111 年 國立臺北大學犯罪學研究所《社會科學研究法》

此題為基本概念題，旨在測驗考生對社會科學研究法中，關於測量、抽樣及實驗設計等基本名詞的理解程度。

a. 外在效度 (external validity)：指研究結果能夠推論至研究對象以外的其他情境、時間、族群或研究的程度。換言之，就是研究結果的普遍性。例如，在實驗室中發現某種學習方法有效，但其能否推論到真實的教室環境，就是外在效度的問題。

b. 內在效度 (internal validity)：指研究結果能夠正確反映自變項與依變項之間因果關係的程度，排除其他可能影響依變項的干擾因素。例如，在研究某藥物對降低血壓的效果時，若未控制受試者同時服用其他降血壓藥物，則血壓下降的結果可能歸因於其他藥物而非研究藥物，內在效度便會受到威脅。

c. 表面效度 (face validity)：指研究測量工具（如問卷、量表）表面上看起來是否測量到研究者想要測量的概念。這是一種主觀的判斷，通常由專家或研究對象來評估。例如，一份數學測驗，如果題目都是數學問題，則具有較高的表面效度。

d. 內容效度 (content validity)：指測量工具所包含的題目或測項，是否能充分且代表性地涵蓋欲測量概念的所有重要面向。例如，一份針對大學生數學能力的測驗，應包含代數、幾何、微積分等不同領域的題目，以確保內容效度。

e. 結構效度 (construct validity)：指測量工具所測量到的結果，是否與理論上預期的結構（construct）一致。這通常需要透過統計方法（如因素分析、相關分析）來檢驗。例如，一個測量「憂鬱」的量表，其得分應與其他衡量憂鬱的理論構念（如負面情緒、失落感）高度相關，且與非憂鬱相關的構念（如快樂、樂觀）低度相關。

f. 區辨效度 (discriminant validity)：是結構效度的一種，指測量工具所測量到的概念，與理論上應該要不同的其他概念之間，其相關性應該要低。例如，一個測量「焦慮」的量表，其得分應與測量「憂鬱」的量表得分之間相關性不高，表示它能區辨焦慮和憂鬱。

g. 效標效度 (criterion validity)：指測量工具的得分，與其他獨立的、外在的效標（criterion）之間的相關程度。效標效度又可分為兩類：
* 併列效度 (concurrent validity)：測量工具的得分與當前效標的相關性。例如，一份新的智力測驗得分與現有的標準智力測驗得分高度相關。
* 預測效度 (predictive validity)：測量工具的得分預測未來效標的能力。

本題要求設計一個研究，以檢驗關於酒駕處罰（死刑、公布姓名、鞭刑）與減少酒駕發生之關係的三種不同看法。這是一個典型的應用題，需要結合犯罪學理論與研究設計方法來回答。

核心概念：犯罪預防、嚇阻理論、研究設計、抽樣、理論假設。

a. 抽樣方法
由於研究對象是「酒駕行為」或「與酒駕相關的社會態度」，我們需要定義母群體並選擇合適的抽樣方法。

母群體可定義為：

1. 潛在酒駕者（例如，經常飲酒者，或特定年齡層的駕駛）。
2. 一般大眾（對於酒駕處罰的態度與預期效果的看法）。
3. 實際酒駕者（蒐集較困難，但最直接）。

考量研究的可行性與目的，我們可能需要區分幾個抽樣策略：

• 針對一般大眾的態度調查：
  • 分層隨機抽樣 (Stratified Random Sampling)：將母群體（例如，台灣成年人口）依重要變項（如年齡、性別、教育程度、地區）劃分為不同層，然後在各層內進行隨機抽樣。這樣可以確保樣本在這些關鍵人口統計學特徵上能代表母群體，並能進行層間的比較。
• 針對潛在酒駕者的行為意向或態度調查：
  • 配額抽樣 (Quota Sampling)：雖然非隨機，但在實際操作中可能更可行。首先設定各類別（如年齡、性別）的配額，然後由研究者自行尋找符合配額的受訪者。需要注意的是，配額抽樣的代表性不如隨機抽樣。
  • 便利抽樣 (Convenience Sampling)：例如，在酒吧、KTV 等場所附近訪問，或透過網路社群招募，但其代表性最低，結果推論至母群體時需非常謹慎。
• 針對實際酒駕者（挑戰性高）：
  • 叢聚抽樣 (Cluster Sampling)：例如，以警察局的酒駕攔檢紀錄為基礎，隨機抽取區域（叢聚），然後在這些區域內進行調查。

本題建議採用分層隨機抽樣來調查一般大眾對不同處罰措施的態度與預期效果，以了解社會的觀感。若要研究處罰措施對行為的「實際」影響，則需要更複雜的研究設計，甚至可能需要實驗法。

b. 研究設計與進行方式
為了檢驗三種看法，我們可以設計一個混合方法的研究，結合問卷調查與可能的實驗元素。

研究設計建議：跨時段比較研究或準實驗設計。

1. 問卷調查法 (Survey Research)：

   • 對象：隨機抽樣選取的台灣成年駕駛者（或一般大眾）。
   • 內容：
     • 態度衡量：詢問受訪者對「死刑」、「公布姓名」、「鞭刑」等處罰措施的接受度、感知到的嚴厲程度、以及認為其嚇阻酒駕的有效性。
     • 行為意向：詢問受訪者若知道這些處罰存在，其未來酒駕的意願會如何改變。
     • 人口統計學變項：年齡、性別、教育程度、職業、飲酒習慣、過去酒駕經驗等。
   • 進行方式：透過線上問卷、電話訪問或面訪進行。

2. 實驗法 (Experimental Method) / 準實驗法 (Quasi-experimental Method)：

   • 實驗設計：
     • 情境模擬實驗：設計虛擬情境，讓受訪者模擬在不同處罰規定下的決策。例如，讓受訪者評估在有死刑、無死刑、有公布姓名、無公布姓名等不同情境下，其酒駕的風險感知與決策。
     • 準實驗設計（若有政策變動）：若有地區或國家實施了類似的處罰（如公布酒駕者姓名），則可採取「介入前後比較」或「介入組與對照組比較」的準實驗設計，來評估其實際效果。例如，比較實施公布姓名政策前後的酒駕發生率。
   • 進行方式：受試者被隨機分配到不同的處罰情境組（例如，A組看到酒駕判死刑的資訊，B組看到酒駕公布姓名的資訊），然後評估其對酒駕的態度或意向。

綜合進行方式：
首先，進行大規模的問卷調查，了解社會大眾對這三種處罰措施的看法、接受度以及預期的嚇阻效果。
接著，可以設計一個情境模擬實驗，讓受訪者在不同處罰情境下，評估其對酒駕行為的影響。
若有機會，可以追蹤實際政策的實施成效，進行前後比較研究。

c. 根據適合的犯罪學理論提出假設
我們需要連結犯罪學理論來解釋為什麼這些處罰會有嚇阻效果（或沒有）。

核心理論：理性選擇理論 (Rational Choice Theory)、嚇阻理論 (Deterrence Theory)。

• 假設 1 (對應看法一：死刑確實執行才有嚇阻效果，減少酒駕)

  • 理論基礎：理性選擇理論與古典嚇阻理論。認為犯罪者在決策時會權衡成本與效益。嚴厲且確定的處罰（高成本）能有效嚇阻理性選擇的犯罪者。
  • 具體假設 (H1)：相較於公布姓名或鞭刑，死刑（若確實執行）預期能產生最高的酒駕發生率下降，因為其被認為是成本最高、後果最嚴重的處罰。
  • 具體假設 (H1a)：確實執行死刑（高確定性）的嚇阻效果，會顯著優於僅僅是法律規定死刑但執行率低的情況。

• 假設 2 (對應看法二：死刑宣示意義大於實質，即使無嚇阻效果也有效減少酒駕)

  • 理論基礎：此看法較為模糊，可能結合了「象徵性」或「社會規範」的觀點。但若強調「減少酒駕」為目標，仍可從嚇阻角度切入，但其預期效果是「即使沒有直接嚇阻，但透過社會觀感或壓力減少」。
  • 具體假設 (H2)：即使死刑的嚇阻效果不顯著，其「社會象徵性」或「公眾關注度」的提升，仍能透過間接方式（如提高社會對酒駕問題的警覺性）有助於減少酒駕。

本題旨在測驗考生對量化研究中測量尺度的基本認識，包括其內涵、特性及限制。這是社會科學研究法中極為基礎且重要的概念。

測量尺度（Measurement Scale），又稱變數類型，是將觀察到的現象或概念，依其性質與數學運算的可行性，劃分為不同層級。史帝文斯（S.S. Stevens）於1946年提出的四種測量尺度，是學界廣泛採用的分類。

常見的四種測量尺度依序為：

1. 名目尺度 (Nominal Scale)
2. 次序尺度 (Ordinal Scale)
3. 等距尺度 (Interval Scale)
4. 比率尺度 (Ratio Scale)

以下分別說明其內涵與限制，並舉例：

1. 名目尺度 (Nominal Scale)

• 內涵：這是最基本的測量尺度，僅能將事物分類，賦予類別名稱或數字代號。這些數字僅作為標籤，不具備數值意義，也無法進行數學運算（如加減乘除）。類別之間沒有順序或等級之分，彼此是獨立且互斥的。
• 特性：
  • 分類 (Classification)
  • 識別 (Identification)
  • 類別之間無順序
  • 無法進行算術運算
• 舉例：
  • 性別：男性 (1)、女性 (2)
  • 血型：A型、B型、AB型、O型
  • 政黨偏好：國民黨、民進黨、民眾黨、無黨籍
  • 婚姻狀況：未婚、已婚、離婚、喪偶
  • 職業類別：教師、工程師、醫護人員、服務業
• 限制：
  • 無法進行量化分析，只能計算頻率、眾數（Mode），或進行卡方檢定等非參數檢定。
  • 無法得知類別之間的距離或等級關係。

2. 次序尺度 (Ordinal Scale)

• 內涵：在名目尺度的基礎上，增加了類別之間的順序或等級關係。我們可以知道哪個類別優於、劣於或等於另一個類別，但無法得知類別之間差距的大小。
• 特性：
  • 具備名目尺度的所有特性。
  • 類別之間有明確的順序或等級。
  • 無法得知類別間的距離。
• 舉例：
  • 教育程度：國小、國中、高中、大學、研究所 (可以排序，但大學與高中之間的差距不一定等於研究所與大學之間的差距)
  • 滿意度：非常不滿意、不滿意、普通、滿意、非常滿意 (Liker Scale 類型的題目)
  • 社會階層：低、中、高
  • 比賽名次：第一名、第二名、第三名 (知道誰贏誰，但不知道第一名與第二名、第二名與第三名之間的差距是多大)
  • 疼痛程度：輕微、中度、嚴重
• 限制：
  • 雖然有順序，但無法進行加減乘除等算術運算。
  • 僅能計算中位數（Median）、百分位數，或進行非參數統計檢定。
  • 類別之間的差距不確定，難以進行精確的量化比較。

本題探討樣本數大小的考量，特別是除了統計方法和研究假設之外，還有哪些情況下研究者應該考慮使用大樣本。這涉及樣本數對研究結果的影響以及研究設計的考量。

核心概念：樣本數、統計檢力、估計精確度、同質性/異質性、小族群、複雜模型。

除了研究假設和統計分析方法（例如，需要較高統計檢力來檢驗微小差異、或要進行複雜的迴歸模型分析時，通常需要較大樣本）之外，研究者在以下幾種狀況下，也應當考慮使用大樣本：

1. 追求高精確度的估計

• 說明：當研究目標是精確估計母群體參數（如平均數、比例、相關係數）時，樣本數越大，估計值的標準誤（Standard Error）越小，點估計（Point Estimate）越接近真實母群體值，區間估計（Interval Estimate）的信賴區間（Confidence Interval）也越窄。
• 情境：例如，在市場調查中，需要非常精確地知道某產品的市場佔有率；或在公共衛生領域，需要精確掌握某疾病的發生率，以利資源分配。若樣本太小，估計結果可能因抽樣誤差而產生很大的偏差，導致決策失誤。

2. 母群體存在許多次群體需要分別分析

• 說明：當研究者希望對母群體中的不同次群體（如不同年齡層、性別、教育程度、地區等）進行比較或分別分析，而這些次群體本身樣本數可能不多時，就需要一個足夠大的總樣本，才能確保每個次群體的樣本數也達到進行統計分析的要求。
• 情境：例如，研究某項政策對不同收入階層的影響，若總樣本數不足，則低收入群體的樣本數可能過小，無法進行有意義的統計分析。

3. 變異性（異質性）高的母群體

• 說明：如果母群體本身差異很大（異質性高），即變異數較大，那麼要透過抽樣來捕捉這種多樣性，就需要更大的樣本數。小樣本在這種情況下，很難反映母群體的真實分佈情況，容易產生偏差。
• 情境：例如，研究大學生的學業成就，但大學生的家庭背景、學習動機、學習習慣等差異很大，這時就需要較大的樣本來涵蓋這些異質性。

4. 預期效應量（Effect Size）較小

• 說明：當研究者預期自變項與依變項之間的關係（效應量）可能很微小，或者研究本身設計上就可能導致效應量偏低時，就需要更大的樣本數來提高統計檢力（Statistical Power），以便在真實存在微小效應時，能夠偵測到它（避免第二類錯誤，即