TPOC台灣議題研究中心今(17日)發布選前最後一次「2026六都市長選舉AI民意模擬報告」。研究以自主研發的「矽基樣本系統」生成112,833個AI虛擬市民,依六都的性別、年齡與行政區結構全數施測。

TPOC台灣議題研究中心今(17日)發布選前最後一次「2026六都市長選舉AI民意模擬報告」。研究以自主研發的「矽基樣本系統」生成112,833個AI虛擬市民,依六都的性別、年齡與行政區結構全數施測。
表中得票率與以下各段的分群數字,皆出自六都報告的投票選擇題;模擬投票率則由投票意願題換算而來。
高雄由民進黨領先:中間選民其實略偏國民黨(高雄柯志恩49.9%比賴瑞隆46.1%),民進黨的領先主要來自認同者人數較多。
AI民意模擬:先模擬誰會去投票,再換算得票
支持度不等於得票率,差別在於誰真的會出門投票。本次報告首度讓每一個AI Agent先回答投票意願,再進入投票選擇。
模擬結果,六都的模擬投票率在61.2%至70.5%之間,台北最高、桃園最低。不同群體的投票意願落差很大,是支持度與得票率不一致的原因之一。
模擬演算法摘要:
一:算出每位虛擬市民的支持機率
每位虛擬市民(AI Agent)除了基本人設外還有一份「選民設定」(Voter Persona),內容包括政黨認同與強度、投票習慣、最排斥的政黨、關注的議題,以及是否願意公開表態。系統依政黨認同理論把選民分成七群,從鐵桿支持者到中間選民,作為還沒看新聞之前的起點。
接著再讓Agent按照設定的媒體接觸習慣逐日兩次「讀」9月1日至11月16日的相關新聞,過程依傳播理論設計:
形成的印象會隨時間淡去,只有延燒多日的事件才會留下較長久的印象,對應記憶衰退與近因效應。模型另外納入三種選舉常見的心理:
最後把印象換成分數、轉為機率,並將「尚未決定」中會去投票的人依相對機率歸入該候選人。
二:Agent 擬答,還原真實社會的作答樣貌
真實社會裡,每位選民只會給出一個答案,不會回答「六成支持A、四成支持B」。因此系統讓每個Agent依自己的選民人格設定實際擬答(某位候選人、都不投、尚未決定或拒答),再讓立場搖擺的Agent重新考慮,直到整個虛擬社會的意見分布與第一步推得的結構一致:
改答的永遠是「本來就最可能這樣選」的Agent,立場堅定者不會變動,因此在整體分布還原第一步民意結構的同時,每個Agent的答案仍符合其人格設定。擬答完成後,六都各組別的作答分布與這份民意結構幾乎完全一致,只有人數很少的行政區留有些微落差。
三:模擬投票行動,換算得票率
系統先讓每個Agent依自己的選民人格設定回答「投票日會不會去投票」,從「一定會」到「一定不會」分成五個等級,藉此以Agent模擬每個選民走進投票所的可能性。系統再把每種回答換算成「會去投票的機率」,回答越肯定、機率越高,拒答者不納入換算;所有Agent的機率平均起來,就是該都的模擬投票率,各年齡層的投票率也用同樣方式算出。
四:媒體民調如何影響Agent,以及系統如何校準說明
選戰期間各家媒體發布的民調,本身就是選民每天接收的資訊。系統在匯入Agent新聞時,同樣把民調報導送進每個Agent的資訊環境,並讓Agent依自己的選民設定去解讀,而不是把民調數字直接寫進答案。
解讀的方式因人而異。立場鮮明的Agent傾向採信對己方有利的民調、質疑不利的結果,對應傳播研究中的敵意媒體效應與動機性推理;中間選民沒有既定立場,較容易被「誰領先」的訊息牽動,也就是西瓜效應。當選情被描述為膠著、討論熱度升高時,有政黨認同的Agent則會更積極歸隊並提高投票意願。民調因此不是模型的輸入答案,而是經由Agent的認知過程,間接影響其支持傾向與投票意願。
另一方面,AI民意模擬系統也以公開民調作為外部參照,進行部分校準,並遵守三個原則。第一,只採計調查方法公開、可信度較高的民調,政黨或候選人委託的調查則降低採計比重。第二,校準的對象是選民結構,例如政黨認同的分布,而不是把候選人的得票結果直接調整成民調數字。第三,只做部分校正,保留模型依新聞與選民設定推演出的結果。這樣既能避免虛擬社會的基本結構偏離現實,也不會讓模擬淪為既有民調的複製。
研究說明




(本文表格圖片由TPOC台灣議題研究中心提供)