國立臺灣大學電機資訊學院電信工程學研究所 碩士論文
Graduate Institute of Communication Engineering College of Electrical Engineering and Computer Science
National Taiwan University Master Thesis
Edventure 遊戲化合作線上學習平台開發 及其對學習及投入度影響之研究
Edventure: Gamified Collaborative Online Learning Platform Development and Its Impact on Learning
Engagement
王長宏
Chang-Hung Wang
指導教授：葉丙成 教授
Advisor: Prof. Ping-Cheng Yeh
誌謝
對於能夠完成這份碩士論文，我到現在依舊是感到不可思議，因為當初的懵懂 至今依然歷歷在目，因此這也讓我特別感謝一路上幫助我的人，其中最重要的莫過 於就是我的指導教授葉丙成老師，當我在對於研究領域陷入徬徨時，是老師給予了 我適時地幫助與建議，讓我找到方向走出自己的路。而除了在學術研究的指導之外，
老師還會與我分享人生上的經驗、心路歷程，這些至今都依然讓我受益無窮、銘記 在心，非常感謝老師這兩年來的指導。此外我還要感謝兩位老師，分別是林顯達老 師與賴以威老師，顯達老師在對於剛踏入教育科技領域懵懂的我，總是不厭其煩、
細心的給予我指點與協助，不論是學術研究或者系統功能的開發都讓我收穫良多，
也使我能在最短時間內有最大的進步；而以威老師則是給予我舞台發揮的機會，不 論 是 在 與 老 師 工 數 課 程 的 合 作 亦 或 者 第 一 次 Paper 的投稿經驗，都讓我對 Edventure 與使用者經驗有更進一步的認識與了解，真心的謝謝你們。
而在這段路途中我還要誠摯的感謝我實驗室的夥伴們，感謝引領我進入教育 科技領域的 Dominik 學長，每次正向樂觀的態度總是讓我一掃陰霾與沮喪，不論 在程式、研究甚至是生活方面都給我相當大的幫助；感謝俊諺、正康在我剛進入實 驗室時陪伴著我一起玩鬧，有你們陪我也讓沈悶的實驗室不再沈悶；感謝浩正、證 捷在研究上的幫助，讓我在研究之路上不再孤獨；還有感謝柏希與冠宇學長，在剛 加入實驗室時給了我相當大的協助與指點。
最後要感謝的是陪伴在身旁的所有朋友與家人們，在每當我疲憊不堪、心力憔 悴時，總是有你們在旁邊支持我、關心我，即使在對話過程中我可能顯露出不耐煩 與疲倦，但你們還是依舊如此的包容我，這讓我感到十分的幸褔，非常感謝你們一 路上的照顧，如果沒有你們就不會有現在的我，謝謝大家。
中文摘要
近年來教育掀起一股改革的浪潮，為了因應在複雜多元的條件環境下學習，人 們期望透過科技來輔助幫忙，並藉由過程中被記錄下的資料來了解學習效益與狀 況。也因此該如何將教育科技與資料分析逐漸被應用在實際的教學環境中也成了 一個熱門的議題。因為它並不如想像中簡單只需把軟體、硬體系統放到課堂上即可，
還須透過老師與教學方法的配合，才能形成一個良好的效應。
有 鑑 於 此 開 發 者 團 隊 以 遊 戲 化 與 合 作 學 習 為 核 心 打 造 了 線 上 學 習 平 台
『Edventure』，它不只可提升學生的學習動機與學習效益，同時也能幫助老師在教 學上減輕教學負擔。在其設計系統過程中除了參照了前身『BJT – Online』的經驗，
也鑽研遊戲化與教育方面的知識與技能，最後再結合實踐於系統之中。Edventure 最大的特色與功能在於它可透過遊戲化之趣味性來提升學生的學習動機，藉此增 進學生的學習效益，進而提高最後的學習成果。此外系統最主要提供的功能有：多 人同時線上編輯、同儕互評、檢討自評、仲裁審判、線上即時討論區、答題攻略競 賽等等，提供了使用者各式各樣多元化的互動功能以及教師與學生各自使用之管 理功能。
而為了驗證Edventure 是否真有如預期般對學生的學習有所幫助，將會透過一 系列的統計方法來驗證，包括因素分析、信度分析、迴歸分析、交互作用等，目的 是為了證明Edventure 能夠確實提升使用者之學習動機與學習效益，並藉此打造出 一個完整的學習行為預測學習成果之模型，讓未來使用系統的老師們能夠及早發 現了解學生的學習狀況，儘早提供需要之協助。其箇中原理是藉由學生在系統上所 被蒐集到的學習行為來分析與最後成績的相關性及因果性，而在最後也會針對分 析結果來優化系統的缺點與改良。
關鍵字：教育科技、遊戲化、資料分析
ABSTRACT
Education reformation is trending recently. In response to the diverse and complex learning environment, people look forward to being assisted through technology and understand the benefits and situations of learning by the record of the process. Therefore, how to gradually apply education technology and data analysis on actual teaching environment has become an important issue. In order to have a good effect, it does not merely put software and hardware system in class but also needs to coordinate with teachers and teaching methods.
In the light of this, developer team creates an online learning platform “Edventure”
with gamification and cooperative learning as the core. It not only can enhance students’
learning motivation and efficiency, but also can help reduce the class loading on teaching for teachers. In the process of designing the system, it refers to the experience of its predecessor "BJT – Online," studying gamification and education’s knowledge and skills, and finally combining them to actual practice in system. The best feature and function of Edventure is that it can let students have better learning motivation through the interest of gamification, thereby enhance the efficiency and improve the outcome of learning.
In order to verify whether Edventure helps students’ learning as expected or not, it will be tested by a series of statistical methods. The purpose is to prove Edventure really can enhance the user's motivation and learning efficiency. The principle is studying the correlation and causality between students’ learning behaviors that are collected in the system and final grades. Thus, the system can be improved and optimized against the results.
Key words: education technology, gamification, data analysis
目錄
口試委員會審定書... i
誌謝... ii
中文摘要... iii
ABSTRACT ... iv
目錄... v
圖目錄... vii
表目錄... ix
第一章 緒論 ... 1
1.1 前言 ... 1
1.2 研究歷程 ... 1
1.3 論文概述 ... 2
第二章 教育與學習遊戲化之文獻探討 ... 4
2.1 遊戲化 ... 4
2.2 遊戲化於教育之應用 ... 5
2.3 合作學習之遊戲化 ... 7
第三章 Edventure系統平台開發 ... 9
3.1 設計動機 ... 9
3.2 系統整體架構 ... 11
3.3 活動作業流程 ... 13
3.3.1 設計題目與其解答 ... 13
3.3.2 審核校正 ... 15
3.3.3 攻略解題 ... 16
3.3.4 批改解答 ... 17
4.2 變數篩選之因素分析結果 ... 25
4.3 各構面信度檢測 ... 31
4.4 多構面與成績之相關性 ... 34
4.5 成績分數之迴歸預測模型 ... 36
4.6 投入與趣味之交互作用 ... 41
4.7 使用者案例與回饋 ... 44
第五章 結論與未來展望 ... 46
參考文獻... 49
附錄一 描述性資料分析... 53
附錄二 因素分析... 56
附錄三 信度分析... 59
附錄四 相關性分析... 61
附錄五 迴歸分析... 63
附錄六 交互作用... 67
圖目錄
圖表 3.1-1 傳統作業中的角色互動示意圖 ... 10
圖表 3.1-2 Edventure 設計理念圖 ... 11
圖表 3.2-1 Edventure 中的角色互動示意圖 ... 11
圖表 3.2-2 Edventure 活動頁介面 ... 12
圖表 3.2-3 小組分數明細來源 ... 13
圖表 3.3-1 作業活動各階段時程 ... 13
圖表 3.3-2 題目設計與撰寫 ... 14
圖表 3.3-3 協作者討論區與解題討論區 ... 14
圖表 3.3-4 系統隨機分配之待審核題目 ... 15
圖表 3.3-5 協助者之審題介面 ... 15
圖表 3.3-6 助教仲裁介面 ... 16
圖表 3.3-7 即時解題數量實況轉播 ... 16
圖表 3.3-8 出題者批閱評分介面 ... 17
圖表 3.3-9 解題攻略解題概況 ... 18
圖表 3.3-10 出題者的批改結果與解題者的自評回饋 ... 18
圖表 3.3-11 助教審判仲裁之結果 ... 19
圖表 3.3-12 最佳題目票選與意見回饋 ... 19
圖表 3.3-13 活動分數地圖排行榜 ... 20
圖表 3.3-14 活動分數結算排行榜 ... 20
圖表 4.2-1 陡坡圖 ... 28
圖表 4.2-2 四大構面視覺圖 ... 31
圖表 4.4-1 四大構面與分數之相關程度關係圖 ... 36
圖表 4.5-1 四大構面與成績之因果權重圖 ... 38
圖表 5-2 雷達圖示意範例 ... 47
圖表 2 正偏態與負偏態的差異圖... 54
圖表 3 峰態圖之三種情況差異圖... 55
圖表 4 陡坡圖範例... 57
圖表 5 相關係數正/負向示意圖 ... 62
圖表 6 簡單線性迴歸模型... 64
圖表 7 觀察值與殘差示意圖... 65
圖表 8 交互作用原理... 67
圖表 9 交互作用之調變項舉例... 68
圖表 10 交互作用判別情況... 68
表目錄
表格 4.1-1 Edventure 資料變數之描述性統計資料 ... 23
表格 4.2-1 KMO 與球形檢定結果 ... 26
表格 4.2-2 因素萃取結果與其可說明變異量表格 ... 27
表格 4.2-3 構面及其所包含變數之表格矩陣 ... 29
表格 4.3-1 社群互動－可靠度 Alpha 結果 ... 32
表格 4.3-2 社群互動－可靠度結果表格 ... 32
表格 4.3-3 學習投入－可靠度 Alpha 結果 ... 32
表格 4.3-4 學習投入－可靠度結果表格 ... 33
表格 4.3-5 趣味享受－可靠度 Alpha 結果 ... 33
表格 4.3-6 趣味享受－可靠度結果表格 ... 33
表格 4.3-7 自我要求－可靠度 Alpha 結果 ... 34
表格 4.3-8 自我要求－可靠度結果表格 ... 34
表格 4.4-1 構面與分數間的相關性結果 ... 35
表格 4.5-1 迴歸分析之模型摘要 ... 37
表格 4.5-2 迴歸模型之構面係數 ... 38
表格 4.5-3 共線性診斷 ... 39
表格 4.5-4 殘差統計資料 ... 39
表格 4.5-5 趣味對投入與投入對成績之迴歸分析 ... 41
表格 4.6-1 交互作用前置分類統計 ... 42
表格 4.6-2 交互作用分析數值結果 ... 44
表格 4.6-3 投入與趣味之分類歸納表 ... 44
表格 4 偏態與峰態之條件對照表格... 54
表格 5 KMO 值檢測結果對應表格 ... 57
第一章 緒論
1.1 前言
在過去傳統教學中，學習與遊戲這兩者幾乎從沒讓學生在腦中同時浮現過，因 為在以前的時代，學習的機會本身就非常難能可貴，因此學生會非常珍惜學習的機 會，而學校與老師們也因此大部份都專注在學習內容的本身，比較少去想到引發學 生學習動機的重要性。但時代的變遷、教育的普及化，學習機會的稀有性已不在，
這也迫使老師不得不進步，除了教學內容品質的保證外，還必須做到能夠引發學生 對於學習內容的好奇心及興趣等。Discovery 頻道節目製作人麥克‧羅武 (Mike Rowe) 曾經說過：『一個好老師會給你該有的教育。而一個優秀的老師會使你擁有 好奇心 [1]。』有鑑於此，希望能夠藉由自己在科技及遊戲化方面的能力來幫助老 師們在設計教案及實際教學中，能夠更大的引發學生的學習動機與提升學生的學 習效益。當然上述想法是在第一次接觸 Edventure 後產生的，也是因為它才回想起 過往學習的經驗，了解到引發學習動機與享受學習過程是有多麽重要，因此這也是 為什麼自己會加入 Edventure 這個專案計畫中。
1.2 研究歷程
這套系統的起源契機是葉丙成教授在台大所開設之機率課程的需求因而所創 造出來，其前身叫做 BJT-Online ，以自我決定理論與遊戲化為核心理念設計，它 能打破學生心中對於遊戲與學習這兩者之間的隔閡，讓學生能夠盡情地享受在學 習之中，在學習中玩遊戲、在玩遊戲中學習。後來在 2015 年實驗室研究團隊努力 之下，成功將 BJT-Online 創新改版為 Edventure，它是個以學生為中心的網路學 習平台，融合了線上學習與線上作業系統，期望藉由提升作業的趣味性進而激發學 生的創意與自學的能力。因此開發者利用了遊戲化與團隊合作兩大理念去設計實 作出，首先透過了遊戲化中的遊戲元素塑造出競爭激烈的刺激遊戲氛圍，讓學生之 間能夠生良性競爭的效應，藉此打造出讓同儕彼此間互相學習的良性循環。再者加 入訓練學生合作能力的 MediaWiki，其主要功能為提供多人共同線上即時編輯與 版本控制，也就是讓學生們能夠打破時間、場地的限制，只需透過學習平台上的即
時討論與線上多人同步編輯就可合作完成該指定學習內容與任務。而除此之外系 統當中還有另一項最特別的地方為 “By The Student” ，也就是在系統平台中所有 的學習內容與任務都是由學生來自己完成，不論是題目的設計、解題攻略、答案批 改等等。而這一特色的用意在於訓練學生的自主性以及實踐學生為教學中心的理 念，藉此期望能夠讓學生感受到學習過程中自身角色的重要性、提升他們自身對於 學習的責任感以及學習態度，同時也讓老師在教學負擔上能夠大大的減輕，並將更 多的心力用於教材的開發與準備上。
在系統建設完成後，即開始將研究重心轉移到 Edventure 使用後的資料分析 上，期望能透過學生在使用系統上的學習行為與成績分數去分析出兩者之間的關 聯相關等，並藉由這分析結果去探討出前因後果，找出在使用上的正負面的情緒、
效益、行為等，最後再進而打造出一個預測模型，讓未來在使用 Edventure 的使用 者不需等到最後才知道其學習效益及成果，而是從過程中的行為模式就可知道使 用者的學習狀態與效益。這樣的好處優點在於未來使用 Edventure 的老師們，都能 夠在學生使用過程即時了解其狀況並隨之提供適時協助，藉此提升學生的學習效 果與老師的教學效益。同時也讓 Edventure 在未來的創新改革，能夠更加貼近使用 者與提升學習上的效益。
1.3 論文概述
在本論文中，首先會在第二章介紹遊戲化在教育方面的應用，了解遊戲化與合 作型學習的意義與應用，再藉由文獻回顧中的例子來探討其適合應用的領域及時 機，以及最後實驗結果的效益，進而歸納出遊戲化學習的優點與缺點。此外還針對 了遊戲化本身對於學習領域應用的爭議來作討論，包括了內、外在學習動機的影響 及個人學習風格的問題等等。
緊接著第三章會講述 Edventure 這一套系統的開發與介紹，它是一個以遊戲 化、合作學習兩大核心所設計出來的系統，能夠將傳統乏味的作業或者枯燥無聊的 課堂活動轉變成一場遊戲，藉由發揮創造力及限時競賽讓學生們彼此激盪競爭進
習效益與表現。此外 Edventure 也提供了學生們能夠將在課堂中所學知識盡情發 揮應用的舞台，不論是解題競賽、亦或者是盡情揮灑創意與想像力設計題目，而在 這學習過程中也同時訓練了他們的分析能力、計算能力及創造力 [14]。
最後在論文中的第四章節主要探討的是 Edventure 上使用者的資料分析，資 料來源是透過系統上的程式設定蒐集而來，藉由使用者在學習過程中的操作與行 為，將其偵測到的一切給全部記錄下來，包括了成績分數、滑鼠點擊次數、視窗切 換次數、回饋留言長度、頁面停留時間、上線時間總長度等等。而在論文中會需要 使用到的統計分析方法都已補充於附錄中，包含研究方法之目的、應用之處與最後 預期之實驗成果。因此在第四章節中會直接將所蒐集到加以整理過的資料去實際 操作其對應之統計方法。最後從實驗結果中找出學生在使用 Edventure 學習過程 中的問題、盲點與系統可改進之處，並提供未來 Edventure 的開發者在改版創新 時，可透過此使用者數據來當作創新的依據，使之更貼近使用者的需求。
第二章 教育與學習遊戲化之文獻探討
在本章節 2.1 中會探討人們如何將將遊戲元素應用於解決生活中的問題，例 如透過競賽來提升業績、測速照相樂透來降低超速機率、抽獎分享來提升曝光率等 等，其目的是希望藉由人們對於有趣好玩的心態來解決棘手困難的問題。2.2 則是 將遊戲化的討論領域限縮到教育領域中，像是老師、教學者從原本最注重的教材內 容，到越來越重視如何將學習內容包裝，其意義在於提昇學生的學習動機並進而增 加學習效益，而包裝的手法千般萬樣，當中最熱門之一就是將遊戲引入其中，透過 遊戲有趣性的特點來包裝學習內容達到提升對於學習的好感度與動機。最後 2.3 還會探討到遊戲化應用於教育中的優缺利弊，遊戲化是否如真如世人所想的有益 無害，本研究在設計系統時也藉由在不斷省思的過程中去設計創造最合適的遊戲 化應用於 Edventure。
2.1 遊戲化
S.Deterding 曾於 2010 年的論文中說過：遊戲化 (Gamification) 這一詞所代 表的意義是與遊戲截然不同的，但這並不代表兩者之間沒有任何關係，相反的是兩 者之間的確有很大的關聯性，因為遊戲化正是使用了遊戲中的某些元素與特性 [2]。
同樣的概念在 2013 年 A. Domnguez 也在文獻中提出將其應用於非遊戲的狀況 環境中亦或者非遊戲的軟體系統 [3]，其目的是在少了複雜的敘述場景或者視覺佈 置設定下，依舊能夠加強增進使用者的良好體驗與其投入度 [4], [5]。不過這並不 代表遊戲就是整個系統或者制度的中心，只是在理想狀況下它能夠確實提升使用 者的使用動機 [5], [6]。值得一提的是，雖然遊戲化這詞是近幾年才出現的術語、
技能，但其實它很早就被應用於現實生活中的各大領域，特別是商業貿易部分，例 如 S. Nicholson (2012) 文獻中的飛行常客獎勵 [7]、A. Inoue (2012) “Gamification – Games changes the business” 中的能源節省遊戲 [8] 等等。前者為航空公司與信
此外針對於遊戲化的分類，K. M. Kapp 在 2012 年的論文中提倡遊戲化可分 為兩種類型，一種是針對架構制度、規則做遊戲化，另一種則是針對內容本身 [9]。
而這兩者的差別在於前者是專注在不更換內容的條件狀況下，將遊戲的元素、特性 應用在提升使用者的使用動機以及續留性 [10]，隨著使用者的狀況去調整遊戲化 規則制度。後者內容遊戲化則是著重在遊戲元素與遊戲內容的應用，像是 PaGamo [11]，它是一款教育科技軟體，透過答題的方式來進行攻城掠地的遊戲，讓使用者 在遊戲中學習、學習中遊戲。
雖 然 遊 戲 化 這 項 技 能 自 出 現 後 就 飽 受 好 評 ， 但 在 G. Zichermann 與 C.
Cunningham 的文獻中也開始提到說近年來的人們也開始思考、探究它是否真的如 想像中百益而無一害。事實上，許多學者與遊戲設計師確實開始抱怨爭論，關於將 遊戲化應用在教育中的議題。例如：人們對渴望學習好奇心的內在動機，因為遊戲 化的關係，被進而取代為想獲取獎勵的外在動機，而這一行為控制通常只要開始往 往就無法停下 [12]，因為此觀念想法已經存在於他們的潛意識當中。除此之外，在 2011 年 ACM 中一篇由 Z. Fitz-Walter 與 D. W. Tjondronegoro 所撰寫的文獻中 提到：學者們也觀察出在遊戲化狀況下的學習者，比較容易出出現作弊的情況 [3], [13]，這其中包括了許多原因，例如外在動機過於強烈、遊戲與學習的失衡等等。
綜合上述，我們可發現有意義的遊戲化應該是以學習使用者為中心，特別在教育這 種嚴肅的領域中，更須妥善謹慎的去規劃使用這項技能，不是一成不變的靠著分數、
徽章、排行榜等遊戲元素特性，是要更深層的去思考構思如何應用某些特定的遊戲 元素以及設計活動、規則機制等，幫助學生能夠在學習上面更有動機與收穫 [7]。
2.2 遊戲化於教育之應用
近幾年，將遊戲化這項技能應用在教育領域之中的趨勢越來越明顯了 [9]。許 多遊戲化的設計都會採用分數、徽章、排行榜等元素，這都是為了塑造出能夠讓學 生良性競爭的氛圍以及環境 [15]，進而鼓勵驅使學生去學習。而教育的遊戲化應 用除了現實生活中外，在網際網路上也是蓬勃發展中，像是一些著名的線上教育平 台 Codecademy 與 Khan Academy 就是非常經典的例子，前者為著名的程式設計 學習平台，透過互動式的學習讓使用者能夠更加投入，後者則會美國最大線上學習 平台之一，又稱作可汗學院，主打 K12 的教育，也就是使用者客群主要鎖定在 12
歲左右的孩童，而它最大的特色也跟此有關，因為在這平台中從遊戲角色、使用者 介面、學習規則、徽章搜集、競爭排行榜都設計得鉅細彌遺、唯美精緻。也因為如 此，在這平台中就可看出遊戲化對於小朋友的影響力是如此的深遠強大。另外平台 裡的學習教材內容也是應有盡有，從傳統的語言、數學、自然到近年熱門的程式語 言都囊括其中。
儘管遊戲化在教育中應用的趨勢是有增無減，但這並不代表它是教育領域的 萬能藥，A. Iosup 與 D. Epema 就曾於香港大學做了一個著名的遊戲化教育相關 試驗 [17]，他們在學期開始前找了一批學生來試驗，利用遊戲元素中的分數、徽 章、排行榜等融合到教材學習內容中，最後結果也證明了遊戲化真的能夠提升大部 分學生對於學習的動機，進而完成較多的學習任務與挑戰。然而，他們也發現了即 使大部分學生有享受到遊戲化的益處，但少部份的學生卻並沒有因此被鼓勵到 [17]，也就是說他們的學習動機與效益並無有所提升。這也證明了說，每個人的學 習動機提升方法是不一樣的，並非所有人都喜愛在遊戲競爭中學習，像是是排行榜 的存在可能就給這些人極大的壓力與困擾 [3]。
除了個性、學習動機的差異外，年紀其實也是遊戲化一個很重要的變因之一，
一般而言，人們直覺會想說遊戲化的效益在年紀偏低的孩童們會發揮的較好，但事 實並不然，A. Iosup 與 D. Epema 於 2014 年 ACM 中的研究報告提出說遊戲化 在高等教育中，可確實提高學生們的修課通過率、參與度以及自我滿足感 [18]，甚 至鼓舞了學生參與更多的課外活動、營隊 [3], [7]，因此這也證明了遊戲化對高年 級學生使用者依舊有效。另外在近幾年較為人氣火熱的教育學科領域－程式設計，
其實在過往都被視作為專家、天才或者精進熟練者的領域，其主要是因為其學習教 材較為艱澀關係，故在近幾年推廣程式教育中，就需要正視、解決這個重要的問題，
而遊戲化剛好就是其解藥之一，透過規則與活動的設計，讓學習者們能夠暫時忘掉 艱澀乏味與挫折，取而代之的是有趣、困難的挑戰與成就感。
而與本論文研究最相關的是 Z. Fitz-Walter 與 D. W. Tjondronegoro 曾針對於 特定使用線上平台學生所做之學習行為研究。該團隊提到在過去，老師無法將學生
化的技術來呈現，其目的是希望能夠藉此讓學生對自己的學習狀況有更深的了解 與警覺，進而提升學習效益與狀況，例如提交作業、完成任務的意願傾向等 [19]。
而在這平台系統上，最後的研究報告指出，相較於全班而言，成績較好的學生們透 過徽章、分數能在學習上的刺激效果較明顯，反之成績比較沒這麼出色的一群人，
則是需要透過視覺化的紀錄資料來審視自己的學習狀況，並藉此改進幫助的效果 較為出色。
2.3 合作學習之遊戲化
目前遊戲化領域中最常見的教育遊戲化應用非線上合作學習類型莫屬，其廣 泛應用程度多到已經變成目前教育最熱門的議題之一 [20]，當中的原因不外乎結 合科技元素因而提升發揮空間、多人條件情況可加深遊戲複雜性等等。在 M.
Romero (2012) ECIS 之文獻中就定義過何謂合作學習，其概念為在一個學習環境 中有兩名以上的學習者因學習的目的在參與相同的活動 [21]，並且對於學習者的 學習效益有所幫助 [22]。此外 S. Hrastinski 曾於其文獻中提出過一個論證，他說 在線上合作學習中往往扮演最關鍵的因子就是參與度 [23]，因為它能夠大幅提升 線上合作學習的表現成果。故在其他文獻中也找到被引申延用的研究證實，像是 C.
Coll、M. J. Rochera 與 I. de Gispert 提出了影響參與度的關鍵三大因素，大致上有 以下三種，個人化的鼓勵 [24]、團隊合作 [24], [25] 與指導者的幫助 [25], [26]，
透過這三個重要的因素就能增進學生的參與度與合作積極度。
C. Li, Z. Dong 與該團隊開發設計出 PeerSpace，它是一款線上合作學習平台，
它的設計初衷是希望能夠透過遊戲化的技術，來提升激勵學習程式設計的學生們 在學習、社交活動上的參與度能夠有所提升，當中遊戲化應用的因素特性包括了分 數、排行榜、團隊合作以及休閒遊戲 [27]。而這門程式設計課其實還有另外一班的 實驗對照組，其目的當然是為了實驗遊戲化線上學習合作效益的假設是否成立。幸 運的是最後結果顯示使用了 PeerSpace 的班級比實驗對照組班級的討論文章數量 多了整整三倍左右，這也說明了遊戲化學習平台真的能夠確實提升學生在社交活 動與學習方面能夠更加積極活躍。
除了上述例子外，還有一個在教育領域中成功用遊戲化解決問題的經典案例，
一直以來在老師在授課教學時，都經常會遇到學生發生搭便車問題，也就是有人在 團隊中並無實質作出貢獻，不論是在活動、作業或者挑戰中，都是依靠隊友組員們 的幫忙，也因此不需要努力也能在最後獲得好的團隊成績。而為了解決此問題，L.
Moccozet 與該團隊設計出一套團隊合作學習平台，其平台就是使用了遊戲化的技 術來達到設計初衷與想解決之問題，透過遊戲規則制度來設計出不同的分工方式 以方便區別出每個人在團隊中的貢獻度，進而降低、減少有便車可搭的機會 [24]。
有趣的是，在另一個相似的狀況下 M. Galton 為了解決搭便車的問題所開發的平 台則是採取了不同的解決方法，它設計了一種機制方法，藉由同儕間的回饋與評論 促使學生之間能夠互相幫助，當然為了這些回饋的產生需要些獎勵來提升動機，於 是他們利用了一個排名系統來統計所有回饋的紀錄，並藉此讓學生們來爭取在榜 上出現的榮譽感。不過要注意的是這邊用來排名的分數並不會直接顯示公佈給學 生們，因為系統的開發者認為不該藉由排行榜來提升學習動機，這樣會本末倒置讓 學生培養出不適當的學習態度，而是應該要藉由完成指定任務或者團隊合作來藉 此提昇學生們對於完成任務與友善合作的動機。而這一些遊戲假設，在最後實驗結 果被一一驗證，結果顯示這個學習平台真的能夠有所提升學生們在團隊中的貢獻 度與合作能力與意願，而且也因為每個人在在團隊中所做的貢獻都一一被記錄下 來，因此在最後課程結束成績結算時 ，老師也能有更多的資料數據來做判斷與評 量 [28]。
最後總結來說，合作型學習有非常多的好處與優點值得老師、授課者們去採用，
也因此遊戲設計師與教案設計者才會對此去做遊戲化的設計與應用。不過雖說如 此，L. M. Jeffrey 與 F.-Y. Yang 都曾各自在其自身的文獻論文中提到關於合作型 學習並非萬能的概念，因為它不是唯一一條學習之路，也不存在一套完美的學習方 法，也就是說它一定還是存在著某些缺陷與問題的，例如合作型學習是否真的適合 每一個人，因為每個人的學習風格都不盡相同 [29], [30] ，而這種學習方法也容易 產生上述搭便車的類似問題等等，因此關於這些議題，研究學者們都紛紛跳出來點
第三章 Edventure 系統平台開發
本章內容主要描述 Edventure 整體系統的使用方式與設計初衷，3.1 是介紹從 前身 BJT-Online 為解決傳統作業的議題而出現到後來新系統創新改革的出現，並 在 3.2 詳細說明其兩大設計理念遊戲化與合作學習，期望藉由前者來提升學習動 機、後者來促進學習氛圍，進而提升整體學習效益，讓使用者在學習中遊戲、遊戲 中學習。而 3.3 則會介紹系統的使用流程，大致上有五個階段：出題、審題、解 題、批閱、自評與票選，每個階段都有相對應之任務，當中透過遊戲化之包裝鼓勵 使用者在時限內完成即可獲得應得獎勵。最後在本章末節 3.4 會說明此系統的使 用方法與情境，包括了即時競賽與作業活動兩大模式，讓管理者能夠因應使用者需 求來做適當的選擇。
3.1 設計動機
Edventure 的前身為 BJT-Online，設計初衷是想解決傳統作業的疑慮與問題，
而其爭議在於『作業』在傳統教育中扮演著一個非常重要的角色，它被期望透過讓 學生回家作答題目、複習教材來檢測學生是否有確實的理解、吸收在課堂上老師所 傳授的知識 [14]，然而這個機制卻也產生了許多的問題，例如：1. 絕大部份作業、
題目的來源是教科書內的習題，而教科書本身往往是標準化過後較為單調的教材，
也因此實在難以鼓勵驅使學生去完成如此乏味的作業，所以在這種情況下學生的 學習效益也會大打折扣，不論是在課堂內亦或者在作業中。2. 許多學生們做作業 並不是因為本身對於學習的熱情與興趣，而是被作業的外在因素給影響，例如：作 業的分數、排行，老師、家長們的讚賞等等。3. 不適當的作業本身常常引起學生 的負面情緒，例如：壓力、抗拒、乏味。4. 多數的作業都是以個人為單位，也讓學 生缺乏更多可以學習團隊合作的機會與經驗…等等。
另一方面，對老師來說，在設計作業時需同時應對不同程度的學生，這往往帶 給老師很大的壓力及負擔，包括指派作業、批改訂正等，而在有限時間內要準備好 教案與教材就花了老師極大部份時間，因此也才造成作業設計只能求助於教科書 的情形發生，亦或者選擇將這壓力丟給助教身上以獲得暫時的舒緩，只是這治標不
圖表 3.1-1 傳統作業中的角色互動示意圖
所以針對上述提出的眾多問題，我們開始尋求解決辦法，而首當其衝的就是希 望可以讓作業本身變得有趣，因為透過讓學生感受到作業的樂趣，就可以進而引出 他們對學習的動機與興趣，其次創造學生間互相合作、競爭的機會與環境，讓他們 可從中學習到團隊精神與良性競爭，擴充學生在作業活動中互動的對象，從縱向的 老師到橫向間同儕彼此的互動，最後再引入科技工具的幫忙來達成如此複雜又龐 大的理想目標。
圖表 3.1-2 Edventure 設計理念圖
3.2 系統整體架構
依據傳統作業中的解題學習過程，我們團隊設計並實作出 Edventure 這套系 統，它本身是一個網路學習平台，融合了線上學習與線上作業系統，希望能夠提升 作業的趣味性進而激發學生的創意與自學的能力，此外與傳統作業中最大的不同 在於 Edventure 是以學生為中心，不論是出題、審題、解題、批改等活動，都是讓 學生自己主動出擊，而老師、助教們都只是配角，在適當需要時機出面而已。
圖表 3.2-1 Edventure 中的角色互動示意圖
學生在開始使用系統前，系統管理員會先要求其進行分組活動，並在完成其指 定教材內容的學習後，系統管理員才會在 Edventure 中創立新作業開始新活動，而 在作業活動中會有許多個階段，每個階段都有不同的任務挑戰需要完成。首先學生 們必須針對其學習過的指定教材內容去集思廣益、共同合作設計出一道題目並附 上解答，此外為了保證學生所設計出的題目能夠正確無誤、沒有瑕疵，將透過系統 內互相審核的機制來將瑕疵盡可能地減少。在所有題目都審核成功並發布後，大家 就可以開始來攻略他人所設計之題目，透過系統上的 MediaWiki 編輯介面，可讓 組員們彼此合作更加順暢。同時，題目設計者也有責任將他人前來攻略之解答進行 批改評量。最後系統的成績計算就是依據小組在各個活動中的表現加總而成，其詳 細的分數來源也會同時公告在各小組的團隊資料頁面，以供核對 [32], [33]。
圖表 3.2-2 Edventure 活動頁介面
圖表 3.2-3 小組分數明細來源
3.3 活動作業流程
在此小節中將會詳細介紹在 Edventure 中每次作業的各個階段，其總共有五 個階段，學生需在各階段的時限內完成特定任務，而在系統介面內也會清楚的顯示 其完成程度與截止時間。
圖表 3.3-1 作業活動各階段時程 3.3.1 設計題目與其解答
在管理者宣告作業開始後，學生第一個要挑戰完成的任務就是與組員通力合 作設計出一道題目並附有解答，並透過他們的創意及想像力來將其題目包裝為一 個有趣的故事，藉此吸引解題者的興趣。而學生在系統內是透過 MediaWiki 的使 用介面來輸入、編輯題目與答案，之所以選擇它，是因為 MediaWiki 具有以下者 兩大優點：1. 可提供多人同時即時線上編輯 2. 及版本控制。也因此使得學生們在
線上合作互動時更加順利，還可即時查看更改前後的紀錄，並在有需求時執行回溯 版本的動作。最後要提到的是關於此階段給分的標準依據，也就是題目品質好壞的 差異對分數的影響，其判斷品質的依據最主要是透過『知識性』與『創意性』去做 評量，而評量方式為同儕互評。
圖表 3.3-2 題目設計與撰寫
3.3.2 審核校正
在第二階段中，最重要的任務就是確保題目的正確性及品質。對於學生出的題 目來說，總是難免有瑕庛、缺陷，也因此在系統內設計了一個機制，讓學生們所設 計的題目會被隨機的分配給其他組別去做審核，故每個組別都需要審核特定數量 的題目，其工作內容主要就是確認題目與答案的正確性。如果題目正確無誤，審核 小組就會給予審核成功，反之如果題目中有模糊令人誤解的文字、文意，那審核的 小組就必須給予審核失敗，並附上失敗的原因及修正回饋與建議。而在此時出題者 就需要針對審核者的建議去做回應，將瑕疵錯誤修改掉並且再次回報給審核者，然 後審核者再重複一次審核工作，直到審核成功或者階段時限到為止。
圖表 3.3-4 系統隨機分配之待審核題目
當一道題目蒐集完所有特定審核者們的審核成功後將會被存入系統的資料庫 內，代表著此階段任務的完成，並等待進入下一階段的開始。相反的，如果在此階 段時限內還是沒有成功獲得所有特定審核者們的審核成功，那就代表出題失敗，此 時擁有最高權力的系統管理員將會出面審判仲裁最後題目審核結果的成功與否，
並給予其仲裁敗訴的一方扣分的懲罰。
圖表 3.3-5 協助者之審題介面
圖表 3.3-6 助教仲裁介面
3.3.3 攻略解題
這個階段是 Edventure 整個作業活動中最重要的階段，每個組別可以開始攻 略解答別人所精心設計的題目，當然除了本身該組在上階段就審核看過的題目，因 為在審核時就已經看過其題目與答案，所以就無需再解題一次。而在這階段當中，
組員們除了需同心協力為了能夠在有限時間內解出更多的題目之外，同時也必須 將其解題的詳細過程一五一十地透過 MediaWiki 記錄下來，以提供出題者能夠更 清楚的批閱評分，而不是單單只有個答案而已。除此之外，在系統中還即時轉撥了 各組別即時的解題數量，讓各組學生能更清楚了解自己在於作業方面的學習效益 跟狀況，並藉此互相刺激、砥礪。
緊接著要介紹的是 Edventure 中解題算分的機制，系統會針對於每道題目都 有固定的配額分數Ｐ，而當一道題目有Ｎ組攻略解答時，就會將其固定配分去分配 給Ｎ組的解題者們。也因此簡單的題目往往會有較多的解題者，故Ｎ的數量一旦變 大，其分配到的分數就會變少，反之越難的題目，解題的組別往往會越少，所以他 們能夠分配到的分數就越多。除此之外，解題者們分配固定配額分數並不完全是均 等分配，還要看其答對的程度來當作分配的權重，例如：全對、半對、全錯，其對 應到的權重比例就會是1、0.5、0，這可以讓學生們在追求解題數量的同時，也能 夠保有分數分配的公平性。
圖表 3.3-8 出題者批閱評分介面 3.3.4 批改解答
當有組別將其攻略題目的過程連同答案送出時，該題目的設計者即可馬上觀 閱。而在這階段中，出題者的任務就是必須針對他組前來攻略的答案做批閱評分，
批閱的工作內容主要就是在細閱完過程與答案後做出決斷來給予該解題者一個評 分結果（對、半對、全錯），並且在給予評分結果同時，也必須仔細說明其評分的 標準依據、理由與針對答案的回饋。另外特別的是，如果能在解題者送出答案後的 二十四小時內，完成批閱評分的任務工作，出題者即可獲得額外的分數優惠獎勵，
而其設計初衷主要是想讓解題者能夠更早知道自己努力解題的結果，並修正其觀 念與錯誤以幫助下次解題能夠更加順利，也因此設計此遊戲規則制度來鼓勵出題 者。
圖表 3.3-9 解題攻略解題概況 3.3.5 自評與最佳題目票選
在經過上個階段出題者的批閱評分後，不論對錯，解題者們理應都會得到其解 題攻略的評分結果。因此解題者們可去審視檢查自己努力的結果是否有得到適當 的評分，並從中反省檢討其解題的過程，而在審視自評完所有的解題後，如果有發 現爭議問題，解題者即可立馬提出仲裁審判，此時系統管理員將會出面做出決斷並 協調出題者與解題者之間的誤會與爭議問題。而通常仲裁前的工作內容，包括了解 解題者對於評分結果不滿意的原因，以及出題者評分的標準依據是否合理。
圖表 3.3-11 助教審判仲裁之結果
除此之外，在這階段中還有另外一件有趣的任務，那就是最佳題目票選，解題 者們可對曾經解答攻略過的題目設計好壞來做評分票選，其標準依據有三項：創意 有趣、清楚明暸、整體印象，而每項又有四個維度去做劃分程度。也因此出題者如 果拿到越多好的票數，也理所當然的會獲得更多的分數獎勵，反之如果越少票或者 越多的壞評價，那其分數獎勵就會越少。最後有一個留言欄位是用來促進解題者與 出題者之間的互動交流，讓解題者能夠給予建議回饋，以幫助出題者了解自己題目 的特色好優點為何、盲點錯誤在哪，使得下次出題時能夠設計出更好、更棒的題目。
圖表 3.3-12 最佳題目票選與意見回饋
最後在全部階段結束後，管理者們將會對一整個活動下來的表現做結算，其依 據系統中紀錄的所有資料，也就是當初使用者的成果及表現。而每次結算更新後都 會有分數明細顯示於個人團隊頁面可檢查有無錯誤或者需要校正的地方，並於排 行榜頁面及首頁顯示分數綜合排行與地圖競走排行，讓使用者能夠瞭解其實力與 分數的落點。
圖表 3.3-13 活動分數地圖排行榜
圖表 3.3-14 活動分數結算排行榜
3.4 使用方法與情境
課堂競賽模式：
顧名思義就是將整個活動流程濃縮到課堂中，並透過比賽的方式來進行，當然 濃縮的比例須按照授課老師的課堂時間長短來做調整，而重點在於主要會在課堂 上進行的部分在於第三階段的攻略解題，其他階段則是可選擇性的壓縮調整，不論 在課堂內或者課堂外都無太大差別。此種模式調配的最大原因在於透過現場投影 幕的實況轉撥與老師擔任賽評的實況講解，可以讓組與組之間的一來一往的競爭 氛圍最大化，使各組學生們為了獲勝必須透過絕佳的團隊合作，與事前對學科內容 的學習與準備，才能在比賽有限時間當中解出最多的題目、獲得最多的分數，而這 也就是此模式最大的益處與特色。
作業活動模式：
作業活動模式是 Edventure 正常預設的模式，因為它是經過 BJT – Online 以 來最長時間測試、存在最悠久的模式，因此可靠度與流暢度的評價最高。透過讓學 生們在課堂外、回家的時間來執行作業活動流程，從中搭配課堂上所學習的知識來 完成各階段指定任務。而各階段時限長短則視授課者調整，依照過往經驗與系統設 計初衷，通常解題攻略時間最長，其餘階段則無特別規劃。例如在台大機率課的各 活動時程分別為 2、3、7、3、2 天，因此在有限時間內如何跟隊友遠距離線上合 作將會是學生的最大課題。
第四章 數位學習資料探勘與分析之研究成果
在第四章節中要探討的是在 Edventure 上所蒐集到資料的分析處理方法以及 結果，而其研究方法需參閱相對應之附錄。首先 4.1 是藉由資料統計描述性分析 來對所有可能有價值之資料做整理與過濾，將系統使用者想知道的資訊挖掘並列 出。4.2 藉由因素分析來將使用者的學習行為資料做分類歸納，挖掘出隱藏在資料 中的重要資訊並將其定義，例如學生於系統上的學習投入程度是由何種資料來組 成，4.3 是透過信度分析來驗證與確保上述因素分析之結果有其統計上的意義。4.4 與 4.5 是此研究實驗最大的重點之一：預測模型，透過迴歸分析可計算出系統上 學習行為資料對於成績分數的相關性與因果性，藉此可延伸打造出一個線上行為 預測成績模型，再應用 4.6 的交互作用與迴歸結果去詮釋探討為何這些資料對於 成績有其影響性。最後 4.7 是使用者案例的探討討論，透過研究者自身的系統助 教身份的經驗，來敘述其過程中觀察到一些現象與特別事件。
4.1 資料統計描述性分析
下方表格為針對 103-2 台大機率與統計課程學生使用 Edventure 情況去做 描述性統計分析，總共有 180 個變數，25 個樣本數，再經研究人員主觀及經驗的 判定，篩選萃取列出較有價值、意義的變數呈現於表格中，而在這統計結果中也可 藉此觀察資料是否有可能為常態分佈，判別條件為當偏斜度大於 2 或者峰度大於 9 時，即代表非常態分佈，但要注意的是這個判別並不可逆，也就是即使偏斜度小 於 2、峰度也小於 9，也不代表為常態分佈，而要確認是否為常態分配就需要靠常 態分佈檢驗了。至於這份資料的用途，其實主要是在於它們只要經過簡單的處理與 視覺化，就能讓管理者一覽無遺地了解使用者在系統上的表現，並進而了解學生的 學習成效與表現。
表格 4.1-1 Edventure 資料變數之描述性統計資料
最小值 最大值 平均數 標準偏差 偏斜度 峰度 統計資料 統計資料 統計資料 統計資料 統計資料 統計資料
題目被攻略次數 15 54 39.04 9.581 -0.762 0.11
題目被答全對總次數 3 39 16.92 9.367 0.457 -0.281
題目被答半對總次數 1 26 9.48 5.269 1.198 2.997
題目被答全錯總次數 3 26 12.64 6.304 0.452 -0.673
題目被全對機率 0.115 0.886 0.417 0.198 0.772 0.123 題目被半對機率 0.022 0.531 0.257 0.141 0.428 -0.419 題目被全錯機率 0.083 0.577 0.325 0.133 -0.164 -0.799
獲得早鳥優惠的總次數 2 31 13.88 7.80 0.259 -0.171
Review 獲得早鳥優惠的次數 1 6 3.8 1.60 0.026 -1.378 Grading 獲得早鳥優惠的次數 0 26 10.08 7.55 0.443 -0.262
給予 feedback 總長度(Rating) 0 3282 387.4 738.66 2.972 9.868
給予 feedback 總次數(Rating) 0 25 5.32 7.46 1.462 1.192
給予 feedback 總長度(Grading) 0 6135 2434.52 1861.58 0.743 -0.696
給予 feedback 總次數(Grading) 0 57 25.96 14.28 0.201 0.156
給予 comment 長度(Review) 67 6202 2182.2 1705.42 0.856 -0.031 給予 comment 次數(Review) 1 32 15.04 8.329 0.413 -0.349 給予 comment 長度(Solving) 41 10666 1621.24 2084.96 3.657 15.683 給予 comment 次數(Solving) 2 75 15.16 15.20 2.871 9.922
給予 comment 的最大長度(Review) 67 1047 414.12 261.11 0.906 0.663
給予 comment 的最大長度(Solving) 24 912 336.48 232.23 1.089 0.735
給予 feedback 的最大長度(Grading) 0 1609 409.56 339.17 1.903 5.455
給予 feedback 的最大長度(Rating) 0 899 107.32 192.77 3.211 12.116
被給予 comment 的最大長度(Review) 0 1012 338.52 232.28 1.222 1.698
被給予 comment 的最大長度(Solving) 62 912 265.04 170.70 2.251 8.021
被給予 feedback 的最大長度(Grading) 137 1609 506.8 291.73 2.247 7.991
被給予 feedback 的最大長度(Rating) 37 899 190.92 187.52 2.529 7.953
被給予 comment 的總長度(Review) 0 3555 1295.4 983.63 0.971 0.077
被給予 comment 的總次數(Review) 0 21 8.72 5.48 0.624 -0.289
被給予 comment 的總長度(Solving) 62 2772 1024.32 673.76 1.026 0.636
被給予 comment 的總次數(Solving) 1 18 8.68 4.028 0.844 0.958
被給予 feedback 的總長度(Grading) 489 4169 2082.04 925.28 0.343 -0.136
被給予 feedback 的總次數(Grading) 5 35 20.72 7.351 -0.054 -0.488
被給予 feedback 的總長度 (Rating) 47 740 348.28 212.089 0.61 -0.882
被給予 feedback 的總次數 (Rating) 2 10 5.16 2.075 0.772 0.679
被訊息通知的次數 115 611 328.04 140.04 0.256 -0.859
登入次數 159 1159 472.04 230.52 1.221 1.891
製造訊息通知別人的次數 53 526 258.4 142.75 0.362 -0.97
使用者閒置次數 122 865 311.64 144.83 2.269 8.537
使用者從閒置復活次數 893 6719 3202.8 1491.72 0.408 -0.077 使用者切換視窗次數 748 6455 3097.28 1461.21 0.368 -0.152 系統內滑鼠點擊總次數 2401 15045 7832.4 3138.38 0.532 0.124 系統內鍵盤敲擊總次數 211 9595 1751.88 2126.66 2.476 7.082
待在 Help 頁面的時數（分鐘） 0 26 8.54 6.982 1.195 1.056 待在 Account 頁面的時數（分鐘） 0 5.5 1.76 1.548 0.894 0.122 待在 Problem 頁面的時數（分鐘） 772 5380 2308.1 1057.46 1.025 1.912 待在 Profile 頁面的時數（分鐘） 0 8 1 1.732 3.144 11.425
待在 Notification 頁面的時數（分鐘） 3 34 14.8 7.697 0.419 0.282
總上線時數（分鐘） 973 6213 2711.66 1212.23 1.007 1.922 花在 Problem 以外的時數（分鐘） 124 833 403.56 172.35 0.642 0.811 暖身的上線時數（分鐘） 22 148 59.82 33.539 1.595 2.109 結束後的上線時數（分鐘） 0 51 12.06 14.412 1.817 2.376 暖身時的滑鼠點擊次數 66 1080 363.96 257.40 1.392 1.523
結束後的滑鼠點擊次數 0 445 80.84 101.91 2.304 6.21
線上成績分數 2026 9373 4615.68 1863.23 1.085 0.578 第一次活動分數 659 2720 1601.52 612.61 0.324 -0.928 第二次活動分數 679 3681 1534.88 735.14 1.498 1.816 第三次活動分數 412 3151 1479.28 682.83 1.001 0.999 進步分數 1 -> 2 -816 1140 -66.64 482.87 0.87 0.497 進步分數 2 -> 3 -1041 1026 -55.6 488.62 0.239 -0.008
第一次解題的數量 6 21 13.96 5.2 -0.213 -1.251
第二次解題的數量 5 21 13.92 4.76 -0.206 -0.634
第三次解題的數量 1 20 11.12 5.27 0.053 -0.625
總共公開解題的數量 18 62 37.32 12.815 0.168 -1.012
解題的進步數量 1 -> 2 -9 6 0.28 4.159 -0.174 -0.62 解題的進步數量 2 -> 3 -11 12 -3.08 4.725 1.17 3.232
4.2 變數篩選之因素分析結果
在此次執行因素分析的過程中，首先先檢測了 Edventure 樣本資料進行因素 分析的可行性，在下方表格 4.2-1 中可看到結果，其 KMO 值為 0.633，再去比對 附錄中的 KMO 對照表，發現剛好跨過最低門檻 0.6，顯示實驗結果為平凡的。值 得一提的是其實這個值並非越大越好，即使在對照表中寫到 0.8 至 1.0 是良好的，
但事實上所代表的是其變數像之間的相關性非常的高，也就是像是變數之間並無 太大差異，只是變數項在互相換句話說而已，因此這點要特別注意，適宜的區間大 約為 0.6 到 0.9 之間。接下來我們會將 KMO 值做平方運算，得到的值即為『解 釋力』，這邊指的解釋力指的是變數項對整體樣本的解釋力（與後面會提到的解釋 力有著不一樣的定義與解釋），0.633 的平方大約為 0.4，也就是透過這些變數可 解釋的樣本量大約為 40%，至於在社會科學領域中其實大多只要求 KMO 值至少 能有 0.7 就足夠已，因為其解釋力就能達到五成之高，而本研究目前算是創新科學 統計領域，故不會追求與跟傳統社會科學領域一樣的門檻標準。另外在球形檢定方 面，如果個項目落點平均分像是球型一般，即代表不顯著，就是缺乏因素（變數）
之間的獨立排斥，所以本項檢定必須是顯著才行，再次看到表格 4.2-1，可發現 Edventure 的樣本與變數們在此項檢核的結果為 0.000 (<0.05)，即為具有顯著性。
表格 4.2-1 KMO 與球形檢定結果
Kaiser-Meyer-Olkin 測量取樣適當性。 .633 Bartlett 的球形檢定 大約 卡方 449.904
df 105
顯著性 .000
緊接著看到的是因素數目的萃取結果，其方法是採用主成份分析法，它是因素分析 中最常見的萃取法，其他還有最大概似法、主因素法等等，而我們可在下方表格中 看到特徵值大於 1 的共有四個元件，其餘皆為小於 1，也就是說透過特徵值法篩 選掉小於1 的話會剩下四個因素，而這四個因素（構面）能夠解釋的變異量分別為 43.303%、15.755%、14.154%、9.715%，其中第一個因素能夠解釋的變異量最多，
我們再將其他三個做加總，整體能解釋的變異數量高達 82.927%。此外這邊需要補 充說明的是關於能夠解釋的變異量與前面所提及的解釋力並不相同，此處的解釋 量是基於這四大因素去針對所有樣本的解釋力，而上述所提及之解釋力則是基於 15 項變數對樣本的解釋力。
表格 4.2-2 因素萃取結果與其可說明變異量表格
元件
起始特徵值 擷取平方和載入 循環平方和載入
總計 變異% 累加 % 總計 變異% 累加 % 總計 變異% 累加 % 1 6.495 43.303 43.303 6.495 43.303 43.303 5.471 36.475 36.475 2 2.363 15.755 59.058 2.363 15.755 59.058 3.131 20.870 57.345 3 2.123 14.154 73.212 2.123 14.154 73.212 1.954 13.028 70.373 4 1.457 9.715 82.927 1.457 9.715 82.927 1.883 12.554 82.927 5 .783 5.221 88.148
6 .592 3.947 92.095 7 .336 2.240 94.335 8 .270 1.797 96.132 9 .232 1.545 97.678 10 .141 .941 98.618 11 .120 .803 99.421 12 .038 .252 99.673 13 .033 .217 99.890 14 .016 .109 99.999 15 .000 .001 100.000 擷取方法：主體元件分析。
除了上述的特徵值法可幫助我們判斷篩選因素之外，我們還可透過陡坡圖來再次 檢驗確認篩選數量是否合適正確，可看到在下圖中斜率變化明顯的地方有兩處，分 別位於 3 跟 5，但是轉為平坦波形的點是位於 5 處，因此可以選擇的選項就有 4 跟 5 兩者，然後再觀察圖中，特徵值大於 1 的點只有 1 到 4 而已，從 5 開始 後的點，其特徵值都小於 1，結合上述以及研究者本身的經驗及研究方向判斷，最 後決定將因素縮減為四項是要為適宜的。
圖表 4.2-1 陡坡圖
最後在因素分析中最重要的就是構面形成結果，在下方旋轉元件矩陣的表格 中可看到，總共有四個直行，也就是前面所萃取的四個因素，在這邊因為經過轉 軸之後會改稱作四個構面，而每個變數在構面中都有不同的權重，所以需要做的 事情是將變數分類到構面中，在這分配過程中有些規則、事項要遵守：1. 變數需 分配到權重最高的構面當中，也就是說一個變數只能歸類到一個構面中。2. 如果 有變數在兩個構面中的權重都差不多，或者在全部的構面中其權重都小於0.5，那 麼這項變數就需要刪除。3. 每個構面最好至少要有3~5個變數形成，太多或太少 都不好，太多的問題在於以問三個問題即可得到答案為何要問五題，而太少在於 代表性不足。遵照上述的分配過程的規則進行後，會發現這步驟需要不斷進行重 複非常多次才能得到結果，在此次 Edventure 的樣本資料過程中，就進行了大約 50 次的因素分析，主要是為了刪除掉不必要的變數以及提升 KMO 值，從 180
表格 4.2-3 構面及其所包含變數之表格矩陣
元件
1 2 3 4
待在Activity 頁面的時數 .921 .202 .026 .019 待在Problem 頁面的時數 .903 .315 -.040 .101
登入次數 .876 .001 -.123 .104
使用者從閒置復活次數 .948 .150 -.073 .049
使用者切換視窗次數 .945 .133 -.081 .049
系統內滑鼠點擊總次數 .945 .208 -.080 .039
被 給 予 comment 的 總 長 度
(Review) -.019 -.034 .832 .044
題目被攻略次數 -.107 -.358 .732 .023
被 給 予 feedback 的 總 長 度
(Rating) -.129 .101 .728 -.295
給 予 feedback 的 總 長 度
( Rating) .409 .747 -.148 -.033
活動結束後的上線時數 .039 .881 -.148 .072
活動結束後的滑鼠點擊次數 .139 .937 -.129 .046
被給予 feedback 的最大長度
(Rating) .331 .744 .265 -.163
被 給 予 comment 的 總 長 度
(Solving) .024 -.035 -.170 .909
被給予 comment 的最大長度
(Solving) .167 .036 .032 .952
擷取方法：主體元件分析。
轉軸方法：具有 Kaiser 正規化的最大變異法。
a. 在 5 疊代中收斂循環。
經過上述分析結果後最後得到了四大構面，接下來就要對這些構面去做命名，
其命名方式參照了 Gwo-Hshiung Tzeng 文獻中的方法[34]，命名依據來源為該構 面所包含的變數項以及變數項所代表的意義去做命名，例如第一構面是由『待在 Activity 頁面的時數』、『待在 Problem 頁面的時數』、『登入次數』、『從閒置 狀態復活次數』、『切換視窗次數』、『滑鼠點擊次數』這六個變數項所組成，而 依照研究者及系統維護員的經驗，這六筆資料所代表的可能時是跟 Edventure 的 投入程度有關，例如會待在活動、題目頁面的人大多是在做解題攻略之動作，而切 換視窗次數與從閒置狀態復活次數則代表了查閱資料與紙筆計算，最後的登入次
數與滑鼠點擊次數也很明顯跟投入時間有關，因此針對上述對於變數的了解及詮 釋，將此構面命名為『學習投入』。
至於第二構面則是由『被給予 comment 的總長度 (Review)』、『題目被攻略 次數』、『被給予 feedback 的總長度 (Rating)』所組成，基於研究者的觀察，通 常學科能力越弱的組別，所出的題目品質越低落，也因此在審核階段時被給 comment 的長度會越多，以及題目可能較為簡易關係，導致被攻略的次數也會越 高。甚至在最後票選最佳題目階段時，依舊會收到其他人檢討改善建議的 feedback，
有鑑於此，可發現這構面大多跟負面行為有關，只是由於其他構面都為正向關係，
加上後面回歸分析及雷達圖應用的需求，研究者會在這邊對此構面做反向的轉換，
因此將其命名為『自我要求』。
而第三構面可看到為『給予 feedback 的總長度 (Rating)』、『活動結束後的 上線時數』、『活動結束後的滑鼠點擊次數』、『被給予 feedback 的最大長度 (Rating)』所構成。這邊的亮點在於當活動結束後，系統本身就不會再被使用，因 此還會上平台使用觀看的人，有很大可能性是太過投入享受變成把它當作成社群 平台在使用，閒來無事就會上網站瀏覽一下。另外關於在票選最佳題目階段給 feedback 的長度則是跟系統設計有關，由於此版本的系統在投票回饋介面設計的 並不好，因此大多數人都不會使用它，故通常會做這件事情的人，就像是在玩線上 遊戲一樣，到處嘗試玩樂。而總結針對這兩者似乎都跟享受在系統本身的趣味性有 關，因此將其命名為『趣味享受』。
最後一個構面為『被給予 comment 的總長度 (Solving)』、『被給予 comment 的最大長度 (Solving)』所組成，由於在 Edventure 之中，最大的社群互動機會就 是在解題階段的 comment box（解題討論區）中，也就是在攻略題目時會與其他使 用者做互動接觸，因此針對最後一個構面的變數跟社群有關，就將它命名為『社群 互動』。
圖表 4.2-2 四大構面視覺圖
4.3 各構面信度檢測
再接續上面因素分析所做出的成果往下探討研究之前，首先需要先將資料樣 本作正規化，也就是在描述性統計分析中所提到的 Z 分數轉換，其原因為各變數 項的單位都不盡相同，例如：點擊次數、上線時間、系統分數、留言長度等等，因 此在這種條件狀況下是無法直接去進行統計分析，而之前的因素分析由於正規化 並不影響結果，所以也將正規步驟轉移到這個階段才開始執行。在執行完正規化的 步驟後，接下來將對其各個構面去做信度分析，而此實驗中將採用 Cronbach Alpha 係數信度分析法，去檢測同一構面的一致性，因此要注意的是不能夠將不同構面之 變項同時納入信度分析中，要分別針對『學習投入』、『趣味投入』、『社群互動』、
『自我要求』，納入各自所包含的變數項依序去做檢測。至於檢測出來 α 係數要如 何判斷，將參考社會科學領域中大家公認的標準：當 α 係數介於 0.65 至 0.7 代 表尚可；α 係數介於 0.7 至 0.8 之間則具有高信度；α 係數大於 0.8 時，則信度 最佳。但倘若 α 小於 0.65 時，就需要刪除構面中所包含的部分變項，以提升 Cronbach Alpha 值，因此我們可在下方 4.3-2 表格中看到最右邊直行欄位為『如 果此項目被刪除，Cronbach Alpha 值得變化』，藉此去調整其值過低的情形。
