歡迎來到研究分析（Analysing Research）！

你有沒有想過，心理學家在實驗或觀察中收集了堆積如山的資料後，究竟是如何理清頭緒的？歡迎來到心理學探究的工具箱！在這一章中，你將學會如何整理數據、計算統計摘要、檢視研究結果是否具備信度（Reliability）與效度（Validity），以及找出可能破壞實驗的隱藏偏差（Biases）。如果數學或科學術語一開始看起來有點令人卻步，千萬不用擔心——我們會一步一步拆解每一個概念！

1. 數據類型：研究的基石

當心理學家進行研究時，所收集的資料主要可以透過兩種方式分類：依據其形式（數字 vs. 文字）以及依據其來源（一手資料 vs. 二手資料）。

定量數據（Quantitative Data）vs. 定性數據（Qualitative Data）

定量數據（Quantitative Data）：指能夠被計數或用數字測量的數值型數據。
例子：在記憶測試中回想出的單字數量、以秒為單位的反應時間，或在 1 至 10 分量表上的評分。
• 優點：非常容易進行總結、繪製成圖表以及使用統計學方法分析。它能夠讓研究人員在不同組別之間進行快速、客觀的比較。
• 缺點：缺乏深度與背景資訊。它能告訴我們發生了甚麼事，卻無法解釋為甚麼參與者會有那樣的感受或行為。

定性數據（Qualitative Data）：以文字、描述或意義表達的非數值型、描述性數據。
例子：開放式訪談的逐字記錄、日記內容或對情緒的文字描述。
• 優點：能夠對複雜的人類經驗、情感和個人觀點提供豐富而深入的見解。
• 缺點：難以進行統計總結與比較。此外，這類數據更容易受到研究人員主觀詮釋和偏差的影響。

記憶小技巧：記住 Quanti-tative 裡面的「N」代表 Numbers（數字），而 Quali-tative 裡面的「L」代表 Letters（文字）/ Language（語言）！

一手數據（Primary Data）vs. 二手數據（Secondary Data）

一手數據（Primary Data）：由研究人員親自為其特定研究目的直接收集的第一手資料。
例子：心理學家設計了一項關於睡眠的實驗，並親自從自己的參與者身上收集記憶力得分。
• 優點：數據完全符合該項研究的特定目標與假設，且研究人員能夠完全掌控數據質素和收集程序。
• 缺點：在規劃、招募參與者和收集數據的過程中，可能需要耗費大量時間和金錢。

二手數據（Secondary Data）：現有的第二手資料，是由其他人先前為了其他目的而收集的。
例子：政府人口普查數據、警方犯罪統計數據，或以往已發表的研究成果。
• 優點：獲取過程快捷且成本低廉，並能接觸到僅憑個人力量無法收集到的龐大歷史或全國性數據集。
• 缺點：數據可能無法完全契合研究人員的具體研究問題，且研究人員無法核實當初收集數據時的準確程度。

重點歸納：定量（Quantitative）= 數字，定性（Qualitative）= 文字。一手（Primary）= 自己收集，二手（Secondary）= 他人收集。

2. 描述統計學：解讀數據的意義

收集到原始的定量數據後，心理學家會使用描述統計學（Descriptive Statistics）來總結當中的模式與規律。

集中趨勢測度（平均值，Measures of Central Tendency）

集中趨勢測度用於找出數據集中最具「代表性」或中心位置的數值。

1. 平均數（Mean）：即算術平均值。
• 計算方法：將數據集中的所有數值相加，然後除以數值的總個數：\(\text{Mean} = \frac{\Sigma x}{N}\)。
• 優點：是最敏感的測度，因為它在計算過程中納入了每一項數據。
• 缺點：容易受到極端值（異常值，Outliers）的嚴重扭曲。

2. 中位數（Median）：將所有數據由小至大按順序排列後，位於最中間的數值。
• 計算方法：將所有數字由小到大排列。如果有奇數（單數）個數值，直接選取最中間的一個；如果有偶數（雙數）個數值，則計算最中間兩個數字的平均數。
• 優點：不會受到極端異常值的扭曲影響。
• 缺點：沒有考慮到數據集中每一個數值的具體大小。

3. 眾數（Mode）與眾數組（Modal Class）：數據集中出現頻率最高的數值。在分組數據中，出現頻率最高的類別稱為眾數組（Modal Class）。
• 優點：非常容易找出，而且是唯一可用於類別（名義，Nominal）數據（例如：最喜歡的顏色）的平均值。
• 缺點：數據集可能完全沒有眾數，或者可能有多於一個眾數（雙峰/雙眾數，Bimodal），這會減低其作為總結數據的實用性。

離散程度測度（數據分佈，Measures of Dispersion）

全距（Range）：數據集中最大值與最小值之間的差距。
• 計算方法：\(\text{Range} = \text{Highest value} - \text{Lowest value}\)（或 \(\text{Highest} - \text{Lowest} + 1\)，即最高值 \(-\) 最低值）。
• 優點：計算極其簡單快捷。
• 缺點：只考慮了兩個極端值，完全忽略了中間數字的分佈情況。單一個異常值就可能造成數據分佈非常廣泛的誤導性假象。

數據可視化：圖表（Graphs and Charts）

在考試中，你可能需要選擇、繪製或詮釋不同的圖表。請牢記以下重要規則：

• 頻數表（Frequency Tables）：並列顯示各類別及其對應原始計數（頻數）的簡單網格表格。
• 條形圖（Bar Charts）：用於離散型或類別數據（例如：比較不同實驗條件下的平均得分）。考試必記規則：各長條之間必須留有空隙，以表示各類別是相互獨立的！
• 直方圖（Histograms）：用於劃分為相等數值區間的連續數據。與條形圖不同，直方圖的各長條之間必須緊貼在一起。
• 散點圖（Scatter Diagrams / Scatter plots）：用於顯示兩個共變量（Co-variables）之間的關係或相關性（一個變量在 \(x\) 軸，另一個在 \(y\) 軸）。各個數據點以點或叉（\(\times\)）標記。切勿用線將各點直接連起來！
• 圓形圖及百分比（Pie Charts & Percentages）：顯示各部分所佔比例的圓形圖表。由原始數據計算百分比的公式：\(\text{Percentage} = \frac{\text{part}}{\text{whole}} \times 100\)。

重點歸納：平均數用到所有數字，中位數是中間的數字，眾數是出現最多的數字。條形圖長條之間有空隙，直方圖則緊貼沒有空隙！

3. 信度：研究是否具備一致性？

信度（Reliability）是指測量工具或研究的一致性（Consistency）與可重複性（Replicability）。如果你在完全相同的條件下重複進行這項研究，是否會得出相同的結果？

信度的類型與測試方法

1. 內部信度（Internal Reliability）：同一項測試或評估工具內部各個部分之間的一致性。
• 如何評估：折半法（Split-half method）。將一項測試分成兩半（例如奇數題 vs. 偶數題）。如果參與者在兩部分取得相近的分數，則表示該測試具備高度內部信度。

2. 外部信度（External Reliability）：一項測試或測量在不同時間場合下的一致性。
• 如何評估：重測法（Test-retest method）。在兩個不同的時間點，讓同一組參與者進行相同的測試。如果兩次得分相近，則表示該測試具備高度外部信度。

3. 評分者間信度（Inter-Rater / Inter-Observer Reliability）：兩位或以上獨立觀察者在觀察同一事件或行為時的一致程度。
• 如何評估：兩位觀察者各自獨立觀察相同的行為，並使用定義明確、標準化的行為類別進行記錄。隨後將他們記錄的分數進行相關分析。強烈的正相關（Strong positive correlation）顯示具備高度評分者間信度。
• 考試小貼士：單純安排兩位觀察者並不能自動保證信度。他們必須各自獨立記錄數據，並在事後比對分數以確認具備高度一致性！

重點歸納：信度（Reliability）= 一致性（Consistency）。可以這樣想：「如果我再測一次，會得到相同的答案嗎？」

4. 效度：研究是否具備準確性？

效度（Validity）是指一項研究或測量工具的準確性（Accuracy）——它是否真正測量到了它聲稱要測量的內容？研究結果是否反映了真實情況？

必學的效度類型

1. 構念效度（Construct Validity）：測試或測量工具能夠真正反映其旨在測量的心理學概念（「構念」，Construct）的程度。
例子：如果研究人員聲稱計算某人敲打桌子的次數可以用來測量「焦慮感」，這項測量的構念效度就很低，因為敲桌子可能只是純粹感到無聊。

2. 生態效度（Ecological Validity）：研究結果能夠從實驗環境推廣至真實日常生活情境的程度。
例子：在人造、寂靜的實驗室環境中，使用隨機無意義音節列表進行的記憶實驗，其生態效度可能較低，因為這並不能反映記憶在日常生活中的運作方式。

3. 總體效度（Population Validity）：研究樣本的結果能夠推廣至更廣泛目標總體（Target Population）的程度。
例子：如果一項關於壓力的研究只測試了 18 歲的男性大學生，其總體效度就會很低，因為研究結果可能不適用於不同年齡或性別的人群。

常見錯誤警告：千萬不要混淆信度（Reliability）與效度（Validity）！一個壞掉的浴室磅秤如果每次都磅輕你 \(5\text{ kg}\)，它是有信度的（因為每天測量都保持一致），但它沒有效度（因為結果並不準確）。

5. 偏差來源與無關變量

當系統性誤差或預期心理扭曲了研究結果時，就會產生偏差（Bias）。心理學家會盡最大努力找出並消除這些偏差。

主要偏差來源

1. 研究者/實驗者偏差（Researcher / Experimenter Bias）：研究人員個人的期望、信念或在場本身，自覺或不自覺地影響了研究的設計、執行或結果詮釋。

2. 觀察者偏差（Observer Bias）：觀察者先入為主的知識、期望或刻板印象，導致他們在觀察過程中只注意到或只記錄特定的行為。
• 如何減少：使用操作化（明確定義）的行為檢核表、培訓觀察者、採用「盲測」觀察者（不知曉研究假設的人），並計算評分者間信度。

3. 需求特徵（Demand Characteristics）：實驗中一些細微的線索或暗示洩漏了研究的真正目的，導致參與者改變其自然行為，去迎合（或蓄意破壞）他們心目中認為研究人員想要的結果。
• 如何減少：採用單盲設計（Single-blind design）（參與者不知道自己處於哪種實驗條件或不知道研究的真正目的），或在符合道德規範的前提下使用適度欺瞞。

4. 社會讚許偏差（Social Desirability Bias）：參與者在填寫問卷或接受訪談時，傾向給出不真實或誇大的答案，藉此建立良好形象或避免尷尬。
• 如何減少：確保所有問卷完全匿名，並向參與者保證內容絕對保密。

5. 性別偏差（Gender Bias）：研究誇大兩性差異、偏袒某個特定性別，或不恰當地假設源自單一性別的研究結果同樣適用於所有性別。
• 如何減少：使用具代表性且性別平衡的樣本，並避免對整體人群作出缺乏理據的概括推論。

6. 文化偏差（Cultural Bias，包括民族中心主義 Ethnocentrism）：以自身文化的標準與價值觀來評判行為，或假設源自單一文化群體的研究結果能普遍適用於全球所有文化。
• 如何減少：採用跨文化樣本進行研究，而非僅僅依賴來自單一文化背景的參與者。

重點歸納：偏差會威脅研究的效度。運用盲測程序、標準化檢核表、匿名制以及具代表性的抽樣，有助於確保研究維持公正與準確。

6. 應試頂級技巧與避坑指南

• 情境應用至關重要：在回答基於給定情境的考題時，切記不要只背誦死板的教科書定義。務必結合案例中提供的具體人名、變量、行為或數據來作答。
• 偶數數據集的中位數：記住一定要先把原始數據由小到大按順序排列！如果你有偶數（雙數）個數值，取最中間兩個數值的平均數。
• 圖表繪製技巧：務必附上清楚的圖表標題，並為兩條座標軸標上清晰標籤（包括測量單位）。條形圖長條之間要留有空隙，但直方圖的長條必須緊貼在一起！
• 散點圖：使用清晰的點或叉（\(\times\)）標繪數據——除非題目明確要求添加最佳擬合線（Line of best fit），否則切勿用連續線條將各點連接起來。