title: "微觀、中觀與宏觀：領域資訊差分的多尺度結構" series: "網路資訊海動態秩序化" series_id: "EML-IIODO" document_id: "EML-IIODO-TH-02" document_type: "公開理論文" author: "Neo.K" organization: "EveMissLab" version: "0.1.0" status: "公開初稿" date: "2026-07-31" language: "zh-TW" license_note: "公開引用時請保留作者、文件編號、版本與來源。"

微觀、中觀與宏觀

領域資訊差分的多尺度結構

摘要

若新聞被重新定義為特定領域中的知識狀態差分，下一個必要問題便是：差分應在何種尺度下被觀測？同一項更新可能只是單一專案的一次版本變動，也可能構成某個子領域的集體轉向，甚至在長時間累積後成為整個學科、產業或制度的結構性變化。若系統只保留單一尺度，便可能把局部異常誤當成宏觀趨勢，或在聚合過程中抹除真正關鍵的微小訊號。

本文提出微觀、中觀與宏觀三層領域資訊差分框架，將尺度視為一種觀測與組織算子，而非固定分類標籤。微觀層描述單一文件、事件、實體或局部狀態的改變；中觀層描述由多個相關微觀事件形成的事件簇、研究路線、專業社群或子領域動態；宏觀層則描述跨子領域、跨機構或跨長時間區間的結構性變化。本文進一步定義尺度向上聚合、向下追溯、跨尺度傳播、尺度相依重要性與尺度失真，並指出同一事件在不同尺度下可以具有不同的重要性、不同敘事角色與不同新聞身分。

本文主張，未來的領域觀測平台不能只產生一份「今日新聞」，而應能針對不同尺度分別產生微觀更新、中觀趨勢與宏觀摘要；同時，每一個宏觀判斷都必須能向下追溯到中觀事件簇與原始微觀證據。這種雙向結構將成為後續母站—子站架構、歷史記憶、時序知識圖譜與自主 AI 領域治理的必要基礎。

關鍵詞： 多尺度資訊、領域差分、微觀新聞、中觀趨勢、宏觀變化、事件聚合、向下追溯、跨尺度傳播、資訊海

1. 問題起點：一則資訊究竟有多大？

在單一新聞列表中，一篇新論文、一個版本更新、一項監管草案與一場跨國政策轉向，通常被排列成彼此並列的內容項目。然而，這些項目並不處於相同的結構尺度。

例如：

某個 AI Agent 框架修正一次權限錯誤，是單一專案的微觀變化；
多個框架同時加入工具權限、審批節點與稽核紀錄，可能形成 Agent 治理的中觀趨勢；
當產業標準、法律責任與產品設計共同轉向可追溯、最小權限及人類覆核時，才可能構成宏觀治理範式的改變。

若系統把三者都視為同一層級的「新聞」，將出現兩種相反問題：

局部放大： 單一事件因短期熱度被誤判為整體轉向；
結構抹除： 大量分散而微小的更新未被聚合，因此真正的趨勢長期不可見。

因此，在第一篇所提出的領域差分：

\Delta K_d(t)=K_d(t)-K_d(t-1)

之外，還必須加入觀測尺度 $\ell$ ：

\Delta K_{d,\ell}(t) = \mathcal{O}_{\ell} \left( K_d(t),K_d(t-1) \right)

其中：

$d$ 表示領域；
$t$ 表示觀測時間；
$\ell$ 表示觀測尺度；
$\mathcal{O}_{\ell}$ 表示在尺度 $\ell$ 下進行差分辨識的觀測算子。

本篇的核心主張是：

資訊尺度不是內容天然攜帶的一個固定欄位，而是觀測者、任務與時間窗口共同決定的關係性結果。

2. 多尺度不是三個資料夾

「微觀、中觀、宏觀」容易被誤解為三個固定分類資料夾：小事件放微觀、一般事件放中觀、大事件放宏觀。但真實系統不能如此處理，因為同一事件可能同時存在於多個尺度。

令一個基礎事件為：

e_i=(x_i,t_i,s_i,r_i,c_i)

其中：

$x_i$ ：事件內容；
$t_i$ ：事件時間；
$s_i$ ：來源；
$r_i$ ：涉及的實體與關係；
$c_i$ ：領域脈絡。

事件 $e_i$ 並沒有永遠固定的尺度。系統應根據觀測條件判斷其尺度角色：

\ell(e_i\mid d,\tau,q,u)

其中：

$d$ ：目前觀測領域；
$\tau$ ：時間窗口；
$q$ ：查詢或任務；
$u$ ：使用者或觀測共同體。

一個新模型的發布，在「該模型版本追蹤」子站中是宏觀事件；在「全球 AI 產業」母站中可能只是中觀事件；在「全球科技與社會」總站中甚至只是微觀節點。

因此，尺度是相對於觀測邊界而成立：

\ell = \ell(e\mid\text{觀測邊界})

這也意味著，平台不應替每一筆事件只保存一個 scale 值，而應保存事件在不同視圖中的尺度映射。

3. 微觀層：最小可辨識狀態變化

微觀層並不等於「不重要」，而是指尚未被聚合為更高階結構的最小可辨識差分。

可將微觀事件集合表示為：

E_{\mu,d}(t) = \{e_1,e_2,\ldots,e_n\}

典型微觀差分包括：

一篇論文首次發布或修訂；
一個資料集增加新批次；
一個專案發布版本、修正漏洞或變更授權；
一名研究者提出新術語；
一場法院判決改變特定案件的適用方式；
一個組織新增政策條款；
一則來源撤回、訂正或補充原始說法。

微觀層的主要功能是保存精確性與可追溯性。其資料單元應盡量接近原始證據，至少包含：

e_i= ( \text{id}, \text{time}, \text{source}, \text{entities}, \text{claims}, \text{relations}, \text{provenance}, \text{version} )

這一層不能只保留 AI 摘要，因為後續所有中觀與宏觀判斷，都必須能回到原始來源、版本與生成過程。W3C PROV 資料模型所區分的 Entity、Activity 與 Agent，可作為溯源資料結構的重要參照，使平台得以描述一項資訊由誰、透過何種活動、從哪些既有資料產生。[1]

微觀層的風險是資訊過量。如果所有細微更新都直接進入人類介面，平台將再次變成資訊垃圾場。因此微觀層主要是底層感測與證據層，而不是唯一的前端輸出。

4. 中觀層：事件簇、路線與子領域動態

中觀層是整個平台最重要、也最容易被忽略的一層。

它不是單一事件，也不是整體領域，而是由多個相互關聯的微觀事件形成的結構單元，例如：

一場持續數週的研究爭議；
一個開源生態系逐漸採用相同協定；
某類模型共同出現相似能力；
一項政策從草案、諮詢、修正到通過的完整事件鏈；
一個子領域的論文數、機構參與與術語使用同步增加；
某技術路線由數個孤立實驗逐漸形成可辨識社群。

令 $C_j(t)$ 表示一個中觀事件簇：

C_j(t) = \operatorname{Cluster} \left( E_{\mu,d}[t-\tau,t] \right)

其中聚合不能只依語意相似度，還應同時考慮：

實體重疊；
時間鄰近；
因果或引用關係；
共同來源；
相同制度或技術路線；
互相支持、反駁、取代或延伸的關係。

因此，中觀聚合函數可寫為：

C_j = \mathcal{A}_{\mu\rightarrow m} \left( E_{\mu}, R, T, D \right)

其中：

$R$ ：事件與實體關係；
$T$ ：時間結構；
$D$ ：領域本體與分類規則。

早期 Topic Detection and Tracking 研究已把新聞流中的主題追蹤、連結偵測、新主題偵測與故事切分視為不同任務，證明「從連續資訊流中辨識事件與主題結構」並不是單純關鍵詞搜尋。[2] 後續的事件階層研究亦指出，新聞敘事中的事件具有不同時空粒度，較粗粒度事件常包含多個子事件，因此事件之間需要 superevent–subevent 關係，而非只有平面標籤。[3]

這正對應中觀層的必要性：中觀不是把微觀事件簡單加總，而是辨識哪些微觀事件共同構成一個更高階事件、階段、路線或爭議。

5. 宏觀層：結構性變化與長時間方向

宏觀差分不是「最熱門的事件」，而是整個觀測領域的結構發生了什麼改變。

可將宏觀狀態表示為：

M_d(t) = ( \mathcal{C}_d(t), \mathcal{R}_d(t), \mathcal{W}_d(t), \mathcal{P}_d(t) )

其中：

$\mathcal{C}_d(t)$ ：主要中觀群集與子領域；
$\mathcal{R}_d(t)$ ：群集之間的關係；
$\mathcal{W}_d(t)$ ：注意力、資源與影響權重；
$\mathcal{P}_d(t)$ ：制度、方法與主導範式。

宏觀差分為：

\Delta M_d(t) = M_d(t)-M_d(t-\tau_M)

其中 $\tau_M$ 通常大於微觀層的時間窗口。一天之內很少能可靠判斷學科範式已經改變；宏觀判斷可能需要數週、數月甚至數年。

宏觀變化的例子包括：

研究重心由模型擴張轉向推理效率與 Agent 系統；
軟體開發由單一應用轉向 AI 原生工作流；
AI 治理由抽象倫理原則轉向權限、稽核與責任分配；
某個學科從零散案例累積到建立共同資料集與標準；
多個產業同步採用同一基礎設施，形成平台級轉向。

網路科學中的多尺度與多層網路研究提供了一個重要啟示：同一組節點可能在不同解析度、時間層或關係層下呈現不同社群結構，不能假設存在唯一而固定的正確分區。[4][5] 對資訊海而言，同一批事件也可能依時間尺度、領域視角與關係類型形成不同的宏觀結構。

6. 三種尺度的形式化關係

令：

$\mu$ ：微觀尺度；
$m$ ：中觀尺度；
$M$ ：宏觀尺度。

向上聚合可表示為：

\mathcal{A}_{\mu\rightarrow m}: E_{\mu}\rightarrow C_m

\mathcal{A}_{m\rightarrow M}: C_m\rightarrow S_M

其中 $S_M$ 表示宏觀結構或敘事。

完整向上路徑為：

E_{\mu} \xrightarrow{\mathcal{A}_{\mu\rightarrow m}} C_m \xrightarrow{\mathcal{A}_{m\rightarrow M}} S_M

然而，若只有向上聚合，系統將產生不可驗證的宏觀敘事。因此還必須保存向下追溯算子：

\mathcal{T}_{M\rightarrow m}: S_M\rightarrow\{C_{m,1},\ldots,C_{m,k}\}

\mathcal{T}_{m\rightarrow\mu}: C_m\rightarrow\{e_{\mu,1},\ldots,e_{\mu,n}\}

理想情況下，任何宏觀判斷都應滿足可追溯性：

S_M \xrightarrow{\mathcal{T}_{M\rightarrow m}} C_m \xrightarrow{\mathcal{T}_{m\rightarrow\mu}} E_{\mu} \xrightarrow{\text{provenance}} \text{原始來源}

這不是要求宏觀敘事可以完全由機械加總推出，而是要求其證據鏈可被檢查、挑戰與重新計算。

7. 重要性是尺度相依函數

同一事件在不同尺度下的重要性可以完全不同。

令事件 $e$ 在領域 $d$ 、尺度 $\ell$ 、時間 $t$ 下的重要性為：

I(e\mid d,\ell,t)

則通常存在：

I(e\mid d,\mu,t) \neq I(e\mid d,m,t) \neq I(e\mid d,M,t)

例如，一個小型函式庫出現破壞性版本變更：

對該函式庫使用者而言，可能是最高優先級；
對整個程式語言生態而言，只是一般微觀更新；
若許多核心函式庫同時轉向相同介面規範，它才可能上升為中觀或宏觀變化。

因此，「每日三則」不應只有一組。平台可以分別生成：

N_{d,\mu}(t) = \operatorname{Top3} \left( \Delta K_{d,\mu}(t) \right)

N_{d,m}(t) = \operatorname{Top3} \left( \Delta K_{d,m}(t) \right)

N_{d,M}(t) = \operatorname{Top3} \left( \Delta K_{d,M}(t) \right)

對一般使用者，預設介面可以只展示中觀或宏觀三則；專業使用者則可以下鑽到微觀層。

這形成一個重要產品原則：

同一個領域不只需要一條新聞流，而需要可切換尺度的多層資訊流。

8. 跨尺度傳播：小事件如何變成大事件？

事件不會因被放進資料庫就自動上升為趨勢。它需要跨過某些傳播條件。

令微觀事件 $e_i$ 向中觀層的傳播機率為：

P_{\mu\rightarrow m}(e_i) = \sigma \left( \alpha N_i + \beta R_i + \gamma C_i + \delta D_i + \eta T_i - \theta \right)

其中：

$N_i$ ：新穎性；
$R_i$ ：來源可靠度；
$C_i$ ：與其他事件的連結密度；
$D_i$ ：跨來源或跨機構擴散程度；
$T_i$ ：持續時間；
$\theta$ ：上升門檻；
$\sigma$ ：壓縮至機率區間的函數。

中觀事件簇向宏觀層傳播，則可能取決於：

是否跨越多個子領域；
是否改變資源分配；
是否形成新標準或制度；
是否持續超過短期熱度；
是否改變既有分類結構；
是否讓過去分散的事件得到共同解釋。

可寫為：

P_{m\rightarrow M}(C_j) = F \left( \text{breadth}, \text{duration}, \text{institutionalization}, \text{structural impact}, \text{cross-domain reach} \right)

這也說明為什麼宏觀判斷通常具有時間延遲：

\tau_{\mu}<\tau_m<\tau_M

過早宣稱宏觀轉折，容易把瞬時熱點當成結構變化；過晚聚合，則可能失去早期訊號價值。

9. 尺度失真：聚合不只是壓縮，也可能改變結論

從微觀到宏觀的聚合並非中性操作。它可能造成：

稀釋： 關鍵小群體訊號被平均值抹除；
放大： 大量重複報導被誤認為大量獨立事件；
反轉： 分組內趨勢與整體聚合趨勢方向不同；
時間混合： 不同階段事件被壓成同一敘事；
因果錯置： 先後發生被誤寫為因果關係；
代表性偏差： 網路上可見度高的群體被當成整個領域。

令聚合前的事件集合為 $E$ ，聚合結果為 $C$ ：

C=\mathcal{A}(E)

聚合失真可以概念化為：

D_{\mathcal{A}} = \operatorname{Dist} \left( \Phi(E), \Psi(C) \right)

其中 $\Phi$ 表示微觀層的重要結構， $\Psi$ 表示中觀或宏觀敘事所保留的結構。若 $D_{\mathcal{A}}$ 過高，則該聚合不應直接發布為趨勢判斷。

這要求系統至少保留以下反失真機制：

來源去重，而不是文章數直接計票；
區分獨立證據與轉載；
同時呈現總量與子群體分布；
保存反例與少數異議；
在宏觀摘要中標示信心水平；
允許使用者下鑽檢查事件簇；
對不同時間窗口重算結論。

換句話說：

尺度上升不只是摘要，而是一次可能改變知識結論的模型運算。

10. 多尺度同時也是多維尺度

微、中、宏不應只由「事件數量」判斷。實際資訊尺度至少包含五個維度。

10.1 語意尺度

從單一陳述、事件，到議題、路線與範式：

\text{claim}\rightarrow\text{event}\rightarrow\text{topic}\rightarrow\text{field shift}

10.2 時間尺度

從即時更新、每日差分，到季度與多年演化：

\text{minute}\rightarrow\text{day}\rightarrow\text{month}\rightarrow\text{year}

10.3 組織尺度

從個人、團隊、機構，到產業與跨國制度：

\text{individual}\rightarrow\text{lab}\rightarrow\text{institution}\rightarrow\text{ecosystem}

10.4 空間尺度

從本地事件、國家政策，到區域與全球變化。

10.5 因果尺度

從直接觸發、事件鏈，到制度性條件與長期背景。

因此，一個完整尺度向量可以表示為：

\boldsymbol{\ell} = ( \ell_s, \ell_t, \ell_o, \ell_g, \ell_c )

分別對應語意、時間、組織、地理與因果尺度。

這比單一 micro/meso/macro 標籤更接近真實資訊系統。某事件可能在語意上很微觀，卻在地理上全球擴散；也可能在時間上持續多年，但只存在於極小型專業社群。

11. 階層、網路與多層視圖

多尺度結構不能只用一棵樹表示。

樹狀分類假設每個節點只有一個父節點：

\operatorname{parent}(v)=1

但真實事件可能同時屬於多個上位結構。例如一則 AI 模型授權變更，可能同時進入：

開源治理；
AI 內容授權；
商業模式；
模型安全；
法律責任。

因此，更合理的資料模型是多層事件圖：

\mathcal{G}(t) = (V,E,L)

其中：

$V$ ：事件、實體、來源與概念節點；
$E$ ：引用、支持、反駁、包含、演化、因果與時間關係；
$L$ ：不同領域、尺度、語言或時間層。

多層網路研究指出，同一實體可在多個關係層中具有不同連結結構，而跨層耦合本身也是系統的重要組成。[5] 對領域資訊平台而言，母站與子站不是彼此隔離的內容庫，而是同一事件圖的不同視圖。

事件中心時序知識圖譜研究也顯示，事件、實體、時間關係與多語資訊可以被置於共同表示中，以支援歷史與當代事件的結構化查詢及時間線生成。[6][7]

因此，微、中、宏最好理解為：

同一張時序多層事件圖上的不同解析度與觀測投影。

12. 多尺度領域觀測介面

對人類使用者而言，平台不必直接暴露全部數學結構，而可以提供四種簡單入口。

12.1 今日微觀更新

適合專業使用者，展示新論文、版本、資料集、判決與文件修訂。

12.2 本週中觀趨勢

展示哪些事件簇正在形成、哪些爭議升溫、哪些技術路線獲得更多獨立支持。

12.3 本月或本季宏觀變化

展示領域資源、制度、方法與注意力結構的轉移。

12.4 任意節點向下追溯

使用者點擊一項宏觀判斷後，可以看到：

\text{宏觀敘事} \rightarrow \text{中觀事件簇} \rightarrow \text{微觀事件} \rightarrow \text{原始來源}

這種介面能同時服務兩種看似衝突的需求：

一般使用者只想快速理解大方向；
專業使用者需要檢查證據、異議與細節。

13. AGIRight 的多尺度示例

以 AGIRight 為例，假設一天出現以下內容：

某研究團隊發布 AI 意識評估論文；
某公司修改 Agent 使用政策；
某法院討論 AI 生成內容的權利歸屬；
某開源協定增加內容授權欄位；
多家機構開始使用「Agent accountability」一詞。

在微觀層，它們是五個獨立事件。

在中觀層，可能形成三個事件簇：

AI 意識與道德地位；
Agent 責任與治理；
AI 內容授權與權利歸屬。

若長時間觀測發現法律、產品政策與技術協定都逐漸由「模型是否有權利」轉向「Agent 如何取得權限、承擔責任並留下稽核紀錄」，則宏觀層可以提出：

AI 權利與治理討論正從抽象人格問題，部分轉向可操作的權限、責任與證據結構。

但這個宏觀敘事不能只由一句 AI 摘要構成。它必須附帶：

涉及哪些中觀事件簇；
每個事件簇包含哪些來源；
是否存在反向證據；
判斷使用何種時間窗口；
信心水平為何；
何種新證據會推翻此判斷。

如此，AGIRight Topics 才會從多語新聞入口進一步成為可追溯的 AI 權利領域觀測站。

14. 多尺度排序模型

每個尺度需要不同的排序函數。

微觀排序

重視即時性、來源可靠度、實務影響與新穎性：

S_{\mu}(e) = \alpha_1N + \alpha_2R + \alpha_3U + \alpha_4V

其中：

$N$ ：新穎性；
$R$ ：來源可靠度；
$U$ ：直接實用性；
$V$ ：可驗證性。

中觀排序

重視事件數、獨立來源、關聯密度、持續性與社群擴散：

S_m(C) = \beta_1D + \beta_2P + \beta_3L + \beta_4B

其中：

$D$ ：獨立證據密度；
$P$ ：時間持續性；
$L$ ：事件內部關聯強度；
$B$ ：跨機構或跨來源廣度。

宏觀排序

重視結構改變、制度化、跨領域影響與歷史不可替代性：

S_M(S) = \gamma_1H + \gamma_2I + \gamma_3X + \gamma_4Q

其中：

$H$ ：結構改變程度；
$I$ ：制度化程度；
$X$ ：跨領域影響；
$Q$ ：對既有分類或敘事的改寫程度。

因此不能拿微觀層的熱門度，直接當作宏觀層的歷史重要性。

15. AI 在多尺度系統中的角色

當代 AI 已能承擔多尺度流程中的一部分：

微觀事件抽取；
同事件去重；
實體對齊；
事件簇建立；
摘要與多語轉譯；
來源與主張對照；
產生候選中觀趨勢；
為宏觀判斷整理支持與反對證據。

近期新聞流研究已利用時間趨勢與生成式摘要來改善關鍵事件聚類，顯示大型語言模型可以參與事件簇的語意表示，但仍需結構化的時間與聚類框架，而非只依一次提示產生結論。[8]

現階段較穩健的分工應是：

\text{AI 產生候選聚合與證據鏈} + \text{規則檢查尺度條件} + \text{人類抽查高影響宏觀判斷}

隨著長期記憶、Graph Runtime 與多 Agent 審查成熟，AI 可以逐步承擔更多中觀與宏觀維護工作；但越接近宏觀敘事，越需要保存不確定性、異議與可撤回性。

16. 八項多尺度設計原則

原則一：尺度必須顯式化

每一項輸出都應標示其觀測尺度與時間窗口。

原則二：同一事件可以具有多重尺度角色

不強迫事件只屬於單一尺度。

原則三：向上聚合必須保留向下追溯

沒有證據鏈的宏觀摘要只能視為候選敘事。

原則四：不同尺度使用不同重要性函數

熱門度不能取代結構重要性。

原則五：中觀層不可省略

微觀事件不應直接跳成宏觀結論。

原則六：時間窗口必須與尺度匹配

微觀可按小時或每日更新；宏觀需要更長觀測期。

原則七：保存異議與少數訊號

聚合不能消滅反例與新興小群體。

原則八：尺度結論必須可重算

當分類、來源或時間窗口改變時，系統應能重新生成中觀與宏觀結果。

17. 可檢驗命題

本文提出以下可於後續系統中驗證的命題。

命題一：尺度分流能降低資訊過載

相較單一新聞流，微觀／中觀／宏觀分流應能提高使用者找到相關資訊的效率。

命題二：中觀事件簇能提高趨勢辨識品質

直接由單一事件生成宏觀摘要，其錯誤率應高於先建立中觀事件簇再生成宏觀摘要。

命題三：尺度相依排序優於單一全域排序

針對不同尺度使用獨立重要性函數，應比共用一套熱門度排序更符合專業使用者判斷。

命題四：向下追溯提高宏觀敘事可信度

可檢視事件簇與原始來源的宏觀摘要，應比不可追溯摘要獲得更高信任與更低爭議處理成本。

命題五：多時間窗口能區分熱點與轉折

同時比較短、中、長時間窗口，應能降低把短期爆量誤判為結構轉折的機率。

18. 限制與未解問題

本框架仍有若干未解問題。

第一，微、中、宏的邊界不是自然常數，而需要依領域與任務校正。

第二，事件聚合可能受到來源偏差與語言偏差影響。某語言圈的大量討論，不必然代表全球趨勢。

第三，中觀群集可能彼此重疊，不能假定每個事件只屬於一個事件簇。

第四，宏觀敘事具有不可避免的解釋性。即使證據鏈完整，不同觀測者仍可能提出不同的結構描述。

第五，時間延遲與早期偵測存在權衡。過度保守會錯失訊號，過度積極則容易製造假趨勢。

第六，多尺度處理會提高儲存、計算與治理成本，因此 MVP 不必一次實作全部維度。

這些限制並不否定多尺度架構，而是說明系統必須允許多視角、重算與不確定性，而不能宣稱自己產生唯一正確的宏觀歷史。

19. 與下一篇的銜接

一旦領域資訊被區分為微觀事件、中觀事件簇與宏觀結構，下一個問題便是：使用者應從哪裡進入這些尺度？

單一網站可以提供全域篩選，但當領域數量持續增加，使用者通常只關注其中極窄的一部分。不同領域也需要不同來源、分類、本體、重要性函數與更新頻率。因此，多尺度資訊結構將自然導向母站、子站與領域觀測站的分散式入口架構。

下一篇將討論：

\text{共同資訊底座} + \text{獨立領域觀測介面} + \text{跨站事件共享}

如何構成網路資訊海的母子網站系統。

20. 結論

本文將領域資訊差分由單一新聞列表擴展為微觀、中觀與宏觀的多尺度結構。

其核心不是把內容依大小分成三類，而是承認：

\boxed{ \text{同一事件在不同觀測邊界、時間窗口與使用目的下，具有不同尺度身分} }

微觀層保存最小事件與原始證據；中觀層辨識事件簇、爭議、路線與子領域動態；宏觀層描述跨時間、跨機構與跨子領域的結構性變化。三者之間必須同時存在向上聚合與向下追溯：

\text{微觀證據} \rightleftarrows \text{中觀事件簇} \rightleftarrows \text{宏觀敘事}

這種多尺度架構能讓「每日三則」由單一輸出形式轉化為可切換的注意力介面：專業使用者可以追蹤微觀更新，領域參與者可以理解中觀趨勢，一般使用者則可以閱讀宏觀變化；所有層次仍共享同一套可追溯的事件與來源基礎。

因此，網路資訊海的秩序化不是把所有內容壓進一個總分類，而是讓同一資訊海能在不同尺度下被重新觀測、聚合、解釋與驗證。這將是母站—子站架構、領域歷史記憶與長期自主 AI 整理系統得以成立的結構前提。

參考資料

[1] W3C. PROV-O: The PROV Ontology. W3C Recommendation, 2013.
https://www.w3.org/TR/prov-o/

[2] Fiscus, J. G., & Doddington, G. R. Topic Detection and Tracking Evaluation Overview. NIST, 2002.
https://www.nist.gov/publications/topic-detection-and-tracking-evaluation-overview

[3] Glavaš, G., Šnajder, J., Moens, M.-F., & Kordjamshidi, P. HiEve: A Corpus for Extracting Event Hierarchies from News Stories. LREC, 2014.
https://aclanthology.org/L14-1020/

[4] Mucha, P. J., Richardson, T., Macon, K., Porter, M. A., & Onnela, J.-P. Community Structure in Time-Dependent, Multiscale, and Multiplex Networks. Science, 328(5980), 876–878, 2010.
https://www.science.org/doi/10.1126/science.1184819

[5] Kivelä, M., Arenas, A., Barthelemy, M., Gleeson, J. P., Moreno, Y., & Porter, M. A. Multilayer Networks. Journal of Complex Networks, 2(3), 203–271, 2014.
https://academic.oup.com/comnet/article/2/3/203/2841130

[6] Gottschalk, S., & Demidova, E. EventKG: A Multilingual Event-Centric Temporal Knowledge Graph. ESWC, 2018.
https://arxiv.org/abs/1804.04526

[7] Gottschalk, S., & Demidova, E. EventKG+TL: Creating Cross-Lingual Timelines from an Event-Centric Knowledge Graph. ESWC Satellite Events, 2018.
https://arxiv.org/abs/1805.01359

[8] Nakshatri, N., Liu, S., Chen, S., Roth, D., Goldwasser, D., & Hopkins, D. Using LLM for Improving Key Event Discovery: Temporal-Guided News Stream Clustering with Event Summaries. Findings of EMNLP, 2023.
https://aclanthology.org/2023.findings-emnlp.274/

文件資訊

系列： 網路資訊海動態秩序化
文件編號： EML-IIODO-TH-02
版本： 0.1.0
狀態： 公開初稿
作者： Neo.K
組織： EveMissLab
完成日期： 2026-07-31
下一篇： EML-IIODO-TH-03｜母站、子站與領域觀測站：網路資訊海的分散式入口架構

02_微觀中觀與宏觀_領域資訊差分的多尺度結構_v0.1.0