臺灣博碩士論文加值系統

隨著社群網路科技的進步，民眾經常在網路上表達意見。這些網路訊息可在新聞網站、討論區文章或社群媒體加以擷取，並以文本探勘或自然語言處理技術做關鍵字及情感分析。分析結果有助於瞭解民眾對社會事件的看法，發掘其隱含意義。本研究以2019年6、7月間發生的長榮航空空服員罷工事件為例，從 PTT八卦板與航空板爬取文本，進行網路訊息的關鍵字分析與情感分析，以探討此一事件之相關社會議題。研究結果顯示，長榮航空空服員罷工事件主要訴求以保障勞方權益為主，希望強化工會功能，參與人事決策，並提出參加工會者方得享有權益的禁搭便車條款。在社會觀感方面，民眾的負面情感強於正面情感，但總聲量卻日益減弱。經過整理並分類關鍵字之後，可將其分為勞方權益、企業權益、顧客權益、工會自主四大類別，其中以企業權益與顧客權益中的關鍵字較常出現，代表大眾在關注的議題上較為重視和自身相關的事件，並且立場上偏向支持資方。

With the advancement of social networking technology, people often express their opinions online. These messages can be captured on news websites, forums or social media by using software technology, and their meaning explored through using text mining, keyword analysis, natural language processing or sentiment analysis. These analysis results can help us understand people's perceptions about public affairs. This study takes the EVA Air flight attendants' strike in June and July 2019 as an example, trying to analyze the public's perceptions of the strike from the posts of PTT. The results of the study show that the Evergreen Airline flight attendants' strike mainly focuses on protecting labor rights, strengthening power of the union. In terms of impressions from society, public sentiment has been more negative than positive, and the amount of posts has been decreasing over time. The keywords can be divided into four categories: labor rights, enterprise rights, customer rights, and union autonomy. Among them, keywords in enterprise rights and customer rights appear more often, representing the public pay more attention to the events related to themselves, and prefer to agree EVA’s claim about this strike.

摘 要 I
Abstract II
致 謝 III
目 錄 IV
圖目錄 V
表目錄 VI
第一章 緒論 1
1-1. 研究背景與動機 1
1-2. 研究目的 6
第二章 文獻探討 8
2-1. 罷工預告制度 8
2-2. 禁搭便車條款 9
2-3. 文字探勘 10
2-4. 關鍵詞彙的統計 12
2-5. 情感分析 14
第三章 研究方法 16
3-1. 研究流程 16
3-2. 取得原始資料 17
3-3. 中文斷詞 21
3-4. 計算關鍵詞 23
3-5. 併置詞分析 26
3-6. 情感分析 28
第四章 研究結果 30
4-1. 網路聲量變化 30
4-2. 文字雲分析 31
4-3. 關鍵字分析 33
4-4. 併置詞分析與主題分類 35
第五章 結論與建議 38
5-1. 結論 38
5-2. 研究限制 40
5-3. 未來研究方向 40
第六章 參考文獻 41

中文部分
卓奇勳（2019）。從美國經驗檢視禁搭便車條款法律爭議。勞動及職業安全衛生研究季刊，27 (4)，25-29。
林彩雯（2015）。以Google App評論為字詞權重調整之情緒分析系統。靜宜大學資訊管理學系碩士論文，台中市。 取自https://hdl.handle.net/11296/65k3pc
夏林清、鄭村棋（1992）。站上罷工第一線－由行動主體的角度看1989年遠化5月罷工抗爭的發生及影響。台灣社會研究季刊，13，63-108
徐子喬（2016）。總統語藝之文字探勘研究。國立中央大學資訊管理學系碩士論文，桃園縣。 取自https://hdl.handle.net/11296/2ad836
張皓為（2018）。以文字探勘技術探討五星級飯店之品牌形象—以老爺酒店為例。真理大學觀光事業學系碩士班碩士論文，新北市。 取自https://hdl.handle.net/11296/43x42m
張傳珩（2019）。文本探勘與情緒分析於產品推薦之應用-以PTT電影版為例。東吳大學資訊管理學系碩士論文，台北市。 取自https://hdl.handle.net/11296/62w2x2
許家銘（2017）。情感分析應用於社群媒體輿論分析之研究。國立中央大學資訊管理學系碩士論文，桃園縣。 取自https://hdl.handle.net/11296/nt682f
郭文平（2015）。字彙實踐及媒介再現：語料庫分析方法在總體經濟新聞文本分析運用研究。新聞學研究，(125)，95-142。
陳世榮（2015）。社會科學研究中的文字探勘應用: 以文意為基礎的文件分類及其問題。人文及社會科學集刊，27(4)，683-718.
陳怡廷、欒錦榮（2012）。自然語言處理在口碑研究的應用。中華傳播學刊，22， 259-289。
陳怡廷、陳麗如、吳姿瑩（2016）。從部落格探索客家旅遊目的地意象之研究—自然語言處理的方法與應用。戶外遊憩研究，29(2)，81-111。
陳柏青、丁學勤（2018）。應用大數據文字探勘分析網路社群論壇關鍵字－以腕戴式穿戴裝置為例。運動管理，(40)，31-58。
陶治中、陳亭愷 （2016）。社群運算應用於網路輿情情感傾向分析之研究－以實施國道計程電子收費政策為例。運輸學刊，28 (3)，295-334。
黃帥升、王之穎（2019）。罷工預告制度爭議探討－以華航機師罷工事件為中心。會計研究月刊，(402)，53-58。
楊竑昕（2019）。運用自然語言處理工具實作貼文分析系統觀察網路論壇，以Dcard為例。國立中山大學資訊管理學系研究所碩士論文，高雄市。 取自https://hdl.handle.net/11296/gazcm2
趙玉娟、陶振超（2018）。政治網路口碑的情感分析：語意關連性之觀點。傳播研究與實踐，8(2)，75-107。
劉梅君（2020）。勞動三權的昨日今生：兼淺談台灣罷工行動的若干爭議。台灣人權學刊，5 (3)，3-41。
衛民（1999）。航空業勞動三權研究－以我國復興航空與美國西北航空爭議案為例。勞資關係論叢，9，71-97。
衛民、許繼峰（2019）。勞資關係：平衡效率與公平。高雄：前程出版社。
錢怡君（2018）。2016年華航空服員罷工事件之研究。國立臺灣大學政治學研究所碩士論文，台北市。 取自https://hdl.handle.net/11296/47fzfg
闕河嘉、陳光華（2016)。庫博中文獨立語料庫分析工具之開發與應用。數位人文: 在過去, 現在和未來之間。臺北: 國立臺灣大學出版中心.
羅治傑、王皜宇、陳昱璟、唐學明（2018）。正面與負面網路訊息影響國軍形象的大數據分析。復興崗學報，(113)，143-179。
蘇智豪（2019）。以併置詞網絡分析探究媒體再現與社會現實－以身障者為例。淡江大學大眾傳播學系碩士班碩士論文，新北市。 取自https://hdl.handle.net/11296/qwtm3u
邵軒磊、曾元顯（2018）。文字探勘技術輔助主題分析—以 [中國大陸研究] 期刊為例。問題與研究，57(1)，29-62。
英文部分
Ashenfelter, O., & Johnson, G. E. (1969). Bargaining theory, trade unions, and industrial strike activity. The American Economic Review, 59(1), 35-49.
Fayyad, U. M., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery: An overview. Advances in knowledge discovery and data mining. AAAI.
Firth, J. R. (1957). Papers in linguistics: 1934-1951. London: Oxford University Press.
Hotho, A., Nürnberger, A., & Paaß, G. (2005, May). A brief survey of text mining. In Ldv Forum (Vol. 20, No. 1, pp. 19-62).
Këpuska, V., & Bohouta, G. (2017). Comparing speech recognition systems (Microsoft API, Google API and CMU Sphinx). Int. J. Eng. Res. Appl, 7(03), 20-24..
Li, J., & Zhang, K. (2007). Keyword extraction based on tf/idf for Chinese news document. Wuhan University Journal of Natural Sciences. 12(5). 917-921.
Liu, B. (2012). Sentiment analysis and opinion mining. Synthesis lectures on human language technologies, 5(1), 1-167.
Ma, W. Y., & Chen, K. J. (2003, July). Introduction to CKIP Chinese word segmentation system for the first international Chinese Word Segmentation Bakeoff. In Proceedings of the second SIGHAN workshop on Chinese language processing (pp. 168-171).
Maynard, D., & Funk, A. (2011, May). Automatic detection of political opinions in tweets. In Extended Semantic Web Conference (pp. 88-99). Springer, Berlin, Heidelberg.
Mihalcea, R., & Tarau, P. (2004, July). Textrank: Bringing order into text. In Proceedings of the 2004 conference on empirical methods in natural language processing (pp. 404-411).
Pang, B. & Lee, L. (2008). Opinion mining and sentiment analysis. Foundations and Trends in Information Retrieval, 2, 1-135.
Pang, B., & Lee, L. (2005, June). Seeing stars: exploiting class relationships for sentiment categorization with respect to rating scales. In Proceedings of the 43rd Annual Meeting on Association for Computational Linguistics (pp. 115-124).
Pang, B., Lee, L., & Vaithyanathan, S. (2002, July). Thumbs up? Sentiment Classification using Machine Learning Techniques. In Proceedings of the 2002 Conference on Empirical Methods in Natural Language Processing (EMNLP) (pp. 79-86)..
Prabowo, R., & Thelwall, M. (2009). Sentiment analysis: A combined approach. Journal of Informetrics, 3(2), 143-157.
Ramos, J. (2003, December). Using tf-idf to determine word relevance in document queries. In Proceedings of the first instructional conference on machine learning (Vol. 242, pp. 133-142).
Sebastiani, F. (2002). Machine learning in automated text categorization. ACM computing surveys (CSUR), 34(1), 1-47.
Sparck-Jones, K. (1972). A statistical interpretation of term specificity and its application in retrieval. Journal of documentation, 28(5), 111-121.
Thelwall, M., Buckley, K., Paltoglou, G., Cai, D., & Kappas, A. (2010). Sentiment strength detection in short informal text. Journal of the American society for information science and technology, 61(12), 2544-2558.
Turney, P. (2002, July). Thumbs Up or Thumbs Down? Semantic Orientation Applied to Unsupervised Classification of Reviews. In Proceedings of the 40th Annual Meeting of the Association for Computational Linguistics (pp. 417-424).
Wang, S-M., & Ku, L-W. (2016, May). ANTUSD: A large Chinese sentiment dictionary. In Proceedings of the Tenth International Conference on Language Resources and Evaluation (LREC'16) (pp. 2697-2702).
網路部分
伍芬婕（2019）。罷工預告期吵3年無解，我們還有別的選項嗎。2019年6月26日。取自：https://www.cw.com.tw/article/article.action?id=5095780。
李修慧（2019）。想罷工要早點講？英國、加拿大、日本都有，為什麼台灣沒規定「罷工預告期」。取自：https://www.thenewslens.com/article/113384。
林毅（2019）。長榮待遇不如華航？一張比較表格讓網友看傻。2019年6月21日。取自：https://www.chinatimes.com/realtimenews/20190621005037-260405
法操司想傳媒（2019）。什麼是「勞動三權」與「勞動三法」。2019年2月13日。取自：https://www.thenewslens.com/article/113577。
唐子晴（2018）。LINE台灣月活躍用戶破2,100萬，特愛三大功能、使用率名列全球第一。2018年12月28日。取自：https://www.bnext.com.tw/article/51783/line-linetoday-linestore-sticker
陳怡如（2013）。Facebook台灣月活躍用戶達1400萬人，滲透率居亞太區之冠。2013年9月18日。取自：https://www.bnext.com.tw/article/29363/BN-ARTICLE-29363。
曾鈺閔（2019）。3年3次航空業罷工 交通學者憂：台灣航空業合奏悲歌組曲。2019年6月27日。取自：https://newtalk.tw/news/view/2019-06-27/265177。
楊德倫（2014）。文字探勘之前處理與TF-IDF介紹。2014年12月20日，取自：http://www.cc.ntu.edu.tw/chinese/epaper/0031/20141220_3103.html。
資訊工業策進會（2017）。八成以上台灣人愛用Facebook、Line坐穩社群網站龍頭 1人平均擁4個社群帳號　年輕人更愛YouTube和IG。2017年5月1日。取自：https://www.iii.org.tw/Press/NewsDtl.aspx?nsp_sqno=1934&fm_sqno=14
趙守博（2016）。華航空服員罷工事件平議。2016年7月1日。取自：https://www.npf.org.tw/1/15944。