教育程度是否影響民眾對於TikTok平台上關於中國資訊的辨識？

Author

李采容

(一)研究問題

隨著中國社群媒體在台灣的滲透與普及，TikTok已不僅是娛樂平台，也成為資訊與輿論傳遞的重要管道，越來越多民眾是透過此平台去接收政治與社會的相關資訊。由於該平台的演算法具有強大的推薦機制，使用者所接觸的內容往往經由演算法過濾與推播，可能混雜政治訊息或影響對中國的態度與認知。

教育程度常被視為是政治知識、媒體識讀能力與批判性思考的重要指標。過往的文獻指出，不同教育程度群體在吸收與理解媒體資訊上，往往會出現速度上的差異，教育程度較高者通常能更有效地從媒體中獲取知識，進而出現知識上的鴻溝（Tichenor, Donohue, & Olien, 1970）；後續的研究也證實，教育程度長期以來都是影響個體知識取得的重要因素，且在媒體資訊高度密集的情境下，這種差距更為明顯（Lind & Boomgaarden, 2019）。

而在台灣與中國這複雜關係的背景下，中國相關資訊不僅涉及一般國際議題，更與國家認同與政治立場密切相關。相關研究指出，威權國家可能透過社群媒體進行資訊操作，以影響民主社會的輿論與認知（Walker & Ludwig, 2017）。因此，本研究以台灣為案例，欲探討教育程度是否影響民眾在 TikTok 平台上對中國相關資訊的辨識能力。

(二)資料描述

本研究欲使用《民主實驗室TikTok使用者網路調查》的資料，而在此份調查問卷中有詢問並統計出受訪者的教育程度，以及有些問題是可以推斷出使用者是否能對於中國相關資訊有基本的判別能力和信任態度等，如:Q32與Q35。自變項(IV):教育程度(以受訪者最高學歷為基準，問題EDU)；依變項(DV):能辨識中國相關資訊；控制變項（CVs）:使用TikTok的時間長度(S2)、對中國政府的印象(Q24)。

library(readxl)
library(sjmisc)
library(sjlabelled)
tiktok_raw <- read_excel("D:/Users/USER/Desktop/碩二上 民意/HW1_files/解壓縮抖音資料/民主實驗室TikTok使用者網路調查_資料檔0326.xlsx")

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'

codebook <- read_excel("D:/Users/USER/Desktop/碩二上 民意/HW1_files/解壓縮抖音資料/民主實驗室TikTok使用者網路調查_譯碼簿0326.xlsx")
head(tiktok_raw)

# A tibble: 6 × 77
  編號  抖音活躍使用者    S0 S0_AGE    S1    S2  Q1_1  Q1_2  Q1_3  Q1_4  Q1_5
  <chr>          <dbl> <dbl>  <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 A0001              1     8     21     4     4     1    10     3     9    NA
2 A0002              1    27     40     5     3    11    10     5    12     9
3 A0003              1    14     27     4     4    10    13    NA    NA    NA
4 A0004              1    23     36     4     3     2     9    NA    NA    NA
5 A0005              1    21     34     5     3     7     6     1     4     9
6 A0006              1    39     52     5     2     6    10     5     9     2
# ℹ 66 more variables: Q1_O <chr>, Q2_1 <dbl>, Q2_2 <dbl>, Q2_3 <dbl>,
#   Q2_O <chr>, Q3_1 <dbl>, Q3_2 <dbl>, Q3_3 <dbl>, Q3_O <chr>, Q4 <dbl>,
#   Q4_O <chr>, Q5 <dbl>, Q6 <dbl>, Q7 <dbl>, Q8 <dbl>, Q9 <dbl>, Q9_O <chr>,
#   Q10 <dbl>, Q10_O <lgl>, Q11 <dbl>, Q11_O <chr>, Q12 <dbl>, Q13 <dbl>,
#   Q13_O <chr>, Q14 <dbl>, Q15 <dbl>, Q16 <dbl>, Q17 <dbl>, Q18 <dbl>,
#   Q19 <dbl>, Q20 <dbl>, Q21 <dbl>, Q22 <dbl>, Q23 <dbl>, Q23_O <chr>,
#   Q24 <dbl>, Q25 <dbl>, Q26 <dbl>, Q27 <dbl>, Q28 <dbl>, Q29 <dbl>, …

head(codebook)

# A tibble: 6 × 2
  題號           題目                                           
  <chr>          <chr>                                          
1 編號           <無>                                           
2 抖音活躍使用者 抖音活躍使用者                                 
3 S0             S0.請問您的西元出生年次？                      
4 S0_AGE         S0.請問您的年齡                                
5 S1             S1.請問您最近一年有多常使用TikTok抖音？        
6 S2             S2.請問您平常單次使用TikTok抖音大概的時間長度？

本次研究的IV是教育程度，所以變數一選擇的問題為題號EDU，欲了解各個階段的受訪者是否能辨識出中國資訊，對於中國資訊的敏感度如何。因此將教育程度分為高教育程度(大學及以上)、中等教育程度(高中職與專科)、低教育程度(國/初中以下)。 EDU:(1)國小及以下(2)國(初)中(3)高級中學(高中、高職)(4)專科(5)大學及以上

table(tiktok_raw$EDU)


   1    2    3    4    5 
  18   42  274  325 1953

tiktok_raw$EDUr <- rec(tiktok_raw$EDU, rec = "5=3; 3:4=2; 1:2=1", as.num = TRUE)
tiktok_raw$EDUr <- set_labels(tiktok_raw$EDUr,labels = c("低教育（國中以下）" =1,"中等教育（高中職/專科）" = 2,"高教育（大學以上）" = 3))
set_label(tiktok_raw$EDUr) <- "教育程度（重編碼）"
frq(tiktok_raw$EDUr)

教育程度（重編碼） (x) <numeric> 
# total N=2612 valid N=2612 mean=2.72 sd=0.50

Value |                   Label |    N | Raw % | Valid % | Cum. %
-----------------------------------------------------------------
    1 |      低教育（國中以下） |   60 |  2.30 |    2.30 |   2.30
    2 | 中等教育（高中職/專科） |  599 | 22.93 |   22.93 |  25.23
    3 |      高教育（大學以上） | 1953 | 74.77 |   74.77 | 100.00
 <NA> |                    <NA> |    0 |  0.00 |    <NA> |   <NA>

變數二選擇的是DV所需要的問題，Q9的題目與選項對於我的研究問題有最直接的相關，可以直接挑出選擇關於中華人民共和國/ 中國共產黨的回答。 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？(1)民進黨(2)國民黨(3)民眾黨(4)時代力量(5)親民黨(6)台灣基進(7)綠黨(8)小民參政歐巴桑聯盟(9)新黨(10)中華人民共和國/ 中國共產黨(11)美國(12)日本(13)都沒有假訊息(14)不知道/ 不清楚(90)其他國家：

tiktok_raw$Q9r<-rec(tiktok_raw$Q9,rec="10=1; else=0",as.num= TRUE)
tiktok_raw$Q9r <- set_labels(tiktok_raw$Q9r,labels = c("其他/非中共" = 0,"中共/PRC" = 1))
set_label(tiktok_raw$Q9r) <- "認為假訊息主要來源：中共/PRC？"
frq(tiktok_raw$Q9r)

認為假訊息主要來源：中共/PRC？ (x) <numeric> 
# total N=2612 valid N=2612 mean=0.18 sd=0.38

Value |       Label |    N | Raw % | Valid % | Cum. %
-----------------------------------------------------
    0 | 其他/非中共 | 2150 | 82.31 |   82.31 |  82.31
    1 |    中共/PRC |  462 | 17.69 |   17.69 | 100.00
 <NA> |        <NA> |    0 |  0.00 |    <NA> |   <NA>

第三個變數選擇的是Q35新疆地區風景美麗，人民幸福快樂，中國政府也在當地文化保存上做了很多努力請問您同不同意這樣的說法:(1)非常不同意(2)還滿不同意(3)有點不同意(4)有點同意(5)還滿同意(6)非常同意。(中國新疆的人權問題一直被討論，那這題所要挑選出的回答就必須是支持Q35說法的選項)

tiktok_raw$Q35r<-rec(tiktok_raw$Q35,rec="4:6=1; else=0",as.num=TRUE)
tiktok_raw$Q35r <- set_labels(tiktok_raw$Q35r,labels = c("不同意(1–3)" = 0, "同意(4–6)" = 1))
set_label(tiktok_raw$Q35r) <- "同意新疆地區正向敘事？（4–6=同意）"
frq(tiktok_raw$Q35r)

同意新疆地區正向敘事？（4–6=同意） (x) <numeric> 
# total N=2612 valid N=2612 mean=0.31 sd=0.46

Value |       Label |    N | Raw % | Valid % | Cum. %
-----------------------------------------------------
    0 | 不同意(1–3) | 1802 | 68.99 |   68.99 |  68.99
    1 |   同意(4–6) |  810 | 31.01 |   31.01 | 100.00
 <NA> |        <NA> |    0 |  0.00 |    <NA> |   <NA>

我將使用S2.請問您平常單次使用TikTok抖音大概的時間長度？(1)10分鐘以內(2)10-30分鐘以內(3)30分鐘至1小時以內(4)1-3小時以內(5)3小時(含)以上。這個題目來探討受訪者的使用習慣，使用時間較長的受訪者，會更頻繁的接觸到平台上的各類資訊，可能會對平台上的中國相關資訊更敏感，因此這可作為一個控制變數。而選擇3~5這三個選項可以控制過度短暫使用者（選項1和2）可能造成的偏誤。因此將原本的選項一和二清除後，將選項三到五重新編碼為一二三

S2_tmp <- set_na(tiktok_raw$S2, na = c(1, 2))  # 1,2 當作缺失
tiktok_raw$S2r <- rec(S2_tmp, rec = "3=1; 4=2; 5=3", as.num = TRUE)
tiktok_raw$S2r <- set_labels(tiktok_raw$S2r,labels = c("30分鐘–1小時" = 1,"1–3小時" = 2,"3小時以上"= 3))
set_label(tiktok_raw$S2r) <- "單次使用 TikTok 時長（重編碼，剔除短時段）"
frq(tiktok_raw$S2r)

單次使用 TikTok 時長（重編碼，剔除短時段） (x) <numeric> 
# total N=2612 valid N=917 mean=1.46 sd=0.66

Value |        Label |    N | Raw % | Valid % | Cum. %
------------------------------------------------------
    1 | 30分鐘–1小時 |  579 | 22.17 |   63.14 |  63.14
    2 |      1–3小時 |  255 |  9.76 |   27.81 |  90.95
    3 |    3小時以上 |   83 |  3.18 |    9.05 | 100.00
 <NA> |         <NA> | 1695 | 64.89 |    <NA> |   <NA>

CV:Q24.請問整體而言您對於中國政府印象如何？(1)非常不喜歡(2)還滿不喜歡(3)有點不喜歡(4)有點喜歡(5)還滿喜歡(6)非常喜歡。將非常、還滿、有點都分別歸類於喜歡或不喜歡，並將喜歡中國政府的選項設定為0

tiktok_raw$Q24r <- rec(tiktok_raw$Q24, rec = "4:6=0; else=1", as.num = TRUE)
tiktok_raw$Q24r <- set_labels(tiktok_raw$Q24r,labels = c("喜歡（4–6）" = 0, "不喜歡（1–3）" = 1))
set_label(tiktok_raw$Q24r) <- "對中國政府的整體印象（喜歡=0／不喜歡=1）"
frq(tiktok_raw$Q24r)

對中國政府的整體印象（喜歡=0／不喜歡=1） (x) <numeric> 
# total N=2612 valid N=2612 mean=0.90 sd=0.31

Value |         Label |    N | Raw % | Valid % | Cum. %
-------------------------------------------------------
    0 |   喜歡（4–6） |  273 | 10.45 |   10.45 |  10.45
    1 | 不喜歡（1–3） | 2339 | 89.55 |   89.55 | 100.00
 <NA> |          <NA> |    0 |  0.00 |    <NA> |   <NA>

(三)卡方檢驗

使用三組變數進行檢驗: 第一組:教育程度EDUr × 假訊息來源（中共 vs 非中共）Q9r

library(sjPlot)
tab_xtab(tiktok_raw$EDUr,tiktok_raw$Q9r,encoding = "utf8",show.row.prc = TRUE,show.col.prc = TRUE,show.na = FALSE,show.legend = FALSE,show.exp = FALSE,show.cell.prc = FALSE,tdcol.col = "gray",tdcol.row = "brown")

教育程度（重編碼）	認為假訊息主要來源：中共/PRC？		Total
教育程度（重編碼）	其他/非中共	中共/PRC	Total
低教育（國中以下）	52 86.7 % 2.4 %	8 13.3 % 1.7 %	60 100 % 2.3 %
中等教育（高中職/專科）	520 86.8 % 24.2 %	79 13.2 % 17.1 %	599 100 % 22.9 %
高教育（大學以上）	1578 80.8 % 73.4 %	375 19.2 % 81.2 %	1953 100 % 74.8 %
Total	2150 82.3 % 100 %	462 17.7 % 100 %	2612 100 % 100 %
χ²=12.182 · df=2 · Cramer's V=0.068 · p=0.002

在此組分析2當中，我將教育程度與是否認為假訊息主要來自於中共進行檢驗。從列表可看出，低教育程度的受訪者當中，有13.3%認為假訊息主要來自中共；而中等教育者的比例為13.2%，與低教育幾乎沒有差別；高教育程度的受訪者，則有19.2%認為假訊息主要來源是中共，明顯高於前面兩者。初步觀察，教育程度越高者較可能將假訊息的來源與中共連結。接著在進行卡方檢定後，得出的p值為0.002，明顯小於0.05，這表示不同教育程度的受訪者在是否認為假訊息來自中共的回答分布確實存在差異。

第二組:教育程度EDUr × 是否相信新疆敘事Q35r

tab_xtab(tiktok_raw$EDUr,tiktok_raw$Q35r,encoding = "utf8",show.row.prc = TRUE,show.col.prc = TRUE,show.na = FALSE,show.legend = FALSE,show.exp = FALSE,show.cell.prc = FALSE,tdcol.col = "gray",tdcol.row = "brown")

教育程度（重編碼）	同意新疆地區正向敘事？（4–6=同意）		Total
教育程度（重編碼）	不同意(1–3)	同意(4–6)	Total
低教育（國中以下）	40 66.7 % 2.2 %	20 33.3 % 2.5 %	60 100 % 2.3 %
中等教育（高中職/專科）	410 68.4 % 22.8 %	189 31.6 % 23.3 %	599 100 % 22.9 %
高教育（大學以上）	1352 69.2 % 75 %	601 30.8 % 74.2 %	1953 100 % 74.8 %
Total	1802 69 % 100 %	810 31 % 100 %	2612 100 % 100 %
χ²=0.285 · df=2 · Cramer's V=0.010 · p=0.867

第二組是檢視教育程度是否與受訪者對於相信新疆正向敘事的態度有關。從列表中可以看到，低教育程度的受訪者當中，有33.3%同意新疆正向敘事；而中等教育程度者的同意比例為31.6%；高教育程度則有30.8%表示同意。這三組之間的比例差異很接近，且p值達0.867，已高於0.05，因此從數據上來看並沒有明顯呈現教育程度越高或越低會影響受訪者對新疆敘事的態度。我覺得可能的原因是因為新疆議題對台灣一般民眾而言的距離相對遙遠，資訊大多來自新聞與社群媒體，因此教育程度在此類議題上的影響被弱化。

第三組:TikTok軟體單次的使用時間S2r × 是否相信新疆敘事Q35r

tab_xtab(tiktok_raw$S2r,tiktok_raw$Q35r,encoding = "utf8",show.row.prc = TRUE,show.col.prc = TRUE,show.na = FALSE,show.legend = FALSE,show.exp = FALSE,show.cell.prc = FALSE,tdcol.col = "gray",tdcol.row = "brown")

單次使用 TikTok 時長（重編碼，剔除短時段）	同意新疆地區正向敘事？（4–6=同意）		Total
單次使用 TikTok 時長（重編碼，剔除短時段）	不同意(1–3)	同意(4–6)	Total
30分鐘–1小時	360 62.2 % 63.3 %	219 37.8 % 62.9 %	579 100 % 63.1 %
1–3小時	152 59.6 % 26.7 %	103 40.4 % 29.6 %	255 100 % 27.8 %
3小時以上	57 68.7 % 10 %	26 31.3 % 7.5 %	83 100 % 9.1 %
Total	569 62.1 % 100 %	348 37.9 % 100 %	917 100 % 100 %
χ²=2.197 · df=2 · Cramer's V=0.049 · p=0.333

這組檢驗了單次使用TikTok的時長是否與受訪者對新疆地區正向敘事的態度有關。從列表的分布來看，p值為0.333，顯示使用者使用TikTok的時長與是否同意新疆正向敘事之間並不存在顯著關聯。我認為會出現這樣的結果，可能與新疆議題本身在TikTok上屬於非常見的內容，而多數使用者在使用TikTok時較可能是以娛樂、放鬆為主，並非獲取政治或國際資訊，因此即便使用時間不同，也不一定會被大數據推薦到新疆的相關影片。

(四)多重對應分析

新加入5個變數進行分析，5個題目皆是對於中國態度光譜的重要判別面向。包括國家安全感知、文化認同、統一意願、對民主制度的信任，以及對中國生活品質的主觀評價。

Q32:TikTok抖音對於台灣的國家安全有著深遠的影響，台灣應全面禁止。請問您同不同意這樣的說法？ Q33:「台灣人與中國人講著同樣的語言、有著相似的文化，是中華民族的一部分」請問您同不同意這樣的說法？ Q34:「兩岸本就一家親，無論以什麼形式實現，在可預見的未來兩岸都必然統一」請問您同不同意這樣的說法？ 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？ Q19:有人說「對於普通老百姓來說，中國比台灣更安居樂業、更適合生活」請問您同不同意這樣的說法？

library(dplyr)


Attaching package: 'dplyr'

The following object is masked from 'package:sjlabelled':

    as_label

The following objects are masked from 'package:stats':

    filter, lag

The following objects are masked from 'package:base':

    intersect, setdiff, setequal, union

tiktokforMCA <- select(
  tiktok_raw,
  c(EDUr, Q9r, Q35r, S2r, Q24r, Q32, Q33, Q34, Q18, Q19))

將無效值剔除

tiktokforMCA.nona <- na.omit(tiktokforMCA)
nrow(tiktokforMCA.nona)

[1] 917

以直方圖確認所選的變數之次數分配

Q32主要衡量受訪者對 TikTok是否構成國安威脅的看法，而在此題中的3（有點不同意）選項分布明顯高於其他選項，顯示多數受訪者傾向認為 TikTok不至於嚴重危及國家安全。

Q33用來測量受訪者的文化與民族認同，而在此題的長條圖中的選項4（有點同意)的比例高於其他選項，顯示多數受訪者在語言與文化層面上，對於台灣與中國具有一定連結的觀點持部分認同態度。

Q34在衡量受訪者對兩岸統一前景的看法，而結果顯示選項3（有點不同意）的比例最高，其次為1（非常不同意），代表多數受訪者對於兩岸必然統一的論述持明顯保留甚至否定態度。

Q18反映了受訪者對台灣民主與言論自由現況的看法。結果顯示3（有點不同意）與4（有點同意）的比例十分接近，代表受訪者在此議題上呈現明顯分歧，意見呈現兩極但相對平均的分布。

Q19的結果顯示選項1（非常不同意）與3（有點不同意）的比例相近，用肉眼看幾乎沒差異，顯示多數受訪者整體上仍傾向不認同「中國比台灣更適合生活」的說法，但在強烈反對與較為溫和的不同意之間分布接近。

tiktokforMCA.nona <- tiktokforMCA %>% 
  na.omit() %>% 
  mutate(across(everything(), as.factor)) 
par(mfrow=c(2,3))
for (i in 1:ncol(tiktokforMCA.nona)) {
  plot(
    tiktokforMCA.nona[[i]],
    main = colnames(tiktokforMCA.nona)[i],
    ylab = "Count",
    col = "steelblue",
    las = 2
  )
}

par(mfrow=c(1,1))

MCA運算

library(FactoMineR)
library(factoextra)

Warning: package 'factoextra' was built under R version 4.5.2

Loading required package: ggplot2

Warning: package 'ggplot2' was built under R version 4.5.2


Attaching package: 'ggplot2'

The following object is masked from 'package:sjPlot':

    set_theme

The following object is masked from 'package:sjlabelled':

    as_label

Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa

names(tiktokforMCA.nona)

 [1] "EDUr" "Q9r"  "Q35r" "S2r"  "Q24r" "Q32"  "Q33"  "Q34"  "Q18"  "Q19"

res<-MCA(tiktokforMCA.nona, ncp=10, graph= F) 
summary(res, nb.dec = 3, nbelements=10, nbind = 10, 
        ncp = 2, file="result2dim.txt") 
res$dimdesc <- dimdesc(res, axes = 1:10)
write.infile(res$dimdesc, file ="MCAresults",append=F)
write.infile(res$eig, file ="MCAresults",append=T)
write.infile(res$var, file ="MCAresults",append=T)

繪製陡坡圖（screeplot）

根據陡坡圖顯示，前兩個維度的變異解釋量最高。從Dim3開始，變異解釋量明顯下降，說明其在解釋資料結構上的貢獻有限。

fviz_screeplot(res, ncp=10)

Warning in geom_bar(stat = "identity", fill = barfill, color = barcolor, :
Ignoring empty aesthetic: `width`.

維次歸納描述（Dimension Description）

從下圖可看出Dim1的主要貢獻來自Q32、Q33、Q34、Q18與Q19，這些題目都與受訪者對中國的態度有關，因此Dim1可以視為親中－反中光譜，與統一、文化認同、國安威脅、民主質疑或中國生活吸引力相關的題目，都集中在這個維度上；相較之下，Dim2的最大貢獻來自教育程度（EDUr），顯示教育是受訪者群組差異的重要來源。此外，一些在中國議題上持有點同意和有點不同意的中間選項，也在Dim2上有一定貢獻，因此Dim2大致代表教育程度×中間態度的軸線。其他變項如Q9（假訊息來源）、Q35（新疆敘事）、S2（單次使用時長）以及Q24（對中國政府印象）對兩個主要維度的貢獻較低，代表其實它們的影響有限。

library(corrplot)

Warning: package 'corrplot' was built under R version 4.5.2

corrplot 0.95 loaded

corrplot(res$var$cos2, is.corr=FALSE, tl.cex=.6)

變數（variables）的關聯分佈圖

在下圖中，Q18、Q19、Q33、Q34等與中國態度相關的題目集中在上方，Q32（是否禁止TikTok）分布位置較獨立，與其他中國態度的題目連動性低。至於教育程度（EDUr）、Q9r、Q35r、S2r 與Q24r接近原點。

library(FactoMineR)
library(factoextra)
plot(res, axes=c(1, 2), new.plot=TRUE, choix="var", 
     col.var="red", col.quali.sup="darkgreen", 
     label=c("quali.sup", "quanti.sup", "var"), 
     invisible=c("ind"), 
     autoLab = "yes")

變數類別（categories）關係圖

在類別關係圖中，各題同意中國敘事的高分選項，如:Q33_5、Q34_6、Q19_6、Q18_6集中在右上方，代表有一群受訪者整體較傾向親中、統一或對中國持正面看法；而「不同意」的低分選項，如:Q33_1、Q34_1、Q19_1則集中在左側，呈現明顯反中的立場。教育程度、使用時間、假訊息來源、新疆敘事等類別多落在中心位置，表示其對前兩個維度的區分程度較弱。

plot(res, axes=c(1, 2), new.plot=TRUE, 
     col.var="red", col.ind="black", col.ind.sup="black",
     col.quali.sup="darkgreen", col.quanti.sup="blue",
     label=c("var"), cex=0.8, 
     selectMod = "cos2 70",
     invisible=c("ind", "quali.sup"), 
     autoLab = "yes",
     title="")

最具維度辨識力的變數類別組合

plot(res, axes=c(1, 2), new.plot=TRUE, 
     col.var="red", col.ind="black", col.ind.sup="black",
     col.quali.sup="darkgreen", col.quanti.sup="blue",
     label=c("var"), cex=0.8, 
     selectMod = "cos2 30", 
     invisible=c("ind", "quali.sup"), 
     xlim=c(-1.2,1.2), ylim=c(-0.6,2), 
     autoLab = "yes",
     # title="Top 30 Critical Elements on the MCA Factor Map") 
     title="")

Warning: Removed 11 rows containing missing values or values outside the scale range
(`geom_point()`).

Warning: Removed 11 rows containing missing values or values outside the scale range
(`geom_text_repel()`).

橢圓圖（Ellipse）

在這10張圖中，Q33（文化認同)、Q34（統一意願）與Q19（中國生活吸引力）呈現最明顯的分群；EDUr、Q9r、Q35r、S2r與Q24r的橢圓有高度重疊，對維度的區分有限。

library(FactoMineR)
plotellipses(res, keepvar=c("EDUr"), magnify = 5, lwd = 4, label = "var")

Warning: `aes_string()` was deprecated in ggplot2 3.0.0.
ℹ Please use tidy evaluation idioms with `aes()`.
ℹ See also `vignette("ggplot2-in-packages")` for more information.
ℹ The deprecated feature was likely used in the FactoMineR package.
  Please report the issue at <https://github.com/husson/FactoMineR/issues>.

plotellipses(res, keepvar=c("Q9r"), magnify = 5, lwd = 4, label = "var")

plotellipses(res, keepvar=c("Q35r"), magnify = 5, lwd = 4, label = "var")

plotellipses(res, keepvar=c("S2r"), magnify = 5, lwd = 4, label = "var")

plotellipses(res, keepvar=c("Q24r"), magnify = 5, lwd = 4, label = "var")

plotellipses(res, keepvar=c("Q32"), magnify = 5, lwd = 4, label = "var")

plotellipses(res, keepvar=c("Q33"), magnify = 5, lwd = 4, label = "var")

plotellipses(res, keepvar=c("Q34"), magnify = 5, lwd = 4, label = "var")

plotellipses(res, keepvar=c("Q18"), magnify = 5, lwd = 4, label = "var")

plotellipses(res, keepvar=c("Q19"), magnify = 5, lwd = 4, label = "var")

(五)二元勝算對數迴歸分析

選擇Q35r(新疆地區風景美麗，人民幸福快樂，中國政府也在當地文化保存上做了很多努力請問您同不同意這樣的說法:(1)非常不同意(2)還滿不同意(3)有點不同意(4)有點同意(5)還滿同意(6)非常同意。)作為本次的二元DV，因為在前面的操作當中已將 Q35重新編碼，同意=1；不同意這個說法=0。其餘的問題則是IV (假設)。

研究假設:

H1:教育程度越高的受訪者，越不容易同意新疆正向敘事。（教育程度EDUr）

H2:認為假訊息主要來自中共者，越不容易同意新疆正向敘事。(假訊息來源認知Q9r)

H3:對中國生活品質評價越高的受訪者，越容易同意新疆正向敘事。（中國比台灣更適合生活的態度Q19）

H4:對中國政府印象越正面者，越容易同意新疆正向敘事。（對中國政府印象Q24r）

針對研究假設進行二元勝算對數回歸分析

H1:教育程度越高的受訪者，越不容易同意新疆正向敘事。（教育程度EDUr）

# 根據下列的分析結果:雖然教育程度這個自變數有顯示負向影響（-0.04371，表示教育程度越高，越不容易同意新疆正向敘事），但p值超過0.05(EDUr的p值顯示為0.60649)。

md01 <- glm(Q35r ~ EDUr , family = binomial, data = tiktok_raw)
summary(md01)


Call:
glm(formula = Q35r ~ EDUr, family = binomial, data = tiktok_raw)

Coefficients:
            Estimate Std. Error z value Pr(>|z|)   
(Intercept) -0.68060    0.23473  -2.899  0.00374 **
EDUr        -0.04371    0.08486  -0.515  0.60649   
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 3234.6  on 2611  degrees of freedom
Residual deviance: 3234.4  on 2610  degrees of freedom
AIC: 3238.4

Number of Fisher Scoring iterations: 4

H2:認為假訊息主要來自中共者，越不容易同意新疆正向敘事。(假訊息來源認知Q9r)

# 回歸分析結果顯示:Q9r（認為假訊息來自中共）對新疆正向敘事的影響顯著，回歸係數為-1.41039，表示認為假訊息來自中共的受訪者，越不容易同意新疆正向敘事，且p值小於2e-16，這證明假訊息來源與態度之間存在顯著關聯。

md02 <- glm(Q35r ~ Q9r , family = binomial, data = tiktok_raw)
summary(md02)


Call:
glm(formula = Q35r ~ Q9r, family = binomial, data = tiktok_raw)

Coefficients:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept) -0.61189    0.04517 -13.547   <2e-16 ***
Q9r         -1.41039    0.15169  -9.298   <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: 3234.6  on 2611  degrees of freedom
Residual deviance: 3121.6  on 2610  degrees of freedom
AIC: 3125.6

Number of Fisher Scoring iterations: 4

H3:對中國生活品質評價越高的受訪者，越容易同意新疆正向敘事。（中國比台灣更適合生活的態度Q19）

# Q19的回歸係數為正數0.59809，表示受訪者對中國生活品質的評價越高，越有可能同意新疆正向敘事；且p值小於2e-16，表示這個變數對於依變數(同意新疆正向敘事)的影響是顯著的。

md03 <- glm(Q35r ~ Q19 , family = binomial, data = tiktok_raw)
summary(md03)


Call:
glm(formula = Q35r ~ Q19, family = binomial, data = tiktok_raw)

Coefficients:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept) -2.42494    0.10938  -22.17   <2e-16 ***
Q19          0.59809    0.03498   17.10   <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: 3234.6  on 2611  degrees of freedom
Residual deviance: 2897.0  on 2610  degrees of freedom
AIC: 2901

Number of Fisher Scoring iterations: 3

H4:對中國政府印象越正面者，越容易同意新疆正向敘事。（對中國政府印象Q24r）

# 回歸的結果顯示，受訪者對於中國政府的印象越正面，反而越不容易同意新疆正向敘事，回歸係數為-2.6707，且這個影響在統計上是顯著的（p值小於2e-16），這與我原本的預測假設相左。從合理的推斷上來說，受訪者對中國政府的印象越正面，應該要更容易同意新疆正向敘事，有可能是因為有些受訪者對於新疆問題並不清楚了解，需要再進一步的討論。

md04 <- glm(Q35r ~ Q24r , family = binomial, data = tiktok_raw)
summary(md04)


Call:
glm(formula = Q35r ~ Q24r, family = binomial, data = tiktok_raw)

Coefficients:
            Estimate Std. Error z value Pr(>|z|)    
(Intercept)   1.5704     0.1603   9.796   <2e-16 ***
Q24r         -2.6707     0.1673 -15.965   <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: 3234.6  on 2611  degrees of freedom
Residual deviance: 2879.7  on 2610  degrees of freedom
AIC: 2883.7

Number of Fisher Scoring iterations: 4

參考文獻

1.Tichenor, P. J., Donohue, G. A., & Olien, C. N. (1970). Mass media flow and differential growth in knowledge. Public opinion quarterly, 34(2), 159-170.

2. Lind, F., & Boomgaarden, H. G. (2019). What we do and don’t know: A meta-analysis of the knowledge gap hypothesis. Annals of the International Communication Association, 43(3), 210-224.

3.Walker, C., & Ludwig, J. (2017). The meaning of sharp power: How authoritarian states project influence. Foreign affairs, 16(11).

(一)研究問題

(二)資料描述

(三)卡方檢驗

(四)多重對應分析

以直方圖確認所選的變數之次數分配

MCA運算

繪製陡坡圖（screeplot）

維次歸納描述 （Dimension Description）

變數（variables）的關聯分佈圖

變數類別（categories）關係圖

最具維度辨識力的變數類別組合

橢圓圖（Ellipse）

(五)二元勝算對數迴歸分析

針對研究假設進行二元勝算對數回歸分析

參考文獻

維次歸納描述（Dimension Description）