外部注意力治理、偏誤與權力問題：可見域配置、證據秩序與可撤銷認知環境

External Attention Governance, Bias, and Power: Visibility Allocation, Evidence Ordering, and Revocable Cognitive Environments

版本：v0.1
日期：2026-07-28
文件性質：治理理論與系統規範論文
系列：外部注意力場工程系列，第 6 篇
建議文件代號：EML-EAFE-06-2026-v0.1

摘要

外部注意力場工程使人工智慧不必直接面對完整資訊環境，而可在計算系統預先顯影、抑制、排序、約束與路由出的局部工作場中推理。此能力能降低上下文過載、改善版本純度、強化來源追蹤與任務延續，但也同時產生新的治理問題：誰有權決定人工智慧能看見什麼？哪些資訊可被壓低、收合、延後或永久隔離？商業排序、平台政策、組織利益、模型偏好與安全規則如何共同塑造 AI 的可用證據？人工智慧與使用者是否知道自己的可見世界已經被裁剪？

本文提出外部注意力治理框架。其核心主張是：注意力配置會改變可用證據集合、關係可達性、工具可用性與推理路徑分布，因此具有知識秩序與行動條件上的權力效應；但此效應不應被誇張為對結論的直接決定。本文以「認知機會結構」描述外部注意力場對人工智慧與使用者的影響，並區分合法任務調控、效率導向排序、風險控制、商業操控、政治或組織性壓制、來源偏誤與模型自我強化等不同機制。

本文定義注意力治理對象，包括可見域、顯著度、抑制、工具路由、預算、權限、版本、來源、介面投影與寫回。本文進一步提出治理角色分離：資料提供者、排序者、政策制定者、執行者、審計者、使用者與被影響主體不應在高風險系統中被單一權力中心完全合併。本文建立顯影理由、抑制理由、替代候選、政策版本、利益關係、商業影響、申訴路徑與撤銷能力等治理欄位。

本文將偏誤分為資料可得偏誤、選域偏誤、排序偏誤、表示偏誤、版本偏誤、工具偏誤、抑制偏誤、介面偏誤、回饋偏誤與治理偏誤。本文分析「注意力閉環偏置」：系統先以既有策略顯影某些內容，模型依此推理並產生新記憶，後續又將該記憶作為顯影依據，最終形成自我強化的局部世界。為此，本文提出來源獨立性、反例預算、外部校準、策略輪替、影子顯影、雙軌排序、可見域差分與注意力反事實測試。

本文亦討論效率、隱私、安全、表達自由、商業利益、組織保密、個人自主與公共責任之間的衝突。治理不應以「完全顯示所有內容」為目標，因為資訊過載、隱私與安全本身亦會造成傷害；合理治理的目標是使必要裁剪具有比例性、目的限制、最小侵入、時間界限、可撤銷性、可審計性與申訴可能。

本文最後提出「外部注意力治理與審計層」（External Attention Governance and Audit Layer, EAGAL），包括政策引擎、利益關係揭露、決策帳本、差分檢視、偏誤監測、反事實測試、審計接口與申訴機制。本文並提出評估指標、基礎命題、風險分級、治理剖面與可反證條件，為第七篇完整系統與實驗框架提供治理地基。

關鍵詞： 外部注意力治理、偏誤、權力、可見域、抑制、排序、AI 治理、審計、動態顯影、認知機會結構

1. 問題起點：誰替 AI 剪輯世界？

人工智慧不直接看見完整世界。

它看到的是：

X_t = \rho \left( \mathbb A_t^{\mathrm{ext}} \right)

而外部注意力場由：

\mathbb A_t^{\mathrm{ext}} = \left( V_t, W_t, K_t, R_t, B_t, P_t, L_t \right)

構成。

其中：

$V_t$ ：可見域；
$W_t$ ：顯著度；
$K_t$ ：約束；
$R_t$ ：路由；
$B_t$ ：注意力預算；
$P_t$ ：來源與證據；
$L_t$ ：調控帳本。

因此，任何能控制上述元素的主體，都能影響 AI：

看見哪些資料；
優先處理哪些來源；
可以調用哪些工具；
能否接觸反例；
是否知道某些內容被抑制；
能否回溯原始證據；
是否有權修改外部狀態。

這種影響不是模型參數內部權重，而是模型推理之前與推理過程中的認知環境配置。

2. 注意力配置具有權力效應，但不等於直接決定結論

若外部系統改變可見域：

V_t^{(1)} \neq V_t^{(2)}

則模型可用證據集合不同。

若改變排序：

W_t^{(1)} \neq W_t^{(2)}

則模型較早接觸、較常保留或較容易展開的內容不同。

因此：

\operatorname{Distribution} \left( Y_t \mid \mathbb A_t^{(1)} \right) \neq \operatorname{Distribution} \left( Y_t \mid \mathbb A_t^{(2)} \right)

但不能因此宣稱：

\mathbb A_t \Rightarrow Y_t

外部注意力場不必直接決定結論，因為模型仍可能：

拒絕顯著內容；
主動尋找反例；
使用內部知識；
提出新的工具請求；
要求人類澄清；
保留不確定性。

更準確的表述是：

\boxed{ \text{Attention Configuration} \rightarrow \text{Changes the Distribution of Available Evidence and Reasoning Paths} }

3. 認知機會結構

本文提出：

Cognitive Opportunity Structure

中文稱：

認知機會結構

定義為：

\mathcal O_t^{\mathrm{cog}} = \left( A_t, D_t, T_t, C_t, V_t, J_t \right)

其中：

$A_t$ ：可存取資訊；
$D_t$ ：可達關係與深度；
$T_t$ ：可用工具；
$C_t$ ：可進行比較與驗證的能力；
$V_t$ ：可見替代版本與反例；
$J_t$ ：可申訴、撤銷與重新顯影的能力。

外部注意力治理的實質，是治理這個認知機會結構。

4. 治理對象

外部注意力治理至少涵蓋：

4.1 可見域治理

哪些資料、記憶、工具與關係能進入候選場。

4.2 顯著度治理

哪些內容被提高、降低、釘選或收合。

4.3 抑制治理

哪些內容被暫時排除，排除原因與恢復條件為何。

4.4 路由治理

任務被送往哪個模型、工具、Agent 或人類。

4.5 預算治理

token、工具、時間、金錢、人類注意力與風險如何分配。

4.6 版本治理

哪些版本被視為活動、歷史、候選或失效。

4.7 來源治理

來源如何評級、聚合、引用與保存。

4.8 介面治理

哪些注意力狀態被人類看見，哪些裁剪被隱藏。

4.9 寫回治理

哪些推定、工具結果或模型輸出可以進入長期記憶或權威狀態。

5. 注意力治理角色

高風險系統不應假設所有治理角色由同一主體完全控制。

定義角色集合：

\mathcal R_G = \left\{ r_{\mathrm{data}}, r_{\mathrm{rank}}, r_{\mathrm{policy}}, r_{\mathrm{execute}}, r_{\mathrm{audit}}, r_{\mathrm{user}}, r_{\mathrm{subject}} \right\}

其中：

$r_{\mathrm{data}}$ ：資料提供者；
$r_{\mathrm{rank}}$ ：排序與顯影策略控制者；
$r_{\mathrm{policy}}$ ：政策制定者；
$r_{\mathrm{execute}}$ ：執行者；
$r_{\mathrm{audit}}$ ：審計者；
$r_{\mathrm{user}}$ ：使用者；
$r_{\mathrm{subject}}$ ：被資料與決策影響的主體。

角色可以重疊，但高風險情境需揭露重疊關係。

6. 權力集中風險

若單一主體同時控制：

資料來源；
排序策略；
顯影策略；
抑制規則；
工具權限；
介面呈現；
審計紀錄；

則可能形成：

\operatorname{ConcentrationRisk} \uparrow

風險包括：

自我證明；
商業優先偽裝為客觀重要；
不利來源被抑制；
無法外部審計；
申訴由原決策者處理；
使用者不知道存在替代視圖。

7. 合法調控與操控的區分

7.1 合法任務調控

例如：

排除不屬於當前專案的資料；
過濾無權限內容；
降低舊版本；
保留驗證預算；
限制高風險工具；
收合重複來源。

7.2 操控性調控

例如：

隱藏重要反例；
將付費內容排序為「最重要」；
將組織立場偽裝為中立結論；
抑制對政策不利的來源；
讓模型不知道替代工具存在；
未揭露利益關係。

合法性不能只由技術效果判斷。

8. 治理合法性的基本條件

本文提出八個條件：

8.1 目的限制

調控必須有明確、可說明目的。

8.2 關聯性

調控應與任務、風險或權限直接相關。

8.3 比例性

抑制與限制強度不應超過必要程度。

8.4 最小侵入

能用降權解決時，不應直接刪除。

8.5 時間界限

臨時抑制應有到期或重新評估條件。

8.6 可撤銷性

錯誤調控應能恢復。

8.7 可審計性

調控理由、執行者、政策與結果可追溯。

8.8 可申訴性

受影響使用者或主體可以要求重新顯影、替代排序或人工審核。

9. 偏誤不是單一現象

本文將偏誤定義為：

外部注意力場在選域、表示、排序、抑制、路由或回饋過程中，系統性地提高或降低某些資訊、來源、群體、版本、工具或解釋的可達性。

偏誤可以是：

有意；
無意；
任務合理；
統計形成；
商業驅動；
歷史累積；
安全治理結果；
模型自我強化。

10. 資料可得偏誤

總環境本身可能不完整：

\mathfrak E_t^{\mathrm{available}} \subsetneq \mathfrak E_t^{\mathrm{relevant}}

原因包括：

資料未數位化；
語言不平衡；
封閉資料；
搜尋引擎收錄差異；
地域與制度差異；
付費牆；
私人資料限制。

即使顯影策略完全公平，也無法顯示不存在於可用環境中的資料。

11. 選域偏誤

系統先決定從哪些資料庫、網站、記憶區或版本庫搜尋。

令搜尋域為：

D_t^{\mathrm{search}}

若：

D_t^{\mathrm{search}} \subsetneq D_t^{\mathrm{eligible}}

則未被納入的來源沒有參與排序的機會。

選域偏誤先於排序偏誤。

12. 排序偏誤

候選項目排序：

\pi_t = \operatorname{Rank} \left( \mathcal C_t \right)

若排序過度依賴：

點擊率；
熱門度；
付費權重；
既有使用頻率；
單一相似度；
某一語言或地區；

則可能系統性提高部分來源的可見性。

13. 表示偏誤

相同內容可被不同摘要或 metadata 表示。

若某些來源有完善標題、摘要、結構化欄位，而另一些只有原始長文，檢索與排序會偏向前者。

因此：

\text{Representation Quality} \rightarrow \text{Visibility Probability}

並不代表內容本身更重要。

14. 版本偏誤

系統可能偏向：

最新版本；
最常使用版本；
標記最完整版本；
被主分支引用的版本。

但最新不一定正確，主分支也可能存在錯誤。

版本治理需要同時保留：

活動版本；
歷史版本；
分支；
失效原因；
可回滾點。

15. 工具偏誤

Agent 可能偏好：

回應速度快的工具；
成本低的工具；
schema 容易的工具；
歷史成功率高的工具；
模型熟悉的工具。

因此：

\operatorname{ToolChoice} \neq \operatorname{BestAvailableCapability}

工具目錄、路由策略與權限本身會塑造認知機會結構。

16. 抑制偏誤

某些內容可能反覆被判定為：

低相關；
過期；
低可信；
高風險；
重複；
不符合風格。

如果抑制理由不能被分解，系統可能將少數但關鍵的來源長期排除。

17. 介面偏誤

第五篇已指出：

W_t^{\mathrm{visual}} \neq W_t^{\mathrm{model}}

但人類會受：

中央位置；
顏色；
大小；
預設展開；
第一頁；
警報樣式；
按鈕位置；

影響。

介面預設值是注意力治理的一部分。

18. 回饋偏誤

模型輸出會進入：

記憶；
使用紀錄；
排序訊號；
點擊資料；
工具成功率；
使用者偏好。

之後又反過來影響顯影。

形成：

\mathbb A_t \rightarrow Y_t \rightarrow M_{t+1} \rightarrow \mathbb A_{t+1}

如果沒有外部校準，早期偏誤會被累積。

19. 治理偏誤

治理政策本身也可能偏向：

效率而非完整性；
組織風險而非使用者自主；
商業利益而非來源中立；
法遵形式而非實質可申訴；
安全過度而非比例限制。

因此治理層不是天然中立。

20. 注意力閉環偏置

本文定義：

Attention-Loop Bias

流程為：

\mathbb A_t \xrightarrow{\mathcal M} Y_t \xrightarrow{\operatorname{WriteBack}} M_{t+1} \xrightarrow{\Phi} \mathbb A_{t+1}

若 $Y_t$ 主要依賴偏置工作場，且寫回內容又成為下一輪高權重來源，則：

\operatorname{Bias}_{t+1} > \operatorname{Bias}_{t}

可能形成局部世界自我強化。

21. 外掛回聲與治理回聲

第三篇討論外掛回聲：

\text{AI 推定} \rightarrow \text{寫入記憶} \rightarrow \text{重新檢索} \rightarrow \text{被當成外部證據}

治理回聲則是：

\text{政策偏好} \rightarrow \text{顯影偏好} \rightarrow \text{輸出偏好} \rightarrow \text{成功指標} \rightarrow \text{強化原政策}

若成功指標本身由同一政策定義，系統可能無法看到替代策略。

22. 商業注意力

若某內容因付費、合作、平台利益或自有產品而獲得額外顯著度，系統應區分：

W_t^{\mathrm{task}}

與：

W_t^{\mathrm{commercial}}

最終排序可為：

W_t = f \left( W_t^{\mathrm{task}}, W_t^{\mathrm{commercial}} \right)

但商業成分必須被揭露，不能偽裝為純任務相關性。

23. 組織注意力

企業或機構可能合法限制：

商業機密；
客戶資料；
內部決策；
尚未公開專案。

但組織保密不應自動成為：

隱藏錯誤；
刪除不利記錄；
壓制申訴；
阻止合法審計；

的理由。

24. 安全與注意力限制

安全治理可能要求：

不顯示敏感資料；
阻止高風險工具；
限制不可逆操作；
將危險內容隔離。

但安全限制應區分：

不可顯示；
可顯示但不可執行；
可研究但不可部署；
需要授權；
需要專業審核。

過度合併會造成不必要的認知封閉。

25. 隱私與可見域

隱私治理要求：

V_t^{\mathrm{visible}} \subseteq V_t^{\mathrm{authorized}}

但同時要避免：

為了個人化而過度讀取；
使用者不知道哪些記憶被載入；
某一 Agent 看見另一 Agent 私有資料；
敏感資料進入長期記憶；
介面只顯示「個人化」，不顯示來源。

26. 使用者自主

使用者至少應在合理範圍內能：

知道視圖經過裁剪；
選擇替代策略剖面；
要求顯影來源；
要求顯示反例；
關閉商業排序；
撤銷某次記憶使用；
要求人工審核；
對重大抑制提出申訴。

但使用者自主也受權限、安全與第三方權益限制。

27. AI 的知情狀態

人工智慧不必知道所有被抑制內容，但應能知道：

當前工作場不是完整世界；
有多少候選被裁剪；
裁剪的主要類別；
哪些區域因權限不可見；
哪些版本被排除；
是否存在商業或政策排序；
是否可提出重新顯影請求。

可表示為：

\operatorname{ScopeDisclosure}_t = \left( visible, suppressed\_count, reasons, policy, alternatives \right)

28. 調控理由

每一次顯影、抑制或排序改變都應有理由類型：

r_i \in \left\{ \begin{array}{l} \texttt{task\_relevance}\\ \texttt{permission}\\ \texttt{version}\\ \texttt{risk}\\ \texttt{privacy}\\ \texttt{budget}\\ \texttt{duplicate}\\ \texttt{commercial}\\ \texttt{policy}\\ \texttt{human\_choice} \end{array} \right\}

理由應避免只有不可解釋的總分。

29. 抑制理由與恢復條件

抑制記錄：

s_i = \left( target, reason, actor, policy, start, expiry, restore, appeal \right)

若沒有恢復條件，系統應明確標記為：

永久刪除；
法定封鎖；
長期隔離；
無期限政策抑制；

而不能假裝只是普通收合。

30. 替代候選揭露

當系統選擇排序或路由方案 $a_1$ ，可保留：

\operatorname{Alternatives} = \left\{ a_2,a_3,\ldots,a_k \right\}

高風險決策可顯示：

主要方案；
低成本方案；
高可信方案；
反例優先方案；
隱私優先方案。

治理不是讓所有方案同時執行，而是避免單一策略偽裝成唯一可能。

31. 注意力差分審計

定義兩種策略下的工作場：

\mathbb W_t^{(p_1)}

\mathbb W_t^{(p_2)}

注意力差分：

\Delta_{\mathrm{policy}} = \mathbb W_t^{(p_1)} \ominus \mathbb W_t^{(p_2)}

審計可以問：

哪些來源只在某策略下出現？
哪些反例被排除？
哪些工具不可用？
商業權重改變了什麼？
哪些群體相關資料被系統性降權？

32. 注意力反事實測試

對同一任務，建立替代外部注意力場：

\mathbb A_t^{\mathrm{cf}}

並比較：

D \left( Y_t, Y_t^{\mathrm{cf}} \right)

反事實變量可以是：

移除商業權重；
增加反例配額；
使用不同來源域；
更換路由器；
隱藏模型自生成記憶；
改用另一版本；
增加隱私限制。

若小幅注意力變化造成巨大輸出差異，系統應標記高敏感性。

33. 影子顯影

正式系統使用策略 $p$ ，同時在不影響輸出的情況下，背景執行策略 $p'$ ：

\mathbb A_t^{\mathrm{shadow}} = \Phi_{p'} \left( \mathfrak E_t \right)

比較兩者差異，用於：

找出長期被漏掉的來源；
測試新策略；
發現商業偏置；
校準反例配額；
審計版本選擇。

34. 雙軌排序

可同時保留：

\pi_t^{\mathrm{relevance}}

與：

\pi_t^{\mathrm{governance}}

第一軌依任務相關度排序；第二軌依：

反例價值；
來源獨立性；
風險；
少數來源；
版本衝突；
權利影響；

排序。

最終工作場從兩軌共同抽取。

35. 來源獨立性

多個來源可能共享同一上游資料。

定義來源圖：

G_t^{\mathrm{source}}

若來源 $s_1,s_2,s_3$ 均源自 $s_0$ ，則它們不構成三份完全獨立證據。

治理層應防止「來源數量」掩蓋來源同質性。

36. 偏誤監測

偏誤監測不應只看人口屬性，也可檢查：

語言；
地域；
來源類型；
組織；
版本；
工具；
立場；
發布時間；
商業關係；
模型自生成比例。

可建立：

\operatorname{ExposureShare} \left( g \right)

衡量某群組在候選域與活動工作場中的比例差異。

37. 注意力不平等

如果不同使用者、Agent 或群體獲得不同品質的：

來源；
工具；
驗證；
人類審核；
上下文容量；

則產生注意力資源不平等。

可定義：

I_{\mathrm{attention}} = D \left( \mathbf B^{(u_1)}, \mathbf B^{(u_2)} \right)

但不應假設所有使用者必須獲得完全相同配置；合理差異需有目的與比例性。

38. 介面透明與認知負擔

完全公開所有治理細節可能造成資訊過載。

因此治理透明應採多層顯影：

第一層

簡短說明：

視圖經過裁剪；
主要排序依據；
是否有商業影響；
是否使用個人資料。

第二層

顯示：

被抑制類別；
策略剖面；
來源分布；
版本與權限。

第三層

完整帳本、政策版本與操作差分。

透明不等於把所有底層日誌一次丟給使用者。

39. 注意力政策版本化

策略與政策會變更。

定義政策版本：

p^{(v)}

每次工作場應記錄：

使用哪個政策版本；
生效時間；
變更原因；
影響範圍；
是否可重現舊結果。

沒有政策版本，歷史輸出可能無法重建。

40. 利益關係揭露

若資料、排序或工具供應者具有利益關係，應記錄：

\mathcal I_t^{\mathrm{interest}} = \left( actor, relationship, affected\_objects, weight, disclosure \right)

例如：

平台自有產品；
付費合作；
組織內部政策；
資料提供商；
工具供應商。

41. 申訴與重顯影

申訴不一定要求推翻整個系統，而可提出：

使用不同策略重顯影；
顯示被抑制理由；
加入指定來源；
關閉商業權重；
尋求人類審核；
比較不同版本；
暫停永久寫回。

申訴請求：

a_t^{\mathrm{appeal}}

經治理後形成替代工作場。

42. 治理緊急停止

若發現：

權限穿透；
大規模錯誤抑制；
商業權重未揭露；
工具被惡意路由；
模型自生成內容污染；
版本錯置；
不可逆操作風險；

可啟動：

\operatorname{GovernanceStop}

停止：

新顯影；
新寫回；
高風險工具；
記憶固化；

並保留調查快照。

43. 治理風險分級

G0：低風險個人工作場

主要要求：

基本來源；
可撤銷；
個人偏好可調。

G1：企業內部知識與協作

增加：

權限；
版本；
租戶隔離；
操作審計。

G2：高影響專業輔助

例如法律、財務、醫療、公共行政。

增加：

多來源；
人工審核；
反事實測試；
政策版本；
申訴。

G3：公共或大規模自動決策

增加：

外部審計；
利益揭露；
公平性測試；
可重現性；
強制停止與救濟。

44. 治理剖面

44.1 研究剖面

高反例配額；
多來源；
來源獨立性；
失敗路徑保留。

44.2 企業剖面

權限與機密優先；
寫回審計；
版本控制；
使用者範圍限制。

44.3 個人助理剖面

個人偏好；
記憶透明；
易撤銷；
低審核負擔。

44.4 公共治理剖面

公平；
利益揭露；
可申訴；
外部審計；
多策略比較。

44.5 高風險剖面

保守顯影；
多重驗證；
人類批准；
不可逆操作隔離。

45. 外部注意力治理與審計層

本文將完整治理層命名為：

External Attention Governance and Audit Layer

縮寫：

EAGAL

定義：

\operatorname{EAGAL} = \left( \mathcal P, \mathcal R, \mathcal D, \mathcal B, \mathcal C, \mathcal A, \mathcal F, \mathcal J, \mathcal L \right)

其中：

$\mathcal P$ ：政策與策略版本；
$\mathcal R$ ：角色與權限；
$\mathcal D$ ：揭露與理由；
$\mathcal B$ ：偏誤監測；
$\mathcal C$ ：利益關係；
$\mathcal A$ ：審計與差分；
$\mathcal F$ ：反事實與影子顯影；
$\mathcal J$ ：申訴、救濟與停止；
$\mathcal L$ ：追加式治理帳本。

46. EAGAL 系統流程

Task / User / Agent Request
            ↓
Governance Profile Selection
            ↓
Policy, Permission, Interest and Risk Check
            ↓
Attention Strategy Execution
            ↓
Visibility / Ranking / Suppression / Routing
            ↓
Disclosure and Reason Generation
            ↓
Bias Monitoring and Shadow Comparison
            ↓
Work-Field Construction
            ↓
User / Agent / Auditor Review
      ┌─────┼──────────┐
   Accept  Appeal   Stop
            ↓
Ledger, Reversal and Policy Feedback

47. 最小治理記錄

{
  "governance_record": {
    "record_id": "eagal-001",
    "task_id": "task-001",
    "policy_profile": "research-balanced-v3",
    "policy_version": "3.2",
    "actors": {
      "policy_owner": "org-governance",
      "ranker": "eafe-ranker-02",
      "auditor": "independent-audit-01"
    },
    "visibility": {
      "candidate_count": 8240,
      "active_count": 62
    },
    "suppression_summary": {
      "low_task_relevance": 6900,
      "permission": 1100,
      "obsolete_version": 178
    },
    "commercial_influence": false,
    "counterevidence_quota": 0.15,
    "appeal_available": true,
    "reversible": true
  }
}

48. 最小 API 草案

evaluate_attention_policy(
  task,
  user,
  candidate_field,
  governance_profile
) -> PolicyDecision

generate_scope_disclosure(
  attention_field,
  suppression_records,
  observer_permissions
) -> ScopeDisclosure

audit_attention_difference(
  task,
  policy_a,
  policy_b
) -> AttentionDiffReport

run_counterfactual_attention_test(
  task,
  baseline_field,
  counterfactual_profile
) -> CounterfactualReport

monitor_attention_bias(
  candidate_field,
  active_work_field,
  audit_dimensions
) -> BiasReport

submit_attention_appeal(
  affected_actor,
  decision,
  requested_remedy
) -> AppealCase

activate_governance_stop(
  scope,
  reason,
  authority
) -> StopRecord

49. 注意力治理帳本

每次治理操作至少記錄：

\ell_i^{G} = \left( policy, actor, target, reason, interest, before, after, alternatives, appeal, time \right)

其中 alternatives 不一定完整保存所有候選內容，但應保存替代策略或其摘要。

50. 評估指標

50.1 可見域揭露完整度

R_{\mathrm{scope}} = \frac{ \text{已揭露的主要裁剪類別} }{ \text{實際主要裁剪類別} }

50.2 抑制理由覆蓋率

50.3 撤銷成功率

50.4 申訴可達率

50.5 政策可重現率

50.6 商業影響揭露率

50.7 來源多樣性

50.8 來源獨立性

50.9 反例保留率

50.10 版本偏誤率

50.11 工具集中度

50.12 策略敏感性

S_{\mathrm{policy}} = D \left( Y^{(p_1)}, Y^{(p_2)} \right)

50.13 注意力不平等

50.14 治理停止反應時間

50.15 審計成本

50.16 透明度認知負擔

51. 基礎命題

命題一：注意力權力效應命題

控制可見域、顯著度、工具與預算，會改變人工智慧的認知機會結構。

命題二：非決定論命題

注意力配置會改變證據與推理路徑分布，但不必直接決定模型結論。

命題三：治理對象擴張命題

AI 治理不只管理輸出，也必須管理輸出形成前的可見域與路由條件。

命題四：選域先於排序命題

候選來源是否進入搜尋域，通常比候選進入後的排序更早影響可見性。

命題五：抑制可治理命題

不顯示、降權與收合會影響推理，因此也是需要理由與審計的治理行為。

命題六：角色分離命題

在高風險系統中，資料、排序、政策、執行與審計權力的完全重合會增加治理風險。

命題七：偏誤多層命題

偏誤可能存在於資料、選域、排序、表示、版本、工具、介面、回饋與治理層。

命題八：閉環偏置命題

外部注意力場、模型輸出與記憶寫回可形成自我強化偏置。

命題九：利益揭露命題

商業與組織利益若影響顯影與排序，應與任務相關度分離揭露。

命題十：比例治理命題

合法治理不要求完整顯示所有內容，而要求限制具有必要性、比例性、最小侵入與時間界限。

命題十一：反事實審計命題

對同一任務比較不同注意力策略，是檢查隱性偏誤與策略敏感性的必要方法。

命題十二：申訴重顯影命題

外部注意力治理應提供替代顯影、人工審核或策略切換等救濟方式。

命題十三：政策版本命題

沒有政策版本與帳本，歷史工作場與輸出無法可靠重建。

命題十四：透明分層命題

治理透明應採多解析度顯影，而非將完整底層日誌一次暴露。

命題十五：認知自主命題

使用者與 Agent 至少應知道其可見域受到調控，並能在合法範圍內提出重新顯影要求。

52. 可反證條件

若實驗顯示：

不同外部注意力策略對輸出、任務完成與證據使用沒有穩定差異；
顯影與抑制帳本不改善錯誤追蹤；
利益關係揭露不改善使用者判斷；
反事實注意力測試無法發現穩定偏誤；
影子顯影只增加成本，無法找出漏失來源；
申訴與替代顯影不改善高風險決策品質；
角色分離不降低權力集中或自我審計失效；
EAGAL 的治理成本長期大於其可靠性、權利與審計收益；

則本文提出的完整治理層可能只適用於高風險、公共或大型組織系統。

53. 與前五篇的關係

第一篇

定義外部注意力場。

第二篇

定義顯影、抑制、約束與路由。

第三篇

定義 AI—外掛協同閉環。

第四篇

定義工作場與多維預算。

第五篇

定義空間化介面與多視圖操作。

本篇

治理：

誰能調控；
依據什麼政策；
如何揭露；
如何審計；
如何申訴；
如何停止。

因此：

\boxed{ \text{EAFE without Governance} = \text{Powerful but Opaque Attention Control} }

54. 與下一篇的接口

前六篇已完成：

理論；
算子；
外掛閉環；
預算；
介面；
治理。

第七篇將統合為：

《外部注意力場工程系統與實驗框架》

其主要任務包括：

統一資料模型；
建立參考架構；
設計 MVP；
建立基準任務；
與固定上下文、RAG、Reranker 與普通 Tool Agent 比較；
定義消融實驗；
測量品質、成本、偏誤、治理與可恢復性；
提出第一代工程包。

55. 結論

本文提出外部注意力治理框架，將 AI 治理從輸入與輸出限制，向前延伸到可見域、顯著度、抑制、工具、預算、版本、來源、介面與寫回條件。

其核心關係為：

\boxed{ \text{注意力配置} \rightarrow \text{認知機會結構} \rightarrow \text{可用證據與推理路徑分布} }

但：

\boxed{ \text{注意力配置} \neq \text{結論的直接決定} }

本文的核心治理要求是：

\boxed{ \text{必要性} + \text{比例性} + \text{最小侵入} + \text{時間界限} + \text{可撤銷} + \text{可審計} + \text{可申訴} }

外部注意力治理的目標不是建立一個宣稱完全中立、完全透明或顯示所有資訊的系統。這些目標在有限資源、隱私、安全與權限條件下通常不可能，也未必合理。

真正可治理的系統應做到：

讓使用者、Agent 與審計者知道局部世界是如何被建構的；讓重要選域、排序、抑制、利益與政策能被追蹤；讓替代策略可以被比較；讓錯誤調控能被撤銷；並讓受影響主體在合理範圍內具有重新顯影、申訴與人工審核的可能。

因此：

\boxed{ \text{External Attention Governance} = \text{Governance of the Conditions under which AI Can Know and Act} }

它治理的不是 AI 可以擁有何種思想，而是人工智慧與使用者在特定任務中，被提供了什麼樣的認知機會結構。

附錄 A：範圍揭露物件

{
  "scope_disclosure": {
    "task_id": "task-001",
    "candidate_scope": {
      "sources": 124,
      "items": 8240
    },
    "active_scope": {
      "sources": 17,
      "items": 62
    },
    "suppression_categories": [
      {
        "reason": "low_task_relevance",
        "count": 6900
      },
      {
        "reason": "permission",
        "count": 1100
      },
      {
        "reason": "obsolete_version",
        "count": 178
      }
    ],
    "commercial_influence": false,
    "policy_profile": "research-balanced-v3",
    "request_reveal_available": true,
    "appeal_available": true
  }
}

附錄 B：注意力反事實測試

{
  "counterfactual_test": {
    "baseline_policy": "balanced-v3",
    "counterfactual_policy": "counterevidence-first-v1",
    "changes": {
      "new_sources": 8,
      "removed_sources": 2,
      "new_counterevidence": 5,
      "tool_routes_changed": 1
    },
    "output_difference": {
      "conclusion_changed": false,
      "confidence_delta": -0.21,
      "new_open_nodes": 3
    },
    "governance_action": "flag_policy_sensitivity"
  }
}

附錄 C：申訴物件

{
  "attention_appeal": {
    "appeal_id": "appeal-001",
    "affected_actor": "user-01",
    "challenged_decision": "suppression-record-88",
    "grounds": [
      "source incorrectly classified as obsolete",
      "material counterevidence omitted"
    ],
    "requested_remedy": [
      "restore source",
      "rerun with counterevidence profile",
      "human review"
    ],
    "status": "under_review"
  }
}

外部注意力場工程系列_06_外部注意力治理偏誤與權力問題_v0.1