← Archive
lm-004622 · 2026-10

發布時間不是生成時間：Temporal Provenance、Batch Ingest 與研究形成時間的分離

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇
📎 附件 · Companion files — 隨文交付的程式 / 證明 / 資料，可獨立下載重驗
title
發布時間不是生成時間：Temporal Provenance、Batch Ingest 與研究形成時間的分離
english_title
Publication Time Is Not Creation Time: Temporal Provenance, Batch Ingest, and the Separation of Research-Formation Time
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
06
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 / TEMPORAL PROVENANCE / SCHOLARLY INFRASTRUCTURE
claim_state
THEORETICAL FRAMEWORK / DATA MODEL PROPOSAL
evidence_state
CONCEPTUAL / PRACTICE-DERIVED

發布時間不是生成時間：Temporal Provenance、Batch Ingest 與研究形成時間的分離

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

研究平台、預印本站、知識庫與 AI 原生研究系統通常會為每篇研究物顯示一個日期。這個日期往往被默認理解成「這篇論文何時被寫出來」。但在實際研究流程中，一個研究物可能先經歷想法形成、初稿、補研究、驗證、修訂、格式轉換、批次入庫、公開發布與後續部署。若系統只保留單一 publication timestamp，下游人類、搜尋引擎與 AI 很容易把「同日公開」誤判為「同日創作」，再進一步錯估研究速度、生成方式、研究深度與作者工作流程。

本文提出 Temporal Provenance 模型，主張：

tidea≠tdraft≠tvalidation≠tingest≠tpublish≠tdeploy.\boxed{ t_{\mathrm{idea}} \neq t_{\mathrm{draft}} \neq t_{\mathrm{validation}} \neq t_{\mathrm{ingest}} \neq t_{\mathrm{publish}} \neq t_{\mathrm{deploy}}. }

並進一步區分：

Rproduction≠Rpublication.\boxed{ R_{\mathrm{production}} \neq R_{\mathrm{publication}}. }

本文將 batch ingest 視為獨立 scholarly event，建立 publication batch、research interval、validation interval 與 provenance confidence 等 metadata，使研究平台能顯式表達「我們知道哪些時間」「哪些時間只知道範圍」「哪些時間未知」。

本文最後提出 Temporal Attribution Guard，防止研究平台與 AI 將可觀察的時間代理量錯認成真正的研究形成時間。其核心原則為：

Observable Timestamp≠Research-Time Ground Truth.\boxed{ \text{Observable Timestamp} \neq \text{Research-Time Ground Truth}. }

關鍵詞： Temporal Provenance、Publication Time、Creation Time、Batch Ingest、Research Timeline、Versioning、Proxy–Target、AI-native scholarship

0. 問題起點：網站上顯示「2026-09-10」，到底代表什麼？

假設網站顯示：

2026-09-10
Paper A
Paper B
Paper C
...

甚至同一天出現：

278 papers

最容易發生的推論是：

這 278 篇是在 2026-09-10 寫出來的。

但網站直接提供的資訊通常只足以支持：

tpublish=2026-09-10.\boxed{ t_{\mathrm{publish}}= \text{2026-09-10}. }

它並不能直接支持：

tcreate=2026-09-10,t_{\mathrm{create}} = \text{2026-09-10},

更不能支持：

Δtresearch≈1 day.\Delta t_{\mathrm{research}} \approx 1\text{ day}.

因此：

Same Publication Date⇏Same Creation Interval.\boxed{ \text{Same Publication Date} \not\Rightarrow \text{Same Creation Interval}. }

1. 單一日期模型為什麼失效？

傳統網站常只有：

date: 2026-09-10

但這個 date 的語義不清楚。

它可能代表：

  • 第一次想到；
  • 開始寫；
  • 完稿；
  • 第一次存檔；
  • 轉成 Markdown；
  • 上傳網站；
  • 公開發布；
  • 最後修改；
  • 正式定稿；
  • journal publication。

當多種事件被壓成同一欄位：

T→t,T \rightarrow t,

大量時間語義被抹除。

因此第一條規則是：

Date Field≠Temporal Provenance.\boxed{ \text{Date Field} \neq \text{Temporal Provenance}. }

2. Temporal Provenance

本文定義：

T(P)=Temporal Provenance of research object P.\boxed{ \mathcal T(P) = \text{Temporal Provenance of research object }P. }

最小版本可寫為：

T(P)=(ti,td,te,tv,tr,tg,tp,tx),\mathcal T(P) = ( t_i, t_d, t_e, t_v, t_r, t_g, t_p, t_x ),

其中：

  • tit_i：idea first recorded；
  • tdt_d：draft started；
  • tet_e：draft completed；
  • tvt_v：validation event；
  • trt_r：major revision；
  • tgt_g：ingested into platform；
  • tpt_p：publicly published；
  • txt_x：deployed / operationalized。

這些時間可以相同。

但不應預設相同。

3. Idea Time 也不是「真正起源」

即使保存：

ti,t_i,

也只能表示：

First Recorded Idea Time.\boxed{ \text{First Recorded Idea Time}. }

它不一定等於：

First Mental Occurrence.\text{First Mental Occurrence}.

因為思想可能：

  • 在更早對話出現；
  • 在筆記中已有前身；
  • 從另一篇理論延伸；
  • 從多年以前的問題累積；
  • 直到某日才第一次正式命名。

所以：

tidea_recorded≠tidea_origin.\boxed{ t_{\mathrm{idea\_recorded}} \neq t_{\mathrm{idea\_origin}}. }

如果起源未知，應保留：

idea_origin: unknown
idea_first_recorded: 2026-08-25

而不是編造精確日期。

4. Draft Started 與 Draft Completed

一篇研究物可能：

td<te.t_d < t_e.

也可能：

td≈tet_d\approx t_e

如果 AI 輔助高度自動化。

但即使初稿在很短時間內完成，也不表示整個研究只用了這段時間。

因為：

Draft Duration≠Research Formation Duration.\boxed{ \text{Draft Duration} \neq \text{Research Formation Duration}. }

研究形成時間可能包含：

  • 前置閱讀；
  • 過去對話；
  • 既有理論；
  • 程式實驗；
  • 長期問題累積；
  • 後續驗證。

5. Research Interval

本文定義：

IR(P)=[tmin⁡,tmax⁡],\boxed{ I_R(P) = [t_{\min},t_{\max}], }

表示目前可支持的研究形成時間範圍。

例如：

research_interval:
  earliest_known: 2026-08-25
  latest_completion: 2026-09-07
  confidence: medium

這比假裝知道單一「creation date」更誠實。

6. Validation Time 必須獨立

有些研究物會先完成理論，再做驗證。

例如：

te<tv.t_e<t_v.

也可能多次驗證：

tv1<tv2<tv3.t_{v1}<t_{v2}<t_{v3}.

因此 validation 不應只是一個布林值：

validated: true

而應至少表示：

validation_events:
  - date: 2026-09-03
    method: numerical
    result: partial
  - date: 2026-09-08
    method: formal
    result: pass

這使研究物可以回答：

這個 claim 是什麼時候從未驗證變成 partial，再變成 certified？

7. Revision Time 是研究狀態事件

若：

Vn→Vn+1,V_n \rightarrow V_{n+1},

則應保留：

tr,n+1.t_{r,n+1}.

例如：

revision:
  from: v0.1
  to: v0.2
  date: 2026-09-16
  trigger:
    - new_evidence
    - scope_change

所以：

Revision Time=Research-State Transition Time.\boxed{ \text{Revision Time} = \text{Research-State Transition Time}. }

它不只是檔案最後修改時間。

8. Ingest Time

本文定義：

tg=Ingest Time.\boxed{ t_g = \text{Ingest Time}. }

Ingest 表示：

研究物何時進入某個平台、資料庫、網站或索引系統？

這是 infrastructure event。

不是 research event。

例如：

8/25 idea
8/27 draft
8/31 revision
9/03 validation
9/07 canonicalized
9/10 batch ingest

若網站只顯示：

9/10

就會失去前面的研究歷史。

因此：

tg≠td.\boxed{ t_g \neq t_d. }

9. Publication Time

Publication 表示：

tp=Public Availability Time.\boxed{ t_p = \text{Public Availability Time}. }

它回答：

何時對外可讀？

而不是：

何時形成？

所以：

tp≠tresearch.\boxed{ t_p \neq t_{\mathrm{research}}. }

10. Batch Ingest

AI 原生研究環境很容易出現：

Batch Ingest.\boxed{ \text{Batch Ingest}. }

也就是多個研究物在同一資料管線中被：

  • 轉換格式；
  • 產生 metadata；
  • 分配 ID；
  • 建索引；
  • 上傳網站；
  • 同步資料庫。

例如：

publication:
  mode: batch_ingest
  batch_id: LM-20260910-A
  ingested_at: 2026-09-10

這條 metadata 可以直接告訴下游系統：

same batch⇏same creation interval.\boxed{ \text{same batch} \not\Rightarrow \text{same creation interval}. }

11. Publication Burst

若某一天出現大量公開物，可以稱為：

Publication Burst.\boxed{ \text{Publication Burst}. }

但 Publication Burst 只能描述：

Rpublication.R_{\mathrm{publication}}.

不能自動描述：

Rproduction.R_{\mathrm{production}}.

這兩個量必須分離。

12. Production Rate 與 Publication Rate

本文定義：

Rproduction=NcompletedΔtactual research.\boxed{ R_{\mathrm{production}} = \frac{ N_{\mathrm{completed}} }{ \Delta t_{\mathrm{actual\ research}} }. }

而：

Rpublication=NpublishedΔtpublication window.\boxed{ R_{\mathrm{publication}} = \frac{ N_{\mathrm{published}} }{ \Delta t_{\mathrm{publication\ window}} }. }

通常：

Rproduction≠Rpublication.R_{\mathrm{production}} \neq R_{\mathrm{publication}}.

尤其在批次發布環境中，兩者差距可能很大。

13. Publication Density 不是 Thought Density

本文提出：

Publication Density≠Thought Generation Density.\boxed{ \text{Publication Density} \neq \text{Thought Generation Density}. }

同一天發布大量文章，可能來自：

  • 多週累積；
  • 多月累積；
  • 多個對話；
  • 多個本地研究工作區；
  • 多 Agent 並行；
  • 先前草稿重新整理；
  • 批次轉檔；
  • 網站集中 migration。

所以 publication density 只能作為弱 proxy。

14. Temporal Attribution Error

本文將：

tp→tcreatet_p \rightarrow t_{\mathrm{create}}

的非法替代稱為：

Temporal Attribution Error.\boxed{ \text{Temporal Attribution Error}. }

一般形式為：

Observable Event Time→Unobserved Formation Time.\boxed{ \text{Observable Event Time} \rightarrow \text{Unobserved Formation Time}. }

這與第 04 篇的 Proxy–Target Guard 完全一致。

15. Timestamp 也是 Proxy

網站能直接觀察的常是：

tpt_p

或：

tg.t_g.

但真正想知道的可能是：

td,te,IR.t_d, t_e, I_R.

因此：

Timestamp=Potential Proxy.\boxed{ \text{Timestamp} = \text{Potential Proxy}. }

不能因為它精確到秒，就誤以為它代表更真實的研究時間。

精確記錄：

2026-09-10 14:32:17

也可能只是精確記錄了一個不相關的 event。

所以：

Measurement Precision≠Target Validity.\boxed{ \text{Measurement Precision} \neq \text{Target Validity}. }

16. Git Commit 也不是絕對 Creation Time

Git commit 是重要證據。

但：

tcommit≠tidea.\boxed{ t_{\mathrm{commit}} \neq t_{\mathrm{idea}}. }

甚至：

tcommit≠tdraft.t_{\mathrm{commit}} \neq t_{\mathrm{draft}}.

因為文件可能先在：

  • chat；
  • editor；
  • local notes；
  • another repository；
  • ZIP；
  • cloud document；

中形成，再 later commit。

因此 commit time 是：

Repository Provenance,\boxed{ \text{Repository Provenance}, }

不是完整 research provenance。

17. File Modified Time 也有限

檔案時間可能因：

  • copy；
  • sync；
  • migration；
  • extraction；
  • archive；
  • cloud upload；

被改變。

因此：

tfilesystem≠tresearch.\boxed{ t_{\mathrm{filesystem}} \neq t_{\mathrm{research}}. }

它仍然可以作為 provenance evidence，但需要標記來源與可靠性。

18. Provenance Confidence

Temporal Provenance 並不總是精確。

因此本文定義：

ΓT(tk)=Confidence in temporal attribution.\boxed{ \Gamma_T(t_k) = \text{Confidence in temporal attribution}. }

可使用：

EXACT
HIGH
MEDIUM
LOW
INFERRED
UNKNOWN

例如：

draft_started:
  value: 2026-08-27
  confidence: exact
  source: chat_log

或：

idea_first_recorded:
  value: 2026-08
  confidence: low
  source: retrospective_inference

19. Unknown 是合法狀態

研究系統最重要的規則之一是：

Unknown≠Failure.\boxed{ \text{Unknown} \neq \text{Failure}. }

如果不知道：

draft_started: unknown

比假設：

draft_started: 2026-09-10

更正確。

因此 metadata schema 必須允許未知值。

20. Temporal Evidence

時間判定本身也有 evidence。

例如：

temporal_evidence:
  - type: chat_log
    timestamp: ...
  - type: git_commit
    timestamp: ...
  - type: internal_document
    timestamp: ...
  - type: publication_log
    timestamp: ...

然後：

ET→tk.\boxed{ E_T \rightarrow t_k. }

這使 Temporal Provenance 也能被審查。

21. Earliest Known 與 Latest Known

如果無法知道精確時間，可以記：

tearliest known\boxed{ t_{\mathrm{earliest\ known}} }

與：

tlatest known.\boxed{ t_{\mathrm{latest\ known}}. }

例如：

draft_window:
  earliest: 2026-08-25
  latest: 2026-08-31

這比虛構單點更符合實際。

22. Research Duration 也不一定是連續時間

即使知道：

tdt_d

與：

te,t_e,

也不能直接定義：

Δt=te−td\Delta t=t_e-t_d

為實際工作時數。

因為研究可能：

  • 中斷；
  • 並行；
  • 睡眠後繼續；
  • 幾天沒碰；
  • 多 Agent 異步工作。

所以：

Calendar Duration≠Active Research Time.\boxed{ \text{Calendar Duration} \neq \text{Active Research Time}. }

若沒有 active-time trace，應避免假裝知道。

23. Parallel Research

AI 原生研究常存在：

P1,P2,…,PnP_1,P_2,\ldots,P_n

並行演化。

因此：

∑iΔti\sum_i \Delta t_i

可能遠大於：

Δtwall−clock.\Delta t_{\mathrm{wall-clock}}.

多 Agent 與多對話環境尤其如此。

因此：

Parallel Work≠Sequential Human Labor.\boxed{ \text{Parallel Work} \neq \text{Sequential Human Labor}. }

研究產量分析若忽略並行性，會嚴重失真。

24. Batch Publication 也不等於 Batch Research

若：

P1,…,P278P_1,\ldots,P_{278}

在同一 batch：

BB

中發布，

只能表示：

∀Pi,batch⁡(Pi)=B.\forall P_i,\quad \operatorname{batch}(P_i)=B.

不能推出：

∀Pi,IR(Pi)=IR(Pj).\forall P_i,\quad I_R(P_i)=I_R(P_j).

所以：

Batch Publication≠Batch Research Formation.\boxed{ \text{Batch Publication} \neq \text{Batch Research Formation}. }

25. Temporal Lineage

時間也應與研究譜系結合。

若：

PA→PB,P_A \rightarrow P_B,

則應至少滿足：

trelevant(PA)≤trelevant(PB),t_{\mathrm{relevant}}(P_A) \leq t_{\mathrm{relevant}}(P_B),

但仍要注意：

  • publication order；
  • idea order；
  • canonicalization order；

可能不同。

因此 genealogy 不能只依 publication date 排序。

26. Publication Order 與 Conceptual Order

假設：

PBP_B

概念上先出現，

但：

PAP_A

先公開。

則：

tp(PA)<tp(PB)t_p(P_A)<t_p(P_B)

不代表：

PAP_A

是理論前置。

因此：

Publication Order≠Conceptual Dependency Order.\boxed{ \text{Publication Order} \neq \text{Conceptual Dependency Order}. }

研究 lineage 必須靠內容與 provenance 判定。

27. Deployment Time

若研究物產生 artifact：

A,A,

則還需要：

tx=Deployment Time.t_x = \text{Deployment Time}.

這可以表示：

  • prototype first run；
  • production deployment；
  • public release；
  • internal adoption。

因此研究生命週期不應在 publication 結束。

28. Theory-to-Artifact Temporal Trace

第 05 篇建立：

P→K→A→B.P \rightarrow K \rightarrow A \rightarrow B.

本篇加入時間：

(P,tP)→(K,tK)→(A,tA)→(B,tB).\boxed{ (P,t_P) \rightarrow (K,t_K) \rightarrow (A,t_A) \rightarrow (B,t_B). }

如此一來可以回答：

理論提出後多久才被實作？

實作後多久才出現驗證？

驗證是否早於公開？

29. Temporal Provenance Schema

本文提出：

temporal_provenance:

  idea_first_recorded:
    value: 2026-08-25
    confidence: high
    source: chat_log

  draft_started:
    value: 2026-08-27
    confidence: high
    source: source_file

  draft_completed:
    value: 2026-08-31
    confidence: medium

  validation_events:
    - date: 2026-09-03
      method: computational
      result: partial

  canonicalized:
    value: 2026-09-07

  ingested:
    value: 2026-09-10
    batch_id: LM-20260910-A

  published:
    value: 2026-09-10

  deployed:
    value: null

30. Publication Metadata Schema

公開層可以額外顯示：

publication:
  mode: batch_ingest
  batch_id: LM-20260910-A
  published_at: 2026-09-10

research_timeline:
  exact: false
  earliest_known: 2026-08-25
  latest_major_revision: 2026-09-07

這樣 crawler、AI 與人類讀者都不必自行腦補。

31. Temporal Attribution Guard

本文提出：

GT=Temporal Attribution Guard.\boxed{ G_T = \text{Temporal Attribution Guard}. }

任何從 timestamp 推論 research history 的系統，都應至少檢查：

  1. 這個 timestamp 是什麼 event？
  2. 是否只是 ingest？
  3. 是否是 publication？
  4. 是否存在 batch？
  5. 是否有更早 provenance？
  6. 是否有 parallel work？
  7. 是否只知道 range？
  8. confidence 多高？

如果無法回答，應輸出：

creation time unknown

而不是：

created on publication date

32. 研究速度評估需要真正 denominator

研究速度：

R=NΔtR = \frac{N}{\Delta t}

的真正問題往往不在：

N.N.

而在：

Δt.\Delta t.

若 denominator 用 publication window：

Δtp,\Delta t_p,

卻想估 actual research window：

ΔtR,\Delta t_R,

則：

Restimated may be structurally invalid.\boxed{ R_{\mathrm{estimated}} \text{ may be structurally invalid}. }

33. Production Analysis 的最小要求

若要分析研究產量，至少需要嘗試蒐集：

  • first recorded idea；
  • draft metadata；
  • version history；
  • Git commit；
  • chat or research log；
  • build time；
  • ingestion log；
  • publication time。

然後才能估：

Rproduction.R_{\mathrm{production}}.

如果只有 publication timestamp，最多只能報：

Rpublication.R_{\mathrm{publication}}.

34. Temporal Metadata 也不能變成新權威

即使有完整 timeline，也不能因為：

這篇研究做了三個月。

就推出：

所以品質很高。

因此：

Long Duration≠High Quality.\boxed{ \text{Long Duration} \neq \text{High Quality}. }

同樣：

Short Duration≠Low Quality.\boxed{ \text{Short Duration} \neq \text{Low Quality}. }

Temporal Provenance 的目的不是建立新的 prestige signal。

而是描述真實研究歷史。

35. AI 原生研究的高速不是原罪

一篇研究可能真的在非常短時間內完成。

如果：

  • reasoning 足夠；
  • evidence 足夠；
  • verification 足夠；
  • prior knowledge 已存在；
  • Agent pipeline 高效；

那麼：

TG↓T_G\downarrow

本身不是問題。

因此：

Fast≠Shallow.\boxed{ \text{Fast} \neq \text{Shallow}. }

也同樣：

Slow≠Deep.\boxed{ \text{Slow} \neq \text{Deep}. }

時間只能描述 process，不應直接替代 quality judgment。

36. 時間資料的真正用途

Temporal Provenance 主要用來：

  • 重建研究譜系；
  • 避免 creation/publication 混淆；
  • 判定哪個 evidence 先於哪個 claim；
  • 追蹤版本變化；
  • 找出後見之明污染；
  • 支持 reproducibility；
  • 建立研究 audit trail。

不是用來建立作者神話。

37. 與前五篇的接口

第 01 篇處理：

Stewardship.\text{Stewardship}.

第 02 篇處理：

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

第 03、04 篇處理：

Claim / Evidence / Validation / Support.\text{Claim / Evidence / Validation / Support}.

第 05 篇處理：

Theory / Capability / Artifact / Behavior.\text{Theory / Capability / Artifact / Behavior}.

本文加入：

When did each state actually occur?\boxed{ \text{When did each state actually occur?} }

因此完整研究物開始具備時間維度。

38. 下一步：Epistemic Provenance

即使知道研究物何時形成，仍有另一個問題：

我們現在為什麼這樣理解它？

因此下一篇將處理：

Epistemic Provenance\boxed{ \text{Epistemic Provenance} }

也就是：

Observation→Inference→Interpretation→Assessment.\text{Observation} \rightarrow \text{Inference} \rightarrow \text{Interpretation} \rightarrow \text{Assessment}.

並正式區分：

Paper Revision≠Revision of Our Understanding.\text{Paper Revision} \neq \text{Revision of Our Understanding}.

結論

一個網站日期不是研究歷史。

一個 Git commit 不是思想起源。

一個 batch ingest 不是 batch creation。

一個 publication burst 也不是 thought burst。

因此：

tidea≠tdraft≠tvalidation≠tingest≠tpublish≠tdeploy.\boxed{ t_{\mathrm{idea}} \neq t_{\mathrm{draft}} \neq t_{\mathrm{validation}} \neq t_{\mathrm{ingest}} \neq t_{\mathrm{publish}} \neq t_{\mathrm{deploy}}. }

同時：

Rproduction≠Rpublication.\boxed{ R_{\mathrm{production}} \neq R_{\mathrm{publication}}. }

Temporal Provenance 的目標不是讓每個研究物都有一個看起來非常精確的時間戳。

真正目標是：

知道我們知道哪個時間，\boxed{ \text{知道我們知道哪個時間，} } 知道哪些只是代理量，\boxed{ \text{知道哪些只是代理量，} }

以及：

不知道時允許它保持 unknown。\boxed{ \text{不知道時允許它保持 unknown。} }

因此：

Observable Timestamp≠Research-Time Ground Truth.\boxed{ \text{Observable Timestamp} \neq \text{Research-Time Ground Truth}. }

只有當研究平台把形成、驗證、入庫、發布與部署等事件拆開，AI 原生研究的高速、多 Agent、跨對話與批次發布模式才不會被錯誤壓成一條虛假的單一時間線。