公開說明頁 · 無需通行碼
ask（Sim Taipei 的問答介面）讓你輸入任何一個議題，看它在台北 456 個里的分布長什麼樣。但它真正的設計重點不是「能回答什麼」，而是先分清楚哪些是真的、哪些是推的：有實際開票資料的題目直接給你開票結果，沒有的才用人口模型推估——而且從今天起，推估會一併標出「這類問題我們實測有多準」。這篇說明它怎麼用、值在哪、以及不能拿它做什麼。
11 個議題，全部有實際開票結果：2024 總統、2022 市長、投票率、四個公投案、三個戰略指標。每張卡直接標出「模型只看人口能猜到多準」，點進去可切換實際開票與模型預測對照。
你問的題目如果沒有真實資料（例如「居住正義」），系統才用人口模型推估，並標明「推估」、附上誤差區間、盡量找民調當水位參考。
輸入「同婚」「核四」「東奧正名」「柯文哲」，直接拿到 456 里的實際開票分布。這是事實查詢，不是預測——中選會的公開資料，只是幫你整理到里的顆粒度、上了色、可以跟模型對照。
用途例：想知道某個政策訴求在自己選區的哪些里天生比較有市場，先看歷史上最接近的那題實際開票長什麼樣。
輸入「居住正義」「長照」「交通改善」這類沒有公投也沒有選舉可對照的題目，模型會用人口結構推估分布。這是方向參考，不是民調。結果會標出同類題的實測誤差（見下一節）。
這是最被低估的一種用法。左欄 11 個議題的 R² 攤開來看，等於一張模型能力清單：哪類題我們答得好、哪類答不好，一目了然。要判斷這套工具值不值得信，看那張表比看任何簡報都快。
過去右欄只標「推估」兩個字。問題是：使用者不知道「推估」到底多可信——一張標了推估卻沒標誤差的圖，看起來跟有把握的圖一模一樣。
現在推估結果會附一個誤差區塊，內容不是宣稱，是實測對帳來的：
為什麼預設是「議題態度」這一檔？因為使用者在 ask 上問的新問題，幾乎全部都是這一類——問的是「大家對某個政策怎麼想」。所以不需要做分類器，預設標這一檔就是對的。
誤差來源：viz/issue_calibration.json，由 experiments/issue_calibration.py 產出，可重跑複驗。
| 電話民調 | ask | |
|---|---|---|
| 顆粒度 | 全市、最多到行政區 | 456 個里 |
| 成本 | 一次全市 30–50 萬 | 已建成，邊際成本近零 |
| 時效 | 買一個時間點 | 隨時問、隨時重跑 |
| 絕對水準 | ✓ 這是它的強項 | ✗ 只給相對排序 |
| 受訪樣本 | ✓ 有 | ✗ 沒有，是結構推估 |
兩者是互補不是替代：民調定水位（全市大盤幾比幾），ask 給地形（哪些里相對高、哪些低）。這也正是主預測器的架構：民調水位錨。
| 環節 | 內容 |
|---|---|
| 真實資料 | 中選會歷屆開票（總統/市長/公投），已整理到里層級 |
| 模型特徵 | 年齡、性別、婚姻、教育（合成人口）＋ 里級所得（財政部）。不含任何選舉結果 |
| 對帳方式 | 5-fold held-out：每個里被預測時，模型沒看過它自己的答案 |
| 新議題推估 | 人口原型輪詢 + 民調水位錨；首次約 1–2 分鐘，同問題之後秒回（快取） |
| 誤差標示 | issue_calibration.json，來自 11 個已驗證議題的分組對帳 |
誤差數字的完整推導、資料源盤點與方法限制，記錄在專案內部文件；對外可見的方法揭露見 方法揭露與免責聲明。