114 年 國立政治大學政治學系碩士班《政治學方法論》

此題為政治學方法論的基礎名詞解釋，主要在測試考生對學術研究中「測量信度」概念的理解。

解釋：
測量信度（Measurement Reliability）是指在重複測量同一個概念或事物時，所得結果的一致性或穩定性程度。換言之，如果一個測量工具（如問卷、量表）能夠穩定地捕捉到其欲測量的對象，那麼它就具有較高的信度。信度關注的是測量過程的精確性，而非測量內容的正確性（那是效度的範疇）。

重要性：
高信度的測量對於學術研究至關重要，因為它確保了研究結果的可複製性和可信度。如果測量工具的信度低，那麼研究者就難以確定觀察到的變異是來自真實的現象，還是僅僅是測量誤差所致。

此題考查考生對「聯合實驗」這一特定研究方法的理解。聯合實驗是一種結合了實驗設計與聯合分析（conjoint analysis）的研究方法，常用於理解人們在面對多種屬性組合時的偏好與決策。

解釋：
聯合實驗（Conjoint Experiment）是一種實驗設計，它將聯合分析（conjoint analysis）的原理應用於實驗情境中。在聯合分析中，研究者會創建一系列包含不同屬性（attributes）及其不同水平（levels）組合的「產品」或「情境」，然後要求受試者對這些組合進行評估或選擇。聯合實驗則進一步在實驗設計的框架下進行，通常會隨機分配受試者到不同的實驗條件，每個條件下受試者會看到不同屬性組合的「刺激物」（stimuli），並被要求做出反應（如評分、選擇、判斷等）。透過分析受試者對不同屬性組合的反應，研究者可以推斷出各個屬性對受試者偏好或決策的相對重要性，以及屬性水平的邊際效用。

此題考查考生對「最異質系統設計」這一比較研究方法的理解。這是比較政治學中常用的一種研究設計，旨在透過選擇極端差異的案例來尋找共同原因或解釋變異。

解釋：
最異質系統設計（Most Different Systems Design, MDSD）是一種比較研究方法，其核心思想是選擇兩個或多個在多數關鍵背景變數上存在顯著差異，但在所欲解釋的結果變數（dependent variable）上卻表現相似的案例。這種設計的邏輯是，如果即使在如此不同的條件下，結果仍然相同，那麼這個共同的結果很可能不是由那些差異巨大的背景變數所造成的，而是由某個在這些案例中共同存在的、較為隱蔽的因素所導致。反之，如果這些案例在結果變數上也有差異，那麼差異的來源可能就與那些背景變數的差異有關。

目的：
MDSD 主要用於尋找因果關係。當我們想找出某個現象的「必要條件」（necessary condition）時，MDSD 特別有用。透過選擇差異最大的案例，可以排除掉許多可能的干擾變數，更精確地鎖定潛在的因果因素。

此題考查考生對「主題模型」這一文本分析技術的理解。主題模型是近年來在社會科學，特別是政治學和傳播學領域，廣泛應用於分析大量文本資料的計算方法。

解釋：
主題模型（Topic Modeling）是一種無監督式（unsupervised）的機器學習技術，用於從大量的文本集合（corpus）中自動發現潛藏的「主題」（topics）。每個主題被視為一系列詞語的機率分佈，而每份文件則被視為這些主題的混合。主題模型的主要目標是識別出文本中的主要討論主題，並量化這些主題在不同文件中的出現頻率。

常見演算法：
最常見的主題模型是潛在語義分析（Latent Semantic Analysis, LSA）和潛在迪利克雷分配（Latent Dirichlet Allocation, LDA）。LDA 是目前最廣泛使用的主題模型演算法。

此題為申論題，聚焦於學術研究方法論中的「預先註冊」（Preregistration）概念及其在政治學研究中的實踐。考生需要解釋該概念、其構成要素，並分析其利弊，最後提出個人立場。

核心觀念：
預先註冊是為了提高學術研究的透明度、可信度，並減少「陽性結果偏差」（publication bias）和「p-hacking」等問題的一種研究實踐。

(1) 何謂預先註冊及其組成要件：

定義：
預先註冊（Preregistration）是指研究者在收集資料之前，或在分析資料之前，將其研究計畫（包括研究問題、假設、資料收集方法、分析計畫等）提交給一個公開的平台（如 AsPredicted.org, OSF 等）進行註冊，並承諾按照註冊的計畫進行研究。一旦註冊，研究計畫的關鍵要素（如研究問題、主要變數、分析方法）就不能隨意更改，除非有充分的理由並在註冊平台上進行記錄。

組成要件：
雖然具體的組成要件會因平台和期刊的要求而略有不同，但通常包含以下核心要素：

• 研究問題與目標 (Research question(s) and objectives): 明確陳述研究想要回答的問題。
• 研究假設 (Hypotheses): 提出具體、可檢驗的預測性陳述。
• 研究設計 (Research design): 描述研究的類型（如實驗、問卷調查、個案研究等）。
• 資料來源與收集方法 (Data source and collection methods): 詳細說明將使用哪些資料，以及如何收集這些資料（如抽樣方法、問卷設計、實驗程序等）。
• 主要變數定義與測量 (Definition and measurement of key variables): 明確定義自變數（independent variables）和依變數（dependent variables），以及如何測量它們。
• 分析計畫 (Analysis plan): 詳細說明將採用哪些統計方法或分析技術來檢驗假設，包括預計進行哪些統計檢定、如何處理缺失值、如何控制其他變數等。
• 預期結果 (Expected outcomes): 簡單描述預期可能出現的結果。
• 其他： 有時也可能包含倫理審查資訊、預計樣本數、以及對潛在的研究限制的說明。

(2) 預先註冊的優點與缺點，以及個人立場：

優點：

• 提高透明度 (Increased transparency): 研究計畫公開，讓其他研究者能夠了解研究的完整過程，減少「黑箱作業」。
• 減少陽性結果偏差 (Reduced publication bias): 鼓勵研究者發表「無顯著性」（null findings）的研究結果，因為研究計畫已經公開，即使結果不顯著，也已經投入了研究資源。這有助於平衡學術文獻中過度偏向陽性結果的現象。
• 防止 P-hacking (Prevention of p-hacking): P-hacking（或 data dredging）是指研究者在看到資料後，不斷嘗試不同的統計分析方法，直到找到統計上顯著的結果為止。預先註冊定義了分析計畫，限制了這種行為。
• 防止 HARKing (HARKing - Hypothesizing After the Results are Known): HARKing 是指研究者在看到研究結果後，才編造或修改研究問題和假設，使其看起來像是事先預測的。預先註冊可以有效防止這種情況。
• 提高研究的可信度與可複製性 (Enhanced credibility and replicability): 嚴格遵循預先註冊的計畫，可以增加研究結果的可信度，並為其他研究者複製研究提供清晰的藍圖。

此題考查考生對「多層次模型」（Multilevel Models）的理解，特別是其在處理嵌套（nested）或聚類（clustered）資料時的優勢，以及與單層模型分析的差異。題目要求解釋單層模型分析嵌套資料的後果、ICC 的概念，以及固定效果與隨機效果的區別。

核心觀念：
多層次模型（或稱混合模型、層級線性模型）是專門為處理具有層級結構（如學生嵌套在班級，班級嵌套在學校；病人嵌套在醫院）的資料而設計的統計模型。單層模型無法正確處理這種資料結構的相關性。

(1) 在資料為具備集群或鑲嵌特性的情況下,如果以單層模型(single-level model)進行分析,將如何影響統計推論的結果：

當資料具有集群或鑲嵌結構，但我們使用單層模型（如標準的線性迴歸）來分析時，會產生以下幾個關鍵問題，嚴重影響統計推論的結果：

• 違反獨立性假設 (Violation of the independence assumption): 單層模型（特別是線性迴歸）的基本假設之一是所有觀察值之間是相互獨立的。然而，在集群資料中，同一集群內的觀察值（如同一班級的學生）比不同集群的觀察值更相似，它們之間存在系統性的相關性，違反了獨立性假設。
• 標準誤 (Standard errors) 被低估 (Underestimated standard errors): 由於模型忽略了集群內的相關性，它會錯誤地認為每個觀察值都提供了獨立的資訊。這導致對參數估計的標準誤被低估。
• 導致過度自信 (Overconfidence): 標準誤被低估會進一步導致顯著性檢定（如 t 檢定、F 檢定）的 p 值偏低，研究者可能會錯誤地認為某些自變數對依變數有統計上顯著的影響，而實際上這種顯著性是虛假的，是忽略了集群相關性所致。這會增加第一類錯誤（Type I error，拒絕了真實的虛無假設）的機率。
• 參數估計可能偏差 (Biased parameter estimates): 雖然參數的點估計（point estimates）在某些情況下可能仍然是無偏的，但忽略了集群結構會導致對參數變異性的估計不準確，進而影響對參數的推論。

總結： 使用單層模型分析集群資料，會導致標準誤被低估，顯著性檢定結果不可靠，增加第一類錯誤的機率，使研究者對結果產生過度自信，進而做出錯誤的因果推論。

(2) 何謂組內相關係數 (intraclass correlation coefficient, ICC)：

組內相關係數（Intraclass Correlation Coefficient, ICC）是衡量集群資料中觀察值之間相似性或相關性的指標。它量化了總體變異中，有多少比例的變異是由於集群（群體、層級）之間的差異所造成的，有多少比例的變異是由於集群內部的差異（個體差異）所造成的。

計算與解釋：
ICC 的計算通常基於變異數分析（ANOVA）的結果。其公式可以有多種形式，但核心思想是：

$\text{ICC} = \frac{\text{變異數}_{\text{組間}}}{\text{變異數}_{\text{組間}} + \text{變異數}_{\text{組內}}} = \frac{\sigma^2_{\text{between}}}{\sigma^2_{\text{between}} + \sigma^2_{\text{within}}}$

其中：

• $\sigma^2_{\text{between}}$ 是集群間的變異數（variance between clusters），代表不同集群平均值的差異。
• $\sigma^2_{\text{within}}$ 是集群內的變異數（variance within clusters），代表同一集群內個體之間的差異。

ICC 的值和意義：

• ICC 的值介於 0 到 1 之間。
• ICC = 0： 表示集群間沒有變異，所有變異都來自於集群內部，即集群結構不重要。
• ICC = 1： 表示所有變異都來自於集群之間，集群內的個體完全相同，即集群結構極為重要。
• ICC 較大（例如 > 0.05 或 0.10）： 表示集群內的觀察值之間存在顯著的相關性，集群結構對變異的解釋力較強。在此情況下，使用單層模型分析將會產生嚴重的問題。
• ICC 較小： 表示集群內的相關性較弱，單層模型分析的偏差可能較小，但仍建議使用多層次模型以獲得更精確的推論。

ICC 是判斷是否需要使用多層次模型的關鍵指標之一。

(3) 固定效果與隨機效果兩者的區別：

在多層次模型中，固定效果（Fixed Effects）和隨機效果（Random Effects）是兩種處理層級變數（如班級、學校、國家）影響的方式，它們的區別在於如何看待和模型化這些層級單位的效應。

此題為綜合性的研究設計題，要求考生結合量化與質化研究方法，針對特定的研究主題（美國2024年總統大選）提出一個完整的實證研究設計。此為第一小題，要求提出具體的研究問題。

核心觀念：
研究問題是研究的起點，它需要具體、清晰、可研究，並且能夠引導後續的研究設計、資料收集和分析。針對「美國2024年總統大選」這一主題，可以從選民行為、候選人策略、媒體影響、競選議題等不同角度切入。

提出研究問題的考量：

• 聚焦性： 避免過於寬泛的問題。
• 可研究性： 問題是否能透過實證方法（量化或質化）來回答。
• 相關性： 問題是否具有學術或現實意義。
• 結合量化與質化： 考慮到後續需要結合兩種方法，問題本身最好能同時容納兩者的探討空間。

範例研究問題：

以下提供幾個範例，考生可以選擇其中一個或自行發想，重點在於其具體性和可操作性。

範例一：
「在2024年美國總統大選中，社群媒體上的負面競選廣告（negative campaign ads）相較於傳統媒體的負面廣告，在多大程度上影響了選民對候選人的信任度？」

理由說明：

• 具體性： 聚焦於「社群媒體 vs. 傳統媒體」、「負面競選廣告」、「選民信任度」這幾個核心概念。
• 可研究性： 可以透過內容分析（社群媒體廣告）、問卷調查（衡量信任度）等方法來研究。
• 相關性： 社群媒體在現代選舉中的影響日益增加，負面廣告的影響力是重要的研究課題。
• 結合量化質化： 量化部分可以分析社群媒體廣告的頻率、內容強度，並透過問卷量化信任度的變化；質化部分可以深入分析社群媒體廣告的敘事策略、情感訴求，以及選民對這些廣告的解讀。

此題為研究設計題的第二小題，要求說明所提出的研究問題的「分析單位」（Unit of Analysis）。分析單位是指研究中收集資料、進行分析和做出推論的對象。

研究問題回顧：
「在2024年美國總統大選中，社群媒體上的負面競選廣告（negative campaign ads）相較於傳統媒體的負面廣告，在多大程度上影響了選民對候選人的信任度？」

分析單位（Unit of Analysis）的確定：
分析單位應當是能夠回答研究問題的最小、最恰當的觀察對象。在這個研究問題中，我們關心的是「選民對候選人的信任度」受到廣告影響的程度。因此，最直接、最符合邏輯的分析單位是：

「個別選民」（Individual Voter）

理由說明：

1. 研究核心： 研究問題的核心在於「選民的信任度」如何被不同類型的廣告所影響。信任度是一個屬於個體層面的心理狀態或認知。
2. 資料收集： 要衡量選民的信任度，我們需要直接從選民那裡收集資料，例如透過問卷調查，詢問他們對特定候選人的信任程度。
3. 因果關係的探討： 廣告（自變數）的影響作用在個體層面，最終體現在個體選民的態度和行為上。因此，將個體選民作為分析單位，能夠最直接地檢驗廣告與信任度之間的因果關係。

此題為研究設計題的第三小題，要求提出一個可驗證的假設（Testable Hypothesis），並說明其理論基礎。假設是對研究問題的預測性回答，必須是具體、可檢驗的。

研究問題與分析單位回顧：

• 研究問題： 在2024年美國總統大選中，社群媒體上的負面競選廣告（negative campaign ads）相較於傳統媒體的負面廣告，在多大程度上影響了選民對候選人的信任度？
• 分析單位： 個別選民（Individual Voter）。

提出可驗證的假設 (Testable Hypothesis)：
基於研究問題，我們可以提出一個預測性的假設，比較社群媒體負面廣告與傳統媒體負面廣告對選民信任度的影響差異。

假設：
「在2024年美國總統大選中，接觸到社群媒體負面競選廣告的選民，其對候選人的信任度將顯著低於接觸到傳統媒體負面競選廣告的選民，且這種差異在接觸到社群媒體負面廣告的選民中尤為明顯。」

簡要說明為何這個假設有可能成立的理論架構：

這個假設成立的理論基礎可以從以下幾個方面來闡述：

1. 廣告的傳播與影響理論 (Theories of Media Effects and Persuasion):

   • 沉默的螺旋 (Spiral of Silence): 雖然此理論主要解釋公眾意見的形成，但其核心觀點是，當負面訊息（尤其是不斷重複的負面訊息）在媒體中佔據主導地位時，會對個體態度產生潛移默化的影響。社群媒體由於其即時性、高頻率和演算法推薦的特性，可能更容易形成負面訊息的「螺旋」，從而更強烈地侵蝕選民的信任。
   • 訊息處理理論 (Information Processing Theories): 不同媒體的訊息傳播方式會影響選民的處理方式。社群媒體的訊息通常更碎片化、情緒化，且容易被分享和放大，這可能使得負面訊息更容易被接收和內化，尤其是在缺乏嚴謹事實查核的環境下。
   • 情感訴求與認知失調 (Emotional Appeals and Cognitive Dissonance): 負面廣告常常訴諸恐懼、憤怒等負面情緒。社群媒體的互動性（如留言、轉發）可能進一步增強這些情緒的傳播和共鳴，導致選民在情感上產生更多負面反應，進而影響對候選人的信任。

2. 社群媒體的特性 (Characteristics of Social Media):

此題為研究設計題的第四小題，要求說明如何操作化（Operationalize）假設中的依變數（Dependent Variable, DV）和自變數（Independent Variable, IV）。操作化是將抽象的概念轉化為具體、可測量的指標的過程。

假設回顧：
「在2024年美國總統大選中，接觸到社群媒體負面競選廣告的選民，其對候選人的信任度將顯著低於接觸到傳統媒體負面競選廣告的選民，且這種差異在接觸到社群媒體負面廣告的選民中尤為明顯。」

操作化依變數 (Dependent Variable, DV)：選民對候選人的信任度

依變數是我們想要解釋或預測的變數，即「選民對候選人的信任度」。操作化的方法可以透過問卷調查來實現：

1. 問卷設計：

   • 核心問題： 設計一系列問題，直接詢問選民對主要候選人（例如，拜登和川普）的信任程度。
   • 量表類型： 使用李克特量表（Likert scale）是常見且有效的方式。例如：
     • 「您有多信任候選人 A（例如，拜登）會誠實地處理國家事務？」
       • 1 = 完全不信任
       • 2 = 不太信任
       • 3 = 普通
       • 4 = 比較信任
       • 5 = 非常信任
     • 可以針對不同的方面進行提問，例如：信任候選人 A 在經濟政策上的判斷、信任其在外交事務上的決策、信任其個人品格等。
   • 匯總分數： 可以針對同一候選人，將多個信任度問題的得分進行平均或加總，形成一個綜合的信任度指標。或者，可以將選民對兩位主要候選人的信任度分別計算。

2. 指標：

   • 單一候選人信任度分數： 例如，計算選民對候選人 A 的平均信任度分數。
   • 相對信任度： 計算選民對候選人 A 的信任度與對候選人 B 的信任度之間的差異。
   • 信任度類別： 將信任度分數劃分為幾個類別（如：信任、中立、不信任）。

操作化自變數 (Independent Variables, IVs)：接觸社群媒體負面廣告 vs. 傳統媒體負面廣告

自變數是我們認為會影響依變數的變數。在這個假設中，自變數是「接觸不同類型負面廣告的程度」。這需要更複雜的操作化，因為「接觸」本身有多重含義，且需要區分社群媒體和傳統媒體。

方法一：基於自我報告的問卷調查 (Self-Reported Exposure)

1. 設計問題：
   • 社群媒體接觸：
     • 「在過去一個月，您在社群媒體（如 Facebook, X/Twitter, TikTok, Instagram）上看到或聽過多少次關於候選人 A 的負面訊息或廣告？」 (請選擇：從未、很少、有時、經常、非常經常)
     • 「您在社群媒體上看到或聽到的關於候選人 A 的負面訊息，有多少比例是明顯的競選廣告？」 (請選擇：0-25%, 26-50%, 51-75%, 76-100%)
     • 可以針對不同候選人、不同社群媒體平台分別提問。
   • 傳統媒體接觸：

此題為研究設計題的第五小題，也是最後一小題，要求選擇一種量化研究法和一種質化研究法，並說明如何將這兩種方法應用於收集資料和進行實證分析，以回答前面提出的研究問題。

研究問題、分析單位、假設、操作化回顧：

• 研究問題： 在2024年美國總統大選中，社群媒體上的負面競選廣告（negative campaign ads）相較於傳統媒體的負面廣告，在多大程度上影響了選民對候選人的信任度？
• 分析單位： 個別選民。
• 假設： 接觸到社群媒體負面廣告的選民，其對候選人的信任度將顯著低於接觸到傳統媒體負面廣告的選民。
• 操作化：
  • DV (信任度): 李克特量表問卷。
  • IV (廣告接觸): 社群媒體與傳統媒體負面廣告接觸頻率的李克特量表問卷。

選擇研究方法：

為了同時衡量「廣告接觸的程度」與「選民信任度的變化」，並探討兩者之間的因果關係，最適合的量化研究法是實驗法（Experiment），特別是線上實驗（Online Experiment）。

對於質化研究法，為了深入理解選民如何感知、解讀和回應不同類型的負面廣告，以及這些廣告如何影響他們的信任感，**深度訪談（In-depth Interview）或焦點團體訪談（Focus Group Discussion）**是較佳的選擇。

在此，我們選擇線上實驗作為量化方法，深度訪談作為質化方法。

一、量化研究法：線上實驗 (Online Experiment)

1. 資料收集：

• 實驗設計： 採用隨機對照實驗（Randomized Controlled Trial, RCT）。
  • 參與者招募： 透過線上平台（如 Amazon Mechanical Turk, Prolific, 或透過專業的市場研究公司）招募一批具備美國投票資格的潛在選民。
  • 隨機分派： 將參與者隨機分派到不同的實驗組別。
    • 實驗組 1 (社群媒體廣告組): 參與者觀看模擬的社群媒體負面競選廣告（例如，在一個模擬的 Facebook 或 X/Twitter 介面中展示）。
    • 實驗組 2 (傳統媒體廣告組): 參與者觀看模擬的傳統媒體負面競選廣告（例如，在一個模擬的電視新聞片段或報紙廣告頁面中展示）。
    • 對照組 (無廣告/正面廣告組): 參與者觀看無廣告的內容，或觀看正面競選廣告，作為比較基準。
  • 廣告內容： 實驗中使用的廣告應經過精心設計，確保其內容真實反映現實競選廣告的特徵，且在不同組別間，除了媒體形式（社群 vs. 傳統）外，廣告的攻擊性、目標候選人等盡可能保持一致，或進行系統性的操弄（例如，固定攻擊候選人 A，但改變廣告的呈現形式）。
  • 實驗前測與後測： 在參與者接觸廣告之前，先對其對候選人的信任度進行一次測量（前測）。接觸廣告後，再次對其信任度進行測量（後測）。
  • 額外問卷： 實驗後，收集參與者的基本人口統計資料（年齡、教育、政治傾向等）以及他們對廣告的感知（如廣告的可信度、廣告的說服力等）。

2. 實證分析：

• 比較平均值： 使用獨立樣本 t 檢定（Independent samples t-test）或 ANOVA 來比較不同組別在後測信任度分數上的差異。
• 分析差異： 比較實驗組 1 (社群媒體廣告) 與實驗組 2 (傳統媒體廣告) 的後測信任度平均值，以及與對照組的差異。
• 回歸分析： 進行多元迴歸分析，將信任度變化（後測分數減去前測分數，或僅使用後測分數並控制前測分數）作為依變數，將廣告類型（社群媒體、傳統媒體、對照組）作為自變數，並控制參與者的基本特徵（年齡、政治傾向等）。