2026 青少年藥物濫用預防與犯罪防治國際研討會 Day 2 · Paper Session 1 of 9 · 2026 May 21

主講人：鄭元皓助理研究員（法務部司法官學院犯罪防治研究中心）。

• 三大原則：分層（Stratification）／分流（Diversion）／分類（Classification）。
• 計畫沿革：112 年推動多元處遇最佳實踐標準 → 113 年全國試辦 → 114 年納入「全人康復推進計畫」。
• 最終目標：建立科學化、可複製、可預測的處遇實務；以證據導向促進再犯防止。
• 合作單位：臺灣高等檢察署、司法官學院犯罪防治研究中心。

• 政策驅動：呼應行政院「新世代反毒策略 3.0」，以科學實證為基礎，有效運用有限的反毒基金。
• 核心挑戰：①資源有限，毒防基金須精準投入；②成效標準不一，各地處遇模式多元、難以橫向比較。
• 三大核心構念：負向情緒（DASS）、生活滿意度（SWLS）、主觀療效（TEA）。
• 分析三步：CB-SEM 模型驗證 → PLS-SEM 關係探索 → GLM 差異分析。

CB-SEM 測量模型適配度：ChiSqr/df 6.607、RMSEA .089、CFI .896、TLI .883、GFI .837、PGFI .680——大樣本下整體可接受。

心理動態縱貫路徑（CB-SEM）：DASS 前測→DASS 後測 β=.619；SWLS 前→後 β=.495；負情緒滯後效應 β=-.162（拖累後期生活滿意度）。

時間 × 年齡（DASS）p=.016——同一套處遇，年齡撕裂出截然不同的效果：

• 50 歲以下：主觀療效（TEA）顯著提升、憂鬱／焦慮顯著下降。
• 51–70 歲高齡群：負向情緒不降反升——憂鬱從 7.69→9.68，焦慮從 8.38→9.77。

意涵：高齡施用者需要「客製化處遇」，而非沿用青壯年版本。

• 整體 DASS：時間 × 婚姻 F=4.594, p=.032——已婚與未婚整體情緒走勢存在差異。
• 焦慮（ANX）：時間 × 婚姻 F=10.039, p=.002——高度顯著，已婚者焦慮改善幅度遠大於未婚。
• 性別／前科／毒品級別：交互作用均不顯著（p>.05）——背景變項非關鍵調節因子。

結論：家庭關係資本是焦慮改善的真正槓桿，不是性別或前科。

• SEM 提供「為什麼」：心理動態的縱貫穩定性、負向情緒的廣泛干擾、虛弱個體的雙重劣勢、敏感族群的客製化處遇。
• ML 提供「誰是高風險」：超越人類預測的風險辨識，整合背景＋動態心理表（RQ2, DASS-Stress）＋司法歷程。
• 轉化為協助實踐決策系統：藉由研究結果，引入司法機關搭配精準科技，提供風險估計＋處遇建議參考。

預測核心：多維度「處遇失敗」定義——①再施用毒品；②緩起訴撤銷；③未完成治療。

核心模型決策：選用梯度提升分類（GBC），能將上述失敗風險的召回率提升至 0.75，有效防堵漏網。

關鍵預測因子前五名：①方案每個案經費（資源投入）；②年齡（人口學變項）；③生活滿意度 RQ2（心理構念）；④最後一次服刑期間（司法歷程）；⑤壓力分數 DASS-Stress（心理構念）。

資源分配效益：高報酬族群＝資源充足、年輕、已婚、刑期較短者，投資回報最高；前 20% 高成功率個案貢獻大部分效益，精準投放 ＞ 平均分配。

• 即時整合：輸入＝系統內接參數（個案資料、司法紀錄、心理量表 TEA / SWLS / DASS）。
• 自動演算：GBC 模型風險預測 → 低 / 中 / 高風險分層。
• 處遇建議：低風險＝確認方案／心願；中風險＝支持性服務及監督；高風險＝個別化／社區處遇。
• 核心目標：落實治療性司法——在司法決策初期，精準識別個案再犯風險，並推薦最切合的處遇模式。
• 試辦地檢：新北 NTP、臺中 TC、橋頭 CT、臺東 TT、澎湖 PH。

登入介面（再犯風險估計自動計算介面）→ 基本資訊（出生年月、性別、教育、就業）→ 案件紀錄（前犯、暴力、到底、共同案件、強盜搶劫）→ 量表分數（TEA 量表分數、SWLS 量表分數、DASS 分量表分數）→ 計算欄位（22.計畫經費等）→ 確認送出 → 再犯風險動計算。

講者強調：這不是「黑盒子」，每個輸入欄位都對應到實證模型中的關鍵預測因子，能讓地檢署檢察官、保護官、觀護人在決策當下看見科學佐證。

與談人 Wang 教授以「Effectiveness Evaluation and Recidivism Prediction in Diversified Drug Treatment: Insights from SEM and Machine Learning」回應主講內容，提供方法學上的補充：

• SEM 採 Anderson & Gerbing（1988）兩步驟、Mulaik & Millsap（2000）四步驟法。
• Data-Model fit indexes：chi-square、CFI、TFI、RMSEA、SRMR、Chi-square/df、PGFI。

DASS（Depression Anxiety Stress Scales）：抑鬱、焦慮、壓力三個分量表，分別評估負面情緒／生理過度激動／放鬆困難。

SWLS（Satisfaction With Life Scale，Diener 1985）：5 題 7 點 Likert——「In most ways my life is close to my ideal」「I am satisfied with my life」等。

受測者就以下四個面向自評 1（毫無改善）至 10（顯著改善）：

• Substance use：用藥／酒頻率與量、購毒花費、戒斷困擾。
• Health：身心健康、運動、飲食、口腔／牙齒、自我感受。
• Lifestyle：生活條件、家庭、就業、人際與承諾。
• Community：守法、社區責任、對他人正／負影響。

SEM：以 Anderson & Gerbing 兩步驟、Mulaik & Millsap 四步驟法建構，並列舉適配度指標（chi-square、CFI、TFI、RMSEA、SRMR、Chi-square/df、PGFI 等）。

Machine Learning 圈譜：Big Data Hubris、Decision Tree、Random Forest、Deep Learning Neural Networks、Regressions、Supervised Learning——七節點環繞「Machine Learning」核心。

Wang 教授收束：要往「理想的結果預測」邁進，必須同時走兩條腿——一邊優化機器學習模型（演算法、特徵工程、調參），另一邊深化犯罪學／心理學理論（情境、機制、因果）。單靠 AI 不夠，單靠理論也不夠。