# L23402 prompts.md ↔ chunks/L23402.txt 行號對照（output3 版）

本文件記錄 `output3/L23402_演算法偏見與公平性/prompts.md` 中每一頁 prompt 對應到 `chunks/L23402.txt` 的行號範圍。

## output3 版的設計原則

- **章節命名與切頁嚴格沿用 chunks 原文 `#` heading**，每頁 1 對 1 對應一個原始章節（含節導讀 + 各 `（X）` 子小節）。
- **不重新命名、不合併、不拆分、不跳過**任何 chunks heading。
- 子小節 `# （X）...` 主標題前綴父章節編號，提升可讀性（例：`2.（1）資料代表性與偏誤風險`）。
- 章節導讀頁獨立成頁，即使內容只有 1–3 行，仍以「指向子小節入口」設計撐版面。
- 每頁開頭寫「對應 chunks 行號：X–Y」，所有頁區間連續無重疊。
- 教材原詞、英文縮寫、中英括號對照詞、公式符號從 chunks 原文整組保留。
- 共用變數 STYLE_BASE / TERMS_RULE / LAYOUT_RULE 沿用 L23102 標竿；只動 L_CODE 為 "L23402"。
- TERMS_RULE 覆寫使用 inline `**TERMS_RULE 覆寫：**`，不另立變數。
- 模擬考題與考題解析合為最後一頁 P18，作為章末速覽。

## 對照表

| Prompt | 主標題 | L23402.txt 行號 | 對應教材小節 |
|---|---|---:|---|
| P01 | 1. 前言與章節導覽 | 7–11 | `# 1.前言與章節導覽` |
| P02 | 2. 偏見的成因與類型 | 13–17 | `# 2.偏見的成因與類型` 章節導讀 |
| P03 | 2.（1）資料代表性與偏誤風險 | 19–63 | `# （1）資料代表性與偏誤風險`（含 Source Bias / Content Bias / Process Bias 三類偏誤） |
| P04 | 2.（2）模型偏見與歧視 | 65–85 | `# （2）模型偏見與歧視`（Algorithmic Bias / Objective Function Bias / Regularization Bias / Insufficient Adversarial Training 四種來源） |
| P05 | 2.（3）偏見的潛在影響 | 87–103 | `# （3）偏見的潛在影響`（弱勢群體受歧視 / 企業品牌與信譽受損 / 法律與監管風險 三大影響） |
| P06 | 3. 公平性指標與評估工具 | 105–109 | `# 3.公平性指標與評估工具` 章節導讀 |
| P07 | 3.（1）常見公平性指標 | 111–189 | `# （1）常見公平性指標`（Demographic Parity / Equal Opportunity / Equalized Odds / Disparate Impact 四個指標） |
| P08 | 3.（2）公平性評估工具 | 191–233 | `# （2）公平性評估工具`（IBM AI Fairness 360 / Microsoft Fairlearn 兩個工具） |
| P09 | 4. 降低演算法偏見的方法論與技術方案 | 235–237 | `# 4.降低演算法偏見的方法論與技術方案` 章節導讀 |
| P10 | 4.（1）資料前處理 | 239–271 | `# （1）資料前處理`（Re-sampling / Feature Neutralization / Data Anonymization and Generalization 三種方法） |
| P11 | 4.（2）模型內部處理 | 273–305 | `# （2）模型內部處理`（Fairness Constraints / Adversarial Fairness / Fairness Regularization 三種方法） |
| P12 | 4.（3）模型後處理 | 307–333 | `# （3）模型後處理`（Threshold Adjustment / Calibration 兩種方法） |
| P13 | 5. 組織面向的AI公平性治理策略 | 335–339 | `# 5.組織面向的AI公平性治理策略` 章節導讀 |
| P14 | 5.（1）建立 AI 公平性治理機制 | 341–359 | `# （1）建立 AI 公平性治理機制`（公平性政策標準 / 跨部門審查委員會 / 責任問責機制） |
| P15 | 5.（2）多元化團隊與公平意識教育訓練 | 361–375 | `# （2）多元化團隊與公平意識教育訓練`（招募多元團隊成員 / 推動公平性與倫理培訓） |
| P16 | 5.（3）公平性評估與稽核制度 | 377–391 | `# （3）公平性評估與稽核制度`（定期 Fairness Audits / 公平性指標監控系統） |
| P17 | 5.（4）AI 公平性資訊揭露與溝通策略 | 393–410 | `# （4）AI 公平性資訊揭露與溝通策略`（主動揭露公平性報告 / 第三方獨立驗證 / 與利益關係人溝通） |
| P18 | 模擬考題與考題解析 | 413–530 | `# 模擬考題` + `# 考題解析`（10 題重點速覽） |

合計 **18 頁**。

## 注意事項

### 1. 本地行號 vs PDF 全域行號

行號是 `chunks/L23402.txt` 內的本地行號（從 1 開始算），不是檔頭寫的「行數範圍：6468–6992」那個 PDF 全域行號。

換算公式：**PDF 全域行號 = 6468 + 本地行號 − 1 = 6467 + 本地行號**

例：本地行號 7 → PDF 全域行號 6474；本地行號 530 → PDF 全域行號 6997（與檔尾 6992 略差 5 行，因 chunks 末段有清理空行）。

### 2. 行號覆蓋率

- 7–530 行幾乎完整覆蓋（除前 6 行檔頭 metadata + 末段空白行）。
- 各頁行號**連續無斷層**，每一行教材內容都至少屬於一個 prompt。
- §2/§3/§4/§5 章節導讀頁與該章 `（1）` 子小節之間以 chunks 原文段落分隔自然切點對齊。
- 模擬考題（行 413–484）+ 考題解析（行 486–530）合併為 P18，作為章末速覽不另拆兩頁。

### 3. 密集頁警示

本章兩個小節密度較高，已在 prompt 內明確要求版面切多區塊，**第一輪先不主動拆頁**，依生圖效果再決定：

| 頁 | 章節 | 行數 | 子主題數 | 處理方式 |
|---|---|---:|---:|---|
| **P03** | 2.（1）資料代表性與偏誤風險 | 45 行（19–63） | 3 類偏誤（Source / Content / Process） | 版面切左中右三欄，每欄一類偏誤；若不可讀可拆 P03a（總綱 + Source Bias）+ P03b（Content + Process Bias） |
| **P07** | 3.（1）常見公平性指標 | 79 行（111–189） | 4 個指標（Demographic Parity / Equal Opportunity / Equalized Odds / Disparate Impact） | 版面切 2×2 四格；若不可讀可拆 P07a（前兩個結果均等類指標 DP + EO）+ P07b（後兩個誤差均等類指標 EOdds + DI），或依「比例公平 vs 條件公平」家族切 |

拆頁邏輯參考（若實戰要拆）：
- **P03 拆兩張：** P03a = 總綱 + Source Bias（資料蒐集階段）；P03b = Content Bias（資料內容） + Process Bias（資料標註過程）。切點為「資料蒐集前 vs 資料內容/標註後」家族性。
- **P07 拆兩張：** P07a = Demographic Parity + Equal Opportunity（強調「結果均等」與「機會均等」家族）；P07b = Equalized Odds + Disparate Impact（強調 TPR/FPR 雙誤差均衡 與 80% Rule 法律合規家族）。

主標題仍沿用 chunks heading，僅以副標標示子主題（參考 L23102 P11/P12 拆頁慣例）。

### 4. TERMS_RULE 覆寫頁清單

| 頁 | 覆寫鎖定的中英對照詞 | 原因 |
|---|---|---|
| P05 | 反歧視法 / 個人資料保護法 / 消費者保護法 | 法規名稱不可簡寫為「相關法規」，影響法律合規辨識 |
| P07 | Demographic Parity（群體平等率）/ Equal Opportunity（機會平等）/ Equalized Odds（均衡機率）/ Disparate Impact（不利影響比）；True Positive Rate / False Positive Rate / 80% Rule / Equality of Outcome | 公平性指標是本章核心考點，中英對照名稱不可只留一邊；TPR/FPR 與 80% Rule 是國際合規術語，必須完整保留 |
| P10 | 資料重新抽樣（Re-sampling）/ 特徵去偏處理（Feature Neutralization）/ 資料匿名化與泛化（Data Anonymization and Generalization） | 三種前處理方法的中英對照是教材原文呈現方式，不可只寫中文 |

共 3 頁有 inline 覆寫。

### 5. 與 L23102 標竿差異

- **公式頁少**：本章為偏見與治理議題，幾乎沒有 LaTeX 公式（只有概念性比例如 80% Rule），故 prompts.md 無需「公式符號必須保留：」段落。
- **章節導讀頁多**：5 個主章中有 4 章（§2/§3/§4/§5）有獨立導讀頁（P02/P06/P09/P13），加上 §1 前言與 P18 模擬考題，共 6 張「結構性頁面」+ 12 張「子小節內容頁」= 18 頁。
- **模擬考題納入**：L23402 chunks 末段含 10 題模擬考題與解析，本檔將其合為 P18 章末速覽頁，作為章節收尾。

## 用途

- **校對：** 每頁 prompt 是否漏掉教材原詞，照行號回去抓教材原文補。
- **擴/減頁決策：** 要把 P03/P07 拆成子頁、或把章節導讀合併時，看行號邊界決定切點。
- **跨章節參考：** 之後 L23403+ 章節可套同樣的「章節嚴格沿用 chunks heading + 密集小節必要時拆子頁」原則編 prompts.md + prompts_to_chunks.md。

— 編表：Heiter（2026-05-05）