核心觀念

本題綜合考查：

1. 大數據與資料庫設計：異質資料整合、主題資料模型、資料品質、歷史資料保存。
2. 人工智慧應用治理：模型準確性、可解釋性、公平性、模型漂移及人工覆核。
3. 個人資料與資通安全治理：個人資料保護法、資通安全管理法、目的特定、資料最小化、權限控管及稽核追蹤。
4. 政府資訊系統績效管理：服務效能、案件處理品質、資安風險、民眾滿意度及持續改善。

法規說明以命題當年（民國 115 年）法規為準。解題時應特別注意：報案資料、諮詢紀錄、電話資料及犯罪紀錄均可能涉及個人資料；其中犯罪紀錄屬高度敏感資料，必須具備明確法定依據、特定目的及嚴格安全控制。

---

（一）應蒐集資料與資料庫設計重點

1. 應蒐集的資料

（1）詐騙案件與報案資料

包括：

• 案件編號、報案時間、案發時間、案發地點。
• 詐騙類型，如假投資、網路購物、假冒機關、解除分期付款、交友詐騙。
• 被害人年齡層、地區、受騙管道及損失金額。
• 詐騙話術、接觸平台、使用工具及嫌疑人特徵。
• 案件受理單位、承辦狀態、分案結果及偵辦進度。
• 報案附件的檔案雜湊值、檔案類型、上傳時間及保管紀錄。

被害人姓名、身分證字號、電話、地址、帳戶資料等，應依業務必要性蒐集，並採分離保存及遮罩顯示。

（2）165 諮詢與 AI 客服互動資料

包括：

• 諮詢時間、管道、匿名識別碼。
• 民眾輸入內容、客服回覆、對話意圖及分類結果。
• 民眾查詢的電話、網址、帳戶、社群帳號或關鍵字。
• AI 回覆是否被接受、是否轉接人工、是否轉為報案。
• 人工客服修正內容及轉接原因。
• 對話版本、模型版本及回覆所依據的知識庫版本。

原始對話可能含有個人資料，應建立去識別化版本供模型訓練及統計分析使用。

（3）詐騙網址與網路識別資料

包括：

• 完整網址、網域名稱、IP 位址、DNS 紀錄。
• 網址首次發現時間、最後確認時間及有效期限。
• 網址所屬類型、仿冒對象、惡意程度及風險分數。
• SSL 憑證、重新導向鏈結、網頁特徵及惡意程式分析結果。
• 來源機關、通報單位、驗證結果及處置狀態。
• 網址雜湊值與版本歷程。

網址不可只以文字欄位保存，應拆解網域、路徑、參數及關聯網路基礎設施，以利查詢與關聯分析。

（4）詐騙電話及通訊識別資料

包括：

• 電話號碼、來源國家、電信業者及號碼類型。
• 被通報次數、通報來源、使用時間區間及詐騙類型。
• 是否涉及群呼、變造來電顯示或人頭門號。
• 與案件、報案、諮詢紀錄的關聯。
• 號碼可信度、風險等級及處理結果。

電話號碼應採雜湊、遮罩或代碼化保存，只有具備業務必要性的授權人員才能查閱完整值。

（5）歷史案件與趨勢資料

包括：

• 歷年案件數、受害人數及財損金額。
• 案件類型、地區、時間、犯罪手法及涉案工具。
• 案件偵辦結果、移送結果及追回款項。
• 詐騙集團、帳戶、電話、網址、社群帳號與案件的關聯。
• 詐騙手法演變及關鍵事件時間軸。

歷史資料應保留資料版本及來源，不宜只保存彙總數字，否則無法追溯分析結果。

（6）跨機關通報資料

包括：

• 通報機關、通報時間、通報類型及案件識別碼。
• 金融機構警示帳戶、異常交易及攔阻結果。
• 電信業者門號、簡訊及通聯風險資訊。
• 其他政府機關的網站、帳戶、廣告及平台通報。
• 通報處理狀態、回覆期限及聯防結果。

跨機關資料交換應採標準格式、明確交換目的及可追蹤的交換紀錄。

---

2. 資料庫設計重點

（1）採分層架構

建議採用下列資料架構：

1. 來源層：保存各機關及各系統傳入的原始資料。
2. 整合層：進行格式統一、欄位標準化、去重及資料關聯。
3. 主題資料層：提供案件、網址、電話、帳戶、諮詢及通報等主題查詢。
4. 分析層：建立資料倉儲、資料集市、特徵庫及模型輸入資料。
5. 服務層：提供民眾查詢、165 客服、警察內部查詢及儀錶板服務。

原始資料與清理後資料應分開保存，避免清理錯誤破壞證據及追溯能力。

（2）建立核心實體與關聯

核心實體可包括：

• Case：案件。
• Victim：被害人。
• Report：報案。
• Consultation：165 諮詢。
• PhoneIndicator：詐騙電話。
• UrlIndicator：詐騙網址。
• AccountIndicator：可疑帳戶。
• Notification：跨機關通報。
• Organization：來源機關。
• ModelDecision：AI 判斷結果。
• AuditLog：查詢及異動稽核紀錄。

網址、電話、帳戶及社群帳號可能同時出現在多個案件中，因此宜採多對多關聯表，不宜直接將所有資料塞在案件單一資料表內。

（3）建立主資料與識別碼

應建立：

• 統一案件識別碼。
• 統一通報識別碼。
• 網址標準化識別碼。
• 電話及帳戶的代碼化識別碼。
• 機關、地區、詐騙類型及案件狀態的標準代碼。

網址須處理大小寫、尾端斜線、編碼、重新導向及參數差異；電話須統一國碼、區碼及格式，避免同一對象被視為多筆資料。

（4）設計資料品質欄位

每筆資料至少應具備：

• 資料來源。
• 建立時間與更新時間。
• 資料擁有者。
• 資料品質等級。
• 驗證狀態。
• 版本號。
• 保存期限。
• 使用限制。
• 是否含個人資料。
• 是否允許提供民眾查詢。

資料品質可用下列面向衡量：

• 正確性。
• 完整性。
• 一致性。
• 即時性。
• 唯一性。
• 可追溯性。

（5）支援即時查詢與歷史分析

民眾查詢網址或電話時，須重視低延遲及高可用性；趨勢分析則需要時間序列、地理資料及歷史版本。因此可採：

• 交易資料庫處理報案與案件異動。
• 搜尋引擎處理網址、電話及關鍵字查詢。
• 資料倉儲處理統計分析。
• 圖資料庫分析電話、網址、帳戶與案件的關聯網路。
• 快取機制提供高頻查詢。

（6）確保證據完整性

案件及通報資料應具備：

• 原始檔案唯讀保存。
• 檔案雜湊值。
• 版本控制。
• 操作人員及操作時間。
• 異動前後值。
• 匯入、匯出及刪除紀錄。

此設計可避免資料遭竄改後無法判斷責任及證據來源。

---

（二）資料治理設計策略與治理品質對機關風險的影響

1. 資料治理的基本架構

資料治理不是單純的資料庫管理，而是將「制度、責任、流程、技術及稽核」整合起來，使資料具備可用性、可信賴性及合法性。

可採「資料生命週期治理」：

$$蒐集 \rightarrow 分類 \rightarrow 儲存 \rightarrow 使用 \rightarrow 分享 \rightarrow 保存 \rightarrow 銷毀$$

各階段均應有明確規則及責任人員。

---

2. 法規與合法性治理

以命題當年（民國 115 年）法規為準，主要應依循：

• 個人資料保護法。
• 資通安全管理法。
• 個人資料保護法施行細則。
• 政府資訊公開及機關檔案保存相關規範。
• 警察機關內部資料管理、案件保密及資通安全規範。

治理重點如下：

（1）目的特定

資料蒐集目的應明確，例如：

• 防制及查緝詐欺犯罪。
• 受理及分流民眾報案。
• 提供詐騙警示與諮詢。
• 進行犯罪趨勢分析及警政決策。

不得因系統建置後資料集中，就無限制擴大使用範圍。

（2）資料最小化

只蒐集完成業務所必要的資料。民眾進行一般網址查詢時，不應要求姓名、身分證字號及完整住址。

（3）合法利用與權限分級

應區分：

• 民眾可查詢的公開警示資訊。
• 165 客服可使用的諮詢資料。
• 警察內部案件資料。
• 僅限偵查及司法程序使用的敏感資料。

資料使用須具備業務目的、授權角色及查詢紀錄。

（4）當事人權利與透明性

對民眾應說明資料蒐集目的、利用方式、保存期限及權利行使管道。對於 AI 客服，應告知其為自動化輔助服務，重要案件不得僅由 AI 作成不利於民眾的決定。

---

3. 資料分類分級

可依敏感程度分為：

• 公開資料：已確認的詐騙警示網址、一般性防詐宣導資訊。
• 內部資料：統計報表、案件趨勢及客服營運資料。
• 機敏資料：報案內容、電話、帳戶、被害人資料。
• 高度敏感資料：犯罪紀錄、偵查資料、個人金融資料及未公開案件資訊。

不同等級應配置不同的：

• 存取權限。
• 加密方式。
• 保存期限。
• 匯出限制。
• 稽核頻率。
• 脫敏要求。

---

4. 資料品質治理

應建立資料品質規則，例如：

【核心觀念】

本題考查三項核心：

1. **數位憑證皮夾（Digital Credential Wallet）**的功能與角色。
2. **選擇性揭露（Selective Disclosure）**如何落實資料最小化與資訊自主。
3. 政府導入時的兩大管理面向：

• 系統互通性
• 民眾信任與治理

涉及法理，以命題當年（民國115年）法規為準，主要包括《個人資料保護法》所要求的特定目的、必要範圍、資料最小化、安全維護及當事人權利保障，以及憲法法庭釋字第603號所揭示的資訊自決權精神；涉及數位簽章及電子文件效力時，並應注意《電子簽章法》的規範。

---

【解題方法】

本題宜採「定義—運作機制—效益與限制—管理議題」的架構：

• 第一小題先說明數位憑證皮夾的本質，再以「發證者、持有者、驗證者」三方關係解釋運作流程。
• 接著以具體例子說明選擇性揭露，例如證明「年滿18歲」，不必揭露完整出生年月日。
• 第二小題分別從技術治理與信任治理切入，說明政府必須同時處理標準、資安、法遵、服務不中斷及民眾接受度等問題。

---

【一、數位憑證皮夾的基本概念】

（一）定義

數位憑證皮夾是由民眾控制的數位工具，可用於：

• 儲存政府或民間機構核發的數位憑證；
• 管理個人身分、資格、證照、福利資格等數位聲明；
• 依不同服務需求，向驗證者提出必要的證明；
• 由憑證持有人自行決定是否揭露、揭露哪些資料及揭露給誰。

其本質不是單純的電子文件儲存空間，而是結合：

• 數位身分；
• 可驗證憑證；
• 數位簽章；
• 使用者同意管理；
• 憑證驗證、更新及撤銷機制；

所形成的個人資料自主控制工具。

（二）主要參與角色

數位憑證皮夾通常涉及三類角色：

1. 發證者（Issuer） 例如政府機關、學校、醫療機構或金融機構，負責核發數位憑證。

2. 持有者（Holder） 通常為民眾，將憑證保存於自己的皮夾中，並決定何時提出證明。

3. 驗證者（Verifier） 例如警察機關、醫療院所、學校或業者，依憑證內容判斷某項資格是否成立。

基本流程如下：

$$\text{發證者核發憑證} \rightarrow \text{持有者保存及管理} \rightarrow \text{驗證者提出需求} \rightarrow \text{持有者同意揭露} \rightarrow \text{驗證憑證真偽及有效性}$$

驗證者應確認憑證是否由可信任的發證者核發、是否遭到竄改、是否仍在有效期限內，以及是否已被撤銷。

---

【選擇性揭露機制與個資風險降低】

（一）選擇性揭露的意義

選擇性揭露是指憑證持有人只提供完成特定交易所必要的資料，而不是將整份憑證或全部個人資料交給驗證者。

例如，民眾要證明自己已滿18歲：

• 傳統作法可能要求出示身分證，驗證者因而取得姓名、身分證字號、出生年月日及照片等資料。
• 選擇性揭露只提供「年滿18歲」的驗證結果，不揭露完整出生年月日及身分證字號。

其核心原則為：

$$\text{揭露資料量} = \text{完成特定目的所必要的最小資料量}$$

（二）降低個資風險的方式

1. 落實資料最小化

驗證者只能取得完成服務所必要的欄位，減少不必要資料被蒐集、保存及後續利用的機會。

例如，購買酒類只需確認年齡資格，不需要知道消費者的完整生日或身分證字號。

2. 降低資料外洩損害

若驗證者資料庫遭入侵，所保存的資料量較少，個人資料外洩造成的損害也會降低。

完整身分資料若集中於多個業者，容易形成高價值攻擊目標；選擇性揭露可減少各服務機關持有完整身分資料的必要性。

3. 減少跨服務串聯與追蹤

若每次交易都揭露相同的身分識別碼，業者可能據此串聯不同服務紀錄，形成使用者行為追蹤。

選擇性揭露可搭配交易特定識別碼、不可連結識別碼或一次性驗證資訊，使不同服務間較難直接建立完整行為軌跡。

4. 以密碼學證明取代完整資料交付

數位憑證可由發證者以數位簽章保證內容真實，驗證者只需驗證該項聲明是否成立。

在較進階的作法中，亦可搭配零知識證明，讓持有人證明「符合某一條件」，但不必揭露形成該條件的全部原始資料。

例如：

$$\text{證明出生日期符合年滿18歲} \neq \text{揭露完整出生年月日}$$

（三）選擇性揭露並非絕對安全

選擇性揭露雖可降低風險，但不能消除所有風險，仍須注意：

• 驗證者可能要求超出必要範圍的資料；
• 不同交易資料仍可能透過時間、地點、裝置或交易紀錄被交叉比對；
• 皮夾遭竊、手機遭入侵或備份金鑰外洩，可能造成憑證被冒用；
• 憑證撤銷、更新及遺失補發機制不足時，可能產生冒用問題；
• 民眾若無法理解同意畫面，形式上的同意未必等於實質自主。

因此，選擇性揭露必須搭配資料治理、權限控管、透明告知、撤銷機制及資安防護，才能真正降低個資風險。

---

【二、系統互通性的管理議題】

（一）採用共同標準及開放介面

政府各機關若各自建立封閉系統，容易產生資料格式不同、驗證方式不同及重複開發等問題。

因此應建立共同標準，包括：

• 憑證資料格式；
• 數位簽章與加密演算法；
• 身分識別及驗證流程；
• 憑證有效期限及撤銷格式；
• API及交換協定；
• 錯誤處理與紀錄格式。

系統設計應避免將特定廠商或單一平台作為唯一依賴，以維持長期擴充性及市場競爭。

（二）確保不同機關及民間服務可互通

數位憑證皮夾的價值在於能跨機關、跨平台及跨服務使用。因此應處理：

• 中央與地方機關間的驗證互認；
• 政府與民間業者間的憑證信任鏈；
• 不同作業系統及裝置的相容性；
• 線上與臨櫃服務的銜接；
• 國內與國際標準的接軌。

互通性不應只停留在「資料能傳送」，還應包括語意一致、驗證結果一致及責任歸屬清楚。

（三）建立憑證生命週期管理

憑證從核發到失效，應有完整管理流程：

第三題詳解

一、核心觀念

本題綜合考查四項資訊管理主題：

1. 人工智慧與流程再造（Business Process Reengineering, BPR）
2. 人工智慧驅動之數位轉型
3. AI 素養、數位落差與人工智慧倫理
4. AI 應用治理、風險管理與責任歸屬

涉及法規部分，應以命題當年（民國 115 年）法規為準，核心法源為《人工智慧基本法》。答題時應掌握其基本精神，包括：

• 以人為本與人類自主
• 保障基本權利與尊嚴
• 公平性與不歧視
• 隱私及個人資料保護
• 安全、可靠與資安
• 透明、可解釋性與可追溯性
• 問責與責任歸屬
• 促進創新、人才培育與永續發展

本題不是單純說明 AI 技術，而是要求從資訊管理觀點，分析「技術導入—組織流程—人員能力—風險治理」之完整關係。

---

二、解題方法

本題適合採用「效益、流程、人員、風險、治理」五層架構：

1. 先說明 AI 對組織流程與數位轉型的影響。
2. 再分析導入 AI 所產生的管理挑戰。
3. 接著以警政機關為例，說明 AI 素養與倫理教育的落實方式。
4. 最後選擇一項具體應用，例如 AI 機器人執行災害防救，分別說明：

• 預期效益
• 潛在風險
• 治理對策

5. 全文以「人類監督、風險分級、資料治理、責任追蹤」作為主軸，即可完整回應題意。

---

（一）人工智慧促成組織流程再造與數位轉型及其管理挑戰

1. AI 導入與組織流程再造

傳統流程通常以人工處理、紙本傳遞、層層核准為主；導入 AI 後，組織可重新檢視工作流程，將重複性、規則性及大量資料處理工作交由系統執行，並重新分配人員角色。

其促成流程再造的方式如下：

（1）流程自動化

AI 可結合機器學習、自然語言處理、影像辨識與流程自動化技術，執行：

• 文件分類與內容擷取
• 案件分流及優先順序判定
• 表單審核與資料比對
• 語音轉文字
• 影像監控與異常辨識
• 常見民眾問題之智能回覆

如此可縮短作業時間，降低人工輸入錯誤，並減少人員處理低價值、重複性工作。

（2）決策流程智慧化

AI 能整合歷史資料、即時資料與外部資料，提供趨勢分析、風險預警與資源配置建議。例如警政機關可利用犯罪熱點分析、勤務量預測及事件關聯分析，協助主管進行警力部署。

但 AI 產生的是「決策輔助結果」，不是當然具有法律效力的行政決定。涉及人民權利義務之事項，仍應由具權責之人員審查及決定。

（3）跨機關資料整合

AI 的效益取決於資料的完整性與可用性。組織可透過資料標準化、介接平台及主資料管理，整合不同單位的資料，減少重複建檔與資料孤島。

例如警政、消防、交通及災防單位若能在合法授權範圍內共享事件資訊，可提升聯合應變效率。

（4）服務流程個人化

AI 可依據民眾需求、案件類型與服務紀錄，提供分眾化服務，例如：

• 自動引導民眾辦理線上申請
• 依案件性質提供適用程序說明
• 提供多語言及無障礙服務
• 預先提醒應備文件及辦理期限

此種服務模式可由「民眾主動詢問」轉為「政府主動協助」。

（5）組織結構與工作角色改變

AI 導入後，工作內容將由單純資料處理，轉向：

• AI 系統監督
• 資料品質管理
• 模型結果審查
• 異常案件處理
• 法遵與倫理管理
• 跨域協作及政策判斷

因此，流程再造不是單純購買軟體，而是同時改變制度、權責、工作方法與績效衡量方式。

---

2. AI 驅動數位轉型的層次

AI 導入可分為三個層次：

第一層：作業數位化

將紙本資料、人工紀錄及傳統表單轉為數位資料，建立可搜尋、可交換、可分析的資訊基礎。

第二層：流程數位化

透過系統介接、自動化與電子簽核，重新設計案件處理流程，降低人工作業與部門間的等待時間。

第三層：組織與服務轉型

運用 AI 進行預測分析、智慧決策及主動服務，改變組織運作模式與公共服務方式。

因此，AI 是數位轉型的重要引擎，但必須建立在資料治理、資訊架構、資安及人員能力之上。

---

3. 導入 AI 的管理挑戰

（1）策略與投資效益不明

若僅追求「使用 AI」而未釐清業務問題，容易形成展示性建置。機關應先確認服務目標、效益指標、成本及風險，再決定導入範圍。

可採用下列衡量指標：

• 案件處理時間降低幅度
• 人工作業錯誤率降低幅度
• 民眾服務滿意度
• 系統使用率
• 預測準確度
• 資源節省金額
• 資安事件與申訴件數

（2）資料品質與資料治理

AI 的輸出品質受訓練資料影響。若資料不完整、過時、重複或含有偏誤，AI 結果也會失真。

機關應建立：

• 資料分類與分級制度
• 資料品質標準
• 資料來源及使用目的紀錄
• 存取權限控管
• 資料保存期限
• 資料刪除與更正機制
• 模型訓練資料之版本管理

（3）偏誤與歧視

若歷史資料反映既有社會偏見，模型可能對特定地區、族群、性別或年齡產生不公平結果。公共機關使用 AI 時，應進行公平性測試，並保留人工覆核與申訴管道。

（4）透明性與可解釋性

人民有權理解影響自身權益之重要行政決定。機關至少應說明：

• 使用何種 AI 系統
• 系統處理哪些資料
• 輸出結果的用途
• 由誰負責審查
• 人民如何提出異議或申訴

涉及高度風險之應用，不宜只以「系統判定」作為充分理由。

（5）資安與供應鏈風險

AI 系統可能遭受資料外洩、模型竄改、提示注入、對抗樣本攻擊及未授權存取。若採購外部服務，亦涉及雲端供應商、模型開發商及資料處理商之責任分配。

應透過加密、權限控管、弱點掃描、日誌保存、備援及供應商稽核降低風險。

（6）人員抗拒與組織文化

AI 導入常造成工作角色變化及失業疑慮。機關應透過教育訓練、工作重新設計及參與式導入，使人員理解 AI 是輔助工具，而不是毫無監督的替代者。

（7）責任歸屬不清

AI 發生錯誤時，不得將責任推給「系統自行判斷」。機關應事先明定：

• 業務承辦人責任
• 主管審核責任
• 系統管理者責任
• 模型開發及維護廠商責任
• 異常事件通報及追蹤機制

---

（二）警政機關提升 AI 素養與倫理教育之作法

1. AI 素養的內涵

警政人員的 AI 素養不只是會操作生成式 AI，而是包括：

1. 理解 AI 的基本原理與限制。
2. 能判斷資料品質及模型輸出可信度。
3. 能正確使用 AI 工具處理勤務及行政工作。
4. 能辨識偏誤、幻覺、深偽內容與錯誤資訊。
5. 能遵守個人資料、機密資料及資安規範。
6. 能理解 AI 使用對人民權利所產生的影響。
7. 知道何時必須停止自動化並交由人員判斷。

---

2. 依人員職務分級培訓

警政機關應採取分層、分級及分工的培訓制度。

（1）全體人員：基礎 AI 素養

內容包括：

• AI 基本概念
• 生成式 AI 的使用方式與限制
• 個人資料及機密資料保護
• 資安風險與社交工程
• 深偽影像、假訊息與錯誤資訊辨識
• AI 輸出之查證責任

（2）第一線員警：勤務應用與人權保障

內容包括：

• AI 警政系統的正確操作
• AI 預警結果之人工查證
• 執法過程中的比例原則與必要性
• 對人民說明 AI 使用情形
• 避免依賴模型進行刻板印象式判斷
• 重大勤務中之人工接管與緊急停用

（3）主管人員：治理與責任管理

內容包括：

• AI 導入評估
• 風險分級
• 績效與公平性指標
• 異常事件處理
• 供應商管理
• 權責分工與行政責任

（4）資訊及專業人員：技術與法遵

內容包括：

• 模型驗證及效能測試
• 資料治理
• 演算法偏誤檢測
• 資安防護
• 系統稽核與日誌追蹤
• 模型更新及版本管理
• 個人資料保護與政府資訊公開相關規範

---

3. 建立 AI 倫理教育內容

依《人工智慧基本法》精神，應特別強調下列倫理原則：

（1）人類監督

AI 僅提供建議，重要執法、勤務分派及影響人民權益之事項，應由具權責人員作成最終判斷。

一、核心觀念

本題結合「生成式人工智慧治理」、「資訊倫理」、「個人資料保護」與「警察機關科技偵防」四大主題，重點不在於單純說明 AI 技術，而在於分析科技濫用所造成的權利侵害，並提出警察機關導入 AI 系統時的治理與控制機制。

以命題當年（民國 115 年）法規為準，主要法理依據包括：

1. 個人資料保護法：個人資料蒐集、處理及利用，應符合特定目的、必要範圍、正當性與安全維護要求。
2. 憲法及司法院釋字第 603 號解釋所確立的資訊隱私權：人民對於何時、以何種方式、在何種範圍內被蒐集、處理及利用個人資料，享有一定的自主控制權。
3. 刑法及相關特別刑法：深偽影像、冒名詐欺、妨害名譽、妨害秘密、散布不實資訊、恐嚇及詐欺等行為，可能構成犯罪。
4. 通訊保障及監察法、警察職權行使法及刑事訴訟法：警察運用科技蒐證、調查及監控時，仍須遵守法律保留、令狀、比例原則、正當法律程序及證據能力要求。
5. 資通安全管理法及相關資安規範：涉及政府機關資訊系統時，應落實資安治理、風險管理、存取控制、事件通報及營運持續。
6. 人工智慧基本法及相關 AI 治理原則：應重視人類自主、透明、可問責、公平、安全、隱私保護及風險分級管理。

本題可用「問題辨識—倫理分析—系統治理—配套控管」四層架構作答。

---

二、AI 濫用行為及其衍生的資訊倫理爭議

（一）深偽影像所造成的問題

深偽影像係利用深度學習技術，將特定人物的臉部、身體、聲音或動作合成至其他影像中，使觀看者誤以為是真實事件。

其主要問題如下：

1. 人格權、肖像權及名譽權侵害

未經同意將他人影像製作成不實內容，可能造成名譽受損、社會評價降低、職業及家庭關係受影響。

2. 性影像及隱私侵害

將特定人物合成至色情或私密影像，會造成嚴重的性隱私侵害，並可能涉及性影像散布、妨害秘密及其他刑事責任。

3. 資訊真實性遭破壞

深偽內容降低影像作為證據及公共溝通工具的可信度，使社會產生「任何影像都可能是假的」之懷疑，形成所謂的「說謊者紅利」。

4. 政治及公共安全風險

偽造候選人、政府官員或警察機關之談話與行動，可能引發選舉操弄、群眾恐慌、金融市場異常或治安事件。

5. 司法及警察蒐證風險

若辦案人員未確認影像來源、雜湊值、時間戳記及保存鏈，可能誤將生成或變造影像當作真實證據，影響案件認定及人民權利。

（二）AI 變聲所造成的問題

AI 變聲可以利用少量語音樣本模擬特定人物的聲音，其主要風險包括：

1. 冒名詐欺及社交工程

犯罪者可模擬親友、主管、警察、檢察官或金融機構人員聲音，要求被害人匯款、提供驗證碼或交付個人資料。

2. 聲紋及生物辨識資料風險

聲音可能具有識別特定個人的功能，若被不當蒐集、分析、建立聲紋資料庫，可能侵害個人資訊自主權。

3. 通訊可信度下降

民眾無法僅憑聲音判斷通話對象，政府機關、金融機構及警察機關的電話聯繫均須增加身分驗證程序。

4. 誣陷及名譽侵害

透過變聲製造威脅、承認犯罪、散布不當言論或偽造指示，可能導致無辜者遭受刑事追訴、社會排斥或職業損害。

5. 證據真實性爭議

語音檔案可能經過剪輯、拼接、變聲或生成，若缺乏原始檔、錄音設備資訊及完整保存紀錄，證明力即受到影響。

（三）個資拼圖所造成的問題

個資拼圖是指將姓名、電話、地址、社群帳號、位置資訊、消費紀錄、臉部影像、聲音、職業及人際關係等分散資料加以交叉比對，逐步推知特定個人的完整身分與生活樣態。

其問題包括：

1. 去識別化失效

單一資料看似不具識別性，但與其他資料交叉比對後，仍可能重新識別特定個人。

2. 超出特定目的利用

原本為購物、交通、醫療或社群服務蒐集的資料，若被轉作治安監控、人物評分或犯罪預測，可能違反目的特定及必要性原則。

3. 個人行為遭過度剖析

AI 可依位置、通聯、消費及社交資料推論個人的宗教、政治傾向、健康狀況、性取向、經濟能力或人際關係，造成高度隱私侵害。

4. 錯誤關聯及標籤化

系統可能將同名者、共同出現者或單純地理接近者錯誤連結，形成錯誤嫌疑標籤，導致差別待遇或不當偵查。

5. 資料不對稱及權力失衡

民眾通常不知道資料如何被蒐集、分析及共享，卻難以要求更正、刪除或停止利用，容易形成政府、平台與人民之間的權力不對等。

---

三、核心資訊倫理爭議

（一）隱私權與資訊自主權

AI 系統可大量蒐集、長期保存並交叉分析個人資料，人民可能在不知情、未同意或無法拒絕的情況下遭到持續監測。警察機關須區分：

• 為特定案件依法蒐集的資料；
• 為一般治安分析所蒐集的資料；
• 為模型訓練或系統測試所使用的資料。

不同目的不得任意混用，且應採取資料最小化原則。

（二）安全與自由的平衡

AI 有助於快速偵測詐欺、深偽、兒少剝削及網路犯罪，但「提升治安」不能成為無限擴張監控的理由。應依必要性及比例原則判斷：

1. 是否有明確法律依據；
2. 是否具有具體公共利益；
3. 是否為達成目的所必要；
4. 是否存在侵害較小的替代方法；
5. 對人民權利造成的損害是否與公共利益相當。

（三）演算法偏見與歧視

AI 模型若以偏差資料訓練，可能對特定地區、族群、年齡、性別或社會階層產生較高誤判率。例如，以歷史報案資料預測犯罪熱點，可能因過去執法密度不同而將特定社區持續標籤為高風險地區。

因此，模型輸出不得直接等同於犯罪事實，也不得僅依 AI 分數對人民採取不利措施。

（四）透明性與可解釋性

人民應知道警察機關是否使用 AI、使用何種資料、分析目的為何，以及 AI 結果是否影響其權利。若系統屬於高風險應用，至少應保存：

• 使用的資料來源；
• 模型版本；
• 分析時間；
• 操作人員；
• 輸入資料及輸出結果；
• 人工覆核及決策理由。

（五）責任歸屬

AI 不是法律責任主體。若模型誤判、資料外洩或造成違法拘提、錯誤搜索，仍應由負責設計、採購、管理、操作及決策之機關與人員依法負責，不能以「系統判定」作為卸責理由。

（六）資料正確性與被遺忘權

錯誤或過時資料若持續存在，可能使人民長期遭受錯誤標籤。系統應提供資料更正、異議、重新審查及適當刪除或封存機制，並限制不必要的永久保存。

---

四、警察機關導入 AI 通報、偵測與案件管理系統之作業規範

（一）建立明確的法源及使用目的

系統上線前應完成法規及權限盤點，明確記載：

1. 建置目的及預定使用情境；
2. 蒐集與處理的資料種類；
3. 資料來源及合法性；
4. 使用機關與使用人員；
5. 保存期間及刪除方式；
6. 資料是否提供其他機關或委外廠商；
7. AI 結果是否會影響人民權利。

不得以「提升效率」作為概括授權，將系統任意擴張至與原定目的無關的監控或人物評分。

（二）實施資料保護及影響評估

對涉及臉部辨識、聲紋分析、位置追蹤、社群資料、犯罪紀錄或跨機關資料整合的系統，應進行個人資料保護影響評估及資通安全風險評估，分析：

• 資料蒐集是否合法且必要；
• 是否存在重新識別風險；
• AI 誤判可能造成的損害；
• 對弱勢群體是否有不成比例影響；
• 是否有較低侵害性的替代方案；
• 發生錯誤或外洩時的補救方式。