在演算法治理日益深化的數位時代，短影音平台 TikTok（抖音）以其高強度的沉浸體驗與碎片化資訊環境，成為與公民政治認知密切相關的重要場域。本研究旨在探討 TikTok 的使用行為與「政治不信任」、民主滿意度之間的關聯結構，進而理解演算法平台與公民民主態度之間的複雜關係。
本研究使用 2024 年台灣 TikTok 使用者網路調查資料（\(N = 2,135\)），結合多重對應分析（MCA）與二元羅吉斯迴歸分析進行檢證。研究發現，「政治不信任」是區分受訪者政治態度光譜的主導維度，且高政治不信任與低民主滿意度群體呈現顯著的結構性聚集。
在控制相關變項後，TikTok 的「使用頻率」顯示為預測高政治不信任的顯著風險因子（\(OR = 1.36, p < .001\)），而「單次使用時長」則無顯著關聯；這表明使用的「頻繁性」而非「密集性」，是與政治不信任形成較具關聯的使用特徵。此外，對民主運作的滿意度呈現為與低政治不信任關聯最強的保護因子。
總結而言，本研究為媒介依賴理論在短影音平台的適用性提供初步實證，並揭示了高頻率使用、政治不信任與民主滿意度之間的多重相關結構。儘管高頻率使用與政治不信任呈現顯著正相關，但其與民主滿意度的直接關聯微弱，顯示政治態度之形成可能涉及更複雜的中介機制。
關鍵詞： TikTok、使用頻率、政治不信任、民主滿意度、媒介依賴理論
近年來，短影音平台在政治傳播領域的角色日益關鍵。其中，TikTok（抖音）以其高強度的沉浸體驗與演算法推薦機制，在台灣迅速累積了大量活躍使用者。不同於傳統社群媒體，TikTok 的演算法根據使用者的興趣與立場持續推送相似內容，容易形成「回音室效應」。
在台灣民主脈絡中，這一現象特別值得關注。既有台灣研究（如《抖要抖去何方》）已發現，高度使用 TikTok 的青年使用者其民主政治認知呈現明顯變化。然而，該研究主要呈現現象描述，尚未深入探討背後的心理機制與關聯結構。
因此，本研究提出的核心提問是：TikTok 使用行為、政治不信任與民主滿意度之間，是否存在特定的相關結構？ 基於媒介依賴理論與信任外溢效應理論，我們將探討這三個變數間的內在關聯。
本研究採用「媒介依賴理論」（Media System Dependency Theory）作為主要分析視角。該理論主張，當個人越依賴特定媒介來獲取資訊，該媒介與其認知的關聯性便越強大。
另一方面，政治學研究指出，「政治不信任」是理解民主態度變化的關鍵心理中介變項。一旦民眾對政府機關的信任感崩解，這種不滿往往會產生「外溢效應」，轉化為對「民主制度本身」的根本性懷疑。
既有短影音研究發現，媒體使用對政治態度的影響並非直接，而是可能通過「信任」這一心理中介而發生。這啟示我們，理解演算法媒體的政治意涵，必須關注信任侵蝕這一心理過程。
為了回答上述核心提問，本研究提出三個相關假設，並透過多層次分析方法進行檢驗：
利用多重對應分析（MCA）呈現三個變數在幾何空間中的聚集模式。
透過卡方檢定與迴歸分析量化變數間的相關強度。
建立多變量模型，在控制其他因素後檢視各變數的相對效應。
本研究聚焦於以下具體問題：TikTok 的高頻使用是否與政治不信任的累積呈現顯著相關？政治不信任是否進一步與公民的民主滿意度低落有關？具體而言，我們將檢驗抖音使用頻率（相較於使用時長）與政治不信任的關聯性，以及政治不信任與民主滿意度之間的結構性關係。
本研究之貢獻在於為媒介依賴理論在短影音平台的適用性提供初步實證證據，並具體探討「政治不信任」在三個變數間的相對重要性。透過實證數據的分析，本研究期望能釐清演算法主導的社群媒體與公民民主態度之間的複雜關聯。
Ball-Rokeach & DeFleur (1976) 的媒介依賴理論 (Media System Dependency Theory) 主張，個人對特定媒介的依賴程度越高，該媒介對其認知的影響力就越強。而在當代，短影音平台具有高度的演算法推薦機制。Pariser (2011) 指出演算法驅動的「過濾氣泡」 (Filter Bubble) 會根據使用者偏好推送相似內容，容易形成單一化的訊息環境。
台灣民主實驗室 (2024) 的實驗驗證了這一點：建立新 TikTok 帳號只看舞蹈內容，幾天後演算法即開始推薦政治內容。同時，該團隊對全國 2,612 位 TikTok 使用者的調查發現，高度使用者對政治態度存在特定的影響，特別是對「親中穩定派」政治立場的增加機率達 2.53%。這為本研究提供了實證基礎：TikTok 的使用強度可能與特定的政治認知改變有關。
Hetherington (1998) 的政治信任研究發現，公民對政治體系某一層面的不信任，會外溢 (Spillover) 到對整個政治體系的態度。
人們在評估民主制度時，往往缺乏完整的資訊，因此會參考自己對「當前政府運作」的信任程度作為捷思 (Heuristic)。因此，當民眾對政府官員或體制運作感到不信任時，這種情緒往往不會只停留在該層次，而是會擴散並侵蝕對整體民主制度的滿意度。
民主態度包含「對民主價值的支持」與「對民主運作的滿意度」。Hetherington (1998) 指出，政治信任是民眾評估民主體系運作效能的重要心理濾鏡。
當政治不信任高漲時，民眾更容易戴著有色眼鏡看待政治過程，將施政失誤歸因為制度性缺陷，而非單純的政策失誤。這種心理機制導致「政治不信任」與「民主滿意度」在實證研究中往往呈現高度的負向相關。
本研究基於媒介依賴理論與信任外溢效應，探討三個變數間的相關結構。鑑於本研究採用橫斷面設計，我們提出以下三個相關假設：
假設一（H1）：抖音使用頻率與政治不信任之間存在顯著相關性。
根據 Ball-Rokeach & DeFleur (1976) 的媒介依賴觀點，高頻率使用意味著更深層地暴露於演算法環境，接受碎片化資訊的刺激，這可能與政治不信任的累積呈現正相關。
假設二（H2）：政治不信任與民主滿意度之間存在顯著相關性。
根據 Hetherington (1998) 的信任外溢效應，對政府的特定不信任預期會擴散為對整體民主運作的質疑與不滿。
假設三（H3）：抖音使用頻率與民主滿意度之間存在顯著相關性。
在媒介依賴理論與信任外溢效應的框架下，高頻率使用透過與政治不信任的潛在關聯，可能間接與民主滿意度的低落相關聯。
為了驗證上述假設，本研究在變數選擇上將理論概念具體操作化：
首先，關於抖音使用行為的操作化。
抖音的演算法機制具有高度的即時回饋性，無論是「頻繁打開」（S1 頻率）還是「一次看很久」（S2 時長），都代表使用者暴露在演算法環境中的深度。本研究一方面關注整體的「使用強度」（媒介依賴），另一方面也試圖區分「頻率」與「時長」的不同影響機制。依據媒介依賴理論，使用強度越高（特別是高頻率的接觸），使用者與演算法環境的互動越深，可能與政治不信任呈現相關。
其次，關於政治不信任與民主滿意度的關聯。
本研究選擇「司法不公」、「政府如共產黨」、「政府造假」作為不信任的指標，是因為這些指標反映了對體制核心功能（法治、自由、誠信）的質疑。根據 Hetherington (1998) 的信任外溢效應理論，這些對特定政治層面的強烈不信任，預期將與對民主制度整體的滿意度呈現顯著的負向關聯。
本章節說明本研究的資料來源、樣本結構、變數操作化定義以及分析流程。
本研究以 TikTok 活躍使用者為主要分析對象，使用 2024 年 3 月 由民主實驗室 (Doublethink Lab) 執行的 TikTok 使用者網路調查資料。在排除關鍵變項之遺漏值後，最終納入2,135份資料進行迴歸模型分析 (\(N = 2,135\))。
需注意的是，由於採用網路問卷抽樣，樣本可能存在自我選擇偏誤，結果主要反映活躍網路族群之特徵。
本研究使用兩個指標測量 TikTok 使用行為：
使用頻率 (S1)：測量最近一年使用 TikTok 的頻率（1-5）。
使用時長 (S2)：測量單次使用的時間長度（1-5）。
此外，為了捕捉媒介依賴的全貌，本研究將 S1 與 S2 平均後建構為「使用強度 (use_intensity)」指標。此指標代表使用者在 TikTok 環境中的相對沉浸程度等級，理論上無論是透過「頻繁打開」或「一次看很久」達成，高分都反映了對平台的高度依賴。
在多變量迴歸中，本研究將分別檢驗 S1、S2 與 use_intensity 的效應，以區分「使用習慣的頻率」與「整體沉浸程度」的相對重要性。
政治不信任指標由三個題項構成，經標準化後合併為單一指標 political_distrust (1-6)，分數越高代表不信任感越強。題項包括：
(1) Q16 司法不公：是否同意「台灣社會存在嚴重司法不公正的問題」。
(2) Q18 政府體制：是否同意「現政府與共產黨無差別」。
(3) Q22 政府造假：是否認為「現政府是台灣最主要的假訊息製造者」。
本研究以「民主滿意度 (Q15)」作為依變項，測量受訪者對台灣目前民主運作的滿意程度 (1-6)。
為控制個人心理狀態對政治態度的潛在干擾，本研究納入生活快樂程度 (Q36)、生活滿意度 (Q37)、社交滿意度 (Q38)、寂寞程度 (Q39) 與人際信任 (Q40) 作為控制變項。變數編碼詳見表 3.1。
表 3.1：變數標籤與編碼對照表
| 變數代碼 | 題目內容 | 量表類型 | 取值範圍 |
|---|---|---|---|
| S1 | TikTok 使用頻率 | 李克特量表 | 1–5 |
| S2 | 單次使用時長 | 李克特量表 | 1–5 |
| use_intensity | 使用強度 (S1+S2平均) | 連續變數 | 1–5 |
| P1 | 政治不信任指標 | 連續變數 | 1–6 |
| Q15 | 民主運作滿意度 | 李克特量表 | 1–6 |
| Q36-Q40 | 社會心理控制變數 | 李克特量表 | 1–5 / 4 |
本研究依據研究目的，將分析流程分為四個階段：
第一階段：進行描述統計，檢視樣本基礎特徵與變數分佈。
第二階段：利用多重對應分析 (MCA)，探索「TikTok 使用」、「政治不信任」與「民主態度」在幾何空間中的群聚關係。
第三階段：透過卡方檢定與 Mosaic plot，初步檢驗變數間的關聯性。
第四階段：建立二元羅吉斯迴歸模型，驗證抖音使用強度在控制其他變項後對政治不信任的預測力 (H1)，並檢視不信任對民主態度的關聯 (H2)。
library(here)
setwd(here::here()) # 確認工作路徑
library(readxl)
library(dplyr)
library(sjmisc)
library(sjlabelled)
library(gmodels)
library(sjPlot)
tiktok <- read_excel(here::here("民主實驗室TikTok使用者網路調查_資料檔0326.xlsx"),
col_names = TRUE)
# glimpse(tiktok) # 程式碼仍在運行，但輸出被 output: false 隱藏# 抖音使用強度 --------------------------------------------------------
library(sjmisc)
library(sjPlot)
# 使用頻率（S1）
tiktok$S1.new <- rec(tiktok$S1, rec = "1=1; 2=2; 3=3; 4=4; 5=5", var.label = "最近一年使用 TikTok 頻率", as.num = TRUE)
# 單次使用時長（S2）
tiktok$S2.new <- rec(tiktok$S2, rec = "1=1; 2=2; 3=3; 4=4; 5=5", var.label = "單次使用 TikTok 時長", as.num = TRUE)
# 建立「抖音使用強度」指標（平均值）
tiktok$use_intensity <- rowMeans(tiktok[, c("S1.new", "S2.new")], na.rm = TRUE)
# 檢視分布（不輸出於報告中）
invisible(frq(tiktok$use_intensity))
# 長條圖：TikTok 使用強度分布
plot_frq(tiktok$use_intensity, title = "圖 2.1：TikTok 使用強度分布", axis.title = "使用強度（頻率 + 時長）", show.mean = TRUE)
#| label: 抖音作為政治資訊來源視覺化
#| message: false
#| warning: false
#| code-fold: true
# 抖音作為政治資訊來源 ----------------------------------------------------
library(sjmisc); library(sjPlot)
# Q2：過去一年，您從哪些管道獲取政治或公共議題的資訊？
# 若出現選項 9（TikTok），代表以 TikTok 作為政治資訊來源。
q2_cols <- c("Q2_1", "Q2_2", "Q2_3", "Q2_4"); q2_cols <- q2_cols[q2_cols %in% names(tiktok)]
if (length(q2_cols) > 0) {tiktok$tiktok_info_source <- ifelse(rowSums(tiktok[q2_cols] == 9, na.rm = TRUE) > 0, 1, 0)} else {tiktok$tiktok_info_source <- NA}
# 檢視分布（不輸出於報告中）
invisible(sjmisc::frq(tiktok$tiktok_info_source))
# 長條圖：是否以 TikTok 為政治資訊來源
plot_frq(tiktok$tiktok_info_source, title = "圖 2.2：是否以 TikTok 作為政治資訊來源", axis.title = "1 = 是, 0 = 否")
#| label: 政治不信任編碼與視覺化
#| message: false
#| warning: false
#| code-fold: true
# 政治不信任與態度 ------------------------------------------------------
library(sjPlot); library(ggplot2)
Attaching package: 'ggplot2'The following object is masked from 'package:sjPlot':
set_themeThe following object is masked from 'package:sjlabelled':
as_label# Q16 司法不公
tiktok$Q16.new <- rec(tiktok$Q16, rec = "1=1; 2=2; 3=3; 4=4; 5=5; 6=6", var.label = "認為台灣社會存在嚴重司法不公的同意程度", as.num = TRUE)
# Q18 政府與共產黨無差別
tiktok$Q18.new <- rec(tiktok$Q18, rec = "1=1; 2=2; 3=3; 4=4; 5=5; 6=6", var.label = "認為現政府與共產黨無差別（台灣沒有言論自由）的同意程度", as.num = TRUE)
# Q22 政府是假訊息主要來源
tiktok$Q22.new <- rec(tiktok$Q22, rec = "1=1; 2=2; 3=3; 4=4; 5=5; 6=6", var.label = "認為政府是假訊息主要來源的同意程度", as.num = TRUE)
# 建立整體政治不信任指標
tiktok$political_distrust <- rowMeans(tiktok[, c("Q16.new", "Q18.new", "Q22.new")], na.rm = TRUE)
# 描述統計
invisible(frq(tiktok$political_distrust))
# 政治不信任題項與整體指標分布
p1 <- plot_frq(tiktok$Q16.new, title = "圖 2.3A：認為台灣存在司法不公的程度", axis.title = "同意程度（1 = 非常不同意；6 = 非常同意）", show.mean = TRUE) + ggplot2::annotate("text", x = 5.2, y = 400, label = "多數受訪者傾向同意此說法", color = "darkred", size = 4, hjust = 0)
p2 <- plot_frq(tiktok$Q18.new, title = "圖 2.3B：認為政府與共產黨無差別的程度", axis.title = "同意程度（1 = 非常不同意；6 = 非常同意）", show.mean = TRUE) + ggplot2::annotate("text", x = 4.5, y = 350, label = "意見分歧，但中高同意者佔多數", color = "darkblue", size = 4, hjust = 0)
p3 <- plot_frq(tiktok$Q22.new, title = "圖 2.3C：認為政府是假訊息主要來源的程度", axis.title = "同意程度（1 = 非常不同意；6 = 非常同意）", show.mean = TRUE) + ggplot2::annotate("text", x = 4.8, y = 300, label = "約三成受訪者高度同意此說法", color = "darkgreen", size = 4, hjust = 0)
p4 <- plot_frq(tiktok$political_distrust, title = "圖 2.4：政治不信任整體指標分布\n（平均值顯示為虛線）", axis.title = "政治不信任指數（1 = 最低；6 = 最高）", show.mean = TRUE) + ggplot2::annotate("text", x = 5, y = 420, label = "整體傾向中高不信任水準", color = "brown", size = 4, hjust = 0)
# 顯示結果
p1; p2; p3; p4
Warning: Removed 1 row containing missing values or values outside the scale range
(`geom_text()`).
#| label: 民主態度編碼與視覺化
#| message: false
#| warning: false
#| code-fold: true
# 政治民主態度 ---------------------------------------------------------
library(sjPlot); library(ggplot2)
# Q10 最支持政黨是？
tiktok$Q10.new <- rec(tiktok$Q10, rec = "1=1; 2=2; 3=3; 4=4; 5=5; 6=6; 7=7; 8=8; 9=9; 10=10; 90=NA", var.label = "最支持政黨", as.num = TRUE)
# Q11 最討厭政黨是？
tiktok$Q11.new <- rec(tiktok$Q11, rec = "1=1; 2=2; 3=3; 4=4; 5=5; 6=6; 7=7; 8=8; 9=9; 10=10; 90=NA", var.label = "最討厭政黨", as.num = TRUE)
# Q12 對執政黨的喜好度？
tiktok$Q12.new <- rec(tiktok$Q12, rec = "1=1; 2=2; 3=3; 4=4; 5=5; 6=6", var.label = "對執政黨喜好程度", as.num = TRUE)
# Q14 制度偏好：民主 vs. 獨裁
tiktok$Q14.new <- rec(tiktok$Q14, rec = "1=1; 2=2; 3=3", var.label = "制度偏好：民主 vs. 獨裁", as.num = TRUE)
# Q15 對於我國民主的運作現況滿不滿意？
tiktok$Q15.new <- rec(tiktok$Q15, rec = "1=1; 2=2; 3=3; 4=4; 5=5; 6=6", var.label = "對台灣民主運作的滿意度", as.num = TRUE)
# Q32 是否同意應全面禁止 TikTok
tiktok$Q32.new <- rec(tiktok$Q32, rec = "1=1; 2=2; 3=3; 4=4; 5=5; 6=6", var.label = "是否同意應禁止 TikTok 以維護台灣國安", as.num = TRUE)
# 分布檢查與視覺化
p1 <- plot_frq(tiktok$Q10.new, title = "圖 2.5A：最支持的政黨", axis.title = "政黨編號（1=民進黨, 2=國民黨, 3=民眾黨...）") + ggplot2::annotate("text", x = 5, y = 300, label = "不支持任何政黨者比例明顯", color = "darkblue", size = 4, hjust = 0)
p2 <- plot_frq(tiktok$Q11.new, title = "圖 2.5B：最討厭的政黨", axis.title = "政黨編號（1=民進黨, 2=國民黨, 3=民眾黨...）") + ggplot2::annotate("text", x = 4, y = 250, label = "政黨厭惡分布呈現多極化", color = "darkred", size = 4, hjust = 0)
p3 <- plot_frq(tiktok$Q12.new, title = "圖 2.5C：對執政黨喜好程度", axis.title = "1 = 非常不喜歡；6 = 非常喜歡", show.mean = TRUE) + ggplot2::annotate("text", x = 2.5, y = 400, label = "整體偏向不喜歡", color = "darkgreen", size = 4, hjust = 0)
p4 <- plot_frq(tiktok$Q14.new, title = "圖 2.5D：制度偏好：民主 vs. 獨裁", axis.title = "1 = 民主比獨裁好；2 = 獨裁比民主好；3 = 沒差") + ggplot2::annotate("text", x = 1.2, y = 500, label = "多數受訪者仍支持民主體制", color = "brown", size = 4, hjust = 0)
p5 <- plot_frq(tiktok$Q15.new, title = "圖 2.5E：對民主運作的滿意度", axis.title = "1 = 非常不滿意；6 = 非常滿意", show.mean = TRUE) + ggplot2::annotate("text", x = 3, y = 420, label = "民主滿意度偏中低", color = "purple", size = 4, hjust = 0)
p6 <- plot_frq(tiktok$Q32.new, title = "圖 2.5F：是否同意禁止 TikTok 以維護國安", axis.title = "同意程度（1 = 非常不同意；6 = 非常同意）", show.mean = TRUE) + ggplot2::annotate("text", x = 4.5, y = 350, label = "意見分歧，整體略偏反對全面禁止", color = "darkorange", size = 4, hjust = 0)
# 顯示圖表
p1; p2; p3; p4; p5; p6
#| label: 社會心理編碼與視覺化
#| message: false
#| warning: false
#| code-fold: true
# 社會心理與生活滿意度 --------------------------------------
library(ggplot2)
# Q36. 生活快樂度？
tiktok$Q36.new <- rec(unlist(tiktok["Q36"]), rec = "1=1; 2=2; 3=3; 4=4; 5=5", var.label = "生活快樂度", as.num = TRUE)
# Q37. 對生活滿意度？
tiktok$Q37.new <- rec(unlist(tiktok["Q37"]), rec = "1=1; 2=2; 3=3; 4=4; 5=5", var.label = "生活滿意度", as.num = TRUE)
# Q38. 社交生活滿意度？
tiktok$Q38.new <- rec(unlist(tiktok["Q38"]), rec = "1=1; 2=2; 3=3; 4=4; 5=5", var.label = "社交生活滿意度", as.num = TRUE)
# Q39. 是否感到寂寞？
tiktok$Q39.new <- rec(unlist(tiktok["Q39"]), rec = "1=1; 2=2; 3=3; 4=4; 5=5", var.label = "是否感到寂寞", as.num = TRUE)
# Q40. 一般人是否可信？
tiktok$Q40.new <- rec(unlist(tiktok["Q40"]), rec = "1=1; 2=2; 3=3; 4=4", var.label = "一般人是否可信", as.num = TRUE)
# 視覺化呈現：社會心理指標分布
plot_frq(tiktok$Q36.new, title = "圖 2.6A：生活快樂度", axis.title = "1 = 非常不快樂；5 = 非常快樂", show.mean = TRUE)
plot_frq(tiktok$Q37.new, title = "圖 2.6B：生活滿意度", axis.title = "1 = 非常不滿意；5 = 非常滿意", show.mean = TRUE)
plot_frq(tiktok$Q38.new, title = "圖 2.6C：社交生活滿意度", axis.title = "1 = 非常不滿意；5 = 非常滿意", show.mean = TRUE)
plot_frq(tiktok$Q39.new, title = "圖 2.6D：寂寞程度", axis.title = "1 = 非常不寂寞；5 = 非常寂寞", show.mean = TRUE)
plot_frq(tiktok$Q40.new, title = "圖 2.6E：一般人是否可信", axis.title = "1 = 可信任；4 = 需謹慎", show.mean = TRUE)
# 保留的變數（最新研究）
library(dplyr)
# 將 select 語句強制寫在單一行，以避免解析錯誤
tiktok <- tiktok %>% select(any_of(c(
"S1.new", "S2.new", "use_intensity",
"Q16.new", "Q18.new", "Q22.new", "political_distrust",
"Q14.new", "Q15.new",
"Q36.new", "Q37.new", "Q38.new", "Q39.new", "Q40.new"
)))
save(tiktok, file = "tiktok_processed_single.rda")load("tiktok_processed_single.rda")
library(sjPlot)
library(sjmisc)
library(sjlabelled)
library(vcd)
# --- 建立三等份分類變數 --- #
tiktok$use_intensity.cat <- cut(tiktok$use_intensity, breaks = quantile(tiktok$use_intensity, probs = c(0, .33, .66, 1), na.rm = TRUE), labels = c("低使用", "中等使用", "高使用"), include.lowest = TRUE)
tiktok$political_distrust.cat <- cut(tiktok$political_distrust, breaks = quantile(tiktok$political_distrust, probs = c(0, .33, .66, 1), na.rm = TRUE), labels = c("低不信任", "中等不信任", "高不信任"), include.lowest = TRUE)
# --- 檢查分組結果（隱藏） --- #
invisible(frq(tiktok$use_intensity.cat))
invisible(frq(tiktok$political_distrust.cat))
# --- 列聯表（美化輸出） --- #
tab_xtab(tiktok$use_intensity.cat, tiktok$political_distrust.cat, encoding = "utf8", show.row.prc = TRUE, show.col.prc = TRUE, show.na = FALSE, show.legend = FALSE, show.cell.prc = FALSE, tdcol.col = "gray", tdcol.row = "brown", title = "表3.1：抖音使用強度 × 政治不信任（列聯表）")| use_intensity.cat | political_distrust.cat | Total | ||
|---|---|---|---|---|
| 低不信任 | 中等不信任 | 高不信任 | ||
| 低使用 | 469 51.5 % 40.7 % |
235 25.8 % 32.1 % |
207 22.7 % 28.4 % |
911 100 % 34.9 % |
| 中等使用 | 402 46.7 % 34.9 % |
279 32.4 % 38.2 % |
180 20.9 % 24.7 % |
861 100 % 33 % |
| 高使用 | 280 33.3 % 24.3 % |
217 25.8 % 29.7 % |
343 40.8 % 47 % |
840 100 % 32.2 % |
| Total | 1151 44.1 % 100 % |
731 28 % 100 % |
730 27.9 % 100 % |
2612 100 % 100 % |
| χ2=117.712 · df=4 · Cramer's V=0.150 · p=0.000 | ||||
# --- 卡方檢定 --- #
chisq.test(tiktok$use_intensity.cat, tiktok$political_distrust.cat)
Pearson's Chi-squared test
data: tiktok$use_intensity.cat and tiktok$political_distrust.cat
X-squared = 117.71, df = 4, p-value < 2.2e-16# --- VCD Mosaic Plot --- #
tiktok_clean_h1 <- na.omit(tiktok[ , c("use_intensity.cat", "political_distrust.cat")]); tiktok_clean_h1 <- droplevels(tiktok_clean_h1)
mosaic(~ use_intensity.cat + political_distrust.cat, data = tiktok_clean_h1, shade = TRUE, legend = TRUE, main = "圖3.1：抖音使用強度 × 政治不信任（Mosaic Plot）", labeling_args = list(set_varnames = c(use_intensity.cat = "抖音使用強度", political_distrust.cat = "政治不信任")))
H1：抖音使用強度與政治不信任之關聯
統計檢定結果顯示，抖音使用強度與政治不信任之間存在顯著的關聯性 (\(\chi^2 = 117.71, df = 4, p < .001\))。從分布趨勢來看，低使用強度群體中有 51.5% 落在低政治不信任區間，而高使用強度群體中則有 40.8% 落在高政治不信任區間。這顯示使用程度不同的群體，其政治不信任的分布確有差異，方向符合假設預期。
然而，Cramer’s \(V\) 值僅為 0.15，顯示兩者間的關聯強度屬於低度相關。這意味著雖然高使用者傾向有較高的政治不信任，但單憑使用強度並無法完全解釋政治信任的變異。這提示我們，除了使用量之外，使用者接觸的內容類型（如情緒化或極端政治內容）可能是更關鍵的潛在因素。總體而言，H1 在方向上獲得支持，但其效應量顯示使用行為與政治態度間的關聯可能比預期更為複雜。
load("tiktok_processed_single.rda")
library(sjPlot)
library(sjmisc)
library(sjlabelled)
library(vcd)
tiktok$political_distrust.cat <- cut(tiktok$political_distrust, breaks = quantile(tiktok$political_distrust, probs = c(0, .33, .66, 1), na.rm = TRUE), labels = c("低不信任", "中等不信任", "高不信任"), include.lowest = TRUE)
tiktok$democracy_sat.cat <- cut(tiktok$Q15.new, breaks = quantile(tiktok$Q15.new, probs = c(0, .33, .66, 1), na.rm = TRUE), labels = c("低滿意", "中等滿意", "高滿意"), include.lowest = TRUE)
# --- 列聯表（美化輸出） --- #
tab_xtab(tiktok$political_distrust.cat, tiktok$democracy_sat.cat, encoding = "utf8", show.row.prc = TRUE, show.col.prc = TRUE, show.na = FALSE, show.legend = FALSE, tdcol.col = "gray", tdcol.row = "brown", title = "表3.2：政治不信任 × 民主滿意度（列聯表）")| political_distrust.cat | democracy_sat.cat | Total | ||
|---|---|---|---|---|
| 低滿意 | 中等滿意 | 高滿意 | ||
| 低不信任 | 400 34.8 % 30.7 % |
397 34.5 % 56 % |
354 30.8 % 58.8 % |
1151 100 % 44.1 % |
| 中等不信任 | 368 50.3 % 28.3 % |
248 33.9 % 35 % |
115 15.7 % 19.1 % |
731 100 % 28 % |
| 高不信任 | 533 73 % 41 % |
64 8.8 % 9 % |
133 18.2 % 22.1 % |
730 100 % 27.9 % |
| Total | 1301 49.8 % 100 % |
709 27.1 % 100 % |
602 23 % 100 % |
2612 100 % 100 % |
| χ2=311.482 · df=4 · Cramer's V=0.244 · p=0.000 | ||||
chisq.test(tiktok$political_distrust.cat, tiktok$democracy_sat.cat)
Pearson's Chi-squared test
data: tiktok$political_distrust.cat and tiktok$democracy_sat.cat
X-squared = 311.48, df = 4, p-value < 2.2e-16# --- Mosaic Plot：政治不信任 × 民主滿意度 --- #
library(vcd)
# 1. 同時去掉兩變數的 NA
tiktok_clean2 <- subset(tiktok, !is.na(political_distrust.cat) & !is.na(democracy_sat.cat))
# 2. 重新整理 factor 層級
tiktok_clean2$political_distrust.cat <- droplevels(tiktok_clean2$political_distrust.cat)
tiktok_clean2$democracy_sat.cat <- droplevels(tiktok_clean2$democracy_sat.cat)
# 3. 用公式介面畫 Mosaic plot
mosaic(~ political_distrust.cat + democracy_sat.cat, data = tiktok_clean2, shade = TRUE, legend = TRUE, main = "圖3.2：政治不信任 × 民主滿意度（Mosaic Plot）", labeling_args = list(set_varnames = c(political_distrust.cat = "政治不信任", democracy_sat.cat = "民主滿意度")))
H2：政治不信任與民主滿意度之關聯
分析結果顯示，政治不信任與民主滿意度之間存在高度顯著且明確的關聯 (\(\chi^2 = 311.48, df = 4, p < .001\))，Cramer’s \(V\) 值為 0.244，顯示出中度的關聯強度。具體而言，高政治不信任群體中，高達 73% 的受訪者屬於低民主滿意度；反之，低政治不信任群體中僅有 34.8% 對民主運作感到不滿。
此一結果強烈支持了 H2，並呼應了政治心理學中的「信任外溢效應」理論：當公民對政府體制（如司法、行政誠信）感到不信任時，這種負面評價極易擴散至對整體民主制度運作的評價。數據清楚呈現了政治不信任程度越高，民主滿意度越低的線性趨勢。
load("tiktok_processed_single.rda")
library(sjPlot)
library(sjmisc)
library(sjlabelled)
library(vcd)
tiktok$use_intensity.cat <- cut(tiktok$use_intensity, breaks = quantile(tiktok$use_intensity, probs = c(0, .33, .66, 1), na.rm = TRUE), labels = c("低使用", "中等使用", "高使用"), include.lowest = TRUE)
tiktok$democracy_sat.cat <- cut(tiktok$Q15.new, breaks = quantile(tiktok$Q15.new, probs = c(0, .33, .66, 1), na.rm = TRUE), labels = c("低滿意", "中等滿意", "高滿意"), include.lowest = TRUE)
# --- 列聯表（美化輸出） --- #
tab_xtab(tiktok$use_intensity.cat, tiktok$democracy_sat.cat, encoding = "utf8", show.row.prc = TRUE, show.col.prc = TRUE, show.na = FALSE, show.legend = FALSE, tdcol.col = "gray", tdcol.row = "brown", title = "表3.3：抖音使用強度 × 民主滿意度（列聯表）")| use_intensity.cat | democracy_sat.cat | Total | ||
|---|---|---|---|---|
| 低滿意 | 中等滿意 | 高滿意 | ||
| 低使用 | 450 49.4 % 34.6 % |
245 26.9 % 34.6 % |
216 23.7 % 35.9 % |
911 100 % 34.9 % |
| 中等使用 | 398 46.2 % 30.6 % |
279 32.4 % 39.4 % |
184 21.4 % 30.6 % |
861 100 % 33 % |
| 高使用 | 453 53.9 % 34.8 % |
185 22 % 26.1 % |
202 24 % 33.6 % |
840 100 % 32.2 % |
| Total | 1301 49.8 % 100 % |
709 27.1 % 100 % |
602 23 % 100 % |
2612 100 % 100 % |
| χ2=23.613 · df=4 · Cramer's V=0.067 · p=0.000 | ||||
chisq.test(tiktok$use_intensity.cat, tiktok$democracy_sat.cat)
Pearson's Chi-squared test
data: tiktok$use_intensity.cat and tiktok$democracy_sat.cat
X-squared = 23.613, df = 4, p-value = 9.55e-05# --- Mosaic Plot：抖音 × 民主滿意度 --- #
tiktok_clean3 <- subset(tiktok, !is.na(tiktok$use_intensity.cat) & !is.na(tiktok$democracy_sat.cat))
tiktok_clean3$use_intensity.cat <- droplevels(tiktok_clean3$use_intensity.cat)
tiktok_clean3$democracy_sat.cat <- droplevels(tiktok_clean3$democracy_sat.cat)
mosaic(~ use_intensity.cat + democracy_sat.cat, data = tiktok_clean3, shade = TRUE, legend = TRUE, main = "圖3.3：抖音使用強度 × 民主滿意度（Mosaic Plot）", labeling_args = list(set_varnames = c(use_intensity.cat = "抖音使用強度", democracy_sat.cat = "民主滿意度")))
H3：抖音使用強度與民主滿意度之關聯
抖音使用強度與民主滿意度的統計檢定雖達顯著水準 (\(\chi^2 = 23.61, df = 4, p < .001\))，但 Cramer’s \(V\) 值僅為 0.067，顯示兩者間的直接關聯極為微弱。從數據分佈觀察，高抖音使用者中有 53.9% 落在低民主滿意度區間，而低使用者為 49.4%，兩者差距不到 4 個百分點。
此結果顯示 H3 的解釋力有限。雖然方向上呈現「使用越強，滿意度略低」的趨勢，但實質差異甚小。這暗示抖音使用行為本身並非民主滿意度的主要解釋變項，其影響力可能需透過其他中介變項（如政治不信任）才能展現。換言之，單純的使用強度並不足以直接預測使用者對民主制度的滿意程度。
綜合上述卡方檢定與列聯表分析，本研究初步釐清了三個變數間的雙變量關係結構：
政治不信任與民主滿意度的連結最強 (\(H2, \text{Cramer's } V = 0.244\))： 顯示這兩者在受訪者的認知結構中緊密扣連，支持了信任外溢效應的預期。
抖音使用強度與政治不信任有一定關聯 (\(H1, \text{Cramer's } V = 0.150\))： 雖然關聯強度不如前者，但仍顯示出高強度使用者傾向具有較高不信任感的趨勢。
抖音與民主滿意度的直接關聯最弱 (\(H3, \text{Cramer's } V = 0.067\))： 顯示使用行為對民主態度的直接解釋力有限。
此結果提示我們，若要釐清 TikTok 使用對民主態度的影響，不能僅看直接關聯，而需進一步透過多變量模型，在控制其他變因後，檢視各變數的獨立解釋力與潛在的結構關係。
load("tiktok_processed_single.rda")
# 建立抖音使用強度三等份 (連續→類別)
tiktok$use_intensity.cat <- cut(tiktok$use_intensity, breaks = quantile(tiktok$use_intensity, probs = c(0, .33, .66, 1), na.rm = TRUE), labels = c("低使用", "中等使用", "高使用"), include.lowest = TRUE)library(dplyr); library(FactoMineR); library(factoextra)
# 選取變數並執行 MCA (緊湊寫法)
tiktok_MCA <- tiktok %>% select(S1.new, S2.new, Q16.new, Q18.new, Q22.new, Q14.new, Q15.new, Q36.new, Q37.new, Q38.new, Q39.new, Q40.new, use_intensity.cat) %>% mutate(across(everything(), as.factor)) %>% na.omit()
res <- MCA(tiktok_MCA, ncp = 5, graph = FALSE)fviz_screeplot(res, ncp = 5) + ggtitle("圖4.1：MCA 各維度解釋量（Scree Plot）") + theme_minimal()Warning in geom_bar(stat = "identity", fill = barfill, color = barcolor, :
Ignoring empty aesthetic: `width`.
圖4.1 解讀： 第一與第二維度的解釋量最高，表示資料的主要差異主要集中在前兩維度。
Dimension 1（X軸）：主要反映「政治不信任」的光譜。
Dimension 2（Y軸）：主要反映「民主滿意度」的高低。
# 自動依「變項前綴」分類 (使用分號緊湊化)
res$var$group <- dplyr::case_when(grepl("^S1\\.new|^S2\\.new", rownames(res$var$coord)) ~ "抖音使用行為", grepl("^Q16\\.new|^Q18\\.new|^Q22\\.new", rownames(res$var$coord)) ~ "政治不信任", grepl("^Q14\\.new", rownames(res$var$coord)) ~ "民主價值", grepl("^Q15\\.new", rownames(res$var$coord)) ~ "民主滿意度", TRUE ~ "其他 (社會心理)"); group_colors <- c("抖音使用行為" = "#1f77b4", "政治不信任" = "#d62728", "民主價值" = "#2ca02c", "民主滿意度" = "#9467bd", "其他 (社會心理)" = "grey70")
fviz_mca_var(res, repel = TRUE, col.var = group_colors[res$var$group], ggtheme = theme_minimal()) + ggtitle("MCA 變數關係圖（依指標構念分類上色）") + theme(plot.title = element_text(hjust = 0.5))
圖4.2 解讀：
透過觀察圖中不同顏色變數點的距離遠近，我們可以發現三組關鍵現象：
右側「不滿群聚」： 圖形右側集中了高度政治不信任（如 Q16_6, Q22_6）與低民主滿意度（Q15_1）的類別點。這顯示認為「司法不公/政府造假」的人，也強烈傾向對「民主運作」感到失望。
左側「滿意群聚」： 相對地，左側聚集了信任政府與高民主滿意度的群體。
結論： 藍色與綠色點的同步分佈，證實了「政治不信任」是導致「民主評價低落」的核心因素。
現象： 代表抖音使用頻率與時長的橘紅點（S1, S2），並未散佈在四周，而是緊密擠在中心原點（0,0）附近。
結論： 這暗示抖音使用強度本身並非區分政治立場的主要變數。無論是輕度或重度使用者，在政治光譜上的分佈相對平均，並未形成極端的獨立群體。
現象： 生活快樂（Q36）與滿意度（Q37）散佈較廣。值得注意的是，部分「高生活快樂」的點出現在右側（不信任區）。
結論： 這揭示了一群「對體制極度不滿，但個人生活卻感到快樂」的受訪者，顯示政治態度與個人幸福感在部分群體中是脫鉤的。
#前 30 類別 (緊湊寫法)
FactoMineR::plot.MCA(res, axes = c(1, 2), choix = "var", col.var = "red", label = "var", invisible = "ind", selectMod = "cos2 30", new.plot = TRUE, xlim = c(-1.2, 1.2), ylim = c(-0.6, 2), title = "MCA 類別關係圖（前 30 類別）")
圖 4.3 深入解讀：潛在變數的群聚關係
透過觀察變數類別在空間中的距離，我們可以發現以下具體的態度連結：
「系統性懷疑論」的群聚（右側區域）： 我們觀察到 「同意司法不公（Q16=6）」、「同意政府如共產黨（Q18=6）」 與 「同意政府製造假訊息（Q22=6）」 這三個極端選項緊密聚集在第一維度的右側。這顯示這三種態度高度相關：認為司法不公的人，極高機率也同時認為政府打壓言論自由且製造假訊息，形成一種對體制的全面性不信任。
「不信任」與「不滿意」的共伴（右下區域）： 位於右側的「高度政治不信任群體」，在垂直位置上更傾向於落在下方，與 「不滿意民主運作（Q15=1,2）」 的類別距離較近。這印證了我們的推論：對執政當局的不信任（Political Distrust）正在轉化為對民主體制的失望（Democratic Dissatisfaction）。
高快樂感的矛盾（右上區域）： 有趣的是，「生活非常快樂（Q36=5）」 與 「生活非常滿意（Q37=5）」 的類別也出現在右側區域。這呈現出一種特殊的現象：這群對政治高度不信任、對體制充滿批判的人，在個人主觀生活上卻感到相當快樂。這可能暗示他們在批判性的網路社群（如 TikTok）中找到了情緒出口或共鳴。
p_dim1 <- fviz_contrib(res, choice="var", axes=1) + ggtitle("圖4.4A：MCA 變數貢獻度（Dimension 1：政治不信任軸）") + theme_minimal()
print(p_dim1)
圖4.4A 解讀： Dimension 1 完全由 政治不信任 題項（Q16, Q18, Q22）所主導，抖音使用行為（S1, S2）對此維度的解釋力極低。
fviz_contrib(res, choice = "var", axes = 2) + ggtitle("圖4.4B：MCA 變數貢獻度（Dimension 2：民主滿意度軸）") + theme_minimal()
圖4.4B 解讀： Dimension 2 主要由 民主滿意度 (Q15) 所定義。這再次確認了本研究的變數結構：第一維度分信任，第二維度分滿意。
透過多重對應分析 (MCA) 的幾何空間探索，本研究釐清了變數間的結構關係，主要發現如下：
首先，「政治不信任」與「民主滿意度」構成了政治態度的兩大主軸。第一維度 (Dimension 1) 明確地由政治不信任題項 (Q16, Q18, Q22) 所定義，而第二維度 (Dimension 2) 則由民主滿意度 (Q15) 所主導。這兩組變數在空間中的群聚現象（高不信任與低滿意度距離相近），在探索層面上支持了信任外溢效應的觀點。
其次，TikTok 使用行為 (S1, S2) 並未形成獨立的極端群體。在幾何空間中，代表使用行為的變數點多集中於原點附近，顯示無論是輕度或重度使用者，其政治態度並未呈現如「政治不信任」那般涇渭分明的極化分佈。這暗示 TikTok 的影響力可能較為隱微，或需透過與其他變數（如心理特徵）的交互作用才能顯現。
最後，「快樂卻批判」的群體浮現。MCA 圖形揭示了一群生活快樂、社交滿意，但同時對政治高度不信任的特殊群體。這打破了「生活不滿導致政治憤怒」的傳統假設，提示我們需關注這類具備高生活資源卻對體制抱持批判態度的公民特質。
綜上所述，MCA 分析雖然描繪了變數間的結構輪廓，但針對各變數具體的影響方向與強度，仍需透過下一階段的二元羅吉斯迴歸模型進行精確檢驗。
變數設定與研究方法: 本研究旨在探討數位平台使用行為（特別是 TikTok）及個人心理狀態對「政治不信任」的影響。依變數「政治不信任」原為 1 至 6 分之連續變數，本研究依據中位數將其重新編碼為二元變數（0=低不信任，1=高不信任），以適用於二元邏輯斯迴歸分析（Binary Logistic Regression）。
在解釋變數方面，本研究納入了媒介使用行為（使用頻率、單次時長）與心理社會評價（民主滿意度、寂寞感、生活滿意度等）共九個變數。為檢視各變數在相互控制下的淨影響力（Net Effect），本研究建立單一多變量完整模型（Full Model），不進行變數刪減。
library(readxl)
library(dplyr)
library(sjPlot)
library(MASS)
Attaching package: 'MASS'The following object is masked from 'package:dplyr':
select# 1. 讀取資料
# 請確認檔案路徑正確
tiktok <- read_excel(here::here("民主實驗室TikTok使用者網路調查_資料檔0326.xlsx"),
col_names = TRUE)Warning: Expecting logical in AD1361 / R1361C30: got '社會民主黨'Warning: Expecting logical in AD1975 / R1975C30: got '不一定'Warning: Expecting logical in AD2298 / R2298C30: got '勞工黨'# 2. 變數編碼與處理
# --- A. 處理依變數 (政治不信任) ---
# 強制轉為數字，確保計算正確
tiktok$Q16 <- as.numeric(tiktok$Q16)
tiktok$Q18 <- as.numeric(tiktok$Q18)
tiktok$Q22 <- as.numeric(tiktok$Q22)
# 計算平均分數與二元化 (0=低不信任, 1=高不信任)
tiktok$P1 <- rowMeans(tiktok[, c("Q16","Q18","Q22")], na.rm = TRUE)
median_P1 <- median(tiktok$P1, na.rm = TRUE)
tiktok$P1.binary <- ifelse(tiktok$P1 >= median_P1, 1, 0)
# --- B. 處理自變數 ---
# 媒介使用與心理變數 (強制轉數字)
tiktok$S1 <- as.numeric(tiktok$S1) # 頻率
tiktok$S2 <- as.numeric(tiktok$S2) # 單次時長
tiktok$D1 <- as.numeric(tiktok$Q15) # 民主滿意度
tiktok$Trust_people <- as.numeric(tiktok$Q40) # 一般人信任
tiktok$Lonely <- as.numeric(tiktok$Q39) # 寂寞程度
tiktok$Life_sat <- as.numeric(tiktok$Q37) # 生活滿意度
tiktok$Happy <- as.numeric(tiktok$Q36) # 快樂程度
tiktok$Social_sat <- as.numeric(tiktok$Q38) # 社交滿意度
# 3. 建立分析資料集 (排除遺漏值)
data_logit <- tiktok[
, c("P1.binary","S1","S2","D1",
"Trust_people","Lonely","Life_sat","Happy","Social_sat")
]
data_logit <- na.omit(data_logit)
cat("最終進入模型的樣本數：", nrow(data_logit), "\n")最終進入模型的樣本數： 2135 # 4. 執行多變量邏輯斯迴歸模型 (Full Model)
md.full <- glm(
P1.binary ~ S1 + S2 + D1 + Trust_people +
Lonely + Life_sat + Happy + Social_sat,
family = binomial,
data = data_logit
)
# 5. 輸出結果表 (表1)
tab_model(
md.full,
show.se = TRUE, # 顯示標準誤
show.aic = TRUE, # 顯示 AIC
show.r2 = TRUE, # 顯示 R平方
p.style = "stars", # 顯著性星星
title = "表1：政治不信任之多變量二元邏輯斯迴歸分析",
pred.labels = c(
"(Intercept)" = "截距項",
"S1" = "抖音使用頻率",
"S2" = "單次使用時長",
"D1" = "民主滿意度",
"Trust_people" = "一般人是否可信",
"Lonely" = "寂寞程度",
"Life_sat" = "生活滿意度",
"Happy" = "生活快樂程度",
"Social_sat" = "社交生活滿意度"
),
dv.labels = "政治不信任 (1=高 / 0=低)"
)| 政治不信任 (1=高 / 0=低) | |||
| Predictors | Odds Ratios | std. Error | CI |
| 截距項 | 0.94 | 0.38 | 0.43 – 2.07 |
| 抖音使用頻率 | 1.36 *** | 0.07 | 1.24 – 1.50 |
| 單次使用時長 | 0.91 | 0.05 | 0.82 – 1.00 |
| 民主滿意度 | 0.63 *** | 0.03 | 0.58 – 0.68 |
| 一般人是否可信 | 1.00 | 0.07 | 0.87 – 1.14 |
| 寂寞程度 | 1.26 *** | 0.07 | 1.14 – 1.41 |
| 生活滿意度 | 0.78 ** | 0.07 | 0.65 – 0.94 |
| 生活快樂程度 | 1.23 * | 0.12 | 1.02 – 1.49 |
| 社交生活滿意度 | 1.23 ** | 0.10 | 1.05 – 1.44 |
| Observations | 2135 | ||
| R2 Tjur | 0.105 | ||
| AIC | 2682.715 | ||
| * p<0.05 ** p<0.01 *** p<0.001 | |||
表 1 說明： 如表 1 所示，本模型共納入 2,135 個有效樣本進行分析，模型整體的解釋力（Tjur’s R²）為 0.105。在統計檢定方面，模型顯示「抖音使用頻率」（OR = 1.36, p < .001）、「寂寞程度」（OR = 1.26, p < .001）、「生活快樂程度」（OR = 1.23, p < .05）以及「社交生活滿意度」（OR = 1.23, p < .01）均呈現顯著的正向關聯，顯示這些變數是推升政治不信任的風險因子。相對地，「民主滿意度」（OR = 0.63, p < .001）與「生活滿意度」（OR = 0.78, p < .01）則呈現顯著的負向關聯（OR < 1），為主要的保護因子。「單次使用時長」與「一般人是否可信」之信賴區間包含 1，顯示其影響力不顯著。
# 6. 視覺化：繪製係數圖 (Forest Plot)
plot_model(
md.full,
type = "est",
transform = "exp",
show.values = TRUE,
value.offset = 0.3,
vline.color = "red",
title = "圖1：政治不信任之風險因子與保護因子（多變量模型）",
axis.labels = c(
"H9：社交生活滿意度", "H8：生活快樂程度", "H7：生活滿意度",
"H6：寂寞程度", "H5：一般人是否可信", "H4：民主滿意度",
"H2：單次使用時長", "H1：抖音使用頻率"
)
) + theme_sjplot()Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
ℹ Please use `linewidth` instead.
ℹ The deprecated feature was likely used in the sjPlot package.
Please report the issue at <https://github.com/strengejacke/sjPlot/issues>.
圖 1 說明： 本圖彙整了 H1 至 H9 之假設檢證結果。
註：H3（使用強度）說明：由於使用強度為頻率（S1）與時長（S2）之合成變數，為避免共線性問題，未列入多變量模型圖示中。然從 S1 的顯著性可推論，高強度的使用（特別是高頻率）確為風險因子。
獲得支持的假設（顯著遠離紅線）：
H1、H6、H8、H9（位於右側）：顯示抖音頻率、寂寞感及快樂/社交活躍度為顯著風險因子。
H4、H7（位於左側）：顯示民主滿意度與生活滿意度為顯著保護因子。
未獲支持的假設（跨越紅線）：
H2、H5：顯示單次時長與人際信任在控制其他變數後，對政治不信任無顯著影響。
分析結果與討論 本研究採用二元邏輯斯迴歸模型（Binary Logistic Regression），將九個自變數同時納入分析，以檢視各變數在相互控制下的淨影響力。整體模型解釋力（Tjur’s R²）為 0.105，各項假設之檢證結果討論如下：
第一，關於數位媒介使用行為（H1–H3）： 研究結果顯示，抖音使用頻率（S1）顯著提高了政治不信任的機率（OR = 1.36, p < .001），證實了使用頻率越高，不信任感越強，故假設 H1 獲得支持。然而，單次使用時長（S2）對政治不信任的影響並未達顯著水準（p > .05），故假設 H2 未獲支持。這項對比極具意義，它修正了我們對使用強度（H3）的理解——造成政治信任流失的關鍵，並非沉浸時間的長短，而是「反覆、高頻率」的碎片化接觸模式。
第二，關於政治與社會心理因素（H4–H6）： 「民主滿意度」展現了最強的預測力（OR = 0.63, p < .001），對制度運作越滿意者，政治不信任感顯著越低，強力支持了假設 H4，顯示制度效能感是維繫信任的基石。在社會心理面，寂寞程度（Lonely）顯著正向預測了政治不信任（OR = 1.26, p < .001），支持了假設 H6，印證了原子化的孤立感是政治憤怒的溫床。值得注意的是，人際信任（Trust_people）在納入其他變數控制後，其影響力變得不顯著，故假設 H5 未獲支持。
第三，關於生活品質與情感評價（H7–H9）： 整體生活滿意度（Life_sat）越高，能顯著降低政治不信任（OR = 0.78, p < .01），支持了假設 H7 的保護效果。然而，生活快樂程度（Happy）與社交生活滿意度（Social_sat）呈現了與預期相反的結果。數據顯示，越快樂（OR = 1.23, p < .05）或社交越活躍（OR = 1.23, p < .01）的個體，反而傾向擁有較高的政治不信任感。這雖然在統計上確認了兩者與政治信任有關（支持假設 H8 與 H9），但其正向關係暗示了這類群體可能因接觸更多元資訊或具備較高的政治效能感，因而對政府抱持著較高的批判標準。
綜上所述，本研究透過完整的多變量模型分析，釐清了政治不信任的成因結構。研究發現，「高頻率的短影音接觸」與「個人的寂寞孤立感」是加劇政治不信任的主要推手；而「對民主制度的滿意度」與「整體生活滿意度」則是維繫政治信任的關鍵防線。特別是確認了「頻率效應」顯著大於「時長效應」的實證結果，提示了在演算法治理時代，透過便利性滲透的高頻率資訊刺激，正成為侵蝕民主信任的隱形機制。
本研究透過二元羅吉斯迴歸模型檢驗九項假設，結果支持七項，不支持兩項。這些統計結果揭示了一個重要的認識論轉變：TikTok 對民主的威脅並非如一般想像那樣「直接」，而是需要特定的心理與社會條件作為中介或調節背景。
首先，本研究發現「頻率」比「時長」更具解釋力。統計結果顯示，TikTok 使用頻率與政治不信任呈現顯著正相關 (\(OR = 1.36, p < .001\))，而單次使用時長則無顯著關聯 (\(OR = 0.91, p > .05\))。這打破了「觀看時間越長越傷害信任」的直觀假設，暗示了高頻率、碎片化的反覆接觸模式，可能是與政治不信任形成較具關聯的使用特徵。
其次，TikTok 使用強度與民主滿意度的直接關聯相當有限。雖然卡方檢定達顯著水準，但效應量極低 (\(\text{Cramer's } V = 0.067\))，且高低使用者在民主滿意度上的分布差異僅約 4.5 個百分點。這表明單一變數「TikTok 使用」無法有效區分民主滿意度的高低，必須考量其他心理與社會因素的影響。
本研究透過多變量模型，進一步釐清了各變數在相互控制後的相對重要性。如表 5.1 所示，民主滿意度顯示為最強的保護因子 (\(OR = 0.63\))，意味著對體制運作滿意度越高的公民，越不容易產生政治不信任。抖音使用頻率 (\(OR = 1.36\)) 與寂寞程度 (\(OR = 1.26\)) 則同為顯著的風險因子。
值得注意的是，在控制上述變項後，人際信任的影響力不再顯著 (\(OR = 1.00\))，顯示對政治的信任主要反映了對制度的滿意與個人的心理孤立感，而非單純的人際信任感。此外，抖音使用頻率在控制了心理變數後依然顯著，證實了演算法媒介具有獨立於心理特質之外的解釋力。
表 5.1：多變量模型中各因素之相對關聯強度排序
| 排序 | 因素 | OR 值 | 相關方向 | 檢定結果 |
|---|---|---|---|---|
| 🥇 | 民主滿意度 (D1) | \(0.63^{***}\) | 負向（保護因子） | 支持 |
| 🥈 | 抖音頻率 (S1) | \(1.36^{***}\) | 正向（風險因子） | 支持 |
| 🥉 | 寂寞程度 (Lonely) | \(1.26^{***}\) | 正向（風險因子） | 支持 |
| 🏅 | 人際信任 (Trust) | \(1.00^{n.s.}\) | 無顯著相關 | 不支持 |
註：\(*** p < .001\), n.s. 不顯著。
本研究結果呼應了媒介依賴理論 (Ball-Rokeach & DeFleur, 1976) 關於媒介影響力的假設，但提出了重要的補充。研究發現，即使在高頻率使用 TikTok 的群體中，民主滿意度較高者的政治不信任水準仍顯著較低。此外，寂寞感與政治不信任的關聯強度幾乎與使用頻率相當。這暗示了單純的媒介依賴觀點在解釋演算法平台影響時有所不足，必須同時將使用者的心理狀態（如孤獨感）與既有態度（如民主滿意度）納入考量。
本研究亦驗證了 Hetherington (1998) 的信任外溢效應。
數據顯示政治不信任與民主滿意度之間存在強烈的統計關聯 (\(\text{Cramer's } V = 0.244\))，且絕大多數 (72.9%) 的高政治不信任者同時屬於低民主滿意度群體。這印證了信任在政治態度中的核心地位：當公民對政府體制產生不信任時，這種負面評價極易擴散至對整體民主制度運作的評價。
本研究揭示了台灣社會中政治不信任的形成具有多層次的特徵。在使用習慣層面，高頻率的碎片化接觸與不信任相關；在心理狀態層面，寂寞感扮演關鍵角色；而在態度層面，民主滿意度則是最重要的保護機制。
特別值得注意的是「快樂卻批判」的公民群體。研究發現生活快樂程度 (\(OR = 1.23\)) 與社交生活滿意度 (\(OR = 1.23\)) 在多變量模型中呈現顯著的正向關聯，意味著越快樂或社交越活躍的使用者，反而傾向擁有較高的政治不信任。這打破了「生活不滿導致政治憤怒」的線性思考，提示這類群體可能因具備較高的效能感或更廣闊的資訊網絡，因而對政府施政抱持更為嚴苛的批判標準。
本研究雖初步釐清了 TikTok 使用與政治態度的關聯，但在方法論與推論上仍存在若干局限。
因果推論限制：受限於橫斷面研究設計，本研究僅能確認變數間的相關性，無法確立因果方向。例如，高頻率使用與政治不信任的關聯，可能源於演算法導致的極化，亦可能反映了原本不信任者更傾向沈浸於此類平台。
測量層次限制：本研究僅透過外部的使用行為（頻率與時長）進行推論，未能直接分析使用者實際接觸的演算法內容特質。
樣本代表性：由於採用網路問卷抽樣，樣本結構可能過度代表年輕與活躍網路族群，致使研究發現推論至中老年或非活躍族群時需較為審慎。
模型解釋力：迴歸模型的解釋力 (\(R^2 = 0.105\)) 顯示本模型僅解釋了部分變異，暗示仍有大量潛在因素（如政治意識形態、媒體素養或社經地位）未被納入考量。未來研究建議結合縱貫性設計或內容分析，以更全面地解構政治極化的成因。
「TikTok 到底有沒有影響台灣民主？」
答案是：有相關性，但不是你想的那樣。
本研究透過 2,135 位台灣 TikTok 使用者的資料，確認了使用特性與政治不信任之間存在統計相關。但這種相關的因果方向、機制與實際影響程度仍需進一步澄清。
具體的資料呈現：
在本研究樣本中，TikTok 高頻率使用與政治不信任呈現相關 (\(OR = 1.36, p < .001\))。但這種相關的預測力有限（整體模型僅解釋 10.5% 的變異）。相比之下，民主滿意度呈現更強的相關效應 (\(OR = 0.63\)，相關強度約下降 37%)。
值得注意的是，寂寞感與政治不信任的相關強度 (\(OR = 1.26\))，幾乎與 TikTok 使用頻率相當。這表明在本研究樣本中，個人的心理狀態在相關模式中的重要性不亞於使用行為本身。
在多變量模型中，民主滿意度高者與低者在高頻率使用者中的政治不信任分布呈現顯著差異，暗示民主滿意度可能是一個重要的調節因素。
這是基於 2,135 份問卷資料進行統計檢驗所得出的實證結果。
模型解釋量的重要提醒：
值得強調的是，本研究的迴歸模型僅解釋了政治不信任變異的 10.5%，這意味著還有 89.5% 的變異未被解釋。這提示我們，當前對於台灣政治不信任形成原因的理解仍然有限，單一研究無法提供完整答案。未來的研究需要納入更多潛在因素，方能更全面地理解政治極化現象。
Ball-Rokeach, S. J., & DeFleur, M. L. (1976). A dependency model of mass-media effects. Communication Research, 3(1), 3-21.
Hetherington, M. J. (1998). The political relevance of political trust. American Political Science Review, 92(4), 791-808.
Pariser, E. (2011). The filter bubble: What the Internet is hiding from you. Penguin Press.
Hsu, E. (2024). 抖要抖去何方？—— 活躍使用 TikTok 對台灣民主政治的認知重構. 台灣民主實驗室.https://pse.is/8gfnwc