107 高普考高考三級 教育行政 教育測驗與統計 考古題詳解

核心觀念

本題考查獨立樣本二因子變異數分析（Two-way ANOVA, Independent Measures）之基本原理、摘要表數值推導、統計顯著性判定、統計後續檢定決策流程，以及交互作用（Interaction Effect）之定義、種類與幾何特性。

本題涉及的核心統計公式與定義如下：

1. 自由度分割（Degrees of Freedom, $df$）：

• 總受試者人數 $N = p \times q \times n$（其中 $p$ 為因子 A 水準數、$q$ 為因子 B 水準數、$n$ 為各細格受試者人數）。
• 因子 A（壓力）自由度：$df_A = p - 1$。
• 因子 B（教學方法）自由度：$df_B = q - 1$。
• 交互作用（$A \times B$）自由度：$df_{A \times B} = (p - 1)(q - 1)$。
• 組內誤差自由度：$df_{error} = N - pq = pq(n - 1)$。
• 總自由度：$df_{total} = N - 1 = df_A + df_B + df_{A \times B} + df_{error}$。

2. 均方計算（Mean Square, $MS$）：

• $MS = \frac{SS}{df}$。

3. $F$ 檢定統計量（$F$-ratio）：

• 各變異來源之 $F$ 值皆以組內均方（$MS_{error}$）為分母：$F = \frac{MS_{effect}}{MS_{error}}$。

4. 二因子變異數分析的決策路徑：

• 當交互作用達顯著水準時，各因子之主效果（Main Effect）受到另一因子的調節而無法單獨概括詮釋，下一步必須進行「單純主效果檢定」（Simple Main Effects Test）。若單純主效果達顯著且水準數大於 2，則進一步進行「事後多重比較」（Post Hoc Comparisons）。

解題方法

（一）A 至 K 格數值之計算與推導

由題目情境可知：

• 自變項一「壓力」水準數 $p = 2$（高度壓力、低度壓力）。
• 自變項二「教學方法」水準數 $q = 3$（啟發、欣賞、建構式）。
• 每個實驗處理細格人數 $n = 5$，總受試者人數 $N = 2 \times 3 \times 5 = 30$ 人。

各格推導步驟如下：

1. 自由度（$df$）計算：

• $A$（壓力自由度）： $A = df_{壓力} = p - 1 = 2 - 1 = 1$
• $B$（教學方法自由度）： $B = df_{教學方法} = q - 1 = 3 - 1 = 2$
• $C$（交互作用自由度）： $C = df_{壓力 \times 教學方法} = (p - 1)(q - 1) = 1 \times 2 = 2$
• $D$（組內誤差自由度）： $D = df_{組內} = N - pq = 30 - (2 \times 3) = 24$ （驗算總自由度：$df_{總和} = N - 1 = 29$；$1 + 2 + 2 + 24 = 29$，計算正確）

2. 均方（$MS$）計算：

• $E$（壓力均方）： $E = MS_{壓力} = \frac{SS_{壓力}}{df_{壓力}} = \frac{4.0}{1} = 4.0$
• $F$（教學方法均方）： $F = MS_{教學方法} = \frac{SS_{教學方法}}{df_{教學方法}} = \frac{100.0}{2} = 50.0$
• $G$（交互作用均方）： $G = MS_{壓力 \times 教學方法} = \frac{SS_{壓力 \times 教學方法}}{df_{壓力 \times 教學方法}} = \frac{40.0}{2} = 20.0$
• $H$（組內均方）： $H = MS_{組內} = \frac{SS_{組內}}{df_{組內}} = \frac{96.0}{24} = 4.0$

3. $F$ 值計算：

• $I$（壓力 $F$ 值）： $I = F_{壓力} = \frac{MS_{壓力}}{MS_{組內}} = \frac{4.0}{4.0} = 1.00$
• $J$（教學方法 $F$ 值）： $J = F_{教學方法} = \frac{MS_{教學方法}}{MS_{組內}} = \frac{50.0}{4.0} = 12.50$
• $K$（交互作用 $F$ 值）： $K = F_{壓力 \times 教學方法} = \frac{MS_{壓力 \times 教學方法}}{MS_{組內}} = \frac{20.0}{4.0} = 5.00$

（二）顯著性判斷、後續統計檢定步驟與交互作用分析

1. 達到統計顯著水準之項目與原因

• 達顯著之項目：

1. 教學方法主效果：$F = 12.50^{**}$，達到 $p < .01$ 統計顯著水準。
2. 壓力與教學方法交互作用效果：$F = 5.00^{*}$，達到 $p < .05$ 統計顯著水準。 （註：「壓力」主效果之 $F = 1.00$，未達 $p < .05$ 顯著水準）

• 原因：
• 由題目摘要表附註可知，$^{*}$ 代表 $p < .05$、$^{**}$ 代表 $p < .01$。
• 查 $F$ 分配臨界值表驗證：
• 在自由度 $(2, 24)$ 下，臨界值 $F_{.05}(2, 24) = 3.40$，$F_{.01}(2, 24) = 5.61$。
• 教學方法之 $F = 12.50 > 5.61$，故達 $p < .01$ 顯著水準。

核心觀念

本題評量重點為大數據時代下，教育測驗與校務研究（Institutional Research, IR）引進資料採礦（Data Mining）​與機器學習之核心概念與技術架構：

1. 監督式學習（Supervised Learning）與非監督式學習（Unsupervised Learning）：以訓練資料中是否存在「目標標籤／效標變項（Label / Ground Truth, $Y$）」為根本分水嶺。
2. 資料採礦之本質與特性：從大量、高維度、異質性資料庫中，透過資料驅動（Data-driven）而非傳統虛無假設顯著性檢定（NHST）之探索取向，萃取出具實用性、非線性與預測力的潛在知識（Knowledge Discovery in Databases, KDD）。
3. 演算法技術分類與教育測驗實務應用：

• 監督式技術：主要用於分類（Classification）​與數值預測／迴歸（Regression）。
• 非監督式技術：主要用於分群（Clustering）、維度縮減（Dimensionality Reduction）​與關聯規則（Association Rules）。

解題方法

本題為標準的觀念申論題，評分關鍵在於「條理分明、概念對稱、緊扣教育與測驗情境」：

1. 第一子題：採「個別定義說明」加「結構化比較表」呈現兩者在標籤有無、分析目標、評估指標及演算法邏輯上的本質差異。
2. 第二子題：提煉資料採礦在處理校務與測驗大數據時的關鍵特徵（大量高維、資料驅動／非假設導向、發掘非線性模式、強調實務泛化預測力）。
3. 第三子題：按兩大取向分別開展，不只列出演算法專有名詞，更依其任務功能（如：分類 vs. 迴歸；分群 vs. 關聯 vs. 降維）歸類，並適度帶入教育測驗／IR 應用情境，展現教育行政類科之專業整合能力。

選項分析

本題為高考三級教育測驗與統計之申論題，無選擇題選項。答題重點在於建立嚴謹的學術論述體系，避免僅片面背誦演算法名稱而缺乏對測驗與統計意義的闡述。

解題技巧

1. 辨析切入點（判斷竅門）： 區分監督式與非監督式的唯一金鑰為「有無目標標籤（Label / Ground Truth）」。凡是問題給定輸入 $X$ 與已知結果 $Y$、要求預測未來者，必屬監督式；凡是只給特徵 $X$、要求探索群組或隱藏結構者，必屬非監督式。
2. 技術記憶架構：

• 監督式記「分、回」：分類（離散 $Y$）、迴歸（連續 $Y$）。
• 非監督式記「群、維、關」：分群（Clustering）、降維（Dimensionality Reduction）、關聯（Association Rule）。

3. 答題陷阱提醒： 避免將資料採礦與傳統推論統計完全混為一談。資料採礦偏向「預測與探索」，傳統統計偏向「假設檢定（$p$ 值）與因果推論」；在申論資料採礦特性時，務必凸顯其「由資料驅動（Bottom-up）」之特點。

【答案】

（一）監督式與非監督式取向的意義與差別

1. 監督式取向（Supervised Learning）之意義

• 定義：指訓練資料集中同時包含「輸入特徵（$X$，自變項）」與預先標記好的「目標標籤／結果變項（$Y$，依變項／Ground Truth）」。
• 運作機制：演算法透過學習輸入特徵與已知標籤之間的對應關係，建立對應函數 $Y = f(X)$，其主要目標在於對「未知標籤的新資料」進行準確的預測（Prediction）或分類（Classification）。
• 校務研究範例：以學生平日出缺席率、期中考成績、平時作業繳交情況（$X$），預測學期末是否會「休學／退學／不及格」（$Y$）。

2. 非監督式取向（Unsupervised Learning）之意義

• 定義：指訓練資料集中僅包含「輸入特徵（$X$）」，並不存在任何預先標註的「目標標籤（$Y$）」。
• 運作機制：演算法僅依賴資料本身的內在屬性、特徵相似性或統計結構，由演算法自行發掘資料背後隱含的群組分布、潛在維度或共現關聯模式。
• 校務研究範例：僅蒐集全校學生在標準化測驗各題項的答題反應，在沒有預設群體分類的情況下，探索學生是否存在不同的「作答組型」或「學習迷思概念群組」。

3. 兩者之主要差別

核心觀念

1. $S$-$P$ 表（Student-Problem Chart）之起源與定義： 由日本學者佐藤隆博（T. Sato）於 1970 年代所倡導，是一種結合「學生作答表現」與「試題難度結構」的二維矩陣診斷分析技術。

• 橫列（Rows）​代表學生（Students, $S$），由上至下依「學生總得分」由高至低（降冪）排序。
• 直行（Columns）​代表試題（Problems, $P$），由左至右依「試題答對人數（通過率）」由多至低（難度由易到難）排序。
• 矩陣內元素以二元計分呈現（$1$ 表答對，$0$ 表答錯）。

2. 核心架構與診斷指標：

• $S$ 曲線（學生累積得分線）：在每一位學生的橫列中，從左向右數出該生答對的題數，畫出垂直分割線並連接各點形成的階梯狀曲線。
• $P$ 曲線（試題累積答對人數線）：在每一道試題的直行中，由上向下數出該題答對的人數，畫出水平分割線並連接各點形成的階梯狀曲線。
• 學生注意係數（Caution Index for Student, $CS_i$）：偵測學生異常作答型態（如：高分群答錯極易題、低分群猜對極難題、粗心或特殊學習盲點）。
• 試題注意係數（Caution Index for Problem, $CP_j$）：偵測試題異常反應型態（如：題意不清、雙重答案、教學成效落差）。
• 差異係數（Disparity Coefficient, $D^*$）：衡量整份測驗 $S$ 曲線與 $P$ 曲線的離異程度，檢驗測驗的同質性（單向度性）與結構穩定度。

解題方法

本題為教育測驗實務與診斷評量的經典申論題型，配分為「意涵與特點（10 分）」與「使用注意事項（15 分）」。解題架構與論述切入點如下：

1. 意涵與特點（10 分）：

• 先以二維矩陣、雙重降冪排序與 $S$-$P$ 雙曲線精確界定其操作定義。
• 從「視覺化診斷」、「雙向兼顧（人與題）」、「標準與常模參照結合」、「量化指標輔助」等四個核心維度提煉其特點。

2. 使用注意事項（15 分）：

• 採結構化分類（避免零散列舉），從「測驗本質與向度限制」、「試題編製與計分模式」、「指標判讀與猜測干擾」、「班級規模與教學介入」四個實務層面深入說明限制與因應策略。

3. 論述要求：

• 明確標出專門術語（$S$ 曲線、$P$ 曲線、$CS$、$CP$、$D^*$、截切標準 $0.5$ 與 $0.75$），展現深厚的測驗統計專業度。

解題技巧

1. 排序邏輯不可顛倒：寫出 $S$-$P$ 表建構時，務必牢記「上高下低（學生總分）」與「左多人少（試題答對人數）」，此為判斷異常作答的幾何基準線。
2. 答題版面結構化：15 分的注意事項切忌寫成一段文字，運用「領域分類法」（向度、計分、判讀、教學）分點並標註粗體，閱卷委員可在 10 秒內掌握採分點。
3. 切入形成性評量核心：強調 $S$-$P$ 表的最高價值在於「診斷與補救教學」，非單純的排名或選拔工具，此論點最受評分委員青睞。

【答案】

一、$S$-$P$ 表的意涵與特點（10 分）

(一) $S$-$P$ 表的意涵

$S$-$P$ 表（Student-Problem Chart）由日本學者佐藤隆博於 1970 年代所研發，為一種二維作答反應分析技術。其做法是將全體受試者的作答反應矩陣（答對記為 $1$，答錯記為 $0$）依據特定規則重新排列：

1. 學生軸（$S$ 軸）：各橫列按學生測驗總分由高至低由上而下排列。

核心觀念 本題為民國 107 年高考三級教育行政類科《教育測驗與統計》之名詞解釋試題，全面檢驗考生在「古典測驗理論（CTT）」、「測驗史與標準分數」、「測驗等化技術」與「連續機率分配」四大範疇的基礎理論掌握度。各子題核心概念如下：

1. 測量標準誤：古典測驗理論中隨機誤差變異的指標，為實得分數標準差與測驗信度係數之函數，用於估計真分數之信賴區間。
2. 陸軍普通分類測驗（AGCT）：第二次世界大戰時期美軍編製之團體智力測驗，首創平均數為 100、標準差為 20 的常態化標準分數系統與五級人力分類法。
3. 測驗等化：調整不同測驗複本間難度差異之統計技術，使不同卷別之分數具備可互相替換性，需符合同構念、同信度、對稱性、公平性與群體不變性五大條件。
4. 定錨試題：非對等群體等化設計（NEAT）中橫跨不同卷別之共同試題，作為連結不同量尺的基準媒介，分為內定錨與外定錨。
5. 高斯分配：連續型常態機率分配，由平均數 $\mu$ 與變異數 $\sigma^2$ 決定，具備單峰、對稱於平均數及「68-95-99.7 經驗法則」之幾何與統計特性，為推論統計與常模參照量尺之理論基石。

解題方法 本題每小題配分 5 分，屬於申論題型中的高分關鍵區。高分作答策略應採「四部曲」精準鋪陳：

1. 精確定義與學術淵源：開宗明義點出該名詞所屬學派、提出背景或核心定義。
2. 數學公式與統計參數：凡具公式之名詞（如測量標準誤、AGCT 分數轉換、高斯機率密度函數），務必完整列出公式並清楚定義各項符號與參數。
3. 分類類型與實施條件：闡述操作層面的結構（如內定錨 vs. 外定錨、等化之假定條件）。
4. 教育測驗之應用價值：說明該概念在教育統計推論或測驗評量實務中的具體功能（如信賴區間建立、公平評分、常模建構）。

選項分析 本題屬申論名詞解釋題，並無選擇題選項。為利考生在應試時精準鎖定得分點並避開失分盲區，特針對考場上最易與各子題混淆之相鄰概念進行對比剖析：

1. 測量標準誤 vs. 估計標準誤 vs. 平均數標準誤：

• 測量標準誤（$SEM = s_X \sqrt{1 - r_{XX'}}$）：衡量「單一受試者」重複施測時實得分數偏離真分數之隨機誤差。
• 估計標準誤（$SE_{est} = s_Y \sqrt{1 - r_{XY}^2}$）：雙變量迴歸分析中以 $X$ 預測 $Y$ 時，預測值偏離實際觀察值之標準差。
• 平均數標準誤（$\sigma_{\bar{X}} = \frac{\sigma}{\sqrt{n}}$）：抽樣分配中樣本平均數偏離母體平均數之標準差。考場上不可混用此三種性質迥異的標準誤。

2. 陸軍普通分類測驗（AGCT）vs. 陸軍甲/乙種測驗 vs. 魏氏量表：

• 陸軍甲種（Alpha）與乙種（Beta）測驗發展於「第一次世界大戰」，分別針對識字與不識字新兵。
• AGCT 發展於「第二次世界大戰」，常態化標準分數為 $\mu = 100, \sigma = 20$。
• 魏氏成人智力量表（WAIS）離差智商為 $\mu = 100, \sigma = 15$。切忌將 AGCT 之標準差誤記為 15 或 10（$T$ 分數）。

3. 測驗等化 vs. 分數轉換（Scaling）vs. 測驗校準（Calibration）：

• 測驗等化（Equating）要求最嚴格，經等化後之分數必須「可完全互相替換」（Interchangeable）。
• 分數轉換（如轉成百分等級、標準分數）僅改變量尺呈現方式，無法消除不同考卷之難度落差。
• 測驗校準（Calibration）指將試題參數估計置於同一量尺上，屬項目反應理論建庫過程，不必然等同整卷分數之對等互換。

4. 內定錨（Internal Anchor）vs. 外定錨（External Anchor）：

• 內定錨計入該次測驗之總分，受試者作答動機高，但試題品質不佳或洩漏會直接影響當次考試效度。
• 外定錨作為獨立測驗施測、不計入總分，試卷結構獨立，但受試者作答認真程度較難管控。

5. 高斯分配 vs. 標準常態分配：

• 高斯分配為母數為任意實數 $\mu$ 與正數 $\sigma^2$ 之一般型分配（記為 $X \sim N(\mu, \sigma^2)$）。
• 標準常態分配專指經 $Z$ 轉換後 $\mu = 0, \sigma = 1$ 之特殊情形（記為 $Z \sim N(0, 1)$）。寫作時須定義一般式，不得僅列出標準化後的 $Z$ 函數。

解題技巧

1. 公式優先原則：閱卷委員在閱卷時，公式具有極高辨識度。測量標準誤與高斯分配公式務求一筆不漏。
2. 專有名詞精準化：

• 寫「等化」必帶出「同構念、同信度、對稱性、公平性、群體不變性」。
• 寫「定錨」必帶出「非對等群體等化設計（NEAT）」、「測驗縮影（Mini-test）」。
• 寫「AGCT」必列「二戰美軍」、「$\mu=100, \sigma=20$」、「五級分類」。

3. 版面控制：一題 5 分，建議字數約 120～150 字，採標號分點（如：1. 定義、2. 公式/特性、3. 實務應用）陳述，展現清晰之邏輯架構。

【答案】

1. 測量標準誤（Standard Error of Measurement, SEM）

1. 定義：在古典測驗理論（Classical Test Theory, CTT）架構下，假定同一受試者在排除練習與疲勞效應下接受無數次內容與難度相同的平行測驗，其所測得之實得分數（Observed Score）圍繞其真分數（True Score）所形成之理論分配的標準差。它代表測量隨機誤差的大小。
2. 計算公式： $SEM = s_X \sqrt{1 - r_{XX'}}$ 式中 $s_X$ 為測驗實得分數之樣本標準差，$r_{XX'}$ 為該測驗之信度係數。
3. 教育應用：

• 信度越高，$SEM$ 越小；當測驗完全無信度（$r_{XX'} = 0$）時，$SEM = s_X$。