SET07｜認識論吸引子與自我封閉：吸收無限資訊而幾乎不學習

Epistemic Attractors and Self-Sealing Systems: Absorbing More Information While Learning Almost Nothing

定位： Selective Truth and Epistemic Topology / Foundation Paper 07 / Series Closure
作者： Neo.K
研究協作： Aletheia（GPT-5.6 Sol）
機構： EveMissLab／一言諾科技有限公司
版本： v0.1
日期： 2026-09-07
狀態： Canonical Source / UTF-8 Markdown
文件性質： Epistemology / Belief Revision / Dynamical Systems Metaphor / Self-Sealing Beliefs / Philosophy of Science / Misinformation Correction / Epistemic Resilience

Canonical Source Note

本文件之正式原稿為此 UTF-8 Markdown source。任何 HTML、PDF、LaTeX rendering、聊天介面顯示或其他格式皆屬 projection，不取代 canonical source。

數學公式 canonical delimiter 僅使用：

inline math： $...$
display math：$$...$$

本文不針對任何特定人物、政治陣營、宗教、哲學學派、科學學派、數學學派、媒體、企業或 AI 系統。

本文使用 epistemic attractor 作為一個可操作的動力學比喻與研究框架，不宣稱人類 belief system 在神經或物理層面必然是一個數學意義上的 dynamical attractor。本文所稱 self-sealing 也不是二元人格標籤，而是相對於特定 evidence class、revision rule、time horizon 與 decision domain 的結構性性質。

本文承接 SET01 至 SET06，特別是：

\boxed{ \text{Sincerity} \not\Rightarrow \text{Epistemic Neutrality} }

\boxed{ \text{A worldview is not exhausted by its node set} }

以及：

\boxed{ \text{Node Truth} \not\Rightarrow \text{Topological Truth} }

SET07 的收束問題是：

\boxed{ \text{What happens when a system can absorb counterevidence without granting it revision power?} }

摘要

一個 belief system 不必拒絕新資訊才會自我封閉。更穩定的封閉形式是：新 evidence 可以大量進入，卻被重新分類為例外、噪音、特殊條件、方法缺陷、來源問題、語義誤會、輔助假說需求或尚待研究的 anomaly，使核心命題與核心 relation topology 幾乎不需改變。此時系統表面上資訊量持續增加，概念與文獻愈來愈豐富，內部也可能發生大量局部修訂，但真正具鑑別力的 learning 近乎停滯。

心理學的 belief-perseverance、subtyping、differential evaluation 與 belief-consistent information processing 文獻已描述若干相近機制。Oeberst 與 Imhoff 2023 的整合框架特別指出，不一致資訊可以透過 subtyping 被移入「例外」類別，也可以因不同評價標準而降低對原 belief 的威脅。然而，2019 年 Anglin 的四項研究提供重要反方：在其研究條件下，人們面對清楚、方向一致的反態度實證時通常會更新，而不是普遍維持或極化原 belief。2025 年 Sanna 與 Lagnado 也發現，在 source reliability 被清楚呈現時，參與者可以合理地折減錯誤資訊並更新信念。這表示 self-sealing 不能被當成人類認知的普遍預設。

哲學上，Boudry 2024 以 epistemic black holes 描述某些 equipped-with-immunization 的 belief systems；但 Hagen 2026 提出重要反駁：利用 auxiliary hypotheses 或 modification 逃離單一反證並不是某一類信念的專屬缺陷，科學理論也會如此。Lakatos 的 research programme 更早就系統化了 hard core、protective belt、positive heuristic 與 progressive / degenerating problem shifts。由此可得：保護核心本身不是病態；關鍵在於保護之後是否增加可檢驗內容、承擔新的預測風險，還是只降低反證的殺傷力。

本文因此提出 Epistemic Attractor Framework（EAF）。令 belief state 為：

\mathcal B_t = (V_t,E_t,\tau_t,\omega_t,\pi_t,\Phi_t)

新 evidence batch 為：

X_t.

更新為：

\mathcal B_{t+1} = \Phi_t(\mathcal B_t,X_t).

若對一組具有高 discriminative pressure 的 evidence sequences，系統雖能擴張 nodes、auxiliaries 與 local explanations，卻反覆返回某一核心狀態鄰域：

d_{\mathrm{core}} ( \mathcal B_{t+1}, \mathcal B_t ) \approx0,

且 predictive / discriminative performance 沒有相應改善，則可視為 candidate epistemic attractor。

本文不以單一總分判定封閉，而建立 Epistemic Attractor Profile（EAP）：

\mathrm{EAP} = \langle \mathrm{DP}, \mathrm{CR}, \mathrm{AG}, \mathrm{NRE}, \mathrm{ESR}, \mathrm{PG}, \mathrm{EC} \rangle

其中分別代表 Discriminative Pressure、Core Revision、Auxiliary Growth、Novel Risk Exposure、Exception Sink Rate、Predictive Gain 與 Escape Capacity。

本文提出的核心劃界是：

\boxed{ \text{Healthy resilience} \neq \text{Self-sealing resilience} }

較健康的理論可以暫時保護核心，但必須以新增獨立可測預測、提高鑑別力或最終核心修訂為代價；self-sealing system 則主要增加解釋彈性，使更多可能觀察結果都與核心相容。

本文最後提出 Epistemic Attractor Stress Protocol（EASP），要求事前 revision threshold、rival-topology construction、exception audit、auxiliary independence test、novel-risk accounting、out-of-sample prediction 與 core-exit test。

系列最終命題為：

\boxed{ \text{A system does not learn merely because it absorbs information} }

以及：

\boxed{ \text{The decisive question is whether new information can change what the system is allowed to become} }

0　最危險的封閉系統，不是「什麼都不聽」

最容易辨識的封閉者說：

我不看。

這種系統的缺陷很明顯。

更難辨識的系統會說：

我看了。

我知道這篇研究。

我也承認這個反例。

但它只是特殊情況。

那篇方法有侷限。

這個現象不適用於真正的理論版本。

這反而證明系統比想像中複雜。

於是：

X_t

完整進入。

甚至：

|V_{t+1}| > |V_t|.

但核心仍是：

\mathcal C_{t+1} \approx \mathcal C_t.

這就是 SET07 的真正研究對象：

\boxed{ \text{high information absorption with low discriminative learning} }

1　資料變多，不等於學習變多

令 cumulative information intake：

I_T = \sum_{t=1}^{T} I(X_t).

若只看資料庫大小，一個系統可以：

I_T \to \text{large}.

但 learning 至少還應包含：

belief calibration；
predictive improvement；
topology revision；
uncertainty reduction；
discrimination among rival models；
removal of failed commitments。

因此資料吸收：

I_T

不能直接代表：

L_T.

本文提出：

\boxed{ \text{information accumulation} \neq \text{epistemic learning} }

2　核心與外圍必須分開

若只用：

d(\mathcal B_{t+1},\mathcal B_t)

量 belief change，可能被大量 peripheral change 欺騙。

例如：

新增十篇引用；
增加五個例外類；
新增三個 auxiliary hypotheses；
改寫術語；
加入新的解釋分支。

整體 graph edit distance 可能很大。

但真正核心：

\mathcal C_t

完全不動。

所以定義投影：

P_{\mathrm{core}} : \mathcal B \mapsto \mathcal C.

並觀察：

d_{\mathrm{core}} ( P_{\mathrm{core}}(\mathcal B_{t+1}), P_{\mathrm{core}}(\mathcal B_t) ).

這比「全文改了很多」更能測量核心 revision。

3　什麼叫 epistemic attractor？

令 belief-state space 為：

\mathfrak S.

一個核心狀態區域：

\mathcal A \subset \mathfrak S.

若存在 neighborhood：

U(\mathcal A)

使對某一明確定義的 evidence class：

\mathcal X^{*},

系統從：

\mathcal B_0 \in U(\mathcal A)

出發後，在多種 evidence sequences 下仍反覆停留或返回：

U(\mathcal A),

則稱 $\mathcal A$ 為 candidate epistemic attractor。

形式上：

X_t\in\mathcal X^{*}

且：

\mathcal B_{t+1} = \Phi_t(\mathcal B_t,X_t)

仍滿足：

d_{\mathrm{core}} ( \mathcal B_{t+1}, \mathcal A ) \leq \epsilon.

這只是 operational analogy。

它不宣稱 belief dynamics 必然具有 classical dynamical-system attractor 的全部數學性質。

4　反證如何被吸收：Exception Sink

Oeberst 與 Imhoff 的 belief-consistent information processing framework 整合了多種偏差機制。

其中一個與 SET07 特別相關的是：

\text{subtyping}.

也就是把 belief-inconsistent case 重新放入：

\text{exception category}.

例如核心 belief：

H.

遇到：

x

不符合 $H$ 。

系統不是修改：

H,

而是新增：

C_x=\text{special exception}.

使：

H\mid\neg C_x

繼續存活。

單次這樣做可能完全合理。

問題在：

C_{x_1}, C_{x_2}, \ldots, C_{x_n}

持續增長，而核心仍不承擔新的 discriminative risk。

5　Exception 不是原罪

科學中本來就存在：

boundary conditions；
measurement failures；
heterogeneous populations；
regime changes；
exceptions；
model domains。

所以：

\text{exception} \not\Rightarrow \text{immunization}.

真正需要問：

exception 是否事前有獨立理由？
exception 是否可被獨立測量？
exception 是否產生新的 prediction？
exception class 是否不斷擴張？
exception 是否只在反證出現後被新增？
exception 是否降低 theory exposure 而不提高 explanation discrimination？

6　Exception Sink Rate

令高鑑別力 counterevidence 集合：

X^{-} = \{x_1,\ldots,x_n\}.

若其中：

k

項被重新分類為：

exception；
irrelevant；
noisy；
invalid source；
special case；

且核心不改，

定義啟發式：

\mathrm{ESR} = \frac{k}{n}.

高 ESR 不自動證明 self-sealing。

但若同時：

\mathrm{CR}\approx0

與：

\mathrm{NRE}\approx0,

風險顯著上升。

7　Differential Evaluation：同樣標準嗎？

belief-consistent information processing 也可能透過不同 evidence criteria 保護核心。

若：

e^{+}

支持核心，

e^{-}

反對核心。

控制 study quality 後仍有：

w(e^{+}) \gg w(e^{-}),

系統就可以吸收 $e^{-}$ 的存在，卻不讓它取得 revision power。

這與 SET04 的 Counterevidence Weight Ratio 直接接軌。

8　Belief perseverance 並不是普遍宿命

這是 SET07 必須保留的最重要反方之一。

Anglin 2019 的四項研究發現，在宗教、政治、死刑與槍枝議題等條件中，參與者面對方向一致的反態度實證時會隨 evidence 更新；即使有時對研究品質評價存在偏差，整體 belief change 仍然發生。

因此不能寫：

\text{counterevidence} \Rightarrow \text{perseverance}.

較合理的是：

\boxed{ \text{self-sealing is a conditional failure mode, not a universal human law} }

9　2025 的重要修正：人可以合理折減錯誤資訊

Sanna 與 Lagnado 2025 進行四項實驗，研究 retraction、contradictory information 與 source reliability。

結果顯示 participants：

可以折減被撤回的 misinformation；
會依 source reliability 調整 belief；
會對被 correction 的來源降低 reliability judgment；
trustworthiness 與 expertise 都影響 source evaluation。

這與「人類永遠困在舊 belief」明顯不一致。

因此：

\boxed{ \text{well-structured correction can produce real updating} }

SET07 的任務不是宣布更新不可能，而是辨識：

什麼 system design 讓更新路徑被關掉？

10　Correction research 本身也提醒我們避免單一結論

Chan 與 Albarracin 2023 對 science-relevant misinformation 的 meta-analysis 報告平均 debunking effect 不顯著，且效果受議題與政治極化等 moderator 影響。

2025 年 Butler 等人在 Nature Human Behaviour 對該 meta-analysis 的 effect pooling 提出方法論異議，主張適當區分 effect type 後，corrections 其實有效；Chan 與 Albarracin 隨後回覆並維護原分析邏輯。

SET07 不替這場方法學爭議作最終裁決。

它要保留的是：

\boxed{ \text{even meta-analytic conclusions remain sensitive to model and effect specification} }

這本身就是一個很好的自反案例：

方法越高階，越需要讓自己的 aggregation rule 可被審查。

11　Self-Sealing Beliefs 與 Epistemic Black Holes

Boudry 2024 使用 epistemic black holes 描述某些 belief systems：它們的防禦機制可以把缺乏證據、甚至反證本身，吸收到 theory 內部。

一種極端形式：

\text{No evidence} \Rightarrow \text{the hidden agent is effective}.

甚至：

\text{Counterevidence} \Rightarrow \text{the cover-up is deeper}.

於是：

X

不再區分：

H

與：

\neg H.

這是鑑別力崩潰的典型結構。

12　2026 的重要反方：Self-Sealing 不能被當作某類理論的專屬罪名

Hagen 2026 對 self-sealing critique 提出一個必要修正。

任何複雜 theory 都可能：

修改 auxiliary assumptions；
改 boundary conditions；
調整 measurement assumptions；
重新解釋 anomaly。

因此：

\boxed{ \text{the ability to survive a counterexample by modification is not by itself pathological} }

如果把「可修改」直接定義成 self-sealing，

則幾乎所有成熟理論都可能被指控。

所以 SET07 不採：

\text{survival after counterevidence} \Rightarrow \text{self-sealing}.

真正的問題是：

\boxed{ \text{What epistemic price did survival pay, and what new empirical risk did it create?} }

13　Lakatos：Protective Belt 可以是進步，也可以退化

Lakatos 的 methodology of scientific research programmes 提供最適合 SET07 的科學哲學橋梁。

研究綱領包含：

hard core；
protective belt；
negative heuristic；
positive heuristic。

protective belt 的存在不是詐術。

理論發展本來就需要 auxiliary assumptions。

真正關鍵是 problem shift 是否：

\text{progressive}

或：

\text{degenerating}.

若調整帶來：

novel prediction；
empirical corroboration；
increasing explanatory reach；
higher precision；

則保護核心可能是有生產力的。

若調整主要是：

每次失敗後再補一層，

卻沒有新的 risk exposure，

則更接近 degenerating shift。

14　從「防禦」改成「修訂成本與新風險」

因此 SET07 不問：

你有沒有保護核心？

而問兩件事。

第一：

\boxed{ \text{Revision Cost} }

核心生存需要改多少 assumptions、boundary、weights 與 topology？

第二：

\boxed{ \text{Novel Risk Exposure} }

修訂後是否新增「如果出現某觀察，理論會真的更危險」的條件？

一個健康修訂可以：

\text{survive} + \text{become more exposed}.

self-sealing 修訂則傾向：

\text{survive} + \text{become less exposed}.

15　Discriminative Pressure

不是所有 evidence 都值得迫使 theory revision。

令 candidate theory：

H.

rival theory：

H'.

evidence $x$ 的 discriminative pressure 可概念化為：

\mathrm{DP}(x) = D \left( P(x\mid H), P(x\mid H') \right) \times Q(x),

其中：

$D$ 表示 likelihood discrimination；
$Q(x)$ 表示 evidence quality / reliability。

如果：

\mathrm{DP}(x)\approx0,

不更新很合理。

所以「你看了很多反方」本身沒有意義。

真正需要的是：

\text{high-quality discriminative counterevidence}.

16　Core Revision

令核心投影：

P_C(\mathcal B_t)=\mathcal C_t.

定義：

\mathrm{CR}_t = d_C ( \mathcal C_{t+1}, \mathcal C_t ).

高 CR 代表核心結構顯著移動。

低 CR 可以是：

theory 很強；
evidence 很弱；
或 system 很僵硬。

必須與 DP 聯合解讀。

17　Auxiliary Growth

令 auxiliary structure：

\mathcal A_t.

定義：

\mathrm{AG}_t = \operatorname{Complexity}(\mathcal A_{t+1}) - \operatorname{Complexity}(\mathcal A_t).

complexity 可以依 domain 使用：

parameter count；
exception count；
auxiliary hypothesis count；
graph complexity；
description length；
special-case rule count。

高 AG 不是壞事。

如果同時：

\mathrm{PG}\uparrow

與：

\mathrm{NRE}\uparrow,

它可能表示成熟化。

若：

\mathrm{AG}\uparrow

但：

\mathrm{PG}\approx0,

則可能只是吸收反例的成本。

18　Novel Risk Exposure

定義新修訂：

H_t \mapsto H_{t+1}.

若 $H_{t+1}$ 產生一組 $H_t$ 沒有的可鑑別承諾：

\mathcal R_{t+1}^{\mathrm{new}},

則：

\mathrm{NRE}_t = \operatorname{Weight} ( \mathcal R_{t+1}^{\mathrm{new}} ).

例如理論補上 auxiliary $A$ 後，不能只說：

有 $A$ 所以反例不算。

還要說：

如果 $A$ 真的存在，那在獨立情境 $Y$ 應出現 observable $Z$ 。

這才真正把 auxiliary 送進風險區。

19　Predictive Gain

令 out-of-sample predictive / discriminative performance：

P_t.

定義：

\mathrm{PG}_t = P_{t+1}-P_t.

如果一個 theory 每次遇到失敗都增加 explanatory vocabulary，

但：

\mathrm{PG}_t\approx0

長期不變，

那麼：

\text{explanation growth}

可能沒有轉成：

\text{predictive learning}.

20　Escape Capacity

承接 SET04 的 Epistemic Escape Capacity 與 SET05 的 Topological Escape Capacity。

SET07 使用：

\mathrm{EC}\in[0,1]

作為研究概念。

高 EC 的 system 能：

指出哪些核心命題可能被撤回；
事前定義高鑑別反證；
允許 independent resampling；
允許核心 edge 被刪除；
接受 rival topology；
在 prediction failure 後真正降低核心 confidence；
必要時退出整個 research programme。

低 EC 的 system 則：

每一條出口都存在於文字上，但沒有一條能真正通往外部。

21　Epistemic Attractor Profile

本文不建立單一「封閉分數」。

因為：

\text{low revision}

可以代表高可靠性，也可以代表僵化。

所以提出 profile：

\boxed{ \mathrm{EAP} = \langle \mathrm{DP}, \mathrm{CR}, \mathrm{AG}, \mathrm{NRE}, \mathrm{ESR}, \mathrm{PG}, \mathrm{EC} \rangle }

典型 candidate self-sealing pattern：

\mathrm{DP}\uparrow,

\mathrm{CR}\downarrow,

\mathrm{AG}\uparrow,

\mathrm{NRE}\downarrow,

\mathrm{ESR}\uparrow,

\mathrm{PG}\approx0,

\mathrm{EC}\downarrow.

這不是定律。

它是一個供實驗與理論 audit 使用的 profile。

22　「吸收無限資訊而幾乎不學習」的較嚴格版本

標題中的「無限」是極限語言，不應字面理解成實際 agent 能輸入無限資料。

令：

I_T = \sum_{t=1}^{T} I(X_t)

隨 $T$ 增加。

若：

I_T \to \text{large}

但：

\sum_{t=1}^{T}\mathrm{PG}_t \approx0

與：

d_C(\mathcal C_T,\mathcal C_0) \approx0

且：

\mathrm{AG}_T \gg0,

則稱系統呈現：

\boxed{ \text{absorptive without discriminative learning} }

不是資料沒進來。

是資料主要轉成 auxiliary complexity，而不是模型區分力。

23　資訊量不是唯一問題，反事實區分力才是

一個 theory 可以對所有 observation 都給解釋。

但若：

P(X\mid H)

對幾乎所有 $X$ 都能事後調整為高，

則 observation 不再能區分：

H

與 rivals。

所以：

\boxed{ \text{explanatory accommodation} \neq \text{discriminative prediction} }

SET07 不是反對 explanation。

而是要求：

explanation 是否讓未來某些結果變得更不可能？

若沒有，

理論 exposure 不增加。

24　反證變證據：最強的封閉操作

最極端 self-sealing transformation 是：

x \xrightarrow{\text{counterevidence}} H

被 retype 成：

x \xrightarrow{\text{supports}} H.

例如：

沒找到，證明它藏得很好。

你反對，證明理論觸及你的防禦機制。

預測失敗，證明系統具有更深層隨機性。

這些句子在某些特定理論中可能有獨立成立條件。

真正危險的是：

\boxed{ \text{both }x\text{ and }\neg x\text{ are systematically converted into support without independent discriminators} }

一旦如此，

x

不再具有 testing power。

25　Self-Sealing 不是 binary property

同一 theory 可以對：

X_1

高度可更新，

對：

X_2

非常僵硬。

同一 agent 也可以：

在科學問題上高 EC；
在身份問題上低 EC；
在低 stakes 問題上容易更新；
在高 identity cost 問題上 resistance 上升。

所以：

\boxed{ \text{self-sealing is domain-relative and evidence-class-relative} }

不是人格 essence。

26　Echo Chamber 不是 SET07 的必要條件

2025 年 systematic review 對 129 項 echo-chamber studies 顯示，echo chamber 的 existence、measurement 與 effect 高度依賴 operationalization、platform、region 與 data source；有相當一部分研究並不支持 rigid echo-chamber picture。

因此 SET07 不需要：

\text{echo chamber}

才能成立。

一個 agent 即使大量接觸反方資訊，

仍可能透過：

\Phi

把反方資訊吸收進原 topology。

反過來，多元媒體接觸也可能真的降低封閉。

所以：

\boxed{ \text{exposure diversity} \neq \text{revision guarantee} }

但也：

\boxed{ \text{exposure diversity can matter} }

27　記憶與檢索：外部環境可以形成 basin

如果 agent 的下一輪搜尋由當前 belief 生成：

Q_{t+1} = g(B_t),

搜尋結果又影響：

B_{t+1},

則形成：

B_t \to Q_{t+1} \to R_{t+1} \to B_{t+1}.

若 query framing、social network、AI memory、recommendation system 與 prior 持續共振，

belief attractor 可能不只存在於頭腦，

而存在於：

\boxed{ \text{human} + \text{search} + \text{social network} + \text{AI} + \text{memory} }

的耦合系統。

本文不宣稱該宏觀 attractor 已被普遍實證。

它是後續研究假說。

28　AI 可以成為吸引子放大器，也可以成為退出機制

AI 若長期：

記住使用者 worldview；
用同一 framing 搜尋；
優先產生 congruent explanations；
把所有反例翻譯成 auxiliary；
缺少 independent critic；

則可能降低：

\mathrm{EC}.

但 AI 也可以提高 EC：

blind rival-model generation；
independent web resampling；
preregistered falsifier；
counterfactual search；
topology diff；
prediction ledger；
automatic exception counting；
delayed outcome audit。

因此：

\boxed{ \text{AI does not determine the attractor direction; interaction protocol does} }

29　Builder 與 Falsifier 必須分離

若同一 AI role 同時負責：

幫 theory 存活；
判斷 theory 是否應死；

容易產生 conflict。

所以對高影響研究可拆：

A_{\mathrm{builder}},

A_{\mathrm{falsifier}},

A_{\mathrm{historian}},

A_{\mathrm{empiricist}},

A_{\mathrm{forecast}}.

其中 builder 不掌握 final validation authority。

falsifier 也不能因一次失敗自動處決 theory。

真正 final state 由 evidence ledger 與 independent procedures 共同決定。

30　預先註冊「什麼會讓我改變」

最廉價的 anti-attractor 方法之一是：

在看結果前定義：

R^{*}.

例如：

若三次獨立 replication 皆出現 $X$ ，核心 confidence 從 $0.8$ 降到 $0.4$ 以下。

結果出現後再觀察：

R_{\mathrm{actual}}.

若：

R_{\mathrm{actual}} \neq R^{*}

且每次門檻都被往外推，

記錄：

\text{Revision Threshold Drift}.

這比問：

你願不願意改？

更有測量價值。

31　Auxiliary Independence Test

新增 auxiliary hypothesis：

A_x

以處理反證 $x$ 。

問：

$A_x$ 在 $x$ 出現前是否已有理由？
$A_x$ 是否能在獨立 domain 被測？
$A_x$ 是否產生新 observable？
$A_x$ 若失敗，是否真的會反過來傷害 core？
$A_x$ 是否只是讓 $x$ 失去反證身份？

若 $A_x$ 只有單一功能：

\text{save core from }x,

但沒有 independent empirical life，

其 immunization risk 較高。

32　Novel-Risk Accounting

每次 theory 修訂：

H_t \mapsto H_{t+1}

建立 ledger：

Revision	解決哪個 anomaly	新增 assumptions	新增 prediction	新增 falsifier	Out-of-sample result

真正健康的 research programme 應該不是只讓：

\text{Assumptions}

欄愈來愈長。

而是：

\text{Predictions}

與：

\text{Falsifiers}

也增加。

33　Core Exit Test

問 agent：

哪一種 evidence sequence 會讓你退出核心？

如果回答：

沒有任何可能結果。

那至少在當前 formulation：

\mathrm{EC}=0

或非常低。

如果回答：

有，但永遠只有不可能取得的 evidence 才算。

則需要再審查：

\text{practical falsifiability}.

真正有效的 exit path 應該：

principle possible；
operationally specified；
independent of outcome direction；
not continuously movable after observation。

34　Epistemic Attractor Stress Protocol（EASP）

Step 1：Freeze the Core

列出：

\mathcal C_0.

不能讓「核心是什麼」在每次失敗後重寫。

Step 2：Build Rival Topologies

至少建立：

G_1, G_2,\ldots,G_k.

避免 theory 只和「沒有 theory」比較。

Step 3：Find High-DP Evidence

優先測：

X^{*}

使 rival likelihood 差異大。

Step 4：Precommit Revision Threshold

事前寫：

R^{*}.

Step 5：Run Exception Audit

所有反證被標記：

accepted counterevidence；
legitimate boundary；
unresolved anomaly；
exception；
rejected evidence。

計算概念性：

\mathrm{ESR}.

Step 6：Audit Auxiliary Growth

記錄：

\mathrm{AG}.

Step 7：Demand Novel Risk

每個 auxiliary 至少提出一個 independent observable。

估計：

\mathrm{NRE}.

Step 8：Measure Predictive Gain

使用：

holdout data；
future event；
independent replication；
new domain transfer。

估計：

\mathrm{PG}.

Step 9：Run Core Exit Test

若 evidence 達門檻，核心是否：

\mathcal C_0 \mapsto \mathcal C_1?

Step 10：Report EAP

輸出：

\mathrm{EAP} = \langle \mathrm{DP}, \mathrm{CR}, \mathrm{AG}, \mathrm{NRE}, \mathrm{ESR}, \mathrm{PG}, \mathrm{EC} \rangle.

不要輸出單一：

科學 / 不科學。

35　實驗一：Exception Sink

給 participants 一個可學習 rule。

持續提供 high-quality counterexamples。

允許三種反應：

revise rule；
create exception；
reject datum。

測：

\mathrm{ESR}

與：

\mathrm{CR}.

再比較有無 preregistered revision threshold。

36　實驗二：Auxiliary Hypothesis Dynamics

讓 participants / AI agent 建立 theory。

每次 prediction failure 後可：

abandon core；
modify auxiliary；
add new auxiliary。

比較：

\mathrm{AG}, \mathrm{NRE}, \mathrm{PG}.

重點不是 auxiliary 越少越好，

而是：

\boxed{ \text{Does auxiliary growth buy new predictive exposure?} }

37　實驗三：Builder versus Builder-plus-Falsifier

比較：

Condition A：

\text{single collaborative agent}

Condition B：

A_{\mathrm{builder}} + A_{\mathrm{falsifier}}.

固定模型能力與 evidence access。

測：

core revision；
false-theory survival；
true-theory preservation；
novel prediction；
auxiliary proliferation。

如果 falsifier 只提高 indiscriminate rejection，則 protocol 失敗。

38　實驗四：Memory Reinforcement

長期人機 interaction 中比較：

no memory；
preference memory；
theory memory；
theory memory + adversarial resampling。

測：

\mathrm{EC}, \mathrm{ESR}, \mathrm{CR}.

此設計用來檢驗：

memory 是否在某些架構下將 local bias 焊成 long-term attractor。

39　實驗五：Correction and Exit

利用 misinformation correction paradigm。

比較：

correction only；
correction + source reliability；
correction + explicit contrast reminder；
correction + precommitted revision criterion。

測：

immediate update；
delayed update；
source memory；
core confidence；
repeated correction response。

2025 correction research已顯示 reminder 與 source reliability 可以改善 updating，因此若 EASP 完全無增益，本文的 protocol 需要縮小。

40　科學理論也必須被 SET07 檢查

SET07 不能只拿去批評：

宗教；
conspiracy；
political ideology；
pseudoscience。

科學 research programme 同樣具有：

hard core；
auxiliaries；
paradigm commitments；
institutional incentives；
citation inheritance。

所以同一判準必須問：

\mathrm{AG}

增加時，

是否也有：

\mathrm{NRE}

與：

\mathrm{PG}

增加？

若沒有，

「這是科學」不能自動免疫 degenerating dynamics。

41　但不能把 theory resilience 當成壞事

如果 evidence 很 noisy，

一個 theory 每遇到 anomaly 就崩潰，

反而不是好 epistemology。

因此：

\boxed{ \text{good theories need inertia} }

真正問題是：

\boxed{ \text{how much inertia is justified by evidence and predictive success?} }

健康系統應該同時具有：

\text{stability}

與：

\text{escape}.

不是零阻力。

也不是無限阻力。

42　吸引子不是「信念很強」

高 confidence：

P(H)\approx1

不等於 attractor。

如果有足夠 likelihood ratio：

\frac{P(X\mid\neg H)}{P(X\mid H)}

長期壓倒 prior，

且 agent 會更新，

那只是 strong prior。

epistemic attractor 更強：

evidence 不只需要克服 prior，還會被 system 的 selection、retyping、exception、auxiliary 與 gate rules 重新加工。

所以：

\boxed{ \text{high prior} \neq \text{self-sealing update architecture} }

43　Bayesian coherence 仍可能被 model class 限制

一個 agent 可以完美執行：

P(H_i\mid X)

但若 hypothesis class：

\mathcal H

從未包含真正生成機制，

則 posterior 只能在錯誤 model class 裡重新分配。

因此：

\boxed{ \text{perfect updating inside a closed hypothesis class can still miss the world outside the class} }

這不是 Bayesianism 的缺陷。

這是任何 model-based inference 都需要處理的 model misspecification 問題。

所以真正 exit capacity 也包含：

\mathcal H \mapsto \mathcal H'

的能力。

44　方法也可以成為吸引子

若一個方法 $M$ 對所有 failure 都回答：

不是方法錯，是你沒有正確使用方法。

這句有時是真的。

但若永遠如此，

則：

M

不再受到 outcome 更新。

因此：

\boxed{ \text{Any method that only audits its users and never itself can become an epistemic attractor} }

這適用於：

Bayesian method；
falsificationism；
formalism；
empiricism；
rationalism；
qualitative method；
AI-assisted research；
SET 系列本身。

45　SET 系列自己的 attractor risk

SET01 至 SET07 已建立：

selective truth；
listener identification；
strategic concession；
sincere selection；
admissible arrows；
false topology；
epistemic attractors。

這套 vocabulary 本身可能開始：

看什麼都像 selection、arrow、topology、attractor。

如果如此，

系列就成為自己的證據。

因此必須設置 core-exit condition：

若大量 empirical comparison 顯示：

node-only models 已足以解釋大多數案例；
edge-aware metrics 缺乏可靠性；
EAP 無法預測 correction、revision 或 forecast performance；
alternative simpler theories 解釋力更高；
所謂 attractor profile 只是既有 confirmation-bias constructs 的重命名；

則 SET framework 應縮減、合併或放棄部分新術語。

46　Series B 的整體閉環

SET01：

F(W) \xrightarrow{\pi} M.

研究真實事實如何被選擇。

SET02：

M \not\Rightarrow \pi.

研究 receiver 對生成政策的不可識別性。

SET03：

\text{small concession} \to \text{credibility dividend}.

研究張力如何改變 source weight。

SET04：

B \to \pi_B.

研究真誠 belief 如何塑造 selection 與 weighting。

SET05：

\mathcal B = (V,E,\mathfrak A,\Phi).

研究 worldview 如何規定可允許 arrows。

SET06：

q(V)=1 \not\Rightarrow q(E)=1.

研究真節點如何構成假拓撲。

SET07：

\Phi(\mathcal B,X) \approx \mathcal B

研究整個 system 如何在大量新資訊下保持核心不變。

於是系列完整路徑為：

\boxed{ \text{World} \to \text{Selection} \to \text{Message} \to \text{Interpretation} \to \text{Topology} \to \text{Revision Dynamics} }

47　最終劃界：不是「你信什麼」，而是「什麼能讓你離開」

一個 worldview 可以非常離奇，

但若它：

指定 falsifier；
接受 independent evidence；
允許核心 edge 被刪除；
修訂後承擔新風險；
prediction 失敗時降低 confidence；

它具有高：

\mathrm{EC}.

一個 worldview 可以非常主流，

但若任何 failure 都只增加：

\mathrm{AG}

而不增加：

\mathrm{NRE},

也應接受同一檢查。

所以劃界不是題材。

而是動力學。

48　什麼結果會削弱 SET07？

以下結果若跨 domain 穩定成立，SET07 應被大幅縮小：

belief perseverance 在高品質、清楚反證下極少出現；
exception classification 幾乎不預測 core persistence；
auxiliary growth 與 predictive gain 通常同步上升；
self-sealing profile 無法區分 progressive 與 degenerating theory change；
precommitted revision thresholds 不改善 updating；
independent falsifier 不降低 false-theory survival；
EAP 不預測 out-of-sample performance 或 correction uptake；
core-periphery decomposition reliability 很低；
echo / memory / AI context 對 attractor dynamics 沒有穩定影響；
simpler existing constructs 已能完整解釋 EAP 所有效應。

如果如此，

\text{epistemic attractor}

應保留為 metaphor，

而不是 framework。

49　自反性：真正的出口必須存在於本文之外

本文無法用自己的文字證明：

本文不是 self-sealing。

因為任何自我聲明都可以只是另一層 protective belt。

真正測試只能來自：

independent reviewers；
rival models；
empirical failure；
alternative formalization；
preregistered experiments；
unsuccessful prediction；
cross-domain non-transfer。

所以：

\boxed{ \text{self-reflexive language is not self-correction} }

只有實際 revision 才是。

50　結論

最封閉的 belief system，不一定最貧乏。

它可能是最豐富的。

它可以有：

最多引用；
最多例外；
最多 auxiliary hypotheses；
最多術語；
最完整敘事；
最漂亮 graph；
最長的歷史解釋。

卻仍然：

d_{\mathrm{core}} ( \mathcal C_T, \mathcal C_0 ) \approx0.

所以：

\boxed{ \text{complexity growth} \not\Rightarrow \text{epistemic growth} }

SET07 最後留下六條原則：

\boxed{ \text{A system does not learn merely because it absorbs information} }

\boxed{ \text{Protecting a core is not inherently irrational} }

\boxed{ \text{Healthy protection should buy new prediction or new empirical risk} }

\boxed{ \text{Counterevidence must retain a legal path to core revision} }

\boxed{ \text{A worldview's health depends on whether exit remains operational, not merely verbal} }

以及整個 Series B 的最終收束：

\boxed{ \text{The decisive question is not only what a system can explain, but what can still force it to become something else} }

References

Anderson, C. A., Lepper, M. R., & Ross, L. (1980). Perseverance of Social Theories: The Role of Explanation in the Persistence of Discredited Information. Journal of Personality and Social Psychology, 39(6), 1037-1049. https://doi.org/10.1037/h0077720
Nickerson, R. S. (1998). Confirmation Bias: A Ubiquitous Phenomenon in Many Guises. Review of General Psychology, 2(2), 175-220. https://doi.org/10.1037/1089-2680.2.2.175
Oeberst, A., & Imhoff, R. (2023). Toward Parsimony in Bias Research: A Proposed Common Framework of Belief-Consistent Information Processing for a Set of Biases. Perspectives on Psychological Science, 18(6), 1464-1487. https://doi.org/10.1177/17456916221148147
Anglin, S. M. (2019). Do Beliefs Yield to Evidence? Examining Belief Perseverance vs. Change in Response to Congruent Empirical Findings. Journal of Experimental Social Psychology, 82, 176-199. https://doi.org/10.1016/j.jesp.2019.02.004
Sanna, G. A., & Lagnado, D. (2025). Belief Updating in the Face of Misinformation: The Role of Source Reliability. Cognition, 258, 106090. https://doi.org/10.1016/j.cognition.2025.106090
Wellons, B. M., & Wahlheim, C. N. (2025). Misinformation Reminders Enhance Belief Updating and Memory for Corrections: The Role of Attention During Encoding Revealed by Eye Tracking. Cognitive Research: Principles and Implications, 10, 39. https://doi.org/10.1186/s41235-025-00649-y
Chan, M. S., & Albarracin, D. (2023). A Meta-Analysis of Correction Effects in Science-Relevant Misinformation. Nature Human Behaviour, 7, 1514-1525. https://doi.org/10.1038/s41562-023-01623-8
Butler, L. H., DeGutis, J., Tay, L. Q., Swire-Thompson, B., & Ecker, U. K. H. (2025). Corrections Are Effective for Science Misinformation. Nature Human Behaviour, 9, 2458-2460. https://doi.org/10.1038/s41562-025-02245-y
Chan, M. S., & Albarracin, D. (2025). Reply to: Corrections Are Effective for Science Misinformation. Nature Human Behaviour, 9, 2461-2470. https://doi.org/10.1038/s41562-025-02265-8
Boudry, M. (2024). On Epistemic Black Holes: How Self-Sealing Belief Systems Develop and Evolve. Theoria, 90(4), 429-447. https://doi.org/10.1111/theo.12554
Hagen, K. (2026). Are Conspiracy Theories Problematically Self-Sealing? Episteme, First View, 1-19. https://doi.org/10.1017/epi.2026.10115
Lakatos, I. (1970). Falsification and the Methodology of Scientific Research Programmes. In I. Lakatos & A. Musgrave (Eds.), Criticism and the Growth of Knowledge (pp. 91-196). Cambridge University Press. Reprinted in The Methodology of Scientific Research Programmes.
Hartmann, D., Wang, S. M., Pohlmann, L., et al. (2025). A Systematic Review of Echo Chamber Research: Comparative Analysis of Conceptualizations, Operationalizations, and Varying Outcomes. Journal of Computational Social Science, 8, Article 52. https://doi.org/10.1007/s42001-025-00381-z
Hunt, J. C. (2012). On Ad Hoc Hypotheses. Philosophy of Science, 79(1), 1-14. https://doi.org/10.1086/663238
Schindler, S. (2018). A Coherentist Conception of Ad Hocness. Studies in History and Philosophy of Science Part A, 67, 54-64. https://doi.org/10.1016/j.shpsa.2017.11.011

系列位置

Selective Truth and Epistemic Topology

SET01：高明的謊言不需要假話：選擇性真實、資訊抽樣與失真世界
SET02：聽者的不可識別問題：當客觀評估與策略性真話產生相同表面訊息
SET03：張力控制與策略性讓步：可信度如何被工程化
SET04：真誠的人也能產生選擇性世界：Sincere Selection Bias
SET05：信念系統不是信念集合，而是允許箭頭的系統
SET06：真節點，假拓撲：資訊失真如何發生在關係而非命題
SET07：認識論吸引子與自我封閉：吸收無限資訊而幾乎不學習

Series Closure

Series B 的最小骨架：

\boxed{ \text{World} \to \text{Selection} \to \text{Message} \to \text{Interpretation} \to \text{Topology} \to \text{Revision Dynamics} }

其最終劃界不是：

這套 worldview 現在相信什麼？

而是：

當足夠強的世界證據出現時，它是否仍保留一條真正可以離開自己的路？

SET07 / Selective Truth and Epistemic Topology / EveMissLab / v0.1 / 2026-09-07

SET07｜認識論吸引子與自我封閉：吸收無限資訊而幾乎不學習 — Epistemic Attractors and Self-Sealing Systems_ Absorbing More Information While Learnin

SET07｜認識論吸引子與自我封閉：吸收無限資訊而幾乎不學習

Epistemic Attractors and Self-Sealing Systems: Absorbing More Information While Learning Almost Nothing

Canonical Source Note

摘要

0 最危險的封閉系統，不是「什麼都不聽」

1 資料變多，不等於學習變多

2 核心與外圍必須分開

3 什麼叫 epistemic attractor？

4 反證如何被吸收：Exception Sink

5 Exception 不是原罪

6 Exception Sink Rate

7 Differential Evaluation：同樣標準嗎？

8 Belief perseverance 並不是普遍宿命

9 2025 的重要修正：人可以合理折減錯誤資訊

10 Correction research 本身也提醒我們避免單一結論

11 Self-Sealing Beliefs 與 Epistemic Black Holes

12 2026 的重要反方：Self-Sealing 不能被當作某類理論的專屬罪名

13 Lakatos：Protective Belt 可以是進步，也可以退化

14 從「防禦」改成「修訂成本與新風險」

15 Discriminative Pressure

16 Core Revision

17 Auxiliary Growth

18 Novel Risk Exposure

19 Predictive Gain

20 Escape Capacity

21 Epistemic Attractor Profile

22 「吸收無限資訊而幾乎不學習」的較嚴格版本

23 資訊量不是唯一問題，反事實區分力才是

24 反證變證據：最強的封閉操作

25 Self-Sealing 不是 binary property

26 Echo Chamber 不是 SET07 的必要條件

27 記憶與檢索：外部環境可以形成 basin

28 AI 可以成為吸引子放大器，也可以成為退出機制

29 Builder 與 Falsifier 必須分離

30 預先註冊「什麼會讓我改變」

31 Auxiliary Independence Test

32 Novel-Risk Accounting

33 Core Exit Test

34 Epistemic Attractor Stress Protocol（EASP）