115 年 國立中山大學社會學系碩士班《社會研究》

本題主要在考察學生對於社會學研究方法論的理解，特別是提問的重要性、提問的類型、深化提問的方法，以及「田野理路」的核心概念。

（一）
這部分主要探討社會學研究中「提問」的核心作用，以及如何透過不同類型的提問來深入理解社會現象。

提問的類型：
根據謝國雄在《四位一體的社會學之道》一書的觀點，提問可以大致區分為幾種類型，這些類型並非全然獨立，而是相互關聯、層層遞進的。雖然書中可能未明確列出「數種」類型，但可以從其論述中歸納出：

1. 描述性提問 (Descriptive Questions)：這是最基礎的提問，旨在回答「是什麼」（What）的問題。例如，社會現象的發生頻率、特徵、範圍等。
2. 解釋性提問 (Explanatory Questions)：進一步探究「為什麼」（Why）會發生某種現象，試圖找出原因、機制或關聯。
3. 批判性提問 (Critical Questions)：更深入地質疑現狀、權力結構、社會不公等，探究「應該如何」（How should it be）或「如何改變」（How to change）。這類提問往往帶有價值判斷和行動導向。
4. 方法論提問 (Methodological Questions)：關注「如何研究」（How to study）的問題，涉及研究設計、資料收集與分析方法等。

深化提問的方法：
作者認為提問的深化是學術研究進步的關鍵。深化提問的方法包括：

1. 從現象到本質：不僅描述現象，更要探究其背後的結構性原因、歷史脈絡或文化意涵。
2. 從個別到普遍：從特定的案例或觀察，連結到更廣泛的社會模式或理論。
3. 從表面到深層：揭示隱藏在表面之下的權力關係、意識形態或社會建構。
4. 從「是什麼」到「為什麼」與「應該如何」：不斷追問原因，並進一步反思其正當性與可能的改變。
5. 連結不同層次的分析：將微觀的互動、中觀的組織，與巨觀的結構性因素結合起來思考。

以學者作品為例討論提問與議題：

• Paul Willis 的《做工的人》(Learning to Labour)：

  • 基本議題：教育與階級複製、青年認同、文化抗拒、勞動階級的生命經驗。
  • 提問方式：Willis 並非僅僅描述學校中的學業成績或行為偏差，而是深入探究這些行為背後的原因。他提問「為什麼這些『壞學生』會自願選擇從事低階勞動工作？」、「他們的文化與價值觀是如何形成的，以至於他們對學術成就表現出抗拒？」。他透過參與觀察，深入學生的亞文化，揭示了他們如何透過對學校體制的「抗拒」來建構自己的「男子氣概」與「工人階級」認同，而這種認同最終又將他們推向了預期的勞動階級生涯。這是一種從現象（學業表現不佳）到原因（文化建構與認同）再到後果（階級複製）的深化提問。

• Michael Burawoy 的《製造甘願》(Manufacturing Consent)：

  • 基本議題：勞動過程中的權力關係、工人同意的形成、資本主義生產的合法性、工作場所的文化。
  • 提問方式：Burawoy 挑戰了傳統觀點認為工人在被動地接受剝削。他提問「工人為何會『甘願』接受他們的工作，甚至在其中找到樂趣？」，「權力是如何在生產線上被協商與運作的，而非僅僅是單向的壓迫？」。他透過對實際生產線的參與觀察，揭示了「遊戲化」的工作流程、非正式的生產規範、工人之間的協商等，如何讓工人內化生產目標，產生對工作的「同意」，進而維護了資本主義的生產秩序。這種提問方式從表面（工人看似不滿）深入到內在（工人如何透過參與和協商來建構對工作的認同）。

• Goffman 的《精神病院》(Asylums)：

  • 基本議題：社會組織、身分、權力、微觀互動、制度對個體的影響、總體性機構 (total institutions)。
  • 提問方式：Goffman 質問「總體性機構是如何運作以維持其秩序的？」，「在這樣的環境下，個體是如何失去其既有身份，並被重新定義的？」。他透過細膩的觀察，分析了「身分貶低」(degradation ceremonies)、「身分線索」(identity kits)、「二線世界」(secondary adjustment) 等概念，揭示了機構如何透過一系列制度化的過程，重塑個體的自我認知與社會關係，使之符合機構的需求。他的提問深入到制度如何透過日常的微觀互動來影響個體的「自我」。

• Latour 的實驗室研究：

  • 基本議題：科學知識的社會建構、科學作為一種實踐、科學家如何運用工具和資源說服他人、科學的物質性。
  • 提問方式：Latour 提問「科學事實是如何被『製造』出來的？

本題旨在評估學生對當代重要社會議題的敏感度，以及將議題轉化為具體研究問題、設計研究方法，並規劃資料分析步驟的能力。這是一個結合理論知識與研究實踐的綜合題。

一、當前重要的社會議題

社會學的研究範圍廣泛，當前值得關注的重要議題很多，以下列舉幾項：

1. 數位社會與科技倫理：人工智慧（AI）的發展、演算法的偏見、社群媒體的影響、數位落差、個人隱私與監控、數位勞動等。
2. 環境變遷與社會永續：氣候變遷的社會影響、環境正義、綠色轉型、都市更新與環境、災害的社會脆弱性等。
3. 不平等與社會分化：貧富差距、世代不平等、性別不平等、族群歧視、教育機會不均、健康不平等、勞動市場的變遷與剝削等。
4. 人口結構變遷與社會政策：少子化、高齡化、移民與移工、家庭結構的多元化、人口老化對勞動與照護體系的衝擊等。
5. 社會運動與政治參與：新興的社會運動形式（如線上運動）、公民參與的挑戰、社會信任的危機、極化與民粹主義等。
6. 全球化與在地化：跨國資本的流動、文化交流與衝突、地方認同的建構、全球供應鏈的社會影響等。

二、選擇研究議題、現象與提出研究問題（以「數位落差對偏鄉學生學習機會的影響」為例）

• 研究議題：數位落差與教育機會不均。
• 研究現象：在數位化快速發展的時代，許多偏鄉地區的學生因家庭經濟條件、基礎設施（如網路普及率、設備取得）的限制，無法像都市學生一樣，獲得充足且優質的數位學習資源和線上學習經驗。這可能導致他們在學業成績、數位技能培養，甚至未來升學或就業的機會上，與都市學生產生更大的差距。
• 研究問題：
  1. 偏鄉地區國高中生在數位設備（如電腦、平板）與網路連線的取得上，與都市地區學生相比，存在哪些顯著差異？
  2. 這些數位資源的差異，如何影響偏鄉學生在家中進行線上學習的有效性與參與度？
  3. 數位落差對偏鄉學生的學業表現（如課業成績、數位技能掌握）和學習動機，產生了哪些具體影響？
  4. 偏鄉學校與地方政府，在縮小數位落差、提升學生數位學習機會方面，採取了哪些措施？其成效如何？

三、選擇研究方法

考量上述研究問題，我會傾向採用混合研究法 (Mixed Methods Research)，結合質性與量化研究的優勢，以獲得更全面、深入的理解。

• 量化研究部分：

  • 目的：量化數位資源的差異、學業表現的影響程度，以及不同變項之間的統計關係。
  • 方法：
    • 問卷調查 (Survey)：對特定偏鄉與都市地區的國高中生進行抽樣調查，收集關於其家庭數位設備擁有情況、網路使用習慣、線上學習參與度、學業成績（可透過學生自填或取得學校同意後統計）、學習動機等數據。
    • 二手資料分析：收集政府統計數據（如網路普及率、設備擁有率）或學術研究已發表的相關數據，進行比較分析。

• 質性研究部分：

  • 目的：深入理解數位落差對學生學習經驗的具體感受、影響機制，以及學校和家長所採取的應對策略。
  • 方法：
    • 深度訪談 (In-depth Interviews)：
      • 與偏鄉地區的學生進行訪談，了解他們在數位學習過程中的具體困難、感受、應對方式，以及他們對學習機會的看法。
      • 與偏鄉學校的教師、輔導人員訪談，了解他們在教學上如何應對數位落差、推動數位學習的挑戰與策略。

本題主要在考察學生對統計學中「概括統計量」（summary statistics）的理解，特別是它們如何可能忽略或掩蓋數據本身的變異性（variability），以及這種現象在現實中的意義。

核心概念：概括統計量與變異性

• 概括統計量 (Summary Statistics)：是指用一個數值來代表一組數據的集中趨勢或整體特徵的指標，最常見的如：

  • 平均數 (Mean)：所有數值的總和除以數值的個數。
  • 中位數 (Median)：將數據排序後，位於中間的數值。
  • 眾數 (Mode)：出現頻率最高的數值。
  • 總數 (Total)：所有數值的總和。
  • 標準差 (Standard Deviation)：衡量數據離散程度的指標。

• 變異性 (Variability / Dispersion)：是指數據點之間的分散程度。即使兩組數據具有相同的平均數，它們的變異性也可能截然不同。變異性是理解數據分佈、潛在問題和個體差異的關鍵。

《一次看懂小數據》（Everydata）一書中的案例解釋

雖然原卷未提供《Everydata》書中的具體案例，但此類書籍常舉例說明概括統計量如何誤導。常見的例子包括：

1. 平均收入的迷思：

   • 情境：假設一個小鎮有 100 人，其中 99 人的年收入是 30 萬，而有 1 人的年收入是 3000 萬。
   • 概括統計量：
     • 總數：$99 \times 300,000 + 30,000,000 = 29,700,000 + 30,000,000 = 59,700,000$ 元。
     • 平均收入：$59,700,000 / 100 = 597,000$ 元。
   • 掩蓋的變異：這個 597,000 元的平均收入，完全無法反映絕大多數人（99%）的真實收入只有 30 萬。那個極端的個案（年收入 3000 萬）扭曲了平均數，讓平均數看起來很高，但對大多數人而言，這個數字毫無意義，甚至具有誤導性。
   • 解釋：這裡的「平均數」掩蓋了數據的巨大「變異性」，即貧富差距。若我們只看平均數，可能會誤以為這個小鎮的居民普遍富裕，但實際上，絕大多數人生活在相對一般的收入水平。

2. 平均分數與學習差異：

   • 情境：一班學生考試平均分數是 70 分。
   • 概括統計量：平均數 70 分。
   • 掩蓋的變異：
     • 情況 A：班上所有學生的分數都在 65-75 分之間。這表示學習程度相當接近。
     • 情況 B：班上有一半學生考 100 分，另一半學生考 40 分。平均數也是 70 分。這表示學習程度兩極分化嚴重。
   • 解釋：僅僅知道平均分數是 70 分，無法區分這兩種截然不同的學習狀況。情況 A 的變異性很小，情況 B 的變異性則非常大。如果老師只看平均數，可能無法察覺到 B 班存在嚴重的學習分化問題，也無法針對性地輔導考 40 分的學生或給予考 100 分的學生更進階的挑戰。

本題旨在考察學生對「相關性」與「因果關係」兩個核心統計學和邏輯學概念的區分能力，以及對人們在日常生活中常犯此類謬誤的理解。

核心概念：相關性 vs. 因果關係

• 相關性 (Correlation)：是指兩個變數之間存在一種統計上的聯繫，當一個變數發生變化時，另一個變數也傾向於以某種可預測的方式變化。相關性可以是正相關（同向變化）或負相關（反向變化），但它不一定意味著一個變數導致了另一個變數的變化。
• 因果關係 (Causation)：是指一個變數的變化直接導致了另一個變數的變化。要建立因果關係，通常需要滿足三個條件：
  1. 相關性 (Correlation)：兩個變數必須相關。
  2. 時間順序 (Temporal Precedence)：原因必須發生在結果之前。
  3. 排除他因 (Absence of Confounding Variables)：必須排除其他可能解釋這種關係的潛在變數。

人們混淆相關性與因果關係的常見原因：

1. 直覺的聯想 (Intuitive Association)：當兩個事物經常同時出現或以某種模式一起變化時，人們很容易直觀地認為它們之間存在直接的因果聯繫。
2. 因果謬誤 (Causal Fallacies)：
   • 後此謬誤 (Post hoc ergo propter hoc)：認為「因為 B 發生在 A 之後，所以 A 是 B 的原因」。
   • 共同原因謬誤 (Common Cause Fallacy / Confounding Variable)：忽略了可能同時影響兩個變數的第三方因素。
   • 單因謬誤 (Single Cause Fallacy)：將複雜的結果歸因於單一原因。
3. 媒體報導的簡化 (Media Simplification)：新聞媒體為了吸引讀者，常將複雜的研究結果簡化，直接報導為「X 導致 Y」，而忽略了研究中關於相關性、排除他因等重要的限定條件。
4. 對機率的誤解 (Misunderstanding of Probability)：將「可能性」或「傾向性」誤解為「確定性」。

《一次看懂小數據》（Everydata）一書中的案例解釋

同樣，原卷未提供具體案例，但此類書籍常舉例說明：

1. 冰淇淋銷售量與溺水人數的相關性：

   • 觀察到的相關性：夏天時，冰淇淋的銷售量和溺水死亡人數都會顯著上升。兩者之間存在很強的正相關。
   • 人們的混淆：有人可能會推論「吃冰淇淋導致人們去游泳，進而發生溺水」。
   • 真實原因（排除他因）：這兩者都是由高溫天氣這個共同的第三方變數（潛在的混淆變數）所導致的。天氣熱，人們就更傾向於吃冰淇淋解暑，同時也更傾向於去游泳消暑，而游泳人數增加自然會提高溺水風險。冰淇淋本身與溺水事故沒有直接的因果關係。
   • 解釋：這裡的混淆在於將「共同原因」的相關性誤認為是「A 導致 B」的因果關係。

2. 咖啡攝取與肺癌風險的相關性：

   • 觀察到的相關性：早期一些研究發現，咖啡攝取量與肺癌風險之間呈現負相關（喝咖啡的人肺癌風險較低）。
   • 人們的混淆：一些人可能會認為「喝咖啡可以預防肺癌」。
   • 真實原因（排除他因）：後來更嚴謹的研究發現，喜歡喝咖啡的人，同時也更可能吸菸。而吸菸是導致肺癌的主要原因。實際上，咖啡攝取量與肺癌風險之間可能不存在直接的因果關係，或者其因果方向完全相反。
   • 解釋：這個例子展示了「共同原因」的影響，以及研究設計（例如是否控制了吸菸這個變數）的重要性。如果研究沒有控制吸菸這個混淆因素，就容易得出錯誤的結論。

自身經驗、觀察或閱讀實例解釋

本題為一項綜合性研究設計題，旨在評估學生將理論知識應用於實際研究設計的能力，特別是在量化研究領域。學生需要展現對研究問題界定、概念操作化、變項測量、資料收集方法選擇及研究限制的全面理解。

研究設計架構

一份完整的量化研究設計應包含以下核心要素：

1. 研究主題 (Research Topic)：學生感興趣的社會現象。
2. 研究問題 (Research Question)：將研究主題具體化、可測量的問題。
3. 概念與母體的操作性定義 (Operational Definition of Concepts and Population)：
   • 概念 (Concepts)：研究中涉及的核心抽象詞彙。
   • 操作性定義 (Operational Definition)：將抽象概念轉化為可觀察、可測量的具體指標或程序。
   • 母體 (Population)：研究希望推論其結論的目標群體。
   • 抽樣母體 (Sampling Population)：實際可接觸到的母體子集。
   • 樣本 (Sample)：從抽樣母體中選出的代表性部分。
4. 變項/變數 (Variables)：
   • 自變項 (Independent Variable, IV)：被認為是原因或預測因子。
   • 依變項 (Dependent Variable, DV)：被認為是結果或被預測的變數。
   • 控制變項 (Control Variable)：為排除他因而納入分析的變數。
   • 測量尺度 (Level of Measurement)：名目尺度 (Nominal)、次序尺度 (Ordinal)、區間尺度 (Interval)、比例尺度 (Ratio)。
5. 研究方法與資料蒐集 (Research Method and Data Collection)：
   • 研究設計類型：例如，橫斷面研究 (Cross-sectional)、縱向研究 (Longitudinal, 如追蹤研究、世代研究)。
   • 抽樣方法 (Sampling Method)：機率抽樣 (Probability Sampling, 如簡單隨機抽樣、分層抽樣、叢聚抽樣) 或非機率抽樣 (Non-probability Sampling, 如便利抽樣、配額抽樣)。
   • 資料蒐集工具：問卷 (Questionnaire)、結構式訪談 (Structured Interview)、次級資料分析 (Secondary Data Analysis) 等。
6. 資料分析計畫 (Data Analysis Plan)：預計使用的統計方法。
7. 研究限制 (Limitations)：研究設計中可能存在的問題或不足之處。

---

範例研究設計（以「社群媒體使用時間與大學生學業成績的關係」為例）

1. 研究主題
社群媒體使用對大學生學業的影響。

2. 研究問題
大學生每日社群媒體使用時間的多寡，是否與其學業成績（GPA）之間存在統計上的關聯？若有，這種關聯是正向還是負向？

3. 概念與母體的操作性定義

• 核心概念：

  • 社群媒體使用時間 (Social Media Usage Time)：指大學生每日平均花費在主要社群媒體平台（如 Facebook, Instagram, Twitter, TikTok, LINE 等）上的總時數。
  • 學業成績 (Academic Performance)：以學生在該學期的學術平均成績點數 (Grade Point Average, GPA) 作為衡量標準。

• 母體 (Population)：

  • 目標母體：台灣某大學在學的全體大學部學生。
  • 抽樣母體：從該大學大學部學生名單中，隨機抽取一定比例的學生作為可接觸的對象。
  • 樣本 (Sample)：從抽樣母體中，透過特定抽樣方法選出的實際參與研究的學生群體。

• 操作性定義 (Operational Definitions)：

  • 社群媒體使用時間：透過自填問卷，要求受訪者回憶並估計過去一週內，每天平均花費在社群媒體上的總時間（例如，回答「每天平均使用 1-2 小時」、「3-4 小時」、「5 小時以上」等類別，或直接填寫分鐘/小時數）。
  • 學業成績 (GPA)：要求受訪者提供其該學期的官方 GPA 紀錄（需取得學生同意，或引導其查詢並填寫）。GPA 通常是一個比例尺度變數（例如，4.0 為滿分）。

4. 變項/變數 (Variables)

• 自變項 (Independent Variable, IV)：

  • 社群媒體使用時間 (Social Media Usage Time)。
    • 測量尺度：可視為區間尺度（若學生填寫具體時數）或次序尺度（若分類為「低」、「中」、「高」使用時間）。為了方便分析，可將其處理為區間尺度。

• 依變項 (Dependent Variable, DV)：

  • 學業成績 (GPA)。
    • 測量尺度：比例尺度（通常是 0-4.0 或 0-4.3 的範圍）。

• 潛在的控制變項 (Potential Control Variables)：為排除其他可能影響學業成績的因素，可納入以下變項：

  • 先前學業成績 (Previous Academic Performance)：例如，前一學期的 GPA。
  • 學習習慣 (Study Habits)：例如，每週學習時數、是否有固定讀書計畫等（可透過問卷測量）。