資料介紹

網路使用狀況 網路使用動機 網路使用經驗
性別 instru1:instru2 新方法 tm1:tm5 干擾作息
使用網路的年數 recrea1:recrea2 娛樂 w1:w5 離網焦慮
學術性 social1:social3 社交 t1:t4 時間占比
非學術 anonym1:anonym3 匿名 ih1:ih7 生活(人際、身體)影響
每週上網的時間 self1:self3 意見交流 c1:c5 成癮
平均成績 survel1:survel2 流行
生活經驗 學習態度 生活態度與生活環境
parent1:parent10 家庭失和 as1:as16 盡力 orient1:orient5 方向(1-3,4-5)
learn1:learn13 學習問題 an1:an16 焦慮(-) time1:time4 其他占時
opposite1:opposite4 異性交往 ac1:ac16 喜歡學習與挑戰 livqua1:livqua4 居住環境(+同儕）
peer1:peer10 同儕交流 le1:le16 展現
. . id1:id16 對老師的看法

資料前處理

# read $ bind data
dta1 <- read.spss("data/data1.sav", to.data.frame = TRUE, reencode = 'big-5') %>%
  filter(gender != 0) %>% mutate(time = "1st")
dta2 <- read.spss("data/data2.sav", to.data.frame = TRUE, reencode = 'big-5') %>% 
  mutate(time = "2nd")
dta <- rbind(dta1, dta2)
# label encoding
cols <- names(dta)[15:185]
dta[cols] <- lapply(dta[cols], function(x)  as.integer(factor(x, levels = levels(x), labels = c(1:length(levels(x))))))
# deal with missing values
dta <- dta[-c(474),]
dta[,2:185] <- dta[,2:185] %>% mutate_all(zoo::na.aggregate)
# rename factor labels
dta <- dta %>% 
  mutate(gender = factor(gender, 
                         levels = c("女","男"), 
                         labels = c("Women", "Men")),
         achieve = factor(achieve, 
                          levels = c("60分以下", "60-65分", "66-70分" , "71-75分",  
                                     "76-80分" , "81-85分", " 86-90分", "90分以上"), 
                          labels = c("60under" , "60-65"  ,  "66-70"  , "71-75",  
                                     "76-80"   ,  "81-85" ,  "86-90"  , "90above")),
         acadeRatio = academic/(academic + nonacade))
# deal with missing values
dta[220,]$acadeRatio <- 0
dta[!complete.cases(dta), ]

看一下每個人的填答狀況

刪掉亂填

del <- which(dta$email == 70)
dta <- dta %>% slice(-(del))

同組題目合併

long <- dta %>%
  select(instru1:livqua4) %>%
  mutate_all(as.integer) %>%
  # 反向題
  mutate_at(c("orient1","orient2","orient3",
              paste0(rep("an",16), 1:16)),.funs = funs(6 - .)) %>%
  mutate(ind = 1:dim(.)[1]) %>%
  gather(Q, rank, instru1:livqua4) %>%
  mutate(group = gsub("[^a-z]", "", Q))
grouped_dta <- long %>%
  group_by(ind, group) %>%
  summarize(score = sum(rank)) %>%
  spread(group, score) %>%
  bind_cols(nethour = dta$nethour,
            level = dta$level,
            acadeLevel = dta$acadeLevel,
            acadeRatio = dta$acadeRatio,
            gender = dta$gender,
            achieve = dta$achieve_s,
            score = dta$score)
並不是上網時間多就是網路成癮。成癮的標準是「無法控制、功能失常」，如果他功能正常、可以控制，頂多是重度使用者。以下透過網路使用經驗題組的題目得分來區分成癮者與重度使用者。

ps.「無法控制、功能失常」是指身心表現已經失去正常，沒辦法好好上課、好好工作：睡不好睡、吃不好吃，沒辦法正常運作，這樣才能稱為「成癮」，不然他照常上班、讀書，雖然重度使用多少影響生活，可能比較累、眼睛不好等，但仍不到病態的成癮。

區分成癮者與重度使用者

tmp <- grouped_dta %>% 
  select(ind, nethour, tm, w, t, ih, c) %>% 
  mutate(expSum = sum(tm, w, t, ih, c),
         addiG = ifelse(expSum >= 80, "addition", ifelse(nethour >= 40, "heavy", "normal")))
ggplot(aes(nethour, expSum, color = addiG), data = tmp) +
  geom_point(position = pd, size = rel(1)) + 
  labs(x = "hours per week", y = "sum score", 
       title = "網路使用經驗總分與每週上網時數的關係") +
  theme_ipsum(base_family = "Bubble") +
  theme(legend.position = c(.95,.95),
        axis.text.x = element_text(angle = 45, hjust = 1),
        text=element_text(family="Bubble"))

成癮總得分偏高的人網路使用時數大部分落在40小時以下，40小時以上的人他的成癮總得分反而沒有很高。
如何切分：
根據台師大輔道網頁所述，如果每周上網時間超過 40 小時，很可能就具有網路沉迷的先兆。引此曲40小時作為切分點
網路使用經驗題組的總題數26題，四點量表，取平均3作為切點，大於80分者歸類於成癮，低於80分而使用時數大於40小時的人歸類於重度使用者，其他作為一般人的參照

重度使用者和網路成癮者的差別在於造成問題行為背後的「心理危險因子」，包括社交焦慮、憂鬱、無聊感、低自尊、神經質、課業或工作壓力、家庭關係不佳、人際困擾、敵意與衝動控制不良等，這些不同心理危險因子的組合，造成每個人成癮的原因。

成癮與社交焦慮的關係

先來看看成癮與社交焦慮的關係
使用題組：
opposite1:opposite4|異性交往
peer1:peer10       |同儕交流 
dta %>% 
  select(opposit1:peer10) %>% 
  mutate(group = tmp$addiG) %>% 
  gather(Q, rank, -group) %>% 
  group_by(group, Q) %>%
  summarize(mean = mean(rank),
            se = sd(rank)/sqrt(n())) %>%
  ggplot(data = ., aes(reorder(Q, mean), mean, color = group)) +
    geom_errorbar(aes(ymin = mean - se,
                      ymax = mean + se),
                  width = .2, size = .3, position = pd) +
    geom_point(position = pd, size = rel(3)) +
    scale_shape(guide = guide_legend(title = NULL)) +
    labs(x = "", title = "社交焦慮") +
    theme_ipsum(base_family="Bubble") +
    theme(legend.position = c(.9, .2),
          axis.text.x = element_text(angle = 45, hjust = 1))

平均來說，addition組都比另外兩組有更高的焦慮得分。

得分相近：
peer4:在同學中找不到可以作價值性談論的知己朋友。
此題三個組別的平均有比較小的差距，看來大家或多或少都有一些知己

得分差距大：
peer1:我不知如何與人相處。
peer2:我與同學在一起感到不自在。 
peer3:我不知如何在人群中表逹自己。
peer7:我與同學在觀念上，意見無法溝通。
opposit1:我不知如何與異性相處。
opposit4:在求學期間不想談戀愛，但又擔心畢業後沒機會。
這幾題得分差比較多，addition組比起其他更害怕社交，也容易覺得自己與其他人不合，從opposit4這題矛盾題看來，他們期待可以有交往經驗但有太多阻力以及跳脫舒適圈的不安全感讓他們退縮，覺得沒有什麼社交相處機會，也不知道該如何與異性相處，

令人意外的是，heavy組看起來比normal組更不容易有社交焦慮的傾向

成癮與網路使用動機的關係

人都有與其他人互動的需求，因此猜測在現實生活感到社交焦慮者更傾向在網路上與他人交流
來看看成癮與網路使用動機的關係
使用題組：
social1:social3    |社交 
anonym1:anonym3    |匿名 
self1:self3        |意見交流 
dta %>% 
  select(social1:self3) %>% 
  mutate(group = tmp$addiG) %>% 
  gather(Q, rank, -group) %>% 
  group_by(group, Q) %>%
  summarize(mean = mean(rank),
            se = sd(rank)/sqrt(n())) %>%
  ggplot(data = ., aes(reorder(Q, mean), mean, color = group)) +
    geom_errorbar(aes(ymin = mean - se,
                      ymax = mean + se),
                  width = .2, size = .3, position = pd) +
    geom_point(position = pd, size = rel(3)) +
    scale_shape(guide = guide_legend(title = NULL)) +
    labs(x = "", title = "網路使用動機：互動篇") +
    theme_ipsum(base_family="Bubble") +
    theme(legend.position = c(.9, .2),
          axis.text.x = element_text(angle = 45, hjust = 1))

與社交焦慮那張圖表相比，網路使用動機比較沒有這麼大的差距，不過addition組依然比其他組有更高的得分
得分差距大：
anonym3:可以將平時自己隱藏的另一面表現出來。
由於網路的匿名性，addition組更傾向在網路上展現「真實的」自己，不用受到真實世界許多外在因素的影響

得分相近：
social1:結交新朋友。
social2:與友人接觸、保持連絡。

social1成癮組與重度使用組的得分皆高，用於區分成癮與否比較困難
social2三組得分相近，可能代表著網路時代來臨，社交方式逐漸改變，而與成癮與否較無關

家庭關係與成癮的關係

來看看下一個心理危險因子：家庭關係不佳
在許多評論中，家庭關係與孩子的網路成癮有的密切的關係，不過文章中主軸都是中學、小學生的成癮問題，大學生有滿大的比例都會離家求學，家庭的影響程度可能降低，來看看家庭關係是否也與成癮有關係
使用題組：
parent1:parent10   |家庭失和
dta %>% select(contains("parent")) %>% 
  mutate(group = tmp$addiG) %>% 
  gather(Q, rank, -group) %>% 
  group_by(group, Q) %>%
  summarize(mean = mean(rank),
            se = sd(rank)/sqrt(n())) %>%
  ggplot(data = ., aes(reorder(Q, mean), mean, color = group)) +
    geom_errorbar(aes(ymin = mean - se,
                      ymax = mean + se),
                  width = .2, size = .3, position = pd) +
    geom_point(position = pd, size = rel(3)) +
    scale_shape(guide = guide_legend(title = NULL)) +
    labs(x = "", title = "生活經驗：家庭失和") +
    theme_ipsum(base_family="Bubble") +
    theme(legend.position = c(.1, .8),
          axis.text.x = element_text(angle = 45, hjust = 1))

得分相近
parent7:父母之間吵架。  
此題三組得分接近，addition組甚至平均更低一點點。
除此之外其他題成癮組得分都比其他兩組有更高得分，代表成癮組更傾向認為自己與家庭的關係不佳，不過都在三分（中立）以下，有可能符合前面的敘述：家庭對大學生成癮的影響可能比較小

學習與成癮的關係

成績

來看看下一個心理危險因子：學習問題
使用題組：
學習態度
as1:as16           |盡力
an1:an16           |焦慮(-)
ac1:ac16           |喜歡學習與挑戰  
le1:le16           |展現 
id1:id16           |對老師的看法
生活經驗
learn1:learn13     |學習問題     

就算使用網路時間很長，只要顧的好成績家長就不會說話
看看重度使用者是不是有顧好成績
tmp1 <- dta %>% select(achieve) %>% mutate(group = tmp$addiG) %>% table()
tmp1
##          group
## achieve   addition heavy normal
##   60under        0     0      5
##   60-65          4    10     26
##   66-70          5    15     38
##   71-75          7    20     98
##   76-80          9    29    139
##   81-85          5    32    192
##   86-90          4    14    102
##   90above        1     2     13
ggplot(as.data.frame(tmp1 %>% prop.table(.,2)), aes(x=achieve, y = Freq)) +
    facet_wrap(. ~ group, nrow = 1) + 
    geom_bar(stat="identity", position = "dodge") +
    labs(x = "", y = "proportion", title = "成績分布") +
    theme_ipsum(base_family="Bubble") +
    theme(legend.position = c(.08, .9),
          axis.text.x = element_text(angle = 45, hjust = 1, size = 8))

heavy跟addition組低分的比例比較高，不過七十分以上的人也不少，normal以外的兩組分佈長得差不多，不太能從成績直接分辨是否有成癮問題
由於三組人數有差距，addition & heavy組人數不多，可能有代表性的問題，因此同時附上freqency table做為參考

自認學習狀況

實際成績差距並不大，用其他問卷題目來看看填答者的自認學習狀況
dta %>% 
  select(learn1:learn13) %>% 
  mutate(group = tmp$addiG) %>% 
  gather(Q, rank, -group) %>% 
  group_by(group, Q) %>%
  summarize(mean = mean(rank),
            se = sd(rank)/sqrt(n())) %>%
  ggplot(data = ., aes(reorder(Q, mean), mean, color = group)) +
    geom_errorbar(aes(ymin = mean - se,
                      ymax = mean + se),
                  width = .2, size = .3, position = pd) +
    geom_point(position = pd, size = rel(3)) +
    scale_shape(guide = guide_legend(title = NULL)) +
    labs(x = "", title = "生活經驗：學習問題篇") +
    theme_ipsum(base_family="Bubble") +
    theme(legend.position = c(.9, .2),
          axis.text.x = element_text(angle = 45, hjust = 1))

得分差距大：
learn8:我與老師無法溝通、相處。
learn13:我和異性在一起會害羞或不自在。
learn10:我不知如何增進學習效率。
learn12:我上課注意力不能好好集中。
learn9:我讀書容易分心。

learn13感覺分錯組了，應該要去opposite組
成癮組在專心與效率方面自覺有較多問題
learn8看來成癮組更容易討厭老師，後面用學習態度的id題組（對老師的看法）來驗證

得分差距小：
learn2:作業過多。
learn6:我擔心將來升學或就業的問題。

大家都對作業多寡保持中立態度，感覺這題用在中小學生比較有效果（大學生作業少）
與成癮與否無關，大家都很擔憂未來

learn5:學業表現不如我意。
此題可以三個組明顯拉開，要做分組時可能可以參考這題

對老師的看法

根據learn8的得分情形，可以推測id題組（對老師的看法）成癮組會比另外兩組低
dta %>% select(contains("id")) %>%  
  mutate(group = tmp$addiG) %>% 
  gather(Q, rank, -group) %>% 
  group_by(group, Q) %>%
  summarize(mean = mean(rank),
            se = sd(rank)/sqrt(n())) %>%
  ggplot(data = ., aes(reorder(Q, mean), mean, color = group)) +
    geom_errorbar(aes(ymin = mean - se,
                      ymax = mean + se),
                  width = .2, size = .3, position = pd) +
    geom_point(position = pd, size = rel(3)) +
    scale_shape(guide = guide_legend(title = NULL)) +
    labs(x = "", title = "學習態度：對老師的看法") +
    theme_ipsum(base_family="Bubble") +
    theme(legend.position = c(.9, .2),
          axis.text.x = element_text(angle = 45, hjust = 1))

反而沒有像前幾張圖表那樣明顯的差距
id1:老師關心學生。  
id2:老師指定的作業是有挑戰性且有意義的。  
id3:相較於老師自己的研究，老師比較喜歡幫助同學。  
id4:老師會清楚地說明他們對作業的期望。  
id5:老師使課程令人喜歡。  
id6:老師會給予同學額外的時間討論或問問題。  
id7:老師講課具有組織性。  
id8:老師是友善和熱誠的。  
id12:老師很欣賞我在課堂上的努力與貢獻。  
id13:老師們會注意到學生的需求。  
以上幾題三組得分相近，推翻之前的推測

得分差距大：
id15:老師給的分數很合理公平。
id9:我尊敬曾教過我的老師。
id10:我覺得我是班上的一份子。
成癮者更傾向不相信老師的評分與尊敬老師
id10的得分狀況非常有趣，addition組更傾向不認爲自己是班上的一份子可以理解，但是heavy組此題的得分卻顯著高於normal組，根據社交焦慮那張圖，heavy組比normal組更不容易有社交焦慮的傾向，兩個結果都導向heavy組是更擅於社交的結論(不過由於heavy組只有122人/770，有代表性的問題，因此可能還需再探討)
學習成績會直接影響學習態度的表現，在上面的圖無表中沒有看到成癮者與其他組別有明顯的成績差異，因此推測學習態度的部分應該沒有差異，接下來來看各個學習態度的題組得分情況。

盡力

dta %>% select(contains("as")) %>%  
  mutate(group = tmp$addiG) %>% 
  gather(Q, rank, -group) %>% 
  group_by(group, Q) %>%
  summarize(mean = mean(rank),
            se = sd(rank)/sqrt(n())) %>%
  ggplot(data = ., aes(reorder(Q, mean), mean, color = group)) +
    geom_errorbar(aes(ymin = mean - se,
                      ymax = mean + se),
                  width = .2, size = .3, position = pd) +
    geom_point(position = pd, size = rel(3)) +
    scale_shape(guide = guide_legend(title = NULL)) +
    labs(x = "", title = "學習態度：盡力") +
    theme_ipsum(base_family="Bubble") +
    theme(legend.position = c(.9, .2),
          axis.text.x = element_text(angle = 45, hjust = 1))

看起來好像還是有一些差異，不過差距都不大
來看看三題分比較開的：
as16:我會放棄娛樂活動，以準備將來的考試。
as10:如果有機會，我會作額外的功課，以取得額外的分數。
as5:為了找到一份好工作或升研究所，我努力讀書。

這三題的得分很有趣，as16 & as10 代表成癮者更傾向犧牲娛樂時間以及空閒時間為考試與成績做準備，而重度使用者是最不願意花時間在這上面的，感覺addition組更容易擔憂成績不好，並為此作出努力，但是在as5的得分卻又解讀出其他含義：成癮組最不願意為了未來而努力讀書，這兩個推測合併會變成：成癮者更傾向認為讀書只是為了考試，他們更願意為了好成績而準備，而不認為唸書可以對未來有所幫助。

焦慮

上面提到addition組更容易擔憂成績不好，接下來透過焦慮題組來驗證
dta %>%  select(as1:id16) %>%
  select(contains("an")) %>%  
  mutate(group = tmp$addiG) %>% 
  gather(Q, rank, -group) %>% 
  group_by(group, Q) %>%
  summarize(mean = mean(rank),
            se = sd(rank)/sqrt(n())) %>%
  ggplot(data = ., aes(reorder(Q, mean), mean, color = group)) +
    geom_errorbar(aes(ymin = mean - se,
                      ymax = mean + se),
                  width = .2, size = .3, position = pd) +
    geom_point(position = pd, size = rel(3)) +
    scale_shape(guide = guide_legend(title = NULL)) +
    labs(x = "", title = "學習態度：焦慮") +
    theme_ipsum(base_family="Bubble") +
    theme(legend.position = c(.9, .2),
          axis.text.x = element_text(angle = 45, hjust = 1))

成癮者的得分出現明顯提升，他們更容易對學習、考試與課堂人際互動感到焦慮，害怕問問題讓別人覺得自己是笨蛋

來看看分數差不多的：
as1:我很擔心我在課堂的表現。  
as8:如果得低分，我覺得很丟臉。
這兩題的區分效果不佳，看來大家都覺得考差了很丟臉

喜歡學習與挑戰

從上面的推論，成癮者傾向應付考試而唸書，因此猜測在此題組成癮者的得分會比另外兩組低
dta %>% select(as1:id16) %>%
  select(contains("ac")) %>% 
  mutate(group = tmp$addiG) %>% 
  gather(Q, rank, -group) %>% 
  group_by(group, Q) %>%
  summarize(mean = mean(rank),
            se = sd(rank)/sqrt(n())) %>%
  ggplot(data = ., aes(reorder(Q, mean), mean, color = group)) +
    geom_errorbar(aes(ymin = mean - se,
                      ymax = mean + se),
                  width = .2, size = .3, position = pd) +
    geom_point(position = pd, size = rel(3)) +
    scale_shape(guide = guide_legend(title = NULL)) +
    labs(x = "", title = "學習態度：喜歡學習與挑戰") +
    theme_ipsum(base_family="Bubble") +
    theme(legend.position = c(.9, .2),
          axis.text.x = element_text(angle = 45, hjust = 1))

得分平均較低的那幾題三組差不多，來看看分布比較不同的幾題

ac3:我喜歡利用圖書館查資料或作研究。
ac16:我喜歡逛圖書館，看看有沒有新的雜誌或書籍。
normal組得分最高，其次是heavy & addition，可能這兩組花比較多時間上網而非逛圖書館

ac9:我會和親友談論課程的內容。
成癮組這題的得分是最高的，代表他們更願意和親友提及課程的內容，主觀推論：會不會是要證明自己其實有在唸書，不是一天到晚玩電腦呢？

ac10:我喜歡作實驗或實務的活動。
ac6:我喜歡參與班上的活動。
這兩題的得分受heavy組最高，與前面的推論一致，heavy組更喜觀社交以及與別人互動的課程

展現

猜測成癮組比起其他組應該更討厭在大家面前展示自己，來看看結果
dta %>% select(as1:id16) %>%
  select(contains("le")) %>%  
  mutate(group = tmp$addiG) %>% 
  gather(Q, rank, -group) %>% 
  group_by(group, Q) %>%
  summarize(mean = mean(rank),
            se = sd(rank)/sqrt(n())) %>%
  ggplot(data = ., aes(reorder(Q, mean), mean, color = group)) +
    geom_errorbar(aes(ymin = mean - se,
                      ymax = mean + se),
                  width = .2, size = .3, position = pd) +
    geom_point(position = pd, size = rel(3)) +
    scale_shape(guide = guide_legend(title = NULL)) +
    labs(x = "", title = "學習態度：展現") +
    theme_ipsum(base_family="Bubble") +
    theme(legend.position = c(.9, .2),
          axis.text.x = element_text(angle = 45, hjust = 1))

很意外地沒有明顯的差異，有兩題的得分有點意思：
le13:如果老師生病或缺席，我期待可以幫老師上課。
le11:我相信我可以讀得比班上其他同學還快。

成癮組最期待可以幫老師上課，猜測他們雖然害怕在大家面前展示自己，在心中卻希望能夠有機會可以好好表現自己，他們對自己的能力還是有自信的，與上面的結論做結合，他們同時存在自信與焦慮

生活態度與生活環境與成癮的關係

最後來看看生活中哪些事情與成癮有關係
dta %>% select(orient1:livqua4) %>%
  mutate(group = tmp$addiG) %>% 
  gather(Q, rank, -group) %>% 
  group_by(group, Q) %>%
  summarize(mean = mean(rank),
            se = sd(rank)/sqrt(n())) %>%
  ggplot(data = ., aes(Q, mean, color = group)) +
    geom_errorbar(aes(ymin = mean - se,
                      ymax = mean + se),
                  width = .2, size = .3, position = pd) +
    geom_point(position = pd, size = rel(3)) +
    scale_shape(guide = guide_legend(title = NULL)) +
    labs(x = "", title = "生活態度與生活環境") +
    theme_ipsum(base_family="Bubble") +
    theme(legend.position = c(.8, .8),
          axis.text.x = element_text(angle = 45, hjust = 1))

成癮組在livqua題組中都有較高得分，他們自覺自身的居住環境較差

在orient題組部分，成癮組比較不確定未來要從事的工作，以及不知道該如何對未來做準備

最後在時間管理部分，成癮組更傾向認為休閒活動佔去太多時間導致沒有足夠的時間準備課業，但根據前面的的結果，他們比其他人更願意犧牲時間準備考試，在這裡的填答呈現矛盾的心情。

結論

疑慮：那些被我歸類在成癮組的人會不會只是傾向填答得比較嚴重