數位治理、隱私與永續
題面來自台大官方試卷；解析與逐項自評標準（rubric）為本站依已複查來源整理的非官方內容，策略申論容許有條件且有證據的替代論點。
考古題證據邊界： 考古題只證明此範圍曾出現；題面均為申論或開放題，答案非官方，課程練習採 rubric self-review，絕不進自動計分或完整模擬考。
第一次接觸也沒關係
這堂先懂這些詞
先記住白話意思，不必急著背英文。看到正文時，再把正式名稱接回來。
資料最小化／目的限制
也會看到：data minimization、purpose limitation只收完成明確目的所需的最少資料，且不任意拿去做原先未說明的用途。
- 生活例子：
- 門禁只需確認住戶資格，不必保存每次臉部影像。
- 別搞混：
- 取得同意也不代表可以無限蒐集。
透明、問責與救濟
也會看到：transparency、accountability、redress讓人知道系統怎麼影響自己、有人對結果負責，受害時有申訴與補救管道。
- 生活例子：
- 信用被誤判時能看懂原因、找得到負責單位並要求更正。
- 別搞混：
- 只貼隱私政策不等於透明，也不等於已可問責。
環境、社會與治理
也會看到：ESG、Environmental Social Governance從環境影響、社會權益與組織治理三面向評估企業風險與責任。
- 生活例子：
- 評估資料中心耗電、演算法歧視與董事會監督。
- 別搞混：
- ESG 不是單一分數，也不保證投資 IT 必然有正面效果。
隱私融入設計
也會看到：privacy by design從需求和架構一開始就減少資料與風險，而非上線後才補隱私聲明。
- 生活例子：
- 設計門禁時就只存雜湊識別碼並設定自動刪除。
- 別搞混：
- 不是一個產品認證或最後加密就完成。
逐項自評標準
也會看到：rubric、評分規準把好答案拆成一條條可以自行確認的要點，幫你檢查論證是否完整。
- 生活例子：
- 像交報告前用清單確認有定義、理由、例子和限制。
- 別搞混：
- 它不是官方標準答案，也不代表勾選後就取得正式分數。
以 3 題已核對題面為範圍證據，建立「定義→機制→條件與權衡→案例」的申論骨架。所有答案與 rubric 均為非官方自評材料，不提供單一標準論點或自動計分。
先抓住這幾件事
- 辨識隱私與責任風險
- 把 ESG 主張連到可驗證機制
- 分析供應商依賴、信任與治理控制
先想像這個場景
社區智慧門禁的責任會議
便利功能牽涉住戶資料、供應商依賴、能源與問責，不能只看技術能不能做。
先別急著背名詞，花十秒想一想：
如果兩個組織買了同一套技術，結果會必然相同嗎？先列出至少兩個會改變結果的條件，再往下對照。
把故事換成管理語言
| 生活中的角色 | 對應到 | MIS 概念 |
|---|---|---|
| 門禁只蒐集完成目的所需的最少資料 | Data minimization 與 purpose limitation | |
| 住戶知道誰能看資料並可申訴 | Transparency、accountability 與 redress | |
| 供應商故障時仍有切換與資料取回方案 | Third-party dependency、portability 與 exit control | |
| 定期揭露能源、事件與改善措施 | Sustainability disclosure 與 governance oversight |
題目出現這些字，先想到
- 先界定題目名詞與分析單位。
- 再寫出因果機制，不只列工具名稱。
- 補上適用條件、風險與替代方案。
- 最後用題目案例驗證，並指出比喻或主張的限制。
1.Privacy 是組織風險管理問題
隱私保護不只是法律合規——它是組織的風險管理決策。GDPR（歐盟通用資料保護規範）提出六大原則：(1) Lawfulness（合法性，需要有合法基礎如 consent 或 legitimate interest）；(2) Purpose limitation（目的限定，蒐集時說清楚用途，不能事後改用途）；(3) Data minimization（最小化，只蒐集達成目的所需的最少資料）；(4) Accuracy（正確性，資料必須保持正確和最新）；(5) Storage limitation（儲存期限，目的達成後應刪除）；(6) Integrity & confidentiality（安全性，防止未授權存取和資料外洩）。 IoT（物聯網）讓隱私問題變得更複雜：感測器可以持續蒐集位置、行為、生理和環境資料，使用者往往不知道（或無法有效拒絕）。NIST Privacy Framework 提供了管理框架：Identify（盤點資料處理活動和隱私風險）、Govern（建立治理政策和角色）、Control（實施技術和管理控制）、Communicate（對內對外透明溝通）、Protect（技術保護措施）。 台灣個資法（Personal Data Protection Act）與 GDPR 的主要差異：(1) 適用範圍——GDPR 不分公私部門統一適用，台灣個資法分公務機關和非公務機關適用不同條文；(2) 域外效力——GDPR 適用於處理歐盟居民資料的全球企業，台灣個資法的域外效力較有限；(3) 處罰力度——GDPR 最高罰款為全球年營收 4%，台灣個資法罰款金額較低。(4) 資料可攜權——GDPR 明確賦予資料可攜權（right to data portability），台灣個資法目前沒有。 考試常見：分析某案例的隱私風險、比較 GDPR 和台灣個資法、用 NIST Privacy Framework 提出改善建議。consent 不能解決所有問題——在 power imbalance 的情境中（員工面對雇主、學生面對學校），consent 的「自願性」存疑。
- GDPR 六大原則：lawfulness、purpose limitation、data minimization、accuracy、storage limitation、integrity
- IoT 讓隱私問題更複雜——持續蒐集、使用者難以知情或拒絕
- 台灣個資法與 GDPR 的關鍵差異：適用範圍、域外效力、罰款力度、資料可攜權
- Consent 在 power imbalance 情境中的自願性存疑——不是所有隱私風險都能靠同意解決
- 設定 retention/deletion controls：資料不用了就該刪，保留「以防萬一」增加風險
2.ESG 要從口號落到治理與揭露
ESG（Environmental, Social, Governance）是評估企業在環境保護、社會責任和公司治理三個面向表現的框架。隨著全球監管趨嚴（ISSB 發布永續揭露準則、歐盟 CSRD、台灣金管會要求上市公司 ESG 報告），ESG 從「自願性善舉」轉變為「合規義務」。 IT 與 ESG 的關係是雙面的：(1) IT 作為 ESG 的推動者——ESG 資料管理平台、碳足跡追蹤系統、供應鏈透明化工具、AI 驅動的能源最佳化。(2) IT 本身的 ESG 影響——data center 的碳排放（全球約佔 1-2% 電力消耗）、電子廢棄物（e-waste）、AI 訓練的碳足跡（訓練一個大型語言模型的碳排放相當於數輛汽車一生的排放）、演算法偏見造成的社會不公平、數位落差（digital divide）加劇的社會排斥。 Green washing（漂綠）是 ESG 最大的誠信風險：企業宣稱環保但缺乏可驗證的證據。辨識漂綠的方法：(1) 指標是否可量化和可驗證（「碳中和」的計算邊界是什麼？是否包含 Scope 3？）(2) 基準是否合理（與同業比較還是與自己的過去比較？）(3) 邊界是否一致（只報告績效好的部門？）(4) 第三方驗證（是否有獨立機構稽核？）。 Scope 1/2/3 碳排放分類是 MIS 考題中常出現的概念：Scope 1 是直接排放（自有設備燃燒），Scope 2 是電力使用間接排放（購電），Scope 3 是價值鏈排放（供應商、物流、雲端供應商、產品使用和廢棄）。Scope 3 通常佔總排放的 70-90%，但也是最難量測和控制的。
- ESG 從自願善舉轉為合規義務——ISSB、CSRD、台灣金管會都要求揭露
- IT 對 ESG 是雙面刃：既是推動者（追蹤工具）也是排放源（data center、AI 訓練）
- 辨識漂綠：指標是否可量化、基準是否合理、邊界是否一致、有無第三方驗證
- Scope 3 通常佔總碳排放 70-90%，包含雲端供應商的排放——最難控制也最常被忽略
- 申論中不要把 IT 投資寫成「必然有利於 ESG」——要同時分析正面和負面影響
某企業宣稱「已達碳中和」，但只計算 Scope 1（直接排放）和 Scope 2（外購電力）。這算漂綠嗎？
3.供應商策略同時有速度與依賴
AI 時代的供應商關係與傳統 IT outsourcing 有本質不同：大型雲端和 AI 供應商（AWS、Google、Microsoft、OpenAI）不只是「工具提供者」，它們擁有基礎模型（foundation models）、大量資料、運算基礎設施和平台生態系統，同時可能是企業的合作夥伴和競爭對手。這種 coopetition（共競）動態要求企業重新思考供應商關係。 供應商依賴（vendor lock-in）在 AI 領域比傳統 IT 更嚴重：(1) 技術依賴——模型 API 格式、prompt engineering 方式、fine-tuning 工具都與供應商綁定。(2) 資料依賴——fine-tuning 資料上傳後，供應商是否可以使用？合約怎麼規範？(3) 品質依賴——供應商更新模型版本可能改變行為，影響下游應用。GPT-4 到 GPT-4o 的行為差異就讓很多企業的應用出問題。(4) 人才依賴——團隊只學會了某個供應商的工具和框架，切換成本高。 降低 lock-in 的策略：(1) 架構層面——使用抽象層（abstraction layer），讓應用程式不直接呼叫供應商 API。(2) 合約層面——明確約定資料所有權、使用限制、退出條件、資料匯出格式。(3) 能力層面——保持內部團隊的供應商中立技能（例如學 PyTorch/TensorFlow 而不只學某個供應商的 SDK）。(4) 多供應商策略——但注意過度分散會增加整合成本和稀釋談判籌碼。 信任治理（trust governance）是考試新趨勢：AI 供應商的 transparency（是否提供 model card、training data sheet、audit report？）、accountability（出問題時誰負責？）、redress（使用者如何申訴和取得補償？）。EU AI Act 對高風險 AI 系統要求提供者公開技術文件，是法規層面的信任治理。
- AI 時代的供應商依賴比傳統 IT 更深——技術、資料、品質、人才四個層面都可能被鎖定
- 供應商更新模型版本可能改變行為——GPT-4 到 GPT-4o 的差異就影響了很多應用
- 降低 lock-in：抽象層架構、合約約定、中立技能培養、多供應商策略
- Coopetition（共競）：供應商既是 partner 也可能成為 competitor
- 信任治理要求 transparency（model card）、accountability（責任歸屬）、redress（申訴機制）
GDPR 要求「資料最小化原則」，這是指？
4.Trustworthiness 需要全生命週期控制
數位系統的可信度（trustworthiness）不是靠一份政策文件或一次安全稽核就能建立的——它需要在系統的整個生命週期中持續維護。NIST 定義的 trustworthiness characteristics 包括：accuracy（系統行為符合設計規格）、reliability（在預期和非預期條件下穩定運作）、safety（不造成人身傷害）、security（抵禦攻擊）、privacy（保護個人資料）、fairness（不歧視特定群體）、transparency（使用者能理解系統的行為和決策依據）、explainability（能解釋個別決策的原因）、accountability（有人對系統行為負責，有追責機制）。 在實務中建立 trustworthiness 需要四個層面的控制：(1) Privacy by design——在系統設計階段就嵌入隱私保護，而不是事後補丁。包括預設最嚴格設定（privacy by default）、資料最小化、端對端加密。技術手段包括 anonymization（不可逆去識別化）、pseudonymization（可逆去識別化，仍受個資法保護）、differential privacy（加入統計雜訊保護個體資料）、federated learning（資料不離開本地端）。(2) Human-in-the-loop——對高風險決策（貸款審批、醫療診斷、刑事判決）設置人工覆核環節，不完全依賴 AI 決策。(3) Audit trail——記錄系統的決策過程和依據，以便事後追溯和問責。在 AI 系統中特別困難，因為深度學習模型的決策過程本身難以解釋。(4) Incident response——出問題時的應對流程：偵測、通報、處理、復原、事後檢討。GDPR 要求在發現個資外洩後 72 小時內通報主管機關。 考試角度：台大 MIS 近年考 trustworthiness 的頻率增加，通常以案例方式出題（例如「某公司 AI 系統出問題了，分析責任歸屬和改善措施」）。用上述四個控制面向作為回答框架，比列出一堆原則名詞更有說服力。
- Trustworthiness 不是一次性稽核——需要在系統生命週期中持續維護
- Privacy by design：設計階段嵌入隱私保護，不是事後補丁
- Anonymization 不可逆（不再受個資法保護），pseudonymization 可逆（仍是個資）
- Human-in-the-loop 在高風險決策中不可或缺——但需要設計 escalation criteria
- GDPR 要求個資外洩 72 小時內通報——需要事先建立 incident response 流程
一起搭作答骨架
範例 1：如何回答「數位治理、隱私與永續」的比較題？
- 定義比較軸與分析單位。
- 各寫一條作用機制。
- 加入至少兩項條件或風險。
- 用案例與指標驗證。
所以作答主軸是：可接受的答案不只一種；關鍵是條件透明、概念正確、推論可追蹤，並能說明限制。
範例 2：題目要求提出建議時，如何避免只列 buzzwords？
- 先指出要改善的問題。
- 說明建議如何改變流程、資訊或激勵。
- 指定責任人與衡量方式。
- 補上失敗訊號與替代方案。
所以作答主軸是：建議應包含 action、mechanism、metric 與 risk，而不是只寫「導入 AI／雲端／平台」。
這裡最容易寫偏
- 把工具名稱當成因果解釋
- 沒有說明分析層級與前提
- 只寫單一立場，不處理權衡
- 把非官方參考解析當唯一標準答案
- 引用時事卻沒有日期與來源邊界
換你快速判斷
先用自己的話說出定義、機制、條件與取捨，再展開答案。
1IoT、資料與隱私風險：答題時先定義什麼？
先界定 IoT、資料與隱私風險 的分析單位、核心機制與適用條件。
MIS 概念不能只背名詞；定義後必須說明它如何改變資訊、協調、成本、能力或風險。
2IoT、資料與隱私風險：完整申論至少要補哪三類內容？
機制、條件／權衡、可觀察指標與限制。
以「主張→因果機制→成立條件→案例／指標→限制」自我檢查，合理替代論點亦可接受。
3ESG、揭露與問責：答題時先定義什麼？
先界定 ESG、揭露與問責 的分析單位、核心機制與適用條件。
MIS 概念不能只背名詞；定義後必須說明它如何改變資訊、協調、成本、能力或風險。
4ESG、揭露與問責：完整申論至少要補哪三類內容？
機制、條件／權衡、可觀察指標與限制。
以「主張→因果機制→成立條件→案例／指標→限制」自我檢查，合理替代論點亦可接受。
5AI 供應商、共競與信任治理：答題時先定義什麼？
先界定 AI 供應商、共競與信任治理 的分析單位、核心機制與適用條件。
MIS 概念不能只背名詞；定義後必須說明它如何改變資訊、協調、成本、能力或風險。
6AI 供應商、共競與信任治理：完整申論至少要補哪三類內容？
機制、條件／權衡、可觀察指標與限制。
以「主張→因果機制→成立條件→案例／指標→限制」自我檢查，合理替代論點亦可接受。
最後用考古題自評
請先完成自己的申論，再依非官方解析和逐項自評標準檢查；不使用 A–E 假選項或虛假分數。
開始本課申論自評參考來源
- Artificial Intelligence Risk Management Framework 1.0 — NIST
- NIST Privacy Framework — NIST
- IFRS Sustainability Disclosure Standards Navigator — International Sustainability Standards Board