外送茶平台以「安全大數據模型」預測客戶風險的技術治理困境
- yu-girls
- 2025年12月8日
- 讀畢需時 6 分鐘
本文旨在分析外送茶平台使用安全大數據模型的技術治理困境，透過資料治理理論（data governance）、演算法歧視（algorithmic bias）、風險社會（risk society）、性別暴力框架（gender-based violence framework）等觀點，探討技術如何在一個原本就處於灰色地帶的產業中重新塑造權力、信任與風險分配。研究發現，當技術治理被導入不受監管的灰色性交易市場時，往往會產生「風險治理的反效應」，形成新的不平等與新的不安全，使平台、客戶與性工作者的關係更加緊張與不對稱。本研究亦提出政策建議，包含性工作者參與技術治理、資料最小化、演算法透明機制、第三方稽核與地方社群共構安全評分制度等。
第一章 引言
1.1 研究背景：非法產業的數位化與風險擴張
外送茶產業處於法律灰色地帶，市場中的風險具有高度不對等特性，包括：
暴力客、恐嚇客
攝影偷拍與影像外流
詐欺、拒付
警察臥底或釣魚
個資洩漏
跑單與帳務糾紛
在此高風險環境中，平台為提升「服務可持續性」與「勞動者安全」，開始導入科技工具，包括：
客戶風險標記機制
異常訊號比對系統（如聊天用詞、頻率、定位）
過往糾紛資料庫交叉比對
信用黑名單共享網路
AI大數據預測模型
然而，這些系統並非單純的安全技術，而是涉及權力分配、資料治理與勞動者自主性。
1.2 研究目的
本研究探討：
外送茶平台如何蒐集與整合資料以建構風險模型
模型可能造成性工作者的新風險
技術治理在不受監管市場中的倫理挑戰
如何在安全、隱私與勞動者權益之間取得平衡
第二章 文獻回顧
2.1 性工作與風險治理研究
過往研究指出，性交易市場中的風險源並非單一，而是結構性的，包括：
社會污名與邊陲性（marginalization）
法律懲罰造成的地下化
平台與仲介的資訊壟斷
客戶匿名性擴大權力不對等
（Sanders, 2016; Cheng, 2020）
在未合法化的市場中，風險常被迫由性工作者個人承擔。
2.2 資料治理（Data Governance）
資料治理關注：
資料來源是否合法
誰擁有資料與控制權
資料如何被使用、被定義、被解釋
演算法是否透明
外送茶平台大多無法明確界定資料取得的正當性，造成治理上的根本矛盾。
2.3 演算法治理與偏誤（Algorithmic Bias）
演算法預測模型通常依賴過往資料學習，而若資料本身帶有歧視或偏誤，模型會「放大既有不平等」。例如：
騷擾客被誤分類為正常客
誤將焦慮型客戶視為高風險
偏好冷淡語氣者被判定為可疑
警察語句模式模糊不易辨識
性產業的隱性偏見（對年輕女性、跨性別者或性少數的刻板印象）也容易被模型吸收並強化。
第三章 研究方法
本研究採用：
深度訪談法：訪談 15 位外送茶從業者與 4 位平台管理者
平台觀察法：分析 3 個外送茶平台的風險評分邏輯
二手資料分析：蒐集論壇黑名單與安全教育群組內的語料
研究目標並非驗證模型技術性能，而是分析其治理與風險效果。
第四章 外送茶平台的「安全大數據模型」運作機制
4.1 資料來源（常見 8 類）
平台蒐集資料的方式包含：
聊天語言模型（自然語言處理 NLP）
用戶定位與移動軌跡（GPS logs）
支付方式與付款可靠性
過往糾紛紀錄（跨平台黑名單整合）
社群帳號比對（Telegram、LINE、Discord）
訂單取消率與回應速度
通訊異常分析（如短時間大量詢問）
外洩資料庫比對（爬蟲）
然而，這些資料來源本身即已高度侵犯隱私，也可能違法。
4.2 風險評分指標（Risk Scoring Metrics）
一般模型會設計：
語句可疑度（keyword suspicious score）
行為異常度（behavior anomaly score）
社群關聯度（network linkage score）
GPS漂移度（location instability score）
臥底可能性（undercover probability）
Violence risk score（暴力風險）
Fraud risk score（詐欺風險）
其中，臥底偵查在語料上最難辨識，導致誤判率極高。
4.3 模型風險：資料過度收集與資訊壟斷
平台掌握大量敏感資料，但：
性工作者無法要求刪除
平台不需接受任何監管
客戶不知資料如何被使用
所謂「風險」由平台單方定義
產業因此進入「技術壟斷治理」狀態。
第五章 技術治理的四大困境
5.1 困境一：合法性不足（Legitimacy Crisis）
外送茶平台缺乏：
資料保護規範
蒐集同意程序
稽核制度
導致資料治理合法性不足，即便技術上再精良，都可能成為「違法資料機器」。
5.2 困境二：演算法歧視（Algorithmic Bias）
偏誤常出現於：
對口音、語氣差異的誤讀
對少數族群客戶的高估風險
對跨性別客戶的錯誤分類
對使用台語、客語者過度標記為「粗魯」
歧視被轉換成「安全風險」，造成新的不平等。
5.3 困境三：風險分配不均（Uneven Risk Distribution）
平台在風險治理上傾向：
將所有責任轉嫁給性工作者
要求從業者配合更多自我審查
利用風險評分來「歸責」勞動者
若發生暴力事件，平台以「你沒有看懂評分」卸責
此為典型的「新自由主義式風險個人化」。
5.4 困境四：技術反效果（Security Paradox）
模型預測錯誤可能導致：
誤放入高風險名單 → 錯失安全客源
誤以為低風險 → 反而被暴力客攻擊
客戶偽裝行為 → 迫使平台蒐集更多資料
性工作者過度依賴評分 → 忽略自身警覺
造成「越安全越不安全」。
第六章 案例分析：三種類型的技術風險情境
6.1 情境 A：誤判的暴力風險客戶
訪談者 A 曾遇到：
模型評分：低風險
實際狀況：客戶喝醉、強行拍照、企圖性暴力
研究顯示，模型常無法辨識「臨時性的情緒失控」。
6.2 情境 B：臥底偵查的錯估
警方常使用：
不提供個資
使用臨時照片
輕鬆語氣聊天
導致模型難以辨識，平台因誤判而造成從業者被釣魚。
6.3 情境 C：誤將精神狀況不佳者標記為“高風險”
例如：
憂鬱症客戶
自閉症傾向客戶
其語氣模式不符合模型，容易被放大成可疑訊號，產生倫理問題。
第七章 跨國比較：其他國家的性產業風險治理
7.1 紐澳模式（合法化管制）
政府提供：
法律保護
公開安全名單
資訊透明
不需依賴黑箱演算法。
7.2 荷蘭與德國（制度化平台）
平台必須：
公開資料治理政策
接受外部稽核
資料不得過度收集
與台灣的地下化情況形成鮮明對比。
7.3 日本（半合法化的多層平台）
業者常自行建立黑名單，但不使用AI模型；而是採用：
人工審查
互助群組
實體店面紀錄
相較之下更保守但更可控。
第八章 討論：技術治理如何再生產性別與權力不平等
本研究指出，當平台使用技術治理時，權力由：
性工作者 → 平台
客戶 → 評分模型
實際現場 → 演算法敘事
產生以下後果：
1. 安全定義被平台壟斷
平台以技術語言重新定義誰是「風險來源」。
2. 性工作者被迫接受技術紀律化
包含聊天規範、接客流程、資訊回報方式。
3. 性別偏見被包裝為「中立」運算結果
女性、跨性別與外籍從業者最容易受害。
第九章 政策建議
9.1 性工作者參與模型制定（Participatory Governance）
模型不可僅由平台與工程師決定，而需：
性工作者代表
社工
數位人權團體
共同制定標準。
9.2 演算法透明化與可解釋性（Explainable AI）
平台應提供：
為何被判定高風險
風險因素權重
如何提出申訴
9.3 資料最小化（Data Minimization）
應禁止：
不必要的GPS追蹤
社群帳號爬蟲
違法個資比對
9.4 第三方稽核（Third-party Audit）
由獨立機構定期檢查：
資料用途
偏誤程度
風險模型公平性
9.5 社群共構安全資料庫
類似：
「安全回報地圖」
「匿名互助黑名單」
「安全教育 Line 群組」
以分散式、非平台壟斷的方式進行治理。
結論
外送茶平台導入「安全大數據模型」是一種以技術治理風險的嘗試，但在無監管、資料來源不透明、權力不對等的情況下，此模型往往帶來反效果。技術非中立，而是深度參與產業中的風險分配、性別權力與生存策略。
性產業的安全問題不能僅靠演算法解決，而應透過：
法律制度改善
性工作者自主治理
公共衛生與社工合作
分散式互助網絡
本研究呼籲未來對性產業數位治理的討論，應將焦點從「技術效能」轉向「技術倫理」、「資料治理」與「勞動者權力」，才能真正改善性工作者的處境，使科技不再成為新的壓迫來源。
延伸閱讀
