108 身心障礙特考三等 統計 資料處理 考古題詳解
第 一 題30 分
某執行機密業務之單位想要引進臉部辨識系統來管制門禁，公告後共有甲、乙兩家公司來展示系統。兩家公司均以 50 名員工及 50 名其他人的臉孔照片建檔，進行辨識測試後，得出如下辨識結果：
甲公司：
| 辨識值＼真實值 | 員工 | 其他人 |
|---|---|---|
| 員工 | 45 | 15 |
| 其他人 | 5 | 35 |
乙公司：
| 辨識值＼真實值 | 員工 | 其他人 |
|---|---|---|
| 員工 | 35 | 5 |
| 其他人 | 15 | 45 |
若採用臉部辨識系統管制門禁後，人員經系統辨識為員工後，系統即解除門禁，讓人員直接進入辦公室。若工作人員臉部辨識失敗，也可聯絡安全人員解除門禁。
請問應該採用哪一套系統？請說明所根據的人臉辨識績效指標及決策依據為何？
登入後即可作答並保存紀錄。
核心觀念
本題考查分類結果的混淆矩陣，以及生物辨識系統的錯誤接受率與錯誤拒絕率。判斷系統不能只看整體正確率，還要依門禁用途比較錯誤的後果。
表格的列是「辨識值」，欄是「真實值」：
- 錯誤接受：真實身分是其他人，系統卻辨識為員工，可能讓未授權者進入辦公室。
- 錯誤拒絕：真實身分是員工，系統卻辨識為其他人；題目說可聯絡安全人員解除門禁，因此有人工補救方式。
解題方法
以「辨識為員工」視為系統放行：
兩家公司各以 50 名員工及 50 名其他人測試，故分母皆為 50。
| 指標 | 甲公司 | 乙公司 |
|---|---|---|
| 錯誤接受率 FAR |
第 二 題30 分
如下圖所示，傳統的程式開發根據需求，將資料轉換規則以人工開發成為可執行的軟體程式。此程式可將輸入資料轉換成所需要的輸出結果；而機器學習則可由輸入資料及所要的輸出結果中學習，自動推導出轉換規則。但推導出的規則可能是由機器學習系統內部大量的參數所組成，不像人工寫出的規則符合人類的思考邏輯而較容易說明解釋。
請舉一適當的例子，說明比較這兩種方法的適用情境。
圖示內容：
傳統程式開發：輸入資料 → 規則 → 所要的結果。
機器學習：輸入資料及所要的結果 → 規則。
登入後即可作答並保存紀錄。
核心觀念
本題考查傳統規則式程式開發與機器學習的差異，以及兩者各自適合的問題類型。
- 傳統程式開發：由人先分析需求並寫出轉換規則，再讓程式依規則處理輸入資料，產生結果。規則通常較容易追溯與說明。
- 機器學習：提供輸入資料及其正確結果作為訓練資料，由演算法從資料中學得模型，再用模型預測新資料的結果。模型規則可能由大量參數構成，解釋性較低。
解題方法
以電子郵件垃圾郵件分類為例，說明兩種方法的流程與適用情境。
傳統程式開發：程式設計者自行設定規則，例如寄件者在黑名單、信件含有特定詞彙，或連結數量超過門檻時，將信件判定為垃圾郵件。每項判斷都能對應到明確規則，適合條件固定、規則清楚，且需要說明判斷理由的情境；但垃圾郵件內容不斷變化，人工規則須持續維護，規則未涵蓋的新型態信件也容易被漏判。
第 三 題20 分
保密性、完整性與可用性（Confidentiality, Integrity, and Availability, CIA）為公司組織考量資訊安全的核心概念。
若你負責規劃一套供組織內部員工使用的資料儲存空間（如網路儲存 NAS 或私有雲），員工可自由使用這儲存空間來存放業務相關甚至是個人的資料，這時你需要檢核哪些相關事項，以確定所規劃之資料儲存系統符合 CIA 的規範？
登入後即可作答並保存紀錄。
核心觀念
本題考查資訊安全的 CIA 三要素，以及如何把三項原則轉化成資料儲存系統的規劃與檢核措施：
- 保密性（Confidentiality）：資料只讓經授權的人員讀取。
- 完整性（Integrity）：資料只能由經授權的人員依權限新增、修改或刪除，並能發現未授權或意外的變更。
- 可用性（Availability）：授權使用者在需要時能取得資料與服務。
題目沒有指定法條或特定產品，作答重點是分別說明三項安全目標，以及支援這些目標的管理與技術措施。
解題方法
先依 CIA 分類，再把「員工可自由存放業務及個人資料」帶入檢核。此情境除了防止外人入侵，也要管理內部人員的權限與使用行為；同時考量設備故障、誤刪、惡意變更、資料外洩及服務中斷。
一、保密性：檢核誰能讀取哪些資料
- 身分驗證與帳號管理：以個人帳號登入，採用強密碼及多因素驗證；離職、調職或帳號不再需要時，應及時停用或調整權限。
- 授權與最小權限：依部門、職務及資料敏感程度設定資料夾與檔案權限，只提供完成工作所需的讀取或操作權限；避免共用帳號及過度開放的全員讀取權限。
- 資料保護：敏感資料應視需要採取傳輸及儲存加密，並妥善管理金鑰；對外分享應限制對象、期限與下載權限。
- 使用紀錄與監控：記錄登入、檔案存取、分享及權限異動，並定期檢視異常存取。
- 個人資料與使用規範：訂定可存放資料的範圍、資料分類、保留期限、對外分享及個人資料處理規則，降低員工誤存、誤傳或超期留存的風險。
二、完整性：檢核資料能否被正確且可追查地變更
- 變更權限控管：讀取、修改、刪除等權限分開設定；重要資料可限制編輯人員，並對大量刪除或權限變更設定額外控管。
- 稽核軌跡：保留檔案新增、修改、刪除及權限變更紀錄，以便追查操作者與時間；
第 四 題20 分
在資料分析或應用資料建立預測模型時，常會遇到資料不完整的情況，也就是一筆資料內含的一個或多個屬性欄位有遺缺值的情形。
試說明碰到這種情況時，在無法重新蒐集遺缺值的限制下，有哪些可能處理的方法，並請說明這些方法的適用情境與優缺點。
登入後即可作答並保存紀錄。
核心觀念
遺缺值（missing value）是資料中某些屬性沒有觀測到或未被記錄的情形。處理遺缺值時，不能只看「哪種方法最方便」，還要考量遺缺的比例、缺漏機制、變數型態、分析目的，以及採用該方法是否會改變資料的代表性或變數間的關係。
遺缺機制常分為三類：
- 完全隨機遺缺（MCAR）：缺漏與任何已觀測或未觀測資料都無關。
- 隨機遺缺（MAR）：缺漏與已觀測變數有關，但在控制這些變數後，與遺缺值本身無關。
- 非隨機遺缺（MNAR）：缺漏仍與遺缺值本身有關，例如收入越高的人越不願填答收入。
缺漏機制會影響方法的適切性。若缺漏不是 MCAR，直接刪除含缺值資料，可能造成樣本偏誤；單一填補也可能低估變異或扭曲變數間的關係。
解題方法：依缺漏情況選擇處理策略
一、刪除資料
-
整筆個案刪除（listwise deletion）：只要個案任一分析欄位有缺值，就排除整筆個案。
-
適用情境：缺漏比例低，且缺漏近似 MCAR；刪除後樣本仍足以分析。
-
優點：方法簡單、容易執行，後續分析不需另外處理缺值。
-
缺點：浪費完整欄位資料、減少樣本數；若缺漏不是 MCAR，會造成偏誤。
-
逐欄刪除（pairwise deletion）：每次計算兩個變數的相關或統計量時，只使用這兩個變數皆有值的個案。
-
適用情境：分析相關矩陣等成對統計量，且各欄位缺漏情況不同。
-
優點：比整筆刪除保留更多資料。
-
缺點：不同統計量使用的樣本不同，結果可能不一致；相關矩陣也可能不符合後續分析所需的數學性質。
二、以固定值填補
- 常數填補：以特定數值填補，例如以「未知」補類別欄位，或以 0 表示具有明確業務意義的零值。
- 適用情境：缺漏本身有意義，且填補值能清楚代表該意義。
- 優點：簡單，並可保留個案。
- 缺點：任意填入 0 或其他數值會改變分布與統計量；對連續變數尤其容易造成不合理結果。
三、以統計量或模型填補
- 平均數、中位數或眾數填補：數值欄位常用平均數或中位數；類別欄位常用眾數。
- 適用情境：缺漏比例不高，且需要快速建立完整資料；偏態分布或含離群值的數值欄位較適合用中位數。
- 優點：操作簡單，可保留資料列；中位數對離群值較不敏感。
- 缺點：填補值集中於單一數值，會低估變異；也可能扭曲變數間的關係。若缺漏機制與資料本身相關，偏誤仍會存在。