當科學家的私人信念穿上科學白袍：資格—信念滲漏、精確性幻覺與公共科學負擔

When Private Credence Wears a Lab Coat: Credential-to-Credence Leakage, Precision Illusion, and the Public Scientific Burden

系列：反身性認知權力與公共倫理系列，第 3 篇／共 8 篇
系列英文名：Reflexive Epistemic Power and Public Ethics Series
系列代碼：REPE
文件編號：EML-REPE-2026-03-v0.1
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：2026-09-13
性質：Public Epistemology／Science Communication／Expert Elicitation／Forecasting／AI Governance
狀態：Public Theory Draft
直接前置：REPE-01《詞不是旁觀者》；REPE-02《治理者也必須被治理》；《神聖與真理的人格化》；《AGI 高信心言論與制度性責任閉包》
後續接口：REPE-04《預測者已經走進未來》；REPE-05《當威脅模型開始製造自己的證據》

摘要

專家、科學家與高技術組織不只生產經驗證的知識，也會形成未完成的推論、直覺、主觀概率、情境判斷與戰略預測。這些認知活動本身不是科學的敵人；相反地，科學進展經常始於尚未被完整驗證的高品質猜測。

問題出現在公共傳播中：

\boxed{ \text{Expert Credence} }

可能因發言者的資格、機構與科學身份，而被接收成：

\boxed{ \text{Scientific Estimate}. }

本文將此現象稱為：

\boxed{ CCL = \text{Credential-to-Credence Leakage} }

即「資格—信念滲漏」。

本文進一步區分：

\boxed{ \text{Subjective Credence} \neq \text{Expert Elicitation} \neq \text{Model-Based Estimate} \neq \text{Empirical Frequency}. }

四者都可以使用百分比，但其認識論來源、可重現性、校準方式與公共含義不同。

本文提出「科學權威攜帶效應」（Scientific Authority Carryover）、「算術精確性—認識論精確性分離」（Arithmetic Precision–Epistemic Precision Separation）、「概率白袍效應」（Probabilistic Lab-Coat Effect）、「科學語域切換」（Epistemic Register Switching）、「公共科學負擔原則」（Public Scientific Burden Principle）與「可信度來源標記」（Credence Provenance Labeling）。

核心命題為：

\boxed{ \text{Arithmetic Precision} \neq \text{Epistemic Precision}. }

以及：

\boxed{ \text{Scientific Authority} \uparrow \Rightarrow \text{Public Epistemic Burden} \uparrow. }

本文不主張科學家不得公開主觀信念，也不主張只有有頻率資料才能談概率。相反地，在一次性、高不確定、低基準率或尚未發生的未來事件中，Bayesian subjective credence 與 structured expert elicitation 皆可合法使用。

真正需要被防止的是：

把「某位專家的信念」透過數字、頭銜與機構權威，無標記地升格為「科學已估出某個概率」。

關鍵詞

資格—信念滲漏；主觀概率；專家判斷；科學權威；科學傳播；概率校準；精確性幻覺；expert elicitation；公共科學負擔；AI 風險

1. 科學不只由已驗證事實構成

科學實際包含：

\boxed{ \text{Observation} + \text{Hypothesis} + \text{Model} + \text{Inference} + \text{Forecast} + \text{Credence} }

並不是只有：

\text{direct measurement}.

2. 因此「主觀」不等於「不科學」

一個研究者可以合理說：

我目前對假說 $H$ 給 60% 信念。

只要他清楚標記：

\boxed{ \text{this is a credence}. }

3. 問題是公共接收端可能發生型別轉換

原始：

\text{Researcher Credence}=0.1.

接收端：

\text{Expert Estimate}=0.1.

再：

\text{Scientific Risk}=0.1.

最後：

\boxed{ \text{Fact: risk is 10\%}. }

4. 這就是資格—信念滲漏

本文定義：

\boxed{ CCL = \text{Credential-to-Credence Leakage}. }

即：

發言者的學術資格與機構權威，滲入其私人信念，使受眾誤判該信念的科學證據地位。

5. 資格本身不是無價值

專家資格通常意味：

更熟悉領域；
更知道可行機制；
更能辨識錯誤；
更有資料背景；
更理解研究限制。

因此：

\boxed{ \text{Credential} }

可以合理影響：

\text{PriorCredibility}.

6. 但資格不能替代推論鏈

因此：

\boxed{ \text{Credential} \neq \text{Derivation}. }

以及：

\boxed{ \text{Credential} \neq \text{Calibration Record}. }

7. 四種概率必須分開

本文至少區分：

Type P1：Empirical Frequency

P_1 = \frac{k}{N}.

來自可觀察重複事件。

8. Type P2：Model-Based Estimate

由：

\text{Data} + \text{Model} + \text{Assumptions}

推導：

P_2.

可以重算、敏感度分析與比較模型。

9. Type P3：Structured Expert Elicitation

多位專家依明確問題、程序、校準與聚合方法形成：

P_3.

10. Type P4：Individual Subjective Credence

個人根據：

\text{Knowledge} + \text{Intuition} + \text{Experience} + \text{ImplicitModel}

形成：

P_4.

11. 四者都可能寫成 10%

即：

P_1=P_2=P_3=P_4=0.1.

但：

\boxed{ \text{same number} \neq \text{same epistemic object}. }

12. 概率不是自動的科學制服

本文提出：

\boxed{ PLE = \text{Probabilistic Lab-Coat Effect}. }

即：

一個模糊判斷只因被寫成百分比，就顯得比實際證據更科學、更量化、更可靠。

13. 例如

「我認為風險不低。」

公共感覺：

\text{qualitative opinion}.

改成：

風險是 12%。

公共感覺可能變成：

\boxed{ \text{measured quantity}. }

即使 12% 只是：

\text{gut-level credence}.

14. 算術精確性

本文定義：

\boxed{ AP = \text{Arithmetic Precision}. }

例如：

0.65 \times 0.80 \times 0.40 \times 0.65 \times 0.40 \times 0.95 = 0.051376.

這個結果在算術上很精確。

15. 但乘數本身可能很粗糙

如果每個值其實只是：

\text{rough subjective estimate},

那：

0.051376

不代表：

\boxed{ \text{true risk known to six decimals}. }

16. 認識論精確性

本文定義：

\boxed{ EP = \text{Epistemic Precision}. }

表示：

我們究竟有多充分理由把概率定位在這個狹窄數值附近？

17. 第二母原則

因此：

\boxed{ AP \neq EP. }

即：

計算可以很精確，但輸入知識仍很模糊。

18. Precision Laundering

本文進一步提出：

\boxed{ PL = \text{Precision Laundering}. }

即：

粗糙、主觀或高不確定輸入，經形式化運算後，獲得超過原始證據所支持的精確外觀。

19. 形式化不是錯

形式化有價值，因為它能暴露：

依賴關係；
條件機率；
敏感變數；
隱含假設。

問題只在：

\boxed{ \text{formal appearance} \neq \text{evidence upgrade}. }

20. Evidence Promotion Principle

本文提出：

\boxed{ \text{No Precision Promotion Without Evidence Promotion}. }

若證據沒有升級，

形式化本身不能把：

\text{rough credence}

升成：

\text{measured probability}.

21. 專家信念有價值

在資料缺乏時：

\text{ExpertCredence}

通常優於：

\text{RandomGuess}.

本文並不否認這一點。

22. 真正問題是「信念來源不透明」

如果只得到：

P=10\%,

卻不知道：

哪些條件；
哪些機制；
哪些替代路徑；
哪些資料；
哪些主觀權重；

就難以：

\boxed{ \text{audit}. }

23. 可稽核性

本文定義：

\boxed{ \text{Auditability}(P) }

為：

第三方能否理解這個概率是如何形成的。

24. 可稽核概率至少有四種來源標記

例如：

Measured frequency
Model-derived estimate
Structured expert elicitation
Individual subjective credence

25. 如果來源不標記

則數字的社會接收會依賴：

\boxed{ \text{speaker identity}. }

這正是 CCL 的溫床。

26. Scientific Authority Carryover

本文定義：

\boxed{ SAC = \text{Scientific Authority Carryover}. }

即：

發言者從正式科學語境取得的權威，在切換至個人判斷、倡議、政策或哲學推論語境後仍被受眾持續攜帶。

27. 例如

同一位研究者在論文裡說：

controlled experiment suggests X under C.

到了訪談：

I think Y has a 10% chance.

兩句的 epistemic register 不同。

但公眾看到：

same scientist.

28. 認識論語域切換

本文定義：

\boxed{ ERS = \text{Epistemic Register Switching}. }

語域可以包括：

R_s=\text{scientific report}

R_c=\text{personal credence}

R_a=\text{advocacy}

R_p=\text{policy recommendation}.

29. 語域切換本身不是錯

研究者當然可以：

做科學；
表達個人看法；
倡議政策；
討論倫理。

問題在：

\boxed{ \text{register transition must remain visible}. }

30. Register Masking

本文提出：

\boxed{ RM = \text{Register Masking}. }

即：

語域實際已從科學報告切換成私人判斷，但公共表象仍保留科學估計感。

31. SAC 與 RM 組合

若：

SAC\uparrow

且：

RM\uparrow,

則：

\boxed{ CCL\uparrow. }

32. 機構身份還會再次放大

研究者若隸屬：

\text{frontier lab},

公眾還可能推論：

他一定知道我們不知道的內部資料。

33. Hidden Information Assumption

本文定義：

\boxed{ HIA = \text{Hidden Information Assumption}. }

即：

因發言者位於核心機構，受眾推測其公開主張背後必然存在未公開但強力的內部證據。

34. HIA 有時可能為真

核心研究者確實可能：

\text{Access}_{\text{private}}>\text{Access}_{\text{public}}.

不能完全排除。

35. 但 HIA 不能當作證據自動補洞

因此：

\boxed{ \text{Possible Hidden Evidence} \neq \text{Publicly Available Evidence}. }

36. 否則會形成不可檢驗權威

結構變成：

你問證據在哪？

回答：

他是內部專家，所以一定有理由。

這會使：

\boxed{ \text{Authority} }

取代：

\boxed{ \text{Traceability}. }

37. 科學聖徒化風險

若：

W_{\text{person}} \gg W_{\text{evidence}}+W_{\text{method}},

則可能發生：

\boxed{ \text{epistemic sanctification}. }

38. 但反過來也不能否定專家

如果說：

既然權威不能取代證據，所以專家身份毫無價值。

也是錯的。

39. 正確結構是

\boxed{ \text{Credential} \rightarrow \text{reasonable prior weighting}, }

但：

\boxed{ \text{Credential} \not\rightarrow \text{final epistemic closure}. }

40. 專家信念至少有三種公共用法

用法一：導航

哪個方向值得研究？

合理。

41. 用法二：決策輸入

在資訊不足時，政策是否應先防範？

也可能合理。

42. 用法三：被當成已測量事實

這就是風險最高的：

\boxed{ \text{credence-to-fact promotion}. }

43. 科學權威的公共放大

可粗略寫：

\boxed{ \text{PublicWeight}(q) = \text{ClaimStrength} \times \text{Credential} \times \text{Institution} \times \text{MediaReach}. }

44. 因此同一句「10%」

普通匿名者：

PW\approx\text{low}.

著名科學家：

PW\gg\text{low}.

前沿公司核心研究者：

PW\ggg\text{low}.

45. 權威越高，越不能只靠「這只是我個人看法」

因為：

\boxed{ \text{speaker cannot fully control authority carryover}. }

46. Public Scientific Burden Principle

本文提出：

公共科學負擔原則

\boxed{ \text{ScientificAuthority}\uparrow \Rightarrow \text{PublicEpistemicBurden}\uparrow. }

47. 這不是限制自由

它不是：

科學家不能有意見。

而是：

當你的意見會被公眾接收成科學訊號時，你有較高義務標示其來源與限制。

48. 公共科學負擔至少包含六項

Claim Type；
Evidence Source；
Uncertainty；
Alternative Models；
Calibration Status；
Conflict of Interest。

49. Claim Type

標示：

\boxed{ \text{Observation?} \text{Inference?} \text{Hypothesis?} \text{Scenario?} \text{Credence?} \text{Recommendation?} }

50. Evidence Source

是：

public data；
private data；
model output；
formal derivation；
personal judgment？

51. Uncertainty

至少說明：

\boxed{ \text{how wide is the plausible range?} }

不是只丟單點。

52. Alternative Models

例如：

H_1,H_2,H_3.

不要把：

H_1

直接寫成：

\text{the explanation}.

53. Calibration Status

研究者是否有：

\boxed{ \text{forecast track record} }

？

若沒有，

也沒關係，

但應標示：

uncalibrated personal credence.

54. Conflict of Interest

例如一個機構提出：

某技術非常危險，因此需要只有大型合規機構能負擔的監管。

這個主張可能是真。

但也可能同時：

\boxed{ \text{benefit the institution}. }

55. 利益存在不等於主張錯誤

所以：

\boxed{ \text{ConflictOfInterest} \neq \text{Falsehood}. }

56. 但利益應進入公共模型

因為：

\boxed{ \text{motivated reasoning risk}>0. }

57. 概率透明封包

本文提出：

\boxed{ PTP = \text{Probability Transparency Packet}. }

58. 最小格式

probability_transparency:
  event:
  horizon:
  probability:
  type:
  evidence_basis:
  decomposition:
  calibration_status:
  confidence_interval_or_range:
  alternative_models:
  key_unknowns:
  personal_or_institutional:

59. 「十年內 10%」若沒有 event 定義不完整

因為：

AI extinction

可能指：

AI 直接造成；
AI 協助人類造成；
AI 為必要條件；
AI 為加速因素；
AI 僅存在於因果鏈。

60. 事件定義必須能被判定

因此：

\boxed{ \text{EventDefinition} }

至少要有：

時間；
門檻；
因果歸因；
成功／失敗判定。

61. 否則預測永遠可以事後移動

這將在 REPE-04 展開：

\boxed{ \text{Forecast Target Drift}. }

62. 單點概率常造成假穩定感

例如：

P=10\%.

可能實際表示：

我今天感覺約 5–20%。

63. 因此更合理的公開形式可能是

\boxed{ P\in[0.03,0.20] }

加：

median personal credence ≈ 0.1.

64. Range 不一定更科學

如果 range 也是亂猜，

仍然沒有神奇升級。

但至少它減少：

\boxed{ \text{point-estimate illusion}. }

65. Point Estimate Illusion

本文定義：

\boxed{ PEI = \text{Point Estimate Illusion}. }

即：

單一百分比讓高度模糊信念看起來像有狹窄誤差範圍的測量值。

66. 當媒體只保留數字

原始：

my rough personal credence is above 10%.

標題：

Scientist says 10% chance.

再：

AI has 10% extinction risk.

形成：

\boxed{ \text{Qualifier Attrition}. }

67. Qualifier Attrition

本文定義：

\boxed{ QA = \text{Qualifier Attrition}. }

即：

傳播過程中，限制詞比結論更快消失。

68. 典型消失順序

最先消失：

personal；
rough；
conditional；
scenario-dependent；
uncertain。

最後留下：

\boxed{ 10\%. }

69. 所以來源端不能假設 caveat 會自動存活

這接回 REPE-01：

\boxed{ \text{Formal Caveat Presence} \neq \text{Public Epistemic Balance}. }

70. Credence Provenance Labeling

本文提出：

\boxed{ CPL = \text{Credence Provenance Labeling}. }

例如：

Individual subjective credence, not an empirical estimate.

71. 這一句很重要

因為它阻止：

\boxed{ P_4\rightarrow P_1 }

的無標記型別升級。

72. Structured Expert Elicitation 也不是「真實概率」

即使：

n=100

位專家聚合，

仍然主要是：

\boxed{ \text{structured judgment}. }

73. 聚合能減少某些個體偏差

但不能創造：

\boxed{ \text{missing empirical universe}. }

74. 專家分歧本身也是資料

若：

P_i

在：

[0.1\%,30\%]

高度分散，

則應呈現：

\boxed{ \text{disagreement structure}. }

75. 不應只報中位數

因為中位數可能遮掉：

學派分裂；
threat model 不同；
時間表不同；
定義不同。

76. Meta-Uncertainty

本文定義：

\boxed{ MU = \text{Meta-Uncertainty}. }

即：

我們對「自己的概率估計是否值得信任」本身的不確定性。

77. MU 在前沿風險中特別重要

因為：

\text{low data} + \text{novel system} + \text{endogenous dynamics}

通常：

MU\uparrow.

78. 因此

\boxed{ \text{High numerical confidence} }

在：

MU\gg0

時需要額外理由。

79. Forecasting Skill ≠ Domain Expertise

一個人可能是：

\text{excellent AI researcher}

但不是：

\text{calibrated long-horizon forecaster}.

80. 反之也可能

一個 forecasting expert：

\text{calibration skill}\uparrow

但：

\text{domain depth}\downarrow.

81. 所以兩種專業應分開

\boxed{ \text{DomainExpertise} \neq \text{ForecastingCalibration}. }

82. 最佳結構可能是混合

\boxed{ \text{DomainExperts} + \text{Superforecasters} + \text{Modelers} + \text{IndependentAuditors}. }

83. 單一專家不應被轉譯成「科學共同體」

因此：

\boxed{ \text{Expert} \neq \text{Consensus}. }

84. 單一公司也不等於領域

\boxed{ \text{Frontier Lab} \neq \text{Scientific Field}. }

85. 公司內部共識也不等於外部共識

因為組織內部可能共享：

資料；
世界觀；
招募選擇；
文化；
incentives。

86. Epistemic Correlation

本文提出：

\boxed{ \text{ECorr} = \text{Epistemic Correlation}. }

如果多位專家高度共享：

\text{training} + \text{institution} + \text{assumptions},

他們不是獨立樣本。

87. 所以「十位專家都說 10%」

不能直接當作：

n=10

獨立證據。

88. Effective Epistemic Sample Size

可概念化：

\boxed{ N_{\mathrm{eff}} < N }

當認知來源高度相關。

89. 這也是公司風格為何重要

一家公司如果長期偏好：

某種 threat model；
某些語義；
某些研究問題；

其內部多個聲音可能：

\boxed{ \text{not epistemically independent}. }

90. 但同樣不能因此全盤否定

組織集中研究某問題，

也可能使：

\text{expertise}\uparrow.

所以需要同時看到：

\text{Depth}\uparrow

與：

\text{Correlation}\uparrow.

91. 科學責任不是要求「完美中立」

本文拒絕：

\boxed{ \text{Perfect Neutrality Myth}. }

因為研究題目、模型、語言與政策都包含選擇。

92. 真正可要求的是透明偏置

本文提出：

\boxed{ \text{Transparent Situatedness}. }

即：

我知道自己位於什麼位置，也讓別人知道。

93. Situatedness 包括

機構；
方法；
目標；
threat model；
利益；
價值前提；
資料邊界。

94. 這不會消除偏差

但提高：

\boxed{ \text{auditability}. }

95. 科學語言的公共特殊性

一般政治人物說：

我認為。

受眾知道：

\text{political claim}.

科學家說：

我認為。

公眾可能仍聽成：

\boxed{ \text{science-informed fact}. }

96. 因此科學家的「我認為」也有非對稱重量

這不是公平不公平問題，

而是：

\boxed{ \text{social epistemic reality}. }

97. 所以高學術資格帶來額外自由，也帶來額外負擔

額外自由：

公眾願意聽你。

額外負擔：

你更需要說清楚你現在是在什麼 epistemic register 說話。

98. Public Scientific Burden Index

本文提出概念指標：

\boxed{ PSB = A_s \times R \times I \times C. }

其中：

$A_s$ ：Scientific Authority；
$R$ ：Reach；
$I$ ：Irreversibility of downstream action；
$C$ ：Claim Severity。

99. 若 PSB 高

則應提高：

\boxed{ \text{Documentation} + \text{Qualification} + \text{Audit} + \text{Counterargument}. }

100. 例如文明滅絕預測

因為：

C\gg0,

所以即使只是個人 credence，

也應附：

event definition；
causal decomposition；
alternative pathways；
update rule；
uncertainty range；
subjective label。

101. 這不是因為不准談滅絕

反而是因為：

\boxed{ \text{extreme claims deserve high-resolution provenance}. }

102. 科學倡議也可以存在

研究者可以說：

即使機率只有 1%，因為損失極大，我仍支持某政策。

這是完整的：

\boxed{ \text{Probability} + \text{Utility} + \text{Policy}. }

103. 這比偷偷用概率承載價值更乾淨

不應把：

我認為應該強監管

偷偷轉成：

風險是 30%。

104. Value Smuggling Through Probability

本文提出：

\boxed{ VSP = \text{Value Smuggling Through Probability}. }

即：

用提高或降低概率數字，隱含承載原本應被單獨討論的價值與政策偏好。

105. 不是說所有高概率都是 VSP

VSP 必須有證據才能歸因。

本文只把它列為：

\boxed{ \text{failure mode}. }

106. 正確分離

\boxed{ P(E) }

回答：

我相信事件多可能？

U(E)

回答：

如果發生多糟？

\pi

回答：

我們該做什麼？

107. 三者不要混

\boxed{ \text{Probability} \neq \text{Severity} \neq \text{Policy Preference}. }

108. 低概率高損失仍可合理治理

所以不需要為了支持治理，

把：

P

硬推高。

109. 這反而增加誠實度

例如：

我只給 1%，但因為結果不可逆，仍支持低成本防範。

比：

我給 30%，所以必須做。

更容易審查。

110. 科學權威真正應保護的是可修正性

不是：

\boxed{ \text{always being right}. }

而是：

\boxed{ \text{being publicly correctable}. }

111. 因此聲望不應綁在預測不犯錯

否則會產生：

\boxed{ \text{prediction identity}. }

這會在 REPE-04 成為：

\text{Prophetic Capital}.

112. 最健康的科學家可以公開說

我當年給 10%，現在降到 2%。

這應該提升：

\text{trust}.

而不是降低。

113. 因為更新本身是科學能力

\boxed{ \text{Revision} \neq \text{Failure of Character}. }

114. 科學聲望若懲罰更新

就可能促進：

\boxed{ \text{belief entrenchment}. }

115. 因此公共科學制度應獎勵

預測存檔；
版本更新；
誤差承認；
反例追蹤；
概率修訂。

116. Scientific Forecast Ledger

本文提出：

\boxed{ SFL = \text{Scientific Forecast Ledger}. }

記錄：

日期；
命題；
概率類型；
數值；
理由；
版本；
後續更新。

117. Ledger 的目的不是羞辱錯誤

而是建立：

\boxed{ \text{calibration history}. }

118. 若沒有歷史

「專家說 10%」

不能知道：

這位專家長期是過度悲觀、過度樂觀，還是高度校準？

119. 公共科學負擔與言論自由可以共存

\boxed{ \text{FreedomToSpeak} + \text{DutyToLabel} }

並不矛盾。

120. 最低標記原則

若一句話同時滿足：

\text{HighAuthority} + \text{HighImpact} + \text{HighUncertainty},

則應至少標記：

\boxed{ \text{ClaimType} + \text{EvidenceType} + \text{Uncertainty} }.

121. REPE-03 的核心不是「別相信專家」

相反地，

現代社會必須依賴：

\boxed{ \text{expert testimony}. }

沒有人能自己重做所有研究。

122. 真正目標是讓專業信任保持可追溯

所以：

\boxed{ \text{Expert Trust} \neq \text{Expert Immunity}. }

123. 信任的健康形式

\boxed{ \text{Trust} = \text{Credential} + \text{Traceability} + \text{Correctability}. }

124. 不健康形式

\boxed{ \text{Trust} = \text{Person} }

或：

\boxed{ \text{Institution} }

單獨閉合。

125. 十八個核心命題

命題一

\boxed{ \text{Subjective Credence} \neq \text{Empirical Probability}. }

命題二

\boxed{ \text{Expert Elicitation} \neq \text{Observed Frequency}. }

命題三

\boxed{ \text{Same Number} \neq \text{Same Epistemic Object}. }

命題四

\boxed{ \text{Credential} \neq \text{Derivation}. }

命題五

\boxed{ \text{Arithmetic Precision} \neq \text{Epistemic Precision}. }

命題六

\boxed{ \text{Formalization} \neq \text{Evidence Upgrade}. }

命題七

\boxed{ \text{No Precision Promotion Without Evidence Promotion}. }

命題八

\boxed{ \text{Expert} \neq \text{Consensus}. }

命題九

\boxed{ \text{Frontier Lab} \neq \text{Scientific Field}. }

命題十

\boxed{ \text{DomainExpertise} \neq \text{ForecastingCalibration}. }

命題十一

\boxed{ \text{ScientificAuthority}\uparrow \Rightarrow \text{PublicEpistemicBurden}\uparrow. }

命題十二

\boxed{ \text{Private Credence} + \text{Authority Carryover} \rightarrow \text{CCL Risk}. }

命題十三

\boxed{ \text{Register Switching} }

必須保持可見。

命題十四

\boxed{ \text{Possible Hidden Evidence} \neq \text{Public Evidence}. }

命題十五

\boxed{ \text{Probability} \neq \text{Severity} \neq \text{PolicyPreference}. }

命題十六

\boxed{ \text{ConflictOfInterest} \neq \text{Falsehood}. }

但應被揭露。

命題十七

\boxed{ \text{Revision} \neq \text{Failure}. }

命題十八

\boxed{ \text{Expert Trust} \neq \text{Expert Immunity}. }

126. 可證偽性

本文理論若要具有科學價值，也必須接受削弱條件。

以下觀察會削弱本文：

公眾能穩定區分專家主觀 credence 與實證概率，不受身份影響；
百分比形式不會提高任何「看起來更科學」的知覺；
專家身份對同一主張的可信度與政策影響沒有可重現差異；
qualification 在公共傳播中不會系統性流失；
增加 probability provenance 不改善理解、校準或信任；
專家的長期 forecast calibration 與其公共權威完全無關。

127. 研究限制

127.1 本文沒有證明特定研究者故意使用概率包裝觀點

動機推定需要獨立證據。

本文分析的是：

\boxed{ \text{structural effect}. }

128. 專家主觀概率可能非常有價值

本文不否認：

\boxed{ P_4 }

在缺資料世界中的決策作用。

129. 強制過度標記也可能降低溝通效率

如果每一句都附完整 epistemic packet，

公共資訊可能不可讀。

所以制度需要：

\boxed{ \text{risk-proportional disclosure}. }

130. 對極高影響主張應要求更多

例如：

大流行；
核戰；
AGI；
人類滅絕；
國家安全。

因為：

\boxed{ \text{DownstreamImpact}\uparrow. }

131. 與 REPE-04 的接口

本文到這裡只回答：

一個高權威預測是什麼認識論地位？

下一篇將問：

當預測者有能力改變世界，而且預測成為其身份、聲望與制度利益的一部分時，十年後預測沒有實現，究竟會發生什麼？

132. REPE-04 的核心預告

\boxed{ \text{Forecast} \rightarrow \text{Intervention} \rightarrow \text{World Change} \rightarrow \text{Forecast Evaluation}. }

再加入：

\boxed{ \text{Prophetic Capital}. }

133. 結論

科學家的私人信念不是垃圾。

專家判斷不是偽科學。

Bayesian credence 也不是非法概率。

真正的問題是：

不同認識論型別在公共傳播中被壓成同一種「科學數字」。

一個：

10\%

可以是：

歷史頻率；
模型估計；
結構化專家聚合；
個人主觀信念。

若不標記來源，

公眾只能靠：

\text{speaker identity}

猜它是哪一種。

而當發言者具有巨大科學權威時，

身份會把：

\text{credence}

向：

\text{fact}

方向推動。

這就是：

\boxed{ \text{Credential-to-Credence Leakage}. }

因此本文主張：

\boxed{ \text{Scientific Authority} \uparrow \Rightarrow \text{Public Epistemic Burden} \uparrow. }

不是因為科學家必須比普通人少說話。

恰恰相反。

是因為：

當世界願意因為你的資格而多相信你一點時，你也比普通人多了一點義務，讓世界知道你現在說的是測量、模型、專家判斷，還是你個人的信念。

最終一句話：

科學權威可以提高一個猜測值得被聽見的理由，但不能把猜測本身變成已被科學測量過的事實。

參考文獻

Cooke, R. M. (1991). Experts in Uncertainty: Opinion and Subjective Probability in Science. Oxford University Press.
O'Hagan, A., Buck, C. E., Daneshkhah, A., Eiser, J. R., Garthwaite, P. H., Jenkinson, D. J., Oakley, J. E., & Rakow, T. (2006). Uncertain Judgements: Eliciting Experts' Probabilities. Wiley.
Tetlock, P. E. (2005). Expert Political Judgment. Princeton University Press.
Tetlock, P. E., & Gardner, D. (2015). Superforecasting. Crown.
Fischhoff, B. (2013). The Sciences of Science Communication. PNAS, 110(Supplement 3), 14033–14039.
Merton, R. K. (1942). The Normative Structure of Science.
Neo.K with Aletheia. (2026). 神聖與真理的人格化：宗教聖人、科學聖人與權威中心性. EveMissLab.
Neo.K with Aletheia. (2026). AGI 高信心言論與制度性責任閉包：觀察論文. EveMissLab.
Neo.K with Aletheia. (2026). REPE-01：詞不是旁觀者. EveMissLab.
Neo.K with Aletheia. (2026). REPE-02：治理者也必須被治理. EveMissLab.

附錄 A：Probability Transparency Packet

probability_transparency:
  event_definition:
  time_horizon:
  probability_value:
  probability_type:
    - empirical_frequency
    - model_based_estimate
    - structured_expert_elicitation
    - individual_subjective_credence
  evidence_basis:
  decomposition:
  uncertainty_range:
  calibration_status:
  meta_uncertainty:
  alternative_models:
  causal_attribution_rule:
  speaker_role:
  institutional_affiliation:
  conflict_of_interest:

附錄 B：Credence Provenance Label

credence_provenance:
  claim:
  is_personal_credence:
  is_empirical_estimate:
  is_model_derived:
  is_expert_aggregated:
  supporting_public_evidence:
  unavailable_private_evidence_claimed:
  calibration_record:
  last_update:

附錄 C：Scientific Forecast Ledger

scientific_forecast_ledger:
  forecast_id:
  forecaster:
  date:
  event:
  horizon:
  probability:
  type:
  rationale:
  assumptions:
  alternatives:
  disconfirmation_conditions:
  update_rule:
  revisions:

附錄 D：一句話版本

專家的資格可以讓他的私人信念更值得被聽見，但不能讓私人信念在沒有額外證據的情況下自動變成科學估計。