想像一下，當你走進銀行申請房貸，行員連看都沒看你的薪資證明，電腦就直接跳出「拒絕受理」。或者，當你走在街頭，只因為你的購物習慣、居住區域或社群網站的按讚紀錄，警政系統就自動將你標記為「潛在犯罪高風險對象」。
&nbsp;
這不是科幻電影的劇情，而是正在上演的現實。2023 年英國政府整合了警政資料，想要打造一個可預測殺人犯罪的系統，卻被指控訓練資料有種族偏見。2024 年阿根廷政府導入 AI 系統，串聯歷史犯罪資料、CCTV 監視器畫面、社群媒體等資料，遭人權組織揭露這是鎖定記者與社運分子的工具。
&nbsp;
當你的個資不再屬於你，而是被用來餵養演算法，這種「還沒開口就被決定」的恐懼，背後其實有一套運作精密的機制，法律上稱之為——「剖繪」（profiling）。
&nbsp;
「資料碎片」將成為你的另一個「分身」
根據歐盟一般資料保護規則（General Data Protection Regulation, GDPR），「剖繪」被定義為以自動化方式處理個人資料，並據此來評估自然人的個人特徵，包含其工作表現、經濟狀況、健康、個人偏好、興趣、可信度、行為等。為什麼有人覺得剖繪是個好東西呢？我們得先承認一件事：這項技術最初其實是為了讓我們生活變得更美好，提升效率以及精準推薦。
&nbsp;
剖繪在技術上是如何做到的？國立臺灣科技大學專利研究所李姿儀助理教授解釋，剖繪從資料碎片到預測主體，主要可拆解為三個過程：資料匯集（data aggregation）、模式辨識（pattern recognition）與預測性決策（predictive decision）。
&nbsp;
首先是「資料匯集」：想像你每天滑社群媒體、網路購物、傳訊息，甚至配戴智慧手錶運動，這些行為都會留下「數位足跡」。數位平臺等相關資料庫會搜集 these 數位足跡，進行交叉比對，為個人打造一個跨來源的「數位分身」。
&nbsp;
接著進入「模式辨識」：演算法會從成千上萬的歷史資料中，找出規律。它不一定具備因果關係，而是基於一種「相似者命運相似」的假設，直接把人歸類到某個特定群體中，並根據這個群體的過去表現來打分數。
&nbsp;
最後是「預測性決策」：前述統計而來的分數，將會轉換成具體決定。無論是申請貸款、買保險的費率，甚至是警察會不會盯上你、影響出入境審查等，演算法將根據它的預測，來決定你的待遇。
&nbsp;
如果步驟如此嚴謹，為什麼會不客觀？
問題的核心在於：演算法學習的，是「過去的世界」。
&nbsp;
既然剖繪是從「歷史數據」中抓規律，如果過去的世界本來就存在偏見，演算法學到的就會是偏見的合集。李姿儀助理教授提醒，最關鍵的風險在於「未審先判」——個人明明還沒做任何事，就因為演算法得出的可能性，而得先承擔不利的後果。
&nbsp;
<div class="py-6">
<div class="jsx-3968805167 flex justify-center -mx-2">
<div class="jsx-3968805167 px-2">
<div class="jsx-3968805167 relative overflow-hidden"><img decoding="async" class="jsx-3968805167" src="https://www.charmingscitech.nat.gov.tw/backend/wp-content/uploads/2026/06/9-4內文圖：670x460-1.jpg" />
<div class="jsx-3968805167 absolute w-full left-0 bottom-0 p-4 text-white text-[13px]" style="background: rgba(0, 0, 0, 0.66); display: block; line-height: normal;">資料碎片到預測主體，剖繪的運作機制主要可拆解為三個過程：資料匯集、模式辨識與預測性決策。</div>
</div>
</div>
</div>
</div>
&nbsp;
演算法比人類更客觀？
國立臺北大學法律學系黃泰然助理教授職位認為，是否採用使用者剖繪技術，仍要回歸到我們對「一個理想社會的想象是什麼」。他強調，如果我們追求的是一個平等的社會，那麼個人待遇不應受其家庭背景或種族身份所左右。
&nbsp;
你也許會想，要達成完全的平等，基於數據統計的演算法，應該比主觀偏頗的人類來得客觀吧？實際上並不然。
&nbsp;
他舉例，美國部分州和地方的法院自 2012 年起在量刑程序中，使用一個名為 COMPAS 的演算法作為參考依據，用以評估被告獲釋後的再犯率，而這套系統產出的風險評估，影響了法官對刑期的裁決。然而在 2016 年時，非營利新聞組織 ProPublica 批判演算法對黑人被告存在顯著的偏誤：黑人被告被錯誤判定為高風險的機率顯著高於白人，而白人則更容易被誤判為低風險。
&nbsp;
面對外界的質疑，開發 COMPAS 的公司則出面反駁，聲稱其評分是公平的，其預測準確率在黑人與白人族群間具有一致性（約 60%），而且變數設定已排除種族因素。那麼，問題到底出在哪裡呢？
&nbsp;
黃泰然助理教授借用疫情期間的「偽陽性」概念來釐清，在最終並未再犯的群體中，正如 ProPublica 發現的，黑人被錯誤歸類為中高風險（偽陽性）的機率大約是白人的兩倍。你可能會問：既然沒看種族膚色，演算法是怎麼錯誤歸類「抓」到黑人的？答案是透過「代理變數」（proxy variables）。雖然系統沒問你的種族，但可能透過「居住地區」這個變數，在某些社會背景下，住在哪個社區往往就反映了你的族裔。演算法繞了一個圈，還是把偏見給抓了進來。
&nbsp;
這項發現揭示了，就算整體準確率一致，但是如果「錯誤」總是發生在特定的人身上，這就是系統性的不公。
&nbsp;
黃泰然助理教授指出，演算法或 AI 的導入，固然可能提升行政效率，但是，一套存在偏誤的演算法所帶來的傷害，可能比一個恐龍法官所做成的判決，更難被反轉與修正。
&nbsp;
過度剖繪讓「你」不屬於你自己
「剖繪表面上以資料客觀性取代人類主觀偏見，實則將人從主體（subject）降格為資料客體（data object），簡化為資料呈現中的一個點。」
&nbsp;
李姿儀助理教授犀利剖析，傳統隱私與個資法以「個人」為保護單位，但剖繪的真正運作單位是「群體」。演算法不是因為「你是誰」而對你做出判斷，而是因為「你跟哪群人很相似」而判斷你。這就是為什麼你的自主權被「偷走」了，因為你甚至沒有機會展現你的獨特性，就被歸類了。她指出，剖繪的根本問題，在於將專業判斷的權力，讓渡給統計數字，讓演算法取代警察對個案之觀察、社工對家庭動態之理解、法官對犯罪情狀之評價。
&nbsp;
這將對公民身份帶來三大危機：
1. 從「無罪推定」變成「風險推定」：若變成「如果你的數據看起來有風險，你要自己證明你沒問題」。法律的底線被翻轉了，你必須為了自己沒做過的事，向機器自證清白。
2. 你的「數位分身」不由你管：用你的資料所拼湊出的數位分身，權力掌握在科技巨頭或政府手中。
3. 無形的「寒蟬效應」：當你知道自己隨時會被評分、被監控，你還敢隨意發聲嗎？當每個人都因為害怕被扣分而開始「自我審查」，社會就會失去多元與活力。
&nbsp;
演算法並非誕生於一個超出社會現實、真空中立的世界，而是在一個已然不平等的世界中接受訓練。因此，其輸出必然不會是社會的客觀映照，而是將歷史中的不正義衍生至數位空間。
&nbsp;
<div class="py-6">
<div class="jsx-3968805167 flex justify-center -mx-2">
<div class="jsx-3968805167 px-2">
<div class="jsx-3968805167 relative overflow-hidden"><img decoding="async" class="jsx-3968805167" src="https://www.charmingscitech.nat.gov.tw/backend/wp-content/uploads/2026/06/9-5內文圖：670x460-2.jpg" />
<div class="jsx-3968805167 absolute w-full left-0 bottom-0 p-4 text-white text-[13px]" style="background: rgba(0, 0, 0, 0.66); display: block; line-height: normal;">剖繪將個人數位足跡拼凑成的數位分身，最可怕的風險在於「未審先判」。</div>
</div>
</div>
</div>
</div>
&nbsp;
法律作為守住公民權益的防護盾
從法律層面，應該如何在剖繪風險下，守護倫理與安全的防線？
&nbsp;
李姿儀助理教授建議，臺灣在治理上可借鏡歐盟《人工智慧法》的風險分級架構與歐洲評議會的報告，依據三階段進行規範。
&nbsp;
首先，在資料蒐集與模型訓練階段，就應進行事前防範。剖繪行為必須恪守目的限制與資料最小化原則，敏感資料如健康、生物特徵、政治與宗教傾向等原則上應禁止被使用。針對模型訓練，也要建立偏差檢測、緩解基準和追溯稽核機制，高風險系統也需登記列管。
&nbsp;
其次，在決策產出的階段，該決策所運用的 AI 模型有義務揭露其運作機制，並解釋決策背後的邏輯。法律上，要明定人為介入權、表達意見權與異議權，才可以在風險事件發生前及時踩下煞車。若不幸造成傷害，也要有妥善的申訴與救濟、補償或保險措施。
&nbsp;
最後，商業機密不是迴避藉口。若要將剖繪與 AI 導入行政程序，黃泰然助理教授也認同，其運作機制必須具備透明性與可解釋性，才有辦法讓人能信服所作出的決策。不過，如果碰到演算法或 AI 模型是商業機密的話，又該怎麼辦？
&nbsp;
黃泰然助理教授推薦可參考歐盟《人工智慧法》的做法：針對高風險且具有機密的 AI 或演算法，儘管不必向大眾公開，但仍應有條件的部分揭露。這包括向政府指定的技術專家委員會揭露技術細節，由專家進行合規性檢查與評估。唯有確認符合標準而且無重大風險後，該系統才能被允許部署與使用。
&nbsp;
不只是數位素養，更是公民素養
法律雖然打造了保護機制，但如果公民不知道自己有「不被標籤化」的權利，保護機制也會形同虛設。因此，兩位法律專家都不約而同地表示，數位時代下的公民，不應只具備操作 AI 工具的知識，更重要的是培養公民的「演算法素養」。
&nbsp;
李姿儀助理教授建議將「演算法公民素養」納入教育體制，從技術、政治哲學、政治經濟學的跨領域視角切入，從小就培養批判思考能力。具體來説，每個公民應理解 AI 如何牽動日常生活的自由、平等與民主公共審議，並有能力集體要求 AI 為平等和民主等價值服務，而非反其道而行。除了教導使用 AI，應先培養公民追問、要求、挑戰 AI 的能力。
&nbsp;
就像「能力越大，責任越大」的道理所言，黃泰然助理教授呼籲，主理公共資源分配責任的政府單位，在導入演算法與 AI 模型上應該更加審慎，同時不忘監督民間企業部署和使用 AI 的行為。尤其應鼓勵擁有充裕資源的大型企業，著手確保系統的透明性與可解釋性，履行社會責任，共同建立社會信任與技術規範。
&nbsp;
他直言，要守護剖繪影響下的公民權益，不僅僅涉及數位素養，更關乎整體的公民素養。作為公民，我們應積極參與公共事務，並對政府與相關企業的決策保持關注。每個人不能抱持著「自掃門前雪」的消極心態，而要在看見權益被侵害時，發聲倡議、凝聚眾人之力，才能避免每一個獨一無二的個體，被化約成扁平無力的資料標籤。
&nbsp;
（客座總編輯｜國立臺灣大學國家發展研究所劉靜怡特聘教授；研究顧問團隊｜國立臺灣科技大學專利研究所李姿儀助理教授、國立臺北大學法律學系黃泰然助理教授；責任編輯｜王喆宣、洪孟樊）