歡迎來到心理學研究方法（Research Methods）！
哈囉！歡迎閱讀你的研究方法（Research methods）溫習筆記（AQA AS Level 心理學 7181，第 3.2.3 章）。研究方法在卷二：情境心理學（Paper 2: Psychology in context）中佔據了整整 24 分的丙部（Section C），而且研究技能亦會貫穿卷一和卷二出現。事實上，在整個 AS 評估中，至少有 10% 的總分數是用於考核心理學情境中的數學運算技能！
如果一開始覺得研究方法或數據分析看似深奧或充滿技術術語，千萬不用擔心。我們會將每個概念、公式和研究設計拆解為循序漸進、易於消化的小步驟，並配合生活實例、記憶口訣和清晰的考試陷阱提示。
1. 實驗方法（Experimental Methods）
在心理學中，實驗（experiment）是一種研究方法：研究人員透過操縱自變項（Independent Variable, IV）來測量其對因變項（Dependent Variable, DV）的影響，同時嘗試控制所有其他無關變項（extraneous variables）。這是唯一能夠確立直接因果關係（cause-and-effect relationship）的研究方法。
實驗類型（Types of Experiments）
考試中你必須掌握以下四種實驗類型：
1. 實驗室實驗（Laboratory Experiment）：
• 定義：在高度受控、人為模擬的環境中進行的實驗，研究人員會直接操縱自變項（IV）。
• 優點：具備高內部效度（internal validity），能極佳地控制無關變項，這代表我們可以確信因變項（DV）的改變純粹是由自變項（IV）所引起。此外，實驗亦很容易被重複驗證（replicated）。
• 缺點：生態效度（ecological validity）（日常真實性／mundane realism）較低，因為人為設定的環境和任務未必能反映現實生活中的日常行為。
2. 實地實驗（Field Experiment）：
• 定義：在自然、真實的環境中（如學校、街道或醫院）進行的實驗，研究人員會直接操縱自變項（IV）。
• 優點：具備較高的生態效度，參與者的行為表現更為自然真實。
• 缺點：對無關變項的控制較弱，令實驗較難重複驗證，並較容易引發倫理問題（例如缺乏知情同意）。
3. 自然實驗（Natural Experiment）：
• 定義：研究人員利用自然發生、預先存在的自變項（即自行發生的現實事件或環境改變，例如偏遠社區首次引入電視廣播）。研究人員不會操縱自變項。
• 優點：讓心理學家能夠研究在倫理上不容許或在實驗上無法人為創造的真實情境。
• 缺點：無法將參與者隨機分配（randomly allocated）到不同組別，因而可能存在參與者變項（participant variables），導致內部效度較低。
4. 準實驗（Quasi-Experiment）：
• 定義：自變項是基於人群之間既有的差異或先天特徵（例如年齡、性別，或患有特定恐懼症與沒有恐懼症的分別）。自變項並非由人為操縱，因為它是早已存在的特徵。
• 優點：通常在受控條件下進行，具備實驗室研究高度受控的優勢。
• 缺點：由於組別身分早已注定，參與者無法被隨機分配到各個條件組別，這意味著無法完全排除干擾性的參與者變項（confounding participant variables）。
對照組的角色（The Role of Control Groups）
對照組（control group）是一組作為基線（baseline）的參與者，他們不會接受實驗處理或自變項（IV）的操縱。透過將實驗組（experimental group）與對照組進行比較，研究人員便能確定因變項（DV）中所觀察到的改變是否確實由自變項所引起。
快速回顧與關鍵重點：請記住自然實驗與準實驗之間的重要分別！在自然實驗中，自變項是一個自然發生的環境事件；在準實驗中，自變項則是人類既有的特徵。
2. 觀察技術（Observational Techniques）
觀察法是指在不直接操縱自變項的情況下，觀察並記錄參與者的行為。
觀察類型（Types of Observations）
觀察法可從以下三個維度進行分類：
• 自然觀察（Naturalistic）vs 受控觀察（Controlled）：自然觀察在未經改動的日常環境中進行，一切變項皆自由變化；受控觀察則在結構化或實驗室環境中進行，某些變項會受到研究人員的調控。
• 隱蔽觀察（Covert）vs 公開觀察（Overt）：在隱蔽觀察中，參與者並不知道自己正被觀察（例如透過單向鏡進行觀察）；在公開觀察中，參與者知道自己正被觀察，並已給予同意。
• 參與觀察（Participant）vs 非參與觀察（Non-participant）：在參與觀察中，研究人員會加入被觀察的群體，以獲取第一手深入了解；在非參與觀察中，研究人員則置身群體之外，扮演客觀旁觀者的角色。
觀察設計與抽樣（Observational Design & Sampling）
為了使觀察客觀且具系統性，研究人員會使用特定工具：
• 行為類別（Behavioural Categories）：將目標行為拆解為定義明確、可觀察、可量度且互不重疊的組成部分（例如將「攻擊行為」操作化定義為踢、推和大叫）。
• 事件抽樣（Event Sampling）：在整個觀察期間，計算並記錄特定目標行為每一次出現的次數。
• 時間抽樣（Time Sampling）：在預設的固定時間間隔記錄目標行為（例如每隔 30 秒記錄一次參與者當時正在做甚麼）。
記憶小貼士：可以將 Event sampling（事件抽樣）聯想為計算 Every event（每個事件），而 Time sampling（時間抽樣）則是定時查看 Timer（計時器）！
3. 自我報告技術（Self-Report Techniques）
自我報告技術要求參與者親自描述自己的想法、感受、態度和行為。
問卷調查（Questionnaires）
問卷（questionnaire）是一份預設的書面問題清單。
• 開放式問題（Open Questions）：沒有固定答案選項，由參與者以自己的文字作答（例如：「請解釋你在應考時有甚麼感受。」）。這種問題能收集到豐富的質性數據（qualitative data），但較難進行統計分析。
• 封閉式問題（Closed Questions）：提供固定的選項供選擇（例如「是／否」、多項選擇題或評分量表）。這種問題能產生易於繪製圖表和分析的量化數據（quantitative data），但缺乏描述性的深度。
• 封閉式量表的類型：
- 李克特量表（Likert scale）：參與者標明其認同程度（例如從 1 = 非常不同意 至 5 = 非常同意）。
- 評分量表（Rating scale）：參與者選擇一個數值來代表自己的感受（例如將焦慮程度評為 1 至 10 分）。
- 語意差異量表（Semantic differential scale）：參與者在一對反義形容詞之間的連續軸上標記位置（例如：平靜 ------------- 焦慮）。
訪談（Interviews）
• 結構化訪談（Structured Interview）：包含預先設定、標準化的問題，以固定順序透過面談或電話進行。容易重複進行，但缺乏彈性。
• 非結構化訪談（Unstructured Interview）：形式如同日常對話，沒有固定問題。訪談員可就感興趣的重點深入追問，提供豐富詳盡的資料，但難以重複驗證，亦難以在不同受訪者之間進行比較。
4. 相關研究（Correlations）
相關研究（correlation）探討兩個共變項（co-variables）之間的統計關係或關聯性（例如溫習時數與考試分數）。
關鍵區別：相關研究 vs 實驗研究
• 在實驗（experiment）中，研究人員會特意操縱自變項（IV）以測量其對因變項（DV）的直接影響，從而確立因果關係（causality）。
• 在相關研究（correlation）中，沒有自變項操縱，也沒有因變項。我們只是測量自然存在的兩個共變項。相關研究只能顯示關聯（association）或聯繫（link），但絕不能證明因果關係（因為可能存在未被測量的第三變項導致了該關聯！）。
考官提示：在討論相關研究時，千萬不要使用「自變項（IV）」、「因變項（DV）」或說「X 導致 Y」。務必使用共變項（co-variables）和關聯（associations）等字眼！
5. 科學過程（Scientific Processes）
研究目的與假設（Aims and Hypotheses）
• 研究目的（Aim）：說明研究總體目標的陳述（例如：「探討睡眠剝奪是否會影響記憶回憶。」）。
• 假設（Hypothesis）：對研究結果作出預測的精確、可檢驗且已操作化（operationalised）的陳述。
• 虛無假設（Null Hypothesis, \(H_0\)）：預測沒有差異或沒有關聯（例如：「睡眠不足組與睡眠充足組參與者的回憶分數不會有顯著差異。」）。
• 定向假設（Directional Hypothesis / One-tailed 單尾）：預測結果的特定方向（例如：「睡眠達 8 小時的參與者所回憶出的詞語數量，會顯著多於睡眠僅 4 小時的參與者。」）。當先前的研究或理論支持特定方向時使用。
• 非定向假設（Non-directional Hypothesis / Two-tailed 雙尾）：預測存在差異或關聯，但沒有指明具體方向（例如：「兩組參與者在詞語回憶表現上會有顯著差異。」）。當缺乏先前研究或過往研究結果存在矛盾時使用。
抽樣技術（Sampling Techniques）
心理學家會從廣泛的目標總體（target population）中抽取樣本（sample）參與者。
• 隨機抽樣（Random Sampling）：目標總體中的每位成員都有均等的入選機會（例如將所有名字放入抽籤帽或使用電腦隨機生成）。能減少偏差，但非常耗時。
• 系統抽樣（Systematic Sampling）：從有序名單／抽樣架構中每隔第 \(n^{\text{th}}\) 個人進行選取（例如每隔 5 個人選取 1 人）。方法客觀且直接。
• 分層抽樣（Stratified Sampling）：識別出目標總體中的各個子群體（階層／strata），並嚴格按照其在總體中的比例抽取參與者。代表性極高，但非常複雜且耗時。
• 便利抽樣（Opportunity Sampling）：在研究進行時，從目標總體中選取任何在場且願意參與的人（例如在圖書館接觸路人）。快捷方便，但極易產生嚴重的樣本偏差（sample bias）。
• 自願抽樣（Volunteer Sampling）：參與者透過回應廣告或海報主動報名參加。容易招募，但容易偏向性格較為合作或積極的特定群體。
推論性／普適性（Generalisation）：指樣本研究結果能應用推廣至目標總體的程度。如果樣本存在抽樣偏差，結果的普適性便會降低。
先導研究（Pilot Studies）
先導研究（pilot study）是在正式研究展開前，對整個研究程序進行的小規模試行。
• 目的：在投入大量時間和金錢之前，測試設計的可行性、檢查標準化指導語是否清晰、確保時間掌握切合實際、找出含糊不清的問卷題目，並修正任何有缺陷的程序。
• 考官提示：先導研究的進行絕非為了查看假設是否成立，亦非為了獲取初步結果！
實驗設計（Experimental Designs）
1. 重複測量設計（Repeated Measures Design）：
• 所有參與者都會參與實驗的所有條件組別。
• 優點：參與者變項得到完全控制；所需參與者人數較少。
• 缺點：存在順序效應（order effects）的風險（練習效應、厭煩或疲勞）。
• 控制方法：平衡對抗法（Counterbalancing）（即 \(AB/BA\) 技術），即一半參與者先做條件 A 再做條件 B，另一半參與者則先做條件 B 再做條件 A。
2. 獨立組別設計（Independent Groups Design）：
• 不同的參與者被分配到各個獨立的條件組別中。
• 優點：不會產生順序效應；參與者無法在不同條件之間猜出研究目的。
• 缺點：組別之間的差異可能是由參與者變項（participant variables）（例如個人能力差異）引起，而非由自變項引起；所需參與者人數倍增。
• 控制方法：隨機分配（Random allocation）（例如從抽籤帽中抽籤），以使個體差異平均分佈。
3. 配對樣本設計（Matched Pairs Design）：
• 參與者會先根據關鍵特徵（例如智商、年齡）進行配對，然後將每對中的一人隨機分配到條件 A，另一人分配到條件 B。
• 優點：沒有順序效應，且能大幅減少參與者變項。
• 缺點：配對過程費時、成本高昂，且永遠無法做到百分之百完美配對。
變項與控制（Variables and Control）
• 操作化（Operationalisation）：用精確、可測量的指標來定義變項（例如將「記憶力」定義為「在 60 秒內從 20 個詞語的清單中正確回憶出的詞語數量」）。
• 無關變項（Extraneous Variables）：除自變項外，若不及時控制便可能會影響因變項的任何干擾變項。
• 混淆變項（Confounding Variables）：一種隨自變項系統性改變的未受控無關變項，導致我們無法分清究竟是自變項還是混淆變項引起了因變項的改變。
• 需求特徵（Demand Characteristics）：實驗中的線索使參與者猜測到研究目的，從而改變其自然真實的行為。
• 研究者效應（Investigator Effects）：研究人員的行為、外表或期望對實驗結果產生的任何自覺或不自覺的影響。
• 標準化與隨機化（Standardisation & Randomisation）：對所有參與者使用完全相同、正式化的程序／指導語（標準化），並利用機率（隨機化）來決定試驗順序或材料呈現方式，以盡量減低偏差。
倫理問題與 BPS 指引（Ethical Issues and BPS Guidelines）
英國心理學會倫理守則（British Psychological Society (BPS) Code of Ethics）列出了幾項核心倫理標準：
• 知情同意（Informed Consent）：讓參與者清楚了解研究目的、程序及退出權利，以便他們作出知情的決定。處理方法包括簽署同意書、推定同意（presumptive consent）（徵詢相似群體的意見）、事先一般同意（prior general consent）（預先同意可能會受到欺瞞）或追溯同意（retrospective consent）（在研究結束後的解說環節補徵同意）。
• 欺瞞（Deception）：蓄意誤導參與者或對其隱瞞資訊。處理方法是在研究結束時進行全面的事後解說（debriefing），解釋真實研究目的並提供撤回數據的權利（right to withdraw data）。
• 免受傷害保護（Protection from Harm）：確保參與者承受的身體或心理風險（如壓力、尷尬）不會高於日常生活中的水平。
• 私隱與保密（Privacy and Confidentiality）：保護個人資料。處理方法包括將參與者的身分匿名化（使用編號或化名）。
6. 數據處理與分析（Data Handling and Analysis）
數據類型（Types of Data）
• 質性數據（Qualitative Data）：描述性、非數值型的數據，用以表達想法、感受和經驗（細節豐富，但難以進行統計分析）。
• 量化數據（Quantitative Data）：可計算及可進行統計分析的數值數據（客觀且容易比較，但缺乏情境意義）。
• 第一手數據（Primary Data）：由研究人員專門為當前研究直接收集的原始數據。
• 第二手數據（Secondary Data）：由其他人預先收集的既有數據（例如政府統計數據、學術期刊文章）。
• 統合分析／元分析（Meta-analysis）：一種將多個針對同一主題已發表的既有研究數據進行匯集並作統計分析的研究方法，以找出總體趨勢。
描述統計：集中趨勢測度（Measures of Central Tendency）
• 平均數（Mean）：算術平均值（所有分數的總和除以分數的總個數）。
- 優點：最敏感的測度，因為它納入了每一個數值。
- 缺點：容易受到極端異常值（outliers）的扭曲。
• 中位數（Median）：將數據由小至大排列時處於正中間的數值。
- 優點：不受極端異常值影響。
- 缺點：敏感度較低，因為它沒有考慮所有實際數值。
• 眾數（Mode）：數據集中出現頻率最高的分數。
- 優點：計算容易，且是唯一適用於名目／類別（nominal）數據的集中趨勢指標。
- 缺點：若存在多個眾數或沒有重複的數值時，便無法提供有用資訊。
描述統計：離散程度測度（Measures of Dispersion）
• 全距（Range）：最高分數與最低分數之間的差距（通常計算為 \((\text{最高分} - \text{最低分}) + 1\)）。計算簡單，但易受極端值扭曲。
• 標準差（Standard Deviation, SD）：代表數據圍繞平均數的分散程度／平均距離的單一數值。標準差越大，代表數據分佈越廣泛；標準差越小，代表分數緊密聚集在平均數周圍。
數學能力要求
你必須熟練掌握以下基本數學轉換運算：
• 百分比（Percentages）：\(\frac{\text{部分}}{\text{整體}} \times 100\)
• 百分比變化（Percentage Change）：\(\frac{\text{新數值} - \text{原始數值}}{\text{原始數值}} \times 100\)
• 比例／比率（Ratios）：將相對部分以最簡形式表示（例如：\(12 : 4 \implies 3 : 1\)）。
• 分數與小數（Fractions & Decimals）：分數與小數之間的互換（例如：\(\frac{3}{4} = 0.75\)）。
數據呈現與圖表（Data Presentation & Graphs）
• 條形圖（Bar Charts）：用於離散的類別數據（長條之間互不相碰）。
• 直方圖（Histograms）：用於連續數據（長條緊密相連以表示區間）。
• 散佈圖（Scattergrams）：用於在相關研究中展示兩個共變項之間的關係。
• 折線圖／次數多邊形（Line Graphs / Frequency Polygons）：用於顯示連續數據隨時間的變化趨勢。
分佈型態（Distributions）
• 常態分佈（Normal Distribution）：對稱的鐘形曲線。平均數、中位數和眾數全部落在完全相同的正中央點。
• 正偏態（Positive Skew / 右偏）：長尾延伸至右側（較高分數端）的數據分佈。常見於測驗非常艱深、大多數人得分偏低的情況。
- 各平均值的大小順序：眾數 < 中位數 < 平均數
• 負偏態（Negative Skew / 左偏）：長尾延伸至左側（較低分數端）的數據分佈。常見於測驗非常容易、大多數人得分偏高的情況。
- 各平均值的大小順序：平均數 < 中位數 < 眾數
偏態分佈記憶口訣：觀察那條長長的「尾巴」指向哪裡！如果尾巴指向正數／右方，就是正偏態（Positive Skew）；如果尾巴指向負數／左方，就是負偏態（Negative Skew）。
7. 推論統計檢定：符號檢定（The Sign Test）
符號檢定（Sign Test）是 AS Level 中唯一需要親自計算的統計檢定法。它能告訴心理學家兩個條件組別之間觀察到的差異是否具備統計顯著性（statistically significant）（即不大可能是偶然發生的）。
何時使用符號檢定（三大條件）
只有同時符合以下三個條件時，才可以使用符號檢定：
1. 研究是在探討差異（difference）（而非關聯／相關）。
2. 研究採用重複測量設計或配對樣本設計（相關數據／related data）。
3. 數據屬於名目數據（nominal data）（類別數據，或已轉換為正負差異符號：\(+\) 與 \(-\)）。
符號檢定逐步計算法
第一步：將每位參與者在條件 A 的分數減去條件 B 的分數。記錄改變是正向（\(+\)）、負向（\(-\)）還是沒有改變（\(0\)）。
第二步：計算 \(+\) 號的總數以及 \(-\) 號的總數。
第三步：剔除所有沒有改變（\(0\)）的參與者。剩下的人數就是調整後的 \(N\) 值。
第四步：求出計算所得的 \(S\) 值（calculated value of \(S\)）。\(S\) 就是出現次數較少的符號總數（即 \(+\) 和 \(-\) 當中數值較小的那一個）。
第五步：根據算出的 \(N\) 值、顯著水平（通常為 \(p \le 0.05\)）以及假設是定向（單尾）還是非定向（雙尾），在試卷提供的臨界值表中找出臨界值（critical value）。
第六步：應用決策法則（Decision Rule）：
對於符號檢定，若要結果達到統計顯著性，必須滿足：
\(\text{Calculated } S \le \text{Critical Value}\)
如果計算出的 \(S\) 小於或等於（\(\le\)）臨界值，我們便可以拒絕虛無假設，並接納我們的研究假設！
符號檢定實例演練：
假設在一項記憶實驗中（\(N = 10\)），8 位參與者在使用心像法後回憶出更多詞語（\(+\)），1 位回憶較少（\(-\)），1 位表現不變（\(0\)）。
• 剔除數值為 0 的個案：調整後 \(N = 9\)。
• \(+\) 號數量 = 8；\(-\) 號數量 = 1。
• 計算所得的 \(S = 1\)（次數較少的符號）。
• 查閱臨界值表，若 \(N = 9\) 在 \(p \le 0.05\)（單尾）時的臨界值為 \(1\)：
由於計算出的 \(S = 1\) 符合 \(\le 1\)，因此該結果具備統計顯著性！
8. 常見陷阱與考官提示
• 避免模糊的操作化定義：千萬不要只寫「我們會測量攻擊行為」或「記錄記憶力」。務必清楚註明測量單位：例如「在 15 分鐘內記錄到的攻擊行為次數」或「在 20 個詞語中正確回憶出的詞語數量」。
• 先導研究的真正目的：切忌寫先導研究是為了「檢驗假設是否正確」。它純粹是一項實務上的測試演練，用以檢查指示、時間安排和實驗材料。
• 符號檢定決策法則：千萬不要混淆大於和小於符號！符號檢定的法則是：計算所得 \(S \le \text{臨界值}\)。
• 相關研究的因果陷阱：絕不能聲稱相關研究「證明」或「導致」了某事。務必使用「正向關聯（positive association）」或「負向關係（negative relationship）」等專業字眼。
奪分重點：只要熟練掌握實驗設計、抽樣技術以及符號檢定的決策法則，你就能在卷二丙部（Section C）穩奪佳績！