title: 從證據清單到證據關係圖：Evidence–Claim Matching、Scope Binding 與認識論權威替代防護
english_title: From Evidence Lists to Evidence Relation Graphs: Evidence–Claim Matching, Scope Binding, and Protection Against Epistemic Authority Substitution
series: AI 原生研究物迭代與可驗證升版方法論系列
series_en: AI-Native Research Object Revision and Verifiable Evolution Series
paper: 04
author: Neo.K
institution: EveMissLab／一言諾科技有限公司
research_assistance: AI-assisted theoretical development
version: v0.1
date: 2026-09-16
language: zh-TW
status: Canonical UTF-8 Source / Working Paper
research_class: METHODOLOGY / EPISTEMIC GOVERNANCE / SCHOLARLY INFRASTRUCTURE
claim_state: THEORETICAL FRAMEWORK / REVIEW PROTOCOL / DATA MODEL PROPOSAL
evidence_state: CONCEPTUAL / PRACTICE-DERIVED

從證據清單到證據關係圖：Evidence–Claim Matching、Scope Binding 與認識論權威替代防護

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
日期： 2026-09-16
版本： v0.1

摘要

研究物的可信度不能由「附了多少證據」直接推出。即使一篇論文擁有大量引用、數據、圖表、程式、實驗與證書，也仍可能存在證據與主張不相干、證據只支持較弱命題、實驗範圍遠小於主張範圍、引用只提供背景而未提供支持、或權威訊號替代實際推理等問題。

本文將第 03 篇提出的型別分離進一步落地，建立 Evidence–Claim Matching、Support Edge、Scope Binding 與 Authority Substitution Guard 四個核心機制。

本文提出：

\boxed{ \text{Evidence Presence} \neq \text{Evidence Relevance} \neq \text{Evidence Support} \neq \text{Evidence Sufficiency}. }

並定義：

\boxed{ E_j \xrightarrow{ (\rho,\sigma,\beta) } C_i, }

其中：

$\rho$ ：relevance／相關性；
$\sigma$ ：support relation／支持關係；
$\beta$ ：scope binding／範圍綁定。

本文進一步主張，任何研究審查都不應只問：

有沒有引用？
有沒有數據？
有沒有實驗？
有沒有證書？

而應追問：

它支持哪一個 claim？
支持的是原 claim，還是較弱版本？
支持關係是 direct、partial、consistent-with 還是 merely contextual？
evidence scope 與 claim scope 是否一致？
若移除權威來源名稱，推理鏈是否仍然成立？

本文最後提出一套可由 AI、研究平台、MCP 與人類審查者共同使用的 evidence graph schema 與 review protocol，使研究升版從「添加學術材料」轉向「重建可檢查的認識關係」。

關鍵詞： Evidence–Claim Matching、Support Edge、Scope Binding、Authority Substitution、Evidence Graph、Claim Ledger、研究升版、學術治理、AI 原生研究

0. 問題起點：為什麼「有證據」仍然可能沒有證成？

考慮一個研究主張：

C.

研究者提供：

E_1,E_2,\ldots,E_n.

一個表面式審查可能只判定：

n>0.

然後認為：

C

比沒有 evidence 的版本更可信。

但這裡至少漏掉四個不同問題：

\boxed{ \text{Existence} }

\boxed{ \text{Relevance} }

\boxed{ \text{Support} }

\boxed{ \text{Sufficiency}. }

因此：

\boxed{ \text{Evidence Exists} \not\Rightarrow \text{Evidence Matters}. }

更不能直接推出：

\boxed{ \text{Claim Established}. }

1. Evidence Presence：只有「有東西」

第一層是：

P(E_j)=1.

也就是 evidence artifact 存在。

例如：

有一份 CSV；
有一個 benchmark；
有一份 simulation；
有一篇引用；
有一個 Lean certificate；
有一張圖；
有一份 survey；
有一個 runtime trace。

Presence 只回答：

系統中有沒有這個 evidence artifact？

它不回答：

這個 artifact 對哪個 claim 有作用？

因此：

\boxed{ \text{Presence} = \text{Inventory Property}. }

不是：

\text{Support Property}.

2. Evidence Relevance：它跟這個主張有沒有關係？

第二層是：

\rho(E_j,C_i) = \text{Relevance}.

若：

\rho\approx0,

即使 evidence 很權威，也不應提高 claim 的支持強度。

例如，一篇高引用的 AI safety 論文，不能因為「很權威」就直接支持某個資料格式 round-trip 正確性的 claim。

因此：

\boxed{ \text{Prestige} \not\Rightarrow \text{Relevance}. }

Relevance 需要回答：

如果這個 evidence 是真且可靠的，它是否會改變我們對 $C_i$ 的判斷？

若答案是否定的，則：

\rho(E_j,C_i)\approx0.

3. Evidence Support：相關不等於支持

即使：

\rho(E_j,C_i)>0,

也不能推出：

E_j \text{ supports } C_i.

因為 evidence 可能是：

counterevidence；
boundary evidence；
background evidence；
merely consistent；
ambiguous；
refuting。

因此定義：

\sigma(E_j,C_i) = \text{Support Relation}.

至少可分：

DIRECT_SUPPORT
INDIRECT_SUPPORT
PARTIAL_SUPPORT
CONSISTENT_WITH
NECESSARY_BUT_NOT_SUFFICIENT
BOUNDARY_SUPPORT
CONTEXT_ONLY
COUNTEREVIDENCE
REFUTING
AMBIGUOUS
UNKNOWN

所以：

\boxed{ \text{Relevant Evidence} \neq \text{Supporting Evidence}. }

4. Evidence Sufficiency：支持也不一定夠

一個 evidence 可能真的支持 claim。

但支持強度仍然不足。

例如：

E_1 \xrightarrow{\text{partial}} C.

這不代表：

C

已經被充分證成。

因此定義：

\eta(C_i\mid E) = \text{Support Sufficiency}.

Sufficiency 不是 evidence 數量的函數：

\eta \neq f(n).

十個弱 evidence 不一定勝過一個關鍵反例。

因此：

\boxed{ \text{Evidence Quantity} \neq \text{Evidence Sufficiency}. }

5. 四層 evidence pipeline

完整流程應是：

\boxed{ \text{Presence} \rightarrow \text{Relevance} \rightarrow \text{Support} \rightarrow \text{Sufficiency}. }

若其中任何一層被跳過，就可能產生「學術材料很多，但主張其實沒被支持」的情況。

因此審查器不能只做：

citation_count > 20 ? PASS : FAIL

而要做：

claim -> evidence candidates
      -> relevance test
      -> support relation
      -> scope binding
      -> sufficiency assessment

6. Evidence–Claim Matching

本文定義：

\boxed{ M_{EC} : E_j \mapsto C_i. }

Evidence–Claim Matching 的目的，是建立：

每個 evidence artifact 究竟對哪個 claim 有什麼作用？

例如：

evidence:
  id: E17
  type: computational
  artifact: results.csv

supports:
  claim: C4
  relation: partial_support
  relevance: high

這比：

datasets:
  - results.csv

多出真正的認識結構。

7. 一個 Evidence 可以支持多個 Claim

Evidence 與 Claim 不一定是一對一。

可能：

E_1 \rightarrow \{C_1,C_2,C_3\}.

但 relation 可能不同：

\sigma(E_1,C_1) = \text{DIRECT},

\sigma(E_1,C_2) = \text{PARTIAL},

\sigma(E_1,C_3) = \text{CONSISTENT\_WITH}.

因此 Evidence–Claim Graph 必須允許：

\text{many-to-many}.

8. 一個 Claim 也可能需要多種 Evidence

同樣：

C_i

可能同時需要：

formal；
computational；
empirical；
historical；
reproduction；

等多種 evidence。

所以：

\{E_1,E_2,\ldots,E_k\} \rightarrow C_i.

這在跨領域理論中特別常見。

例如某個 Agent runtime claim 可能同時需要：

\text{Architecture Proof} + \text{Execution Trace} + \text{Failure Test}.

單一 evidence 類型不足以覆蓋整個 claim。

9. Scope Binding：證據支持到哪裡為止？

本文定義：

\boxed{ \beta(E_j,C_i) = \text{Scope Binding}. }

Claim scope 可表示為：

S_C = (D,C,t,F,S),

其中：

$D$ ：domain；
$C$ ：conditions；
$t$ ：time；
$F$ ：reference frame；
$S$ ：semantics。

Evidence scope 表示為：

S_E.

若：

S_E \subsetneq S_C,

則 evidence 只能支持 claim 的局部版本。

因此：

\boxed{ \text{Support Scope} \neq \text{Claim Scope} }

時，必須顯式標註 gap。

10. Scope Inflation

若 evidence 只覆蓋：

D_0,

但論文宣稱：

\forall D,

則出現：

\boxed{ \text{Scope Inflation}. }

典型形式：

\text{Local Observation} \rightarrow \text{Global Claim}.

或：

\text{Finite Test} \rightarrow \text{Universal Claim}.

或：

\text{Simulation} \rightarrow \text{Real-World Universality}.

研究升版時，系統應檢查：

S_E \stackrel{?}{\supseteq} S_C.

若否，則：

縮 claim；
補 evidence；
或標記 support gap。

11. Claim Weakening 與 Claim Splitting

如果 evidence 無法支持原 claim：

C,

可能有兩種合理修正。

第一：

C \rightarrow C',

其中：

C'

是 scope 較窄、強度較低但被 evidence 支持的版本。

第二：

C \rightarrow \{C_a,C_b,C_c\}.

也就是將原本混合主張拆成：

已支持部分；
未支持部分；
規範性部分。

這比把整句話含混地標成：

partially supported

更有用。

12. Citation Matching

引用也應建立 claim-level relation。

例如：

citation:
  id: R12
  source: ...
  target_claim: C3
  role: prior_art

另一篇：

citation:
  id: R18
  source: ...
  target_claim: C7
  role: empirical_support

另一篇：

citation:
  id: R22
  source: ...
  target_claim: C9
  role: historical_context

因此：

\boxed{ \text{Citation Role} \neq \text{Citation Presence}. }

13. 引用的五種基本角色

至少可以分：

PRIOR_ART
BACKGROUND
DEFINITIONAL_SOURCE
EMPIRICAL_SUPPORT
COUNTERPOSITION
HISTORICAL_SOURCE
METHOD_SOURCE
REPRODUCTION_SOURCE

這使 AI 與人類都能知道：

作者引用這篇到底是為了什麼？

若一篇 citation 只是 BACKGROUND，就不應被自動計入核心 claim 的 evidence strength。

14. Authority Substitution Guard

本文定義：

\boxed{ G_A = \text{Authority Substitution Guard}. }

它的目的是阻止：

A_s \rightarrow \text{Claim Acceptance}

在沒有 reasoning bridge 的情況下發生。

Guard 可以提出至少五個問題：

若隱去作者與機構名稱，論證是否仍成立？
若 publication venue 改成未知來源，evidence relation 是否改變？
引用是否真的支持 target claim？
benchmark 是否測到 target property？
certificate 是否覆蓋 target version 與 scope？

若只有權威訊號消失，支持強度就大幅崩解，則可能存在：

\boxed{ \text{Authority Dependency}. }

15. Blind Source Test

可以建立一個簡單的審查操作：

\boxed{ \text{Blind Source Test}. }

將：

作者；
機構；
期刊；
citation count；
leaderboard rank；

暫時隱去。

只保留：

claim；
method；
evidence；
reasoning；
scope。

然後重新判斷。

若：

\Gamma_{\text{named}} \gg \Gamma_{\text{blind}},

且差異無法由 source reliability 合理解釋，則可能表示 authority signal 權重過高。

16. Source Reliability 仍然有價值

本文並不主張：

權威來源完全沒用。

來源可靠性當然重要。

例如：

P(E\text{ is genuine}\mid A_s)

可能會受到：

journal process；
institution；
provenance；
chain of custody；
known methodology；

影響。

真正要避免的是：

\boxed{ \text{Source Reliability} \rightarrow \text{Claim Truth} }

的非法跳躍。

更合理是：

A_s \rightarrow P(E\text{ reliable}) \rightarrow P(C\mid E,R,S).

也就是 authority 只能作用於 evidence reliability 的某些部分，而不是直接跳到 claim truth。

17. Data Authority Substitution

數據本身也可能形成權威感。

例如：

有十萬筆資料。

這聽起來很強。

但應先問：

資料代表什麼？
怎麼採樣？
有沒有 selection bias？
target variable 是什麼？
proxy 是什麼？
missingness 怎麼處理？
量測本身可靠嗎？
是否與 claim 的 domain 一致？

因此：

\boxed{ N\uparrow \not\Rightarrow \text{Epistemic Quality}\uparrow. }

大量錯誤代理量仍然是錯誤代理量。

18. Proxy–Target Check

本文加入：

\boxed{ G_P = \text{Proxy–Target Guard}. }

對任何量測：

X

都應問：

它是 target variable，還是 proxy？

例如：

\text{Publication Timestamp}

可能只是：

\text{Publishing Event Proxy}.

它不自動等於：

\text{Creation Time}.

同樣：

\text{Citation Count}

不自動等於：

\text{Theory Quality}.

\text{Benchmark Score}

不自動等於：

\text{General Capability}.

因此：

\boxed{ \text{Proxy} \neq \text{Target Variable}. }

必須成為 evidence review 的標準檢查。

19. Support Gap

本文定義：

\boxed{ G(C_i) = \text{Support Gap}. }

它表示 claim 所需支持與目前 evidence 之間的差距。

可能狀態：

NO_GAP
SMALL_GAP
MATERIAL_GAP
MAJOR_GAP
UNKNOWN

Support Gap 的用途不是羞辱論文。

而是告訴未來升版：

下一步最值得補什麼？

例如：

claim: C7
support_gap:
  state: material_gap
  missing:
    - real_world_validation
    - cross_implementation_test

20. Evidence Debt

當研究物已經知道缺什麼，但尚未補齊，可以記：

\boxed{ D_E = \text{Evidence Debt}. }

Evidence Debt 與「論文品質差」不是同一件事。

它只是表示：

目前版本仍存在可識別的未完成支持工作。

例如：

evidence_debt:
  claim: C12
  missing:
    - historical_source_verification
  priority: medium

這能讓升版真正有方向。

21. Counterevidence 必須是一級資料

很多研究系統只保存 supporting evidence。

這會產生：

\text{Confirmation Bias by Schema}.

因此 evidence graph 必須允許：

E_k \xrightarrow{\text{counter}} C_i.

甚至：

E_k \xrightarrow{\text{refuting}} C_i.

Counterevidence 不應藏在備註。

它應與 supporting evidence 同級。

22. Contradiction 不是失敗，而是版本觸發器

若新 evidence：

E_{new}

與現有 claim：

C_i

產生嚴重衝突：

\sigma(E_{new},C_i)=\text{REFUTING},

則它應觸發：

\boxed{ \text{Revision Event}. }

可能結果：

claim weakening；
scope restriction；
claim removal；
theory split；
version bump；
refuted lifecycle；
unresolved dispute。

這比「偷偷把句子改掉」更符合研究責任。

23. Review Protocol

本文提出一個最小 review protocol。

對每個核心 claim：

Step 1 — Claim Extraction

C_i

到底是什麼？

Step 2 — Claim Typing

它是：

empirical；
formal；
engineering；
conceptual；
normative；
predictive？

Step 3 — Evidence Inventory

有哪些 evidence？

Step 4 — Relevance Test

\rho(E_j,C_i)

是多少？

Step 5 — Support Relation

\sigma(E_j,C_i)

是什麼？

Step 6 — Scope Binding

S_E \stackrel{?}{\supseteq} S_C

？

Step 7 — Proxy–Target Check

是否混淆 proxy 與 target？

Step 8 — Authority Guard

是否主要靠 prestige 提高可信度？

Step 9 — Counterevidence Check

是否存在反例或負結果？

Step 10 — Support Gap

還缺什麼？

24. 升版規則不應是「資料越多越好」

本文反對：

\boxed{ \text{Revision Quality} = \text{Added Data Volume}. }

更合理是：

\boxed{ Q_R = f( \text{Claim Clarity}, \text{Evidence Match}, \text{Scope Fit}, \text{Counterevidence Handling}, \text{Inference Quality} ). }

有時最好的升版不是新增資料。

而是：

刪掉不相關數據；
把 global claim 改成 local claim；
把引用角色重新標記；
將 empirical 與 normative claim 分開；
承認某 claim 暫時 open；
補一個關鍵反例。

25. Evidence Graph Schema

可表示為：

claims:
  - id: C1
    statement: ...
    type: engineering
    scope:
      runtime: v2
      platform: windows

evidence:
  - id: E1
    type: computational
    artifact: benchmark.json
    provenance: ...
    scope:
      runtime: v2
      platform: windows

edges:
  - from: E1
    to: C1
    relevance: high
    relation: direct_support
    scope_fit: exact
    strength: medium

Counterevidence：

edges:
  - from: E9
    to: C1
    relevance: high
    relation: counterevidence
    scope_fit: partial

Authority metadata 則另外存：

source:
  peer_reviewed: true
  institution: ...

不能混在 support edge 裡。

26. AI Evaluator 不應只讀 artifact count

AI 審查器若只讀：

citations=120
datasets=3
certificates=2

很容易形成：

\text{Authority Signal Optimization}.

更合理的 evaluator 應優先讀：

\boxed{ \text{Claim Graph} + \text{Evidence Graph} + \text{Scope Graph}. }

並把 authority metadata 當作次級訊號。

27. 人類也會犯同樣的錯

本文不是 AI 批評論文。

人類同樣會：

看期刊名；
看作者名；
看資料量；
看公式密度；
看圖表；
看 institution；
看 citation count；

然後形成快速判斷。

因此：

\boxed{ \text{Authority Substitution} }

是一般認識論問題。

AI 的特殊性只在於：

推理過程較容易重跑；
輸出較容易保存；
同一問題可以大量重複測試；
不同模型可以互相交叉審查。

所以 AI 是可觀察樣本，不是問題唯一來源。

28. 與一般認識論系列的邊界

本文仍屬於「研究物改版方法論」。

因為它回答的是：

一篇研究物應如何保存、審查與升版 evidence relation？

更一般的問題：

為什麼認識主體會被 authority、proxy、premature closure 影響？

則屬於另一個認識論系列。

因此：

\boxed{ \text{General Epistemology} \rightarrow \text{Scholarly Governance Rules}. }

本文是後者。

29. 與前文的完整接口

第 01 篇：

\text{Generation} + \text{Stewardship} + \text{Global Closure}.

第 02 篇：

\text{Identity} \neq \text{Version} \neq \text{Edition} \neq \text{Lineage}.

第 03 篇：

\text{Claim} \neq \text{Evidence} \neq \text{Validation} \neq \text{Truth} \neq \text{Confidence}.

本文加入：

\boxed{ \text{Presence} \neq \text{Relevance} \neq \text{Support} \neq \text{Sufficiency}. }

並正式建立：

\boxed{ E \rightarrow C }

的 typed relation graph。

30. 下一步：從 Theory 到 Capability

完成 evidence governance 後，下一個問題是：

即使某理論沒有被宣稱為世界真理，它到底能做什麼？

因此下一篇將處理：

\boxed{ \text{Theory} \rightarrow \text{Capability} \rightarrow \text{Artifact} \rightarrow \text{Observed Behavior}. }

這會把研究價值從：

\text{Truth Confidence Only}

擴展為：

\text{Epistemic Validity} \times \text{Operational Utility}.

結論

未來研究平台不應只保存：

這篇有多少引用？

有沒有數據？

有沒有實驗？

有沒有證書？

真正需要保存的是：

\boxed{ \text{哪一份 evidence} \rightarrow \text{以什麼關係} \rightarrow \text{支持哪一個 claim} \rightarrow \text{支持到什麼 scope}. }

因此：

\boxed{ \text{Evidence Presence} \neq \text{Evidence Relevance} \neq \text{Evidence Support} \neq \text{Evidence Sufficiency}. }

同時：

\boxed{ \text{Authority Signal} \neq \text{Epistemic Support}. }

以及：

\boxed{ \text{Proxy} \neq \text{Target Variable}. }

當研究系統能夠明確表示這些關係時，證據才真正從「學術裝飾」轉化成：

\boxed{ \text{Inspectable Epistemic Structure}. }

這才是 AI 原生研究升版需要的 evidence layer。