108 年 國立清華大學社會學研究所乙組《社會學（含社會研究法及社會學理論）》

本題旨在測驗考生對社會學核心概念的理解程度，包含基本名詞的翻譯與概念的解釋。

1. Class for itself

   • 翻譯: 本身之階級；自覺之階級。
   • 解釋: 此概念源自卡爾‧馬克思（Karl Marx）的階級理論。當一個社會階級的成員不僅在客觀的經濟地位上相同，更重要的是，他們能夠意識到自己與其他階級的差異，並對自身階級的利益、處境有共同的認知，進而可能採取集體行動時，這個階級便稱之為 "class for itself"。這與 "class in itself"（本身之階級，僅指客觀經濟地位的相同，但成員尚未形成階級意識）相對。
   • 【答案】: 翻譯：本身之階級；自覺之階級。解釋：指社會階級成員不僅在客觀經濟地位上相同，更重要的是，他們已形成共同的階級意識，了解自身利益並可能採取集體行動。

2. Mechanical solidarity

   • 翻譯: 機械連帶。
   • 解釋: 此概念由涂爾幹（Emile Durkheim）在其著作《社會分工論》（The Division of Labor in Society）中提出，用以描述傳統社會（或稱前現代社會）的社會整合方式。在這種社會中，成員間的相似性（如共同的信仰、價值觀、生活方式）是主要的連結力量。社會成員彼此之間高度同質，分工較少，集體意識（collective consciousness）強烈，個人差異不大，因此社會的凝聚力來自於成員間的同質性，如同機械的各部分緊密結合。
   • 【答案】: 翻譯：機械連帶。解釋：涂爾幹提出的概念，描述傳統社會中，因成員間高度同質性（共同信仰、價值觀）而產生的社會凝聚力。

3. Stock of knowledge at hand

   • 翻譯: 手邊的知識庫；現有知識儲備。
   • 解釋: 此概念主要與社會建構論（Social Constructionism）及現象學社會學（Phenomenological Sociology）相關，特別是彼得‧路德維希‧伯格（Peter L. Berger）和湯瑪斯‧盧克曼（Thomas Luckmann）

本題要求考生將社會學的理論視角應用於分析一個具體的社會現象（2018年台灣同婚公投結果與挺同婚人士的反應），並進行預測。這考驗考生整合理論與實務的能力。

核心概念： 社會認同、集體情緒、社會運動策略、符號互動論、社會建構。

(1) 說明為什麼挺同婚人士要換上這樣背景的大頭貼：

從社會學的觀點來看，挺同婚人士換上「Together, Stronger」作為臉書大頭貼，可以從以下幾個角度來解釋：

• 強化內部認同與凝聚力 (Social Identity & Group Cohesion)： 在公投遭遇挫折後，社會運動的成員面臨士氣低落、甚至可能產生內部分裂的風險。透過共同換上同一款大頭貼，這是一種視覺上的集體標誌（collective symbol），能有效強化成員的「我們」感（in-group feeling），讓彼此感受到「我們是一體的」、「我們不是孤單的」。這種共同的視覺符號有助於鞏固其社會認同，提醒成員他們屬於同一個群體，並共同面對挑戰。
• 表達集體情緒與情感動員 (Collective Emotion & Affective Mobilization)： 「Together, Stronger」傳達了一種情感訊息：即使面臨挫敗，團結在一起就能變得更強大。這是一種試圖轉化失落、憤怒、沮喪等負面情緒為正面動能的心理調適。在社會運動中，情感的連結與動員是至關重要的，這種共同的表達方式有助於維繫並激勵運動參與者。
• 符號互動與意義建構 (Symbolic Interaction & Meaning Construction)： 根據符號互動論，意義是在互動中產生的。透過共同採用「Together, Stronger」這個符號，參與者共同建構了其意義——它代表著不屈服、希望、以及透過團結來克服困難的決心。這個符號成為一種集體共識，用來定義當前處境與運動的未來方向。
• 對外傳達訊息與爭取支持 (External Communication & Support Mobilization)： 雖然主要目的是內部凝聚，但這也是一種對外溝通的策略。向外界展示運動內部並未瓦解，反而更加團結，可以展現運動的韌性，吸引更多潛在支持者，或爭取尚未決定的中間群體，讓他們看到運動的決心與潛力。
• 應對「挫折感」的社會心理機制 (Coping Mechanism for Frustration)： 公投結果的重大挫敗，可能讓許多人感到無力與絕望。換上「Together, Stronger」是一種集體的應對機制，藉由強調團結和力量，來抵銷個人可能感受到的無力感，重新賦予參與者行動的意義和動力。

(2) 預測以“Together, Stronger"作為因應此次公投受挫的策略會為同婚運動的發展帶來什麼樣的影響：

這個策略的影響是多面向的，可能帶來正面與負面的結果：

• 正面影響：
  • 提升運動的韌性與持續性 (Increased Resilience & Sustainability)： 如前所述，強化內部團結和士氣，有助於運動在短期挫敗後不致崩潰，得以持續運作，尋找新的策略和機會。
  • 深化社群連結與組織動員能力 (Deepened Community Ties & Mobilization Capacity)： 共同的經歷和情感連結，能進一步深化同婚社群內部的關係，為未來的組織動員（如參與其他政治行動、倡議、募款等）奠定更穩固的基礎。

本題要求考生闡述三位古典社會學巨擘——馬克思、涂爾幹、韋伯——對傳統社會轉向現代社會過程及其結果的觀點。這是一道典型的理論比較與分析題，旨在測驗考生對社會學基礎理論的掌握程度。

核心概念： 社會變遷、社會分工、社會整合、理性化、現代性。

解題思路： 針對每一位社會學家，獨立闡述其核心觀點，並儘量點出其理論中的關鍵術語。

---

1. 卡爾‧馬克思 (Karl Marx)：

馬克思的分析聚焦於經濟結構的變遷，特別是生產方式的演進。他認為，社會變遷的根本動力來自於生產力與生產關係之間的矛盾。

• 過程： 社會由原始共產主義，經由奴隸社會、封建社會，最終發展到資本主義社會。這個過程是階級鬥爭的歷史。在封建社會，農民與貴族的矛盾推動了資本主義的興起；在資本主義社會，資產階級（擁有生產工具）與無產階級（出賣勞動力）之間的矛盾日益尖銳。
• 結果： 馬克思預期資本主義社會最終將被無產階級革命所推翻，進入社會主義（甚至共產主義）社會。在資本主義社會，生產的社會化與生產資料的私人佔有之間的矛盾，導致了異化勞動（alienation），工人與其勞動產品、勞動過程、自身、以及他人之間產生疏離。現代資本主義的結果是剝削加劇，但同時也孕育了埋葬自身的革命力量。他對資本主義的結果持批判態度，認為其最終會被更為公正的社會主義所取代。

---

2. 涂爾幹 (Emile Durkheim)：

涂爾幹的分析則側重於社會整合（Social Integration） 的方式如何從傳統社會轉向現代社會。他提出社會分工（Division of Labor） 是驅動這一變遷的核心機制。

• 過程： 傳統社會（他稱之為「機械連帶」社會）的特徵是同質性高，成員間的相似性（共同信仰、價值觀、生活方式）是主要的社會凝聚力來源。由於人口密度低、交通不便、缺乏專業分工，人們的經驗和意識形態高度一致，形成強烈的集體意識。
  隨著社會的發展，人口增加、城市化、交通進步，社會變得更加複雜，社會分工日益精細。這種分工使得社會成員之間變得更加異質，個體差異增大，專業化程度提高。
• 結果： 現代社會（他稱之為「有機連帶」社會）的特徵是異質性高，社會的凝聚力來自於成員之間對彼此專業的依賴性，如同有機體的各部分相互依存。在這個過程中，集體意識逐漸減弱，個人主義興起。涂爾幹對此過程並非全然悲觀，他認為有機連帶是社會進步的表現。

第四大題：社會學研究法與社會統計簡答

1. 信度（reliability）

核心觀念

信度是指測量工具或研究程序的「穩定性」與「一致性」，也就是同一對象在相同或相近條件下重複測量時，能否得到相近結果。

信度高表示測量結果不容易受到隨機誤差影響，但信度高不代表測量一定正確。測量工具可能每次都穩定地測錯，此時具有高信度、低效度。

常見信度類型包括：

• 再測信度：同一測量工具於不同時間測量同一群體，檢驗兩次結果的一致程度。
• 複本信度：使用兩份內容相等的測驗，檢驗結果是否一致。
• 折半信度：將題目分成兩半，比較兩半分數的一致程度。
• 內部一致性信度：檢驗同一量表內各題是否共同測量相同概念，常用 Cronbach’s $\alpha$。
• 評分者信度：不同評分者對同一資料或答案的判斷是否一致。

解題方法

答題時先指出信度的核心是「一致、穩定、可重複」，再補充「信度不等於效度」及一種測量方式，即可形成完整答案。

解題技巧

記憶方式是：

信度問「測得穩不穩」；效度問「測得準不準」。

【答案】信度是測量結果在重複測量或不同評分者之間的一致性與穩定性，反映測量工具受到隨機誤差影響的程度。信度高不必然代表效度高。

---

2. 配對（matching）的研究設計

核心觀念

配對研究設計是指研究者依照重要背景變項，將研究對象配成特徵相近的配對組，再分別接受不同處理或進入不同研究組別，以降低干擾變項造成的差異。

例如，研究某種教學法對成績的影響時，可將年齡、性別、先前成績相近的學生配成一對，其中一人進入實驗組，另一人進入控制組。

配對可用於：

• 實驗組與控制組的比較；
• 病例—對照研究；
• 受試者數量較少、個體差異影響較大的研究；
• 控制性別、年齡、社經地位等外在變項。

解題方法

先說明「依重要變項尋找相似對象」，再說明配對後分派到不同組別，最後指出其目的在於控制個體差異、提高比較的公平性。

配對差異的分析可表示為：

$$D_i=Y_{i,\text{實驗組}}-Y_{i,\text{控制組}}$$

研究者再分析所有配對差異的平均值或分布。

解題技巧

配對不是把所有人隨機分組，而是先根據重要特徵找出相似個案，再進行組間比較。常見陷阱是將配對設計與「隨機抽樣」混為一談。

【答案】配對研究設計是依照年齡、性別、教育程度等重要變項，將特徵相近的研究對象配成一對，再將兩者分配至不同組別進行比較，以控制個體差異與干擾變項的影響。

---

3. 抽樣框架（sampling frame）

核心觀念

抽樣框架是研究者實際用來抽取樣本的名單、資料庫或清冊，理想上應完整涵蓋研究母體中的所有抽樣單位。

例如：

• 研究全校學生，抽樣框架可為註冊學生名冊；
• 研究全國住戶，抽樣框架可為住址資料庫；
• 研究公司員工，抽樣框架可為人事名冊。

抽樣框架與研究母體不一定完全相同。若名單遺漏部分母體成員，會產生涵蓋不足；若名單含有不屬於母體的對象，則會產生過度涵蓋。

解題方法

回答時依序說明：

1. 研究母體是研究者想推論的全部對象；
2. 抽樣框架是實際抽樣所依據的名單；
3. 抽樣框架品質會影響樣本代表性與抽樣偏誤。

解題技巧

可用一句話區分：

母體是「想研究誰」；抽樣框架是「實際從哪份名單抽人」。

【答案】抽樣框架是研究者用來抽取樣本的完整名單或資料清冊，應盡量涵蓋研究母體的所有抽樣單位。抽樣框架若有遺漏、重複或錯列，會造成涵蓋誤差與代表性問題。

---

4. 比例削減誤差（proportional reduction of error, PRE）

核心觀念

比例削減誤差是用來衡量加入自變項資訊後，對依變項進行預測時，錯誤減少了多少比例。其基本公式為：

$$PRE=\frac{E_1-E_2}{E_1}$$

其中：

• $E_1$：未使用自變項時的預測錯誤；
• $E_2$：使用自變項後的預測錯誤。

PRE 的數值通常介於 $0$ 與 $1$ 之間，也可乘以 $100\%$ 表示錯誤減少的百分比。

解題方法

例如，未使用自變項時錯誤為 $100$，加入自變項後錯誤降為 $60$：

$$PRE=\frac{100-60}{100}=0.4$$

表示預測錯誤減少 $40\%$。

$PRE=0$ 表示自變項沒有改善預測；$PRE=1$ 表示錯誤完全消除。

解題技巧

分子一定是「原本錯誤減去新的錯誤」，分母是「原本錯誤」。PRE 衡量的是預測改善幅度，不等同於相關係數，也不直接等同於因果效果。

【答案】PRE 是衡量自變項資訊使依變項預測錯誤減少程度的指標，公式為：

$$PRE=\frac{E_1-E_2}{E_1}$$

數值越高，表示加入自變項後的預測改善越大。

---

5. 控制變項（control variables）

核心觀念

控制變項是研究者在分析自變項與依變項關係時，納入模型或分析程序加以固定、分層或統計控制的其他變項。

例如，研究教育程度對收入的影響時，年齡、性別、工作年資可能同時影響收入，因此可將它們列為控制變項。

控制變項的主要目的包括：

• 排除第三變項造成的混淆；
• 判斷自變項與依變項的關係是否仍然存在；
• 檢驗是否存在中介效果或交互作用；
• 提高因果推論的可信度。

迴歸模型可表示為：

$$Y=\beta_0+\beta_1X+\beta_2Z+\varepsilon$$

其中 $X$ 是主要自變項，$Y$ 是依變項，$Z$ 是控制變項。

解題方法

先指出控制變項不是研究主題的主要自變項，但會影響研究結果，因此需在分析中固定其效果，再觀察主要自變項的淨效果。

解題技巧

控制變項不是「把所有變項都控制住」，而是根據理論與研究設計選擇可能造成混淆的重要變項。控制錯誤的變項也可能造成過度控制或偏誤。

【答案】控制變項是在研究自變項與依變項關係時，透過設計或統計方法固定其影響的其他變項，用以排除混淆因素並估計主要自變項的淨效果。

---

6. 操作型定義（operational definition）

核心觀念

本大題共包含兩部分，第一部分為假設檢定應用題，第二部分為迴歸分析應用題，共佔20分。

---

第一部分：政治傾向與死刑態度

核心概念： 變項類別、假設檢定、卡方檢定、ANOVA、虛無假設。

1. (1) 最適合這位研究生使用的假設檢定方式為何？

• 分析：
  • 自變項： 政治傾向，為類別變項（名目變項），共有五類：「藍」、「綠」、「白」、「其他」、「無政治傾向」。
  • 依變項： 死刑存廢態度，為連續變項（區間變項），分數範圍為 0 到 20 分。
  • 研究目的： 探討類別自變項與連續依變項之間的關係，即不同的政治傾向群體，其死刑態度分數是否有差異。
• 適合的檢定方法：
  • 當自變項是類別變項（有兩個或兩個以上類別）且依變項是連續變項時，我們通常會使用變異數分析（Analysis of Variance, ANOVA） 來檢定各組平均數之間是否存在顯著差異。
  • 若自變項只有兩個類別，則可使用獨立樣本 t 檢定（Independent samples t-test）。但此處有五個類別，ANOVA 是更適合的選擇。
• 【答案】: 變異數分析 (Analysis of Variance, ANOVA)。

1. (2) 請寫出這個假設檢定的虛無假設（null hypothesis）。

• 分析： ANOVA 的虛無假設是檢定所有類別（群體）的依變項平均數都相等。
• 寫法：
  • 若用符號表示：$H_0: \mu_{藍} = \mu_{綠} = \mu_{白} = \mu_{其他} = \mu_{無政治傾向}$
  • 若用文字敘述：所有政治傾向類別（藍、綠、白、其他、無政治傾向）的受訪者，在死刑存廢態度量表上的平均分數沒有顯著差異。
• 【答案】: $H_0: \mu_{藍} = \mu_{綠} = \mu_{白} = \mu_{其他} = \mu_{無政治傾向}$ （或文字敘述：所有政治傾向群體在死刑態度量表上的平均分數均相等。）

1. (3) 請問你同意這個結論嗎？為什麼？

• 結論： 「政治傾向為藍軍與綠軍的民眾確實在贊成或反對廢除死刑的意見上有顯著的差異」。
• 分析：
  • 研究結果： 研究者進行了假設檢定，並且「檢定值落入拒絕區」（p-value < $\alpha$），因此拒絕了原先的虛無假設。
  • 原虛無假設： 所有五個政治傾向群體（藍、綠、白、其他、無政治傾向）的平均分數都相等。
  • 拒絕原虛無假設的意義： 拒絕原虛無假設，表示「至少有一個群體的平均分數與其他群體不同」。也就是說，這五個群體中，至少存在一對群體，它們在死刑態度上的平均分數有顯著差異。
• 問題所在： 研究者直接從「拒絕了五組平均數均相等的虛無假設」這個結果，跳躍到「藍軍與綠軍有顯著差異」這個結論。
  • ANOVA 的結果只能告訴我們「整體上」存在差異，但無法直接指明是哪兩組之間存在差異。
  • 要確定是藍軍和綠軍之間有顯著差異，還需要進行事後檢定（post-hoc tests），例如 Tukey's HSD, Bonferroni 等。這些事後檢定會針對所有可能的成對比較（如藍vs綠, 藍vs白, 綠vs白…）進行檢定。
  • 如果事後檢定結果顯示藍軍與綠軍的差異是顯著的，那麼這個結論才站得住腳。但僅憑 ANOVA 的顯著結果，就斷言特定兩組有差異，是犯了邏輯上的跳躍。
• 同意與否： 不同意。
• 原因： ANOVA 的結果只表明「至少有一對群體之間存在顯著差異」，而不能直接確定是哪一對群體。研究者需要進一步進行事後檢定（post-hoc tests）來確定藍軍與綠軍之間是否存在顯著差異。直接從整體檢定顯著推斷特定兩組的差異，是不夠嚴謹的。
• 【答案】: 不同意。因為 ANOVA 的結果僅能證明五個政治傾向群體在死刑態度上「至少有一個群體與其他群體有顯著差異」，但無法直接指出是哪兩組（例如藍軍與綠軍）之間存在顯著差異。需要進一步進行事後檢定（post-hoc tests）才能確定藍綠之間的差異。

---

第二部分：政治傾向與得票差距分析

核心概念： 線性迴歸、統計顯著性、R平方、自變項、依變項、操作變項。

2. (1) 這份研究最可能是使用哪一個統計方式？

• 分析：
  • 表格中列出了「國民黨得票差距」和「民進黨得票差距」兩個依變項（Dependent Variables, DV）。
  • 同時，列出了「農林漁牧生產人數」、「榮民人數」、「公投第十案同意票數比例」等變項，以及「常數項」。
  • 表格中的數值（如 0.438, 4.918***, -1.456）是各個自變項（Independent Variables, IV）對依變項的迴歸係數（regression coefficients）。
  • 註解中包含了 p 值（*p<.05 **p<.01 ***p<.001）和標準誤（Standard Errors, (.)內）。
  • 最後還有 R² 值。
• 結論： 這些特徵（迴歸係數、p 值、標準誤、R²）都指向線性迴歸分析（Linear Regression Analysis）。由於有兩個依變項（國民黨得票差距、民進黨得票差距），研究者可能是分別進行了兩次迴歸分析，或使用了可以同時處理多個依變項的統計模型（如多元迴歸 Multiple Regression, 或更複雜的系統迴歸 System of Regression）。但最基礎且最符合描述的是線性迴歸。
• 【答案】: 線性迴歸分析 (Linear Regression Analysis)。

2. (2) 請問有打上星號的數值與沒有打上星號的數值的差異為何？

• 分析： 註解中的星號（*、**、***）是統計學中用來表示統計顯著性（Statistical Significance） 的符號。
  • * 表示在 p < 0.05 的水準下顯著。
  • ** 表示在 p < 0.01 的水準下顯著。
  • *** 表示在 p < 0.001 的水準下顯著。
• 差異：
  • 有星號的數值（迴歸係數）： 表示該自變項對依變項的影響在統計上是顯著的，即這個影響不太可能是由隨機抽樣誤差造成的。
  • 沒有星號的數值（迴歸係數）： 表示該自變項對依變項的影響在統計上不顯著（p 值大於 0.05）。也就是說，我們無法有足夠的證據排除這個影響是由於隨機因素造成的。
• 【答案】: 有星號的數值（迴歸係數）表示該自變項對依變項的影響在統計上是顯著的（p值小於0.05、0.01或0.001），而沒有星號的數值表示該自變項對依變項的影響在統計上不顯著（p值大於0.05）。

2. (3) 請問 R² 的意義為何？

• 定義： $R^2$（決定係數，Coefficient of Determination）是線性迴歸分析中的一個重要指標，它衡量了模型中自變項（自變數）的組合，能夠解釋依變項（應變數）變異的比例。
• 計算： $R^2$ 的值介於 0 到 1 之間。
• 解釋：