最新AI民意模擬,蔣萬安以51.3%領先沈伯洋的46.9%。(翻攝自蔣萬安、沈伯洋臉書)
選戰專區2026.11.17 15:10 臺北時間

最終AI民意模擬台北市選戰/蔣萬安支持度51.3%、沈伯洋46.9% 差距4.4個百分點

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。模擬得票率顯示,國民黨在台北、桃園、台中領先,台北市蔣萬安以51.3%領先沈伯洋的46.9%,差距4.4個百分點。

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。

雙北差距最小:台北市蔣萬安領先4.4個百分點。

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:

  • 同溫層效應:人較常接觸立場相近的媒體視聽平台,每類新聞進入每個Agent的量因此不同。
  • 議題顯著性:新聞若打中Agent設定關注的議題,影響會被放大。
  • 動機性推理:對己方不利的消息,鐵桿支持者幾乎聽不進去,立場較鬆動的支持者會聽進一些,中間選民則是半信半疑。

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:

  • 歸隊效應:選情升溫時,有政黨認同的選民會向自家候選人靠攏。
  • 負面黨性:候選人若屬於自己最排斥的政黨,支持意願會被扣分。
  • 沉默螺旋:部分選民心中有偏好卻不願公開表態,在支持度中以拒答呈現,換算得票率時再歸回其偏好。

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:

  1. 每個 Agent 先表態:依自己的支持機率給出一個答案。
  2. 檢視社會全貌:比較各行政區、年齡、性別、學歷與政黨群體的作答分布,與第一步推得的民意結構差多少。
  3. 找出最可能改變心意的:對每個 Agent 評估「若改答另一個選項,整體會更接近多少」,再考量Agent對新選項的傾向。傾向以新舊選項的機率比衡量,並設有停損上限,避免單一 Agent 被過度推動。
  4. 一次只讓一個 Agent 改答:由最搖擺、改答後最能讓整體貼近的那一位重新作答,再重新檢視全貌。
  5. 停止條件:各群體的作答分布與民意結構的差距都縮小到極小的容許範圍內,或已沒有任何 Agent 改答能讓整體更接近。

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

  • 調查單位:TPOC 台灣議題研究中心,計畫主持人陳丕舒創辦人
  • 模型執行日:2026 年11 月17 日
  • 樣本:台北17,550、新北26,771、桃園13,789、台中 18,971、台南15,453、高雄20,299個 AI Agent,全數施測,無次級抽樣
  • 誤差:不適用隨機抽樣誤差,僅存在模型、情境設定與代理人模擬的系統性偏差
  • 經費來源:自籌/自行

(本文表格圖片由TPOC台灣議題研究中心提供)