先給判斷：AI 在輿情上最可靠的產出是「哪些痛點被講出來」，最不可靠的產出是「有多少人這樣想」。 前者能救你一次記者會，後者會讓你在議會被打得更慘——因為那不是民調，卻長得很像民調。
在公務體系中，推動任何一個改變多數人習慣的公共政策（例如：垃圾袋收費調整、捷運路線變更、國中發放免費衛生棉），最怕遇到的就是「炎上（社群大規模的砲轟與抗議）」。
現今長官極度重視網路聲量。許多局處會將「輿情監測」外包給昂貴的公關顧問公司。但如果經費有限，作為新聞局或是首長幕僚科的一員，你完全可以使用 AI 搭配大語言模型，自己搭建一套堪用的「社群風向溫度計」。
前提是你知道它的邊界在哪裡。這篇會先講怎麼做，再講不能怎麼做。
📈 第一招：海量留言與「情緒意圖過濾」
當一篇宣告「明年起市區部分路段禁行機車」的新聞被貼到論壇，底下可能瞬間湧入上千則留言。一則一則看會瘋掉，而且裡面有相當比例是互相吵架、或者是毫無意義的罐頭回覆：「又在搞」、「下台啦」。
你可以將這些留言打包成 CSV，丟給具備資料處理能力的 AI 工具。
📌 實戰 Prompt：政策留言過濾與風暴點萃取
身為交通局的政策幕僚。我上傳了一個帶有 2000 筆留言的資料表，這是關於我們局處準備推動「市區機車全面退出騎樓」政策的討論串。
這些留言中混雜了大量情緒性謾罵與互相攻擊。
請幫我過濾掉沒有建設性的互罵，並針對那些「具有實質討論內容」的留言，分析出以下報告：
1. 【反對者的三大核心痛點】：請歸納出反對該政策的民眾，最擔憂、最頻繁提到的三個具體「不方便」是什麼？
※ 每一點請附上 2 段代表性的民眾原話引言，**必須逐字照抄，不得修飾、潤色或改寫**。
2. 【支持與反對的傾向】：排除無意義留言後，實質支持與強烈反對大致的分布傾向為何？
※ 請同時說明這個判斷的不確定性來源（樣本偏差、反諷語句、重複帳號）。
3. 【配套建議】：對於他們的反彈點，從發言人的角度來看，記者會上應該優先說明哪些配套措施？這樣問會得到什麼： 你可能會發現，民眾反對的原因不是「政策本身不好」，而是「附近沒有停得起的地方」。那明天的公關主軸就該放在周邊替代停車空間，而不是繼續解釋政策的正當性。這叫精準打擊。
第 1 點的「不得修飾」是整段 Prompt 最重要的一句。AI 的預設行為就是把粗口與破碎語句「順」過一遍，而被順過的引言一旦進了公文，性質就從引述變成變造。
⚠️ 邊界：公開留言不等於可以任意利用
這一段比上面的技巧重要。公務機關做輿情分析，跟民間企業做社群監測，責任量級完全不同。
「看得到」不等於「可以蒐集利用」。 留言是公開可見的內容，但公務機關蒐集、處理個人資料，本來就要對應到明確的特定目的與必要範圍。輿情分析站得住腳，是因為它做的是彙整、去識別、不針對特定個人——偏離這三件事，性質就變了。
實務上要守住的界線：
- 不建立個別發言者的檔案。 不追蹤特定帳號、不比對身分、不整理某個 ID 的發言史。跨過這條線就不是輿情分析了。
- 產出只呈現彙整結果，放痛點排序與代表性語句，不是可回溯到個人的原始資料表。
- 原始資料要有保存期限與存取控管，不該無限期躺在某個人的桌機裡。
- 輸入前先去識別：留言中的真實姓名、電話、車牌、住址，丟進外部工具前就該移除。平台服務條款也是一層限制，能不能大量取得，取決於規則而非技術。
一般性原則見 AI 隱私與資安實戰；涉及個案陳情與民眾身分的處理屬於另一個層次，見市政信箱與便民客服。
🎭 AI 的情緒判讀會偏誤，不能當唯一決策依據
第二個必須說清楚的限制：AI 判讀出來的「情緒」和「比例」，可信度遠低於它呈現出來的樣子。
它會判錯的地方
- 反諷與反話：「這政策真是太棒了呢」很容易被歸成正面。
- 台語、注音文、在地梗：模型對這些的掌握較弱，而這恰好是台灣論壇的日常語言。
- 一句話裡有兩種情緒：「方向我支持，但這做法會害死店家」被壓成單一標籤時，資訊就掉了。
更根本的問題：聲量不等於民意
論壇使用者的年齡、地區、政治傾向都不是母體分布，會系統性放大特定族群的聲音；重複帳號與動員會讓比例失真，而 AI 沒有能力辨識；對政策沒意見或輕微支持的人，通常根本不會打字。
所以：AI 給你的是「哪些痛點被講出來」，不是「有多少人這樣想」。 前者拿來準備配套與答詢非常有用；後者要靠正式的民意調查方法，兩者不能互相取代。
我不建議這樣用
- 不建議把 AI 算出的支持／反對比例當成民意數據寫進公文或對外簡報。 它沒有抽樣設計，一被追問方法就守不住。
- 不建議只用單一平台的留言下判斷。 平台族群差異很大，單一來源等於只聽一群人講話。
- 不建議用它做個案處理。 陳情與申訴要走正式管道，不是從論壇留言反推。
🔍 第二招：與其他縣市的政策條文「比武大會」
除了對內的防爆，公務員也常常需要「參考國外或是其他縣市的立法範例」。
當長官要求你研究：「為什麼有些縣市的公共自行車前段時間免費，我們縣市財政做不到？請整理一份六都的補助差異比較表出來。」查閱各大縣市的交通自治條例與預算書是個浩瀚工程。
利用聯網型 AI 進行文獻大搜查
你可以使用具備即時檢索能力的 AI 搜尋工具：
「我是一名交通局科員。請幫我搜尋台灣六都（雙北、桃園、台中、台南、高雄）目前針對公共自行車的前段免費或補助政策現狀與法源依據。請製成表格比較：縣市、補助方式、財源來源、實施的重大新聞與挑戰。最後，請列出所有參考資料的原始新聞與市府公告連結。」
一份「跨縣市政策比較分析表」很快就會出現。但最後那句「請列出原始連結」不是禮貌，是驗收條件——模型很擅長把舊制度講得像現行制度。表格拿到手之後，每一格數字都要點開連結回到市府公告確認過，才能進你的簽稿。
📊 第三招：質詢模擬與答詢稿準備
對公務員來說，最高壓的場景莫過於議會質詢。議員可能從任何角度發難，而你只有幾秒鐘的反應時間。AI 可以幫你事先做好「模擬質詢」演練。
實戰 Prompt：質詢攻防模擬器
我是某市政府交通局的科長，下週要上議會備詢。
議題是「市區機車退出騎樓政策」。
請你扮演一位反對黨議員，從以下角度對我進行模擬質詢：
1. 民生不便（老人家怎麼停車？）
2. 財政浪費（新增停車場的預算來源？）
3. 執行力質疑（違停罰不完怎麼辦？）
4. 選舉考量（這政策會不會讓市長選票流失？）
每個質詢請用「尖銳但不失禮」的語氣，並在質詢後附上建議的答詢方向（50 字以內的重點回覆）。這是整篇風險最低、效益最高的一招——產出只給自己看，錯了也不會外流。但答詢方向裡出現的任何數字，仍然要自己查證後才准帶上台。
📝 第四招：政策懶人包與圖卡文案自動生成
政策推出後，最怕的就是「民眾根本看不懂公文」。一篇充滿法律術語的政策公告貼到社群，底下的留言一定是「所以到底什麼意思？」
與其等民眾誤解後再澄清，不如在政策發布的同時就準備好「懶人包」。
實戰 Prompt：政策懶人包生成
我是某市政府新聞科的承辦人。以下是我們即將發布的政策公告原文：
[貼上公告原文]
請幫我轉化為以下三種版本：
1. 【社群貼文版】300 字以內，用一般民眾能理解的語言重寫，重點放在「對市民有什麼影響」和「需要做什麼」。語氣親切但不失公信力。
2. 【圖卡文案版】設計 5 張圖卡的文案，每張一個重點，每張文字不超過 40 字。第一張要能在 3 秒內抓住注意力。
3. 【LINE 官方帳號版】用 Q&A 格式，列出民眾最可能問的 5 個問題和簡短回答，每個回答不超過 50 字。
※ 三個版本都不得新增公告原文沒有的條件、金額或期限。最後那一行是必要的。白話化的本質就是拿掉條件與例外，而那些條件正是日後民眾拿來說「你們當初沒講」的部分。懶人包可以簡化，不能改變適用範圍。
🔄 驗收：報告送出前的兩件事
輿情分析最大的風險不是分析錯，是沒有人回頭看過原文就送出去了。送簽前至少做兩件事：
- 抽樣回讀。 從每個痛點裡隨機挑幾則原始留言讀完整段，確認它真的在講這件事。歸納錯誤通常讀到第三則就會現形。
- 逐字比對引言。 報告裡每一句「民眾原話」都要跟原文對過，只要有一個字被潤飾過，那就不是引述。
搭配結構化輸出的技巧，可以請 AI 把結果整理成固定欄位——一頁摘要、三大風險、建議配套、資料來源與不確定性說明。把「不確定性」設成必填欄位，比任何叮嚀都有效。
想比較這套方法跟民間企業處理客訴情緒的差異，可看客訴情緒分析與安撫；社群操作面見社群行銷實戰。
⚖️ 掌握數據，才是真正的文官大腦
許多政策立意良善，卻在沒有測試社群水溫、沒有研究外部配套的情況下盲目推出，最後落得被痛罵收回的下場。學會使用 AI 這個風向探測器，你就能在每次被質詢前把「刁難題庫」準備好。
但要記得它的定位：它幫你想到你沒想到的問題，不幫你決定答案。 決定要不要推、怎麼推、承擔什麼後果，始終是人的工作——這也是新世代公務系統中最不可取代的部分。
想看更多公部門 AI 應用？回到公部門 AI 技能樹，或了解 AI 如何幫你寫公文與長官致詞講稿。
❓ 常見問題 FAQ
用 AI 分析民眾留言，會不會違反個資法？
關鍵不在留言是否公開，而在你怎麼用。輿情分析站得住腳的前提是「彙整、去識別、不針對特定個人」。只做整體痛點排序通常沒問題；一旦開始追蹤個別帳號、建立發言者檔案，性質就完全不同。有疑慮時先問政風與法制單位。
AI 算出的支持／反對比例可以寫進公文嗎？
不建議寫成民意數據。論壇使用者結構偏離母體，加上重複帳號與沉默多數的影響，那個比例沒有抽樣設計支撐，一被追問方法就守不住。可以寫成「經社群輿情初步分析，反對意見主要集中於以下三點」，定位為質性的痛點盤點，而非量化民調。
AI 判讀情緒最容易錯在哪裡？
三個地方：反諷（「這政策真是太棒了呢」被判成正面）、台語與注音文等在地語言、以及一句話裡同時有支持與反對。這些恰好是台灣論壇的日常語言，錯誤率比想像中高。解法是抽樣回讀原文，不要只看 AI 給的標籤。
報告裡引用的民眾原話需要特別注意什麼？
必須逐字照抄，不能讓 AI 潤飾。模型的預設行為就是把破碎語句「順」過一遍，而被順過的引言放進公文，性質就從引述變成變造。在 Prompt 裡明確要求不得修飾，送出前再逐字比對一次原文。
大量留言的 CSV 要怎麼取得？
技術上有開源爬蟲與平台官方 API 兩條路，但確認的順序應該反過來：平台服務條款允不允許、機關內部有沒有規範、資料要保存多久。工具串接見無程式碼自動化。只是要試水溫的話，手動複製一批留言到試算表就夠用了。