111 年 國立政治大學社會工作研究所《社會工作研究法》

本題主要在探討紮根理論（Grounded Theory）的核心取樣策略——理論性取樣（Theoretical Sampling）及其終止標準——理論飽和（Theoretical Saturation）。

理論性取樣（Theoretical Sampling）

紮根理論是一種歸納式的質性研究方法，其核心精神是從資料中發展出理論。與其他質性研究方法不同的是，紮根理論的資料收集與分析是同時進行且相互影響的。理論性取樣是紮根理論中資料收集與分析循環的關鍵環節，其目的不是為了確保樣本的代表性，而是為了發展出更全面、更深入的理論。

具體來說，理論性取樣是指研究者根據研究初期發展出的初步概念或理論，有目的地選擇新的資料來源（例如訪談對象、文件、觀察等），以驗證、擴展或修正這些初步概念。研究者不會事先規劃好所有樣本，而是根據分析過程中浮現的需求來決定下一步該蒐集哪些資料。這是一個不斷迭代、相互建構的過程。

理論飽和（Theoretical Saturation）

理論飽和是理論性取樣的終止標準。當研究者在蒐集和分析新資料時，發現這些新資料不再能提供新的概念、新的屬性、新的關係或新的見解，無法再對現有的理論進行擴展或修正時，就達到了理論飽和。換句話說，蒐集更多資料也不會再增加對理論的理解，研究就應該停止。

理論飽和並非指資料的「量」窮盡，而是指資料的「質」已經達到飽和，無法再產生新的理論洞見。研究者透過不斷地比較資料與概念，以及不同概念之間的關係，來判斷是否達到理論飽和。

說明與舉例

假設一位研究者想探究「老年人居家安寧照護經驗」的紮根理論。

本題旨在探討質性研究（特別是現象學）中「懸置前見」（Bracketing）的概念，並要求舉例說明其意義。

核心觀念：懸置前見（Bracketing）

「懸置前見」是現象學研究方法論中的一個關鍵概念，由哲學家胡塞爾（Edmund Husserl）提出。它指的是研究者在進行研究時，有意識地暫時擱置或「懸置」個人先前的經驗、假設、預設、價值觀、理論框架以及文化背景等，以便能夠更純粹、更開放地接觸和理解現象本身。

「懸置」與「排除」的區別

題目中明確指出「懸置」而非「排除」。「排除」意味著試圖完全消滅或忽略某事物，這在人類經驗中幾乎是不可能的，因為研究者的經驗本身就是其認識世界的一部分。而「懸置」則是一種更為審慎的態度：

• 懸置（Bracketing）： 是指認識到自己有先見，並將其「暫時放在一邊」，不讓它主導對現象的理解。研究者承認這些先見的存在，但努力不讓它們影響對當下經驗的直接描述和分析。這是一種持續的自我反思和警覺的過程。
• 排除（Elimination）： 試圖將先見完全從研究過程中移除，這不僅困難，也可能導致研究者失去重要的反思視角。

質性研究，特別是現象學，強調的是對「經驗本身」的深入理解，而非驗證既有的理論或尋找因果關係。因此，研究者必須盡力避免將自己的預設強加於被研究者的經驗之上。

「懸置前見」的意義

1. 忠實於經驗： 幫助研究者更貼近被研究者所描述的真實經驗，避免因研究者自身的解讀而扭曲現象。
2. 開放性與敏感度： 讓研究者對現象保持開放的心態，更能覺察到細微的、非預期的面向。
3. 避免過度概化： 防止研究者將自己的經驗或特定理論框架套用到所有研究對象身上。
4. 促進深度理解： 透過暫時放下既有觀點，研究者能更深入地探究現象的本質。

舉例說明

假設一位研究者想探究「新手母親哺乳經驗」的現象學研究。

• 研究者的「前見」可能包括：
  • 自己曾有哺乳經驗，認為哺乳是自然而然、充滿母愛的事。
  • 聽說過或讀過很多關於母乳餵養對嬰兒健康益處的文章，預設所有母親都應該盡力母乳餵養。
  • 認為哺乳過程中可能會遇到乳頭疼痛、塞奶等困難，但這些都是暫時的。

本題主要在探討行動研究（Action Research）的特質，包括其精神、人際關係、知識生產模式，以及為何適合實務工作者，並要求舉例。

行動研究的精神

行動研究是一種強調「行動」與「反思」循環的研究方法，其核心精神是：

1. 實踐導向： 行動研究的最終目標是解決實務中的問題，並改善現狀。它不是純粹的學術探索，而是將理論知識應用於實踐，並從實踐中學習。
2. 循環性： 行動研究通常遵循一個「計畫—行動—觀察—反思」（Plan-Act-Observe-Reflect）的循環。研究者（或實務工作者）首先診斷問題，制定行動計畫；然後執行計畫；接著觀察行動的結果；最後反思這些結果，並據此調整下一個計畫，形成一個螺旋上升的過程。
3. 參與性： 行動研究強調研究者與被研究者（通常是實務場域的成員）的合作與參與。研究者與參與者共同識別問題、共同策劃行動、共同執行與觀察，並共同反思。
4. 反思性： 持續不斷的反思是行動研究的靈魂。研究者與參與者需要不斷地檢視行動的有效性、過程的適當性，以及對自身經驗和理解的影響。

研究者與被研究者關係

在行動研究中，傳統研究者與被研究者之間的分離界線變得模糊。取而代之的是一種**合作夥伴（Collaborative Partners）或共同行動者（Co-action Researchers）**的關係。

• 去階層化： 雖然研究者可能具備研究方法或理論的專業知識，但被研究者（如實務工作者、服務對象）擁有對實務現場的深刻理解和經驗。行動研究試圖打破這種知識上的階層，鼓勵雙方相互學習、相互賦權。
• 共同診斷與決策： 研究者與被研究者共同參與問題的定義、研究目標的設定、研究方法的選擇以及行動方案的設計。
• 知識共生： 雙方都在研究過程中共同學習和成長，研究者從實務中學習，實務工作者則透過研究方法獲得新的洞見和解決問題的能力。

知識生產關係

行動研究的知識生產模式是一種**在地化、情境化且具有轉化性（Transformative）**的知識。

• 在地知識： 產生的知識是針對特定情境、特定問題而發展的，具有高度的實用性和適用性。
• 實踐知識： 知識的產生與實際行動緊密結合，強調「做中學」，知識是透過行動和反思而形成的。

本題主要在探討如何進行雙變項分析以及複回歸分析。

核心觀念：

• 依變項（Dependent Variable）： 生活滿意度（總分）。
• 自變項（Independent Variables）： 實際年齡、教育程度、是否已婚、參與活動次數。
• 資料類型：
  • 年齡：連續變數（Ratio Scale）。
  • 教育程度：類別變數（Ordinal Scale），有三個等級，但在此可視為類別變數處理，需進行編碼（如dummy coding）。
  • 是否已婚：類別變數（Nominal Scale），通常編碼為二元（例如：是=1, 否=0）。
  • 參與活動次數：連續變數（Ratio Scale）。
  • 生活滿意度：總分，視為連續變數（Interval/Ratio Scale）。

一、每個自變項與依變項之雙變項分析方法

雙變項分析（Bivariate Analysis）旨在檢視兩個變數之間的關係。由於自變項的類型不同，適用於分析兩兩變數關係的方法也不同：

1. 自變項為連續變數（實際年齡、參與活動次數）與依變項（生活滿意度）的關係：

   • 方法： 皮爾森積差相關（Pearson Product-Moment Correlation, $r$）。
   • 說明： 此方法用於衡量兩個連續變數之間線性關係的強度與方向。相關係數 $r$ 的值介於 -1 到 +1 之間。

2. 自變項為類別變數（教育程度、是否已婚）與依變項（生活滿意度）的關係：

   • 方法：
     • 若自變項為二元類別（如：是否已婚）： 可以使用獨立樣本 t 檢定（Independent Samples t-test）來比較兩組（已婚 vs. 未婚）在生活滿意度上的平均分數差異，或計算點二列相關（Point-Biserial Correlation）。
     • 若自變項為類別變數（如：教育程度，有三個等級）： 則應使用單因子變異數分析（One-Way ANOVA）來檢驗不同教育程度的群體在生活滿意度平均分數上是否存在顯著差異。若 ANOVA 檢定結果顯著，可進一步進行事後檢定（Post-hoc tests, 如 Tukey, Bonferroni）來找出具體是哪些群體之間存在差異。

二、如何進行複回歸分析以檢驗所有自變項與生活滿意度之相關程度

複回歸分析（Multiple Regression Analysis）是用來檢驗多個自變項（預測變數）同時對一個依變項（結果變數）的預測力，並能控制其他自變項的影響，從而了解每個自變項的「獨立貢獻」。

步驟說明：

1. 變數編碼與準備：

   • 連續變數： 實際年齡、參與活動次數直接使用。
   • 類別變數：
     • 是否已婚： 編碼為二元變數，例如：已婚=1, 未婚=0。
     • 教育程度： 由於是類別變數（有三個等級），需要進行虛擬編碼（Dummy Coding）。若以「大學及以上」為參照組（Reference Group, 編碼為00），則：
       • 國中及以下：編碼為 10
       • 高中：編碼為 01
       • 大學及以上：編碼為 00
         （注意：類別變數的虛擬編碼數量為類別數減一。）

2. 建立複迴歸模型：
   模型形式如下：

本題要求解釋統計分析結果，針對「性別」與「服務提供」指標之間的關係進行分析。這主要涉及獨立樣本 t 檢定（Independent Samples t-test）的結果判讀，並包含 Levene 檢定以檢驗變異數齊一性。

核心觀念：

• 研究目的： 檢驗「性別」（自變項，類別變數，二元：男性 vs. 女性）是否對「服務提供」（依變項，有多個衡量指標）有顯著影響。
• 統計方法： 獨立樣本 t 檢定，用於比較兩獨立群體（男性、女性）在連續變數（服務提供指標）上的平均數差異。
• Levene 檢定： 用於檢驗兩群體變異數是否齊一（Homogeneity of Variances）。這是進行 t 檢定的前提條件之一。
  • 若 Levene 檢定顯著（P < alpha），表示變異數不齊一，應使用 t 檢定結果中「未假設變異數相等」的部分。
  • 若 Levene 檢定不顯著（P > alpha），表示變異數齊一，可使用 t 檢定結果中「假設變異數相等」的部分。
• t 檢定：
  • F 檢定（Levene Test）： 檢驗變異數齊一性。
  • t 值： 兩組平均數差異的標準化值。
  • 自由度（df）： 決定 t 分配的形狀。
  • 顯著性（Sig.，雙尾）： 檢定兩組平均數差異是否具有統計學意義。若 P < 0.05，則認為存在顯著差異。
  • 平均數差異（Mean Difference）： 兩組平均數的實際差異值。

分析結果解釋：

我們需要逐一檢視表格中的三個服務提供指標：

1. 每週至少聯繫一次的比例

• Levene 檢定： F = 1.61, Sig. = 0.21。
  • 由於 Sig. (0.21) > 0.05，表示我們無法拒絕變異數齊一性的假設。因此，兩組（男性、女性）的變異數是齊一的。
• t 檢定（假設變異數相等）：
  • t = 0.28, df = 185, Sig. (雙尾) = 0.78。
  • 由於 Sig. (0.78) > 0.05，表示男性與女性在「每週至少聯繫一次的比例」上，平均數差異不具統計學意義。
  • 平均數差異 (Mean Difference) = 0.21 (男性平均數 21.19，女性平均數 19.82；21.19 - 19.82 = 1.37，這裡表格顯示的是平均數差異的標準化值，或者是指不同組別的平均數？從組別統計來看，男性平均數 21.19，女性平均數 19.82，所以差異是 1.37。表格中的 0.21 可能是某種標準化的差異值。但關鍵在 Sig. > 0.05)。
  • 結論： 性別對「每週至少聯繫一次的比例」沒有顯著影響。

2. 電話聯繫的比例

• Levene 檢定： F = 0.06, Sig. = 0.80。
  • 由於 Sig. (0.80) > 0.05，表示變異數齊一。
• t 檢定（假設變異數相等）：