作品不等於作者：能力、貢獻歸屬、誠信與風險的分離評估

Artifacts Are Not Authors: Separating Capability, Contribution Attribution, Integrity, and Risk

版本：公開版 v1.0
文件類型：概念論文／AI 人才評估、作品驗證與治理研究
日期：2026-07-29

摘要

在以作品為中心的人才發現系統中，最直觀的判斷是：作品越優秀，提交者越可能具有高能力。然而，這種推論只有在作品歸屬、貢獻結構與理解程度都已獲得驗證時才成立。現代作品常由多人協作、AI 生成工具、外包團隊、開源資源、顧問、編輯與平台基礎設施共同完成。若直接把成果品質等同於個人能力，人才評估將同時高估冒充者、低估真正的整合者，並錯誤理解團隊型創造力。

本文提出一套分離式人才評估框架，主張至少應區分六個維度：作品品質、創作歸屬、理解深度、組織與整合能力、誠信紀錄，以及不確定性。此框架不以「是否為單一作者」作為唯一價值標準，而是辨認候選人在概念、設計、實作、驗證、整合、決策、資源調度與敘事呈現中的實際貢獻。

本文進一步處理一個容易引發爭議的命題：抄襲、冒充與不透明協作並不必然意味著提交者毫無能力。某些人即使具有嚴重誠信缺陷，仍可能具備稀少的選擇、組織、整合、包裝、策略或人才辨識能力。承認此一能力事實，不等於合理化欺騙，也不等於建議任何組織錄用此類人員。相反地，只有將能力與德性分離，才能避免高能力掩蓋高風險，也避免道德譴責取代精確分析。

本文主張，平台不應輸出「人才」或「非人才」的單一標籤，而應建立可追溯的證據圖譜，清楚回答：作品有多好、誰完成了什麼、提交者真正理解多少、其能力在哪些環節成立、是否存在欺騙、哪些風險已被證實，以及哪些部分仍無法判斷。這種分離式制度既是人才科學問題，也是 AI 評估治理的必要條件。

關鍵詞

作品歸屬、貢獻分析、人才評估、能力驗證、誠信風險、抄襲、冒充、AI 協作、作品證據、分離評估

1. 引言

作品導向的人才評估，表面上比履歷導向更接近真實能力。履歷只能描述一個人曾做過什麼，作品則直接展示某種成果已經存在。因此，從履歷轉向作品是一個重要進步。

然而，作品本身並不會自動說明：

誰提出了核心概念；
誰完成了主要設計；
誰負責實作；
誰進行驗證；
誰整合不同模組；
誰只是展示或包裝；
哪些內容由 AI 生成；
哪些部分來自開源、外包或團隊；
提交者是否真正理解成果。

因此：

\text{Artifact Evidence} \neq \text{Authorship Evidence}

而：

\text{Authorship Evidence} \neq \text{Complete Capability Evidence}

一份極其優秀的作品，可能由一個人獨立完成，也可能由十人團隊共同完成；可能主要由 AI 生成，也可能由提交者長期打磨；可能是合法合作，也可能存在冒充、抄襲或不透明代工。

若評估系統無法區分這些情況，就會把成果的整體品質錯誤投射到單一個人身上。

本文主張，人才評估需要從「作品歸人」轉向「貢獻分解」。

2. 作品是一個複合產物

2.1 現代作品的多源性

一項作品可以表示為：

W = \mathcal{F} \left( H, A, T, D, I, E, R \right)

其中：

$H$ ：人類個體貢獻；
$A$ ：AI 系統貢獻；
$T$ ：團隊貢獻；
$D$ ：既有資料與知識；
$I$ ：基礎設施與工具；
$E$ ：編輯、顧問與外部支援；
$R$ ：資源與環境條件。

作品品質是這些因素共同作用的結果，不能直接歸約為某一個人的完整能力。

2.2 個人作品也可能高度依賴外部系統

即使作品名義上由一個人完成，也可能依賴：

開源函式庫；
預訓練模型；
設計模板；
雲端服務；
專業資料庫；
自動測試；
AI 程式協作；
外部校對與審查。

因此，「個人完成」不等於「完全無外部依賴」。

真正重要的問題不是是否使用外部資源，而是：

提交者如何選擇、控制、理解、整合與驗證這些資源？

3. 六維分離評估框架

本文提出：

\mathcal{P} = (Q,A,K,O,I,U)

其中：

$Q$ ：作品品質；
$A$ ：創作與貢獻歸屬可信度；
$K$ ：提交者的理解深度；
$O$ ：組織、選擇與整合能力；
$I$ ：誠信與行為風險；
$U$ ：不確定性。

此向量避免把不同問題壓成單一分數。

4. 作品品質

作品品質 $Q$ 只回答：

這個成果本身有多好？

可進一步拆分為：

Q = f( C, D, E, V, R, U_s )

其中：

$C$ ：完整性；
$D$ ：深度；
$E$ ：優雅度；
$V$ ：可驗證性；
$R$ ：可重現性；
$U_s$ ：實際可用性。

4.1 完整性

作品是否形成閉合系統，而非只有展示性片段。

4.2 深度

作品是否處理了問題中的真正困難，而非只完成表面功能。

4.3 優雅度

作品是否以合理複雜度達成目標，並維持內部一致性。

4.4 可驗證性

外部觀察者是否能檢查其主張、數據與推理。

4.5 可重現性

作品是否能在合理條件下被再次執行或重建。

4.6 實際可用性

成果是否超越概念展示，能在真實情境中產生價值。

作品品質可以獨立存在。即使作者未知，作品仍可能非常優秀。

5. 創作歸屬

創作歸屬 $A$ 回答：

哪些部分實際由提交者完成？

應避免二元化為「作者」或「非作者」。更合理的是貢獻向量：

\mathbf{G} = (g_c,g_d,g_i,g_v,g_e,g_m)

其中：

$g_c$ ：概念貢獻；
$g_d$ ：設計貢獻；
$g_i$ ：實作貢獻；
$g_v$ ：驗證貢獻；
$g_e$ ：整合貢獻；
$g_m$ ：管理與資源調度貢獻。

不同作品可以有不同的貢獻形態。

5.1 概念貢獻

誰提出問題、核心命題或新方向。

5.2 設計貢獻

誰決定系統架構、方法與取捨。

5.3 實作貢獻

誰完成程式、實驗、文字、模型或製作。

5.4 驗證貢獻

誰建立測試、反例、審查與品質控制。

5.5 整合貢獻

誰把不同來源轉換成一致系統。

5.6 管理貢獻

誰找到人、分配任務、取得資源並推進專案。

貢獻不必相等，也不必集中於單一人。

6. 理解深度

理解深度 $K$ 回答：

提交者真正理解作品到什麼程度？

理解可分為六層。

第一層：表面描述

能重述作品功能與公開說明。

K_1=\text{Description}

第二層：局部操作

能使用或修改部分內容。

K_2=\text{Operation}

第三層：因果說明

能解釋關鍵設計為何存在。

K_3=\text{Causal Explanation}

第四層：錯誤診斷

能定位失效原因並提出修正。

K_4=\text{Diagnosis}

第五層：條件遷移

能在條件改變後重建方法。

K_5=\text{Transfer}

第六層：原理重建

能從較少資訊重新形成核心系統。

K_6=\text{Reconstruction}

提交者可能不是主要作者，卻仍具有 $K_4$ 或 $K_5$ 層級的理解；也可能名義上是作者，卻只停留在 $K_1$ 。

7. 組織、選擇與整合能力

組織能力 $O$ 在傳統作者模型中經常被低估。

某些人不一定是最強實作者，卻能：

找到正確問題；
找到正確人才；
選擇正確技術；
排除低價值方案；
建立一致目標；
協調人類與 AI；
控制品質；
將分散成果整合成完整產品。

可將其表示為：

O = f( S_e, T_m, R_a, I_n, Q_c, D_m )

其中：

$S_e$ ：選擇能力；
$T_m$ ：人才與團隊配置；
$R_a$ ：資源調度；
$I_n$ ：整合能力；
$Q_c$ ：品質控制；
$D_m$ ：決策與推進。

這類能力可能極其稀少。

因此：

\text{Low Direct Production} \not\Rightarrow \text{Low System Capability}

一個人可能沒有直接寫最多程式，卻是整個系統能成立的關鍵。

8. 誠信與能力是不同軸線

誠信 $I$ 回答：

提交者是否如實描述其貢獻、來源與限制？

能力與誠信不具有必然同向關係：

\text{High Capability} \not\Rightarrow \text{High Integrity}

\text{High Integrity} \not\Rightarrow \text{High Capability}

因此，可以形成四種基本狀態：

8.1 高能力、高誠信

通常是大多數組織最希望找到的人。

8.2 高能力、低誠信

可能具有重大價值，也具有重大風險。

8.3 低能力、高誠信

可能可靠，但需要培養或適合不同角色。

8.4 低能力、低誠信

通常缺乏合作價值。

如果平台只輸出單一分數，就可能讓高能力掩蓋低誠信，或讓低誠信完全抹除能力訊號。

9. 抄襲與冒充的分類

抄襲與冒充不是單一類型。

9.1 無理解搬運

提交者直接複製成果，幾乎無法解釋內容。

特徵：

Q\gg0,\quad A\approx0,\quad K\approx0

9.2 有理解挪用

提交者未創作作品，但具有相當理解，並故意隱瞞來源。

特徵：

Q\gg0,\quad A\approx0,\quad K>0,\quad I\ll1

9.3 團隊成果個人化

提交者是團隊成員，但誇大個人貢獻。

9.4 委託代工

提交者出資或下令，但不揭露實作者。

9.5 AI 生成未揭露

提交者大量使用 AI，卻宣稱完全獨立完成。

9.6 高度整合但歸屬不透明

提交者確實完成選擇、整合與決策，但沒有如實標示其他來源。

這些情況都涉及誠信問題，但能力結構並不相同。

10. 為何低誠信者仍可能具有稀少能力

承認低誠信者可能具有能力，容易被誤解為替欺騙辯護。事實上，分析與規範需要分離。

某些低誠信者可能具有：

高度品質辨識；
複雜資源組織；
人才獵取；
情境操控；
跨來源整合；
敘事與說服；
高風險策略；
制度漏洞辨識。

這些能力可能確實稀少。

然而：

\text{Capability Recognition} \neq \text{Moral Approval}

且：

\text{Capability Recognition} \neq \text{Hiring Recommendation}

平台可以準確描述：

此人展現出高度組織與整合能力，但存在明確冒充紀錄與高誠信風險。

不同組織可以根據自身價值、風險承受度與工作性質決定是否接觸。

分離評估的目的不是降低道德門檻，而是提高資訊精度。

11. 德性不應由外貌與語氣推斷

誠信評估本身也容易被濫用。

平台不應根據：

表情；
眼神；
聲音；
口音；
緊張；
說話速度；
人格類型；
文化差異；

推斷候選人的德性。

合理的誠信判斷應基於可驗證行為，例如：

是否虛假標示作者；
是否隱瞞重大來源；
是否偽造紀錄；
是否在被指出後修正；
是否持續重複欺騙；
是否如實揭露 AI 與團隊貢獻；
是否能提供一致的版本歷史。

因此：

I = f(\text{Documented Conduct})

而不是：

I = f(\text{Appearance or Affect})

12. 作品來源驗證

作品來源驗證可以使用多種證據。

12.1 版本歷史

包括：

Git commit；
文件修訂；
草稿；
實驗紀錄；
發布時間；
變更說明。

12.2 決策軌跡

真正參與者通常能說明：

為何做此選擇；
哪些方案被放棄；
何時發現錯誤；
哪些限制導致設計改變。

12.3 局部重建

要求提交者重建某一部分，而不是只描述完成品。

12.4 隨機細節追問

從不顯眼的片段抽取問題，降低事前背誦的有效性。

12.5 團隊交叉驗證

在合法與授權前提下，比對不同成員對貢獻的描述。

12.6 工具與 AI 紀錄

若候選人自願提供，可分析：

提示詞；
模型輸出；
修改歷史；
測試紀錄；
最終人類決策。

任何單一證據都可能被偽造，因此歸屬應建立於證據集合。

13. 證據強度模型

可將歸屬證據表示為：

A = \sum_{i=1}^{n} w_i e_i - \lambda C

其中：

$e_i$ ：第 $i$ 項證據；
$w_i$ ：證據權重；
$C$ ：證據間矛盾；
$\lambda$ ：矛盾懲罰係數。

高品質證據包括：

長期版本紀錄；
可重建的決策歷史；
多方一致證詞；
局部重建成功；
與公開時間線一致；
能解釋失敗與修訂。

低品質證據包括：

單一自我宣稱；
無法驗證的截圖；
完成後才產生的說明；
過度概括的敘事；
與版本時間線衝突的回答。

14. 不確定性必須被保留

平台不應因為缺少證據，就自動判定候選人欺騙。

因此：

\text{Insufficient Evidence} \neq \text{Fraud Proven}

應區分：

已驗證；
高度可能；
證據不足；
存在矛盾；
高風險；
已證實欺騙。

不確定性 $U$ 不是系統失敗，而是誠實輸出。

例如：

作品品質已驗證；提交者對核心架構具有高度理解；主要作者歸屬仍缺乏足夠版本證據；目前不能確認其獨立創作程度。

這比武斷判定更合理。

15. AI 生成作品的歸屬問題

AI 生成使作者概念更加複雜。

候選人可能負責：

提出目標；
建立提示；
選擇模型；
分解任務；
反覆修訂；
驗證結果；
組合多個輸出；
建立最終系統。

因此，不能簡化為：

\text{AI Generated} \Rightarrow \text{No Human Capability}

更合理的是分析：

\mathbf{HAI} = (h_g,h_p,h_s,h_v,h_i,h_r)

其中：

$h_g$ ：目標定義；
$h_p$ ：問題分解；
$h_s$ ：策略與模型選擇；
$h_v$ ：驗證；
$h_i$ ：整合；
$h_r$ ：最終責任。

若候選人只是貼上一次提示並接受輸出，其能力訊號較弱；若其能持續指揮、驗證、修正與重建，則可能展現高階人機系統能力。

16. 團隊作品不應被個人化，也不應被去個人化

團隊成果具有兩種相反風險。

16.1 個人化風險

某人把整個團隊成果宣稱為自己完成。

16.2 去個人化風險

真正做出核心貢獻的人，因團隊名義而無法被辨識。

因此，平台需要同時做到：

\text{Prevent Overclaim} + \text{Recover Hidden Contribution}

一個人在大型團隊中可能只完成一個模組，但該模組可能是整個系統最困難的部分。貢獻評估不能只看工作量，也要看關鍵性。

可表示為：

G_i = f( V_i, D_i, R_i, U_i )

其中：

$V_i$ ：工作量；
$D_i$ ：難度；
$R_i$ ：對整體結果的重要性；
$U_i$ ：不可替代性。

17. 分離式輸出範例

平台不應輸出：

候選人評分：82。

而應輸出：

作品品質

完成度：高；
技術深度：高；
優雅度：中高；
可重現性：中。

貢獻歸屬

概念貢獻：中；
架構設計：高；
實作貢獻：低至中；
整合貢獻：極高；
驗證貢獻：高。

理解程度

因果說明：高；
條件擾動：高；
局部重建：中高；
跨域遷移：尚未驗證。

誠信與風險

團隊貢獻揭露不完整；
未發現明確偽造；
需要補充版本歷史；
目前誠信風險：中。

不確定性

原始概念來源仍有爭議；
部分模組作者身份未能確認。

此類輸出較長，但能支持更精確的決策。

18. 組織的選擇權與平台的責任

不同組織有不同的價值與風險門檻。

某些組織可能要求：

I \geq I_{\min}

只要誠信低於門檻，即使能力極強也不錄用。

某些高風險或高度競爭環境，可能願意接觸高能力、高風險者，但會加入嚴格限制。

平台不應替所有組織做同一選擇，但應確保：

重大欺騙不得隱藏；
能力不得因道德評語而失真；
風險不得因能力光環而弱化；
候選人有申訴與修正權；
企業不能取得無關敏感資料。

因此，平台提供的是分離式證據，而不是道德免責。

19. 風險隔離

高能力、高風險者若被某些組織使用，應採取風險隔離。

可能包括：

權限最小化；
雙人審核；
操作留痕；
資料分級；
重要決策不可單獨完成；
利益衝突揭露；
試用性合作；
可撤銷權限。

這些措施不屬於人才判定本身，而屬於組織治理。

因此：

\text{Talent Evaluation} \neq \text{Risk Acceptance}

平台可以辨識能力，組織仍需決定是否承擔風險。

20. 候選人權利

分離式評估仍可能傷害候選人，因此需要程序保障。

20.1 來源更正權

候選人可以補充或修正貢獻資料。

20.2 團隊說明權

候選人可說明不同成員與 AI 的角色。

20.3 爭議標註權

若歸屬仍有爭議，應標示「未決」，而不是直接定罪。

20.4 證據查看權

候選人應能看到重大負面判斷依據。

20.5 人工複核權

涉及欺騙與名譽風險的結論，不應只由單一模型決定。

20.6 時間更新權

新證據出現時，候選人可以申請更新結果。

21. 核心命題

命題一：作品不等於作者

\text{Artifact} \neq \text{Author}

命題二：高品質作品只足以觸發進一步驗證

Q_{\text{artifact}}\gg0 \Rightarrow \text{Further Investigation}