Downloaded 45 times
![●現在要觀察許多嬰兒從「被動式注意」(Passive Joint attention
，簡稱P)到「主動式注意」(Object attention，簡稱O)的雙事件
序列。
●[方法2的應用] 觀察P->O是否顯著
o因為每個嬰兒發生P的機率很低，所以要綜合多個嬰兒的觀察資料
o結合多個嬰兒資料之後，計算P->O的z-score，得知有顯著性
62](https://image.slidesharecdn.com/20150620-150620171009-lva1-app6892/75/20150620-62-2048.jpg)
![●[方法3的應用] 分辨Pi->O跟Pm->O哪種較為明顯
o接下來再細分P的類型：被動的夥伴是其他嬰兒，記做Pi、被動的
夥伴是母親，記做Pm
1.各別去計算Pi->O跟Pm->O的z分數，得知Pm->O的z-score較高
2.可以得知Pm->O的轉換序列較明顯
●[結合方法2跟方法3的結論] 因此
1.可以得知P->O有顯著性
2.其中Pm->O比Pi->O發生的情況更多
63](https://image.slidesharecdn.com/20150620-150620171009-lva1-app6892/75/20150620-63-2048.jpg)
Uploaded byYung-Ting Chen
20150620 序列分析工作坊 發佈版
本文探讨数字学习研究设计及相关编码方法，介绍了实验组与控制组的比较分析、行为序列观测、合作学习讨论、以及Bloom's教育目标分类的演变。文中提及互动分析模型和问题解决行为序列分析编码表，强调了其在在线讨论内容深度研究中的重要性。最后还介绍了Kappa系数与滞后序列分析在学习行为研究中的应用。
20150620 序列分析工作坊 發佈版
- 1.
- 2.
- 3.
- 4.
- 5.
- 6.
- 7. 1. 介紹 2. 開發編碼表 (CodingScheme) 3. 記錄行為序列 (behavioral sequences) 4. 評估觀察者一致性 (observer agreement) 5. 呈現觀察資料 6. 分析序列資料: 第1步 7. 分析事件序列 (event sequences) 8. 分析時間序列 (time sequences) 9. 分析跨分類事件 (cross-classified events) 10.結語 7 Bakeman, R., & Gottman, J. M. (1997). Observing interaction: an introduction to sequential analysis. Cambridge: University Press.
- 8. Part 1. 使用與開發編碼表 Part2. 行為觀察與記錄 Part 3. 觀察者內部一致性信度檢定 Part 4. 序列分析 8
- 9.
- 10.
- 11. 1949~1953年，布魯姆(Bloom)等人藉用生物學 的分類法觀念將教育目標分類。 1960年提出認知領域的教育目標分類表，將認知 領域的教學目標的類別，由最簡單到最複雜，由 具體到抽象，排成六個層次，依序為知識、理解、 應用、分析、綜合與評鑑，每一個較簡單的類別 都是想掌握下一個較複雜的類別的先決條件。 因應教育理論的演進，布魯姆教育分類法也在 2001年出刊修訂版，先依知識向度和認知歷程向 度形成一個二維矩陣後，再進行教育目標的分析。 Anderson, L. W.,& Krathwohl, D. R. (2001). A taxonomy for learning, teaching, and assessing: a revision of Bloom’s taxonomy of educational objectives. New York: Longman. 11
- 12.
- 13. 編碼 階段 操作 B1Remember 記憶 從長期記憶中找尋相關知識。 B2 Understand 了 解 瞭解所需的知識；根據過去經驗串聯新的知識。 B3 Apply 應用 透過某些流程或應用來完成一件任務或解決問題。 B4 Analyze 分析 將知識拆解與分析其成分，並且指出部分成分與整體知 識之間的關聯。 B5 Evaluate 評鑑 根據準則與標準進行判斷或評鑑。 B6 Create 創作 將不同的要素合為一體，並且完成一個完整與有用的整 體。透過心智流程重組不同的要素，完成一個新的架構。 B7 Others 其他 與討論無關的主題 認知分類架構表(Revised Bloom’s Taxonomy) 13
- 14. Gunawardena, Lowe和Anderson等人，於1997年 提出互動分析模型(Interaction AnalysisModel)， 簡稱IAM。 很多研究證明使用IAM這一套編碼系統能夠有效 地分析線上平台的討論內容，也增加了量化內容 分析研究的有效性，許多關於非同步線上討論平 台的研究，也都使用IAM為編碼方案 從1997年至今，IAM這一套內容分析工具已經成 為探討「線上討論內容深度和模式」的一個重要 依據。 Gunawardena, C. N., Lowe, C. A., & Anderson, T. (1997). Analysis of a Global Online Debate and the Development of an Interaction Analysis Model for Examining Social Construction of Knowledge in Computer Conferencing. Journal of Educational Computing Research, 17(4), 397-431. 14
- 15. 編碼 階段 操作 K1資訊的分享/比較 陳述觀察或意見；陳述同意參與者 K2 發現與探索參與者之間的不一致 辨識不一致的意見；詢問與回答問 題以釐清不一致地情況 K3 協商意涵/共同建構知識 協商字辭的意涵；協商各種意見的 相關重要性 K4 驗證與修正已存在的經驗與知識 驗證提出的新知識、認知架構、個 人經驗與其他資源相對照 K5 同意/運用新建構的知識 總結一致的意見與陳述認知，以展 現新的知識建構 K6 其他 討論跟知識建構不相關的事情 互動分析模型(Interaction Analysis Model，IAM) 15
- 16. 為觀察成員在小組封閉式學習社群環境中合作學 習討論歷程，用Hou等人（2008）提出問題解決 討論行為序列分析編碼表，來了解合作學習討論 行為歷程之差異 該編碼係依據探討問題解決行為歷程相關研究 （Mayer, 1992; D'Zurilla& Goldfried, 1971），歸 納出研究共同之處，形成問題解決行為編碼表。 16 Hou, H.-T., Chang, K.-E., & Sung, Y.-T. (2008). Analysis of Problem-Solving-Based Online Asynchronous Discussion Pattern. Educational Technology & Society, 11(1), 17-28.
- 17. 問題解決行為歷程序列分析編碼表 17 編碼 階段 運作 P1定義問題 具體描繪問題或釐清問題的定義 P2 尋求解決方法 針對問題提供（詳細/簡略的）資訊 或解決方法 P3 分析與歸納 分析、比較與評論他人提出的意見、 解決方法以及資訊 P4 統整與結論 歸納先前的提議或意 見，並提出結 論 P5 其他 與主題無關的討論
- 18.
- 19.
- 20.
- 21.
- 22.
- 23.
- 24. 編碼編號 學生編號 討論內容 1StuC晚安 2StuB 喔！ 對於討論有啥方向嘛？ 3StuC 沒方向 4StuB 喔！ 我正在研究 老師那兩邊文章 5StuC 有沒有規定題目要和數位學習有關呀 6StuB 應該是選各大方向來討論 然後大家在添加東西 7StuB 前瞻性議題~~好難 8StuB 前瞻研究議題，進行更深入的資料蒐集，並撰寫分組心得報 告，報告內容應包括(1)為什麼對於這個議題感興趣；(2)這 個議題對於數位學習的重要性；(3)目前這個議題的研究及發 展概況為何？；(4)這個研究議題未來可能的發展方向。共 9StuB 好個前瞻性！ 10StuB 另外兩個人不理我們 11StuB 所以題目不一定要跟 數位學習有關摟 12StuB 只要我們有興趣的嘛？？？？ 13StuC 其實雲端就算前瞻吧~~但資料少 14StuB 因為老師的兩個文章都是跟數位學習有關 24
- 25.
- 26.
- 27.
- 28.
- 29. 29 評估者1 評估者2 總合 陽性 陰性 陽性 0.720.08 0.80 陰性 0.18 0.02 0.20 總合 0.90 0.10 1.00 符合百分比 = 0.72+0.02 1 = 0.74
- 30. Cohen's Kappa係數是對編碼者間在分類編碼上符 合性的一種統計方法。 Cohen排除了隨機編碼可能的偶然吻合，因此比 單純統計符合百分比還要有說服力。 Kappa係數介於-1~1之間： 30 Cohen, J.(1960). A coefficient of agreement for nominal scale. Educational and Psychological Measurement, 20(1), 37–46. doi:10.1177/001316446002000104 Kappa係數 一致性程度 < 0.4 差 0.4 ~ 0.6 一般 0.6 ~ 0.8 好 > 0.8 極佳
- 31. 𝑘 = 𝑝11 +𝑝00 − (𝑝1+ 𝑝+1 + 𝑝0+ 𝑝+0) 1 − (𝑝1+ 𝑝+1 + 𝑝0+ 𝑝+0) 評估者1 評估者2 總合 陽性 陰性 陽性 0.72 (p11) 0.08 (p10) 0.80 (p1+) 陰性 0.18 (p01) 0.02 (p00) 0.20 (p0+) 總合 0.90 (p+1) 0.10 (p+0) 1.00 31 觀測一致性：測量結果一致的百分比 期望一致性：測量結果預期相同的機率 兩位評估者獨立診斷比例分佈的假設舉例 唐万、胡俊、张晖、吴攀、贺华（2015）。Kappa 系数: 一种衡量评估者间一致性的常用方法。上海精神医学，27（1）。上網日期：2015年5月31日，檢自： http://www.shanghaiarchivesofpsychiatry.org/cn/assets/215010cn.pdf
- 32.
- 33.
- 34.
- 35.
- 36.
- 37. 整合行為編碼後再分為五個步驟進行： 1. 計算序列轉移次數矩陣 2. 計算序列移轉條件機率值 3.計算序列移轉期望值 4. 計算Adjusted Residuals Table 5. 繪製行為序列移轉關聯圖(behavioral transition graph) 37
- 38. ●N：觀察樣本的編碼次數 (10) ABBCBBCAAC ●Ns：觀察樣本中，雙事件序列的次數 (9) 也就是兩兩成對的事件頻率，計算如下： ABBB BC CB BB BC CA AA AC ●break：觀察樣本片段(1) ABBCBBCAAC 38
- 39. A B C編碼出現頻率 A 1 (A->A) 1 (A->B) 1 (A->C) 3 B 0 2 2 4 C 1 1 0 3* 從「列」往「欄」去看，例如第一列、第二欄是為「A」到「B」的轉換頻率 * 因為C位於觀察樣本片段尾端，所以頻率轉換會比實際頻率還要少1次 ABBCBBCAAC 39
- 40. A B C頻率 A 1 1 1 3 B 0 2 2 4 C 1 1 0 3 我關心B->C的轉換 是否具備顯著性 40
- 41. ● Zero-order model：機率期望值設為每一種樣本出現的機 率皆相同，因此AB C出現機率各為1/3。 ● p(BC)exp = 1/N * 1/N = 1/3 * 1/3 = 0.11 ● 期望頻率f(BC)exp = p(BC)exp * Ns = 0.11 * 9 = 0.99 ● 特性： ● 容易出現顯著，大部分論文採用的模型 ● 說服力較低，但大部分論文都不會寫出來 41
- 42. ● First-order model：機率期望值依據觀察樣本來計算 1.f(B)= B出現的頻率 = 4 p(B) = f(B) / N = 4 / 10 = 0.4 2.f(C) = C出現的頻率 = 3 p(C) = f(C) / N = 3 / 10 = 0.3 3.p(BC)exp = p(B) * p(C) = 0.4 * 0.3 = 0.12 ● 期望頻率f(BC)exp = p(BC)exp * Ns = 0.12 * 9 = 1.08 特性： 說服力較高，能顯著的話盡量採用此模型 較難出現顯著 42
- 43.
- 44.
- 45.
- 46. GSEQ(Generalized Sequential Querier)是一套 電腦統計軟體。RogerBakeman & Vicen Quera 在1992年的滯後序列分析中發展的相對應軟體， 用以計算觀察得到資料。 目前GSEQ已經發展到5.1版。除了介面簡化及功 能增加外，它的特色在於輸入文字型態的原始碼 後，就可以分析其順序關係，如：variety、 frequencies、rate、durations、 proportion(percentages)，資料的kappa值等等。 46 http://www2.gsu.edu/~psyrab/gseq/index.html
- 47.
- 48.
- 49.
- 50. ●Ns = 最少需要的觀察樣本序列數 ●m= kL 編碼可能的組合 ●k = 編碼的種類 ●L = 序列長度 舉例： ●如果我的編碼表包含ABC三種，我想觀察2編碼之間的轉換 且編碼轉換之間可以重複 ●編碼之間的組合有m = 3^2 = 9 ●因此(9*(9^2)) / (9-1) = 91.125 ●結論：至少需要92個觀察樣本序列才能觀察出顯著性 50 1 9 2 m m Ns
- 51. ●Ns = 最少需要的觀察樣本序列數 ●m= k(k-1)L-1 編碼可能的組合 ●k = 編碼的種類 ●L = 序列長度 舉例： ●如果我的編碼表包含ABC三種，我想觀察2編碼之間的轉換 且編碼轉換之間不能重複 ●編碼之間的組合有m = 3 * (3-1) ^ (2-1) = 3 * 2 = 6 ●因此(6*(6^2)) / (6-1) = 43.2 ●結論：至少需要44個觀察樣本序列才能觀察出顯著性 51 1 9 2 m m Ns
- 52. 52 )1( 9 PP Ns • Ns =最少需要的觀察樣本序列數 • P = 特定編碼轉換序列的期望值 舉例： • 我想觀察B->C的轉換，而我知道該轉換發生的機率期望值為0.6 • 則Ns = 9 / (0.6 (1- 0.6)) = 37.5 • 結論：至少需要38個觀察樣本序列才能觀察出顯著性
- 53.
- 54.
- 55. ●如果 o例如在短時間內觀察班級裡的每位學生的行為 o每個人的觀察資料都不足以計算顯著性 ●則 o可以把資料混在一起，再用案例1的方式來處理 oStu1: ABBCBB /Stu2: BCBBAC 混合: ABBCBB BCBBAC (有2個片段) o解釋的時候要格外小心 55
- 56. ●N = 12編碼總次數 ●Ns = 10 編碼序列次數 oAB BB BC CB BB BC CB BB BA AC o注意中斷的B B不能納入計算 ●2 breaks 片段數 ABBCBB BCBBAC 56
- 57.
- 58.
- 59.
- 60.
- 61.
- 62. ●現在要觀察許多嬰兒從「被動式注意」(Passive Joint attention ，簡稱P)到「主動式注意」(Objectattention，簡稱O)的雙事件 序列。 ●[方法2的應用] 觀察P->O是否顯著 o因為每個嬰兒發生P的機率很低，所以要綜合多個嬰兒的觀察資料 o結合多個嬰兒資料之後，計算P->O的z-score，得知有顯著性 62
- 63.
- 64.