標籤彙整: 數學

影響Facebook動態消息得讚比之因素分析 v2

感謝

在此首先要感謝我的FB朋友們,他們在我沒有事先告知的情況下協助我完成了這次研究,並且沒有任何報償,時間長達半年。其中可能有人會在得知真相後感到不悅、受欺騙、被愚弄,在此致上最深的歉意。

v2版本修訂

        此版本新增了3份樣本動態,並增加了分析方法、修正了一些錯誤,包括上一版本中的相關性檢定誤用了單尾檢定,已做修正,但因為第一版本的討論中仍有部分價值,故予以保留。
—20140622修訂
        修改緒論,新增參考文獻及部分微調。

緒論

        FB流行幾近氾濫的時代中,隨處可見的是人們閒暇時刻便拿起手機或開著網頁瀏覽FB,由於其動作通常是不斷的往下捲動,我們通常稱為「滑FB」。2009年的研究發現,學生族群一天花30分鐘於使用FB上;同時,他們比閱讀真實的文章花更多時間在閱讀FB上的內容(Pempek et al., 2009),調查顯示,42%的人在上課期間分享至少15條連結(Baresch et al., 2011)。不可否認的,這樣的資訊接收平台大大的改變了我們習慣的方式,現今年輕人用分享消息和連結來確保自己知道任何該知道的消息,Stelter (2008)稱這種策略為「social filter」,而相較較好的另一種傳統方式則是「professional filter」,也就是傳統資訊提供者與閱聽者之間的關係。
S. Güzin MAZMAN (2011)等人收取了870FB使用者樣本後,將使用的主要目的進行因素分析後發現可以被分為四大類:維繫現有關係(maintaining existing relationships)、產生新的人際連結(making new relationships)、學術用途(using for academic purposes)以及追隨特定議題(following specific agenda)Bonds-RaackeRaacke (2008, 2010)指出FB對於我們在維繫現有關係、產生新的人際連結及傳遞訊息的功能上可以得到滿足。而我們達成這些功能的方式,不外乎只有發送訊息、發表動態消息(News feed)及相關功能(留言、按讚)及「戳」(poke),但「戳」現今以幾乎無人使用,訊息亦為私密資訊不易取得,因此本研究將會專注於動態消息的部分。
關於動態消息的互動方式,FB有其獨創的功能:「按讚」(Like),使人與人、人與團體之間的互動多了一種有趣的方式。「按讚」在社群網站上非常重要且有其價值,The e-commerce platform company ChompOn2011年估計,FB上的每一個讚對其價值平均為8美元(Baresch et al., 2011)。然而,根據Yahoo!奇摩社群研究團隊的報告,一則動態按讚、回應的數量和連結的點閱並沒有太大的關聯。舉例來說,新聞「曾雅妮首冠」的按讚留言為「手機緊急撥號」案例的2~3倍,看似這篇文章似乎較多網友觀看,但實際上「曾雅妮首冠」的點閱率僅為手機案例的4%。該研究團隊發現,欲得到讚所需要的內容屬性為:讓網友感到有當下負荷的必要情緒性內容(創造義氣感)、符合民意的發言。他們實際觀察後得到的結論發現如下表。然而,這只是他們階段性的結論,從生活中的案例可以發現,極度不合民意的發言同樣也可以獲得高讚數,而有意義、深度的內容理應也應該得到叫多的讚數,因此本研究試圖分析得到較多讚之動態內容,目標是找到一般學生族群之按讚胃口。
From: https://marketing.tw.campaign.yahoo.net/emarketing/contentF4.php?main=A06&sub=B02&tri=&literary=453

通常,我們可以給偶像或喜愛的粉絲專頁讚,以表示支持與認同,但這種讚是一次性的。因此本研究的主要重點集中在於動態,動態是所有人都可以發佈的消息,並且不受次數頻率、內容形式影響,而動態會根據某些演算法[1]得到其分數,排序後出現在好友或追蹤者的動態消息中,任何看到這則動態的人,可以自由選擇是否要留言或給予讚,而不會受到任何限制。
            因此可想而知,讚的數目極度容易受到曝光率、動態內容等眾多因素影響。我曾經在半年前分析過可能受到影響的因素(亦是此研究的起點),而這只是非常粗略的區分,略作修正後如下:
一個發文頻率普通的人,得到的讚數除以他的總朋友數,也就是得讚比,通常介於5%~15%之間。影響因素有如:
·                  朋友結構:你的得讚比近10%或超過,可能你的朋友都是些只會迎合你喜好的王八蛋。或只是單純熟朋友比較多。
·                  發文類型:大於10%,你的發文類型較合大家胃口,換句話說,你是迎合別人胃口的王八蛋。或只是單純你的文筆好、照片驚悚,或你是正妹。
·                  發文時間:熱門時段是晚餐過後至睡前,及大家剛起床先滑手機時,在這段時間曝光,較不容易被蓋過。
·                  發文頻率:發文頻率過高者,普遍得讚比較低,原因如超級廢文超級大爛廢文,然而發文頻率低者不一定較高。
然而,在了解了FB的演算法則後,我發現有許多因素其實已經被綜合在FB的評分排序(ranking)內,且其演算法則是眾所皆知的,並沒有研究的價值。因此本研究注重動態的內容,包括其結構、語氣、修辭方式等,旨在探討何種形式或內容的動態較能或較不符合他人的胃口(讚不等於合胃口,但姑且讓我們這樣形容它)。

研究動機

        探討影響FB動態消息的因素,注重在內容與形式上的變項。

研究方法

        使用SPSS統計軟體進行相關分析、變異量分析與因素分析。 
        依變項為得讚比,其計算方式為:
                得讚比=該動態讚數/當時朋友數量
        將可能影響的變項分為八大類,共包含45個因素,除時間距離、字數、行數、標籤數外皆為二分變項。說明及操作型定義如下:
·         時間
·         與十點半距離(分鐘):發佈動態得讚比最高時段為晚間十點半[2],以分鐘為單位,不分正負。
·         與上篇間隔時間(天):推測頻繁的發佈動態會造成接收者不願意仔細觀看或內容空泛,也就是俗稱的廢文。
·         功能:FB動態所內建可選的功能,不包括打卡。
·         圖:動態是否附圖,不分析圖片性質。
·         連結:動態內是否有附連結,推測有連結可能造成接收者轉移注意、懶得回來按讚。
·         分享:此篇動態是否是分享他人內容(使用分享功能而非單純的分享)。
·         標籤:在動態內是否有標記朋友。
·         標籤數目:標記朋友的數目。
·         內容
·         愛情:內容有愛情成分。推測多數人較愛好愛情類的內容。
·         友情:內容有友情成分。推測此類較能引起共鳴。
·         親情:內容有親情成分。
·         抱怨:內容有抱怨成分。推測會不受歡迎,但亦有可能得到安慰。
·         廣告:內容有廣告成分。推測會不受歡迎。
·         時事:內容有時事成分。新聞媒體所報導的稱為時事,否則為生活貼近。
·         用詞
·         文青:用詞文青,文青為文藝青年的簡稱,意為用浮誇的詞藻修飾。本身可能意義不大,但推測會受到某部分族群歡迎、評價兩極。
·         粗俗:用詞粗俗,包含一些常見的髒話、匿稱、誇張的自稱,無自謙詞。
·         形式
·         記敘:記敘文。通常符合生活真實事件,推測易引起共鳴,可能與生活貼近有共變。
·         抒情:抒情文。可能較符合某些族群。
·         論說:論說文。可能較符合某些族群。
·         學術:論文或類似格式。可能較不受歡迎。
·         結構
·         聳動開頭:能夠吸引人繼續觀看,可能有明顯效果。
·         創意結尾:能使人印象深刻,願意按讚。
·         貼近結尾:在結尾與接收者互動,使人較願意留言或參與討論。(如:以下開放討論或開放式問題)
·         行數:長度可能影響第一印象,太長可能使人不願意讀下去,太短內容可能不容易有高價值。
·         字數:與行數類似,統計方式不同。
·         語氣
·         諷刺:諷刺對象或事件不拘,推測有其客群。
·         哀怨:可能令人不愉快,但亦可能引起共鳴。
·         雙關:可能需要思考,推測有部分客群。
·         悲傷:與哀怨不同,可能會吸引安慰。
·         其他
·         實用性:動態內容是否有其實用價值、是否對他人有幫助。
·         生活貼近:內容是否貼近朋友們的生活,推測可能引起共鳴。
·         耍屌:假裝很屌。由多人判定
·         真屌:真的很屌。由多人判定。
·         佳句:文內含有佳句,無論明引或暗引,亦不討論佳句種類。
·         有趣搞笑:內容是否會引人發笑,推測有好效果。
·         音樂:內容是否附有音樂歌詞、音樂連結或相關描述。
·         夢想熱情:內容是否牽涉到夢想或熱情,可能引起某些較重視熱血生活的族群。
·         創意:內容是否有創意,不可抄襲。
·         文內呼應:在文中前後或各部分是否有互相呼應,推測有好效果。
·         回憶:內容是否有包含回憶成分,推測會吸引念舊的人。
·         感動:內容是否使人感動,推測吸引感性的人。
·         修辭
·         對偶:是否有對偶,推測有助閱讀。
·         映襯:是否有映襯,可能有衝突感。
·         轉品:是否有轉品。

研究結果

        由於變項過多,請參照整理過後的表,已刪除不顯著的變項。負相關因素全部不顯著。
表一:正相關因素及相關性檢定
類別
因子
r
t
其他
真屌
0.601
3.442 **
時間
與十點半距離(m)
-0.551
-3.028 **[3]
內容
愛情
0.442
2.260 *
功能
標籤數目
0.425
2.149 *
*:α=0.05
**:α=0.01
PS. 真屌為由他人判定的盡量客觀但無操作型定義因素
表二:迴歸分析Anova
Anovab
模式
平方和
df
平均平方和
F
顯著性
1
迴歸
1569.737
22
71.352
.
.a
殘差
.000
0
.
 
 
總數
1569.737
22
 
 
 
a. 預測變數🙁常數), 轉品, 愛情, 抱怨, 論說, 標籤數目, 文內呼應, 有趣搞笑, 雙關, 友情, 囂張, 音樂, 感動, 親情, 與十點半距離(m), 與上篇間隔時間(), 回憶, 耍屌, 夢想熱情, 生活貼近, 諷刺, 映襯, 真屌
b.
依變數: 得讚比
表三:迴歸分析係數
係數a
模式
未標準化係數
標準化係數
t
顯著性
B 之估計值
標準誤差
Beta 分配
1
(常數)
4.712
.000
 
.
.
與十點半距離(m)
.004
.000
.128
.
.
標籤數目
-.089
.000
-.110
.
.
與上篇間隔時間()
-.695
.000
-.536
.
.
愛情
-3.910
.000
-.225
.
.
友情
8.708
.000
.297
.
.
親情
36.504
.000
.901
.
.
抱怨
4.792
.000
.239
.
.
論說
15.225
.000
.621
.
.
諷刺
9.056
.000
.416
.
.
囂張
-.911
.000
-.037
.
.
雙關
-7.195
.000
-.330
.
.
生活貼近
-2.988
.000
-.179
.
.
耍屌
3.360
.000
.115
.
.
真屌
30.318
.000
1.236
.
.
有趣搞笑
-2.184
.000
-.116
.
.
音樂
-3.705
.000
-.151
.
.
夢想熱情
-2.989
.000
-.102
.
.
文內呼應
6.995
.000
.239
.
.
回憶
16.812
.000
.894
.
.
感動
2.185
.000
.075
.
.
映襯
9.708
.000
.485
.
.
轉品
-.472
.000
-.019
.
.
a. 依變數: 得讚比
表四:全部因素描述統計
敘述統計
平均數
標準離差
分析個數
得讚比
13.502
8.447
23
與十點半距離(m)
231.91
253.645
23
.30
.470
23
連結
.30
.470
23
分享
.30
.470
23
標籤
.13
.344
23
標籤數目
2.35
10.404
23
與上篇間隔時間()
7.30
6.519
23
愛情
.35
.487
23
友情
.09
.288
23
親情
.04
.209
23
抱怨
.22
.422
23
廣告
.13
.344
23
時事
.13
.344
23
文青
.22
.422
23
粗俗
.09
.288
23
記敘
.26
.449
23
抒情
.30
.470
23
論說
.13
.344
23
學術
.17
.388
23
聳動開頭
.22
.422
23
創意結尾
.48
.511
23
貼近結尾
.39
.499
23
行數
26.65
31.373
23
字數
408.87
565.900
23
諷刺
.17
.388
23
哀怨
.17
.388
23
囂張
.13
.344
23
含蓄
.17
.388
23
雙關
.17
.388
23
悲傷
.13
.344
23
實用性
.09
.288
23
生活貼近
.43
.507
23
耍屌
.09
.288
23
真屌
.13
.344
23
佳句
.39
.499
23
有趣搞笑
.26
.449
23
音樂
.13
.344
23
夢想熱情
.09
.288
23
創意
.30
.470
23
文內呼應
.09
.288
23
回憶
.26
.449
23
感動
.09
.288
23
對偶
.22
.422
23
映襯
.22
.422
23
轉品
.13
.344
23

 

討論

        結果發現,屌文與愛情是最能顯著影響得讚比的(α=0.01),而愛情與標籤數目則是次要的決定因素。愛情此因素在預料之內,多數人喜歡看愛情故事或相關的文章,這部份可能有很大的年齡差異。屌文數目不多,可能導致誤差,但可以證實人們相對不喜歡耍屌(-.012)。發文時間則是一篇動態最好掌握的因素,十點半,估計是多數人結束了一天在休息時會滑FB,或在念書時正要滑FB的時段,太早可能會被較新動態蓋過,太晚則可能錯失某些客群。最後標籤數目也是重要的影響因素,因為標記朋友幾乎絕對的保證了出現在其通知中,曝光率會顯著的提升,然而不可胡亂標記(如廣告)。
        負相關的因素在修正後全部都不顯著,但其中有幾項低度相關的因素在此提出:圖、分享、連結、廣告,相關係數分別為-.389-.358-.339-.332。連結可能是因為會使接受者轉移注意力,且因為這種動態相當於把一部分的價值放到連結內,若接受者未點連結,會導致低估此動態的價值。分享和連結類似,通常也需要連結到另一個頁面,較特別的是分享的是圖時,點進此圖按讚視同按圖片發佈者的讚,而非分享者,導致顯著稀釋得讚比。
        在迴歸分析的部份,其實用價值則無法保證,可能需要另外驗證。
        特別提出的非統計討論則是:我一開始推測更換感情狀態為「穩定交往中」是會獲得最高得讚比的,然而事後發現只有第二高。在23篇統計當中,最高的是發佈此篇研究並標記50個朋友(所有按更改感情狀態讚的人)的動態,獲得29.9%得讚比;更改感情狀態獲得27.7%得讚比;第三高的是獲得26%得讚比的一個感人的愛情故事(主觀評論);而第四高的是友情故事,雖然旨在嘲笑朋友,但內容充滿可能引起共鳴的回憶,並起與多數朋友有聯繫,亦標註了兩個朋友,因此獲得24.2%得讚比。以下推論沒有數據支持,個人認為要獲得高得讚比的方式不能單已愛情或屌文而論,而是要感人(然而因為這太過主觀無法列入變項分析,有些可惜或貼近多數朋友的生活(注意是要貼近朋友的生活,而非自己的),也就是兼具愛情成分同時滿足其他條件,而這估計和朋友族群的八卦程度有極大關係。但相對來講,若單純為提高得讚比,發佈一些與朋友有關並標註他們的動態、並在關鍵時段是更為有效的方式(時常可以在吃飯聚餐的打卡上發現穩定的得讚比)。
        最後,有一些無法分析的因素無法納入考量,在這邊提出來,某些人會但單純因為文章很長就跳過不看,相反地,有些跳過的人會因為發文的是好朋友而毫無理由的按讚。有些人則是只有女生或正妹的才按(這些無法掌握的客群通常在每人的朋友結構中佔了部分不可忽略的數量)。有些人會在看完動態後不先按讚而去看留言,然後只按了留言讚;有些人可能單純討厭我或猜到我要做因素分析而故意改變行為。

注釋

[1] FB三年前棄用了使用已久的Edgerank演算法,台大心理系刊物《逆光》去年三月有一篇「Facebook沒有告訴你的事」對於此演算法有詳細的說明(雖然他不知道已經棄用了),目前FB並沒有公開內部使用的演算法,但多數人同意使用的因素非常多,並同時與使用者互動式的調整(你可以藉由按「我不想看到這個」改變你的排序加權)。並且也有許多人找到了重要的影響因子。

        由於這個演算法非常有趣,容我稍作說明:FB會計算親近度權重、時間衰變、與朋友關係的設定(摯友)、貼文種類(影片>圖片>>純文字)、隱藏貼文、使用裝置、連網速度、Story bumping(舊但是沒看到的動態會自動浮出來)、Last actor(考慮最近50個互動朋友)。

[2] 十點半的由來是得讚比分別與九點、十點、十點半、十一點計算相關,最後取相關最高者。
[3] 得讚比與與十點半距離負相關表示發文時間越接近十點半得讚比越高呈正相關。

參考文獻
Tiffany A. Pempek, Yevdokiya A. Yermolayeva, Sandra L. Calvert. (2009). College students’ social networking experiences on Facebook. Journal of Applied Developmental Psychology, 30, 227–238.
Brian Baresch, Lewis Knight, Dustin Harp, Carolyn Yaschur. (2011). Friends Who Choose Your News: An analysis of content links on Facebook. International Symposium on Online Journalism.
Stelter, B. (2008). Finding political news online, the young pass it on. The New York Times. Retrieved from http://www.nytimes.com/2008/03/27/us/politics/27voters.html
S. Güzin MAZMAN, Yasemin Koçak USLUEL. (2011). Gender differences in using social networks. The Turkish Online Journal of Educational Technology.
Bonds-Raacke, J., & Raacke, J. (2010). MySpace and Facebook: Identifying dimensions of uses and gratifications for friend networking sites. Individual Differences Research, 8(1), 27-33.
Raacke, J., & Bonds-Raacke, J. (2008). MySpace and Facebook: Applying the uses and gratifications theory to exploring friend-networking sites. Cyberpsychology & behavior, 11(2), 169-174.

後記

        再次感謝我的朋友們,尤其是受最後一個更改感情狀態的動態所騙的朋友(其他動態內容多數是真實的),而此動態有許多人猜測是假的,並在事後非常肯定的和我說有猜到,對此我認為不會影響統計,因為多數人仍會按讚,且有極大成分是後見之明偏誤(經過調查,多數人的肯定程度落在0.7~0.9之間,以此數字來看,幾乎可以肯定有偏誤成分)。並且感謝那些支持我發文的朋友們,我為了作因素分析時常轉換文章風格(是否有人發現一下愛情一下友情,一下時事一下回憶,一下嘴砲一下文青?),因此造成我的動態水準參差不齊,若有人因此對我的某些文章感到失望,我也只能遺憾的說這是必要的犧牲了。歡迎繼續支持。
            另外礙於篇幅所限,也不附上實際分析的資料與每篇動態的內容,若想要的話可以私下索取。
可能有人會質疑這篇分析的價值,認為我找出了45個變項依然不能準確預測得讚比,是的,根據迴歸模型,發佈這篇的動態預測會是15.6%的得讚比(接受者可以因此按或不按而改變準確度),但實際卻是出人意料的29.9%。但其價值並不在於預測,而是了解影響因素,雖然樣本動態過少,確實是有其困難度。但在公開的數據之外,FB的點讚是記名的,在我得到了大眾胃口的結構之後,便可以分析所有曾經按我讚的人的喜好。是的,你只要有點過我的讚,我都已經知道你的胃口如何了,這價值高不高,就得視個人的價值而定了(下次點其他人讚時也請三思)。而這些數據因為隱私問題而不能公開,理論上作為一個有倫理的研究者我應該也不會對私下偷偷來問我的人透漏的。

Facebook動態消息得讚比因素分析

感謝
在此首先要感謝我的FB朋友們,他們在我沒有事先告知的情況下協助我完成了這次研究,並且沒有任何報償,時間長達半年。其中可能有人會在得知真相後感到不悅、受欺騙、被愚弄,我在此致上最深的歉意,一切都是為了學術。
緒論與文獻回顧
        FB流行幾近氾濫的時代中,隨處可見的是人們閒暇時刻便拿起手機或開著網頁瀏覽FB,由於其動作通常是不斷的往下捲動,我們通常稱為「滑FB」。不可否認的,這樣的資訊接收平台大大的改變了我們習慣的方式,加上其互動式的功能:「點讚」(Like),使人與人、人與團體之間的互動多了一種有趣的方式。通常,我們會給偶像的粉絲專業讚,以表示支持與認同,但這種讚是一次性的。因此本研究的主要重點集中在於動態,動態是所有人都可以發佈的消息,並且不受次數頻率、內容形式影響,而動態會根據某些演算法[1]得到其分數,排序後出現在好友或追蹤者的動態消息(News Feed,以下簡稱動態)中,任何看到這則動態的人,可以自由選擇是否要留言或給予讚,而不會受到任何限制。
        因此可想而知,讚的數目極度容易受到曝光率、動態內容等眾多因素影響。我曾經在半年前分析過可能受到影響的因素(亦是此研究的起點),而這只是非常粗略的區分,略作修正後如下:

        一個發文頻率普通的人,得到的讚數除以他的總朋友數,也就是得讚比,通常介於5%~15%之間。影響因素有如:

  • 朋友結構:你的得讚比近10%或超過,可能你的朋友都是些只會迎合你喜好的王八蛋。或只是單純熟朋友比較多。
  • 發文類型:大於10%,你的發文類型較合大家胃口,換句話說,你是迎合別人胃口的王八蛋。或只是單純你的文筆好、照片驚悚,或你是正妹。
  • 發文時間:熱門時段是晚餐過後至睡前,及大家剛起床先滑手機時,在這段時間曝光,較不容易被蓋過。
  • 發文頻率:發文頻率過高者,普遍得讚比較低,原因如「超級廢文」或「超級大爛廢文」,然而發文頻率低者不一定較高。
然而,在了解了FB的演算法則後,我發現有許多因素其實已經被綜合在FB的評分排序(ranking)內,且其演算法則是眾所皆知的,並沒有研究的價值。因此本研究注重動態的內容,包括其結構、語氣、修辭方式等,旨在探討何種形式或內容的動態較能或較不符合他人的胃口(讚不等於合胃口,但姑且讓我們這樣形容它)。
研究動機
        探討影響FB動態消息的因素,注重在內容與形式上的變項。
研究方法
        使用因素分析,並以SPSS統計軟體做多元迴歸分析。依變項為得讚比,計算方式為:
                得讚比=該動態讚數/朋友數量
        將可能影響的變項分為八大類,共包含45個因素,除時間距離、字數、行數、標籤數外皆為二分變項。說明及操作型定義如下:
·         時間
·         與十點半距離(分鐘):同時段瀏覽使用者最多為晚間十點半[2],以分鐘為單位,不分正負。
·         與上篇間隔時間(天):推測頻繁的發佈動態會造成接收者不願意仔細觀看或內容空泛,也就是俗稱的廢文。
·         功能:FB動態所內建可選的功能,不包括打卡。
·         圖:動態是否附圖,不分析圖片性質。
·         連結:動態內是否有附連結,推測有連結可能造成接收者轉移注意、懶得回來按讚。
·         分享:此篇動態是否是分享他人內容(使用分享功能而非單純的分享)。
·         標籤:在動態內是否有標記朋友。
·         標籤數目:標記朋友的數目。
·         內容
·         愛情:內容有愛情成分。推測多數人較愛好愛情類的內容。
·         友情:內容有友情成分。推測此類較能引起共鳴。
·         親情:內容有親情成分。
·         抱怨:內容有抱怨成分。推測會不受歡迎,但亦有可能得到安慰。
·         廣告:內容有廣告成分。推測會不受歡迎。
·         時事:內容有時是成分。避免混淆,新聞媒體所報導的稱為時事,否則為生活貼近。
·         用詞
·         文青:文青為文藝青年的簡稱,意為用浮誇的詞藻修飾。本身可能意義不大,但推測會受到某部分族群歡迎。
·         粗俗:包含一些常見的髒話、匿稱、誇張的自稱,無自謙詞。
·         形式
·         記敘:符合生活真實事件,推測易引起共鳴,可能與生活貼近有共變。
·         抒情:可能較符合某些族群。
·         論說:可能較符合某些族群。
·         學術:可能較不受歡迎。
·         結構
·         聳動開頭:吸引人繼續觀看,可能有明顯效果。
·         創意結尾:使人印象深刻,願意按讚。
·         貼近結尾:在結尾與接收者互動,使人較願意留言或參與討論。(如:以下開放……,開放式問題)
·         行數:長度可能影響感官感受,太長可能使人不願意讀下去,太短內容可能不容易非常突出。
·         字數:與行數類似,但統計方式不同。
·         語氣
·         諷刺:諷刺對象或事件不拘,推測有其客群。
·         哀怨:可能令人不愉快,但亦可能引起共鳴。
·         雙關:可能需要思考,推測有部分客群。
·         悲傷:與哀怨不同,可能會吸引安慰。
·         其他
·         實用性:動態內容是否有其實用價值、是否對他人有幫助。
·         生活貼近:內容是否貼近朋友們得生活,推測可能引起共鳴。
·         耍屌:假裝很屌。
·         真屌:真的很屌。
·         佳句:文內含有佳句,無論明引或暗引,亦不討論佳句種類。
·         有趣搞笑:內容是否會引人發笑,推測有好效果。
·         音樂:內容是否附有音樂歌詞、音樂連結或相關描述。
·         夢想熱情:內容是否牽涉到夢想或熱情,可能引起某些較重視熱血的族群。
·         創意:內容是否有創意,不可抄襲。
·         文內呼應:在文中前後或各部分是否有互相呼應,推測易讓人有好的感覺。
·         回憶:內容是否有包含回憶成分,推測會吸引念舊的人。
·         感動:內容是否使人感動,推測吸引感性的人。
·         修辭
·         對偶:是否有對偶,推測有助閱讀。
·         映襯:是否有映襯,可能有衝突感。
·         轉品:是否有轉品。
研究結果
        由於變項過多,不便附上完整的相關性檢定,請參照整理過後的表,已刪除不顯著的變項。
正相關因素:
類別
因素
r
t
顯著性
內容
愛情
0.53
2.72
***
其他
真屌
0.48
2.39
**
形式
記敘
0.47
2.33
**
其他
文內呼應
0.47
2.31
**
其他
回憶
0.46
2.27
**
負相關因素:
類別
因素
r
t
顯著性
功能
連結
-0.56
-2.98
****
功能
分享
-0.45
-2.23
**
內容
廣告
-0.44
-2.13
**
形式
學術
-0.44
-2.13
**
功能
-0.39
-1.87
*
時間
與十點半距離(m)[3]
-0.38
-1.77
*
*:α=0.05顯著
**:α=0.025顯著
***:α=0.01顯著
****:α=0.005顯著
迴歸分析:
係數a
模式
未標準化係數
標準化係數
t
顯著性
B 之估計值
標準誤差
Beta 分配
1
(常數)
-2.263
.000
 
.
.
-3.492
.000
-.242
.
.
愛情
14.191
.000
1.050
.
.
與十點半距離(m)
.021
.000
.690
.
.
標籤數目
7.780
.000
.512
.
.
與上篇間隔時間()
.259
.000
.269
.
.
親情
9.086
.000
.299
.
.
記敘
1.307
.000
.090
.
.
字數
.003
.000
.222
.
.
哀怨
-10.933
.000
-.660
.
.
實用性
4.458
.000
.147
.
.
生活貼近
3.246
.000
.244
.
.
耍屌
-.845
.000
-.038
.
.
真屌
7.493
.000
.339
.
.
有趣搞笑
3.863
.000
.253
.
.
音樂
.342
.000
.016
.
.
文內呼應
6.631
.000
.300
.
.
感動
3.702
.000
.168
.
.
對偶
-3.872
.000
-.253
.
.
轉品
5.922
.000
.319
.
.
a. 依變數: 得讚比
討論
        根據結果發現,沒有任何因素有決定性的作用。但記敘文、有回憶成分、愛情是最能顯著影響得讚比的(α=0.01),而屌文、敘述、回憶及發文時間及文內呼應則是次要的決定因素。我推測由於記敘文較容易閱讀,也較少個人差異,加上本人的文筆所致,因此記敘文能獲得較多的讚。回憶的作用則不是很清楚,推測可能和接受者有相似之處而產生共鳴。愛情此因素則在預料之內,多數人喜歡看愛情故事或相關的文章,這部份可能有很大的年齡差異。文內呼應可能是決定性的「文章好不好看」的重要關鍵,我會分析此因素也是因為看重此因素而常試著寫出這樣的手法,個人認為這是流暢度的展現,但可以受到有意的操控(故意使用這種手法很容易讓人覺得文章好看,並會忽略其他沒有呼應且寫的不好的部份)。屌文數目很少,可能導致誤差,但可以證實人們相對不喜歡耍屌。最後則是發文時間,這是一篇動態最好掌握的因素,十點半,估計是說多數人結束了一天在休息時會滑FB,或在念書時正要滑FB的時段,太早可能會被較新動態蓋過,太晚則可能錯失某些課群。
        負相關的因素有連結、分享、廣告、學術、圖。大部分是符合預料,連結的影響力超乎預期的大(r=-.56),可能是因為會使接受者連結到另一個地方去閱覽,導致轉移注意力而沒有到原頁面點讚,且因為這種動態相當於把一部分的價值放到連結內,若接受者未點動態,會導致低估此動態的價值。分享和連結類似,通常也需要連結到另一個頁面,並且特別的是分享的是圖時,點進此圖按讚視同按圖片發佈者的讚,而非分享者,導致顯著稀釋得讚比。廣告和學術亦能理解,多數人不喜歡「廣告」本身,更不在意廣告內容為何,且通常廣告與連結共存,更降低人去點擊的慾望。學術則艱深難懂、耗費腦力資源,讓想輕鬆滑FB的人一點也不想進去看。圖則是稍微出乎意料,估計是因為沒有討論圖的類型,且圖文很難完全相符。
        在迴歸分析的部份,其實用價值無法保證。常數是負的意味著一篇動態不符合這些因素時會有-2%的得讚比,這明顯不合理,並且我根據迴歸分析算出公布此研究的動態的得讚比估計會是28個讚,實際情形留待觀察。
        特別提出的非統計討論則是:我一開始推測更換感情狀態為「穩定交往中」是會獲得最高得讚比的,在經過24小時等待後,事實證明此預測是對的,有意義、有內容的文章還是能吸引許多的讚(兩者沒有顯著差異)。在20篇統計當中,最高的是更改感情狀態獲得26.5%得讚比;次高的是獲得26%得讚比的一個感人的愛情故事(主觀評論);而第三高的是友情故事,雖然旨在嘲笑朋友,但內容充滿可能引起共鳴的回憶,並起與多數朋友有聯繫,亦標註了兩個朋友,因此獲得24.2%得讚比(第四高則掉到21.2%)。以下推論沒有數據支持,個人認為要獲得共鳴的方式不能單已愛情而論,而是要感人(然而因為這太過主觀無法列入變項分析,有些可惜)或切入時事,或貼近多數朋友的生活(注意,是要貼近朋友的生活,而非自己的),也就是兼具愛情成分同時滿足其他條件,而這估計和朋友族群的八卦程度有極大關係。
        最後,有一些無法分析的因素我不知道如何納入考量,在這邊提出來,某些人會但單純因為文章很長就跳過,但相反地,有些跳過的人會因為發文的是好朋友而毫無理由的按讚。有些人則是只有女生發的動態才按讚;有些人則是只按正妹或跟自己有關的(這些無法掌握的客群通常在每人的朋友結構中佔了部分不可忽略的數量)。有些人會在看完動態後不先按讚去看留言,然後只按留言讚,可能是忘了或懶得回來按;有些人可能單純討厭我或猜到我要做因素分析而故意改變行為。
注釋
[1] FB三年前棄用了使用已久的Edgerank演算法,台大心理系刊物《逆光》去年三月有一篇「Facebook沒有告訴你的事」對於此演算法有詳細的說明(雖然他不知道已經棄用了),目前FB並沒有公開內部使用的演算法,但多數人同意使用的因素非常多,並同時與使用者互動式的調整(你可以藉由按「我不想看到這個」改變你的排序加權)。並且也有許多人找到了重要的影響因子。

        由於這個演算法非常有趣,容我稍作說明:FB會計算親近度權重、時間衰變、與朋友關係的設定(摯友)、貼文種類(影片>圖片>>純文字)、隱藏貼文、使用裝置、連網速度、Story bumping(舊但是沒看到的動態會自動浮出來)、Last actor(考慮最近50個互動朋友)。

[2] 十點半的由來是得讚比分別與九點、十點、十點半、十一點計算相關,最後取相關最高者,其相關分別是-.28-.32-.37-.29
  
[3] 得讚比與與十點半距離負相關表示發文時間越接近十點半得讚比越高呈正相關。
後記
        再次感謝受我欺騙的朋友們,尤其是最後一個更改感情狀態的動態(其他動態內容「多數」是真實的)。並且感謝那些支持我發文的朋友們,我為了作因素分析時常轉換文章風格(是否有人發現一下愛情一下友情,一下時事一下回憶,一下嘴砲一下文青?),因此造成我的動態水準參差不齊,若有人因此對我的某些文章感到失望,我也只能遺憾的說這是必要的犧牲了。歡迎繼續支持。
        另外礙於篇幅所限,也不附上實際分析的資料與每篇動態的內容,若想要的話可以私下索取。
可能有人會質疑這篇分析的價值,認為我找出了45個變項依然不能準確預測得讚比,是的,確實,根據迴歸模型,公開這篇的動態預測會是28個讚(接收者可以因此按或不按而改變準確度)。但在公開的數據之外,別忘了FB的點讚是記名的,在我得到了大眾胃口的結構之後,便可以分析所有曾經按我讚的人的喜好。是的,你只要有點過我的讚,我都已經知道你的胃口如何了(這就是隱藏研究動機),這價值高不高,就得視你個人的價值而定了(下次點其他人讚時也請三思,我也看的到)。而這些數據因為隱私而不能公開,「理論上」作為一個有倫理的研究者我應該也不會對私下偷偷來問我的人透漏的。

生命的本質與自由意志

        首先是自由意志(Free will)的定義:人們依照其擁有的條件去決定是否做一件事情的能力。

人是如何做決定的 ?

        我們以為決定是自己做出的,但其實決定是腦中的某些特定電流,實驗顯示,進行開顱實驗並給予電流刺激使個體作出行為(如眨眼),個體會以為是自己做出的決定。

那腦中的電流是如何出現的,換句話說,誰或什麼決定這個決定者(電流)在這個時間出現在這個位置?
        人腦是個幾乎無法預測的混沌系統,幾乎無法預測的說法是因為隱變數過多,多到成功預測的機率過低。舉例來說,擲骰子是純粹的物理現象,但我們仍無法預測會擲出的點數,但如果能掌握空氣中所有的氣流、人的呼吸的影響、接觸點的凹凸程度及骰子的轉動方式,我們就應該能預測出擲出的點數,這些氣流等,就是隱變數,相同的例子如大氣系統。而人腦就是這樣一個系統,我們以現在的科技完全無法預測。

但以上述骰子的例子為例,是什麼決定接觸點等隱變數呢?
        追根究底,其實會是機率。假如我們成功找到上述所說的所有隱變數的函數,也就是可完全預測上述變數時,在骰子擲出要落地的前一瞬間,如果骰子內的某顆或某幾顆或全部電子微微偏了某一邊,那落地點就不同了,所產生的結果也完全不同了,但我們明明已經掌握所有隱變數(除了電子分佈之外),因此最後的決定因素會變成是電子的機率密度函數,但換個角度想,剛剛提到空氣氣流等等的隱變數,不也是由一大堆電子的機率密度函數組成嗎,而電子又是由垮克組成,垮克又由弦組成,而弦本身就也只是機率波,因此可以發現,事實上所有事物,不管是不是隱函數都是由機率所構成的。
        相同道理,回到人腦中,腦中的電流產生是因為機率,所以人的決定事實上也只是機率性的決定。

既然這樣,那生命到底有沒有意義?

        這個問題要視意義的定義才能解釋。
        假如今天我們認為生命要能自己決定事情,存在才有意義,是的,那生命就沒意義了。
        假如我們認為生命是可以維持存在(存活與繁衍),那麼生命仍有意義。
        但今天生命作出的決定是由機率決定,換句話說,如果我現在以機率決定我要不要自殺,那麼也可以說成是機率在決定我是不是能存活,這樣的生命的意義是什麼呢?我認為,在意義之外,生命只要有存在的可能性就算是有意義了,因為生命的本質就只是存在。

為什麼生命的本質是存在?

        建議參考Conway’s game of life:

        事實上所有物質的本質都是存在。
        生命只是依照一些最基本的規則產生出來的現象」,而在現實世界中唯一的規則就是 持續存在」,能滿足這條規則的就會變成我們現在所看到的物體,會自行變化的物體我們就叫生命。而根據這條規則衍生出一些為了持續存在而產生的現象,如繁衍,因為我們不把一顆石頭持續存在那裡叫做生命,所以一顆會自動繁衍的石頭就叫生命,為了持續存在,我們又產生了覓食,因為這樣能更快地繁衍,然後又產生了競爭,最後出現思考,這一切都只是為了持續存在,但本質上我們和一顆石頭是一樣的:持續存在著。

後記

        這些都是我很久以前就想完的問題,每次想這些結論也都一樣。
        如果一切事物的本質不是機率,換句話說,弦論是錯的或不是最基本的理論,那決定我們的就不是機率了,是另一個還未知的東西,但本質應該會和機率很像,畢竟機率只是一個概念。
        其實我根本不在乎生命有沒有意義,因為機率決定我的意志,有沒有意義根本沒有關係,我仍然存在,大概是因為我認為意義就是存在吧。
        持續存在不意味永久存在,存在時間極短也叫存在,如半週期極短的元素我們可以說他曾經存在,所以完備的說法應該是盡量的持續存在而不是保持持續存在。這大概就是人想長生不死最根本的由來吧。
        有些人可能覺得這種想法或這種解釋方式很悲觀,我覺得無所謂,因為是機率讓你覺得很悲觀而已,總是有機率讓這種悲觀的想法出現。
        靈感來源實在太久了,所以很難整理出參考資料。印象最深的大概是和我相同想法的Discovery節目:史蒂芬霍金之大設計:The meaning of life
        Conway’s game of life 3D版:

        額外補充:Neuroscience vs philosophy: taking aim at free will
        這種思考邏輯可能會遭到如演化論觀點般的強烈抨擊:就算能解釋本質,你完全無法解釋過程。是的,但是我不在乎,我的目的一開始就只是解釋本質。
        感謝 阿光問我對於自由意志的立場,我才想到可以打這篇文。

—20131008
Game of life 3D Minecraft版。

—20140215

        達爾文的最適者生存,實際上只是穩定者生存這個常規的特別情況。宇宙間充滿了穩定的事物。穩定的事物是多數原子形成的集合,他通常呈現恆久的狀態,或普遍到有個人盡皆知的名字。 — Richard Dawkins,自私的基因,p.22。

註:十分推薦閱讀此本著作。其內引用Jacques Monod:「演化理論另一個有趣的地方是,每一個人都認為自己很瞭解它!」

        我在前文的用語是「存在」,而現在發現有「穩定」這樣的說法。哪一個比較好我無法肯定,但似乎在闡述的目標上有一些區別。「穩定」使物質(包括生命)可能發生改變,這是一種「朝向穩定」的傾向;但「存在」則沒有指涉到這件事。而「存在」可能產生的問題則是:有許多存在時間極短,曇花一現的事物,這似乎不是生命,或物質的特徵,至少看起來很怪。如果他長到我們足以觀察,我們通常會給它名稱,但隨著知識的增長,我們能觀察到的事物便多,漸漸也能接受那些存在極短的事物的本質(我們都同意半衰期再短的元素,都是元素的一種)。
        而這樣看來,「穩定」好像是更好的規則,但它也有問題,不穩定的事物仍然存在,可能他只是數量更少,存在時間更短。因此我們該這麼理解:「朝向穩定」是一種規律,「已經穩定」則是它存在時間的關鍵因素。
        但如果回到生命的本質(或廣義的說,物質的本質),我們不確定穩定和存在哪一個形容會更受到歡迎,這或許會變成詞彙上的問題。但這麼說應該會沒有問題:改變的方向是朝向穩定,這是一個大方向的原則,但這不意味著不穩定會不存在,因此存在是更基本的規則。(我並無刻意區分高下或層次上的差別,在這個問題上我感到有些語言上的匱乏。)
        而在引文內提到的穩定者生存也是以大方向的觀察為尺度得到的結論,這裡的穩定者擁有了很多我們常見的生物特徵,如複製能力高、壽命長、複製正確率高。而這些便是達爾文口中的最適者,但他們的本質仍然是存在。

—20150412
        推薦閱讀:【神經與哲學】我們有自由意志嗎?
        在文中提到一個有趣的例子:

        以大腸桿菌移動的模式為例,大腸桿菌有條可以繞著縱軸,雙向旋轉的鞭毛,往一邊旋轉時可讓細菌向前移動,往另一邊旋轉時則會讓細菌隨機翻滾,好讓它最後面對一個新的方向,準備進行下一階段向前的移動。這種「隨機走勢」可以透過感官受器進行調節,讓細菌得以找到食物,以及適宜生存的溫度。

        什麼隨機?什麼又是自主?自由意志什麼時候存在?多少自主性算有自由意志?

內輪差面積計算與證明

由於此文包含大量數學式,有部分內容無法上載只能改以截圖方式,解析度不高,若有興趣仔細觀賞者請下載完整PDF檔(852KB)(請點此)
前言:首先,我認為這是一個很有趣、並相當有難度的題目,對於自身喜歡挑戰數學或物理題目的讀者這是很適合深入研究的一個生活問題,建議各位可以自己先動手算算看,再參考本人的解法,若是先看過解法後在思考會容易的許多,而本題的困難度多數來自於思考、概念部分是比較值得挑戰的。適合高中以上。
雖說這道題目是在我腦海中出現的,但搜尋後網路上也是有人討論過這個部分,但大多數都是將問題簡化過後再作討論,甚至有論文根本計算錯誤,這在文末會加以探討。

問題
請求出大車轉彎所造成之內輪差危險區域面積,如下圖一紅色部分。

可能的考題
大型車輛如公車、聯結車等前後輪間距較長的車輛在轉彎時容易因前後輪軌跡不一致形成的內輪差危害路人安全(如下圖一所示)。假設內側前輪固定轉向角繞1/4圓作等速率圓周運動旋轉,內側後輪對地面只有平行車身之純轉動及以接觸面為軸之垂直轉動*,內側前輪則只有平行車身之純轉動,轉向後作等速度直線運動直到無限遠。試自行假設參數並逼近內輪差所造成之區域面積。

*「以接觸面為軸之垂直轉動」:示意圖如(圖二)。
(圖一) (圖二)

因為前提為假設內側前輪(以下皆省略內側)作圓周運動,因此前輪軌跡方程式十分容易處理,而關鍵在於後輪軌跡,只要求出方程式便可藉由積分得到面積。但後輪軌跡不為圓形、又因沒有固定焦點亦不為橢圓或雙曲線,經繪圖後才得知為遞迴關係且此遞迴無法求得特徵方程式。
繪圖方式敘述如下(圖三):

(圖三)

在平面座標系上以(0,R)為圓心,半徑R為迴轉半徑作1/4圓O為前輪軌跡,令(R,R)為P0為轉彎前之前輪位置,過P0作圓之切線往+y方向延長a為兩輪間距得到Q0(R,R+a)為轉彎前後輪位置。令開始轉彎後下一瞬間前輪位置P1於圓O上任一點,連線線段P1Q0並作Q1於此線段上且線段P1Q1=a得到新後輪位置Q1。
依照此方式在圓上不斷取下一瞬間之前輪位置,便可得到所有後輪位置之軌跡。此方法證明如下:

(圖四)



(圖五)



(圖六)







(圖七)

內輪差未解問題
依常理判斷在a大於R時仍可作小半徑之轉彎,但問題出在內輪差公式是利用直角三角形來作推導,在a大於R時公式失效,亦可說無法判斷轉向角。這是因為公式是利用圖四或圖七的方式假設前輪及後輪之軌跡已成一穩定之圓形來作推導,但在a大於R之情況下儘管前輪軌跡是圓形,後輪卻不是,因此必須用另外的方式來證明,目前無解。
此問題僅出在內輪差公式及前文利用圖四之證明,理論上證明結果可以引申至a大於R之情況,但在內輪差公式中則不行。但此問題並未影響到原題目之計算,因在前輪軌跡未超過1/4圓之前後輪皆不會往反向移動,因此結果不變。
目前無法模擬此種a大於R之情況,靜待高手解答,若有突破必定更新。

後記
起初我在想這個問題時不知道該用物理觀念解題或數學,思考過很久前輪驅動、後輪驅動或四輪驅動的狀況,考慮進轉彎時所受向心力及離心力力矩、角動量、摩擦力等複雜的因素,比較值得一提的是每一瞬間之移動可以先將瞬時切線速度分解成垂直車身和平行車身之速度,然後將垂直車身之速度當作以後輪為軸旋轉的切線速度,而平行速度則想像成在旋轉一小扇形後車身向前平移至前輪達原圓形軌跡。我認為這樣的方法也是可以證明的。
這道題目我花了五天,雖然不是日日夜夜都在思考和計算,但我相信「五天」這個數字是足以形容這題的難度的,如果你是看完後才自己試著解決相信都可以在三個小時內完成。但從零開始確實不是一件簡單的事。
在原題目中的描述與假設都是我自行設計的,如果你有興趣可以自行改變那些假設,相信這樣的可變性及困難度都會有所不同。
本文中除(圖一)(圖二)外皆為小畫家繪圖,因為對其他作圖軟體不熟悉所以只能用比較簡陋的示意圖,請見諒。
而經過這樣的證明與計算,這道題目仍然不是完全解決了,就如上面所描述的情況,我還是無法想像那會是怎樣的軌跡,再加上我手邊沒有機車或什麼車可以做這樣的實驗來模擬(要讓前輪作小半徑圓周運動),所以這確實是個暫時無解的問題,如果看到這裡你有什麼想法都歡迎提出來。我目前有試過多套物理模擬軟體,但我還是不知道要怎麼輸入這樣前後輪的關係去模擬,此題待解。

參考文獻與批評
1. 交通部海報(圖一)
2. 輪胎側面圖(圖二)
3. 交通安全 – 內輪差
4. 內輪差 – 百度百科
5. 圖解內輪差與外輪差
6. 小朋友的內輪差
7. 連仁宗車輛的轉向原理與穩定性
9. 理工生學開車
10. 公車規格圖
11. 信義路路寬規格

在「小朋友的內輪差」一文中便是以同心圓的方式取的內輪差,結果與我的相同,據此文所說這是一提大陸的高中數學應用競賽的題目:内轮差是车辆转弯时前内轮的转弯半径与后内轮的转弯半径之差。车辆转弯时,前轮转向,前、 后轮的运动轨迹不重合,后轮轨迹会向所转方向的内侧偏移,产生内轮差,车辆的前后轴距越长,偏移量越大,即内轮差越大。行车中如果只注意前轮能够通过而忘 记内轮差,就可能造成后轮驶出路面或与其他物体碰撞的事故。右图中可见一辆货车右转弯时,前、后轮内轮的轨迹。如果汽车的前后轴距为5米,右转弯时前轮的转向角为30度,求右前轮和右后轮的内轮差,并依此对站在马路拐弯处的行人提出安全建议。前文的題目便是參考此題修改而成,這道題目比較簡單因為只要求取內輪差,這以三角函數便能解決,不過仍須足夠的物理概念。

資訊傳遞失真率

很明顯標題有個「率」表示這是一篇有大量計算的文章,所有資訊都是有依據的,但是這篇文章並不帶有嘗試影響各位價值觀的意味,請確定保持您思想的客觀性後入內觀賞,若是被本文影響概不負責。

在開頭來個與本文只有少許關聯的謎語:你來到一個三岔路,一邊是通往老實村,另一邊是通往說謊村,但你並不知道哪條路是通往哪個村子。而老實村的村民不管你問什麼都會照實回答,而說謊村的村民不管你問什麼都會以假話回答,恰巧這時候有一位不知道來自哪個村子的村民站在路口,你只能問他一個是或否的問句,你如何能判斷出哪邊是老實村呢?

歡迎各位暫停稍作思考,解答在文末。

進入本文。

首先先舉一個例子方便各位理解,請看下圖:



假設一個人持有正確情報(以T表示正確,F表示錯誤),他告訴0.9(90%)的人正確,0.1的人F,而其餘的人也依此方式傳遞下去,當然有些人持有F並告訴0.1的人錯誤的情報,也就又變成了T。

到了第三層,計算一下T與F的總數會發現T=0.756, F=0.244,和原來第一層的T=0.9, F=0.1相差了許多,以此類推傳遞下去的話,會變成如下狀況:

  T F
0 100 0
1 90 10
2 82 18
3 76 24
4 70 30
5 66 37
6 63 37
7 60 40
8 58 42

相信各位很容易觀察的出來,T和F的值會漸漸趨近50,也就是T和F漸趨相等。

這種情況不只是在0.9正確的情況下發生,不論資訊傳遞的失真率是多少,都會漸漸趨近於「半真半假」,以下是證明及公式推導。

(pf)

設a是失真率(正,前文的0.9),b=a-1(負值),因此當數字為正時情報為T,負時為F。

設n是第幾次傳遞(幾層),T為真情報的比率,F為假情報的比率的相反數(0“<"T“<"1, 0<-F<1)



根據上圖可以得到以下算式:

if n=1→T=a, F=b

if n=2→T=a2+b2, F=2ab

if n=3
→T=a3+3ab2, F=3a2b+b3
if n=4→T=a4+6a2b2, F=b4+4a3b+4ab3

整理以上式子後發現:

if n=1→T+F=a+b
if n=2→T+F=(a+b)2

if n=3→T+F=(a+b)3

if n=4→T+F=(a+b)4

if n=k→T+F=(a+b)k
又因為T與-F皆為比率,相加為1(100%)。

因此得到T-F=1。

聯立 T+F=(a+b)n …(1)

T-F=1 …(2)

得到T=[(a+b)n+1]/2

又因b=a-1,可化簡為T=[(2a-1)n+1]/2

取極限,limn→∞(2a-1)n=0, limnn→∞
[(2a-1)n+1]/2=0.5,故正確率T及錯誤率-F皆會趨近相等得證。
且根據公式只要輸入變數(失真率, 層數)=(a, n),即可求出正確率T。

證明部分告一段落,整理一下,到這邊已經導出了藉由確認「資訊失真率」、「資訊傳遞層數」,即可求出「資訊正確率」的理論值公式。此為上半部。

但是到目前為止,都還是在純理論的階段,在現實生活中沒有人統計過所謂的「失真率」,因此我要根據部分的數據計算出現實世界的資訊傳遞失真率。

首先根據統計,人類說話速度為每分鐘85字,人類說話頻率為每分鐘60字,人類說謊頻率為每10分鐘說3次謊。計算後得到說話速度為1.4167字/秒、說話頻率為1字/秒、說謊頻率為200秒/次。整理後,每200秒說1次謊,其中講了200字共花了141.67秒,因此說謊率計算出為:每141/200=0.705,也就是a值。

再來,根據六度分隔理論,人與人的平均距離最多只隔了六個人,因此此層數(n)在一定的機率下必不超過6。

因此將(a, n)=(0.705, 6)代回公式後得到T=0.5023750521205。

此為結論。

順便附上在a=0.705的情況下,

n=1時,T=0.705

n=2時,T=0.584

n=3時,T=0.534

n=4時,T=0.514

n=5時,T=0.506

n=6時,T=0.502

由此篇可以得知,資訊的傳遞經過越多手消息,可靠性皆會大大的降低,包含在第一手資訊情況內可信度只有0.7,所謂成語「半信半疑」大概就是在描述此種情況吧。仔細想想,我們平常接觸到的資訊媒體,至少都是經由提供者→整理者→報導者→接收者之三手消息,在合理範圍內判斷所有資訊可信度約五成並不為過吧。

當然了,這篇也只是理論,並沒有考慮進真實資訊的複雜程度,包含:資訊不一定為是非命題、資訊可能牽涉到商業或政治等因素而a會遠小於0.705、資訊提供者及傳遞者的嘴殘狀況、資訊傳遞者及接收者的耳包狀況、電子訊號傳遞所產生的自然失真、資訊經手人的個人信用程度、資訊接收者的個人信任度價值觀、資訊接受者的個人心理變態程度、資訊本身所牽扯到的附加利益或成本產生的影響、資訊經手者本身的人際關係、資訊本身與道德或法律相違背的狀況、資訊本身並非資訊的狀況、資訊經過多國語言翻譯產生的失真、資訊經過聽說以外的管道產生的理解錯誤…等等狀況無法一一列舉。

重點:請抱持半信半疑。

在第一段提到的謎語,在此公布答案:只要你問他:請問你的村子在右邊嗎?

引用及參考文獻部分:

誠實村以及說謊村之謎語:《應急詭辯術》,廖英迪,大展出版社有限公司。

靈感及部分計算表示方式:《應急詭辯術》,廖英迪,大展出版社有限公司。

人類說話速度平均每分鐘85字:由演藝公會統計。

人每10分鐘說3次謊:統計,心理學家保羅‧艾克曼。

六度分隔理論:連鎖信實驗,心理學教授斯坦利‧米爾格拉姆,維基百科

感謝您的欣賞,歡迎提出批評。