TADC-MD-01：拓樸注意力量測設計——核心變量、資料層級與模型判決規則

英文題名： TADC Measurement Design 01: Core Variables, Data Layers, and Model-Adjudication Rules
系列階段： TADC Phase II — Measurement Design
文件編號： TADC-MD-01
版本： v0.1
日期： 2026-08-17
作者： Neo.K（許筌崴）
協作： GPT-5.6 Sol
文件性質： Measurement Design／資料規格／模型比較前置文件
文獻檢索截點： 2026-08-17

摘要

TADC-01 至 TADC-08 已建立一套關於可變認知空間、動態認知域、多尺度重索引、域級持續注意、關係優先跨域連續性，以及外部認知支架的命題系列。這些命題目前仍沒有 TADC 專屬原始人體實驗資料，因此下一步不應繼續增加理論，而應先回答：

TADC 中哪些變量真的能被穩定、獨立、可重現地量測？

本文建立 TADC 第一份正式量測設計。整個測量系統分為六層：

\boxed{ \text{Event} \rightarrow \text{Relation} \rightarrow \text{Domain} \rightarrow \text{Scale} \rightarrow \text{Operator} \rightarrow \text{Outcome}. }

其中 Event 為最接近直接觀察的資料；Relation、Domain、Scale 與 Operator 逐步增加模型假設。因此本文採取一個重要原則：

\boxed{ \text{higher-level latent claims require lower-level measurement survival}. }

若 relational distance 無法穩定估計，則 dynamic domain 不進下一階段；若 domain 無法獨立恢復，則 domain hyperfocus、topological hyperfocus 與 cross-domain continuity 不進 confirmatory test；若 scale 無法被 participant behavior 或 independent decoding 區分，則 Re-indexing 只保留為分析工具；若 operator categories 不可辨識，則 SOCTS 六算子必須壓縮。

本文建立 TADC Minimal Measurement Battery（TMMB），其核心變量包括：

\boxed{ L_D,\nu_I,\nu_E,H_I,d_{\mathrm{rel}}, \Delta_{\mathrm{cross}},G_C,S_C, K_R,K_{RE},E_C,R_C,\Gamma_R,P_R. }

並將測量分成：

Core Battery

不需要 EEG / fMRI / persistent homology，只使用：

controlled behavioral tasks；
time-series logs；
goal reports；
relation annotations；
interruption / re-entry tasks；
held-out prediction。

Advanced Topology Battery

只有 Core Battery 通過後才使用：

representational similarity analysis；
persistent homology；
persistence diagrams；
topology-sensitive model comparison；
cross-scale invariants；
operator-induced topology change。

現有 cognitive-map 研究已示範可用可靠的 representational structure 去直接 benchmark competing theoretical models，而非只做定性比喻。2025 年 representational topology analysis 也已將 persistent homology 引入 representational analysis，提供測量高階「形狀」結構的方法；但這些方法本身不證明 TADC。

本文最後制定 Go / Revise / Kill 規則，確保 Measurement Design 的結果可以阻止 TADC 進入不必要的 Pilot。

0. 研究狀態與邊界

目前 TADC：

已完成理論命題：8 篇；
原始 TADC 人體實驗：0；
TADC 專屬 longitudinal validation：0；
preregistered confirmatory study：0；
TADC 特有拓樸不變量：0。

因此本文件不應使用：

\boxed{ \text{validated theory} }

而只能使用：

\boxed{ \text{measurement candidates}. }

1. Measurement Design 的第一原則：不要一次測整套 TADC

TADC 中存在明確 dependency：

\boxed{ \text{Relation} \rightarrow \text{Domain} \rightarrow \text{Scale} \rightarrow \text{THF / Cross-domain continuity / Operators}. }

因此不能直接拿一個長期 log：

畫一張圖 → 找到很多 cluster → 宣稱拓樸注意力。

正確順序是：

\boxed{ \text{Can we measure relations?} }

↓

\boxed{ \text{Do relations recover useful domains?} }

↓

\boxed{ \text{Do those domains predict switching / return?} }

↓

\boxed{ \text{Is there additional multiscale / topological structure?} }

2. Measurement Dependency Graph

定義：

M_R = \text{relational measurement}.

M_D = \text{domain inference}.

M_\lambda = \text{scale inference}.

M_O = \text{operator inference}.

則：

M_R \rightarrow M_D \rightarrow M_\lambda \rightarrow M_O.

同時：

M_D \rightarrow M_{\mathrm{DHF/THF}},

M_R \rightarrow M_{\mathrm{RFCC}},

M_D+M_\lambda \rightarrow M_{\mathrm{THF}},

M_R+M_D \rightarrow M_{\mathrm{AI-topology}}.

3. 六層資料模型

Layer E — Event

直接觀察或接近直接觀察。

Layer R — Relation

兩事件／概念之間的關係。

Layer D — Domain

由關係誘導的候選區域。

Layer S — Scale

哪些 distinctions 在當前解析度被保留。

Layer O — Operator

從狀態變化反推的操作類型。

Layer Y — Outcome

performance、error、return、completion、cost。

4. Event Layer 是唯一可以先收再說的層

每個 event：

e_i = ( id_i, t_i, s_i, a_i, q_i, g_i, y_i ).

其中：

$id_i$ ：event id；
$t_i$ ：timestamp；
$s_i$ ：source type；
$a_i$ ：action；
$q_i$ ：local context；
$g_i$ ：declared / inferred goal；
$y_i$ ：immediate outcome。

5. Source Type 必須先拆

至少：

s_i\in \{ H,S,A \}.

其中：

(H)：Human interaction event；
(S)：System / Agent event；
(A)：Artifact event。

因此：

\boxed{ H\neq S\neq A. }

6. Human Event

候選 human event：

prompt / message；
explicit task selection；
manual file open；
manual branch selection；
participant button response；
eye / focus-confirmed task engagement；
self-report probe。

不能只用：

\text{file modification time}

當 human attention。

7. System Event

候選：

agent execution；
automatic search；
background code run；
scheduled generation；
automatic summarization；
index update。

System event 可反映：

\text{hybrid system topology},

但不能直接反推：

\text{human attentional topology}.

8. Artifact Event

候選：

file creation；
commit；
ZIP release；
paper export；
generated code；
validation output。

artifact 是結果層，

不是 cognition ground truth。

9. Event 最小欄位

所有研究至少記：

欄位	說明
event_id	唯一 ID
timestamp	ISO 8601
actor_type	human / system / artifact
session_id	session
project_id	外部 project label
task_id	task
subtask_id	subtask
action_type	action
goal_id	goal
parent_event	前置 event
artifact_ref	可選
outcome	結果
confidence	標註可信度

10. Human Attention Grounding

若研究 digital traces，

建議每：

5\sim20

分鐘插入低頻 experience-sampling probe：

目前主要 goal？
目前 subtopic？
剛剛是否換題？
換題是因為 distraction / exploration / regulation / external demand？
目前是否能立即停止？

用來校準：

\boxed{ \text{digital event} \rightarrow \text{human state} }

映射。

11. Relation Layer

TADC 最低 relational vector：

\mathbf r_{ij} = ( r_S, r_C, r_A, r_P, r_T, r_G, r_K ).

12. Semantic Relation $r_S$

測量：

human semantic rating；
lexical / embedding proxy；
expert coding。

Embedding 只能：

\boxed{ \text{proxy}. }

13. Causal Relation $r_C$

問題：

$x_i$ 是否被認為對 $x_j$ 有因果、機制或 dependency 關係？

可由：

explicit causal graph；
formal dependency；
expert rating；
intervention task；

估計。

14. Analogical Relation $r_A$

問題：

兩者是否共享角色對應或 higher-order relational structure？

不能只問：

像不像？

應分：

\text{surface similarity}

與：

\text{structural alignment}.

15. Procedural Relation $r_P$

問題：

完成 $x_j$ 是否需要 $x_i$ 的 procedure / output？

特別適用：

coding；
mathematics；
multi-step tasks。

16. Temporal Relation $r_T$

例如：

x_i \prec x_j.

但 temporal adjacency：

\not\Rightarrow

semantic / causal adjacency。

17. Goal Relation $r_G$

r_G(x_i,x_j) = \operatorname{Sim} ( G(x_i), G(x_j) ).

是 TADC 判斷「換題是否仍留在同一 higher-order goal」的重要變量。

18. Constraint Relation $r_K$

兩個 concepts 是否共享：

boundary conditions；
rules；
allowed transformations；
validity conditions。

這用來防：

\boxed{ \text{false cross-domain gluing}. }

19. Relation Annotation 三級制

每條 relation 使用：

r\in \{0,1,2\}

即可先做 Pilot。

0：無／極弱；
1：可能／部分；
2：強／明確。

另存：

c_r\in[0,1]

作 confidence。

先不要一開始用 0–100 精細量表。

20. Relational Distance 的兩個版本

Graph Version

d_{\mathrm{rel}}^{G} = \min_\gamma \sum_{e\in\gamma} c(e).

Statistical Version

學習：

d_{\mathrm{rel}}^{M} = f_\theta( \mathbf r_{ij} )

使其最佳預測：

K_{\mathrm{switch}}, \text{transfer}, P_{\mathrm{return}}.

兩者都保留。

21. 不先假定哪一個 relation layer 最重要

權重：

\mathbf w = (w_S,w_C,w_A,w_P,w_T,w_G,w_K)

應在 training data 學習，

再在 held-out data 評估。

confirmatory phase 前才 freeze。

22. Domain Layer

domain 不應直接等於：

folder；
repo；
discipline；
self-report category。

這些只能作：

L_{\mathrm{ext}}.

23. Candidate Domain

從 relational graph：

\mathcal G

估：

\mathcal U = \{U_1,\ldots,U_k\}.

可以比較：

community detection；
overlapping community；
hierarchical clustering；
latent-state model；
task-defined domain。

24. Domain 不要求唯一 partition

允許：

P( x\in U_i ) \in[0,1].

因此：

x

可同時：

x\in U_i \cap U_j.

25. Domain Recovery 必須和 external label 分開

比較：

M_{\mathrm{ext}}

與：

M_{\mathrm{rel-domain}}.

Primary test：

\boxed{ \operatorname{Pred} ( M_{\mathrm{rel-domain}} ) > \operatorname{Pred} ( M_{\mathrm{ext}} ). }

26. Domain 的主要 outcome

domain model 至少要預測一項：

switch cost；
return probability；
transfer；
memory clustering；
task completion；
neural similarity。

如果：

U_i

不預測任何 outcome，

它只是 clustering artifact。

27. Domain Retention

L_D = \frac{ \sum_t \mathbf1[ x_t\in U_t ] }{ T }.

dynamic domain 時：

U_t

需有 correspondence mapping。

28. Domain Exit

\nu_E = \frac{ N( U_t\rightarrow V_t,\; V_t\not\sim U_t ) }{ T }.

其中：

\not\sim

不能只由 folder label 判斷。

29. Intra-Domain Switching

\nu_I = \frac{ N( x_i\rightarrow x_j, x_i,x_j\in U ) }{ T_U }.

30. Internal Entropy

H_I = -\sum_i p(x_i\mid U)\log p(x_i\mid U).

31. Goal Continuity

G_C = \frac1{T-1} \sum_t \operatorname{Sim} ( G_t,G_{t+1} ).

32. Structural Continuity

先採弱版：

S_C = \alpha J_X + \beta J_R + \gamma G_C.

不要第一版就塞太多 invariant。

33. Scale Layer

TADC-04 的最大風險是：

\lambda

可能只是分析者選擇。

所以 scale study 必須有 experimental manipulation。

34. Scale Manipulation

同一 structure：

U

要求 participant：

Fine condition

處理：

x_1,\ldots,x_n.

Coarse condition

把：

U

當一個 unit。

Return-to-fine

再展開。

35. Re-indexing Cost

定義：

K_R = RT_{\mathrm{switch-scale}} - RT_{\mathrm{same-scale}}.

也可加入：

error cost；
neural reconfiguration；
memory loss。

36. Scale Reality 判準

至少兩項成立：

instruction manipulation 改變 behavior；
participant grouping 符合 scale；
neural / representational decoding 分離；
cross-scale switch cost 可重現。

否則：

\boxed{ \lambda = \text{analyst-only scale}. }

37. Operator Layer

TADC-03 六算子先不直接做六分類。

Measurement stage 採階層分類。

38. Operator Level 1

先分：

\boxed{ \text{Move} }

\boxed{ \text{Structure Change} }

\boxed{ \text{Scale Change} }

39. Operator Level 2

Structure Change 再分：

Expand；
Contract；
Connect；
Disconnect。

Scale Change：

coarse；
fine。

Move：

within-domain；
across-domain。

40. 為什麼分兩層？

因為直接：

\{E,C,T,G,D,R\}

很可能 inter-rater reliability 低。

先確認 coarse categories 可辨識，

再升級細分類。

41. Operator Reliability

目標：

\kappa_{\mathrm{rater}} \geq 0.70

作為 Pilot 建議門檻。

低於：

0.60

則 operator definitions 需重寫。

這是研究設計門檻，不是通用心理測量定理。

42. Hyperfocus Measurement

TADC-05 不應直接創造新問卷取代 AHQ-D。

AHQ-D 可作 trait-level external measure；其 2024 validation 以 12-item dispositional scale 測成人 hyperfocus，並將 hyperfocus 操作為 intense/deep concentration，包含 timelessness、忽略外界／個人需求、停止困難等面向。

TADC 增加的是 episode dynamics。

43. Episode Battery

每個 long-focus episode 測：

\mathbf H = ( I,T,L_D,\nu_I,\nu_E,H_I,E_C,R_C ).

其中：

intensity；
duration；
domain retention；
intra switching；
exit switching；
entropy；
exit control；
re-entry control。

44. Exit Controllability

隨機 exit cue。

測：

\tau_{\mathrm{exit}}

與：

P_{\mathrm{exit|cue}}.

45. Re-entry Controllability

退出：

\Delta t

後，

測：

\tau_{\mathrm{reentry}}

與：

\text{state reconstruction accuracy}.

task interruption literature 已證明 resumption 存在可測成本，因此這是可直接接到既有 paradigm 的量。TADC 的新增部分是把它和 domain / external checkpoint 結構連起來。

46. Human–AI Measurement

AI study 必須至少三層：

\boxed{ H_t,S_t,A_t. }

不能只抓 Git / files。

47. Human Layer

收：

prompt timestamp；
active-window focus；
explicit branch selection；
self-report；
manual approval；
validation decision。

48. System Layer

收：

agent start/end；
tool call；
branch execution；
model output；
background task；
automatic retrieval。

49. Artifact Layer

收：

paper；
code；
commit；
release；
validation；
summary。

50. AI Reachability Gain

需要 matched task。

Human-only：

\operatorname{Reach}_H^{T}.

Human+AI：

\operatorname{Reach}_+^{T}.

不能用自然狀態「AI 組做了更多」直接判。

51. Reachability Precision

每個 candidate state：

y_i

標：

valid；
invalid；
unresolved。

所以：

P_R = \frac{ N_{\mathrm{valid}} }{ N_{\mathrm{valid}} + N_{\mathrm{invalid}} + N_{\mathrm{unresolved}} }.

Pilot 另報：

P_R^{resolved} = \frac{ N_{\mathrm{valid}} }{ N_{\mathrm{valid}} + N_{\mathrm{invalid}} }.

避免 unresolved 被隱藏。

52. External Checkpoint Condition

比較至少三種：

Raw

只保存完整 history。

Structured

保存：

( goal, state, dependencies, open\ questions, next\ action ).

AI Structured + Provenance

另保存：

source；
confidence；
validation state。

53. Re-entry Primary Outcome

K_{RE} = z(RT) + z(error) + z(reconstruction\ loss).

或三個分開報。

第一個 Pilot 不要硬合成單一 index。

54. Core Battery 的七個首要量

第一輪最重要：

\boxed{ d_{\mathrm{rel}}, L_D, \nu_I, \nu_E, G_C, K_R, K_{RE}. }

其他變量第二順位。

55. 為什麼先這七個？

因為它們直接決定：

relation-first 是否值得繼續；
domain 是否有實體測量價值；
macro / micro 是否可測；
re-entry topology 是否可測。

如果這七個失敗，

很多後續理論自然消失。

56. 第一個 Measurement Study：Relation Distance Calibration

目的

建立：

d_{\mathrm{rel}}.

Participants

先用一般成人樣本。

不需要 ADHD。

57. Relation Distance Calibration Task

準備：

N

組 concept / task pairs。

收：

semantic similarity；
causal relation；
analogical alignment；
procedural dependency；
goal similarity；
external discipline distance。

再做：

switching RT；
inference accuracy；
transfer。

58. Primary Test

比較：

M_0: K_{\mathrm{switch}} \sim d_{\mathrm{ext}} + d_{\mathrm{sem}}.

與：

M_1: K_{\mathrm{switch}} \sim d_{\mathrm{ext}} + d_{\mathrm{sem}} + d_{\mathrm{rel}}.

若：

\Delta\operatorname{Pred}_{heldout} \leq0,

Relation-first 強版不進 Pilot。

59. 第二個 Measurement Study：Dynamic Domain Recovery

固定：

X.

操縱：

G_1,G_2,G_3.

例如：

causal goal；
semantic goal；
action goal。

60. Primary Test

是否：

\mathcal U_{G_1} \neq \mathcal U_{G_2}

且 domain model 能預測：

K_{\mathrm{switch}}, P_{\mathrm{return}}, \text{transfer}.

61. Third Study：Scale / Re-indexing Feasibility

人工 hierarchy：

x_{ijk} \subset U_{ij} \subset V_i.

要求：

item；
cluster；
meta-cluster；

三尺度判斷。

Primary：

K_R>0

且不同 scale 有可辨識 performance pattern。

62. Fourth Study：Interruption / Re-entry

task branch：

b_1,b_2,b_3.

中斷後回返。

比較：

no checkpoint；
raw checkpoint；
structured checkpoint。

Primary：

K_{RE}^{structured} < K_{RE}^{raw} < K_{RE}^{none}.

63. Fifth Study：Long-Focus Episode Feasibility

不要一開始宣稱 THF。

只收：

L_D,\nu_I,\nu_E,H_I,E_C.

問：

\boxed{ \text{Are high-}L_D\text{ / high-}H_I \text{ episodes empirically observable?} }

64. TMMB Core Study Order

\boxed{ R1 \rightarrow D1 \rightarrow S1 \rightarrow RE1 \rightarrow HF1. }

其中：

R1：relation；
D1：domain；
S1：scale；
RE1：re-entry；
HF1：long-focus dynamics。

65. 不先做 Topology

Persistent homology：

\boxed{ \text{not Phase-1 primary outcome}. }

先確認：

\mathcal G

真的和 behavior 有關。

66. Advanced Topology Battery（ATB）

只有 Core Battery 通過後啟用。

包含：

RSA / representational geometry；
persistent homology；
persistence diagrams；
topological distances；
topology–behavior prediction；
operator-induced topology change。

67. Representational Geometry Baseline

先計算 RDM：

D_{ij}.

比較：

task conditions；
participants；
time；
model predictions。

68. Topology Layer

對：

D

做 filtration。

計算：

H_0,H_1

優先。

第一批不急著：

H_2+.

避免過度複雜。

69. Primary Topology Measures

\beta_0, \beta_1, TP_1, H_P, d_B.

其中：

Betti 0；
Betti 1；
total persistence；
persistence entropy；
bottleneck distance。

70. Topology Increment Test

三模型：

M_G = \text{geometry}.

M_T = \text{topology}.

M_{GT} = \text{geometry+topology}.

Primary：

\boxed{ \operatorname{Pred}(M_{GT}) - \operatorname{Pred}(M_G) > \delta_T. }

71. 為何這是「Topological」生死線？

2025 representational topology analysis 已展示 persistent diagrams 可以像 RSA 一樣進行 inference / comparison；因此 topology 不是不可測名詞。

但如果 TADC 的 topology-sensitive measures：

\Delta\operatorname{Pred}\approx0,

就應改名：

\boxed{ \text{Dynamic Relational Attention}. }

72. Model Benchmark 原則

2025 Neuron cognitive-map benchmark 的核心方法是：

先建立可靠 representational structure，再用它直接區分 competing models。

TADC 採同樣原則：

\boxed{ \text{data structure} \rightarrow \text{model adjudication}, }

不是：

\boxed{ \text{theory label} \rightarrow \text{select confirming graph}. }

73. Model Set

至少保留：

M0

Fixed-space attention。

M1

Fixed task / domain switching。

M2

Fixed latent semantic geometry。

M3

Learning / chunking。

M4

Reward / flow / motivation。

M5

Offloading / speed。

M6

TADC dynamic relational model。

M7

TADC topology-sensitive model。

74. Nested Model Strategy

不要一次：

M0 \text{ vs } M7.

而是：

M0\rightarrow M1\rightarrow M2\rightarrow M6\rightarrow M7.

只有簡單模型輸了，

才加複雜度。

75. Held-out Prediction

Primary metric 應是：

\boxed{ \text{out-of-sample predictive performance}. }

而不是 training：

R^2.

76. Cross-Validation Unit

要依資料結構選：

trial-held-out；
session-held-out；
participant-held-out；
task-held-out。

最強：

\boxed{ \text{task-held-out / participant-held-out}. }

77. Generalization Ladder

Level 0：

same session。

Level 1：

new session。

Level 2：

new participant。

Level 3：

new task。

Level 4：

new population / lab。

TADC 越 general，

需要越高階 generalization。

78. Measurement Reliability Gate

候選：

Relation ratings

ICC / inter-rater。

Domain recovery

cluster stability / held-out prediction。

Operator coding

Cohen/Fleiss $\kappa$ 。

Scale

within-person repeatability。

Re-entry

test–retest / condition reliability。

79. Gate A：Relation

如果：

Rel(d_{\mathrm{rel}})<0.60

或 held-out prediction 無增量：

\boxed{ \text{STOP domain theory escalation}. }

80. Gate B：Domain

如果：

\mathcal U

對 behavior 不比 external labels 好：

\boxed{ \text{STOP THF / CDCC escalation}. }

81. Gate C：Scale

如果：

K_R

無穩定 effect，

且 scale decoding 失敗：

\boxed{ \text{Re-indexing becomes analyst tool only}. }

82. Gate D：Re-entry

若 structured state 不降低：

K_{RE},

則 TADC-07 RTC 失敗，

但不影響整個 TADC。

83. Gate E：Topology

若：

M_{GT} \not> M_G,

則：

\boxed{ \text{rename Topological Attention}. }

84. Go / Revise / Kill

每個 construct：

GO

reliable；
incremental；
predictive；
replicable。

REVISE

measurable；
weak / unstable prediction；
construct overlap。

KILL

unreliable；
non-identifiable；
no incremental value；
explained by simpler model。

85. 第一階段不需要臨床樣本

原因：

TADC 的 general architecture 若只在 ADHD sample 才看得到，

需要先知道：

\boxed{ \text{is it a general process or population-specific effect?} }

所以 Measurement Design 優先：

\text{general adult sample}.

86. ADHD 可以放哪裡？

後續 validation：

\boxed{ \text{group moderation study}. }

例如比較：

P( L_D,H_I,\nu_E,K_R \mid ADHD )

與 controls。

但不是第一階段。

87. AHQ-D 的角色

AHQ-D 可作：

\boxed{ \text{trait-level convergent measure}. }

不是 TADC ground truth。

2024 validation 顯示 AHQ-D 是 12-item dispositional hyperfocus measure，可量化成人 hyperfocus tendency。

TADC episode measures 應測：

\boxed{ \text{within-episode dynamics}. }

88. Sample Size 現階段不要亂定

Measurement Design 不先寫：

N=30

或：

N=100.

先做：

\boxed{ \text{simulation / pilot effect-size estimation}. }

之後 preregistered study 再 power analysis / precision planning。

89. Pilot 的樣本目標

Pilot 目標不是 hypothesis significance，

而是：

task works；
measure variance exists；
reliability；
effect direction；
model identifiability；
data loss。

所以：

\boxed{ \text{Pilot success} \neq p<0.05. }

90. Preregistration 還不是現在

Measurement Design 完成後：

\boxed{ \text{Pilot Protocol} }

先跑。

Pilot 會改：

thresholds；
relation coding；
task timing；
scale levels。

這些尚未 freeze。

91. Confirmatory 前必須 freeze

preregistration 前鎖：

primary hypotheses；
measures；
inclusion；
preprocessing；
model set；
hyperparameters；
cross-validation；
success threshold；
falsification rule。

現有 cognitive-model preregistration template 已明確強調 model development、application、evaluation 與 comparison 的透明分離；TADC 應照這個精神做。

92. Data Versioning

每次：

schema^{v0.1} \rightarrow schema^{v0.2}

要有 changelog。

不能用新 schema 回頭改 old pilot 再當 confirmatory。

93. Relation Ontology Versioning

關係類型：

\mathcal R^{v0.1}

若新增：

r_{\mathrm{spatial}},

就變：

\mathcal R^{v0.2}.

模型結果必須記 ontology version。

94. Blind Annotation

relation / operator annotation 若知道 outcome，

容易 bias。

至少一部分：

\boxed{ \text{blind to condition / outcome}. }

95. Gold / Silver Labels

Gold：

formal dependency；
task-generated ground truth；
expert consensus。

Silver：

LLM + human review；
participant self-report；
heuristic relation。

分析分開。

96. Unresolved 是合法標籤

不能逼：

\text{valid/invalid}.

使用：

\boxed{ \text{unresolved}. }

尤其 AI research branch。

97. N=1 Longitudinal Extension

等 Core Battery 有可用 measurement 後，

可以做：

\boxed{ N=1\text{ dense longitudinal study}. }

但不是先拿 N=1 定義變量。

98. N=1 Data Required

至少：

30+ sessions；
repeated interruption / return；
multiple projects；
human event markers；
relation graph；
outcomes。

這只是 practical candidate minimum，不是統計定理。

99. N=1 Primary Questions

不是：

這個人有沒有 THF？

而是：

$L_D$ 和 $H_I$ 可否同時高？
$d_{\mathrm{rel}}$ 是否預測 switching？
$K_{RE}$ 是否被 structured state 降低？
micro-switching 和 long-horizon completion 的關係？

100. Research Output 不等於 Attention Measure

論文數：

N_P

可作 outcome。

不能作：

L_D

的直接替代。

101. Productivity Outcome

建議：

O_P = ( N_{\mathrm{completed}}, N_{\mathrm{validated}}, P_{\mathrm{return}}, P_{\mathrm{abandoned}}, T_{\mathrm{completion}} ).

比單純 file count 好。

102. Human–AI Outcome

加：

O_{HA} = ( \Gamma_R, P_R, K_V, K_C, \Gamma_I ).

103. 注意「高產」可能來自 Agent

因此：

\boxed{ \text{system productivity} \neq \text{human cognitive capacity}. }

永遠分層報。

104. TADC Measurement Dashboard

未來工具可顯示：

current domain；
branch graph；
$L_D$ ；
$\nu_I/\nu_E$ ；
$K_{RE}$ ；
goal continuity；
unresolved bridges；
human/system event ratio。

但 dashboard 不是實驗證據。

105. 第一個真正應寫程式的東西

不是 TDA。

而是：

\boxed{ \text{event logger + relation annotator + branch checkpoint}. }

先收對資料。

106. 最小資料格式

一列 event：

event_id
timestamp
actor_type
session_id
project_id
task_id
subtask_id
goal_id
action_type
parent_event
previous_human_event
external_label
outcome
confidence

另表 relation：

source_event
target_event
semantic
causal
analogical
procedural
temporal
goal
constraint
confidence
annotator

107. 為什麼 event / relation 分表？

避免：

O(N^2)

relation columns 塞進 event table。

也方便 relation graph versioning。

108. Checkpoint Table

checkpoint_id
branch_id
timestamp
goal
current_state
dependencies
open_questions
next_action
provenance
verification_state

直接對應：

K_{RE}.

109. Pilot Dataset 的最低輸出

Pilot 結束必須能輸出：

events.csv
relations.csv
checkpoints.csv
domains.json
analysis_config.json
validation_report.md

110. Measurement Report 必須報失敗

例如：

42% operator 無法分類；
relation ICC 只有 0.41；
domain model 不穩；
AI events 與 human events 難分。

這些就是 Measurement Design 的重要成果。

111. 什麼叫 Measurement Design 成功？

不是 TADC 被支持。

而是：

\boxed{ \text{we know which constructs can and cannot be measured}. }

112. Measurement Design Go Criteria

進 Pilot Protocol 前，文件層需至少完成：

data schema；
codebook；
relation rubric；
domain inference plan；
scale manipulation；
primary outcomes；
null models；
kill rules。

本文件已完成 framework，

下一份 Pilot Protocol 要把它變成實際 task。

113. 第一個 Pilot 應該選哪一條？

建議不是 Hyperfocus。

最乾淨的是：

\boxed{ \textbf{Relational Distance × External Domain Distance Crossover} }

因為：

時間短；
不需長期追蹤；
不需 AI；
不需 neuroimaging；
直接打 TADC-06 的地基；
若失敗，可快速縮減整套 theory。

114. Pilot 1 核心 2×2

	Relationally Near	Relationally Far
Same External Domain	SN	SF
Cross External Domain	CN	CF

115. TADC 的關鍵預測

\boxed{ K_{CN} < K_{SF} }

即：

跨外部領域但關係近，比同領域但關係遠更容易轉換。

這如果完全看不到，

Relation-First Cognition 會受到直接打擊。

116. Pilot 1 Primary Outcomes

switch RT；
accuracy；
novel inference；
transfer confidence；
optional neural measure later。

117. Pilot 1 Primary Null

M_0: K = f( d_{\mathrm{ext}}, d_{\mathrm{sem}}, familiarity ).

TADC model：

M_1: K = M_0 + f( d_{\mathrm{rel}} ).

118. Measurement Design 的正式停止點

本文到此停止。

不再：

加新 TADC constructs；
加新 operators；
加新 topology 名詞。

下一步只做：

\boxed{ \text{Pilot Protocol 01}. }

119. 結論

TADC 第二階段的第一個問題不是：

拓樸注意力是真的嗎？

而是：

我們是否有一組足夠乾淨的觀察量，讓這個問題可以被資料回答？

本文因此把整套 TADC 壓成六層：

\boxed{ E \rightarrow R \rightarrow D \rightarrow S \rightarrow O \rightarrow Y. }

並建立最小 Core Battery：

\boxed{ d_{\mathrm{rel}}, L_D, \nu_I, \nu_E, G_C, K_R, K_{RE}. }

如果這些核心量：

不可靠；
不可辨識；
無 held-out prediction；
被更簡單變量完全吸收；

就不應進更高階 topology analysis。

只有 Core Battery 存活後，

才開：

\boxed{ \text{Advanced Topology Battery}. }

使用：

RSA；
RTA；
persistent homology；
topology-sensitive model comparison。

TADC 的量測哲學因此是：

\boxed{ \text{Behavior first} \rightarrow \text{Relation} \rightarrow \text{Geometry} \rightarrow \text{Topology}. }

而不是：

\boxed{ \text{Topology first} \rightarrow \text{find a graph that looks convincing}. }

第一個正式 Pilot 建議鎖定：

\boxed{ \text{Relational Distance × External Domain Distance Crossover}. }

它是整套 TADC 最便宜、最乾淨，也最可能快速證明我們錯了的第一刀。

如果這一刀砍下去，結果是：

K_{CN} \not< K_{SF},

並且：

d_{\mathrm{rel}}

對 held-out switching performance 沒有增量，

那麼 RFCC 必須收縮，

後面大量「領域就是關係空間」的強敘述也一起收縮。

反之，

如果：

K_{CN} < K_{SF}

穩定出現，

而且：

d_{\mathrm{rel}}

能跨 item、participant、task generalize，

那我們才真正取得第一塊屬於 TADC 自己的實證地基。

參考文獻

Lee JQ, Keinath AT, Cianfarano E, Brandon MP. Identifying representational structure in CA1 to benchmark theoretical models of cognitive mapping. Neuron. 2025;113(2):307–320.e5. doi:10.1016/j.neuron.2024.10.027. PMID: 39579760.
Brown S, Farivar R. The topology of representational geometry. Frontiers in Neuroscience. 2025;19:1597899. doi:10.3389/fnins.2025.1597899.
Crüwell S, Evans NJ. Preregistration in diverse contexts: a preregistration template for the application of cognitive models. Royal Society Open Science. 2021;8:210155. doi:10.1098/rsos.210155.
Leach SC, Chen X, Hwang K. Hierarchical Reconfiguration of Neurocognitive Task Set Representations Mediates Cognitive Flexibility. Journal of Neuroscience. 2026. doi:10.1523/JNEUROSCI.0113-26.2026. PMID: 42276789.
Hirsch P, Moretti L, Askin S, Koch I. Examining the cognitive processes underlying resumption costs in task-interruption contexts: Decay or inhibition of suspended task goals? Memory & Cognition. 2024;52(2):271–284. doi:10.3758/s13421-023-01458-8. PMID: 37674056.
Hupfeld KE, Osborne JB, Tran QT, Hyatt HW, Abagis TR, Shah P. Validation of the dispositional adult hyperfocus questionnaire (AHQ-D). Scientific Reports. 2024;14:19460. doi:10.1038/s41598-024-70028-y. PMID: 39169147.
Burnett LK, Richmond LL. Meta-analytic investigations of the effect of cognitive offloading on memory-based task performance and interindividual variability. Memory & Cognition. 2026;54(1):144–168. doi:10.3758/s13421-025-01743-8. PMID: 40500483.
Murphy DH, Metcalfe J. The Metacognitive Optimization of Offloading Task (MOOT): Both higher costs to offload and the accuracy of memory predict goodness of offloading performance. Journal of Experimental Psychology: General. 2025;154(4):1149–1166. doi:10.1037/xge0001726. PMID: 39847000.

下一步

TADC-PP-01：Relational Distance × External Domain Distance Crossover — Pilot Protocol

目標：

\boxed{ \text{first direct empirical attack on RFCC}. }

狀態： TADC-MD-01 v0.1
階段： Measurement Design
原始 TADC 人體資料： 無
目前功能： 固定量測語言、data schema、dependency、Go/Revise/Kill gate
下一階段： Pilot Protocol

TADC-MD-01：拓樸注意力量測設計——核心變量、資料層級與模型判決規則

TADC-MD-01：拓樸注意力量測設計——核心變量、資料層級與模型判決規則

摘要

Core Battery

Advanced Topology Battery

0. 研究狀態與邊界

1. Measurement Design 的第一原則：不要一次測整套 TADC

2. Measurement Dependency Graph

3. 六層資料模型

Layer E — Event

Layer R — Relation

Layer D — Domain

Layer S — Scale

Layer O — Operator

Layer Y — Outcome

4. Event Layer 是唯一可以先收再說的層

5. Source Type 必須先拆

6. Human Event

7. System Event

8. Artifact Event

9. Event 最小欄位

10. Human Attention Grounding

11. Relation Layer

12. Semantic Relation rSr_SrS​

13. Causal Relation rCr_CrC​

14. Analogical Relation rAr_ArA​

15. Procedural Relation rPr_PrP​

16. Temporal Relation rTr_TrT​

17. Goal Relation rGr_GrG​

18. Constraint Relation rKr_KrK​

19. Relation Annotation 三級制

20. Relational Distance 的兩個版本

Graph Version

Statistical Version

21. 不先假定哪一個 relation layer 最重要

22. Domain Layer

23. Candidate Domain

24. Domain 不要求唯一 partition

25. Domain Recovery 必須和 external label 分開

26. Domain 的主要 outcome

27. Domain Retention

28. Domain Exit

29. Intra-Domain Switching

30. Internal Entropy

31. Goal Continuity

32. Structural Continuity

33. Scale Layer

34. Scale Manipulation

Fine condition

Coarse condition

Return-to-fine

35. Re-indexing Cost

36. Scale Reality 判準

37. Operator Layer

38. Operator Level 1

39. Operator Level 2

40. 為什麼分兩層？

41. Operator Reliability

42. Hyperfocus Measurement

43. Episode Battery

44. Exit Controllability

45. Re-entry Controllability

46. Human–AI Measurement

47. Human Layer

48. System Layer

49. Artifact Layer

50. AI Reachability Gain

51. Reachability Precision

52. External Checkpoint Condition

Raw

Structured

AI Structured + Provenance

53. Re-entry Primary Outcome

54. Core Battery 的七個首要量

55. 為什麼先這七個？

56. 第一個 Measurement Study：Relation Distance Calibration

目的

Participants

57. Relation Distance Calibration Task

58. Primary Test

12. Semantic Relation $r_S$

13. Causal Relation $r_C$

14. Analogical Relation $r_A$

15. Procedural Relation $r_P$

16. Temporal Relation $r_T$

17. Goal Relation $r_G$

18. Constraint Relation $r_K$