議會質詢如何導入 AI？會前、會中、會後完整流程

每逢議會開議，機關幕僚就進入備詢地獄：翻找歷次質詢紀錄、整理輿情議題、猜測議員關注方向、會後追趕承諾事項。AI 在這條流程的三個階段都有明確的施力點——會前掌握議題與攻防準備、會中即時轉錄與整理、會後交辦追蹤。本文說明各階段的具體做法、需要的資料基礎，以及如何把三段串成完整閉環。

會前：議題掌握與攻防準備

會前準備的核心問題是「這次會期，誰會問什麼」。AI 從三個來源交叉研判：

• 歷史質詢紀錄：各議員過往的質詢主題、追問模式與關注選區議題，判斷延續性提問的機率。
• 近期輿情熱點：開議前數週的媒體與社群議題聲量——輿情正熱的爭議，幾乎必然進入質詢。
• 政策進度與弱點：延宕的建設、爭議中的政策、預算執行率偏低的項目，都是可預期的質詢標的。

據此為每個高風險議題產出備詢資料：可能的提問方式、事實與數據依據、建議答覆架構、不宜使用的說法，以及可回溯的原始資料。幕僚的工作從「從零整理」變成「檢核與補充」。

1. 備詢資料的標準欄位

備詢資料要能在台上被翻閱，欄位就必須固定。機關若讓每個局處各自用自己的格式撰寫，長官在質詢台上得先花時間找資訊在哪一段，這正是備詢資料最常失效的原因。建議統一為七個欄位，無論議題大小、無論由哪個主政單位撰寫，版面一致、順序一致；AI 負責把外部輿情與內部知識填入前六欄的初稿，承辦人負責檢核與修正，長官只需記住欄位順序。以下是跨機關通用的七項欄位：

• 議題名稱與風險等級：以一句話界定議題範圍，並標示高、中、低風險，決定準備深度與長官預讀順序。
• 可能的提問方式（含追問路徑）：不只列出主問題，也要推演對方在得到某種答覆後最可能的第二問與第三問。
• 已確認事實與數據依據：只放經主政單位確認過的事實與統計，未確認的資訊另行標註，避免在台上被追問來源時失據。
• 建議答覆架構：先講結論、再講依據、最後講下一步，三段式架構讓答覆在時間壓力下仍然完整。
• 不宜使用的說法：列出容易被斷章取義、與既有立場衝突或超出權責範圍的措辭，這一欄往往比正面稿更關鍵。
• 相關歷史承諾與辦理情形：把過去在議事場合承諾過的事項與目前進度並列，避免出現前後不一致的答覆。
• 原始資料連結：每一項事實都要能一鍵回到原始新聞、公文或報表，讓長官與幕僚可以自行查證。

2. 開議前準備時間軸

備詢準備失敗多半不是能力問題，而是啟動太晚。把準備工作往前拉，並且切成四個檢查點，就能讓資料在開議當天已經過至少兩輪人工檢核。以下是建議的時程安排，機關可依會期長度調整，但四個檢查點的先後順序建議維持：

• 開議前一個月：彙整會期間的輿情熱點與歷史質詢紀錄，交叉比對後產出高風險議題清單，並指定每個議題的主政單位。這個階段的重點是涵蓋率，寧可清單長一點，也不要在開議後才發現漏項。
• 開議前兩週：各主政單位依七欄位格式完成備詢資料初稿，並完成第一輪人工檢核。AI 產出的事實與數據必須逐項核對原始資料，確認無誤才進入下一階段。
• 開議前一週：更新最新的輿情變化，補入這段期間新爆發的議題，並調整既有議題的風險等級。輿情在開議前一週往往最活躍，這一輪更新不能省。
• 開議前一日：產出當日重點提醒：今日排定的質詢單位、對應的高風險議題、昨日至今的輿情異動，控制在一頁以內，供長官與隨行幕僚快速掌握。

會中：即時轉錄與質詢整理

質詢過程的痛點是紀錄：口頭答詢節奏快，人工筆記容易漏，會後調閱錄影耗時。語音辨識（ASR）搭配會議智慧化工具可即時轉錄質詢逐字稿，並自動結構化為「議員—提問—答覆—承諾事項」的清單。對正在備詢的團隊，即時整理還有一個實戰價值：後排幕僚可以在議員追問前，先把相關資料推送給台上的長官。

1. 即時轉錄的技術要點

議事場景是中文語音辨識最困難的情境之一，導入前必須先認清三個挑戰。第一是專有名詞：人名、地名、法案名稱、機關簡稱與預算科目在通用模型的訓練資料中出現頻率低，容易被辨識成同音的日常詞彙。第二是台語與華語夾雜：質詢過程中語言切換頻繁，且常出現同一句話中夾雜兩種語言的情況。第三是多人交錯發言：質詢與答詢互相打斷、旁邊還有議事人員的說明，語者分離的難度高於一般會議。實務上的解法是建立機關詞庫，把該機關的組織名稱、業務術語、正在推動的計畫名稱與常出現的法規名稱匯入，讓辨識模型在解碼時優先採用；同時對關鍵段落保留人工校對流程。要理解辨識準確率如何量測，可參考ASR 語音辨識的模型架構與 CER 指標說明。需要特別強調的是，即時逐字稿的定位是會中掌握與會後整理的工作稿，正式紀錄仍應以人工確認版為準。

2. 幕僚即時支援工作流

會中真正拉開差距的，是後排幕僚的反應速度。傳統做法是幕僚憑記憶判斷議題、再翻紙本資料，等到找齊往往已經錯過追問的時間點。導入即時逐字稿後，工作流改為：系統辨識出當前討論的議題關鍵字，自動比對會前備妥的備詢資料，把對應那一頁推送到後排幕僚的螢幕，幕僚確認後再遞交給備詢長官。同時，系統在會中就把內容整理成議員、提問、答覆、承諾的結構化清單，承辦人只需在旁修正與補註，散會時清單已接近完成，不必再從錄影檔重聽一次。

會後：承諾事項追蹤與成效比對

「研究研究」「會後提供資料」——質詢台上的承諾若沒有系統性列管，下個會期就會變成「上次說要辦，辦了沒」的二次質詢。會後階段 AI 做兩件事：從逐字稿自動萃取承諾與交辦事項，建立含主政單位與期限的追蹤清單；並持續比對相關議題的輿情變化，讓機關知道回應是否確實化解了關注。

1. 承諾事項追蹤清單的欄位

承諾追蹤清單之所以常常失效，是因為只記了一句摘要。摘要無法在下個會期還原當時的語境，也無法回答「到底承諾到什麼程度」。清單建議固定六個欄位，讓每一筆承諾在半年後仍然可以被完整重建：

• 承諾內容原文段落：保留逐字稿原文而非摘要，並附上時間戳記，必要時可回放對照。
• 主政單位：明確到局處層級，跨單位事項要指定一個主辦、其餘列為協辦。
• 承辦窗口：記錄職稱與分機而非僅記姓名，人員異動時清單仍然可用。
• 辦理期限：若台上未明確給出期限，由主政單位在會後三日內自訂並回填。
• 目前狀態：以研議中、辦理中、已函復三種狀態列管，狀態變更需留下時間紀錄。
• 對應輿情變化：追蹤該議題在承諾後的討論聲量與情緒走向，判斷回應是否確實化解關注。

這份清單就是下個會期的必考題庫。開議前一個月產出高風險議題清單時，凡是狀態仍為研議中或辦理中、且輿情聲量未下降的項目，應直接列為高風險；已函復但輿情仍有爭議的項目，也要備妥後續說明。換句話說，會後的列管品質直接決定下一輪會前準備的起跑點——清單維護得好，下個會期的準備工作等於已經完成一半。

一個會期的 AI 支援全貌

把三個階段攤在同一條時間軸上，可以看出 AI 與人工的分工邊界始終一致：AI 負責蒐集、比對與初稿產出，人工負責確認、判斷與對外表述。這條界線在導入初期就要跟各局處講清楚，避免承辦人誤以為系統產出的資料可以直接上呈，也避免長官誤以為所有內容都已經過查證。下表以一個完整會期為例，列出各時間點的 AI 產出與對應的人工工作，機關可以直接拿來當作導入時的分工說明。

地方議會與立法院：導入設計的差異

閉環架構通用，但資料設計必須依層級調整。地方議會的議題重心落在選區：一條路的施工進度、一件陳情案的處理速度、一處公共設施的維護狀況，這些議題在地方社團與在地媒體的擴散速度極快，往往在正式陳情之前就已經形成輿情。立法院的議題重心則落在制度：法案的審查進度、預算凍結與解凍的條件、跨部會權責分工，討論場域集中在全國性媒體與政策社群，議題週期較長但牽動面較廣。兩者對追蹤欄位的需求也不同——地方議會的列管重點是個案是否確實解決、承諾的完工時間是否達成；立法院的列管重點則是條文修正的進度、報告的提出時程與跨部會協調的狀態。機關在設定議題分類、輿情來源權重與追蹤欄位時，應依自身面對的層級調整，下表整理四個主要差異面向：

把三段串成閉環

三個階段各自導入都有效益，但真正的價值在串聯：會後的承諾追蹤清單，就是下個會期會前準備的「必考題庫」；會中的逐字稿，累積成議員關注模式的歷史資料；會前的輿情研判，決定會中哪些議題要準備即時支援。這個閉環正是 AI 幕僚五階段模型（感知、理解、研判、建議、追蹤）在議事場景的具體展開。

資料基礎方面，會前研判需要外部輿情監測（如 InfoMiner）與歷史議事資料；會中轉錄需要中文語音辨識；會後追蹤需要與機關內部的列管機制銜接。導入時建議從單一會期、單一委員會試辦，驗證流程後再擴大。