title: "功勞、責任與歸因不對稱：政治行動者的成功信用、失敗歸責與結果所有權" english_title: "Credit, Blame, and Responsibility Asymmetry: Success Attribution, Failure Allocation, and Outcome Ownership in Political Actors" series: "AI-Native Longitudinal Actor Intelligence" author: "Neo.K" institution: "EveMissLab／一言諾科技有限公司" paper: "03" version: "v0.1" date: "2026-08-28" language: "zh-TW" status: "Working Paper / Canonical UTF-8 Source" case_policy: "本文僅使用非識別性 coded case 與合成情境示例。任何人物假說皆不得由語言印象、單一事件或讀者猜測升格為事實。"

功勞、責任與歸因不對稱：政治行動者的成功信用、失敗歸責與結果所有權

Credit, Blame, and Responsibility Asymmetry: Success Attribution, Failure Allocation, and Outcome Ownership in Political Actors

AI-Native Longitudinal Actor Intelligence Series — Paper 03

摘要

政治治理中的「負責」並不是單一概念。政治人物可能對一項政策具有決策責任、法定責任、角色責任、因果責任、監督責任、溝通責任或修正責任，而不同責任可以分散於首長、幕僚、官僚、承包組織、其他政府層級與外部環境。民主政治同時存在另一組動機：成功成果具有可被宣稱的政治信用，失敗成果則帶來需要管理的責任與責難。既有政治學與公共行政研究早已指出 credit claiming、blame avoidance、passing the buck、scapegoating、delegation 與 responsibility attribution 的重要性；然而，跨人物、跨事件、跨時間比較政治人物如何處理成功與失敗，仍缺乏一套面向 AI 長時序分析的統一資料模型。

本文提出「功勞—責任歸因不對稱模型」（Credit-Blame-Responsibility Asymmetry, CBRA）。模型區分三個不能混用的層次：第一，真實責任結構，即誰作成決策、掌握權限、控制資源並對結果具有因果與角色責任；第二，公開歸因結構，即政治人物在成功或失敗後如何描述「誰做的」「誰造成的」「誰應該負責」；第三，結果所有權，即行動者是否在時間上持續承認自己的決策、說明原始判斷、推動修正、承擔代價並追蹤結果。

本文特別反對將「我負責」「我們會檢討」「這是團隊成果」等單一句型直接視為責任承擔的充分證據。真正的 outcome ownership 應至少包含 decision identification、causal acknowledgment、corrective commitment、follow-through 與 consequence acceptance。本文並提出一組可計算指標，包括 Self-Credit Rate、Self-Blame/Responsibility Rate、Attribution Asymmetry、Responsibility Diffusion、Decision Ownership、Correction Closure 與 Delegation-Adjusted Blame Appropriateness。這些指標均要求與 LPAM 的 canonical event ledger 對接，並以事件角色、制度權限、時間、政策階段與結果嚴重度進行控制。

本文核心命題不是「成功攬功、失敗甩鍋的政治人物一定存在某種人格」，而是更窄且可反證的研究問題：

Does\ an\ actor\ systematically\ claim\ more\ ownership\ for\ positive\ outcomes\ than\ for\ comparable\ negative\ outcomes?

以及：

Does\ public\ attribution\ remain\ aligned\ with\ actual\ decision,\ causal,\ and\ role\ responsibility?

若 AI 能在長時序資料中可靠回答這兩個問題，政治分析將從單句 fact-check 進一步進入 responsibility-pattern analysis。

關鍵詞： 功勞歸因、責任歸因、責任擴散、甩鍋、政治問責、credit claiming、blame avoidance、outcome ownership、delegation、長時序政治分析

Abstract

Political responsibility is not a unitary concept. A political actor may hold decision responsibility, formal responsibility, role responsibility, causal responsibility, supervisory responsibility, communicative responsibility, or corrective responsibility for an outcome. These responsibilities may be distributed across political executives, advisers, bureaucracies, contractors, other levels of government, and external actors. At the same time, political incentives create an asymmetry: successful outcomes generate credit that can be claimed, while failures generate blame that actors may seek to avoid, redirect, share, or contextualize.

This paper develops the Credit-Blame-Responsibility Asymmetry model (CBRA) for AI-native longitudinal political analysis. The model separates three layers that must not be conflated: the underlying responsibility structure, the public attribution structure, and longitudinal outcome ownership. Outcome ownership is not inferred from generic statements such as “I take responsibility” or “we will review the process.” Instead, it is operationalized through decision identification, causal acknowledgment, corrective commitment, follow-through, and acceptance of consequences.

The paper proposes computable measures including Self-Credit Rate, Self-Responsibility Rate, Attribution Asymmetry, Responsibility Diffusion, Decision Ownership, Correction Closure, and Delegation-Adjusted Blame Appropriateness. These measures are designed to operate over the canonical event ledger introduced in Paper 01 and the competence-type distinctions introduced in Paper 02. The central question is not whether a politician has a blame-avoiding personality, but whether public attribution systematically diverges from comparable underlying responsibility across positive and negative outcomes.

1. 從「誰的錯」轉向「責任結構」

政治討論非常容易壓縮成：

Who\ is\ to\ blame?

但大型政府的政策結果通常不是單一行動者造成。

一項政策可能同時包含：

首長決定方向；
幕僚設計方案；
局處提供專業判斷；
議會通過預算；
承包單位執行；
基層公務員進行裁量；
中央或地方另一層級提供法源；
外部經濟、天候、疫情或國際因素改變結果。

因此：

Outcome \neq Single\ Actor

如果研究只問「誰的錯」，就會忽略權力、因果、角色與執行責任的多層分布。

本文改問：

R(e)= ( R_d, R_c, R_r, R_s, R_i, R_k )

其中對事件 $e$ ：

$R_d$ ：decision responsibility，誰作成關鍵決策；
$R_c$ ：causal responsibility，誰的行動對結果具有可識別因果貢獻；
$R_r$ ：role responsibility，誰因職位而負有最終或功能性責任；
$R_s$ ：supervisory responsibility，誰負責監督被授權者；
$R_i$ ：implementation responsibility，誰直接執行；
$R_k$ ：corrective responsibility，問題出現後誰有權且有義務修正。

同一個人可以在其中只有部分責任。

2. Accountability 與 Responsibility 不能混用

公共行政研究長期指出 accountability 與 responsibility 雖相關但不同。

Accountability 強調：

Answerability + Judgment + Possible\ Consequence

也就是一個行動者必須對某個 forum 說明其行為，接受判斷，並可能承受後果。

Responsibility 則更接近：

Duty + Ownership + Obligation

在政治語言裡，兩者卻經常被壓縮成一句：

「我負責。」

因此研究者不能只做 literal phrase matching。

真正需要追蹤的是：

Statement \rightarrow Decision \rightarrow Correction \rightarrow Consequence

是否連得起來。

3. 政治人物有動機管理功勞與責難

Weaver 的 blame avoidance 理論指出，政治人物可能因選民對損失與負面結果較敏感，而具有強烈避免責難的誘因。其策略可能包括議程限制、passing the buck、scapegoating 與其他責任轉移方式。

另一方面，credit claiming 研究顯示，政治人物不是只能「做出成果」；他們也會透過訊息主動影響選民把成果歸功給誰。Grimmer、Messing 與 Westwood 的研究顯示，credit-claiming messages 本身即可影響選民如何分配政治信用。

因此，政治成果至少存在兩張圖：

第一張：

Production\ Graph

誰真正參與生產結果。

第二張：

Attribution\ Graph

公眾最後認為誰值得被歸功或責難。

二者可能重合，也可能不同。

4. CBRA 的三層架構

本文將功勞與責任分析分成三層。

4.1 Layer A：Underlying Responsibility

這一層回答：

在制度、決策與因果上，誰實際負責？

記為：

R_A(e)

它不能只從政治人物自己說法取得，而需結合：

法定權限；
會議紀錄；
決策文件；
預算；
指令；
組織權責；
執行紀錄；
時序。

4.2 Layer B：Public Attribution

這一層回答：

行動者公開把功勞或責任歸到哪裡？

記為：

A_A(e)

可能的 target 包括：

T= \{ Self, Team, Agency, Ally, Opponent, Predecessor, OtherGovernment, Contractor, Citizen, Environment, System \}

4.3 Layer C：Outcome Ownership

這一層回答：

行動者在結果出現後，是否持續把自己的原始決策與後續修正連在一起？

記為：

O_A(e,t)

它不是一句話，而是一條時間鏈。

5. 成功信用與失敗責任不對稱

最基本的研究假說是：

P(Self\ Attribution\mid Positive) > P(Self\ Attribution\mid Negative)

但這個式子本身不代表不道德。

任何行動者都可能合理地認為：

成功主要來自自己的政策設計；
失敗主要由不可控外部因素造成。

所以真正的問題必須加入 responsibility baseline。

令事件的客觀可識別責任份額為：

R^{*}_{self}(e)

公開自我歸因份額為：

A_{self}(e)

則偏差可以寫成：

G(e)=A_{self}(e)-R^{*}_{self}(e)

正值表示公開自我歸因高於可識別責任；

負值表示低於可識別責任。

但 $R^{*}$ 並不是形上學真值，而是依據可得證據估計的 responsibility model，因此必須保存不確定性。

6. Self-Credit Rate 與 Self-Responsibility Rate

對行動者 $a$ ，令正向結果事件集合為 $E^{+}_a$ ，負向結果事件集合為 $E^{-}_a$ 。

定義：

SCR_a= \frac{ \sum_{e\in E^{+}_a}w_e I(SelfCredit_e) }{ \sum_{e\in E^{+}_a}w_e }

其中 $w_e$ 可依事件重要度、責任份額或證據品質加權。

再定義：

SRR_a= \frac{ \sum_{e\in E^{-}_a}w_e I(SelfResponsibility_e) }{ \sum_{e\in E^{-}_a}w_e }

最簡單的 attribution asymmetry：

AA_a=SCR_a-SRR_a

但這個指標不能單獨使用。

若某人確實只對成功事件具有決策權、對失敗事件沒有權限，則高 $AA_a$ 完全可能合理。

因此必須做 matched-event comparison。

7. 比較的單位不是「所有成功」對「所有失敗」

正確設計應比較具有相近 responsibility structure 的事件。

例如：

Match(e_i,e_j)

要求兩事件盡可能相近於：

職位；
權限；
政策領域；
決策階段；
資源規模；
組織層級；
是否委外；
外部衝擊；
結果嚴重度。

然後比較：

A_{self}(e^{+})

與：

A_{self}(e^{-})

若在相似權限與因果條件下仍持續出現：

SelfCredit^{+}\uparrow

以及：

SelfResponsibility^{-}\downarrow

才構成較強的 asymmetry evidence。

8. 「我們會檢討」不是充分的責任承擔

政治人物最容易被誤判的句型之一是：

「這件事情我們做得不夠好，我們會檢討。」

這句話可以是真誠責任承擔，也可以只是一個低成本危機回應。

本文因此將 outcome ownership 拆成五項：

O_e= (D_e,C_e,K_e,F_e,Q_e)

其中：

$D_e$ ：Decision Identification，是否指出自己或組織哪一個具體決策；
$C_e$ ：Causal Acknowledgment，是否承認該決策如何造成或增加失敗機率；
$K_e$ ：Corrective Commitment，是否提出具體修正；
$F_e$ ：Follow-through，是否真的執行並追蹤；
$Q_e$ ：Consequence Acceptance，是否接受制度、政治或人事上的合理後果。

可以定義：

OOI_e= \sum_{j=1}^{5}\alpha_j O_{e,j}

其中：

\sum_{j=1}^{5}\alpha_j=1

OOI 是 Outcome Ownership Index。

因此：

Says\ "I\ take\ responsibility" \nRightarrow High\ OOI

9. Direct Ownership 與 Narrative Ownership

本文區分兩種看似相似的「負責」。

9.1 Direct Ownership

典型結構：

I\ chose\ A \rightarrow because\ I\ believed\ X \rightarrow X\ was\ wrong/incomplete \rightarrow we\ will\ change\ to\ B

這具有：

Decision + Reason + Error + Correction

9.2 Narrative Ownership

典型結構：

「身為首長我當然負責，我們整個團隊會檢討並持續精進。」

它可能只有：

Symbolic\ Acceptance

但沒有：

Decision\ Identification

因此：

Narrative\ Ownership \neq Decision\ Ownership

兩者都可能有政治價值，但在長時序治理分析中不能視為同一證據。

10. Responsibility Diffusion

失敗事件常出現「我們」：

I \rightarrow We

這並不一定是甩鍋。

大型政府本來就是集體行動。

但若語言持續從可識別決策者轉向模糊群體，就可能形成 responsibility diffusion。

本文將 attribution target distribution 記為：

p_e(t_i)

其中：

\sum_i p_e(t_i)=1

可用 entropy 衡量責任是否被分散：

H_R(e)= -\sum_i p_e(t_i)\log p_e(t_i)

高 entropy 不代表不當；多方責任事件本來應該高。

真正值得檢查的是：

H_{public}(e) - H_{underlying}(e)

若公開說法比真實責任結構顯著更分散，可能表示責任被語言擴散。

反過來，若公開說法把多方成果壓縮成單一首長功勞，也可能形成 credit concentration。

11. Credit Concentration

成功事件中可定義：

CC_e= A_{self}^{+}(e)-R_{self}^{*}(e)

若：

CC_e\gg0

代表公開敘事把比實際責任更高的成功份額集中到行動者本人。

但政治首長存在 role-based credit 的合理空間。

一名首長未必親自寫程式、鋪道路或執行救災，但他的選擇、任命與資源配置可能真的是成功的必要條件。

所以研究者不能採用：

Did\ not\ personally\ execute \Rightarrow No\ credit

正確問題是：

Did\ the\ actor's\ decision,\ authority,\ and\ coordination\ materially\ contribute?

12. Delegation：甩鍋的工具，還是正當責任區分？

大型政府必須授權。

因此：

Delegation \neq Blame\ Avoidance

2026 年 Nowlan 對英國公共服務失敗的實驗研究特別重要：受試者一般較不喜歡民選官員把責任推給服務提供組織，而較偏好其承擔責任；然而，當受試者認為被指責的服務提供者確實具有更高 culpability 時，對 blame shifting 的反感會下降。較高委派程度也會提高人們把責任歸給服務提供者的可能。

這表示：

Blame\ Shift

不能脫離：

Delegation + Control + Causality + Role

來判斷。

本文因此提出：

DABA_e= Appropriateness(A_e\mid R^{*}_e,Delegation_e)

即 Delegation-Adjusted Blame Appropriateness。

13. Principal-Agent 與「功往上、錯往下」

政治首長與官僚、承包商或代理組織之間可以用 principal-agent 關係分析。

政治 principal 通常掌握：

任命；
授權；
預算；
目標；
監督；
制裁。

agent 則可能掌握：

專業知識；
日常執行；
現場裁量；
資訊。

當結果成功時，政治 principal 有誘因宣稱：

Vision \rightarrow Success

失敗時則可能強調：

Implementation \rightarrow Failure

這會形成：

Credit\ Upward + Blame\ Downward

但不能因為存在此誘因，就直接認定每一個實際案例都在甩鍋。

CBRA 的目的就是把「誘因存在」與「行為已被證明」分開。

14. Blame Shifting 的語用分類

為了進行 AI 長時序分析，本文提出一個初步 response taxonomy。

對負向事件後的公開回應，可以標記：

R1 Direct Acceptance

明確承認自己的決策或監督責任。

R2 Bounded Acceptance

承認部分責任，同時明確界定其他責任來源。

R3 Shared Responsibility

將責任分配到多個有可驗證權責的行動者。

R4 Causal Externalization

強調外部環境、不可控因素或前置條件。

R5 Downward Attribution

將主要責任歸於下級機關、官僚或承包商。

R6 Lateral Attribution

歸責其他政府層級、盟友或合作單位。

R7 Opponent Attribution

將失敗與政治對手阻礙相連。

R8 Procedural Reframing

將「誰決定錯」重新轉成程序、溝通或流程問題。

R9 Semantic Narrowing

縮小原始命題範圍，使自身責任只適用於更窄定義。

R10 Counterattack

主要轉向質疑提問者、媒體或對手。

R11 Non-answer

沒有處理核心責任命題。

R12 Corrective Ownership

回答中直接連接具體決策、錯誤與修正。

同一回答可以多標籤。

15. 幽默、反諷與重框不是責任逃避的同義詞

政治語言可能使用：

Humor + Sarcasm + Analogy + Reframing

這些只是 discourse operations。

它們有時用於降低敵意，有時用於強化傳播，有時用於迴避。

因此：

Reframing \nRightarrow Avoidance

真正需要測的是：

Reframing \rightarrow Does\ the\ original\ responsibility\ question\ remain\ answered?

若回答在重框後仍明確提供：

Decision + Causality + Ownership

則不能標記為 responsibility avoidance。

16. Partisan Motivated Attribution

責任歸因不只由政治人物操控，選民本身也會有偏差。

2026 年的研究指出，政府支持者可能對正向結果給政府較高信用，卻在負向結果中把更多責任歸於外部因素；黨派認同會系統性影響責任歸因。

因此 AI 系統不能把：

Public\ Attribution

當成：

Underlying\ Responsibility

更不能把單一陣營的媒體敘事當作 ground truth。

CBRA 應保存至少三個不同來源：

Actor\ Attribution

Opponent/Public\ Attribution

Evidence\ Based\ Responsibility\ Estimate

17. 事件嚴重度與責任強度

不是所有失敗都值得同等權重。

可以定義事件嚴重度：

S_e= f( HumanHarm, FiscalCost, Duration, InstitutionalDamage, Scope, Reversibility )

同時定義首長可控制程度：

C_e\in[0,1]

與角色責任：

R_e\in[0,1]

則責任分析權重可粗略寫為：

w_e= S_e\cdot C_e\cdot R_e\cdot Q_e

其中 $Q_e$ 為證據品質。

如此，小型口誤不會與重大政策失敗被等權處理。

18. Decision Ownership Score

本文提出一個決策所有權分數：

DOS_e= \beta_1D + \beta_2J + \beta_3A + \beta_4K + \beta_5F

其中：

$D$ ：是否明確指出自己具有決策角色；
$J$ ：是否說明當初 judgment；
$A$ ：是否承認判斷與結果間的關聯；
$K$ ：是否提出修正；
$F$ ：是否完成後續追蹤。

若只說：

「我負責。」

可能只有：

D>0

但其他項目仍低。

反之，一個人即使沒有使用「我負責」字眼，只要完整說明：

「當時我選 A，因為依據 X；現在 X 被新資料推翻，所以改成 B，並在兩個月後公布結果。」

其 $DOS_e$ 可能反而更高。

19. Correction Closure

責任承擔最容易在新聞週期結束後消失。

因此 Paper 01 的時間帳本必須建立 correction thread：

Failure_{t_0} \rightarrow Acknowledgment_{t_1} \rightarrow Plan_{t_2} \rightarrow Implementation_{t_3} \rightarrow Evaluation_{t_4}

定義：

CCI_e= \frac{ Completed\ Correction\ Stages }{ Required\ Correction\ Stages }

即 Correction Closure Index。

如果政治人物每次都說：

「會檢討。」

但：

CCI\approx0

那麼語言承諾與實際修正之間存在穩定落差。

這比單純分析一句話更有研究價值。

20. 成功時也必須檢查 attribution

責任研究常只盯失敗。

但 CBRA 要求成功與失敗對稱分析。

成功事件應回答：

誰原先提出方案？
誰負責設計？
誰爭取預算？
誰執行？
是否承接前任政策？
是否存在中央、地方或民間共同投入？
首長公開說法如何分配 credit？

若成功時持續：

Team\ Achievement \rightarrow Leader\ Brand

而失敗時：

Leader\ Decision \rightarrow Team/System\ Failure

則才形成真正值得研究的 directional asymmetry。

21. P-01：只能提出待驗證的歸因假說

本系列的 P-01 不對應任何特定具名人物。

在 Paper 03 中，P-01 只用來示範證據規則。

假設研究者觀察到 P-01 具有高度公開論述能力，並提出：

H_{P01}: Success\ credit\ may\ be\ centralized,\ while\ failure\ responsibility\ may\ be\ diffused

此命題仍只是：

HYP

要升級為較強結論，至少需要：

一組正向結果事件；
一組相近權限的負向結果事件；
可驗證的 underlying responsibility；
公開 attribution coding；
後續 correction thread；
反例搜尋；
其他人物 baseline。

若沒有這些資料：

Insufficient\ Evidence

就是正確結果。

22. 合成案例：什麼叫做真正的 asymmetry？

以下不是任何現實人物，只是一個合成示例。

假設市長 M 對兩個政策具有相近權限。

政策 A 成功：

R^{*}_{self}(A)=0.4

公開敘事：

A_{self}(A)=0.8

政策 B 失敗：

R^{*}_{self}(B)=0.5

公開敘事：

A_{self}(B)=0.1

則：

G(A)=0.4

G(B)=-0.4

兩事件之間存在：

Asymmetry=0.8

如果同樣模式在多個 matched events 中重複出現，才可以提出穩定 attribution asymmetry。

單一事件不能推出人格。

23. 研究設計：從句子分類進入事件配對

實證流程可以分成七步。

Step 1：Event Extraction

從新聞、國會紀錄、政府文件、影片逐字稿抽取事件。

Step 2：Authority Reconstruction

重建每個事件的法定與實際權限。

Step 3：Decision Graph

找出誰提出、批准、否決、執行、監督。

Step 4：Outcome Coding

標記結果方向、嚴重度與不確定性。

Step 5：Attribution Coding

分析成功或失敗後各行動者如何分配 credit/blame/responsibility。

Step 6：Correction Thread

追蹤承諾是否真的修正並閉環。

Step 7：Matched Comparison

比較相近權限下的正、負事件。

24. AI 可以做什麼，不能做什麼

AI 很適合：

長時序資料檢索；
逐字稿對齊；
claim extraction；
attribution target classification；
事件配對候選；
語義變化偵測；
反例搜尋；
correction follow-up。

但 AI 不應自動宣判：

「此人是一個甩鍋型人格。」

因為：

Observed\ Attribution \neq Inner\ Motive

AI 最多能說：

在已觀察到、具有相近責任條件的事件中，公開歸因呈現某種不對稱，且目前有多少支持與反證。

這是行為模式，不是心理診斷。

25. 研究命題

本文提出以下可反證命題。

命題 1：負向責任敏感命題

在其他條件相近時，政治人物對負向結果的自我責任宣稱率低於對正向結果的自我信用宣稱率。

命題 2：訊息信用命題

政治人物的 credit-claiming communication 能改變公眾對成果歸屬的認知，而不只反映客觀投入。

命題 3：委派調節命題

委派程度與代理人因果控制越高，向代理人分配失敗責任越可能具有正當性。

命題 4：角色責任殘留命題

即使執行已高度委派，政治首長仍可能因職位保有顯著 role-based responsibility。

命題 5：責任擴散命題

部分政治行動者在負向事件中的公開 attribution entropy 會系統性高於 underlying responsibility entropy。

命題 6：信用集中命題

部分政治行動者在正向事件中的 self-credit 會系統性高於其可識別 decision/causal contribution。

命題 7：語言責任非充分命題

單次 responsibility-taking statement 對後續 correction closure 的預測力有限；具體 decision ownership 應具有較高預測力。

命題 8：長時序穩定性命題

若 attribution asymmetry 為穩定政治行為模式，則應跨議題、跨時間、跨角色重複出現，而非只存在於單一危機。

26. 反例的重要性

CBRA 必須主動搜尋以下反例：

成功時主動將 credit 給下屬；
失敗時明確指出自己的錯誤決策；
對盟友採用與對手相同責任標準；
在沒有媒體壓力時仍完成 correction；
在自己沒有實際責任時拒絕不當攬功；
在下屬確實主要有責時，仍承認自己的監督責任。

如果反例大量存在：

Asymmetry\ Hypothesis\downarrow

這是方法的必要部分，不是附加的「平衡報導」。

27. 制度比較的重要性

不同政治制度提供不同 blame opportunities。

例如：

Single\ Executive

與：

Coalition\ Government

的 responsibility map 不同。

中央集權、聯邦制、地方自治、委外治理與獨立機關，也都會改變：

Who\ can\ credibly\ blame\ whom?

2024 年對挪威地方政治人物的研究顯示，blame 與 credit 的分配會受到垂直政府層級與政黨結構影響；危機與選舉時點研究也顯示 credit claiming 與 blame shifting 會隨制度與選舉壓力改變。

因此：

CBRA_{actor}

必須條件化於：

Institution + Authority + Delegation + Electoral\ Context

28. 從責任分析到政治可信度

長期政治可信度不能只定義成：

Truthfulness

一個政治人物可以幾乎不說明顯假話，卻仍在成功與失敗之間持續改變 attribution rule。

因此本文提出一個更窄的概念：

Attributional\ Reliability

其核心問題是：

在相似責任條件下，這個人是否對自己、盟友、下屬與對手使用相對一致的歸因標準？

可以進一步測：

Rule(Self)

Rule(Ally)

Rule(Opponent)

是否具有系統性差異。

這不是 Paper 03 的完整倫理判定，但會成為 Paper 07 的重要輸入。

29. 與 Paper 02 的關係

Paper 02 指出：

Discursive\ Competence \nRightarrow Executive\ Competence

Paper 03 再進一步指出：

Responsibility\ Language \nRightarrow Responsibility\ Ownership

前者防止把「說得好」誤認為「做得好」。

後者防止把「說我負責」誤認為「真正完成責任閉環」。

兩者合起來，才形成對政治行政人物比較嚴格的證據標準。

30. 與 Paper 04「勤人 AI」的關係

傳統懶人包最常做：

某人五年前說 A，今天說 B。

Paper 04 將建立的 Diligent AI 不應停在 contradiction hunting。

CBRA 要求它進一步做：

Claim \rightarrow Authority \rightarrow Decision \rightarrow Outcome \rightarrow Attribution \rightarrow Correction

並回答：

這次真的誰有權？
誰決定？
誰執行？
誰被歸功？
誰被歸責？
之後修正了嗎？
同一人物在成功與失敗時規則是否改變？

這才是「勤人」而不是高效率抹黑。

31. 倫理與名譽風險

責任模型極容易被濫用。

尤其是：

Attribution\ Asymmetry \rightarrow "Dishonest\ Person"

這個推論不成立。

行為可能受：

記者提問方式；
事件資訊不完整；
法律保密；
國安限制；
集體決策；
幕僚錯誤；
新證據；
制度責任；

影響。

因此正式輸出必須把：

OBS

DER

HYP

PRED

分開。

Paper 07 將完整處理這個問題。

32. 方法限制

32.1 真實責任不可完全觀察

政府內部決策資料可能不公開。

因此 $R^{*}$ 是證據估計，不是真理標籤。

32.2 正向與負向事件不可完全配對

政策領域與危機本身存在異質性。

32.3 媒體選擇偏誤

衝突與失敗更容易被報導。

32.4 語言資料不等於實際內部歸因

政治人物對外說法可能受到法律、外交或組織約束。

32.5 政治首長本來就具有象徵性 credit

不可把所有 leadership credit 視為攬功。

32.6 公開承責也可能是策略

高 OOI 必須依靠後續行動，而非單次道歉。

33. 結論

政治責任真正困難的地方，不在於找到一句「我負責」或一句「都是別人的錯」。

真正的問題是：

Who\ decided?

Who\ controlled?

Who\ caused?

Who\ was\ institutionally\ responsible?

Who\ claimed\ credit?

Who\ accepted\ failure?

Who\ corrected\ it?

而且這些問題必須跨時間一起回答。

本文提出 CBRA，目的不是替 AI 建造一台政治人物道德評分器，而是建立一個更低階、更嚴格的證據層：

Underlying\ Responsibility \neq Public\ Attribution \neq Outcome\ Ownership

當三者長期一致，政治人物的責任敘事具有較高可驗證性。

當三者長期偏離，研究者才有理由提出：

Attribution\ Asymmetry

假說。

因此，本文最重要的規則可以壓縮成：

Credit\ should\ be\ compared\ with\ contribution

以及：

Blame\ should\ be\ compared\ with\ responsibility

再進一步：

Responsibility\ should\ be\ compared\ with\ correction

這三層共同構成 AI 長時序政治人物研究從「說了什麼」走向「如何承擔結果」的基礎。

References

Bovens, M. (2009). Public Accountability. In The Oxford Handbook of Public Management. Oxford University Press. https://doi.org/10.1093/oxfordhb/9780199226443.003.0009

Gailmard, S. (2014). Accountability and Principal-Agent Theory. In M. Bovens, R. E. Goodin, & T. Schillemans (Eds.), The Oxford Handbook of Public Accountability. Oxford University Press. https://doi.org/10.1093/oxfordhb/9780199641253.013.0016

Gregory, R. (2017). Accountability and Responsibility. Oxford Research Encyclopedia of Politics. Oxford University Press. https://doi.org/10.1093/acrefore/9780190228637.013.525

Grimmer, J., Messing, S., & Westwood, S. J. (2012). How Words and Money Cultivate a Personal Vote: The Effect of Legislator Credit Claiming on Constituent Credit Allocation. American Political Science Review, 106(4), 703–719. https://doi.org/10.1017/S0003055412000457

Hood, C. (2011). The Blame Game: Spin, Bureaucracy, and Self-Preservation in Government. Princeton University Press.

Hood, C. (2014). Accountability and Blame-Avoidance. In M. Bovens, R. E. Goodin, & T. Schillemans (Eds.), The Oxford Handbook of Public Accountability. Oxford University Press. https://doi.org/10.1093/oxfordhb/9780199641253.013.0007

Hood, C., Jennings, W., & Copeland, P. (2016). Blame Avoidance in Comparative Perspective: Reactivity, Staged Retreat and Efficacy. Public Administration, 94, 542–562. https://doi.org/10.1111/padm.12235

Nowlan, O. (2026). Judging the blame game: how do citizens react to blame shifting in public service delivery? Journal of Public Administration Research and Theory, 36(3), 316–328. https://doi.org/10.1093/jopart/muaf038

Peters, B. G. (2014). Accountability in Public Administration. In M. Bovens, R. E. Goodin, & T. Schillemans (Eds.), The Oxford Handbook of Public Accountability. Oxford University Press. https://doi.org/10.1093/oxfordhb/9780199641253.013.0032

Tromborg, M. W. (2026). Can responsibility attributions be sensible in the presence of partisan-motivated reasoning? European Journal of Political Research.

Weaver, R. K. (1986). The Politics of Blame Avoidance. Journal of Public Policy, 6(4), 371–398. https://doi.org/10.1017/S0143814X00004219

Canonical Source Note

本檔為 Paper 03 v0.1 的 UTF-8 canonical Markdown source。正式數學 source 僅使用 $...$ 與 $$...$$ delimiter。任何 PDF、HTML、聊天畫面或其他 rendering 均不取代本檔。