說與不說都是證據：反事實微語義反演、遺漏條件與沉默的證據性

What Is Said and What Is Not Said Are Both Evidence: Counterfactual Microsemantic Inversion, Omission Conditions, and the Evidential Status of Silence

文件編號： EML-HSGR-2026-05
系列： 跨時代主體生成器重建論（Historical Subject-Generator Reconstruction, HSGR）05
作者： Neo.K
理論整理與形式化協作： Aletheia（GPT-5.6 Sol）
版本： v0.1
日期： 2026-09-14
狀態： 方法論基礎稿

機構： EveMissLab／一言諾科技有限公司

摘要

本文承接 HSGR Paper 01–04，處理歷史主體生成器重建中的另一個關鍵問題：除了「一個人說了什麼」，「他沒有說什麼」能否同樣成為證據？

本文拒絕兩個極端。第一個極端認為沉默天然有意義，任何未提及都可以被解讀為拒絕、隱瞞或無知；第二個極端則認為未出現的內容完全沒有資訊價值。本文提出條件式立場：遺漏只有在存在合理表達機會、足夠觀察概率、可識別的替代輸出空間，以及不同候選生成器對「說／不說」給出不同概率時，才具有真正的辨識力。

設語境為 $C$ ，可行輸出集合為：

\mathcal U^{CF}(C) = \{u_1,u_2,\ldots,u_k\},

歷史主體真正選出的輸出為：

u^*.

傳統語義研究通常只分析：

u^*.

本文則提出，完整證據應包含：

\boxed{ u^* + \left( \mathcal U^{CF}(C)\setminus\{u^*\} \right). }

但未被選出的輸出不能被機械地全部當成負證據；它們只有在候選生成器對輸出選擇分布存在差異時才具有辨識力。本文因此提出「反事實微語義反演」（Counterfactual Microsemantic Inversion, CMI）：由實際輸出、替代輸出、遺漏、詞序、模態、停頓、修正、拒答、重複、語體與跨語境穩定性，共同反演主體的潛在生成政策。

本文進一步定義遺漏證據比：

\operatorname{OER}(y;H_1,H_0,C) = \log \frac{ P(\neg y\mid H_1,C,\Omega) }{ P(\neg y\mid H_0,C,\Omega) },

其中 $\Omega$ 包含表達機會、記錄率、審查、文類限制、受眾與保存機制。若兩個假設在「沒有說 $y$ 」上的概率相同，沉默沒有辨識力；若某假設強烈預測應該提到 $y$ ，但在高觀察率與高機會條件下持續未出現，沉默才可能形成較強負證據。

本文同時引入「微語義向量」，將單次表達表示為：

\mu(u) = ( l, o, m, h, r, s, q, a ),

分別對應詞彙選擇、順序、模態、hedging、重複、沉默位置、修正型態與替代集位置。大量單次弱訊號可以跨文本與跨情境形成生成器約束。

在歷史方法上，本文與 Grice 的會話推理、Rational Speech Act 模型、Bayesian argument from silence、archival silence 與新近 omission studies 相接，但不把任何單一語用學模型當成完整歷史心智模型。AI 時代的新能力在於：大規模列舉反事實輸出、比較多個候選生成器、估計來源與保存機率、跨文本找 patterned omissions，並用未見材料進行預測驗證。

本文最終提出一條核心原則：

\boxed{ \text{Absence} \neq \text{Evidence} }

但：

\boxed{ \text{Expected Presence} + \text{Opportunity} + \text{Observability} + \text{Persistent Absence} \Rightarrow \text{Potential Evidence}. }

因此，「不說也是說」不是修辭口號，而可以被轉化為一個有條件、有反例、有失敗模式的歷史認知反演框架。

關鍵詞： 沉默、遺漏、反事實、微語義、argument from silence、語用推理、Rational Speech Act、歷史主體重建、AI 文本分析、負證據

0. 問題提出：沒有出現的東西，可以算資料嗎？

假設一個人被問：

你認為 $X$ 嗎？

他回答：

我認為 $Y$ 。

他沒有直接回答 $X$ 。

我們是否可以因此推論：

\neg X?

答案顯然不能直接是「可以」。

因為他可能：

沒聽懂問題；
覺得 $Y$ 更重要；
故意迴避；
不知道 $X$ ；
覺得 $X$ 不值得回答；
害怕回答；
文體限制不允許展開；
原始回答中有 $X$ ，但後來記錄遺失；
或只是在當下忘了提到。

所以：

\boxed{ \text{not said} \not\Rightarrow \text{negated}. }

但另一方面，如果一個人：

在一百次高度相關場合都有機會談到 $X$ ；
其他同類概念都反覆被詳細討論；
文本保存完整；
沒有明顯審查；
而某一候選理論強烈預測他一定會使用 $X$ ；

那麼：

\text{persistent non-mention of }X

顯然開始具有資訊價值。

因此真正問題不是：

沉默是不是證據？

而是：

\boxed{ \text{在什麼條件下，沉默開始改變候選生成器的後驗概率？} }

1. 從實際輸出擴展到反事實輸出空間

設語境為：

C.

在此語境下，歷史主體理論上可能生成一組可行輸出：

\mathcal U^{CF}(C) = \{ u_1,u_2,\ldots,u_k \}.

這裡的 $CF$ 表示 counterfactual。

實際觀察到：

u^*\in\mathcal U^{CF}(C).

傳統文本分析主要研究：

u^*.

例如：

這句用了什麼詞；
句法如何；
命題內容是什麼；
典故從何而來。

本文提出：

\boxed{ \text{實際輸出的位置} }

只有相對於：

\boxed{ \text{可行替代輸出空間} }

才能獲得完整辨識力。

因為：

u^*

本身的資訊，不只在於它「說了什麼」，還在於：

在當時所有可選表達中，為什麼是它？

2. 生成器不是只產生句子，也產生選擇分布

設候選認知生成器為：

G.

在語境 $C$ 下，它不必對應唯一句子，而是產生輸出分布：

P(u\mid G,C).

因此主體真正的「語言政策」可以寫成：

\pi_G(u\mid C).

觀察到：

u^*

後，我們可以更新：

P(G\mid u^*,C) \propto P(u^*\mid G,C)P(G).

這是正向證據。

但若某個輸出：

y

未被選擇，則其資訊價值取決於：

P(\neg y\mid G,C).

所以：

\boxed{ \text{不說} }

不是一個沒有結構的空白。

它是生成政策中的另一個結果。

3. 「不說也是資訊」的最低條件

本文提出四個最低條件。

3.1 表達機會

記作：

O(y,C)\in[0,1].

它表示：

在語境 $C$ 中，如果主體具有與 $y$ 相關的信念或概念，他有多大機會自然提到 $y$ ？

若：

O(y,C)\approx0,

則沒有說 $y$ 幾乎沒有資訊。

例如一篇討論農業稅制的短文沒有提到宇宙論，不能拿來證明作者沒有宇宙論。

3.2 可觀察性

記作：

R(y,C)\in[0,1].

表示：

即使主體說了 $y$ ，我們今天有多大機率能在現存材料中看見？

影響因素包括：

記錄完整度；
文本散佚；
抄寫；
翻譯；
審查；
編輯刪節；
口傳；
檔案選擇；
後世保存。

若：

R(y,C)\approx0,

沉默同樣很弱。

3.3 替代輸出可行性

存在：

y\in\mathcal U^{CF}(C).

才有資格說：

他本來可以這樣說。

如果某概念在那個時代根本不存在可用表達，則：

y\notin\mathcal U^{CF}(C).

此時不能把現代術語沒出現當成古人不知道相應結構的直接證據。

需要比較的是當時可用的功能等價表達。

3.4 模型區分力

若兩個候選生成器：

G_1,G_2

都有：

P(\neg y\mid G_1,C) = P(\neg y\mid G_2,C),

那麼沒說 $y$ 對區分兩者完全沒用。

所以真正條件是：

\boxed{ P(\neg y\mid G_1,C) \neq P(\neg y\mid G_2,C). }

只有這樣，遺漏才具有模型辨識力。

4. 遺漏證據比

本文定義：

\operatorname{OER} ( y; G_1,G_0,C,\Omega ) = \log \frac{ P(\neg y\mid G_1,C,\Omega) }{ P(\neg y\mid G_0,C,\Omega) },

其中：

\Omega = ( O, R, A, K, M, J ).

各項表示：

$O$ ：opportunity，表達機會；
$R$ ：recordability / observability，記錄與保存率；
$A$ ：alternative set，可行替代表達；
$K$ ：communication cost，表達成本；
$M$ ：motivation / incentive，說或不說的誘因；
$J$ ：genre / institutional constraint，文類與制度限制。

如果：

\operatorname{OER}>0,

則「未說 $y$ 」更支持 $G_1$ 。

如果：

\operatorname{OER}<0,

則更支持 $G_0$ 。

如果：

\operatorname{OER}\approx0,

沉默幾乎沒有辨識力。

5. Bayesian argument from silence

歷史研究中「argument from silence」之所以常被視為危險，是因為人們容易直接寫：

\neg E \Rightarrow \neg H.

但真正需要比較的是：

P(\neg E\mid H)

與：

P(\neg E\mid\neg H).

如果假設 $H$ 為真時，本來就很可能沒有留下 $E$ ，那沉默很弱。

只有當：

P(E\mid H)

很高，而實際卻觀察到：

\neg E,

沉默才會顯著降低：

P(H\mid\neg E).

因此：

\boxed{ \text{absence of evidence} }

是否接近：

\boxed{ \text{evidence of absence} }

取決於：

\boxed{ \text{expected detectability if the hypothesis were true}. }

這正是本文將「不說」形式化的基礎。

6. 語用學：我們本來就在推理「為什麼他這樣說」

日常語言理解從來不只是字面解碼。

一句：

有些學生及格了。

在某些語境中，聽者可能推論：

不是全部學生都及格。

這個額外意義並沒有直接寫在字串裡。

Grice 的會話推理早已指出，聽者會根據合作原則與說話者的資訊選擇來推導 implicature。

因此：

\boxed{ \text{utterance meaning} \neq \text{literal sentence meaning only}. }

現代 Rational Speech Act 類模型則更進一步，把說話者與聽者的語用推理表示為機率推斷。

本文不直接把 RSA 當成人類所有語言行為的真實腦模型，但接受其核心提醒：

\boxed{ \text{理解一個輸出，需要考慮說話者本來可以選什麼。} }

這與 CMI 的反事實輸出空間完全對接。

7. 正向輸出與負向輸出是同一個選擇事件的兩面

若輸出集合為：

\mathcal U = \{u_1,u_2,u_3,u_4\},

實際選擇：

u_2,

則一次選擇同時包含：

u_2

的正向事件，以及：

\neg u_1, \neg u_3, \neg u_4.

但這不代表三個未選輸出具有相同權重。

真正證據應該根據：

P(u_i\mid G,C)

判定。

如果：

P(u_1\mid G,C)=0.001,

不選 $u_1$ 幾乎沒有意義。

如果：

P(u_3\mid G,C)=0.95,

但實際沒選 $u_3$ ，才是強訊號。

所以：

\boxed{ \text{counterfactual omission weight} \propto \text{expected selection probability}. }

8. 微語義：句子內部也有大量弱訊號

本文將單次輸出表示成微語義向量：

\mu(u) = ( L, O, M, H, R, S, Q, A ).

其中：

$L$ ：lexical choice，詞彙選擇；
$O$ ：ordering，敘述順序；
$M$ ：modality，可能、必然、應該等模態；
$H$ ：hedging，保留、降強度、主觀限定；
$R$ ：repetition，重複與強調；
$S$ ：silence / pause，沉默與停頓位置；
$Q$ ：repair，修正、撤回、重說；
$A$ ：alternative position，該輸出在反事實候選集中的位置。

例如：

這就是 X。

與：

我目前傾向認為，這可能比較接近 X。

命題核心可能相近，但：

\mu(u_1)\neq\mu(u_2).

兩者對說話者的：

確信度；
認識論態度；
對反例開放度；
社會責任定位；

形成不同約束。

9. 語序也是選擇

比較：

因為 $A$ ，所以 $B$ 。

與：

$B$ ，而其中一個可能原因是 $A$ 。

兩句可能包含相同實詞：

\{A,B\}.

但因果承諾不同。

因此微語義反演不能只做 bag-of-words。

需要保留：

\boxed{ \text{relation order} + \text{dependency direction} + \text{commitment strength}. }

這也是為什麼對歷史主體重建而言，「同義詞搜索」遠遠不夠。

10. 修正比初始回答更有辨識力

假設主體先說：

u_1.

聽者理解為：

M_1.

主體立刻修正：

不，我不是那個意思。

然後輸出：

u_2.

這個修正事件：

u_1 \rightarrow \neg M_1 \rightarrow u_2

提供非常高價值的邊界資訊。

因為它不只告訴我們：

主體說了 $u_2$ 。

還告訴我們：

\boxed{ M_1 \notin \mathcal T_G. }

這就是 Paper 03 的負向校正，在歷史文本上的靜態版本。

11. 拒答也是多種類型

「沒有回答」至少應分為：

\mathcal S_{\mathrm{silence}} = \{ s_{\mathrm{unknown}}, s_{\mathrm{irrelevant}}, s_{\mathrm{strategic}}, s_{\mathrm{forbidden}}, s_{\mathrm{pedagogical}}, s_{\mathrm{unrecorded}}, s_{\mathrm{accidental}} \}.

也就是：

不知道；
覺得無關；
戰略迴避；
制度禁止；
教學上故意不答；
有答但沒被記錄；
偶然略過。

因此：

\boxed{ \text{silence} }

本身不是單一語義 token。

必須反演：

P( s_k \mid C,G,\Omega ).

12. 持續沉默比單次沉默更有價值

若單次：

\neg y

可能是偶然。

但在多個高機會語境：

C_1,C_2,\ldots,C_n

中皆未出現：

\neg y_1,\neg y_2,\ldots,\neg y_n,

且各事件具有一定條件獨立性，則累積證據可增強。

理想化地：

P( \neg y_{1:n} \mid G ) = \prod_{i=1}^{n} P( \neg y_i\mid G,C_i ).

實際歷史資料通常不獨立，因此不能直接相乘。

但基本方向成立：

\boxed{ \text{patterned silence} > \text{isolated silence}. }

尤其當同一作者在：

不同時期；
不同受眾；
不同文類；

中持續避開同一概念時，辨識力可能顯著提升。

13. 但「資料很多」不代表沉默變強

如果一百篇文本都來自：

Z_0

的同一抄本傳統，

則：

100

次未提及不等於：

100

個獨立沉默證據。

需要 provenance-aware weighting。

設來源依賴圖：

G_{\mathrm{prov}}.

對高度相依證據：

e_i,e_j,

應降低聯合權重。

因此：

\boxed{ \text{count} \neq \text{independent evidence}. }

這與 Paper 04 的分支分析直接相接。

14. 文類限制會製造假沉默

一封私人信件、一篇法律條文、一首詩、一份教科書與一場辯論，具有不同輸出空間。

可寫為：

\mathcal U^{CF}(C,J),

其中：

J

表示 genre。

例如：

法律文本不寫個人感情；
儀式文本不展開哲學論證；
教學摘要省略例外；
詩歌使用高度壓縮意象。

因此：

\boxed{ \text{genre-inappropriate omission} }

不能被當成強負證據。

15. 權力與審查會改變「應該說什麼」

設主體真實偏好生成：

u^*.

但存在外部成本：

K(u,C).

實際選擇可能是：

u^{obs} = \arg\max_u [ U_G(u,C)-K(u,C) ].

如果：

K(y,C)\gg0,

沒說 $y$ 完全可能是政治或社會成本造成。

所以：

\boxed{ \text{silence under coercion} \not\Rightarrow \text{absence of belief}. }

歷史主體重建必須把：

\text{belief model}

與：

\text{expression policy}

分開。

16. 信念、意圖與輸出不能直接合併

設：

B = \text{belief state},

I = \text{communicative intention},

U = \text{utterance}.

更合理的鏈是：

B \rightarrow I \rightarrow U.

因此：

U

只對：

B

形成間接約束。

同樣：

\neg U

也不能直接推出：

\neg B.

CMI 的目的不是從句子讀出「真正內心」，

而是：

\boxed{ P(B,I,G\mid U,\neg U,C,\Omega). }

保留多層不確定性。

17. 反事實輸出空間本身需要歷史約束

最大的風險之一，是由現代 AI 任意生成：

古人當時還可以這樣說。

但如果那個表達：

使用不存在的概念；
使用當時沒有的分類；
預設後來才出現的問題；
使用現代科學知識；

則：

u_{modern} \notin \mathcal U^{CF}_{historical}(C).

因此反事實生成器必須施加：

\boxed{ \text{historical availability constraint}. }

候選輸出只能使用：

當時存在的語言；
當時可接觸的概念；
當時可形成的類比；
或證據支持的創新幅度。

18. 不使用某個詞，不代表沒有相應概念

反過來也必須避免字面主義。

即使：

w\notin Z,

仍可能存在：

\operatorname{SemEq}(w)

的其他表達。

所以檢索：

他有沒有說過「關係本體論」？

幾乎沒有歷史辨識力。

真正要問的是：

\boxed{ \text{是否存在功能等價的結構表達？} }

因此 CMI 分析單位應優先是：

\text{semantic operation}

與：

\text{structural commitment},

而不是現代關鍵詞命中。

19. 重複不是冗餘：它可能是權重

若主體在大量場合反覆說：

y,

重複本身可以表示：

高重要性；
高教學優先；
高防誤解需求；
高身份承諾；
回應高頻錯誤。

設：

f(y)

為出現頻率。

但：

f(y)

不能直接等於：

\operatorname{Importance}(y).

因為某概念也可能因：

對手一直問；
編輯偏好；
文類要求；

而高頻。

因此需要：

P(f(y)\mid G,C,J).

20. 遺漏與重複可以組成「語義張力對」

一個很有辨識力的結構是：

\text{high repetition of }A + \text{persistent omission of }B.

若：

A

與：

B

是自然競爭解釋，

而主體反覆選擇 $A$ ，持續不選 $B$ ，

則：

\boxed{ (A,\neg B) }

比單獨：

A

提供更強的生成器約束。

這可以稱為：

\boxed{ \text{Semantic Tension Pair}. }

21. 「為什麼不是另一句？」是 CMI 的核心問題

對每個高價值輸出：

u^*,

CMI 不只問：

這句話是什麼意思？

還至少問：

當時有哪些自然替代說法？
哪些替代最能區分候選生成器？
主體是否在其他場合使用過那些替代？
若從未使用，表達機會有多高？
如果候選理論為真，他本來應該多常使用？
是否有外部成本導致未使用？

形式上：

u^{disc} = \arg\max_{u\in\mathcal U^{CF}} D_{KL} \left( P(G\mid u,C) \parallel P(G\mid C) \right).

也就是優先分析最具有模型區分力的輸出與遺漏。

22. 反事實微語義反演演算法

本文提出最小流程。

Step 1：建立歷史語境

記錄：

C = ( \text{time}, \text{audience}, \text{genre}, \text{institution}, \text{risk}, \text{topic} ).

Step 2：抽取實際輸出

取得：

u^*.

Step 3：生成歷史可行替代集

建立：

\mathcal U^{CF}_{hist}(C).

Step 4：建立候選生成器

\mathcal G = \{G_1,\ldots,G_m\}.

Step 5：估計輸出概率

對每個：

G_i

估計：

P(u\mid G_i,C,\Omega).

Step 6：計算正向與遺漏證據

包括：

P(u^*\mid G_i,C)

與：

P(\neg u_j\mid G_i,C).

Step 7：跨語境聚合

比較：

C_1,\ldots,C_n.

Step 8：來源依賴校正

使用：

G_{\mathrm{prov}}.

Step 9：留出測試

預測未讀文本：

u_{test}.

Step 10：輸出後驗而非定論

P(G_i\mid\mathcal E).

23. 歷史沉默的四級證據強度

本文提出簡化分級。

Level 0：無證據沉默

O\approx0

或：

R\approx0.

結論：

不可推論。

Level 1：弱沉默

有機會，但只有單次未出現。

結論：

輕微更新。

Level 2：模式沉默

在多個高相關、部分獨立語境中持續缺席。

結論：

中度負證據。

Level 3：反預期沉默

某候選模型強烈預測必然或高概率出現：

P(y\mid G,C)\rightarrow1,

且：

O,R\rightarrow1,

卻持續觀察：

\neg y.

結論：

強烈降低該候選模型後驗概率。

24. 這不等於「沉默就是否定」

本文反覆強調：

\boxed{ \neg\operatorname{Mention}(y) \neq \operatorname{Believe}(\neg y). }

真正可得到的是：

P(G\mid\neg y,C,\Omega)

的變化。

也就是：

沉默是關於模型的證據，不是直接等價於一個命題否定。

這個分型可以避免大量歷史過度解讀。

25. Patterned Omission：有規律的缺席

若某一類概念在：

同一作者；
同一時期；
同一文類；
同一組對手；

中反覆被系統性略過，

可以建立 omission pattern：

\mathcal O_p = \{ \neg y_{C_1}, \ldots, \neg y_{C_n} \}.

再比較其他作者群：

\mathcal O_p^{control}.

若目標作者的缺席模式顯著異常：

P( \mathcal O_p \mid G_{population} ) \ll1,

它就可能成為非常有價值的生成器指紋。

26. 跨作者對照可以提高沉默證據

假設同時代其他作者：

A_1,\ldots,A_k

在相同文類與問題上高度頻繁談論：

y.

而目標作者：

H

長期不談。

這使：

O(y,C)

與：

\mathcal U^{CF}(C)

的估計更可信。

因為我們有實際歷史 control group。

所以：

\boxed{ \text{silence evidence improves with matched historical controls}. }

這比現代研究者憑直覺說：

他應該會提到。

可靠得多。

27. 檔案沉默與主體沉默必須分開

若一份檔案沒有留下：

y,

至少可能有兩種情形：

\text{Subject Silence}

或：

\text{Archive Silence}.

即：

\boxed{ \text{作者沒說} }

與：

\boxed{ \text{作者說了但歷史沒有保存} }

完全不同。

因此完整模型需要：

S \rightarrow U \rightarrow R \rightarrow A,

其中：

$S$ ：subject；
$U$ ：utterance；
$R$ ：recording；
$A$ ：archive survival。

真正觀察到：

\neg A

時，不能直接推出：

\neg U.

28. 2026 年的 omission studies 與本文接口

近年的歷史方法研究已開始更直接地把 omission 作為可操作的分析對象。

相關工作強調：

必須區分有意與結構性缺席；
透過比較閱讀與檔案三角驗證辨認 patterned silence；
數位語料庫可以幫助追蹤跨文本缺席；
omission 必須放回文類、制度與歷史環境。

這和本文 CMI 的方向高度相容。

但本文進一步把問題推到：

\boxed{ \text{omission} \rightarrow \text{latent cognitive generator inference}. }

也就是不只研究：

為什麼文件沒有這句？

而是：

哪一類生成器最能同時解釋「說了這些」與「始終沒說那些」？

29. AI 時代的新能力

29.1 大規模反事實候選生成

AI 可以針對：

u^*

生成大量：

u^{CF}.

但必須施加歷史可達性限制。

29.2 跨文本微語義對齊

可以同時計算：

hedging；
modality；
repair；
repetition；
semantic role；
omission pattern。

29.3 Patterned Silence Discovery

在巨大語料中搜尋：

\text{expected co-occurrence but persistent absence}.

29.4 候選生成器對比

同時維持：

G_1,\ldots,G_k

而不是只替單一解讀找佐證。

29.5 來源與保存模型

利用 provenance graph 估計：

R(y,C).

這使沉默證據首次可能被大規模校準。

30. AI 最容易犯的五個錯誤

30.1 反事實幻想

AI 很會生成：

如果我是這位古人，我會這樣說。

但：

\text{plausible} \neq \text{historically available}.

30.2 把現代概念當自然替代

現代術語不能直接進：

\mathcal U^{CF}_{hist}.

30.3 把語料庫缺席當作者沉默

搜尋不到：

y

可能只是 indexing failure。

30.4 忽略來源相關性

一萬個網站重複同一句後世解讀，不是一萬個證據。

30.5 敘事閉合偏誤

AI 傾向用最少矛盾完成漂亮故事。

但：

\boxed{ \text{narrative completeness} \neq \text{historical truth}. }

31. 四個核心命題

命題一：沉默條件證據命題

若：

P(\neg y\mid G_1,C,\Omega) \neq P(\neg y\mid G_0,C,\Omega),

則：

\neg y

對：

G_1,G_0

具有辨識力。

否則無。

命題二：高可觀察反預期沉默命題

若：

P(y\mid G,C)\rightarrow1,

O(y,C)\rightarrow1,

R(y,C)\rightarrow1,

但實際：

\neg y,

則：

P(G\mid\neg y,C) < P(G).

且下降可很大。

命題三：未選輸出不等權命題

對：

u_i,u_j \in \mathcal U^{CF},

即使兩者皆未被選擇，

只要：

P(u_i\mid G,C) \neq P(u_j\mid G,C),

其遺漏證據權重不同。

因此：

\boxed{ \text{all unsaid alternatives are not equal}. }

命題四：跨語境模式增強命題

若在多個條件部分獨立且高機會語境中：

\neg y

持續發生，

且候選模型對各語境沉默概率有穩定差異，

則聯合沉默可以比任一單次沉默具有更高辨識力。

32. CMI 實驗綱領

32.1 已知生成器盲測

先設定一個人工 agent：

G^*.

讓它在多語境生成：

u_1,\ldots,u_n.

只給研究模型部分輸出。

要求重建：

\widehat G.

測量加入 omission features 前後：

d(\widehat G,G^*).

32.2 隱藏輸出預測

訓練資料只給：

C_1,\ldots,C_n.

測試：

C_{n+1}.

比較模型能否預測：

說什麼；
不說什麼；
如何 hedge；
是否拒答。

32.3 文類控制實驗

同一主體同一主題，改變：

J_1,J_2,J_3.

測量文類造成的 omission shift。

32.4 審查成本實驗

控制：

K(u,C).

驗證系統能否區分：

\text{belief absence}

與：

\text{expression suppression}.

33. 對歷史人物的最低安全輸出格式

CMI 不應輸出：

他沒有說 $X$ ，所以他不知道 $X$ 。

而應輸出：

在目前可用材料中， $X$ 在若干高機會、高保存率語境下持續未出現。候選模型 $G_1$ 原本強烈預測會出現 $X$ ，而 $G_2$ 不預測。因此此遺漏降低 $G_1$ 相對於 $G_2$ 的支持度。但由於仍存在文類、保存與策略性沉默等替代原因，不能把此結果等同於作者明確認為 $\neg X$ 。

這才符合：

\boxed{ \text{evidence update} \neq \text{mind-reading assertion}. }

34. 與 HSGR Paper 01–04 的接口

Paper 01：

\boxed{ \text{由痕跡反演生成器。} }

Paper 02：

\boxed{ \text{符號不是主體。} }

Paper 03：

\boxed{ \text{互動提示可逐步重建結構。} }

Paper 04：

\boxed{ \text{跨世代重建會形成傳承吸引子與漂移。} }

本篇 Paper 05 加入：

\boxed{ \text{痕跡不只包括已出現內容， 還包括條件性有意義的未出現內容。} }

因此完整證據場逐漸變成：

\mathcal E = ( U, \neg U, C, \Omega, G_{\mathrm{prov}}, \mu ).

35. 結論

「說了什麼」當然是資訊。

但只看說出的內容，仍然只看到生成器的一半影子。

任何一次語言輸出，都是一個選擇事件：

\mathcal U^{CF} \rightarrow u^*.

因此：

u^*

之所以有意義，不只因為它本身的字面內容，也因為它位於一個替代空間中。

但這並不允許研究者任意宣稱：

他沒說，所以他一定反對。

本文真正建立的是條件式原則：

\boxed{ \text{Absence} \neq \text{Evidence}. }

只有當：

\boxed{ \text{Expected Presence} + \text{Expression Opportunity} + \text{Observability} + \text{Historical Availability} + \text{Model Discrimination} }

同時成立時：

\boxed{ \text{Persistent Absence} }

才開始成為真正有力的證據。

所以：

\boxed{ \text{不說也是資訊} }

的精確版本不是：

\neg U \Rightarrow \neg B.

而是：

\boxed{ \neg U \Rightarrow \text{posterior update over candidate generators}. }

這是一個非常大的差別。

它使沉默從玄學式解讀、心理投射與「我覺得他故意沒說」中脫離出來，進入一個可以估計機會、保存率、替代集、語境與模型差異的認識論框架。

AI 時代使這一框架第一次具有大規模工程可能：

我們可以比較：

10^4

篇文本中的詞彙、順序、模態、修正與沉默模式；

可以建立：

10^3

級別的歷史可行替代輸出；

可以同時維持多個生成器；

也可以在新發現文本上檢驗模型是否真的有預測力。

但 AI 越強，越需要記住最簡單的界線：

\boxed{ \text{沒有看見} \neq \text{不存在}. }

以及：

\boxed{ \text{沒有說} \neq \text{沒有想}. }

真正的研究問題永遠是：

如果這個候選生成器是真的，我們究竟應該多期待看到那個輸出？

當這個問題可以被回答時，「沉默」才從空白變成證據。

下一篇 HSGR Paper 06 將處理母系列最後一個核心問題：

如果同一句話在不同解析域可以同時成立與不成立，那麼許多古典哲學中的表面矛盾，是否其實來自符號失去 address、domain 與 resolver？

也就是：

\boxed{ \text{精細尋址符號學：多層同一與表面矛盾}. }

參考文獻

外部文獻

Grice, H. P. (1975). Logic and Conversation. In P. Cole & J. L. Morgan (Eds.), Syntax and Semantics, Vol. 3: Speech Acts, pp. 41–58.
Frank, M. C., & Goodman, N. D. (2012). Predicting pragmatic reasoning in language games. Science, 336(6084), 998. DOI: 10.1126/science.1218633.
Goodman, N. D., & Frank, M. C. (2016). Pragmatic Language Interpretation as Probabilistic Inference. Trends in Cognitive Sciences, 20(11), 818–829. DOI: 10.1016/j.tics.2016.08.005.
McGrew, T. (2014). The Argument from Silence. Acta Analytica, 29(2), 215–228. DOI: 10.1007/s12136-013-0205-5.
Vinzent, M. (2022). The Argument from Silence in Religio-Historical Research. Religion in the Roman Empire, 7(3), 430–456. DOI: 10.1628/rre-2021-0027.
Jovanović, S. M. (2026). Toward an omission studies framework in historical research: defining, detecting and deploying absence as analytical evidence. European Review of History. DOI: 10.1080/13507486.2026.2654438.
Currie, A. (2019). Inference from absence: the case of archaeology. Humanities and Social Sciences Communications, 6.
Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press.
Levinson, S. C. (2000). Presumptive Meanings: The Theory of Generalized Conversational Implicature. MIT Press.
Sperber, D., & Wilson, D. (1995). Relevance: Communication and Cognition (2nd ed.). Blackwell.

EveMissLab 內部前置文獻

Neo.K. (2026). 〈主體不可直讀，但可以逼近：歷史主體生成器重建的逆問題基礎〉.
Neo.K. (2026). 〈符號不是主體：跨載體表示極限、語義壓縮與主體域重建的邊界〉.
Neo.K. (2026). 〈悟：主體域的跨載體漸近重建、提示算子與互動式認知校正〉.
Neo.K. (2026). 〈傳承吸引子漂移：內部一致為何不保證源頭一致〉.
Neo.K. (2025). 《語言的秘密：你說的每一句話都在洩露你的靈魂》.
Neo.K. (2025–2026). 《知識傳播中的範疇失真：從經典誤讀到量子神秘化的統一認知框架》.

後續篇章位置

Paper 06：精細尋址符號學——多層同一與表面矛盾。