建置定期更新的立委發言觀測儀表板與政治時事資料集

《報導者》簡毅慧

Helene Chien（U01FW6KV4RL）

congress_ai

本專案由《報導者》團隊與歐噴公司合作開發，前者曾在2024選舉前以機器學習方式分析立委發言，抓取其發言重點；後者長期致力於國會資料開放，將立院資料結構化，並製作API供民間技術人員協作使用。

• 專案經理、模型開發：《報導者》數據記者簡毅慧
• 資料工程師、自動化流程開發：歐噴公司創辦人Ronny Wang
• 網頁設計師：《報導者》設計師
• 前端工程師：《報導者》工程師
• 後端工程師：歐噴公司工程師Tmonk
• 監製：《報導者》創辦人何榮幸、總編輯方德琳、Data小組召集人柯皓翔

繁體中文特用型語言模型，以法律、醫療、教育為主但不限
繁體中文文本採集，用於語言模型訓練資料
繁體中文為主的開源模型

第二梯（2024/02/21 - 2024/03/17）

本專案希望透過自動化技術整理、蒐集立法院會議的發言記錄，建立一個全面覆蓋台灣當前政治及社會議題的大規模資料集，作為開發本土政治大型語言模型（LLM）的基礎。同時應用LDA主題模型技術，本專案將分析各黨團、委員的關注焦點及熱門話題，並建立一個互動式儀表板，盡可能提升數據與模型的近用性與分析便利性。我們將透過定期更新，確保資料的時效與相關性。本專案的特點在於填補了繁體中文在政治社會時事領域下的語言模型與資料集空白，未來或可成為自然語言處理專家、政治統計學者及普通選民了解台灣國會及政治的重要基石。

長久以來，台灣立法院議事品質的分析多為一次性且停留在表面，缺乏深度和系統性。《報導者》專題儘管提供了深入分析，卻受限於數據獲取與更新的困難。現有的數據與語言模型忽視了本土的獨特性及時事的變動性，使相關研究與分析變得極為困難。立法院公報雖公開發言記錄，但資料的清洗與收集工作繁瑣，未經系統化處理，大大增加了政治學者、國會工作人員和選民深入理解議會動態的難度。
此專案意在透過當代AI與機器學習技術改善此情況，提供一個定期更新、易於獲取與分析的立委發言資料集，支援台灣政治相關的語言模型開發與應用，進一步促進公眾對政治透明度的理解和參與。

1. 定期搜集發言資料：建置API定期從立法院公報抓取立委發言紀錄，並依人物、會期、委員會分類，確保資料結構清晰、易於使用。
2. 本土政治語料集更新：結合專業記者、NLP與機器學習模型訓練，提高模型對台灣政治語境的辨識與理解能力。
3. 資料處理與分析：進行資料清洗、斷詞等預處理步驟，並以LDA模型分析政治話題的主題趨勢。
4. 專業審核與更新：借重資深國會記者的專業知識進行內容審核，確保機器分析結果的品質與準確度。
5. 建立互動式儀表板：透過使用者訪談，建置使用者友善的儀表板，展示發言分析結果 全流程自動化：整合以上流程，從數據蒐集到成果展示全自動化，有效降低後續維運成本，確保專案持續運行與更新。

1. 我們將採用中研院開發的CKIP Tagger斷詞系統為基底，並匯入過去已搜集整理到一定程度的政治專用詞清單（立院熱門議題、法條、常見人物姓名），將資料預處理全流程自動化。（詞彙清單可參考Github）
2. 資料預處理完畢後，我們預計使用LDA主題模型，分析文件中詞彙的共現關係，觀察出文件中的潛在主題結構。（主題分類可參考Github）
3. 若本專案獲得計畫資源，我們希望與專家討論，確認是否能透過建立Transformers深度學習模型（如BERT、GPT-3），對收集到的政治發言數據進行語義理解和情感分析，理解文本的深層意義及情緒傾向，將LDA辨識出的廣泛主題做更細緻的分類，挖掘立委更具體的議題與立場。

1. 對台灣選民：

對無政治研究背景的選民而言，本專案提供的政治語言分析工具，能夠幫助他們快速理解國會的工作進程與表現，選民可以查詢他們感興趣的議題或立委，了解特定立委對各大議題的態度與行動，增強公民對政治過程的關注及參與度。

2. 對媒體、國會助理、利益團體與學者：

提供政治議題分析工具，讓媒體記者、國會助理、利益團體與學者能在no-code或low-code的背景下，每會期仍能監測、分析特定議題在立院的討論情況。

透過AI技術分析國會政治語言、建置專屬台灣政治語境的模型，我們希望這個專案能夠促進台灣的政治透明度、增強公民參與、提升政治報導與國會研究的品質。

1. 提高政治透明度

我們將大量的立委發言逐字稿，收斂成一般讀者好理解且能有效歸納重點的形式，讓選民和社會各界能夠更直觀地了解立法院的工作情況、議題討論的內容以及立委的表現，以增進立院活動的能見度及公眾的理解程度。

2. 促進公民參與

我們提供易於操作與理解的政治分析工具，鼓勵更多的公民參與政治討論和決策過程。選民能夠基於具體數據和分析結果對政治議題建構自己的政治見解，進一步提高公共事務討論的廣度與深度，健全民主政治發展。

3. 促進國會相關的研究

我們注意到近年來，有越來越多的博碩士生以立院發言資料為基礎進行語義分析，本專案可成為國會相關學術研究的基礎資源與實證數據，讓更多無程式背景的政治學者在教學、學習和研究中使用，促進政治學、社會學和語言學等領域的研究。

我們近期已將立院資料API建置至一定程度，並在2023年底初探一次研究流程，對於資料串接、預處理及LDA主題建模有初步的理解與應用。接下來將進行模型優化、流程自動化與儀表板建置的工作。

立院資料開發（歐噴公司）

• 《立院即時資料API》
• 法律對照表 law-diff（powered by 立院即時資料API）
• 立委評鑑 legislator-assess（powered by 公督盟立委評鑑指標、立院即時資料API）

資料集與語言模型應用（報導者）

• 你家立委4年來為哪些議題發聲？各黨立委質詢主題有何差異？馬上查閱每位立委5大關注議題
• 數據記者的機器學習（Machine Learning）初體驗：3千萬逐字稿分析你家立委最常討論議題

• 程式碼公開至 GitHub，Apache 2.0 License
• 資料集與模型公開至Hugging Face，Apache 2.0 License

期中（2024年6月初）：

• 資料預處理：確保公報資料穩定匯入，確認斷詞資料集清單
• 初步模型評估：與專家討論、測試出合適的語言模型，進行技術驗證
  • LDA主題模型研究
  • 深度學習模型可行性探討
• 完成使用者訪談，包含記者、國會助理、選民等
• 完成後台操作流程設計，確保後續自動化流程便於管理、維護
• 完成儀表板網頁架構，確保使用者友善、滿足功能需求

期末（2024年8月初）：

• 模型微調
• 建立人工審核流程，控制結果的精準度、政治風險與敏感度
• 全流程自動化、資料流串接
• 完成前後端介面設計、測試與調整

項目	說明	預估價格
模型開發與維運	定期購買相關應用程式（包含但不限於BERT、GPT）	150,000
立院API建置、資料清理	自動化蒐集、彙整立法院公報中的發言紀錄	100,000
資料庫伺服器維運	根據雲服務提供商定價	50,000
人事費用	前端工程師1位 後端工程師2位 網頁設計師1位 模型開發人員1位	200,000

1. 持續優化語言模型與儀表板
   本專案屬長期計畫，技術上，我們會持續更新、優化繁體中文政治語言模型，反應最新的政治現場、議題趨勢與社會脈動。儀表版也會定期更新，讓選民、記者及國會工作人員都能夠持續使用。
   
2. 教育及學術研究推廣
   我們認為這個專案能夠有效促進國會監督與民主發展，值得被推廣到各層級校園與學術研究機構，除了提升政策討論的透明度與效率，鼓勵公民參與公共事務討論外，也能提昇公眾對於人工智慧、語言模型應用的認識與理解，讓本土語言模型的重要性更被看見。
   成果開源後，各國學術和研究機構也能一同使用，共同推進台灣國會政治研究發展，以及繁體中文語言模型的研究。

《報導者》立委發言分析報導在2024選前發布後，獲得重要迴響，創《報導者》Instagram該年度觸及與分享新高，吸引超過2,000位新粉絲、上千人由此點開報導者贊助頁，可見民眾對於由此理解國會政治的高度需求。多數留言也敲碗此儀表板能夠定期更新，讓讀者可以定時定時了解立院正在發生的事。