113 年 國立政治大學政治學系碩士班《政治學方法論》

內容分析（Content Analysis）是一種系統性的、客觀的、量化的方法，用於描述可觀察的傳播內容的顯著特徵。這種方法主要用於分析文本、圖像、音訊或視訊等形式的資訊，透過對內容進行編碼、分類和量化，以識別模式、趨勢或主題。

在政治學研究中，內容分析常被用來分析新聞報導、政治演講、政黨文宣、社交媒體貼文等，以了解特定議題的呈現方式、政治人物的溝通策略、大眾傳播媒體的偏見或議程設定功能。

生態謬誤（Ecological Fallacy）是指在群體層級上觀察到的相關性，錯誤地推論到個體層級上的相關性。換句話說，當我們發現某個群體（例如一個國家、一個地區、一個學校）的某項特徵與另一項特徵之間存在關聯，就直接斷定該群體中的每一個個體也具有相同的關聯性，這就是犯了生態謬誤。

在政治學研究中，生態謬誤可能出現在對國家層級數據進行推論時。例如，如果發現高教育程度的國家與較高的民主程度相關，研究者就可能誤以為在該國家中，教育程度較高的個人也一定比教育程度較低的個人更傾向於支持民主。

結構功能主義（Structural Functionalism）是一種社會學和政治學的理論取向，它將社會視為一個由相互關聯的各個部分（結構）組成的複雜系統，這些部分共同協作以維持社會的穩定和團結（功能）。這種理論認為，社會的每個結構（如家庭、教育、政府、經濟）都具有特定的功能，對整個社會的生存和運作至關重要。

在政治學領域，結構功能主義的代表人物如 Gabriel Almond，他將政治系統視為一個開放系統，由各種政治結構（如政黨、利益團體、官僚體系、媒體）組成，這些結構執行特定的政治功能，例如：輸入功能（要求、利益表達）、轉化功能（政策形成、規則制定）和輸出功能（規則執行、司法裁決）。

目的性抽樣（Purposive Sampling），又稱判斷抽樣（Judgmental Sampling）或主觀抽樣（Subjective Sampling），是一種非概率抽樣方法。在此方法中，研究者根據自己的專業知識、判斷和研究目的，有選擇性地挑選出具有特定特徵或能夠提供豐富資訊的樣本。抽樣的依據不是隨機性，而是研究者對研究對象的判斷。

這種抽樣方法常見於質化研究，特別是當研究者希望深入了解特定群體、現象或經驗時。

本題旨在探討實驗設計與準實驗設計的特徵、優缺點，並要求結合政治學的實例進行說明。

一、實驗設計 (Experimental Design)

特徵：
實驗設計是科學研究中最嚴謹的設計之一，其核心特徵在於研究者能夠隨機分配參與者到不同的處理組（treatment group）和對照組（control group）。這意味著每個參與者被分配到任一組的機率是相等的，從而確保兩組在實驗開始前是可比較的。此外，實驗設計通常包含對自變數（independent variable）的操弄，研究者主動改變自變數的值，並觀察其對依變數（dependent variable）的影響。

優點：

1. 因果推論的優勢： 由於隨機分配和對自變數的操弄，實驗設計能夠最有力地建立自變數與依變數之間的因果關係。隨機分配有助於消除潛在的混淆變數（confounding variables），確保觀察到的差異確實是由自變數引起的。
2. 內部效度高（High Internal Validity）： 能夠較好地控制實驗環境，排除其他可能影響結果的因素，因此對因果關係的判斷較為準確。

缺點：

1. 外部效度低（Low External Validity）： 實驗室環境通常與真實世界的複雜性相差甚遠，因此實驗結果可能難以推論到真實情境中的其他人群或環境。
2. 倫理限制： 某些研究問題因倫理考量無法進行實驗，例如無法隨機分配人們進入貧困或遭受歧視的環境。
3. 實施困難： 在某些領域（特別是社會科學），要完全控制所有變數並進行隨機分配可能非常困難或成本高昂。

政治學實例：
假設研究者想探討某種競選廣告對選民投票意向的影響。

• 實驗設計： 研究者可以招募一群選民，然後隨機分配他們到兩組：一組觀看競選廣告（處理組），另一組觀看中性廣告或不觀看廣告（對照組）。廣告內容即為自變數的操弄。實驗後，測量兩組選民的投票意向（依變數），比較差異。由於隨機分配，可以較有信心地認為，觀察到的投票意向差異是由競選廣告引起的。

二、準實驗設計 (Quasi-experimental Design)

本題考查統計檢定中的兩類錯誤，以及如何在實證研究中減少這些錯誤的發生。

一、Type I Error 與 Type II Error 的意涵

在統計假設檢定中，我們總是試圖根據樣本數據來判斷關於母體參數的虛無假設（Null Hypothesis, $H_0$）是否應被拒絕。在這個過程中，存在兩種可能的錯誤：

1. Type I Error (第一類錯誤，或稱 $\alpha$ 錯誤)：

   • 意涵： 當虛無假設（$H_0$）實際上是真實的，但我們卻根據樣本數據錯誤地拒絕了它。
   • 簡化理解： 「誤判有，其實無。」例如，一個宣稱藥物有效的實驗，實際上藥物無效，但研究結果卻顯示為有效。
   • 機率： Type I Error 的發生機率通常用 $\alpha$ (alpha) 來表示，這也是我們在進行假設檢定時設定的顯著水準（significance level）。常見的 $\alpha$ 值有 0.05 或 0.01。

2. Type II Error (第二類錯誤，或稱 $\beta$ 錯誤)：

   • 意涵： 當虛無假設（$H_0$）實際上是虛假的，但我們卻根據樣本數據未能拒絕它（即接受了它）。
   • 簡化理解： 「誤判無，其實有。」例如，一個宣稱藥物無效的實驗，實際上藥物是有效的，但研究結果卻未能顯示出其有效性。
   • 機率： Type II Error 的發生機率用 $\beta$ (beta) 來表示。
   • 統計檢力 (Statistical Power)： 1 - $\beta$ 被稱為統計檢力，代表當虛無假設為假時，正確地拒絕它的機率。

二、減少 Type I Error 與 Type II Error 的策略

在實證研究中，我們通常需要在 Type I Error 和 Type II Error 之間進行權衡，因為減少一種錯誤的發生往往會增加另一種錯誤的風險（在樣本量固定且檢定水準已知的情況下）。然而，我們可以採取一些策略來同時降低兩者發生的可能性，或在特定研究中優先控制其中一種錯誤。

策略一：設定顯著水準 ($\alpha$)

• 減少 Type I Error： 降低 $\alpha$ 值（例如從 0.05 降至 0.01）是直接減少 Type I Error 的方法。這意味著我們對拒絕虛無假設的要求更高，需要更強的證據才能得出結論。
• 對 Type II Error 的影響： 降低 $\alpha$ 值通常會增加 $\beta$ 值，即 Type II Error 的機率，因為我們變得更難拒絕虛無假設，即使它是錯誤的。

策略二：增加樣本量 (Sample Size, $n$)

• 同時減少 Type I 和 Type II Error： 增加樣本量是提高研究信度和減少兩類錯誤最有效的方式之一。更大的樣本量能提供更穩定的估計，使樣本統計量更接近母體參數，從而減少抽樣誤差。

本題要求設計一個結合量化與質化研究方法的「混合方法研究」案例，以「性別政治與國會」為主題。研究設計需涵蓋研究問題、分析單位、範圍、假設、操作化，並說明量化與質化方法的運用。

研究主題： 性別政治與國會

研究設計案：

1. 研究問題 (Research Question, RQ)：
在台灣的國會（立法院）中，女性立委相較於男性立委，在參與法案審議的積極度、提出與支持性別平權相關法案的比例上，是否存在顯著差異？若有差異，其可能的原因為何？

2. 分析單位 (Unit of Analysis, UOA)：
本研究的分析單位是個別的國會議員 (individual legislators)。我們將聚焦於立委的行為，而非政黨或國會整體。

3. 研究範圍 (Scope of Study)：

• 時間範圍： 聚焦於最近的兩個國會會期（例如，第10屆立法院的後兩年，或第11屆立法院的現行會期），以確保資料的相關性和可及性。
• 地理範圍： 台灣的立法委員（立法院）。
• 內容範圍： 主要關注立委在法案審議過程中的參與行為（如發言次數、質詢內容），以及其主動提出的法案或支持的法案中，與性別平權議題（如性別工作平等法、性騷擾防治法、婚姻平權相關法案等）的關聯性。

4. 可驗證的假設 (Testable Hypothesis, H)：

• 假設： 在台灣立法院，女性立委在法案審議過程中，相較於男性立委，會更積極地參與討論，且更有可能主動提出或支持與性別平權相關的法案。
• 成立的可能性說明：
  • 社會建構論與性別角色： 傳統或現代社會對女性的性別角色期待，可能使其在關注社會議題，特別是與權益、弱勢關懷相關的議題時，展現出更高的敏感度與行動意願。
  • 經驗與觀點： 女性立委可能因為自身經驗或對性別不平等的感受，而更傾向於將這些議題帶入國會議程。
  • 代表性理論： 為了代表其女性選民的利益和關切，女性立委可能更關注性別議題。
  • 政治動機： 某些女性立委可能將推動性別平權視為其重要的政治目標或政黨綱領的一部分。

5. 操作化 (Operationalization)：

• 依變數 (Dependent Variable, DV)： 立委參與法案審議的積極度及對性別平權法案的關注度。

  • 操作化測量：
    • 法案審議積極度：
      • 量化指標：
        • 在特定會期內，於委員會或院會中關於法案審議的總發言次數。
        • 在法案審議期間，參與質詢的次數。
        • 對於特定性別平權相關法案的投票記錄（支持、反對、棄權）。
      • 質化指標：
        • 發言內容是否具體針對性別議題、性別歧視、或性別權益的改善。
    • 性別平權相關法案的提出/支持比例：
      • 量化指標：
        • 在特定會期內，主動提案（包含擔任第一提案人或聯署人）中，與性別平權相關法案的比例。
        • 在審議過程中，對性別平權相關法案表示支持的投票比例。
      • 質化指標：
        • 質詢或發言內容中，主動倡議或呼籲關注性別平權議題的頻率與強度。

• 自變數 (Independent Variable, IV)： 立委的性別。

  • 操作化測量：
    • 量化指標： 二元變數：1 = 女性立委，0 = 男性立委。
    • 質化考量： 雖然性別本身是二元變數，但在質化分析中，可以進一步探討「女性」身分在國會中可能面臨的結構性障礙或特殊經驗。

• 可能的控制變數 (Control Variables)：

  • 量化指標：
    • 立委的任期數（資深程度）。
    • 所屬政黨。
    • 委員會的類別（例如，是否為與性別議題較相關的委員會，如社福衛環委員會）。
    • 立委的學歷、職業背景。