啟用—規管軸線

資料來源#

• Meeting the Coming Wave: The Emerging Politics of AI and Work across 33 Parliaments

摘要#

這個領域的其他頁面都在衡量 AI 對工作的影響——曝險、員額、任務組成，以及誰會被取代。本頁聚焦政治供給面：民選立法者實際上如何談論這件事；我們能從整個議會演說語料庫中看出這場衝突呈現何種形貌。

研究發現否定了文獻中的核心預期。比較政治經濟學將技術變遷視為一種衝擊：它會造成受損者，進而引發補償政治——社會保險、再分配、再訓練。在 33 個國家的議會中，研究檢視了 1,514,950 篇實質演說（2023 年 1 月至 2026 年 4 月），補償僅占廣義回應框架提及次數的 2.3%。啟用與投資占 55.2%，規管與限制占 21.8%，訓練占 20.6%。作者將取代補償軸線的框架稱為啟用—規管軸線：爭論公共權力應加速並投資 AI 的採用，還是為其設下條件與限制——這場爭論發生在分配後果定型之前，而補償文獻無法觀察的正是這個階段。

證據說明。 empirical — 經編碼的演說語料庫，附有已發表的人類驗證測試，這是此類研究能達到的最強證據層級。以下每個數字都須連同兩項限定一起理解。(i) 演說不等於政策：論文首先指出，其「議會演說並未直接衡量已制定的政策」，也不主張研究了通過的法案。本文所有內容都是論述構成。(ii) 「即將到來的浪潮」、採用政治，以及啟用—規管軸線，都是作者的框架，不是測量結果——被測量的是框架分布；這是否構成新的持久分歧線，屬於詮釋，論文本身也指出「新興結構可能迅速變化」。

篩選流程，以及各數字所採用的分母#

語料庫由官方議會來源彙整——API、XML feed、Hansard 式逐字稿、PDF 出版品——統一整理為每篇實質發言一列，僅納入下議院或一院制議會，排除程序性發言與主席發言。釐清分母很重要，因為這裡涉及三種不同分母：

數量	筆數
實質演說（所有議會，2023 年至 2026 年 4 月）	1,514,950
AI 候選演說（多語言字典檢索）	19,411
與 AI 和工作相關的演說（LLM 分類）	5,317
— 其中直接相關	3,076
國家案例	33 個國家議會
國家—政黨單位	936
人工驗證觀察值	728

150 萬是檢索分母，不是分析樣本：字典檢索刻意盡可能涵蓋更多候選內容（19,411 篇候選演說，「其中包括許多與工作無關的 AI 演說」），再由 LLM 分類器縮減至 5,317 篇。本頁所有框架占比都以這 5,317 篇（或由它們產生的提及次數）計算，而非以 150 萬篇計算。33 個國家列於內文，而非藏在圖表裡：阿根廷、澳洲、奧地利、比利時、巴西、加拿大、智利、克羅埃西亞、捷克、丹麥、愛沙尼亞、芬蘭、法國、德國、印度、愛爾蘭、義大利、日本、肯亞、拉脫維亞、荷蘭、紐西蘭、挪威、波蘭、新加坡、斯洛維尼亞、南非、西班牙、瑞典、瑞士、台灣、英國、美國。研究明確指出這不是機率樣本——納入條件是官方逐字紀錄可供取得。

94.7% 的 AI 工作演說可識別政黨家族；其中 85.5% 屬於所分析的七個家族（激進右派、保守派、自由派、基督教民主派、社會民主派、綠黨、激進左派）。無法有把握對應的政黨會被排除，而不是勉強歸類。

驗證情況，以及唯一沒有驗證的階段#

這是以 LLM 編碼的語料庫，因此分類器就是測量工具——Usage-Telemetry Classifier Validation 關注的正是如何評估這類工具。不同於使用遙測計畫，這項研究公布了數據，而且表現不錯：

• 編碼器：gemini-3.1-pro-preview，零樣本，temperature 0，JSON 結構化輸出，於 2026 年 7 月 6–7 日使用。標註者看到原文演說與編碼手冊，並且不知道政黨家族、執政狀態與研究假設——這種控制錨定偏誤的做法，正是 Usage-Telemetry Classifier Validation 指出其他地方所欠缺的。
• 主要基準測試（538 篇演說，由首席人類編碼者標註）：AI 工作相關性達 97.8% 準確率、Cohen's κ = 0.947，精確率 96.9%，召回率 95.7%。在共同判定為相關的演說中，診斷編碼的 micro-F1 為 0.893，回應編碼的 micro-F1 為 0.878。
• 對抗式壓力測試（190 篇演說，由第二位編碼者標註，特別納入邊界案例與罕見回應）：相關性達 85.8% 準確率、κ = 0.679，micro-F1 為 0.894。在共同判定相關的 114 篇演說中，直接/間接相關判定達 96.5%（κ = 0.916），診斷 micro-F1 為 0.891，回應 micro-F1 為 0.828。

對這組結果最坦白的解讀是：**對照一位內部編碼者時 κ = 0.947；對照另一位編碼者處理困難案例時 κ = 0.679。**論文明確指出，壓力測試「並非用來估計整體語料庫的準確率」，因此它不是修正後的總體數字——但它最接近 Usage-Telemetry Classifier Validation 所展示的盲測與錨定差距：核准率與準確率之間的差異。回應框架（0.828）的退化幅度也比診斷框架（0.891）更大，正好出現在罕見類別所在之處。

**未驗證的階段是檢索。**精確率是在分類階段衡量；召回率則是在候選集合內衡量。驗證設計中沒有任何部分估算多語言字典漏掉了多少篇 AI 工作演說——第一階段的偽陰性無法在第二階段補回，論文將此說明為設計考量，而非誤差範圍。由於字典涵蓋「人工智慧、自動化與相關演算法技術」，例如一篇談論工會委員會對自動排班權利、卻未提及任何技術的演說，從設計上就無法被看見；這種遺漏會不成比例地落在規管框架上。

分布，以及為何總和恰好吻合#

整體回應組合，以所有廣義回應框架提及次數計算（主要與次要標籤都計入）：

回應框架	占比	提及次數
啟用與投資	55.2%	3,022
規管與限制	21.8%	1,194
訓練	20.6%	1,129
補償	2.3%	125

提及次數取自 Figure 11 印出的主題計數，內文沒有列出；總和為 5,470，並且能還原四項已公布的占比至小數點第一位（3,022/5,470 = 55.25%，1,194/5,470 = 21.83%，1,129/5,470 = 20.64%，125/5,470 = 2.29%）。本文引用這些數字，正是因為計算結果完整吻合：圖表與內文是同一項測量的兩種呈現。

**補償的絕對規模，才是百分比掩蓋的部分。**在涵蓋 33 個議會的整體語料庫中，125 次提及分為 80 次所得支持、45 次縮短工時。研究採用刻意寬泛的定義——所得保障、社會保障、再分配、縮短工時、基本所得——結果仍然幾乎找不到相關內容。論文的實質主張比「罕見」更強：現有的補償政治本身也很薄弱，「大多只是重述傳統福利國家工具，而沒有提出 AI 專屬的補救方案，例如機器人稅或生產力分享機制。」豐裕論所假設將會立法的工具，在三年、33 個議會的演說中，只被提及 125 次。

兩種穩健性檢驗都未改變排序：只看直接相關樣本（補償「略有增加，但仍只是少數回應」），以及排除顯著性最高的兩個案例——新加坡與台灣。

新議題浮現：快速、微弱且極不平均#

顯著性正在上升，但絕對水準仍低：

• AI 關注度（AI 候選演說 / 實質演說）：2023 年 1.06% → 2026 年 1.70%。
• AI 論述中的勞動議題（AI 工作演說 / AI 候選演說）：18.0% → 33.8%。議會不只是更常談論 AI，也愈來愈常將它與工作連結。
• AI 工作議題顯著性（AI 工作演說 / 實質演說）即使在 2026 年仍遠低於 1%。Figure 1 印出的年度 AI 工作演說數量——813 / 1,502 / 2,251 / 751——總和恰為 5,317，趨勢數據與語料庫總數相符。2026 年數據僅涵蓋1 月至 4 月，因此 751 看起來像是下降，其實並非如此。

國家間的差異比趨勢變化大一個數量級。Figure 2 印出的數據標籤如下：台灣 4.24%、新加坡 4.22%——兩個離群值，兩國都有明確的國家 AI 人力策略；其次是印度 1.70%、德國 1.30%、挪威 0.99%、義大利 0.84%、芬蘭 0.82%、奧地利 0.71%，一路降至西班牙 0.55%、日本 0.53%、瑞典 0.52%、英國 0.50%，以及 0.35% 的美國，低於澳洲與加拿大。論文以美國的例子開場（Sanders 的一億工作職位報告，以及 Sanders–Ocasio-Cortez 的資料中心暫停法案），但美國議會卻是樣本中 AI 工作議題顯著性最低的議會之一；在通過 Figure 3 門檻的 28 個國家中，其診斷框架也最偏向機會。顯著性與框架彼此獨立。

單一維度#

各政黨家族在是否提出 AI 與工作議題方面差異不大。預測的 AI 工作議題顯著性從激進左派的約 0.25% 到自由派的約 0.60%，95% 區間高度重疊——「沒有哪個家族在關注度上明確獨占這個議題」。但一旦提出議題，各家族的說法就大不相同。

以下是群組二項多層次模型的預測占比（政黨家族與年度固定效應、國家與國家—政黨隨機截距）。編碼採多標籤，因此各列總和不必等於 100%：

政黨家族	威脅	機會	規管	啟用
激進左派	≈89%	≈31%	≈67%	≈25%
綠黨	≈66%	≈53%	≈45%	≈42%
社會民主派	≈57%	≈60%	≈36%	≈56%
基督教民主派	≈37%	≈81%	≈27%	≈68%
自由派	≈31%	≈86%	≈17%	≈73%
保守派	≈32%	≈87%	≈16%	≈77%
激進右派	≈39%	≈79%	≈16%	≈76%

這些是從圖示邊際值讀出的點估計，因此可能有一至兩個百分點的讀值誤差；我們以 Figure 9 做算術交叉檢查。Figure 9 將相同家族繪製於（威脅 − 機會、規管 − 啟用）差值座標上，結果依序為激進左派 +57/+43、綠黨 +13/+3.5、社會民主派 −3/−20、基督教民主派 −44/−40、自由派 −55/−56、保守派 −55/−60、激進右派 −40/−60。內文中的範圍也印證了兩端（激進左派「約十分之九」視之為威脅、「不到三分之一」視之為機會；右派陣營約「80–86%」視之為機會，威脅約「三分之一」）。關鍵不在任何一格的數字，而在於兩個差值對家族的排序完全一致——只有一個維度，而不是兩個。

三項具體解讀：

• 激進左派是唯一持續採取對抗立場的力量：只有這個家族同時呈現壓倒性的威脅診斷，以及以治理為主的回應。即使如此，規管（約 67%）仍遠高於補償（約 19%，也是任何左派估計中區間最寬的），顯示爭論在於部署，而非移轉。
• 綠黨的立場平分秋色：規管約 45%，啟用約 42%。論文認為，生態現代化思潮讓綠黨能採取選擇性啟用立場，而激進左派則不然。
• **社會民主派是偏向採用的左派。**威脅與機會的比率大致相同，整體回應仍偏向啟用（約 56% 對 36%）。論文將此解讀為社會民主派面對結構性經濟變遷的慣常立場——接受轉型、管理過渡，並將規管保留給最嚴重的後果——因此，「最強烈的議會挑戰」來自激進左派，而非歷史上占主導地位的有組織勞工政黨。

**診斷框架會形塑回應，衝突的核心也正在這裡。**依主要診斷框架拆分（Figure 6，互斥的主要框架），在每個家族內，將 AI 診斷為威脅的演說都傾向規管，診斷為機會的演說則大多傾向啟用；因此社會民主派的中間位置並非溫和立場，而是兩股重要力量的平均結果。樣本數更能說明問題：保守派中，診斷為機會的演說約為診斷為威脅的三倍（1,121 對 337），自由派為 733 對 199，社會民主派為 744 對 407；只有激進左派的數量反轉（54 對 89），而綠黨兩者相同（77 對 77）。哪些後果會被凸顯，構成了大部分爭論。

激進右派的零結果#

這是論文中最明確的否定結果，也是有既有文獻可供對照的發現。多項研究一再發現，面臨自動化風險的勞工會轉而支持激進右派政黨（Anelli et al. 2021; Gallego & Kurer 2022; Im et al. 2019; Knotz 2025）。若政黨供給跟隨選民曝險，激進右派理應成為 AI 相關勞動焦慮的政治企業家。

事實並非如此。激進右派在兩條軸線上都與主流右派相近——機會約 79%、啟用約 76%、規管約 16%；威脅比保守派與自由派略高（約 39% 對 32%/31%）。Figure 9 將他們與自由派和保守派放在偏向採用的象限。作者的解釋是政黨論述工具箱，而非曝險程度：國家競爭力、技術主權，以及落後的風險，都是激進右派既有的論述；制度化職場規管與勞工發聲權則不符合其論述工具箱。選民對自動化受損的反應，並未轉化為政黨立場。

這是關聯，而非檢驗——研究設計無法排除「曝險→投票」的連結透過編碼架構未涵蓋的論述發生（移民、國家衰退、菁英背叛）；這正是所引文獻提出的管道。

制度梯度#

研究以納入執政狀態、政黨家族、年度與國家固定效應的二項 GLM，估計出第二條較小的梯度。執政黨減去在野黨的邊際差異，以百分點表示；除特別註明外，95% 區間均不含零：

• 機會診斷 約 +15 個百分點；威脅診斷 約 −15 個百分點
• 啟用與投資 約 +11 個百分點；規管與限制 約 −8 個百分點
• AI 論述中的勞動議題 約 +4 個百分點
• 訓練 約 −1 個百分點，區間跨越零——這種通用框架在制度位置不同時也同樣通用
• AI 關注度與原始 AI 工作議題顯著性：約為 0，無法區分

因此，執政黨並非更關注 AI 與工作；而是在提出議題後，更可能將之建構為可治理的機會。論文以描述性方式解讀此結果，並拒絕提出因果主張——研究排除了信任暨供給政黨及無法歸屬的部長演說，並指出「分析無法識別就任執政的因果效果」。請注意，這與政黨家族的方向不同：政府效應（診斷約 15 個百分點）確實存在，但相較於家族差距（威脅占比約 89% 至 31%）仍然很小，因此 E5 預測意識形態會是組織力量，結果也確實如此。

框架內部：規管實際聚焦何處#

探索性分析將演說摘要的英文嵌入向量以 k-means 分群，再依 TF-IDF 詞項與群集中心人工命名；不同隨機種子下結果穩定（平均調整 Rand 指數 0.889–0.928）。論文特別強調，這些是「詮釋輔助工具，而非額外經驗證的結果類別」，也沒有納入任何模型。以下應視為構成分析，而非測量結果：

框架	主要主題（占框架內比例、提及次數）
威脅	工作流失與所得不安全 53.1%（937）；工作品質與職場控制 19.5%（345）；在 AI 經濟中落後 14.8%（262）；技能轉換與教育落差 12.5%（221）
機會	競爭力與創新 37.8%（1,531）；生產力、創造就業與緩解勞動力短缺 34.9%（1,413）；AI 基礎設施與能源 15.1%（612）；技能與人才培育 12.2%（494）
規管 / 限制	著作權、創意產業與媒體保護 36.1%（431）；防止工作流失的勞動市場保障 27.2%（325）；兼顧創新的 AI 規管 23.7%（283）；演算法管理、平台工作保障與人類監督 13.0%（155）
啟用 / 投資	成長與國家投資 39.1%（1,181）；採用支持、生產力與公共部門能力 31.3%（947）；AI 基礎設施與產業策略 17.2%（519）；中小企業與商業採用支持 12.4%（375）
訓練	勞動力再訓練與員工訓練 45.6%（515）；AI 人才與研究能力 28.9%（326）；學校與未來技能 25.5%（288）
補償	所得支持與安全網 64.0%（80）；縮短工時 36.0%（45）

這張表揭示了三件被框架層級總覽掩蓋的事：

• **目前規管議題談著作權多於談工作。**規管與限制框架中最大的單一項目，是智慧財產與創意勞動——「一項歷史遺留的關切……由生成式 AI 再度喚起，而非憑空創造」；最接近威脅框架所提出監控與控制疑慮的主題，卻是最小的一項，在 33 個議會中僅有 155 次提及。威脅框架第二大的主題是工作品質與職場控制（345 次），因此診斷聲量約是相應補救措施的兩倍。
• **啟用框架至少與企業支持同樣著重公共投資。**成長／國家投資加上公共部門能力，占啟用提及次數的十分之七；中小企業與公司層級的採用支持則占 12.4%。這解釋了為何社會民主派與綠黨即使診斷偏向威脅，仍有相當比例支持啟用——這個框架在意識形態上也適用於左派，因為它關乎國家建設什麼。
• **訓練框架普遍適用，因此在各家族間持平。**再訓練、國家人才培育能力與學校課程，分別有助於採用、適應與長期人力資本；政黨無論在軸線上採取何種立場，都能訴諸訓練。這正是它無法用來辨別立場的原因。

這些結果能支持什麼、不能支持什麼#

論文所述且應完整保留的限制：

• **演說不等於已制定的政策。**政策形成「還取決於聯合談判、否決制度、官僚體系、法院、工會、雇主與有組織的利益團體」。研究沒有衡量任何立法結果。
• **全程只識別關聯。**政黨家族、執政狀態：「模型描繪的是關聯，而非意識形態或參與執政的因果效果。」
• 樣本由資料可得性決定，而且「議會制度與逐字稿慣例的差異，使各國排名應審慎解讀」——這直接關乎台灣與新加坡的離群值，以及美國的低排名。
• **研究期間異常早期。**選擇 2023 年至 2026 年 4 月，是為了在勞動市場影響穩定前捕捉衝突；這也正是結構「可能迅速變化」的原因：論文指出三種仍可能出現的發展——可見的工作流失強化補償政治、左派對抗加深，或激進右派開始動員。
• **研究提出但未證實代表性落差。**需求面研究發現民眾支持放慢技術變革與保留工作的介入措施；但這種支持在此研究的議會論述中幾乎沒有對應表現。論文拒絕據此推論——需求面與供給面研究「觀察的是不同的族群、國家與時期」——只表示公眾不安「已超前於政黨迄今建構的立場」。應將此落差視為假設，因為只有一端經過測量。

延伸連結#

• Procedural Value in AI Decisions — 同一代表性落差的兩端，由不同研究獨立測量，並指向相同方向。Wang、Sturgis 與 de Kadt 評估美國求職者對 AI 招聘決策的期待：由人類掌握決策權，可使選擇機率增加 +0.272；可提出申訴增加 +0.156；可選擇退出增加 +0.129；系統層級的偏誤稽核則僅增加 +0.068。本頁測量的是議會的供給，而涵蓋這些工具的主題——演算法管理、平台工作保障與人類監督——在最小之外第二小的回應框架中，也只占最小的一項，即 5,470 次提及中的 155 次。需求面將個人可行使的權利排在最前；供給面則將規管注意力集中於著作權（431 次）。任何一項研究都無法獨自證明這種落差（族群、國家、時期不同，且其中一項是陳述偏好），但兩者並列，是知識庫中最接近同時呈現落差兩端的研究
• Human-AI Accountability Redesign — **同一規管內容，往下看一個制度層級；兩者並置可看出實際發揮作用的是哪個層級。**該頁的德國共同決策章節記錄了一項法定、由勞動力掌握且具否決權的問責機制（Works Constitution Act §87(1) no. 6），也記錄了企業如何將人資功能外包海外，並購買不會觸發該機制的能力，以規避規範。本頁呈現更上層的議會同時在做什麼：演算法管理與人類監督占 21.8% 框架的 13.0%。即使職場治理內容有所出現，也多半是既有的國家制度正在發揮作用，而非正在形成新的立法訴求——這使該頁記錄的規避管道更難從上而下封堵
• Post-Scarcity Macroeconomics — **檢驗豐裕轉型的政治可行性。**Musk 的論點認為，穩態下普遍移轉不會造成通膨，但也承認無法描述轉型路徑；訪談者追問的是政治共同體如何抵達那裡。本研究衡量了這條路徑的供給面：普遍基本所得、再分配與所得保障合計只占回應提及次數的 2.3%，絕對數量為 125 次；現有內容「大多只是重述傳統福利國家工具」。無論通縮機制在經濟上允許什麼，三年來 33 個議會的演說都未形成足以立法的支持群體——而論文提出的解釋正是轉型論證必須回答的問題：AI 受損者的穩定支持群體可能尚未大規模出現，因此政治討論仍在顛覆發生之前
• The Tragedy of the Cognitive Commons — **將 Lovett 的 Ostrom 階梯中公共政策那一級量化。**該架構提出訓練補助、獎勵保留入門職位管道的企業、分級證照與無 AI 能力評量，並明確將它們視為投資而非禁令。訓練框架占提及次數的 20.6%，而且各政黨家族的使用率相近，這是唯一如此的框架，因此 Lovett 提出的那一級是政治上最容易接受、也最無法區分立場的一級。他的論點真正需要的卻是另一級：獎勵保留初階工作，等於限制取代勞工的採用，這類內容屬於 21.8% 的規管框架，集中於激進左派與綠黨；在框架內，提及次數又被著作權以三比一超過
• Usage-Telemetry Classifier Validation — **來自使用經濟學領域以外的驗證實務對照案例。**AEI、ATLAS 與 Codex 研究使用分類法分類器，卻未公布確切準確度（ATLAS 在 O*NET 任務層級的準確度為 22.6%）；相較之下，本研究公布相關性 κ = 0.947、框架 micro-F1 為 0.893/0.878，接著再委託第二位編碼者進行對抗式壓力測試，並如實報告相關性的 κ 降至 0.679。該頁倡議的紀律——盲測標註者、公布 κ、對困難案例設定上限檢查——在 LLM 編碼語料庫上做得到。本研究也承接該頁在更早階段提出的結構性警告：檢索字典沒有經過召回率測量，因此已驗證的分類器仍建基於未驗證的候選集合
• Telemetry vs. Survey Measurement — **第九種觀察窗口：菁英論述文字語料。**它不是遙測（沒有記錄任何人的行為），不是問卷調查（沒有人接受提問），也不是聯合分析（沒有任何項目經過隨機分派）；它近乎完整地涵蓋某個特定、具影響力的族群在公開紀錄中的發言，具備其他工具都沒有的一項特性：發言者有制度誘因留下公開紀錄。這種方法在政策供給面換取低延遲與完整性，代價則是構念不同——演說測量的是立場，不是偏好、行為，更不是政策制定。它對定義敏感性的曝險點不是門檻，而是檢索字典：「AI 與工作」演說的定義邊界由流程劃定，而且從未變動

開放問題#

• 分類器在第二階段通過驗證，第一階段卻未驗證：精確率與召回率都是在 19,411 篇由字典檢索出的候選演說內計算，因此沒有任何數字能界定多語言字典漏掉多少篇 AI 工作演說。若進行召回率稽核——對約 150 萬篇未檢索演說抽樣，再交由 LLM 編碼，或加入基於嵌入的獨立召回檢索步驟——會改變回應組合嗎？尤其是規管占比是否會提高，因為職場治理內容最可能在未提及技術的情況下表述？
• 議會演說與已制定政策衡量的是不同對象，而本研究設計只測量前者。啟用—規管軸線能否預測立法成果——演說傾向規管的國家與時期，在控制政黨組成後，是否確實比偏向啟用的國家與時期通過更多職場 AI 法規？可用任何涵蓋相同 33 個國家、2023–2026 年政策產出的 AI 政策編碼資料集加以證偽。
• 目前對補償缺席的解釋是尚未出現穩定的 AI 受損者群體，而這是一項可檢驗的預測：若可測量的工作流失出現，補償占比應高於 2.3%，軸線也應轉回文獻預期的補償政治。觸發條件：樣本中有一個國家出現有文件記錄、且可歸因於 AI 的就業下降，並以相同流程重新編碼。

資料來源#

• Meeting the Coming Wave: The Emerging Politics of AI and Work across 33 Parliaments — Juliana Chueri（Department of Political Science and Public Administration, Vrije Universiteit Amsterdam）與 Petter Törnberg（Institute for Logic, Language and Computation, University of Amsterdam），Meeting the Coming Wave: The Emerging Politics of AI and Work across 33 Parliaments，arXiv 2609.02296，2026-09-02（32 頁、3 張表、11 張圖；empirical）。§2 討論四種回應的議題空間與五項預期 E1–E5；§3 說明語料庫建置、33 國清單、政黨家族統一對應（936 個國家—政黨單位，涵蓋率 94.7%/85.5%）、先檢索再分類的兩階段設計、gemini-3.1-pro-preview 標註流程、兩種人工驗證設計、探索性分群程序，以及群組二項多層次模型與 GLM 規格；§4.1 分析顯著性趨勢與國家間差異；§4.2 診斷邊際值；§4.3 分析 55.2/21.8/20.6/2.3 的分布與啟用—規管軸線；§4.4 比較執政與在野；§4.5 分析探索性主題構成；§5 討論限制與尚未證實的代表性落差。資料與程式碼承諾在「出版後」透過開放儲存庫提供；預印本未出現利益衝突或資助聲明——意即未揭露，而非聲明不存在。Törnberg 也是註釋流程所依據的兩篇方法論文獻（Törnberg 2024, 2025）的作者；這是方法上的自我引用，而非結果上的自我引用。
• 解析備註——所有三張表都已與 pdftotext -layout 核對，並確認修復一格。原始內容恰有一個 > [!note] 修復區塊，位於Table 2：docling 遺漏「Country cases」欄位開頭的 33（33 national parliaments → national parliaments）。修復正確：pdftotext -layout 第 13 頁顯示 Country cases 33 national parliaments。Table 1（回應框架 × 政治問題）與 Table 3（示例性主張）都沒有修復區塊，因此視為未修復內容，並逐格核對；兩者與參考解析結果逐位元等同，包括換行標籤造成的連字號格式問題（Regulation and re- striction、enablement invest- ment）。匯入時對 table-collapse 的 warn 是誤報，原因是 2023-April 2026 日期範圍欄位。本文內文有一處已知的 en-dash／OCR 損毀：§4.1 標題顯示為 ## Al attention and labor salience rise over time（AI 被誤為 Al）；本文未引用該標題的內容。本頁沒有引用 Table 3 的任何內容——它是示意性轉述，不是數據。
• 已檢視並核對所有圖表——本文關鍵數據都來自圖表，因此記錄各數字的來源。已檢視全部 11 張圖；圖表與圖片順序一一對應（image_000000 → Figure 1 …… image_000010 → Figure 11）。Figure 11 不需要讀圖：主題標籤、計數與百分比都在 PDF 文字層，使用 pdftotext -layout 取回後，計數可重現每一個已公布占比至小數點第一位（威脅 937/345/262/221，共 1,765；機會 1,531/1,413/612/494，共 4,050；規管 431/325/283/155，共 1,194；啟用 1,181/947/519/375，共 3,022；訓練 515/326/288，共 1,129；補償 80/45，共 125），也可重現四項整體回應占比（3,022+1,194+1,129+125 = 5,470 次提及 → 55.25/21.83/20.64/2.29%），以及內文的「只有 125 次提及」。Figure 7 印出的數據標籤 21.8/55.2/20.6/2.3，與內文完全一致。Figure 1 印有每年的樣本數；AI 工作序列（813/1,502/2,251/751）加總恰為 5,317。本文沒有引用 AI 候選演說序列，因為呈現的 2024 標籤有歧義（5,680 或 5,880），而只有 5,680 與已公布的 19,411 相符——這是透過算術發現的 OCR 等級歧義，也是本文不列出各年度候選演說數的原因。Figure 2a 的國家數值取自圖中印出的資料標籤。Figures 4、5、8 與 10 是沒有印出數值的點估計與區間圖；本頁每個 ≈ 估計都是從圖中讀值，且所有 Figure 5 與 Figure 8 的數字都透過 Figure 9 交叉驗證；Figure 9 以差值座標呈現相同家族，各家族的（威脅 − 機會、規管 − 啟用）組合都與讀值邊際差異在約 1 個百分點內吻合。Figure 6 印出各家族的樣本數（威脅 89/77/407/54/199/337/56；機會 54/77/744/215/733/1,121/162）；本文沒有引用堆疊長條的比例。Figure 3 包含 28 個國家的列與印出的樣本數——33 個議會中有 28 個達到至少 25 個診斷框架、至少 20 個回應框架的門檻；本文只採用內文也有獨立敘述的定性排序。