1. 是否觀看暴力短影音在各個構面的平均數差異

　　為探討觀看暴力短影音對於受試者在各個研究構面的影響，本研究採用獨立樣本t檢定分析發現，有觀看暴力短影音習慣的受訪者在情緒感知、偏差行為及個人經歷皆為顯著影響。這說明，習慣觀看暴力短影音的受訪者，更容易或經常接觸負面事件，在情緒控制與行為表現上也較為衝動及難以預測。

​

   2.各觀影類型之間對於情緒感知及偏差行為的平均數差異

　　為探討不同觀影類型對於受試者情緒感知及偏差行為的影響，採用單因子變異數分析（One-way ANOVA）進行分析發現，不同觀影類型對於受試者在情緒感知及偏差行為的平均數皆存在顯著差異。其中，觀影類型4（有觀看暴力短影音習慣者）在情緒感知及偏差行為的平均分數顯著高於其他觀影類型。研究結果初步表明，觀影類型4的內容或形式可能更傾向於引起受試者的積極情緒和較高的偏差行為。​​

​

   3.偏差行為的多元迴歸分析

　　為探討不同構面對偏差行為的影響，透過多元迴歸分析發現，可以拒絕 H0，即測試中的自變項群體對於偏差行為沒有影響的假設，並且對於H1邊緣認同，即測試的構面(尤指觀看暴力短影音、自身經歷以及情緒感知)對偏差行為的產生有或多或少的正面影響。

​

　　在各構面，情緒感知、自身經歷以及觀看暴力短影音之受測者呈現顯著正相關，表示經常在情緒上失控、扭曲者、較高頻率遭受不幸經歷者以及有觀看暴力短影音習慣的受測者都在產生暴力行為上有較高的傾向。

​

   4.結論及未來方向

　　為預防偏差行為提供了理論基礎，研究結果可為設計相關的預防方案提供參考。

​

　　本研究使用GitHub上由使用者FPerezHernandez92提供之OD-WeaponDetection內的武器圖片進行模型訓練的基礎。基於台灣青少年社會事件多使用刀槍類武器進行犯罪，故提取2984張刀具以及4957張槍枝圖片為主要訓練目的，再加入58張菸類及78張剪刀作為輔助過濾。

​

　　模型訓練初期使用Python進行Tensorflow訓練，但因純文字介面在轉換為圖像辨識時出現錯誤，故將順序更換為先利用Google提供的網頁版Teachable Machine進行基礎訓練再利用輸出的keras.h5 model(深度學習模型)在電腦上使用Tensorflow二次訓練。目前已完成基礎訓練並輸出模型，後續將使用模型套用到基於Anaconda3的python介面使用Tensorflow及OpenCV進行二次訓練及影像辨識，最後再將OpenCV的攝影機鏡頭轉換為螢幕畫面即可針對影像檔案進行過濾辨識。

​

　　本研究的結果對青少年心理健康和多媒體內容過濾具有重要意義，透過篩選青少年接觸暴力內容，結合AI技術，我們可以更有效地預防和減少憾事的發生，營造一個更加健康、安全的社會環境。

 

​

​

​