滅火新趨勢：資料探勘直搗黃龍

本文與 PAMO車禍線上律師 合作，泛科學企劃執行

走在台灣的街頭，你是否發現馬路變得越來越「急躁」？滿街穿梭的外送員、分秒必爭的多元計程車，為了拚單量與獎金，每個人都在跟時間賽跑 。與此同時，拜經濟發展所賜，路上的豪車也變多了 。

這場關於速度與金錢的博弈，讓車禍不再只是一場意外，更是一場複雜的經濟算計。PAMO 車禍線上律師施尚宏律師在接受《思想實驗室 video podcast》訪談時指出，我們正處於一個交通生態的轉折點，當「把車當生財工具」的職業駕駛，撞上了「將車視為珍貴資產」的豪車車主，傳統的理賠邏輯往往會失靈 。

在「停工即停薪」（有跑才有錢，沒跑就沒收入）的零工經濟時代，如果運氣不好遇上車禍，我們該如何證明自己的時間價值？又該如何在保險無法覆蓋的灰色地帶中全身而退？

薪資證明的難題：零工經濟者的「隱形損失」

過去處理車禍理賠，邏輯相對單純：拿出公司的薪資單或扣繳憑單，計算這幾個月的平均薪資，就能算出因傷停工的「薪資損失」。

但在零工經濟時代，這套邏輯卡關了！施尚宏律師指出，許多外送員、自由接案者或是工地打工者，他們的收入往往是領現金，或者分散在多個不同的 App 平台中 。更麻煩的是，零工經濟的特性是「高度變動」，上個月可能拚了 7 萬，這個月休息可能只有 0 元，導致「平均收入」難以定義 。

這時候，律師的角色就不只是法條的背誦者，更像是一名「翻譯」。

施律師解釋「PAMO車禍線上律師的工作是把外送員口中零散的『跑單損失』，轉譯成法官或保險公司聽得懂的法律語言。」 這包括將不同平台（如 Uber、台灣大車隊）的流水帳整合，或是找出過往的接單紀錄來證明當事人的「勞動能力」。即使當下沒有收入（例如學生開學期間），只要能證明過往的接單能力與紀錄，在談判桌上就有籌碼要求合理的「勞動力減損賠償 」。

300 萬張罰單背後的僥倖：你的直覺，正在害死你

根據警政署統計，台灣交通違規的第一名常年是「違規停車」，一年可以開出約 300 萬張罰單 。這龐大的數字背後，藏著兩個台灣駕駛人最容易誤判的「直覺陷阱」。

陷阱 A：我在紅線違停，人還在車上，沒撞到也要負責？ 許多人認為：「我人就在車上，車子也沒動，甚至是熄火狀態。結果一台機車為了閃避我，自己操作不當摔倒了，這關我什麼事？」

施律師警告，這是一個致命的陷阱。「人在車上」或「車子沒動」在法律上並不是免死金牌 。法律看重的是「因果關係」。只要你的違停行為阻礙了視線或壓縮了車道，導致後方車輛必須閃避而發生事故，你就可能必須背負民事賠償責任，甚至揹上「過失傷害」的刑責 。 

數據會說話： 台灣每年約有 700 件車禍是直接因違規停車導致的 。這 300 萬張罰單背後的僥倖心態，其巨大的代價可能是人命。

陷阱 B：變換車道沒擦撞，對方自己嚇到摔車也算我的？ 另一個常年霸榜的肇事原因是「變換車道不當」 。如果你切換車道時，後方騎士因為嚇到而摔車，但你感覺車身「沒震動、沒碰撞」，能不能直接開走？

答案是：絕對不行。

施律師強調，車禍不以「碰撞」為前提 。只要你的駕駛行為與對方的事故有因果關係，你若直接離開現場，在法律上就構成了「肇事逃逸」。這是一條公訴罪，後果遠比你想像的嚴重。正確的做法永遠是：停下來報警，釐清責任，並保留行車記錄器自保 。

保險不夠賠？豪車時代的「超額算計」

另一個現代駕駛的惡夢，是撞到豪車。這不僅是因為修車費貴，更因為衍生出的「代步費用」驚人。

施律師舉例，過去撞到車，只要把車修好就沒事。但現在如果撞到一台 BMW 320，車主可能會主張修車的 8 天期間，他需要租一台同等級的 BMW 320 來代步 。以一天租金 4000 元計算，光是代步費就多了 3 萬多塊 。這時候，一般人會發現「全險」竟然不夠用。為什麼？

因為保險公司承擔的是「合理的賠償責任」，他們有內部的數據庫，只願意賠償一般行情的修車費或代步費 。但對方車主可能不這麼想，為了拿到這筆額外的錢，對方可能會採取「以刑逼民」的策略：提告過失傷害，利用刑事訴訟的壓力（背上前科的恐懼），迫使你自掏腰包補足保險公司不願賠償的差額 。

這就是為什麼在全險之外，駕駛人仍需要懂得談判策略，或考慮尋求律師協助，在保險公司與對方的漫天喊價之間，找到一個停損點 。

談判桌的最佳姿態：「溫柔而堅定」最有效？

除了有單據的財損，車禍中最難談判的往往是「精神慰撫金」。施律師直言，這在法律上沒有公式，甚至有點像「開獎」，高度依賴法官的自由心證 。

雖然保險公司內部有一套簡單的算法（例如醫療費用的 2 到 5 倍），但到了法院，法官會考量雙方的社會地位、傷勢嚴重程度 。在缺乏標準公式的情況下，正確的「態度」能幫您起到加分效果。

施律師建議，在談判桌上最好的姿態是「溫柔而堅定」。有些人會試圖「扮窮」或「裝兇」，這通常會有反效果。特別是面對看過無數案件的保險理賠員，裝兇只會讓對方心裡想著：「進了法院我保證你一毛都拿不到，準備看你笑話」。

相反地，如果你能客氣地溝通，但手中握有完整的接單紀錄、醫療單據，清楚知道自己的底線與權益，這種「堅定」反而能讓談判對手買單，甚至在證明不足的情況下（如外送員的開學期間收入），更願意採信你的主張 。

車禍不只是一場意外，它是認知、情緒、金錢與法律邏輯的總和 。

在這個交通環境日益複雜的時代，無論你是為了生計奔波的職業駕駛，還是天天上路的通勤族，光靠保險或許已經不夠。大部分的車禍其實都是小案子，可能只是賠償 2000 元的輕微擦撞，或是責任不明的糾紛。為了這點錢，要花幾萬塊請律師打官司絕對「不划算」。但當事人往往會因為資訊落差，恐懼於「會不會被告肇逃？」、「會不會留案底？」、「賠償多少才合理？」而整夜睡不著覺 。

PAMO看準了這個「焦慮商機」， 推出了一種顛覆傳統的解決方案——「年費 1200 元的訂閱制法律服務 」。

這就像是「法律界的 Netflix」或「汽車強制險」的概念。PAMO 的核心邏輯不是「代打」，而是「賦能」。不同於傳統律師收費高昂，PAMO 提倡的是「大腦武裝」，當車禍發生時，線上律師團提供策略，教你怎麼做筆錄、怎麼蒐證、怎麼判斷對方開價合不合理等。

施律師表示，他們的目標是讓客戶在面對不確定的風險時，背後有個軍師，能安心地睡個好覺 。平時保留好收入證明、發生事故時懂得不亂說話、與各方談判時掌握對應策略 。

從違停的陷阱到訂閱制的解方，我們正處於交通與法律的轉型期。未來，挑戰將更加嚴峻。

當 AI 與自駕車（Level 4/5）真正上路，一旦發生事故，責任主體將從「駕駛人」轉向「車廠」或「演算法系統」 。屆時，誰該負責？怎麼舉證？

但在那天來臨之前，面對馬路上的豪車、零工騎士與法律陷阱，你選擇相信運氣，還是相信策略？ 先「武裝好自己的大腦」，或許才是現代駕駛人最明智的保險。

PAMO車禍線上律師官網：https://pse.is/8juv6k 

在這裡介紹過了牛津大學網路研究所教授麥爾荀伯格（Viktor Mayer-Schonberger）和《經濟學人》（The Economist）雜誌資料編輯庫基耶（Kenneth Cukier）的《大數據》（Big Data: A Revolution That Will Transform How We Live, Work, and Think）這本好書，他們探討大數據（巨量資料）是什麼碗糕，大數據有什麼意義，還有大數據將如何改變我們的生活，對經濟、社會和科學會帶來什麼影響，我們又能如何趕搭上這波新潮流，如何懂得保護自己，避免個人資料和隱私受到侵害等等（請參見〈快準狠的大數據〉）。

這次他們把魔爪…哦不…觸手伸到了「教育」，寫了這本《大數據：教育篇：教學與學習的未來趨勢》（Learning with Big Data: The Future of Education），因為跟據他們的觀察，大數據正在跨入教育體系，對於全世界的教學與學習活動，勢必將產生極為深遠的影響，因此在這本書就是要談談大數據將如何改變教育。

他們舉出「大規模開放式線上課程」（MOOC）、可汗學院（Khan Academy）、Duolingo語文學習網站等案例。雖然這些線上課程早已不是新聞了，可是他們要再進一步告訴我們，當大數據的時代來臨，教育就不只 是上課聽講、讀書考試打成績、或是輕易選修更多科目而已。透過大數據，我們可以擁有史上最強大、具實證效果的工具，能夠瞭解「誰在學習」、「怎樣教學」與 「如何學習」這些重要的課題。

大數據讓我們前所未有的方式和觀點，看到究竟什麼有用、什麼沒用，以前不可能觀察到的種種學習阻礙，現在有辦法一一化解，大幅改善學生的學習成效，顛覆傳 統教學模式，造福更多學子。課程可以依據學生個人的需求做調整，真正做到因材施教，因為教師可以透過學生在線上學習時不經意的行為來判斷成效、調整教學內 容和順序，以及多次複習會造成學習瓶頸的困難觀念，甚至即時因應學生的反應而出招等等。教師的工作不會被教學網路和影片取代，而會變得更有效益、也更有 趣，因為能夠更專注針對學生作個人化的指導。

他們也認利用大數據分析，學校領導者和政府決策官員，也能用更低的成本提供更多教育機會，這些正是減少社會貧富差距、讓社經階層流動的重要因素；社會大眾 也能夠知道「學習」應當是怎麼一回事，打破教育主管機關和學校的壟斷地位，從而讓教育的本質和體制徹底翻轉。他們主張，大數據時代正是不斷學習的時代、翻 轉教育的時代！

不過大數據的應用是雙面刃，我們可能會把相關性誤判為因果，而且如果學生的個資無法被保護，其舊學習歷程被曝光，可是會影響日後的升學與就業。關於這方 面，《大數據：教育篇》引用了《大數據》的許多觀念和案例，例如誤將相關性當因果以及個資保護等等，所以建議也要去讀《大數據》這本書。

不過，盡信書不如無書，作者在西方遇到的問題，和我們在東亞遇到的，有很大的差異。最大的差異有兩點。

一個大差異，在一張很多網友在臉書分享的圖表清楚表達出來：圖裡有兩條軸線，第一條軸線為「歐美人才養成」，而第二條則是「台灣人才養成」，軸線將學習生 涯分成「學前」、「小學」、「國中」、「高中」以及「大學」等五個階段。「歐美人才養成」各階段的學習目標相當明確並且不同，學前做好生活管理、小學探索 環境、國中要開始找尋自己的夢想、高中則要面對生涯抉擇，而到了大學就要開始培養實務能力。

台灣人才培養的軸線，從「學前」一直到「高中」生涯，全是「讀書考試」，一直到「大學」時期，才要將「生活管理」、「探索環境」、「找尋夢想」、「生涯抉擇」以及「培養實務能力」一次統統完成，其中當然還少不了「讀書考試」。

歐美的教育偏向素質教育，相對於偏重考試的應試教育而言，較為注重體育、藝術能力和多元智能的培養，而真正的素質教育，目的在於讓學生能發揮個人潛能，各 展所長，並培養良好的品格，並不局限於學術上的才能。台灣的教育能夠篩選出很會考試（甚至還不見得會「讀書」哦）的學生，連公務系統都極度依賴考試，雖然 有好些公家工作幾乎不需要考試的技能。可是因為考試實在太浮濫，使得疲於奔命的教師能好好用心出題的時間都被嚴重壓縮，連有沒有認認真真地好好考考學生各 方面的學術能力都成問題，更甭提學術能力也非社會所需的全部。

另外一個差異是，台灣的教育太過注重標準答案，可是嚴重扼殺學生的創意。但是歐美的教育很注重個人的啟發，所以頂尖的人才在歐美的教育環境，往往可以更容 易發揮出他們的潛力，表現出他們充沛的創造力。可是他們的對素質一般的學生，反正做得不見得比台灣好。台灣的教育環境，讓學生拚命練習考試、練習考試再練 習考試，讓學生的程度比起歐美整齊的多。以我和朋友們在美國唸博班當助教的經驗來看，台灣學生的程度差異在一個班中，算是比較整齊的，成績優劣幾乎憑個人 努力付出多寡。可是在美國大學，尤其是公立學校，大部分的學生，在數理方面真的很不行！

舉個例子來說，我們常常看到學生在實驗數據中，他們嘗試要把上噸的鹽溶在小燒杯裡，或者把實驗桌上的小鉛球射上火星，因為連單位都搞錯了Orz 有位老師在普通生物學考題上問學生什麼是pH值，居然有四分之一的學生選擇「它不存在」；還有老師指出，大四的學生，居然有兩成回答果蠅的基因數量是小於 一，另外兩成寫無窮大（正確數目大約是一萬多），他說那四成學生基本上是「完全的廢物」；還有很多搞笑的事，真是罄竹難書。面對這些學生，教授們的態度往 往是「放棄」，可是大數據或許能讓這情勢反轉。

台灣的教育環境，往往比歐美更善待中上程度的學生，用嚴酷的練習考試來磨練他們的能力，可是卻嚴重地忽略了頂尖人材的教育，而且也幾乎完全沒有為培養社會 各界的領袖所準備。台灣的大學，就算連頂尖的台大和清大，大致上都還是停留在訓練優異的幹部為主，教授的教學方式和內容，和其他大部分的大學幾乎沒差太 多，頂多深度有一些差異而已。可是，就拿美國來說，頂尖大學的目標是在培養頂尖的領袖！一流大學的目標是在培養社會各界菁英、二流大學的是在培養優異的幹 部、三流大學的是在培養良好的基層員工等等。所以，很不幸的，台灣的大學可能在培養優異的幹部上很稱職，可是要成為社會各界菁英，就只能靠學生自己的努力 和見識，領袖的話就算了。

要培養出優異的幹部，大數據的應用應該有其優勢，可是社會菁英和領袖的培養，大數據或許無用武之地，因為大據數無法告訴你過去未曾發生的事情，也無法預測 和產生出創新，因此對於台灣的教育，大數據可以提高學生的學業，可是五育的訓練，以及領袖和社會菁英的培養，我們可能先不要去思考什麼大數據之類的，先從 整體教育環境下手才比較實際。

關於教育，這裡只能點出冰山一角，我也沒有標準答案，但請容我在此私心介紹一位好友謝宇程在商周的高人氣專欄「學與業壯遊」，裡頭有很多很多問題，我們必須繼續思索。

台灣教育問題多如牛毛，不過我們不必對台灣教育灰心，看了以下影片，你應該會很感動，希望還是在的：

本文原刊登於【GENE思書軒】，並同步刊登於The Sky of Gene。

在紐約、倫敦、阿姆斯特丹或是其他任何一座現代大型城市中，數百萬棟建築聚在一塊兒，而每年總有幾千棟會被大火吞噬。消防隊有沒有可能事先預知哪一棟建築將竄出火花？有關部門又該如何決定資源的配置以因應潛在的嚴重意外？
 
過去看似無解的難題，巨量資料時代的來臨與資料探勘（data mining）技術的發展，或許帶來解決問題的一道曙光。
 
巨量資料時代
 
巨量資料在當今諸多領域都是熱門話題。用最簡單的話講，巨量資料就是數據資料的資料量大到難以進行分析、搜尋或是處理。目前我們的社會正以爆炸性的速度產生各種資料。根據IBM的報告，自人類有歷史以來，有90％的資料是在過去的兩年中被創造出來。
 
巨量資料主要來自電腦、智慧型手機、社群網站、各種錄影設備以及網路。不過隨著電腦運算能力與時俱進、軟體逐漸高度專業化，我們開始有能力處理並使用這些大海般的資料數據，也就是能開始進行資料探勘的工作。
 
資料探勘
 
回到火災的話題上，利用新科技與新軟體，各地消防部門的風險管理員得以分析一拖拉庫的資料數據。透過整合建築物、街道、水路、運輸管線、貧窮、屋齡、空屋、有無電氣問題、灑水器數量與位置、有無電梯等等與火災相關的資訊，與消防意外事件數、火災傷亡人數疊合，便能製作出一份「災害風險地圖」。
 
這張地圖對於消防部門助益極大。首先，消防部門能有效部屬應對不同事故所需的資源，例如化學火災或車禍，在災害發生第一時間就擁有正確的救難設備與資源。
 
其次，各地區消防員的訓練能依照各地災害風險的不同量身打造；進行例行性的消防檢查時，消防員也能從中得知哪些是風險最高的建築物，需要優先拜訪。而在此之前，消防員的例行檢查都是隨機進行的。
 
第三，對於那些住在災害風險高的建築物的居民，消防部門也能提供他們如何提升安全指數的改善建議。
 
最後，這套系統能作為消防部門決策的依據，根據風險高低制定救災優先順序。風險最高的地區需要最短的救災反應時間。同時，災害風險地圖也能協助指揮救災資源的配置。
 
不過，一切才剛開始，防災地圖未來有十足的發展可能性。比如說，未來消防車上將配置能顯示技術資訊與風險資料的螢幕，從社群媒體上取得資料也是考慮中的方案。
 
目前消防部門碰上所有推動防災工作的人都會遭遇的問題：他們無法證明火災發生次數的下降是否為災害風險地圖的功勞，某些「原本」應該付之一炬的建築，是否因為這份地圖而被拯救。或許只有透過長期的追蹤，這份火災的風險地圖才能在持續下降的數據當中，展現它的價值。

（本文由科技部補助｢新媒體科普傳播實作計畫─重大天然災害之防救災科普知識教育推廣｣執行團隊撰稿／2014年/3月）
 
責任編輯：鄭國威│元智大學資訊社會研究所

本文原發表於行政院科技部-科技大觀園「科技新知」。歡迎大家到科技大觀園的網站看更多精彩又紮實的科學資訊，也有臉書喔！

《精準預測：如何從巨量雜訊中，看出重要的訊息？》（The Signal and the Noise: Why So Many Predictions Fail—but Some Don’t）是一本非常值得期待的好書，Amazon.com就把《精準預測》評選為2012年最佳非文字書籍第一名！這不意外，因為Amazon.com就是精準預測顧客品味而稱霸零售業的XD 《精準預測》長居《紐約時報》（The New York Times）和Amazon.com的暢銷排行榜。

以一本談統計和預測的書而言，《精準預測》暢銷得異常。可是讀了《精準預測》之 後，就完全不意外了，因為《精準預測》真的是本很好看的書！雖然是處女作，不過席佛卻能把統計預測這看似乏味的事，解說成是世界上最有趣的玩意兒之一！他 對統計預測在經濟學、政治學、氣候學、地震學、流行病學、電腦科技、棒球、德州撲克、體育賭博等等領域，都有獨到和精闢的見解，讀這本《精準預測》是一趟樂趣無窮的知性之旅！

討論大數據的書開始變多，所以有了大數據，我們對這個世界的各方面，就能做出更好的預測嗎？各行各業和各學門，是否都要擁抱大數據呢？《大數據》（Big Data: A Revolution That Will Transform How We Live, Work, and Think）告訴我們，在大數據時代，可以不必在乎因果的問題，還有不擔心雜訊（請參見〈快準狠的大數據（Big Data）〉）。

可是預測天才奈特．席佛（Nate Silver）卻在《精準預測》指 出，其實關鍵還是人的解讀，不是純粹的數字而已。而最難預測之處在於，我們要懂得分辨出哪些是無意義的雜訊，哪些才是關鍵的訊號。如果誤把雜訊當訊號，做 出來的預測，不管用的數據有多龐大，都不會準確，而且嚴重的謬誤與損失還會迎面而來！數據導向的預測會成功也會失誤，數據並非多就是美，要求更多數據之 際，人更應該自我要求模型的正確。

席佛是美國當代知名的統計與預測鬼才。據說他從小就對數字與思考展現興趣與天分，六歲便開始預測棒球賽事。他進入芝加哥大學主修經濟學，並在大三前往倫敦 政經學院研修一年。大學畢業後，進入安侯建業事務所（KPMG）擔任顧問。在安侯建業雖然他有一份穩定高薪的工作，可是卻不是他真正想要的。

閱讀全文：

精準預測的訊號與雜訊

在紐約、倫敦、阿姆斯特丹或是其他任何一座現代大型城市中，數百萬棟建築聚在一塊兒，而每年總有幾千棟會被大火吞噬。消防隊有沒有可能事先預知哪一棟建築將竄出火花？有關部門又該如何決定資源的配置以因應潛在的嚴重意外？
 
過去看似無解的難題，巨量資料時代的來臨與資料探勘（data mining）技術的發展，或許帶來解決問題的一道曙光。
 
巨量資料時代
 
巨量資料在當今諸多領域都是熱門話題。用最簡單的話講，巨量資料就是數據資料的資料量大到難以進行分析、搜尋或是處理。目前我們的社會正以爆炸性的速度產生各種資料。根據IBM的報告，自人類有歷史以來，有90％的資料是在過去的兩年中被創造出來。
 
巨量資料主要來自電腦、智慧型手機、社群網站、各種錄影設備以及網路。不過隨著電腦運算能力與時俱進、軟體逐漸高度專業化，我們開始有能力處理並使用這些大海般的資料數據，也就是能開始進行資料探勘的工作。
 
資料探勘
 
回到火災的話題上，利用新科技與新軟體，各地消防部門的風險管理員得以分析一拖拉庫的資料數據。透過整合建築物、街道、水路、運輸管線、貧窮、屋齡、空屋、有無電氣問題、灑水器數量與位置、有無電梯等等與火災相關的資訊，與消防意外事件數、火災傷亡人數疊合，便能製作出一份「災害風險地圖」。
 
這張地圖對於消防部門助益極大。首先，消防部門能有效部屬應對不同事故所需的資源，例如化學火災或車禍，在災害發生第一時間就擁有正確的救難設備與資源。
 
其次，各地區消防員的訓練能依照各地災害風險的不同量身打造；進行例行性的消防檢查時，消防員也能從中得知哪些是風險最高的建築物，需要優先拜訪。而在此之前，消防員的例行檢查都是隨機進行的。
 
第三，對於那些住在災害風險高的建築物的居民，消防部門也能提供他們如何提升安全指數的改善建議。
 
最後，這套系統能作為消防部門決策的依據，根據風險高低制定救災優先順序。風險最高的地區需要最短的救災反應時間。同時，災害風險地圖也能協助指揮救災資源的配置。
 
不過，一切才剛開始，防災地圖未來有十足的發展可能性。比如說，未來消防車上將配置能顯示技術資訊與風險資料的螢幕，從社群媒體上取得資料也是考慮中的方案。
 
目前消防部門碰上所有推動防災工作的人都會遭遇的問題：他們無法證明火災發生次數的下降是否為災害風險地圖的功勞，某些「原本」應該付之一炬的建築，是否因為這份地圖而被拯救。或許只有透過長期的追蹤，這份火災的風險地圖才能在持續下降的數據當中，展現它的價值。

（本文由科技部補助｢新媒體科普傳播實作計畫─重大天然災害之防救災科普知識教育推廣｣執行團隊撰稿／2014年/3月）
 
責任編輯：鄭國威│元智大學資訊社會研究所

本文原發表於行政院科技部-科技大觀園「科技新知」。歡迎大家到科技大觀園的網站看更多精彩又紮實的科學資訊，也有臉書喔！