📖 使用手冊與操作指南

設計者：李明憲教授

歡迎使用本工具！這是一個結合「統計專家邏輯」與「Nudge 巧推理論」的賦能系統。協助您精準指揮 AI 執行 Python 統計分析。

🛠️ 快速上手三步驟

Step 1：匯入變項（三種方式擇一）

點擊右上角 「📂 建立分析專案」，選擇最適合您的匯入方式：

• 拖入檔案：支援 Excel（.xlsx／.xls）、CSV（.csv）與 SPSS（.sav），直接拖入拖放區，工具在瀏覽器內解析欄位，檔案不會上傳至伺服器。.sav 檔的值標籤會自動用來判定類別變項，型態偵測更準。沒有資料時可在此頁籤下載 350 筆範例檔練習。
• 貼上資料：從 Excel 複製資料內容（含標頭列）後，直接貼入文字框。
• 手動定義：逐一輸入變項名稱與型態，適合尚未有資料檔或只需快速測試的情境。

Step 2：確認變項型態（可修正）

匯入後，系統會自動偵測每個變項的型態（連續、類別、文字、ID）。請逐一核對，如有判斷錯誤可直接點選修正。型態正確是後續分析篩選的基礎，請務必在此步驟確認。

Step 3：複製初始化指令，啟動 AI 專案

確認型態後，系統會產生「初始化指令」。複製指令後，貼給 Gemini 或 ChatGPT（需先上傳您的資料檔），讓 AI 了解您的變項結構。

完成後即進入「專案模式」。回到首頁選擇分析方法，槽位會依變項型態顯示可點選晶片，點選晶片即可選取變項（型態不符者可點選「顯示全部變項」強制選取）。選好後複製分析指令貼給 AI，即可獲得符合學術標準的 Python 分析流程。

🗺️ 引導式研究旅程（四步驟）

完成「建立分析專案」後，畫面頂端會顯示研究旅程進度條，帶您依序完成四個關鍵步驟：

1. ① 界定變項：上傳或手動定義資料欄位，讓系統了解您的資料結構。
2. ② 上傳檔案給 AI：確認已將資料檔以附件形式傳給 AI 模型，再貼上分析指令。這個步驟最容易被遺忘，是分析失敗的最常見原因。
3. ③ 想先知道什麼（選填）：用假設建立器的白話問句挑一個想驗證的問題（想比較、想看關係、想預測、想找機制），系統會自動推薦對應的統計方法並幫您把變項填好。不知道想問什麼也可以直接略過。
4. ④ 產生分析指令：從格線選擇統計方法，填入變項後複製指令貼給 AI。指令會要求 AI 直接輸出 APA 表格、APA 敘述、白話結論與自我檢查，跑完當場就有論文可用的成果。

💡 若您手上有「自己在 SPSS／R 跑的」或「別人給的」統計結果，可用首頁「📖 解讀外部結果」貼回，讓 AI 轉成 APA 表格與白話說明（選配，非必經步驟）。

📊 如何判讀統計報表

這是一份讓您讀懂 AI 統計輸出的快速參考，幫助您確認結果是否合理，以及如何向 AI 要求 APA 格式解釋。

p 值（顯著性）

p 值代表「假設虛無假設成立，觀察到目前這組資料的機率」。慣用標準：

• p < .001：高度顯著（論文常標示 ***）
• p < .01：顯著（**）
• p < .05：顯著（*）
• p ≥ .05：未達統計顯著（不代表「沒有關係」，只是樣本不足以支撐推論）

常見誤解：p 值只判斷「效果是否存在」，不能告訴你效果有多大。請同時查看效果量（effect size）。

效果量（Effect Size）

效果量衡量「差異或關係的實際強度」，不受樣本數影響，是報告結果不可省略的指標：

• Cohen's d（比較平均數差異）：d = 0.2 小、0.5 中、0.8 大
• 相關係數 r / Pearson r：|r| = 0.1 小、0.3 中、0.5 大
• η²（eta-squared）（ANOVA 變異數分析）：η² = .01 小、.06 中、.14 大
• R²（迴歸決定係數）：代表自變項解釋依變項變異的比例，0–1 之間，越高越強

信賴區間（CI, Confidence Interval）

95% CI 意思是：「重複 100 次實驗，約有 95 次算出的區間會包含真實參數」。

• CI 不跨零 → 效果方向確定（通常對應 p < .05）
• CI 越窄 → 估計越精準（樣本越大）
• 論文中請務必回報 95% CI，只報 p 值愈來愈不被頂期刊接受

四個最常見的誤讀

1. 「p = .049 比 p = .001 更重要」：錯。兩者都只是「顯著」，效果量才決定重要性。
2. 「p > .05 代表沒有關係」：錯。可能是樣本不足（type II error），不是真的無關。
3. 「相關 = 因果」：錯。相關分析無法確立因果，需要實驗設計或結構方程模型佐證。
4. 「AI 計算的結果可直接引用」：不建議。建議以 SPSS、R 或 jamovi 複現後，確認數值相符再引用。

向 AI 要求 APA 格式解釋的範例

取得統計輸出後，使用首頁「📖 解讀外部結果」功能，或直接貼上以下格式的指令：

• 獨立樣本 t 檢定：t(df) = 值, p = 值, d = 值, 95% CI [下, 上]
• 單因子 ANOVA：F(df1, df2) = 值, p = 值, η² = 值
• 皮爾森相關：r(df) = 值, p = 值, 95% CI [下, 上]
• 多元迴歸：R² = 值, F(df1, df2) = 值, p = 值；β = 值, t = 值, p = 值