縱貫性網路使用行為對學業成就的影響：潛藏轉移模型分析取向

曾明基 網路行為影響學業成就 31 教育科學研究期刊 第六十四卷第四期 2019 年，64（4），31-59 doi:10.6209/JORIES.201912_64(4).0002

縱貫性網路使用行為對學業成就的影響：

潛藏轉移模型分析取向

曾明基

* 國立東華大學 師資培育中心

摘要

目前探究網路使用行為對學業成就的影響，僅侷限於橫斷性研究，本研究進一步於縱貫 性架構下，探究持續動態變化的網路使用行為對學業成就的影響。基於上述，本研究運用屏 東教育長期追蹤資料庫國小四年級至六年級學生的固定追蹤樣本，並採用潛藏轉移模型進行 網路使用行為對學業成就影響的動態分析。研究發現，網路使用行為可潛在地區分成五個異 質群體，且隨著年級的增加，網路使用行為的轉移機率在不同群體的動態變化有所差異。進 一步納進學生性別及學業成就分析發現，性別差異影響網路使用行為，且網路使用行為的潛 在異質差異在學業成就上的表現不同。針對上述結果，本研究對網路使用行為的形塑及議題 發展提出相關的建議。 關鍵詞： 網路使用行為、潛藏轉移模型、學業成就 通訊作者：曾明基，E-mail: mingchi@gms.ndhu.edu.tw 收稿日期：2018/07/02；修正日期：2018/10/12；接受日期：2018/11/14。

32 網路行為影響學業成就 曾明基

壹、緒論

自從國內施行九年一貫教育後，國小學童從三年級便開始接觸電腦課程，對於網路使用 頻繁，相對衍生了許多網路使用行為的問題。在國內，大量的實證研究探討了網路使用行為 對學生的影響，研究者查詢博碩士論文資訊網近 10 年的網路使用行為研究共 125 篇，歸納對 於網路使用行為的議題探討，主要包含父母教養方式、網路成癮、人際互動、自我認同、學 業成就等領域。就本研究而言，受限於資料庫使用限制，主要聚焦於網路使用行為對學業成 就的影響，並無法進一步探究網路使用行為與網路成癮（Lin, Wu, You, Hu, & Yen, 2018）、網 路使用行為與網路霸凌（Chang et al., 2015），以及網路相關病症（Geng, Han, Gao, Jou, & Huang, 2018）的關係。

在網路使用行為對學業成就的議題探討上，國內、外多數實證研究認為，網路使用行為 的差異會影響學生的學業成就（王涵芸、廖益興，2016；何惠凱，2015；許嘉芳，2009；黃 連興、許毓華、許天維，2014；廖思涵，2005；劉雅文，2010；鄧瑞源，2007；Biagi & Loi, 2013; Luu & Freeman, 2011; Machin, McNally, & Silva, 2007; Papanastasiou, Zembylas, & Vrasidas, 2003; Spiezia, 2010; Wainer et al., 2008; Wittwer & Senkbeil, 2008），但在網路使用行為的分析方 式上僅止於網路使用與否，或是單一的網路使用行為對學業成就的影響，如電玩遊戲、網路 交友、上網蒐集資料等對學業成就的影響。

然而，在實際的網路使用行為上，多數人使用網路並非僅止於單一的使用目的，可能同 時玩電玩遊戲、網路交友、上網蒐集資料等。為了完整表達學生的網路使用行為，本研究於 網路使用行為分析方式上並非採用過往的分析法，僅著重於個別且單一網路使用行為的探 討，而是在所有網路使用行為上，採用潛在類別模型（latent class model, LCM）進行整體性的 分析（邱皓政，2008；曾明基，2013；楊志堅、吳齊殷，2001；Collins & Lanza, 2009），同時 探討不同的網路使用行為潛在異質差異對學業成就的影響。此外，就網路使用行為的相關議 題發展，無論是探討父母教養方式、網路成癮、人際互動、自我認同、學業成就等，目前皆 僅止於橫斷性的研究，尚未有縱貫性的研究探究在不同時間點上，網路使用行為的動態變化 及其對學業成就的影響。基於此，本研究進一步加以擴展，在考慮時間軸的動態變化網路使 用行為上，探討對學業成就可能帶來的影響。本研究主要聚焦於： 一、學生的網路使用行為是否存在潛在的異質差異？ 二、在不同時間點上，動態的網路使用行為是否產生改變？ 三、在不同時間點上，動態的網路使用行為差異是否會對學業成就產生影響？ 本研究於後續的分析方式及議題探討可更完整且全面地瞭解學生動態的網路使用行為， 以及其行為對學業成就的影響。本研究於網路使用行為的分析方式和議題發展方面，均具有

曾明基 網路行為影響學業成就 33 實質的貢獻。

貳、文獻探討

在數位科技蓬勃發展的今日，上網已成為學生生活中不可或缺的一部分，無論是為了課 業、遊戲、娛樂或交友等，學生都習慣從網路中獲取所需的資訊，然而，也延伸出許多的網 路使用行為問題。在網路使用行為的議題探討方面，許多研究者都嘗試從不同角度提出不同 的看法，本研究主要著重於來自網路使用行為的差異對學生學業成就影響。相較於以往的研 究，進一步考量多個時間點（國小四至六年級）、多種網路使用行為在同一模型架構下，更細 緻地探討網路使用行為對學生學業成就的影響。

一、網路使用行為可能對學業成就產生的影響

網際網路對學生日常的影響愈來愈多，而其網路使用行為的差異是否會影響學業成就， 是許多教師及家長們深切關心的議題。許多家長擔心子女沉迷網路遊戲或網路交友，影響生 活作息及學業成就而限制其上網；然而，也有學生單純將網路視為休閒娛樂工具，家長也不 反對。研究學生網路使用行為與學業成就的文獻相當多，但網路使用行為是否會對學業成就 造成負面影響，目前仍未有定論。 單純就電腦及網路使用行為對學業成就的影響而論，國外眾多以國際性大型資料庫（如 PISA、SAEB 等）的實證研究指出，電腦及網路的使用與學生的測驗成績或學習成就有正相 關（Luu & Freeman, 2011; Machin et al., 2007; Papanastasiou et al., 2003; Spiezia, 2010）；但也有 許多研究顯示，電腦及網路使用經驗和學生的學習成就沒有相關甚至是負相關（Biagi & Loi, 2013; Wainer et al., 2008; Wittwer & Senkbeil, 2008）。在國內，何惠凱（2015）、林獻章（2015）、 鄧瑞源（2007）等人的研究發現，網路使用行為與學業成就表現無關，而黃連興等（2014）、 黃瑟娟（2011）、蔡秀英（2009）、蘇素敏（2015）則發現網路使用行為與學業成就表現呈負相 關。可見使用網路與否對學業成就所造成的影響，在國內、外的實證研究探討上，目前仍未 有定論。 進一步就網路使用行為的內容而言，若於網路上從事適當的休閒活動對學習應有正面的 助益，但過多的休閒娛樂或從事與學習無關的活動，則可能對學習帶來負面的影響。在國內， 許嘉芳（2009）、蔡政軒（2011）、劉雅文（2010）將網路使用行為內容概分為「娛樂遊戲行為」 與「教育學習行為」兩大類，這些研究發現，在「教育學習行為」方面的網路使用率愈高、 時間愈長，其學業成就愈高，但在「娛樂遊戲行為」方面的使用愈頻繁、時間愈長，則課業 表現愈差。不過，劉雅文（2010）發現各類網路活動的使用頻繁度與各科學業成就雖有相關， 但皆屬於低度相關，且遊戲類活動及聊天交友活動的使用頻繁度雖與學業成就呈負相關，但 關聯性並不高，此外，教育學習類網路活動使用的頻繁度愈高，其學業成就較佳。魏心怡

34 網路行為影響學業成就 曾明基 （2001）也發現，不同的網路活動所帶來的影響不同，在網路使用行為上，使用人際交往用 途的頻率愈高，學業成績愈低；使用課業研究用途的頻率愈高，成就感與學業成績皆愈高； 使用資訊流通用途及娛樂用途頻率愈高，學業成績愈低。此外，廖思涵（2005）針對國中生 的研究也得到相似的結果，發現學生在教育學習類的網路活動使用的頻率愈高，學業成就較 佳，但遊戲類使用的頻率愈高，學業成就即較差。 綜合以上研究可以發現，網路使用行為對學業成就所造成的影響，在國內、外的實證研 究探討上，仍未有定論。在網路使用行為內容的探討方面，只有當網路使用行為與教育學習 相關時，才對學業成就有正面助益，而其餘用途皆可能對學業成就帶來負面影響。國內、外 的實證研究大抵將網路使用行為的內容進行細部區分，在分析時僅以單一的網路使用行為（如 玩網路遊戲）去預測或解釋其對學業成就所產生的可能影響。然而，在現實生活中，學生可 能在網路上從事「娛樂遊戲行為」時，也可能同時從事「教育學習行為」，只是程度或頻率上 的差異。因此，在分析時若可同時考慮學生在各種不同網路使用行為上的差異和頻率，應可 更全面地瞭解學生網路使用行為上的異同，以及其可能對學業成就產生的影響。因此，後續 於網路使用行為的探討上，本研究將改以 LCM 進行更為細緻地說明。

二、性別及年級差異對網路使用行為所產生的影響

網路使用行為除了可能對學業成就產生影響外，也會因背景變項的不同而產生差異。雖 然世界衛生組織（World Health Organization）在 2018 年正式將網路成癮列為心理疾病，但受 限於篇幅、研究目的、研究倫理及資料庫使用限制與規範，本研究主要聚焦於在學的國小四 至六年級學生在網路使用行為上的差異及可能對學業成就所產生的影響。因此，偏向於網路 成癮等心理疾病症狀的因素及網路使用時間過長而導致網路成癮的成因，並不在本研究探討 的範圍，但過往的研究皆指出，網路使用時間過長會導致網路成癮及學業成就下降。而本研 究後續探討影響網路使用行為的差異，主要是著重在學生的性別及年級變項上。 根據財團法人台灣網路資訊中心（2017）針對臺灣地區寬頻網路使用調查報告指出，2017 年的男性上網比率（84.6%）高於女性（82.3%）。進一步就國小學童而言，行政院研究發展考 核委員會（2013）指出，國小四至六年級學生的網路使用行為，女學生在聽音樂或看影片、 寫作業找資料等的比例較男學生高，而男學生則是較偏重於玩電腦遊戲等。另針對國小學生 所做的相關實證研究也有類似的結果，許淑惠（2007）指出，在網路使用行為差異方面，國 小六年級的男生以網路遊戲為主，而女生上網的目的則較多樣化。此外，嚴增虹（2002）指 出國小男、女生在每週上網時間、網路遊戲使用程度上是男生高於女生。不同就學階段的學 生在網路使用行為的性別差異也出現類似的結果（Chen & Tzeng, 2010; Kiyici, Kiyici, & Franklin, 2012; Tsai & Tsai, 2010）。性別差異除了會對網路使用行為產生影響外，隨著年級的增 長，學生在網路使用行為上也會產生差異。

曾明基 網路行為影響學業成就 35 行政院研究發展考核委員會（2013）的調查指出，就國小階段學生而言，一至三年級的 男學生各項上網活動的比例都較女學生來得高，顯示男學童的上網活動比較活躍，而國小四 至六年級的女學生上網聽音樂或看影片、寫作業找資料的比例較男學生高，男學生則是較偏 重於玩電腦遊戲等。劉雅文（2010）進一步指出，六年級學生在上網時數及生活休閒類網路 活動的使用頻率高於五年級學生。此外，楊易蕙（2005）也指出，六年級學生的網路使用活 動以通訊使用類為主，而四年級學童的網路使用活動以資訊學習類和休閒娛樂類為主。可見 隨著年級的增長，學生在網路使用行為上會產生差異。不過，上述的研究僅止於跨不同年級、 不同學生的橫斷性比較研究，目前國內、外未有縱貫性的研究進一步探究隨著年級的增長， 在網路使用行為上是否確實會產生轉變，而此一不足正是本研究所欲補強之處。本研究後續 透過縱貫性的網路使用行為分析，應可較詳細地瞭解學生隨著年級的增長可能在網路使用行 為上產生的轉變，以及這些轉變對學業成就所帶來的影響。 本研究於建構網路使用行為的縱貫性模型時，在背景變項納入性別及年級差異，共同探 討其對網路使用行為的影響，有別於傳統網路使用行為的模型主要是建構在橫斷性的時間點 上，本研究所建構的網路使用行為模型將進一步考量時間因子而成為縱貫性模型。此外，在 調查國小四至六年級的網路使用行為時，雖每個時間點的題項皆在測量學生的網路使用行 為，但每個題項的填答內容皆屬於類別變項（填答有或無），以本研究所分析的屏東教育長期 追蹤資料庫（Pingtung Education Longitudinal Survey, PELS）為例，於網路使用行為的測量主 要分為六個題項：（一）玩電玩遊戲；（二）聽音樂、看影片；（三）做作業；（四）傳送電 子郵件；（五）上網蒐集資料、閱讀電子報；（六）交友交流（如部落格、MSN、Facebook 等）。若如同過往研究（許嘉芳，2009；蔡政軒，2011；劉雅文，2010），僅單純以人為的方 式將網路使用行為內容區分為「娛樂遊戲行為」與「教育學習行為」兩大類，並無法完整且 全面地瞭解學生在網路使用行為的樣貌，因此，本研究後續於網路使用行為的分析上，改以 LCM進行分析。

三、LCM 與潛藏轉移模型

關於 LCM 與潛藏轉移模型（latent transition analysis, LTA），詳盡說明可參閱邱皓政 （2008）、楊志堅與吳齊殷（2001）的研究，限於篇幅，在此僅著重說明本研究模型建構的重 要概念。在學生網路使用行為的議題探討方面，透過 LCM 探索學生於網路使用行為的潛在差 異，整個過程有助於瞭解學生在網路使用行為背後的潛在結構，後續可進一步發展研究命題、 建立理論，具有探索、發現的積極意義。 LCM的特性類似於傳統連續潛在變項的因素分析，其假定有一個潛在變項與網路使用行 為的外顯變項連結，當模型界定出特定的潛在變項後，該潛在變項與所對應的網路使用行為 變項之間的關係是獨立的，稱為條件獨立性假設（conditional independence assumption）

36 網路行為影響學業成就 曾明基 （Collins & Lanza, 2009）。在每一個網路使用行為的潛在類別群組中的模型都是相同的，亦可 稱之為獨立的模型，參數值可在不同的潛在類別組之間變動，就網路使用行為的 LCM 而言， 每一個測量變項所出現的可能機率值在不同網路使用行為潛在類別群組之間變動（Muthén, 2001a）。本研究使用 LCM 描述學生外顯網路使用行為之間的關係，只是 LCM 的潛在變項是 類別的潛在變項，主要在捕捉不同特徵的學生於網路使用行為整體上的潛在異質差異（邱皓 政，2008；曾明基，2013）。

於潛在類別中需估計兩種參數，分別是類別機率參數（class probability parameter）與試題 機率參數（item probability parameter）。對於測量網路使用行為的 LCM 而言，試題機率參數與 條件化試題機率有關，因此，試題機率參數由潛在類別的組數所決定。當學生透過不同網路 使用行為題項的測量而被分派至不同的潛在類別時，每一個試題機率參數可提供相關的分派 機率訊息。而類別機率參數定義每一個網路使用行為潛在類別群組在母群中的相對機率，即 每一個網路使用行為潛在類別群組的相對機率大小。 假定網路使用行為的 LCM 有 r 個外顯二分測量變項 u，且有一個潛在類別變項 c，其中 c 有 k 個潛在類別（c = k, k = 1, 2, ..., K）。對於每一個 uj= 1的邊際試題機率為： P(uj=1)= 1 ( ) ( 1| ) K j k P c k P u c k = = = =

∑

(1) 當條件化的試題機率參數被一個給定的網路使用行為潛在類別所定義時，可以下列的邏 輯函數表示： P(uj=1| c=k)= 1 1 exp( )+ −L (2) L=logit[P]= ln 1 p p − (3) 假定條件獨立性成立，則對於所有 r 個網路使用行為外顯變項的聯合機率為： P(u1, u2, ..., ur)= 1 2 1 ( ) ( | ) ( | ) ... ( | ) K r k P c k P u c k P u c k P u c k = = = = =

∑

(4) 圖 1 為網路使用行為的 LCM，在方框中的變項表示網路使用行為的外顯測量變項，而圓 形的變項表示網路使用行為的潛在類別變項 c，其中包含 k 個潛在類別群組。在圖 1 網路使用 行為的外顯測量變項與潛在類別變項的個數都沒有被定義，而條件獨立性假設於 LCM 中的涵 義是許多的網路使用行為外顯類別變項的相關性將由潛在類別變項來解釋。因此，在這些外 顯變項中，經由潛在類別變項的萃取後，彼此之間的殘差將沒有相關。

曾明基 網路行為影響學業成就 37 圖1. 網路使用行為的LCM LCM除可處理網路使用行為的潛在異質性外，亦可在模式中加入共變項來預測不同網路 使用行為的潛在類別群組，本研究主要加入學生的性別和年級加以探討。就如同於潛在連續 變項中加入共變數進行預測，在 LCM 也可加入共變數，但在加入共變數後，除了可同時描述 網路使用行為的潛在類別外，另一方面也可說明性別和年級於網路使用行為潛在類別變項上 的差異（Collins & Lanza, 2009; Muthén, 2001a, 2002）。

假定於網路使用行為的 LCM 納入一個性別共變項 x，此時個體 i 落在潛在類別變項 c 的 第 k 個群組中，則可透過下列的多元名義邏輯迴歸加以表示： P(ci

=

k| xi)

=

k k i k k i 1 x K x k

e

e

α β α β + + =

∑

(5) 其中 αk

=

0且 βk

=

0，而eαk+βk ix = 1，其中隱含潛在類別群組 k 相較於最後的潛在類別群組 K 的 對數邏輯值為： log[P(ci=k| xi)/ P(ci=K| xi)]=αk + βkxi (6) 此外， log[P(u_ij=1| c_i=k, x_i)]=αu_k+ κjkxi (7) 其中 αu_k相當於條件試題機率的邏輯值，而 κj是共變項 x 對測量變項 uj的直接效果參數值。 LCM 納入共變數的分析類似於 SEM 的多群組分析，主要在探討不同個體跨群組的不變 性，只是多群組 SEM 探討的是外顯的群組比較，而 LCM 探討的是潛在的類別群組比較。此 外顯的多群組分析是不必要的，因為透過公式(5)與公式(7)的虛擬變項 x 已成功地捕捉跨群組 的參數不變性。Cho、Cohen、Kim 與 Bottge（2010）進一步指出，在 LCM 架構下納入共變數 將使 LCM 的分群可以更好地被定義。而 Muthén（2001b）也認為透過適配度的比較確定 LCM 的組數後，應進一步納入共變數加以探討。 u1 u2 ur C …

38 網路行為影響學業成就 曾明基 綜合上述，本研究主要使用 LCM 進行網路使用行為的潛在分群，企圖透過 LCM 完整表 達網路使用行為的整體輪廓，並進一步納入性別與年級變項共同探討對網路使用行為的影 響。在本研究中，學生的年級變項並不是橫斷性的自變項，而是在不同時間點網路使用行為 多波次的測量。

LTA 的模型發展起源相當早，亦稱作潛在馬爾可夫模型（latent Markov model）（Baum, Petrie, Soules, & Weiss, 1970; Vermunt, Langeheine, & Böckenholt, 1999; Wiggins, 1973），主要應 用於社會科學研究。LTA 除了應用於社會科學領域，也廣泛地使用在其他領域，如青少年的 暴力行為（楊志堅、吳齊殷，2001；Choi & Temple, 2016）、青少年的成長軌跡（Meeus, van de Schoot, Klimstra, & Branje, 2011）、臨床診斷（Koukounari et al., 2013）、組織行為管理（Kam, Morin, Meyer, & Topolnytsky, 2016）等，可看出 LTA 的重要性及其實用價值受重視的程度。在 本研究中，LTA 主要用來分析學生網路使用行為隨時間的動態變化。

在網路使用行為的縱貫性研究中，LTA 是一種描述網路使用行為自我相關的模型。有別 於成長模型以連續變項作為測量指標，LTA 在每一個時間點的測量為離散的變項，藉由網路 使用行為縱貫性多波次的測量，LTA 便可解釋這些不同時點下所估計而得的網路使用行為潛 在類別之間的訊息與關聯（Collins & Lanza, 2009）。也就是說，在較早時間點上所測量到的 網路使用行為潛在類別可用來預測未來或較晚時間點上所測量的網路使用行為潛在類別，因 為 LTA 所定義的潛在類別是間斷的潛在變項，因此可代表個體在不同時間點下的相互轉移 （transition）變化情形，而這些轉移情形是以網路使用行為潛在類別間的機率互動變化，也就 是轉移機率矩陣（transition probability matrix）來描述。

由於網路使用行為 LCM 的估算法在給定一個潛在類別之後，題目與題目之間需符合條件 獨立的假設，因此若所蒐集的資料是從網路使用行為縱貫性研究中對同一研究樣本重複測量 而得，則對同一時點下的資料，條件獨立的假設或許可以成立，但若將此假設拓展至多個時 間點，由於每一位學生在不同時間點之間網路使用行為的測量可能有高度的自我相關 （autocorrelation），因此使得 LCM 的條件獨立假設不太可能於縱貫性研究中成立（楊志堅、 吳齊殷，2001）。而 LTA 可直接估算不同的網路使用行為潛在類別之間在不同時間點下的相 對關係，較符合縱貫性研究中同一群樣本於長時間下的整體表現。換言之，LTA 允許多個不 同的網路使用行為潛在類別代表不同時間點上的整體表現，比起潛在類別的單一潛在類別設 定更適合於在縱貫性研究中進行分析。

LTA 主要由兩種模型組合而成，包括 LCM 和自相關模型（autoregressive model），LCM 在 LTA 中主要是作為測量模型，經由 LCM 在每個時間點的測量來定義每個時間點的潛在分類 及狀態，而自相關模型有另一個名稱謂之馬爾可夫模型（Markov model），主要用來描述不同 時間點 LCM 的轉變狀態。LTA 同時透過 LCM 和自相關模型來描述網路使用行為外顯類別變 項在不同時間點的潛在轉變，雖然測量變項為網路使用行為外顯的類別變項，但 LTA 並不直

曾明基 網路行為影響學業成就 39 接使用外顯變項來描述個體隨時間的轉變，而是透過潛在類別估計每個時間點個體的潛在狀 態，並透過自相關模型加以描述不同時間點網路使用行為潛在狀態的改變機率。 圖 2 描述了 LTA 在三個不同時間點下的狀態改變，每一個時間點以 LCM 測量其潛在的狀 態，並透過自相關模型來探討不同時間點下 LCM 彼此之間可能的機率轉移情形。圖 2 的 LTA 包含了三個時間點，因此設定時間 t = 3，在每一個時間點下有三個重複測量的外顯類別變項， 因此設定外顯變項為 utj，其中 j = 1, 2, 3。這些外顯類別變項都是每一個時間點潛在類別變項 的測量指標，假定潛在類別為 Ct，包含 K 個潛在分類。因此對於 LTA 而言，將有 t−1 個轉移 情形，表示時間點 t 的潛在類別變項將被時間點 t−1 的潛在類別變項所預測，而不同時間點之 間 LCM 的預測情形是以自相關模型來加以描述。只是在 LTA 的自相關模型描述的是潛在類別 變項彼此之間的轉移情形，而不再是原始外顯類別變項之間的轉移情形。LTA 的機率表達式 可以公式(8)表示（Collins & Wugalter, 1992）：

P= 1 _{1 1} 1 r G G (w ) 1 g g | g |g g 1 g 1 2 1 1 ... T ( i ti ) t t t T g T I k t tik t i k π τ − ₋ ρ = = = = = =

∑ ∑ ∏

∏∏

(8) 其中 πg1是母群在潛在類別 g1於時間點 1 的比例，τg | gt−_t1_t−1是潛在類別 gt-1在時間點 t−1 對潛在類 別 gt於時間點 t 影響的轉移機率。對於每一個體在不同時間潛在類別群組的分類表示其潛在的 狀態， (w ) |gti_t I k tik ρ = _{是組型 g} t在某一試題 i 的 k 反應的機率，而 I(．)是試題函數。 圖2. 網路使用行為的LTA 此外，和成長模型相似（邱皓政，2017；曾明基，2017），一般化的 LTA 也可同時納進共 變項及遠端變項加以探討（Collins & Lanza, 2009; Muthén, 2008）。在 LTA 中納入共變項及遠 端變項的原理與成長模型相似，只是在成長模型中的測量變項為連續變項，而在 LTA 中為類 別變項。共變項及遠端變項將在兩種不同模型中與潛在變項建立彼此之間的關係。 u11 u12 u13 C1 u21 u22 u23 C2 u31 u32 u33 C3

40 網路行為影響學業成就 曾明基 LTA是一種機率模型，透過類別外顯變項反應的潛在組型來估計不同時間點的潛在狀態， 換言之，LTA 可用來檢測不同學生在不同的網路使用行為潛在類別群組隨時間推移的可能改 變情形。然而，LTA 的應用在國內目前僅楊志堅與吳齊殷（2001）進行過實證探討，在該研 究中主要說明 LTA 在不同時間點的轉移情形，並未進一步考量共變項及遠端變項。在本研究 中，LCM 主要捕捉不同時間點的學生在網路使用行為上的潛在異質差異，而網路使用行為潛 在異質差異隨年級的改變以 LTA 進行說明，並進一步考量性別差異對網路使用行為的影響， 以及網路使用行為差異對不同時間點學業成就的影響。

參、研究方法

一、理論架構與研究假設

本研究運用國小四至六年級學生的網路使用行為資料進行分析，在模型的建構上，首先 透過模型競爭及實證研究結果，建構網路使用行為的 LCM。其次，根據網路使用行為理論與 實證研究發現，提出一個條件化的 LTA，進一步探討性別差異對網路使用行為的動態影響， 以及網路使用行為對學業成就的影響，藉由此模型回應本研究的三個研究目的。

二、資料來源

本研究的分析資料取自 PELS，此資料庫是針對屏東縣國民小學學生的學習狀況，進行為 期 3 年的長期追蹤調查。第一年計畫主要是對 99 學年度國小四年級 9,868 位學生進行調查， 第二年計畫完成追蹤五年級 9,811 位學生，第三年計畫完成追蹤六年級 9,795 位學生。依據研 究目的，採用的是三波（國小四至六年級）學生的固定樣本追蹤調查資料進行分析。 本研究除對三個不同時間點的網路使用行為進行 LTA 分析外，並納入性別變項及學業成 就進行探究，在三個不同時間點的完整填答有效樣本數共計有 8,699 筆。

三、測量變項

在本研究所使用的變項中，性別變項來自於第一波四年級學生的調查，而網路使用行為、 國語和數學成就的測量則來自於第一至三波學生的資料（如表 1）。PELS 共提供三個時間點所 分別測得的國語和數學成就分數，各波的測驗分數均經過試題反應理論（item response theory, IRT）的水平等化連結而得，PELS 的技術報告顯示，測驗分數經過了嚴格測驗理論檢視而具 有良好的適配性與內部效度，亦經差異試題功能（differential item functioning, DIF）檢定確認 題目的可類化性，在實徵研究上已開始作為學生學習成就的指標（林俊瑩，2016）。

曾明基 網路行為影響學業成就 41 表 1 本研究的測量變項 潛在變項 觀察變項 定義與測量方式 學生性別 使用虛擬編碼，男生為1，女生為0 網路使用行為 三個測量時間 點，共六題 你最常使用電腦做什麼事？ 1. 玩電玩遊戲 2. 聽音樂、看影片 3. 做作業 4. 傳送電子郵件 5. 上網蒐集資料、閱讀電子報 6. 交友交流（如部落格、MSN、Facebook 等） 依據填答的有無，填答有為1，填答無為0 國語成就 三個測量時間點 採用PELS四至六年級三波國語的能力測驗分數，並用IRT水平 等化過後的分數進行分析 數學成就 三個測量時間點 採用PELS四至六年級三波數學的能力測驗分數，並用IRT水平 等化過後的分數進行分析 由表 2 可知，整體而言，男生和女生的性別比例差異不大。就網路使用行為而言，在四 年級時玩電玩遊戲（75.1%）的比例最高，其次是聽音樂、看影片（55.1%），到了五年級除 了玩電玩遊戲（75.8%）和聽音樂、看影片（64.2%）的比例增加外，交友交流（如部落格、 MSN、Facebook 等）的比例快速增加（51.2%），到了六年級玩電玩遊戲（71.7%）的比例些 微下降，但頻率還是很高，而聽音樂、看影片（75.2%）的比例增加快速，交友交流（如部落 格、MSN、Facebook 等）的比例也快速增加（67.2%）。就四至六年級而言，玩電玩遊戲、聽 音樂、看影片和交友交流（如部落格、MSN、Facebook 等）的比例有逐年增加的趨勢，而做作 業、傳送電子郵件、上網蒐集資料、閱讀電子報的比例都在 50%以下。 表 2 國小四至六年級網路使用行為摘要 整體（N＝8,699） 男生（N＝4,415） 女生（N＝4,284） % 四年級 五年級 六年級 四年級 五年級 六年級 四年級 五年級 六年級 玩電玩遊戲 75.1 75.8 71.7 82.7 84.3 85.0 67.4 67.0 58.0 聽音樂、看影片 55.1 64.2 75.2 54.6 63.5 73.3 55.6 64.9 77.2 做作業 31.4 35.0 35.6 26.2 29.8 31.0 36.9 40.3 40.2 （續）

42 網路行為影響學業成就 曾明基 表 2 國小四至六年級網路使用行為摘要（續） 整體（N＝8,699） 男生（N＝4,415） 女生（N＝4,284） % 四年級 五年級 六年級 四年級 五年級 六年級 四年級 五年級 六年級 傳送電子郵件 15.4 22.5 17.4 15.1 21.9 18.2 15.6 23.1 16.6 上網蒐集資料、 閱讀電子報 26.3 30.1 28.8 24.3 27.8 26.4 28.5 32.5 31.2 交友交流（如部 落 格 、 MSN 、 Facebook等） 24.6 51.2 67.2 24.5 49.8 63.4 24.7 52.7 71.1 國語成就 （%） -.034 （87.4） -.017 （87.9） -.027 （88.1） -.159 （88.0） -.151 （87.0） -.169 （88.1） .094 （85.0） .121 （86.6） .119 （85.7） 數學成就 （%） -.026 （87.0） -.014 （88.8） -.014 （88.7） -.036 （90.4） -.048 （91.8） -.073 （92.4） -.015 （83.2） .022 （85.4） .047 （84.2） 此外，就男、女生而言，從四至六年級的男生僅在玩電玩遊戲的比例較女生高，而在其 他網路使用行為的比例均較女生低，但性別差異是否會影響網路使用行為，有待後續說明。 進一步就國語和數學的學業成就來看，從四至六年級的女生表現均較男生佳，但網路使用行 為是否會影響學業成就，仍有待後續加以說明。

四、分析方法

本研究採用 Mplus（Muthén & Muthén, 1998-2012）進行穩健性最大概似法參數估計與模 式評估，藉以區辨網路使用行為的潛在異質差異及轉移機率1_{。在 LCM 及 LTA 模型品質的評}

估與異質群組數目的判定，依據邱皓政（2008）、曾明基（2013）、楊志堅與吳齊殷（2001）、 Cho等（2010）、Collins 與 Lanza（2009）的建議，使用訊息指標 BIC、ABIC 作為模型判準 的依據。當網路學習行為潛在類別被辨識之後，將在縱貫性的架構下討論各群組的基本特質 差異及隨時間轉移的狀態差異。進一步為瞭解網路學習行為各異質群組的內涵與意義，本研 究將性別變項及學業成就納入模型加以探討。

五、確定潛在類別的最佳分群組數

本研究主要探究網路使用行為對學業成就的影響，並透過 LTA 建構網路使用行為隨時間 的轉變狀況。在建構 LTA 之前，需事先分析各個測量時間點網路使用行為的 LCM，由於在建 構每一測量時間點網路使用行為的 LCM 時會面臨潛在類別個數判準的情形，可見 LCM 的定 1 所使用的語法詳列於 https://www.dropbox.com/sh/2uydtfmj99fozal/AACQULlF7XQjCt2ktV-kNnF8a?dl=0。

曾明基 網路行為影響學業成就 43 義精確與否將會影響模型的正確性及穩定性。在網路使用行為 LCM 中的潛在類別，主要是在 捕捉不同時間點下網路使用行為潛在的狀態，通常在模型建構之初，研究者尚無法得知 LCM 的個數為何，因此如何正確決定潛在類別的個數，藉以有效地描述不同群體的潛在異質性是 很重要的步驟。研究者必須透過統計數指標及所估算出模型的可解釋性，用以決定在母群中 需要多少個潛在類別個數，或者需要多少個潛在類別個數來完整捕捉母群體的異質性。過往 探討 LCM（邱皓政，2008；曾明基，2013；楊志堅、吳齊殷，2001；Cho et al., 2010; Collins & Lanza, 2009）的文獻指出，目前仍未有單一的統計數指標，可普遍用來決定在母群中適當的潛 在類別個數為何。此外，在模型的建構上仍需考慮最佳分類組數 LCM 的可解釋性，有可能在 模型比較上所獲得的最佳分類組數的 LCM 在實證上卻沒有實質的解釋意義，也無法用來正確 描述母群中存在的異質現象。

六、網路使用行為 LTA 的三步驟分析

在確定網路使用行為隨時間的轉變狀態後，將進一步納入共變項加以探討，在網路使用 行為的動態變化中加入共變項可以描述成長過程的異質差異，所納入的共變項為學生性別， 以及國語和數學的學業成就。在橫斷性研究上，由於潛在類別分群並無法達到 100%精確分群， 因此必須進行分群誤差的校正（Bakk, Tekle, & Vermunt, 2013; Vermunt, 2010），是屬於估計 出潛在類別分群後，才進行的多步驟分析的校正，目的是為了控制共變項在模型中因不同潛 在類別分群不精確所產生的偏誤，為事後的校正。而在 LTA 模型中，雖然潛在類別分群跨時 間恆定，但共變項的加入也會影響 LTA 模型的轉移機率（Muthén & Asparouhov, 2011），因 此，在 LTA 模型中仍需進行三步驟的校正（Asparouhov & Muthén, 2014a, 2014b）。近來，三 步驟的校正除了應用在橫斷性和縱貫性的研究外，也開始應用在多層次 LCM（Park & Yu, 2018）和潛在類別變項的插補（Boeschoten, Oberski, Waal, & Vermunt, 2018）。限於篇幅，關 於 LTA 三步驟分析的觀念說明請參閱 Asparouhov 與 Muthén（2014a, 2014b）的研究，以下僅 著重分析結果討論2_。

肆、研究結果與討論

一、確定各個不同時間點網路使用行為的最佳分群組數

在表 3 中，網路使用行為不同時間點潛在類別分群的 C = 1 表示所有的樣本適用同一個 LCM並僅用單一的潛在類別描述不同網路使用行為之間的差異，並沒有考慮網路使用行為的 潛在異質差異。進一步考慮網路使用行為的潛在異質差異發現，隨著潛在類別分群的增加， 2 _{本研究網路使用行為 LTA 三步驟分析的語法詳列於 https://www.dropbox.com/sh/2uydtfmj99fozal/AACQULlF} 7XQjCt2ktV-kNnF8a?dl=0。

44 網路行為影響學業成就 曾明基 表 3

網路使用行為在三個測量時間點 LCM 的適配度比較（N＝8,699）

class BIC ABIC Entropy

四年級 C4＝1 59814.75 59795.68 1.57 C4＝2 56861.00 56819.69 .57 C4＝3 56351.70 56288.15 .54 C4＝4 56032.69 55946.89 .60 C4＝5 55988.61 55880.57 .61 C4＝6 56008.62 55878.33 .58 五年級 C5＝1 64269.28 64250.22 1.57 C5＝2 60769.70 60728.39 .57 C5＝3 59980.74 59917.18 .56 C5＝4 59659.77 59573.97 .59 C5＝5 59526.51 59418.46 .64 C5＝6 59569.99 59439.70 .68 六年級 C6＝1 60973.25 60954.19 1.57 C6＝2 58549.02 58507.71 .58 C6＝3 57670.42 57606.86 .65 C6＝4 57464.72 57378.92 .71 C6＝5 57469.35 57361.31 .64 C6＝6 57500.21 57369.91 .60 註：1. C＝1 表示網路使用行為分成一個潛在類別群組，C＝2 表示網路使用行為分成兩個潛在類別 群組，其餘依此類推；2. Entropy 值愈大代表潛在類別分類品質愈精準，相關說明請參考 Celeux 與 Soromenho（1996）。 相較於單一 LCM 而言，在 BIC、ABIC 比較適配指標獲得改善，表示隨著潛在類別分群的增 加，可以更精確地捕捉網路使用行為的潛在異質差異。 在四年級時，學生的網路使用行為以分成五個潛在類別群組的 BIC 最小，而分成六個潛 在類別群組的 ABIC 最小，但當分成六個潛在類別群組時，在第二、三、六組的分群樣本數過 小，樣本數均小於 4%，因此以五個潛在類別群組作為說明依據。在五年級時，學生的網路使 用行為以分成五個潛在類別群組的 BIC、ABIC 最小，因此以五個潛在類別群組作為說明依據。 在六年級時，學生的網路使用行為以分成五個潛在類別群組的 ABIC 最小。整體而言，從四年 級到六年級，學生的網路使用行為以分成五個潛在類別群組最佳，因此後續於 LTA 的說明分 析，將以五個潛在類別的 LTA 進行說明。

曾明基 網路行為影響學業成就 45

二、針對網路使用行為的最佳分群組數進行命名

當網路使用行為在三個不同時間點的潛在類別分群皆為五個潛在分類時，各潛在類別分 群的條件機率如表 4 所示。由表 4 可知，當網路使用行為在三個不同時間點皆分為五個潛在 類別時，四年級的第一潛在分類群的樣本數為 3,490 人（40.1%），第二潛在分類群為 2,099 人 （24.1%），第三潛在分類群為 1,515 人（17.4%），第四潛在分類群為 819 人（9.4%），第五潛 在分類群為 776 人（8.9%）。就第一潛在分類群而言，在網路使用行為各題項的機率均不高， 命名為「不愛網路組」；就第二潛在分類群而言，在網路使用行為上喜歡玩電玩遊戲、聽音 樂、看影片的機率很高，命名為「喜歡娛樂組」；就第三潛在分類群而言，除了玩電玩遊戲、 聽音樂、看影片的機率很高外，也喜歡交友交流（如部落格、MSN、Facebook 等），命名為「娛 樂交友組」；就第四潛在分類群而言，在網路使用行為各題項的機率以做作業、上網蒐集資料、 閱讀電子報最高，命名為「網路學習組」；就第五潛在分類群而言，在網路使用行為各題項的 機率均很高，命名為「熱愛網路組」。 表 4 網路使用行為在四至六年級時分成五個 LCM 的條件機率（N＝8,699） 四年級 （40.1%） C4#1 不愛網路組 C4#2 （24.1%） 喜歡娛樂組 C4#3 （17.4%） 娛樂交友組 C4#4 （9.4%） 網路學習組 C4#5 （8.9%） 熱愛網路組 玩電玩遊戲 56.9 100.0 91.3 68.4 91.1 聽音樂、看影片 19.5 100.0 76.6 55.8 93.8 做作業 18.9 26.7 15.3 81.8 69.2 傳送電子郵件 1.6 4.6 33.5 16.1 73.5 上網蒐集資料、閱讀電 子報 9.8 019.5 16.0 73.9 81.4 交友交流（如部落格、 MSN、Facebook等） 5.0 10.9 71.3 14.5 81.0 五年級 （26.9%） C5#1 不愛網路組 C5#2 （17.4%） 喜歡娛樂組 C5#3 （35.2%） 娛樂交友組 C5#4 （6.5%） 網路學習組 C5#5 （14.0%） 熱愛網路組 玩電玩遊戲 52.9 97.8 90.7 53.6 89.5 聽音樂、看影片 20.3 100.0 85.4 46.1 93.1 做作業 15.0 32.7 21.3 76.2 75.3 傳送電子郵件 1.2 8.0 27.6 19.2 70.9 上網蒐集資料、閱讀電 子報 6.2 27.2 13.5 69.1 86.4 交友交流（如部落格、 MSN、Facebook等） 16.6 0.0 87.1 31.4 92.8 （續）

46 網路行為影響學業成就 曾明基 表 4 網路使用行為在四至六年級時分成五個 LCM 的條件機率（N＝8,699）（續） 六年級 （17.6%） C6#1 不愛網路組 C6#2 （12.0%） 喜歡娛樂組 C6#3 （48.6%） 娛樂交友組 C6#4 （7.8%） 網路學習組 C6#5 （14.0%） 熱愛網路組 玩電玩遊戲 43.9 100.0 77.3 45.5 89.4 聽音樂、看影片 25.9 86.7 89.9 53.6 97.8 做作業 16.0 29.0 22.1 78.1 80.4 傳送電子郵件 5.0 5.2 13.3 16.3 59.1 上網蒐集資料、閱讀電 子報 2.7 21.3 12.8 75.1 88.2 交友交流（如部落格、 MSN、Facebook等） 28.9 0.0 89.5 47.7 95.0 註：1.C4#1 表示網路使用行為在四年級的第一個潛在類別群組，C4#2 表示網路使用行為在四年級 的第二個潛在類別群組，C4#3 表示網路使用行為在四年級的第三個潛在類別群組，其餘時間點的 潛在類別分群依此類推；2.在第一列 C4#1（40.1%）括弧裡的 40.1%表示潛在類別的分群機率，所 有潛在類別的分群機率加總為 1，代表所有的分析樣本。 相較於過往以人為的方式進行網路使用行為的分類（許嘉芳，2009；蔡政軒，2011；劉雅 文，2010），或是僅以網路使用行為的單一題項進行分析（王涵芸、廖益興，2016；何惠凱， 2015；黃連興等，2014；廖思涵，2005；鄧瑞源，2007；Biagi & Loi, 2013; Luu & Freeman, 2011; Machin et al., 2007; Papanastasiou et al., 2003; Spiezia, 2010; Wainer et al., 2008; Wittwer & Senkbeil, 2008），使用 LCM 進行網路使用行為的潛在異質分群，可以更清楚地瞭解學生網路 使用行為的完整樣貌，值得加以推廣使用。 此外，網路使用行為的潛在類別分類在四年級、五年級和六年級的潛在類別分類相似。 整體而言，「喜歡娛樂組」的學生隨年級的增加逐漸減少，「娛樂交友組」的學生隨年級的增 加而大幅上升，相對地，「不愛網路組」則大幅下降，而「網路學習組」在五年級下降、六年 級回升，「熱愛網路組」在五年級上升、六年級持平。然而，隨著時間的轉移，學生在各潛在 類別群組之間的轉移情形為何，有必要使用 LTA 分析進一步加以說明。

三、使用 LTA 分析網路使用行為隨時間的轉變

在確定網路使用行為在三個不同時間點的潛在類別分群皆以五個潛在分類群為最佳模型 後，接著以 LTA 建構網路使用行為隨時間的轉變狀況。在 LTA 中，各潛在類別分群假定跨時 間相等（楊志堅、吳齊殷，2001；Cho et al., 2010; Muthén, 2008），關注的焦點於網路使用行 為在不同潛在類別群組之間的轉移情形，以及後續納入共變項對網路使用行為的影響。

首先，進行不包含共變項（性別變項及學業成就）的 LTA 分析。LTA 模型的適配度為 BIC＝168379.23，ABIC＝168144.07，Entropy＝ .71，而 Pearson χ2＝67121.71，df＝261556， p ＞ 1.00，而概似比 χ2＝21264.91，df＝261556，p ＞ 1.00，這兩個卡方檢驗的統計估計一

曾明基 網路行為影響學業成就 47

致，表示 LTA 模型與樣本的擬合程度良好（邱皓政，2008；曾明基、邱皓政、張德勝、羅寶 鳳，2013；Muthén & Muthén, 1998-2012）。由表 5 下半部可知，當學生跨時間點設定潛在類別 的分群為五個潛在群組時，各個群組內的條件機率和不同時間點橫斷性的潛在類別相似（詳 如表 4），表示在 LTA 潛在類別跨時間的穩定性得以保持。此外，由表 5 上半部可知，學生 在四至六年級的網路使用行為隨著時間改變的轉移機率不同，可見學生的網路使用行為受到 時間因子的調節，因此在進行網路使用行為的探討時，應進一步納入時間變項加以考量（行 政院研究發展考核委員會，2013；楊易蕙，2005；劉雅文，2010），而不是僅使用橫斷性的 資料進行模型建構，如此才能更詳細說明網路使用行為隨時間改變的狀態。 表 5 網路使用行為在三個測量時間點的 LTA 分析（N＝8,699） 五年級 轉移機率矩陣 T45 四年級 不愛網路組_（C5#1） 喜歡娛樂組_（C5#2） 娛樂交友組_（C5#3） 網路學習組_（C5#4） 熱愛網路組_（C5#5） 不愛網路組（C4#1） 54.9 18.2 11.7 12.0 3.1 喜歡娛樂組（C4#2） 4.8 45.4 33.7 4.0 12.0 娛樂交友組（C4#3） 8.0 0.0 78.4 0.0 20.8 網路學習組（C4#4） 5.1 0.0 3.1 62.9 28.9 熱愛網路組（C4#5） 1.5 3.6 24.1 0.0 70.8 六年級 T56 五年級 不愛網路組 （C6#1） 喜歡娛樂組 （C6#2） 娛樂交友組 （C6#3） 網路學習組 （C6#4） 熱愛網路組 （C6#5） 不愛網路組（C5#1） 46.1 9.0 25.4 15.7 3.8 喜歡娛樂組（C5#2） 4.2 42.3 43.8 1.7 8.1 娛樂交友組（C5#3） 1.9 4.8 82.8 0.0 10.5 網路學習組（C5#4） 4.4 0.0 14.3 63.3 18.0 熱愛網路組（C5#5） 1.8 1.0 37.6 1.9 57.7 LTA裡的LCM 不愛網路組 喜歡娛樂組 娛樂交友組 網路學習組 熱愛網路組 玩電玩遊戲 18.3 94.3 80.0 58.1 90.4 聽音樂、看影片 13.9 58.6 81.2 57.9 93.9 做作業 17.2 18.4 16.1 76.8 69.3 傳送電子郵件 8.0 4.9 15.4 15.9 61.9 上網蒐集資料、閱讀電 子報 7.1 14.1 9.7 60.5 75.4 交友交流（如部落格、 MSN、Facebook等） 6.1 6.2 89.6 30.5 90.3 註：T45表示網路使用行為在四年級及五年級之間的機率轉移情形；T56表示網路使用行為在五年級 及六年級之間的機率轉移情形；分析語法詳列於 https://www.dropbox.com/sh/2uydtfmj99fozal/AAC QULlF7XQjCt2ktV-kNnF8a?dl=0。

48 網路行為影響學業成就 曾明基 由表 5 上半部可知，網路使用行為 LTA 轉移機率矩陣在四年級與五年級之間的機率轉移 情形，以及五年級與六年級之間的機率轉移情形不同。就四年級與五年級之間的機率轉移情 形而言，五個不同潛在類別在自己的轉移機率最高，而不愛網路組有 18.2%的機率轉移至喜歡 娛樂組，有 11.7%轉移至娛樂交友組，喜歡娛樂組有 33.7%的機率轉移至娛樂交友組，有 12.0% 轉移至熱愛網路組，有將近 46%的機率轉移至更熱愛網路使用行為的兩個組，此外，娛樂交 友組有 20.8%的機率轉移至熱愛網路組，而網路學習組有 28.9%的機率轉移至熱愛網路組，整 體而言，不愛網路組、喜歡娛樂組、娛樂交友組和網路學習組從四年級到五年級皆有往熱愛 網路組轉移的趨勢，熱愛網路組僅有 24.1%轉移至娛樂交友組。 此外，網路使用行為從四年級到五年級的整體機率轉移情形與五年級到六年級的整體機 率轉移情形產生極大的差異，相較於四年級與五年級之間的機率轉移往熱愛網路組，就五年 級與六年級之間的機率轉移情形而言，皆有往娛樂交友組轉移的趨勢。不愛網路組有 25.4%的 機率轉移至娛樂交友組，有 15.7%轉移至網路學習組，而喜歡娛樂組有 43.8%的機率轉移至娛 樂交友組，相較於喜歡娛樂組本身，轉移至娛樂交友組的機率更高，僅有 8.1%的機率轉移至 熱愛網路組，此外，娛樂交友組有 10.5%的機率轉移至熱愛網路組，而網路學習組有 14.3%的 機率轉移至娛樂交友組，有 18.0%轉移至熱愛網路組，熱愛網路組有 37.6%的機率轉移至娛樂 交友組。 整體而言，就網路使用行為從四年級到六年級的轉移機率而論，四年級學生到五年級時， 傾向轉移至較四年級時更熱愛網路使用行為的群組；但從五年級到六年級時，學生反而傾向 於轉移至較五年級時更熱愛網路交友的群組。

四、透過 LTA 三步驟分析加入學生變項（性別差異和學業成就）予以探討

（一）性別差異對網路使用行為的影響

由表 6 可知，性別對網路使用行為產生不同程度的影響。就性別變項而言，四年級男生 相對於女生出現在喜歡娛樂組的機率為 275.9%（e1.105＝2.759），高出約 175.9%，此外，男生 和女生出現在娛樂交友組的機率沒有差異，但男生相對於女生出現在網路學習組的機率為 61.8%（e-.481＝0.618），男生相對於女生出現在熱愛網路組的機率為 145.7%（e0.377＝1.457）， 相對於女生而言，男生在網路學習組的機率低於女生，僅在喜歡娛樂組和熱愛網路組的機率 高於女生。可見性別差異確實會對網路使用行為產生影響，與過往的研究相符（行政院研究 發展考核委員會，2013；財團法人台灣網路資訊中心，2017；許淑惠，2007；嚴增虹，2002； Chen & Tzeng, 2010; Kiyici et al., 2012; Tsai & Tsai, 2010），但相較於過往單一網路使用行為的 性別差異，納入共變項的網路使用行為 LTA 分析，可更清楚地瞭解性別差異在網路使用行為 的完整樣貌。

曾明基 網路行為影響學業成就 49 表 6 納入學生性別的三步驟網路使用行為 LTA 模型（N＝8,699） 自變項 四年級 勝敗比 相對機率 喜歡娛樂組（C4#2） -1.02*** 2.76 娛樂交友組（C4#3） -0.49*** 1.64 網路學習組（C4#4） -0.48*** 0.62 學生性別 熱愛網路組（C4#5） -0.38*** 1.46 註：表中第二欄未列出的熱愛網路組（C4#1）為參照組。性別變項影響網路使用行為潛在類別的迴 歸係數為勝敗比（odds ratio），原理和傳統的外顯變項邏輯迴歸相似，在此是以潛在類別變項（C4#1） 作為參照組，而非外顯的類別變項。 ***p ＜ .001.

（二）網路使用行為對學業成就的影響

進一步就網路使用行為對學業成就產生的影響加以說明，由表 7 可知，網路使用行為確 實會對學業成就產生影響，與過往的研究相符（黃連興等，2014；黃瑟娟，2011；蔡秀英，2009； 蘇素敏，2015；Biagi & Loi, 2013; Luu & Freeman, 2011; Machin et al., 2007; Papanastasiou et al., 2003; Spiezia, 2010; Wainer et al., 2008; Wittwer & Senkbeil, 2008）。只是網路使用行為對學業成 就的影響力在不同網路使用行為的潛在群組有所差異，就國語成就而言，網路學習組在三個 不同時間點的國語成就均最高（ .27→ .29→ .26），其次是熱愛網路組（ .19→ .13 → .13），然 後是娛樂交友組（ .01→ -.08→ -.06），而學業成就較差的是不愛網路組（-.18→ -.12→ -.17） 和喜歡娛樂組（-.14 → -.16→ -.26）。此外，網路使用行為對數學成就的影響也得到類似的結 果。 表 7 納入學業成就的三步驟網路使用行為 LTA 模型（N＝8,699） 不愛網路組 喜歡娛樂組 娛樂交友組 網路學習組 熱愛網路組 國語成就 四年級 -.18 -.14 -.01 .27 .19 五年級 -.12 -.16 -.08 .29 .13 六年級 -.17 -.26 -.06 .26 .13 數學成就 四年級 -.23 -.09 -.00 .27 .15 五年級 -.20 -.12 -.08 .31 .13 六年級 -.20 -.18 -.07 .31 .14 註：1.表中的國語和數學測驗分數是經過 IRT 水平等化連結而得的標準化分數；2.所有參數估計的 p 值均 ＜ .001。

50 網路行為影響學業成就 曾明基 在所有網路使用行為組型中，網路學習組的學業成就最高而喜歡娛樂組的學業成就最 低，與過往文獻一致，而熱愛網路組除了喜歡娛樂交友也喜歡網路學習，所以學業成就不差， 但不愛網路組的學業成就偏低，頗令人意外。新近，在國際性的「促進國際閱讀素養研究」 （Progress International Reading Literacy Study）閱讀評量（Mullis, Martin, Foy, & Drucker, 2012） 和「國際數學與科學教育成就調查」（Trends in International Mathematics and Science Study）評 量（Mullis, Martin, Foy, & Arora, 2012）中，將網際網路的有無作為家庭學習資源（home resources for learning）的一個重要指標，或許在不愛網路組的學生中，有可能因來自弱勢家庭 而導致家庭學習資源匱乏，進而在接觸網際網路上有其限制。然而，受限於篇幅，本研究目 的僅從學生網路使用行為的角度切入，未再進一步從教育社會學門有關教育機會均等的角度 加以深入探究，此或許可作為後續研究者的發展方向。 就完整的網路使用行為模型加以說明，網路使用行為確實會影響學業成就的表現，但會 受到性別和時間的調節。男生相對於女生，出現在與娛樂遊戲行為的群組相較於女生高，而 女生出現在與教育學習行為的群組相較於男生高，在與教育學習行為群組相關的潛在類別學 業成就較高，而非教育學習行為群組相關的潛在類別學業成就較低。初始的性別差異影響網 路使用行為，進而影響學業成就，且隨著時間的推移，網路使用行為對學業成就的影響力逐 漸加大，學生的網路使用行為有潛在的異質差異。 過往探究網路使用行為的實證研究僅使用橫斷性分析，研究發現有其侷限性。本研究使 用縱貫性的 LTA 分析發現，網路使用行為在國小四至六年級可分成五個潛在類別群組，且隨 著年級的增加，網路使用行為逐漸從熱愛網路組轉移至娛樂交友組。此外，性別差異對網路 使用行為的影響依舊存在，可見男生與女生的網路使用行為本就不同，且進一步隨著時間的 推移而影響學業成就的表現。

伍、結論與建議

本研究主要從 LTA 取向出發，重新探究縱貫性的網路使用行為對學業成就的影響。就方 法學角度而言，有別於過往僅以單一題項的網路使用行為分析或是以人為的方式進行網路使 用行為的分類，在本研究中以模式化的角度透過 LCM 同時將所有測量網路使用行為的變項進 行模型建構，過程有助於瞭解學生在網路使用行為背後的潛在結構，可進一步於網路使用行 為的議題發展上建立理論，具有實質的貢獻。 透過 LTA 分析，可發現不同性別的學生網路使用行為存在差異，且網路使用行為隨著時 間產生改變，進一步影響學業成就。本研究發現，除了可以瞭解四至六年級學生網路使用行 為的轉移情形，也有助於現職教師及家長作為指引學生網路使用行為的參考。由研究結果得 知，偏向娛樂遊戲類的網路活動對於學業成就有負面的影響，而教育學習類活動則有著正面

曾明基 網路行為影響學業成就 51 的影響，雖然上網蒐集資料或學習對學業成就有幫助，但也不能忽略其他網路使用行為所帶 來的負面影響，因此，教師與家長可針對網路使用行為和資源做合理的規範及引導（吳佩芬、 周倩，2016），並請學校加強宣導，從學生初次接觸網路即建立正確的網路使用行為及習慣。

誌謝

本研究感謝王文中老師和邱皓政老師在 CDM 和 Mixture model 的指導，以及國立屏東大 學統計工作室、陳正昌教授、陳新豐教授慨允提供資料，使本研究得以順利完成；另感謝審 稿者細緻且嚴謹的審查，在此致上最高的敬意與謝意！

52 網路行為影響學業成就 曾明基

參考文獻

一、中文文獻

王涵芸、廖益興（2016）。網路使用行為與學業成就之研究─以新竹市公立國小六年級學生為 例。中華行政學報，18，75-95。doi:10.6712/JCPA.201606_(18).0004

【Wang, H.-Y., & Liao, I.-S. (2016). The correlation between internet behavior and academic achievement of the public sixth-grade students in Hsinchu City. The Journal of Chinese Public Administration, 18, 75-95. doi:10. 6712/JCPA.201606_(18).0004】

行 政 院 研 究 發 展 考 核 委 員 會 （ 2013 ）。 6-11 歲 學 童 數 位 學 習 與 數 位 機 會 調 查 。 取 自 http://ws.ndc.gov.tw/001/administrator/10/relfile/0/1000/3121615281771.pdf

【Research, Development Evaluation Commission, Executive Yuan. (2013). 6-11 year old schoolchild digital learning and digital opportunity survey report. Retrieved from http://ws.ndc.gov.tw/001/administrator/10/ relfile/0/1000/3121615281771.pdf】

吳佩芬、周倩（2016）。國小五年級網路資源合理使用之教學設計行動研究。教育科學研究期 刊，61（4），147-176。doi:10.6209/JORIES.2016.61(4).06

【Wu, P.-F., & Chou, C. (2016). Development of instructions for fair use of internet resources for fifth graders: An action research. Journal of Research in Education Sciences, 61(4), 147-176. doi:10.6209/JORIES.2016.61(4).06】

何惠凱（2015）。國小中年級學童網路使用行為與學習成就之相關研究（未出版碩士論文）。 國立高雄師範大學，高雄市。doi:10.6817/NKNU.2013.00021

【Ho, H.-K. (2015). A study on the relations among behavior of internet using and learning achievement in middle grade of elementary school (Unpublished master’s thesis). National Kaohsiung Normal University, Kaohsiung, Taiwan. doi:10.6817/NKNU.2013.00021】

林俊瑩（2016）。學科補習之動態變化對學習成就族群落差的影響：以屏東縣小學生為例。 教育研究與發展期刊，12（4），23-56。doi:10.3966/181665042016121204002

【Lin, C.-Y. (2016). Influence of dynamic changes in subject supplementary education on ethnic gap in learning achievement: A case of elementary school students in Pingtung County. Journal of Educational Research and Development, 12(4), 23-56. doi:10.3966/181665042016121204002】

林獻章（2015）。國小五、六年級學生線上遊戲成癮與學業成就之相關性研究─以臺中大德國 小為例（未出版碩士論文）。南華大學，嘉義縣。

【Lin, X.-Z. (2015). The correlation research on 5th-and-6th-grades students’ addiction to online games and their academic achievement: A case study of Dade Elementary School in Taichung (Unpublished master’s thesis). Nanhua University, Chiayi County, Taiwan.】

邱皓政（2008）。潛在類別模式：原理與技術。臺北市：五南。

【Chiou, H.-J. (2008). Latent class modeling: Principles and techniques. Taipei, Taiwan: Wu-Nan Book.】

邱皓政（2017）。多層次模式與縱貫資料分析：Mplus 8 解析應用。臺北市：五南。

【Chiou, H.-J. (2017). Multilevel modeling and longitudinal data analysis: Applications of Mplus 8. Taipei, Taiwan: Wu-Nan Book.】

曾明基 網路行為影響學業成就 53

財 團 法 人 台 灣 網 路 資 訊 中 心 （ 2017 ）。 2017 年 台 灣 寬 頻 網 路 使 用 調 查 報 告 。 取 自 https://www.twnic.net.tw/download/200307/20170721e.pdf

【Taiwan Network Information Center. (2017). 2017 Taiwan broadband network usage survey report. Retrieved from https://www.twnic.net.tw/download/200307/20170721e.pdf】

許淑惠（2007）。國小六年級學童網路使用行為、家庭相關因素與網路成癮之研究（未出版碩 士論文）。靜宜大學，臺中市。

【Hsu, S.-H. (2007). A study of the internet using behavior, family factors, and internet addiction on sixth grade elementary school student (Unpublished master’s thesis). Jingyi University, Taichung, Taiwan.】

許嘉芳（2009）。國小高年級學生的親子關係、網路使用行為與學業成就相關之研究（未出版 碩士論文）。國立中正大學，嘉義縣。

【Hsu, C.-F. (2009). A study of the relations among parent-child relationship, internet usage and academic achievement for the fifth and sixth graders in elementary school (Unpublished master’s thesis). National Chung Cheng University, Chiayi County, Taiwan.】

曾明基（2013）。測量誤差對成長混合模型異質性分析的影響：蒙地卡羅模擬研究與實徵資 料分析（未出版博士論文）。國立東華大學，花蓮縣。

【Tseng, M.-C. (2013). Measurement error affect the heterogeneity of the growth mixture model: Monte Carlo simulation and empirical data analysis (Unpublished doctoral dissertation). National Donghua University, Hualien, Taiwan.】

曾明基（2017）。進行多層次建模最小可行的樣本數建議：貝氏模擬取向。教育研究與發展 期刊，13（4），1-26。doi:10.3966/181665042017121304001

【Tseng, M.-C. (2017). Sample size requirements of using multilevel models: Bayesian simulation study. Journal of Educational Research and Development, 13(4), 1-26. doi:10.3966/181665042017121304001】

曾明基、邱皓政、張德勝、羅寶鳳（2013）。以學生評鑑教師教學量表決定教師開課或去留可 行嗎？混合 IRT 分析取向。教育科學研究期刊，58（1），91-116。doi:10.3966/2073753X 2013035801004

【Tseng, M.-C., Chiou, H.-J., Chang, T.-S., & Lo, P.-F. (2013). Is using a SRI to determine the fate of teachers or commencement of work suitable? A mixture IRT analysis. Journal of Research in Education Sciences, 58(1), 91-116. doi:10.3966/2073753X2013035801004】

黃連興、許毓華、許天維（2014）。影響學生學業成就與網路使用行為之相關研究─以桃園縣 一所國小為例。臺中教育大學學報：數理科技類，28（1），1-22。

【Huang, L.-X., Hsu, Y.-H., & Hsu, T.-W. (2014). The relationship between students’ academic achievements and internet usage behaviors at an elementary school in Taoyuan County. Journal of National Taichung University of Education, 28(1), 1-22.】

黃瑟娟（2011）。新北市三重與蘆洲兩所國小高年級學童網路成癮與學業成就相關之研究（未 出版碩士論文）。銘傳大學，臺北市。

【Huang, S.-J. (2011). A study of internet addiction and academic achievement for fifth and sixth grade students of two elementary schools at Sanchong and Luzhou in New Taipei City (Unpublished master’s thesis). Ming Chuan University, Taipei, Taiwan.】

楊志堅、吳齊殷（2001）。潛藏轉移模式在社會縱貫研究之應用：以青少年暴力行為發展研 究為例。調查研究，9，5-33。doi:10.7014/TCYC.200104.0005

54 網路行為影響學業成就 曾明基

【Yang, C.-C., & Wu, C.-I. (2001). Latent transition models for longitudinal sociology study: A paradigm of adolescences deviant behavior development. Survey Research, 9, 5-33. doi:10.7014/TCYC.200104.0005】

楊易蕙（2005）。國小學童網路使用行為與人際關係、自我概念之研究（未出版碩士論文）。 國立臺南大學，臺南市。

【Yung, Y.-H. (2005). Research among behavior of using internet and interpersonal relationship, self-concept for elementary school students (Unpublished master’s thesis). National Tainan University, Tainan, Taiwan.】

廖思涵（2005）。高雄市國中生網路使用行為、網路沉迷與生活適應、學業成就之相關研究 （未出版碩士論文）。國立高雄師範大學，高雄市。

【Liao, S.-H. (2005). A study on the relations among behavior of internet using, internet addiction, life adjustment and learning achievement in junior high school in Kaoshiung City (Unpublished master’s thesis). National Kaohsiung Normal University, Kaohsiung, Taiwan.】

蔡秀英（2009）。澎湖縣國小學童涉入網路遊戲與其同儕關係、學業成就之相關研究（未出版 碩士論文）。國立臺南大學，臺南市。

【Tsai, S.-Y. (2009). A study of the correlation between the involving in internet games of primary school students and peer relationship and academic performance (Unpublished master’s thesis). National Tainan University, Tainan, Taiwan.】

蔡政軒（2011）。高雄市國小高年級學童在校學習態度與網路成癮之相關研究（未出版碩士論 文）。國立高雄師範大學，高雄市。

【Tsai, J.-S. (2011). A study on learning attitude in school and internet addiction for senior students of elementary school in Kaohsiung (Unpublished master’s thesis). National Kaohsiung Normal University, Kaohsiung, Taiwan.】

劉雅文（2010）。國小高年級學生網路使用行為與自我概念、學業成就之研究（未出版碩士論 文）。中華大學，新竹市。

【Liu, Y.-W. (2010). A study of self-concept and learning achievement on internet user behavior for high grade students in elementary school (Unpublished master’s thesis). Chung Hua University, Hsinchu, Taiwan.】

鄧瑞源（2007）。新竹市國民小學高年級學生網路使用行為及其影響之研究（未出版碩士論 文）。國立新竹教育大學，新竹市。

【Teng, R.-Y. (2007). Internet use behavior of high grades of elementary school students in Hsinchu City (Unpublished master’s thesis). National Hsinchu University of Education, Hsinchu, Taiwan.】

魏心怡（2001）。網際網路與心理幸福、學業成績（未出版碩士論文）。國立臺東師範學院， 臺東市。

【Wei, H.-I. (2001). Internet and psychological well-being, academic achievement (Unpublished master’s thesis). National Taitung Teacher College, Taitung, Taiwan.】

嚴增虹（2002）。國小學童網際網路使用者背景、行為與心理特質關係之研究（未出版碩士 論文）。國立臺南大學，臺南市。

【Yen, T.-H. (2002). Research on the relationship between background, behavior of using internet and psychological characteristics for elementary school students (Unpublished master’s thesis). National Tainan University, Tainan, Taiwan.】

蘇素敏（2015）。高年級學童網路成癮現象對學業成就及身心健康相關之研究（未出版碩士論 文）。南華大學，嘉義縣。

曾明基 網路行為影響學業成就 55

【Su, S.-M. (2015). A study of internet addiction of elementary high grade students effects the academic achievement and mental health (Unpublished master’s thesis). Nanhua University, Chiayi County, Taiwan.】

二、外文文獻

Asparouhov, T., & Muthén, B. O. (2014a). Auxiliary variables in mixture modeling: Three-step approaches using Mplus. Structural Equation Modeling: A Mutidisciplinary Journal, 21(3), 329-341. doi:10.1080/10705511. 2014.915181

Asparouhov, T., & Muthén, B. O. (2014b). Auxiliary variables in mixture modeling: Using the BCH method in Mplus to estimate a distal outcome model and an arbitrary second model. Retrieved from http://www.statmodel.com/download/asparouhov_muthen_2014.pdf

Bakk, Z., Tekle, F. B., & Vermunt, J. K. (2013). Estimating the association between latent class membership and external variables using bias adjusted three-step approaches. Sociological Methodology, 43(1), 272-311. doi:10.1177/0081175012470644

Baum, L. E., Petrie, T., Soules, G., & Weiss, N. (1970). A maximization technique occurring in the statistical analysis of probabilistic function of Markov chains. Annals of Mathematical Statistics, 41(1), 164-171. doi:10.1214/aoms/1177697196

Biagi, F., & Loi, M. (2013). Measuring ICT use and learning outcomes: Evidence from recent econometric studies. European Journal of Education, 48(1), 28-42. doi:10.1111/ejed.12016 Boeschoten, L., Oberski, D. L., Waal, T. D., & Vermunt, J. K. (2018). Updating latent class

imputations with external auxiliary variables. Structural Equation Modeling: A Multidisciplinary Journal, 25(5), 750-761. doi:10.1080/10705511.2018.1446834

Celeux, G., & Soromenho, G. (1996). An entropy criterion for assessing the number of clusters in a mixture model. Journal of Classification, 13(2), 195-212. doi:10.1007/BF01246098

Chang, F.-C., Chiu, C.-H., Miao, N.-F., Chen, P.-H., Lee, C.-M., Chiang, J.-T., & Pan, Y.-C. (2015). The relationship between parental mediation and Internet addiction among adolescents, and the association with cyberbullying and depression. Comprehensive Psychiatry, 57, 21-28. doi:10.1016/j.comppsych.2014.11.013

Chen, S.-Y., & Tzeng, J.-Y. (2010). College female and male heavy internet users’ profiles of practices and their academic grades and psychosocial adjustment. Cyberpsychology Behavior and Social Networking, 13(3), 257-262. doi:10.1089/cyber.2009.0023

Cho, S. J., Cohen, A. S., Kim, S. H., & Bottge, B. (2010). Latent transition analysis with a mixture item response theory measurement model. Applied Psychological Measurement, 34(7), 483-504. doi:10.1177/0146621610362978

56 網路行為影響學業成就 曾明基

stability of teen dating violence? Latent transition analysis. Prevention Science, 17(3), 367-376. doi:10.1007/s11121-015-0621-4

Collins, L. M., & Lanza, S. T. (2009). Latent class and latent transition analysis: With applications in the social, behavioral and health sciences. Hoboken, NJ: John Wiley & Sons. doi:10.1002/ 9780470567333

Collins, L. M., & Wugalter, S. E. (1992). Latent class models for stage-sequential dynamic latent variables. Multivariate Behavioral Research, 27(1), 131-157. doi:10.1207/s15327906mbr 2701_8

Geng, J., Han, L., Gao, F., Jou, M., & Huang, C.-C. (2018). Internet addiction and procrastination among Chinese young adults: A moderated mediation model. Computers in Human Behavior, 84, 320-333. doi:10.1016/j.chb.2018.03.013

Kam, C., Morin, A. J. S., Meyer, J. P., & Topolnytsky, L. (2016). Are commitment profiles stable and predictable? A latent transition analysis. Journal of Management, 42(6), 1462-1490. doi:10.1177/0149206313503010

Kiyici, M., Kiyici, F. B., & Franklin, T. (2012). Examining freshmen believe concerning ICT usage in K-12 and university settings. Turkish Online Journal of Educational Technology, 11(4), 427-431. doi:10.1016/j.sbspro.2011.04.403

Koukounari, A., Donnelly, C. A., Moustaki, I., Tukahebwa, E. M., Kabatereine, N. B., Wilson, S., …van Dam, G. J. (2013). A latent markov modelling approach to the evaluation of circulating cathodic antigen strips for schistosomiasis diagnosis pre- and post-praziquantel treatment in Uganda. PLoS Computational Biology, 9(12), e1003402. doi:10.1371/journal.pcbi. 1003402

Lin, M.-P., Wu, J.-Y. W., You, J., Hu, W.-H., & Yen, C.-F. (2018). Prevalence of internet addiction and its risk and protective factors in a representative sample of senior high school students in Taiwan. Journal of Adolescence, 62, 38-46. doi:10.1016/j.adolescence.2017.11.004

Luu, K., & Freeman, J. G. (2011). An analysis of the relationship between information and communication technology (ICT) and scientific literacy in Canada and Australia. Computers & Education, 56(4), 1072-1082. doi:10.1016/j.compedu.2010.11.008

Machin, S., McNally, S., & Silva, O. (2007). New technology in schools: Is there a payoff? The Economic Journal, 117(522), 1145-1167. doi:10.1111/j.1468-0297.2007.02070.x

Meeus, W., van de Schoot, R., Klimstra, T., & Branje, S. (2011). Personality types in adolescence: Change and stability and links with adjustment and relationships: A five-wave longitudinal study. Developmental Psychology, 47(4), 1181-1195. doi:10.1037/a0023816

曾明基 網路行為影響學業成就 57

Mullis, I. V. S., Martin, M. O., Foy, P., & Arora, A. (2012). TIMSS 2011 international results in mathematics. Chestnut Hill, MA: TIMSS & PIRLS International Study Center, Lynch School of Education, Boston College.

Mullis, I. V. S., Martin, M. O., Foy, P., & Drucker, K. T. (2012). PIRLS 2011 international results in reading. Chestnut Hill, MA: TIMSS & PIRLS International Study Center, Lynch School of Education, Boston College.

Muthén, B. O. (2001a). Latent variable mixture modeling. In G. A. Marcoulides & R. E. Schumacker (Eds.), New developments and techniques in structural equation modeling (pp. 1-33). Mahwah, NJ: Lawrence Erlbaum Associates.

Muthén, B. O. (2001b). Second-generation structural equation modeling with a combination of categorical and continuous latent variables: New opportunities for latent class/latent growth modeling. In L. M. Collins & A. Sayer (Eds.), New methods for the analysis of change (pp. 291-322). Washington, DC: American Psychological Association.

Muthén, B. O. (2002). Beyond SEM: General latent variable modeling. Behaviormetrika, 29(1), 81-117. doi:10.2333/bhmk.29.81

Muthén, B. O. (2008). Latent variable hybrids: Overview of old and new models. In G. R. Hancock & K. M. Samuelsen (Eds.), Advances in latent variable mixture models (pp. 1-24). Charlotte, NC: Information Age. doi:10.1080/10705511003661595

Muthén, B. O., & Asparouhov, T. (2011). LTA in Mplus: Transition probabilities influenced by covariates. Retrieved from http://www.statmodel.com/examples/LTAwebnote.pdf

Muthén, L. K., & Muthén, B. O. (1998-2012). Mplus user’s guide (7th ed.). Los Angeles, CA: Muthén & Muthén.

Papanastasiou, E. C., Zembylas, M., & Vrasidas, C. (2003). Can computer use hurt science achievement? The USA results from PISA. Journal of Science Education and Technology, 12(3), 325-332. doi:10.1023/A:1025093225753

Park, J., & Yu, H.-T. (2018). A comparison of approaches for estimating covariate effects in nonparametric multilevel latent class models. Structural Equation Modeling: A Multidisciplinary Journal, 25(5), 778-790. doi:10.1080/10705511.2018.1448711

Spiezia, V. (2010). Does computer use increase educational achievements? Student-level evidence from PISA. OECD Journal: Economic Studies, 1, 1-22. doi:10.1787/eco_studies-2010-5km33 scwlvkf

Tsai, M.-J., & Tsai, C.-C. (2010). Junior high school students internet usage and self-efficacy: A re-examination of the gender gap. Computers & Education, 54(4), 1182-1192. doi:10.1016/j.