2025年6月19日 星期四

《『社區科學』的過去．現在．未來》專輯(VIII)：捕捉「社區」脈絡的『科學』方法─多層次模式(MLM)、地理資訊系統(GIS)、社會網絡分析(SNA)和集群分析(CA)

 

作者：周才忠 (日期：2025/6/20)

      我們都互相聯繫，就像一張看不見的網。但『哲學』思維中最普遍的謬誤，可以追溯到對「脈絡」的忽視。儘管有些『社區科學』家經常將「脈絡」納入其考量的理論、模式和架構，但傳統上似乎不太可能在工作中運用「脈絡」分析方法。馬斯洛曾說過一句名言「如果手上只有一把錘子，你往往會把任何問題都看成釘子」，因此本文介紹的主題，包括『社區科學』中的傳統統計方法、「脈絡主義」和『社區科學』、「脈絡主義」的統計方法與範例：多層次模式/地理資訊系統/社會網絡分析/集群分析、邁向『社區科學』方法論的跨學科一致性等內容。一位優秀的『社區科學』家需要三樣東西：一個感興趣的現象、一個理論和一套研究方法。更重要的是，為了使我們的研究和實務工作有意義並帶來真正的改變，我們需要確保使用符合我們價值觀的工具，這樣一來才能夠真正捕捉到社區「脈絡」的全貌。



       1968年，美國哥倫比亞大學社會學家-艾倫·巴頓在其著作中描述了『社會科學』的主流研究：「過去三十年，實徵社會研究一直以抽樣調查為主。但通常的做法是隨機抽樣，這種調查就像一台社會學的絞肉機，將個體從其社會脈絡中剝離出來，並確保研究中的任何人都不會與其他任何人互動。這有點像生物學家把他的的實驗動物放進漢堡機，再用顯微鏡觀察每一百個細胞；解剖學和生理學消失了，結構和功能消失了，只剩下細胞生物學......如果我們的目標是理解人們的行為，而不是簡單地記錄它，我們就應該了解主要的群體、鄰里、組織、社交圈和社區；了解其互動、溝通、角色期望和社會控制」(Freeman, 2004)。

      巴頓的論述在當時是正確的，在今天仍然正確。主流的「社會研究」過去和現在都只關注「個體」的行為。它忽略了行為的「社會」層面，即關注「個體」互動方式及其相互影響的部分。幸運的是，對於我們這些不想把社會世界碾成漢堡的人來說，還有另一個選擇，而且這種選擇一直存在。有些「社會研究」一直關注的是連結「個體」的社會關係，而不是「個體」本身。這種檢視研究對象之間聯繫的研究稱為「結構研究」(Freeman, 2004)。

      這種「結構化方法」並不限於人類社會關係的研究。它幾乎存在於所有『科學』領域。例如，『天體物理學』家研究太陽系中每顆行星對其他行星的引力，以解釋行星的軌道。『分子化學』家研究各種原子如何相互作用形成不同類型的分子。『電機工程』師觀察各種電子元件(如電容器和電阻器)之間的相互作用如何影響電路中的電流。『生物學』家研究生態系中每個物種之間相互作用和影響的方式(Freeman, 2004)。

     在『社會科學』中，基於研究社會「行為者」(actors)之間互動的「結構化方法」稱為「社會網絡分析」(Social network analysis, SNA)。SNA人員研究的關係通常是連結「個體」人類之間的關係。但重要的社會關係也可能連結非人類的「社會個體」，例如螞蟻、蜜蜂、鹿、長頸鹿或猿猴。它們也可能連接完全非個體的「行為者」。SNA人員經常研究群體或組織之間的聯繫，甚至民族國家或國際聯盟之間的聯繫(Freeman, 2004)。

       有些『社區科學』家將「脈絡」作為其核心價值之一，例如在研究家庭暴力時所採用的方法和理論與以下觀點相符：家庭暴力不僅僅是一種個體行為，而是一個受歷史、社會、經濟和法律相關「脈絡」影響的複雜過程。『社區科學』家之所以對研究的群體類型(例如，家庭暴力受害者、年輕母親、男女同性戀者、吸毒者、市中心貧民區居民等)感興趣，並非因為其具有任何明確的內在心理特徵，而是因為這些群體以其所處的經濟、社會、文化和物理環境的特定方式受到影響(Luke, 2005)。

       然而，儘管『社區科學』家經常運用將「脈絡」納入其考量的理論、模式和架構，但他們似乎不太可能在工作中運用「脈絡」分析方法。『社區心理學』的確有著悠久的分析創新傳統(Revenson et al., 2002)，但『社區科學』領域的大多數「實徵研究」都只採用了極為有限的分析方法。在早期一系列探討『科學』與『社區心理學』的文獻中，Kelly(2003)首次提出了振興『科學社區心理學』的建議，即「去神話統計學」。他認為，我們不僅需要超越變異數分析(ANOVA)、迴歸分析和因素分析等傳統方法，『社區科學』家需要控制「量化」方法，而不是相反(轉引自Luke, 2005)。這樣一來，我們的研究就不會被青睞或當前「熱門」統計技術的普及性所決定。方法不能控制『社區心理學』家，而是『社區心理學』家控制方法的選擇(Kelly, 2003)。

『社區科學』中的傳統統計方法

     Luke(2005)曾回顧了《美國社區心理學期刊》(American Journal of Community Psychology, AJCP)在兩個時間段(1981年至1983年以及20年後的2001年至2003年)中使用的統計方法類型。透過回顧六年來的AJCP發表文章，我們可以很好地了解『社區科學』家使用的統計實務類型。此外，透過檢視兩個不同的時段，我們可以看到統計實務在20年間發生了怎樣的變化。因此，這項回顧有助於確定AJCP作者們過去或目前正在使用的「脈絡」方法的程度。雖然AJCP並非唯一出現以「社區」為導向的實徵研究的平台，但它是旨在推動『社區科學』發展的重要研究情境之一。

       如上表所示，Luke(2005)總計回顧304篇文章；早期(1981-1983年)共回顧144篇，20年後(2001-2003年)則回顧160篇。其結果發現，在早期，大多數(88%)已發表文章為傳統的實徵研究，並呈現原始數據。20年後AJCP發表的文章種類更加豐富。幾乎一半(48%)的文章來自主題特刊。此外，AJCP也為學會理事長致詞和獎演講預留了更多版面。最後，以百分比計算，20年後發表的「質性」內容文章篇數量20年前的四倍(17% vs. 4%)。

       上圖顯示了1980年代初和2001年至2003年發表的215篇「實徵論文」中特定統計分析類型的使用頻率。這些百分比加起來超過100%，因為大多數論文使用了多種統計分析方法。「實徵論文」是指提供原始數據並對其進行量化或質性分析的論文。我們可以看到，在這二十年中，統計實務發生了一些變化。在1980年代初，超過一半(59.5%)的「實徵論文」使用了「相關」分析；2000年代初，只有略多於三分之一(34.8%)的「實徵論文」使用了「相關」分析。「變異數分析」(ANOVA)方法的使用也呈現類似的下降趨勢，從59.5%下降到37.1%。而「結構方程模式」(SEM)及其相關方法(如「路徑分析」)的使用在同一時期急劇增加(從2.4%上升到11.2%)。考慮到複雜的SEM統計軟體直到1990年代才出現，這並不奇怪(Luke, 2005)。

       然而，儘管有這些變化，上圖所示結果仍然支持Kelly(2003)的觀點，即在『社區心理學』領域主要使用傳統統計方法，例如變異數分析(ANOVA)、迴歸分析、心理計量(Psychometrics)、相關分析和類別統計(Categorical statistics)(例如卡方)。而集群分析(CA)、社會網路分析(SNA)、階層線性模式(HLM)、統合/後設分析(Meta-analysis)、非線性模式(Non-linear modeling)和地理資訊系統(GIS)等更專業的技術很少使用。例如，集群分析、社會網絡分析、多層次模式/階層線性模式和地理資訊系統的四種技術中，前三年僅使用了社會網絡分析。此外，在2001年至2003年期間，這些「脈絡性」技術出現的次數均不超過4次。雖然人們會認為像變異數分析等非常通用的建模技術會比網路分析等技術更常用，但該技術的通用性並非全部原因。例如，結構方程模式(SEM)、多層次模式(MLM)、非線性模式也是非常通用的統計方法，但在『社區科學』中還沒有被廣泛的應用(Luke, 2005)。

       對於上列方法論綜述結果的一種可能的解釋是，『社區科學』根本不需要使用非傳統的統計工具來「...對社區生活和活動產生正面的影響...」(Sarason, 2003)。然而，如果『社區科學』家真的有興趣理解物理、社會、組織、文化、經濟和政治的「脈絡」如何影響人類行為和健康，那麼我們過去所依賴的量化方法並不總是最合適的工具。從本質上講，這一論點更多的是『哲學』和「政治」層面的，而非技術層面的。簡而言之，我們在『社區科學』中使用的工具的選擇，反映了我們作為『社區科學』家所持有的價值觀(轉引自Luke, 2005)。

「脈絡主義」和『社區科學』

      「脈絡主義」(Contextualism)的核心價值體現在多個方面，包括『社區心理學』和『生態心理學』的密切聯繫，使用明確的「脈絡」理論，例如「行為情境理論」(Behavior Setting Theory)(Wicker, 1992)，以及認識到基於『社區科學』的有效介入措施可以而且應該著眼於「個體」以外的層面(Tseng et al., 2002)。也就是說，改變家庭、社區、學校、教會和組織，可能比僅僅在「個人」層面介入，更能有效地增進健康(轉引自Luke, 2005)。

      『社區科學』中「脈絡主義」的悠久歷史，使我們處於研究人類健康和行為方式變革浪潮的前沿。一個非常突出的例子是美國國家衛生研究院(NIH)在2001年發布的題為《邁向更高層次的分析：健康社會和文化維度研究的進展與前景》的報告。其中提出了NIH研究的新議程，重點關注兩個目標：(1)擴大NIH的健康相關『社會科學』研究；(2)將『社會科學』研究融入跨學科、多層次的健康研究中。有關的建議是：「...支持發展最先進的『社會科學』方法。挑戰包括群體、網絡、鄰里和社區層面的測量；進一步發展「縱貫性」研究方法；整合多種質性和量化方法的「多層次」研究設計...；以及開發改進的資料收集和分析方法」(Luke, 2005)。

      《美國社區心理學期刊》(AJCP)發表的實徵研究，證明了「脈絡」方法的重要性和普遍性。過去幾年值得關注的實例包括：透過「社區」為基礎的「倡導」(Advocacy)方法，旨在提升受暴婦女生活品質的介入措施(Bybee & Sullivan, 2002)；對族裔與家庭網絡關係的描述(Hirsch, Mickus & Boerger, 2002)；識別性侵受害者維權人士的支持性組織特徵(Wasco, Campbell & Clark, 2002)，以及一項探討「組織精簡」對員工健康影響的研究(Kivimaki, Vahtera, Elovainio, Pentti & Virtanen, 2003)。這些(以及許多其他)實例都明確地運用了「脈絡」框架。然而，仔細檢視這些研究就會發現，儘管它們使用了「脈絡」框架，但實際的資料收集和分析卻侷限於「個人」層面(轉引自Luke, 2005)。

       這是一個普遍的模式。在上列回顧的120項「實徵研究」中，有結合了某種「脈絡」框架或概念來理解「個體」層次的行為或特徵。然而，只有不到四分之一(22.5%)的研究直接從「個體」以外的層面或情境收集資料，或使用適用於「多層次」的合適方法分析這些數據。換句話說，儘管『社區科學』家重視「脈絡」思維，但我們實際運用「脈絡」方法的可能性卻小得多(Luke, 2005)。

       造成這種脫節的另一個原因，這與「錘子法則」有關—如果你唯一會使用的工具就是一把錘子，那麼所有情況看起來都需要用錘子敲打。『社區科學』家最常用的傳統統計工具(例如迴歸分析、變異數分析、因素分析等)已被開發用於單一分析層面。雖然在變異數分析和迴歸分析中，通常使用提供「脈絡」資訊(例如，群體成員身分、居住地、教室)的預測變項，但這些模式實際上是將「群體」層面的資訊分解到「個體」層面，從而使模式中的所有預測變項都與「個體」分析單位相關聯。這至少會導致兩個問題。首先，所有未建模的「脈絡」資訊最終都會被匯總到模式的單一個體「誤差項」(error term)(Duncan, Jones & Moon, 1998)。這很成問題，因為屬於同一「脈絡」的「個體」可能會有相關的誤差，這違反了一般線性模式的一個基本假設。第二個問題是，透過忽略「脈絡」，模式假設迴歸係數同樣適用於所有「脈絡」，「...從而傳播了這樣一種觀念，即過程在不同「脈絡」下會以相同的方式進行」(Duncan et al., 1998)。因此，由於我們主要知道如何使用僅限於「個體」層面分析的統計數據，所以我們最終沒有收集或分析真正的「脈絡」多層次數據也就不足為奇了(轉引自Luke, 2005)。

「脈絡主義」的統計方法與範例(I)─多層次模式

      「社會研究」經常涉及調查「個人」和「社會」之間關係的問題。一般概念是，「個人」與他們所屬的「社會脈絡」互動，這意味著「個人」受到他們所屬的「社會」群體或「脈絡」的影響，而這些群體的屬性反過來又受到構成該群體的「個人」的影響。一般來說，「個人」和「社會」群體被概念化為「個人」和「群體」的「階層系統」(Hierarchical system)，「個人」和「群體」在這個「階層系統」的不同層次上定義。自然，這種系統可以在不同層次上觀察到，變項可以在每個層面上定義。這導致了表徵「個人」的變項和表徵「群體」的變項之間的交互作用的研究，這種研究現在通常被稱為「多層次研究」(Hox, 2002)。

      「多層次模式」(Multilevel modeling, MLM)是一種基於「迴歸」(Regression)的通用統計工具，可以建立本質上是多層次數據的統計模式。從『統計學』角度來看，「多層次模式」比傳統的「迴歸分析」或「變異數分析」技術(Snijders & Bosker, 1999)更適合多層次數據。例如，如果數據本質上是多層級的，那麼第一級單位會集群在第二級單位內，且第1級「誤差項」不太可能獨立，從而違反了一般「線性模式」的一個基本假設。對我們來說，更重要的是，透過「多層次模式」，我們可以建立與我們的概念模式相符的統計模型。也就是說，我們的思維方式和方法將不再脫節(轉引自Luke, 2005)。

       在『公共衛生』領域，我們通常感興趣的是發現哪些因素與某些結果相關，或變項與結果之間的關係強度有多大。這種關係通常使用「迴歸分析」來探索，但標準的「迴歸分析」做出了某些站不住腳的假設。其中最相關的假設是，對於我們研究中的所有個體，結果都是彼此獨立的。然而，「個體」的行為通常無法脫離他們所處的「鉅觀脈絡」：例如，他們居住的鄰里或醫生工作的實務現場。「脈絡」的影響意味著結果不太可能是獨立的，這違反了標準的「迴歸」模式所基於的假設。因此，其解決方案是使用「多層次模式」在分析中考慮不同的層級(Leyland & Groenewegen, 2020)。

      「多層次」資料結構是指某一分析層級的觀測值嵌套(或集群或分組)於另一分析層級的觀測值之中。有時，「多層次」資料結構被簡單地描述為嵌套或層級嵌套。這種多層次資料的關鍵定義特徵是，某一分析層級的觀測值並非彼此獨立─資料之間存在著相互依賴關係，這一點需要加以考慮的(Nezlek, 2012)。

       與『發展心理學』、『教育學』、『社會學』或『政治學』相比，「多層次模式」(也稱為「階層線性模式」、「混合效應模式」或「成長曲線模式」)在『社區科學』中的應用尚未被充分利用。Hedeker、McMahon、Sason和Salina(1994)在一項關於工作場所戒菸方案的研究中，對這些方法的實用性進行了早期展示；重點研究如何在階層模式中對「個人」層級數據的集群進行適當的調整。此外，Coulton、Korbin和Su(1999)使用「多層次」方法檢視了鄰里因素如何影響虐待兒童情況。他們令人信服地證明，預測變項的「參數估計值」(parameter estimates)與僅使用「個人」或「鄰里」數據的預期值不同。具體而言，惡劣的社區條件削弱了先前確定的「個人」風險因素(如原生家庭暴力)的影響。最後，Mankowski、Humphreys和Moos(2001)發展了一個「多層次模式」，顯示處遇信念系統(treatment belief systems)的「個人─環境」契合度是「12步驟自助團體」參與程度的重要預測因子(轉引自Luke, 2005)。

       與Bryk和Raudenbush(1992)最初提出的解釋架構一致，Nezlek(2012)分別給出了模式各個層次的方程式。然而，所有分析層次的所有係數都是同時估計的，因此基礎模型可以用一個方程式來表示，其中「結果」(y)由每個分析層次的截距、每個層次包含的預測因子以及誤差項來預測。在標準命名法中，第一級係數以β表示(下標0表示截距，1表示第一個係數，2表示第二個係數，以此類推)。

yij = β0j + rij

       在這個模型中，連續變項y的j個第二級群組有i個第一級觀測值。第一級觀測值被建模為各組的截距(β0j，即j組中y的平均值)和誤差(rij，即組別中每個分數與組別平均值的離差)，rij的變異數為第一級誤差變異(error variance)。

       然後，每個第一級係數在第二級建模，二級係數以γ表示。每個第一級係數都有一個單獨的「第二級方程式」。基本的第二級模型如下：

β0j = γ00 + μ0j

      在這個方程式中，j個第二級分析單位中每個單位y的平均值(β0j)被建模為總平均值(γ00 − 平均值的平均值)和誤差(μ0j)的函數。而μ0j的變異數是第二級變異數。當這兩個基本模型結合在一起時，這被稱為完全無條件的或零假設，因為在任何分析層次都沒有預測因子。

      有關「多層次模式」在『社區科學』中應用的實例，可參考來自Luke和Krauss(2004)的一項「菸草業競選捐款與美國國會投票行為」的研究成果，該研究研究的主要目標是探討1997年至2000年間國會議員對菸草相關立法投票的重要影響因素，而分析單位為國會議員本人。其研究的「脈絡」是，「吸菸」為美國可預防的首要死因，菸草產業活動(包括競選捐款)的效用是造成這巨大健康負擔的直接因素。

       針對這些數據可以開發的典型「單級迴歸模型」可能如下所示(轉引自Luke, 2005)：

       此方程式想要根據國會議員所屬「政黨」來預測其投票支持菸草產業的百分比，以及從「菸草業政治與行動委員會」(PAC)收到的捐款金額。研究數據來源是第106屆美國國會527名議員對49項菸草相關法案的投票紀錄。然而，由於國會議員並非隨機選出的，因此數據可能呈現出「集群效應」，這是合理的。也就是說，同一州(例如麻州)的參議員或眾議員在許多重要特徵上可能比來自不同州的國會議員更相似。以下全美各州「地理資訊系統」(GIS)圖示說明了這一點—我們可以看到，國會議員投票支持有利於菸草業的法案的比例因州而異。此有利的政策方向，可能包括減稅、減少監管或抵制旨在遏制吸菸的『公共衛生』措施(Luke & Krauss, 2004; Luke, 2005)。

       但上述「單級迴歸模型」無法處理數據的「集群」問題(以及隨之而來的「誤差項」的非獨立性)。比這個統計問題更重要的是，身為『社區科學』家，我們希望建構一個更具「脈絡」性的統計模型。具體來說，我們希望考慮除了「政黨」和「捐款收入」之外，可能影響投票行為的州級特徵。例如一個州的菸草產業經濟規模(具體表現為菸草產量)是一種可能影響國會投票的「脈絡」變項。以下一組的方程式顯示了「多層次統計模型」的結構(Luke, 2005)：

      雖然這個統計模型看起來比之前的「單級迴歸模型」複雜得多，但它主要為我們做了兩件重要的事情。首先，第一層級的「β係數」在第二層級成為依變項—這表明第一層級的截距和斜率可能因州而異。其次，這種類型的模型清楚地顯示了哪些預測變項在第一層級(即政黨、菸草業政治與行動委員會捐款金額)起作用，哪些在第二層級(一個州的菸草種植​​面積)起作用(Luke, 2005)。

       上列估計表展示了此「多層次模式」的擬合結果。我們可以看出，在國會議員層級，「共和黨人」身分(ˆγ10 = 0.5066)和獲得更多菸草業政治與行動委員會(PAC)捐款金額(ˆγ20 = 0.0049)與更頻繁地向支持菸草業的方向投票相關。具體而言，國會議員每從PAC獲得1萬美元捐款，在菸草相關法案上向支持菸草業方向投票的可能性就會增加約5%。然而，我們也看到，存在重大的州級「脈絡效應」—來自菸草經濟規模較強的州的議員也更有可能投票支持菸草(ˆγ01  = 0.0027)。截距項(u0j)的「隨機變異分量」相對較大且顯著，這表明可能還有其他重要的「脈絡效應」尚未被納入模型中。這個相對簡單的「多層次模式」告訴我們，在模擬國會的菸草政策行為時，必須同時考慮「個人效應」和「脈絡效應」(Luke, 2005)。

「脈絡主義」的統計方法與範例(II)─地理資訊系統

     「視覺化」(Visualization)對資料分析至關重要。它提供了攻擊的前線，揭示了數據中無法無法以任何其他方式吸收的複雜結構。我們發現了難以想像的效果，也挑戰了想像中的效果。「視覺化」是一種資料分析的方法，它強調對資料結構的深刻看法，沒有其他方法可以傳達這麼多的資訊。美國統計學家-愛德華茲·戴明(1900-1993年)所言：「視覺化保留資料中的資訊」。因為當這些資訊與被調查對象的先前知識相結合時，結論就源於資料(Cleveland, 1993)。

※圖片來源：「The Deming Institute」官網

      探索「脈絡」的第二個有用的量化工具是「地理資訊系統」(GIS)。GIS是一套資料庫、製圖和統計工具，可對地理資訊進行「視覺化」和量化評估(廣義的地理資訊，指任何具有物理位置的訊息)。雖然地圖製作是GIS方法的常見最終結果，但GIS也可用於建立「脈絡」變項並對「空間關係」進行統計分析(Haining, 2003)(轉引自Luke, 2005)。

※圖表來源：Ostfeld, Glass & Keesing(2005)

       例如，『空間流行病學』(Spatial Epidemiology)是『流行病學』的一個子領域，其專注於研究「健康結果」的「空間分佈」；它與『健康地理學』(Health Geography)密切相關。具體來說，它涉及疾病及其地理變化的描述和檢視，這樣做是考慮到“人口、環境、行為、社會經濟、遺傳和感染風險因素”(Elliott & Wartenberg, 2004)。在「自殺防治」上，雖然廣泛性的「匯總層級數據」(Aggregate-level data)對於國家策略的實施很重要，但「小區域」層級的數據對於地方「自殺防治」工作至關重要。因此，『空間流行病學』方法的使用，可以提高此類數據的可靠性(Torok et al., 2019)。另外，基於即時自殺數據的此類調查將有助於更早發現自殺群並及時在受影響社區做出反應(Hawton et al., 2015)。這些數據亦有助於將資源重新分配到受影響的地區、社區和環境，而「地理空間分析」(Geospatial analysis)能夠有效地識別受反覆出現的自殺群影響之地理區域，這需要採取更密集和更有針對性的應對措施(Benson et al., 2022)。

    GIS方法作為一門「運算技術」(Computing technology)在過去幾十年中應運而生，並廣泛應用於『地質學』、『氣象學』、「城市規劃」、「公共安全」、「行銷」、『政治學』和『公共衛生』等許多領域 (Mark, Chrisman, Frank, McHaffie & Pickles, 2004)。「社區GIS」的發展趨勢日益壯大，GIS方法被用於社區發展、社區資產製圖、社區健康評估和生態發展(Carver, 2001)。然而，『社區科學』家在利用GIS技術方面的進展相對緩慢(轉引自Luke, 2005)。

美國的GIS應用範例

     『健康』和『社會科學』家最常使用GIS來研究「犯罪」和「危險健康行為」的模式。例如，Wieczorek和Hanson(1997)使用GIS方法檢視了「酒後駕車」(Driving-while-intoxicated, DWI)的模式，並揭示了此類行為的地理「脈絡」。研究者使用包含「等高線圖」(Contour plots)的GIS地圖，顯示酒駕並非隨機分佈在大都會區域內。此類分析有助於制定更精準的政策和介入措施，從而降低成本並有望提高「效用」(轉引自Luke, 2005)。

       第二個例子來自「菸害防制」政策領域。上圖顯示了美國密蘇里州東部聖路易都會區「菸草廣告看板」的分佈情況，當時正值1998年《煙草總和解協議》(MSA)(Luke, Esmundo & Bloom, 2000)的一項規定取消菸草廣告牌之前不久。MSA是由美國四大煙草公司和46個州的總檢察長之間簽訂的。研究者使用GIS收集了廣告看板數據，並分析了菸草廣告的位置模式。圖中，廣告看板按其圖像類型編碼，位於下方說明方格則按人口普查區段顯示了人口結構。結合廣告看板和人口普查數據，其結果可以發現，印有非裔美國人圖像的廣告看板往往集中在非裔美國人居民比例較高的鄰里。研究者利用這項證據來支持一個論點，即菸草業的產品目標客群是非裔美國人(轉引自Luke, 2005)。

      第三個提供GIS實用性的例子是Goldstein等人(2003)在美國北卡羅來納州實施100%「無菸學校」政策的案例研究。其研究者們透過「關鍵訊息提供者」(Key informant)訪談，確定了影響北卡羅來納州14個學區成功實施「無菸政策」的重要因素。儘管「關鍵訊息提供者」認為當地菸草經濟規模對政策實施的直接影響不大，但上圖GIS分析顯示，所有實施政策的學區都位於菸草產量相對較少的縣市。這張地圖不僅揭示了一個重要的模式，可以作為進一步研究的主題，而且還有助於以清晰、有力且易於理解的方式推廣這一發現。

※圖表來源：Orange County Health Care Agency(U.S.A.)

        最後一個美國的GIS範例是加州的創新經驗。“當每個人都站出來並採取行動時，預防自殺才是最有效的”。加州橘郡健康照護機構於2020年推出「自殺死亡數據儀表板」，旨在提高「社區意識」並幫助為預防舉措提供資訊。它允許用戶透過按年齡、性別、種族、自殺方法和死亡地點過濾一段時間內的「自我傷害」和「自殺死亡」數據來搜尋、排序和查看數據、圖表和地圖。使用者能夠從多個角度檢視資料，這有助於擴大查詢範圍，並協助橙縣「自殺預防」工作的策略規劃，以及投入具體努力與資源。這些資訊來自「加州綜合死亡檔案」，每月更新一次，包括人口統計、地理位置和自殺方式。如上圖所示，其運用「地理資訊系統」(GIS)地圖描繪全域每個城市的自殺死亡率(*深淺橙色陰影)，以呈現其與種族(*非西班牙裔白人)和年齡(*55歲及以上)之間的關係。此特別之處，還結合互動式WebGIS功能，用滑鼠點選某一城市即可看見其跨年的自殺死亡率與相關人口數據。這樣「地理資訊系統」的創新應用，可以了解哪些群體自殺風險更大，我們能夠更好地確定需求，並將我們的努力更適合特定群體。

※Suicide Data Dashboard:www.ochealthinfo.com/services-programs/mental-health-crisis-recovery/wellness-promotion-prevention/suicide-prevention-3

英國的GIS應用範例

       如下列四張GIS地圖所示，英國和愛爾蘭共和國在自殺死亡率、非致命自我傷害率和地區貧窮率(「多重剝奪指數(IMD)」)方面呈現地理性的明顯差異。蘇格蘭的自殺死亡率最高(每10萬人口15.3人)，緊隨其後的是北愛爾蘭(每10萬人口15.2人)和威爾斯(每10萬人口13.5人)，所有這些都遠高於英國平均值(每10萬人口11.6人)；英格蘭的「自殺死亡率」最低(每10萬人口10.4人)，且大大低於全國平均水準。然而，每個地方當局層級的「自殺死亡率」也存在相當大的差異，例如城市地區和北部地方行政區的「自殺死亡率」高於農村地區，儘管有一些例外，如西南的康沃爾郡和德文郡等沿海地區。地方行政區之間在「自我傷害率」(*因故意自殘而緊急入院，直接對所有人口進行年齡性別標準化)和地區層級「剝奪」(*透過「多重剝奪指數」衡量)方面也存在類似的「地理」差異。總之，在IMD指數較大的地區，其自殺行為的發生率較高。此研究結論建議，由於「自殺行為」存在「社會空間梯度」(Socio-spatial gradient)，每個地方層級都應制定自殺預防策略和行動計劃，尤其貧困地區更應該透過「比例普遍主義」(Proportionate universalism)方法獲得額外的支援，以減少自殺中的「地理」不平等(Bambra & Cairns, 2017)。

日本的GIS應用範例

      日本和全球的自殺率，都存在顯著的「地理」差異。先前研究發現，鄉村/城市塑造了「自殺死亡率」的區域內差異，與鄉村相關的自殺風險可能因性別和年齡而有顯著差異。近期，一項日本「實徵研究」進一步探討2009年至2017年間日本1887個市鎮按性別和年齡組劃分的「自殺死亡率」之「空間模式」和城鄉差異性。其結果如下列兩張GIS地圖所示，各年齡層男性自殺高風險地區集中在本州北部(*東北地區)、九州南部、四國南部、部分面向日本海的沿海地區、以及北海道的一些地區。在三個大都會區(東京、大阪、名古屋)所有年齡層男性的自殺風險似乎都較低；各年齡層女性自殺風險較高的市鎮集中在東北地區、九州南部和北海道東部。與男性相比，所有年齡層女性自殺風險較高的城市似乎都集中在大都會區(東京、大阪、名古屋)。另外，依據多變量分析結果顯示，對於0-39歲和40-59歲的男性來說，鄉村居民的自殺風險往往高於城市居民。 但60歲以上的男性，並沒有觀察到明顯的城鄉自殺風險梯度。對於0-39歲的女性來說，自殺風險與鄉村之間也沒有觀察到顯著的關聯，而對於40-59歲的女性和60歲或以上的女性來說，這種關聯呈現U形曲線。此綜合研究結果表明，日本自殺死亡率的地理分佈和城鄉差異因性別和年齡而有很大差異性。並提出建議，在市政當局為預防自殺分配資源時，考慮「人口因素」很重要(Yoshioka et al., 2021)。

       在眾多可能誘發自殺的社會因素中，「社區特徵」對於預防自殺是非常重要的，因為它會提高或抑制自殺率。例如，四國德島縣海部町(*位置如下圖所示)是日本自殺率較低的地區，而另一個同一縣的P村(*代號)則是自殺率高的地區。這兩地的人口規模幾乎相同，但1973年至2002年30年間的平均標準化「自殺死亡率」卻有巨大差距。兩者之間在健康和經濟狀況方面沒有顯著差異，也沒有直接關係來解釋自殺率的差距。 然而，在居民們的「氣質」中可觀察到並記錄了許多差異，包括他們的排他性、自我效能和尋求幫助的行為。但這兩者最大差異之一是「地形」，因為海部町是一個面向太平洋的小鎮，社區人口稠密，可以方便前往診所、學校、商店和其他日常生活所需的社會資源。而P村位於高海拔，相當荒涼，在陡峭的山區中散佈著小型定居點。從「地理」上來說，P村的日常生活存在著很大障礙(Oka, Fujita & Yamauchi, 2012)。接續，Oka等學者(2015)根據1972~2002年全國3318個城市「自殺死亡率」，採用相關分析、多元迴歸分析和「廣義加成模型」(GAM)來尋找地形、氣候變項與自殺率之間的關係，結果顯示日本自殺率低和高的地區之間最大的差異之一在於「地形特徵」(Topographic characteristics)。具體來說，自殺率較低的地區在沿海和平地更為常見，其特點是社區密度高且氣候溫和。另一方面，自殺率高的地區在位於斜坡和山區的城市中更為常見，其特徵是社區人口稀少、氣溫較低、冬季降雪較多。再者，自然環境的嚴峻性可能會影響居民的氣質，使他們能夠表現出極大的耐心和自我控制力(self-control)，以至於不太可能尋求幫助。因此，重要的是要進一步關注「地形特徵」透過當地人的氣質影響自殺率的過程。研究者亦透過「地理資訊系統」(GIS)在和歌山縣地圖上可視化「地理特徵」(Geographic characteristics)與自殺率之間的地緣性。此創新作法應有助於促進對問題的理解，並在負責自殺預防的各方之間共享資訊(轉引自Oka et al., 2015)。

南韓的GIS應用範例

      在分析與「自殺」有關因素時，除了「個人」因素外，有必要考慮其居住地區的「地理特徵」(Geographic features)。2023年南韓一項最新研究，就是運用「地理資訊系統」(GIS)分析2009年至2019年所有行政區域自殺率與「地理特徵」之間的「時空模式」(Spatiotemporal patterns)。其使用每十萬人口年齡標準化死亡率數據，並透過新興的「熱點分析」(Hotspot analysis)方式進行三維分析，以同時評估時間和空間群聚。結果如下圖所示，確定了4種模式(新點、持續點、零星點和振盪點)。在228個(229個)區域中，發現27個熱點區域(11.8%)：2個(0.9%)新熱點、1個(0.4%)持續熱點、23個(10.0%)零星熱點和1個(0.4%)振盪熱點，以及60個冷點區域(26.2%)。這項研究發現，南韓自殺率的「時空模式」有地理差異。因此，研究者建議國家自殺防治資源應有選擇地、密集地優先利用在表現出獨特「時空模式」的三個區域。例如，大邱東區和北區這兩個新熱點地區在調查期間的最近時間間隔之前沒有出現，而是在2019年(最後一次調查期)出現新熱點的地區。此外，在調查的11年期間，忠清南道西部的洪城郡這一直持續存在的熱點地區的自殺率始終高於週邊地區。根據這些結果，需要了解這些地區自殺的特定「危險因子」並採取不同的預防策略(Lee et al., 2023)。

臺灣的GIS應用範例

       為有效防止九二一震災生活重建區民眾自殺行為發生，台中縣衛生局於八十九年五月開始實施「全縣自殺防治通報網」，並透過定期召開「自殺防治聯繫會議」，有效發揮通報網之最大功效。九十一年底，更首耗巨資成立全國最早「自殺防治上網通報系統」，在消防局119勤務指揮中心、各醫院急診室與其他警政、社政、教育等機構間建立起一道綿密通報網，且進一步結合各衛生所護士與心理衛生中心心理輔導員之團隊力量，在第一時間介入自殺事件之關懷與輔導。至九十三年度，其具體成果與努力方向中有兩個亮點：(1)選定標的鄉鎮地區，實施重點自殺「次級預防」之系列方案，並與台中縣生命線合作成立24小時自殺危機專線服務，以早期介入自殺高危險群民眾之心理衛生服務，提昇社區或校園自殺防治之知能與個人心理因應能力，有效減低「標的地區」之自殺死亡事件發生比率。(2)成立「社區危機處置小組」，有效統籌社區民眾(揚言自殺、精神病患抗拒就醫等)或工商、學校等個人或團體危機事件(傷亡人數15人以下)之辨識、評估、管理、輔導與轉介等工作，以立即阻遏危機事件對個人或團體所造成之負面影響與發展，使能儘速回復到事件發生前的穩定與平衡狀態(林美惠，2004)。

       周才忠(2005)曾以「城鄉差異」觀點，運用社會指標分析、關鍵訊息提供者與社區居民的調查等「多層次」方法，評估臺灣鄉村型社區心理衛生中心之服務需求。其中研究一個部分，針對臺灣23個縣市的2000年至2004年間每十萬人口自殺死亡人數進行社會指標分析，並以「集群分析」和「地理資訊系統」(GIS)圖示呈現，其結果發現高度、中度、低度農業人口三群縣市相關平均值上並無顯著不同，高度農業人口縣市之平均數雖有較高，但統計上沒有城鄉差異之意涵。此外，亦比較雲林縣20個鄉鎮市在1997年至2003年間的每十萬人口自殺死亡人數，其結果仍顯示高度與低度農業人口二群鄉鎮市在自殺死亡率之平均值上並無差異存在。然而，國外卻有比較明確的結果出來，例如Taylor等(2005)在回顧多個國家的相關研究後，發現希臘、芬蘭與英國的「鄉村」有較高的自殺率，而且澳洲與美國的「鄉村」男性自殺比例較都市男性為高。Taylor等人並引用Baume和Clinton(1997)的文獻指出，「鄉村」男性有高自殺率的主要原因來自於鄉村生活的隔絕與艱苦、經濟困境、容易接觸到槍枝、欠缺工作機會、鄉村男子氣概文化盛行、缺乏心理衛生相關機構等。這份碩士論文相關自殺死亡率的指標分析尚未細分至不同性別或年齡層，但從國外的相關經驗，可以瞭解到在「鄉村」自殺問題中，「性別」是一項重要的影響因素，此可供未來進一步研究之參考。

「脈絡主義」的統計方法與範例(III)─社會網絡分析

    「社會網絡」(Social network)理論與其他『社會科學』理論不同，因為它關注「行為者」(actors)之間的社會「脈絡」和「關係」行為，而不是個別「行為者」做出的理性選擇，正如在『經濟學』、『社會科學』和『決策科學』等學科中看到的那樣。傳統『社會科學』並不認為「關係」的這些社會面向的存在是資料。即使是『組織社會學』，人們可能認為它是一個更以「社會」為導向的領域，也忽視了「社會紐帶」(Social ties)，並主要研究對象在於群體的「個人」特徵(Kilduff & Tsai, 2003)(轉引自Fredericks & Durland, 2005)。

      自1930年代以來，「社會網絡分析」(Social network analysis, SNA)的應用，受到了三種主要且平行的影響。首先是「社會計量分析」(Sociometric analysis)，它運用了「圖論」(Graph theory)方法。其次是『數學』方法，最初由被譽稱為「社會心理學之父」的德國猶太裔美國心理學家-庫爾特·勒溫提出，後來被哈佛大學的研究人員採用，這種方法為「社會網絡分析」奠定了基礎。哈佛大學的分析引入了「小圈子」(Clique)的概念，使社會結構得以操作化。網路分析不再只是描述性的。第三種影響來自英國「曼徹斯特學派」的『人類學』家，他們研究了村莊「社區關係」的結構。在1960年代和1970年代，所有這些傳統在哈佛大學再次匯聚，當代SNA應運而生(Kilduff & Tsai, 2003)(轉引自Fredericks & Durland, 2005)。

       目前，「網絡分析」已被應用於眾多學科，包括『人類學』(Wolfe, 1979)、「商業與組織研究」(Borgatti & Foster, 2003)、『物理學』(Barabási, 2012)、『公共衛生』和『流行病學』(Luke & Harris, 2007)、『社會學』(Marin & Wellman, 2011)以及「城市研究」(Neal, 2013)(轉引自Neal & Neal, 2017)。

       而「網絡分析」在『社區科學』的應用源自於「社會支持」(Social support)研究。「社會支持」被認為對各種重要的「個人」特質和行為有正面影響，包括因應方式、喪親之痛、自殺以及整體身心健康(Cohen, Underwood & Gottlieb, 2000)。在早期，「社會支持」的衡量方式往往是簡單地要求個人評估他們從他人那裡所獲得的支持量。隨著『社區科學』家區分了「感知社會支持」(Perceived social support)與「社會支持」的關係或結構層面，「網絡分析」方法對「社會支持」的研究變得相當有吸引力。也就是說，研究者開始「超越個體」(Felton & Shinn, 1992)，認識到「社會支持」不僅僅是一種心理特徵，更是融入朋友、家人和其他支持提供者組成的「社會網絡」(Social network)的結果(轉引自Luke, 2005)。

       「社會網絡分析」(SNA)是一套用於系統研究社會結構的廣泛方法(Degenne & Forse, 2004)。網路工具是基於「關係」資料的分析─關於一組「行為者」(無論是個人、機構等)之間聯繫的資訊。這使得「網絡分析」有別於其他許多通常收集和分析「屬性數據」(Attribute data)的『社區科學』。「關係」幾乎可以是關於「行為者」之間聯繫的任何類型的信息—友誼、識別、貨幣交換、親屬關係、資訊交換和尊重。「關係」可以定義得非常具體，例如在吸毒者網絡中共用針頭(轉引自Luke, 2005)。

        一些研究開始讓參與者辨識他們自己的支持網絡。這使得研究人員能夠確定支持網絡的規模，區分支持來源，甚至獲得一些非常簡單的網絡結構測量。例如，在一項關於「社會支持」滿意度的創新研究中，Stokes(1983)讓每位參與者識別最多20位對他們的生活很重要且每月都會聯繫的人。在確定網絡成員後，每位參與者將他們清單中的每一對在彼此生活中重要的人畫線連接起來。這使得Stokes不僅可以觀察支持來源和對支持的滿意度，還可以計算網絡的規模和密度指標。「密度」是指網絡中觀察到的連結關係(ties)(在社會網絡中節點之間的連結或關係)佔所有可能連結關係的比例。這種類型的網絡被稱為「自我中心網絡」(Ego-centric networks)，因為它完全由單一成員的視角決定(轉引自Luke, 2005)。

       為了瞭解「自我中心網絡」的侷限性，可參考下圖上方所示。如果你問阿林娜她的朋友是誰，然後問她的朋友之間是否是朋友，你就能得到這樣的網絡類型。然而，這個「自我中心網絡」可能並不代表任何真實、完整的友誼網絡。如果你觀察孩子的行為，或與所有孩子交談，你可能會發現需要在網絡中再增加兩個成員(如下圖下方所示)。貝卡和鮑比不是阿林娜的直接朋友，但他們是阿林娜朋友的朋友。「完整網絡」(Complete networks)的特徵可能與「自我中心網絡」相似，也可能不同。具體而言，「自我中心網絡」只檢視直接關係。例如，你無法僅使用「自我中心網絡」來檢視阿林娜可能從鮑比和貝卡那裡獲得的間接友誼支持(轉引自Luke, 2005)。

      「自我中心網絡」的限制是美國社會學家-艾倫·巴頓所言「絞肉機調查法」的另一個例證。如果「社會網絡」之所以重要是因為它能夠影響人們，那麼我們就需要觀察和分析並非從單一成員的角度來定義的「完整網絡」。此外，大多數強大的網絡分析技術也僅適用於「完整網絡」。因此，『社區科學』家已經開始認識到超越「自我中心網絡」來檢視「完整網絡」的實用性，尤其是在組織關係和行為研究中。在一個早期的經典範例中，Tausig(1987)將網絡方法作為評估工具，用於評估紐約某郡的社區心理健康服務系統。透過分析所有45個心理衛生服務機構之間是否存在互動，Tausig能夠識別出服務系統中不同類型的“裂隙”(cracks)，包括「缺失連結」(missing links)和「衝突連結」(conflicted links)。後來，Pennie Foster-Fishman、Deborah Salem及其同事們在一系列「組織研究」中運用了網絡方法(Foster-Fishman, Salem, Allen, & Fahrbach, 1999/2001; Salem, Foster-Fishman, & Goodkind, 2002)。他們在一個將網絡工具應用於「完整網絡」的優秀案例中，檢視了同一郡內兩個組織間聯盟內部及之間的「交換關係」。透過收集「完整組織間網絡」的數據，研究者們能夠確定這兩個聯盟的組織「成員資格」(membership)與更廣泛的「交換關係」相關(轉引自Luke, 2005)。

        更詳細的網絡範例，是來自一項針對2002年至2004年間進行的10個州綜合性「菸害防制」方案的評估研究(Krauss, Mueller, & Luke, 2004)。在進行評估時，研究者採用了「系統」視角(Best et al., 2003)，將此州級「菸害防制」方案視為由一個領頭機構指導的一項活動，而非一系列由「菸害防制」機構和組織組成有組織性的網絡協調且相互關聯的活動。收集「網絡分析」數據旨在幫助研究者了解這些複雜的州級「菸害防制」方案的結構，識別與方案結構相關的其他州特徵，並確定方案資金和政治支持的變化是否與方案結構的變化相關。上圖展示了2002年印第安納州和奧克拉荷馬州的「聯繫網絡」。每個節點代表該州的一個核心「菸害防制」組織。例如，在印第安納州，AHA代表美國心臟學會，DOH代表印第安納州衛生部，ITPC代表印第安納州菸害預防與戒菸組織，即該州方案的領頭機構。如果兩個組織聯繫頻繁(定義為每月至少透過會議、電話或電子郵件聯繫一次)，則用一條線連接這兩個組織(轉引自Luke, 2005)。

       從這些網絡中可以明顯看出，各個機構在「溝通結構」(Communication structure)中的「中心」程度各不相同。例如，印第安納州男孩女孩俱樂部每月僅與該州其他三個團體聯繫，而ITPC每月與「菸害防制」網絡的每個成員接觸。因此，ITPC在網絡中處於更核心的地位，可以解讀為「守門人」(Gatekeeper)，或對“資訊流”有更大的控制權。這種中心性使用「弗里曼介數指數」(Freeman’s betweenness index)(Wasserman & Faust, 1994)來衡量；並在這些圖表中以顏色編碼表示。「介數中心性」(Betweenness centrality)最高的節點為黑色(轉引自Luke, 2005)。

      「弗里曼行為者介數指數」的定義如下：對於任何單一行為者i，該「行為者中心性」(actor centrality)是指行為者i包含在行為者j和k的「測地線」(geodesics)中的次數比例，該「測地線」是所有「j,k對」的總和。「測地線」是任兩個行為者之間的最短網絡路徑。因此，「介數中心性」衡量單一行為者i參與網路中其他「行為者對」(pairs of actors)之間交流的頻率。「介數中心性」的範圍是0到1。單一「行為者介數分數」可以合併成一個總體「網絡中心化指數」(Network centralization index)。「網絡中心化」的範圍可以從0(當所有成員具有相同的介數分數時)到1(或100%)(當一個成員具有最大介數，而所有其他成員都沒有介數)。高「網絡中心化」分數表示層級化的「溝通結構」，而低「網絡中心化」分數表示扁平化的「溝通結構」(Luke, 2005)。

       如上圖所示，研究者們利用這些「中心性」資訊來評估各州財政和政治氛圍對州級「菸害防制」網絡結構的影響程度。正向氛圍的州是指人均「菸害防制」支出較高、香菸稅率較高、州內菸害防制「擁護者」(champions)眾多、州長和議員積極支持、菸草業影響力較低的州。據該研究顯示，印第安納州和奧克拉荷馬州的網絡，其氛圍是截然不同的。2002年，印第安納州的「菸害防制」氛圍非常具支持性的，而奧克拉荷馬州則面臨嚴峻挑戰。研究者在評估的各州中觀察到的模式是，具有強烈正向氛圍的州往往擁有相對層級的「溝通網絡」，而領頭機構始終是網絡中最核心的行為者。印第安納州的網絡就是一個很好的例子。ITPC是最中心的節點，其整體網絡集中度指數為22.7%，顯示其層級結構較為中等。另一方面，氛圍較緊張的州則呈現不同的模式。「溝通結構」較為扁平，領頭機構並非總是最核心的成員。奧克拉荷馬州的情況證明了這一點—TUPS是領頭機構，但另外兩個機構(拉丁裔機構和美國癌症學會)也高度集中。此外，奧克拉荷馬州的中心度指數僅為6.6%，顯示「溝通結構」較為扁平(Luke, 2005)。

      上列圖表顯示了所有10個州的「財政和政治氛圍」與「溝通中心性分數」之間的關係；隨著氛圍的改善，中心性分數會更高，顯示溝通更加集中。研究者將這項發現解讀為州級網絡正在適應其環境。在經濟繁榮時期，領頭機構在指導活動和分配經費方面發揮核心作用。在經濟不景氣時期，流入方案的經費減少，其他非領頭機構就會挺身而出，更積極參與其中(Luke, 2005)。

      「網絡分析」是唯一能夠提供此類結構資訊的工具。從「政策」角度來看，這些資訊至關重要，因為它可以幫助我們瞭解如何在充滿挑戰的環境下最有效地維持重要的健康和社會方案。儘管「網絡分析」需要一種截然不同的「非調查」方法收集和分析資料，但它對『社區科學』家而言，是「脈絡」工具箱中非常有用的組成部分(Luke, 2005)。

「脈絡主義」的統計方法與範例(IV)─集群分析 

      『社區科學』家最常用的大部分統計方法(例如相關、迴歸、因素分析等)都是藉由告訴我們「變項」之間的關聯性來發揮作用的。然而，也有一類分析工具是透過告訴我們「案例」之間的關聯性來發揮作用的。這些方法包括「集群分析」(Cluster analysis)、「多維尺度分析」(Multidimensional scaling)、「網絡分析」以及「資料探勘」(Data mining)的各個面向(Luke, 2005)。

       1993年，Rapkin和Luke提出，『社區心理學』家應該對「集群分析」(CA)感興趣，因為它可以揭示資料中的多樣性和異質性(Rapkin & Luke, 1993)。此後，『社區科學』家偶爾會使用「集群分析」；例如，2002年至2003年期間，《美國社區心理學期刊》(AJCP)中的三篇實徵性論文就使用了「集群分析」(Fleishman et al., 2003; Salem et al., 2002; Zapert, Snow & Tebes, 2002)。「集群分析」的統計原理是根據「案例」(通常是“人”)在任意數量變項上的相似性和差異性進行分組。「集群分析」是一種探索性技術，可用於揭示未知的異質性。這與傳統的建模方法截然不同，在傳統的建模中，異質性是透過使用共變數來控制或調整這些個體差異來處理的。以這種方式控制異質性有兩個問題。首先，控制異質性意味著個體差異不具有『科學』意義。事實上，「數據異質性」可能是研究中最有趣的部分。其次，這種方法有時會導致一種方法論上的懶惰，即某些共變數(例如年齡、社經地位、種族、性別)總是被納入模型中，因為過去的研究一直包含這些共變數。控制異質性是一種將資料去“脈絡化”的方法。透過消除重要的個體差異，我們再次採用了巴頓的「絞肉機」方法(轉引自Luke, 2005)。

       或許不太明確的是，「集群分析」可以成為揭示和描述「脈絡」模式的有效工具。透過根據「相似性」模式將案例分組，「集群分析」能夠用來揭示自然發生的群組(groupings)、社會結構或社會類型。「網絡分析」和「地理資訊系統」(GIS)方法通常用於「脈絡」已定義的情況(例如，教室或鄰里)，而「集群分析」則可用於發現新的「社會脈絡」範例(Luke, 2005)。

       一個值得注意的例子是，Kuhn和Culhane(1998)對美國紐約和費城單身成年人使用公共庇護所情況的行政數據進行了「集群分析」。他們根據庇護所的使用模式，明確地識別出三種類型的無家者(街友)。「過渡型無家者」是指曾經進入庇護所系統並只停留很短時間的人。「偶發型無家者」是指經常進出庇護所系統的人。最後，「長期型無家者」使用庇護所系統的頻率較低，但停留時間較長。這些發現不僅打破了人們對無家者的刻板印象(「過渡型無家者」佔庇護所使用人數的80%，而「長期型無家者」僅佔10%)，而且影響了聯邦政府層面的後續社會政策(Trutko & Barnow, 2003)。Kuhn和Culhane提出的新的「無家者類型學」(Typology of homelessness)是對無家者「脈絡」的有效描述，有助於我們理解貧窮、住房和社會服務之間的相互作用(轉引自Luke, 2005)。

      另一個來自《美國社區心理學期刊》(AJCP)的案例，展示了「集群分析」的優勢。在一項關於青少年「物質使用」(Substance use)的縱貫性研究中，Zapert、Snow和Tebes(2002)使用「集群分析」，根據青少年從6年級到10年級生的「藥物使用」(Drug use)模式識別出不同的亞群。他們識別出了六個不同的「物質使用者」集群。如下圖所示，這些集群反映了青少年「物質使用」的複雜性，在不同時間和不同類型的物質之間呈現不同的模式。這些模式可能代表不同類別的「藥物使用」模式。因此，它們代表了可能對社區實務和政策產生影響的「脈絡」資訊。特別是，根據這些數據，介入措施可以更有針對性地在高風險青少年發展軌蹟的正確時間點被採取(轉引自Luke, 2005)。

        這類圖表使用了「小倍數」(Small multiples)(Tufte, 1983)技術，以便於解釋跨集群、時間和物質的模式。根據Luke(2005)的經驗，『社區科學』家和『社會科學』家傾向於僅使用圖表來報告統計結果，例如迴歸線或變異數分析交互作用的線圖。這導致圖表基於少量數據點，或者用Tufte的術語來說，基於較低的「數據墨水比」(Data-ink ratio)。圖表的力量在於它們能夠揭示數據的複雜性。上圖是一個中等複雜的圖表，有三個維度(即集群、年級和物質)，基於72個數據點。更重要的是，與僅僅列出數字的數據表相比，讀者使用這種圖表更容易看到和理解數據中令人興奮的「結構」。

邁向『社區科學』方法論的跨學科一致性

      「跨學科一致性」(Consilience)被定義為「衡量一個理論解釋程度的指標，以便我們可以用它來判斷一個理論何時比另一個理論解釋了更多證據」(Thagard, 1988)。因此，「跨學科一致性」是一個「知識論」(Epistemology)的『科學哲學』構念，可以用來判斷『科學』理論的充分性。我們可以將此概念擴展至檢視『科學』方法解釋資料的充分性。也就是說，「方法論一致性」(Methodological consilience)衡量的是分析方法的解釋程度(轉引自Luke, 2005)。

       『統計學』家通常將統計模型視為描述「資料集」變異性的一種手段：

資料數據 = 建模的變異性 + 未建模的變異性

       從這個角度來看，當「建模的變異性」(Modeled variability)相對於「未建模的變異性」較大時，此統計模型就是成功的。然而，Tukey提出了不同的建模思路(Hoaglin, Mosteller, & Tukey, 1983)(轉引自Luke, 2005)：

資料數據 = 平滑 + 粗糙

      「建模」的目的是探索資料數據中有趣的結構和模式(即平滑)。此外，建模的過程更具「迭代性」(Iteratively)—一次分析中被認為「粗糙」(rough)的部分，可能成為另一次分析的主題，從而揭示隱藏在「粗糙」資料數據中先前未被探究的模式(轉引自Luke, 2005)。

       透過採用Tukey的建模方法，我們可以更清楚地看到「方法論一致性」對於『社區科學』的相關性。儘管『環境心理學』的創始人-羅傑·巴克(1968)沒有使用相同的術語，但他清楚地認識到，作為『社區科學』家，我們想要理解的「行為」資料數據中「平滑」(smooth)的部分，很大程度上是由「個體」外的情境、過程和結構所解釋的(轉引自Luke, 2005)。

       藉由使用更廣泛的統計技術，例如「集群分析」、「多層次模式」、「地理資訊系統」(GIS)、「社會網絡分析」等，分析人員更有可能探索和理解『社區科學』家感興趣的複雜資料數據模式。如果「脈絡」是『社區科學』的核心價值，那麼我們的方法將在允許分析「脈絡」效應的範圍內更具「跨學科一致性」(Luke, 2005)。

       美國伊利諾大學香檳分校名譽教授-朱利安·拉普帕波特曾經是聖路易斯華盛頓大學『公共衛生系統科學』特聘教授-道格拉斯·盧克在研究所時的指導教授，盧克記得在研究室裡有一次談話，拉普帕波特告訴他，一位優秀的『社區科學』家需要三樣東西：一個感興趣的現象、一個理論和一套研究方法。就盧克所知，拉普帕波特當時的目的是委婉地提醒一位對「量化」分析越來越感興趣的年輕研究生，『社區心理學』的核心始終是關乎現實的事物。換句話說，『社區科學』始於感興趣的現象，或者說是『科學』家想要研究和改變的社會問題。多年來盧克一直銘記拉普帕波特的教誨，而現在他想提出一個推論—為了使我們的工作有意義並帶來真正的改變，我們需要確保使用符合我們價值觀的工具，並且能夠捕捉社區「脈絡」的全貌(Luke, 2005)。



🔍參考文獻：



👉延伸閱讀



at
Labels: , , , , , , , , , , , , , ,

沒有留言:

張貼留言

訂閱： 張貼留言 (Atom)