114 年 國立臺北大學社會工作學系碩士班《社會工作研究法與社會統計》

本題為研究所入學考試常見的名詞解釋題型，旨在測驗考生對於社會工作研究法核心概念的理解程度。以下依序解釋：

1. 隨機分派 (Random Assignment)：
   隨機分派是指在實驗研究中，將參與者隨機分配到不同處理組（例如實驗組或對照組）的過程。其目的是確保各組在實驗開始前在已知和未知的變數上具有可比性，從而最大程度地減少選擇偏差，使實驗結果的內在效度提高。在社會工作領域，常見於評估介入措施的效果，例如將受助者隨機分配接受新的諮商模式或傳統模式。
   【答案】指在實驗研究中，將研究對象隨機分配至不同處理組（如實驗組、對照組）的過程，旨在確保各組的均質性，以減少選擇偏差，提高研究的內在效度。

2. 演繹邏輯 (Deductive Logic)：
   演繹邏輯是一種從一般原理推導至特定結論的推理方式。它通常從一個普遍性的理論或假設出發，然後透過邏輯推理，推導出一個具體的、可被檢驗的預測。如果前提為真，且推理過程有效，則結論必然為真。在社會科學研究中，演繹法常與量化研究結合，從理論出發形成假設，再透過數據收集與分析來驗證假設。
   【答案】一種從一般性理論、原則或假設出發，經過邏輯推導，得出特定結論或預測的推理方式。

3. 系統性誤差 (Systematic Error)：
   系統性誤差（又稱偏差，bias）是指在測量過程中，由於測量工具、程序或環境因素的固定性偏差，導致測量結果與真實值之間出現持續且方向一致的差異。

本題主要考驗考生對兩種機率抽樣方法的理解，包括其定義、實施步驟、優缺點，以及在實際研究情境中的應用。

第一部分：描述實施方式與優缺點 (15 分)

• 分層抽樣 (Stratified Sampling)

  • 實施方式：首先，將母群體依據某一或數個特定特徵（如年齡、性別、社經地位、居住地區等）區分成若干互斥且具窮盡性的子群體，稱為「層 (strata)」。接著，在每個層內部，再從中抽取樣本。抽樣方式可以是簡單隨機抽樣或系統抽樣。分層抽樣可分為比例分層抽樣（各層抽樣比例與母群體比例一致）和非比例分層抽樣（各層抽樣比例不一致，例如，對於某些較少數但研究重要的群體，會增加其抽樣比例）。
  • 優點：
    1. 提高樣本代表性：確保了母群體中各重要子群體都能在樣本中獲得適當的比例，尤其當母群體異質性較高時，能更精確地代表母群體。
    2. 提高估計的精確度 (精度)：若層內變異小於層間變異，分層抽樣通常比同等樣本數的簡單隨機抽樣能提供更精確的估計量（如平均數、比例），降低抽樣誤差。
    3. 可對各層進行獨立分析：能夠對母群體中的特定子群體進行個別的分析。
  • 缺點：
    1. 需要預先掌握母群體分層變數的資訊：必須事先知道母群體各層的劃分標準及各層的樣本數或比例，這可能需要額外的資料收集工作。
    2. 實施過程較複雜：需要對母群體進行分層，並在每個層內進行抽樣，程序比簡單隨機抽樣複雜。
    3. 若分層變數與研究變項無關，則效益不大：如果所選的分層變數與研究的核心變項沒有關聯，則分層抽樣的優勢可能無法充分發揮。

• 叢集抽樣 (Cluster Sampling)

  • 實施方式：首先，將母群體依據地理位置或其他特性，劃分成若干個「叢集 (cluster)」，這些叢集應盡可能包含母群體的異質性，且叢集內部應盡可能同質。接著，隨機抽取若干個叢集，然後對被抽中的叢集內的所有成員進行調查（單段叢集抽樣），或在被抽中的叢集內再進行抽樣（多段叢集抽樣）。
  • 優點：
    1. 實施方便且成本較低：尤其適用於母群體分散、難以逐一接觸的情況。例如，一次性調查某地區的居民，可以先隨機抽取幾個村莊或社區，然後調查這些村莊/社區內的居民，比隨機抽取該地區的所有居民更為可行和經濟。
    2. 不需要預先掌握母群體所有成員名單：只需要叢集的清單即可。
  • 缺點：

本題為一個結合理論應用、創新思維與研究方法的申論題，要求考生能連結貧窮議題、數位科技與社會工作實務，並設計質化研究來評估創新方案的影響。

核心觀念：本題旨在評估考生將理論知識（貧窮、社會工作、研究法）應用於實際情境，並展現創新思維（運用數位科技解決社會問題）及研究設計能力（質化研究方法）的綜合素養。

---

(a) 數位科技如何成為貧窮相關「痛點」之解方 (15 分)

此部分要求考生發想一個創新方案，並說明其解決貧窮相關「痛點」的邏輯。考生需涵蓋以下三個要點：

1. 貧窮相關「痛點」的清晰描述：選擇一個具體的貧窮議題，並深入分析其核心問題。
2. 簡介創新技術：提出一項虛構但具備可應用性的數位科技方案。
3. 解決問題的邏輯性：說明該技術如何具體地、有邏輯地解決上述痛點。

以下提供一個範例，考生可依據自身興趣和知識背景進行發想：

• 選擇領域：婦女貧窮與就業歧視。

• 「痛點」描述：
  許多中高齡婦女，因家庭責任、技能更新緩慢或社會對其年齡及性別的刻板印象，在求職過程中面臨嚴峻的「就業歧視」與「技能落差」，導致她們難以重返職場或獲得穩定、具尊嚴的工作，進而陷入經濟弱勢與貧窮。傳統的就業媒合服務，往往難以精準掌握她們的個別需求、潛在能力，也難以有效對抗雇主端的偏見。

• 創新技術簡介：「AI 智慧婦女職涯賦能平台」
  此平台結合「大數據分析」與「機器學習」技術，並整合「決策支持系統」。

  1. 大數據分析：匯集政府公開的就業市場數據、職缺資訊、技能需求趨勢，以及過去成功媒合的案例資料（匿名化處理）。
  2. 機器學習：透過演算法，分析婦女的學經歷、過往工作經驗（即使是家庭主婦經驗也可被拆解分析其可移轉技能）、個人興趣、學習意願，以及最新的市場技能需求，進行「潛力技能匹配」與「職涯路徑建議」。
  3. 決策支持系統：為婦女提供個人化的職涯發展建議，包括推薦相關的線上或線下培訓課程（連結至資源），並模擬不同職涯選擇的預期薪資與市場需求。同時，該系統也能協助媒合單位（如社福機構、就業服務站）更精準地了解個案需求，並為雇主提供「無偏見的候選人推薦」，透過演算法篩選，減少人為的年齡、性別歧視，側重於實際技能與潛力。

• 解決問題的邏輯性：

  1. 精準識別與連結：平台透過大數據與機器學習，能比傳統方式更精準地識別中高齡婦女被低估的潛在技能，並與市場上真實的需求連結，克服了資訊不對稱與技能認知落差。
  2. 客製化賦能：為婦女提供個人化的職涯診斷、技能提升建議與媒合機會，實現「量身打造」的就業支持。
  3. 對抗歧視：演算法的設計目標是基於能力而非年齡、性別等非技能因素進行推薦，有助於打破雇主的刻板印象，創造更公平的就業環境。
  4. 提升就業機會與品質：透過精準匹配與技能提升，能顯著提高婦女成功就業的機會，並有機會爭取到薪資更高、更具尊嚴的工作，從而緩解因就業困難導致的貧窮問題。

  【答案】(此處為範例內容，考生需自行發想並清晰闡述；以下為範例的總結)
  痛點：中高齡婦女面臨就業歧視與技能落差，難以重返職場，易致貧窮。
  創新技術：「AI 智慧婦女職涯賦能平台」，結合大數據分析、機器學習進行潛力技能匹配、職涯路徑建議，並透過決策支持系統提供個人化培訓與無偏見的候選人推薦。
  邏輯性：該平台透過數據分析精準識別婦女潛力，客製化職涯賦能，並以演算法對抗就業歧視，提升婦女就業機會與品質，從根本上解決因就業困境造成的貧窮問題。

---

(b) 如何使用質化方法來探究導入此項數位科技創新技術的影響? (35 分)

此部分要求考生設計一個質化研究方案，以評估上述創新技術對貧窮痛點的實際影響。考生需涵蓋以下研究設計要素：

• 研究樣本選取 (Sampling)
  • 抽樣對象：此研究的核心是評估「AI 智慧婦女職涯賦能平台」的影響，因此研究對象應是使用過該平台的中高齡婦女，以及可能與該平台互動的相關人員（如平台營運者、媒合協調員、部分雇主）。
  • 抽樣方法：由於質化研究旨在深入理解經驗，通常採用目的性抽樣 (Purposive Sampling)。
    1. 核心使用者：從曾經使用過該平台的婦女中，挑選不同背景（如：求職成功者、求職未成功但技能提升者、尋求轉職者、不同教育程度、不同年齡層者）的樣本，以涵蓋不同的經驗。例如，可以採用「最大差異取樣 (Maximum Variation Sampling)」來確保樣本的多樣性。