研究方法

在此分為變數建構與分析方法進行說明。

壹、變數建構 一、依變數之建構

本研究測量立法委員質詢行為之方式為統計立法委員質詢次數；

而立法委員 Facebook 經營行為則以擁有 Facebook 專頁之數量，與其粉 絲專頁之管理員發文（包含分享、轉貼，但不含回應別人的文章以及 其張貼的外部連結）次數測量之。而測量質詢與 Facebook 的關聯，則 以收集到的立法委員質詢文本與 Facebook 發布文章建立分類，並統計 同一分類次數，以測量其關聯性，以下分別說明本研究之依變項之實 際建構方式：

（一）立法委員質詢次數

本研究收集立法院國會圖書館之立法委員問政專輯所提供之院會 質詢資訊，其立法委員問政專輯中的立法委員質詢資訊包含施政質詢 中的口頭質詢⁴⁶（包括政黨與個人）與書面質詢，及預決算質詢的案由 資訊，基本已囊括了所有類型的立法委員質詢行為，因此得以檢閱所

46 立法院國會圖書館將立委行口頭質詢時之案由以書面呈現，而得以收集文本。

50

有立法委員質詢行為的發生，而得立法委員質詢次數，為連續變項。

（二）擁有的粉絲專頁數量

在收集資料階段，檢視立法委員擁有具官方性之 Facebook 粉絲專 頁與否時，亦發現立法委員有擁有多個官方粉絲專頁的現象，或顯現 其經營之積極性，在此累進統計之。此項為連續變項。

本章第一節提及存在創建後疏於管理，而未有管理員持續經營發 文，而被筆者分類為「未啟用」的粉絲專頁。而除此類粉絲專頁外，

有 11 個立法委員 Facebook 粉絲專頁在創建後雖曾經有管理發文，但在 本研究中的兩個會期內卻從未有發文的行為，也應該將此因素考量。

因此，在依變數方面，以「包含未啟用的立法委員官方粉絲專頁數量」，

「排除未啟用的立法委員官方粉絲專頁數量」、「排除未於研究範圍時 間內發文的立法委員官方粉絲專頁數量」建構三項，分別檢視。

（三）粉絲專頁發文次數

本研究收集前述具官方性之立法委員 Facebook 粉絲專頁之發文，

統計其數量，若有複數粉絲專頁則加總之，以發文積極度觀其 Facebook 經營行為，為連續變項。

（四）質詢文本與 Facebook 發文關聯次數

收集前兩項之文本後，分析內容將文本分類，而當 Facebook 發文 被給予質詢文本同一分類，便累計之，為連續變項。唯此處在分類方 法有其困難性，而試圖以新技術處理，於分析方法段落詳述之。

二、自變數之建構

於本章第一節已提及本研究之預測變數為「所屬政黨」、「會期」、

「資深程度」、「是否擔任委員會召集委員」、「代表屬性」、「教育程度」、

「性別」、「年齡」、「選區特性」與「前次選舉與主要對手之選票差距」。

以下各別說明其測量方式：

（一）所屬政黨

主要依黨籍分類，由於無黨團結聯盟與無黨籍者較少，決定併為 一類以增進統計意義。此項可協助分析執政與在野的影響因素，為類 別變項。

（二）會期

以本研究之兩個會期，即第八屆立法委員第一會期與第八屆立法 委員第二會期分類，為類別變項。

（三）資深程度

依立法委員的在任次數累計⁴⁷，其中包含增額補選紀錄。而曾經中 斷連任者，其亦累加其中斷前後之所有在任次數。為連續變項。

（四）是否擔任委員會召集委員

依官方提供資料⁴⁸確認立法委員於研究範圍各任期是否擔任委員 會召集委員，為類別變項。

（五）代表屬性

依區域立委、區域立委（包含山地與平地）與不分區與僑居立委 作為分類，為類別變項。

（六）教育程度

因研究範圍為選後兩會期，所以使用選舉公報提供之學歷資料較 不易失準⁴⁹。沿用王靖興（2006，2009）之分類，將立法委員的教育程 度分為「高中畢業以下」、「大專畢業」、「碩士畢業」以及「博士畢業」

四類，為類別變項。

（七）性別

分為「男性」、「女性」，為類別變項。

47 資料來自立法院國會圖書館

48 資料來自立法院國會圖書館

49 資料來自中央選舉委員會選舉與公民投票公報查詢系統（http://bulletin.cec.gov.tw）。

52

51 資料來自內政部統計處內政統計年報網站（http://www.moi.gov.tw/stat/year.aspx）。

52 資料來自《中華民國統計資訊網》縣市重要統計指標查詢系統

（http://ebas1.ebas.gov.tw/pxweb/Dialog/statfile9.asp）。

53 資料來自行政院研究發展考核委員會（2012c）。

54 65 歲以上稱為老年人口。

55 資料來自《中華民國統計資訊網》縣市重要統計指標查詢系統。

56 資料來自中選會選舉資料庫網站（http://db.cec.gov.tw）

法委員官方粉絲專頁數量」，「排除未啟用的立法委員官方粉絲專頁數

54

的，在於瞭解立法委員是否會在 Facebook 討論其質詢議題之相關資訊。

因此，筆者在此給出一個定義：只要立法委員的質詢與粉絲專頁發文 在主要議題方向是相關的，即可認定關聯。舉例來說，在質詢官員開 放美國牛肉進口會影響食品安全，而在 Facebook 上發布食品安全相關 議題，即是筆者認為的關聯性。

傳統上，學者可以利用「內容分析法」（Content analysis）或「紮 根理論」（Grounded theory）達成文本分析，然而傳統採用人工分析的 方式，對於本研究高達兩萬以上的海量文本有不足以應付之處，如研 究資源有限，無法組織團隊進行人工比對等；若筆者自行進行人工比 對，不僅耗時，且在方法上不具備信度。在此，須引進有足夠驗證能 力的方法，經筆者檢視不同研究方法後，筆者認為今日常用於提取文 本關鍵字的 TFIDF 法最適合用在此處進行文本關聯分析，由於 TFIDF 法在政治學界是一個較少被引用的研究技巧，底下將使用較多的篇幅 比較說明文本分析中的內容分析法與紮根理論，以及本研究所採用自 動分的 TFIDF 方法，以說明本文為何使用 TFIDF 法作為文本關聯研究 的主要工具。

第五節 TFIDF 法說明及於本研究中之運用