第四章 研究結果
第三節 網路輿情的解讀
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
65
究的檢測流程提供參考。
綜上所述，本研究呈現上述兩個網路輿情品質檢測流程供未來研究者及實務 者參考，其ㄧ，針對相關性及情緒分析的檢測，可參考蕭乃沂等（2014）的低中 高門檻檢測方式；其二，針對立場分析與情緒分析兩者的解讀，可參考本研究的 流程及第三節分析結果。
第三節 網路輿情的解讀
本節，首先研究者針對編碼結果進行各來源立場的整體分析及討論，接續，
統計情緒分析在各來源的整體結果，最後將兩者的結果加以比較，來回答本研究 問題。
一、 不同網路言論來源之立場分析
(一) 新聞網站
在 3 月-11 月新聞網站報導整體的立場分析方面，本研究發現，以支持立場 最多，共 393 篇，佔新聞網站總樣本的 57%。其次，為反對立場的輿論報導，共 133 篇，佔新聞網站總樣本的 19%。中立立場的輿論報導，則居於反對立場之後，
共 120 篇，佔新聞網站總樣本的 17%。最後為正反立場皆有的輿論報導，共 41 篇，佔新聞網站總樣本的 7%。
觀察各月份新聞網站報導的立場變化（如表 19 及圖 11），支持立場的新聞 比例，各月大致維持在 50%以上，除了 5 月及 8 月的新聞比例些許下降到 49%
之外，其他月份的支持比例皆超過整體的一半，尤其是在 9 月及 10 月的比例更 高達 70%以上。而反對立場的新聞，比例大致在 4%~32%之間，其中 4 月及 6 月 的比例較多，分別佔 29%及 32%，高於整體負面報導比例(19%)。
本研究推測在 8 月造成支持立場的新聞比例下滑原因，與當時立法院在臨時 會上要審查示範區條例草案有關，報導內容主要是指向民間對示範區政策強行偷 渡的質疑，以及在野黨揚言要杯葛示範區草案的通過。另外，6 月反對立場的新
‧
；第四場：農業加值；第五場：土地暨社會正義。詳細資料可參考：http://www.fepz.org.tw/。
15自由經濟示範區溝通會，第一波國發會 Online 說明會舉行於 103 年 5 月 28 日，是政府首次嘗 試與網路社群媒體進行公開、即時的互動與交流。詳細記錄可參考上述官方網站。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
67
圖 11：3 月-11 月新聞網站立場變化之趨勢圖
資料來源：本研究自行整理。
(二) 社群網站
在 3 月-11 月社群網站言論整體的立場分析方面，本研究發現，以反對立場 的言論最多，共 104 篇，佔社群網站總樣本的 63%。其次，為支持立場的言論，
共 30 篇，佔社群網站總樣本的 18%。中立立場的言論，則居於支持立場之後，
共 25 篇，佔社群網站總樣本的 15%。最後為正反立場皆有的言論，共 6 篇，佔 社群網站總樣本的 4%。
觀察各月份社群網站言論的立場變化（如表 20 圖 12），在反對立場方面，
各月反對立場的輿論大致上超過 50%，而 6 月的反對輿論比例更達 72%，此期 間反對者批評及質疑示範區政策當中的部分條例會對國內產業，如醫療及農業，
造成衝擊與危害，因而反對示範區的推動。推測與 5 月政府所舉行的溝通會所引 發的後續討論有關。另外，也有部份反對者批評示範區政策是出賣國家利益的行 為，呼籲各方應阻止示範區的草案審查通過。到了 7 月之後網民對示範區政策討 論的熱潮逐漸消退，因此反對立場的比例有呈現下降趨勢。
0%
20%
40%
60%
80%
100%
3月 4月 5月 6月 7月 8月 9月 10月 11月
佔各月總樣本比例
月份
新聞網站
支持 中立 反對 正反立場皆有
‧
‧
‧
‧
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
73
圖 15：各來源整體立場之比例
資料來源：本研究自行整理。
總結來說，造成這四類來源立場分析的差異，特別是在新聞網站及社群網站 的部份，除了本研究存在的抽樣樣本限制之外，研究者認為與來源媒體特質、發 言者特質及寫作的表達方式等因素有關。首先，就媒體來源特質的部份，新聞網 站的內容本就是屬於媒體的報導為主，若是政策議題不具話題性或衝突性，大概 就是平鋪直述的方式去引述政府的新聞稿，以示範區政策為例，經本研究人工檢 閱發現，大部份的新聞稿引述政府各單位人士的意見居多，其次是民間團體及學 者意見，其他則屬於政策資訊的提供或單純事實陳述。又政府單位所表達的意見 必定是希望政策能順利通過，因此使得新聞網站在立場分析以支持立場最多；而 在社群網站的部份，強調的是以使用者為中心的協作生產內容，同時社群網站具 有自我揭露及自我呈現等特性，網民習慣將自己的想法及意見透露在網路上，特 別在匿名的網路空間，網民可盡情地暢所欲言，反而造就網路所帶來為反對而反 對的「酸文化」，因而使得社群網站以負面言論居多。
再者，發言者特質也可能是造成來源的差異之一，相較於新聞媒體須恪守的 專業性，社群網站中少數的意見領袖大多是喜歡對公共議題發言的人，其影響力 往往又能進一步煽動更大一群人加入議題的討論行列，如討論串或回文，更多情 形是部分回文的內容早已偏離原先討論的主題，而又開啟另一波討論。此外，如
0%
10%
20%
30%
40%
50%
60%
70%
新聞 社群 討論區 部落格
佔各來源總樣本的比例
網路言論來源
各來源立場比例
支持 中立 反對 正反立場皆有
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
74
同前述所言，網路的酸民為反對而反對的負面情緒言論，也使得公共議題在社群 的討論往往呈現「失焦」狀態，部份的負面言論並非針對政策議題而論，而是屬 於情緒性、煽動性及意識型態的謾罵居多。
最後，在寫作表達方式的部份，新聞報導的產製，必須盡可能客觀呈現真實 的樣貌，因此記者必須平衡報導各方的觀點給大眾知曉，在篇幅的鋪陳上多屬於 中規中矩的引述各方人士看法，或者同一篇新聞同時談論多個主題，示範區政策 僅為其中一部份。而社群網站及討論區的內容則無前述限制，表達形式天馬行空 且深具網民語意的巧思及創意，例如許多具言外之意的網路流行用語及符號、
kuso 影片等。而這些表達用語不同於它字面上的意涵，通常具有挖苦、嘲諷的口 吻。因此，也使得社群網站及討論區為主的社群充斥著負面言論居多。
二、 不同網路言論來源之情緒分析
此部份本研究根據前述次級資料中所設定的門檻值進行正負向情緒的篩選
（詳見本文 p36~p37），以便於後續立場與情緒的比較。誠如前章所言，次級資料 中所撈取的各篇言論皆包含發言者（網民）撰寫內容之正面及負面情緒強度數據，
其數值介於 0~1 之間，大於 0.3 表示此篇言論具有正面或負面情緒顯著，同一篇 言論也可能同時含有正向情緒顯著及負向情緒顯著的情形。
因此，研究者依循此準則將篩選後的情緒強度分成：正向情緒（顯著）、負 向情緒（顯著）、中立情緒、正負向情緒皆有（顯著）四類（整理如表 24）。此分 類有助於將前述的四種立場分析進行比較。後續，將根據此門檻值的設定，分析 各來源情緒分析結果。
表 24：情緒強度的分類
正向情緒強度值>0.3 正向情緒強度值<0.3 負向情緒強度值>0.3 正負向情緒皆顯著 負向情緒顯著
負向情緒強度值<0.3 正向情緒顯著 中立情緒（不顯著情緒）
資料來源：本研究自行整理。
‧
‧
‧
‧
‧
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
81
整體來說，若排除無法明確判讀的情緒類別，四類來源皆以負面情緒的言論 為主，正面情緒的言論則較少，僅佔整體 17%（如表 29）。由於情緒分析的結果，
是依據次級資料中廠商所設定的門檻值進行篩選，因此本研究無法進一步得知其 演算法判讀的依據及理由（各家演算法的計算方式及權重也不同）。
表 29：各網路言論來源整體情緒之篇幅與比例
新聞網站 社群網站 討論區 部落格 總和 正面情緒 133(19%) 16(10%) 2(8%) 2(7%) 153(17%) 中立情緒 117(18%) 40(24%) 4(15%) 5(17%) 166(18%) 負面情緒 216(31%) 58(35%) 9(33%) 8(27%) 291(32%) 正反情緒皆有 221(32%) 51(31%) 12(44%) 15(49%) 299(33%) 總計 687(100%) 165(100%) 27(100%) 30(100%) 909(100%)
資料來源：本研究自行整理。
此外，情緒分析的結果與前述人工判讀的立場分析，乍看之下似乎存在差異。
例如在人工判讀的立場分析中，整體以支持立場最多，照常理來推測情緒方面應 該也是以正向情緒的輿論為主才是。然而，在機器判讀的情緒分析中卻呈現負向 情緒的輿論最多，正向情緒的輿論反而較少。此結果似乎顯現人工判讀與機器判 讀兩者具有差異，因此，本研究將於下部份進行立場與情緒的區辨及解讀。
三、 立場與情緒的區辨及解讀
此部份將根據上述立場分析與情緒分析結果進行探究，本研究先討論各來源 整體情緒與立場 4x4 的交叉分析結果，接續，為了觀察人機判讀的差異性，研究 者挑選情緒中具有正向情緒及負向情緒的篇數，以及立場中支持及反對的篇數進 行分析，並且產出 2x2 四種交叉分析的結果（正向 v.s 支持、正向 v.s 反對、負向 v.s 支持、負向 v.s 反對）。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
82
主要理由在於，對於公共管理者而言，探知網民明確的立場，如對政策的支 持或反對，往往對政策的推行更具意義及參考價值。因此，僅挑選具有明顯正向 及負向強度的情緒及立場，而不納入無法明確判讀其情緒及立場偏好的類別16。 此外，目前網路輿情分析仍缺乏一套有效的檢測標準來檢視其準確度，究竟機器 的判讀是否精確？誤判的程度有多大？以機器判讀的情緒分析，如正向或負向情 緒，能否將其視為政策的支持或反對，也需由本研究進一步探究。
除了回答上述問題，本研究也針對 2x2 交叉分析當中兩類機器誤判進行討 論，分別將其稱之為「類一誤判」及「類二誤判」。本研究將「類一誤判」定義 為：「假定人工判讀是正確的前提下，同一篇言論，被機器判讀是正向情緒，但 人工判讀為反對立場者」；相反的，「類二誤判」則定義為：「假定人工判讀是正 確的前提下，同一篇言論，被機器判讀是負向情緒，但人工判讀為支持立場者」。
除了回答上述問題，本研究也針對 2x2 交叉分析當中兩類機器誤判進行討 論，分別將其稱之為「類一誤判」及「類二誤判」。本研究將「類一誤判」定義 為：「假定人工判讀是正確的前提下，同一篇言論，被機器判讀是正向情緒，但 人工判讀為反對立場者」；相反的，「類二誤判」則定義為：「假定人工判讀是正 確的前提下，同一篇言論，被機器判讀是負向情緒，但人工判讀為支持立場者」。