本書介紹文字探勘 (text mining)應用在社會科學內容分析上的方法與技巧。文字探勘是資料科學(data sciences)大數據分析的產物，在電腦程式語言的協助下，處理大量的文字資料，利用各種演算法，找尋文字表達的內在規則。不過，要強調的是本書重點不在介紹方法，而是培養實際分析、解決問題的能力。我們採取的方法是舉實例，實際操作。這包括：一、程式寫作的能力，含必要的模組(演算法)的應用；二、對文本資料的瞭解與掌握；三、問題意識，文字探勘的方法可以幫助我們回答什麼問題？檢討 預期與結果有什麼落差？ 本書嘗試結合這三個要素，提供完整的文本資料、介紹基本分析方法，思考解決問題的方法。透過豐富的範例，期待讀者在讀完後，對文字探勘有完整的認識，並能著手處理自己的問題。任何研究方法都有其限制，研究者的經驗、洞見，仍是成敗最重要的關鍵。
本書使用的文本資料是人民日報，從一九四六至今高達一百六十萬篇文章。人民日報雖然被視為政治宣傳，報導浮誇，很難是真實，但它在瞭解中共高層的一些想法或基本信念，卻有不可或缺的重要性。因此，本書有一個核心議題：中共的統治意識形態，我們想透過人民日報，瞭解中共統治者怎麼看待世界，這要從瞭解人民日報所要傳達的訊息開始。
本書分為十二章，各章的主題，說明如下：
第一章、環境設定。本書使用的程式語言是 python, 這可以從網路上免費下載取得。程式編輯器是 jupyter notebook，這是一個可以即時編譯執行的平台，使用方便，特別適合初學者。使用者可以選擇在網路上執行，然這要有 google 帳號，配合 google drive，在 colab 平台、網路環境下執行。本書就採取這個模式，主要是 google drive 可以放置、分享大量資料。如果不用 colab ，則所有的檔案、程式都要下載至個人電腦，單機亦可操作。本章會介紹環境設定問題，以及 jupyter notebook 的基本操作技巧。
第二章、人民日報的文本預處理。人民日報文本量巨大，必須將其預處理，我們以年為單位，將資料整理至 excel 檔，一年一個檔案，除了原始文本外，還有屬性欄位，如日期、作者、版次、檔名等，還有經過斷詞處理的原始文本 (token)、詞性(pos)，重要關鍵字詞 (tfidf, textrank)。這些都置於 google drive，後面各章的學習包就是直接讀取這些預訓練的資料。本章學習包詳細說明人民日報文章預訓練的過程，將來讀者若是有自己的文本，亦可以探取類似的方式，先行整理資料。
第三章、統計人民日報各年度的字詞數、句數、段落數與文章數。關鍵字詞出現的頻率是另一個重點，這可以看出人民日報整體的發展趨勢。
第四章、如果要進行深入的分析，第一步要先篩選合適的文本。本章撰寫一個函數，可以透過設定條件：年度、關鍵字、隨機選取的比例， 篩選出需要的文本，儲存成 dataframe 格式。這個函數，在後面各章中會不斷使用。
第五章到第十章，主要介紹文字探勘的基本方法，包括：斷詞、詞對、字詞網絡、文字雲、詞頻計算、自然語言處理、降維、主群分析、分群，情感分析、分類等。不過，本章重點在以豐富的範例，說明方法的應用，同時觀察中共政權演變。每個範例都有實際的意義，例如：觀察中共建政以來的政治鬥爭，對西方的態度，施政重點，對爭議性的政治人物的情感態度、探討在中共語境下，民主、自由等概念的意涵（潛在語意）、中共對台政策的變化等。
第十一、十二章，探討文字探勘進階的方法，主要是機械學習與類神經網絡在分類上的應用。我們會以兩岸政治人物的評價為例說明之。
第十三、十四章，綜合運用前面各章介紹的方法，進行主題分析。對程式沒有興趣的讀者，可以直接閱讀這兩章，跳過程式的部分，也可以對中共政權有概觀的認識，當然這是人民日報顯現出來的中共，與真正的中共想必有落差。主題如下：
- 道德治國：一個充滿道德術語的國度；
- 革命與鬥爭：社會生存進步的動力；
- 權力集中與集體領導；
- 大躍進時期的虛假新聞與非正常死亡；
- 後習近平時代；
- 民族主義與民族復興；
- 儒學復興與中華文化；
- 人民日報的台灣印象與政策。
各章基本上嘗試結合兩個目的，一是文字探勘的方法，二是具體議題的分析。各章的核心部分稱為「學習包」，亦即範例程式，以實例探討相關議題。學習包以 jupyter notebook 撰寫，讀者打開程式，按 Contl -Enter 鍵，就可以逐步執行，立即看到執行的結果。程式旁有清楚的註解，說明指令的意義，與程式的目的。讀者可以自行改變程式參數，替換關鍵字，或者直接修改程式，滿足自己研究上的需要。善用學習包，從摹仿開始，懂得意義之後，再改寫擴充，可以節省大量的時間，不失為有效的學習方法。
各章有「背景說明」與「研究發現」，前者說明本章要處理的議題，使用到的文字探勘方法，以及學習包的內容，提醒注意事項；「研究發現」則討論學習包的分析結果。每一個學習包都匯集數個分析案例，從這些案例，讀者可以學習文字探勘的各種技巧，並實作。
為了使用的便利，我們開發一個模組 people ，匯集常用的函數，如果善加利用，可以大量減少寫程式的時間。在學習包中， 如果函數第一次使用，我們會說明其結構與語法，第二次使用就直接呼叫函數，以節省時間。讀者可直接叫出 people 模組，參考其內容，撰寫自己的模組，增加使用的便利性。
不過，學習包是範例程式，讀者必須懂得python 的基本語法，才能看得懂。對於那些沒程式基礎的讀者，不妨先從附錄一開始。附錄一是 python 語法介紹，網路上也有許多 phthon 的學習資源，有了基本概念之後，就可以進入學習包，掌握學習的內容。
附錄二介紹網路爬蟲的基本方法。本書使用的人民日報文本，主要來自網路。因此，網路爬蟲成為文字探勘很重要的技術。然而這並不容易，網路的結構不同，不同時期同個網站，很可能不同，因為網頁會經常改版，因此要配合調整處理。學習包介紹網路爬蟲的基本技巧，以幾個常見的網站為例，包括人民日報、政府的官方網站、論壇。通常不涉及機密或商業利益的網站比較容易下載，如果網站有保護裝置，讀者就不容易自行下載了。
附錄三是提供有關中共的一些背景資料，例如大事記、歷年政治鬥爭、人物經歷等，主要是整理自網路上的資料，共讀者參考。如果讀者對大陸瞭解不多，這些資訊會很有幫助，建議讀者先快速流覽。
以上說明本書的內容與使用方法，預祝大家學習順利。