線性閾值模型

線性閾值模型（Linear Threshold Model, LTM）是一種在複雜網絡上模擬資訊或行為擴散的數學模型。每個節點i都有一個固定閾值θi，當其鄰居節點中已採納某特性的節點所構成的加權影響力總和超過θi時，節點i便會採納該特性。此模型由LPA（Local Pedagogy Algorithm）演化而來，核心假設是個體行為受周圍同質群體的壓力驅動。在AI公平性研究中，LTM被用於量化「資訊回聲室效應」（Echo Chamber Effect）——即演算法推薦系統如何透過用戶間的互連，使特定偏見在特定社群中快速擴散。這直接衝擊EU AI Act第13條關於透明度與公平性的要求，以及ISO 42001第6.1.2條關於AI風險評估的規定。相較於獨立貝葉斯網絡（Independent Bayesian Network）模型，LTM強調的是結構性互動而非單獨機率，這對評估AI系統的系統性歧視風險至關重要。研究顯示，若AI系統在訓練數據中存在特定族群的代表性不足，LTM可量化這種數據缺口如何透過社交互動轉化為社會層面的系統性排斥。

企業導入LTM進行AI公平性風險管理可遵循以下三個步驟。第一步，依據ISO 42001第6.1.2條進行AI風險識別，繪製企業AI應用（如推薦引擎、信用評分）的用戶影響網絡圖，識別潛在的脆弱節點。第二步，設定情境參數。根據NIST AI RTO（AI可信賴性管理）框架，設定不同閾值情境，模擬當AI系統出現特定偏見時，該偏見在用戶網絡中的擴散速度與範圍。例如，若某信貸AI模型對特定郵政編碼區域產生歧視性拒絕，LTM可預測這類歧視性決策在同質用戶群中擴大至何種程度。第三步，設計緩解措施。根據EU AI Act第9條（風險管理系統）要求，企業應設定干預閾值，當模擬結果顯示偏見擴散風險超過可接受範圍時，自動觸發模型重新校準。實務上，這需要建立動態監控機制，而非僅在部署前進行單次審查。ISO 42001第8.4條要求AI系統應具備可追溯性，LTM的模擬結果可作為風險評估的量化證據，供監管機構查核。

台灣企業在導入LTM進行AI公平性評估時，面臨三個主要挑戰。首先是數據隱私與模型精準度的矛盾。LTM需要用戶社交網絡結構數據，但台灣個資法（個人資料保護法）對社交數據的收集與處理有嚴格限制。建議採用聯邦學習（Federated Learning）技術，在不洩露原始個資的前提下計算影響力權重。其次是技術人才稀缺。LTM屬於複雜網絡理論與AI治理的交叉領域，台灣企業難以找到兼具數據科學與AI法規知識的複合型人才。建議與學術機構合作，或透過ISO 42001認證培訓課程建立內部能力。第三是法規不確定性。台灣目前尚未出台AI專法，企業對LTM的合規邊界認知模糊。建議參考EU AI Act（2024年正式生效）作為參考基準，預先建立符合國際趨勢的AI公平性評估流程。優先行動項目應為：第一階段（0-6個月）完成現有AI系統的公平性基線評估；第二階段（6-12個月）導入LTM模擬情境測試；第三階段（12個月後）建立動態AI風險監控機制。

Linear Threshold Model直接對應以下國際標準與法規要求。ISO 42001（AI管理系統標準）第6.1.2條要求組織識別AI系統的風險，LTM是量化社會層面風險的工具。EU AI Act（歐盟人工智慧法案）第13條要求AI系統具備透明度與公平性，LTM可量化演算法決策在用戶間的擴散效應。NIST AI RTO（AI可信賴性管理）框架中的公平性維度，可利用LTM評估AI系統對不同族群的衝擊。台灣個資法第19條規定個資處理應符合目的合理性，LTM可協助企業預測AI決策是否會因用戶網絡效應產生非預期的歧視性結果。這四個框架共同構成AI公平性管理的完整合規基礎。