佛萊/陶伯特標準

佛萊（Frye）與陶伯特（Daubert）標準是美國聯邦及州法院用來決定科學證據是否可靠、能否呈堂的兩套關鍵性司法審查原則。Frye標準（1923年）較為單純，要求一項科學方法或理論必須在其所屬領域內獲得「普遍接受」（general acceptance）方可被採納。而Daubert標準（1993年）則賦予法官更積極的「守門人」（gatekeeper）角色，要求其根據多個因素綜合判斷，包括：理論或技術是否可被（或已被）測試、是否經同儕審查與發表、已知的或潛在的錯誤率、是否存在控制其運作的標準，以及是否在相關科學社群中被普遍接受。在隱私暨資訊管理（PIMS）領域，當企業使用臉部辨識、AI演算法等工具進行監控或決策，其產生的數據若用於法律訴訟或內部調查，就必須考慮其證據能力。雖然台灣未明文採用此標準，但《刑事訴訟法》第208條等規定亦強調鑑定方法的可靠性，其精神與Daubert標準不謀而合，要求企業對其使用的技術負有驗證責任。

企業可將佛萊/陶伯特標準的精神融入技術治理與法遵風險管理框架，確保其使用的科學或技術證據在法律上站得住腳。具體導入步驟如下： 1. **技術採購與驗證（Technology Vetting）**：在導入任何可能產生法律證據的技術（如AI詐欺偵測、數位鑑識軟體）前，建立一個類似Daubert標準的內部審查清單。要求供應商提供技術的錯誤率、經過同儕審查的論文、操作標準文件等，將其作為供應商盡職調查的關鍵環節。 2. **建立內部證據處理協議（Protocol Development）**：制定標準作業程序（SOP），規範如何使用這些技術工具來收集、分析與保存證據。確保操作過程有紀錄、可重現，並將技術的限制與錯誤率納入分析報告，這直接影響證據的可信度。 3. **人員訓練與資格認證（Personnel Training）**：對操作相關技術的內部人員（如資安分析師、法務調查員）進行專業訓練，使其理解證據的司法採納標準，並能於法庭上清晰解釋技術原理與操作流程。例如，一家金融機構在採用AI進行內部交易監控時，不僅驗證了演算法的準確率（例如，將誤報率控制在1%以下），更要求AI團隊將模型方法論發表於專業期刊，成功在後續的勞資糾紛中作為佐證，將合規風險降低了約20%。

台灣企業在應用佛萊/陶伯特標準精神時，主要面臨三大挑戰： 1. **法規適用不確定性**：台灣司法實務未明確採納任一標準，法官對科學證據的採納有較大裁量權，使企業難以預測證據是否會被接受。對策是採取「從嚴標準」，以更嚴格的Daubert標準作為內部證據管理的最佳實踐，建立超越法規基本要求的內部控制，以應對潛在的司法挑戰。 2. **技術供應商的「黑箱」問題**：許多AI或高科技解決方案供應商以商業機密為由，不願透露演算法的具體運作方式、原始碼或詳細的錯誤率數據，使企業無法進行有效驗證。對策是在採購合約（SLA）中明確要求供應商提供第三方驗證報告、模型解釋性文件，或建立可供審計的測試環境，將透明度作為關鍵採購指標。 3. **跨領域專業人才匱乏**：企業內部常缺乏能同時理解法律、數據科學與資訊技術的跨領域人才，難以有效評估一項技術是否符合科學證據的嚴謹要求。解決方案是成立由法務、IT、數據科學家及風險管理人員組成的虛擬團隊，共同制定與執行技術驗證流程。優先行動項目是針對法務人員進行技術基礎培訓，並為技術人員開設法律證據課程，預計6個月內可建立基礎協作能力。

積穗科研股份有限公司專注台灣企業佛萊/陶伯特標準相關議題，擁有豐富實戰輔導經驗，協助企業在90天內建立符合國際標準的管理機制，已服務超過100家台灣企業。申請免費機制診斷：https://winners.com.tw/contact