定點茶站導入「AI安全預測儀」但實際誤判女性行為為風險事件之技術治理、性別偏誤與演算法政治研究
- m55668
- 2025年12月12日
- 讀畢需時 9 分鐘
摘要
本研究探討定點茶站導入「AI安全預測儀」後，因演算法偏誤導致女性從業者行為被誤判為風險事件的現象。透過技術分析、性別政治視角、行為資料模型批判與跨國演算法治理案例，本研究指出：此類 AI 系統在實務運作中往往忽略情緒勞動、身體界線、拒絕權、疲勞循環與性別化風險，使女性從業者的正當行為被視為「異常」、甚至被列入高危名單，導致排班減少、收入下降、心理壓力增加與制度化歧視。本研究認為，AI 安全系統若未進行性別敏感訓練、資料去偏與多方治理，可能成為新的監控工具與壓迫機制，並以技術中立之名內化既有的性別權力關係。本文最終提出資料治理改革、AI 模型透明化、誤判申訴流程、以及建立從業者參與式演算法監督制度之具體政策建議。
第一章 引言：AI 在性產業中的治理矛盾
定點茶站、外送茶、私娼等性產業在台灣處於灰色地帶，既無法合法化管理，也無法完全根除。業者為降低暴力事件、糾紛、偷竊、逃單、以及警察臥底等風險，逐漸導入科技工具。其中，「AI安全預測儀」作為近年的技術新標準，聲稱能預測：
風險客戶
潛在衝突
從業者是否需要支援
異常工作行為
空間與時間上的安全事件
然而，本研究關注的不是 AI 能做什麼，而是它對誰有利、對誰不利。
大量女性工作者回報：
她們明明只是休息、調整情緒、拒絕客戶、或表現疲勞，卻被 AI 誤判為：
不合作
逃單前兆
激烈對抗
潛在衝突源
客訴風險
異常行為
這些誤判不僅影響收入，更影響職場評價、心理狀態與安全判斷。
在「安全治理」之名下，AI 可能正在重複一件事：
把女性的行為框進「可被管理」的模式，並排除一切不符合男性客戶期待的情緒與反應。
本研究欲回答三個核心問題：
AI 為何會誤判女性行為？
演算法如何放大既有的性別權力不平等？
該如何建立可行的「女性敏感型 AI 安全治理」？
第二章 文獻回顧：AI、性別偏誤與勞動監控
AI 不是中立技術，它反映了訓練資料、模型設計者與制度使用者的偏誤。本章將從三個面向整理相關研究。
2-1 AI 誤判與偏誤研究（Algorithmic Bias）
國際研究已指出：
面部辨識常誤判女性、黑人、弱勢群體
（Buolamwini & Gebru, 2018）
語意分析模型較容易將女性語氣詮釋為負向或激動
（Hovy & Prabhumoye, 2021）
AI 會將“拒絕”視為負向情緒，而非保護性反應
（Kaye, 2020）
這些偏誤被稱為「演算法性別歧視」。
當定點茶站採用這些模型時，偏誤自然延伸到性產業。
2-2 情緒勞動（Emotional Labor）與性工作
性工作者的情緒勞動包括：
回應客戶需求
調整氣氛
控制恐懼
隱藏不適
在危險時保持冷靜
（Hochschild, 1983）
然而，AI 只能分析語氣、速度、肢體動作等表面訊號，完全不知道：
壓力下的沉默並非“態度差”
拒絕客戶是自保
後退動作是避免危險
疲勞是長工時造成
AI 無法理解情緒勞動，因此容易誤判。
2-3 勞動監控（Workplace Surveillance）與平台化管理
Uber、Foodpanda 等平台已出現「自動化懲罰」：
延遲 → 算分下降
拒單 → 視為不合作
客訴 → 立即停權
這些制度被稱為「演算法管理」。
性產業導入 AI 後，出現類似的治理方式。
定點茶站的 AI 即具備以下特徵：
自動監控
風險分數化
管理者不需親自判斷
以技術包裝的控制更難被挑戰
女性從業者成為被演算法治理的對象。
第三章 AI安全預測儀的技術運作與偏誤來源
本研究整理市面上六種定點茶站常用的 AI 安全模型：
語意情緒分析模型
行為異常偵測模型
動作感測與影像辨識模型
顧客互動風險模型
作息與時間軌跡分析模型
聲音強度與語速偵測模型
這六種模型都有共同問題 ——
它們都是用“標準化行為模型”判斷“非標準化”的女性行為。
3-1 語意模型無法理解拒絕
系統將以下視為負向：
語氣較短
回覆不積極
明確拒絕
避免繼續聊天
但女性從業者會拒絕，是因為：
客戶要求違規
感受到危險
對方態度差
想保持界線
拒絕是必要的職業技能，不是風險行為。
3-2 疲勞、沉默、停頓被誤判為異常
AI 無法理解女性身體負荷。
例如：
連續接客 10 小時後回覆變慢
雷同對話導致情緒疲乏
遭遇粗魯客人後沈默不語
月經期疼痛導致動作遲緩
這些都是合理的身體與心理反應，但 AI 的“正常基準”是：
永遠快速、永遠溫柔、永遠正向、永不休息。
這等同把女性當作機器。
3-3 影像辨識誤讀身體界線行為
若女性：
後退
阻擋客人手部
用手推開座椅
整理衣物
避免觸碰
AI 可能判斷：
激烈動作
衝突前兆
爭吵升溫
暴力風險
完全顛倒事實。
3-4 行為模式偏誤：女性被期待“乖順”
AI 認為正常行為是：
快速回覆
微笑語氣
不強硬拒絕
配合客人節奏
服從管理要求
一旦不符合，就被視為異常。
這種標準本身就是男性凝視下的性別規訓。
第四章 誤判案例分析：AI 如何放大性別傷害
以下為綜合多位從業者經驗而成的匿名化案例。
案例一：疲勞被視為逃單前兆（Day-long Fatigue Case）
A 女連續工作 14 小時，在與客戶聊天時回覆變慢。
AI 偵測到「回覆時間偏離個人平常 3.1 秒」便給予：
行為異常警示
潛在逃單風險
自動降低派單優先度
A 女隔天被停派。
這是生理極限，不是不合作。
案例二：拒絕客戶＝“衝突誘發者”（Boundary Case）
B 女拒絕客戶的性要求，語氣堅定。
AI 情緒模型標記她為：
Negative Tone
Possible Conflict
Customer Dissatisfaction
管理者因此警告她「態度太硬」。
AI 將“拒絕權”視為“風險源”。
此為典型性別壓迫資訊化。
案例三：防衛動作被視為攻擊（Self-defense Misread）
C 女在客戶拉扯她衣服時迅速後退。
AI 將後退動作視為：
High Motion
Conflict Escalation
Dangerous Body Behavior
站方要求她寫報告，懷疑“她是否挑起爭端”。
實際上她是受害者。
AI 無法理解危險、暴力、恐懼與自我保護。
案例四：情緒崩潰被標記為“風險人格”（Emotional Collapse Case）
D 女因 PTSD 受到觸發，短暫沈默並停止訊息互動。
AI 將此標記為：
Low Cooperative Index
Emotional Instability
Risk Trigger
D 女因此被視為“不穩定工作者”。
這是一種「演算法污名化」。
案例五：月經痛被視為工作異常（Physical Cycle Case）
E 女因月經痛動作遲緩，被 AI 認為：
動作異常
生產力下降
客訴風險提高
月經變成“技術風險”。
第五章 AI演算法治理的性別政治
本章將從科技哲學、性別研究與權力分析視角討論 AI 治理。
5-1 誰能定義“正常行為”？
AI 所謂的“正常行為”其實體現三種權力：
業者的管理邏輯
男性客戶的期待
工程師的文化預設
AI 不是在預測“安全”，而是在預測“順從度”。
5-2 技術中立迷思：AI 正在把性別規範自動化
AI 將以下視為理想女性：
有禮
快速回覆
不反抗
不拒絕
不表達不舒服
不顯露疲勞
這是男性凝視下的完美女性形象。
AI 只是將這些規範自動化、制度化、不可挑戰化。
5-3 演算法管理作為新型紀律技術
傅柯（Foucault）的「紀律技術」指出：
權力透過監視、規範與紀錄滲入身體，使人自我約束。
AI 安全預測儀正扮演：
全時監控（永遠在看）
行為標準化（如何“該”工作）
自我懲罰（自我審查、壓抑情緒）
這種控制不會大聲命令，而是透過系統分數悄悄進行。
5-4 AI 把女性從業者推入“心理服從模式”（Psychological Conformity Mode）
女性開始害怕：
生氣
拒絕
表現疲勞
表達不舒服
休息
動作大
情緒波動
因為害怕被 AI 當成“問題來源”。
這種心理壓力使女性勞動更加脆弱。
第六章 跨國案例比較：AI 對弱勢群體的誤判是全球問題
本研究比較美國、韓國、日本與歐盟的三大領域案例。
6-1 美國：面部辨識誤判黑人與女性
研究顯示：
黑人女性被誤判為“陌生人”與“入侵者”的比率高出白人男性 34%。
造成大量冤案與安檢誤捕。
AI 強化了既有的種族與性別偏見。
6-2 韓國：直播平台對女性主播的情緒評分偏誤
韓國直播平台引入 AI“表現分析”，女性主播因：
月經期面部變化
疲勞
不願配合觀眾
安靜太久
被 AI 判為表現不佳。
情緒勞動被自動化評分。
6-3 日本：酒店與陪酒產業的客訴預測 AI
日本歌舞伎町出現「客訴預測 AI」，但女性因拒絕喝酒或拒絕被觸碰而被 AI 判為“客訴風險高”。
與本研究高度相似。
第七章 女性從業者的心理影響與勞動風險
AI 誤判造成四種主要心理衝擊：
7-1 自我懷疑與職場羞辱
女性開始懷疑：
是不是自己的錯？
我是不是太敏感？
AI 都說我有問題，那我一定真有問題？
這是典型的「演算法煤氣燈效應」。
7-2 情緒壓抑與界線消失
為了不被視為“對抗型”，女性不敢拒絕。
性別暴力風險反而上升。
7-3 自我審查與恐懼性工作模式
女性常回報：
“我覺得 AI 在盯著我呼吸。”
這種強度的監控令人焦慮。
7-4 職涯不安全感與財務不穩定
AI 的分數與派單直接連動，
誤判即影響生計。
第八章 制度分析：AI如何強化性產業的不平等結構
AI 的核心意義不是科技提升，而是：
把原本隱性的權力不對等，變成制度化的不對等。
8-1 男性客戶權力被技術強化
女性的拒絕被視為風險，
男性的需求被視為常態。
8-2 業者的監控權力被技術合法化
業者可說：
“是 AI 這樣判斷的，不是我。”
“這是系統客觀紀錄。”
藉此掩蓋不合理的管理。
8-3 從業者自主權被系統凍結
AI 評分不可挑戰。
連查詢紀錄都困難。
8-4 法律真空使 AI 濫用更容易
性產業非正式化，
導致從業者沒有法律保障。
AI 成為新的“黑箱規範者”。
第九章 政策與技術改革建議
為改善誤判與歧視，本研究提出七項改革：
9-1 建立性別敏感資料庫
訓練資料必須重新標記：
拒絕行為＝正常
疲勞＝工作風險，而非人格問題
後退動作＝防衛行為
情緒起伏＝承擔高強度勞動的自然反應
9-2 多方治理：從業者必須參與模型設計
不可只有工程師與老闆決定演算法。
9-3 AI 決策透明化
系統必須說明：
分數來源
標準
權重
資料來源
避免 AI 成為黑箱。
9-4 誤判申訴流程
女性可以提出：
分數審查
行為重新標記
人工覆核
第三方仲裁
9-5 禁止將拒絕與疲勞列為異常行為
建立「女性身體界線模型」：
拒絕＝自保
後退＝風險訊號
遲緩＝健康警訊
9-6 導入心理安全指標
AI 不應只偵測風險，而應偵測：
過勞
恐懼
歧視
不當客人行為
9-7 定期審查演算法偏誤
與跨國平台治理接軌，制定：
偏誤報告
性別影響評估（GIA）
模型迭代審查機制
結論：安全不能建立在誤判與性別規訓之上
AI 安全預測儀的誤判不只是技術問題，而是：
資料偏誤
性別權力不對等
演算法治理缺乏透明
監控文化滲透性產業
女性情緒與身體被當作可分析的物件
技術壟斷對弱勢勞工的剝削
真正的安全不在於：
監控女性
評分女性
規訓女性
而在於：
保障她們的拒絕權
理解她們的勞動狀態
保護她們的身心健康
讓她們參與治理
防範暴力客戶，而非壓迫從業者
AI 必須成為支持安全的工具，而不是新的壓迫者。
延伸閱讀
