案例12｜Public Policy：Social-media Sentiment Bias 如何扭曲民意與政策優先順序

一、案例定位

本案例依原書 6.6 的 Public Policy／Governance 情境整理。

理解 Social-media Sentiment Analysis 中 Gender Bias 如何改變對 Citizen Attitude 的估計。

二、學習目標

理解 Public Opinion Mining 的 Representation Risk。
辨識 Women-authored Discussion 被誤判更 Emotional／Negative 的後果。
連結 Bias、Policy Feedback Loop 與 Public Trust。

三、案例情境

原書指出，如果 Women-authored Online Discussion 被系統性分類為較 Emotional 或 Negative，Policy Reform 的 Public Opinion Analysis 就可能無法呈現真實 Citizen Attitude Distribution，進而扭曲 Policy Priority／Evaluation，強化 Stereotype，並侵蝕對 AI-supported Decision System 的 Trust。

四、開始資料

步驟	風險	可能影響
Social-media Text	Gender-associated Language	Representation Bias
Sentiment Classification	Women-authored Text 被判更 Emotional／Negative	Aggregate Sentiment Distortion
Policy Analysis	錯估 Citizen Attitude	Policy Priority／Evaluation 偏差
Feedback Loop	Bias 進入 Governance Decision	Reinforce Stereotype／Erode Trust

五、Excel／AI 分析方法

Excel 可按 Gender／Group 比較 Sentiment Distribution、Confidence、Error Rate、Policy Weight；AI 可協助發現差異，但不能把 Social Media Sample 當成完整人口民意。

六、計算結果

原書沒有提供 Policy Bias Effect Size 或 Citizen Sample Number。

七、結果分析與管理解讀

Policy Sentiment Analysis 的公平性不只是「每個人是否被同樣分類」，還關係到不同 Group 是否在 Aggregate Indicator 中被錯誤代表。

八、AI 提問詞

請審查 Social-media Sentiment 結果是否對不同 Gender／Group 出現系統性 Class／Confidence 差異，並標記可能影響 Aggregate Public Opinion 的地方；不要把 Social Media 自動視為全體人口代表。