內部歸因的認知機制：
台灣民眾假訊息責任歸屬之探索

以 2025 年 Tiktok 使用者調查為例
民意與政治行為研究 作業五

壹、研究背景與動機

一、研究背景

（一）Tiktok 的影響規模與特殊性

  根據民國 113 年 7 月 31 日所公布的詐欺犯罪危害防制條例第 27 條，網路廣告平臺業者利用網際網路於中華民國領域內提供網路廣告服務且達一定規模者，適用本條例之規定。民國 114 年 7 月 3 日，數位發展部公布並新增符合一定規模標準（活躍用戶數達台灣人口 5% 以上）的社群平台有：Meta 的 Facebook、Instagram、Threads；Google 及旗下 Youtube；LY Corporation的Line；以及本研究所要探討的，中國字節跳動旗下的 Tiktok。

  被公布的社群平台，各自的用戶規模與影響力都已經大到必須納入官方監管，且都在台灣社群媒體生態中擁有重要地位，但這幾個社群平台中卻只有 Tiktok 是來自於中國這個共產國家。

（二）ByteDance 內部股權與政治滲透機制

  Tiktok 為字節跳動旗下的子公司，而它與多數中國企業相同，長期受到中國共產黨多方面的監督與介入。而根據中共官媒的報導，字節跳動早在 2014 年便成立黨支部，2017 年又再升格設立黨委，企業內部已經建立了正式的政治影響力管道。

  同年，中國政府採取更直接的行動，入股字節跳動旗下的中國實體，由三家中共國家機構組成的網投中文收購了北京字節跳動科技 1% 的股份，雖然持股比例不高，但此舉使中共政府在該公司取得了一個董事會席位。由於這家子公司是抖音的主要經營者，中共的黃金股權力強化了政府在關鍵時刻影響企業決策的能力，中共政府對字節跳動的實質掌控也引發外界對 Tiktok 的資安疑慮。

（三）中國法律框架下的資訊控制義務

  字節跳動作為中國企業，必須遵守中國一系列關於國家安全和資訊管理的法律。根據《國家情報法》，所有組織和公民都必須支持、協助並配合國家情報工作，並且保守相關祕密，這項規定代表企業在某些情況下可能需要協助政府取得資訊或提供技術支持。

  《數據安全法》進一步規定，如果企業在境外處理數據而影響國家安全或公共利益，將面臨法律責任，《網絡安全法》則賦予政府監測和處置網路風險的權力。這些法律的涵蓋範圍既模糊又廣泛，使得外界普遍擔心企業可能在法律壓力下進行資訊監控或內容審查。

二、研究動機

（一）問題意識

  從上述背景可以看出，Tiktok 在台灣具有相當大的使用規模，而其母公司受到中共的政治與法律約束，也使得平台可能成為資訊戰或假訊息操作的工具，這樣的潛在風險，為本研究探討 Tiktok 與政治資訊傳播關係的其中一動機。

  雖本人並非 Tiktok 用戶，但經常在其他社群媒體上觀察到針對該平台活躍使用者的負面標籤，例如「中國資訊戰幫兇」或「抖音一響，父母白養」等論述。這些廣泛流傳的刻板印象也引發了我單純的好奇：這群被大眾標籤化的活躍使用者，他們真實的政治態度和認知模式究竟為何？本研究旨在透過實證數據，探索並增進對這群活躍使用者的理解。

（二）初步發現

  本研究使用的資料庫為 2025 台灣 Tiktok 使用者調查，在初步瀏覽此資料集時，我發現一個有趣的矛盾，即：無論受訪者是否為Tiktok活躍用戶，當被問及「假訊息跟網軍操作主要來自哪個陣營」（Q9）時，多數人將責任歸咎於台灣內部的執政黨，而非外部的敵對勢力。這個發現與前述的背景形成強烈對比，既然 Tiktok 背後有中共的政治控制，且中國法律賦予中共政府廣泛的資訊操控權力，理論上民眾應該更警覺來自中共的假訊息威脅。

  這種將外部威脅內部化的認知模式，成為本研究想要解釋的核心問題：為何在明確的外部威脅存在的情況下，民眾反而將假訊息責任歸咎於內部執政黨？是什麼樣的認知機制導致這種「內部歸因」的普遍化？

貳、資料來源與研究設計

一、資料庫說明

（一）資料集選定與調查背景

  本研究使用 2025 台灣 Tiktok 使用者調查資料庫，資料來源為台灣民主實驗室。本資料庫調查核心在於探索 Tiktok 活躍使用者與非活躍使用者之間，在媒體使用習慣、兩岸議題觀感、國內社會或公共議題以及人口變項、心理指標等方面的潛在差異。 Tiktok 作為一個短影音社群平台，其碎片化、高密度的資訊傳播形式，可能強化特定政治敘事的影響力。該平台亦涉及資訊安全、數據保護、假訊息傳播等爭議，以及中國共產黨可能透過演算法干預民主輿論的疑慮。

（二）研究實施與樣本規模

  該資料庫的研究範圍為台閩地區各縣市（含金門縣、連江縣），研究對象為年滿 15 歲以上民眾。研究方法為網路問卷調查，且由網路社群邀請合格之受訪者填寫。資料蒐集期間為 2025 年 3 月 10 日至 3 月 20 日。總樣本數為總計完成 2616 份成功樣本，含 1097 位活躍使用者。

二、研究方向與設計

（一）研究問題

  本研究旨在解析假訊息歸因的內部化現象，探討為何民眾將責任從中共的外部威脅轉向台灣內部的執政黨。

（二）變數架構與分類

  本研究核心目標是檢驗政治態度、媒體使用習慣及體制不信任對以上認知偏誤的影響，第參章及第肆章為變數詳細說明。

參、依變數說明

DV：假訊息來源認定

（一）題目內容

  Q9. 有人說台灣的假訊息跟網軍操作很普遍又很嚴重，您認為台灣現在的假訊息跟網軍操作主要來自哪個陣營？

（二）變數處理與編碼

# 原始變數
frq(Tiktok$Q9, out="v")

假訊息來源認定 (x) <numeric>

val	label	frq	raw.prc	valid.prc	cum.prc
1	民進黨	897	34.34	34.34	34.34
2	國民黨	359	13.74	13.74	48.09
3	民眾黨	76	2.91	2.91	51.00
4	時代力量	29	1.11	1.11	52.11
5	親民黨	16	0.61	0.61	52.72
6	台灣基進	15	0.57	0.57	53.29
7	綠黨	4	0.15	0.15	53.45
8	小民參政歐巴桑聯盟	3	0.11	0.11	53.56
9	新黨	4	0.15	0.15	53.71
10	中華人民共和國/ 中國共產黨	462	17.69	17.69	71.40
11	美國	16	0.61	0.61	72.01
12	日本	7	0.27	0.27	72.28
13	都沒有假訊息	42	1.61	1.61	73.89
14	不知道/ 不清楚	673	25.77	25.77	99.66
90	其他國家	9	0.34	0.34	100.00
NA	NA	0	0.00	NA	NA
total N=2612 · valid N=2612 · x̄=6.84 · σ=7.42

# 清理後變數（已加權）
# 以政治影響力與媒體能見度為基準，保留國會三大主要政黨。
frq(Tiktok$Q9c, weights = Tiktok$WT, out="v")

假訊息來源認定（清理後） (xw) <categorical>

val	label	frq	raw.prc	valid.prc	cum.prc
1	民進黨	851	44.98	44.98	44.98
2	國民黨	403	21.30	21.30	66.28
3	民眾黨	65	3.44	3.44	69.71
4	中國共產黨	405	21.41	21.41	91.12
5	其他台灣政黨	87	4.60	4.60	95.72
6	其他國家	35	1.85	1.85	97.57
7	都沒有假訊息	46	2.43	2.43	100.00
NA	NA	0	0.00	NA	NA
total N=1892 · valid N=1892 · x̄=2.35 · σ=1.59

# 清理後變數長條圖
# 由圖表明顯可見，歸咎民進黨的比例，約為歸咎於中共的兩倍，顯示民眾對執政黨的假訊息疑慮高於對境外勢力。
plot_frq(Tiktok$Q9c, weight.by = Tiktok$WT, geom.colors = "#7B7B7B")

# 虛擬變數：檢驗哪些因素促成執政黨責任歸屬
# 本研究聚焦於執政黨，故選擇將此變數二元化為是否認為假訊息來自於民進黨。
frq(Tiktok$Q9r, weights = Tiktok$WT, out="v")

是否將假訊息歸咎於民進黨 (xw) <categorical>

val	label	frq	raw.prc	valid.prc	cum.prc
0	不歸咎民進黨	1041	55.02	55.02	55.02
1	歸咎民進黨	851	44.98	44.98	100.00
NA	NA	0	0.00	NA	NA
total N=1892 · valid N=1892 · x̄=0.45 · σ=0.50

（三）變數說明

  此變數是本研究的核心依變數，反映民眾對假訊息責任歸屬的認知。這種將外部威脅轉為內部歸因的現象，違背了一般對於「外部資訊戰威脅」的認知框架，是本研究欲解釋的核心問題。

肆、變數清理

一、兩岸關係認知

（一）兩岸關係緊張歸因

  Q23. 您覺得誰造成兩岸關係緊張？

  此變數反映受訪者對「地緣政治風險」的歸因傾向， 若將責任歸咎於「中國政府」可能具有反中傾向；若將責任歸咎於「民進黨」可能認為執政黨挑釁，而此題的「兩岸歸因」與「假訊息歸因」（Q9）可能會呈現一致性。

# 原始變數
sjmisc::frq(Tiktok$Q23, out="v")        

兩岸關係緊張歸因 (x) <numeric>

val	label	frq	raw.prc	valid.prc	cum.prc
1	民進黨	881	33.73	33.73	33.73
2	國民黨	180	6.89	6.89	40.62
3	中國政府	1221	46.75	46.75	87.37
4	美國政府	290	11.10	11.10	98.47
5	其他	40	1.53	1.53	100.00
NA	NA	0	0.00	NA	NA
total N=2612 · valid N=2612 · x̄=2.40 · σ=1.11

# 原始變數長條圖（已加權）
# 將兩岸緊張歸咎於民進黨的群體比例，是除了歸咎給中國政府外排名第二高，且比例遠高於國民黨及美國。
plot_frq(Tiktok$Q23, weight.by = Tiktok$WT, geom.colors = "#7B7B7B")

 # 虛擬變數
# 將兩岸緊張歸咎於民進黨的群體，或許也會更傾向將假訊息歸咎於民進黨。
sjmisc::frq(Tiktok$Q23r, weights = Tiktok$WT, out="v")

是否將兩岸緊張歸咎於民進黨 (xw) <categorical>

val	label	frq	raw.prc	valid.prc	cum.prc
0	不歸咎民進黨	1784	68.30	68.30	68.30
1	歸咎民進黨	828	31.70	31.70	100.00
NA	NA	0	0.00	NA	NA
total N=2612 · valid N=2612 · x̄=0.32 · σ=0.47

（二）對中國政府的印象

  Q24. 請問整體而言您對於中國政府印象如何？

  此變數反映受訪者對「外部威脅」的認知，對中國政府印象負面且認為中國造成兩岸緊張，可能較不會將假訊息歸咎於執政黨；對中國政府印象正面可能更傾向將假訊息歸咎於內部政黨。

# 原始變數
sjmisc::frq(Tiktok$Q24, out="v")

對中國政府的印象 (x) <numeric>

val	label	frq	raw.prc	valid.prc	cum.prc
1	非常不喜歡	881	33.73	33.73	33.73
2	還滿不喜歡	629	24.08	24.08	57.81
3	有點不喜歡	829	31.74	31.74	89.55
4	有點喜歡	189	7.24	7.24	96.78
5	還滿喜歡	61	2.34	2.34	99.12
6	非常喜歡	23	0.88	0.88	100.00
NA	NA	0	0.00	NA	NA
total N=2612 · valid N=2612 · x̄=2.23 · σ=1.11

# 虛擬變數
# 對中國政府的印象與 Q9 的假訊息歸因之間可能存在負向關聯
# 對中國政府印象較不負面（原題選項 4-6 ）的群體，由於不認為中國是威脅，可能將資訊戰責任轉而歸咎於執政黨。
sjmisc::frq(Tiktok$Q24r, weights = Tiktok$WT, out="v")

對中國政府是否為負面印象 (xw) <categorical>

val	label	frq	raw.prc	valid.prc	cum.prc
0	非負面印象	265	10.15	10.15	10.15
1	負面印象	2347	89.85	89.85	100.00
NA	NA	0	0.00	NA	NA
total N=2612 · valid N=2612 · x̄=0.90 · σ=0.30

二、媒體使用習慣

（一）Tiktok使用頻率

  S1. 請問您最近一年有多常使用 Tiktok 抖音？

  此變數反映受訪者「對 Tiktok 平台的依賴程度」，由於 Tiktok 演算法會根據使用者偏好推送內容，使用頻率越高者，越可能深度暴露於平台的資訊生態中，其政治認知可能受到演算法影響。高頻率使用者若同時信賴非傳統媒體，更可能將傾向將假訊息歸咎於執政黨。

# 原始變數
sjmisc::frq(Tiktok$S1, out="v")

Tiktok使用頻率 (x) <numeric>

val	label	frq	raw.prc	valid.prc	cum.prc
1	從來沒有	477	18.26	18.26	18.26
2	很少使用	689	26.38	26.38	44.64
3	每週數次	579	22.17	22.17	66.81
4	每天一次	286	10.95	10.95	77.76
5	每天好幾次	581	22.24	22.24	100.00
NA	NA	0	0.00	NA	NA
total N=2612 · valid N=2612 · x̄=2.93 · σ=1.41

# 虛擬變數
# 推測 Tiktok 使用頻率與 Q9 的假訊息歸因之間存在正向關聯
# 每天使用一次以上的高頻使用者（原題選項 4-5 ），相較於低頻或非使用者，會更傾向將假訊息歸咎於民進黨。
# 高頻使用者可能將 Tiktok 作為主要的資訊來源，缺乏其他管道的平衡觀點，更容易被單一敘事說服。
sjmisc::frq(Tiktok$S1r, weights = Tiktok$WT, out="v")

是否為Tiktok高頻使用者 (xw) <categorical>

val	label	frq	raw.prc	valid.prc	cum.prc
0	非高頻使用者	1809	69.26	69.26	69.26
1	高頻使用者	803	30.74	30.74	100.00
NA	NA	0	0.00	NA	NA
total N=2612 · valid N=2612 · x̄=0.31 · σ=0.46

（二）最信賴的資訊來源

  Q4. 請問在上述這些政治與公共相關觀點來源中，哪一個是您最為信賴的？

  此變數反映受訪者的「資訊來源信賴偏好」，推測信賴「社群平台的KOL（網紅）或粉專」（選項2）等非傳統媒體的群體，可能更容易受到特定政治敘事影響，與對執政黨的負面歸因呈現正相關。

# 原始變數
sjmisc::frq(Tiktok$Q4, out="v")

最信賴的資訊來源 (x) <numeric>

val	label	frq	raw.prc	valid.prc	cum.prc
1	新聞媒體與新聞台	971	37.17	37.17	37.17
2	社群平台的KOL（網紅）或粉專	214	8.19	8.19	45.37
3	某政治人物本身	121	4.63	4.63	50.00
4	名嘴或時事評論員	148	5.67	5.67	55.67
5	親朋好友	372	14.24	14.24	69.91
6	點頭之交	28	1.07	1.07	70.98
7	沒有可以信賴的	747	28.60	28.60	99.58
90	其他	11	0.42	0.42	100.00
NA	NA	0	0.00	NA	NA
total N=2612 · valid N=2612 · x̄=4.06 · σ=6.13

# 虛擬變數
# 信賴非傳統媒體（原題選項 2-6 ）的群體，相較信賴傳統新聞媒體的群體，可能會更傾向將假訊息歸咎於民進黨。
sjmisc::frq(Tiktok$Q4r, weights = Tiktok$WT, out="v")

是否信賴非傳統媒體 (xw) <categorical>

val	label	frq	raw.prc	valid.prc	cum.prc
0	信賴傳統媒體	1851	70.87	70.87	70.87
1	信賴非傳統媒體	761	29.13	29.13	100.00
NA	NA	0	0.00	NA	NA
total N=2612 · valid N=2612 · x̄=0.29 · σ=0.45

三、政治制度信念與社會不滿

（一）民主滿意度

  Q15： 整體來說，您對於我國民主的運作現況滿不滿意？

  此變數反映受訪者的「民主運作滿意程度」，對當前體制運作越不滿意的群體，越可能將所有負面現象（如假訊息）歸咎於當權者。

# 原始變數
sjmisc::frq(Tiktok$Q15, out="v")

民主滿意度 (x) <numeric>

val	label	frq	raw.prc	valid.prc	cum.prc
1	非常不滿意	257	9.84	9.84	9.84
2	還算不滿意	305	11.68	11.68	21.52
3	有點不滿意	739	28.29	28.29	49.81
4	有點滿意	709	27.14	27.14	76.95
5	還算滿意	492	18.84	18.84	95.79
6	非常滿意	110	4.21	4.21	100.00
NA	NA	0	0.00	NA	NA
total N=2612 · valid N=2612 · x̄=3.46 · σ=1.30

# 虛擬變數
# 推測民主滿意度與 Q9 的假訊息歸因之間存在負向關聯
# 對民主運作現況不滿意的群體（原題選項 1-3 ）認為民主體制未能有效運作時，會將所有負面現象歸咎於當權者。
sjmisc::frq(Tiktok$Q15r, weights = Tiktok$WT, out="v")

是否對當前民主不滿意 (xw) <categorical>

val	label	frq	raw.prc	valid.prc	cum.prc
0	對民主滿意	1384	52.99	52.99	52.99
1	對民主不滿意	1228	47.01	47.01	100.00
NA	NA	0	0.00	NA	NA
total N=2612 · valid N=2612 · x̄=0.47 · σ=0.50

（二）司法不公感

  Q16： 有人說「台灣社會存在著非常嚴重的司法不公正的問題」請問您同不同意這樣的說法？

  此變數反映受訪者的「司法公正信念」，越質疑體制公平性的人，可能更容易相信「政府透過網軍操作假訊息」的陰謀論。

# 原始變數
sjmisc::frq(Tiktok$Q16, out="v")

司法不公感 (x) <numeric>

val	label	frq	raw.prc	valid.prc	cum.prc
1	非常不同意	64	2.45	2.45	2.45
2	還滿不同意	102	3.91	3.91	6.36
3	有點不同意	404	15.47	15.47	21.82
4	有點同意	921	35.26	35.26	57.08
5	還滿同意	512	19.60	19.60	76.68
6	非常同意	609	23.32	23.32	100.00
NA	NA	0	0.00	NA	NA
total N=2612 · valid N=2612 · x̄=4.36 · σ=1.24

# 虛擬變數
# 推測司法不公感與 Q9 的假訊息歸因之間存在正向關聯。
#　司法是民主體制的重要支柱，當民眾認為司法不公（原題選項 4-6 ）時，代表對整個體制的信任已經崩解。
# 司法不公感代表了系統化的負面認知，認為體制已經被執政黨把持和操控，在這種認知框架，假訊息問題自然也會被歸咎於執政黨。
sjmisc::frq(Tiktok$Q16r, weights = Tiktok$WT, out="v")

是否同意司法不公 (xw) <categorical>

val	label	frq	raw.prc	valid.prc	cum.prc
0	不同意司法不公	615	23.55	23.55	23.55
1	同意司法不公	1997	76.45	76.45	100.00
NA	NA	0	0.00	NA	NA
total N=2612 · valid N=2612 · x̄=0.76 · σ=0.42

（三）政府威權化認知

  Q18.有人說「現在的政府跟共產黨沒有差別，台灣沒有言論自由」請問您同不同意這樣的說法？

  此變數反映受訪者的「極端政府不信任感」，若是對政府有不信任感和陰謀論認知，越可能更激進的將責任歸屬給執政者的傾向。

# 原始變數
sjmisc::frq(Tiktok$Q18, out="v")

政府威權化認知 (x) <numeric>

val	label	frq	raw.prc	valid.prc	cum.prc
1	非常不同意	359	13.74	13.74	13.74
2	還滿不同意	385	14.74	14.74	28.48
3	有點不同意	716	27.41	27.41	55.90
4	有點同意	663	25.38	25.38	81.28
5	還滿同意	297	11.37	11.37	92.65
6	非常同意	192	7.35	7.35	100.00
NA	NA	0	0.00	NA	NA
total N=2612 · valid N=2612 · x̄=3.28 · σ=1.41

# 認同政府威權化的群體（原題選項 4-6 ）與假訊息歸因（Q9）之間可能存在正向關聯。
# 同意「現在的政府跟共產黨沒有差別，台灣沒有言論自由」的群體，會更傾向將假訊息歸咎於民進黨。
# 當民眾認為「台灣沒有言論自由」時，會自然聯想到政府透過各種手段控制輿論。
# 而認同「政府跟共產黨沒有差別」這種表述的人，更可能將假訊息歸咎於民進黨而非中國共產黨。
# 而也有可能正是因為民眾已經將假訊息歸咎於民進黨，才會產生「政府操控輿論」到「政府跟共產黨一樣」的認知
# 但無論因果方向如何，這兩個變數之間應該存在強烈關聯。
sjmisc::frq(Tiktok$Q18r, weights = Tiktok$WT, out="v")

是否同意政府威權化 (xw) <categorical>

val	label	frq	raw.prc	valid.prc	cum.prc
0	不同意政府威權化	1547	59.23	59.23	59.23
1	同意政府威權化	1065	40.77	40.77	100.00
NA	NA	0	0.00	NA	NA
total N=2612 · valid N=2612 · x̄=0.41 · σ=0.49

# 儘管台灣是公認的民主國家，仍有非常多受訪者同意現在的政府跟共產黨沒有差別。
# 這種認知矛盾揭示了民眾對執政黨的極端不信任，甚至有將民主政府等同於威權體制的認知框架。
# 此種情況下，民眾自然會將假訊息問題歸咎於「已經威權化的執政黨」，而非外部的中國共產黨。
plot_frq(Tiktok$Q18r, weight.by = Tiktok$WT, geom.colors = "#7B7B7B")

四、政黨傾向

（一）最支持的政黨

  Q10. 國內的政黨都有他們各自的支持者，也會有不喜歡他們的人。請問您整體而言最支持哪一個政黨？

  當人們對執政黨持負面態度時，可能會傾向將所有負面現象（包括假訊息）歸咎於執政黨，形成一種「執政黨是所有問題根源」的歸因模式。

# 原始變數
sjmisc::frq(Tiktok$Q10, out="v")      

最支持的政黨 (x) <numeric>

val	label	frq	raw.prc	valid.prc	cum.prc
1	民進黨	572	21.90	21.90	21.90
2	國民黨	308	11.79	11.79	33.69
3	民眾黨	354	13.55	13.55	47.24
4	時代力量	53	2.03	2.03	49.27
5	親民黨	16	0.61	0.61	49.89
6	台灣基進	11	0.42	0.42	50.31
7	綠黨	11	0.42	0.42	50.73
8	小民參政歐巴桑聯盟	15	0.57	0.57	51.30
9	新黨	4	0.15	0.15	51.45
10	不支持任何政黨	1265	48.43	48.43	99.89
90	其他政黨	3	0.11	0.11	100.00
NA	NA	0	0.00	NA	NA
total N=2612 · valid N=2612 · x̄=6.03 · σ=4.96

# 清理後變數（已加權）
# 以政治影響力與媒體能見度為基準，保留國會三大主要政黨。
sjmisc::frq(Tiktok$Q10c, weights = Tiktok$WT, out="v")

最支持的政黨 (xw) <categorical>

val	label	frq	raw.prc	valid.prc	cum.prc
1	民進黨	625	23.92	23.92	23.92
2	國民黨	522	19.98	19.98	43.90
3	民眾黨	224	8.57	8.57	52.47
4	其他政黨	104	3.98	3.98	56.45
5	不支持任何政黨	1138	43.55	43.55	100.00
NA	NA	0	0.00	NA	NA
total N=2613 · valid N=2613 · x̄=3.23 · σ=1.70

# 清理後變數長條圖
# 與 X1-2 的 Q11 對比，發現民進黨同時是最受支持和最受厭惡的政黨。
plot_frq(Tiktok$Q10c, weight.by = Tiktok$WT, geom.colors = "#7B7B7B")

（二）最討厭的政黨

  Q11. 請問您整體而言最討厭哪一個政黨？

  此變數反映受訪者的「政黨厭惡感」，民進黨同時是最受支持和最受厭惡的政黨，顯示台灣的政治極化現象。

# 原始變數
sjmisc::frq(Tiktok$Q11, out="v")

最厭惡的政黨 (x) <numeric>

val	label	frq	raw.prc	valid.prc	cum.prc
1	民進黨	868	33.23	33.23	33.23
2	國民黨	647	24.77	24.77	58.00
3	民眾黨	174	6.66	6.66	64.66
4	時代力量	40	1.53	1.53	66.19
5	親民黨	18	0.69	0.69	66.88
6	台灣基進	21	0.80	0.80	67.69
7	綠黨	7	0.27	0.27	67.96
8	小民參政歐巴桑聯盟	10	0.38	0.38	68.34
9	新黨	15	0.57	0.57	68.91
10	不討厭任何政黨	790	30.25	30.25	99.16
90	其他政黨	22	0.84	0.84	100.00
NA	NA	0	0.00	NA	NA
total N=2612 · valid N=2612 · x̄=5.06 · σ=8.74

# 清理後變數（已加權）
# 以政治影響力與媒體能見度為基準，保留國會三大主要政黨。
sjmisc::frq(Tiktok$Q11c, weights = Tiktok$WT, out="v")

最厭惡的政黨 (xw) <categorical>

val	label	frq	raw.prc	valid.prc	cum.prc
1	民進黨	828	31.70	31.70	31.70
2	國民黨	680	26.03	26.03	57.73
3	民眾黨	162	6.20	6.20	63.94
4	其他政黨	138	5.28	5.28	69.22
5	不討厭任何政黨	804	30.78	30.78	100.00
NA	NA	0	0.00	NA	NA
total N=2612 · valid N=2612 · x̄=2.77 · σ=1.66

# 清理後變數長條圖
# 與 X1-1 的 Q10 對比，發現民進黨同時是最受支持和最受厭惡的政黨。
# 「不支持任何政黨」但「厭惡民進黨」的群體，很可能具有隱性的反執政黨傾向。
plot_frq(Tiktok$Q11c, weight.by = Tiktok$WT, geom.colors = "#7B7B7B")

（三）執政黨印象

  Q12.請問整體而言您喜不喜歡現在的執政黨？

  同 Q10 ，當人們對執政黨持負面態度時，可能會傾向將所有負面現象）歸咎於執政黨。

# 原始變數
sjmisc::frq(Tiktok$Q12, out="v")

執政黨印象 (x) <numeric>

val	label	frq	raw.prc	valid.prc	cum.prc
1	非常不喜歡	652	24.96	24.96	24.96
2	還滿不喜歡	347	13.28	13.28	38.25
3	有點不喜歡	720	27.57	27.57	65.81
4	有點喜歡	559	21.40	21.40	87.21
5	還滿喜歡	231	8.84	8.84	96.06
6	非常喜歡	103	3.94	3.94	100.00
NA	NA	0	0.00	NA	NA
total N=2612 · valid N=2612 · x̄=2.88 · σ=1.43

sjmisc::frq(Tiktok$Q12r, weights = Tiktok$WT, out="v")

是否喜歡現在執政黨 (xw) <categorical>

val	label	frq	raw.prc	valid.prc	cum.prc
0	不喜歡執政黨	1578	60.41	60.41	60.41
1	喜歡執政黨	1034	39.59	39.59	100.00
NA	NA	0	0.00	NA	NA
total N=2612 · valid N=2612 · x̄=0.40 · σ=0.49

伍、變數關聯推論

一、兩岸緊張歸因與假訊息歸因

  此段落為探討 Q23 與 Q9 的關聯。

（一）心理一致性與責任歸屬框架

  如果某人在某個政治議題上建立了責任歸屬的認知框架，這個框架可能會擴散到其他政治現象的解釋。既然民進黨招惹了中國，那麼中國帶來的外部威脅亦是民進黨之責，甚至可能認為民進黨利用假訊息鞏固其政治地位。

  將兩岸緊張歸咎於民進黨本質上是一種內部歸因，即是把問題根源定位在台灣內部執政黨，而非外部的中國威脅，這種歸因傾向一旦形成，會在不同議題上保持連貫性。對這個群體來說，承認「假訊息來自中國」會與他們的核心信念產生矛盾：如果中國真的在打資訊戰，那麼兩岸緊張可能不只是民進黨的錯，中國也有攻擊性意圖。但是該群體為了維持認知的一致性（可能為了他們的尊嚴或是體面），就必須將假訊息問題也內部化，不是民進黨自己操作輿論攻擊其他政黨，就是民進黨誇大中國威脅造成社會恐慌。

  當人們對某個對象形成負面印象時，會傾向將所有負面現象都歸咎於它，即基本歸因謬誤。，如果民眾已經認定民進黨造成兩岸危機，他們對民進黨的整體評價就會是負面的，在這種情況下，面對假訊息問題這個負面現象，他們不會再去求證，會直覺反應假訊息來源也是民進黨。

（二）政治敘事的串聯效應

  在台灣的政治論述中，「兩岸關係緊張」和「民進黨操作假訊息」常常被某些政治陣營或媒體一起提出。這種敘事會強化兩者的關聯，民進黨也被塑造成一個為了選舉利益所以破壞兩岸關係，且操作資訊戰的角色。在這種敘事環境下，他們會逐漸接受「民進黨也是假訊息主要來源」的觀點。

二、資訊信任與假訊息歸因

  此段落為探討 Q4 與 Q9 的關聯。

（一）非傳統媒體的特性

  非傳統媒體與傳統新聞媒體最大的差異，在於缺乏系統化的查證機制。傳統新聞機構即使有政治立場，但仍然需要遵循基本的新聞倫理和法律規範，但網紅、政治人物、甚至親友分享的內容，往往不需要經過這層過濾。且非傳統媒體的內容往往具有強烈的情感煽動性。尤其是網紅、政治人物、名嘴為了商業模式或政治目的都需要流量和話題性，會傾向於提供帶有衝突性的內容吸引更多人。 當民眾主要信賴這類管道時，他們接收到的資訊會被這些管道的立場所影響，尤其在現在台灣的媒體生態中，反執政黨的聲量特別大，那麼民眾會持續接收到民進黨操作假訊息的敘事。

（二）演算法強化的同溫層效應

  信賴社群平台的人，他們的資訊接收主要透過社群平台，而演算法會根據使用者的偏好推送內容，形成迴音室效應。如果一個人一開始對民進黨有些負面觀感，演算法會持續推送批評民進黨的內容，包括「蠢鳥網軍」、「1450」等假訊息相關論述。在這種資訊環境中，民眾會不斷接收到同一種敘事，久而久之就會內化為自己的信念。而這些管道的內容往往缺乏反面意見。不像傳統新聞雖然有各自立場，但還是可能會呈現反方意見。社群平台的演算法會排除不同陣營言論，讓人們以為大家都有相同共識，而更確信假訊息就是來自民進黨。

（三）人際信任轉化為政治信念

  信賴親友或點頭之交作為資訊來源的群體，他們的信賴是基於人際關係的信任而非基於資訊品質。當信任的人告訴自己「民進黨在操作假訊息」，即使這個說法本身在傳遞時缺乏有力證據，也會因為信任這個人而更相信這個說法。若是身處於會討論政治話題的家族聚會抑或朋友群組，該社交圈普遍對執政黨有負面觀感，那麼「民進黨是假訊息來源」這個說法就會在該群體裡被視為集體共識，而質疑它就等於質疑信任的人。

三、政府威權化認知與假訊息歸因

  此段落為探討 Q18 與 Q9 的關聯。

（一）認知矛盾與極端不滿

  此題中，認為台灣沒有言論自由且政府威權化的民眾佔了近半數。但若真是如此，那麼民眾如何能自由地批評政府？如果政府跟共產黨沒有差別，為什麼媒體可以批評執政黨且網路上還充斥各種反政府言論？但同意這個說法的人，他們的認知框架可能已經扭曲，以至於能同時擁有「政府壓制言論自由」和「我可以自由地說政府壓制言論自由」這兩個相互矛盾的信念，他們會開始使用極端化的情緒來表達這種不滿，且不在乎這些論述是否符合事實，也會將此種情緒投射成民進黨是假訊息來源。

（二）陰謀論思維與受害者定位

  同意政府跟共產黨沒有差別的人可能具有陰謀論思維，他們會相信政府在暗中操控一切，包括媒體、司法、甚至網路輿論。在這種世界觀中，所有對執政黨有利的資訊可能都被視為洗白或大內宣。當這種思維模式套用到假訊息問題時，他們直接用中共的行為模式來推論民進黨，最終也會得出民進黨操作假訊息的結論。

  同時，同意政府威權化這個說法的群體，或許更容易將自己定位為被政府壓迫的受害者，而任何質疑該群體觀點的言論，都會被解讀為政府打壓人民的證據，在這種心態下，他們會認為政府所謂的打擊假訊息其實是箝制言論自由的藉口，討論假訊息來源時，他們也會自然把矛頭指向政府，認為政府才是最大的假訊息製造者與傳播者。

陸、雙變數關聯性分析

一、兩岸緊張歸因與假訊息歸因

（一）假設陳述

  H0：兩岸緊張歸因與假訊息歸因無關。

  H1：兩岸緊張歸因與假訊息歸因存在關聯。

（二）卡方檢定

chisq.test(Tiktok$Q23r, Tiktok$Q9r) 

    Pearson's Chi-squared test with Yates' continuity correction

data:  Tiktok$Q23r and Tiktok$Q9r
X-squared = 792.92, df = 1, p-value < 2.2e-16

  卡方檢定結果顯示 χ²=792.92，p<0.001，達到統計顯著水準，拒絕虛無假設，資料支持兩岸緊張歸因與假訊息歸因之間存在關聯。

（三）交叉分析表

tab_xtab(Tiktok$Q23r, Tiktok$Q9r, show.obs = TRUE,show.row.prc = TRUE,show.col.prc = TRUE,
show.na = FALSE,show.legend = FALSE,show.exp = FALSE,show.cell.prc = FALSE, 
tdcol.col = "#009393",tdcol.row = "#BF0060")      

是否將兩岸緊張歸咎於民進黨	是否將假訊息歸咎於民進黨		Total
	不歸咎民進黨	歸咎民進黨
不歸咎民進黨	947 78.7 % 90.9 %	256 21.3 % 28.5 %	1203 100 % 62 %
歸咎民進黨	95 12.9 % 9.1 %	641 87.1 % 71.5 %	736 100 % 38 %
Total	1042 53.7 % 100 %	897 46.3 % 100 %	1939 100 % 100 %
χ2=792.918 · df=1 · &phi=0.641 · p=0.000

  交叉分析表顯示 φ=0.641，資料支持兩岸緊張歸因與假訊息歸因之間存在強關聯。

  列百分比：在將兩岸緊張歸咎於民進黨的 736 位受訪者中，有 87.1% 同時將假訊息歸咎於民進黨；相對地，在不歸咎民進黨兩岸責任的 1203 位受訪者中，僅 21.3% 將假訊息歸咎於民進黨。兩組比例差距達 65.8 個百分點，呈現極為明顯的條件機率差異，代表兩岸歸因對假訊息歸因具有極強的預測力。

  欄百分比：在所有將假訊息歸咎於民進黨的897位受訪者中，有 71.5% 同時將兩岸緊張歸咎於民進黨；而在不歸咎民進黨假訊息責任的1042位受訪者中，僅 9.1% 將兩岸問題歸咎於民進黨。這種雙向的高度一致性顯示，兩種歸因並非各自獨立的判斷，而是相互強化的認知模式。

（四）列聯表關聯圖

cotabplot(~ Q23r + Q9r,data = Tiktok,shade = TRUE,compress = FALSE,alternate = FALSE,
gp = shading_hcl,gp_args = list(h = c(220, 3),c = c(20, 0, 20),l = c(85, 60, 75)),
labeling_args = list(set_varnames = c(Q23r = "兩岸關係緊張歸因",Q9r = "假訊息歸因"),
set_labels = list(Q23r = c("0" = "不歸咎民進黨", "1" = "歸咎民進黨"),
Q9r = c("0" = "不歸咎民進黨", "1" = "歸咎民進黨"))))

  我將觀察值高於理論期望值的組合設定為藍色，低於期望值的組合設定為粉色。可以看到左上角（兩者都不歸咎民進黨）和右下角（兩者都歸咎民進黨）呈現明顯藍色，顯示這兩種一致性組合的人數遠多於隨機分布的預期。相對地，右上角和左下角（一個歸咎、一個不歸咎）呈現明顯粉色，表示這種矛盾組合的人數少於預期，此圖更有力的證明了民眾在兩岸議題和假訊息議題上的責任歸屬判斷上傾向一致性極強，且很少出現矛盾立場。

（五）檢定詮釋

  檢定結果支持本假設，兩岸關係歸因與假訊息歸因之間存在高度一致性。當民眾建立「民進黨應對兩岸緊張負責」的認知框架後，此框架會自動套用到其他負面政治現象的解釋，而不需要針對每個議題重新評估證據。但兩岸關係與假訊息問題在性質上差異甚大：前者涉及地緣政治與軍事風險，後者涉及資訊環境治理，可是對於已形成特定歸因傾向的民眾而言，這些差異被執政黨責任的統一框架所覆蓋，會覺得所有問題都是執政黨所造成。

二、信賴資訊來源與假訊息歸因

（一）假設陳述

  H0：信賴資訊來源與假訊息歸因無關。

  H1：信賴資訊來源與假訊息歸因存在關聯。

（二）卡方檢定

chisq.test(Tiktok$Q4r, Tiktok$Q9r) 

    Pearson's Chi-squared test with Yates' continuity correction

data:  Tiktok$Q4r and Tiktok$Q9r
X-squared = 15.052, df = 1, p-value = 0.0001046

  卡方檢定結果顯示 χ²=15.052，p<0.001，達到統計顯著水準，拒絕虛無假設，資料支持信賴資訊來源與假訊息歸因之間存在關聯。

（三）交叉分析表

tab_xtab(Tiktok$Q4r, Tiktok$Q9r, show.obs = TRUE,show.row.prc = TRUE,show.col.prc = TRUE,
show.na = FALSE,show.legend = FALSE,show.exp = FALSE,show.cell.prc = FALSE, 
tdcol.col = "#009393",tdcol.row = "#930093")      

是否信賴非傳統媒體	是否將假訊息歸咎於民進黨		Total
	不歸咎民進黨	歸咎民進黨
信賴傳統媒體	603 50.2 % 57.9 %	597 49.8 % 66.6 %	1200 100 % 61.9 %
信賴非傳統媒體	439 59.4 % 42.1 %	300 40.6 % 33.4 %	739 100 % 38.1 %
Total	1042 53.7 % 100 %	897 46.3 % 100 %	1939 100 % 100 %
χ2=15.052 · df=1 · &phi=0.089 · p=0.000

  交叉分析表顯示 φ=0.089，資料支持信賴資訊來源與假訊息歸因之間存在弱關聯。

  列百分比：在主要信賴非傳統媒體的 739 位受訪者中，有 40.6% 將假訊息歸咎於民進黨；在不主要信賴非傳統媒體的1200位受訪者中，有 49.8% 將假訊息歸咎於民進黨。兩組比例差距為 9.2 個百分點，方向與我先前的推論相反，信賴非傳統媒體者反而較不傾向將假訊息歸咎於民進黨。

  欄百分比：在所有將假訊息歸咎於民進黨的 897 位受訪者中，信賴非傳統媒體者佔 33.4% ，不主要信賴非傳統媒體者佔 66.6% ；而在不歸咎民進黨假訊息責任的 1042 位受訪者中，信賴非傳統媒體者佔 42.1% ，不主要信賴非傳統媒體者佔 57.9% 。這種分布顯示，信賴非傳統媒體的群體在不歸咎民進黨組別中的占比相對較高。

（四）列聯表關聯圖

cotabplot(~ Q4r + Q9r,data = Tiktok,shade = TRUE,compress = FALSE,alternate = FALSE,
gp = shading_hcl,gp_args = list(h = c(220, 3),c = c(20, 0, 20),l = c(85, 60, 75)),
labeling_args = list(set_varnames = c(Q4r = "信賴資訊來源",Q9r = "假訊息歸因"),
set_labels = list(Q4r = c("0" = "信賴傳統媒體", "1" = "信賴非傳統媒體"),
Q9r = c("0" = "不歸咎民進黨", "1" = "歸咎民進黨"))))

  此圖中都是低彩度方塊，尤其圖中左上方和右上方兩個格子呈現淺灰色，顯示實際觀察值與隨機期望值極為接近。而下方兩個格子出現微弱的顏色差異，左下角（信賴非傳統媒體且不歸咎民進黨）呈現微弱藍色，顯示此組合略多於期望值；右下角（信賴非傳統媒體且歸咎民進黨）呈現微弱粉色，顯示此組合略少於期望值。這種極為淺淡的顏色對比代表兩變數之間僅存在微弱關聯，遠不及前面假設一的強烈對角線模式。

（五）檢定詮釋

  檢定結果雖達統計顯著，但關聯稍弱且方向相反，部分否定了原先的理論預期。在建立假設時，我推論非傳統媒體缺乏系統化查證機制，且演算法會強化同溫層效應，因此信賴這類管道的民眾應更容易接受民進黨操作假訊息的敘事。然而實證結果不僅未支持此預期，反而是呈現反向的弱關聯，信賴非傳統媒體者甚至較不傾向將假訊息歸咎於民進黨。相較於假設一的強關聯，此結果可能暗示假訊息歸因會更深層地受到政治態度本身所驅動，而非資訊接收管道。

  反思後，可能的解釋包括以下：非傳統媒體的政治立場或許比原先設想的更為多元，雖然部分網紅與名嘴確實傳播反執政黨訊息，但也有一定比例的創作者會支持執政黨或保持中立；此外，信賴非傳統媒體的群體可能具有較高的批判意識，他們選擇非傳統管道可能正是因為對傳統媒體的政治立場不滿，這種批判態度導致他們在假訊息歸因時不願直接去歸咎單一政黨；而「最信賴」的單一測量方式可能無法充分捕捉受訪者複雜的媒體使用行為，民眾可能在不同議題上信賴不同管道，或者同時接觸多種管道，所以數據難以直接去鎖定單一的因果關聯。

三、政府威權化認知與假訊息歸因

（一）假設陳述

  H0：政府威權化認知與假訊息歸因無關。

  H1：政府威權化認知與假訊息歸因存在關聯。

（二）卡方檢定

chisq.test(Tiktok$Q18r, Tiktok$Q9r) 

    Pearson's Chi-squared test with Yates' continuity correction

data:  Tiktok$Q18r and Tiktok$Q9r
X-squared = 367.85, df = 1, p-value < 2.2e-16

  卡方檢定結果顯示 χ²=367.85，p<0.001，達到統計顯著水準，拒絕虛無假設，資料支持政府威權化認知與假訊息歸因之間存在關聯。

（三）交叉分析表

tab_xtab(Tiktok$Q23r, Tiktok$Q9r, show.obs = TRUE,show.row.prc = TRUE,show.col.prc = TRUE,
show.na = FALSE,show.legend = FALSE,show.exp = FALSE,show.cell.prc = FALSE, 
tdcol.col = "#009393",tdcol.row = "#977C00")      

是否將兩岸緊張歸咎於民進黨	是否將假訊息歸咎於民進黨		Total
	不歸咎民進黨	歸咎民進黨
不歸咎民進黨	947 78.7 % 90.9 %	256 21.3 % 28.5 %	1203 100 % 62 %
歸咎民進黨	95 12.9 % 9.1 %	641 87.1 % 71.5 %	736 100 % 38 %
Total	1042 53.7 % 100 %	897 46.3 % 100 %	1939 100 % 100 %
χ2=792.918 · df=1 · &phi=0.641 · p=0.000

  交叉分析表顯示 φ=0.437，資料支持政府威權化認知與假訊息歸因之間存在中度關聯。

  列百分比：在同意「政府跟共產黨沒有差別，台灣沒有言論自由」的 915 位受訪者中，有69.3% 將假訊息歸咎於民進黨；在不同意此說法的 1024 位受訪者中，僅 25.7% 將假訊息歸咎於民進黨。兩組比例差距 43.6 個百分點，顯示政府威權化認知對假訊息歸因具有顯著的區辨力。尤其是同意威權化的群體中近七成將假訊息歸咎於執政黨，此比例遠高於樣本整體的 46.3% ，反映出對政府極端不信任感與假訊息內部歸因之間的強烈連結。

  欄百分比：在所有將假訊息歸咎於民進黨的 897 位受訪者中，有 70.7% 同時認為政府威權化；而在不歸咎民進黨假訊息責任的 1042 位受訪者中，僅 27% 認為政府威權化。這種不對稱分布進一步證實了，相信執政黨操作假訊息的民眾，絕大多數也同時擁有「政府已威權化」的極端體制評價。

（四）列聯表關聯圖

cotabplot(~ Q18r + Q9r,data = Tiktok,shade = TRUE,compress = FALSE,alternate = FALSE,
gp = shading_hcl,gp_args = list(h = c(220, 3),c = c(20, 0, 20),l = c(85, 60, 75)),
labeling_args = list(set_varnames = c(Q18r = "政府威權化認知",Q9r = "假訊息歸因"),
set_labels = list(Q18r = c("0" = "不同意威權化", "1" = "同意威權化"),
Q9r = c("0" = "不歸咎民進黨", "1" = "歸咎民進黨"))))   

  此圖呈現了與假設一類似的樣式，左上角（不同意威權化且不歸咎民進黨）和右下角（同意威權化且歸咎民進黨）呈現彩度高的藍色，顯示這兩種一致性組合多於隨機期望；右上角和左下角（矛盾組合）呈現彩度高的粉色，顯示此組合少於預期。這種清晰的對角線模式證實了民眾在政府威權化認知與假訊息歸因上傾向保持一致性。

（五）檢定詮釋

  檢定結果支持本假設，政府威權化認知與假訊息歸因之間存在中度關聯。同意政府跟共產黨沒有差別的群體，任何反證(如言論自由的存在)都被解讀為政府掩飾更深陰謀的證據。在這種認知框架下，官方對假訊息來源的澄清不僅無效，反而會被視為政府想轉移焦點，進一步強化執政黨才是假訊息源頭的信念。

  這些認為台灣政府威權化的群體，可能對真正的威權政體(中國)反而較不警覺。當民眾將所有注意力集中於內部威脅(執政黨)，會排擠對外部資訊戰的認知資源，形成把民主政府當敵人的認知盲點，這種極端信念也形成敵我倒置，可能是台灣潛在的戰略風險。

柒、多重對應分析

一、問卷題目與維度構成

（一）代號與變數對照表

Q9r	是（1）否（0）將假訊息歸咎民進黨
Q23r	是（1）否（0）將兩岸緊張歸咎民進黨
Q24r	是（1）否（0）對中國有負面印象
S1r	是（1）否（0）為 Tiktok 高頻使用者
Q4r	是（1）否（0）信賴非傳統媒體
Q15r	是（1）否（0）對當前民主不滿
Q16r	是（1）否（0）認為司法不公
Q18r	是（1）否（0）同意政府威權化
Q10c	最支持的政黨（DPP/KMT/TPP/Others/None）
Q11c	最討厭的政黨（DPP/KMT/TPP/Others/None）
Q12r	是（1）否（0）喜歡現在執政黨

（二）陡坡圖

fviz_screeplot(res,ncp=5,barfill="#7B7B7B",barcolor="#7B7B7B",linecolor="#1a1a1a",title="")

  第一維度解釋了約 30% 的變異，是最具解釋力和主導性的維度。後面幾個維度的陡坡趨於平緩，解釋力都在 10% 左右且遞減幅度縮小，本研究採用前兩個維度進行後續的結構分析與詮釋，共解釋約 45% 的變異量。

（三）維次歸納描述

corrplot(res$var$cos2,is.corr=FALSE,tl.cex=0.8,tl.col="#000000", 
col=colorRampPalette(c("#FFFFFF","#000000"))(500),method ="color",title="")

  第一維度是所有維度中貢獻度最高的軸線，其變異量佔比最大，主導了整體結構。最深色且貢獻度最高的是假訊息是否歸咎民進黨（Q9r）和兩岸緊張是否歸咎民進黨（Q23r） 的兩組類別，證明了這兩種歸因是高度一致且很難分割的核心概念。是否同意政府威權化（Q18r）的類別也具有極高的貢獻度，表明將負面現象歸咎於執政黨的傾向，與對政府體制的極端不信任，形成了一個緊密相連的認知集群。

  信賴媒體類型（Q4r）與對中國政府印象（Q24r）的類別是第二維度的核心變數。說明資訊接收管道的選擇與對外部威脅的感知這兩種態度是高度關聯的，而 Dim 2 軸線正是利用這種聯繫來區分受訪者對外態度的差異。

  第三維度的核心變數是是否同意司法不公（Q16r），顯示司法公正感是獨立於主要歸因傾向和對外態度的另一層體制信念面向。 而 Tiktok 高/低頻使用者（S1r）的類別在第四維度上呈現最強的連結強度，但在前三個維度上幾乎無貢獻，可得知 Tiktok 的使用習慣與核心的政治態度（如歸咎民進黨、對中印象）是兩個分立的特徵。

（四）變數關聯分佈圖

plot(res,axes=c(1,2), new.plot=TRUE,choix="var",col.var="#A02C3D", col.quali.sup="#2C5C77", 
label=c("quali.sup","quanti.sup","var"),invisible=c("ind"),autoLab ="yes",title="變數關聯分佈圖",
cex=0.8,xlim=c(-0.1,0.75), ylim=c(-0.1,0.55))

  Dim 1 正向呈現出極為緊密的變數群聚。是否將假訊息歸咎民進黨（Q9r）、兩岸緊張是否歸咎民進黨（Q23r）和是否同意政府威權化（Q18r）在空間上距離極近，表明這幾種對執政黨的態度在個體態度中具有最高的相關性。而 Q9r 以及 Q23r、Q18r 的相關性，也在上一章透過卡方檢定確認顯著水準皆為p<0.001。

  最討厭的政黨（Q11c） 與核心歸因群（Q9r、Q23r、Q18r）距離極近，極端的政黨厭惡情感與政治責任歸因之間存在高度關聯；最支持的政黨（Q10c） 、是否喜歡執政黨 （Q12r）、是否對當前民主不滿（Q15r）三點的距離也非常相近，支持某個政黨的傾向與對執政黨的好惡以及對民主的態度在此空間中是高度同步的。Tiktok 使用頻率（S1r） 和是否同意司法不公（Q16r） 距離原點較近，表示它們對 Dim 1 的相關強度略低。

  Dim 2 裡，是否對中國政府有負面印象（Q24r）和 是否信賴非傳統媒體（Q4r）兩變數位於軸線的正向高位，且兩點之間的距離極近，說明對中國政府的認知與媒體信任偏好在個體態度中具有高度關聯，此高貢獻群在空間上也明顯遠離 Dim 1 上的所有核心群，是一個獨立於國內政治態度的概念維度。

二、維度象限描述與變數類別

（一）第一維次主要貢獻變數類別

fviz_contrib(res, choice = "var", axes = 1, fill = "#7B7B7B", color = "#7B7B7B")+
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1.25, size = 7))

  Dim 1 貢獻度高於紅色平均線的類別，依序是兩岸緊張歸咎民進黨（Q23r_1）、假訊息歸咎民進黨（Q9r_1）、假訊息不歸咎民進黨 （Q9r_0）、同意政府威權化（Q18r_1）、不同意政府威權化（Q18r_0） 和 兩岸緊張不歸咎民進黨（Q23r_0）等六個類別。第一維度軸線所代表的潛在變數可暫時定義為「政治歸責與體制信任」。

（二）第二維次主要貢獻變數類別

fviz_contrib(res, choice = "var", axes = 2, fill = "#7B7B7B", color = "#7B7B7B")+
theme(axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1.25, size = 7))

  構成 Dim 2 的核心變數類別依序是對中國政府非負面印象（Q24r_0）、信賴非傳統媒體（Q4r_1）和 信賴傳統媒體（Q4r_0）三個類別。第二維度不是由第一維度所構成的國內政治態度所驅動，而是由對中政權認知與資訊來源的偏好所主導，第二維度軸線所代表的潛在變數可暫時標記成「對中態度與媒體選擇軸」。

（三）所有變數類別分佈圖

plot(res,axes=c(1,2),new.plot=TRUE,col.var="#A02C3D",col.ind="#7B7B7B",col.ind.sup="#7B7B7B",
col.quali.sup="#2C5C77",cex=0.8,invisible=c("ind"),autoLab="yes",title="完整類別分布圖")

  可以發現對中國政府持正面印象（Q24r_0）的類別在空間中十分特立獨行，其位於 Dim 2 軸線極高位，且與其它變數保持著顯著的距離，分佈位置相對更具中立色彩。此群體的整體認知結構中相對獨立於國內政治評價，其態度可能由一套獨立態度機制所驅動 。

  不將假訊息歸咎民進黨（Q9r_0）、支持民進黨（Q10c_DPP）與最討厭國民黨（Q11c_KMT）三者相近且幾乎重疊，是一個高度一致的黨派認同群組，展現出典型的綠營支持者特徵，這組變數的高度重疊符合台灣政治光譜中藍綠對立的既有認知。

  最討厭民眾黨（Q11c_TPP）與認為司法公正（Q16r_0）的群體位置幾乎重疊在一起，顯示對民眾黨持負面態度的群體，傾向於對台灣司法體系抱持較正面的評價，可能與民眾黨在特定時期對司法議題的批判立場有關。不支持任何政黨（Q10c_none）與對中國有負面印象（Q24r_1）呈現相近位置，這是較為出乎意料的發現。原以為無黨派認同在對外態度上也會較為中立，但此處顯示無黨派傾向者反而在對中國政府的態度上展現明確的負面立場。

  最討厭民進黨（Q11c_DPP）與將假訊息歸咎民進黨（Q9r_1）這兩個類別在圖上位置是最為重疊的，對民進黨有負面情感的群體，傾向於同時將假訊息問題的責任歸咎於民進黨，可推敲對特定政黨的負面評價會延伸到對該政黨相關政策或社會問題的責任歸屬。

（四）前 20 個最主要貢獻變數類別分佈

plot(res, axes=c(1, 2),new.plot=TRUE,col.var="#A02C3D",col.ind="#7B7B7B",col.ind.sup="#7B7B7B",
col.quali.sup="#2C5C77",label=c("var"),cex=0.8,selectMod="cos2 20",
invisible=c("ind","quali.sup"),xlim=c(-1,1),ylim=c(-0.5,0.5),autoLab="yes",
title="前 20 個最主要貢獻變數類別分佈") 

  本圖將焦點放在對維度具有最高解釋力的前 20 個變數類別上，第一象限呈現出高度極端化的體制不滿與媒體接觸傾向，此集群的核心變數類別為同意政府威權化（Q18r_1）、Tiktok 高頻使用者（S1r_1）以及同意司法不公（Q16r_1）。將台灣政府視為威權體制，並同時對司法公正性持懷疑態度的群體，在態度上與高頻使用 Tiktok 的行為有所關聯，展現出一種內在的極端反體制認知模式。

  第二象限表現對國內體制的相對肯定態度，但具有特定的資訊偏好。此集群的主要變數類別包括假訊息不歸咎民進黨 （Q9r_0）、對當前民主滿意（Q15r_0）以及兩岸緊張不歸咎民進黨（Q23r_0）。這些類別的 Dim 2 座標雖然偏正但數值較低，且緊密相近於 Dim 1 負向中軸，共同描繪了一個傾向於不將政治責任歸咎於執政黨，並對當前民主運作感到滿意的群體輪廓。此集群的分佈顯示，對體制的肯定與不歸責執政黨的態度是高度一致的。

  第三象限由對中國政府的負面認知和對國內體制的審慎立場所共同定義。此集群的主要變數類別包括不同意司法不公 （Q16r_0）、不同意政府威權化 （Q18r_0）、Tiktok 低頻使用者（S1r_0）、以及對中國政府負面印象 （Q24r_1）。對中國政府持負面印象的群體，其態度也伴隨著不認同台灣政府威權化且不認為司法不公的立場，這是一種對外部政權保持警覺且對國內體制抱持中立態度的群體。

  第四象限是政治歸責與體制不滿的核心集中區，傾向於單純的體制負面評價。此集群的主要變數類別為假訊息歸咎民進黨（Q9r_1）以及對當前民主不滿 (Q15r_1）。將假訊息與對當前民主運作的不滿是高度相伴且同步的認知現象，此集群的分佈反映了最典型的內在歸因模式。

三、受訪者分佈呈現

（一）總受訪者分佈

plot(res, axes=c(1,2),new.plot=TRUE,choix="ind",col.var="#A02C3D",col.quali.sup="#2C5C77",
label=c("var"),selectMod="cos2 15",select="cos2 1",xlim=c(-1,1),invisible=c("quali.sup", "var"),
title="受訪者分佈圖")

  雖然圖形沒有強烈的極端群聚，但仍可見受訪者在第一維度軸線上呈現出分散但略微兩極化的趨勢，即個體點在左右兩端都有一定密度的分佈，但整體集中於圖形中下半部分散，受訪者並非完全聚集在極端位置，在四個象限中都有一定數量的個體，民眾的態度組合相當多元。

（二）最支持的政黨分佈

plotellipses(res, keepvar=c("Q10c"),label="ind.sup",habillage="Q10c",
palette = c("#009f42","#4A4AFF","#2eb3b3","#FF77FF","#ADADAD"),title ="最支持的政黨分佈圖")

  支持民進黨的群體（綠）主要集中於第二象限，顯示其滿意當前民主與不歸責執政黨，符合常理，而這個群體的橢圓最集中且最小，顯示民進黨支持者的態度較為同質化，在各議題上的立場較為一致。

  支持國民黨的群體（藍）整體偏向第四象限至第一象限之間，國民黨支持者大多傾向將政治責任歸咎於執政黨並對體制表達不滿。支持民眾黨的群體（青）在政治態度不是他們口中所謂的中間立場，該群體在歸咎假訊息和不滿當前民主運作的態度上集中度最高，甚至高過傳統上認為最極端反執政黨的國民黨，而這兩個群體關聯性極高。

  無黨派傾向者（灰）最接近原點，缺乏強烈的政治歸責立場或對外態度偏好，符合中間選民或政治冷感者的平均特徵。其它政黨支持者（粉）則散布於圖中各處，態度光譜最廣，其成員的政治認知組合最為多元且不集中，但可能因為其它政黨中包含了許多泛綠小黨的支持者，他們的政治歸責傾向與民進黨支持者在同一側。

（三）最討厭的政黨分佈

plotellipses(res, keepvar=c("Q11c"),label="ind.sup",habillage="Q11c",
palette = c("#009f42","#4A4AFF","#2eb3b3","#FF77FF","#ADADAD"),title ="最討厭的政黨分佈圖")

  厭惡民進黨（綠）的群體其橢圓距離原點最遠，橢圓範圍在此圖中最小，這證實了強烈的厭惡民進黨情感與將問題歸咎於執政黨的極端認知之間存在最強烈的連結，且此群體態度集中度最高。在台灣的政治結構中，討厭執政黨不僅是情感宣洩，更是形成一組極端政治歸因態度的最主要驅動力。

  厭惡國民黨（藍）與厭惡民眾黨（青）的群體皆位於 Dim 1 的負向側，這兩組群體都傾向於不將政治問題歸責於執政黨。兩者的橢圓在第二象限有重疊，進一步說明他們在肯定國內體制上的態度相近。然而兩者分別位於第二和第三象限且與 Y 軸極度接近，厭惡國民黨者在對中態度上可能略偏溫和，而厭惡民眾黨者則更靠近對中政權有負面的立場。

  無厭惡黨派傾向者（灰）與厭惡國民黨和厭惡民眾黨的群體距離最近，顯示這些不討厭任何政黨的人，其態度傾向與討厭非執政黨的群體有相似之處。厭惡其它政黨（粉）的群體橢圓最大，其態度光譜和支持其它政黨的群體一樣最為分散，傾向也近似厭惡在野黨的群體。

捌、羅吉斯迴歸分析

一、研究假設

（一）核心自變數假設

  延續第伍章的變數關聯推論，我做出三個假設，以下各變數間之關聯也已呈現在第陸與第柒章的分析。

  H1：將兩岸緊張歸咎於民進黨者（Q23r_1），會更傾向將假訊息歸咎於民進黨（Q9r_1）。

  H2：信賴非傳統媒體者（Q4r_1），會更傾向將假訊息歸咎於民進黨（Q9r_1）。

  H3：同意政府威權化者（Q18r_1），會更傾向將假訊息歸咎於民進黨（Q9r_1）。

（二）控制變數說明

  從第柒章的多重對應分析結果可知，政黨厭惡感與假訊息歸因之間存在極強的關聯性，在 MCA 的所有變數類別分佈圖中，最討厭民進黨（Q11c_DPP）與將假訊息歸咎民進黨（Q9r_1）這兩個類別在空間上幾乎完全重疊，對民進黨的負面情感與其對假訊息的責任歸屬習相關。

  此外，MCA 的橢圓分佈圖顯示，厭惡民進黨的群體其態度集中度最高且距離原點最遠，證實強烈的政黨厭惡情感和政治歸因的有極大關聯。因此，若不控制政黨厭惡這個強效變數，其他自變數的效果可能會被高估，本研究採用累加式策略，建立含基礎自變數及增加厭惡、支持政黨情感的控制變數共三個模型，逐步檢驗不同層次的影響機制，詳見後續段落。

二、模型建立

（一）mod.1：基礎認知機制

  模型一僅納入三個核心自變數，檢驗認知機制的原始效果。AIC 為 1722.1，且所有 VIF 值均在 1.02 至 1.06 之間，顯示不存在共線性問題，所有變數均具高度顯著性（p < 0.001）。

  兩岸緊張歸咎於民進黨（Q23r_1）係數估計值為正向（2.83279），且是三個變數中數值最大的，代表此群體與將假訊息歸咎於民進黨之間具有非常強的正向關聯。

  信賴非傳統媒體（Q4r_1）係數為負向（-0.46426），表示相較於信賴傳統媒體者，此群體與歸咎民進黨之間呈現顯著負向關聯，結果研究假設及第伍章預期相反，亦雙向證實第陸章的雙變數關聯檢測。

  同意政府威權化（Q18r_1）係數為正向（1.21551），顯示同意政府威權化的人，與歸咎民進黨之間呈現顯著正向關係。

#

mod.1 <- glm(Q9r ~ Q23r + Q4r + Q18r, 
             data = Tiktok, 
             family = binomial)
summary(mod.1)

Call:
glm(formula = Q9r ~ Q23r + Q4r + Q18r, family = binomial, data = Tiktok)

Coefficients:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept) -1.56447    0.09766 -16.020  < 2e-16 ***
Q23r1        2.83279    0.13540  20.922  < 2e-16 ***
Q4r1        -0.46426    0.12725  -3.648 0.000264 ***
Q18r1        1.21551    0.12566   9.673  < 2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 2677.2  on 1938  degrees of freedom
Residual deviance: 1714.1  on 1935  degrees of freedom
  (673 observations deleted due to missingness)
AIC: 1722.1

Number of Fisher Scoring iterations: 4

# 共線性檢定
vif(mod.1)

    Q23r      Q4r     Q18r 
1.020144 1.036037 1.056271 

（二）mod.2：控制政黨厭惡情感

  模型二以模型一為基礎加入政黨厭惡變數，檢驗控制情感因素後認知機制是否仍有獨立解釋力。將類別變數「最厭惡的政黨」轉換成虛擬變數，無厭惡政黨傾向（Q11c_5）作為對照組，厭惡各政黨者各自建立一個 0/1 變數。模型的 AIC 降至 1226.8，表示整體解釋力提升；所有 VIF 值皆低於 1.51，不存在共線性問題。

  兩岸緊張歸咎於民進黨（Q23r1） 與 同意政府威權化（Q18r1） 的係數仍為正向且高度顯著（p < 0.001），但數值下降（Q23r1 從 2.83 降至 1.90；Q18r1 從 1.22 降至 0.70），顯示厭惡政黨控制變數吸收了部分認知效果。信賴非傳統媒體（Q4r1） 係數僅剩 -0.1467，且不再顯著（p = 0.346），表示此變數的影響在加入厭惡政黨控制變數後完全消失。

  厭惡民進黨（hate_DPP） 係數極大（2.5095）且高度顯著，表示與無厭惡者相比，厭惡民進黨者更極端地傾向將假訊息歸咎於民進黨。厭惡在野黨（hate_KMT、hate_TPP）係數皆為負值（-1.2085、-1.2476）且顯著（p < 0.001），代表厭惡在野黨者反而更不傾向將假訊息歸咎於民進黨。厭惡其他政黨（hate_Others）係數為 -0.1343，且不顯著（p = 0.62），顯示其影響力有限。

# 建立 Q11c 的虛擬變數（以無厭惡政黨傾向為對照組）
Tiktok$hate_DPP <- ifelse(Tiktok$Q11c == 1, 1, 0)
Tiktok$hate_KMT <- ifelse(Tiktok$Q11c == 2, 1, 0)
Tiktok$hate_TPP <- ifelse(Tiktok$Q11c == 3, 1, 0)
Tiktok$hate_Others <- ifelse(Tiktok$Q11c == 4, 1, 0)

mod.2 <- glm(Q9r ~ Q23r + Q4r + Q18r + 
             hate_DPP + hate_KMT + hate_TPP + hate_Others,
             data = Tiktok, 
             family = binomial)
summary(mod.2)

Call:
glm(formula = Q9r ~ Q23r + Q4r + Q18r + hate_DPP + hate_KMT + 
    hate_TPP + hate_Others, family = binomial, data = Tiktok)

Coefficients:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept)  -1.6999     0.1672 -10.166  < 2e-16 ***
Q23r1         1.9013     0.1688  11.266  < 2e-16 ***
Q4r1         -0.1467     0.1556  -0.943 0.345855    
Q18r1         0.7033     0.1572   4.474 7.69e-06 ***
hate_DPP      2.5095     0.1936  12.963  < 2e-16 ***
hate_KMT     -1.2085     0.2169  -5.571 2.54e-08 ***
hate_TPP     -1.2476     0.3394  -3.675 0.000237 ***
hate_Others  -0.1343     0.2727  -0.492 0.622516    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 2677.2  on 1938  degrees of freedom
Residual deviance: 1210.8  on 1931  degrees of freedom
  (673 observations deleted due to missingness)
AIC: 1226.8

Number of Fisher Scoring iterations: 5

# 共線性檢定
vif(mod.2)

       Q23r         Q4r        Q18r    hate_DPP    hate_KMT    hate_TPP 
   1.057938    1.043897    1.093258    1.507641    1.397689    1.158055 
hate_Others 
   1.257708 

（三）mod.3：控制政黨厭惡與支持情感

  模型三以模型二為基礎加入政黨支持變數，將類別變數「最支持的政黨」轉換成虛擬變數，無支持政黨傾向（Q10c_5）作為對照組，支持各政黨者各自建立一個 0/1 變數。模型的 AIC 降至 1195.1，表示解釋力再次提升；所有 VIF 值皆低於 1.88，無共線性問題。

  兩岸緊張歸咎於民進黨（Q23r1）係數為 1.75464，正向且高度顯著（p < 0.001）。同意政府威權化（Q18r1）係數為 0.63770，亦為正向且高度顯著（p < 0.001）。這兩個認知變數在控制情感與政黨支持後仍具獨立解釋力，呈現高度穩定。信賴非傳統媒體（Q4r1）係數為 -0.13764，依然不顯著（p ≈ 0.39）。

  厭惡民進黨（hate_DPP）係數為 2.31135，極大且高度顯著（p < 0.001），再次確認厭惡民進黨是驅動歸責民進黨傾向的最強情感因素。厭惡國民黨（hate_KMT）係數為 -0.76709，顯著（p < 0.01）。厭惡民眾黨（hate_TPP） 係數為 -1.16648，顯著（p < 0.01）。這兩組對在野黨感到厭惡者，與無厭惡傾向者相比，更不傾向將假訊息歸咎於民進黨。厭惡其他政黨（hate_Others） 係數為 -0.04472，不顯著（p ≈ 0.88）。

  支持國民黨（support_KMT）係數 0.72060，支持民眾黨（support_TPP）係數 0.74815，兩者皆顯著（p < 0.01），且對民進黨的歸責傾向均顯著高於無支持傾向者。支持民進黨（support_DPP）係數 -0.79786，顯著（p < 0.01），支持民進黨者理所當然更不傾向將假訊息歸咎於民進黨。整體而言，模型三確認了「支持誰」在控制情感後仍提供了獨立且顯著的解釋力。

# 建立 Q10c 的虛擬變數（以無支持政黨傾向為對照組）
Tiktok$support_DPP <- ifelse(Tiktok$Q10c == 1, 1, 0)
Tiktok$support_KMT <- ifelse(Tiktok$Q10c == 2, 1, 0)
Tiktok$support_TPP <- ifelse(Tiktok$Q10c == 3, 1, 0)
Tiktok$support_Others <- ifelse(Tiktok$Q10c == 4, 1, 0)

mod.3 <- glm(Q9r ~ Q23r + Q4r + Q18r + 
             hate_DPP + hate_KMT + hate_TPP + hate_Others +
             support_DPP + support_KMT + support_TPP + support_Others,
             data = Tiktok, 
             family = binomial)
summary(mod.3)

Call:
glm(formula = Q9r ~ Q23r + Q4r + Q18r + hate_DPP + hate_KMT + 
    hate_TPP + hate_Others + support_DPP + support_KMT + support_TPP + 
    support_Others, family = binomial, data = Tiktok)

Coefficients:
               Estimate Std. Error z value Pr(>|z|)    
(Intercept)    -1.67084    0.16909  -9.882  < 2e-16 ***
Q23r1           1.75464    0.17278  10.155  < 2e-16 ***
Q4r1           -0.13764    0.16093  -0.855  0.39239    
Q18r1           0.63770    0.16025   3.979 6.91e-05 ***
hate_DPP        2.31135    0.20469  11.292  < 2e-16 ***
hate_KMT       -0.76709    0.25650  -2.991  0.00278 ** 
hate_TPP       -1.16648    0.36183  -3.224  0.00126 ** 
hate_Others    -0.04472    0.30014  -0.149  0.88156    
support_DPP    -0.79786    0.25428  -3.138  0.00170 ** 
support_KMT     0.72060    0.25076   2.874  0.00406 ** 
support_TPP     0.74815    0.25121   2.978  0.00290 ** 
support_Others -0.66444    0.36691  -1.811  0.07015 .  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 2677.2  on 1938  degrees of freedom
Residual deviance: 1171.1  on 1927  degrees of freedom
  (673 observations deleted due to missingness)
AIC: 1195.1

Number of Fisher Scoring iterations: 5

# 共線性檢定
vif(mod.3)

          Q23r            Q4r           Q18r       hate_DPP       hate_KMT 
      1.065118       1.083044       1.105717       1.635204       1.888290 
      hate_TPP    hate_Others    support_DPP    support_KMT    support_TPP 
      1.244801       1.429656       1.559878       1.194537       1.245291 
support_Others 
      1.188598 

三、模型比較與視覺化

（一）AIC 與 BIC 比較

  隨著控制變數的加入，模型一到三的 AIC 值從 1722.111 降至 1195.117，BIC 值也呈現同步下降趨勢，這強烈證實了政黨情感（厭惡與支持）的納入，對模型的解釋力具有顯著的貢獻，而模型三在解釋能力和精簡度之間達成了最好的平衡。

AIC(mod.1, mod.2, mod.3)

      df      AIC
mod.1  4 1722.111
mod.2  8 1226.784
mod.3 12 1195.117

BIC(mod.1, mod.2, mod.3)

      df      BIC
mod.1  4 1744.390
mod.2  8 1271.343
mod.3 12 1261.957

（二）視覺化模型

  即使模型三納入所有強烈的政黨情感變數，「將兩岸緊張歸咎於民進黨」與「同意政府威權化」這兩項認知仍保持高度顯著，代表人們的認知框架在很大程度上源於他們對執政黨的既有情感。而在加入政黨情感變數後，「信賴非傳統媒體」的勝算比從 0.63 回到接近 1（0.87）並且不再顯著，媒體使用本身並不能決定人們是否將假訊息歸咎於民進黨，真正的核心決定因素是受眾原本的政治情感，而媒體僅扮演從屬與被選擇的角色。

plot_models(mod.1, mod.2, mod.3,
            m.labels = c("模型一：基礎模型", 
                        "模型二：控制政黨厭惡", 
                        "模型三：控制政黨厭惡與支持"),
            legend.title = "視覺化模型",
            colors = c("#A02C3D", "#2C5C77", "#7B7B7B"),
            show.values = TRUE)

四、報表呈現

（一）精簡報表

  這張表格專注在最終模型（mod.3）中三個核心認知變數，用於總結在控制所有政黨情感後所得到的最終結果。模型共有 1,939 個觀測值，Tjur’s R² 為 0.644，AIC 為 1195.117，是三個模型中表現最佳的。

tab_model(mod.3,
          show.aic = TRUE,
          show.ci = TRUE,
          show.se = TRUE,
          show.r2 = TRUE,
          digits = 3,
          digits.p = 3,
          p.style = "numeric_stars",
          CSS = list(css.topborder = "border-top:1px solid black;"),
          dv.labels = "模型三：控制政黨厭惡與支持",
          pred.labels = c(
            "(Intercept)" = "截距",
            "Q23r1" = "兩岸緊張歸咎民進黨",
            "Q4r1" = "信賴非傳統媒體",
            "Q18r1" = "同意政府威權化"
          ),
          string.pred = "變數",
          string.est = "勝算比",
          string.se = "標準誤",
          string.ci = "信賴區間",  
          string.p = "顯著水準",
          terms = c("Q23r1", "Q4r1", "Q18r1")
)

	模型三：控制政黨厭惡與支持
變數	勝算比	標準誤	信賴區間	顯著水準
兩岸緊張歸咎民進黨	5.781 ***	0.999	0.000 – Inf	<0.001
信賴非傳統媒體	0.871	0.140	0.000 – Inf	0.392
同意政府威權化	1.892 ***	0.303	0.000 – Inf	<0.001
Observations	1939
R2 Tjur	0.644
AIC	1195.117
* p<0.05   ** p<0.01   *** p<0.001

（二）完整報表

# 政黨厭惡變數以「無厭惡政黨傾向」為對照組；政黨支持變數以「無支持政黨傾向」為對照組。
tab_model(mod.1, mod.2, mod.3,
          show.aic = TRUE,
          show.ci = TRUE,
          show.se = TRUE,
          show.r2 = TRUE,
          digits = 3,
          digits.p = 3,
          p.style = "numeric_stars",
          CSS = list(css.topborder = "border-top:1px solid black;"),
          dv.labels = c("模型一：基礎模型", 
                        "模型二：控制政黨厭惡", 
                        "模型三：控制政黨厭惡與支持"),
          pred.labels = c(
            "(Intercept)" = "截距",
            "Q23r1" = "兩岸緊張歸咎民進黨",
            "Q4r1" = "信賴非傳統媒體",
            "Q18r1" = "同意政府威權化",
            "hate_DPP" = "厭惡民進黨",
            "hate_KMT" = "厭惡國民黨",
            "hate_TPP" = "厭惡民眾黨",
            "hate_Others" = "厭惡其他政黨",
            "support_DPP" = "支持民進黨",
            "support_KMT" = "支持國民黨",
            "support_TPP" = "支持民眾黨",
            "support_Others" = "支持其他政黨"
          ),
          string.pred = "變數",
          string.est = "勝算比",
          string.se = "標準誤",
          string.ci = "信賴區間",  
          string.p = "顯著水準"
)

模型一：基礎模型

模型二：控制政黨厭惡

模型三：控制政黨厭惡與支持

變數

勝算比

標準誤

信賴區間

顯著水準

勝算比

標準誤

信賴區間

顯著水準

勝算比

標準誤

信賴區間

顯著水準

截距

0.209 ***

0.020

0.000 – Inf

<0.001

0.183 ***

0.031

0.000 – Inf

<0.001

0.188 ***

0.032

0.000 – Inf

<0.001

兩岸緊張歸咎民進黨

16.993 ***

2.301

0.000 – Inf

<0.001

6.695 ***

1.130

0.000 – Inf

<0.001

5.781 ***

0.999

0.000 – Inf

<0.001

信賴非傳統媒體

0.629 ***

0.080

0.000 – Inf

<0.001

0.864

0.134

0.000 – Inf

0.346

0.871

0.140

0.000 – Inf

0.392

同意政府威權化

3.372 ***

0.424

0.000 – Inf

<0.001

2.020 ***

0.318

0.000 – Inf

<0.001

1.892 ***

0.303

0.000 – Inf

<0.001

厭惡民進黨

12.299 ***

2.381

0.000 – Inf

<0.001

10.088 ***

2.065

0.000 – Inf

<0.001

厭惡國民黨

0.299 ***

0.065

0.000 – Inf

<0.001

0.464 **

0.119

0.000 – Inf

0.003

厭惡民眾黨

0.287 ***

0.097

0.000 – Inf

<0.001

0.311 **

0.113

0.000 – Inf

0.001

厭惡其他政黨

0.874

0.238

0.000 – Inf

0.623

0.956

0.287

0.000 – Inf

0.882

支持民進黨

0.450 **

0.115

0.000 – Inf

0.002

支持國民黨

2.056 **

0.515

0.000 – Inf

0.004

支持民眾黨

2.113 **

0.531

0.000 – Inf

0.003

支持其他政黨

0.515

0.189

0.000 – Inf

0.070

Observations

1939

1939

1939

R2 Tjur

0.444

0.634

0.644

AIC

1722.111

1226.784

1195.117

* p<0.05   ** p<0.01   *** p<0.001

玖、參考資料

一、 政府資料

（一）法律條文

《詐欺犯罪危害防制條例》第 27 條

《中華人民共和國國家情報法》第 7 條

《中華人民共和國數據安全法》第 2 條

《中華人民共和國網絡安全法》第 5 條

（二）行政函示

數位發展部。數授產經字第 11340007344 號函

二、網路資料

吳青 ，2018。不忘初心 重溫入黨誌願書。人民網。檢自：https://sunrisemedium.com/p/339/media-fragmentation。