Silicon Sampling
AI 虛擬民調 Dashboard
01

系統總覽

更新於 20260713 18:03
AGENT 活動
5,686位
i系統中可運作的獨立虛擬國民總數：全國版 3,000 位＋台北市版 3,000 位，其中 314 位臺北市民為兩版共用（taipei_crosswalk 對照表可逐筆回溯 taiwan_id ↔ taipei_id ↔ 行政區），故獨立 agent 共 5,686 名。每位 agent 具 24 欄完整人設。
屬性欄位
24欄
i每位虛擬國民具 24 個屬性欄位，分為 A 社會學途徑（人口基本結構，11 欄）與 B 社會心理學途徑（議題、政策因素，13 欄），全部依官方統計與學術理論建構，覆蓋 22 縣市（台北版 12 行政區）。
數據量
66,039則
i本週虛擬國民表態意見總數：27 則議題經「新聞接收模型」餵給會看到它的 agent，由其各自表態產生開放式回答，再經 AI 判定為正面／中立／負面。
議題測試
27則
i本週投入測試的民調問題數。每題對應一則熱議新聞，依議題篩選機制（與參數無關的重大事件／社群媒體 × 年齡／居住地 × 年齡／關注議題 × 年齡）餵養給對應的 agent。
已使用 TOKEN
29.7M
i本週意見生成所消耗的推估 token 量（66,039 則意見 × 平均約 450 tokens ≈ 29.7M）。為推估值，實際用量以 API 用量報表為準。
模型
gpt-5.4-mini
i目前用於意見生成與立場判定的語言模型版本。更換模型版本時將重新校準表態基準以維持跨期可比性。
系統運算狀況
● 正常
i最近一次批次模擬於 20260701 13:27 完成：全部 27 題、66,039 則意見產出無錯誤。
02

台北市 Persona

版本 T9 · n = 3,000 · 12 行政區
A　社會學途徑（人口基本結構）· 11 欄

A-1居住地

12 行政區i值域：臺北市 12 行政區。以各行政區戶籍人口占比為配額基準（最大餘數法），按比例將 3,000 位虛擬國民分配至各行政區，作為政黨、族群與在地議題餵養之地域條件變數。資料來源：臺北市民政局《各行政區戶籍人口數統計》（2025/12）。
大安區11.6%
內湖區11.0%
士林區10.6%
文山區10.4%
北投區9.7%
中山區8.6%
信義區8.2%
松山區7.7%
萬華區6.9%
中正區6.0%
大同區4.8%
南港區4.5%

A-2性別

女／男i值域：女、男。依各行政區實際男女比例分區精確分配，每區性別結構與官方統計一致；產出 女 52.9%／男 47.1%。資料來源：臺北市民政局性別人口統計（2024）。
女 52.9%男 47.1%

A-3婚姻狀況

已婚／未婚i值域：已婚、未婚。採年齡別有偶率梯度＋家管微調，年長者有偶率高、年輕者低；產出 已婚 51.8%。資料來源：臺北市婚姻登記統計（2024）。
已婚 51.8%未婚 48.2%

A-4·5年齡／年齡組

6 組i值域：連續歲數 → 6 個年齡組。兩階段抽樣：① 依各行政區「每 5 歲組」人口比例決定年齡組 ② 於該組區間內隨機指派確切歲數；年齡組由年齡固定換算、無隨機性，為教育、收入、價值觀、投票之核心條件變數。台北高齡化明顯（65+ 25.5%）。資料來源：臺北市民政局《各行政區年齡別人口統計》（2024）。
15–24歲8.8%
25–34歲13.3%
35–44歲16.8%
45–54歲17.9%
55–64歲17.8%
65歲以上25.5%

A-6教育程度

6 級i值域：6 級（碩士以上～國小以下）。依行政區教育程度分布按比例分配，並加入年齡合理性檢查：學歷不得違反年齡上限（碩士至少 22 歲、大學至少 18 歲）。台北高學歷結構明顯（大學＋碩士 52.2%）。資料來源：臺北市主計處／民政局《教育程度別人口統計》（2024）。
大學37.5%
高中職23.5%
專科11.9%
國中6.3%
碩士以上14.7%
國小以下6.1%

A-7職業

11 類（含非就業）i值域：11 類（含退休／學生／家管）。① 依年齡判定勞動狀態（就業／就學／退休／家管）② 就業者依各行政區就業結構分配職業類別；為「產業別」「月收入」之上游條件變數。台北專業與事務人員比例高。資料來源：臺北市主計處《就業結構統計》（就業者職業別占比）。
退休24.6%
專業人員15.1%
事務人員13.8%
服務/銷售10.5%
技術工/勞工9.1%
技術/助理專業8.2%
家管5.6%
學生4.6%
管理/主管4.6%
其他/待業3.6%
農林漁牧0.1%

A-8產業別

13 行業大類（就業者）i值域：13 個行業大類＋非就業人口。以全國就業行業分布為基底權重，依「職業 × 行業」條件機率矩陣抽樣；退休／學生／家管／待業不分配產業。台北以金融保險、資訊通訊為主，反映首都服務業結構。理論：Heckman 與 Honoré（1990）Roy Model。資料來源：主計總處《人力資源調查年報》表 46（2022）；臺北市統計年報表 34。
金融及保險14.6%
資訊及通訊13.9%
醫療保健10.4%
不動產專技9.6%
公共行政9.5%
批發及零售8.8%
其他服務8.7%
教育6.3%
工程及公用5.6%
住宿及餐飲5.0%
運輸及倉儲3.9%
製造3.5%
農林漁牧0.2%

A-9月收入區間

6 級距i值域：6 級距（4 萬以下～25 萬以上）。職業 × 教育 × 年齡三因素相乘後正規化抽樣；級距切點＝全國薪資十等分位。台北整體薪資高於全國（10 萬以上合計 24.2%）。資料來源：主計總處《受僱員工全年總薪資中位數及分布》（2023）、《薪情平台》職業／教育／年齡交叉查詢、臺北市《家庭收支調查》（2023）。
4萬以下13.1%
4~6萬26.2%
6~10萬36.5%
10~15萬19.4%
15~25萬4.3%
25萬以上0.5%

A-10族群

4 類i值域：閩南、客家、外省、原住民。採「現代自我認同」定義（非祖籍血緣），以臺北市族群基準比例為起點，依三維度條件機率調整：年齡（最強因子，外省自我認同隨世代稀釋）、居住地（客家於桃竹苗、原住民於花東）、政黨交叉驗證（外省 × 國民黨忠誠度高）。台北外省（16.2%）、客家（基準 17.4% → 產出 18.2%）比例高於全國。資料來源：客委會全國客家調查（2021，63,111 份）、原民會（2025 年底）、臺北市民政局；理論：葉高華（2016／2018）、吳乃德（2002）。
閩南63.1%
客家18.2%
外省16.2%
原住民2.5%

A-11房產持有狀態

4 類i值域：4 類（自有 ×2、租屋、借住／配住）。以全國住宅自有率為底層分布，依三因素調整：年齡（年輕租屋高、40 歲以上自有攀升）、收入（越高自有機率越高）、婚姻（已婚購屋機率提升）。台北租屋比例（27.6%）高於全國。資料來源：主計總處《109 年人口及住宅普查》、《113 年家庭收支調查》、政大不動產研究中心（2024）。
自有(本人/配偶)60.1%
租屋27.6%
自有(家人)7.5%
借住/配住4.8%
B　社會心理學途徑（議題、政策因素）· 13 欄

B-1媒體習慣

15 平台可複選i值域：15 個平台，可複選。依各年齡層真實平台使用率逐平台判定是否使用：年輕族群 IG／TikTok 機率高、長者低；至少保留 LINE 作為基本通訊平台；65 歲以上排除使用率極低的年輕導向平台。媒體種數並作為分裂投票之條件信號。資料來源：國家通訊傳播委員會（NCC）《媒體使用行為及滿意度調查》（2025）各平台年齡層使用率。
LINE98.5%
Facebook78.4%
YouTube66.2%
Instagram40.6%
TikTok20.3%
小紅書15.1%
WeChat14.4%
Threads11.6%
X (Twitter)6.9%
WhatsApp6.4%

B-2政黨傾向

4 類i值域：民進黨、國民黨、台灣民眾黨、其他政黨。以歷屆臺北市長選舉資料計算藍綠趨勢變化，結合各行政區人口預測政黨比例，再以臺北市各區歷屆不分區立委政黨票為基準錨點調整。資料來源：中選會歷屆選舉得票統計、內政部歷年人口統計。
34.1%30.6%13.4%21.8%
民進黨國民黨民眾黨其他政黨

B-3國家認同

0–10 量尺 · 各年齡組生成平均i值域：0–10 連續量尺（越高越偏台灣認同）。人口特徵分層比對：縣市→區域→年齡／教育／性別，於民調樣本中尋找特徵相近者（子樣本 ≥ 10），抽取其政府信任指數標準化至 0–10，加入常態擾動（σ=0.25）後截斷；直接承接民調受訪者真實信任分布，65 歲以上信任偏高、青壯年居中。資料來源：TPOC 政治態度民調（n = 1,099，Q2–Q5 政府信任題組）。
15–24歲4.33
25–34歲3.22
35–44歲4.02
45–54歲4.38
55–64歲3.32
65歲以上4.78
全體4.09

B-4·5政治世代／歷史印記

6 世代＋37 事件i值域：6 個政治世代＋37 種標誌事件。以「20 歲啟蒙年」對應之歷史時期界定世代，並以 20 歲當年重大事件配對為政治成年記憶；劃分框架與全國版同源。理論：Mannheim（1952）政治世代理論；資料：台灣歷史年表（1947–2024）。台北版逐世代人數統計待回填。
威權/解嚴（59+）—
民主轉型（47–58）—
公民運動（28–38）—
本土化（39–46）—
抗中保台（20–27）—
AI短影音（15–19）—

B-6分裂投票傾向

0.05–0.95 連續機率i值域：0.05–0.95 連續機率（越高越可能總統票與政黨票投不同政黨）。三層複合模型：Level 1 強否信號——兩大黨 × 深色認同（1–3／8–10）、65 歲以上固定政黨傾向者錨定 0.10；Level 2 信號加減分——prob = 0.5 + 0.10 ×（正−負），正向：15–34 歲、認同居中、平台 ≥ 3，負向：55+、僅 LINE、支持兩大黨；Level 3 以臺北市各行政區 2020 總統票 vs 政黨票落差標準化後映射 ±0.05。資料集平均 0.39、範圍 0.10–0.95。理論：Campbell（1960）密西根模型、Cox（1997）策略投票、Mutz（2006）、King（1997）、陳陸輝（2000）、吳重禮（2003/2008）等 8 篇。
Level 1 強否錨點0.1
全體平均0.39
範圍上限0.95

B-7拒答傾向

3 區間（機率 0.005–0.20）i值域：0.005–0.20 連續機率（越高越易拒答）。以三份全國政治民調實測「任一題拒答率」2.99% 為母體基準（合計 N = 3,248，拒答僅計代碼 98）；原始分數＝政黨傾向 × 年齡組 × 教育程度三組邊際乘數（皆由實測校準），K 值群體均值校準使全體平均＝2.99%。方向：政黨依附越弱越高、高齡偏高、教育呈 U 形；讓 agent 重現「沉默／隱藏選民」之作答行為。參考：Krosnick（1991）、Tourangeau 等（2000）、Berinsky（2004）。
低 0.005–0.01526.8%
中 0.016–0.03535.9%
高 0.036 以上37.3%

B-8~11價值觀（CO/ST · 主類型 · 核心動機）

4 主類型i值域：CO／ST 分數 [−10, +10]＋4 主類型＋核心動機。以 Schwartz 兩條正交軸定位每位國民：CO 軸（保守↔開放）＝年齡＋教育加總縮放；ST 軸（自我提升↔超越自我）＝年齡＋性別加總；權重按 ESS Round 6 實測效果量等比換算；兩軸正負組合 → 4 主類型與核心動機。理論：Schwartz（1992）基本人類價值理論、Schwartz-Breyer-Danner（2015）ESS 權重、Schwartz 與 Rubel（2005）性別差異；驗證：WVS 第 7 波台灣資料。
傳統守望型50.9%
自主競爭型24.4%
開放關懷型18.6%
秩序菁英型6.1%

B-12·13關注議題／關注子議題

8 大類，每人 1–3 標籤i值域：8 大議題類，各對應代表子議題；每人 1–3 個議題標籤，8 大類加權得分後機率抽樣。權重方向：年齡——25–34 調高居住／經濟、45+ 調高社福／兩岸；教育——高學歷調高環境／社進／治理；收入——4 萬以下調高經濟／社福；政黨、媒體、世代、價值觀依方向性對映。圖示為單一首選計。理論：Inglehart 後物質主義、Elder 生命歷程、McCombs 與 Shaw 議程設定、Mannheim 世代理論；資料：衛福部長照需求（2023）、內政部住宅調查（2023）。
社福/長照17.2%
兩岸/國安16.2%
經濟/就業14.2%
環境/能源12.8%
社會進步11.1%
政治/治理11.1%
居住/房價9.9%
教育/人才7.5%