諸位請入座。寡人向來以為，治國理政與精進專業無異，皆貴在「知行合一、利民便用」。昨日，我們已共同研習了如何穿上資安的鎧甲，學會了「個資去識別化」與「只提供欄位結構」的安全協作法則，確保在與 AI 溝通時，隱私絕不外洩 ``。

然而，僅僅守住數據的隱私，還稱不上真正掌握了經世致用的利器。寡人要帶領諸位越過防守，進入「辨偽存真」與「主動出擊」的境界。在數位資訊氾濫的時代，AI 產出的虛假訊息往往能欺瞞大眾，而我們自己手中的原始數據若品質不佳，亦會導致決策破產 ``。因此，今日之研習，意在開民智慧，建立諸位識破 AI 幻覺與偏見的雙眼，並掌握評估數據品質的準則與主動驗證的假說思維。

對抗 AI 虛假資訊與數據源頭品質安全

一、 破題導入：為何數據時代必須具備「批判性思維」？

大眾在享受 AI 帶來的便利時，常犯下「過度依賴」的錯誤，這會導致我們學習技能與批判性思維逐步下降 ``。面對 AI 滔滔不絕、一本正經的回應，我們絕不能全盤接收。

今日的授課核心，在於教導學員如何在龐雜的數位環境中築起防範虛假訊息的防線，並從源頭上確保數據的安全與品質 ``。這是一堂讓大眾從「被動接收者」蛻變為「客觀查核者」的必修課。

二、 逐步拆解：核心授課單元與防禦實務

單元五：識破 AI 幻覺（Hallucination）與提示詞防範

• 認清 AI 說瞎話的本質：學員必須理解，AI 常常會以極度權威、自信的口吻，憑空編造完全不存在的虛假資訊，這在學術上稱為「幻覺」 ``。
• 真實案例警示：詢問 AI 某位特定人士（如「林阿貓」）是誰時，AI 竟能捏造出她是香港傑出教師，並在某小學任教，甚至還煞有介事地附上假的資料來源網址，極具欺騙性 ``。
• 避坑指南（字數限制的風險）：大眾在使用 AI 時，為了圖方便常會下指令要求 AI「長話短說、在 20 字內回答」 。然而，研究指出，要求 AI 用更簡短的方式回答，反而會使其抗幻覺能力下降，產生更多錯誤與幻想。這是因為 AI 被剝奪了解釋細節與澄清錯誤前提的空間。
• 防禦對策：學習撰寫防範提示詞，例如提供 AI 正確的參考範例（Multishot Prompting），或明確在提示詞中加入限制（如「沒有提及的功用，請不要自行腦補」） ``。

單元六：識別 AI 偏見（Bias）與保持最低懷疑

• 偏見的底層來源：AI 的訓練數據源於人類歷史在網路上累積的痕跡，因此它會如實吸收，甚至在無意間放大社會中的種族、文化與性別偏見 ``。
• 真實職場偏誤案例：2019 年亞馬遜（Amazon）終止了一項研發多年的秘密 AI 履歷篩選工具 。該系統因為使用了過去的招募數據進行訓練，導致演算法對女性求職者產生了嚴重的篩除偏見 。
• 求學者的防禦心態：面對 AI 生成的所有內容，求學者應建立 「保持最低底線的懷疑」，隨手查核，切勿在不經求證的情況下直接引用 ``。

單元七：源頭安全——數據品質評估的六大維度

• 數據分析的鐵律：「垃圾進，垃圾出（Garbage In, Garbage Out）」 。如果我們輸入的原始數據本身是有缺漏、格式雜亂的，不論用多強大的 AI 進行分析，得出的結果也只能是一堆無用的垃圾 。
• 評估品質的六把尺：教導大眾在生活中運用「六大數據品質維度」來檢視資料安全性 ``：
  1. 完整性 (Completeness)：檢查資料是否殘缺，例如電話號碼欄位是否無故出現大量空值 ``。
  2. 一致性 (Consistency)：確保不同來源的資料定義前後相同（例如不會有幣別格式混亂的問題） ``。
  3. 獨特性 (Uniqueness)：確認每筆記錄有唯一識別碼（如員工編號、身分證字號），不應出現重複計算的列 ``。
  4. 有效性 (Validity)：檢查數值是否合乎規則，例如「年齡」不該出現負值，格式不該出錯 ``。
  5. 準確性 (Accuracy)：數據是否真實且正確地反映真實世界的情況 ``。
  6. 即時性 (Timeliness)：數據的新鮮程度是否符合要求，這對變動迅速的金融或即時環境極其重要 ``。

單元八：生活與職場中的客觀假說思考法

• 擺脫直覺決策：引導學員從「聽人說」的直覺思維，轉換為科學的數據思維 ``。
• 什麼是「假說思考」？ 指在面對問題時，我們不盲目在數據大海中撈針，而是根據過去的經驗與有限的資訊，提出最接近原因的「猜想與假設」，再主動去尋找對應的數據指標來檢驗它 ``。
• 實例拆解（凌晨事故案）：
  當觀察到「凌晨 2 到 5 時事故件數不是全天最高，但死亡率卻偏高」的現象時，我們可以引導學員建立三個假說：
  1. 假說一：深夜時段生理警覺最低，可能存在疲勞駕駛或酒駕，導致事故致命性高。
  2. 假說二：凌晨路況空曠、車速較快，一旦碰撞則能量巨大。
  3. 假說三：偏遠郊區發生事故，醫療救援抵達的時間較長。
     我們引導學員針對這些假設，列出其背後的「理由」，並指定「可驗證的方式」（例如比對車速數據、事故路段或酒測比例），在不符時快速修正、反覆迭代，這才是科學防禦的態度。

三、 實務點撥：大眾最易犯的視覺化與查核誤區

• 誤區一：盲目相信 AI 生成的精美圖表
  • 實務點撥：「AI 在直接繪製圖表時極易出錯！」 。AI 具備強大的美化與繪圖模型，它生成的圖表可能極其精美、色彩亮麗，但背後的數據比例、對應座標與數值卻常常漏洞百出 。因此，我們絕不能看到圖表漂亮就直接採用，必須進行本地端的手動檢核與數據對齊。
• 誤區二：對分析報告做出過度的不實推論
  • 實務點撥：在使用 AI 撰寫分析報告時，必須善用追問提示詞（Prompt），要求 AI 將分析整理成表格，並嚴格標示：「觀察重點｜支持數字｜可以怎麼說｜目前不能推論什麼」 。例如：從 1 到 6 月的數據中，我們「不能推論全年度的受傷人數」，因為資料時間尚未完整 ；看到 2 月受傷人數高，「不能直接得出 2 月出門很危險」的結論，因為必須考慮到假期與交通密度的綜合影響 ``。這能防止求學者被片面的數據假象誤導。

四、 提問與激勵

「諸位研習之士，兩日的訓練，我們從第一天的『如何與 AI 安全溝通、隱私不外洩』 ，走到了第二天的『如何辨識 AI 的假話、確保自己手裡拿的是真話』 。

治國與治學，皆不容半點虛假與疏漏。當諸位在未來的職場與日常中，面對 AI 一本正經的回答時，是否能時時警醒，舉起我們今天所學的『品質六大維度』與『最低懷疑』的盾牌呢 ？