不要叫人類替自己的感覺打分數：IBQF 二元測量與低負擔品質評估

Do Not Ask Humans to Numerically Score Their Own Feelings: IBQF Binary Measurement and Low-Burden Quality Evaluation

系列：《智能的物理計量：從最小語意執行到成果品質與計算時空》
英文系列： Physical Metrology of Intelligence: From Minimal Semantic Execution to Quality and Computational Spacetime
系列編號： EML-IPM
篇次： Paper 07 / 10
文件編號： EML-IPM-07
作者： Neo.K with Aletheia（GPT-5.6 Sol）
機構： EveMissLab／一言諾科技有限公司
版本： v0.1
日期： 2026-09-02
文件性質： 公開純理論論文／測量方法論
工程狀態： 無 MVP；本文將 FDCS／IBQF 的微觀二元—宏觀湧現思想接入 IPM 品質計量，不宣稱取代任何已驗證臨床量表

摘要

IPM Paper 06 提出：

\boxed{ \text{Objectifiable First,\ Human Residual Last}. }

亦即，能由形式系統驗證的品質先形式驗證，能拆成結構化條件的品質先結構化，最後才把真正無法被可靠客觀化的部分交給人類。

問題在於：當人類真的必須介入時，我們應該問什麼？

傳統方法經常要求受測者或評審直接把複雜主觀狀態映射到數字：

0\sim10,

1\sim5,

或：

1\sim7.

這類量表具有實務價值，但它們也把大量測量工作推回回答者本身。回答者不只需要「感受／判斷」，還必須完成：

\boxed{ \text{Perception} + \text{Reference Construction} + \text{Scale Calibration} + \text{Multidimensional Integration} + \text{Numeric Mapping}. }

因此一個看似簡單的問題：

你現在有多痛？0 到 10 分。

實際要求回答者自行建立：

0 與 10 的內部參照；
1 與 2、6 與 7 的心理距離；
當前感受在整體尺度中的位置；
多種疼痛／功能干擾的整體整合。

當被測狀態本身已經占用大量注意力、工作記憶或執行功能時，這個要求甚至可能形成：

\boxed{ \text{State Severity}\uparrow \Rightarrow \text{Self-Quantification Capacity}\downarrow. }

本文不主張因此廢除所有 numeric rating scale；它們在許多已驗證場景中仍有價值。本文要指出的是一個更一般的測量原則：

\boxed{ \textbf{ 不要讓回答者同時負責「觀察」與「建立測量尺度」。 } }

EveMissLab 先前在 IBQF（Infinite Binary-Quantified Field）與 FDCS 相關工作中提出另一條路：複雜連續狀態可以先被拆成大量局部、具體、低負擔的二元事件：

\boxed{ b_i\in\{0,1\}, }

再由系統從大量微觀二元反應中重建宏觀連續／多維狀態。

因此：

\boxed{ \text{Binary Observation} \neq \text{Binary Phenomenon}. }

底層回答可以是「是／否」「A／B」「成立／不成立」，而被測的潛在品質仍然可以是：

\boxed{ \boldsymbol{\theta} \in \mathbb R^d. }

本文將這套思想正式接入 IPM，定義 Binary Residual Quality Measurement（BRQM）：

\boxed{ \mathcal B_Q: \mathfrak Q_H \rightarrow \{0,1\}^{N} \rightarrow \widehat{\boldsymbol{\theta}}_H. }

其中：

$\mathfrak Q_H$ ：Paper 06 留下的 Human Residual Quality；
$\{0,1\}^{N}$ ：大量人類二元判斷；
$\widehat{\boldsymbol{\theta}}_H$ ：由系統估計出的潛在品質向量。

本文提出兩種基本問法。

第一種為 Local Binary Judgment：

這個解釋是否讓你在第一次閱讀後知道下一步該做什麼？
是／否。

這張圖是否有一個你第一眼就能辨識出的主視覺焦點？
是／否。

第二種為 Pairwise Comparative Judgment：

A 與 B 哪一個更容易理解？

回答：

\boxed{ A/B. }

Pairwise data 可以使用 Thurstone、Bradley–Terry、Thurstonian IRT 等模型反推出 latent ordering，而不要求受試者自行建立全域 0–10 尺度。

例如 Bradley–Terry 型模型：

\boxed{ P(A\succ B) = \frac{ e^{q_A} }{ e^{q_A}+e^{q_B} } = \sigma(q_A-q_B). }

其中 $q_A,q_B$ 是系統事後估計的 latent quality。

對單一輸出的二元項目，可使用 IRT 類形式：

\boxed{ P(b_{rij}=1) = \sigma \left( a_i\theta_j -d_i +\beta_r \right), }

其中：

$\theta_j$ ：輸出 $j$ 的 latent quality；
$a_i$ ：題目辨識力；
$d_i$ ：題目難度／門檻；
$\beta_r$ ：評審 $r$ 的系統性寬鬆／嚴格偏移。

因此：

\boxed{ \text{Human gives local observations;} }

\boxed{ \text{measurement system estimates the scale.} }

本文進一步提出 Evaluator Cognitive Load Separation。

直接數字評分的認知成本可抽象表示為：

\boxed{ C_{\mathrm{rating}} = C_{\mathrm{perceive}} + C_{\mathrm{reference}} + C_{\mathrm{scale}} + C_{\mathrm{integrate}} + C_{\mathrm{map}}. }

局部二元判斷則近似：

\boxed{ C_{\mathrm{binary}} = C_{\mathrm{local\ perceive}} + C_{\mathrm{choose}}. }

Pairwise comparison 也可避免全域 scale calibration：

\boxed{ C_{\mathrm{pair}} = C_{\mathrm{compare}} + C_{\mathrm{choose}}. }

所以在設計良好的情況下：

\boxed{ C_{\mathrm{binary}}, C_{\mathrm{pair}} < C_{\mathrm{direct\ numeric}} }

是一個可檢驗的設計假說，而不是先驗真理。

本文再提出 Adaptive Binary Measurement。不是所有人都需要回答固定 100 題。系統應根據目前 posterior 選擇最有資訊價值、同時負擔最低的下一題：

\boxed{ i^\* = \arg\max_i \frac{ \mathbb E[ IG( \boldsymbol{\theta}; b_i \mid \mathcal H ) ] }{ C_H(i) }. }

其中：

$IG$ ：預期 information gain；
$\mathcal H$ ：既有回答歷史；
$C_H(i)$ ：人類回答該題的估計認知成本。

這將 Paper 03 的 resource-rationality 與 FDCS／IBQF 的低負擔測量直接接在一起：

\boxed{ \text{Maximum Measurement Information} \quad \text{per Human Cognitive Cost}. }

本文也拒絕把所有 disagreement 當成 measurement noise。

若評審對一個創意作品形成穩定的兩群偏好：

P(q\mid r)

呈現多峰，

這可能代表：

不同文化；
不同審美；
不同使用情境；
不同任務目的。

因此：

\boxed{ Disagreement \neq Error. }

有時真正的品質物件應保留：

\boxed{ \widehat{\boldsymbol{\theta}}_H(c,r\text{-group}) }

而不是把所有人平均成一個不存在的「全人類 7.4 分」。

本文最後建立 IPM 人類殘餘品質物件：

\boxed{ \mathfrak Q_H^{IBQF} = ( \widehat{\boldsymbol{\theta}}_H, \Sigma_H, N_{\mathrm{obs}}, \mathcal D_R, B_H, U_H, Grade_H ) }

其中：

$\widehat{\boldsymbol{\theta}}_H$ ：latent residual quality vector；
$\Sigma_H$ ：posterior uncertainty / covariance；
$N_{\mathrm{obs}}$ ：有效二元觀測數；
$\mathcal D_R$ ：rater-disagreement structure；
$B_H$ ：human-evaluation boundary / context；
$U_H$ ：測量不確定性；
$Grade_H$ ：人類測量證據等級。

因此 Paper 06 的：

\mathfrak Q

可擴張為：

\boxed{ \mathfrak Q^{(7)} = ( \mathfrak Q_F, \mathfrak Q_S, \mathfrak Q_H^{IBQF} ). }

本文終端命題為：

\boxed{ \textbf{ 評分者負責做容易、局部、具體的判斷； 測量系統負責做困難、全域、連續的量化。 } }

1. 為什麼 0–10 看起來簡單，實際不簡單

表面上：

請選一個數字。

只有 11 個選項。

但人的內部工作並不是：

Choice\in\{0,\ldots,10\}.

2. 回答者首先要知道自己在測什麼

例如「痛」可能包含：

intensity；
interference；
duration；
location；
unpleasantness；
urgency。

3. 然後要自己整合

\mathbf x = (x_1,\ldots,x_d)

被回答者壓縮成：

s\in\{0,\ldots,10\}.

4. 這其實是一個 projection

\boxed{ \Pi_{\mathrm{human}}: \mathbb R^d \rightarrow \{0,\ldots,10\}. }

5. 問題是 projection rule 沒有被觀察

每個人可能偷偷使用不同：

\Pi_r.

6. 所以同樣的 7

未必代表：

State_A\approx State_B.

7. 同一個人不同時間也可能重新校準

經歷新的極端事件後，

原本的：

10

可能變成：

7.

8. 因此 Numeric Self-Rating 有 Scale Drift

\boxed{ Scale_r(t_1) \neq Scale_r(t_2). }

9. 這不表示 numeric scale 無用

而表示：

\boxed{ ObservedNumber = State + ScaleConstruction + Context. }

10. Measurement Burden Paradox

有些被測狀態本身會消耗：

attention；
working memory；
executive function。

11. 此時：

\boxed{ Severity\uparrow \Rightarrow AvailableCognitiveResource\downarrow }

完全可能成立。

12. 但直接量化又要求

C_{\mathrm{reference}} + C_{\mathrm{scale}} + C_{\mathrm{integration}}

存在。

13. 因此最需要測量的時候

可能最不適合要求複雜 self-quantification。

14. 這是一般測量問題，不只疼痛

也可能出現在：

fatigue；
stress；
cognitive overload；
aesthetic judgment；
complex AI-output evaluation。

15. 本文不是臨床量表提案

疼痛例子只用來展示：

\boxed{ \text{observer burden} }

如何污染 measurement。

任何醫療替代工具都必須另外經過臨床驗證。

16. FDCS／IBQF 的核心轉向

EveMissLab 早期 IBQF 思想把宏觀連續值看成大量微觀二元事件的統計湧現。

基本形式：

\boxed{ b_i\in\{0,1\}. }

17. 宏觀 latent state

則可以是：

\boxed{ \theta = F(b_1,\ldots,b_n). }

18. 二元的是「觀測事件」

不是現象本身。

所以：

\boxed{ BinaryObservation \neq BinaryOntology. }

19. 這一點非常重要

否則會把 IBQF 誤解成：

世界所有事情都只有是或否。

不是。

20. 更準確是

每一次局部回答盡量只要求一個清楚決斷。

而大量局部回答可以重建高維狀態。

21. Micro-Binary / Macro-Continuous

\boxed{ \{0,1\}^{N} \rightarrow \mathbb R^d. }

這是本文的基本測量幾何。

22. Paper 06 留下 Human Residual

Paper 06：

\boxed{ \mathfrak Q = ( Q_F, Q_S, Q_H ). }

23. $Q_F$ 已盡量形式化

例如 proof checker、compiler、schema。

24. $Q_S$ 已盡量結構化

例如 constraint coverage、citation adequacy、consistency。

25. 所以 Paper 07 只處理真正剩下的

\boxed{ Q_H. }

26. Human Residual 例子

clarity；
naturalness；
aesthetic fit；
emotional impact；
perceived coherence；
preference。

27. 第一種問法：Local Binary Judgment

不要問：

清晰度幾分？

28. 改問

你第一次讀完後，是否知道下一步該做什麼？

回答：

Yes/No.

29. 或

你是否需要重讀前一段才能理解這句？

Yes/No.

30. 這些仍不是完全客觀

但它們把評審工作縮小成：

\boxed{ \text{local detection}. }

31. 好問題的條件

本文提出：

\boxed{ \mathcal C_B = ( C_L, C_1, C_C, C_T, C_N ) }

32. $C_L$ — Local

只問局部可判斷事件。

33. $C_1$ — Single Construct

每題盡量只問一件事。

34. $C_C$ — Concrete

避免「整體而言是否很優秀」這種大詞。

35. $C_T$ — Temporally Bounded

若涉及時間，限定近且具體區段。

36. $C_N$ — Non-Numeric for Respondent

回答者不必建立連續尺度。

37. 第二種問法：Pairwise Comparison

給兩個輸出：

A,B.

問：

哪一個更容易理解？

38. 回答

\boxed{ A/B. }

39. 這與 psychophysics / comparative judgment 有長歷史

Thurstone 的 comparative judgment、Bradley–Terry probability model，以及後來的 Thurstonian IRT 都是在利用相對判斷重建 latent ordering。

40. Bradley–Terry 基本形式

\boxed{ P(A\succ B) = \sigma(q_A-q_B). }

41. 人不必知道 $q_A=7.3$

也不必知道 $q_B=6.8$ 。

只要判斷：

A\succ B?

42. Scale 由比較網路湧現

若有很多 pair：

(A,B), (A,C), (B,C), \ldots

系統可以估：

\widehat q_A, \widehat q_B, \widehat q_C.

43. 這就是：

\boxed{ \text{local ordinal judgments} \rightarrow \text{global latent scale}. }

44. Forced-Choice 的優點不是「永遠更好」

而是它可以降低某些：

scale-use bias；
acquiescence；
direct self-presentation bias。

但也會帶來：

item-context effects；
forced discrimination noise。

45. 所以本文不主張所有題目都強迫二選一

若回答者真的無法判斷，

應允許：

\boxed{ Skip / Missing }

作為 measurement metadata。

46. Skip 不是第三個品質值

真正評價變量仍是：

b_i\in\{0,1\}.

47. Missing 只是：

\boxed{ b_i=\varnothing. }

48. 這比逼一個不知道的人亂選更誠實

49. Absolute Binary 與 Pairwise Binary

本文因此有兩種 primitive：

\boxed{ b_i^{abs}\in\{0,1\} }

以及：

\boxed{ b_{AB}^{pair}\in\{A,B\}. }

50. Absolute Binary 適合具體現象

例如：

是否需要重讀？

51. Pairwise 適合難以絕對定標的品質

例如：

哪一個畫面更協調？

52. 兩者可以混合

先用 absolute probes 找明顯問題，

再用 pairwise comparisons 排序剩餘候選。

53. Respondent 不再提供 latent score

這是最核心的角色分工。

\boxed{ Human \rightarrow Observations }

54. Measurement System

\boxed{ Observations \rightarrow LatentInference. }

55. 認知負擔分解

直接數字評分：

\boxed{ C_{\mathrm{rating}} = C_P+C_R+C_S+C_I+C_M. }

56. $C_P$

Perception。

57. $C_R$

Reference construction。

58. $C_S$

Scale calibration。

59. $C_I$

Multidimensional integration。

60. $C_M$

Numeric mapping。

61. Binary

\boxed{ C_{\mathrm{binary}} = C_P^{local} + C_{\mathrm{choice}}. }

62. Pairwise

\boxed{ C_{\mathrm{pair}} = C_{\mathrm{compare}} + C_{\mathrm{choice}}. }

63. 預測

在問題設計良好時：

\boxed{ C_{\mathrm{binary}}, C_{\mathrm{pair}} < C_{\mathrm{rating}}. }

64. 但這是一個 empirical hypothesis

不能因理論漂亮就當成已證明普遍律。

65. 可以怎麼實測負擔？

例如：

response time；
skip rate；
reversal inconsistency；
dropout；
subjective fatigue；
later recall interference。

66. 這些是 Measurement Process Metrics

記為：

\boxed{ \mathbf C_H = ( RT_H, Skip, Inconsistency, Dropout, Fatigue ). }

67. 它們不是品質答案本身

所以：

\boxed{ MeasurementBurden \neq MeasuredQuality. }

68. Latent Aggregation 的最簡單版本

若所有 binary items 同質：

\boxed{ \widehat q = \frac{1}{N} \sum_i b_i. }

69. 但實際通常不夠

因為題目：

難度不同；
辨識力不同；
維度不同。

70. IRT-like Binary Model

可以寫：

\boxed{ P(b_{rij}=1) = \sigma( a_i\theta_j-d_i+\beta_r ). }

71. $\theta_j$

輸出 $j$ 的 latent quality。

72. $a_i$

題目對該品質的 discrimination。

73. $d_i$

題目 threshold / difficulty。

74. $\beta_r$

rater severity / leniency。

75. 這比把所有人的 Yes 直接平均更有表達力

76. Multidimensional Latent Quality

Human residual 通常不是一維。

令：

\boxed{ \boldsymbol{\theta}_j = ( \theta_{\mathrm{clarity}}, \theta_{\mathrm{naturalness}}, \theta_{\mathrm{aesthetic}}, \theta_{\mathrm{impact}}, \ldots ). }

77. 每題 loading

\boldsymbol{\lambda}_i.

78. 則：

\boxed{ P(b_{rij}=1) = \sigma( \boldsymbol{\lambda}_i^\top \boldsymbol{\theta}_j -d_i+\beta_r ). }

79. 這就是從二元觀測回到多維品質空間

80. Context 也應進模型

同一作品在：

手機；
大螢幕；
專業使用；
娛樂使用；

可能品質不同。

81. 所以：

\boxed{ \boldsymbol{\theta}_j = \boldsymbol{\theta}_j(c). }

82. 這直接延續 IBQF 的 context-conditioned field

83. Rater 也不是純噪音

不同人可能真的有：

\boxed{ \text{different utility functions}. }

84. 所以：

\beta_r

只能表示某些系統性偏移，

不能把所有人差異都叫 bias。

85. Disagreement 結構

定義：

\boxed{ \mathcal D_R = P( Response \mid RaterGroup, Context ). }

86. 若 disagreement 隨機

可能是 noise。

87. 若形成穩定群集

可能是：

culture；
expertise；
usage goal；
aesthetic school。

88. 所以：

\boxed{ Disagreement \neq Error. }

89. 不要平均掉真正的多峰結構

假設：

Group A：

P(A\succ B)=0.9.

Group B：

P(A\succ B)=0.1.

90. 全部平均

P(A\succ B)=0.5.

會得到：

大家無所謂。

91. 但真相可能是

兩群人非常有意見，而且完全相反。

92. 所以：

\boxed{ MeanPreference \neq PreferenceStructure. }

93. Blind Evaluation

若評審知道：

這是模型 X。

可能引入 brand / reputation effects。

94. 所以 human residual benchmark 應優先：

\boxed{ BlindIdentity=1. }

在可行情況下。

95. Order Randomization

Pairwise A/B 左右位置要平衡。

96. Counterbalancing

同一 pair 可用：

(A,B)

和：

(B,A)

檢查 position bias。

97. Reversal Consistency

若：

A\succ B

但反轉位置後：

B\succ A,

可能存在：

position bias；
instability；
low discrimination。

98. 可定義

\boxed{ C_{\mathrm{rev}} = P( \text{same preference} \mid \text{position reversed} ). }

99. 但重複太多也會造成記憶與疲勞

所以需要 adaptive design。

100. Adaptive Binary Measurement

不是固定問所有題。

101. 系統維持 posterior

P( \boldsymbol{\theta} \mid \mathcal H ).

102. 對候選題 $i$

估計 expected information gain：

\mathbb E[ IG_i ].

103. 同時計入 human cost：

C_H(i).

104. 選：

\boxed{ i^\* = \arg\max_i \frac{ \mathbb E[IG_i] }{ C_H(i) }. }

105. 這是一種 Measurement Resource Rationality

\boxed{ \text{information gained} / \text{human cognitive cost}. }

106. 這也符合 FDCS 的有效維度子空間思想

理論上可以問無限多題。

實務上只需問：

\boxed{ D_{\mathrm{eff}} }

中最有辨識力的部分。

107. Stopping Rule

當 posterior uncertainty：

U_H

低於 threshold：

\epsilon,

即可停止。

108. 所以：

\boxed{ N_{\mathrm{questions}} }

不是固定常數。

109. 難分的案例多問

容易分的案例少問。

110. 這比所有作品都叫 100 個人填 50 題更有效率

111. Pairwise Graph

把作品視為 nodes：

V_Q.

比較視為 edges：

E_Q.

112. 得到：

\boxed{ G_Q=(V_Q,E_Q). }

113. 不必比較所有：

O(n^2)

pairs。

114. Adaptive pairing 可以優先比較：

posterior 接近者；
graph uncertainty 高者；
ranking boundary 附近者。

115. 這可以大幅降低人類成本

116. 問題本身也需要校準

壞問題會產生壞測量。

117. Item Quality

可以建立：

\boxed{ \mathfrak I_B = ( Discrimination, Stability, ContextSensitivity, Burden, BiasRisk ). }

118. 高 discrimination

能區分不同品質。

119. 高 stability

同一狀態下重測較一致。

120. 過度 context sensitivity

可能表示題目不是測我們想要的構念。

121. 高 burden

即使資訊量高，也未必划算。

122. 問題生成不是隨便問

Paper 08 會處理：

自然語言、圖像、創意到底該拆哪些 quality dimensions？

Paper 07 只固定 measurement protocol。

123. Observer Calibration Without Numbers

即使不要求 rater 打數字，

仍可估 rater reliability。

124. 方法包括

repeated items；
reversed pairs；
known-dominance sentinel；
cross-rater overlap。

125. 估：

\boxed{ Rel_r. }

126. 但 reliability 也不能當 truthfulness

一個人可以非常一致地偏好某風格。

127. 所以：

\boxed{ Reliability \neq Objectivity. }

128. Human Residual Quality 不是「人類說了算」

它是：

\boxed{ \text{human perception evidence}. }

129. 如果任務是使用者體驗

那人類感知本身就是 outcome 的一部分。

130. 如果任務是數學真理

那人類偏好不能覆蓋 proof invalidity。

131. 所以 Hard Gate from Paper 06 保留

\boxed{ G_H }

先過。

132. 再做人類 residual。

這避免：

一篇錯誤答案因為比較好讀就贏。

133. Quality Composition

完整品質：

\boxed{ \mathfrak Q^{(7)} = ( \mathfrak Q_F, \mathfrak Q_S, \mathfrak Q_H^{IBQF} ). }

134. Formal / Structured 不被 Human Residual 抵消

這是 typed composition，

不是全部加權平均。

135. Scalar Projection 若真的需要

可以：

\boxed{ Q^* = \Pi_Q( \mathfrak Q^{(7)} \mid TaskPolicy ). }

136. 但 TaskPolicy 必須公開

例如：

hard gate first；
correctness primary；
clarity tie-breaker。

137. 這比：

總分 92.4

更可解釋。

138. Measurement Uncertainty

Latent estimate 應附：

\Sigma_H

或 credible interval。

139. 如果 A 和 B：

q_A-q_B

落在高不確定區，

就不應硬排名。

140. 所以：

\boxed{ NoSignificantDifference }

也是合法結果。

141. 排名不是測量的必然終點

有時我們只需要：

equivalent；
better；
uncertain。

142. Binary input 不代表 binary output

最後 posterior 可以非常豐富。

143. Human Evaluation Boundary

必須寫：

\boxed{ B_H = ( Population, Context, TaskFrame, PresentationMode ). }

144. 因為：

對誰而言品質高？

永遠是一個 measurement question。

145. 同一 AI 答案

對 expert：

Q_H^{expert}

和 novice：

Q_H^{novice}

可以不同。

146. 這不一定有誰錯

可能是：

\boxed{ AudienceFit. }

147. Measurement Grade

本文提出 Human Residual Grade：

H-Grade E — Uncontrolled Rating

少量非盲、直接總分。

148. H-Grade D — Structured Binary

有明確 binary items，但無 rater/item calibration。

149. H-Grade C — Balanced Comparative

盲測、randomized order、pairwise / binary balanced design。

150. H-Grade B — Psychometric Latent Model

估計 item difficulty、rater effects、posterior uncertainty。

151. H-Grade A — Adaptive + Replicated

adaptive sampling、跨 rater replication、holdout / reversal consistency。

152. H-Grade A+ — Cross-Context Validated

在不同 population/context 中驗證 measurement invariance，並明確保留 genuine preference heterogeneity。

153. Human Residual Object

\boxed{ \mathfrak Q_H^{IBQF} = ( \widehat{\boldsymbol{\theta}}_H, \Sigma_H, N_{\mathrm{obs}}, \mathcal D_R, \mathbf C_H, B_H, U_H, Grade_H ). }

154. 這就是 Paper 07 的正式輸出

它不要求任何一個人回答：

你的品質分數是多少？

155. 每個人只提供：

\boxed{ b_i. }

156. 系統才估：

\boxed{ \widehat{\boldsymbol{\theta}}_H. }

157. 十二個 Canonical Invariants

Invariant 1

\boxed{ BinaryObservation \neq BinaryPhenomenon. }

Invariant 2

\boxed{ HumanObservation \neq HumanScaleConstruction. }

Invariant 3

\boxed{ NumericRating = State + ScaleUse + Context. }

Invariant 4

\boxed{ LocalJudgment \neq GlobalLatentScore. }

Invariant 5

\boxed{ PairwisePreference \neq AbsoluteQuality. }

Invariant 6

\boxed{ Skip \neq ThirdQualityValue. }

Invariant 7

\boxed{ MeasurementBurden \neq MeasuredQuality. }

Invariant 8

\boxed{ Disagreement \neq Error. }

Invariant 9

\boxed{ MeanPreference \neq PreferenceStructure. }

Invariant 10

\boxed{ Reliability \neq Objectivity. }

Invariant 11

\boxed{ HumanResidual \not\Rightarrow HumanOverridesFormalTruth. }

Invariant 12

\boxed{ BinaryInput \not\Rightarrow BinaryLatentOutput. }

158. 結論：把困難的量化工作從回答者身上拿回來

傳統量表最容易被忽略的一件事是：

\boxed{ \text{measurement itself is a task}. }

當我們問：

0 到 10 分，你現在是多少？

我們不是只在「讀取」一個早就存在於人腦裡的數字。

很多時候，我們其實要求回答者當場建構那個數字。

他需要：

找參照；
建尺度；
整合多維感受；
做映射。

因此：

\boxed{ \text{Observed Rating} }

同時混入了：

\boxed{ \text{Target State} + \text{Measurement Cognition}. }

FDCS／IBQF 的微觀二元方法提供另一條路。

不要問：

你整體是多少分？

而是逐步取得：

\boxed{ b_1,b_2,\ldots,b_N. }

每一個都盡量：

小；
具體；
局部；
容易回答。

再讓系統去完成：

\boxed{ \{0,1\}^{N} \rightarrow \widehat{\boldsymbol{\theta}}. }

這不是因為世界是二元的。

而是因為：

\boxed{ \textbf{ 二元可以是測量介面， 連續與高維可以是被重建的現象。 } }

外部 psychometrics 的 forced-choice、pairwise comparison、Bradley–Terry、Thurstonian IRT 等工作也證明，這種「局部選擇 → latent scale」的測量路徑具有成熟數學傳統。

而 IPM 對它做的進一步擴張，是把這套方法專門用來承接：

\boxed{ Q_H }

——也就是形式驗證與結構化核查之後，真正剩下的人類品質感知。

如此一來：

\boxed{ \mathfrak P_{\mathrm{compute}} \rightarrow \mathbf N_{\mu} \rightarrow \mathfrak Q_F \oplus \mathfrak Q_S \oplus \mathfrak Q_H^{IBQF}. }

整個智能計量的「品質分子」已經不再依賴一個隨手打出的 8/10。

我們可以讓：

\boxed{ \textbf{ 評分者負責做容易的判斷； 測量系統負責做困難的量化。 } }

但下一個問題立即出現。

自然語言、圖片、設計、創意、音樂、故事等高歧義輸出，到底該拆成哪些 binary / pairwise dimensions？

如果維度本身選錯，

再好的 psychometric model 也只會：

精密地測量錯的東西。

因此 Paper 08 必須正式研究：

\boxed{ \textbf{ 高歧義成果如何先被結構化成可測的品質空間？ } }

也就是：

《自然語言、圖像與創意如何被量？：高歧義成果的結構化品質空間》。

EveMissLab 內部理論來源

[EML-IBQF/MTF] Neo.K. (2025). 多維真與假：從向量到無限場的本體論革命.
核心：微觀二元事件 $\{0,1\}$ 與宏觀連續真值／高維場的湧現。

[EML-FDCS] Neo.K. (2025). 分形動態因果系統：超越反事實的因果推斷新範式.
核心：IBQF 作為三元場域中的主觀—客觀轉化機制，以大量微觀二元事件建立宏觀概率／因果結構。

[EML-IBQF-Clinical] Neo.K. (2025). 三元場域在心理治療評估中的應用：突破主觀評分的認知陷阱.
核心：以大量簡單是／否問題降低回答者的自我量化負擔，再由專業人士或 AI 系統綜合重建狀態。

外部文獻基礎

[1] Thurstone, L. L. (1927). A Law of Comparative Judgment. Psychological Review, 34, 273–286.

[2] Bradley, R. A., & Terry, M. E. (1952). Rank Analysis of Incomplete Block Designs: I. The Method of Paired Comparisons. Biometrika, 39(3/4), 324–345.

[3] Brown, A., & Maydeu-Olivares, A. (2013). How IRT Can Solve Problems of Ipsative Data in Forced-Choice Questionnaires. Psychological Methods, 18(1), 36–52.

[4] Brown, A., & Maydeu-Olivares, A. (2012/2013). Fitting a Thurstonian IRT Model to Forced-Choice Data Using Mplus. Behavior Research Methods, 44, 1135–1147. DOI: 10.3758/s13428-012-0217-x.

[5] Kreitchmann, R. S., Abad, F. J., Ponsoda, V., Nieto, M. D., & Morillo, D. (2019). Controlling for Response Biases in Self-Report Scales: Forced-Choice vs. Psychometric Modeling of Likert Items. Frontiers in Psychology, 10, 2309. DOI: 10.3389/fpsyg.2019.02309.

[6] Clark, A. P., Howard, K. L., Woods, A., Penton-Voak, I. S., & Neumann, C. (2018). Why Rate When You Could Compare? Using the EloChoice Package to Assess Pairwise Comparisons of Perceived Physical Strength. PLOS ONE, 13(1), e0190393. DOI: 10.1371/journal.pone.0190393.

[7] Joo, S.-H., Lee, P., & Stark, S. (2019/2020). Adaptive Testing with the GGUM-RANK Multidimensional Forced Choice Model: Comparison of Pair, Triplet, and Tetrad Scoring. Behavior Research Methods.

系列路徑

Paper 01｜一輪到底是一輪什麼？：使用者回合、隱藏 LOOP 與單次智能的重新定義
Paper 02｜智能到底算了一次什麼？：最小智能語意執行單位的候選理論
Paper 03｜從認知到神經元：人腦如何跨層測量智能計算
Paper 04｜從神經元到焦耳：智能計算的能量、熱力學與物理下界
Paper 05｜計算不是只有 FLOPs：記憶體、互連、硬體占用與計算時空體積
Paper 06｜成果品質到底怎麼量？：從形式化正確性到結構化智能品質
Paper 07｜不要叫人類替自己的感覺打分數：IBQF 二元測量與低負擔品質評估
Paper 08｜自然語言、圖像與創意如何被量？：高歧義成果的結構化品質空間
Paper 09｜拿掉 LOOP 還剩多少智能？：單次智能、鷹架依賴與隱藏計算成本
Paper 10｜一個答案值多少物理世界？：智能產率的統一計量框架

不要叫人類替自己的感覺打分數：IBQF 二元測量與低負擔品質評估

不要叫人類替自己的感覺打分數：IBQF 二元測量與低負擔品質評估

Do Not Ask Humans to Numerically Score Their Own Feelings: IBQF Binary Measurement and Low-Burden Quality Evaluation

摘要

1. 為什麼 0–10 看起來簡單，實際不簡單

2. 回答者首先要知道自己在測什麼

3. 然後要自己整合

4. 這其實是一個 projection

5. 問題是 projection rule 沒有被觀察

6. 所以同樣的 7

7. 同一個人不同時間也可能重新校準

8. 因此 Numeric Self-Rating 有 Scale Drift

9. 這不表示 numeric scale 無用

10. Measurement Burden Paradox

11. 此時：

12. 但直接量化又要求

13. 因此最需要測量的時候

14. 這是一般測量問題，不只疼痛

15. 本文不是臨床量表提案

16. FDCS／IBQF 的核心轉向

17. 宏觀 latent state

18. 二元的是「觀測事件」

19. 這一點非常重要

20. 更準確是

21. Micro-Binary / Macro-Continuous

22. Paper 06 留下 Human Residual

23. QFQ_FQF​ 已盡量形式化

24. QSQ_SQS​ 已盡量結構化

25. 所以 Paper 07 只處理真正剩下的

26. Human Residual 例子

27. 第一種問法：Local Binary Judgment

28. 改問

29. 或

30. 這些仍不是完全客觀

31. 好問題的條件

32. CLC_LCL​ — Local

33. C1C_1C1​ — Single Construct

34. CCC_CCC​ — Concrete

35. CTC_TCT​ — Temporally Bounded

36. CNC_NCN​ — Non-Numeric for Respondent

37. 第二種問法：Pairwise Comparison

38. 回答

39. 這與 psychophysics / comparative judgment 有長歷史

40. Bradley–Terry 基本形式

41. 人不必知道 qA=7.3q_A=7.3qA​=7.3

42. Scale 由比較網路湧現

43. 這就是：

44. Forced-Choice 的優點不是「永遠更好」

45. 所以本文不主張所有題目都強迫二選一

46. Skip 不是第三個品質值

47. Missing 只是：

48. 這比逼一個不知道的人亂選更誠實

49. Absolute Binary 與 Pairwise Binary

50. Absolute Binary 適合具體現象

51. Pairwise 適合難以絕對定標的品質

52. 兩者可以混合

53. Respondent 不再提供 latent score

54. Measurement System

55. 認知負擔分解

56. CPC_PCP​

57. CRC_RCR​

58. CSC_SCS​

59. CIC_ICI​

60. CMC_MCM​

61. Binary

62. Pairwise

63. 預測

64. 但這是一個 empirical hypothesis

65. 可以怎麼實測負擔？

66. 這些是 Measurement Process Metrics

67. 它們不是品質答案本身

68. Latent Aggregation 的最簡單版本

69. 但實際通常不夠

70. IRT-like Binary Model

71. θj\theta_jθj​

72. aia_iai​

73. did_idi​

74. βr\beta_rβr​

75. 這比把所有人的 Yes 直接平均更有表達力

76. Multidimensional Latent Quality

23. $Q_F$ 已盡量形式化

24. $Q_S$ 已盡量結構化

32. $C_L$ — Local

33. $C_1$ — Single Construct

34. $C_C$ — Concrete

35. $C_T$ — Temporally Bounded

36. $C_N$ — Non-Numeric for Respondent

41. 人不必知道 $q_A=7.3$

56. $C_P$

57. $C_R$

58. $C_S$

59. $C_I$

60. $C_M$

71. $\theta_j$

72. $a_i$

73. $d_i$

74. $\beta_r$

102. 對候選題 $i$