（菱形結構）. 卡：(1). (2). (3). 表 1-2 合體字結構範例結. 構. 題. 目. 左右均分結構. 款：(1). (2). (3). 左寬右窄結構. 創：(1). (2). (3). 左窄右寬結構. 摸：(1). (2). (3). 本研究將中文字體結構獨體字和合體字測驗電腦化，測驗介面如圖 2-6，再利用信度分析與單參數 IRT（Item Response Theory）分析視知覺測驗的題目品質，以建立視知覺測驗的資料庫。 23.

(32) 圖 2-6. 視知覺系統. 第三節視覺統整系統設計與自動分類流程編製視覺統整系統的基礎，本研究以中文字的基本筆劃為設計的要點，而中文字的形體可以由好數個筆劃所組成。經由語文領域的專家提出，制定 1 到 22 個基本筆劃的題型（表 1-3）。. 24.

(33) 表 1-3 視覺統整題目題號. 題目. 題號. 1. 12. 2. 13. 3. 14. 4. 15. 5. 16. 6. 17. 7. 18. 8. 19. 9. 20. 10. 21. 11. 22. 25. 題目.

(34) 壹、視覺統整系統本研究中視覺統整測驗系統是以中文字基本筆劃為基礎，利用 Microsoft Visual C# 和導入 VBTablet.dll 開發系統，系統介面如圖 2-7。施測者透過電腦化的視覺統整測驗系統進行測驗，圖 2-8 為施測者測驗的結果，在視覺統整測驗過程中，平板電腦會記錄下施測者 x 、 y 坐標、時間和壓力值等資料，並且可以從這些資料進行分析或建立重要特徵，圖 2-9 則是依照施測者所記錄下來的 x 、 y 坐標以電腦軟體畫出的圖形。. 圖 2-7. 圖 2-8. 視覺統整系統. 視覺統整施測結果. 26.

(35) 440 420 400 380 360 340 320 300 280 260 560. 圖 2-9. 580. 600. 620. 640. 660. 680. 700. 720. 740. 電腦軟體畫出之圖形. 貳、專家計分模式與準則本研究的黃金標準是經由視覺動作整合專家的判斷以建置，在建立黃金標準的程序如下：第一步驟：正式施測的所有兒童需接受握筆方式、捏力、握力和手腕彎曲等的觀察與檢測，並且將觀察及測驗所得到的數句提供給專家，以做為專家判斷兒童表現的訊息。第二步驟：正式施測經由「視覺動作整合電腦化評量」所收集的訊息提供給專家，再依據專家對於視覺動作整合的專業知識來判斷兒童的表現。最後視覺動作整合專家根據這兩項詳細資料做出正確的判斷，給予兒童評分，並將其表現分為三個等級：正常、疑似障礙、確定障礙兒童。而本研究在電腦動作辨識系統也根據施測的資料發展了一套可以評斷兒童表現等級的系統。. 參、視覺統整特徵建立本研究將兒童在視動統整測驗所得到的結果視為影像資料，記錄像素點之位置，並根據不同手寫圖案所得到的訊息，利用這些訊息經由運動學資料（速度、斜率、角 27.

(36) 度、時間、抖動等）以電腦化程式產生特徵。下列為說明視覺動作整合電腦化測驗評量工具的範例中特徵獲得的方法，其特徵運算如下：假設現在有 N 位施測的兒童，每位兒童根據視動整合測驗所得到 n 筆資料，資料包含 X 座標 x1 , x2 ,..., xn  、Y 座標 y1 , y2 ,..., yn  、壓力值 p1 , p2 ,..., pn  和時間 t1 , t2 ,..., tn ，且依照每個題目產生轉折點 Q  ( xq , yq , pq , tq ), ( xq , yq , pq , tq ),..., ( xq , yq , pq , tq )。根據視覺統整的 1. 1. 1. 1. 2. 2. 2. 2. k. k. k. k. 範例題目（圖 2-10）有 A、B、C、D、E 和 F 共 6 個轉折點，並定義其特徵。. 圖 2-10. 視覺統整範例題目. 一、距離利用歐式距離計算兩個轉折點 xq , yq 和 xq , yq i. i 1. i. i 1.  間所有資料加總的距離 d. qi , qi 1. 。. 二、兩筆畫之距離差筆畫超過一筆的題目，將第一筆畫減掉第二筆畫，第二筆畫減掉第三筆畫，依照筆畫多寡，依此類推。 28.

(37) 三、速度利用兩個轉折點的距離 d q ,q 及兩點間的時間差 t q  t q 計算速度( V )，公式如下所 i. i 1. i 1. i. 示： Vi . d qi ,qi 1 t qi 1  t qi. , i  1,2,..., (k  1). 四、斜率計算每個線段之斜率( M )，公式如下所示： Mi . yqi1  yqi xqi1  xqi. , i  1,2,..., (k  1). 五、角度筆畫超過一筆的題目會有角度的特徵，例如下圖 2-11 所示，因此可計算 ABC 之角度（  ）。.  uqi 1 ,qi  u qi 1 ,qi  2. i. 圖 2-11 . 設定 uq. i 1 , qi. 角度.  xq  xqi1    xq  xq   i , uqi1 , qi2   y i2  y i1  ，公式如下所示：  qi 1   qi  2  yqi  yqi1 .   uqi1 , qi  uqi1 , qi2 cos i    uqi1 , qi uqi1 , qi2. , i  1,2,..., (k  2). 29.

(38) 六、時間計算施測的兒童測驗每個字所花費的時間（ T ），以秒為單位，公式為 T  t n  t1 。七、壓力值建置施測兒童在每題中最大（ Pmax ）、最小（ Pmin ）和平均（ Pmean ）的三個壓力值特徵，公式如下：（ㄧ）最大壓力值： Pmax  maxp1 , p 2 ,..., p n  （二）最大壓力值： Pmin  minp1 , p2 ,..., pn . （二）平均壓力值：. Pmean . p1  p 2    p n n. 八、抖動在題目上每個筆畫上，計算每個筆畫上的 x 和 y 的平均數， x qi , q i  1 . x qi  x qi 1  x qi  2    x q qi 1  qi  1. i 1. ，. y q i , qi  1 . y qi  y qi 1  y qi  2    y q. i 1. qi 1  qi  1. ，. 再個別計算 x 和 y 減掉平均數後的標準差， x 的標準差為 ( x qi  x qi ,qi 1 ) 2  ( x qi 1  x qi ,qi 1 ) 2    ( x q  x qi ,qi 1 ) 2.  q ,q  i. i 1. qi 1  qi  1. i 1. , i  1,2,..., (k  1). y 的標準差為.  q ,q  i. ( y qi  y qi ,qi 1 ) 2  ( y qi 1  y qi ,qi 1 ) 2    ( y q  y qi ,qi 1 ) 2 i 1. qi 1  qi  1. i 1. , i  1,2,..., (k  1). 九、停頓利用兩個轉折點間的資料，連續的點與點之間所花費的時間 tq 1,q  tq 1  tq ，並計算 i. 轉折點 tq ,q 間資料的平均數 t q ,q 及標準差 S t i. i 1. i. i 1. qi , qi 1. 代表有停頓點。 30. ，若 tq 1,q  t q ,q  3St i. i. i. i 1. i. qi , qi 1. i. i. ， i  1,2,..., (k  1) 則.

(39) 十、質心質心為質量中心，對於密度均勻且形狀對稱的物體，則質心的位置就是幾何中心。. 肆、自動分類流程本研究利用視覺統整測驗對兒童進行施測，依據施測的資料進行特徵，再經由 SVM 和 KNN 把資料進行分類，分為正常、疑似障礙與障礙三個等級，用以建立視覺動作整合電腦化評量的資料庫。自動分類流程圖如圖 2-12。. 圖 2-12. 自動分類流程圖. 31.

(40) 32.

(41) 第四章. 研究結果. 根據前章節所敘述之研究方法，利用視動整合電腦化自動評量系統讓幼稚園學童進行測驗，並將收集的資料進行分析，在視知覺測驗中，利用信度分析、單參數試題反應理論檢驗試題的品質；在視覺統整測驗中，將學童資料建立特徵，依據專家效標，搭配 SVM 和 KNN 分類器進行診斷正確率的探討。. 第一節視知覺測驗結果視知覺測驗共編製試題 30 題，其中獨體字相關題目 10 題，合體字相關題目 20 題。分別利用信度分析及透過 IRT 模式試題進行探討。. 壹、信度視知覺測驗的信度分析結果如下表 2-1 所示，試題信度為 0.81 大於 0.7，所以表示視知覺測驗試題具有一致性。. 表 2-1 視知覺測驗之信度量表試題的個數. Cronbach's Alpha 值. 30. 0.810. 貳、適配度透過 IRT 模式探究試題適配度結果如下表 2-2 所示，MNSQ 值大約在 0.82~1.2 之間，所以視知覺測驗符合模式的預期範圍。. 33.

(42) 表 2-2 視知覺 IRT 模式結果題號. 題目. MNSQ. 1. 上角形結構. 人. 0.89. 2. 下角形結構. 下. 0.85. 3. 上下角形結. 卡. 0.94. 4. 斜方形結構構. 力. 0.95. 5. 方形結構. 口. 1.15. 6. 豎長形結構. 月. 0.85. 7. 扁形結構. 四. 1.03. 8. 斜方形結構. 戈. 0.87. 9. 五邊形結構. 士. 0.94. 10. 梯形結構. 工. 0.98. 11. 左右均分結構. 款. 1.17. 12. 左寬右窄結構. 創. 1. 13. 左窄右寬結構. 摸. 0.99. 14. 左長右短結構. 扣. 0.87. 15. 左短右長結構. 時. 0.95. 16. 下平結構. 叔. 0.9. 17. 上平結構. 研. 0.82. 18. 左高右低結構. 即. 1.01. 19. 左中右均分結構. 謝. 1.17. 20. 中小結構. 辦. 0.94. 21. 中窄結構. 辨. 0.97. 22. 中大結構. 衡. 1.04. 23. 上下均分結構. 留. 1.19. 24. 上短下長結構. 員. 0.98. 25. 上長下短結構. 書. 1.04. 26. 上窄下寬結構. 孟. 1.08. 27. 上寬下窄結構. 雷. 1.2. 28. 中小結構. 意. 1.03. 29. 中大結構. 蕉. 1.07. 30. 中窄結構. 靈. 1.15. 34.

(43) 參、試題難度利用 IRT 模式探究試題，試題難度結果如下表 2-3 所示，難度值介於-1.822~0.846 之間，所以該試題整體難度適中，其中可由圖 3-1 發現，題目 5 為視知覺測驗中比較簡單的題目。. 圖 3-1. 試題難度點圖. 35.

(44) 表 2-3 視知覺 IRT 模式結果題號. 題目. 試題難度值. 1. 上角形結構. 人. -0.468. 2. 下角形結構. 下. -0.052. 3. 上下角形結. 卡. 0.026. 4. 斜方形結構構. 力. 0.104. 5. 方形結構. 口. -1.822. 6. 豎長形結構. 月. -0.546. 7. 扁形結構. 四. 0.7. 8. 斜方形結構. 戈. 0.263. 9. 五邊形結構. 士. 0.426. 10. 梯形結構. 工. 0.754. 11. 左右均分結構. 款. 0.344. 12. 左寬右窄結構. 創. -0.221. 13. 左窄右寬結構. 摸. -0.344. 14. 左長右短結構. 扣. -0.592. 15. 左短右長結構. 時. -0.035. 16. 下平結構. 叔. -0.082. 17. 上平結構. 研. -0.359. 18. 左高右低結構. 即. -0.174. 19. 左中右均分結構. 謝. 0.28. 20. 中小結構. 辦. 0.027. 21. 中窄結構. 辨. 0.216. 22. 中大結構. 衡. -0.405. 23. 上下均分結構. 留. 0.058. 24. 上短下長結構. 員. -0.344. 25. 上長下短結構. 書. 0.215. 26. 上窄下寬結構. 孟. 0.344. 27. 上寬下窄結構. 雷. 0.846. 28. 中小結構. 意. 0.376. 29. 中大結構. 蕉. -0.237. 30. 中窄結構. 靈. 0.7. 36.

(45) 第二節視動整合電腦化自動評量系統在視覺統整測驗之診斷結果本研究利用之前敘述的研究方法，因每個試題依照筆畫的不同則可建立的特徵個數也不相同，再以專家的效標為依據，搭配 SVM 和 KNN 分類器，進行視動整合測驗評量系統診斷正確率的探討，診斷流程如圖 3-2。. 圖 3-2. 診斷流程圖. 37.

(46) 壹、試題為 1 筆畫之診斷結果在試題為 1 筆畫有 7 題（如表 2-4）的測驗中，在表 2-5 中列出經由特徵建立的 12 個特徵。在表 2-6 顯示出，第 3 題 SVM 與 KNN 為最佳分類器，正確率 0.9759%，而在此題診斷中，SVM 與 KNN 分類器有近似的分類效果，因此篩檢第 3 題測驗時， SVM 和 KNN 分類器皆可採用；第 4 題 SVM 為最佳分類器，正確率 0.9726%，而在此題診斷中，SVM 分類器的效果優於 KNN 分類器，因此篩檢第 4 題測驗時，可採用 SVM 分類器；第 5 題 SVM 為最佳分類器，正確率 0.8151%，而在此題診斷中，SVM 分類器的效果優於 KNN 分類器，因此篩檢第 5 題測驗時，可採用 SVM 分類器；第 11 題 KNN 為最佳分類器，正確率 0.8997%，而在此題診斷中，KNN 分類器的效果優於 SVM 分類器，因此篩檢第 11 題測驗時，可採用 KNN 分類器；第 12 題 KNN 為最佳分類器，正確率 0.9724%，而在此題診斷中，KNN 分類器的效果優於 SVM 分類器，因此篩檢第 12 題測驗時，可採用 KNN 分類器；第 13 題 SVM 為最佳分類器，正確率 0.8483%，而在此題診斷中，SVM 分類器的效果優於 KNN 分類器，因此篩檢第 13 題測驗時，可採用 SVM 分類器；第 14 題 KNN 為最佳分類器，正確率 0.9437%，而在此題診斷中，KNN 分類器的效果優於 SVM 分類器，因此篩檢第 14 題測驗時，可採用 KNN 分類器。. 38.

(47) 表 2-4 1 筆畫試題題號. 題目. 題號. 3. 12. 4. 13. 5. 14. 題目. 11. 表 2-5 試題為 1 筆畫之特徵項目. 特徵. 項目. 特徵. 1. 距離. 7. 最大壓力值. 2. 斜率. 8. 最小壓力值. 3. 時間. 9. 平均壓力值. 4. 速率. 10. 質心 X 座標. 5. X 座標抖動. 11. 質心 Y 座標. 6. Y 座標抖動. 12. 停頓點. 39.

(48) 表 2-6 試題為 1 筆畫之診斷正確率題號. SVM. KNN. 3. 0.9759. 0.9759. 4. 0.9726. 0.9658. 5. 0.8151. 0.7671. 11. 0.8927. 0.8997. 12. 0.9655. 0.9724. 13. 0.8483. 0.7655. 14. 0.9401. 0.9437. 貳、試題為 2 筆畫之診斷結果在試題為 2 筆畫有 9 題（如表 2-7）的測驗中，在表 2-8 中列出經由特徵建立的 20 個特徵。在表 2-9 顯示出，第 1 題 SVM 為最佳分類器，正確率 0.9044%，而在此題診斷中，SVM 分類器的效果優於 KNN 分類器，因此篩檢第 1 題測驗時，可採用 SVM 分類器；第 2 題 SVM 為最佳分類器，正確率 0.8976%，而在此題診斷中，SVM 分類器的效果優於 KNN 分類器，因此篩檢第 2 題測驗時，可採用 SVM 分類器；第 6 題 SVM 為最佳分類器，正確率 0.8938%，而在此題診斷中，SVM 分類器的效果優於 KNN 分類器，因此篩檢第 6 題測驗時，可採用 SVM 分類器；第 7 題 SVM 為最佳分類器，正確率 0.8969%，而在此題診斷中，SVM 分類器的效果優於 KNN 分類器，因此篩檢第 7 題測驗時，可採用 SVM 分類器；第 8 題 KNN 為最佳分類器，正確率 0.8172%，而在此題診斷中，KNN 分類器的效果優於 SVM 分類器，因此篩檢第 8 題測驗時，可採用 KNN 分類器；第 9 題 KNN 為最佳分類器，正確率 0.8874%，而在此題診斷中， KNN 分類器的效果優於 SVM 分類器，因此篩檢第 9 題測驗時，可採用 KNN 分類器；第 10 題 SVM 為最佳分類器，正確率 0.8259%，而在此題診斷中，SVM 分類器的效果 40.

(49) 優於 KNN 分類器，因此篩檢第 10 題測驗時，可採用 SVM 分類器；第 17 題 SVM 為最佳分類器，正確率 0.8160%，而在此題診斷中，SVM 分類器的效果優於 KNN 分類器，因此篩檢第 17 題測驗時，可採用 SVM 分類器；第 18 題 KNN 為最佳分類器，正確率 0.8179%，而在此題診斷中，KNN 分類器的效果優於 SVM 分類器，因此篩檢第 18 題測驗時，可採用 KNN 分類器。. 表 2-7 2 筆畫試題題號. 題目. 題號. 1. 9. 2. 10. 6. 17. 7. 18. 8. 41. 題目.

(50) 表 2-8 試題為 2 筆畫之特徵項目特徵. 項目. 特徵. 1. 第 1 筆畫距離. 11. 第 1 筆畫 Y 座標抖動. 2. 第 2 筆畫距離. 12. 第 2 筆畫 X 座標抖動. 3. 第 1、2 筆畫距離差. 13. 第 2 筆畫 Y 座標抖動. 4. 第 1 筆畫斜率. 14. 第 1、2 筆畫之角度. 5. 第 2 筆畫斜率. 15. 最大壓力值. 6. 時間. 16. 最小壓力值. 7. 第 1 筆畫速率. 17. 平均壓力值. 8. 第 2 筆畫速率. 18. 質心 X 座標. 9. 整體速率. 19. 質心 Y 座標. 10. 第 1 筆畫 X 座標抖動. 20. 停頓點. 表 2-9 試題為 2 筆畫之診斷正確率題號. SVM. KNN. 1. 0.9044. 0.8737. 2. 0.8976. 0.8942. 6. 0.8938. 0.8459. 7. 0.8969. 0.8694. 8. 0.6931. 0.8172. 9. 0.5802. 0.8874. 10. 0.8259. 0.7816. 17. 0.8160. 0.7951. 18. 0.6632. 0.8179. 42.

(51) 參、試題為 3 筆畫之診斷結果在試題為 3 筆畫有 5 題（如表 2-10）的測驗中，在表 2-11 中列出經由特徵建立的 27 個特徵。在表 2-12 顯示出，第 15 題 SVM 為最佳分類器，正確率 0.8729%，而在此題診斷中，SVM 分類器的效果優於 KNN 分類器，因此篩檢第 15 題測驗時，可採用 SVM 分類器；第 16 題 SVM 為最佳分類器，正確率 0.8562%，而在此題診斷中，SVM 分類器的效果優於 KNN 分類器，因此篩檢第 16 題測驗時，可採用 SVM 分類器；第 19 題 SVM 為最佳分類器，正確率 0.8904%，而在此題診斷中，SVM 分類器的效果優於 KNN 分類器，因此篩檢第 19 題測驗時，可採用 SVM 分類器；第 21 題 SVM 為最佳分類器，正確率 0.8669%，而在此題診斷中，SVM 分類器的效果優於 KNN 分類器，因此篩檢第 21 題測驗時，可採用 SVM 分類器；第 22 題 KNN 為最佳分類器，正確率 0.8031%，而在此題診斷中，KNN 分類器的效果優於 SVM 分類器，因此篩檢第 22 題測驗時，可採用 KNN 分類器。. 表 2-10 3 筆畫試題題號. 題目. 題號. 15. 21. 16. 22. 19. 43. 題目.

(52) 表 2-11 試題為 3 筆畫之特徵項目特徵. 項目. 特徵. 1. 第 1 筆畫距離. 15. 第 1 筆畫 Y 座標抖動. 2. 第 2 筆畫距離. 16. 第 2 筆畫 X 座標抖動. 3. 第 3 筆畫距離. 17. 第 2 筆畫 Y 座標抖動. 4. 第 1、2 筆畫之距離差. 18. 第 3 筆畫 X 座標抖動. 5. 第 2、3 筆畫之距離差. 19. 第 3 筆畫 Y 座標抖動. 6. 第 1 筆畫斜率. 20. 第 1、2 筆畫之角度. 7. 第 2 筆畫斜率. 21. 第 2、3 筆畫之角度. 8. 第 3 筆畫斜率. 22. 最大壓力值. 9. 時間. 23. 最小壓力值. 10. 第 1 筆畫速率. 24. 平均壓力值. 11. 第 2 筆畫速率. 25. 質心 X 座標. 12. 第 3 筆畫速率. 26. 質心 Y 座標. 13. 整體速率. 27. 停頓點. 14. 第 1 筆畫 X 座標抖動. 表 2-12 試題為 3 筆畫之診斷正確率題號. SVM. KNN. 15. 0.8729. 0.8385. 16. 0.8562. 0.8425. 19. 0.8904. 0.8459. 21. 0.8669. 0.8362. 22. 0.7913. 0.8031. 44.

(53) 肆、試題為 4 筆畫之診斷結果在試題為 4 筆畫有 1 題（如表 2-13）的測驗中，在表 2-14 中列出經由特徵建立的 34 個特徵。在表 2-15 顯示出，第 20 題 SVM 與 KNN 為最佳分類器，正確率 0.9207%，而在此題診斷中，SVM 分類器與 KNN 分類器有近似的分類效果，因此篩檢第 20 題測驗時，SVM 和 KNN 分類器皆可採用。. 表 2-13 4 筆畫試題題號. 題目. 20. 45.

(54) 表 2-14 試題為 4 筆畫之特徵項目. 特徵. 項目. 特徵. 1. 第 1 筆畫距離. 18. 第 1 筆畫 X 座標抖動. 2. 第 2 筆畫距離. 19. 第 1 筆畫 Y 座標抖動. 3. 第 3 筆畫距離. 20. 第 2 筆畫 X 座標抖動. 4. 第 4 筆畫距離. 21. 第 2 筆畫 Y 座標抖動. 5. 第 1、2 筆畫之距離差. 22. 第 3 筆畫 X 座標抖動. 6. 第 2、3 筆畫之距離差. 23. 第 3 筆畫 Y 座標抖動. 7. 第 3、4 筆畫之距離差. 24. 第 4 筆畫 X 座標抖動. 8. 第 1 筆畫斜率. 25. 第 4 筆畫 Y 座標抖動. 9. 第 2 筆畫斜率. 26. 第 1、2 筆畫之角度. 10. 第 3 筆畫斜率. 27. 第 2、3 筆畫之角度. 11. 第 4 筆畫斜率. 28. 第 3、4 筆畫之角度. 12. 時間. 29. 最大壓力值. 13. 第 1 筆畫速率. 30. 最小壓力值. 14. 第 2 筆畫速率. 31. 平均壓力值. 15. 第 3 筆畫速率. 32. 質心 X 座標. 16. 第 4 筆畫速率. 33. 質心 Y 座標. 17. 整體速率. 34. 停頓點. 表 2-15 試題為 4 筆畫之診斷正確率題號. SVM. KNN. 20. 0.9207. 0.9207. 46.

(55) 第五章. 結論與建議. 第一節結論本研究發展一套「視動整合電腦化自動評量系統」，對學齡前兒童施測，且利用收集的資料，在視知覺和視覺統整兩個部分進行探討，得到的結論如下：一、視知覺（ㄧ）信度為 0.81 大於 0.7，所以視知覺試題具有一致性。（二）MNSQ 值在 0.82~1.2 之間，所以視知覺試題適合單向度 IRT 模式。（三）難度值在-1.822~0.846 之間，所以視知覺為難度適中的試題。二、視覺統整（ㄧ）診斷正確率都超過 80%，顯示與專家之間具有一致性。（二）依照每個試題的筆畫建立特徵，其每題特徵個數整理如表 3-1。（三）綜合視覺統整之研究結果，對於每個試題在分類器選擇上，如表 3-2 呈現，並將其整理如下： 1. 在試題第 1、2、4、5、6、7、10、13、15、16、17、19、21 題中，在診斷正確率以 SVM 分類器較佳。 2. 試題第 8、9、11、12、14、18、22 題中，在診斷正確率以 KNN 分類器較佳。 3. 在試題第 3、20 題中，在診斷正確率 SVM 和 KNN 兩個分類器皆可進行分類。. 47.

(56) 表 3-1 視覺統整試題之特徵個數題號特徵個數 1 20 2 20 3 12 4 12 5 12 6 20 7 20 8 20 9 20 10 20 11 12 表 3-2 視覺統整試題診斷之正確率題號 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22. 項目 12 13 14 15 16 17 18 19 20 21 22. SVM 0.9044 0.8976 0.9759 0.9726 0.8151 0.8938 0.8969 0.6931 0.5802 0.8259 0.8927 0.9655 0.8483 0.9401 0.8729 0.8562 0.8160 0.6632 0.8904 0.9207 0.8669 0.7913. 特徵個數 12 12 12 27 27 20 20 27 34 27 27. KNN 0.8737 0.8942 0.9759 0.9658 0.7671 0.8459 0.8694 0.8172 0.8874 0.7816 0.8997 0.9724 0.7655 0.9437 0.8385 0.8425 0.7951 0.8179 0.8459 0.9207 0.8362 0.8031. 48.

(57) 第二節建議本研究因為時間有限，只探討視知覺及視覺統整部分，未來研究中，可以針對動作協調進行探討，以完整涵蓋視動整合電腦化自動評量系統內容。在視覺統整測驗的部分，電腦自動診斷上，可以增加更多特徵個數及應用更多分類器，探討增加特徵後，在不同分類器下對於診斷視覺統整和動作協調之效能，進而提升診斷正確率。此外，可以建立視動整合評量的資料庫，用來瞭解學齡前兒童在書寫能力的發展情況，以提供資料給更多研究單為使用。. 49.

(58) 參考文獻中文部分余民寧（2009），試題反應理論（IRT）及其應用（一版）。臺北市，心理出版社股份有限公司。李美瑛（1990）。中國兒童早期讀寫發展，載於第二屆世界華語文教學研討會論文集-理論與分析(下冊)（頁 243-252）。台北：世界華文教育協進會編印。李瑩玓（2004）。寫字困難學生寫字特徵之分析。師大學報: 教育類，49，43-64。林千惠、方淑秋、黃真真、鍾玲君（2000）。台中市國小低年級學童書寫問題及其相關因素之研究。特殊教育與復健學報，8，131-160。林巾凱、曾美惠（2001）。小兒職能治療評估工具使用調查。台灣醫學，5，636644。林巾凱（2012）。視覺動作整合電腦化評量工具編製的研究（科技部專題計畫成果報告編號：NSC 101-2410-H-142-005-MY3）。臺北市：科技部。林庭玉（1999）。南台灣幼兒與西方幼兒在書寫發展階段性之比較探討。正修學報（12），197-210。周台傑（1992）。簡明知覺-動作測驗。台北:心理。洪儷瑜、張郁雯、陳秀芬、陳慶順、李瑩玓（2003）。基本讀寫字綜合測驗。台北：心理出版社。張韶霞（2002）。發展性協調障礙學童寫字困難問題之研究---以高雄縣市為例。彰化師範大學特殊教育研究所，博士論文。張韶霞（2004）。南台灣國小學童握筆姿勢之調查研究。職能治療學會雜誌，22， 35-42。張韶霞、余南瑩（2010）。有無發展協調障礙之寫字困難兒童的寫字表現與原因之探討。職能治療學會雜誌，28（1），13-28。. 50.

(59) 曾美惠（1993）。曾氏寫字問題檢核表之因素效度。職能治療學會雜誌，11，13-27。黃意舒（1991）。幼兒書寫前能力的研究-握筆姿勢的分析。教育心理與研究，14， 235-265。廖傑隆（1998）。國小六年級學生錯別字研究: 字的頻率, 筆劃, 形體結構與表音線索的效果探討。國立新竹師範學院國民教育研究所，碩士論文。劉鴻香、陸莉（1997）。瑞-布坦尼卡視覺-動作統整發展測驗實施、評分及教學手冊。台北：心理。戴汝潛、謝錫金、郝嘉杰（1999）。漢字教與學。濟南: 山東教育。蘇宗雄（1985）。文字造型與文字編排。台北：檸檬黃文化。顧大我（1997）。筆畫指導與寫字能力之關係。新埔學報，15，1-14。. 51.

(60) 英文部分 Amundson, S. J., & Weil, M. (1996). Prewriting and handwriting skills. In J. Case-Smith, A. S. Allen & P. N. Pratt (Eds.), Occupational therapy for children (pp. 524-544). St. Louis: Mosby. Andersen, R. A., & Zipser, D. (1988). The role of the posterior parietal cortex in coordinate transformations for visual-motor integration. Canadian Journal of Physiology and Pharmacology, 66(4), 488-501. Ayres, A. J. (1989). Sensory Integration and Praxis Tests. Los Angeles: Western Psychological Services. Bara, F., & Gentaz, E. (2011). Haptics in teaching handwriting: The role of perceptual and \visuo-motor skills. Human movement science, 30(4), 745-759. Baur, B., Schenk, T., Furholzer, W., Scheuerecker, J., Marquardt, C., Kerkhoff, G., & Hermsdorfer, J. (2006). Modified pen grip in the treatment of Writer's Cramp. Human movement science, 25(4-5), 464-473. Beery, K. E. (1989). The developmental test of visual-motor integration (3 ed.). Cleveland: Modern Curriculum Press. Beery, K. E. (1997). The Beery-Buktenica VMI: Developmental test of visual-motor integration with supplemental developmental tests of visual perception and motor coordination: Administration, scoring, and teaching manual . Parsippany (Vol. 4). Parsippany, NJ: Modern Curriculum Press. Beery, K. E. (2004). The Beery-Buktenica Developmental Test of Visual-Motor Integration, (Beery VMI-5). Minneapolis: NCS Pearson. Bergmann, K. P. (1990). Incidence of atypical pencil grasps among nondysfunctional adults. American Journal of Occupational Therapy, 44(8), 736-740.. 52.

(61) Berninger, V. W., & Rutberg, J. (1992). Relationship of finger function to beginning writing: application to diagnosis of writing disabilities. Developmental Medicine and Child Neurology, 34(3), 198-215. Blank, R., Miller, V., & H., V. V. (2000). Human motor development and hand laterality: a kinematic analysis of drawing movements. Neurosci Lett, 295(3), 89-92. Blank, R., Miller, V., Von, V., & Von, K. R. (1999). Effects of age on distally and proximally generated drawing movements: a kinematic analysis of school children and adults. Developmental Medicine & Child Neurology, 41(9), 592-596. Bruininks, R. H., & Bruininks, B. D. (2005). Bruininks-Oseretsky Test of Motor Proficiency Second Edition Manaul. Minneapolis: AGS publishing. Camps, V. G., & Bruzzone, L. (2005). Kernel-based methods for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 43, 6, 1351-1362. Chang, S.-H., & Yu, N.-Y. (2009). Discriminant validity of the visual motor integration test in screening children with handwriting dysfunction. Perceptual and Motor Skills, 109(3), 770-782. Chang, S.-H., Yu, N.-Y., & Shie, J.-J. (2009). The preliminary development of computerassisted assessment of chinese handwriting performance. Perceptual and Motor Skills, 108(3), 887-904. Chau, T., Ji, J., Tam, C., & Schwellnus, H. (2006). A novel instrument for quantifying grip activity during handwriting. Archives of Physical Medicine and Rehabilitation, 87(11), 1542-1547. Chuanyi Ji & Sheng Ma. (1997). “Combinations of Weak Classifiers,” IEEE Trans. Neural Netw. 8(1), 32–42. Cornhill, H., & Case-Smith, J. (1996). Factors that relate to good and poor handwriting. American Journal of Occupational Therapy, 50(9), 732-739. 53.

(62) Cronbach L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika 16:297-334. Daly, C. J., Kelley, G. T., & Krauss, A. (2003). Relationship between visual-motor integration and handwriting skills of children in kindergarten: a modified replication study. American Journal of Occupational Therapy, 57(4), 459-462. Dietterich, T. G. (2000). Ensemble methods in machine learning. In J. Kittler & F. Roli (Eds.), Multiple Classifier Systems (pp. 1-15). volume 1857 of Lecture Notes in Computer Science, Cagliari,Italy, 2000, Springer. Dounskaia, N., Van Gemmert, A. W., & Stelmach, G. E. (2000). Interjoint coordination during handwriting-like movements. Experimental Brain Research, 135(1), 127-140. Engel-Yeger, B., Nagauker-Yanuv, L., & Rosenblum, S. (2009). Handwriting performance, self-reports, and perceived self-efficacy among children with dysgraphia. American Journal of Occupational Therapy, 63(2), 182. Fauvel, M., Chanussot, J., & Benediktsson, J. A. (2006). Kernel Principal Component Analysis for Feature Reduction in Hyperspectrale Images Analysis. Proceedings of the Nordic Signal Processing Symposium, 7, 238-241. Feder, K. P., & Majnemer, A. (2007). Handwriting development, competency, and intervention. Developmental Medicine & Child Neurology, 49(4), 312-317. Fukunaga, K. (1990). Introduction to Statistical Pattern Recognition. Academic Press, San Diego, CA, 2nd edition. Gajarj, I. (1982). Remediation of Handwriting Difficulties. Special Education in Canada, 56(4), 16-18. Goodgold, S. A. (1983). Handwriting movement quality in prekindergarten and kindergarten children. Archives of Physical Medicine and Rehabilitation, 64(10), 471-475. Goyen, T. A., & Duff, S. (2005). Discriminant validity of the Developmental Test of 54.

(63) Visual–Motor Integration in relation to children with handwriting dysfunction. Australian Occupational Therapy Journal, 52(2), 109-115. Hagborg, W. J., & Aiello-Coultier, M. (1994). The Developmental Test of Visual-Motor Integration--3R and teachers' ratings of written language. Perceptual and Motor Skills, 79(1 Pt 2), 371-374. Hamstra-Bletz, L., & Blote, A. W. (1990). Development of handwriting in primary school: a longitudinal study. Perceptual and Motor Skills, 70(3 Pt 1), 759-770. Hastie, T., & Tibshirani, R. (1996). Discriminant Adaptive Nearest Neighbor Classification. IEEE Transactions on Pattern Analysis and Machine Intelligence, 18, 6, 607616. Hastie, T., Tibshirani, R. & Friedman, J. (2001). The Elements of Statistical Learning:Data mining, inferences and prediction. New York: Springer. Hermsdorfer, J., Marquardt, C., Schneider, A. S., Furholzer, W., & Baur, B. (2011). Significance of finger forces and kinematics during handwriting in writer's cramp. Humane Movement Science, 30(4), 807-817. Iacoboni, M. (2006). Visuo-motor integration and control in the human posterior parietal cortex: evidence from TMS and fMRI. Neuropsychologia, 44(13), 2691-2699. Iacoboni, M., & Zaidel, E. (2004). Interhemispheric visuo-motor integration in humans: the role of the superior parietal cortex. Neuropsychologia, 42(4), 419-425. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning. New York: Springer. John, S. T. & Nello, C. (2004). Kernel Methods for Pattern Analysis. Cambridge University Press. Kaiser, M. L., Albaret, J. M., & Doudin, P. A. (2009). Relationship Between VisualMotor Integration, Eye-Hand Coordination, and Quality of Handwriting. Journal of 55.

(64) Occupational Therapy, Schools, & Early Intervention, 2(2), 87-95. Karlsdottir, R., & Stefansson, T. (2003). Predicting performance in primary school subjects. Perceptual and Motor Skills, 97(3 Pt 2), 1058-1060. Kittler J., Hatef M., Duin R. P.W. & Matas J.(1998). On Combining Classifiers. IEEE Transactions on Pattern Analysis and Machine Learning, 20(3), 226-239. Klein, S., Guiltner, V., Sollereder, P., & Cui, Y. (2011). Relationships between fine-motor, visual-motor, and visual perception scores and handwriting legibility and speed. Physical & Occupational Therapy in Pediatrics, 31(1), 103-114. Lisberger, S. G., Morris, E. J., & Tychsen, L. (1987). Visual motion processing and sensory-motor integration for smooth pursuit eye movements. Annual Review of Neuroscience 10, 97-129. Lin, C. K., Wu, H. M., Kuo, B. C., & Li, C. H. (2010). Validity and internal consistency reliability of a computerized test to assess prone extension in children ages four to six years. Percuptual and Motor Skills,111(1),199-209 Linacre, J. M., & Wright, B. D. (1994). Reasonable mean-square fit values. Rasch Measurement Transactions, 8(3), 370. Luria, G., & Rosenblum, S. (2010). Comparing the handwriting behaviours of true and false writing with computerized handwriting measures. Applied Cognitive Psychology, 24(8), 1115-1128. Maeland, A. F. (1992). Handwriting and perceptual-motor skills in clumsy, dysgraphic, and 'normal' children. Perceptual and Motor Skills, 75(3), 1207-1217. Marr, D., & Cermak, S. (2002). Predicting handwriting performance of early elementary students with the developmental test of visual-motor integration. Perceptual and Motor Skills, 95(2), 661-669. Naider-Steinhart, S., & Katz-Leurer, M. (2007). Analysis of proximal and distal muscle 56.