114 年 國立政治大學心理學系碩士班社會與人格組《統計學、心理測驗及心理學實驗法》

核心觀念

常態分配 $X \sim N(\mu, \sigma^2)$ 以平均數 $\mu$ 為對稱中心（曲線最高點），橫軸上每隔一個標準差 $\sigma$ 畫一條刻度線時，各刻度對應的數值為

$$X = \mu + z\sigma ,\qquad z = 0,\ \pm1,\ \pm2,\ \pm3$$

本題 $\mu = 100$、$\sigma = 15$，所以刻度依序是 55、70、85、100、115、130、145。

---

解題方法

先讀圖：附圖的常態曲線中央最高點有一條垂直線（$\mu = 100$），向左、向右各以等間距畫出刻度線。由中央往左數：

• 第 1 條刻度線（$-1\sigma$）→ 方框 A 所指處
• 第 2 條刻度線（$-2\sigma$）→ 方框 C 所指處

核心觀念

本題評量常態分配（Normal Distribution）之幾何特徵與標準化分數（$Z$ 分數）的轉換概念：

1. 常態分配的對稱性與參數：常態分配記作 $X \sim N(\mu, \sigma^2)$，為單峰且左右對稱於平均數 $\mu$ 之鐘形曲線。橫軸刻度通常以平均數為中心（$Z = 0$），並以標準差 $\sigma$ 為固定間距向兩側展開。
2. $Z$ 分數與原始分數之轉換公式：
   $Z = \frac{X - \mu}{\sigma}$
   將其移項即可求得對應位置之原始分數 $X$：
   $X = \mu + Z\sigma$

---

解題方法

原卷附圖為一標準的常態分配曲線，中央最高峰處垂直向下引出一條對稱中心線（代表平均數 $\mu = 100$），且曲線下方依固定標準差等距劃出垂直分割線。方框標記 C、A 分別指向中心左側第 2 條與第 1 條分割線（$Z = -2$ 與 $Z = -1$），而方框標記 B 則指向中心右側第 2 條分割線（$Z = +2$）。

解題步驟如下：

1. 確定分配參數：題幹給定平均數 $\mu = 100$，標準差 $\sigma = 15$。
2. 判讀 B 處之標準化位置：
   • 對稱中心線為 $\mu = 100$（$Z = 0$）。
   • 中心向右第 1 條垂直分割線對應 $Z = +1$。
   • B 標示處的箭頭正對中心向右第 2 條垂直分割線，故其標準化值為 $Z_B = +2$。
3. 計算 B 處之原始數值：
   代入公式 $X = \mu + Z\sigma$：
   $X_B = 100 + 2 \times 15 = 100 + 30 = 130$

核心觀念

1. 常態分配（Normal Distribution）與標準化（Z-score）：
   若隨機變數 $X$ 服從常態分配 $X \sim N(\mu, \sigma^2)$，其中平均數 $\mu = 100$，標準差 $\sigma = 15$，則原始分數 $X$ 轉換為標準分數 $Z$ 的公式為：
   $Z = \frac{X - \mu}{\sigma}$
   標準化後的變數服從標準常態分配 $Z \sim N(0, 1)$。
2. 標準常態分配之累積機率與對稱性：
   常態分配曲線以平均數為中心左右對稱，總面積為 $1$。介於兩點 $a$ 與 $b$ 之間的面積比例，可藉由中心點 $Z = 0$ 拆解或利用標準常態累積分配函數 $\Phi(z) = P(Z \le z)$ 計算：
   $P(a \le X \le b) = P(z_a \le Z \le z_b) = \Phi(z_b) - \Phi(z_a)$
3. 常態分配經驗法則（Empirical Rule / 68-95-99.7 法則）：
   • $\mu \pm 1\sigma$ 區間涵蓋約 $68.26\%$ 的資料（單側 $\mu \sim \mu + 1\sigma$ 約佔 $34.13\%$，經驗法則取 $34\%$）。
   • $\mu \pm 2\sigma$ 區間涵蓋約 $95.44\%$ 的資料（單側 $\mu \sim \mu + 2\sigma$ 約佔 $47.72\%$，經驗法則取 $47.5\%$）。

---

解題方法

• 圖形判讀：
  觀察原卷附圖，常態分配曲線橫軸中央的最高峰處垂直線為平均數 $\mu = 100$。向左與向右每隔一個標準差（$\sigma = 15$）各有一條垂直刻度線：向左一個標準差位置為方框 A 所指處（$X = 85$）；向左兩個標準差位置為方框 C 所指處（$X = 70$）；向右一個標準差處為垂直虛線（$X = 115$，無標框）；向右兩個標準差位置為方框 B 所指處（$X = 130$）。
• 推導步驟：
  1. 求 A 與 B 處之對應數值與 Z 分數：
     • A 處位於平均數左側一個標準差：
       $X_A = \mu - 1\sigma = 100 - 15 = 85 \implies z_A = \frac{85 - 100}{15} = -1$
     • B 處位於平均數右側兩個標準差：
       $X_B = \mu + 2\sigma = 100 + 2 \times 15 = 130 \implies z_B = \frac{130 - 100}{15} = +2$
  2. 計算 A 與 B 所夾區域之比例：
     所求即為機率 $P(85 \le X \le 130) = P(-1 \le Z \le 2)$。
     利用常態曲線以 $Z = 0$ 對稱的特性，將區域拆分為兩部分：

核心觀念

本題評量常態分配（Normal Distribution）的對稱性質、標準化 $Z$ 分數轉換，以及經驗法則（Empirical Rule / 68-95-99.7 法則）與標準常態機率計算。

1. 標準化公式（$Z$-score）：
   若隨機變數 $X \sim N(\mu, \sigma^2)$，則其標準化變數 $Z$ 定義為：
   $Z = \frac{X - \mu}{\sigma}$
   其中 $Z \sim N(0, 1)$。
2. 常態分配的對稱性：
   常態分配曲線以平均數 $\mu$（即 $Z = 0$）為中心呈鐘形對稱，兩側對應標準差位置的尾端機率（面積）完全相等：
   $P(Z < -z) = P(Z > z)$
3. 經驗法則（Empirical Rule / 68-95-99.7 法則）：
   • 落在 $\mu \pm 1\sigma$（即 $-1 \le Z \le 1$）內的面積約佔 $68\%$（精確值為 $68.26\%$）。
   • 落在 $\mu \pm 2\sigma$（即 $-2 \le Z \le 2$）內的面積約佔 $95\%$（精確值為 $95.44\%$）。
   • 落在 $\mu \pm 3\sigma$（即 $-3 \le Z \le 3$）內的面積約佔 $99.7\%$（精確值為 $99.74\%$）。
4. 尾端機率（Tail Probability）：
   落於雙側極端區域（超出 $\pm 2\sigma$ 之外）的總面積為 $1 - P(-2 \le Z \le 2)$。

---

解題方法

從原卷附圖中可見，常態分配曲線以對稱中心峰值為中心軸，該處為平均數 $\mu = 100$；橫軸刻度以標準差 $\sigma = 15$ 為等距單位向兩側標記。圖中標示處之位置如下：

• 中心線為 $\mu = 100$（$Z = 0$）。
• 標示 A 處位於中心左側第 1 個刻度處，即 $\mu - 1\sigma = 100 - 15 = 85$（$Z = -1$）。
• 標示 C 處位於中心左側第 2 個刻度處，即 $\mu - 2\sigma = 100 - 2(15) = 70$（$Z = -2$）。
• 標示 B 處位於中心右側第 2 個刻度處，即 $\mu + 2\sigma = 100 + 2(15) = 130$（$Z = +2$）。

題目欲求「小於 C 標示處」和「大於 B 標示處」佔整個分配的比例，解題步驟如下：

步驟一：將原始分數轉換為標準化 $Z$ 分數

• C 標示處之 $Z$ 分數：
  $Z_C = \frac{70 - 100}{15} = -2$
• B 標示處之 $Z$ 分數：
  $Z_B = \frac{130 - 100}{15} = +2$

步驟二：界定目標區域與機率表示式

• 「小於 C 標示處」所對應之區域為左尾部分：$P(X < 70) = P(Z < -2)$。
• 「大於 B 標示處」所對應之區域為右尾部分：$P(X > 130) = P(Z > 2)$。

步驟三：計算所佔比例

此題在統計學評分中有「經驗法則近似值」與「標準常態分配表查表精確值」兩種標準，推導如下：

1. 依據經驗法則（Empirical Rule）計算：
   • 落在中央 $\mu \pm 2\sigma$（即 $-2 \le Z \le 2$）範圍內的比例約為 $95\%$。
   • 超出 $\mu \pm 2\sigma$ 之外的兩側尾端總比例（合計）為：

核心觀念

本題評量假設檢定（Hypothesis Testing）中型 I 錯誤（Type I error）、**型 II 錯誤（Type II error）與統計考驗力（Statistical Power）**之機率定義及其在抽樣分配圖形中的幾何意義：

1. 左尾檢定架構：

   • 虛無假設 $H_0: \mu = 0$
   • 對立假設 $H_1: \mu < 0$
     當樣本統計量落於臨界值（Critical value, $C$）左側的拒絕域（Reject $H_0$）時，即拒絕虛無假設。

2. 兩類型錯誤與考驗力之定義：

   • 顯著水準／型 I 錯誤機率（$\alpha$）：當 $H_0$ 為真時，檢定結果卻拒絕 $H_0$ 的機率。

$$\alpha = P(\text{Reject } H_0 \mid H_0 \text{ is true})$$

• 型 II 錯誤機率（$\beta$）：當 $H_1$ 為真時，檢定結果卻未能拒絕（保留）$H_0$ 的機率。

$$\beta = P(\text{Fail to reject } H_0 \mid H_1 \text{ is true})$$

• 統計考驗力（Power, $1-\beta$）：當 $H_1$ 為真時，檢定結果正確拒絕 $H_0$ 的機率。

$$\text{Power} = 1 - \beta = P(\text{Reject } H_0 \mid H_1 \text{ is true})$$

---

解題方法

從考卷原圖可判讀出關鍵幾何配置：圖中繪有兩條常態分配曲線，右側為中心在 $\mu=0$ 的 $H_0$ 分配，左側為中心在 $\mu < 0$ 的 $H_1$ 分配；兩曲線間劃有一條垂直臨界值切線，切線左側上方標有向左箭頭指示「Reject $H_0$」（拒絕域），切線右側為保留域（未拒絕域）。

圖中各紋路區域與統計量配對推導如下：

1. 臨界線右側區域：
   屬於 $H_1$ 分配落入保留域（未拒絕 $H_0$）的部分，此機率即為型 II 錯誤機率 $\beta$。圖中此處以單向傾斜的「斜條紋」表示（對應第 7 題）。
2. 臨界線左側區域（Reject $H_0$ 區域）：
   • 在 $H_0$ 分配下：落入拒絕域的左尾極端機率為 $\alpha$。

核心觀念

本題考查假設檢定（Hypothesis Testing）中**統計決策、兩種類型錯誤（Type I & Type II Errors）與統計檢定力（Statistical Power）**之圖形幾何定義：

1. 虛無假設與對立假設分配：
   • 虛無假設 $H_0: \mu = 0$：其抽樣分配是以 $\mu = 0$ 為中心的常態分佈（圖中右側曲線）。
   • 對立假設 $H_1: \mu < 0$：本題為方向性檢定（左尾檢定，left-tailed test），其分配是以 $\mu < 0$ 為中心的常態分佈（圖中左側曲線）。
2. 決策分界點（臨界值，Critical Value）：
   • 垂直臨界線將數線劃分為兩側：左側為「拒絕域（Reject $H_0$）」，右側為「不拒絕域（Fail to reject $H_0$）」。
3. 三個核心指標的機率與幾何定義：
   • $\alpha$（第一類型錯誤率 / 顯著水準）：當 $H_0$ 為真時，檢定統計量落入拒絕域的機率： $$\alpha = P(\text{Reject } H_0 \mid H_0 \text{ is true})$$ 在圖形上對應為：$H_0$ 曲線下方落在臨界線左側（拒絕域）的尾端面積。
   • $\beta$（第二類型錯誤率）：當 $H_1$ 為真時，檢定統計量落入不拒絕域的機率： $$\beta = P(\text{Fail to reject } H_0 \mid H_1 \text{ is true})$$ 在圖形上對應為：$H_1$ 曲線下方落在臨界線右側（不拒絕域）的面積。
   • $1-\beta$（統計檢定力，Power）：當 $H_1$ 為真時，正確拒絕 $H_0$ 的機率： $$1-\beta = P(\text{Reject } H_0 \mid H_1 \text{ is true})$$ 在圖形上對應為：$H_1$ 曲線下方落在臨界線左側（拒絕域）的面積。

---

解題方法

由試卷附圖可讀出：右側常態曲線標示為 $H_0$（中心在 $\mu=0$），左側常態曲線標示為 $H_1$（中心在 $\mu<0$）；兩曲線之間設有一垂直臨界線，臨界線上方標示「Reject $H_0$」並附向左箭頭，確立了「臨界線以左為拒絕域、臨界線以右為不拒絕域」。

配對推導步驟如下：

1. 鎖定格狀區域的所屬曲線與範圍：
   圖中垂直臨界線左側為拒絕 $H_0$ 的區域。格狀區域位於臨界線的左側，其頂部邊界正是 $H_0$ 分配延伸進入拒絕域的左側尾端（tail）。
2. 判定統計意義：

核心觀念

本題考查統計學中**假設檢定（Hypothesis Testing）**的決策風險與機率分配區域之對應關係，涉及核心觀念如下：

1. 虛無假設與對立假設之抽樣分配：
   • 虛無假設 $H_0: \mu = 0$：抽樣分配中心位於右側（$\mu = 0$）。
   • 對立假設 $H_1: \mu < 0$：為左尾檢定（Left-tailed test），其抽樣分配中心位於左側負值方向。
2. 決策臨界值與拒絕區（Critical Value and Rejection Region）：
   • 垂直虛線為臨界值 $c$。
   • 臨界線以左為拒絕區（$\text{Reject } H_0$）；臨界線以右為未拒絕區（$\text{Fail to reject } H_0$）。
3. 兩類型錯誤與統計檢定力（Type I / Type II Errors and Power）：
   • 型一錯誤率（$\alpha$）：當 $H_0$ 為真時，錯誤拒絕 $H_0$ 的機率：
     $\alpha = P(\text{拒絕 } H_0 \mid H_0 \text{ 為真})$
   • 型二錯誤率（$\beta$）：當 $H_1$ 為真時，未能拒絕 $H_0$ 的機率：
     $\beta = P(\text{未拒絕 } H_0 \mid H_1 \text{ 為真})$
   • 統計檢定力（$1 - \beta$）：當 $H_1$ 為真時，正確拒絕 $H_0$ 的機率：
     $1 - \beta = P(\text{拒絕 } H_0 \mid H_1 \text{ 為真})$

---

解題方法

讀圖關鍵資訊：
觀察原卷附圖，水平軸中心偏左為 $H_1: \mu < 0$ 曲線，中心偏右為 $H_0: \mu = 0$ 曲線；中央貫穿一條垂直虛線（臨界值），其上方標記「$\text{Reject } H_0 \leftarrow$」，指示虛線左側為拒絕區、右側為未拒絕區；曲線下方分別標示三種陰影：最左側為直條區域、臨界線左側相交處為格狀區域、臨界線右側延伸之 $H_1$ 尾部為斜條紋區域。

推導步驟：

1. 判定決策區域：斜條紋區域完整位於垂直虛線（臨界線）的右側，此側決策為「未拒絕 $H_0$」（$\text{Fail to reject } H_0$）。
2. 判定真值假設所屬曲線：該斜條紋區域位於對立假設 $H_1$ 曲線的尾部下方，代表在「$H_1$ 為真」的條件下。
3. 結合機率定義：

核心觀念

本題評量二因子變異數分析（Two-Way ANOVA）中**主要效果（Main Effect）與交互作用圖（Interaction Plot）**的幾何判讀。

1. 主要效果的定義：檢定單一因子各水準對依變項（DV）的整體影響，即檢定該因子的**邊際平均數（Marginal Means）**是否存在顯著差異。對因子 A 而言，虛無假設為： $$H_0: \mu_{A=L} = \mu_{A=M} = \mu_{A=H}$$
2. 平方和與 $F$ 檢定：
   因子 A 的組間離均差平方和（Sum of Squares, $SS_A$）定義為各水準邊際平均數與總平均數差距的加權平方和： $$SS_A = n \cdot b \sum_{j=1}^{a} (\bar{Y}_{j\cdot} - \bar{Y}_{\cdot\cdot})^2$$ 檢定統計量為： $$F_A = \frac{MS_A}{MS_{\text{error}}}$$ 若各水準邊際平均數完全相等，則 $SS_A = 0$、$F_A = 0$，因子 A 必然不具統計顯著性。

---

解題方法

原卷圖形橫軸為因子 A 的三個水準（L、M、H），縱軸為依變項數值；虛線為實驗組（E），實線為控制組（C），兩條直線呈現高度對稱的交叉（X 型），且交點精準位於中水準 M。

解題推導步驟如下：

1. 求各水準的邊際平均數（幾何中點）：
   • 在水準 L：實驗組得分較低（設為 $y_{\text{low}}$），控制組得分較高（設為 $y_{\text{high}}$），此水準的邊際平均數為兩組之中點： $$\bar{Y}_{A=L} = \frac{y_{\text{low}} + y_{\text{high}}}{2}$$
   • 在水準 M：兩線相交於正中心，此時兩組數值相同（設為 $y_{\text{mid}}$），此水準的邊際平均數為： $$\bar{Y}_{A=M} = \frac{y_{\text{mid}} + y_{\text{mid}}}{2} = y_{\text{mid}}$$
   • 在水準 H：實驗組得分升高為 $y_{\text{high}}$，控制組得分降低為 $y_{\text{low}}$，此水準的邊際平均數為兩組之中點： $$\bar{Y}_{A=H} = \frac{y_{\text{high}} + y_{\text{low}}}{2}$$
2. 邊際平均數比較：
   由圖形對稱性可知，$y_{\text{mid}} = \frac{y_{\text{low}} + y_{\text{high}}}{2}$，因此因子 A 在三個水準上的邊際平均數完全一致：

核心觀念

本題探討二因子變異數分析（Two-way ANOVA）中的**主要效果（Main Effect）與邊際平均數（Marginal Mean）**之判定，以及交互作用對主要效果的抵消效應（cancellation effect）：

1. 因子 B 主要效果的虛無假設： $$H_0: \mu_E = \mu_C$$ 主要效果檢驗的是「跨越因子 A 的所有水準後，因子 B 各水準（實驗組 E 與控制組 C）的邊際平均數是否存在顯著差異」。
2. 邊際平均數與離差平方和：
   因子 B 的主要效果平方和（$SS_B$）取決於各邊際平均數（$\bar{Y}_{E\cdot}$ 與 $\bar{Y}_{C\cdot}$）與總平均數（$\bar{Y}_{\cdot\cdot}$）之離差平方和： $$SS_B = n \cdot a \sum_{j} (\bar{Y}_{\cdot j} - \bar{Y}_{\cdot\cdot})^2$$ 若兩組的邊際平均數相等，則 $SS_B = 0$，$F$ 檢定統計量亦為 $0$。

---

解題方法

從原題附圖可觀察到：橫軸為因子 A 的三個等級（L、M、H），縱軸為依變項平均數；代表控制組（C）的實線呈現負斜率線性下降，代表實驗組（E）的虛線呈現正斜率線性上升，兩條直線在 A 因子的中央等級 M 處對稱交叉，呈現完全對稱的交叉型（crossover / disordinal）交互作用。

1. 設定圖中各點數值：
   設兩直線交叉點（即等級 M 處）之平均數為 $y_0$，且直線在等級 L 與 H 相對中央點對稱增減幅度為 $\Delta$（$\Delta > 0$）：

   • 實驗組 E： $$\bar{Y}_{E, L} = y_0 - \Delta, \quad \bar{Y}_{E, M} = y_0, \quad \bar{Y}_{E, H} = y_0 + \Delta$$
   • 控制組 C： $$\bar{Y}_{C, L} = y_0 + \Delta, \quad \bar{Y}_{C, M} = y_0, \quad \bar{Y}_{C, H} = y_0 - \Delta$$

2. 計算因子 B 各水準的邊際平均數：

   • 實驗組（E）的邊際平均數： $$\bar{Y}_{E\cdot} = \frac{\bar{Y}_{E, L} + \bar{Y}_{E, M} + \bar{Y}_{E, H}}{3} = \frac{(y_0 - \Delta) + y_0 + (y_0 + \Delta)}{3} = y_0$$
   • 控制組（C）的邊際平均數：

核心觀念

1. 二因子變異數分析中的交互作用（Interaction Effect）：
   在二因子變異數分析（Two-way ANOVA）設計中，交互作用指的是一個自變項（因子 A）對依變項（DV）的影響效果，會隨著另一個自變項（因子 B）處於不同水準而產生改變；反之亦然。
2. 圖形幾何判別準則（Factorial Plot）：
   • 無交互作用（No Interaction）：各水準下的平均數折線彼此平行（Parallel lines），代表兩因子各自獨立對依變項產生加性（additive）影響。
   • 有交互作用（Interaction Present）：折線呈現非平行（Non-parallel lines）。
3. 交叉型交互作用（Disordinal / Cross-over Interaction）：
   當不同處理組的線段在圖形中產生交叉，表示一個因子的單純主要效果（Simple Main Effect）在另一因子的不同水準下不僅效果量不同，而且效果方向發生反轉。

---

解題方法

本題依據考卷附圖（左下方圖形）進行特徵讀取：橫軸代表因子 A 的三個水準（L、M、H），縱軸箭頭向上代表依變項之反應量（平均數）；圖中繪出兩條線段，虛線標示為實驗組（E），實線標示為控制組（C）。

具體推導與特徵分析如下：

1. 線段斜率與變化趨勢：
   • 實驗組（E，虛線）：由低水準 L 至高水準 H，反應量持續上升，斜率為正（$\text{Slope}_E > 0$）。
   • 控制組（C，實線）：由低水準 L 至高水準 H，反應量持續下降，斜率為負（$\text{Slope}_C < 0$）。
2. 單純主要效果的方向反轉：
   • 當 A 處於水準 L 時：控制組反應量高於實驗組（$C > E$）。
   • 當 A 處於水準 M 時：控制組與實驗組反應量約略相等（$C \approx E$），線段在此處相交。
   • 當 A 處於水準 H 時：實驗組反應量反轉為高於控制組（$E > C$）。
3. 交互作用判斷：

核心觀念

本題探討二因子變異數分析（Two-way ANOVA）中的**交互作用效果（Interaction Effect）**及其對統計推論與實驗結論的影響。涉及的核心定義與觀念如下：

1. 交叉型交互作用（Crossover / Disordinal Interaction）：當兩因子的反應線在圖形中呈現交叉，代表一個自變項（因子 B）對依變項的影響方向與大小，隨另一個自變項（因子 A）的不同水準而發生逆轉（非單純的斜率大小差異，而是方向相反）。
2. 主要效果的遮蔽與誤導（Masking / Misleading Main Effects）：在對稱的交叉型交互作用下，各水準的邊際平均數（marginal means）互相抵消，導致兩因子的主要效果（Main Effect）檢定皆不顯著（$F \approx 0$）。此時若僅看主要效果，會得出「因子 A 與因子 B 均對依變項無影響」的嚴重誤導結論。
3. 單純主要效果（Simple Main Effect）分析之必要性：當顯著存在交互作用時，研究者不能單獨解釋主要效果，必須進一步進行單純主要效果檢定，分別檢驗在某一因子的特定水準下，另一因子的效果為何。
4. 調節效應（Moderation）與實驗實質意涵：因子 A 為因子 B 效果的調節變項（moderator），實驗介入效果存在邊界條件（boundary condition）。

---

解題方法

由題圖可知：橫軸為因子 A 的三個等級（L、M、H），縱軸為依變項數值；虛線為實驗組（E），隨 A 水準提升呈線性上升；實線為控制組（C），隨 A 水準提升呈線性下降；兩條線在中水準（M）處對稱相交。

研究結果的完整意涵可由「統計推論」與「實驗實質意義」兩大面向切入說明：

1. 統計推論意涵：主要效果被完全遮蔽，不可單獨解釋

   • 因子 A 的主要效果被掩蓋：在每一等級（L、M、H）上，將實驗組與控制組的平均數相加除以 2，其邊際平均數皆相等（水平線），導致因子 A 的主要效果檢定呈現不顯著。
   • 因子 B 的主要效果被掩蓋：實驗組的總平均數與控制組的總平均數在 M 點互相抵消而相等，導致因子 B 的主要效果檢定亦呈現不顯著。
   • 結論不能停留在主要效果：若研究者未檢驗交互作用或未繪圖，僅看主要效果會誤以為「實驗處理無效（E 與 C 無差異）」且「因子 A 無作用」，此結論完全錯誤。

2. 單純主要效果意涵：實驗處理效果依賴於因子 A 的水準（方向逆轉）

   • 在 A 的低水準（L）時：控制組表現顯著優於實驗組（$C > E$），實驗處理反而呈現負向抑制效果。
   • 在 A 的中水準（M）時：實驗組與控制組表現無差異（$E \approx C$），兩線交叉於此。
   • 在 A 的高水準（H）時：實驗組表現顯著優於控制組（$E > C$），實驗處理呈現顯著的正向促進效益。
   • 反之，因子 A 的效果亦因組別而異：在實驗組中，依變項隨 A 增加而上升；在控制組中，依變項隨 A 增加而下降。

3. 研究實質意涵：確認介入措施的適用邊界與調節機制

   • 實驗介入（因子 B）並非普遍有效，其效果受個體特質或環境變數（因子 A）調節。
   • 介入措施僅在個體處於高水準 A 時發揮正向效益；

本題考查統計學中的兩個基礎但重要的概念：「抽樣分配」與「中央極限定理」。

核心概念：抽樣分配、中央極限定理、母群體、樣本統計量、抽樣誤差。

1. 抽樣分配 (Sampling Distribution) 的意涵：

抽樣分配是指，從一個特定的母群體中，重複抽取（理論上是無限多次）許多個相同大小的樣本，然後計算每一個樣本的某一個統計量（例如樣本平均數 $\bar{X}$、樣本比例 $\hat{p}$、樣本標準差 $s$ 等），這些統計量所形成的機率分配，就稱為該統計量的抽樣分配。

簡單來說，抽樣分配描述的是：「如果我們不斷重複抽取相同大小的樣本，我們所得到的樣本統計量會有什麼樣的分佈？」

抽樣分配的重要性在於，它連接了樣本統計量與母群體參數。透過抽樣分配的性質，我們可以推論母群體參數的可能範圍，並進行統計推論（例如信心水準估計、假設檢定）。

2. 中央極限定理 (Central Limit Theorem, CLT) 的意涵：

中央極限定理是統計學中最重要的定理之一，它描述了當樣本數足夠大時，樣本平均數的抽樣分配會趨近於常態分配，無論原始母群體的分配為何。

CLT 的主要內容：

• 母群體： 假設母群體有一個平均數 $\mu$ 和一個標準差 $\sigma$。
• 樣本： 從該母群體中抽取樣本數為 $n$ 的樣本。
• 樣本平均數： 計算每個樣本的平均數 $\bar{X}$。

本題考查統計學中兩種常用的分析方法：「相關分析」與「迴歸分析」的目的與應用。

核心概念：相關分析、迴歸分析、變數間關係、預測。

1. 相關分析 (Correlation) 的目的與應用：

• 目的：
  相關分析的主要目的是衡量兩個或多個變數之間線性關係的強度與方向。它告訴我們一個變數的變化，與另一個變數的變化在多大程度上是一致的。

  • 強度 (Strength)：相關係數的絕對值大小，越接近 1 表示關係越強，越接近 0 表示關係越弱。
  • 方向 (Direction)：
    • 正相關 (Positive Correlation)：當一個變數增加時，另一個變數也傾向於增加（例如，學習時間越長，考試分數越高）。
    • 負相關 (Negative Correlation)：當一個變數增加時，另一個變數傾向於減少（例如，抽菸量越大，預期壽命越短）。
  • 重要提示： 相關不等於因果 (Correlation does not imply causation)。即使兩個變數高度相關，也不能直接斷定一個變數導致了另一個變數的變化，可能存在第三個潛在變數影響了兩者，或是關係並非單向。

• 適用研究情境範例：

  • 情境： 研究「學生的學習時間」與「期末考試分數」之間的關係。
  • 目的： 了解學習時間的長短是否與考試分數的高低有關聯，以及這種關聯有多緊密。例如，計算學習時間與考試分數之間的皮爾森相關係數 (Pearson's r)。如果發現有強的正相關 (r 接近 1)，則表示學習時間越長，分數通常越高。
  • 其他範例：
    • 身高與體重是否相關？
    • 收入與幸福感是否相關？
    • 某種人格特質（如外向性）與社交頻率是否相關？

2. 迴歸分析 (Regression) 的目的與應用：

本題考查心理測驗中兩種基本類型——效標參照測驗與常模參照測驗的定義與適用時機。

核心概念：效標參照測驗 (CRT)、常模參照測驗 (NRT)、測驗目的、評量標準、適用情境。

1. 效標參照測驗 (Criterion-referenced Test, CRT) 的意義內涵：

• 意義內涵： 效標參照測驗的目的是評量個人在某個特定領域或技能上，是否達到了預設的、客觀的標準或成就水平。它不關心個體與其他人的比較，而是關心個體是否掌握了特定的知識、技能或能力。評量結果的解釋是根據一個預定的「效標」(criterion) 或「標準」(standard) 來進行的，例如「及格/不及格」、「熟練/不熟練」、「通過/未通過」。
• 評量重點： 個體對特定內容或技能的掌握程度。
• 結果解釋： 相對於一個客觀的標準，而非相對於其他受試者。

2. 常模參照測驗 (Norm-referenced Test, NRT) 的意義內涵：

• 意義內涵： 常模參照測驗的目的是評量個體在某個測驗上的表現，並將其與一個具有代表性的、龐大的參照團體（常模，norm group）的表現進行比較。測驗結果通常以百分位數 (percentile rank)、標準分數 (如 Z 分數、T 分數) 等相對指標來呈現，用以說明個體在群體中的相對位置。
• 評量重點： 個體在特定群體中的相對優劣。
• 結果解釋： 相對於參照團體的平均表現或分佈。

3. 兩類測驗的最適用時機：

• 效標參照測驗 (CRT) 的適用時機：
  • 教育情境：
    • 評量學生是否學會了課堂上的特定教材內容（如段考、期末考，目標是評量學習成效）。
    • 技能訓練課程的結業檢定（如駕駛執照考試、電腦操作證照考試）。
    • 診斷學習困難，找出學生在特定技能上的不足。

本題考查心理測驗中「內部一致性信度」的估計方法及其原理。內部一致性信度是評估測驗題目之間是否測量相同構念的一種信度估計方法。

核心概念：信度 (Reliability)、內部一致性信度 (Internal Consistency Reliability)、同質性 (Homogeneity)、克隆巴赫係數 (Cronbach's α)、折半信度 (Split-half Reliability)。

內部一致性信度的意義：
內部一致性信度是指測驗內各個題目之間測量同一潛在構念 (latent construct) 的一致程度。如果一個測驗旨在測量單一構念（如焦慮、外向性），那麼測驗中的題目應該彼此相關，能夠反映出這個共同的構念。內部一致性信度估計的是這種題目間的同質性 (homogeneity)。

兩個可能的做法及其原理：

1. 做法一：折半信度 (Split-half Reliability)

   • 做法： 將測驗的所有題目分成兩半（例如，將題目按奇偶數編號分成兩組，或前一半與後一半），然後計算這兩半分數之間的相關。由於這只是將測驗縮短為一半，其相關係數會低估總測驗的信度，因此需要使用斯皮爾曼-布朗預測公式 (Spearman-Brown prophecy formula) 來校正，估計整個測驗的內部一致性信度。
   • 原理： 該方法假設測驗的兩個部分都與總測驗一樣，並且都與潛在構念有相同的程度的相關。如果測驗的題目都很好地測量了同一個構念，那麼測驗的兩個部分應該會有很高的相關。這個方法是基於「測驗長度與信度有關」的原理，較長的測驗通常有較高的信度。

2. 做法二：克隆巴赫係數 (Cronbach's Alpha, α)

   • 做法： 克隆巴赫係數是對所有可能的折半信度進行平均後得到的結果，或者是更精確地說，它等於將測驗分解為所有可能的題目對（即每個題目與其他題目之間的相關），然後計算所有這些相關的平均值，並根據此計算出一個信度估計值。其計算公式為：

本題考查速度測驗 (Speed Test) 和成就測驗 (Achievement Test) 的區別，以及速度測驗的信度分析方法。

核心概念：速度測驗、成就測驗、測驗目標、信度、內部一致性信度、折半信度、重測信度。

1. 速度測驗 (Speed Test) 和一般成就測驗 (Achievement Test) 的主要差異：

| 特徵 | 速度測驗 (Speed Test) ### 1. 抽樣分配 (Sampling Distribution) 的意涵：
抽樣分配是指，從一個特定的母群體中，重複抽取（理論上是無限多次）許多個相同大小的樣本，然後計算每一個樣本的某一個統計量（例如樣本平均數 $\bar{X}$、樣本比例 $\hat{p}$、樣本標準差 $s$ 等），這些統計量所形成的機率分配，就稱為該統計量的抽樣分配。

簡單來說，抽樣分配描述的是：「如果我們不斷重複抽取相同大小的樣本，我們所得到的樣本統計量會有什麼樣的分佈？」

抽樣分配的重要性在於，它連接了樣本統計量與母群體參數。透過抽樣分配的性質，我們可以推論母群體參數的可能範圍，並進行統計推論（例如信心水準估計、假設檢定）。

2. 中央極限定理 (Central Limit Theorem, CLT) 的意涵：

中央極限定理是統計學中最重要的定理之一，它描述了當樣本數足夠大時，樣本平均數的抽樣分配會趨近於常態分配，無論原始母群體的分配為何。

CLT 的主要內容：

• 母群體： 假設母群體有一個平均數 $\mu$ 和一個標準差 $\sigma$。
• 樣本： 從該母群體中抽取樣本數為 $n$ 的樣本。
• 樣本平均數： 計算每個樣本的平均數 $\bar{X}$。

本題考查心理測驗在臨床實務應用中的倫理考量與規範。這類題目通常要求考生理解專業倫理的重要性，並能具體說明實踐原則。

核心概念：心理測驗倫理、臨床實務、知情同意、保密原則、測驗的適當性、結果解釋、專業能力。

在臨床實務中，心理測驗的使用涉及個人隱私、權利與福祉，因此必須嚴格遵守倫理規範。以下列出兩項重要的道德考量和規範：

1. 知情同意 (Informed Consent)

• 考量與規範： 在進行任何心理測驗前，臨床工作者必須確保受試者（或其法定代理人）充分理解測驗的目的、過程、可能涉及的風險與益處、測驗結果的用途，以及其參與的自願性，並在充分理解後給予同意。
• 考量原因：
  • 尊重自主權： 受試者有權利知道並決定是否接受測驗。
  • 建立信任： 透明的溝通有助於建立受試者與測驗者之間的信任關係，這對治療關係至關重要。
  • 避免誤解： 確保受試者對測驗有正確的期待，避免因誤解而產生的焦慮或不配合。
• 如未注意時可能造成的影響：
  • 法律糾紛： 可能被視為未經同意的侵犯，引發法律訴訟。
  • 信任破裂： 受試者可能對臨床工作者產生不信任感，影響治療的進展與成效。
  • 測驗結果無效： 如果受試者在不情願或不理解的情況下作答，其反應可能不真實，導致測驗結果的效度降低。
  • 倫理處分： 臨床工作者可能面臨專業倫理委員會的處分。

2. 保密原則 (Confidentiality) 與資訊的保護

• 考量與規範： 臨床工作者有責任對在專業關係中獲取的關於受試者的所有資訊（包括測驗結果、個人陳述、治療記錄等）予以保密。除非有法律要求、受試者明確同意（且範圍僅限於同意的範圍），或者存在立即的危險（如自傷、傷人），否則不得向第三方透露。測驗記錄和報告的儲存與處理也應符合安全與隱私標準。

本題要求考生概述編制一個包含常模、信度與效度分析的心理測驗的完整流程，這是一個綜合性的考題，需要考生對測驗發展的各個階段有清晰的認識。

核心概念：測驗發展、構念操作化、題目編寫、預試、信度分析、效度分析、常模建立、正式編訂。

編制一個具有常模和良好信、效度的心理測驗，通常需要經過以下幾個主要階段和步驟：

第一階段：測驗目標與理論基礎確立

1. 界定測驗目標與目的： 明確測驗要測量的構念 (construct) 是什麼？測驗的應用情境為何？（例如：智力、人格特質、特定技能、態度等）。
2. 文獻回顧與理論建構：
   • 深入研究與測量構念相關的理論與前人研究。
   • 確定測驗所依據的理論框架。
   • 定義要測量的潛在構念 (latent construct) 及其操作型定義 (operational definition)。

第二階段：題目發展與初步篩選

3. 編寫題目草案 (Item Generation)：
   • 根據操作型定義，編寫大量（遠多於最終題目數量）的題目。
   • 題目形式可以多樣（選擇題、是非題、填充題、操作題、投射測驗等），需符合測量目標。
   • 題目應清晰、無歧義，避免引導性或偏見。
4. 專家審查 (Expert Review)：
   • 邀請相關領域的專家對題目進行審查，評估題目的內容效度 (content validity)，即題目是否能充分代表要測量的構念。
   • 專家會就題目的清晰度、相關性、難度、文化適宜性等提出修改意見。
5. 初步篩選與修改：
   • 根據專家意見修改題目。
   • 可能進行小規模的試題分析，篩選掉明顯不佳的題目。

第三階段：預試 (Pilot Testing) 與題目分析

6. 施測於預試樣本 (Pilot Sample)：
   • 選擇一個與目標施測對象具有相似特徵但非正式施測的樣本進行預試。樣本數需足夠（通常數十至數百人，視測驗複雜度而定）。
   • 嚴格按照正式施測的程序進行。
7. 題目統計分析 (Item Analysis)：
   • 鑑別度 (Item Discrimination)：計算每個題目與總測驗分數之間的相關。高鑑別度的題目能區分出高分者與低分者。
   • 難度 (Item Difficulty)：對於能力測驗，計算答對該題目的比例；對於態度測驗，計算同意該題目的比例。
   • 內部一致性分析： 評估題目與總測驗分數的相關性，篩選掉與總分相關性低的題目。
8. 題目篩選與定稿：
   • 根據題目分析結果，淘汰鑑別度低、難度不適當、或與測量構念相關性低的題目。
   • 選取出最能代表該構念、品質最佳的題目，組成正式測驗的題目庫。

第四階段：信度與效度分析 (Reliability and Validity Analysis)

9. 正式樣本信度分析 (Reliability Analysis)：
   • 在一個較大的、代表性的樣本（常模樣本）上施測，採用至少一種信度估計方法（如內部一致性信度 Cronbach's α、折半信度、重測信度等）來評

本題考查對智力理論發展的了解，特別是重要研究學者的貢獻。智力是心理學中的一個核心概念，其理論和測量一直是研究的重點。

核心概念：智力 (Intelligence)、智力理論、多因素理論、單一因素理論、流體智力、晶體智力。

以下列舉兩位對智力理論有重要貢獻的研究學者及其理論：

1. Charles Spearman (查爾斯·斯皮爾曼)

• 主要理論： 雙因素理論 (Two-Factor Theory of Intelligence)
• 理論內容：
  • Spearman 認為，個體的智力表現可以由兩種因素構成：
    • 一般因素 (General Factor, g)：這是所有智力活動的共同基礎，是影響個體在各種不同智力測驗上表現的共同因素。Spearman 認為 g 因素是智力的核心，具有很高的普遍性。他透過因子分析 (Factor Analysis) 的方法，發現不同智力測驗的分數之間存在著普遍的正相關，這支持了他對 g 因素存在的假設。
    • 特殊因素 (Specific Factors, s)：每個特定的智力任務或測驗，除了有 g 因素的影響外，還有其獨特的特殊因素。這些特殊因素解釋了為什麼個體在不同智力測驗上的表現會有差異。例如，數學能力、語言能力等都可能包含其特定的特殊因素。
  • Spearman 的理論強調了智力的普遍性（g 因素），但也承認了個體在特定領域的差異性（s 因素）。他的理論是早期智力研究的基石，對後來的智力測量（如智商 IQ 的發展）產生了深遠影響。

2. Raymond Cattell (雷蒙德·卡特爾)

• 主要理論： 流體智力與晶體智力理論 (Theory of Fluid and Crystallized Intelligence, Gf-Gc Theory)
• 理論內容：
  • Cattell 在 Spearman 的 g 因素理論基礎上進行了擴展，並進一步細分了 g 因素。他提出智力包含兩種主要形式：
    • 流體智力 (Fluid Intelligence, Gf)：這是一種先天的、基於生理結構的智力，與個體處理新資訊、進行邏輯推理、解決新問題、辨識圖形與模式的能力有關。

核心觀念

本題評量**心理學實驗法（Experimental Methods in Psychology）**中關於「獨立變項（Independent Variable, IV）」之界定與「再認記憶（Recognition Memory）／信號發覺理論（Signal Detection Theory, SDT）」實驗架構的理解：

1. 獨立變項（Independent Variable, IV）之定義：由實驗者主動操弄（manipulate）、控制或系統性改變的實驗條件／因子，用以檢驗其對受試者反應（依變項，Dependent Variable, DV）之因果影響。
2. 多因子實驗設計（Factorial Design）與變項角色判定：
   • 在傳統因子實驗設計與統計分析（如變異數分析 ANOVA）的視角下，凡是實驗者能主動指派、系統性呈現且具有不同水準（levels）的刺激屬性或情境條件，均構成獨立變項。
   • 在信號發覺理論（SDT）典範中，實驗通常以特定的情境操弄（如獎懲矩陣、呈現先驗機率）來改變受試者的判斷準則（Criterion / Bias），而測驗項目本身則分為訊號（Signal，即舊刺激 Old）與雜訊（Noise，即新刺激 New）。

---

解題方法

由試卷第 3 頁題幹與實驗結果表格可知：測驗刺激共 50 張圖片（Old 與 New 各 25 張），受試者判斷為 Y（是，學習過）或 N（否，未學習過）；實驗者安排了兩種獎勵情境（情境一：辨識出 $90\%$ 以上學習過圖片有額外獎金；情境二：辨識出 $90\%$ 以上未學習過圖片有額外獎金），表格中記錄了情境 A 與 B 下 Old 與 New 圖片被判為 Y/N 的平均張數。

從實驗心理學的研究法架構進行剖析：

1. 因子實驗設計視角（最嚴謹且完整的標準答案）：操弄 2 個獨立變項

   • 獨立變項一：實驗情境（獎勵條件 / 誘因結構，Incentive / Context）
     • 水準數：2 個水準。
     • 具體水準：情境一（辨識出 $90\%$ 以上學習過圖片可獲獎金，誘發寬鬆的判定標準 Liberal Criterion）vs. 情境二（辨識出 $90\%$ 以上未學習過圖片可獲獎金，誘發保守的判定標準 Conservative Criterion）。
   • 獨立變項二：測驗刺激類型（圖片新舊 / 刺激種類，Stimulus Type / Item Status）
     • 水準數：2 個水準。
     • 具體水準：舊圖片（學習過的圖片，Old / 訊號 Signal）vs. 新圖片（未曾學習過的圖片，New / 雜訊 Noise）。此變項在測驗階段由實驗者隨機呈現給受試者，每位受試者皆接受新舊兩種刺激的測試（受試者內因子）。
   • 在此架構下，本實驗為 $2 \times 2$ 因子實驗設計（情境 $\times$ 刺激類型），其細格即為表格所列的 4 個單元格（Old-Y, Old-N, New-Y, New-N）。

2. 信號發覺理論（SDT）／核心操弄視角：操弄 1 個獨立變項

   • 若將本實驗定位為標準的信號發覺作業，研究的核心目的在於檢驗「獎勵誘因」對個體記憶判斷準則與敏感度之影響：
     • 獨立變項：實驗情境（獎勵誘因條件）（2 個水準：情境一 vs. 情境二）。

核心觀念

本題評量實驗心理學中實驗設計（experimental design）的選擇與決策依據。
核心在於權衡**受試者間設計（Between-subjects design，獨立組設計）與受試者內設計（Within-subjects design，重複量數設計）**的適用情境：

1. 受試者間設計：每位受試者僅接受一種自變項處理水準。優點是完全排除情境之間的干擾；缺點是無法排除受試者間個別差異（individual differences）的變異。
2. 受試者內設計：每位受試者接受所有自變項處理水準。優點是可控制受試者個別差異、統計檢力較高且所需受試者較少；缺點是容易產生順序效應（order effects）、練習效應（practice effects）、疲勞效應（fatigue effects），以及最關鍵的延宕效應（carryover effect / transfer effect）。

---

解題方法

由題幹與附表資訊可知，本實驗為圖片再認記憶作業，操弄的自變項為「獎勵情境」（情境一對辨識學習過的圖片給予高獎勵，誘導寬鬆判定；情境二對辨識未學習過的圖片給予高獎勵，誘導嚴格判定）。

在心理學實驗法的判斷上，本實驗最適宜採用受試者間設計（Between-subjects design），主要理由如下：

1. 避免反應偏向（決策準則）的延宕效應（Carryover effect）：
   本研究的操弄旨在透過不同的獎勵結構（payoff structure）誘導參與者建立不同的「反應偏向／決策標準（decision criterion）」。參與者若先經歷情境一（被引導採取極端寬鬆標準、偏好回答「是」），其形成的認知定勢（mental set）與決策習慣容易殘留至隨後的情境二，產生嚴重的延宕效應與不對稱轉移（asymmetrical transfer），且難以藉由對衡（counterbalancing）抵消。
2. 避免記憶材料的前向干擾（Proactive interference）與記憶混淆：
   在再認記憶任務中，若同一個體先後接受兩階段測驗：
   • 若使用相同材料，第一階段出現的新圖片（干擾項）在第二階段會引發記憶混淆與熟悉度干擾。
   • 若使用不同材料，先前的記憶痕跡仍會對後續學習產生前向干擾，且兩套圖片難以保證難度完全等同。

核心觀念

在認知心理學之再認記憶（recognition memory）作業與信號發覺理論（Signal Detection Theory, SDT）架構中，測驗刺激與受試者反應的二元分類矩陣定義如下：

1. 刺激類別：
   • 信號（Signal）：舊刺激（曾經學習過的圖片，$\text{Old}$）。
   • 雜訊（Noise）：新刺激（未曾學習過的圖片，$\text{New}$）。
2. 反應類別：
   • 判定為是（$\text{Y}$，判定為曾經學習過）。
   • 判定為否（$\text{N}$，判定為未曾學習過）。
3. 指標定義：
   • 敏感度（Sensitivity，又稱真陽性率 TPR 或擊中率 Hit Rate）：在呈現信號（$\text{Old}$）的條件下，受試者正確回答為「是」（$\text{Y}$）的機率。 $$\text{Sensitivity} = P(\text{Y} \mid \text{Old}) = \frac{\text{Hit}}{\text{Hit} + \text{Miss}}$$
   • 特異度（Specificity，又稱真陰性率 TNR 或正確拒絕率 Correct Rejection Rate）：在呈現雜訊（$\text{New}$）的條件下，受試者正確回答為「否」（$\text{N}$）的機率。 $$\text{Specificity} = P(\text{N} \mid \text{New}) = \frac{\text{Correct Rejection}}{\text{False Alarm} + \text{Correct Rejection}}$$

---

解題方法

由試題表格中「情境 A」的列聯表讀取各細格平均圖片張數：

• $\text{Old}$ 圖片總數：$\text{Hit} + \text{Miss} = 12.5 + 12.5 = 25$ 張。
• $\text{New}$ 圖片總數：$\text{False Alarm} + \text{Correct Rejection} = 2.5 + 22.5 = 25$ 張。

核心觀念

本題評量**信號發覺理論（Signal Detection Theory, SDT）**在記憶再認作業（Recognition Memory Task）與二分決策混淆矩陣（Confusion Matrix）中的指標計算：

1. 刺激與反應的分類對應：

   • 信號（Signal）：曾經學習過的目標刺激（Old）。
   • 噪音（Noise）：未曾學習過的新刺激（New）。
   • 判定「是」（Y）：受試者判斷為學習過的圖片（Positive）。
   • 判定「否」（N）：受試者判斷為未學習過的圖片（Negative）。

2. 四大反應類別：

   • 點擊（Hit / True Positive, TP）：真實為 Old，回答 Y。
   • 漏失（Miss / False Negative, FN）：真實為 Old，回答 N。
   • 虛驚（False Alarm / False Positive, FP）：真實為 New，回答 Y。
   • 正確拒絕（Correct Rejection / True Negative, TN）：真實為 New，回答 N。

3. 指標定義與計算公式：

   • 敏感度（Sensitivity）：又稱真陽性率（True Positive Rate, TPR）或點擊率（Hit Rate），指在所有真實為信號（Old）的刺激中，受試者正確回答「是（Y）」的比例： $$\text{Sensitivity} = \frac{\text{Hit}}{\text{Total Old}} = \frac{\text{TP}}{\text{TP} + \text{FN}}$$
   • 特異度（Specificity）：又稱真陰性率（True Negative Rate, TNR）或正確拒絕率（Correct Rejection Rate），指在所有真實為噪音（New）的刺激中，受試者正確回答「否（N）」的比例： $$\text{Specificity} = \frac{\text{Correct Rejection}}{\text{Total New}} = \frac{\text{TN}}{\text{TN} + \text{FP}}$$

---

解題方法

從試卷附表「情境 B」讀取關鍵數據：測驗刺激總數為 50 張，其中學習過的圖片（Old）總計為 $21.25 + 3.75 = 25$ 張，未學習過的圖片（New）總計為 $10 + 15 = 25$ 張。細格平均張數分別為：

• $\text{Hit (TP)} = 21.25$
• $\text{Miss (FN)} = 3.75$
• $\text{False Alarm (FP)} = 10.0$
• $\text{Correct Rejection (TN)} = 15.0$

核心觀念

在心理學實驗法與信號發覺理論（Signal Detection Theory, SDT）的再認記憶（recognition memory）作業中，受試者的反應可分為四種結果（混淆矩陣）：

1. 擊中（Hit）：舊刺激（Old / 信號）正確判斷為曾學過（Y）。
2. 漏報（Miss）：舊刺激（Old / 信號）錯誤判斷為未學過（N）。
3. 假警報（False Alarm, FA）：新刺激（New / 噪音）錯誤判斷為曾學過（Y）。
4. 正確拒絕（Correct Rejection, CR）：新刺激（New / 噪音）正確判斷為未學過（N）。

受試者的**整體正確率（Accuracy / Proportion of Correct Responses, $P(C)$）**定義為所有判斷正確的刺激次數佔總刺激次數的比例：

$$\text{Accuracy} = \frac{\text{Hits} + \text{Correct Rejections}}{\text{Total Trials}} = \frac{\text{Hit} + \text{CR}}{N_{\text{total}}}$$

亦可由第 3、4 題求得的敏感度（Sensitivity，即擊中率 $H$）與特異度（Specificity，即正確拒絕率 $CR$）以及先驗機率（Prior Probability）加權計算：

$$\text{Accuracy} = P(\text{Old}) \times \text{Sensitivity} + P(\text{New}) \times \text{Specificity}$$

此外，信號發覺理論強調傳統的「觀測正確率」會受到受試者反應標準（criterion $c$ 或 $\beta$）偏誤的干擾；若探討排除決策偏誤後的**無偏誤理想正確率（$P(C)_{\max}$）**或等效兩項強迫選擇正確率（$P(C)_{\text{2AFC}}$），則直接取決於辨別力指標 $d'$。

---

解題方法

讀取原卷表格之關鍵數據：
測驗刺激總數為 $50$ 張，其中舊圖片（Old）為 $25$ 張、新圖片（New）為 $25$ 張（先驗機率皆為 $0.5$）。

• 情境 A：$\text{Hit} = 12.5$，$\text{Miss} = 12.5$；$\text{FA} = 2.5$，$\text{CR} = 22.5$。
• 情境 B：$\text{Hit} = 21.25$，$\text{Miss} = 3.75$；$\text{FA} = 10$，$\text{CR} = 15$。

1. 情境 A 的正確率推導與計算

情境 A 中正確反應為擊中（$12.5$ 張）加上正確拒絕（$22.5$ 張）：

$$\text{正確張數}_A = 12.5 + 22.5 = 35$$

總測驗張數為 $50$ 張，因此情境 A 的正確率為：

$$\text{Accuracy}_A = \frac{35}{50} = 0.70 = 70\%$$

2. 情境 B 的正確率推導與計算

情境 B 中正確反應為擊中（$21.25$ 張）加上正確拒絕（$15$ 張）：

$$\text{正確張數}_B = 21.25 + 15 = 36.25$$

總測驗張數為 $50$ 張，因此情境 B 的正確率為：

$$\text{Accuracy}_B = \frac{36.25}{50} = 0.725 = 72.5\% \approx 73\%$$

核心觀念

本題評量信號偵察理論（Signal Detection Theory, SDT）在認知心理學記憶再認實驗中的核心應用，尤其是報酬結構（Payoff Matrix）對反應準則（Response Criterion, $C$ 或 $\beta$）的調控：

1. 信號偵察分類矩陣：
   • 訊號（Signal）：學習過的圖片（Old，共 25 張）。
   • 雜訊（Noise）：未學習過的新圖片（New，共 25 張）。
   • 擊中（Hit）：Old 圖片回答「Y」（是）。
   • 漏報（Miss）：Old 圖片回答「N」（否）。
   • 虛驚（False Alarm, FA）：New 圖片回答「Y」（是）。
   • 正確拒絕（Correct Rejection, CR）：New 圖片回答「N」（否）。
2. 反應準則（Criterion, $C$）與誘因機制：
   • 當實驗操弄獎懲誘因時，受試者的內在認知辨別力（Sensitivity, $d'$）通常維持不變，但**反應準則（Criterion）**會隨利益最大化原則而位移：
     • 寬鬆標準（Liberal criterion, $C < 0$）：若獎勵聚焦於抓住訊號（提高 Hit），受試者會放寬判定標準，傾向回答「Y」，使得擊中率與虛驚率同時上升。
     • 保守標準（Conservative criterion, $C > 0$）：若獎勵聚焦於排除雜訊（提高 CR），受試者會收緊判定標準，傾向回答「N」，使得正確拒絕率上升、虛驚率下降，但擊中率亦隨之下降。

---

解題方法

由題幹與考卷附圖之實驗數據表可知，各情境中 Old 與 New 圖片總數均為 25 張：

• 情境 A：Old-Y = 12.5、Old-N = 12.5；New-Y = 2.5、New-N = 22.5。
• 情境 B：Old-Y = 21.25、Old-N = 3.75；New-Y = 10、New-N = 15。

1. 獎勵情境之策略分析

• 情境一（獎勵辨識出 90% 以上學習過的圖片）：
  目標為使擊中率 $\text{Hit Rate} \ge 90\%$（即 25 張 Old 圖片中至少答對 $25 \times 0.9 = 22.5$ 張）。為了避免漏報（Miss）而喪失獎金，受試者會採取寬鬆的反應準則（Liberal），大量傾向回答「Y」。
• 情境二（獎勵辨識出 90% 以上未學習過的圖片）：
  目標為使正確拒絕率 $\text{CR Rate} \ge 90\%$（即 25 張 New 圖片中至少正確拒絕 $25 \times 0.9 = 22.5$ 張）。為了避免虛驚（False Alarm）而喪失獎金，受試者會採取保守的反應準則（Conservative），大量傾向回答「N」。

2. 比對實驗數據與對應關係

• 情境 A：
  • 正確拒絕數（New-N）為 22.5 張，正確拒絕率恰好達到：
  $$\frac{22.5}{25} = 90\%$$
  • 回答「N」的總次數為 $12.5 + 22.5 = 35$ 次（佔全部 50 題的 $70\%$），受試者明顯極度保守，強烈偏好回答「N」以確保未學習過的圖片達標 90%，完全符合情境二的行為特徵。
• 情境 B：
  • 擊中數（Old-Y）達到 21.25 張，擊中率高達：
  $$\frac{21.25}{25} = 85\%$$
  • 回答「Y」的總次數為 $21.25 + 10 = 31.25$ 次（佔全部 50 題的 $62.5\%$），受試者明顯極度寬鬆，強烈偏好回答「Y」以全力爭取辨識學習過圖片的獎勵門檻，完全符合情境一的行為特徵。

核心觀念

題目在考問題表徵與解題策略：同一個數學式，因為要求的答案不同，所需處理的資訊與運算步驟也可能不同。

計算題要求求出 $100x^2+10y+z$ 的完整數值，必須知道並處理 $x$、$y$、$z$ 三個數值。是非題只要求判斷整個數值是否為偶數，因此只需判斷其奇偶性，不必算出總和。

解題方法

觀察式子的各項：

• $100x^2$ 一定是偶數，因為 $100$ 是偶數。
• $10y$ 一定是偶數，因為 $10$ 是偶數。
• 因此，前兩項相加仍是偶數，整個式子的奇偶性只由 $z$ 決定。

也就是：

$$100x^2+10y+z \text{ 為偶數} \iff z \text{ 為偶數}$$

核心觀念

本題考查受試者內設計的控制方式、作業操作化，以及反應時間研究中「刺激項目、作答方式與作業順序」是否造成混淆。受試者內設計讓同一位參與者完成兩種題型，可控制個人數學能力等穩定差異；但它不能自動排除練習、疲勞、題型切換與作答反應等因素。

解題方法

先比較兩種題型實際要求的運算，再檢查題型順序與反應時間測量是否公平。

計算題要求算出：

$$100x^2+10y+z$$

是非題則要求判斷結果是否為偶數。因為 $100x^2$ 與 $10y$ 一定是偶數，整個式子的奇偶性只由 $z$ 決定：

$$100x^2+10y+z\equiv z\pmod 2$$

所以參與者只要看 $z$ 是奇數或偶數，就能回答是非題，不必計算 $x$、$y$ 或整個式子的值。這使是非題成為單一線索即可作答的簡化作業；若研究者想比較兩種解題策略，題目本身沒有讓參與者在兩種作業中處理可比的運算資訊。

另一項設計疑慮是只採用 ABBA 順序。ABBA 可以平衡線性練習或疲勞趨勢，但若所有人都採相同順序，仍可能受到特定順序、題型切換或前一題策略延續的影響；它不等於完整平衡所有順序效果。

設計上的改進

核心觀念

本題考的是實驗操作是否能測到研究者想比較的心理歷程，也就是操作化與建構效度。受試者內設計能控制個別數學能力差異，ABBA 排列也能平衡部分時序影響；但這些安排無法彌補兩種題型所要求的認知運算不同。

原題的式子為 $100x^2+10y+z$。判斷它是否為偶數時，只要注意奇偶性：

$$100x^2 \text{ 為偶數},\qquad 10y \text{ 為偶數}$$

因此，整個總和的奇偶性只由 $z$ 決定。受試者只需查看 $z$，不必計算 $x^2$、乘上 $100$，也不必加上 $10y$。所以原本的「是非題」並未要求與計算題相同的計算歷程。

解題方法

最推薦的修改是：保留計算題，將是非題改成必須判斷完整計算結果的題目。例如提供一個數值 $N$，請受試者判斷：

$100x^2+10y+z$ 是否等於 $N$？

是非題的 $N$ 可分別設定為正確總和或錯誤數值，並讓「是」與「否」的題數相等。兩種題型使用相同的 $x,y,z$ 題目組合：

本題考查實驗設計中的兩種基本類型：受試者間設計 (Between-subjects Design) 和受試者內設計 (Within-subjects Design) 的優缺點比較。

核心概念：受試者間設計、受試者內設計、獨立樣本、配對樣本、個體差異、時序誤差、統計檢力。

1. 受試者間設計 (Between-subjects Design) 的優缺點：

• 定義： 不同的參與者被分配到不同的實驗條件（實驗組或對照組）。每個參與者只經歷一個實驗情境。
• 優點：
  • 避免時序誤差 (Sequence Effects)：
    • 練習效應 (Practice Effects)： 參與者在第一次實驗後，可能因為熟悉度增加而表現更好。
    • 疲勞效應 (Fatigue Effects)： 隨著實驗進行，參與者可能因為疲勞而表現下降。
    • 順應性效應 (Carryover Effects)： 前一個實驗的經驗可能影響下一個實驗的表現。
    • 在受試者間設計中，由於每個參與者只參與一個條件，這些時序誤差不會影響實驗結果的比較，因為不同組的參與者不會受到這些效應的影響。
  • 較快的實施速度（對於單一參與者而言）： 每個參與者只需完成一個實驗條件的任務。
  • 適用於不易逆轉的處理或條件： 例如，對於某些手術或治療方法的效果評估，一旦接受了治療，就無法「取消」其影響。
• 缺點：
  • 需要更多參與者： 為了確保足夠的樣本量和統計檢力，需要招募更多的參與者，因為每個條件下只有一部分參與者。
  • 個體差異的影響 (Individual Differences)： 這是最大的缺點。由於不同組的參與者是不同的個體，他們在實驗前的特徵（如智力、性格、先前經驗等）可能存在差異。這些未受控制的個體差異可能成為混淆變項，影響實驗結果的解釋。
  • 需要隨機分配 (Random Assignment)： 為了盡量使各組的個體差異均衡，必須使用隨機分配，但隨機分配不能保證絕對的均衡，尤其是在小樣本時。

2. 受試者內設計 (Within-subjects Design) 的優缺點：

• 定義： 同一批參與者在所有實驗條件下都要接受測量。每個參與者都會經歷所有的實驗情境。
• 優點：
  • 需要較少的參與者： 由於每位參與者都接受所有條件的測量，因此所需總樣本量通常較少。
  • 控制個體差異： 這是最大的優點。由於同一批人同時在所有條件下表現，個體差異（如智力、記憶力、動機等）在各條件間是完全相同的，因此不會成為混淆變項，大大提高了統計檢力 (statistical power)。
  • 更精確的比較： 能夠直接比較同一人在不同條件下的表現，使結果更具說服力。
• 缺點：
  • 時序誤差 (Sequence Effects) 的潛在影響：