資料來源：QSearch 社群監測數據
資料期間：2026/08/17–2026/08/23（示例資料；每週最新數字見各選區分區文）
同一位候選人，同一週，同一批資料，負面比例可以差 38.2 個百分點。
李四川在 2026 年 8 月 17 日至 23 日這一週的整體負面比例是 45.6%。但把這個數字拆到平台層級，他在 Threads 的負面比例是 70.7%，在新聞媒體只有 32.5%。兩個數字都正確，都來自同一批貼文。
這代表「他的負面聲量多少」這個問題本身就問錯了。選舉期間的社群數據最常被拿來做一件事：預測誰會當選。但聲量是一個沒有方向的數字，它把被支持和被批評算成同一件事。真正能用資料回答的問題是另一個：同一個選區、同一週，兩位候選人的討論結構長得一樣嗎？
討論來自哪些平台、圍繞哪些話題、帶著什麼情緒、由誰發出，這四件事可以直接量測。本文用 2026 雙北市長選戰一週的社群數據，說明這四個維度各自回答什麼問題，以及它們各自的邊界在哪裡。
聲量（提及數）： 特定關鍵字在社群平台、論壇與新聞媒體上被提及的貼文則數，反映話題被討論的頻繁程度，不區分正面或負面。
關鍵發現速覽
以下為 2026 年 8 月 17 日至 23 日這一週，雙北四位市長候選人的社群討論結構。
- 台北市的兩位候選人聲量長在不同平台：蔣萬安最大來源是新聞媒體（38.9%），沈伯洋是 Threads（58.5%）。單一平台的監測工具會對同一個選區得到兩種互相矛盾的結論。
- 彙總的情緒數字會蓋掉平台之間的落差。四位候選人的負面比例在最高與最低頻道之間，極差分別為 38.2、29.9、24.3、23.6 個百分點。
- 四位候選人的自營發文都低於自身討論量的 5%（0.03% 至 4.14%）。社群上關於候選人的討論，絕大多數不是候選人自己產生的。
- 台北兩人的前五大話題重疊 2 個，新北 0 個。同一個新北市，兩位候選人被討論的是兩組不同的事。
為什麼不能用社群聲量預測選舉結果？
聲量把被支持和被批評算成同一件事，因此數字高低本身不帶方向。把它當成得票預測，等於假設所有討論都是正面的。
提及數與負面比例，在兩個選區走向相反
台北市的資料是同向的：蔣萬安當週 11,212 則提及、負面比例 56.4%；沈伯洋 9,097 則、負面比例 39.4%。提及數較多的那位，負面比例也較高。
新北市反過來。李四川 2,726 則提及、負面比例 45.6%；蘇巧慧 2,863 則、負面比例 27.8%。提及數較少的那位，負面比例反而較高。
同一週、同一套口徑、兩個選區，量體與觀感的關係走向相反。這說明兩者之間沒有固定關係，任何從聲量高低推導支持程度的作法，在這份資料裡就找得到反例。
法規也在同一個地方劃了線
《公職人員選舉罷免法》第 53 條規定，投票日前 10 日起不得發布民意調查資料。把聲量排名當成民意的代理指標發布，會落進這條規定的模糊地帶。
因此本系列的做法是把觀測對象從「誰比較強」換成「討論怎麼發生」。這不是規避，而是這批資料本來就只能回答後者。
聲量從哪裡來，為什麼比聲量有多少更重要？
同一個選區的兩位候選人，最大聲量來源可以完全不同。這個結構差異的幅度遠大於週間波動，而且只有同時收錄四種來源的資料庫才算得出來。
台北市：一位靠媒體，一位靠 Threads
蔣萬安當週的聲量最大來源是新聞媒體，佔 38.9%，Threads 次之（34.7%）。沈伯洋則有 58.5% 集中在 Threads，新聞媒體只佔 20.8%。
兩人的差距落在 Threads 這一項，相差 23.8 個百分點。若只監測 Facebook，會得到兩人聲量相近的結論；只監測 Threads，會得到沈伯洋遠高於蔣萬安的結論。兩個結論都是真的，也都不完整。
從 QSearch 監測的台灣社群數據可以看到，這四個來源的相對比例是一項結構指標，它反映的是討論在哪裡發生，而不是誰比較受歡迎。
新北市：來源相同，比重不同
李四川與蘇巧慧的最大聲量來源都是新聞媒體，分別佔 51.3% 與 43.2%。差別在第二順位：蘇巧慧的 Threads 佔 28.5%，李四川只有 19.2%。
最大來源相同不代表結構相同。李四川的討論有超過一半來自媒體報導，蘇巧慧則在媒體與社群之間分布得比較平均。
這些討論幾乎都不是候選人自己發的
四位候選人在 Facebook 與 Threads 的自營發文，佔各自在這兩個平台討論量的比例分別是 0.03%、0.83%、1.95% 與 4.14%，全部低於 5%。
這個數字跨週穩定，也解釋了為什麼「自營對他人」單獨拉出來做圖表的價值有限：四位都極低，看不出差異。但它是理解後面兩個維度的前提。候選人能控制的部分很小，被討論的內容大多由別人決定。想了解跨平台數據為什麼要一起看，可參考〔為什麼 Facebook + Instagram + PTT 數據要一起看？跨平台輿情監測的商業邏輯與實戰策略〕。
兩位候選人被討論的話題，可以用同一組分類嗎？
不能。用同一組類別去套兩個人，會把其中一位的討論塞進不屬於他的框，看起來對稱，實際上失真。
同一組類別會製造假的對稱
以本週為例，李四川的討論集中在「307 公車答詢」（22.1%）與「立法院拜會」（20.8%），蘇巧慧則集中在「蔡英文助選」（19.6%）與「競選組織動員」（12.8%）。這四個話題沒有一個能同時描述兩人。
若硬性採用同一組類別，其中一位一定會出現大量落在「其他」的討論，或被歸進勉強相關的分類。表格會變得整齊，數字卻不再對應真實內容。
對稱性靠方法，不靠類別
兩人各自成類的作法，對稱性來自同一套推導程序：同樣的資料來源與頻道、同樣的詞頻門檻、同樣的標籤命名規則、同樣的樣本門檻。佔比的分母是各自的討論總量。
其中一項程序值得特別說明：每個候選主題詞在命名之前，都要回頭讀至少 2 則原文確認詞義。詞頻高不代表那是他的話題，也可能只是跨選區文章的順帶提及。實測就出現過這種情況，某位他區候選人的姓名在詞頻裡佔比不低，回讀原文後確認是跨區報導的順帶提及，並非獨立話題。
這個維度直接顯示議題主導權
台北市兩位候選人的前五大話題重疊 2 個：普發現金與中央政治連動。新北市則是 0 個。
重疊數本身就是結論。台北的兩人這一週在同一場對話裡，只是各自站在不同位置；新北的兩人則各講各的。這是同一個維度在兩個選區給出的兩種答案，而且每週都會變。
一個「負面 45.6%」的數字，能代表什麼？
代表不了太多。整週的情緒比例是四個頻道混在一起的加權平均，拆開之後，同一位候選人在不同平台的落差可以超過 38 個百分點。
同一個人，四個頻道，四種答案
李四川當週的整體負面比例是 45.6%。分開來看：Threads 70.7%、論壇 61.5%、Facebook 50.1%、新聞媒體 32.5%。最高與最低相差 38.2 個百分點。
四位候選人都有類似的分歧，只是幅度不同。極差由大到小是李四川 38.2、沈伯洋 29.9、蘇巧慧 24.3、蔣萬安 23.6 個百分點。沒有任何一位的情緒分布是均勻的。
論壇一律最負面，這是平台結構不是個人問題
四位候選人在論壇的負面比例，都高於他們在新聞媒體與 Facebook 的負面比例，數值落在 47.1% 至 68.4% 之間。
這是平台使用者結構造成的系統性差異，不是針對特定候選人。論壇的討論形式本來就偏向批評與質疑，新聞媒體則有大量中性的事實陳述。想了解不同平台的輿情特性差異，可參考〔論壇 vs 社群媒體：不同平台的輿情特性分析〕。
「負面」還可以再拆一層
情緒判讀除了正負中三分類，還會標記情緒類別。李四川在 Threads 的前四類是不悅、失望、中性、憤怒；蘇巧慧在 Facebook 的前四類是感謝、中性、喜悅、興奮。
這一層的實務意義在於：不悅、憤怒、失望、挫折是不同的東西，對應的處置方式也不同。把它們全部壓成一個「負面 45.6%」，等於把可以行動的資訊丟掉。
情緒判讀： 以 AI 模型判定每則貼文的情緒傾向（正面、中性、負面），並進一步標記情緒類別與強度。判讀對象是貼文文字本身，不是發文者的立場。
所以情緒數字只能同平台比同平台
既然平台之間存在系統性差異，跨平台的情緒比較就沒有意義。拿甲候選人在論壇的負面比例，去對比乙候選人在媒體的負面比例，比到的是平台差異而不是候選人差異。
有效的比較只有兩種：同一個平台上比兩個人，或同一個人在不同週之間比同一個平台。
這四個維度有哪些限制？
四個限制不是免責聲明，是使用說明。不知道邊界，就會把討論結構誤讀成民意分布。
限制一：情緒為 AI 判讀
情緒分類由 AI 模型產出，諷刺與反串可能被誤判。各平台的使用者結構不同，情緒差異不等於民意分布。
實務上的用法是看趨勢與結構，不看單一數字的絕對值。同一套判讀邏輯跨週套用，變化的方向仍然可信。
限制二：話題各自成類，佔比不可互比
話題每週重新歸納，兩位候選人各自成類，佔比的分母是各自的討論總量。因此甲的「話題 A 佔 22.1%」與乙的「話題 B 佔 19.6%」不能相減，也不能排名。
可以比較的是結構特徵：前五大話題重疊幾個、最大話題的集中程度、有沒有話題橫跨兩人。
限制三：資料有回填延遲
社群平台的資料會持續回補，愈接近抓取時點的日期，數字愈可能低估。實測顯示，同一週相隔一天抓取，最後一天的數字可增加 6.9% 至 23.2%。
因此每篇分區文都會標示資料擷取時間，而不只是分析期間。兩個時間一起看，才知道這批數字的成熟度。
限制四：跨選區不可並列
台北市與新北市的量體差 6 至 8 倍。兩市的絕對數字不能放進同一張圖，也不能直接相比。
可以跨區比較的只有結構比例，例如頻道組成的百分比、話題重疊數。這也是本文所有圖表都以選區分面呈現的原因。
另外兩條操作規則
話題樣本低於 30 則不列出精確佔比，改以安全上限標示，避免小樣本的百分比看起來比實際精確。話題彼此不互斥，且僅涵蓋各自前五大，不代表全部討論。
常見問題
Q：社群聲量可以預測選舉結果嗎？ A：不行。聲量不區分正面與負面，被大量批評同樣會推高數字。本文的資料就出現反例：台北市是提及數較多者負面比例也較高，新北市則相反。聲量不等於支持度，本系列不預測選舉結果。
Q：為什麼兩位候選人的話題不用同一組分類？ A：因為同一組類別會把其中一位的討論塞進不屬於他的框。對稱性靠的是同一套推導方法（同來源、同頻道、同詞頻門檻、同命名規則），而不是同一組類別名稱。佔比分母為各自的討論總量，因此不能互相相減或排名。
Q：情緒分析準確嗎？諷刺和反串會不會被誤判？ A：會。情緒由 AI 模型判讀，諷刺與反串是已知的誤判來源。因此建議看結構與趨勢，不看單一數字的絕對值。同一套判讀邏輯跨週套用時，變化方向仍然可信。
Q：台北和新北的數字可以直接比較嗎？ A：不能。兩市的量體差 6 至 8 倍，絕對數字並列會產生誤導。可以跨區比較的只有結構比例，例如四個頻道各佔多少、前五大話題重疊幾個。
結論
這四個維度回答的都是同一類問題：討論是怎麼發生的。
第一，討論結構可以量測，而且同一個選區內的差異相當顯著。來源組成、話題重疊、情緒的平台分布，三個維度都在同一週內把兩位候選人區分開來，幅度大於週間波動。
第二，任何單一數字都不足以描述一個人的社群處境。同一位候選人的負面比例，在不同平台之間可以差 38 個百分點。看到一個彙總數字時，先問它蓋掉了什麼。
第三，聲量結構不是支持度的代理指標。上述四個維度量測的全部是討論的發生方式，沒有任何一項可以推導出得票結果。聲量不等於支持度，本系列不預測選舉結果。
本系列每週更新雙北兩個選區的討論結構，最新數字見〔2026 台北市長選舉社群聲量〕與〔2026 新北市長選舉社群聲量〕。投票日前 10 日（11 月 18 日）起，依《公職人員選舉罷免法》第 53 條停止發布任何帶排序意味的內容；選後將以聲量結構與實際得票率做一次對帳。
想了解你的產業或品牌在社群上的真實樣貌？了解 QSearch →
延伸閱讀
- 論壇 vs 社群媒體：不同平台的輿情特性分析——品牌監測的策略藍圖
- 為什麼 Facebook + Instagram + PTT 數據要一起看？跨平台輿情監測的商業邏輯與實戰策略
- 人力有限，先做哪個平台？用聲量數據決定社群資源分配
