系統參數設定

Sys.setlocale(category = "LC_ALL", locale = "zh_TW.UTF-8") # 避免中文亂碼
## [1] ""

安裝需要的packages

# echo = T,results = 'hide'
packages = c("dplyr", "tidytext", "stringr", "wordcloud2", "ggplot2",'readr','data.table','reshape2','wordcloud','tidyr','scales','plotly' ,'googleVis', 'readr', 'ggpubr' ,'highcharter')
existing = as.character(installed.packages()[,1])
for(pkg in packages[!(packages %in% existing)]) install.packages(pkg)

讀進library

#可不讓資訊跑出來
library(dplyr)
library(stringr)
library(tidytext)
library(wordcloud2)
library(data.table)
library(ggplot2)
library(reshape2)
library(wordcloud)
library(tidyr)
library(readr)
library(scales)
require(jiebaR)
library(readr)
library(plotly)
library(googleVis)
library(readr)
library(ggpubr)
library(highcharter)

資料基本介紹

  • 資料來源: 文字平台收集PTT Gossip版2020-01-01~2020-12-31 所有文章
  • 資料集： ptt_Gossiping_0330_articleMetaData.csv
  • 關鍵字：中天、關台
  • 資料時間：2020-01-02 ~ 2020-12-30

此篇將以中天關台作為主題，看ptt鄉民的討論如何，而以下將針對幾點作分析:

1.中天關台的訊息在什麼時候討論度最高?
2.鄉民對中天關台的意見是甚麼?
3.鄉民正面和負面討論的情緒如何？

# 把文章和留言讀進來
library(readr)
MetaData <- read_csv("D:/W5/ptt_Gossiping_52_articleMetaData.csv")
## 
## -- Column specification --------------------------------------------------------
## cols(
##   artTitle = col_character(),
##   artDate = col_date(format = ""),
##   artTime = col_time(format = ""),
##   artUrl = col_character(),
##   artPoster = col_character(),
##   artCat = col_character(),
##   commentNum = col_double(),
##   push = col_double(),
##   boo = col_double(),
##   sentence = col_character()
## )
Reviews<- read_csv("D:/W5/ptt_Gossiping_52_articleReviews.csv")
## 
## -- Column specification --------------------------------------------------------
## cols(
##   artTitle = col_character(),
##   artDate = col_date(format = ""),
##   artTime = col_time(format = ""),
##   artUrl = col_character(),
##   artPoster = col_character(),
##   artCat = col_character(),
##   cmtPoster = col_character(),
##   cmtStatus = col_character(),
##   cmtDate = col_datetime(format = ""),
##   cmtContent = col_character()
## )
# 再篩一次文章 1754 篇
keywords = c('中天','中天新聞台','關台','中天關台','52頻道')
toMatch = paste(keywords,collapse="|")
MetaData = with(MetaData, MetaData[grepl(toMatch,sentence)|grepl(toMatch,artTitle),])

# 挑選文章對應的留言
Reviews = left_join(MetaData, Reviews[,c("artUrl", "cmtContent")], by = "artUrl")

1. 資料前處理

(1). 文章斷詞

設定斷詞引擎

# 加入自定義的字典
jieba_tokenizer <- worker(user="D:/W5/user_dict_52.txt", stop_word ="D:/W5//stop_words.txt")

# 設定斷詞function
customized_tokenizer <- function(t) {
  lapply(t, function(x) {
    tokens <- segment(x, jieba_tokenizer)
    return(tokens)
  })
}
# 把文章和留言的斷詞結果併在一起
MToken <- MetaData %>% unnest_tokens(word, sentence, token=customized_tokenizer)
RToken <- Reviews %>% unnest_tokens(word, cmtContent, token=customized_tokenizer)

# 把資料併在一起
data <- rbind(MToken[,c("artDate","artUrl", "word")],RToken[,c("artDate","artUrl", "word")])

(2). 資料基本清理

  • 日期格式化
  • 去除特殊字元、詞頻太低的字
# 格式化日期欄位
data$artDate= data$artDate %>% as.Date("%Y/%m/%d")

# 過濾特殊字元
data_select = data %>% 
  filter(!grepl('[[:punct:]]',word)) %>% # 去標點符號
  filter(!grepl("['^0-9a-z']",word)) %>% # 去英文、數字
  filter(nchar(.$word)>1) 
  
# 算每天不同字的詞頻
# word_count:artDate,word,count
word_count <- data_select %>%
  select(artDate,word) %>%
  group_by(artDate,word) %>%
  summarise(count=n()) %>%  # 算字詞單篇總數用summarise
  filter(count>3) %>%  # 過濾出現太少次的字
  arrange(desc(count))
## `summarise()` has grouped output by 'artDate'. You can override using the `.groups` argument.
word_count
## # A tibble: 20,514 x 3
## # Groups:   artDate [145]
##    artDate    word  count
##    <date>     <chr> <int>
##  1 2020-11-18 中天   2295
##  2 2020-11-18 新聞   1031
##  3 2020-10-26 中天    941
##  4 2020-11-18 三立    892
##  5 2020-12-11 中天    853
##  6 2020-11-19 中天    790
##  7 2020-12-13 中天    774
##  8 2020-12-12 中天    700
##  9 2020-11-18 崩潰    638
## 10 2020-10-25 中天    595
## # ... with 20,504 more rows

2. 準備LIWC字典

全名Linguistic Inquiry and Word Counts，由心理學家Pennebaker於2001出版 分為正向情緒與負向情緒

讀檔，字詞間以“,”將字分隔

P <- read_file("D:/W5/positive.txt") # 正向字典txt檔
N <- read_file("D:/W5/negative.txt") # 負向字典txt檔

#字典txt檔讀進來是一整個字串
typeof(P)
## [1] "character"

分割字詞，並將兩個情緒字典併在一起

# 將字串依,分割
# strsplit回傳list , 我們取出list中的第一個元素
P = strsplit(P, ",")[[1]]
N = strsplit(N, ",")[[1]]

# 建立dataframe 有兩個欄位word,sentiments，word欄位內容是字典向量
P = data.frame(word = P, sentiment = "positive") #664
N = data.frame(word = N, sentiment = "negative") #1047

# 把兩個字典拼在一起
LIWC = rbind(P, N)

# 檢視字典
head(LIWC)
##       word sentiment
## 1     一流  positive
## 2 下定決心  positive
## 3 不拘小節  positive
## 4   不費力  positive
## 5     不錯  positive
## 6     主動  positive

3. 將文章和與LIWC情緒字典做join

首先看看2020有關中天關台之發文數

正負情緒發文折線圖

MetaData$artDate= MetaData$artDate %>% as.Date("%Y/%m/%d")
MetaData %>%
  group_by(artDate) %>%
  summarise(count = n()) %>%
  ggplot(aes(x=artDate, y=count)) +
  geom_point() +
  geom_line() +
  ggtitle("2020有關中天關台之發文數") + xlab("date (yr'mn)") +
  scale_x_date(date_breaks="1 months", date_labels="%m/%d")->post_plot
  ggplotly(post_plot)
  • 可以看到2020-11-18的發文數最高，再來是2020-12-11，而2020-1-11為總統大選、2020-06-06為韓國瑜罷免投票日，這兩天對於中天的討論度相較其他天來說也較高，但因為與中天關台無關，所以先將分析的時程放在2020年末

找出文集中，對於LIWC字典是positive和negative的字

算出每天情緒總和(sentiment_count)

# sentiment_count:artDate,sentiment,count
sentiment_count = data_select %>%
  select(artDate,word) %>%
  inner_join(LIWC) %>% 
  group_by(artDate,sentiment) %>%
  summarise(count=n())  
## Joining, by = "word"
## `summarise()` has grouped output by 'artDate'. You can override using the `.groups` argument.

再來對ptt鄉民對中天關台的情緒做分析，經上圖可以看到，在2020-10-1後，中天關台的討論度開始攀升，以下將針對2020-10-1後的文章做情緒分析

正負情緒分數折線圖

# 檢視資料的日期區間
range(sentiment_count$artDate) #"2020-01-02" "2020-12-30"
## [1] "2020-01-02" "2020-12-30"
sentiment_count %>%
  ggplot(aes(x=artDate,y=count,colour=sentiment))+
  geom_point() +
  geom_line()+
  scale_x_date(labels = date_format("%m/%d"),
               limits = as.Date(c('2020-10-01','2020-12-31'))
               )->sentiment_plot
ggplotly(sentiment_plot)
  • 將情緒分數依正面及負面畫圖，可以看到多數天正負面的情緒大多是重疊的，鄉民對於中天關台的事件的評價好壞參半，較為特別的為2020-11-18，這天的負面情緒大於正面情緒，且負面及正面情緒都是同時段的最高，令人好奇的是2020-11-19，相隔一天，鄉民的負面情緒就大於正面情緒。另外，在2020-12-11至2020-12-13的討論度也高，下面將以這幾個區間做進一步分析

正負情緒比例折線圖

標準化後看情緒的波動

sentiment_count %>% 
  # 標準化的部分
  group_by(artDate) %>%
  mutate(ratio = count/sum(count)) %>%
  # 畫圖的部分
  ggplot(aes(x=artDate,y=ratio,colour=sentiment))+
  geom_line()+
  scale_x_date(labels = date_format("%m/%d"),
               limits = as.Date(c('2020-10-01','2020-12-31'))
               )->recount_sentiment

   ggplotly(recount_sentiment)
# 查看每天的情緒分數排名
sentiment_count %>%
  select(count,artDate) %>%
  group_by(artDate) %>%
  summarise(sum = sum(count)) %>%
  arrange(desc(sum))
## # A tibble: 158 x 2
##    artDate      sum
##    <date>     <int>
##  1 2020-11-18  5579
##  2 2020-12-11  2290
##  3 2020-11-19  2275
##  4 2020-10-26  1957
##  5 2020-12-13  1822
##  6 2020-12-12  1741
##  7 2020-10-25  1252
##  8 2020-10-15   924
##  9 2020-10-14   856
## 10 2020-01-11   849
## # ... with 148 more rows
  • 可看到2020-11-18的討論度最高，次高的天數為2020-12-11，接著為2020-11-19。

4. 畫出文字雲

先對討論度最高的2020-11-18看看鄉民們對中天關台的評價如何，而在上一節的情緒分析中，可以看到2020-11-18當天是負面情緒多於正面情緒的

2020-11-18 文字雲

word_count %>% 
  filter(!(word %in% c("中天","新聞","換照"))) %>%
  filter(artDate == as.Date('2020-11-18')) %>% 
  select(word,count) %>% 
  group_by(word) %>% 
  summarise(count = sum(count)) %>%
  arrange(desc(count)) %>%
   filter(count>100) %>%
    # 過濾出現太少次的字
  wordcloud2()
## Adding missing grouping variables: `artDate`

  • 經文字雲看2020-11-18的結果，在過濾掉「中天」及「新聞」二字後，出現了「三立」、「崩潰」、「台灣」、「開心」、「綠共」等字，可以看到大多數人持正面意見，而關於「自由」的字眼也非常多。

  • 較為意外的是，「三立」電視台的字眼出現的非常頻繁，推測是有另一派的鄉民希望執政黨不要雙標看待事情，對於較親民進黨派的三立電視台也要用同樣標準審查。

接下來看看2020-11-19鄉民的普遍反應如何，在前一節的情緒分析中，鄉民的情緒是負面大於正面的

2020-11-19 文字雲

word_count %>% 
  filter(!(word %in% c("中天","新聞"))) %>%
  filter(artDate == as.Date('2020-11-19')) %>% 
  select(word,count) %>% 
  group_by(word) %>% 
  summarise(count = sum(count)) %>%
  arrange(desc(count)) %>%
  filter(count>20
         ) %>%# 過濾出現太少次的字 
  wordcloud2()
## Adding missing grouping variables: `artDate`

  • 在2020-11-19的文字雲中，可以看到「失業」、「可憐」、「崩潰」…等的負面字眼所佔比例高

接著對2020-12-11~2020-12-13進行分析

2020-12-11~2020-12-13 文字雲

word_count %>% 
  filter(!(word %in% c("中天","新聞"))) %>%
  filter(artDate == as.Date('2020-12-11~2020-12-13')) %>% 
  select(word,count) %>% 
  group_by(word) %>% 
  summarise(count = sum(count)) %>%
  arrange(desc(count)) %>%
  filter(count>20) %>%   # 過濾出現太少次的字
  wordcloud2()
## Adding missing grouping variables: `artDate`

2020-12-11~2020-12-13_wordcloud * 可以看到2020-12-11~2020-12-13這幾天大多數出現的關鍵字與前面分析的結果相似，關台為主要鄉民討論的部分

5.找出情緒字典代表字

算出所有字詞的詞頻(sentiment_sum)，找出情緒代表字

正負情緒代表字

# sentiment_sum:word,sentiment,sum
sentiment_sum <- 
  word_count %>%
    inner_join(LIWC) %>%
    group_by(word,sentiment) %>%
  summarise(
    sum = sum(count)
  ) %>% 
  arrange(desc(sum)) %>%
  data.frame() 
## Joining, by = "word"
## `summarise()` has grouped output by 'word'. You can override using the `.groups` argument.
sentiment_sum %>%
  top_n(30,wt = sum) %>%
  mutate(word = reorder(word, sum)) %>%
  ggplot(aes(word, sum, fill = sentiment)) +
  geom_col(show.legend = FALSE) +
  facet_wrap(~sentiment, scales = "free_y") +
  labs(y = "Contribution to sentiment",
       x = NULL) +
  theme(text=element_text(size=14))+
  coord_flip()

### 正負情緒文字雲

sentiment_sum %>%
  acast(word ~ sentiment, value.var = "sum", fill = 0) %>%
  comparison.cloud(
    colors = c("salmon", "#72bcd4"), # positive negative
                   max.words = 50)

### 2020-11-18 正負情緒代表字

sentiment_sum_select <- 
word_count %>%
  filter(artDate == as.Date('2020-11-18')) %>% 
    inner_join(LIWC) %>%
    group_by(word,sentiment) %>%
  summarise(
    sum = sum(count)
  ) %>% 
  arrange(desc(sum)) %>%
  data.frame() 
## Joining, by = "word"
## `summarise()` has grouped output by 'word'. You can override using the `.groups` argument.
sentiment_sum_select   %>%
  top_n(30,wt = sum) %>%
  ungroup() %>% 
  mutate(word = reorder(word, sum)) %>%
  ggplot(aes(word, sum, fill = sentiment)) +
  geom_col(show.legend = FALSE) +
  facet_wrap(~sentiment, scales = "free_y") +
  labs(y = "2020-11-18 正負面代表字",
       x = NULL) +
  theme(text=element_text(size=14))+
  coord_flip()

2020-11-18 正負情緒文字雲

sentiment_sum_select %>%
  acast(word ~ sentiment, value.var = "sum", fill = 0) %>%
  comparison.cloud(
    colors = c("salmon", "#72bcd4"), # positive negative
                   max.words = 50)

6.歸類正負面文章

之前的情緒分析大部分是全部的詞彙加總，接下來將正負面情緒的文章分開，看看能不能發現一些新的東西。接下來歸類文章，將每一篇文章正負面情緒的分數算出來，然後大概分類文章屬於正面還是負面。

# 依據情緒值的正負比例歸類文章
article_type = 
  data_select %>%
  inner_join(LIWC) %>% 
  group_by(artUrl,sentiment) %>%
  summarise(count=n()) %>%
  spread(sentiment,count,fill = 0) %>% #把正負面情緒展開，缺值補0
  mutate(type = case_when(positive > negative ~ "positive", 
                             TRUE ~ "negative")) %>%
  data.frame() 
## Joining, by = "word"
## `summarise()` has grouped output by 'artUrl'. You can override using the `.groups` argument.
# 看一下正負比例的文章各有幾篇
article_type %>%
  group_by(type) %>%
  summarise(count = n())
## # A tibble: 2 x 2
##   type     count
##   <chr>    <int>
## 1 negative   996
## 2 positive   712
  • 整體來說，負面的文章多於正面文章

接下來對2020-11-18、2020-11-19、2020-12-11~2020-12-13這幾天做正負面文章的統計圖

正負情緒文章數量統計圖

article_type_date = left_join(article_type[,c("artUrl", "type")], MetaData[,c("artUrl", "artDate")], by = "artUrl")

article_type_date %>%
  group_by(artDate,type) %>%
  summarise(count = n())%>%
  filter(artDate == as.Date('2020-11-18'))%>%
ggplot(aes(x = artDate, y = count, fill = type))+  
  geom_bar(stat = "identity",position=position_dodge())->d1
## `summarise()` has grouped output by 'artDate'. You can override using the `.groups` argument.
article_type_date %>%
  group_by(artDate,type) %>%
  summarise(count = n())%>%
  filter(artDate == as.Date('2020-11-19'))%>%
ggplot(aes(x = artDate, y = count, fill = type))+  
  geom_bar(stat = "identity",position=position_dodge())->d2
## `summarise()` has grouped output by 'artDate'. You can override using the `.groups` argument.
article_type_date %>%
  group_by(artDate,type) %>%
  summarise(count = n())%>%
  filter(artDate == as.Date('2020-12-11~2020-12-13'))%>%
ggplot(aes(x = artDate, y = count, fill = type))+  
  geom_bar(stat = "identity",position=position_dodge())->d3
## `summarise()` has grouped output by 'artDate'. You can override using the `.groups` argument.
ggarrange(d1, d2, d3,  labels = c('2020-11-18', '2020-11-19', '2020-12-11~2020-12-13'))

  • 可以看到這幾天的文章數量都是負面大於正面，與用字詞來統計的結果不同

接著把正面和負面的文章挑出來，並和斷詞結果合併。

# negative_article:artUrl,word
negative_article <-
article_type %>%
  filter(type=="negative")%>%
  select(artUrl) %>%
  left_join(data_select[,c("artUrl", "word")], by = "artUrl")

# positive_article:artUrl,word
positive_article <-
article_type %>%
  filter(type=="positive")%>%
  select(artUrl) %>%
  left_join(data_select[,c("artUrl", "word")], by = "artUrl")

畫出正負面文章情緒貢獻度較高的關鍵字

情緒關鍵字:負面情緒文章

# 負面情緒關鍵字貢獻圖
negative_article %>%
inner_join(LIWC) %>%
    group_by(word,sentiment) %>%
  summarise(
    sum = n()
    )%>% 
  arrange(desc(sum)) %>%
  data.frame() %>%
  top_n(30,wt = sum) %>%
  ungroup() %>% 
  mutate(word = reorder(word, sum)) %>%
  ggplot(aes(word, sum, fill = sentiment)) +
  geom_col(show.legend = FALSE) +
  facet_wrap(~sentiment, scales = "free_y") +
  labs(y = "Contribution to negative sentiment",
       x = NULL) +
  theme(text=element_text(size=14))+
  coord_flip()
## Joining, by = "word"
## `summarise()` has grouped output by 'word'. You can override using the `.groups` argument.

情緒關鍵字:正面情緒文章

# 正面情緒關鍵字貢獻圖
positive_article %>%
inner_join(LIWC) %>%
    group_by(word,sentiment) %>%
  summarise(
    sum = n()
    )%>% 
  arrange(desc(sum)) %>%
  data.frame() %>%
  top_n(30,wt = sum) %>%
  ungroup() %>% 
  mutate(word = reorder(word, sum)) %>%
  ggplot(aes(word, sum, fill = sentiment)) +
  geom_col(show.legend = FALSE) +
  facet_wrap(~sentiment, scales = "free_y") +
  labs(y = "Contribution to positive sentiment",
       x = NULL) +
  theme(text=element_text(size=14))+
  coord_flip()
## Joining, by = "word"
## `summarise()` has grouped output by 'word'. You can override using the `.groups` argument.

  • 從上圖可以看到，在負面的部分「垃圾」、「可憐」、「問題」、「八卦」、「智障」貢獻度最高，多數是在表述意見時的形容詞;而在正面上，「支持」、「開心」、「自由」、「娛樂」、「希望」等字出現的頻率較高，可以看出對中天關台表達正面意見的人，對「自由」十分在乎

7.加入其他資料來源比較

# 加入dcard資料作比較
Dcard  = fread('D:/W5/dcard_52_articleMetaData.csv',encoding = 'UTF-8')
DToken <- Dcard %>% unnest_tokens(word, sentence, token=customized_tokenizer)
PTT_Token <- rbind(MToken[,c("artDate","artUrl", "word")],RToken[,c("artDate","artUrl", "word")]) 

PTT_Token = PTT_Token %>% mutate(source = "ptt")
Dcard_Token = DToken %>% mutate(source = "dcard")

# 把資料併在一起
data_combine = rbind(PTT_Token,Dcard_Token[,c("artDate","artUrl", "word","source")])

data_combine$artDate= data_combine$artDate %>% as.Date("%Y/%m/%d")

ptt、dcard情緒分數比較

range(Dcard$artDate) #"2021/01/15" "2021/12/26"
## [1] "2020/01/02" "2020/12/26"
data_combine %>%
  inner_join(LIWC) %>%
  group_by(artDate,sentiment,source) %>%
  summarise(count = n()) %>%
  filter(artDate>='2020-10-01') %>%
  
  # 畫圖的部分
  ggplot(aes(x= artDate,y=count,fill=sentiment)) +
  scale_color_manual() +
  geom_col(position="dodge") + 
  scale_x_date(labels = date_format("%m/%d")) +
  labs(title = "ptt & dcard 的情緒分數",color = "情緒類別") +
  facet_wrap(~source, ncol = 1, scales="free_y")->compare_plot  # scale可以調整比例尺
## Joining, by = "word"
## `summarise()` has grouped output by 'artDate', 'sentiment'. You can override using the `.groups` argument.
ggplotly(compare_plot)
  • 可以看到Dcard與ptt在2020-11-18這天的討論度都非常高，dcard網民負面情緒居多，ppt的鄉民則是正面情緒居多

2020-11-18 dcard文字雲

來看看2020-11-18Dcard大多以什麼樣的字眼評論中天換照事件

Dcard_Token$artDate= Dcard_Token$artDate %>% as.Date("%Y/%m/%d")

# 過濾特殊字元
data_select_Dcard = Dcard_Token %>% 
  filter(!grepl('[[:punct:]]',word)) %>% # 去標點符號
  filter(!grepl("['^0-9a-z']",word)) %>% # 去英文、數字
  filter(nchar(.$word)>1)

word_count_dcard <- data_select_Dcard %>%
  select(artDate,word) %>%
  group_by(artDate,word) %>%
  summarise(count=n()) %>%  # 算字詞單篇總數用summarise
  filter(count>3) %>%  # 過濾出現太少次的字
  arrange(desc(count))
## `summarise()` has grouped output by 'artDate'. You can override using the `.groups` argument.
word_count_dcard
## # A tibble: 527 x 3
## # Groups:   artDate [46]
##    artDate    word  count
##    <date>     <chr> <int>
##  1 2020-11-18 中天    118
##  2 2020-11-18 新聞     68
##  3 2020-11-18 換照     39
##  4 2020-11-19 中天     39
##  5 2020-11-04 中天     33
##  6 2020-11-19 新聞     29
##  7 2020-09-25 新聞     26
##  8 2020-10-25 中天     26
##  9 2020-12-11 中天     26
## 10 2020-11-20 中天     25
## # ... with 517 more rows
word_count_dcard %>% 
  filter(!(word %in% c("中天","新聞"))) %>%
  filter(artDate == as.Date('2020-11-18')) %>% 
  select(word,count) %>% 
  group_by(word) %>% 
  summarise(count = sum(count)) %>%
  arrange(desc(count)) %>%  
  wordcloud2()
## Adding missing grouping variables: `artDate`

* 經文字雲可以看到，在2020-11-18，dcard出現頻率較高的文字大多為陳述時會用到的字詞，與其他的分析結果較不同的是出現「耀祥」二字，經搜尋，因是NCC主委陳耀祥，推測是當天NCC駁回中天換照才會不斷提到主委。

總結

1.中天關台的訊息在什麼時候討論度最高?

中天關台的訊息在2020-11-18的討論度最高，推測為NCC在當天決議駁回中天新聞台換照申請引起大家關注，而在2020-11-19的討論度也不低，可能是延續前一天的討論熱度。

再來是2020-12-11~2020-12-13這段時間，中天在2020/12/12零點正式下架，推測是因為中天下架而討論度較高。

2.鄉民正面和負面討論的情緒如何？

依分析結果顯示，大部分天數的情緒為好壞皆半，較為特別的是2020-11-18，鄉民對中天關台的討論為正面情緒大於負面情緒，以及 2020-11-19，負面情緒比正面多，推測是鄉民在收到中天關台的訊息時，第一時間皆是表達正面的字詞，如:中天要關台了好開心!，推論在後面幾天，鄉民有可能加上了比較多負面的字詞來討論，或者是另一派反對的人開始加入討論。

  1. 鄉民對中天關台的意見是甚麼?

以2020-11-18，借文字雲的顯示，出現了「三立」、「崩潰」、「台灣」、「開心」、「綠共」等字，可以看到大多數人持正面意見，而關於「自由」的字眼也非常多。較意外的是，「三立」電視台的字眼出現的非常頻繁，推測是有另一派的鄉民希望執政黨不要雙標。而相較於Dcard的使用者，ptt的使用者用字遣詞較為具體，如帶有色彩的「紅媒」、「綠共」、「三民自」…，意識形態較為濃厚。