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.…

很多研究生以為質性研究「找越多人越好」。這篇文章告訴你，數字不是重點，設計才是。

---

你可能聽過這個問題

「老師，我的論文只訪談了六個人，這樣夠嗎？」

這是我在指導學生時最常被問到的問題之一。通常伴隨著一臉焦慮。

我的回答永遠是：「先告訴我你的研究問題是什麼。」

因為「幾個人夠」這個問題，根本問錯了方向。

最近我讀到一篇論文，是今年剛發表在 System（SSCI，Applied Linguistics）的文章。研究者 Li 和 Ding 只訪談了 4 位參與者——四位在抖音拍英文 vlog 的中國大學生——卻通過了嚴格的同儕審查，發表在頂尖期刊。

我用這篇論文作為案例，帶你看懂質性研究「人數邏輯」的真正本質。

---

這篇論文做了什麼

Li & Ding (2026) 研究的是：中國大學生在抖音上拍英文 vlog，這個行為為他們的英語學習帶來了什麼？背後有什麼機制在運作？

他們的理論框架是生態學視角（ecological perspective），聚焦在 affordance（可供性）和 learner agency（學習者主動性）兩個概念。研究發現了四種 affordances（語言的、數位的、社交的、情感的）以及兩種 agency（個人主動發起的、透過與他人互動共同建構的）。

這篇的方法論設計相當完整，值得拆開來看。

---

為什麼四個人就夠：質性研究的人數邏輯

在量化研究裡，樣本數是真的有「夠不夠」的問題，因為你需要足夠的統計力（power）來偵測效果。

但質性研究的目標不是「推論到更大的母群體」（關於個案研究的樣本數邏輯，可參考這篇文章），而是「深入理解特定現象的機制與意義」。

這兩種目標，需要完全不同的樣本邏輯。

質性研究問的是：在什麼條件下，這個現象是如何發生的？

要回答這個問題，你需要的是「夠深的理解」，不是「夠大的樣本」。

Lincoln 和 Guba（1985）提出的概念是「資訊飽和」（informational redundancy）——當你繼續訪談新的參與者，再也得不到新的主題或新的洞察，這時候樣本就足夠了。

四個人可以達到這個標準嗎？在某些研究問題下，可以。特別是當：

• 研究問題聚焦在特定情境或特定群體的深層經驗
• 每位參與者提供了豐富、深入的資料
• 多份資料來源互相支撐
• 研究者有清晰的理論框架引導分析

Li & Ding (2026) 全部符合。

---

這篇做對了什麼：五個關鍵設計決定

1.

…

之前的文章說過寫分析備忘錄的重要。經過了這麼多年，自己也養成了在大部分的時候，都作分析備忘錄。與他人合作，如果不作分析備忘錄，開會很容易無法順暢進行。

…