以 2025 年 Tiktok 使用者調查為例
本研究探討台灣民眾在有外部資訊戰威脅存在的情況下，為何反將假訊息責任歸咎於內部執政黨的認知矛盾現象。使用2025年台灣TikTok使用者調查資料，並採用卡方檢定、多重對應分析與羅吉斯迴歸等方法分析後有以下發現：
第一，將兩岸緊張歸咎於民進黨者，其將假訊息歸咎於民進黨的勝算比高達5.78倍（p<0.001），支持民眾一旦形成「執政黨是危機根源」的負面框架便會產生強大的認知慣性，形成外部威脅內部化模式；第二，同意「政府威權化」者的歸責傾向顯著高於不同意者（OR=1.89），顯示極端體制不信任會驅動負面歸因。多重對應分析進一步發現，支持國民黨與民眾黨之群體在此認知模式上高度同步；第三，信賴非傳統媒體的效果在控制情感後不顯著，傾向說明民眾是先有立場才選媒體的選擇性接觸。
綜上所述，厭惡民進黨（OR=10.09）是決定歸因的最主要驅動力。本研究呈現台灣社會存在將外患內憂化的認知偏誤，可能導致敵我倒置的認知盲點，基於機率模型提供初步證據支持，對於長期的因果演變仍有賴未來追蹤調查釐清。
關鍵字：假訊息歸因、外部威脅內部化、政治認知框架、TikTok、政黨情感、體制不信任
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。
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。
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。
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。
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」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？
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。
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。總觀察值為 2616 位受訪者，含 1097 位 Tiktok 活躍使用者。
當 TikTok 的中資背景與法規約束構成明確的外部資訊安全威脅時，為何台灣民眾的認知卻呈現歸責內部化的現象？本研究旨在解析民眾將假訊息責任歸咎於台灣內部執政黨，而非外部中共政權，其背後受到何種政治認知與心理機制的驅動。
本研究採用實證量化分析法，透過多變數模型檢驗以下認知、媒體以及體制維度對依變數「假訊息歸咎民進黨」的影響力。研究首先透過卡方檢定與交叉分析確立變數間的關聯方向；再以多重對應分析（MCA）探索變數間關聯以及了解特定政黨傾向群體的集群特徵；最後使用羅吉斯迴歸建立因果模型，並透過逐步控制政黨情感變數，確定具備獨立解釋力的核心影響因素。
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？
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。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。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。
# 清理後變數（已加權）
frq(Tiktok$Q9c, weights = Tiktok$WT, out="v")| 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
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
frq(Tiktok$Q9r, weights = Tiktok$WT, out="v")| 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 | ||||||
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。
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，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。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。
# 原始變數長條圖（已加權）
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")| 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 | ||||||
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。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。
# 虛擬變數
sjmisc::frq(Tiktok$Q24r, weights = Tiktok$WT, out="v")| 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 | ||||||
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。
# 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")| 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 | ||||||
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。
# 虛擬變數
sjmisc::frq(Tiktok$Q4r, weights = Tiktok$WT, out="v")| 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 | ||||||
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。推測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。
# 虛擬變數
sjmisc::frq(Tiktok$Q15r, weights = Tiktok$WT, out="v")| 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 | ||||||
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。
# 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")| 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 | ||||||
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。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，民眾可能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。
# 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")| 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 | ||||||
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。
# 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")| 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")
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。
# 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")| 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")
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。
sjmisc::frq(Tiktok$Q12r, weights = Tiktok$WT, out="v")| 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 | ||||||
假訊息並非當代特有現象，自古以來便以「謠言」形式存在，但隨著 AI 和社群媒體的普及，其製作手段更為精巧，擴散形式也更為鋪天蓋地。（管中祥，2022）。媒介系統依賴理論（Media-System Dependency Theory）指出，當社會環境處於劇烈變動、不確定性增高或危機時刻（如政治動盪、大型災難或經濟衰退）時，個體與社會系統對媒介所提供的資訊功能會產生更高強度的依賴，因為媒介成為了人們理解外在混亂世界、重建安全感的最主要媒介。在這樣的心理空缺下，社會大眾對資訊的渴求會降低其對內容的質疑能力，進而大幅提升了假訊息與誤導訊息滲透的成功率。與此同時，國家內部的政治對立與價值分化，促使社會結構碎片化為互不往來的同溫層。在這種高度極化的環境中，受眾為了緩解認知失調），會產生強烈的確認偏誤，傾向於只接收並信任與自身立場相符的媒體或訊息來源。
假訊息對民主體制的威脅，主要源於民主社會本身的多元開放性。這種開放特質雖然是民主的核心價值，卻也容易成為認知領域作戰的溫床，因為社會內部的意見衝突極易被惡意利用，轉化為分化大眾的工具。認知作戰往往刻意針對民主國家或機構的系統性弱點進行攻擊，利用爭議訊息破壞社會既有的網路，並旨在加深社會原本的對立（沈伯洋，2021）。Abdul Rauf（2025）提出假訊息對民主制度的威脅核心在於其扭曲了「知情決策」的基礎，進而侵蝕民主運作所需的社會契約。假訊息透過惡意操弄投票者的認知與偏好，干預選舉的公正性與正當性，同時利用情緒化敘事建構同溫層，加劇社會極端對立並引發仇恨，使理性的公共對話與共識難以達成。最終會導致大眾對政府、媒體及學術等公共機構產生深度懷疑，當公民失去對事實與制度的信任時，民主制度的穩定性與社會凝聚力便會面臨崩潰的風險。
傳播學中的第三人效應會使大眾認為他人比自身更受假訊息誤導（羅尹悅、洪靖，2023），而民眾對假訊息責任的歸咎往往深受心理防禦機制的影響。根據 Kunda (1990) 的動機性推理理論，個體在處理資訊時並非完全客觀，而是會根據預設的目標或價值觀進行篩選。而確認偏誤是大腦為了避免「認知失調」帶來的不適感，而產生的無意識資訊過濾行為，讓人習慣性地蒐集、回憶符合既有立場的證據，這種非理性行為在政治、宗教等敏感議題上尤為明顯，導致人們在面對事實時，往往優先選擇維護信念而非接受真相（Andrea Dai，2024）。
Pariser（2012）提出過濾泡泡（The Filter Bubble），社群媒體演算法會根據用戶過往的點擊行為自動推送偏好內容，這種機制將用戶囚禁在資訊孤島中，阻斷了接觸更正資訊的機會。在這種狀態下，假訊息因其高度的情緒渲染力，極易在封閉的同溫層內被迅速轉發，且缺乏有效的反駁機制。在後資訊社會中，網路傳播徹底改變了傳統大眾傳播的單向線性關係，使受眾轉向能主動選擇、解讀甚至添加資訊的「後設讀者」。在後真相時代下，社群媒體實質上受到資本主義殖民，顯示出平台在操控政治議題與文化發展上的潛在威脅（唐淑珍，2018）。
根據 Weiner（1985）的歸因理論，個體在判讀事件成敗的原因時，主要受到因素來源、穩定性與可控性三個核心維度的影響。將歸因理論連結至政治信任，因素來源決定了責任的內外向，有高政治信任感的個體，傾向將有利於政府的訊息歸因於事實，而將不利的假訊息歸因於境外勢力或惡意操弄者等外部因素；反之，低信任者則易將假訊息視為政府失能或蓄意欺瞞的內在表現。穩定性解釋了民眾對資訊環境的預期，個體認為假訊息的出現是常態且穩定的，將導致其對整體政經體制的長期不信任，甚至轉向陰謀論式的解釋。可控性則連結了情緒與動機，進而強化其對特定政治陣營的敵對歸因。
然而，台灣的情況似乎呈現出理論預期的反向發展，John Mueller 在 1970 年代提出了聚旗效應（rally ’round the flag effect），在發生重大危機的時候，民眾會認知到威脅來自外部，且願意信任政府的應對能力，總統的支持度就會急遽上升，團結支持政府對抗外敵。
此段落為探討 Q23 與 Q9 的關聯。
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。
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。
此段落為探討 Q4 與 Q9 的關聯。
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，他們接收到的資訊或許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。
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。
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。
此段落為探討 Q18 與 Q9 的關聯。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
tab_xtab(Tiktok$Q18r, Tiktok$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") | 是否同意政府威權化 | 是否將假訊息歸咎於民進黨 | Total | |
|---|---|---|---|
| 不歸咎民進黨 | 歸咎民進黨 | ||
| 不同意政府威權化 | 761 74.3 % 73 % |
263 25.7 % 29.3 % |
1024 100 % 52.8 % |
| 同意政府威權化 | 281 30.7 % 27 % |
634 69.3 % 70.7 % |
915 100 % 47.2 % |
| Total | 1042 53.7 % 100 % |
897 46.3 % 100 % |
1939 100 % 100 % |
| χ2=367.848 · df=1 · &phi=0.437 · 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。
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。
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。
# 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。
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。
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。
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」。
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」。
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。
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。
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。
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。
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。
延續變數關聯推論，我做出三個假設，以下各變數間之關聯也已呈現在前兩節的分析。
H1：將兩岸緊張歸咎於民進黨者，會更傾向將假訊息歸咎於民進黨。
H2：信賴非傳統媒體者，會更傾向將假訊息歸咎於民進黨。
H3：同意政府威權化者，會更傾向將假訊息歸咎於民進黨。
從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。
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，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。然而，僅控制政黨厭惡仍不足以完整捕捉政治情感的作用機制，支持某政黨與厭惡某政黨屬於兩種概念上可區分且在實證上經常並存的態度向度。基於此，本研究採用累加策略，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。
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 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 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，模型三確認了支持政黨也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 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，這強烈證實納入了厭惡與支持的政黨情感，對模型的解釋力具有顯著的貢獻。
AIC(mod.1, mod.2, mod.3) df AIC
mod.1 4 1722.111
mod.2 8 1226.784
mod.3 12 1195.117BIC(mod.1, mod.2, mod.3) df BIC
mod.1 4 1744.390
mod.2 8 1271.343
mod.3 12 1261.957此表呈現了三個模型中認知變數的比較，同時納入政黨厭惡與政黨支持兩個控制變數，驗證政黨情感對歸責行為所具有的壓倒性影響。其中，最終模型（mod.3）共納入 1939 筆觀測值，R²Tjur 為 0.644，該模型成功捕捉了民眾在假訊息歸責行為中超過六成以上的內在邏輯和可預測性。
# 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 = FALSE,
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(OR)",
string.se = "標準誤(SE)",
string.p = "顯著水準(P)",
string.ci = "信賴區間(CI)"
)| 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(OR) | 標準誤(SE) | 顯著水準(P) | 勝算比(OR) | 標準誤(SE) | 顯著水準(P) | 勝算比(OR) | 標準誤(SE) | 顯著水準(P) |
| 截距 | 0.209 *** | 0.020 | <0.001 | 0.183 *** | 0.031 | <0.001 | 0.188 *** | 0.032 | <0.001 |
| 兩岸緊張歸咎民進黨 | 16.993 *** | 2.301 | <0.001 | 6.695 *** | 1.130 | <0.001 | 5.781 *** | 0.999 | <0.001 |
| 信賴非傳統媒體 | 0.629 *** | 0.080 | <0.001 | 0.864 | 0.134 | 0.346 | 0.871 | 0.140 | 0.392 |
| 同意政府威權化 | 3.372 *** | 0.424 | <0.001 | 2.020 *** | 0.318 | <0.001 | 1.892 *** | 0.303 | <0.001 |
| 厭惡民進黨 | 12.299 *** | 2.381 | <0.001 | 10.088 *** | 2.065 | <0.001 | |||
| 厭惡國民黨 | 0.299 *** | 0.065 | <0.001 | 0.464 ** | 0.119 | 0.003 | |||
| 厭惡民眾黨 | 0.287 *** | 0.097 | <0.001 | 0.311 ** | 0.113 | 0.001 | |||
| 厭惡其他政黨 | 0.874 | 0.238 | 0.623 | 0.956 | 0.287 | 0.882 | |||
| 支持民進黨 | 0.450 ** | 0.115 | 0.002 | ||||||
| 支持國民黨 | 2.056 ** | 0.515 | 0.004 | ||||||
| 支持民眾黨 | 2.113 ** | 0.531 | 0.003 | ||||||
| 支持其他政黨 | 0.515 | 0.189 | 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 | |||||||||
即使最終模型（mod.3）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。
ggplot(coef_df, aes(x = 模型, y = estimate, color = 變數, group = 變數)) +geom_line(linewidth = 1.2, alpha = 0.8) +
geom_point(size = 4, shape = 21, fill = "white", stroke = 1.5) +
geom_text(aes(label = paste0(round(estimate, 2),顯著性)),
vjust = -1.2, size = 3.5, show.legend = FALSE) +
geom_hline(yintercept = 1, linetype = "dashed",
color = "gray40", linewidth = 0.8) +
scale_color_manual(values = c("#BF0060", "#009393", "#930093")) +
scale_y_continuous(
breaks = c(0.5, 1, 2, 5, 10, 20),
trans = "log10",limits = c(0.4, 25)) +labs(title = "核心自變數勝算比變化軌跡",subtitle ="加入控制變數後的效果",
x = "",y = "OR",color = "核心自變數",caption = "註：*** p<0.001, ** p<0.01, * p<0.05") +
theme_minimal(base_size = 11) +
theme(plot.title = element_text(hjust = 0.5, face = "bold", size = 13, margin = margin(b = 5)),
plot.subtitle = element_text(hjust = 0.5, size = 10, color = "gray40", margin = margin(b = 15)),
legend.position = "bottom",
legend.title = element_text(face = "bold", size = 10),
legend.text = element_text(size = 10),
panel.grid.major = element_line(color = "gray90", linewidth = 0.3),
panel.grid.minor = element_blank(),
axis.text = element_text(color = "gray20", size = 10),
axis.title = element_text(face = "bold", size = 10),
plot.caption = element_text(size = 9, hjust = 0, color = "gray40", margin = margin(t = 12)),
plot.background = element_rect(fill = "transparent", color = NA),
panel.background = element_rect(fill = "transparent", color = NA),
legend.background = element_rect(fill = "transparent", color = NA),
plot.margin = margin(15, 10, 10, 10))
在政黨厭惡情感的分析中，對照組設定為「無厭惡政黨傾向」者，使得各類厭惡者可與中性立場進行精確比較。厭惡民進黨者的勝算比在 Mod.3 中高達 10.09，且達高度顯著水準（p < 0.001），明確確立了厭惡民進黨是驅動將假訊息歸咎於執政黨的最強單一情感因素。相對而言，厭惡國民黨（OR = 0.46）與厭惡民眾黨（OR = 0.31）的勝算比均顯著小於 1，顯示這兩類群體與歸咎民進黨的傾向呈現強烈負向關係。雖然其顯著水準由模型二的高度顯著下降為模型三的中度顯著，反映支持政黨變數納入後情感效應被部分分散，但其核心影響力仍然穩固存在。
plot_models(
mod.1, mod.2, mod.3,
m.labels = c("模型一",
"模型二",
"模型三"),
axis.labels = c(
"支持其他政黨",
"支持民眾黨",
"支持國民黨",
"支持民進黨",
"厭惡其他政黨",
"厭惡民眾黨",
"厭惡國民黨",
"厭惡民進黨",
"同意政府威權化",
"信賴非傳統媒體",
"兩岸緊張歸咎民進黨"
),
legend.title = " ",
colors = c("gs"),
show.values = TRUE,
show.p = TRUE,
show.intercept = FALSE,
dot.size = 3,
line.size = 0.8,
spacing = 0.4,
vline.color = "gray30"
) +
labs(
title = "所有模型變數效果比較",
subtitle = "核心自變數與政黨情感控制變數",
caption = "註：*** p<0.001, ** p<0.01, * p<0.05\n對照組：無厭惡/支持政黨傾向者"
) +
theme_minimal(base_size = 11) +
theme(
plot.title = element_text(size = 13, face = "bold", hjust = 0.5, margin = margin(b = 5)),
plot.subtitle = element_text(size = 10, hjust = 0.5, color = "gray40", margin = margin(b = 15)),
axis.text.y = element_text(size = 9.5, color = "gray20", hjust = 1),
axis.text.x = element_text(size = 10, color = "gray20"),
legend.position = "bottom",
legend.text = element_text(size = 10),
legend.key.width = unit(1.5, "cm"),
panel.grid.major.x = element_line(color = "gray85", linewidth = 0.3),
panel.grid.major.y = element_line(color = "gray90", linewidth = 0.2),
panel.grid.minor = element_blank(),
plot.caption = element_text(size = 8.5, hjust = 0, color = "gray40", margin = margin(t = 12)),
plot.background = element_rect(fill = "transparent", color = NA),
panel.background = element_rect(fill = "transparent", color = NA),
legend.background = element_rect(fill = "transparent", color = NA)
)
政黨支持傾向方面，對照組同樣設定為「無支持政黨傾向」者，支持在野黨的立場即使在控制厭惡情感後，仍具備獨立的額外解釋力。支持國民黨（OR = 2.06）與支持民眾黨（OR = 2.11）的勝算比均顯著大於 2，表示相較於中性群體，這兩類支持者將假訊息歸咎於民進黨的機率高出一倍以上。而支持民眾黨者的勝算比又略高於支持國民黨者，代表民眾黨支持者在歸責執政黨的傾向上表現出稍微更強烈的傾向，或許與其對既有政治體制的高度批判態度有關。
H1：將兩岸緊張歸咎於民進黨者，會更傾向將假訊息歸咎於民進黨。
假設一得到極強支持。兩岸緊張歸咎民進黨的勝算比（OR）高達 5.781，且 p < 0.001，提供了強力證據支持假設 H1。在排除情感因素後，將兩岸緊張歸咎於民進黨的受訪者，其歸咎假訊息給民進黨的機率仍高出不歸咎者約 4.78 倍。其標準誤（SE）為 0.999，雖顯示一定程度的估計波動，但並不影響其統計顯著性。H1 呈現了本研究中最強也是最極端的實證結果，對於不認為民進黨造成兩岸緊張的群體，其將假訊息歸咎於民進黨的機率約為 26%。然而一旦受訪者認定民進黨需為兩岸緊張負責，其轉而將假訊息歸咎於民進黨的機率，便急遽上升至 67% 以上。
plot_pred_prob(model = mod.3,term = "Q23r",title_text = "兩岸緊張歸因對假訊息歸咎民進黨之預測機率",
x_labels = c("0" = "不歸咎民進黨", "1" = "歸咎民進黨"),color = "#BF0060")
H2：信賴非傳統媒體者，會更傾向將假訊息歸咎於民進黨。
假設二未獲得支持。信賴非傳統媒體的檢驗顯示，其 OR 為 0.871，p = 0.392，其效果在最終模型中不具顯著性，因此假設 H2 不成立。雖然 SE 為 0.140，反映估計相對精確，但仍不足以使效果達顯著水準。而無論是信賴傳統媒體或信賴非傳統媒體的受訪者，其將假訊息歸咎於民進黨的機率皆約為 26%，兩者之間幾乎不存在可觀察的差異。即使在控制情感後，信賴非傳統媒體者的歸因傾向略低於信賴傳統媒體者，然而這個差異極小且不顯著，代表信賴資訊來源的影響微乎其微，其原始效果完全可以被受眾的政治情感所吸收。
plot_pred_prob(model = mod.3,term = "Q4r",title_text = "信賴媒體來源對假訊息歸咎民進黨之預測機率",
x_labels = c("0" = "信賴傳統媒體", "1" = "信賴非傳統媒體"),color = "#009393")
H3：同意政府威權化者，會更傾向將假訊息歸咎於民進黨。
假設三得到強力支持。檢驗同意政府威權化後得知其 OR 為 1.892，p < 0.001，強力支持假設 H3。相較於不同意者，認為現今政府正在走向威權化者其歸咎 DPP 的勝算高出約 89.2%。其 SE 為 0.303，數值較小，顯示估計具有高度精確度。H3 揭示了第二個獨立且穩定的認知影響來源，同樣以約 26% 的基準機率為起點，當受訪者同意「現在的政府跟共產黨沒有差別」時，其將假訊息歸咎於民進黨的機率，會穩定上升至約 40%。
plot_pred_prob(model = mod.3,term = "Q18r",title_text = "政府威權化認知對假訊息歸咎民進黨之預測機率",
x_labels = c("0" = "不同意威權化", "1" = "同意威權化"),color = "#930093")
將負面情勢內部化的認知框架具有高度穩定性，並能獨立於政黨情感之外發揮顯著影響。當民眾在兩岸關係的政治議題上已形成「執政黨是危機根源」的責任認定時，該負面框架便會被以極強的慣性，自動且大幅度地延伸至假訊息這種負面政治現象。對此群體而言，即便假訊息的來源可能來自外部行為者，最終的責任歸屬仍會被導向內部的執政黨，以維持其對民進黨負面評價的認知一致性。此發現挑戰了 Mueller（1970） 的聚旗效應理論，在傳統理論中，外部威脅應促使民眾團結支持政府，但本研究顯示，當政治極化達到極端程度時，執政黨的反對者會將外部威脅重新框架為執政黨挑釁的結果，形成「敵我倒置」的認知盲點。H1 的強效果（OR=5.78）則證實了 Weiner（1985） 歸因理論中「因素來源」的決定性，一旦確立內部歸因框架，所有負面現象都會被同化吸收。
而在台灣高度政治極化的脈絡下，媒體使用習慣並不存在可觀的獨立效力，民眾並非因為接觸非傳統媒體內容而形成對民進黨的歸責，而是因其早已持有特定的政治情感與認知傾向（如 H1 與 H3 所揭示的兩岸緊張歸因與體制不信任），進而選擇性地信賴符合其既有立場的媒體來源，因此當模型納入並控制這些強而有力的潛在政治態度後，資訊信賴來源的原有解釋力即被完全吸收，影響也隨之消失。此發現部分支持了 Pariser（2012）的過濾泡泡理論。過濾泡泡強調演算法對受眾認知的塑造力，但本研究顯示，在高度極化的政治環境中，選擇性接觸的主動性可能更強。民眾是先有立場才選媒體，而非被媒體塑造立場，這呼應了 Kunda（1990）的動機性推理，當政治情感足夠強烈時，媒體僅扮演確認既有信念的工具，而非改變認知的驅動力。
即使本研究控制了對民進黨的情感好惡，對民主體制存續的深層懷疑，仍會獨立且顯著地推動民眾將假訊息責任歸咎於現任執政黨。當民眾擁有執政黨威權化的信念時，其對執政者的評價已由單純的治理能力不足，轉向對其政治本質的根本否定。在此類高度陰謀論化的認知框架下，包括假訊息的各種負面政治現象皆容易被解讀為政府操控資訊、壓制言論及鞏固權力的工具，Abdul Rauf（2025）對假訊息侵蝕信任的論述是假訊息會破壞民眾對公共機構的信任，但本研究卻是反向證實，當體制信任已崩解時，民眾會反過來將假訊息視為體制操控的證據並形成惡性循環。H3 的顯著效果（OR=1.89）顯示，同意「政府跟共產黨沒有差別」的極端認知會獨立於情感之外驅動負面歸因，這種推理模式可能是台灣民主的隱憂。
本研究樣本為 TikTok 使用者調查，可能無法完全代表台灣整體民眾，不使用社群媒體的高齡族群或政治冷感者的認知模式可能有所不同。網路調查也可能排除了數位落差族群。而本研究的政黨情感僅使用「最支持」與「最討厭」測量，未能捕捉情感強度或多元政黨認同的細緻差異。本研究也發現聚旗效應在此樣本中似乎沒有適用，而未來或許可以探討還有哪些國家的政治環境與台灣相似，選取同樣有面臨外部威脅的國家進行跨國比較，檢驗「外部威脅內部化」是否為普遍現象，或僅存在於高度極化的民主國家，並利用歷次選舉或兩岸事件的資料，檢驗聚旗效應在台灣是否曾經存在，以及何時開始失效，了解未來的台灣可以如何面臨此種困境，讓執政黨參考該如何重獲人民的信任以避免內部持續嚴重分化。
管中祥（2022）。假訊息是如何煉成的。新使者，86，18–21。
沈伯洋（2021）。中國認知領域作戰模型初探：以 2020 臺灣選舉為例。遠景基金會季刊，22(1)，1–65。
唐淑珍（2018）。大數據下Facebook假新聞傳播現象。文化創意產業研究學報。8(3)，31–36。
羅尹悅、洪靖（2023）。被《推力》趨動的人。傳播文化與政治，8，113–119。
Ball-Rokeach, S. J., & DeFleur, M. L. (1976). A Dependency Model of Mass-Media Effects. Communication Research, 3(1), 3–21.
Rauf, A. (2025). Fake News and the Erosion of Truth—Part-I.
Kunda, Z. (1990). The case for motivated reasoning. Psychological Bulletin, 108(3), 480–498.
Pariser, E. (2012). The Filter Bubble: How the New Personalized Web Is Changing What We Read and How We Think.
Weiner, B. (1985). An attributional theory of achievement motivation and emotion. Psychological Review, 92(4), 548–573.
Mueller, J. E. (1970). Presidential Popularity from Truman to Johnson. The American Political Science Review, 64(1), 18–34. https://doi.org/10.2307/1955610
《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。
數位發展部（2025）。數授產經字第 11340007344 號函。
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。
Dai, A. （2024）。偏見從何而來？談動機性推理（Motivated Reasoning）。 Andrea’s Discovery。檢自：https://medium.com/andreas-discovery/%E5%81%8F%E8%A6%8B%E5%BE%9E%E4%BD%95%E8%80%8C%E4%BE%86-%E8%AB%87%E5%8B%95%E6%A9%9F%E6%80%A7%E6%8E%A8%E7%90%86-motivated-reasoning-fc9d431d8771