政府開放資料含個資，怎麼處理才合規？
某市政府規劃釋出市民用電資料供學術研究使用，資料內容包含用電紀錄與部分人口統計欄位。考量資料可能涉及可識別個人之資訊，且須符合個人資料保護相關規範，下列哪一種資料處理方式最為適當？
某市政府要把市民的用電記錄開放給學術研究使用。這份資料除了用電數值，還包含部分人口統計欄位，可能讓外人追溯到特定個人。
依照個人資料保護相關規範，政府在釋出前必須選擇適當的資料處理方式，讓研究能進行，同時確保個人隱私不被識別。
問你：在這個情境下，哪一種資料處理方式最符合個資保護規範，又能讓資料供學術使用？
一句話總結
資料含個資要開放研究，正確做法是對有識別風險的欄位做轉換處理並移除直接識別資訊，既保護個人隱私，又保留研究所需的統計規律。
先感受問題：用電資料要開放，但裡面有住址和戶號
新竹市政府的資訊局長林局長，收到多所大學的申請，希望取得市民用電資料，研究用電習慣、分析節電潛力、預測電網負荷。
資料庫裡每一筆記錄包含：戶號、地址、姓名、每月用電度數、家庭人口數、建物類型。
林局長知道這份資料有研究價值，但他也知道：如果直接給出去，研究者可以對照戶號找到哪個地址、哪個家庭的用電習慣，這就違反個資保護法。他要怎麼讓資料「可以研究」又「不能識別個人」？
幾種直覺做法，為什麼不夠好
林局長考慮了幾個直覺方案，一一發現問題：
- 直接給完整資料，簽保密合約：合約只能要求研究者「不濫用」，但無法阻止無意間的識別。萬一資料外洩，合約保不住市民個資。法規要求的是技術上無法識別，不是簽一張紙就好
- 只留數字欄，其他全刪：只留用電度數，刪掉地址、人口數、建物類型，確實沒有個資問題。但研究者想分析「不同家庭規模的用電差異」「老屋和新建築的用電比較」，這些分析需要人口數和建物類型欄位，全刪了研究就做不了
- 加密傳輸：加密只保護「傳輸中的安全」，研究者收到並解密後，裡面還是原始資料，個資問題一點也沒解決
- 個資問題和資料研究價值的衝突：保護太嚴，研究做不了；保護太鬆，違反法規
- 沒有中間地帶：直覺上很難找到「既保護又可用」的平衡點，需要專業的隱私工程技術
去識別化轉換處理，保護又可用
林局長請資訊安全顧問設計了一套去識別化（De-identification）流程，對不同欄位做不同處理：
直接識別欄位，直接移除：姓名、戶號、完整地址（可精確找到某個人的）直接刪除。研究不需要知道是誰，這些欄位沒有學術價值。
間接識別欄位，轉換處理：地址不給到門牌號，只保留「行政區」（例如東區、竹北市）；家庭人口數超過 6 人的統一標記為「6人以上」，避免靠極端值反推；用電度數加上隨機雜訊，統計趨勢不變但個別數值無法精確追溯。
處理完後，研究者收到的資料：知道「東區有 N 戶、平均月用電 X 度」，但不知道「三民里 23 號王先生家用電幾度」。
這就是選項 C 講的：對具識別風險的資料欄位進行轉換處理，並移除直接識別資訊。
技術版：去識別化技術在資料治理中的位置
去識別化（De-identification）是資料隱私工程（Privacy Engineering）的核心技術，常見方法包含以下幾種：
假名化（Pseudonymization）：用假名或代號取代真實識別符（如姓名換成亂碼 ID）。仍有重新識別的可能性，屬於軟性去識別。
泛化（Generalization）：把精確值替換成範圍值（門牌 → 行政區、26歲 → 20-30歲）。保留統計規律但降低精確度。
資料遮罩（Data Masking）：把識別欄位用星號或特定符號取代（王小明 → 王**）。通常用於展示，不適合研究分析。
差分隱私（Differential Privacy）：在資料查詢結果加入數學可控的雜訊，讓單一個人的資料無法從統計結果反推。Google、Apple 用於使用者行為統計。
在 AI 領域的位置：去識別化是 AI 訓練資料準備階段的合規要求，特別是醫療、金融、政府資料。台灣個資法、歐盟 GDPR、美國 HIPAA 都要求在特定情境下進行去識別化處理。
為什麼出題者考這題：AI 應用規劃師在規劃使用政府或用戶資料時，必須懂得合規的資料處理方式。選錯方式可能導致法律責任，或讓有價值的資料變得無法使用。
為什麼其他選項是錯的
A提供完整資料集並透過合約約定研究用途與保密責任
把原始完整資料給出去，但用合約要求研究者保密、限定用途。
個資保護法規的核心要求是「技術上無法識別個人」，而不是「有合約就好」。合約是行政手段，無法防止資料外洩後的識別風險，也無法阻止研究者無意間使用了個資。提供完整資料在法規上直接違規。
把「法律合約」當成技術保護措施的人，或不了解個資法規的核心精神是「技術去識別」而非「行政約束」的人。
B僅保留用電數值資料，移除所有其他欄位以避免識別風險
只留最純粹的數字，把人口統計等所有相關欄位全部刪除。
這個方式個資保護沒問題，但研究價值被破壞了。移除了人口統計欄位，研究者無法分析「哪種家庭規模用電最多」「哪個年齡層最省電」。題目明確說資料是「供學術研究使用」，過度清除讓資料失去研究意義，違背了釋出資料的初衷。
只想到「安全第一」、沒有兼顧「資料可用性」的人。正確的做法是「在保護和可用之間找平衡」，不是選擇其中一端。
D僅將資料加密後提供，確保資料在傳輸過程中的安全性
加密資料傳給研究者，防止傳輸過程中被竊取。
加密只保護「傳輸中的安全性」，研究者收到後解密，裡面還是完整的原始個資，完全沒有解決識別風險。加密和去識別化是兩件不同的事：加密是傳輸安全；去識別化是資料本身無法識別個人。題目問的是去識別化問題，加密是答非所問。
混淆「資料傳輸安全」和「個人隱私保護」的人。加密是 IT 安全的工具，不是個資保護的充分條件。
同個考點下次怎麼變形
醫院要把病歷資料提供給 AI 研究團隊訓練模型，應如何處理？
醫療資料是更敏感的個資，但 AI 醫療研究又非常需要這些資料。
與本題相同原則：移除姓名、身分證號、出生年月日等直接識別欄位；對年齡泛化成年齡區間、地址只留縣市；保留診斷代碼、檢查數值等研究所需的醫療內容。台灣健保資料庫的開放就是採用這種去識別化後的「次級資料」方式，讓研究可進行但個人無法被識別。
去識別化和匿名化（Anonymization）有什麼差別？
兩個詞聽起來很像，但法規對兩者的要求不同。
去識別化是移除或轉換識別符，理論上在特定條件下仍有可能重新識別（re-identification）。匿名化是完全無法重新識別，是更嚴格的標準。歐盟 GDPR 對「真正匿名化」的資料不適用個資法規；去識別化資料仍受部分規範約束。實務上完全匿名化很難達到，多數情況是去識別化。
什麼是「重新識別（Re-identification）」風險？
資料已經去識別化了，還有風險嗎？
重新識別是指：把去識別化的資料跟其他公開資料（例如選舉名冊、社群媒體、電話簿）結合，推斷出原本的個人身份。例如一筆去識別化的健康資料寫「42歲男性，住大安區，稀有疾病X」，跟大安區的人口資料一比對，可能就找到是誰了。去識別化時要考慮「間接識別」的組合風險，不是只移除姓名就夠了。
差分隱私（Differential Privacy）在政府資料開放上有何優勢？
比去識別化更嚴格的技術，適合什麼場景？
差分隱私在統計查詢結果加入數學可控的雜訊，保證「加入或移除某一個人的資料，查詢結果幾乎不變」。這讓外部研究者無法透過大量查詢反推單一個人的資訊。優勢是有嚴格的數學隱私保證，缺點是加入雜訊會降低資料精確度。適合大規模統計查詢，但不適合需要精確個別記錄的研究。
個資保護法規（如台灣個資法）對 AI 訓練資料有哪些基本要求？
法規的基本要求，考試可能直接考。
主要有三條：一、目的限制（蒐集個資只能用於特定目的，不能拿來訓練無關的 AI 模型）；二、最小化原則（只蒐集必要的資料，不需要的欄位不要保留）；三、去識別化要求（用於研究或 AI 訓練前，應進行適當的去識別化處理）。違反這些要求可能面臨行政罰鍰和民事賠償。
想再往下看，這 5 個
- 差分隱私（Differential Privacy）透過加入數學可控雜訊保護隱私，比去識別化提供更嚴格的數學保證，是學術開放資料的進階防護技術
- 資料隱私（Data Privacy）規範個人資料蒐集、處理、利用的原則體系，是政府開放資料前必須評估的合規框架
- 歐盟通用資料保護規範（General Data Protection Regulation）全球影響最廣的個資保護法規，確立資料最小化、目的限制等原則，是台灣個資法修法參考標準
- 資料前處理（Data Preprocessing）AI 訓練前對原始資料的清理與轉換，去識別化是其中的隱私保護步驟，缺少則無法合規利用個資
- 成員推斷攻擊（Membership Inference Attack）推測特定樣本是否曾出現在訓練資料中的攻擊手法，去識別化不完整時的主要風險之一