開場：為什麼我後來幾乎每個研究都會走到 Profile Analysis

我是做教育研究的。這幾年回頭看自己做過的題目，從自我調節學習（self-regulated learning, SRL）、motivation，到 learner differences，雖然表面上研究主題不一樣，但有一件事越來越明確：很多研究計畫走到最後，我都會回到 Profile Analysis 這條思路。

這裡說的自我調節學習，指的是學生能不能自己設定目標、監控進度、調整策略，讓學習不只是被動完成，而是主動管理。

不是因為它比較新，也不是因為它看起來比較厲害。更根本的原因是：教育本質上是人的問題。

教育研究當然可以用很多變項來解釋。你可以看動機高低、策略使用、學習成績、背景變項，也可以做相關、迴歸、ANOVA、SEM。這些方法都重要，也都常用。但如果你真的在研究「人」，你很快就會發現：單一變項本身固然重要，可是真正更有意思的，往往是不同變項之間怎麼組合在同一個人身上。

有些學生不是單純動機高或低，而是動機高但策略弱；有些人策略很多，但監控能力差；有些人表面上總分差不多，可是背後其實是完全不同的 learner type。這些差異，如果只看平均效果，常常會被壓平。

這也是為什麼我後來越來越常用 Profile Analysis。它不是拿來炫技的統計方法，而是一條比較貼近教育問題本質的研究思路。這篇文章想談的，就是：為什麼有些研究做到最後，不能只停在平均數或單一變項關係，而必須進一步去看 profile。

Variable-centered 和 person-centered，問的根本不是同一件事

大部分研究生比較熟悉的，是 variable-centered 的分析方式。

你問的是：

• X 和 Y 有沒有關係？
• 哪個變項可以預測哪個結果？
• 組別之間平均差多少？

這是迴歸、ANOVA、SEM 這一整條分析邏輯最擅長處理的問題。它很好用，也完全合理。很多研究問題，本來就應該這樣問。

但 person-centered 的出發點不一樣。

它問的是：

• 這群人裡面，是不是本來就有不同類型？
• 這些類型之間，各自有什麼特徵組合？
• 不同類型的人，後續表現、結果、風險或需求是否不同？

所以這不是「同一個問題的進階版」，而是另一種問問題的方式。

舉例來說，如果你研究學生的自我調節學習（SRL）：

• variable-centered 可能會問：

「SRL 總分能不能預測成績？」

• person-centered 可能會問：

「學生是不是可以分成不同 SRL profile？而且不同 profile 的成績、動機、表現是否不同？」

這兩種做法都可以成立，但它們看到的東西不一樣。

為什麼教育研究特別需要這條思路

在很多教育研究裡，人不是平均數。

有些學生不是單純高或低，而是「某些面向很強、某些面向很弱」。你如果把這些人全部壓成一個總分，再拿去做相關或迴歸，分析本身可能沒有錯，但你可能已經把最有價值的教育訊息壓掉了。

例如，你研究大學生的時間管理策略，量表有四個分量表：計畫制定、優先排序、執行監控、彈性調整。你把四個分量表加總，然後發現總分和 GPA 相關 .28。

這個分析不是錯，而是不夠。

因為同樣一個總分下面，可能有完全不同的學生：

• 有些人計畫制定很強，但彈性調整很差
• 有些人每個面向都中等，但非常穩定
• 有些人執行監控很強，可是前期規劃很弱

這些人最後在學習表現上可能走向不同結果，但如果你只看一個總分，你就看不見這些差異。

這也是我認為 Profile Analysis 在教育研究裡特別有價值的原因。教育現場真正關心的，往往不是「平均來說這群學生怎麼樣」，而是：這群學生裡面，有哪些不同型態，而不同型態的人需要什麼樣的理解與介入。

Profile Analysis 到底在做什麼

先講最白話的一句：

Profile Analysis 想做的，不是看單一變項的效果，而是辨識人群裡不同的組合型態。

這裡有幾個概念要先分清楚：

1.

…

SEM 實作路線圖／入口橋樑文

為什麼很多人一學 SEM 就迷路？

很多研究生學 SEM（結構方程模型）最大的坑，就是一上來就打開 Amos 或 Mplus，然後被滿畫面的圓圈、方塊和滿天飛的數字淹沒。

他們會急著問：「CFI 要多少才算好？」「RMSEA 超過 0.08 怎麼辦？」「為什麼我的模型跑不出來？」

但這些問題背後，往往是更根本的困惑：我到底現在卡在哪裡？

不要試圖一次「學完」SEM。SEM 是一個龐大的工具箱，你不需要每個工具都會用。在卡關焦慮之前，你應該先確定自己現在處於學習地圖的哪一個位置。

這篇文章是一份給新手的 SEM 實作路線圖，幫你判斷自己目前卡在哪裡、下一步應該先學什麼。

—

第一關：釐清心法——SEM ≠ 因果

最常見的誤區：把路徑圖當成因果證明

初學者常有一個錯覺：只要我在 Amos 或 Mplus 裡畫了一個單向箭頭，跑出來顯著，我就「證明」了因果關係。

錯了。

箭頭是你畫的，理論是你定的，軟體只負責告訴你「這組資料跟你的理論架構配不配」。

如果你的研究設計本身不是實驗操弄、不是縱貫性資料（追蹤同一群人在不同時間點），SEM 無法無中生有地為你創造出因果。它只能在「你的理論是對的」這個前提下，檢驗資料是否支持這套架構。

心法建議

在開啟任何 SEM 軟體之前，先把你的理論邏輯理清楚：

• 為什麼 A 會影響 B？
• 中間的機制是什麼？
• 有沒有替代解釋？

軟體只是檢驗工具，不能幫你想清楚研究問題。

—

第二關：測量模型——先看 CFA，再看路徑

常見錯誤：急著看假設顯不顯著

很多研究生把資料丟進 SEM 後，第一個動作是看「假設 H1 有沒有顯著」。這是致命的順序錯誤。

在檢驗任何結構路徑之前，你必須先確認你的測量模型是穩固的。

測量模型的關鍵指標

CFA（驗證性因素分析）是 SEM 的第一步。你必須確認：

• CFI（比較適配指數）：通常建議 0.90，愈高愈好
• RMSEA（近似誤差均方根）：通常建議 < 0.08，< 0.05 更佳
• SRMR：通常建議 < 0.08

如果你的 CFI 連 0.9 都不到，RMSEA 飆高，這代表你的「測量工具」本身就有問題——可能是題項設計不良、信度不足，或因素結構不如預期。

這時候後面的路徑係數再怎麼顯著，都是建立在沙地上的樓閣。測量都測不準，後面的推論毫無意義。

進階閱讀

如果你對 CFA 還不熟悉，建議先看完這篇入門：

• CFA 實作入門：驗證性因素分析步驟與常見錯誤

—

第三關：結構模型與複雜路徑

測量過關後，才進入結構模型

當你的 CFA 配適度及格、組合信度與變異數萃取量都達標，才可以進到正式的「結構模型」階段，檢驗你的研究假設。

這裡你會遇到各種複雜的路徑問題：

• 單純的相關或迴歸路徑？
• 中介效果（X 透過 M 影響 Y）？
• 調節效果（W 改變 X→Y 的強弱）？
• 還是更複雜的「調節中介（Moderated Mediation）」？

SEM 一次做，還是 PROCESS 分開做？

這是許多研究生的選擇難題：

用 SEM（Amos/Mplus/R lavaan）：

• 優點：可以一次估計整個模型、處理潛在變數、處理多個中介或調節的組合
• 缺點：學習曲線較陡、軟體操作較複雜

用 PROCESS macro（在 SPSS 中）：

• 優點：入門門檻低、 Hayes 的文件與範本非常完整
• 缺點：只能處理觀察變數（總分）、複雜模型需要分段跑

判斷原則

• 如果你的變數是「總分」（而非潛在因素），且模型相對簡單 → PROCESS 可能更快速
• 如果你的模型有潛在變數、多個中介鏈、或需要同時估計測量與結構 → SEM 更全面

關於 PROCESS 的使用時機，可以參考這篇：

• Bootstrap 中介效果：用 PROCESS macro 跑比 Baron & Kenny 更準

—

常見卡點分類：你現在卡在哪？

根據過去指導學生的經驗，學習 SEM 的人通常會卡在以下四種情境：

卡點一：把工具當答案

症狀：「我學會了 Amos 怎麼按按鈕，但我不知道我的研究問題適不適合用 SEM。」

解方：回到研究問題。SEM 適合檢驗「理論架構」，但不適合探索「我不知道變數之間有什麼關係」。探索性分析請用 EFA、相關分析或質化研究。

卡點二：只看 fit 不看理論

症狀：「我的 CFI 0.95，RMSEA 0.06，所以可以發表了？」

解方：Fit indices 只是「必要條件」而非「充分條件」。好的配適度只代表「你的模型架構跟資料不矛盾」，不代表你的理論是對的。還是要回到文獻、邏輯、與實務意義來解釋。

卡點三：把路徑圖誤認為因果證明

症狀：「我的模型顯著，所以我證明了 A 導致 B。」

解方：重申一次：SEM 是檢驗「你的理論架構是否與資料一致」，而不是發明因果。因果推論需要研究設計的配合（實驗、縱貫、工具變數等）。即使是縱貫 SEM，也只能提供較強的證據，而非因果的充分條件。

卡點四：太早追進階模型

症狀：「我想直接跑調節中介的完整 SEM，但我連基本的 CFA 都還不確定自己做對沒有。」

解方：複雜模型是建立在簡單模型的基礎上。如果你的基本中介都跑不穩，貿然進入調節中介只會讓錯誤更難排查。先確認你能獨立完成簡單中介或單純路徑，再考慮進階模型。

—

延伸閱讀

Shadish, W.…

寫 thesis proposal 或論文第二章時，最常被教授打槍的問題是什麼？

不是文獻讀得不夠多，是讀完之後寫成了高級摘要集。A 學者說了什麼、B 學者發現了什麼、C 學者的結論是⋯⋯寫到最後，讀者只知道你讀了 30 篇 paper，但看不出這 30 篇跟你的研究有什麼關係。

這篇的目標很簡單：給你一個可執行的 workflow，從「開始搜尋」到「寫出段落」，避免把 literature review 寫成逐篇摘要。

六步流程：從搜尋到段落

Step 1：搜尋與初步篩選

先承認一件事：你不可能讀完所有相關文獻。重點是建立一個「夠用且可管理」的文獻池。

實際操作：

• 從 2-3 篇該領域的權威 review article 或 meta-analysis 入手，抓出核心概念與關鍵字
• 用關鍵字在 Scopus / Web of Science / Google Scholar 搜尋，設定時間範圍（建議近 10-15 年為主，標誌性經典除外）
• 第一輪篩選看 title + abstract，只保留「可能相關」的，不要糾結當下判斷是否準確
• 目標：建立一個 30-50 篇的「待讀清單」，之後會再縮減

常見錯誤：搜尋階段就過度篩選，或糾結「這篇到底要不要讀」而卡住。先抓進來，step 2 再判斷。

Step 2：快讀與分類標記

這階段不要逐字讀。用「快讀 + 標記」建立文獻的初步定位。

實際操作：

• 每篇控制在 15-20 分鐘：讀 abstract → 掃 introduction 最後一段（研究目的）→ conclusion
• 在 reference manager（Zotero、EndNote、Mendeley）裡加標籤：按主題（#認知負荷、#遊戲化學習）、按方法（#實驗法、#質性訪談）、按立場（#支持 X 理論、#質疑 X 理論）
• 同時記錄：這篇的研究對象、主要發現、方法限制（用簡短 keyword，不要完整摘要）

重點：這階段的筆記是「給搜尋用的」，不是給寫作用的。目的是讓你之後能快速找到「有哪些文獻講了這個主題」。

Step 3：建立 Synthesis Matrix

這是從「摘要模式」切換到「綜合模式」的關鍵步驟。Synthesis Matrix 是一張橫向比較表，讓你看到「關於某個概念，多篇文獻各自說了什麼」。

作者 (年份)	研究對象	核心發現：X → Y 的關係	方法限制	與本研究的關聯
Chen (2020)	大學生	正向但微弱 (β = .12)	橫斷式設計	需要縱貫驗證
Wang (2021)	高中生	調節效果：動機為 moderator	樣本僅台北	可擴展到南部
Lin (2022)	在職進修	無顯著效果	自我回報量表	可能測量誤差

為什麼不用傳統摘要？傳統摘要是你對著單篇文獻寫「這篇說了什麼」；Matrix 是讓你橫向看「這幾篇對同一個議題有什麼不同說法」。後者才能幫你找 pattern。

工具建議：Excel、Google Sheets、Notion database 都可以。重點是「能橫向比較」，不是用什麼軟體。

Step 4：從 Matrix 抽出 Themes

讀完 Matrix，下一步是問：這些文獻能歸成幾個主題？不是問「有哪些作者」，是問「有哪些論述脈絡」。

抽 theme 的三個判準：

1. 共識區（Consensus）：哪些觀點是多方支持的？這構成你文獻回顧的「背景共識」段落。
2. 爭議區（Controversy）：哪些議題有對立觀點或矛盾結果？這是文獻回顧的「對話核心」，也是你展現批判性思考的地方。
3. 缺口區（Gap）：哪些重要問題還沒被充分回答？這直接導向你的研究問題。

實例：不是「A、B、C 都研究了認知負荷」，而是「關於認知負荷的測量，目前存在兩派：客觀生理指標派 vs.…

「老師，我到底要訪談幾個人？」：打破理論飽和（Theoretical Saturation）的迷思

這是我在指導研究生時，最常被問到的問題之一：「老師，我這篇質性研究到底要收多少樣本才夠？十個可以嗎？還是要二十個？」很多同學以為這是一個數字遊戲，好像達到了某個神聖的數字，研究就可以順利過關。

每次遇到這種問題，我都會反問他們一個核心概念：「你達到『理論飽和』（Theoretical Saturation）了嗎？」

這句話一出，很多學生的表情就會變得有些迷惘。他們可能在研究方法的課堂上聽過這個詞，甚至在自己的論文計畫書裡寫過，但如果要具體解釋它是什麼，以及如何判斷，往往說不清楚。

今天，我們就來好好談談「理論飽和」，打破關於質性研究樣本數的常見迷思，告訴你如何判斷你的資料到底「夠了沒」。

什麼是理論飽和？它不是一個數字，是一個狀態

「理論飽和」這個概念，最早源自 Glaser 和 Strauss（1967）提出的紮根理論（Grounded Theory）。簡單來說，理論飽和指的是：當你繼續收集新的資料、進行新的訪談時，已經無法再產生新的洞見、新的主題或新的類別，且現有理論框架的屬性與維度都已經被充分發展時，你的資料就達到了飽和。

把這件事想像成你在拼一幅拼圖。一開始，你拿到很多邊緣的碎片，慢慢拼湊出一個輪廓；接著，你開始填補中間的區塊，圖案越來越清晰。到了一個時間點，你再拿到新的拼圖碎片，你發現它們只是重複現有的圖案，對整幅畫的理解沒有任何新的貢獻。這個時候，你的「拼圖」就飽和了。

所以，理論飽和不是看你訪談了「多少人」，而是看你「問出了什麼」。這是一種對資料深度的評估，而不是對數量的執著。

關於理論飽和的常見誤解

在實務上，許多研究者對理論飽和有著錯誤的期待與操作方式。以下是幾個最常見的盲點：

誤解一：把「資料飽和」等同於「理論飽和」

很多學生會說：「老師，我訪談到第十二個人，他們講的東西都跟前面的人一樣了，所以我達到理論飽和了！」

這是一個很常見的盲點。受訪者說了相同的話，叫做「資料飽和」（Data Saturation）或是「資訊冗餘」（Informational Redundancy）。但「理論飽和」要求的是更高層次的分析：你是否已經將這些資料提升到了概念的層次？你的理論模型是否已經足夠厚實，能夠解釋這些現象？如果你的訪談問題本來就很淺薄，那當然很快就會聽到重複的答案，但這並不代表你的理論已經完整了。

誤解二：先預設一個樣本數，然後宣稱飽和

有些學生會在計畫書裡寫：「本研究預計訪談 15 人，以達到理論飽和。」這在邏輯上是不通的。理論飽和是「做出來」的，不是「預測出來」的。你無法在收集資料之前，就知道何時會再也找不到新的概念。真正的理論飽和，是透過資料收集與資料分析的「來回交替」（Iterative Process）逐步確認的。

誤解三：把飽和當作偷懶的藉口

「老師，我訪談五個人就飽和了，可以不用再做了吧？」

如果你的研究對象非常同質，且研究問題極度聚焦，五個人或許有可能。但在多數情況下，過早宣稱飽和，往往是因為研究者缺乏理論敏感度（Theoretical Sensitivity），看不出資料中潛藏的細微差異，或是因為不想再辛苦找受訪者了。記住，審查委員（Reviewers）都是身經百戰的，你是不是真的飽和，他們從你的分析深度一眼就看穿了。

實務建議：如何判斷並證明你已經達到了理論飽和？

了解了迷思之後，身為研究生，你該如何在論文中具體展現你已經達到了理論飽和？這裡有幾個務實的建議：

1.

…

前陣子在幫一本期刊審稿時，又看到了一個非常典型、許多研究生都會踩到的統計地雷。

這篇研究用了一份自編的知識測驗量表，所有的題目都是「對/錯」的二元計分（0或1）。然而，在信度分析的部分，作者洋洋灑灑地報出了「Cronbach’s α = .85」。

當下我的第一個反應是：數值看起來不錯，但指標用錯了。

如果你也是正在處理問卷數據的碩博士生，或者你設計的量表包含是非題、檢核表、選擇題（答對給 1 分、答錯給 0 分），這篇文章就是為你寫的。我們來聊聊為什麼在這種情況下，你不該報 Cronbach’s α，而應該改用 KR-20 (Kuder-Richardson Formula 20)。

為什麼 0/1 計分不能直接用 Cronbach’s α？

在社會科學研究中，Cronbach’s α 幾乎成了內部一致性信度（internal consistency reliability）的代名詞。許多同學跑統計時，不管三七二十一，直接把所有題目丟進軟體裡算 α 值。就像我在之前文章《Cronbach’s α 信度夠高就好嗎？》裡提過的，信度分析不能只看數字高低，還要看你的資料性質。

Cronbach’s α 的設計初衷，是針對「連續變項」或至少是「多點量表的類別變項」（例如典型的 5 點或 7 點李克特量表，Likert scale）。它考慮了題目得分的變異數。

但是，當你的題目是 0 和 1 的二元計分（dichotomous data）時，資料本身是不連續的。這時候，計算連續變異數的數學邏輯就不完全適用了。強行用 SPSS 或其他軟體跑 Cronbach’s α，雖然軟體還是會吐出一個數字給你，但這在統計學理上是不夠嚴謹的。

KR-20 是什麼？它和 Cronbach’s α 有什麼關係？

這時候，我們需要搬出 KR-20。

KR-20（Kuder-Richardson Formula 20）是專門用來計算「二元計分」題目內部一致性的信度係數。有趣的是，從數學推導來看，KR-20 其實是 Cronbach’s α 在二元資料下的特例。

如果你把 0/1 的資料丟進公式去算，得出來的 KR-20 數值，往往會跟軟體硬算出來的 Cronbach’s α 數值一模一樣，或者極度接近。

你可能會問：「既然數字一樣，那報 Cronbach’s α 錯在哪裡？」

問題出在「專業度」與「對資料性質的理解」。當你在論文裡寫下「本研究以 KR-20 檢驗二元計分題目的信度」時，你是在向審稿人（或口試委員）傳遞一個明確的訊息：我清楚我的資料是類別變項，而且我知道針對這類資料該用什麼統計方法。

相反地，如果你報 Cronbach’s α，審稿人心裡可能會打個問號：「這個作者是不是只會按軟體預設的按鈕，連資料尺度都沒搞清楚？」在競爭激烈的學術期刊審查中，這種小細節往往會影響審稿人對你整體研究嚴謹度的第一印象。

實務上的建議與做法

那麼，如果你現在的手邊正好有這類資料，該怎麼辦呢？我給碩博士生們三個實務上的建議：

第一，檢視你的量表計分方式。
在跑信度之前，先確認每一題的計分尺度。如果是 1-5 分的同意度量表，放心用 Cronbach’s α。如果是對錯題、有/無、是/否這種只有 0 和 1 的計分，請把 KR-20 寫進你的分析計畫裡。

第二，不要被軟體的介面綁架。
很多同學會說：「可是 SPSS 的 Reliability Analysis 預設只有 Alpha 可以選啊！」沒錯，在許多軟體中，如果你硬跑 Alpha，它跑出來的數字其實就是 KR-20 的等效值。但在寫作時，你必須在文字描述和表格標題中，將其正確標示為 KR-20。這是寫作上的嚴謹，與軟體介面無關。

第三，混合題型的量表要分開處理。
這是我最常看到的另一個誤區：同一份問卷裡，前半部是 1-5 分的態度題，後半部是 0/1 的知識題，然後作者把它們全部混在一起跑一個總信度。這在統計上是災難。你應該把李克特量表的部分獨立跑 Cronbach’s α，二元計分的部分獨立跑 KR-20，然後分別在報告中呈現。

結語：魔鬼藏在細節裡

學術研究的價值，很大一部分建立在方法論的嚴謹度上。信度分析只是資料處理的第一步，但這一步走得穩不穩，往往決定了後續分析的基礎。

下次遇到 0/1 計分的量表，別再習慣性地敲下 Cronbach’s α 的按鈕了。換成 KR-20，讓你的論文在細節處展現出真正的學術專業度。這不僅能幫你避開像我這種挑剔的審稿人的法眼，更是對你自己研究資料的一種尊重。

相關文章

References

Cronbach, L.…