TADC-PP-01：關係距離 × 外部領域距離交叉實驗——Pilot Protocol

英文題名： TADC Pilot Protocol 01: Relational Distance × External Domain Distance Crossover
系列階段： TADC Phase II — Pilot Protocol
文件編號： TADC-PP-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： Exploratory Pilot Protocol／刺激校準／量測可行性研究
上游依賴： TADC-MD-01
文獻檢索截點： 2026-08-17

摘要

TADC-MD-01 將「關係距離」選為整個 TADC 量測鏈的第一個地基，因為 dynamic domain、cross-domain continuity、topological hyperfocus 與部分 human–AI topology 命題都依賴：

d_{\mathrm{rel}}(x,y\mid G)

能被穩定估計，且能提供超越外部分類距離與一般語義相似度的預測資訊。

本文制定第一個可直接執行的 Pilot Protocol：

\boxed{ \text{Relational Distance} \times \text{External Domain Distance Crossover} }

實驗採 2×2 設計：

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

最具 TADC 區辨力的候選對比為：

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

其中 (K) 是由 target response time、accuracy 與 target baseline difficulty 所估計的 transition cost。

此預測表示：

一個「跨外部領域但關係結構接近」的轉換，可能比「仍在同一外部領域但關係結構遙遠」的轉換更低成本。

如果此關係完全不存在，且 relational-distance model 對 held-out data 沒有超越 external-domain + semantic-similarity model 的預測增量，則 Relation-First Cognition Conjecture（RFCC）不應直接進入 confirmatory study。

本 Pilot 分兩階段：

Stage A — Independent Stimulus Calibration

使用與主實驗不同的參與者，校準：

external domain classification；
structural / relational similarity；
surface semantic similarity；
familiarity；
target-only accuracy；
target-only response time。

Stage B — Transition Pilot

另一批參與者執行 source → target microproblem transitions。每個 target 在單一 participant 中只出現一次，但透過四份 counterbalanced lists，使同一 target 在跨 participants 的資料中分別出現在 SN、SF、CN、CF 四條件。

本文刻意將主要依變量稱為：

\boxed{ \text{transition cost} }

而不是直接宣稱等同經典 stimulus–response task-switch cost。2026 年研究已顯示 switch-cost logic 可以擴展到更複雜的 goal / decision tasks，而 hierarchical-control 研究亦顯示不同抽象層級的 reconfiguration 具有不同 RT 與 neural costs；但本 Pilot 仍需先證明自己的量測效度。

本研究的成功標準不是 $p<.05$ 。Pilot 主要判斷：

刺激是否能把 relation 與 external domain 正交化；
$d_{\mathrm{rel}}$ 是否具基本 reliability；
2×2 transition task 是否有足夠準確率與 RT 變異；
relational model 是否在 held-out prediction 中提供非負／正向增量；
$K_{CN}-K_{SF}$ 的方向與不確定度；
哪些 design parameters 應在 confirmatory preregistration 前凍結。

關鍵詞： relational distance；cross-domain cognition；analogical structure；transition cost；task switching；pilot study；model comparison；TADC

0. 研究邊界

本文件是：

\boxed{ \text{exploratory pilot protocol}. }

不是：

preregistered confirmatory protocol；
臨床 ADHD 研究；
TADC 理論驗證完成；
因果神經機制研究。

Pilot 的目的不是證明 RFCC，而是估計：

\boxed{ \text{whether RFCC is measurable enough to deserve a confirmatory test}. }

1. 直接攻擊的命題

TADC-06 的 Relation-First Cognition Conjecture（RFCC）最低版本：

\boxed{ d_{\mathrm{rel}} \text{ adds predictive value beyond } d_{\mathrm{ext}} \text{ and ordinary semantic similarity}. }

本文只攻擊這一版。

不直接驗：

Topological Hyperfocus；
Dynamic Cognitive Atlas；
Six-Operator algebra；
Human–AI topology。

2. 為什麼先測 RFCC？

如果：

d_{\mathrm{rel}}

本身測不穩，

則：

D_t = D( \mathcal R_t, \kappa_t, G_t )

也缺少可操作地基。

因此：

\boxed{ \text{RFCC measurement failure} }

會迫使 TADC-02、TADC-05、TADC-06 的部分強命題一起縮減。

3. 現有鄰接研究

Analogical reasoning 已長期研究：

\text{surface dissimilarity} + \text{relational similarity}.

2022 年的 analogical mapping 研究直接追蹤人類如何建立兩個情境間共享 relational structure；2022 relation-learning computational theory 亦顯示 structured relational representations 可支援 cross-domain generalization。

2019 change-detection experiments 提供 relational re-representation 的行為證據，顯示 analogical alignment 可以伴隨 relation representation 的改變。

2025 task-space cognitive-map 研究顯示人腦會表示 task-relevant hidden states 與跨 task states 的抽象規則。

2026 hierarchical cognitive-control 研究則顯示 higher-level context 與 subordinate task-set switches 具有不同的 behavioral / neural reconfiguration。

這些研究支持本 Pilot 的可行性背景，但沒有直接回答：

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

4. 主要設計：2×2 Crossing

兩因素：

Factor A — External Domain

D \in \{ \text{Same}, \text{Cross} \}.

Factor B — Relational Structure

R \in \{ \text{Near}, \text{Far} \}.

得到：

\boxed{ SN,SF,CN,CF. }

5. 四個條件

SN — Same Domain / Relation Near

相同表面領域、共享相同或高度相似的結構模板。

SF — Same Domain / Relation Far

相同表面領域，但 underlying relational template 不同。

CN — Cross Domain / Relation Near

表面領域不同，但 underlying relational template 相同或高度相似。

CF — Cross Domain / Relation Far

表面領域不同，underlying relational template 也不同。

6. 最具區辨力對比

TADC 最重要的 Pilot contrast：

\boxed{ \Delta_{RF} = K_{CN}-K_{SF}. }

RFCC 方向預測：

\boxed{ \Delta_{RF}<0. }

7. 為什麼 CN vs SF 比 Near vs Far 主效應更重要？

如果只得到：

K_{\mathrm{Near}}<K_{\mathrm{Far}},

可能只是：

semantic priming；
familiarity；
repeated strategy；
generic similarity。

但是：

K_{CN}<K_{SF}

會更直接顯示：

外部領域改變本身不必比 relation structure 改變造成更大 transition cost。

仍然不是 RFCC 的最終證明，但區辨力更高。

8. 不稱為經典 switch cost

本文 primary variable 稱：

\boxed{ K_{\mathrm{transition}}. }

理由：

本研究不是單純 parity/color task switching。

它測：

\text{source microproblem} \rightarrow \text{target microproblem}.

2026 年已有研究將 switch-cost 概念擴展到複雜 decision goals，因此此方向有方法論鄰接；但本研究先保持術語保守。

9. 刺激架構

建議建立四個 external surface domains：

生命／生物系統
軟體／計算系統
市場／營運系統
物理／環境系統

所有題目均：

自足；
不要求專業背景；
使用相同版面；
不使用 domain-specific 公式；
只需要短文本中提供的資訊。

10. 候選 relational templates

第一批建議八種：

Negative feedback；
Conservation / balance；
Bottleneck / limiting throughput；
Threshold cascade；
Diffusion / spread；
Hierarchy / nesting；
Optimization under constraint；
Recurrence / iterative dependence。

11. 為什麼使用 relation template？

這使 relation-near 不只依 participant 主觀感覺。

每個題目在 stimulus-generation 階段已有：

R_{\mathrm{design}}

ground-truth candidate。

但最後仍需 independent calibration：

R_{\mathrm{rated}}.

只有兩者一致才保留。

12. 一個例子：Negative Feedback

生命系統

某變量升高後會觸發調節機制，使其下降。

軟體系統

伺服器負載升高後系統增加資源，使負載回落。

這兩者：

D_{\mathrm{ext}} \neq

但：

R_{\mathrm{feedback}} \approx.

因此候選：

CN.

13. 一個 Same-Domain / Far 例子

仍在生命系統：

Source：

negative feedback。

Target：

hierarchical classification / nested organization。

則：

D_{\mathrm{ext}} = \text{same},

但：

R_{\mathrm{source}} \neq R_{\mathrm{target}}.

候選：

SF.

14. 避免直接提示 relation 名稱

題目正文不寫：

feedback；
bottleneck；
diffusion；
recursion。

否則 relation-near 可能退化成 lexical priming。

relation name 只存在 stimulus metadata。

15. Stage A — Independent Stimulus Calibration

Stage A 參與者不得進 Stage B。

避免：

\boxed{ \text{same participants define and validate the metric}. }

16. Stage A 候選樣本

Pilot feasibility target：

\boxed{ N_A=48 }

完成校準。

這不是 confirmatory power target。

若招募成本需要降低，可分成多個 partial-rating forms。

17. Stage A 子任務

A1 — Domain Classification

participant 將每個 microproblem 分到：

生命；
軟體；
市場／營運；
物理／環境；
無法判斷。

18. A1 Domain Gate

保留題目建議：

P( \text{modal domain label} ) \geq 0.80.

若低於：

0.70,

優先重寫。

中間區間：

0.70\sim0.79

列為候補。

這些門檻為 Pilot design rule，不是心理學通則。

19. A2 — Familiarity

7 點：

在讀題前，你對這類情境有多熟悉？

記：

F_i.

20. A3 — Surface Semantic Similarity

對 source-target pair：

7 點：

不考慮「背後運作原理」，只看主題、詞義與情境內容，兩者有多相似？

記：

S^{surface}_{ij}.

21. A4 — Structural / Relational Similarity

7 點：

忽略人物、領域與表面名詞，兩個情境「如何運作／如何解決問題」的結構有多相似？

記：

S^{rel}_{ij}.

22. A5 — Relation Confidence

另問：

你有多確定剛才的結構相似度判斷？

C^{rel}_{ij}\in[1,7].

23. A6 — Solo Target Performance

所有 target microproblems 需在沒有 source predecessor時獨立測：

accuracy；
RT。

得到：

A_j^{solo},

RT_j^{solo}.

24. Target Baseline

定義：

B_j = \operatorname{median} ( \log RT_j^{solo} ).

Stage B 可估：

\boxed{ K_{ij} = \log RT_{ij}^{target} - B_j. }

因此 target item difficulty 有獨立 baseline。

25. Relational Near / Far Calibration

候選 Near：

\bar S^{rel}\geq5.5/7.

候選 Far：

\bar S^{rel}\leq2.5/7.

中間：

2.5<\bar S^{rel}<5.5

不進第一版主 stimulus set。

仍屬 Pilot provisional thresholds。

26. Semantic Matching

核心目標：

Near / Far 的：

S^{surface}

不要和：

S^{rel}

完全共線。

刺激挑選時以 matching / optimization 使四條件的：

surface similarity；
length；
readability；
target solo RT；
target solo accuracy；

盡量平衡。

27. 若 relation 和 semantic 無法拆開怎麼辦？

這本身就是 Measurement 結果。

如果：

corr( S^{rel}, S^{surface} ) \rightarrow1,

則目前刺激無法識別 RFCC。

決策：

\boxed{ \text{REVISE stimulus construction}. }

不能硬進 Stage B。

28. Stage A Reliability

relational ratings 建議估：

ICC；
split-half；
rater bootstrap。

Pilot Gate：

ICC_{\mathrm{rel}}\geq0.60

才進 Stage B 主分析。

目標值：

\geq0.75

較理想。

29. Stage A Target Gate

target 題目建議：

0.70 \leq Accuracy^{solo} \leq 0.95.

避免 floor / ceiling。

30. Stage B — Transition Pilot

另一批一般成人 participants。

不要求 ADHD。

31. Stage B 候選樣本

feasibility target：

\boxed{ N_B=32 }

completed participants。

理由：

足以檢查 task feasibility；
足以估 participant / item variance 的初步範圍；
足以測 list counterbalancing 是否工作。

不是 confirmatory power justification。

32. Stage B Trial Count

建議：

64

scored transition trials / participant。

即：

16

per condition：

SN 16；
SF 16；
CN 16；
CF 16。

另：

practice 8；
attention checks 少量；
optional transfer probes 16。

33. 為什麼不一開始 200 trials？

microproblem 不像 parity task。

reading + reasoning 負荷較高。

Pilot 優先避免：

\boxed{ \text{fatigue becomes the dominant transition effect}. }

34. Counterbalancing

建立：

4

份 lists：

L_1,L_2,L_3,L_4.

每個 target：

T_j

在每份 list 使用不同 predecessor type：

SN；
SF；
CN；
CF。

單一 participant：

T_j

只看一次。

跨 participants：

同一 target 可出現在四條件。

35. Counterbalancing 的重要性

這避免：

\boxed{ \text{target difficulty} }

與：

\boxed{ \text{condition} }

永久綁死。

分析仍加入：

(1|target).

36. Source Item

Source 也需：

自足；
participant 作答；
有 accuracy；
不直接告訴 relation 名稱。

若 source 作答錯誤：

主分析保留 source-accuracy covariate；

sensitivity analysis 可只看 source-correct trials。

37. 一個 trial

Step 1

fixation：

500\text{ ms}.

Step 2

Source microproblem。

max：

20\text{ s}.

participant 作答。

Step 3

blank / neutral transition：

500\text{ ms}.

Step 4

Target microproblem。

max：

20\text{ s}.

participant 作答。

Step 5

inter-trial interval：

700\text{ ms}.

38. Confidence Probe

不是每題都問。

隨機：

25\%

target trials 問：

對 target 答案有多確定？

避免 confidence response 本身擾亂所有 transition timing。

39. Optional Explicit Relation Probe

只在最後 block 後做，

不要 trial-by-trial 問：

兩題關係像不像？

否則 participant 會被訓練成主動找 analogy，

改變主實驗策略。

40. Instructions

主實驗不告知：

研究關係結構。

只說：

你會連續解兩個短問題，請盡可能正確、自然地作答。

這降低 demand characteristic。

41. Primary Outcome 1 — Target RT

使用：

\log RT^{target}.

主要只分析 correct-target trials。

另報 accuracy model。

42. Primary Outcome 2 — Baseline-adjusted Transition Cost

\boxed{ K_{ij} = \log RT_{ij}^{target} - B_j. }

其中：

B_j

來自 Stage A target-only sample。

43. Secondary Outcome — Target Accuracy

binary：

Y_{acc}\in\{0,1\}.

使用 logistic mixed model。

44. Secondary Outcome — Transfer

對一部分 target 設計：

\text{novel inference}

只有真正抓到 structural relation 才容易答對。

不能只是重複 source 答案。

45. Primary Descriptive Contrast

\boxed{ \Delta_{RF} = \bar K_{CN} - \bar K_{SF}. }

報：

point estimate；
bootstrap CI；
participant-level distribution。

Pilot 不以：

p<.05

判決。

46. Factorial Effects

Relation effect：

\Delta_R = K_{Far}-K_{Near}.

Domain effect：

\Delta_D = K_{Cross}-K_{Same}.

Interaction：

\Delta_{DR}.

47. Mixed Model — Pilot Version

RT：

log_target_rt ~
external_cross * relation_far
+ surface_similarity
+ familiarity
+ source_accuracy
+ trial_index
+ (1 | participant)
+ (1 | target)

若資料支援，再加入 participant random slopes。

48. Continuous Relational Model

比 binary Near/Far 更重要。

log_target_rt ~
external_distance
+ surface_similarity
+ relational_distance
+ familiarity
+ source_accuracy
+ trial_index
+ random effects

binary 2×2 是 design。

continuous：

d_{\mathrm{rel}}

是理論 measurement。

49. Model M0

M_0:

external distance；
surface semantic similarity；
familiarity；
target baseline；
source accuracy；
trial index。

50. Model M1

M_1 = M_0 + d_{\mathrm{rel}}.

RFCC Minimum Test：

\boxed{ \operatorname{Pred}_{heldout}(M_1) > \operatorname{Pred}_{heldout}(M_0). }

51. Held-out Strategy

Pilot 建議做兩種：

Participant-held-out

測個體 generalization。

Target-held-out

測 item generalization。

若只有 trial-held-out 成功，

證據較弱。

52. Pilot Prediction Metric

可用：

MAE / RMSE for log RT；
log predictive density；
Brier / log loss for accuracy。

主文件不先鎖唯一 metric。

Pilot 後 confirmatory 再 freeze。

53. RT 清理：Pilot 原則

硬排除：

technical failure；
no response；
RT < 500 ms；
RT > 20 s timeout。

另做 sensitivity：

participant-wise robust outlier filtering；
no additional filtering。

Pilot 目標是了解 RT distribution，再為 preregistration freeze。

54. Participant Data Quality

候選 exclusion：

overall target accuracy < 0.65；
missing / timeout > 0.20；
failed instruction checks；
duplicate / technical corruption。

不依：

\Delta_{RF}

方向排除 participant。

55. Reading Ability / Language

題目統一繁體中文。

participant 需：

成年；
能流暢閱讀繁體中文。

其他 demographic variables：

age；
education；
self-rated domain familiarity。

Pilot 用作描述／探索 moderation。

56. 專業背景

若 participant 是：

programmer；
biologist；
economist；
engineer；

可能對特定 external domains 有熟悉度優勢。

因此記錄：

E_D

並在 analysis 探索。

Confirmatory 才決定 stratification / exclusion。

57. 倫理與同意

若此 Pilot 實際招募人體參與者並用於正式研究／發表，應依執行機構與所在地適用的人體研究倫理程序處理 informed consent、資料保護、退出權與必要的倫理審查。

本 protocol 本身不等於已取得研究倫理核准。

58. 個資最小化

資料不要收：

真名；
精確住址；
不必要醫療資訊。

使用：

participant\_id.

59. ADHD 不在 Pilot 1 招募條件

不要求 diagnosis。

也不把 ADHD traits 當 primary predictor。

原因：

\boxed{ \text{first test the general measurement}. }

60. Stage B Feasibility Outcomes

F1

completion rate。

F2

median trial duration。

F3

accuracy distribution。

F4

RT distribution。

F5

counterbalance integrity。

F6

model convergence。

F7

participant fatigue rating。

61. 刺激 Feasibility Gate

GO if：

≥ 70% candidate targets 通過 calibration；
domain agreement ≥ .80 for final items；
relation ICC ≥ .60；
relation near / far 有明顯分離；
surface similarity 可被合理 matching。

62. Task Feasibility Gate

GO if：

overall accuracy 約 0.70–0.95；
timeout < 15%；
four conditions 均有足夠 valid trials；
RT 不大量堆在 timeout；
participants 能理解 instructions。

63. RFCC Pilot Gate

GO to confirmatory design

需要同時：

relational measure reliable；
$M_1$ held-out prediction 不差於 $M_0$ ，且呈可重現正增量；
$\Delta_{RF}$ 方向大致為負，或 continuous $d_{\mathrm{rel}}$ effect 清楚；
effect 不完全被 surface similarity / familiarity 吸收。

64. REVISE

若：

relation rating reliable；
task works；
但 $\Delta_{RF}$ 接近 0；
model gain 非穩定；

則：

\boxed{ \text{REVISE stimulus / task, not claim support}. }

65. KILL Current Operationalization

若：

relation ratings 不可靠；
relation / semantic 無法拆；
$M_1$ 在 target-held-out / participant-held-out 都不優於 $M_0$ ；
CN / SF 完全沒有理論方向；
task variance 主要由 domain expertise 決定；

則：

\boxed{ \text{do not proceed to preregistered RFCC confirmation}. }

這是 kill 當前 operationalization / escalation route，不是一次 Pilot 就證明所有可能的 relation-first cognition 永遠為假。

66. Pilot 不做 Null-Hypothesis Victory Claim

若：

\Delta_{RF}\approx0,

Pilot 只說：

此 operationalization 沒有提供值得進 confirmatory 的訊號。

不說：

RFCC 已被宇宙級證偽。

67. Stage A → Stage B Freeze

Stage A 完成後，Stage B 開始前 freeze：

final item set；
condition assignment；
baseline RT；
relation ratings；
semantic ratings；
four counterbalanced lists。

不能看 Stage B 結果後換 item membership。

68. Stage B → Confirmatory Freeze

Pilot 後才決定：

confirmatory sample size；
exact exclusion；
primary RT preprocessing；
relational-distance formula；
primary CV metric；
minimal effect $\delta$ 。

69. Confirmatory Sample Planning

不直接從：

p_{\mathrm{pilot}}

決定 sample。

使用 Pilot 的：

participant variance；
item variance；
residual variance；
plausible effect range；

做 simulation-based precision / power planning。

70. Confirmatory Target

最終 preregistered study 應至少能區分：

\Delta_{RF}=0

與一個事先認為值得理論保留的：

\delta_{\min}.

$\delta_{\min}$ 由 Pilot 決定，不在本 Protocol 任意指定。

71. Stimulus Generation 不應由單一 AI 直接當 ground truth

AI 可以生成 candidate microproblems。

但：

\boxed{ \text{AI-generated relation label} \neq \text{validated relation label}. }

必須經 Stage A independent human calibration。

72. AI 可做什麼？

可以：

生成 paraphrase；
平衡長度；
建候選 relation templates；
找 lexical leakage；
產生 alternate sources。

但 final stimulus selection 由 calibration 決定。

73. Lexical Leakage Check

對 Near pairs 檢查是否共享：

相同關鍵動詞；
relation 名稱；
明顯同義詞；
數字模式。

若 Near 只靠 lexical cue，

RFCC 會退化成：

\text{surface priming}.

74. Surface-Matched Pairing

理想：

S^{surface}_{CN} \approx S^{surface}_{SF}.

同時：

S^{rel}_{CN} > S^{rel}_{SF}.

這是最重要的刺激工程目標之一。

75. Reading Length

對 source / target：

character count；
sentence count；
number of alternatives；

盡量匹配。

分析保留 text length covariate 作 sensitivity。

76. Target Answer Position

四選一答案位置：

1,2,3,4

平衡。

避免 condition 和 motor response 綁定。

77. Relation Template × Domain Matrix

每個 relational template 至少應有：

\geq4

external-domain realizations。

這使 CN transition 不依賴單一 domain pair。

78. Domain Pair Balance

Cross transitions：

Life ↔ Software；
Life ↔ Market；
Life ↔ Physical；
Software ↔ Market；
Software ↔ Physical；
Market ↔ Physical；

盡量平衡。

79. Source-Target Direction

若：

A\rightarrow B

與：

B\rightarrow A

可能不同，

Stage B 應平衡方向。

relation 本身不預設對稱。

80. Directed Relations

某些：

r_C,r_P

具有方向。

所以 relation metadata 應保存：

R_{A\rightarrow B}

與：

R_{B\rightarrow A}.

81. Relation Near 不是「同答案」

source / target 不能只是答案一樣。

應共享：

\boxed{ \text{inference structure}, }

而非：

\boxed{ \text{response identity}. }

82. Pilot Transfer Probe

對 16 題加一個 post-target probe：

下列哪一個變化最可能讓這個系統失去原本的穩定／限制／傳播特性？

用來測 structural transfer。

不放在 primary RT trial 之前。

83. Demand Characteristic Check

實驗結束問：

你覺得這個實驗主要在研究什麼？

若大量 participant 精確猜到：

跨領域的結構相似性，

需在報告中註明。

84. Debriefing

結束後告知：

研究比較表面領域與 underlying relation；
relation ratings 來自獨立 calibration；
沒有 clinical diagnosis。

85. Data Files

Stage A：

stimuli.csv
calibration_domain.csv
calibration_pair_ratings.csv
solo_target_baseline.csv

Stage B：

participants.csv
trials.csv
transfer_probes.csv
counterbalance_lists.csv

Analysis：

analysis_config.json
pilot_report.md

86. Stimuli CSV 最小欄位

stimulus_id
domain
relation_template
variant_id
text
question
option_1
option_2
option_3
option_4
correct_option
char_count
version

87. Pair CSV 最小欄位

pair_id
source_id
target_id
designed_domain_relation
designed_relational_relation
external_condition
relational_condition
surface_similarity_mean
relational_similarity_mean
relational_confidence_mean
pair_status

88. Stage B Trial Log

participant_id
list_id
trial_index
source_id
target_id
condition
source_rt
source_correct
target_rt
target_correct
confidence
timeout
technical_error

89. Analysis Config

至少記：

protocol version；
stimulus version；
relation ontology version；
exclusion version；
model formulas；
CV split seed；
software version。

90. Reproducibility

Pilot report 應能由：

\boxed{ \text{raw derived data + config + analysis code} }

重建。

不要手動複製數字進報告。

91. Pilot Report 必須有的表

Stage A calibration table；
relation vs semantic correlation；
final stimulus balance；
condition accuracy；
condition RT；
CN–SF contrast；
M0 vs M1 held-out prediction；
participant / item variance；
exclusion summary；
GO / REVISE / KILL decision。

92. Pilot Report 必須有的圖

relational vs semantic scatter；
four-condition RT distribution；
participant-level $\Delta_{RF}$ ；
target-item $\Delta_{RF}$ ；
held-out prediction comparison。

93. 不在 Pilot 報的結論

不要寫：

TADC 被證明。

不要寫：

人類認知以關係為第一原理。

不要寫：

學科領域只是幻覺。

Pilot 最多寫：

\boxed{ \text{the RFCC operationalization did / did not survive feasibility testing}. }

94. Pilot 的第一個真正價值

即使結果失敗，

也能回答：

relation / semantic 是否可分；
external domain 是否能正交操縱；
transition RT 是否適合此問題；
哪些 relation templates 太明顯／太難；
expertise confound 多大。

這些都是有效結果。

95. Success State A

最理想：

\Delta_{RF}<0,

M1 held-out gain positive，

且：

corr( S^{rel}, S^{surface} )

不高。

則：

\boxed{ \text{GO to preregistered RFCC confirmation design}. }

96. Success State B

若：

\Delta_{RF}\approx0

但 continuous：

d_{\mathrm{rel}}

穩定預測 target transition cost，

可能：

binary Near/Far threshold 太粗。

決策：

\boxed{ \text{REVISE 2×2 categorization, retain continuous RFCC route}. }

97. Failure State A

relation ratings 本身：

ICC<0.60.

決策：

\boxed{ \text{do not interpret Stage B as RFCC test}. }

98. Failure State B

Near / Far 與 semantic similarity 幾乎完全共線。

決策：

\boxed{ \text{stimulus construction failed}. }

不是 RFCC 理論直接失敗。

99. Failure State C

calibration 很乾淨，

但：

M_1\leq M_0

跨 participant-held-out 與 target-held-out 都穩定。

且：

\Delta_{RF}\geq0.

這才是對當前 RFCC operationalization 的真正負面結果。

100. 下一步條件

只有 GO 時進：

\boxed{ \text{TADC-PR-01 Confirmatory Preregistration}. }

REVISE 時：

\boxed{ \text{TADC-PP-01 v0.2}. }

KILL 時：

停止 RFCC confirmatory escalation，

回 TADC-MD-01 重新評估：

d_{\mathrm{rel}}.

101. 結論

TADC-PP-01 將 TADC 第一個最基礎的理論分歧變成一個可執行實驗：

\boxed{ \text{Does relational distance predict transition cost beyond external-domain and semantic distance?} }

設計的核心不是只比較：

\text{Same}

與：

\text{Cross}.

而是強迫：

\boxed{ \text{external domain} }

與：

\boxed{ \text{relational structure} }

交叉。

最有區辨力的候選結果：

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

即：

跨領域但關係近，可能比同領域但關係遠更低成本。

然而本 Pilot 不以單一 contrast 決定理論。

真正的最低要求是：

\boxed{ M_1 = M_0+d_{\mathrm{rel}} }

在 held-out participants / targets 上比：

M_0

提供可重現的預測增量。

Stage A 獨立校準則確保：

d_{\mathrm{rel}}

不是在看到 Stage B 結果後才被任意定義。

因此本 Protocol 的科學價值正是：

\boxed{ \text{separate definition, measurement, and validation}. }

如果 Pilot 失敗，

TADC 得到第一個真正有價值的負面結果。

如果 Pilot 存活，

下一步也不是宣告理論成立，

而是把 Pilot 的 variance、item behavior 與 measurement error 用來建立：

\boxed{ \text{TADC-PR-01 preregistered confirmatory study}. }

這才是 TADC 從命題系列走向實證研究的第一個真正入口。

參考文獻

Enisman M, Cordova A, Kleiman T. It was the best of times, it was the worst of times: Evidence for switch cost beyond stimulus-response tasks. Journal of Experimental Psychology: Learning, Memory, and Cognition. 2026. doi:10.1037/xlm0001643. PMID: 42406489.
Mendl J, Bratzke D, Dreisbach G. Task switching promotes switch readiness: Evidence from forced and voluntary task switching. Cognition. 2026;271:106458. doi:10.1016/j.cognition.2026.106458. PMID: 41643504.
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.
Tan L, Qiu Y, Qiu L, et al. The medial and lateral orbitofrontal cortex jointly represent the cognitive map of task space. Communications Biology. 2025;8:163. doi:10.1038/s42003-025-07588-w. PMID: 39900714.
Kroczek B, Ciechanowska I, Chuderski A. Uncovering the course of analogical mapping using eye tracking. Cognition. 2022;225:105140. doi:10.1016/j.cognition.2022.105140. PMID: 35483161.
Doumas LAA, Puebla G, Martin AE, Hummel JE. A theory of relation learning and cross-domain generalization. Psychological Review. 2022;129(5):999–1041. doi:10.1037/rev0000346. PMID: 35113620.
Silliman DC, Kurtz KJ. Evidence of analogical re-representation from a change detection task. Cognition. 2019;190:128–136. doi:10.1016/j.cognition.2019.04.031. PMID: 31075695.
Bosnjak M, Fiebach CJ, Mellor D, et al. A template for preregistration of quantitative research in psychology: Report of the joint psychological societies preregistration task force. American Psychologist. 2022;77(4):602–615. doi:10.1037/amp0000879. PMID: 34807636.
Wilson RC, Takahashi YK, Schoenbaum G, Niv Y. Orbitofrontal cortex as a cognitive map of task space. Neuron. 2014;81(2):267–279. doi:10.1016/j.neuron.2013.11.005. PMID: 24462094.
Schuck NW, Cai MB, Wilson RC, Niv Y. Human Orbitofrontal Cortex Represents a Cognitive Map of State Space. Neuron. 2016;91(6):1402–1412. PMID: 27657452.

附錄 A：四條件記號

Code	External Domain	Relation
SN	Same	Near
SF	Same	Far
CN	Cross	Near
CF	Cross	Far

附錄 B：Pilot 決策

GO

Measurement reliable + held-out relational increment + theoretically compatible direction.

REVISE

Measurement works, predictive signal ambiguous or stimulus confounding remains.

KILL CURRENT OPERATIONALIZATION

Relation measurement unreliable or cleanly calibrated relational model provides no held-out increment.

狀態： TADC-PP-01 v0.1
階段： Exploratory Pilot Protocol
實際人體資料： 尚未收集
Pilot sample targets： Stage A $N_A=48$ ，Stage B $N_B=32$ ，僅作 feasibility targets，不是 confirmatory power justification
下一步： 刺激集 v0.1 → Stage A Calibration → Stage B Pilot → GO / REVISE / KILL