112 年 國立臺灣大學生物產業傳播系碩士班《研究方法》

本題在探討質性研究的核心關懷，即其如何理解與建構我們所認知的「真實」。

質性研究方法與真實（reality）之間的關係，可以從以下幾個層面來理解：

1. 真實的建構性 (Constructed Reality)：質性研究傾向於將真實視為是社會建構的產物，而非客觀、獨立於觀察者而存在的實體。研究者相信，人們透過互動、語言和文化，不斷地塑造和重塑他們對周遭世界的理解，進而形成「真實」。因此，質性研究旨在深入探究人們如何經驗、詮釋和賦予意義給他們的特定情境，從而理解這些「主觀真實」是如何被建構出來的。

2. 多重真實 (Multiple Realities)：與強調單一、客觀真實的實證主義觀點不同，質性研究承認可能存在多種並存且同樣有效的「真實」。不同的個體、群體或文化，基於其獨特的經驗、價值觀和視角，可能會對同一現象產生截然不同的理解和詮釋。質性研究的目標是去理解和呈現這些多元的視角，而不是去尋找一個普遍適用的「終極真實」。

本題要求解釋深度訪談法的定義，並闡述研究者在其中的關鍵角色與功能。

深度訪談法 (In-depth Interview)

深度訪談法是一種質性研究的資料蒐集方法，其核心在於透過研究者與受訪者之間進行一對一的、非結構化或半結構化的對話，以深入探究受訪者在特定議題上的觀點、經驗、感受、動機、信念及生活經驗。其主要特徵包括：

1. 開放性與彈性：訪談內容不預設固定答案，允許受訪者自由表達。研究者會準備訪談大綱，但會根據受訪者的回應彈性調整訪談方向與問題，以追問細節、釐清概念或探索意想不到的面向。
2. 深入性：目標是超越表面訊息，挖掘受訪者深層次的理解、動機與意義。研究者會運用追問（probing）、澄清（clarification）、重述（reflection）等技巧，鼓勵受訪者詳述其經驗。
3. 個人化與在地化：聚焦於個人獨特的經驗和觀點，並將之置於其特定的社會文化情境中理解。
4. 關係建立：訪談過程是建立研究者與受訪者之間信任關係的過程，良好的關係有助於受訪者更坦誠地分享。

研究者（訪談者）的角色與功能

在深度訪談中，研究者（訪談者）扮演著極為關鍵且多重的功能，其表現直接影響研究的品質與深度：

1. 引導者 (Facilitator)：

   • 功能：創造一個讓受訪者感到安全、自在、願意分享的訪談氛圍。主導訪談流程，確保訪談能朝向研究目標進行，同時不干擾受訪者的自由表達。
   • 實踐：透過友善的態度、積極的傾聽、適當的眼神交流、非語言的鼓勵（如點頭）來引導。

2. 傾聽者 (Listener)：

   • 功能：全神貫注地聽取受訪者的每一句話，不僅聽內容，也聽語氣、情緒和潛在的未說出口的部分。
   • 實踐：避免打斷、專注於受訪者、適時給予回應，展現同理心。

本題旨在區分深度訪談與問卷調查法適用的研究問題類型，並要求舉例說明。

一、適合深度訪談法（In-depth Interview）的研究問題類型

深度訪談法適合處理複雜、敏感、個人化、探索性或需要深入理解動機、經驗與意義的研究問題。這類問題通常難以用預設選項回答，且牽涉到較為隱私或個人化的經驗。

• 問題特性：

  • 探索性 (Exploratory)：當對某個現象了解不多，需要初步探索其面向、複雜性時。
  • 複雜性 (Complexity)：研究對象的經驗、決策過程、信念系統非常複雜，難以簡化。
  • 個人經驗與意義 (Personal Experience and Meaning)：關注個體如何經驗特定事件，以及他們如何賦予這些經驗意義。
  • 敏感性或隱私性 (Sensitive or Private)：涉及個人情感、創傷、歧視、非法行為等，需要高度信任和隱私的環境。
  • 動機與原因探究 (Motivation and Reasons)：了解人們行為背後的深層動機、原因或決策歷程。
  • 未預期的面向 (Unexpected Aspects)：希望發現研究者未曾預料到的觀點或現象。

• 研究問題舉例：

  1. 探究特定族群面對社會污名的經驗與調適策略：例如，「請分享您在生活中，如何面對外界對您（特定身份）的誤解與歧視，以及您為此採取了哪些應對方式？」
  2. 理解病患在接受末期醫療決策時的考量與掙扎：例如，「當您得知病情無法逆轉時，您在醫療選擇上，最在意哪些事情？這些考量是如何影響您的決定？」
  3. 探索創業家在創業初期面臨的挑戰與心路歷程：例如，「回顧您剛開始創業的階段，您認為最讓您感到困難的是什麼？當時您是如何克服這些困難的？」
  4. 研究學生對某項教育政策的接受度及其背後的原因：例如，「您對學校新實施的某項規定有什麼看法？為什麼您會有這樣的看法？」
  5. 了解家庭成員在面對失業時的互動與情感支持：例如，「當家中有人失業時，您們家庭的氣氛有什麼變化？您是如何與家人互動，彼此支持的？」

二、適合問卷調查法（Questionnaire Survey）的研究問題類型

問卷調查法適合處理結構化、量化、可預設答案、需要大規模樣本、檢驗特定假設或描述普遍現象的研究問題。

本題主要在測試對統計學中「分布」概念的理解，特別是常態分配及其應用，並要求計算z分數。

a. 分布/分配 (Distribution)

在統計學中，「分布」或「分配」是指一個變數所有可能取值的機率或頻率如何分佈的模式。簡單來說，它描述了數據集中，哪些數值出現的頻率較高，哪些數值出現的頻率較低，以及這些數值的整體樣貌。例如，班級學生的身高分布，可能顯示大多數學生身高在某個範圍內，而極高或極矮的學生較少。

b. 常態分配 (Normal Distribution)

常態分配，又稱為高斯分配 (Gaussian Distribution)，是一種非常重要且常見的機率分布。其圖形呈對稱的鐘形曲線，最常見的特徵包括：

• 對稱性 (Symmetry)：曲線左右對稱，中間最高點為平均數($\mu$)、中位數和眾數。
• 峰度 (Peakedness)：曲線在平均數處達到峰值。
• 尾部趨近零 (Tails approach zero)：曲線兩端的尾部會無限趨近於橫軸，但永不接觸。
• 由平均數和標準差定義：一個常態分配由其平均數($\mu$)和標準差($\sigma$)兩個參數完全決定。

c. 常態分配的應用

常態分配之所以重要，是因為許多自然現象和社會現象的數據都近似於常態分配，並且它在統計推論中扮演核心角色：

1. 描述與預測：許多自然和社會現象（如身高、智商、測量誤差）近似於常態分配，因此常態分配可用來描述這些現象的預期範圍和機率。

本題主要測試研究者對統計顯著性檢定 (Statistical Significance Test) 的理解，包括其定義、假設陳述、檢定統計量計算以及p值的意義。

a. 統計顯著檢定 (Statistical Significance Test)

統計顯著檢定是一種統計方法，用於判斷從樣本數據觀察到的結果（例如，樣本平均數與母體平均數的差異，或兩個樣本平均數之間的差異）是否可能僅僅是隨機抽樣變異所造成的，還是確實反映了母體中存在的真實差異或效應。其核心目的是檢驗研究者提出的「虛無假設」(Null Hypothesis)，以決定是否有足夠的證據來拒絕它，進而支持「對立假設」(Alternative Hypothesis)。

b. 虛無假設 (Null Hypothesis, $H_0$) 和對立假設 (Alternative Hypothesis, $H_a$ 或 $H_1$)

• 研究問題：A村樣本的平均所需時間，是否與全國鄉村居民的平均車程（20分鐘）有差別？

• 母體參數：全國鄉村居民平均車程，記為 $\mu$。

• 樣本參數：A村樣本平均所需時間，記為 $\bar{x}$。

• 虛無假設 ($H_0$)：

  • 文字敘述：A村居民從家裡到醫療院所的平均車程時間，與全國鄉村居民的平均車程時間沒有差別。
  • 符號表示：$H_0: \mu = 20$ 分鐘

• 對立假設 ($H_a$)：

  • 文字敘述：A村居民從家裡到醫療院所的平均車程時間，與全國鄉村居民的平均車程時間有差別。
  • 符號表示：$H_a: \mu \neq 20$ 分鐘
  • （這是一個雙尾檢定，因為研究問題只問「有沒有差別」，沒有指定是變長還是變短。）

c. 計算檢定統計量 (Test Statistic)

此問題涉及單一樣本平均數與已知母體平均數的比較，且母體標準差未知，但樣本量 $n=36$ 較大，我們可以近似使用z檢定，或者更嚴謹地使用t檢定。在此，由於題目給了樣本標準差，且樣本量足夠大，我們計算z檢定統計量：

• 已知資訊：
  • 母體平均數 ($\mu_0$) = 20 分鐘
  • 樣本平均數 ($\bar{x}$) = 18 分鐘
  • 樣本標準差 (s) = 3 分鐘
  • 樣本大小 (n) = 36

本題主要考驗對信賴區間 (Confidence Interval) 的計算與解釋，以及信心水準 (Confidence Level) 的概念。

a. 參加農業職業災害保險比例的90%信賴區間

首先，我們需要計算樣本比例以及其標準誤，然後利用90%信心水準下的z值來建構信賴區間。

• 已知資訊：

  • 樣本大小 (n) = 200 位農民
  • 成功次數 (參加保險人數, $\hat{p}$) = 40 位
  • 信心水準 (Confidence Level) = 90%

• 計算樣本比例 ($\hat{p}$)：
  $\hat{p} = \frac{40}{200} = 0.20$ (即 20%)

• 計算樣本比例的標準誤 (Standard Error of Proportion, SE$_{\hat{p}}$)：
  $SE_{\hat{p}} = \sqrt{\frac{\hat{p}(1-\hat{p})}{n}}$
  $SE_{\hat{p}} = \sqrt{\frac{0.20(1-0.20)}{200}} = \sqrt{\frac{0.20 \times 0.80}{200}} = \sqrt{\frac{0.16}{200}} = \sqrt{0.0008}$
  $SE_{\hat{p}} \approx 0.02828$

• 尋找90%信心水準下的z值：
  對於90%的信心水準，我們需要找到標準常態分布中，使得兩側尾部各佔 5% (即 1 - 0.90 = 0.10，除以2為0.05) 的z值。查z表可知，約為 $z_{0.05} = 1.645$。

• 計算90%信賴區間：
  信賴區間的公式為：$\hat{p} \pm z_{\alpha/2} \times SE_{\hat{p}}$
  信賴區間 = $0.20 \pm 1.645 \times 0.02828$
  信賴區間 = $0.20 \pm 0.04653$
  信賴區間 = $(0.20 - 0.04653, 0.20 + 0.04653)$
  信賴區間 = $(0.15347, 0.24653)$

本題考驗對抽樣誤差（Margin of Error）的計算與理解，以及信心水準下的信賴區間概念。

a. 如何得知2.6個百分點？請計算證明之。

題目中提到的「2.6個百分點」是抽樣誤差 (Margin of Error, MOE)，通常是在特定信心水準下，由樣本統計量與母體參數之間的預期最大差異。對於比例的抽樣誤差，其計算公式為：
$MOE = z_{\alpha/2} \times SE_{\hat{p}}$
其中，$SE_{\hat{p}} = \sqrt{\frac{\hat{p}(1-\hat{p})}{n}}$

• 已知資訊：

  • 樣本大小 (n) = 1,450 位公民
  • A候選人樣本支持率 ($\hat{p}_A$) = 42% = 0.42
  • B候選人樣本支持率 ($\hat{p}_B$) = 36% = 0.36
  • 信心水準 = 95%
  • 題目給出的抽樣誤差 = 2.6 個百分點 = 0.026

• 計算95%信心水準下的z值：
  對於95%的信心水準，$\alpha = 1 - 0.95 = 0.05$。$\alpha/2 = 0.025$。查z表可知，$z_{0.025} = 1.96$。

• 計算抽樣誤差 (MOE)：
  通常，在計算抽樣誤差時，會使用最保守的估計，即當 $\hat{p} = 0.5$ 時，標準誤最大。或者，使用樣本比例來估計。題目中給出A候選人支持率為42%，B候選人為36%。為了簡便，我們可以使用其中一個比例（例如 A 候選人的 0.42）來計算，或者使用更保守的 0.5。讓我們分別計算看看。

  方法一：使用 A 候選人的比例 ($\hat{p}_A = 0.42$)
  $SE_{\hat{p}_A} = \sqrt{\frac{0.42(1-0.42)}{1450}} = \sqrt{\frac{0.42 \times 0.58}{1450}} = \sqrt{\frac{0.2436}{1450}} \approx \sqrt{0.000168} \approx 0.01296$
  $MOE_A = 1.96 \times 0.01296 \approx 0.0254$ (約 2.54 個百分點)

  方法二：使用 B 候選人的比例 ($\hat{p}_B = 0.36$)

本題主要考驗對單因子變異數分析 (One-Way ANOVA) 的理解，包括 ANOVA 表的填寫、F值的計算及其在95%信心水準下的結果解釋。

ANOVA 表的填寫

ANOVA 表的各欄位之間存在著固定的關係：

1. Sum Sq (Sum of Squares)：平方和，表示數據的總變異。
2. Df (Degrees of Freedom)：自由度。
3. Mean Sq (Mean Square)：均方，等於 Sum Sq / Df。
4. F value：F統計量，等於組間均方 (Mean Sq of Field) / 組內均方 (Mean Sq of Residual)。

已知資訊：

• 研究問題：比較六種水稻品種的產量是否有差異。
• 實驗設計：六種目標品種 (Field)，每品種種植六株。
• ANOVA 表：
  • Field (組間變異): Sum Sq = 537673
  • Residual (組內變異): Sum Sq = 482546
  • Total (總變異): Sum Sq = 1020219 (驗證：537673 + 482546 = 1020219，正確)
  • Total Df = 35
  • F value (Field / Residual) = 6.685

計算步驟：

1. 計算 Df (自由度)：

   • Field (組間 Df)：通常是組別數量減一。此處有六種品種，所以 $Df_{Field} = 6 - 1 = 5$。
   • Total Df：總自由度通常是總觀測數減一。題目給了 Total Df = 35。
   • Residual (組內 Df)：總自由度減去組間自由度。$Df_{Residual} = Df_{Total} - Df_{Field} = 35 - 5 = 30$。
     • 另一種計算 Df_{Residual} 的方式：如果我們知道每組的樣本數，則 $Df_{Residual} = \sum (n_i - 1)$，其中 $n_i$ 是第 i 組的樣本數。在此，每品種種植六株，所以 $n_i = 6$。總觀測數 $N = 6 \text{品種} \times 6 \text{株/品種} = 36$ 株。$Df_{Total} = N - 1 = 36 - 1 = 35$。$Df_{Field} = 6 - 1 = 5$。$Df_{Residual} = N - (\text{組數}) = 36 - 6 = 30$。這與前面計算一致。

2. 計算 Mean Sq (均方)：

   • Mean Sq (Field)：$MeanSq_{Field} = \frac{SumSq_{Field}}{Df_{Field}} = \frac{537673}{5} = 107534.6$
   • Mean Sq (Residual)：$MeanSq_{Residual} = \frac{SumSq_{Residual}}{Df_{Residual}} = \frac{482546}{30} \approx 16084.87$

本題要求說明迴歸分析適用的研究類型，並舉例說明。

迴歸分析 (Regression Analysis) 適用的研究類型

迴歸分析是一種統計技術，用於建立和分析一個或多個預測變數（自變數，Independent Variables）與一個響應變數（應變數，Dependent Variable）之間的關係。其主要適用於以下類型的研究：

1. 預測與預測性研究 (Prediction and Predictive Studies)：

   • 目的：利用一個或多個已知的自變數來預測應變數的值。
   • 情境：當研究者希望預測某個結果時，例如預測銷售額、預測學生考試成績、預測作物產量等。

2. 解釋性研究 (Explanatory Studies)：

   • 目的：量化和解釋自變數對應變數影響的強度和方向。
   • 情境：研究者想知道哪些因素對某個結果影響最大，影響程度如何，以及影響的方向（正向或負向）。例如，想知道廣告支出、價格、促銷活動等因素如何影響銷售額。

3. 模式建立與驗證 (Model Building and Validation)：

   • 目的：建立一個數學模型來描述變數之間的關係，並可能用於理論的驗證或發展。
   • 情境：在科學研究中，建立理論模型（如物理定律、經濟模型）常常需要迴歸分析來擬合數據並評估模型的有效性。

4. 因果關係的初步探討 (Preliminary Exploration of Causality)：

   • 目的：雖然迴歸分析本身不能直接證明因果關係（因為可能存在混淆變數或反向因果），但它可以作為探討因果關係的起點，特別是當自變數在實驗中被操弄時。
   • 情境：在實驗設計中，如果自變數是實驗因素，迴歸分析可以幫助量化其對結果的影響。

5. 變數關係的量化 (Quantifying Variable Relationships)：

   • 目的：精確地測量自變數和應變數之間的定量關係。
   • 情境：例如，研究學生的學習時間（自變數）對其考試成績（應變數）的影響，並量化每增加一小時學習時間，成績平均會提高多少分。

舉例說明

研究主題：探討影響農作物產量的因素。

研究問題：假設一位農業研究員想要了解，在特定的氣候條件下，影響小麥產量的關鍵因素有哪些，以及這些因素的影響程度如何，以便於未來進行精準農業管理。

迴歸分析的應用：