07_深度學習、設計思考與永續創業：結構方程模型方法

核心表格

本章由 Sadananda Sahoo、Priyadarsan Parida、Manoj Kumar Panda 撰寫，以結構方程模型（Structural Equation Modelling, SEM）分析深度學習（Deep Learning, DL）、設計思考（Design Thinking, DT）與永續創業（Sustainable Entrepreneurship, SE）的直接、間接與調節關係。研究以 Cross-sectional Survey 與 Purposive Sampling 蒐集 576 份有效樣本，並透過 Measurement Model＋Structural Model 驗證 H1–H5。原書同時存在三個必須保留的來源矛盾：Likert 1–7 vs 1–5、AMOS／SPSS vs SmartPLS、Moderation β +0.061 vs −0.061。

核心主題	主要觀點／方法	實務用途	重要條件／限制／延伸
三構面模型	DL 提供 AI-driven Analytics；DT 提供 Human-centered Innovation；SE 整合 People、Planet、Profit	分析 AI Insight、Human Creativity 與 Sustainability 的互動	研究不是單純比較 AI vs Human，而是測試 Direct／Mediating／Moderating Path
H1–H5	H1 DL→DT；H2 DT→SE；H3 DL→SE；H4 DL→DT→SE；H5 DL×DT→SE	建立 Direct、Mediation、Moderation 架構	假設與結果需分開；H4 是 Mediation，H5 是 Moderation
Research Design	Confirmatory、Cross-sectional、CB-SEM；Feb–Apr 2024	Theory Validation／Hypothesis Testing	Cross-sectional Relationship 不應擴大為所有產業的確定因果律
Sample	KMT 建議 384；Pilot n=30；Final Valid N=576；Purposive Sampling	涵蓋 Entrepreneur、Business Leader、AI／Innovation／Sustainability Professional	Non-probability Sample；Large N 可能使 Weak Relationship 也達 Statistical Significance
Table 7.1 Measurement	DL 6 Items、DT 5 Items、SE 9 Items	將 Latent Construct Operationalize	7.4.2 寫 1–7 Likert；7.4.3 寫 1–5 Likert，來源矛盾未自行修正
SEM Software／Process	Measurement Model 先做 CFA，再做 Structural Model	Reliability、Validity、Path、Mediation、Moderation、Fit	7.4.4 寫 AMOS＋IBM SPSS／MLE；7.5 又寫 SmartPLS，來源不一致
Table 7.2 Convergent Validity	Alpha：DL 0.889、DT 0.931、SE 0.899；ρc：0.890、0.932、0.946；AVE：0.574、0.731、0.659	確認 Internal Consistency／Convergent Validity	Threshold：Alpha／ρc 高於 0.70、AVE 高於 0.50；Reliability 不能取代 Discriminant Validity
Table 7.3 Factor Loading	DL 0.898–1.186；DT 1.000–1.172；SE 0.808–0.979；所有 p=0.000	驗證 Indicator 對 Construct 的代表性	原書列出大於 1 的 Loading，本教材原樣保留，不自行修正或判定其 Estimate Type
Fornell–Larcker	√AVE：DL 0.757、DT 0.855、SE 0.707；均高於 Cross-construct Correlation	確認 Construct Distinctness	Correlation 不等於 Structural Path Coefficient
Table 7.4 HTMT	DL–DT 0.32；DL–SE 0.452；DT–SE 0.521	第二層 Discriminant Validity Check	皆低於 0.85；HTMT 不是 Effect Size
Table 7.5 Model Fit	χ² 685.707；df 167；χ²/df 4.106；RMSEA 0.071；SRMR 0.049；GFI 0.894；AGFI 0.867；NFI 0.910；PGFI 0.711；AIC 771.707；BIC 961.556	多指標驗證 SEM 與 Data Fit	CFI／TLI 只能可靠確認高於 0.90；AIC／BIC 主要是 Alternative Model Comparison 指標
H1 DL→DT	β=0.356；SE=0.053；t=6.678；p 低於 0.001	支持 AI-driven Learning 與 DT 的正向關係	β 不是百分比增幅
H2 DT→SE	β=0.577；SE=0.122；t=4.724；p 低於 0.001	支持 Human-centered DT 與 SE 的正向關係	β 不能直接讀成 57.7% Explained Variance
H3 DL→SE	β=0.533；SE=0.129；t=4.146；p 低於 0.001	DL 對 SE 有 Direct Effect	Direct Effect 存在不排除 DT 的 Indirect／Mediation Effect
H4 Partial Mediation	DL→DT→SE：β=0.205；SE=0.053；t=3.87；p 低於 0.001	DT 作為 AI Insight 轉成 Sustainable Innovation 的 Bridge	因 DL→SE Direct Path 仍顯著，作者判為 Partial，而非 Full Mediation
H5 Moderation／Fig. 7.3	Table 7.6／正文：β=−0.061、SE=0.029、t=2.095、p=0.037；DL −1SD slope 最陡，+1SD 最平	檢查 DL 是否改變 DT→SE 關係強度	Abstract 寫 +0.061，與正文負號矛盾；不自行統一。圖形／正文解讀為高 DL 時 DT Effect 變弱
R²	DT 0.092；SE 0.695	比較不同 Outcome 的 Explained Variance	R² 不是 Accuracy；DT 只有 9.2% 被解釋，表示大量 External Factor 未納入
AI–Human Hybrid	作者主張 AI Augments Human Creativity；過度 Automation 可能削弱 Agency、Creativity、Critical Reasoning	Human-in-the-loop、Bias Audit、Privacy／Ethical Governance	屬作者依統計結果提出的 Practical／Ethical Interpretation，不是另外量測的 ROI

核心表格

章節定位