title: 證據不是權威印章：Claim、Evidence、Validation、Truth 與 Confidence 的型別分離
english_title: Evidence Is Not an Authority Seal: Separating Claim, Evidence, Validation, Truth, and Confidence
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: 03
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 / EPISTEMOLOGY / SCHOLARLY INFRASTRUCTURE
claim_state: THEORETICAL FRAMEWORK / TYPE SYSTEM PROPOSAL
evidence_state: CONCEPTUAL / PRACTICE-DERIVED

證據不是權威印章：Claim、Evidence、Validation、Truth 與 Confidence 的型別分離

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

現代研究、審稿、AI 輔助分析與知識平台經常依賴一組看似合理的可信度訊號：引用、數據、實驗、可執行程式、形式證明、第三方驗證、證書與同行評審。這些訊號具有重要價值，但如果研究系統只檢查「是否存在」而不檢查「它們是否真正支持該主張」，就會形成一種認識論捷徑：將 evidence presence、institutional authority、technical executability 與 truth confidence 混成同一個尺度。

本文提出一個型別化研究主張模型，明確區分：

\boxed{ \text{Claim Form} \neq \text{Claim Strength} \neq \text{Evidence State} \neq \text{Validation Result} \neq \text{Truth Status} \neq \text{Confidence}. }

並進一步加入：

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

本文主張，證據的核心問題不是「有沒有」，而是：

\boxed{ \text{Does this evidence actually constrain this claim?} }

因此：

\text{Having Data} \neq \text{Data Supports Claim},

\text{Having Citations} \neq \text{Citations Entail Claim},

\text{Executable} \neq \text{Correct},

\text{Reproducible} \neq \text{True},

\text{Certified} \neq \text{Universally Valid}.

本文最後提出 Evidence–Claim Matching、Support Edge、Scope Binding 與 Validation Boundary 四個核心機制，使研究物升版不再只是增加更多「看起來可信」的材料，而是建立可追蹤的主張—證據關係。

關鍵詞： Claim、Evidence、Validation、Truth、Confidence、Authority Signal、Evidence–Claim Matching、Scope、研究治理、AI 原生學術

0. 問題起點：一篇論文「有很多證據」到底代表什麼？

一篇論文可以有：

一百篇引用；
十張圖；
一個大型資料集；
一個可以執行的程式；
一份 benchmark；
一份形式證書；
一個第三方 reproduction；
一個 peer-reviewed publication。

這些都可能是好事。

但它們共同只能先證明：

\boxed{ \text{Evidence-Like Artifacts Exist}. }

它們還不能直接證明：

\boxed{ \text{The Main Claim Is True}. }

因此本文的第一個基本區分是：

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

研究治理系統如果只記錄：

citations: 83
dataset: yes
code: yes
certificate: yes

卻不知道這些東西分別支持哪一個主張，那麼它記錄的是「學術外觀」，不是完整的認識結構。

1. Claim 必須先被型別化

在討論證據之前，必須先問：

這個句子到底是哪一種主張？

至少可以區分：

DEFINITION
OBSERVATION
HEURISTIC
HYPOTHESIS
CONJECTURE
PROPOSITION
THEOREM
INTERPRETATION
DESIGN CLAIM
ENGINEERING CLAIM
PREDICTION
NORMATIVE CLAIM
SCENARIO CLAIM
METAPHYSICAL CLAIM

這些主張不是同一種類型。

因此：

\boxed{ \text{Claim Form} = C_f. }

而一個研究物：

P

通常不是只有一個 claim。

更合理的是：

\mathcal C(P) = \{C_1,C_2,\ldots,C_n\}.

每個 $C_i$ 都應具有自己的：

claim form；
scope；
evidence；
validation；
confidence；
current status。

2. Claim Form 不等於 Claim Strength

一個 claim 是 THEORY 或 CONJECTURE，並不表示它一定很弱。

同樣，一個 claim 被命名成 THEOREM，也不能只因標題就視為已證。

因此：

\boxed{ \text{Claim Form} \neq \text{Claim Strength}. }

可以定義：

C_i = ( F_i, S_i, D_i ),

其中：

$F_i$ ：Claim Form；
$S_i$ ：Claim Strength；
$D_i$ ：Claim Domain / Scope。

例如：

claim:
  form: hypothesis
  strength: exploratory
  scope: simulated multi-agent environment

與：

claim:
  form: proposition
  strength: formally derived under assumptions A1-A4
  scope: finite deterministic state space

兩者不能靠同一個「可信度分數」直接壓平。

3. Evidence 也必須型別化

不同研究主張需要不同證據。

Evidence 至少可以分成：

CONCEPTUAL
LITERATURE-SUPPORTED
FORMAL
COMPUTATIONAL
SIMULATION
EMPIRICAL
OBSERVATIONAL
EXPERIMENTAL
REPRODUCED
INDEPENDENTLY REPRODUCED
HISTORICAL
ARCHIVAL
MIXED
NONE

因此：

\boxed{ E_i = \text{Evidence Type for Claim }C_i. }

這裡最重要的不是哪一種「比較高級」。

而是：

\boxed{ \text{Evidence Type} = f(\text{Claim Type},\text{Domain},\text{Operation}). }

4. Evidence 必須匹配 Claim 的操作

本文提出：

\boxed{ \text{Evidence must match the claim's operation.} }

例如，物理經驗主張：

C_{\text{physical}}

通常需要：

\text{Measurement / Observation / Experiment}.

數學主張：

C_{\text{math}}

主要需要：

\text{Proof / Formal Verification}.

工程架構：

C_{\text{engineering}}

可能需要：

\text{Execution Trace} + \text{Benchmark} + \text{Failure Test} + \text{Conformance}.

研究方法：

C_{\text{methodology}}

可能需要：

\text{Task Outcomes} + \text{Ablation} + \text{Failure Distribution}.

資料格式：

C_{\text{format}}

可能需要：

\text{Round-Trip} + \text{Fuzzing} + \text{Hash Consistency} + \text{Cross-Implementation Agreement}.

本體論或哲學框架則可能主要依靠：

\text{Conceptual Coherence} + \text{Inferential Consistency} + \text{Counterexample Resistance}.

所以：

\boxed{ \text{More Data} \not\Rightarrow \text{Better Support}. }

如果資料型別與主張不匹配，增加資料量可能只增加權威外觀。

5. Synthetic Data 不等於 False Data

合成數據經常被過度簡化。

正確區分是：

\boxed{ \text{Synthetic Data} \neq \text{Observed Data}. }

但同時：

\boxed{ \text{Synthetic Data} \neq \text{Useless Data}. }

合成資料可以用於：

測演算法；
測邊界；
測極端條件；
驗證資料格式；
生成反例；
壓力測試；
初步模擬；
sensitivity analysis；
prototype verification。

它不能被偷偷標成真實世界觀察。

所以真正需要保存的是：

evidence:
  type: simulation
  source: synthetic
  generation_method: ...
  intended_use: boundary-test
  not_claimed_as: empirical_observation

這比單純標：

data: yes

有意義得多。

6. Empirical 不等於 Global

即使是完全真實的實驗數據，也只能支持其覆蓋範圍內的命題。

因此：

\boxed{ \text{Empirical Result} \neq \text{Global Reality}. }

假設實驗得到：

R(D_0,C_0,t_0)=1,

最多表示在特定：

domain $D_0$ ；
conditions $C_0$ ；
time $t_0$ ；

下得到該結果。

不能直接推出：

\forall D,C,t,\quad R(D,C,t)=1.

因此每一個 evidence edge 都必須帶 scope。

7. Evidence–Claim Support Edge

本文提出研究圖中的核心關係：

\boxed{ E_j \xrightarrow{\sigma} C_i, }

其中：

\sigma = \text{Support Relation}.

Support Relation 不應只有 yes/no。

可以至少表示：

DIRECT_SUPPORT
INDIRECT_SUPPORT
CONSISTENT_WITH
NECESSARY_BUT_NOT_SUFFICIENT
PARTIAL_SUPPORT
BOUNDARY_SUPPORT
COUNTEREVIDENCE
REFUTING
IRRELEVANT
UNKNOWN

因此：

\boxed{ \text{Evidence Graph} \neq \text{Attachment List}. }

研究物不只是「掛很多 PDF、CSV、程式」。

真正重要的是：

哪一個 artifact 對哪一個 claim 產生什麼認識作用？

8. Citation 不是證明算子

引用具有重要功能：

說明前人做過什麼；
提供外部事實來源；
建立 prior art；
支持歷史描述；
對接既有證據；
避免重複發明。

但引用本身不是：

\boxed{ \text{Truth Operator}. }

如果：

A

引用：

B,

只能先知道：

A\rightarrow B.

還需要檢查：

$B$ 真正說了什麼；
$A$ 是否正確轉述；
$B$ 的證據範圍；
$B$ 的限制；
$B$ 是否支持 $A$ 的這一句；
引用是否只是背景，不是證據。

因此：

\boxed{ \text{Citation Count} \neq \text{Claim Validity}. }

9. Authority Signal

本文定義：

\boxed{ A_s = \text{Authority Signal}. }

它可能包括：

prestigious journal；
famous institution；
famous author；
high citation count；
peer review；
benchmark leaderboard；
official certificate；
recognized standard；
large dataset；
institutional consensus。

這些訊號不是沒有價值。

它們可以改變先驗：

P(C).

但不能直接取代：

P(C\mid E,R,S),

其中：

$E$ ：relevant evidence；
$R$ ：reasoning；
$S$ ：scope。

因此：

\boxed{ A_s \neq E. }

以及：

\boxed{ A_s \neq \text{Truth}. }

10. 認識論權威替代

本文把一種常見捷徑稱為：

\boxed{ \text{Epistemic Authority Substitution}. }

理想上，研究者或 AI 應評估：

P(C\mid E,R,S).

但若改成：

P(C\mid A_s),

則系統實際是在問：

這個東西有沒有「可信知識通常長的樣子」？

而不是：

我是否理解它為什麼成立？

Authority Signal 可以是合理 prior。

但它不能成為 reasoning replacement。

11. Executable 不等於 Correct

軟體能執行只表示：

\text{Runtime Accepts Artifact}.

它不表示：

\text{Artifact Implements Intended Semantics}.

所以：

\boxed{ \text{Executable} \neq \text{Correct}. }

甚至：

\boxed{ \text{Passing Tests} \neq \text{Globally Correct}. }

因為 test suite 也有 scope。

若：

T=\{t_1,\ldots,t_n\},

測試成功只支持：

\forall t_i\in T,\quad P(t_i)=\text{pass}.

不能直接推出：

\forall x,\quad P(x)=\text{correct}.

12. Reproducible 不等於 True

如果某個錯誤方法具有穩定偏差，所有人都可以重現錯誤。

因此：

\boxed{ \text{Reproducibility} \neq \text{Truth}. }

Reproducibility 比較直接支持：

\text{Process Stability}.

它回答：

同一程序是否能重新得到相同結果？

而不必然回答：

該結果是否正確描述世界？

因此：

\boxed{ \text{Validation Property} \neq \text{Truth Property}. }

13. Validation 是程序結果，不是真理本身

本文定義：

V(C_i,M_k) = \text{Validation Result of claim }C_i\text{ under method }M_k.

Validation 可以是：

PASS
FAIL
PARTIAL
INCONCLUSIVE
NOT_APPLICABLE
NOT_RUN

例如：

validation:
  method: finite_model_check
  result: pass
  scope: all states up to N=100000

這表示：

V(C,M)=\text{PASS}

在指定 scope 下成立。

不能自動推出：

T(C)=1.

因此：

\boxed{ \text{Validation Result} \neq \text{Truth Status}. }

14. Certificate 也有邊界

Certificate 不是魔法詞。

證書必須回答：

certifies what；
under which assumptions；
generated by what；
verified by whom；
covers which version；
covers which scope；
expires or not；
depends on which artifact hash。

因此：

certificate:
  target_claim: C17
  target_version: v2.1
  artifact_hash: ...
  method: lean4
  result: certified
  assumptions:
    - A1
    - A2
  scope:
    - finite_case

才比：

certified: true

完整。

所以：

\boxed{ \text{Certificate} \neq \text{Universal Validity}. }

15. Truth Status 必須保持獨立

本文採用最保守的資料模型：

\boxed{ T(C_i) = \text{Truth Status}. }

Truth Status 不應由系統僅因：

有 citation；
有 dataset；
有 peer review；
有 certificate；
有 consensus；

而被直接寫成：

T(C_i)=1.

比較合理的狀態包括：

UNKNOWN
OPEN
SUPPORTED
DISPUTED
REFUTED
FORMALLY_PROVED
EMPIRICALLY_SUPPORTED_WITHIN_SCOPE
DEFINITIONAL
NORMATIVE
NOT_TRUTH_APT

其中某些 claim 根本不適合二元 truth status。

例如規範性主張可能需要：

\text{Normative Justification}

而不是：

T\in\{0,1\}.

16. Confidence 是觀察者狀態

本文進一步區分：

\boxed{ \Gamma_u(C_i,t) = \text{Justified Confidence of observer }u. }

Confidence 是觀察者相對於：

當時資料；
當時模型；
當時方法；
當時 scope；

形成的認識狀態。

因此：

\boxed{ \Gamma_u(C_i,t) \neq T(C_i). }

一個人可以：

\Gamma=0.99

而仍然錯。

也可以：

\Gamma=0.4

而命題其實為真。

這避免把「非常有信心」錯當成「已證明」。

17. Right Conclusion 不等於 Valid Inference

本文加入另一個重要區分：

\boxed{ \text{True Conclusion} \not\Rightarrow \text{Valid Inference}. }

一個推論者可能：

猜對；
使用錯誤理由；
使用不足證據；
從 proxy 推到 target；
從局部推到全域；

最後仍然碰巧得到正確結論。

所以研究系統不只應保存：

C.

還應在需要時保存：

R(C) = \text{Reasoning Path}.

因為：

\boxed{ \text{Outcome Accuracy} \neq \text{Inferential Quality}. }

18. Evidence Inventory 與 Evidence Evaluation

本文將兩個流程分離。

第一階段：

\boxed{ \text{Evidence Inventory} }

回答：

有哪些資料？
有哪些引用？
有哪些程式？
有哪些實驗？
有哪些證書？

第二階段：

\boxed{ \text{Evidence Evaluation} }

回答：

它支持哪一個 claim？
支持強度如何？
scope 是什麼？
有哪些替代解釋？
有沒有 counterevidence？
是否只能支持局部？
是否依賴未證假設？

所以：

\boxed{ \text{Evidence Evaluation} \neq \text{Evidence Presence Check}. }

19. 最小 Claim Schema

本文提出：

claims:
  - id: C1
    form: hypothesis
    statement: ...
    scope:
      domain: ...
      conditions: ...
      time: ...
    strength: exploratory

    evidence:
      - id: E7
        relation: partial_support
        type: simulation
        scope: ...

    validation:
      - id: V2
        method: numerical_test
        result: pass
        scope: ...

    truth_status:
      state: open

    confidence:
      author: 0.72
      basis: ...

這個 schema 最重要的地方不是數字。

而是把不同型別拆開。

20. 研究物層級不應只有單一可信度分數

假設一篇論文有十個 claims。

其中：

三個已形式證明；
兩個有實驗支持；
三個只是 heuristic；
一個 disputed；
一個 purely normative。

若直接給：

\text{Paper Score}=87/100,

會抹掉真正重要的結構。

因此本文反對把所有狀態壓成單一 scalar。

更合理的是：

\boxed{ \text{Typed Epistemic Profile}. }

研究物應該呈現多維狀態，而不是單一「可信度」。

21. 學術外觀不應成為捷徑

如果平台獎勵：

更多 citations；
更多 charts；
更多 datasets；
更多 certificates；

卻不檢查它們與 claims 的關係，系統就會誘導：

\text{Epistemic Optimization} \rightarrow \text{Signal Optimization}.

最終研究者會優化：

A_s

而不是：

\text{Actual Support}.

這就是為什麼：

\boxed{ \text{Academic Legitimacy Signals} \neq \text{Epistemic Validity}. }

22. 升版時應補什麼？

研究物升版不應機械地要求：

每篇都補更多數據。

而應先問：

\boxed{ \text{What does this claim require?} }

可能答案是：

補真實量測；
補 formal proof；
補 simulation；
補 benchmark；
補 failure case；
補 prior art；
補 counterexample；
補 scope restriction；
不需要新數據，只需要重寫 inference；
不需要新 evidence，只需要清楚標成 conceptual。

因此：

\boxed{ \text{Revision Quality} \neq \text{Quantity of Added Evidence}. }

23. 從「有沒有證據」進化到「證據如何作用」

完整研究治理應從：

\text{Claim} + \text{Evidence}

進化為：

\boxed{ \text{Claim} \xleftarrow{\text{typed support}} \text{Evidence} }

再加入：

\text{Validation}

與：

\text{Scope}.

所以：

\boxed{ \text{Scholarly Evidence} = \text{Artifact} + \text{Relation} + \text{Scope} + \text{Method}. }

只有 artifact 而沒有 relation，不足以構成完整 evidence model。

24. 與第 01、02 篇的接口

第 01 篇建立：

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

第 02 篇建立：

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

本文進一步建立：

\boxed{ \text{Claim} \neq \text{Evidence} \neq \text{Validation} \neq \text{Truth} \neq \text{Confidence} \neq \text{Authority Signal}. }

因此一個研究物開始從「文件」轉成真正可治理的 epistemic object。

25. 後續接口：下一篇處理 Evidence–Claim Matching 的實作與資料權威替代

本文建立型別分離。

下一步需要處理兩個更實際的問題：

第一：

\boxed{ \text{How should evidence be matched to claims?} }

第二：

\boxed{ \text{How do we prevent authority signals from substituting for reasoning?} }

也就是將本篇的認識論型別，進一步編譯成：

database schema；
claim ledger；
evidence graph；
review protocol；
AI evaluator rules；
升版決策規則。

結論

證據很重要。

引用很重要。

數據很重要。

實驗很重要。

程式很重要。

證書也很重要。

問題從來不是：

要不要證據？

真正的問題是：

這個證據到底支持什麼？

因此：

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

更完整地：

\boxed{ \text{Claim Form} \neq \text{Claim Strength} \neq \text{Evidence State} \neq \text{Validation Result} \neq \text{Truth Status} \neq \text{Confidence} \neq \text{Authority Signal}. }

只有把這些拆開，研究系統才不會把：

\text{looks scholarly}

誤認成：

\text{is epistemically established}.

AI 原生學術真正需要的，不是更多「可信外觀」。

而是更清楚地表示：

\boxed{ \text{why a claim is believed,} }

\boxed{ \text{what supports it,} }

\boxed{ \text{where that support stops,} }

以及：

\boxed{ \text{what remains unknown.} }