POUR 原則的當代詮釋 + AI 輔助技術整合(暫存,公開發表時移除)

主要發現

WCAG 2.2（2023 年 10 月）新增 9 條 SC，其中 4 條（3.2.6、3.3.7、3.3.8、3.3.9）直接呼應 W3C COGA Task Force 對認知與學習障礙的長期倡議，標誌「認知無障礙」正式成為主流規範。
WCAG 3.0 仍在草稿階段（2026 年 3 月 Working Draft），涵蓋 174 個 outcomes，預計最早 2029 年發佈正式版，短期內無法取代 WCAG 2.2 的法規依據地位。
AI 輔助無障礙技術 2023-2025 快速商業化：Be My Eyes + GPT-4V（視覺描述）、AltGen EPUB alt text pipeline（97.5% 錯誤率降低）、Microsoft Seeing AI（擴展至 33 種語言）均已實際部署。
AI 字幕在清晰英語語音下可達 95-98% 準確率，但對台語、客語等低資源語言辨識率顯著偏低，訓練資料匱乏與缺乏標準化書寫系統是主因。
視障用戶面臨獨特的「幻覺信任困境」：因無法即時比對原始圖像，AI 產生的錯誤描述或虛構內容難以被察覺，現有技術文件尚未提供系統性的幻覺偵測保護機制。

POUR 四原則現代詮釋

Perceivable（可感知）：內容須跨越模態差異，讓 AI 視覺模型（GPT-4V、Gemini Vision）能即時生成替代文字。WCAG 2.2 雖未在此原則新增 SC，但 AI alt text 自動化工具已讓大規模合規成本下降；關鍵是確保機器生成描述語意準確，而非僅形式合規。

Operable（可操作）：操作障礙範疇擴及認知負擔。SC 3.3.8 Accessible Authentication (AA) 規定登入流程不得強迫使用者完成認知功能測試（記憶密碼、解謎）；SC 2.5.8 Target Size (Minimum) 要求觸控目標最小 24×24 CSS 像素。

Understandable（可理解）：SC 3.2.6 Consistent Help 要求幫助機制（客服、FAQ）在多頁流程保持相同位置；SC 3.3.7 Redundant Entry 規定同一流程中重複資訊須自動帶入，呼應 COGA「don’t make users recall」原則。

Robust（健壯性）：延伸至 AI 時代的「輔助技術相容性」，要求內容能被 LLM 語意解析、螢幕閱讀器 AI 增強功能正確消費。Apple iOS 18 導入機器學習式 Screen Recognition，可自動識別未標記 UI 元素。

認知無障礙的興起

W3C COGA Task Force（Cognitive and Learning Disabilities Accessibility Task Force）同時隸屬 AG WG 與 APA WG，產出兩份主要文件：(1) 整合進 WCAG 2 補充指引的「Cognitive Accessibility Guidance」設計模式；(2) 完整工作說明文件 “Making Content Usable for People with Cognitive and Learning Disabilities”，提供使用者情境角色與設計活動指南。

WCAG 2.2 將認知無障礙從「建議」推進至「可測試合規要求」原因：(1) 認知障礙者（含 ADHD、失智、閱讀障礙、自閉症）占身障人口最大但最不可見的群體；(2) 傳統 POUR 測試多以技術可偵測性為標準，無法量測「認知摩擦」；(3) COGA 透過多年用戶研究建立足夠可重現的測試方法。

AI 輔助無障礙技術現況

技術	廠商/工具	成熟度	主要風險
自動 alt text 生成	AltText.ai、AllAccessible（GPT-4V）、AltGen	商業化部署中；AltGen EPUB 測試 97.5% 錯誤降低	幻覺；對複雜圖表、文化特定圖像失準
AI 即時字幕	YouTube 自動字幕、Google Live Captions、Apple Live Captions、Clevercast	英語 95-98% 準確率	口音、台語/客語/原住民語辨識率偏低
AI 視覺描述	Be My Eyes + GPT-4V、Microsoft Seeing AI（33 語言）	規模化部署；2024 擴展 Windows 桌機版	視障者無法即時驗證；幻覺風險直接影響日常決策
AI 手語翻譯	SignAll（ASL）；Gallaudet AI 中心	特定手語研究成熟，產品有限；台灣手語極度缺乏	訓練資料不足；身體姿態多維度辨識困難
螢幕閱讀器 AI 增強	JAWS AI（桌機商用）；Apple VoiceOver + Screen Recognition；Microsoft Narrator + Copilot	JAWS AI 桌機商用；VoiceOver AI 落後於 JAWS	AI 識別錯誤難察覺；閉源模型影響可稽核性

AI 無障礙的失敗案例與風險

幻覺信任困境：ArXiv 2604.00187 指出 BLV 用戶面臨「非對稱驗證問題」——目視使用者可立即判斷 AI 圖像描述是否荒謬，但 BLV 用戶缺乏視覺接地，一旦 AI 自信地描述不存在物件（如藥瓶標籤上劑量錯誤），後果直接關乎安全。

少數語言偏見：台語 ASR 準確率低於普通話，因訓練語料量級差距、台語缺標準化書寫、混語現象難建模。客語情況更嚴峻，2025 年 arxiv《Efficient Dialect-Aware Modeling for Taiwanese Hakka》揭示客語瀕危與 AI 支援缺口的相互強化。

身障者偏見：賓州州立研究發現多種主流 LLM 對含身障術語的文本系統性產生更多負面情感輸出，AI 訓練資料中的社會偏見會在輔助技術情境放大歧視。

形式合規幻象：AI 工具可批量為所有圖片插入 alt 屬性（達技術合規），但描述語意無效（反覆輸出 “image”、“photo of person”），創造「合規洗白」風險。

對白皮書「第 3 章核心技術準則」的應用建議

一、在 POUR 框架外新增「AI 增強無障礙（AI-Augmented Accessibility）」原則，但以補充原則而非替代 POUR 的方式定位。POUR 處理內容層合規；AI 增強原則應處理動態生成層的品質責任。具體要求：AI 生成的替代內容須附帶信心分值與人工審核觸發機制；使用者須能選擇關閉或降級 AI 生成內容；AI 輔助功能不得使基礎無障礙合規退化。

二、針對 AI 幻覺與少數語言偏見，建議白皮書引入「在地語言無障礙基準」要求。台灣語言環境（普通話、台語、客語、原住民語）在 AI 訓練資料中均屬低資源，現有商業 AI 工具的準確率差異須以量化數據揭露。建議：凡在台灣公共服務部署的 AI 無障礙功能，須提交台語與客語語料的識別準確率報告，並訂最低門檻（如 85% WER 基準），不達標者不得以「提供字幕」聲稱符合無障礙要求。

三、採納 COGA 的認知無障礙設計原則，將 WCAG 2.2 認知 SC 擴展為可執行的設計檢核清單。SC 3.3.7-3.3.9 與 3.2.6 僅是入門門檻。建議引用 COGA「Making Content Usable」進一步要求台灣政府網站與公共服務平台：提供清晰使用者旅程地圖、避免多步驟認證中的記憶負擔、在 AI 聊天介面提供「簡化模式」選項。