黃國書才是「落跑」大前輩! 當時蔡英文這句話現在又「打臉」了 - 2022 縣市長九合一選舉|Yahoo奇摩新聞
黃國書才是「落跑」大前輩! 當時蔡英文這句話現在又「打臉」了
中天新聞網.2022年12月2日 14:08

張嘉男/綜合報導

台北市議員王鴻薇確定接受徵召,參選台北市第三選區立委補選,大批綠營側翼網軍狂噴「落跑」,但早在2015年,民進黨的黃國書也因為林佳龍當選台中市長,在剛選上市議員的情況下參加立委補選,當時的蔡英文主席說:這是用選票提醒國民黨反省。

黃國書也曾在2015甫當選市議員後轉戰立委補選(攝自黃國書臉書)

2014年11月29日,當時時任立委的林佳龍以超過20萬票的差距打敗胡志強,贏得台中市長選舉,遺留下來的立委空缺,最後是由剛剛當選市議員的黃國書來角逐,並在隔年2月份的補選中勝出,與現在王鴻薇的情況如出一轍。當時黃國書競選總部成立時,根據民進黨官網的報導,當時蔡英文主席可不認為黃國書是「落跑」,而是「用選票提醒國民黨反省」。

攝自民進黨官網

這篇報導的末段寫到,蔡主席強力推薦黃國書是補選這席立委的不二人選,長期在這裡經營,已經是五屆議員。他服務的口碑好、重視文化活動及古蹟保存,更重要的是,他從年輕時代開始,便參加學運,對台灣的未來充滿責任感及熱情,不會因為做了五屆的議員,就忘記國家有更重要的任務。

蔡主席表示,她對黃國書很有信心,相信他絕對會增加國會的戰力,「多一席民進黨的立委,就多一分改革的力量。」台灣的國會需要改革,台灣有很多事情需要改革,而改革的核心就是國會,國會議員的品質是現在台灣最大的挑戰。期待黃國書能進入立法院,為國家做更多的事、推動更多的改革。

蔡主席也提醒支持者,國民黨的候選人知名度高,國民黨的組織綿密、有用不完的黨產資源;這場選戰,是一場艱苦的選戰。我們千萬不能放鬆,也不能輕敵,要有破釜沉舟的決心,迎向挑戰,集中所有力氣,讓黃國書高票當選。蔡主席説,去年九合一大選,人民教訓了國民黨,但是國民黨還沒有反省。現在,我們要再一次的用選票,提醒執政的國民黨要反省,告訴他們,台灣應該要改變。

換成現在來看,把「國民黨」換成「民進黨」,把「黃國書」換成「王鴻薇」,怎麼看都看不出有任何違和感。

 

延伸閱讀
遭台大撤銷碩士學位?桃園市長鄭文燦突取消2公開行程
傳將參選民進黨主席?賴清德辦公室回應了
北市立委補選要投誰?網PO一張圖看分明:應該不難選擇

最新選舉新聞

最新選舉新聞

多元觀點

不同視角的媒體報導

施政 滿意度

市長 盧秀燕

民進黨 主委 改選

卓榮泰 群眾

國會 修法

黨部 主委

台視新聞網
民視
中時新聞網
民視
縣市施政滿意度出爐! 盧秀燕再奪第1「蟬聯5星」、蔣萬安升4星
全台縣市長施政滿意度最新民調出爐!台中市長盧秀燕、嘉義縣長翁章梁和連江縣長王忠銘蟬聯「五星首長」寶座;而高雄市長陳其邁和台東縣長饒慶鈴,則首次獲得「五星」肯定;至於台北市長蔣萬安和苗栗縣長鍾東錦,滿意
  • 資料來源:網路溫度計自2017年至今約累積28億則以上文章的網路社群大數據資料庫,其內容涵蓋Facebook、YouTube、Instagram、Dcard、以及包含Yahoo奇摩新聞、聯合新聞網、中時新聞網、ETtoday新聞雲、LINE TODAY、蘋果日報、自由時報、三立新聞網等約350家媒體網站上與選舉相關之政黨、候選人公開資料。
  • 分析方式:本模型分析方式非採傳統抽樣之民意調查,係將蒐集之資料庫予以分析,無母體數、樣本數限制。本模型係運用大數據關鍵引擎,透過深度學習與AI人工智慧技術,使用斷字切詞(Word Segmentation)、語意分析(Semantic Analysis) 、即時情緒分析(Real-Time Sentiment Analysis)等技術,汲取網路上相關討論文章,將文章分為正面、負面、中立三種情緒,計算網路聲量。
  • 跨世代劃分標準:本預測模型判別跨世代之依據,係以不同世代使用者之網路社群行為模式差異區辨。以不同社群網站之使用者世代臉譜數據為基礎,計算跨世代在不同社群聲量上的權重,綜合計算後得到世代好感度數據。
  • 名詞解釋
    • 網路聲量:透過「KEYPO大數據關鍵引擎」,計算社群討論及新聞報導提及的文章則數,聲量越高代表討論越熱,能見度越高。
    • 好感度分數:綜合評估網路聲量與網友語意情緒,分析各熱門候選人的網友評價。各熱門候選人的情緒、聲量皆經過標準化分數處理,得出好感度分數,再進行各縣市候選人彼此的比較,評量不僅需要聲量高,而且是好評要高,負評要低。好感度分數範圍在0-100分之間,分數越高,表示整體網友對於該位候選人的好感程度越佳。
  • 其他說明
    • 調查單位及主持人:大數據股份有限公司
    • 辦理時間:即日起至2022年11月16日止,逐日更新好感度數據。
    • 抽樣方式:本預測模型非抽樣之民調調查
    • 母體數:無母體數,請參考上述大數據資料庫的內容涵蓋範圍
    • 樣本數及誤差值:本預測模型非採用小樣本抽樣之民意調查,不適用抽樣誤差值
    • 經費來源:Yahoo奇摩、大數據股份有限公司