證據圖、真值與判斷狀態解耦

動態邏輯解與生成判斷系列・第九篇

英文題名： Decoupling Evidence Graphs, Truth Values, and Judgment States
版本： v0.1
日期： 2026-08-16
作者： Neo.K／Aletheia

摘要

當 AI 進行研究時，最容易犯的結構性錯誤之一，是把以下不同對象壓成一個「信心分數」：

\text{source reliability},

\text{evidence support},

\text{truth value},

\text{belief},

\text{judgment state},

\text{decision}.

本文提出五層解耦：

\boxed{ \text{World} \rightarrow \text{Evidence} \rightarrow \text{Belief} \rightarrow \text{Judgment} \rightarrow \text{Action}. }

這五層具有因果與資訊關係，但不能被定義成同一個變量。

本文特別引入 Evidence Graph：

G_E=(V_E,E_E),

其中節點不只是一篇文章，而是帶 provenance 的 evidence object；邊則描述：

supports；
opposes；
derived-from；
copied-from；
invalidates；
supersedes；
measures；
interprets。

此結構可防止「50 篇轉載 = 50 個獨立證據」的錯誤，並讓 Bayesian score、三態投影、truth maintenance 與 ACO 類異常因果研究共用同一資料地基。

一、五層型別

定義：

W

為世界狀態。

E

為可觀測證據。

B

為代理者 belief / credence。

J

為 runtime judgment state。

A

為實際行動。

因此：

\boxed{ W\neq E\neq B\neq J\neq A. }

二、真值

命題：

P

的 truth value：

V(P,W)

由 world/model semantics 決定。

它不是由：

\text{有多少文章支持}

直接決定。

三、證據

證據：

E_i

是被觀察、保存或導出的資訊物件。

它至少需要：

E_i = ( v_i, s_i, t_i, p_i, r_i ),

其中：

$v_i$ ：內容；
$s_i$ ：來源；
$t_i$ ：時間；
$p_i$ ：provenance；
$r_i$ ：relationship to claims。

四、證據不是文章

一篇 document：

D

可以包含：

E_1,E_2,\ldots,E_k.

同一 evidence：

E^\ast

也可能被：

D_1,\ldots,D_{50}

轉載。

因此：

\boxed{ \text{Document Count} \neq \text{Evidence Count}. }

五、Evidence Graph

定義：

G_E=(V_E,E_E).

節點：

source
document
observation
measurement
quote
derived result

邊：

contains
copied_from
derived_from
supports
opposes
invalidates
supersedes

六、來源獨立性

若：

D_1,D_2,D_3

都 derived from：

S_0,

則：

\operatorname{Independence}(D_1,D_2,D_3)\ll1.

不能計為三個獨立 confirmation。

七、Evidence Direction

對 claim：

P,

定義：

d(E_i,P) \in \{ +1,-1,0,? \}.

其中：

$+1$ ：支持；
$-1$ ：反對；
$0$ ：中性；
$?$ ：尚未分類。

這是 evidence relation。

不是 truth value。

八、Belief

代理者：

a

可持有：

B_a(P,t).

若 Bayesian：

B_a(P,t)=P_t(P).

若 symbolic：

B_a(P,t)

可以是 belief set membership。

九、Judgment

判斷：

J_a(P,t)

則是：

\{ O,G,C,T_p,F_p \}

中的狀態。

所以：

B_a(P,t)=0.75

完全可以同時：

J_a(P,t)=G.

十、Action

最後：

A_a(P,t)

由 decision policy 決定。

例如：

B=0.7

在低風險場景可：

A=\text{act}.

在高風險醫療決策可能仍：

A=\text{defer}.

十一、來源可信度

來源：

S_i

可以有 reliability：

R(S_i).

但：

R(S_i)=0.95

不等於：

P(P)=0.95.

可信來源也可能在某次事件上錯。

十二、證據品質

定義：

Q(E_i)

可包含：

directness；
timestamp integrity；
measurement quality；
independence；
reproducibility；
source transparency。

不要直接把它壓成 truth score。

十三、支持度

可以計算：

S_t(P) = f( E_1,\ldots,E_n ).

但：

S_t(P)

是 model-dependent score。

必須保存：

f.

十四、反證壓力

另定義：

C_t(P).

不要強制：

C_t=1-S_t.

原因是：

缺乏支持

與：

存在強反證

不是同一件事。

十五、缺失值不是零

若某維度未取得資料：

x=\mathrm{NA},

不能：

x=0.

這是 GIPSS 與本系列共享的重要原則。

十六、Truth Maintenance

Doyle 的 Truth Maintenance System 已經把：

belief；
justification；
dependency；
contradiction；

做成可維護結構。

本文採用相同精神：

\boxed{ \text{任何判斷都應能回答： 「你為什麼現在這樣判？」} }

十七、Evidence Graph 與 TMS 的差別

TMS 核心是：

\text{belief reasons}.

Evidence Graph 更強調：

\text{source provenance} + \text{cross-document identity} + \text{measurement lineage}.

兩者可組合。

十八、反證不能被 summary 吃掉

若 compression 只留下：

大多數資料支持。

可能丟失一個關鍵反例。

因此：

\boxed{ \text{Counterevidence} }

必須 first-class。

十九、不可把 consensus 當 truth

若：

99\%

來源支持 $P$ ，

仍：

\text{Consensus}(P) \neq V(P,W).

Consensus 是 evidence about epistemic community。

不是 truth operator。

二十、不可把 novelty 當 truth

同理：

\text{奇怪} \neq \text{真}.

ACO 中 unexplained residual：

R_u>0

也不能：

R_u>0 \Rightarrow \text{supernatural}.

二十一、Evidence Snapshot

每次判斷應保存：

E^{(t)}

的 snapshot hash。

因未來 source 可能改版。

這是可重審的前提。

二十二、判斷 lineage

同一 Evidence Graph：

G_E

可以被不同模型：

M_1,M_2,M_3

判斷。

形成：

J^{(1)}, J^{(2)}, J^{(3)}.

它們不應覆寫彼此。

二十三、多模型分歧

若：

J^{(1)}=T_p,

J^{(2)}=F_p,

則 meta-state 可：

J^{meta}=C.

這比硬平均成：

0.5

更有資訊。

二十四、證據圖的最小資料模型

EvidenceNode
  id
  source_type
  content_hash
  timestamp
  provenance

EvidenceEdge
  from
  to
  relation
  claim_id
  confidence

二十五、與 Bayesian Logic Judge

Simple UI 可以把高維 Evidence Graph 投影：

\Pi_B(G_E) = ( S_t,C_t,K_t,I_t )

其中：

$S_t$ ：支持；
$C_t$ ：反證；
$K_t$ ：完整度；
$I_t$ ：來源獨立性。

二十六、核心命題

\boxed{ \text{證據不是信念； 信念不是真值； 真值不是判斷狀態； 判斷狀態也不是行動。} }

只有先分型，動態邏輯才能不退化成一個漂亮的「信心百分比」。

二十七、結論

生成判斷系統真正需要的不是更多單一分數，而是更清楚的型別邊界：

\boxed{ W \rightarrow G_E \rightarrow B \rightarrow J \rightarrow A. }

下一篇將處理最後一個工程核心：

如果判斷是事件歷史，那怎樣才能證明「重播出的現在」真的等價於原本運行得到的現在？