請用此 Handle URI 來引用此文件：
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/101552完整後設資料紀錄
| DC 欄位 | 值 | 語言 |
|---|---|---|
| dc.contributor.advisor | 楊岳平 | zh_TW |
| dc.contributor.advisor | Yueh-Ping Yang | en |
| dc.contributor.author | 朱家伶 | zh_TW |
| dc.contributor.author | Chia-Ling Chu | en |
| dc.date.accessioned | 2026-02-11T16:18:12Z | - |
| dc.date.available | 2026-02-12 | - |
| dc.date.copyright | 2026-02-11 | - |
| dc.date.issued | 2026 | - |
| dc.date.submitted | 2026-02-03 | - |
| dc.identifier.citation | 中文文獻
一、 專書 李惠宗（2022），《憲法要義》，第9版，元照。 二、 專書論文 王文宇（2019），〈第一章金融法制與金融監理〉。收於：王文宇（等著），《金融法》，頁1-24，台北：元照。 李震山（2001），〈論個人資料之保護〉，收於：《行政法爭議問題研究（上）》，頁 657-664，五南。 李震山（2020），〈論資訊自決權〉，收於：《人性尊嚴與人權保障》，頁 239-314，元照。 黃昭元（2005），〈無指紋則無身分證？——換發國民身分證與強制全民捺指紋的憲法爭議分析〉，收於：《民主、人權、正義——蘇俊雄教授七秩華誕祝壽論文集》，頁 461-508，元照。 廖福特、翁逸泓（2008），〈兩難？共存？——國家處理個人資料與資訊隱私權保障之糾葛〉，收於：《二十一世紀公法學的新課題－城仲模教授古稀祝壽論文集》，頁225－317，新學林。 三、 期刊論文 何之行、廖貞（2020），〈AI個資爭議在英國與歐盟之經驗——以Google DeepMind一案為例〉，《月旦法學雜誌》，302期，頁127-156。 李沛宸（2019），〈實施歐盟個人資料保護規章對人工智慧發展之影響〉，《財金法學研究》，第 2 卷第 1 期，頁 125-156。 李震山（2005），〈來者猶可追，正視個人資料保護問題──司法院大法官釋字第六○三號解釋評析〉，《台灣本土法學雜誌》，第76期，頁222-234。 周振鋒（2019），〈論機器人投資顧問之興起與投資人之保護──以美國法為中心〉，《東吳法律學報》，30卷4期，頁69-107。 林勤富（2025），〈歐盟《人工智慧法》之制度設計、規範內涵與治理侷限〉，《中研院法學期刊》，第36期，頁1-119。 邱文聰（2009），〈從資訊自決與資訊隱私的概念區分──評「電腦處理個人資料保護法修正草案」的結構性問題〉，《月旦法學雜誌》，第 168 期，頁 172-189。 范姜真媺（2013），〈個人資料保護法關於「個人資料」保護範圍之檢討〉，《東海大學法學研究》，第 41 期，頁 91-123。 徐彪豪（2015），〈被遺忘權近期發展──歐盟法院判決週年後回顧與本土觀察〉，《科技法律透析》，第 27 卷第 11 期，頁 50-70。 翁清坤（2008），〈臺灣與美國金融機構分享客戶個人資料之法律界限〉，《輔仁法學》，第35期，頁69-162 張文村、呂宜穎、詹雅慧、林淑萍、陳宇軒、葉育惠（2019），〈人工智慧技術應用於中小企業徵信之初探〉，《電工通訊季刊》，第2季，頁81-88。 張志偉（2017），〈記憶或遺忘，抑或相忘於網路──從歐洲法院被遺忘權判決，檢視資訊時代下的個人資料保護〉，《政大法學評論》，第 148 期，頁 1-68。 張志偉（2017），〈從資訊自決與資訊隱私的概念區分，檢視被遺忘權的證立問題〉，《萬國法律》，第 211 期，頁 2-15。 張陳弘（2019），〈新興科技下的資訊隱私保護—「告知後同意原則」的侷限性與修正方法之提出〉，《臺灣大學法學論叢》，第47卷第1期，頁201-297。 許炳華（2015），〈被遺忘的權利：比較法之觀察〉，《東吳法律學報》，第 27卷第1期，頁125-163。 陳家駿（2024），〈以人為本之 AI 及其透明性與可解釋性──我國人工智慧基本法草之省思與建議〉，《教育暨資訊科技法學評論》，13 期，頁81-96。 陳鋕雄、劉庭妤（2011），〈從「個人資料保護法」看病患資訊自主權與資訊隱私權之保護〉，《月旦民商法雜誌》，第 34 期，頁23-57。 曾憲立、朱斌妤、陳恭、戴豪君（2024），〈個人資料授權在知情同意機制的優化研究〉，《行政暨政策學報》，第78期，頁67-93。 楊岳平（2020），〈演算法時代下的投資顧問監理議題──以理財機器人監理為例〉，《月旦民商法雜誌》，67期，頁28-50。 楊岳平（2023），〈金融消費者保護法制與監理的法律經濟分析觀點──以行為經濟學的應用為中心〉，《月旦法學雜誌》，339期，頁19-41。 楊智傑（2015），〈個人資料保護法制上「被遺忘權利」與「個人反對權」：從 2014 年西班牙「Google v. AEPD」案判決出發〉，《國會月刊》，第 43 卷第 7 期，頁19-43。 劉青峰（2023），〈COVID-19 疫情下資訊自決權之研究－以歐洲人權公約第 8 條作為比較法對象〉，《中原財經法學》，第 50 期，頁227-315。 劉靜怡（2010），〈不算進步的立法：「個人資料保護法」初步評析〉，《月旦法學雜誌》，第 183 期，頁 147-164。 劉靜怡（2012），〈社群網路時代的隱私困境：以 Facebook 為討論對象〉，《臺大法學論叢》，第 41 卷第 1 期，頁1-70。 劉靜怡（2022），〈違憲之後－111年憲判字第13號判決簡評〉，《當代法律》，第11期，頁6-11。 蘇柏鳴（2018），〈徵信與 Fintech 發展淺談〉，《金融聯合徵信》，第32期，頁17-20。 四、 學位論文 呂承儒（2022），《論金融控股公司共同行銷之個人資料保護法制》，國立臺灣大學法律學研究所碩士論文。 五、 決議、解釋、函令或研究意見 金融監督管理委員會（2020），《金融科技發展路徑圖報告書》。 金融監督管理委員會（2024），《金融業運用人工智慧（AI）指引》。 國家科學及技術委員會（2024），《人工智慧基本法草案總說明及條文》。 謝碩駿，〈行政機關資料蒐集與個資保護〉，《Human Rights法務局人權系列》，臺北市政府（2020）。 六、 計畫報告 谷湘儀、洪志麟、賴冠妤、陳國瑞與呂馥伊（2016），《機器人投資顧問（Robo-Advisor）國外實務及相關法令與管理措施之研究》，資產管理產業發展與人才培育基金委託專題研究。 陳安斌、陳莉貞、蘇秀玲、郭怡君（2018），〈我國發展機器人理財顧問之研究〉，《中華民國證券投資信託暨顧問商業同業公會委託報告》，載於： https://webline.sfi.org.tw/download/resh_ftp/AMEDFund/%E6%88%91%E5%9C%8B%E7%99%BC%E5%B1%95%E6%A9%9F%E5%99%A8%E4%BA%BA%E7%90%86%E8%B2%A1%E9%A1%A7%E5%95%8F%E4%B9%8B%E7%A0%94%E7%A9%B6.pdf.。 七、 網路資料與其他 工商時報（2024），〈年關近慎防詐騙！北富銀 AI 洗防系統正式啟用 全國首創AI洗錢防制模型〉，載於：https://www.ctee.com.tw/news/20240206701304-430304。 工商時報（2024），〈銀行業 台北富邦銀行秉持361度服務 多一度溫暖客戶心〉，載於：https://www.ctee.com.tw/news/20240505700163-439903。 工商時報（2025），〈AI扮利器 銀行阻詐戰力升〉，載於：https://www.ctee.com.tw/news/20250206700162-439901。 中央通訊社（2018），〈中信銀導入 AI 核貸只要幾分鐘〉，載於：https://tw.news.yahoo.com/%E4%B8%AD%E4%BF%A1%E9%8A%80%E5%B0%8E%E5%85%A5ai-%E6%A0%B8%E8%B2%B8%E5%8F%AA%E8%A6%81%E5%B9%BE%E5%88%86%E9%90%98-123729970.html。 台新銀行（2021），〈台新銀「手t貸」AI智能徵審 數位信貸撥款加速10倍〉，載於：https://www.taishinbank.com.tw/TSB/personal/common/news/TSBankNews-002349/。 台新銀行（2025），〈台新三十 智能客服 Rose 再升級 領先改版照顧無障礙需求〉，載於：https://www.taishinbank.com.tw/TSB/personal/common/news/TSBankNews-003658/。 自由時報（2025），〈機器人理財資產規模達131億 客戶數破21.6萬人〉，載於：https://ec.ltn.com.tw/article/breakingnews/5022828。 吳品樺（2024），〈隱私強化技術：平衡資料保護與資料應用〉，數位發展部，https://moda.gov.tw/press/multimedia/blog/12810。 呂依舫（2021），〈【美股研究報告】金融科技新創 Affirm 的魅力何在？與美國前三大電商合作，更成為亞馬遜獨家BNPL供應商！〉，《CM Money投資網誌》，載於：https://www.forecastock.tw/article/yvonnelu-6b5a5686-d959-11ef-89f2-04e31b60a914。 林宏軒、李肇棠、江滄明（2018），〈深度學習的訓練資料準備與平台之演進發展〉，《電腦與通訊》，載於：https://ictjournal.itri.org.tw/xcdoc/cont?xsmsid=0M236556470056558161&sid=0M265628861865857206。 金融監督管理委員會（2025），〈金管會公布金融業應用人工智慧(AI)調查結果〉，載於：https://www.fsc.gov.tw/ch/home.jsp?id=96&parentpath=0,2&mcustomize=news_view.jsp&dataserno=202505200001&dtable=News。 經濟日報（2024），〈智能理財客戶 小資族最多 多數選擇定期定額〉，載於：https://money.udn.com/money/story/5613/8306733。 遠見雜誌（2025），〈AI法案之父：法案漏洞多，監管仍待完善〉，載於：https://www.ctee.com.tw/news/20250103700988-431003。 數位時代（2021），〈中國信託以客戶視角發展聊天機器人 機器人客服小C會傳 LINE、講電話 多元溝通模式滿足客戶需求〉，載於：https://www.bnext.com.tw/article/63044/bankingmyway-07。 聯合新聞網（2025），〈台灣3家金控躋身全球百大銀行〉，https://udn.com/news/story/6839/8638432。 英文文獻 一、 專書 CONGDON, WILLIAM J., et al. (2011), POLICY AND CHOICE: PUBLIC FINANCE THROUGH THE LENS OF BEHAVIORAL ECONOMICS. COOTER, ROBERT & THOMAS ULEN (2016), LAW AND ECONOMICS, 6th ed. EL EMAM, KHALED (2020), ACCELERATING AI WITH SYNTHETIC DATA. HRADEC, J. et al. (2022), MULTIPURPOSE SYNTHETIC POPULATION FOR POLICY APPLICATIONS. LYNSKEY, O. (2015), THE FOUNDATIONS OF EU DATA PROTECTION LAW. MCCARTHY, JOHN (1997), WHAT IS ARTIFICIAL INTELLIGENCE? NEGNEVITSKY, MICHAEL(2011), ARTIFICIAL INTELLIGENCE: A GUIDE TO INTELLIGENT SYSTEMS, 3rd ed. SHAVELL, STEVEN (2004), FOUNDATIONS OF ECONOMIC ANALYSIS OF LAW. SOLOVE, DANIEL J. & PAUL M. SCHWARTZ, INFORMATION PRIVACY LAW 871 (7th ed. 2023). THALER, RICHARD H. & CASS R. SUNSTEIN (2009), NUDGE: IMPROVING DECISIONS ABOUT HEALTH, WEALTH, AND HAPPINESS (Revised & Expanded ed.). TOM BIGHAM ET AL(2024), AI AND RISK MANAGEMENT: INNOVATING WITH CONFIDENCE, DELOITTE 8. 二、 期刊論文 Abioye, S. et al. (2021), Artificial Intelligence in the Construction Industry: A Review of Present Status, Opportunities and Future Challenges, 44 JOURNAL OF BUILDING ENGINEERING 10. Acquisti, A. et al.(2016), The Economics of Privacy, 54 JOURNAL OF ECONOMIC LITERATURE 442. Akerlof, G.A. (1970), The Market for Lemons: Quality Uncertainty and the Market Mechanism, 84(3) THE QUARTERLY JOURNAL OF ECONOMICS 488. Akerlof, George A. (1970), The Market for Lemons: Quality Uncertainty and the Market Mechanism, 84(3) QUARTERLY JOURNAL OF ECONOMICS 488. Beaulieu-Jones, B.K. et al. (2019), Privacy-Preserving Generative Deep Neural Networks Support Clinical Data Sharing, 12(7) CIRC CARDIOVASC QUAL OUTCOMES 2. Bellovin, S.M. et al. (2019), Privacy and Synthetic Datasets, 22 STANFORD TECHNOLOGY LAW REVIEW 1. Bourtoule, Lucas et al. (2021), Machine Unlearning, IEEE SYMPOSIUM ON SECURITY AND PRIVACY 141. Brown, T.B. et al. (2020), Language Models Are Few-Shot Learners, 33 ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS 1877. Bubb, Ryan & Richard H.P. (2014), How Behavioral Economics Trims Its Sails and Why, 127 HARVARD LAW REVIEW 1593. Calo, Ryan (2014), Digital Market Manipulation, 82(4) GEORGE WASHINGTON LAW REVIEW 995. Cao, Yinzhi et al. (2015), Towards Making Systems Forget with Machine Unlearning, IEEE SYMPOSIUM ON SECURITY AND PRIVACY 463. Chen, Xue-Wen & Xiaotong Lin (2014), Big Data Deep Learning: Challenges and Perspectives, 2 IEEE ACCESS 514. Chong Huang et al. (2017), Context-Aware Generative Adversarial Privacy, 19(12) ENTROPY 656. Chowdhery, A. et al. (2022), PaLM: Scaling Language Modeling with Pathways, 240 THE JOURNAL OF MACHINE LEARNING RESEARCH 11324. Chundawat, V.S. et al. (2023), Zero-Shot Machine Unlearning, 18 IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY 2345. COASE, Ronald H. (1960), The Problem of Social Cost, 3 JOURNAL OF LAW & ECONOMICS 837. Cohen, J.E. (2000), Examined Lives: Informational Privacy and the Subject as Object, 52(5) STANFORD LAW REVIEW 1373. Craswell, Richard (1993), Property Rules in Unconscionability and Related Doctrines, 60(1) UNIVERSITY OF CHICAGO LAW REVIEW 1. Elizabeth, B.K. (2002), Privacy and Financial Institutions: Current Developments concerning the Gramm-Leach-Bliley Act of 1999, 21 ANNUAL REVIEW OF BANKING LAW 167. Emam, K.E. et al. (2020), Evaluating Identity Disclosure Risk in Fully Synthetic Health Data: Model Development and Validation, 22(11) JOURNAL OF MEDICAL INTERNET RESEARCH e23139, 736. Fernández, Ana (2019), Artificial Intelligence in Financial Services, 2 ECONOMIC BULLETIN 4. Gal, M.S. & Orla Lynskey (2024), Synthetic Data: Legal Implications of the Data-Generation Revolution, 109 IOWA LAW REVIEW 1087. Ginart, A.A. et al. (2019), Making AI Forget You: Data Deletion in Machine Learning, 32 ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS 3518. Hert, P.D. & Vagelis P. (2016), The New General Data Protection Regulation: Still a Sound System for the Protection of Individuals?, 32 COMPUTER LAW & SECURITY REVIEW 179. Hinton, G. E. & Salakhutdinov, R. R. (2006), Reducing the Dimensionality of Data with Neural Networks, 313 SCIENCE 504. Hinton, G. E., et al. (2006), A Fast Learning Algorithm for Deep Belief Nets, 18 NEURAL COMPUTATION 1527. Jolls, Christine et al. (1998), A Behavioral Approach to Law and Economics, 50(5) STANFORD LAW REVIEW 1471. Kahneman, Daniel & Amos Tversky (1974), Judgment under Uncertainty: Heuristics and Biases, 185 SCIENCE 1124. Kahneman, Daniel & Amos Tversky (1979), Prospect Theory: An Analysis of Decision Under Risk, 47(2) ECONOMETRICA 263. Kalyan, K.S. (2024), A Survey of GPT-3 Family Large Language Models Including ChatGPT and GPT-4, 6 NATURAL LANGUAGE PROCESSING JOURNAL 100048. Lambert, Thomas A. (2017), From Gadfly to Nudge: The Genesis of Libertarian Paternalism, 82 MISSOURI LAW REVIEW 623. LeCun, Y., et al. (2015), Deep Learning, 521 NATURE 436. Leitner, Georg, et al. (2024), The Rise of Artificial Intelligence: Benefits and Risks for Financial Stability, FINACIAL STABILITY REVIEW 104. McCarthy, John (1978), History of Lisp, 13 SIGPLAN NOTICES 217. McCulloch, Warren S. & Walter Pitts (1943), A Logical Calculus of the Ideas Immanent in Nervous Activity, 5 BULLETIN OF MATHEMATICAL BIOPHYSICS 115. Mills, Kevin (2022), Consent and the Right to Privacy, 39 JOURNAL OF APPLIED PHILOSOPHY 721. Narechania, T. N. & Sitaraman, G. (2023), An Antimonopoly Approach to Governing Artificial Intelligence, 24(9) VANDERBILT LAW RESEARCH PAPER. Nguyen, Q.P. et al. (2020), Variational Bayesian Unlearning, 33 ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS 16025. Patel, S. et al. (2021), Colour Image Encryption Based on Customized Neural Network and DNA Encoding, 33 NEURAL COMPUTING AND APPLICATIONS 14533. Qu, Youyang et al. (2024), Learn to Unlearn: Insights into Machine Unlearning, 57(3) COMPUTER 79. Schnitzler, T. et al. (2021), SoK: Managing Longitudinal Privacy of Publicly Shared Personal Online Data, 2021 PROCEEDINGS ON PRIVACY ENHANCING TECHNOLOGIES 229. Schwartz, P.M. (1997), Privacy and the Economics of Personal Health Care Information, 76(1) TEXAS LAW REVIEW 1. Schwartz, P.M. (2004), Property, Privacy, and Personal Data, 117(7) HARVARD LAW REVIEW 2056. Shokri, R. et al. (2017), Membership Inference Attacks Against Machine Learning Models, IEEE SYMPOSIUM ON SECURITY & PRIVACY 3. Simon, Herbert A. (1955), A Behavioral Model of Rational Choice, 69 QUARTERLY JOURNAL OF ECONOMICS 99. Sommer, Daniel M. et al. (2022), Athena: Probabilistic Verification of Machine Unlearning, 3 PROCEEDINGS ON PRIVACY ENHANCING TECHNOLOGIES 268. Sovern, Jeff (1999), Opting in, Opting out, or No Options at All: The Fight for Control of Personal Information, 74(4) WASHINGTON LAW REVIEW 1033. Stiglitz, Joseph E. (1989), Markets, Market Failures, and Development, 79 AMERICAN ECONOMIC REVIEW 197. Sunstein, Cass R. (2013), The Storrs Lectures: Behavioral Economics and Paternalism, 122(7) YALE LAW JOURNAL 1826. Sunstein, Cass R. et al. (1998), A Behavioral Approach to Law and Economics, 50 STANFORD LAW JOURNAL 1471. Thaler, Richard H. (2016), Behavioral Economics: Past, Present, and Future, 106(7) AMERICAN ECONOMIC REVIEW 1577. Tversky, Amos & Daniel Kahneman (1973), Availability: A Heuristic for Judging Frequency and Probability, 5(2) COGNITIVE PSYCHOLOGY 207. Tversky, Amos & Daniel Kahneman (1991), Loss Aversion in Riskless Choice: A Reference-Dependent Model, 106 QUARTERLY JOURNAL OF ECONOMICS 1039. Wu, Yinjun et al. (2020), Deltagrad: Rapid Retraining of Machine Learning Models, 119 PROCEEDINGS OF THE 37TH INTERNATIONAL CONFERENCE ON MACHINE LEARNING 10355. Xu, Jie et al. (2021), Machine Unlearning: Solutions and Challenges, 14(8) JOURNAL OF LATEXX CLASS FILES 1. Xu, Yongjun et al.(2021), Artificial Intelligence: A Powerful Paradigm for Scientific Research, 2(4) THE INNOVATION 100179. Zeller, Bruno et al. (2019), The Right to Be Forgotten—The EU and Asia Pacific Experience (Australia, Indonesia, Japan and Singapore), 2019(1) EUROPEAN HUMAN RIGHTS LAW REVIEW 23. Zouari, G. & Marwa A. (2021), Customer Satisfaction in the Digital Era: Evidence from Islamic Banking, 10(9) JOURNAL OF INNOVATION AND ENTREPRENEURSHIP 2. 三、 研討會論文 Brophy, Jonathan & Daniel Lowd (2021), Machine Unlearning for Random Forests, 139 PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON MACHINE LEARNING 1092. Chen, M. et al. (2021), When Machine Unlearning Jeopardizes Privacy, PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON MACHINE LEARNING 896. Guo, Changsheng et al. (2020), Certified Data Removal from Machine Learning Models, 359 INTERNATIONAL CONFERENCE ON MACHINE LEARNING 3832. Marchant, N.G. et al. (2022), Hard to Forget: Poisoning Attacks on Certified Machine Unlearning, 36(7) PROCEEDINGS OF THE AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE 7691. Mitchell, Eric et al. (2022), Memory-Based Model Editing at Scale, 162 PROCEEDINGS OF THE 39TH INTERNATIONAL CONFERENCE ON MACHINE LEARNING 15817. Rebedea T. et al. (2023), Nemo Guardrails: A Toolkit for Controllable and Safe LLM Applications with Programmable Rails, in CONFERENCE ON EMPIRICAL METHODS IN NATURAL LANGUAGE PROCESSING 431. 四、 專書論文 CAMERER, COLIN F. et al. (2004), BEHAVIORAL ECONOMICS: PAST, PRESENT, FUTURE, in ADVANCES IN BEHAVIORAL ECONOMICS 1(Colin F. Camerer et al. eds.). Kahneman, Daniel et al. (2004), Experimental Tests of the Endowment Effect and the Coase Theorem, in ADVANCES IN BEHAVIORAL ECONOMICS 1325 (Colin F. Camerer et al. eds.). Thaler, Richard H. et al. (2013), Choice Architecture, in THE BEHAVIORAL FOUNDATIONS OF PUBLIC POLICY 428 (Eldar Shefir ed.). Viale, Riccardo (2018), Understanding Financial Behaviour for Better Policy Making: An Introduction, in THE BEHAVIOURAL FINANCE REVOLUTION 2 (Riccardo Viale et al. eds.). 五、 案例 Court of Justice of the European Union, Google Spain SL – Agencia Española de Protección de Datos (AEPD), Case C-131/12, ECLI:EU:C:2014:317 (Judgment of May 13, 2014). French Conseil d’État, Ligue des droits de l’Homme – Région PACA, Decision No. 426311 (Judgment of Feb. 27, 2020). 六、 決議、解釋、函令或研究意見 Article 29 Data Protection Working Party (2014), Opinion 05/2014 on Anonymisation Techniques (WP216). Barberá Isabel (2025), AI Privacy Risks & Mitigations – Large Language Models (LLMs), EUROPEAN DATA PROTECTION BOARD. Bernanke, Ben S. (2010), Causes of the Recent Financial and Economic Crisis, TESTIMONY, FEDERAL RESERVE. European Data Protection Board (2024), Opinion 28/2024 on Certain Data Protection Aspects Related to the Processing of Personal Data in the Context of AI Models. European Data Protection Board(2024), Guidelines 1/2024 on processing of personal data based on Article 6(1)(f) GDPR, Version 1.0. Organisation for Economic Cooperation and Development (2019), Recommendation of the Council on Artificial Intelligence, OECD. Sartor, Giovanni (2020), The Impact of the General Data Protection Regulation (GDPR) on Artificial Intelligence, EUROPEAN PARLIAMENTARY RESEARCH SERVICE, Study No. 641530. Shrishak, Kris (2024), AI: Complex Algorithms and Effective Data Protection Supervision – Bias Evaluation, EUROPEAN DATA PROTECTION BOARD. Shrishak, Kris (2024), AI: Complex Algorithms and Effective Data Protection Supervision – Effective Implementation of Data Subjects’ Rights, EUROPEAN DATA PROTECTION BOARD. U.S. Department of the Treasury (2024), Managing Artificial Intelligence-Specific Cybersecurity Risks in the Financial Services Sector. 七、 計畫報告 HARVARD BUSINESS REVIEW ANALYTIC SERVICES (2021), THE EXECUTIVE'S GUIDE TO ACCELERATING ARTIFICIAL INTELLIGENCE AND DATA INNOVATION WITH SYNTHETIC DATA. World Intellectual Property Organization (WIPO) (2019), WIPO Technology Trends 2019: Artificial Intelligence. 八、 網路資料與其他 Ahmed, Nabilaa et al., Deepfake Imposter Scams Are Driving a New Wave of Fraud, BLOOMBERG(Aug. 21, 2023), https://www.bloomberg.com/news/articles/2023-08-21/money-scams-deepfakes-ai-will-drive-10-trillion-in-financial-fraud-and-crime. Bousquette, Isaballe, Deepfakes Are Coming for the Financial Sector, WALL STREET JOURNAL (Apr. 3, 2024 7:00 AM), https://www.wsj.com/articles/deepfakes-are-coming-for-the-financial-sector-0c72d1e5 Brightwood, S. & Henry J. (2024), Data Privacy, Security, and Ethical Considerations in AI-Powered Finance, RESEARCH GATE 1,2, https://www.researchgate.net/publication/379078709_Data_privacy_security_and_ethical_considerations_in_AI-powered_finance. Copeland, Michael, What’s the Difference Between Artificial Intelligence, Machine Learning and Deep Learning?, NVIDIA (July 29, 2016), https://blogs.nvidia.com/blog/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/. Deloitte, Generative AI is Expected to Magnify the Risk of Deepfakes and Other Fraud in Banking, https://www2.deloitte.com/us/en/insights/industry/ financial-services/financial-services-industry-predictions/2024/deepfake-banking-fraud-risk-on-the-rise.html. Gartner, Gartner Identifies Top Trends Shaping the Future of Data Science and Machine Learning (Aug. 1, 2023), https://www.gartner.com/en/newsroom/ press-releases/2023-08-01-gartner-identifies-top-trends-shaping-future-of-data-science-and-machine-learning. Koubaa, A., GPT-4 vs. GPT-3.5: A Concise Showdown, (Mar. 24, 2023), https://doi.org/10.20944/preprints202303.0422.v1. Manab, Meem Arafat, Eternal Sunshine of the Mechanical Mind: The Irreconcilability of Machine Learning and the Right to be Forgotten (Mar. 6, 2024), https://arxiv.org/abs/2403.05592. Mejia, Niccolo, AI for Credit Scoring – An Overview of Startups and Innovation, EMERJ (Dec. 10, 2018), https://emerj.com/ai-sector-overviews/ai-for-credit-scoring-an-overview-of-startups-and-innovation/. Newton Investment Management, Synthetic Data: Fuel for the AI World (May 22, 2023), https://www.newtonim.com/us-institutional/insights/blog/synthetic-data-fuel-for-the-ai-world/. Radford, A., et al. (2019), Language Models are Unsupervised Multitask Learners, OPENAI BLOG, https://cdn.openai.com/better-language-models/language_models _are_unsupervised_multitask_learners.pdf. RISE Research Institutes of Sweden, Generative AI Does Not Run on Thin Air!, RISE (Feb. 21, 2024), https://www.ri.se/en/news/blog/generative-ai-does-not-run-on-thin-air. Rothmann, C.C., Protecting Data Privacy: A Baseline for Responsible AI, CSIS, (Jul. 18, 2024), https://www.csis.org/analysis/protecting-data-privacy-baseline-responsible-ai. Savage, Neil, Breaking into the Black Box of Artificial Intelligence, NATURE (Apr. 1, 2022), https://doi.org/10.1038/d41586-022-00858-1. Slinas, Diego, Intelligent Customer Service in 2025: A Guide on Benefits & Implementation, CLOUDTALK (Dec. 20, 2024), https://www.cloudtalk.io/blog/intelligent-customer-service. Swire, P.P., Markets, Self-Regulation, and Government Enforcement in the Protection of Personal Information, NATIONAL TELECOMMUNICATIONS AND INFORMATION ADMINISTRATION, https://www.ntia.doc.gov/page/chapter-1-theory-markets-and-privacy. Vondohlen, Eric, How Does AI-Based Credit Scoring Fare Against Traditional Credit Scoring?, FINEXTRA (Nov. 27, 2018), https://www.finextra.com/blogposting/ 16343/how-does-ai-based-credit-scoring-fare-against-traditional-credit-scoring. White House Office of Science and Technology Policy, Blueprint for an AI Bill of Rights: Making Automated Systems Work for the American People (2022), https://bidenwhitehouse.archives.gov/ostp/ai-bill-of-rights/. Zhang, Dawen et al. (2024), Right to Be Forgotten in the Era of Large Language Models: Implications, Challenges, and Solutions, arXiv:2307.03941. Zhao, Wayne Xin et al.(2025), A Survey of Large Language Models (version 16), https://arxiv.org/abs/2303.18223. 德文文獻 一、 專書 BÄCKER, M. (2006). INFORMATIONELLE SELBSTBESTIMMUNG UND INFORMATIONSTECHNISCHE SYSTEME, MOHR SIEBECK. HOFFMANN, C. et al. (2015). DIE DIGITALE DIMENSION DER GRUNDRECHTE – DAS GRUNDGESETZ IM DIGITALEN ZEITALTER, NOMOS. 二、 期刊論文 Bäcker, M. (2012). Grundrechtlicher Informationsschutz gegen Private. 51(1) DER STAAT, 91. Luch, A. D. et al. (2014). Ein Recht auf Vergessenwerden als Ausprägung einer selbstbestimmten digitalen Persönlichkeit – Anmerkung zum Urteil des EuGH v. 13.5.2014 (Google), 49(6) EUROPARECHT (EUR) 698. Von Lewinski, K. (2015). Staat als Zensurhelfer – Staatliche Flankierung der Löschpflichten Privater nach dem Google-Urteil des EuGH, ARCHIV FÜR PRESSERECHT (AFP) 1. | - |
| dc.identifier.uri | http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/101552 | - |
| dc.description.abstract | 在當今網路科技高度發展的時代，資訊傳播快速且難以遏止，使「遺忘」不再 輕而易舉，也使社會對個人資料保護的關注日益升高。然而，隨著人工智慧（AI）技術的興起，個人資料刪除權首當其衝地面臨嚴峻挑戰。尤其在金融領域，AI已廣泛應用於信用評分、詐欺偵測與風險管理等高敏感性決策場景，其模型效能高度 依賴長期且完整的個人資料作為基礎。惟深度學習模型本質上係透過將訓練資料 隱含於模型權重中，具有高度黑箱性與不可逆性，即使表面上刪除了原始資料，模型參數中仍可能殘留具可識別性之資訊，凸顯AI應用與刪除權保障之間潛藏的制度張力。
本文以法律經濟學為分析基礎，結合古典經濟學強調的契約自由與行為經濟學揭示的決策偏誤，檢視現行《個人資料保護法》在刪除權設計上的侷限，並比較歐盟《一般資料保護規則》（GDPR）與美國《加州消費者隱私法案》（CPRA）的規範策略。GDPR採取高強度的不可讓渡路徑，刪除權不得透過契約排除或弱化； CPRA則在同樣確保刪除權為基本權的前提下，允許企業以優惠折扣等方式交換資料，但必須符合明確揭露、明示同意與隨時撤回之條件，以市場誘因確保資料供給穩定。對照之下，我國雖在實務上允許透過契約約定保存期限以維持一定彈性，但欠缺明確的對價規範與隨時撤回等可逆性設計，致使同意容易流於形式，並加劇資訊不對稱的風險。 基於比較法觀察與法律經濟分析結果，本文建議未來修法應明文化資料利用的「有償契約自由」並結合行為經濟學導向的「輕推」措施，特別是資訊揭露與隨時撤回，以引導資料主體做出理性與自主的選擇，進而在隱私保障與AI發展之間建立可持續的平衡。 | zh_TW |
| dc.description.abstract | In today’s era of highly developed digital technologies, information spreads rapidly and is difficult to restrain, making “forgetting” no longer effortless and heightening society’s concern for personal data protection. Yet with the rise of artificial intelligence (AI), the right to erasure faces particularly acute challenges. In the financial sector, where AI is widely applied in sensitive decision-making contexts such as credit scoring, fraud detection, and risk management, model performance depends heavily on long-term, stable, and comprehensive datasets. However, deep learning models embed training data implicitly into their parameters, carrying an inherently opaque and irreversible “black-box” nature. Even if the original data is ostensibly deleted, identifiable traces may remain within model weights. Coupled with the prohibitive costs of retraining, this reality greatly undermines the effectiveness of exercising the right to erasure, underscoring the structural tension between AI applications and data protection guarantees.
This thesis employs a law-and-economics perspective, integrating the classical economic emphasis on contractual freedom with behavioral economics’ insights on decision-making biases, to examine the limitations of Taiwan’s Personal Data Protection Act (PDPA) in its design of the right to erasure. It further conducts a comparative analysis of the regulatory strategies under the EU General Data Protection Regulation (GDPR) and the California Privacy Rights Act (CPRA). While the GDPR adopts a strict inalienability approach—prohibiting any contractual exclusion or dilution of the right to erasure—the CPRA, while still treating the right as a fundamental entitlement, permits companies to exchange data for financial incentives such as discounts, provided that such arrangements meet conditions of explicit disclosure, express consent, and the possibility of withdrawal at any time. By contrast, Taiwan’s regime allows contractual stipulation of retention periods in practice, thereby maintaining some flexibility, yet it lacks explicit provisions on consideration or reversibility (such as withdrawal rights), leaving consent vulnerable to formalism and exacerbating information asymmetry risks. Based on these comparative findings and law-and-economics analysis, this thesis argues that future reforms in Taiwan should explicitly incorporate a framework of “remunerated contractual freedom” while complementing it with behavioral economics-inspired “nudge” measures, particularly robust disclosure obligations and a right of withdrawal. Such a framework would guide individuals toward making informed and autonomous data-sharing decisions, thereby establishing a sustainable balance between privacy protection and AI-driven innovation. | en |
| dc.description.provenance | Submitted by admin ntu (admin@lib.ntu.edu.tw) on 2026-02-11T16:18:12Z No. of bitstreams: 0 | en |
| dc.description.provenance | Made available in DSpace on 2026-02-11T16:18:12Z (GMT). No. of bitstreams: 0 | en |
| dc.description.tableofcontents | 目次
謝辭 I 中文摘要 III ABSTRACT IV 目次 VI 圖次 XII 表次 XIII 第一章 緒論 1 第一節 研究動機 1 第二節 研究範圍與限制 2 第三節 研究方法 2 第四節 研究架構 3 第二章 人工智慧技術與其金融應用 5 第一節 人工智慧簡介 5 第一項 現代人工智慧之發展歷程 5 第一款 人工智慧的誕生與早期發展 5 第二款 專家系統與AI的復甦 6 第三款 深度學習的興起 7 第二項 人工智慧之定義及其技術 8 第一款 人工智慧之定義 8 第二款 人工智慧、機器學習與深度學習 10 第一目 機器學習 10 第二目 深度學習 11 第三目 小結 14 第二節 我國金融業應用人工智慧現況 14 第三節 人工智慧於金融領域中之實際應用 16 第一項 人工智慧在客戶服務與業務運營中的應用 16 第一款 智慧客服 16 第二款 AI理財機器人（Robo-Advisors） 17 第二項 人工智慧在風險管理與信用評估中的應用 19 第一款 AI授信業務與信用風險評估 19 第二款 反詐欺與洗錢防制（AML） 21 第四節 AI於金融業之應用風險與刪除權挑戰 22 第一項 資訊隱私與安全風險 23 第二項 可解釋性與透明度問題 23 第三項 其他AI應用風險——偏誤、詐欺濫用與系統性風險 24 第五節 我國人工智慧相關規範與指引 26 第一項 人工智慧基本法 27 第二項 金融業運用人工智慧（AI）指引 28 第六節 小結 30 第三章 人工智慧技術與資料刪除的扞格 32 第一節 個人資料刪除權之發展與其內涵 33 第一項 前言 33 第二項 資訊自決權與資訊隱私權之法制繼受與概念內涵辨析 35 第一款 不同的法制繼受來源與基本權概念混用 35 第二款 資訊自決權與資訊隱私權下的資訊範圍 37 第三款 資訊自決權與資訊隱私權之內涵區辨 39 第三項 我國個人資料保護與被遺忘權的憲法基礎 41 第四項 小結 42 第二節 從現行法制到憲法保障：個資刪除權的實踐基礎 43 第一項 現行《個人資料保護法》對刪除權之規範 43 第二項 資料刪除權之憲法基礎與事後控制權的確立 46 第三節 機器學習中的資料刪除問題 47 第一項 機器學習如何使用資料 48 第二項 資料刪除的技術困境 49 第一款 模型學習的黑箱與不可逆性使資料難以完全刪除 49 第二款 刪除時效性與運算成本高昂 51 第三項 技術上的可能解方 51 第一款 機器遺忘（Machine Unlearning） 51 第一目 精確機器遺忘 52 第二目 近似機器遺忘 53 第三目 機器遺忘的驗證與攻擊 54 第四目 小結 55 第二款 以合成資料訓練模型 56 第一目 合成資料應用概覽 56 第二目 合成資料的技術優勢 58 第三目 合成資料面對資料刪除權之潛在挑戰 59 第四目 小結 61 第三款 其他可能的技術因應措施 61 第一目 模型編輯 62 第二目 輸出防護措施 63 第四款 小結 63 第四節 小結——人工智慧發展與個人資料刪除權之衝突與平衡 64 第四章 從法律經濟分析觀點探求人工智慧發展與個資保護之平衡 66 第一節 從寇斯定理檢視個人資料刪除權與金融資訊之交易市場 66 第一項 寇斯定理的基本內涵及其在金融資訊市場之意義 66 第二項 寇斯定理於金融資訊刪除權之適用與限制 67 第二節 新古典經濟學觀點 69 第一項 新古典經濟學的理性人假設 69 第二項 新古典經濟學的契約自由原則與市場失靈理論 70 第三項 金融資料市場的市場失靈 71 第一款 公共財特性 72 第二款 資訊不對等與議價能力差異 73 第四項 小結 75 第三節 行為經濟學觀點 76 第一項 行為經濟學對理性人假設的修正 76 第一款 有限理性 77 第二款 有限意志 80 第三款 有限自利 81 第二項 行為經濟學與法制設計 82 第一款 「輕推」作為行為導引工具 83 第二款 自由的家父長主義：引導與干預之間的法制設計平衡 83 第四節 法律經濟觀點下的制度建議 85 第一項 人工智慧金融應用下個人資料刪除權界限之問題意識 85 第二項 從寇斯定理到行為經濟學：資料刪除權之理論重構 86 第三項 從法律經濟分析觀點看我國個人資料刪除法制 88 第一款 資料刪除權契約彈性的可能與侷限 88 第二款 金融資料分享之對價設計與市場效率 89 第三款 行為偏誤下刪除權契約設計之操作工具 90 第五節 小結 92 第五章 比較法之借鏡 94 第一節 歐盟法之參考 94 第一項 歐盟個人資料監管概況 94 第二項 與人工智慧資料刪除權相關之軟法與硬法規範分析 96 第一款 2016年GDPR 96 第一目 與刪除權相關之法規內容 97 第二目 經濟分析觀點下的GDPR刪除權 99 第二款 人工智慧法 100 第三款 小結 102 第二節 美國法之參考 103 第一項 CCPA與CPRA 104 第一款 與刪除權相關之法規內容 104 第一目 刪除權的基本內容 104 第二目 肯認「資料價值化」的市場機制 105 第三目 刪除權請求之程序規範 106 第二款 經濟分析觀點下的CPRA刪除權 107 第三節 小結——歐美個人資料刪除權之法制比較 109 第一項 契約自由與刪除權限制之差異 109 第二項 行為經濟學設計下的同意制度比較 111 第六章 AI 時代下刪除權之法制展望：我國制度的建議 114 第一節 AI應用與個資保護的前提 114 第二節 引入有償契約自由機制的可能 116 第三節 行為經濟學視角下的「輕推」制度 118 第一項 隨時撤回機制 118 第二項 資訊揭露機制 120 第四節 小結 122 第七章 結論 123 參考文獻 125 | - |
| dc.language.iso | zh_TW | - |
| dc.subject | 人工智慧 | - |
| dc.subject | 個人資料刪除權 | - |
| dc.subject | 資訊自決權 | - |
| dc.subject | 法律經濟分析 | - |
| dc.subject | 行為經濟學 | - |
| dc.subject | GDPR | - |
| dc.subject | CPRA | - |
| dc.subject | Artificial Intelligence | - |
| dc.subject | Right to Erasure | - |
| dc.subject | Informational Self-Determination | - |
| dc.subject | Law and Economics | - |
| dc.subject | Behavioral Economics | - |
| dc.subject | GDPR | - |
| dc.subject | CPRA | - |
| dc.title | 人工智慧技術與個人資料刪除權——以金融應用為中心 | zh_TW |
| dc.title | Artificial Intelligence Technologies and the Right to Erasure of Personal Data: Focusing on Financial Applications | en |
| dc.type | Thesis | - |
| dc.date.schoolyear | 114-1 | - |
| dc.description.degree | 碩士 | - |
| dc.contributor.oralexamcommittee | 林勤富;何之行 | zh_TW |
| dc.contributor.oralexamcommittee | Ching-Fu Lin;Chih-hsing Ho | en |
| dc.subject.keyword | 人工智慧,個人資料刪除權資訊自決權法律經濟分析行為經濟學GDPRCPRA | zh_TW |
| dc.subject.keyword | Artificial Intelligence,Right to ErasureInformational Self-DeterminationLaw and EconomicsBehavioral EconomicsGDPRCPRA | en |
| dc.relation.page | 142 | - |
| dc.identifier.doi | 10.6342/NTU202600641 | - |
| dc.rights.note | 同意授權(全球公開) | - |
| dc.date.accepted | 2026-02-05 | - |
| dc.contributor.author-college | 法律學院 | - |
| dc.contributor.author-dept | 法律學系 | - |
| dc.date.embargo-lift | 2026-02-12 | - |
| 顯示於系所單位： | 法律學系 | |
文件中的檔案：
| 檔案 | 大小 | 格式 | |
|---|---|---|---|
| ntu-114-1.pdf | 1.36 MB | Adobe PDF | 檢視/開啟 |
系統中的文件，除了特別指名其著作權條款之外，均受到著作權保護，並且保留所有的權利。