研究方法
媒體使用樣態：利用潛在類別分析（Latent class analysis, LCA），將填答者使用各類平台獲得新聞資訊的頻率。在本次分析中，我們依填答者的媒體使用情形區分為4種媒體使用樣態。
觀察變項處理：問項「２８請問您多常透過下列平台獲得新聞資訊？」。將「從來沒有」、「很少」、「有時」、「經常」4個選項，嘗試3種處理方式：「從來沒有/很少」、「有時/經常」二元、用中位數轉為二元、不處理（4個尺度）。考量不同平台使用頻率差異，填答者中從未使用PTT、Dcard、Instagram比例高，且整體閱讀報紙頻率較低。決定採用中位數轉為二元，可以用「頻率是否高於半數人」理解觀察變項。
模型比較基準依序為：1.AIC、BIC取最小，2.Entropy取0.6以上，3.最後觀察是否有分群過大或過小。
本頁呈現分析結果選擇潛在類別變項4分類，用中位數將觀察變項轉為二元，加入人口變項（性別、年齡、學歷）為共變之模型。
議題網絡分析：問卷中詢問填答者「哪些議題重要」、以及「重要議題之間的關聯性」 ，藉由網絡分析方法產生長期、傳播、熱門3大類議題網絡。同時也詢問填答者「覺得網友關心哪些議題」，應用同樣分析流程產生網友的議題網絡。
篩選網路輿情資料：我們建立了一組議題關鍵字詞典，來篩選並計算議題在網路上的熱度，用來與問卷調查結果進行比較。我們使用了兩個方法來確保議題關鍵字詞典的品質。首先，我們利用問卷調查結果，選出民眾最關心的十個議題，並利用新聞及PTT文章所建立的Word2Vec (Mikolov et al., 2013) 語言模型，我們利用該模型得到初步的議題關鍵字詞典；接著，參考 Maier et al. (2018) 的資料清理方式，當進行主題模型分析找到潛在的分類後，若某一群的結果，都是由特定的關鍵詞所產生的，那麼該詞彙會對我們的分析結果造成不良的影響，因此會刪除該詞彙；最後，再將議題關鍵字詞典進行人工標記，以避免選到不相關的詞彙。
設計
圖表配色考量無障礙，使用Okabe & Ito (2008)色彩主題，能夠提供足夠的鑑別度讓色弱或色盲的讀者區分不同的圖例。
本網站頁面使用多媒體素材來源：
「挑戰」頁面素材列表
- People Illustrations by Storyset
- Game Sprite Assets：Free Game Assets (GUI, Sprite, Tilesets)
- Game Tileset：Szadi art.
- Game Background：Deep-Fold
- Game Sound Track：Chiphead64
- Game Explosion Assets：Free Game Assets (GUI, Sprite, Tilesets)
參考文獻
Maier, D., Waldherr, A., Miltner, P., Jähnichen, P., & Pfetsch, B. (2018). Exploring Issues in a Networked Public Sphere: Combining Hyperlink Network Analysis and Topic Modeling. Social Science Computer Review, 36(1), 3–20. https://doi.org/10.1177/0894439317690337
Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient estimation of word representations in vector space. arXiv preprint arXiv:1301.3781. https://arxiv.org/abs/1301.3781
Changelog
- 2022/11/29-初版上線（分析結果）