第二週作業：研究變數清理與預期關聯

一、研究背景與資料來源

1.1 研究問題與核心關懷

隨著社群媒體逐漸成為民眾獲取政治資訊、表達政治立場與參與公共討論的重要管道，網路空間已不再只是個人意見交流的平台，也成為政黨、候選人及民眾進行政治溝通的重要場域。以臺灣 2022 年地方選舉為例，社群媒體上的政治議題討論、候選人宣傳與不同立場之間的意見交鋒，使網路政治表達成為值得關注的政治傳播現象。

然而，社群媒體所呈現的政治聲量，是否能夠反映社會中不同群體的真實意見，仍是值得探討的問題。接觸政治資訊並不代表民眾願意公開發言，對政治具有高度興趣，也不必然會轉化為實際的政治表達行為。 如果網路政治討論主要由少數積極參與者持續發聲，而其他民眾選擇保持沉默，則社群媒體上可見的政治意見，可能無法充分呈現社會中多元的政治態度。

這個現象可以連結至 Noelle-Neumann（1974）提出的「沉默螺旋理論」（Spiral of Silence）。該理論指出，當個人認為自己的意見與周遭多數人的立場不同，或擔心公開表態可能帶來社會孤立時，便可能降低表達意見的意願。在社群媒體的情境下，民眾可能因為擔心遭受批評、攻擊或其他負面互動，而選擇不公開表達政治立場。當部分意見較少出現在公共討論中，其他人對於社會主流意見的判斷，也可能受到影響。

此外，網路政治討論的參與差異，也可以進一步連結至「同溫層」（Echo Chambers）與「選擇性接觸」（Selective Exposure）的討論。Sunstein（2001、2007）曾指出，當民眾傾向接觸與自身政治立場相近的資訊及意見時，可能形成相對封閉的資訊環境，降低接觸不同觀點的機會。若網路政治討論同時存在參與者高度集中與政治資訊接觸同質化的現象，便可能使部分政治觀點在網路空間中被反覆強化，而其他立場則相對缺乏能見度。不過，網路討論由少數人主導，並不必然代表同溫層已經形成，兩者仍需分別觀察與檢驗。

從民主理論的角度而言，這個問題亦涉及公共領域與審議民主的核心關懷。Habermas 的公共領域與審議民主觀點強調，公共討論的重要性不僅在於民眾能否發聲，更在於不同意見能否進入公共領域，並透過相互交流、提出理由與討論，形成具有公共性的政治判斷。因此，社群媒體是否能提供多元政治立場參與討論的機會，以及哪些民眾較可能選擇發言或保持沉默，皆具有重要的民主意涵。

對臺灣而言，選舉期間的網路政治討論不僅可能影響政治資訊的傳播，也可能形塑民眾對社會輿論與政治立場分布的認知。如果網路上經常發聲的群體與較少公開表達的群體，在政治興趣、資訊接觸經驗或政治態度上存在差異，那麼我們便需要進一步思考：網路上可見的政治聲量，究竟反映了哪些人的意見？又有哪些人的聲音較少出現在公共討論之中？

基於上述關懷，本次研究提出以下問題：

「不同政治態度與政治資訊接觸經驗的受訪者，其網路公開政治討論頻率是否有所不同？」

本次研究以「網路公開政治討論頻率」作為依變數（Y），並選擇政治興趣、異質性政治資訊暴露、不文明政治言論接觸經驗等變數，探索民眾參與公開政治討論的可能相關因素，同時保留政治自我審查意願與藍綠政治傾向作為延伸分析變數。

本研究使用 2022 年地方選舉前的調查資料，藉由觀察不同受訪者的網路政治討論頻率，初步了解政治表達行為的差異。本研究並不直接測量臺灣的民主品質或網路同溫層是否形成，而是以政治表達的參與差異作為切入點，討論其對公共討論多元性與民主參與可能具有的意義。

1.2 研究變數與預期關聯

本研究以民眾的網路公開政治討論頻率作為主要關懷，試圖了解不同政治態度與政治資訊接觸經驗的受訪者，其公開政治表達行為是否有所差異。因此，本次選取六個研究變數，其中一個為依變數（Y），三個為主要自變數（X1、X2、X3），另外兩個則作為延伸分析變數。

依變數（Y）：網路公開政治討論頻率（Q34）

本變數測量受訪者在網路上公開討論政治或公共事務的頻率，包含「從來沒有」、「很少」、「有時」及「經常」四個回答類別。

本研究關注的不只是民眾是否接觸政治資訊，而是政治資訊接觸與政治態度能否反映在實際的公開討論行為上。因此，將網路公開政治討論頻率設定為主要依變數。

主要自變數

X1：政治興趣（Q47）

政治興趣反映個人對政治議題的關注與參與動機。相較於政治興趣較低者，政治興趣較高的受訪者可能更願意主動關注政治議題，並投入時間參與公共討論。

因此，本研究預期，政治興趣為「有點感興趣」或「非常感興趣」的受訪者，相較於「非常不感興趣」或「有點不感興趣」者，較可能落在「有時」或「經常」公開討論政治的類別。

X2：異質性政治資訊暴露（Q35）

異質性政治資訊暴露是指受訪者在社群媒體上接觸與自身政治立場不同之資訊的頻率。

當民眾經常接觸不同政治觀點時，可能因為接收到相互衝突的政治資訊，而產生回應、辯論或表達自身立場的動機。然而，異質性政治資訊也可能使民眾意識到公開表達政治意見可能引發爭論，進而降低公開討論的意願。

因此，本研究希望比較經常接觸異質性政治資訊者，與很少或從未接觸者，在網路公開政治討論頻率上的分布差異。

由於異質性資訊接觸可能同時具有促進討論與抑制表達的作用，本研究暫不預設單一方向，而是將兩種可能機制視為後續分析需要釐清的問題。

X3：不文明政治言論接觸經驗（Q40）

不文明政治言論接觸經驗測量受訪者是否曾在社群媒體上接觸不文明政治言論。

從政治表達的角度而言，若民眾看見政治討論中的攻擊、嘲諷或其他不文明互動，可能對公開表達政治意見產生顧慮，擔心自己在發言後受到負面回應，而選擇降低參與公開討論的頻率。

然而，原本就積極參與政治討論的民眾，也可能因為接觸較多政治議題及相關討論內容，而有更多機會看見不文明政治言論。

因此，本研究預期，曾接觸與未接觸不文明政治言論的受訪者，其網路公開政治討論頻率的分布可能存在差異，但不預先判定哪一組的討論頻率較高。

延伸分析變數

政治自我審查意願（Q27）

本變數測量受訪者是否傾向避免公開表達政治意見，以及此一傾向的強弱程度。

本研究預期，自我審查意願較強的受訪者，可能較少公開討論政治。然而，由於政治自我審查意願與網路公開政治討論頻率分別涉及避免表達的態度與實際表達行為，兩者概念相近，後續仍需釐清測量上的區別。

藍綠政治傾向（Q57）

本變數測量受訪者在藍綠政治光譜上的自我定位。本次將原始 1–100 分重新編碼為「偏泛藍」、「量表中點」及「偏泛綠」三個類別。

本研究希望探索不同藍綠政治傾向的受訪者，其網路公開政治討論頻率是否存在差異，並藉此初步觀察選舉期間政治立場與公開政治表達行為之間的關聯。

小結

綜合上述，本研究主要從政治參與動機與政治資訊接觸環境兩個面向，探討民眾網路公開政治討論頻率的可能相關因素。

1.3 資料來源、調查設計與選前資料選擇理由

本次研究使用「臺灣傳播調查資料庫」（Taiwan Communication Survey, TCS）第三期第一次（2022 年）調查資料，主題為「傳播與公民社會：公民與政治傳播」，計畫主持人為張卿卿，執行單位為中央研究院人文社會科學研究中心。

依據官方資料使用說明，此研究包含一般民眾面訪、一般民眾網路調查及網路足跡調查等不同資料來源。本研究選擇其中的一般民眾網路調查資料，主要是因為該資料包含政治興趣、政治自我審查、政治資訊接觸及網路政治表達等題項，能夠對應本研究關注的政治態度與網路政治討論行為。

本次使用的網路調查分為選前及選後兩波。第一波（W1）於 2022 年 10 月 21 日至 11 月 13 日進行，共有 1,253 位受訪者；第二波（W2）於 2022 年 11 月 28 日至 2023 年 1 月 5 日進行，其中 1,042 位受訪者完成兩波調查。本次研究以個別受訪者為觀察單位，並選取第一波資料進行分析，資料共有 1,253 筆觀察值（N = 1,253）。

本研究選擇選前資料，主要是基於研究問題與政治傳播情境的考量。 選舉期間，政黨與候選人積極進行政治宣傳、政策論述及選民動員，不同政治立場之間的競爭也可能提高民眾接觸政治資訊及參與公共討論的機會。相較於一般非選舉時期，選前的政治傳播環境具有較明確的政治競爭與動員脈絡，因此適合作為觀察民眾網路政治表達行為的研究情境。

此外，本研究關注的是選舉結果尚未確定時，民眾如何接觸政治資訊，以及是否願意在網路上公開表達政治意見。在此情境下，受訪者可能因政治興趣、資訊接觸經驗或對公開表態的顧慮，而展現不同程度的政治討論行為。透過選前資料，可以初步觀察不同政治態度的民眾，在選舉競爭期間是否具有不同的公開政治表達頻率。

相較之下，選後調查則可能受到選舉結果、勝負感受及選後政治情緒的影響，其研究重點更適合延伸至選舉前後的態度與行為變化。由於本研究目前關注的是選舉前政治討論行為的差異，而非選舉結果公布後的態度變化，因此現階段不納入第二波資料，也不進行跨波比較。

綜合而言，本研究選擇第一波資料，並非僅因資料取得便利，而是希望在選舉前的政治傳播情境中，探索哪些民眾較常參與網路政治討論、哪些民眾較少公開表態，以及不同政治態度與資訊接觸經驗是否與這些行為差異有所關聯。藉此進一步思考網路政治討論的參與分布，對臺灣民主公共討論的多元性可能具有何種意義。

二、研究變數、資料清理與編碼

2.1 Q27 政治自我審查意願

原始問卷題目

「我會考量某些原因，而盡量不公開表達我對政治或公共事務的意見、立場或看法。」

原始回答分為五類：非常不同意、不同意、普通、同意、非常同意。

編碼目的與理由

本變數旨在測量受訪者政治自我審查意願的強弱程度。為保留不同程度的態度差異，因此不合併原始五個類別，而是將變數轉換為有順序的類別變數（ordered factor）。

經檢查，1,253 位受訪者皆有有效回答，無缺失值。

R 程式碼

# 檢查原始編碼與缺失值
attr(survey_w1$q27_w1, "labels")

非常不同意     不同意       普通       同意   非常同意 
         1          2          3          4          5 

table(survey_w1$q27_w1, useNA = "ifany")

  1   2   3   4   5 
 28  51 217 549 408 

# 轉換成有順序的類別變數
survey_w1$self_censorship <- factor(
  survey_w1$q27_w1,
  levels = 1:5,
  labels = c(
    "非常不同意",
    "不同意",
    "普通",
    "同意",
    "非常同意"
  ),
  ordered = TRUE
)

# 檢查清理結果
table(survey_w1$self_censorship, useNA = "ifany")

非常不同意     不同意       普通       同意   非常同意 
        28         51        217        549        408 

class(survey_w1$self_censorship)

[1] "ordered" "factor" 

編碼結果

本變數保留五個回答類別。重新整理後，資料型態為 ordered factor，且無缺失值。原始變數與清理後變數的受訪者人數一致（N = 1,253）。

2.2 Q34 網路公開政治討論頻率

原始問卷題目

Q34：請問您多常與人（認識或不認識都算）在網路上公開討論政治或公共事務？

原始回答類別： 1：從來沒有 2：很少 3：有時 4：經常

本研究使用的原始變數為 q34_1_w1。

編碼目的與理由

本變數旨在測量受訪者於網路上公開討論政治或公共事務的頻率，並作為本研究的依變數（Y）。

由於本研究關注的是政治討論頻率的程度差異，而非僅區分是否曾經討論政治，因此保留原始四個回答類別，不進行合併。

雖然「經常」公開討論政治的受訪者人數較少，但本次作業仍優先保留原始測量資訊，未來進行統計分析時，再視分析方法及資料分布評估是否有合併類別的必要。

R 程式碼

# Q34 網路公開政治討論


# 1. 檢查原始編碼及缺失值
attr(survey_w1$q34_1_w1, "labels")

從來沒有     很少     有時     經常 
       1        2        3        4 

table(survey_w1$q34_1_w1, useNA = "ifany")

  1   2   3   4 
707 456  82   8 

# 2. 轉換為有順序的類別變數
survey_w1$online_discussion <- factor(
  survey_w1$q34_1_w1,
  levels = 1:4,
  labels = c(
    "從來沒有",
    "很少",
    "有時",
    "經常"
  ),
  ordered = TRUE
)

# 3. 檢查清理後的結果
table(survey_w1$online_discussion, useNA = "ifany")

從來沒有     很少     有時     經常 
     707      456       82        8 

# 4. 確認資料型態
class(survey_w1$online_discussion)

[1] "ordered" "factor" 

編碼結果

本變數保留原始四分類，清理後分布如下：

回答類別	受訪者人數
從來沒有	707
很少	456
有時	82
經常	8
合計	1,253

經檢查，本變數無缺失值，清理後資料型態為有順序的類別變數（ordered factor）。

2.3 Q35 異質性政治資訊暴露

原始問卷題目

Q35：下面這些事多常在您使用社群媒體時發生？ （01）接觸與我政治立場不同的資訊

原始回答類別： 1：從來沒有 2：很少 3：有時 4：經常

跳答條件： 第 12 題選擇「（90）都沒有」的受訪者，不需回答此題組。

本研究使用的原始變數為 q35_01_w1。

編碼目的與理由

本變數旨在測量受訪者使用社群媒體時，接觸與自身政治立場不同資訊的頻率，亦即異質性政治資訊暴露（Cross-cutting Exposure）。

由於研究希望保留資訊接觸頻率的程度差異，因此維持原始四個回答類別，不進行合併，並將其轉換為有順序的類別變數（ordered factor）。

經檢查，本變數共有 62 筆缺失值。根據問卷的跳答規則，第 12 題選擇「都沒有」的受訪者不需回答 Q35，因此本研究保留這些缺失值，不將其視為「從來沒有」接觸不同政治立場的資訊。

清理後共有 1,191 筆有效觀察值，另有 62 筆缺失值。

R 程式碼

# Q35 異質性政治資訊暴露

# 1. 檢查原始編碼及缺失值
attr(survey_w1$q35_01_w1, "labels")

從來沒有     很少     有時     經常 
       1        2        3        4 

table(survey_w1$q35_01_w1, useNA = "ifany")

   1    2    3    4 <NA> 
 193  502  417   79   62 

# 2. 檢查缺失值與社群媒體使用篩選題的關係
table(
  survey_w1$q12_90_w1,
  is.na(survey_w1$q35_01_w1),
  useNA = "ifany"
)

      
       FALSE TRUE
  1        0   62
  <NA>  1191    0

# 3. 轉換為有順序的類別變數
survey_w1$heterogeneous_exposure <- factor(
  survey_w1$q35_01_w1,
  levels = 1:4,
  labels = c(
    "從來沒有",
    "很少",
    "有時",
    "經常"
  ),
  ordered = TRUE
)

# 4. 檢查清理後的結果
table(
  survey_w1$heterogeneous_exposure,
  useNA = "ifany"
)

從來沒有     很少     有時     經常     <NA> 
     193      502      417       79       62 

# 5. 確認資料型態
class(survey_w1$heterogeneous_exposure)

[1] "ordered" "factor" 

編碼結果

回答類別	受訪者人數
從來沒有	193
很少	502
有時	417
經常	79
缺失值（NA）	62
合計	1,253

本變數有效觀察值為 1,191 筆，另有 62 筆缺失值。清理後保留原始四個頻率類別，資料型態為 ordered factor。

2.4 Q40 不文明政治言論接觸經驗

原始問卷題目

Q40：請問您在社群媒體上閱讀政治訊息或討論公共事務時，是否看到過下列性質的留言？（可複選）

本題參考 Coe et al.（2014）對不文明言論（Incivility）的分類，包含以下選項：

原始選項	類型	內容
01	人身攻擊、誹謗（Aspersion）	針對特定的人本身的一些特質，包括性別、人格、偏好進行攻擊或惡意中傷
02	詆毀他人想法或行為（Negative character exaggerations）	使用極端或誇張的言語
03	說別人說謊（Lying accusation）	指控他人說謊
04	髒話或粗俗用語（Vulgarity）	使用髒話或粗俗用語
05	貶低他人（Pejorative for speech）	歧視弱勢或與自己意見不同的族群
06	以上都沒有	與選項 01～05 互斥

跳答條件： 第 12 題選擇「（90）都沒有」的受訪者，不需回答本題組。

本研究使用 q40_1_w1 至 q40_5_w1，以及 q40_90_w1 等原始變數。其中，原始問卷的第 06 個選項「以上都沒有」，在資料檔中對應 q40_90_w1。

編碼目的與理由

本研究希望了解受訪者是否曾於社群媒體接觸不文明政治言論，並進一步探索此類接觸經驗與網路公開政治討論頻率、政治自我審查意願之間可能存在的關聯。

由於研究目前關注的是是否曾接觸不文明政治言論，而非不同類型言論之間的差異，因此將原始複選題中的五種不文明言論類型整合為單一的二分類變數。

重新編碼規則如下：

原始作答情況	新編碼	新分類
選項 01～05 至少勾選一項	1	曾接觸
勾選「以上都沒有」	0	未接觸
因問卷跳答而未作答	NA	缺失值

此編碼方式可以將原本分散在不同欄位的複選題回答，轉換為適合進行類別比較的單一變數。

然而，二分類後將無法區分受訪者接觸的不文明言論類型或類型數量，因此仍保留原始複選題變數，以供後續研究使用。

此外，本題所測量的是受訪者自陳「是否看過」特定性質的政治留言，並非不文明言論的實際接觸頻率，也不能直接代表受訪者曾經受到網路攻擊。

# Q40 不文明政治言論接觸經驗

# 1. 檢查原始複選題的編碼
attr(survey_w1$q40_1_w1, "labels")

人身攻擊、誹謗（針對特定人的一些特質，包括性別、人格、偏好進行攻擊或惡意中傷） 
                                                                             1 

table(survey_w1$q40_1_w1, useNA = "ifany")

   1 <NA> 
 783  470 

# 2. 選取五個不文明言論選項
q40_items <- survey_w1[, c(
  "q40_1_w1",
  "q40_2_w1",
  "q40_3_w1",
  "q40_4_w1",
  "q40_5_w1"
)]

# 3. 判斷是否至少勾選一種不文明言論
# 依照原始資料的複選題格式：
# 非 NA 表示勾選；NA 表示未勾選或未作答
q40_any <- rowSums(!is.na(q40_items)) > 0

# 4. 檢查「以上都沒有」與其他選項
# 是否存在互斥選項同時勾選的情況
table(
  q40_any,
  !is.na(survey_w1$q40_90_w1),
  useNA = "ifany"
)

       
q40_any FALSE TRUE
  FALSE    62  235
  TRUE    956    0

# 5. 建立二分類變數
# 1 = 曾接觸
# 0 = 未接觸
# NA = 未取得有效作答
survey_w1$q40_exposure <- ifelse(
  q40_any,
  1,
  ifelse(
    !is.na(survey_w1$q40_90_w1),
    0,
    NA
  )
)

# 6. 轉換成 factor
survey_w1$q40_exposure <- factor(
  survey_w1$q40_exposure,
  levels = c(0, 1),
  labels = c("未接觸", "曾接觸")
)

# 7. 檢查清理後的分布
table(
  survey_w1$q40_exposure,
  useNA = "ifany"
)

未接觸 曾接觸   <NA> 
   235    956     62 

# 8. 檢查缺失值數量
sum(is.na(survey_w1$q40_exposure))

[1] 62

# 9. 確認資料型態
class(survey_w1$q40_exposure)

[1] "factor"

# 10. 確認「以上都沒有」的實際欄位標籤
attr(survey_w1$q40_90_w1, "label")

[1] "40.請問您在社群媒體上閱讀政治訊息或討論公共事務時，是否看到過下列性質的留言？（可複選）(06)以上都沒有"

編碼結果

本次資料清理後，受訪者的不文明政治言論接觸經驗分布如下：

清理後類別	受訪者人數
未接觸	235
曾接觸	956
缺失值（NA）	62
合計	1,253

共有 1,191 筆有效觀察值，另有 62 筆因問卷跳答而產生的缺失值。清理後的新變數為 factor，以區分受訪者是否曾接觸不文明政治言論。

本次重新編碼保留原始複選題資料，並建立新的二分類變數 q40_exposure，避免覆蓋原始回答內容。

2.5 Q47 政治興趣

原始問卷題目

Q47：整體來說，請問您對政治的事情，感不感興趣？

原始回答類別：

• （01）非常不感興趣
• （02）有點不感興趣
• （03）普通
• （04）有點感興趣
• （05）非常感興趣

本研究使用的原始變數為 q47_1_w1。

編碼目的與理由

本變數旨在測量受訪者對政治事務的興趣程度，並探索政治興趣與網路公開政治討論頻率之間可能存在的關聯。

政治興趣可能反映民眾對政治議題的關注程度與參與公共討論的動機。因此，本研究希望觀察不同政治興趣程度的受訪者，是否具有不同的網路公開政治討論行為。

由於原始問卷採五點程度量表，本研究選擇保留五個回答類別，不將其合併為「感興趣」與「不感興趣」兩類，以避免失去不同興趣程度之間的資訊。

在資料清理上，先檢查原始編碼及缺失值，再將變數轉換為有順序的類別變數（ordered factor）。數值由 1 至 5，代表受訪者從非常不感興趣到非常感興趣，但不預設相鄰類別之間具有相等的距離。

R 程式碼

# Q47 政治興趣

# 1. 檢查原始編碼及缺失值
attr(survey_w1$q47_1_w1, "labels")

非常不感興趣 有點不感興趣         普通   有點感興趣   非常感興趣 
           1            2            3            4            5 

table(survey_w1$q47_1_w1, useNA = "ifany")

  1   2   3   4   5 
229 288 454 234  48 

# 2. 保留五個回答類別，轉換為 ordered factor
survey_w1$political_interest <- factor(
  survey_w1$q47_1_w1,
  levels = 1:5,
  labels = c(
    "非常不感興趣",
    "有點不感興趣",
    "普通",
    "有點感興趣",
    "非常感興趣"
  ),
  ordered = TRUE
)

# 3. 檢查清理後的分布
table(
  survey_w1$political_interest,
  useNA = "ifany"
)

非常不感興趣 有點不感興趣         普通   有點感興趣   非常感興趣 
         229          288          454          234           48 

# 4. 檢查缺失值數量
sum(is.na(survey_w1$political_interest))

[1] 0

# 5. 確認資料型態
class(survey_w1$political_interest)

[1] "ordered" "factor" 

編碼結果

回答類別	受訪者人數
非常不感興趣	229
有點不感興趣	288
普通	454
有點感興趣	234
非常感興趣	48
合計	1,253

經檢查，本變數共有 1,253 筆有效觀察值，無缺失值。

清理後保留原始五個回答類別，並將資料型態轉換為有順序的類別變數（ordered factor），以保留政治興趣的程度差異，供後續分析使用。

2.6 Q57 藍綠政治傾向

原始問卷題目

Q57：目前台灣政黨大致分為泛藍或泛綠，請問您自己比較偏向哪一邊？（1 為泛藍；100 為泛綠）

本研究使用的原始變數為 q57_w1。

原始問卷使用 1–100 分的自我定位量表，其中：

• 1 分：泛藍方向
• 50 分：量表中點
• 100 分：泛綠方向

分數越低代表越偏向泛藍，分數越高則代表越偏向泛綠。

編碼目的與理由

本變數旨在測量受訪者在藍綠政治光譜上的自我定位，並探索不同政治傾向的受訪者，其網路公開政治討論頻率是否存在差異。

由於本研究目前關注的是受訪者政治傾向的方向，而非藍綠傾向的精確強弱程度，因此將原始 1–100 分重新編碼為三個類別，以利後續進行類別比較。

重新編碼規則如下：

原始分數	新編碼	新分類
1–49	1	偏泛藍
50	2	量表中點
51–100	3	偏泛綠

此分類方式以原始量表的中點作為區分依據，將低於 50 分的回答歸為「偏泛藍」，高於 50 分的回答歸為「偏泛綠」，而 50 分則獨立保留為「量表中點」。

需要注意的是，選擇 50 分不一定表示受訪者政治中立，也可能代表沒有明確傾向或選擇中間位置，因此本研究不直接將其稱為「中間選民」。

此外，泛藍或泛綠政治傾向並不等同於支持特定政黨，因此本變數不能直接用來辨識民進黨或國民黨支持者。

本研究保留原始 1–100 分變數，另外建立三分類變數，以避免重新編碼後失去原始政治傾向程度的資訊。

R 程式碼

# Q57 藍綠政治傾向

# 1. 檢查原始數值及缺失值
summary(survey_w1$q57_w1)

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   1.00   46.00   50.00   52.06   65.00  100.00 

sum(is.na(survey_w1$q57_w1))

[1] 0

# 2. 重新編碼為三分類
survey_w1$party_leaning_3 <- ifelse(
  survey_w1$q57_w1 >= 1 & survey_w1$q57_w1 <= 49,
  1,
  ifelse(
    survey_w1$q57_w1 == 50,
    2,
    ifelse(
      survey_w1$q57_w1 >= 51 & survey_w1$q57_w1 <= 100,
      3,
      NA
    )
  )
)

# 3. 轉換為 ordered factor
survey_w1$party_leaning_3 <- factor(
  survey_w1$party_leaning_3,
  levels = c(1, 2, 3),
  labels = c(
    "偏泛藍",
    "量表中點",
    "偏泛綠"
  ),
  ordered = TRUE
)

# 4. 檢查重新編碼後的類別分布
table(
  survey_w1$party_leaning_3,
  useNA = "ifany"
)

  偏泛藍 量表中點   偏泛綠 
     351      362      540 

# 5. 檢查重新編碼前後的缺失值
sum(is.na(survey_w1$q57_w1))

[1] 0

sum(is.na(survey_w1$party_leaning_3))

[1] 0

# 6. 確認資料型態
class(survey_w1$party_leaning_3)

[1] "ordered" "factor" 

編碼結果

清理後類別	受訪者人數	百分比
偏泛藍	351	28.0%
量表中點	362	28.9%
偏泛綠	540	43.1%
合計	1,253	100%

經檢查，原始變數與重新編碼後的變數皆無缺失值，且 1,253 位受訪者均被分配至對應類別。

新變數 party_leaning_3 已成功轉換為有順序的類別變數（ordered factor）。

本次三分類是依據研究目的所建立的分析性分類，並非原始問卷直接提供的分類標準。此外，上述比例為未加權的受訪者分布，不宜直接推論為臺灣全體選民的藍綠傾向比例。

三、預期的變數關聯

3.1 政治興趣與網路公開政治討論頻率（Q47 × Q34）

政治興趣反映個人對政治事務的關注程度。相較於政治興趣較低者，政治興趣較高的受訪者可能具有較強的政治參與動機，因此更願意投入時間關注政治議題，並參與網路上的公共討論。

然而，政治興趣與公開政治表達並不完全相同。即使受訪者高度關注政治，也可能因為擔心人際衝突、負面評價或其他因素，而選擇不公開表達政治意見。因此，政治興趣較高並不必然代表公開討論頻率較高。

H1：本研究預期，政治興趣與網路公開政治討論頻率之間存在關聯。

具體而言，預期政治興趣為「有點感興趣」或「非常感興趣」的受訪者，相較於「非常不感興趣」或「有點不感興趣」者，較可能落在「有時」或「經常」公開討論政治的類別。

3.2 異質性政治資訊暴露與網路公開政治討論頻率（Q35 × Q34）

異質性政治資訊暴露是指個人在社群媒體上接觸與自身政治立場不同資訊的頻率。當受訪者經常接觸不同政治觀點時，可能因為觀點差異而產生回應、辯論或表達自身立場的動機，進而提高參與網路公開政治討論的可能性。

然而，接觸不同政治立場的資訊，也可能使受訪者意識到政治議題具有爭議性，進而擔心公開表態可能帶來人際衝突或負面評價，因此降低公開討論政治的意願。

由於上述兩種機制可能產生不同方向的關聯，本研究暫不預設異質性政治資訊暴露與網路公開政治討論頻率之間必然存在正向或負向關係。

H2：本研究預期，異質性政治資訊暴露頻率不同的受訪者，其網路公開政治討論頻率的分布可能存在差異。

具體而言，本研究將比較異質性政治資訊暴露為「經常」或「有時」的受訪者，與「很少」或「從來沒有」接觸者，在網路公開政治討論頻率上的分布是否有所不同。

3.3 不文明政治言論接觸經驗與網路公開政治討論頻率（Q40 × Q34）

不文明政治言論接觸經驗是指受訪者是否曾在社群媒體上看到涉及人身攻擊、惡意中傷、指控說謊或粗俗用語等不文明政治留言。

當民眾接觸此類言論時，可能意識到公開討論政治存在人際衝突或遭受負面評價的風險，進而降低參與公開政治討論的意願。

然而，另一種可能的解釋是，原本就經常參與政治討論的民眾，因為更頻繁地接觸政治議題及相關討論內容，反而有較高的機會看見不文明政治言論。

因此，兩個變數之間即使存在關聯，也不能直接判定是接觸不文明政治言論影響了公開討論行為，或是較常參與討論的人更容易接觸此類言論。

H3：本研究預期，曾接觸與未接觸不文明政治言論的受訪者，其網路公開政治討論頻率的分布可能存在差異。

具體而言，本研究將比較「曾接觸」與「未接觸」不文明政治言論的受訪者，在「從來沒有」、「很少」、「有時」及「經常」公開討論政治四個類別上的分布差異。

3.4 政治自我審查意願與網路公開政治討論頻率（Q27 × Q34）

政治自我審查意願是指個人在考量某些因素後，傾向限制或避免公開表達自身政治意見的程度。相較之下，網路公開政治討論頻率則是測量受訪者在網路上公開討論政治或公共事務的自陳頻率。

本研究認為，當受訪者具有較強的政治自我審查意願時，即使對政治議題有所關注，也可能因為擔心人際衝突、負面評價或其他考量，而減少公開參與政治討論的行為。

因此，本研究預期，具有不同政治自我審查意願的受訪者，其網路公開政治討論頻率可能存在差異。

H4：本研究預期，政治自我審查意願（Q27）與網路公開政治討論頻率（Q34）之間存在關聯。

具體而言，預期在 Q27 回答「同意」或「非常同意」的受訪者，相較於回答「不同意」或「非常不同意」者，較可能在 Q34 落入「從來沒有」或「很少」公開討論政治的類別。

3.5 藍綠政治傾向與網路公開政治討論頻率（Q57 × Q34）

藍綠政治傾向是指受訪者在臺灣泛藍與泛綠政治光譜上的自我定位。本研究將原始 1–100 分量表重新編碼為「偏泛藍」、「量表中點」及「偏泛綠」三個類別，以比較不同政治傾向受訪者的網路公開政治討論頻率。

在選舉期間，不同政治傾向的受訪者可能因政治認同、議題關注程度或所處的政治討論環境不同，而呈現不同的公開政治討論行為。本研究特別關注偏泛藍與偏泛綠受訪者的公開政治討論頻率是否存在差異，以及偏泛綠者是否更常參與網路公開政治討論。

然而，目前尚無充分的理論依據預設哪一類政治傾向的受訪者具有較高的討論頻率，因此本研究不預先判定關聯方向。

H5：本研究預期，不同藍綠政治傾向的受訪者，其網路公開政治討論頻率的分布可能存在差異。

具體而言，本研究將比較 Q57「偏泛藍」、「量表中點」及「偏泛綠」三類受訪者，在 Q34「從來沒有」、「很少」、「有時」及「經常」四個類別上的分布是否存在差異，並特別觀察「偏泛藍」與「偏泛綠」受訪者在「有時」或「經常」公開討論政治的比例是否不同。

3.6 政治興趣與政治自我審查意願（Q47 × Q27）

政治興趣反映個人對政治事務的關注程度，而政治自我審查意願則反映個人是否傾向在考量某些因素後，避免公開表達自身政治意見。

一般而言，政治興趣較高的受訪者可能具有較強的政治參與動機。然而，對政治具有高度興趣，並不代表個人必然願意公開表達政治立場。部分受訪者即使經常關注政治議題，也可能因擔心人際衝突、負面評價或其他考量，而具有較高的政治自我審查意願。

因此，本研究不預設政治興趣與政治自我審查意願之間的關聯方向，而是希望探索不同政治興趣程度的受訪者，其自我審查意願是否存在差異。

H6：本研究預期，不同政治興趣程度的受訪者，其政治自我審查意願的分布可能存在差異。

具體而言，本研究將比較 Q47 回答「有點感興趣」或「非常感興趣」的受訪者，與回答「非常不感興趣」或「有點不感興趣」者，在 Q27 回答「同意」或「非常同意」的比例是否存在差異，並特別關注政治興趣較高者是否同時具有較強的政治自我審查意願。

3.7 不文明政治言論接觸經驗與政治自我審查意願（Q40 × Q27）

不文明政治言論接觸經驗是指受訪者是否曾在社群媒體上看過人身攻擊、惡意中傷、指控說謊或其他不文明政治留言。

當民眾曾經接觸此類言論時，可能意識到公開表達政治意見存在遭受批評或人際衝突的風險，因此對於公開表達自身政治立場產生較多顧慮，進而提高政治自我審查意願。

因此，本研究希望探索不同不文明政治言論接觸經驗的受訪者，其政治自我審查意願是否存在差異。

H7：本研究預期，不文明政治言論接觸經驗（Q40）與政治自我審查意願（Q27）之間存在關聯。

具體而言，本研究預期在 Q40 被歸類為「曾接觸」的受訪者，相較於「未接觸」者，在 Q27 回答「同意」或「非常同意」的比例可能較高。

需要注意的是，Q40 測量的是受訪者是否曾看過不文明政治言論，而非是否親身受到攻擊，因此本假設主要探索兩者的關聯，不直接推論不文明言論接觸經驗造成政治自我審查。

四、小結

本次作業以 2022 年地方選舉前的臺灣傳播調查資料為基礎，探討民眾政治態度、政治資訊接觸經驗與網路公開政治討論頻率之間可能存在的關聯。

在資料清理方面，本研究選取政治自我審查意願、網路公開政治討論頻率、異質性政治資訊暴露、不文明政治言論接觸經驗、政治興趣及藍綠政治傾向等六個變數，依據各題的測量方式與研究目的，進行原始編碼檢查、缺失值處理及資料型態轉換。其中，部分變數保留原始回答類別，不文明政治言論接觸經驗則整合為二分類，藍綠政治傾向重新編碼為三分類。

在變數關聯方面，本研究以網路公開政治討論頻率為主要依變數，提出五組與政治興趣、異質性政治資訊暴露、不文明政治言論接觸經驗、政治自我審查意願及藍綠政治傾向相關的假設。另外，進一步提出政治興趣、不文明政治言論接觸經驗與政治自我審查意願之間的兩組關聯假設，共計七組。

本次作業主要完成變數清理、編碼與預期關聯的說明，尚未進行兩兩變數之間的統計檢驗。因此，這些關聯仍屬於研究預期，未來可透過交叉表等方式，進一步觀察不同回答類別之間的分布差異。