在傳統的教學評量中，我們常用考試成績、發言次數或作業字數來評估學習成效。然而，發言多、字數長，並不等同於有較深的理解。兩個在課堂上提及相同專業名詞的學生，背後的思考方式可能完全不同：一個可能只是零碎背誦，另一個則能將多個知識點串聯成完整的邏輯鏈。
傳統的量化統計只能告訴我們概念出現了幾次，卻無法說明概念之間是如何被連結與整合的。而認知網絡分析法（Epistemic Network Analysis, ENA）是一套能將質性文字（如對話、作業、反思週記）轉化為動態網絡結構與幾何坐標的量化分析技術。此技術除了能捕捉學習者思考中各個概念之間的連結強度，更能繪製出個體與群體在學習歷程中的認知轉變軌跡。
一、量化民族誌與認知框架理論
認知網絡分析法是由美國威斯康辛大學麥迪遜分校（UW-Madison）的David Williamson Shaffer教授及其團隊開創，是量化民族誌（Quantitative Ethnography, QE）領域中具代表性的分析技術之一。認知網絡分析法即建立在認知框架理論（Epistemic Frame Theory）之上：
- 專業知識是一個網絡：一個領域的專家與初學者之差異，不在於記憶了多少獨立的知識點，而在於能否將知識（Knowledge）、技能（Skills）、價值觀（Values）、認同（Identity）與認識論（Epistemology）靈活運用。
- 共現即關聯（Co-occurrence as Connection）：在溝通與解題過程中，當兩個概念反覆在同一個時間片段或對話語境中同時出現，代表說話者在認知層面上將這兩個概念建立了關聯。
二、認知網絡分析輸入端（Input）
要進行認知網絡分析，研究者需將文本數據進行段落分割，並依照定義好的「認知元素」進行二元編碼（Binary Coding）。
- 分析單位（Units）：誰在思考？（學生、專家、實驗組/對照組）
- 對話群組（Conversations）：在何種情境？（討論、文本段落、活動章節）
- 編碼概念（Codes）：關注哪些面向？（概念A、概念B、概念C）
- 移動視窗（Moving Window）：思想如何延續？（前後關聯的語句範圍大小）
三、認知網絡分析輸出端（Output）
認知網絡分析的輸出端主要透過量化民族誌的邏輯，將質性文本或行為編碼轉化為兼具統計精確度與視覺化解讀性的動態模型：
- 網絡圖視覺化（Network Visualizations）
- 節點（Nodes）：代表定義的認知或知識元素，節點在圖中通常越常同時出現的元素，其節點位置會越相近；節點的大小有時代表該編碼出現的頻率。
- 連線（Edges/Links）：代表元素之間的共同出現（Co-occurrence）強度，連線越粗，代表這兩個認知概念在限定的對話區間內被同時提及或連結的頻率越高。
- 質性溯源：在認知網絡分析的互動輸出界面中，點擊任何一條連線，系統都可以直接倒追回原始的對話文本。
- 分析單元的投影點與軌跡
- 質心點（Centroids）：每個分析單元（如特定學生、小組或某個實驗組）的認知網絡特徵，會被壓縮計算成一個二維空間中的「點」（稱為質心）。
- 行為、認知軌跡（Trajectories）：如果分析包含時間變化，輸出端可以將同一個體或群體在不同階段（例如：討論前期、中期、後期）的質心點依序連線，畫出認知轉變的動態行為軌跡模型。
圖1 認知網絡分析輸出圖
四、認知網絡分析建模流程
整個認知網絡分析研究的建模流程以線性遞進的四個步驟組成：「確定研究問題與目標⟶收集數據⟶以節進行編碼⟶建立動態網絡模型」。
- 確定研究問題與目標：在進行認知網絡分析之前，需明確界定欲探討的研究問題與目標，只有透過清晰的研究問題定義，後續的數據收集、編碼與模型設計才能有效執行。
- 收集數據：蒐集與研究主題高度相關的原始資料，並確保數據的完整性與準確性，為後續的建模奠定基礎。
- 以節進行編碼：將收集到的數據進行「段落對話節（Stanza）」的切割與編碼，以建立分析所需的段落節與認知元素關聯。
- 建立動態網絡模型：完成編碼後，認知網絡分析利用編碼數據計算各元素在節內的共現關係，進而建立動態認知網絡模型，透過分析不同節與階段之間的關聯與變化，描繪出學習或思考過程中的動態結構。
以上便是認知網絡分析的說明，希望這篇文章能讓您對這個方法有更細節的理解，如果喜歡都可以幫我們上google評論留個好評，謝謝。
