AI-Native Unified Search Intelligence (AUSI) Series — Paper 05

從搜尋結果到證據：Provenance、Verification、Evidence Ledger 與可驗證研究資料生命週期

English Title: From Search Results to Evidence: Provenance, Verification, Evidence Ledgers, and the Lifecycle of Verifiable Research Data

Version: v0.1
Date: 2026-08-31
Status: Canonical Draft
Series: AI-Native Unified Search Intelligence (AUSI)
Predecessor: Paper 04 — 合法資料取得與來源治理：AI 搜尋中的授權、條款、資料權利與 Policy-Constrained Acquisition
Reference Implementation Direction: ai-web-research

摘要

搜尋系統通常以 ranked results 作為終點，但研究型 AI 不能把「被搜尋到」直接等同於「可作為證據」。搜尋結果可能只是摘要頁、轉載、搜尋引擎 snippet、已過期資料、錯誤版本、第三方重述、缺乏來源的模型回憶，或與待證命題只有主題相關而沒有實際支持關係。即使存在引用連結，也不能由「引用存在」推出「引用內容支持該 claim」。因此，AI 原生搜尋若要支援科學研究、經濟資料、氣象資料、專利檢索與企業 research，需要一個獨立於 retrieval ranking 的 evidence lifecycle。

本文提出 AUSI Evidence Lifecycle（AEL） 與 Evidence Ledger。核心流程為：

\text{Search Result} \rightarrow \text{Candidate Evidence} \rightarrow \text{Anchored Evidence} \rightarrow \text{Verified Evidence} \rightarrow \text{Claim–Evidence Relation} \rightarrow \text{Evidence Ledger}

本文以 W3C PROV 的 Entity–Activity–Agent 與 derivation 模型、FORCE11 Data Citation Principles 的 persistent identification、specificity、verifiability、provenance 與 fixity 要求，以及 nanopublication 的 assertion / provenance / publication-info 分離為既有基礎，不重新發明 provenance 標準；本文的貢獻是將這些思想嵌入 AI Search Planner 與 Search Receipt 之間，建立可被機器執行的 evidence state machine。

本文區分 source identity、document identity、manifestation identity、version identity、content identity 與 claim identity；提出 Evidence Object、Evidence Anchor、Transformation Provenance、Temporal Identity、Source Independence Graph、Claim–Evidence Graph 與 Evidence Quality Vector。Evidence verification 被拆成 source verification、identity verification、fixity verification、anchor verification、temporal verification、semantic support verification、independence verification 與 corroboration / contradiction analysis。本文主張 evidence quality 不應壓縮成單一 confidence scalar，因為來源權威性、內容完整性、時間適配性、獨立性、直接性與可重現性是不同維度。

本文進一步提出 append-only Evidence Ledger：新的驗證、撤回、版本替換或 contradiction 不覆寫舊紀錄，而以新的 ledger event 改變其有效狀態。Ledger 不等同 blockchain，也不要求分散式共識；其核心要求是 auditability、lineage、fixity、versionability 與可重建性。Paper 04 的 Usage Envelope 必須與 Evidence Object 一起保存，使「可證明」與「可合法再利用」不被混為一談。

最後，本文以經濟數據 revision、氣象 station observation、專利 family / priority / claim mapping，以及學術文獻 citation chain 為例，說明相同 Evidence Runtime 如何跨 domain 使用。此框架為後續 Paper 06 的反證優先與缺口驅動搜尋提供必要狀態：只有當系統知道自己已有哪些證據、證據彼此是否獨立、哪些命題仍缺乏支持或反證，AI 才能根據 evidence gap 決定下一步搜尋。

關鍵詞： Evidence Ledger、Provenance、Verification、Data Citation、W3C PROV、Nanopublication、Claim–Evidence Graph、Source Independence、Fixity、Versioning、AI-Native Search、Reproducibility

1. 問題：搜尋結果不是證據

傳統搜尋系統的輸出通常為：

R = \{r_1,r_2,\ldots,r_n\}

其中每個 $r_i$ 可以是：

URL；
document；
snippet；
database row；
API record；
semantic hit；
citation node；
search-engine result。

但：

\boxed{ r_i\in R \not\Rightarrow r_i\in E_{\text{verified}} }

原因很簡單：

搜尋系統解決的是：

哪些候選與 query / task 有關？

證據系統則必須回答：

這個具體來源中的哪個具體內容，在哪個版本與時間條件下，以什麼關係支持、反駁或限制哪一個具體 claim？

這是不同問題。

2. 「被引用」也不等於「支持」

研究型 AI 很容易產生另一種錯誤：

\text{Citation Exists} \Rightarrow \text{Claim Supported}

這個推論不成立。

一個來源可能：

只與主題相關；
支持更弱的命題；
支持相反結論；
只描述方法；
是二手引用；
引用的是不同版本；
只在特定條件下成立；
已被更新、修正或撤回。

因此，引用至少需要兩層關係：

\operatorname{Cites}(c,s)

與：

\operatorname{Supports}(s,c)

兩者不同。

3. 既有 provenance 研究已提供成熟地基

W3C PROV 已將 provenance 建模為：

prov:Entity；
prov:Activity；
prov:Agent；

並提供：

wasGeneratedBy；
used；
wasDerivedFrom；
wasAttributedTo；
wasAssociatedWith；

等 provenance relations。

因此，本文不需要重新發明「資料是怎麼產生的」基本詞彙。

AUSI 需要做的是：

將 provenance 模型與 AI 搜尋、資料取得、驗證、claim linking 與 Search Receipt 接起來。

4. Data Citation 已經要求 Specificity 與 Verifiability

FORCE11 的 Joint Declaration of Data Citation Principles 明確提出：

data 是可被正式引用的 research object；
claim 依賴 data 時，應引用對應 data；
citation 應使用持久且 machine-actionable identity；
citation 應支援 access；
metadata 應持續存在；
citation 應能識別支撐 claim 的具體資料；
provenance 與 fixity 應足以驗證 version / timeslice / granular portion。

因此：

\boxed{ \text{Evidence Citation} \neq \text{Homepage URL} }

若一個 claim 依賴某資料集第 2026-08-01 版中的某一 series 與 observation range，僅引用資料平台首頁是不夠的。

5. FAIR 不只要求 Findable

FAIR Principles 強調：

F+A+I+R

其中 reusable data 需要 rich metadata、provenance 與明確使用條件。

這與 Paper 04 的 Source Rights / Usage Envelope 可直接接軌。

一個 evidence object 若：

找得到；
但版本不明；
provenance 不明；
license 不明；
transformation 不明；

就仍不足以支撐高品質 autonomous research。

6. Nanopublication 提供 claim-level 結構參照

Nanopublication 將一個小型知識單位拆為：

assertion；
assertion provenance；
publication information。

這個模型與 AUSI 很接近，但用途不同。

AUSI 不要求所有 evidence 都發布成 nanopublication；而是借用其核心區分：

\text{Claim Content} \neq \text{Claim Provenance} \neq \text{Publication Metadata}

這對 Claim–Evidence Graph 很重要。

7. Evidence Lifecycle

本文提出：

\boxed{ R \rightarrow E_c \rightarrow E_a \rightarrow E_v \rightarrow G_{CE} \rightarrow L_E }

其中：

$R$ ：Search Results；
$E_c$ ：Candidate Evidence；
$E_a$ ：Anchored Evidence；
$E_v$ ：Verified Evidence；
$G_{CE}$ ：Claim–Evidence Graph；
$L_E$ ：Evidence Ledger。

不是每一個 candidate 都會進入 Verified Evidence。

8. Candidate Evidence

定義：

e_c = ( s, o, m, t_r )

其中：

$s$ ：source reference；
$o$ ：retrieved observation / content；
$m$ ：Search Method / acquisition method；
$t_r$ ：retrieval time。

Candidate Evidence 表示：

這個內容值得進一步檢查。

它不表示內容已正確、已固定、已支持 claim 或已獨立佐證。

9. Anchored Evidence

Candidate 經過具體定位後形成 Anchored Evidence：

e_a = ( e_c, A_e )

其中 Evidence Anchor：

A_e = ( I_d, I_v, L, H_a )

包含：

$I_d$ ：document identity；
$I_v$ ：version / manifestation identity；
$L$ ：location selector；
$H_a$ ：anchored content hash。

目標是回答：

「你說的是哪一段？」

10. Evidence Anchor 不能只有 URL

動態網頁中：

URL_{t_1} = URL_{t_2}

並不代表：

Content_{t_1} = Content_{t_2}

因此 Anchor 可以依資料類型使用：

URL + retrieval_time
URL + content_hash
DOI + version
page + paragraph
character offsets
XPath / CSS selector
JSONPath
database primary key
dataset + series + observation range
patent publication + claim number
git commit + file + line range
content-addressed identifier

這些可以組合，而不是單選。

11. Source Identity

來源不是 URL 字串。

定義 Source Identity：

I_s = ( \text{publisher}, \text{origin}, \text{surface}, \text{authority context} )

例如同一新聞：

press release
↓
newswire
↓
newspaper A
↓
blog B

雖然有四個 URL，但 evidence ancestry 可能只有一個 primary origin。

因此：

\#URL \neq \#IndependentSource

12. Document Identity

同一 intellectual work 可以有：

preprint；
accepted manuscript；
published version；
corrected version；
HTML manifestation；
PDF manifestation；
mirror；
translated copy。

因此：

I_{\text{work}} \neq I_{\text{manifestation}}

Evidence Runtime 應盡可能分開：

work_id
edition/version_id
manifestation_id
retrieved_copy_id

13. Content Identity 與 Fixity

Evidence Object 應保存：

H(d)

例如 cryptographic hash。

Hash 的目的不是：

證明內容真實。

而是：

驗證當前內容是否與當時保存／引用的內容一致。

因此：

\operatorname{HashMatch} \Rightarrow \operatorname{Fixity}

但：

\operatorname{Fixity} \not\Rightarrow \operatorname{Truth}

14. Version Identity

資料 revision 是研究型 AI 的核心問題。

定義：

V(d) = ( v, t_e, t_p, t_r )

其中：

$v$ ：version / revision identifier；
$t_e$ ：effective / event time；
$t_p$ ：publication time；
$t_r$ ：retrieval time。

若 provider 無正式 version，可以使用：

(\text{retrieval time},\text{content hash})

作為 operational snapshot identity。

15. 四種時間不能混為一談

本文至少區分：

t_{\text{event}}

事件或觀測實際發生時間。

t_{\text{publication}}

資料／文件被發布時間。

t_{\text{revision}}

資料被修訂時間。

t_{\text{retrieval}}

AI 實際取得時間。

例如：

2025 Q4 GDP

可能在 2026 年多次 revision。

因此「2025 Q4」不是完整 temporal identity。

16. Evidence Object

本文提出最小：

EvidenceObject
├── evidence_id
├── source_identity
├── work_identity
├── version_identity
├── manifestation_identity
├── retrieval_identity
├── anchor
├── raw_content_ref
├── normalized_content
├── content_hash
├── temporal_identity
├── acquisition_provenance
├── transformation_provenance
├── policy_usage_envelope
├── verification_state
├── evidence_role
├── quality_vector
├── independence_group
└── ledger_refs

這不是所有欄位都必須填滿。

缺失必須是 explicit missing state。

17. Evidence Role

同一 evidence 可以扮演不同角色。

定義：

R_E \in \{ \text{support}, \text{contradict}, \text{qualify}, \text{context}, \text{method}, \text{definition}, \text{version}, \text{identity}, \text{provenance} \}

這比「citation=true」有更多資訊。

18. Claim Atomization

長篇答案中的一句話可能包含多個 factual propositions。

例如：

「某 API 自 2026 年起要求登入，而且每天最多允許 10,000 次請求。」

這至少包含兩個 claims：

c_1=\text{authentication requirement}

c_2=\text{daily request limit}

若只用一個 citation 覆蓋整句，可能只有 $c_1$ 被來源支持。

因此可以將可驗證內容拆為 Atomic Claims：

C = \{c_1,\ldots,c_n\}

FActScore 等 fine-grained factuality work 已顯示 atomic fact decomposition 對長文事實評估具有價值；AUSI 將類似思想用於 evidence mapping，而不是只做 final-answer score。

19. Claim Object

最小 Claim Object：

ClaimObject
├── claim_id
├── proposition
├── scope
├── qualifiers
├── temporal_scope
├── jurisdiction_scope
├── entity_refs
├── claim_type
├── importance
└── verification_requirement

尤其 scope 與 qualifiers 不能省略。

20. Claim–Evidence Graph

定義：

G_{CE} = ( C, E, R )

其中：

$C$ ：claims；
$E$ ：evidence objects；
$R$ ：claim–evidence relations。

relation 可以包括：

R = \{ \operatorname{supports}, \operatorname{contradicts}, \operatorname{qualifies}, \operatorname{defines}, \operatorname{derives}, \operatorname{duplicates} \}

這使 verification 從 document-level 進入 claim-level。

21. Support 不是 Boolean 真理證明

即使：

\operatorname{Supports}(e,c)=1

也不表示：

c=\text{True}

它表示：

在指定 interpretation / scope 下， $e$ 為 $c$ 提供支持。

因此更完整：

\operatorname{Supports} ( e,c, q, \sigma )

其中：

$q$ ：support strength / type；
$\sigma$ ：scope / assumptions。

這避免把 evidence relationship 誤寫成 truth oracle。

22. Verification Pipeline

本文提出八層 verification。

V1 — Source Verification

來源是誰？

V2 — Identity Verification

取得的物件是否為聲稱的 document / dataset / patent / series？

V3 — Fixity Verification

內容是否與引用版本一致？

V4 — Anchor Verification

引用位置是否真的包含所記錄內容？

V5 — Temporal Verification

時間／版本是否適合該 claim？

V6 — Semantic Support Verification

內容是否真的支持 / contradict / qualify 該 claim？

V7 — Independence Verification

多個 evidence 是否真的來自相互獨立的資訊來源？

V8 — Cross-Evidence Verification

不同 evidence 間是否一致、衝突或版本不同？

23. Source Verification

Source Verification 可以包含：

official domain
publisher identity
certificate / transport context
persistent identifier
repository identity
database record identity
publisher metadata
cross-registry resolution

但「官方網域」不代表內容必然正確。

它只是 source identity 的一部分。

24. Identity Verification

例如：

CPI

可能有：

seasonally adjusted；
not seasonally adjusted；
headline；
core；
monthly；
annual；
national；
city-specific。

因此：

\text{Label Match} \not\Rightarrow \text{Series Identity Match}

Evidence Runtime 應保存正式 series ID、unit、frequency、adjustment 與 metadata。

25. Anchor Verification

對 text：

\operatorname{AnchorValid}(e) = 1

要求：

locator 可解；
retrieved span 與 hash / selector 一致；
引用 text 存在於指定 version。

對 structured data：

row / field identity 正確；
series / date / unit 對應；
value 與 raw record 一致。

26. Semantic Support Verification

定義：

V_s(e,c) \in \{ \mathsf{SUPPORT}, \mathsf{CONTRADICT}, \mathsf{QUALIFY}, \mathsf{IRRELEVANT}, \mathsf{AMBIGUOUS} \}

這是比 similarity score 更重要的狀態。

一段內容可以：

\operatorname{Similarity}(e,c)\gg0

但：

V_s(e,c)=\mathsf{CONTRADICT}

27. LLM 可以做 Support Judge，但不能成為來源

AI 可以協助判斷：

V_s(e,c)

但 AI judge 的輸出是：

\text{Verification Activity}

而不是 primary evidence。

因此 ledger 應記錄：

judge_model
judge_version
prompt/schema version
input evidence refs
decision
confidence
timestamp

並允許 deterministic / human verifier 覆蓋或複核。

28. Quote Verification 與 Entailment Verification 分離

一個引用可以：

quote 完全存在；
但不支持 claim。

因此：

\operatorname{QuoteVerified}(e)=1

不推出：

\operatorname{Supports}(e,c)=1

兩個欄位必須分開。

這是研究型 RAG 常見錯誤的結構性解法。

29. Transformation Provenance

資料常會經過：

parsing；
cleaning；
unit conversion；
timezone conversion；
aggregation；
normalization；
translation；
summarization；
statistical computation。

因此 final value：

d_n

可能由：

d_0 \xrightarrow{f_1} d_1 \xrightarrow{f_2} \cdots \xrightarrow{f_n} d_n

產生。

每一步應可記錄為 provenance activity。

30. Derived Evidence

Derived Evidence 不應冒充 raw evidence。

例如：

\text{YoY Growth} = \frac{x_t-x_{t-12}}{x_{t-12}}

如果 source API 沒直接提供 YoY growth，則：

raw evidence = x_t, x_t-12
derived evidence = computed YoY

兩者不同。

Ledger 應保存 derivation。

31. Translation Evidence

若原文：

d_{\text{zh}}

被 AI 翻譯：

d_{\text{en}} = f_{\text{translation}}(d_{\text{zh}})

則英文句子不是新的 primary source。

Evidence identity 應保留：

d_{\text{en}} \operatorname{wasDerivedFrom} d_{\text{zh}}

並讓 verification 能回到原文。

32. Source Independence

假設取得：

e_1,e_2,e_3

若三者都源自：

s_0

則不能視為三個 independent confirmations。

定義 provenance ancestry：

\operatorname{Anc}(e_i)

兩個 evidence 的 independence 可以近似：

I(e_i,e_j) = 1- \operatorname{Overlap} ( \operatorname{Anc}(e_i), \operatorname{Anc}(e_j) )

這不是唯一算法，但比單純 domain count 更合理。

33. Independence Group

實作上可以先建立：

independence_group_id
origin_source_id
syndication_chain
citation_chain
shared_dataset_id

如果兩家網站都直接抄同一 press release，則：

\operatorname{independence\_group}(e_1) = \operatorname{independence\_group}(e_2)

34. Corroboration

對 claim $c$ ：

E^+(c) = \{e_i\mid \operatorname{supports}(e_i,c)\}

不能只計算：

|E^+(c)|

更合理是考慮：

\operatorname{Corroboration}(c) = f( \text{independent sources}, \text{directness}, \text{authority}, \text{temporal fit}, \text{method diversity} )

35. Contradiction

定義：

E^-(c) = \{e_i\mid \operatorname{contradicts}(e_i,c)\}

Contradiction 不應被系統靜默平均掉。

應產生：

contradiction_event
claim_id
evidence_a
evidence_b
possible_causes
required_followup

可能原因包括：

不同版本；
不同時間；
定義不同；
unit 不同；
population 不同；
source error；
真正學術爭議。

36. Qualification

很多 evidence 不是支持 / 反駁，而是縮小範圍。

例如：

「此效果只在樣本 A 中成立。」

因此：

\operatorname{Qualifies}(e,c)

是必要 relation。

否則 AI 容易把有限結論擴張成普遍命題。

37. Evidence Quality 不能只有 Confidence

定義 Evidence Quality Vector：

\mathbf{Q}_E(e) = ( q_{\text{identity}}, q_{\text{fixity}}, q_{\text{authority}}, q_{\text{directness}}, q_{\text{temporal}}, q_{\text{independence}}, q_{\text{reproducibility}}, q_{\text{support}} )

其中每一維可以：

numeric；
ordinal；
categorical；
missing。

不要求全部 scalar 化。

38. Authority 與 Directness 不同

官方統計局：

q_{\text{authority}}\gg0

但一篇新聞報導引用統計局：

q_{\text{directness}}<1

如果 primary API 可取得，Planner 應優先 resolve primary evidence。

39. Reproducibility

Evidence 可重現性至少問：

can source be identified?
can version be resolved?
can anchor be re-located?
can transformation be replayed?
are units/schema known?
are dependencies recorded?

因此：

Q_{\text{repro}} = f( \text{identity}, \text{version}, \text{anchor}, \text{provenance}, \text{transformation} )

40. Verification State Machine

本文提出：

DISCOVERED
↓
ACQUIRED
↓
IDENTIFIED
↓
ANCHORED
↓
FIXITY_VERIFIED
↓
CONTENT_VERIFIED
↓
CLAIM_LINKED
↓
CORROBORATED / CONTESTED / QUALIFIED

但這不是單一路徑。

Evidence 也可能進入：

FAILED_IDENTITY
ANCHOR_BROKEN
STALE
SUPERSEDED
RETRACTED
POLICY_RESTRICTED
UNVERIFIABLE

41. Verified Evidence 的定義

本文不把 VERIFIED 定義成：

已證明世界真相。

而定義為：

該 Evidence Object 的來源、身份、版本、內容定位與指定 claim relation 已達到該 task 所要求的 verification profile。

形式上：

\operatorname{Verified}(e,c,T)=1

若：

V_T \subseteq V(e,c)

其中 $V_T$ 是 task-required verification dimensions。

42. Task-Dependent Verification

簡單 navigation task 可能只需要：

source identity
URL resolution

經濟報告可能要求：

official source
series identity
unit
vintage
retrieval timestamp

專利 FTO preliminary research 可能要求：

publication identity
family identity
priority
jurisdiction
legal status snapshot
claim anchor

因此：

\text{Verification} = \text{Task-Relative Contract}

而不是全世界唯一 threshold。

43. Evidence Ledger

本文提出：

Evidence Ledger 是 append-only、versioned、可追溯的 evidence state event store。

它保存：

evidence creation；
verification；
claim linking；
corroboration；
contradiction；
transformation；
supersession；
retraction；
policy changes；
human review。

44. Evidence Ledger 不等同 Blockchain

Ledger 核心需求是：

\text{append-only history} + \text{identity} + \text{lineage} + \text{auditability}

不要求：

distributed consensus；
cryptocurrency；
proof-of-work；
public chain。

可以用：

relational DB + immutable events；
event store；
append-only log；
Merkleized archive；
content-addressed store；

等方式實作。

45. Ledger Event

定義：

\ell_k = ( id, type, subject, actor, activity, time, inputs, outputs, refs )

例如：

EVIDENCE_ACQUIRED
ANCHOR_VERIFIED
SUPPORT_CONFIRMED
CONTRADICTION_FOUND
SOURCE_SUPERSEDED
HUMAN_REVIEWED
POLICY_UPDATED

46. 不覆寫舊證據

若原資料：

d_{v1}

被新版本：

d_{v2}

取代，不應：

UPDATE evidence SET value = v2

而應：

v1 remains recorded
v2 added
supersedes(v2, v1)

因為過去報告可能真的使用過 $v1$ 。

47. Evidence Validity Interval

Evidence 可以有：

[t_{\text{valid-from}},t_{\text{valid-to}})

例如：

某政策；
某 legal status；
某經濟 vintage；
某 API documentation。

這使系統能回答：

2026-02-01 當時我們根據的是哪個狀態？

48. Retraction / Correction

若 paper 被 retracted：

\operatorname{Retracted}(e)=1

不代表刪掉 evidence。

而是：

original evidence remains
retraction event appended
current usability changed
dependent claims re-evaluated

同理 correction / erratum。

49. Claim Dependency Propagation

若 claim $c_2$ 是：

c_2 = f(c_1,e_3)

而支持 $c_1$ 的 evidence 被撤回，Ledger 應能找到：

\operatorname{Descendants}(c_1)

並觸發 re-verification。

這使 evidence update 可以向下游傳播。

50. Claim–Evidence Graph 與 Provenance Graph 不同

Provenance Graph 回答：

這東西怎麼來的？

Claim–Evidence Graph 回答：

這個東西與哪個命題有什麼 epistemic relation？

因此：

G_{\text{PROV}} \neq G_{CE}

但兩者可以互相引用。

51. Evidence Ledger 與 Search Receipt 不同

Search Receipt：

AI 搜了什麼、怎麼搜、為什麼停止。

Evidence Ledger：

哪些 evidence 被保留、驗證、變更並支持哪些 claims。

因此：

\mathcal{R}_{\text{search}} \neq L_E

但每個 Evidence Object 應能追溯到 originating Search Receipt event。

52. Evidence 與 Usage Envelope 必須一起保存

Paper 04 已建立：

U_E(d)

Evidence Object 因此應保存：

(e,U_E)

而不是：

e

單獨存在。

因為某 evidence 可以：

合法內部驗證；
但不能 raw redistribution。

這不影響它的 epistemic value，但影響輸出形式。

53. Evidence Export

最終報告引用 Evidence Object 時，輸出層必須同時檢查：

epistemic verification；
rights / policy envelope。

因此：

\operatorname{Publishable}(e) = \operatorname{Verified}(e) \land \operatorname{ExportAllowed}(e)

即使 evidence 正確，也可能只能輸出摘要、統計或 citation，而不能複製大量原文。

54. 數據與文字應共用 Evidence Contract

Evidence 不應只支援文章句子。

可以統一處理：

text span
table row
API JSON field
time-series observation
image region
audio segment
code line
patent claim
graph edge
computed statistic

共同欄位是：

identity；
version；
anchor；
provenance；
verification；
relation。

55. Structured Data Anchor

對 time series：

A_e = ( dataset, series, timestamp, field, unit, vintage )

比：

page 4

更合理。

56. Patent Evidence Anchor

例如：

A_{\text{patent}} = ( \text{publication-number}, \text{version}, \text{claim-number}, \text{paragraph/figure}, \text{jurisdiction} )

若做 claim chart，必須知道是哪一個 claim 的哪一段 element 對應 prior-art evidence。

57. Weather Observation Anchor

A_{\text{weather}} = ( station, dataset, variable, observation-time, quality-flag, unit, revision )

這使 station metadata 與 observation 本身可以分開驗證。

58. Academic Evidence Anchor

可以是：

DOI
version
page
section
paragraph
figure/table
quote/span hash

並保存：

preprint / published / corrected

避免 AI 把不同版本內容混在一起。

59. Economic Revision Example

假設 2025 Q4 GDP：

v_1=2.1

後來：

v_2=1.8

兩者不一定 contradiction。

可能：

\operatorname{Supersedes}(v_2,v_1)

Evidence Ledger 應保存兩個 observation 與 revision relation。

60. Patent Family Example

同一 invention 可能有：

p_1,p_2,\ldots,p_n

分布在多司法管轄。

Evidence Runtime 應分離：

family identity
publication identity
grant identity
legal-status identity
claim version

否則「找到同一專利十次」會被錯誤視為十個獨立 prior arts。

61. Citation Chain Example

若 paper B 引 paper A，而文章 C 引 B 對 A 的說法：

A\rightarrow B\rightarrow C

C 的 evidence directness 低於直接讀 A。

因此:

q_{\text{directness}}(C,A) < q_{\text{directness}}(A,A)

Search Planner 可觸發：

M_{\text{primary-source-resolve}}

回到 A。

62. Source Laundering

Source laundering 是：

多個表面來源掩蓋共同 origin。

例如：

s_0 \rightarrow s_1,s_2,s_3

若只看 domains：

3\text{ sources}

若看 provenance：

1\text{ origin}

Evidence Independence Graph 專門防止這個問題。

63. AI Recall 必須是不同 Evidence Type

LLM parameter memory 可以提供：

hypothesis
search seed
candidate entity
query term

但不應標記：

verified_external_evidence

因此：

E_{\text{LLM-recall}} \cap E_{\text{external-verified}} = \varnothing

在 type system 上直接分開。

64. Search Snippet 也不是原文 Evidence

Search Engine snippet 可能：

截斷；
拼接；
過期；
自動生成；
不存在於目前頁面。

因此 snippet 最多先進入：

E_c

不能直接變：

E_v

若重要，應 fetch source 並 anchor。

65. Evidence Deduplication

Dedup 不應只按 URL。

可用：

\operatorname{DedupKey} = ( work\_id, version, content\_hash, origin )

不同 manifestation 可以折疊。

但若版本不同，不應錯誤合併。

66. Evidence Identity Fold

這與 Paper 02 的 identity search 可相接。

多個表示：

x_1,x_2,\ldots,x_n

若屬於同一 underlying evidence object：

\operatorname{Fold} ( x_1,\ldots,x_n ) \rightarrow I_e

但保留 manifestation lineage。

67. Evidence Quality 與 Search Ranking 分離

搜尋 ranking：

Score_{\text{retrieval}}

回答：

哪些結果可能相關？

Evidence ranking：

Score_{\text{evidence}}

回答：

哪些證據對目前 claim 最有價值？

二者不應共用同一 score。

68. Verification Cost

高品質 evidence verification 有成本：

C_V = C_{\text{resolve}} + C_{\text{fetch}} + C_{\text{anchor}} + C_{\text{judge}} + C_{\text{cross-check}}

因此 Planner 不需要驗證所有 results。

應先 selection：

R \rightarrow E_c^{\text{high-value}} \rightarrow V

69. Evidence Budget

Task 可以設定：

primary source required
min independent corroborations
max unresolved contradictions
version check mandatory
human review required

形成：

B_E(T)

Evidence budget 不是只表示數量，而是 verification requirement。

70. Evidence Acceptance Criteria

例如：

A_E(c) = \begin{cases} 1, & \text{primary source verified}\\ & \land \text{no unresolved version conflict}\\ & \land \text{required corroboration met}\\ 0, & \text{otherwise} \end{cases}

對低風險 task 可簡化。

71. Evidence Gap

定義：

G_E(c) = A_E(c)-\operatorname{Current}_E(c)

概念上表示 claim 距離 acceptance 還缺什麼。

例如：

missing primary source
missing independent corroboration
missing current version
contradiction unresolved
anchor broken
policy review pending

Paper 06 將直接用這個 gap 產生下一輪 search。

72. Verification Result 需要 Reason Code

不要只有：

verified = false

應包含：

SOURCE_UNRESOLVED
VERSION_MISMATCH
ANCHOR_NOT_FOUND
CONTENT_CHANGED
SEMANTIC_IRRELEVANT
SEMANTIC_CONTRADICTION
INDEPENDENCE_NOT_ESTABLISHED
STALE
SUPERSEDED
RETRACTED
POLICY_RESTRICTED

這些 reason 才能驅動 replanning。

73. Human Review

Evidence Runtime 不應假設 AI verification 永遠足夠。

Human review event：

\ell_{\text{human-review}}

應保存：

reviewer role；
reviewed objects；
decision；
timestamp；
notes / structured reason；
overridden machine decision。

這同樣不要求暴露私人 deliberation。

74. Multi-Verifier Agreement

可以同時有：

deterministic validator；
model A；
model B；
human reviewer。

定義：

V(e,c) = \{v_1,\ldots,v_n\}

最終 policy 可以：

majority；
authority precedence；
human override；
required deterministic check。

不同 domain 可配置。

75. Model Drift

如果同一 evidence：

e

在 model version $m_1$ 與 $m_2$ ：

V_{m_1}(e,c) \neq V_{m_2}(e,c)

Ledger 應保存兩次 verification events。

不能直接覆蓋。

這對長期 AI research system 很重要。

76. Evidence Schema Versioning

EvidenceObject v0.1 也會演化。

因此：

schema_version
migration_history
original_record
normalized_record

都應保留。

避免新版 schema 改寫歷史 evidence meaning。

77. Provenance of Provenance

W3C PROV 支援 bundles 等 provenance-of-provenance 思想。

AUSI 同樣需要：

「這個 provenance metadata 是誰抽出的？」

例如：

source document
↓
metadata extractor v3
↓
normalized evidence record

這些 extraction activities 本身要可追溯。

78. Evidence Ledger Query

Runtime 至少應支援：

evidence_for_claim(claim_id)
claims_supported_by(evidence_id)
contradictions_for_claim(claim_id)
source_ancestry(evidence_id)
current_versions(work_id)
superseded_evidence()
evidence_missing_anchor()
evidence_requiring_review()
independent_support_count(claim_id)
policy_restricted_evidence()

這使 Planner 可以直接讀 evidence state。

79. Evidence Ledger 與 Graph DB

Graph DB 很適合：

G_{CE} + G_{\text{PROV}} + G_{\text{independence}}

但 append-only ledger 也適合 event store。

因此推薦：

event store = canonical history
graph/materialized views = query acceleration

避免把 graph projection 當唯一 canonical history。

80. Evidence Cache

Verified evidence 可 cache。

但是：

\text{verified at }t_1

不一定代表：

\text{valid at }t_2

因此 cache key 應包含：

source version；
policy version；
verification profile；
model / verifier version；
task scope。

81. Reverification Trigger

可以由：

source hash changed
new version found
retraction found
policy changed
new contradiction
claim scope changed
verifier upgraded
anchor failed

觸發：

M_{\text{reverify}}

82. Evidence Compression

AI 可以摘要 evidence，但：

\operatorname{Compress}(e)

不能切斷：

\operatorname{Provenance}(e)

摘要應保留：

derived_from
anchor refs
transform activity
source refs

這延續既有 ai-web-research 中「AI 可以壓縮，但不能切斷來源」的設計方向。

83. Evidence Synthesis

多個 Evidence Objects 可以形成：

S_c = \operatorname{Synthesize} ( E^+(c), E^-(c), E^q(c) )

其中：

$E^+$ ：支持；
$E^-$ ：反證；
$E^q$ ：qualification。

Synthesis 是 derived knowledge object，不是 raw evidence。

84. Research Conclusion 也要有 Provenance

最終 conclusion：

k = g(C,G_{CE})

應保存：

input claims
input evidence
synthesis method
model/version
timestamp
uncertainty
unresolved contradictions

因此知識輸出也可被 re-evaluate。

85. Evidence State 與 Planner 的閉環

Paper 03：

S_t \rightarrow a_t

Paper 05 後：

S_t = ( \cdots, E_t, G_{CE,t}, G_{gap,t} )

因此：

\pi(S_t)

可以知道：

不是「再搜更多」，而是「目前 claim $c_7$ 缺 primary source」。

這是 autonomous research 能力的重要轉折。

86. Domain Pack：Economics

Economic Evidence Profile 可以要求：

series_id
provider
original_source
unit
frequency
seasonal_adjustment
observation_date
vintage
revision_date
retrieval_time

Derived indicator 另外保存 formula。

87. Domain Pack：Meteorology

Weather Evidence Profile：

station_id
variable
unit
observation_time
quality_flag
dataset_version
station_metadata
retrieval_time

若 station relocation / instrument change，應視為 provenance event。

88. Domain Pack：Patent Intelligence

Patent Evidence Profile：

family_id
publication_number
jurisdiction
publication_date
priority_date
legal_status_snapshot
claim_number
claim_text_version
paragraph/figure anchor
citation relation

這可直接支援 claim chart。

89. Domain Pack：Academic Research

Academic Evidence Profile：

DOI / persistent id
work version
retraction/correction state
page/span
quote hash
study type
primary/secondary role
citation ancestry

近期 paper 可加 preprint / peer-reviewed distinction。

90. Domain Pack：Web Evidence

Web Evidence Profile：

canonical_url
retrieval_time
content_hash
publisher
page title
published/modified time
archive ref
span selector
origin ancestry

若內容容易變動，必要時保存 authorized snapshot。

91. Benchmark

可建立 Evidence Lifecycle Benchmark。

任務包含：

citation exists but does not support claim；
search snippet differs from page；
same article syndicated across 10 sites；
dataset value revised；
DOI has preprint and final version；
patent family duplicates；
correct source but wrong series/unit；
primary and secondary sources disagree；
quote exists but is taken out of scope；
source retracted after initial report。

92. Baselines

B0 — Retrieval Only

搜尋結果直接進答案。

B1 — URL Citation

保存 URL，但無 anchor/version。

B2 — Quote Check

只檢查文字是否存在。

B3 — Citation Entailment

判斷 support，但無 provenance / independence。

Proposed — AEL + Ledger

包含：

identity；
version；
anchor；
provenance；
semantic relation；
independence；
contradiction；
ledger；
usage envelope。

93. Metrics

\text{Anchor Validity Rate}

\text{Citation Support Precision}

\text{Citation Support Recall}

\text{Source Independence Accuracy}

\text{Version Resolution Accuracy}

\text{Contradiction Detection Rate}

\text{Provenance Completeness}

\text{Reverification Success}

\text{Unsupported Claim Rate}

\text{Stale Evidence Rate}

\text{Cost per Verified Claim}

94. 初步研究命題

P5.1 — Result–Evidence Separation Hypothesis

顯式區分 Search Result 與 Verified Evidence，應降低 retrieval relevance 被錯誤當成 factual support 的比例。

P5.2 — Granular Anchoring Hypothesis

加入 versioned granular anchor 應提高 citation reproducibility 與後續 re-verification 成功率。

P5.3 — Independence Graph Hypothesis

利用 provenance ancestry 推估 source independence，應比 domain-counting 更能辨識 source laundering。

P5.4 — Multi-Dimensional Verification Hypothesis

將 verification 拆為 identity、fixity、anchor、temporal、semantic 與 independence 等維度，應比單一 confidence score 更能定位 evidence failure。

P5.5 — Append-Only Ledger Hypothesis

append-only evidence events 應提高對 revision、retraction 與 model-drift 的 auditability。

P5.6 — Claim-Level Mapping Hypothesis

atomic claim–evidence mapping 應降低一句話多 claim、單 citation 所造成的 partial-support error。

P5.7 — Evidence-Gap Planning Hypothesis

讓 Search Planner 直接讀取 evidence gap，應比 generic query expansion 更有效率地提升 verified claim coverage。

95. 工程落地

對 ai-web-research，可以新增：

evidence/
    models.py
    identity.py
    anchors.py
    temporal.py
    provenance.py
    transforms.py
    verifier.py
    independence.py
    claim_graph.py
    quality.py
    ledger.py
    events.py
    reverify.py

storage/
    content_store.py
    evidence_store.py

planning/
    evidence_gap.py

96. 第一版 Evidence States

MVP 可先支援：

DISCOVERED
ACQUIRED
IDENTIFIED
ANCHORED
VERIFIED
CONTRADICTED
QUALIFIED
SUPERSEDED
UNVERIFIABLE

不要一開始就做所有 domain-specific state。

97. 第一版 Verifiers

source_identity_verifier
hash_verifier
anchor_verifier
temporal_verifier
semantic_support_verifier
independence_verifier

每個 verifier 回傳 typed result。

98. 第一版 Ledger

可以先用：

SQLite / PostgreSQL
append-only event table
content-addressed evidence blobs
materialized current_state view

不必先做 blockchain。

99. Canonical Evidence Workflow

Search Result
↓
Candidate Selection
↓
Authorized Acquisition
↓
Source / Work Identity Resolution
↓
Version Resolution
↓
Anchor Creation
↓
Fixity Check
↓
Semantic Relation Check
↓
Independence / Cross-Source Check
↓
Evidence Ledger Commit
↓
Claim–Evidence Graph Update
↓
Evidence Gap Update
↓
Planner Replan or Stop

100. 核心不變量

本文提出十四個 invariants。

I1 — Retrieved ≠ Verified

R\neq E_v

I2 — Citation ≠ Support

\operatorname{Cites} \neq \operatorname{Supports}

I3 — Quote Match ≠ Entailment

\operatorname{QuoteVerified} \neq \operatorname{ClaimSupported}

I4 — URL ≠ Source Identity

URL\neq I_s

I5 — Work ≠ Manifestation

I_{\text{work}} \neq I_{\text{manifestation}}

I6 — Same URL ≠ Same Content

URL_{t_1}=URL_{t_2} \not\Rightarrow Content_{t_1}=Content_{t_2}

I7 — Hash Fixity ≠ Truth

\operatorname{Fixity} \neq \operatorname{Truth}

I8 — Corroboration Requires Independence Awareness

\#Evidence \neq \#IndependentOrigins

I9 — Revision ≠ Contradiction

\operatorname{Supersedes} \neq \operatorname{Contradicts}

I10 — Derived Evidence ≠ Raw Evidence

E_{\text{derived}} \neq E_{\text{raw}}

I11 — Provenance Must Survive Compression

\operatorname{Compress}(e) \not\Rightarrow \operatorname{DropProvenance}(e)

I12 — Evidence History Is Append-Only

新的狀態不能抹除舊 evidence event。

I13 — Verification Is Task-Relative

V=V(T)

I14 — Evidence Rights Travel with Evidence

e \Rightarrow (e,U_E)

101. 限制

第一，Evidence Runtime 不能成為 truth oracle。Verified Evidence 只表示指定 verification contract 已滿足，不代表 claim 在所有可能世界與解釋下為真。

第二，source independence 很難完全自動判斷。共同資料源、未公開 syndication 與間接 citation chain 可能無法觀察。

第三，semantic support verification 仍可能受 LLM judge error、ambiguity 與 domain expertise 限制。

第四，dynamic Web content 的 granular anchoring 並不總是穩定，尤其是 client-side rendering、personalization 與 continuously updated pages。

第五，content hashes 能驗證 fixity，但不能驗證原資料是否真實、完整或無偏誤。

第六，evidence quality 不應被誤解為跨 domain 唯一可比較的 scalar。

第七，大規模 ledger 會帶來 storage、deduplication、indexing 與 re-verification cost。

第八，保存 authorized snapshots 仍必須遵守 Paper 04 的 Usage Envelope 與 retention rules。

第九，本文沒有完整處理 statistical evidence strength、causal inference quality 或 domain-specific study-design appraisal；這些應由 Domain Pack 擴充。

102. 結論

AI 原生搜尋不能停在：

\text{Search} \rightarrow \text{Results}

研究型系統需要：

\boxed{ \text{Search} \rightarrow \text{Candidate Evidence} \rightarrow \text{Anchoring} \rightarrow \text{Verification} \rightarrow \text{Claim Linking} \rightarrow \text{Ledger} }

本文最核心的區分是：

\boxed{ \text{Retrieved} \not\Rightarrow \text{Verified} }

以及：

\boxed{ \text{Citation Exists} \not\Rightarrow \text{Citation Supports Claim} }

AUSI 因此不把 provenance、data citation 或 nanopublication 當作新發明，而是把這些成熟思想帶入 AI Search Runtime：

\text{W3C PROV} + \text{Data Citation} + \text{Fixity} + \text{Claim Mapping} + \text{AI Verification} + \text{Search Receipt}

形成可供 Planner 使用的 Evidence State。

最終，一個 Evidence Object 不只是：

content + URL

而是：

identity
+ version
+ anchor
+ fixity
+ provenance
+ time
+ transformation
+ rights envelope
+ verification state
+ claim relation
+ independence
+ ledger history

Paper 01 定義 AI-Native Search。

Paper 02 建立 Search Method Space。

Paper 03 建立 Search Planner。

Paper 04 建立 Authorized Acquisition boundary。

Paper 05 則讓「取得到的資料」第一次真正成為可驗證、可追溯、可修訂的研究證據。

這也建立下一篇所需要的核心狀態：

G_E(c) = \text{Evidence Gap of Claim }c

因此下一步將進入：

Paper 06 — 反證優先與缺口驅動搜尋：Counter-Evidence、Coverage Gap、Uncertainty-Directed Search 與自主研究閉環

AI 的下一個 query 不再只來自原始問題，而可以來自：

「我的證據結構目前還缺什麼？」

References

[1] Moreau, L., Missier, P., et al. (2013). PROV-DM: The PROV Data Model. W3C Recommendation, 30 April 2013.

[2] Lebo, T., Sahoo, S., McGuinness, D., et al. (2013). PROV-O: The PROV Ontology. W3C Recommendation, 30 April 2013.

[3] Data Citation Synthesis Group. (2014). Joint Declaration of Data Citation Principles. FORCE11. DOI: 10.25490/a97f-egyk.

[4] Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J., et al. (2016). The FAIR Guiding Principles for Scientific Data Management and Stewardship. Scientific Data, 3, 160018. DOI: 10.1038/sdata.2016.18.

[5] Groth, P., Gibson, A., & Velterop, J. (2010). The Anatomy of a Nanopublication. Information Services & Use, 30(1–2), 51–56. DOI: 10.3233/ISU-2010-0613.

[6] Kuhn, T., Barbano, P. E., Nagy, M. L., & Krauthammer, M. (2013). Broadening the Scope of Nanopublications. Extended Semantic Web Conference, 487–501.

[7] Kuhn, T., & Dumontier, M. (2014). Trusty URIs: Verifiable, Immutable, and Permanent Digital Artifacts for Linked Data. ESWC 2014, 395–410. DOI: 10.1007/978-3-319-07443-6_25.

[8] Starr, J., Castro, E., Crosas, M., et al. (2015). Achieving Human and Machine Accessibility of Cited Data in Scholarly Publications. PeerJ Computer Science, 1:e1. DOI: 10.7717/peerj-cs.1.

[9] Min, S., Krishna, K., Lyu, X., Lewis, M., Yih, W.-T., Koh, P. W., Iyyer, M., Zettlemoyer, L., & Hajishirzi, H. (2023). FActScore: Fine-grained Atomic Evaluation of Factual Precision in Long Form Text Generation. Proceedings of EMNLP 2023, 12076–12100.

[10] Es, S., James, J., Espinosa-Anke, L., & Schockaert, S. (2024). RAGAS: Automated Evaluation of Retrieval Augmented Generation. Proceedings of EACL 2024 System Demonstrations.

[11] Lewis, P., Perez, E., Piktus, A., et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems 33.

[12] Buneman, P., Khanna, S., & Tan, W.-C. (2001). Why and Where: A Characterization of Data Provenance. ICDT 2001, 316–330.

[13] Cheney, J., Chiticariu, L., & Tan, W.-C. (2009). Provenance in Databases: Why, How, and Where. Foundations and Trends in Databases, 1(4), 379–474.

[14] Miles, S., Groth, P., Munroe, S., & Moreau, L. (2011). PrIMe: A Methodology for Developing Provenance-Aware Applications. ACM Transactions on Software Engineering and Methodology, 20(3).

[15] World Wide Web Consortium. PROV Model Primer. W3C Working Group Note, 30 April 2013.

[16] Nanopublication Community. Nanopublication Guidelines. Accessed 2026-08-31.

[17] FORCE11. Joint Declaration of Data Citation Principles — Specificity and Verifiability. Accessed 2026-08-31.

Series Continuation

Paper 06 — 反證優先與缺口驅動搜尋：Counter-Evidence、Coverage Gap、Uncertainty-Directed Search 與自主研究閉環

下一篇將以本文建立的：

G_E(c)

以及：

G_{CE}

作為 Planner 的直接輸入，研究 AI 如何從：

missing primary source；
insufficient independent corroboration；
unresolved contradiction；
uncovered terminology；
uncovered jurisdiction；
missing version；
asymmetric evidence；
low-confidence relation；

自動產生下一輪 Search Plan。

也就是把：

Q_{t+1} = f(Q_t)

進一步改寫成：

\boxed{ \Pi_{t+1} = f( G_E, G_{CE}, \Omega_{\text{coverage}}, U_t ) }

讓搜尋真正由「證據缺口」而不是單純由上一個 query 驅動。

AUSI-05｜從搜尋結果到證據：Provenance、Verification、Evidence Ledger 與可驗證研究資料生命週期

AI-Native Unified Search Intelligence (AUSI) Series — Paper 05

從搜尋結果到證據：Provenance、Verification、Evidence Ledger 與可驗證研究資料生命週期

摘要

1. 問題：搜尋結果不是證據

2. 「被引用」也不等於「支持」

3. 既有 provenance 研究已提供成熟地基

4. Data Citation 已經要求 Specificity 與 Verifiability

5. FAIR 不只要求 Findable

6. Nanopublication 提供 claim-level 結構參照

7. Evidence Lifecycle

8. Candidate Evidence

9. Anchored Evidence

10. Evidence Anchor 不能只有 URL

11. Source Identity

12. Document Identity

13. Content Identity 與 Fixity

14. Version Identity

15. 四種時間不能混為一談

16. Evidence Object

17. Evidence Role

18. Claim Atomization

19. Claim Object

20. Claim–Evidence Graph

21. Support 不是 Boolean 真理證明

22. Verification Pipeline

V1 — Source Verification

V2 — Identity Verification

V3 — Fixity Verification

V4 — Anchor Verification

V5 — Temporal Verification

V6 — Semantic Support Verification

V7 — Independence Verification

V8 — Cross-Evidence Verification

23. Source Verification

24. Identity Verification

25. Anchor Verification

26. Semantic Support Verification

27. LLM 可以做 Support Judge，但不能成為來源

28. Quote Verification 與 Entailment Verification 分離

29. Transformation Provenance

30. Derived Evidence

31. Translation Evidence

32. Source Independence

33. Independence Group

34. Corroboration

35. Contradiction

36. Qualification

37. Evidence Quality 不能只有 Confidence

38. Authority 與 Directness 不同

39. Reproducibility

40. Verification State Machine

41. Verified Evidence 的定義

42. Task-Dependent Verification

43. Evidence Ledger

44. Evidence Ledger 不等同 Blockchain

45. Ledger Event

46. 不覆寫舊證據

47. Evidence Validity Interval

48. Retraction / Correction

49. Claim Dependency Propagation

50. Claim–Evidence Graph 與 Provenance Graph 不同

51. Evidence Ledger 與 Search Receipt 不同

52. Evidence 與 Usage Envelope 必須一起保存

53. Evidence Export

54. 數據與文字應共用 Evidence Contract

55. Structured Data Anchor

56. Patent Evidence Anchor

57. Weather Observation Anchor

58. Academic Evidence Anchor

59. Economic Revision Example

60. Patent Family Example

61. Citation Chain Example

62. Source Laundering

63. AI Recall 必須是不同 Evidence Type

64. Search Snippet 也不是原文 Evidence

65. Evidence Deduplication

66. Evidence Identity Fold

67. Evidence Quality 與 Search Ranking 分離

68. Verification Cost