title: ARKE-08｜學術歸屬與集體智慧歷程：引用不只是參考文獻
english_title: ARKE-08 | Scholarly Attribution and Collective Intelligence Lineage: Citation Beyond References
series: ARKE Research — AI 原生自主科研完備與知識演化論
series_english: AI-Native Research Completion and Knowledge Evolution
series_id: ARKE
paper_id: ARKE-08
series_part: 第三部：學術歸屬、自主演算法與知識演化
sequence: 8
series_total: 12
author: Neo.K with GPT（AI 協作）
institution: EveMissLab／一言諾科技有限公司
version: v0.1
date: 2026-10-28
timezone: Asia/Taipei
language: zh-TW
status: FORMAL_RESEARCH_MANUSCRIPT_V0.1; THEORY_AND_ATTRIBUTION_CONTRACT; EMPIRICAL_VALIDATION_NOT_RUN
document_type: 研究認識論／知識來源歸屬／AI 自主查核契約／研究貢獻歷程／可否證實驗設計
canonical_source_encoding: UTF-8
canonical_math_delimiters: inline= $...$ ; display=$$...$$
source_verification_cutoff: 2026-10-28
repository_policy: ARKE 為獨立 GitHub 軟體工程方向；本文不宣稱已實作完成、已整合 EveTrain 或已通過跨域實證
license: 作者權利保留；正式授權條款尚未決定

ARKE-08｜學術歸屬與集體智慧歷程：引用不只是參考文獻

Scholarly Attribution and Collective Intelligence Lineage: Citation Beyond References

系列： ARKE Research，第 08／12 篇
作者： Neo.K with GPT（AI 協作）
機構： EveMissLab／一言諾科技有限公司
日期： 2026 年 10 月 28 日（Asia/Taipei）
研究狀態： 正式研究原稿 v0.1；本篇提出定義、條件命題、規範原則與實驗協議，未完成 ARKE-08 的跨領域實證。
前接： ARKE-01 至 ARKE-07。
後接： ARKE-09（自主研究核查演算法）、ARKE-10（持續知識演化）、ARKE-11（研究完成閘道）、ARKE-12（跨領域實證與 RAI／RSI）。

版本： v0.1

摘要

當 AI 能夠產生證明、設計演算法、發掘研究先例、比較不同理論並執行證據查核時，學術引用不能只被安排為論文完成後的參考文獻格式化。引用首先牽涉對研究來源、歷史先例、實際方法依賴、貢獻角色與不確定性的可查核區分；更深一層，它是對知識在不同人類、機構、工具、模型與世代之間累積、轉譯、修訂和再創造的歷程承認。只有把「誰被列在作者欄」或「引用了多少篇」當成歸屬的全部，將同時掩蓋無名先例、低曝光研究、資料與軟體貢獻、集體知識以及 AI 生成時不可完整反推的歷史影響。

本文提出 學術歸屬與集體智慧歷程契約（Scholarly Attribution and Collective Intelligence Lineage Contract, SACILC），將研究歸屬拆分為：可確認的來源使用、研究主張的歷史先後、技術與證據依賴、實際貢獻角色、文獻引用意圖、AI 協作歷程、法律／期刊作者資格、資源使用權利，以及無法識別的廣義知識背景。這些不是一個可以被加總的「貢獻分數」，而是具有不同證據義務和失效條件的型別化關係。

SACILC 承接 ARKE-01 的研究完成契約、ARKE-02 的合法知識可達性、ARKE-03 的 Research Trace Anchor（RTA）、ARKE-04 的先例分類、ARKE-05 的跨表示比較、ARKE-06 的證據適用性以及 ARKE-07 的歷史修正。本文定義歸屬事件、研究貢獻單元、可驗證歷程邊與未決影響記錄，提出十項條件命題（P1–P10）與八組可否證實驗（H1–H8），並要求 AI 在宣稱研究完成之前自主執行來源與貢獻查核，而非把例行工作移交人類專家。

本文同時區分兩種規範：精確歸屬必須具備來源與見證，不能捏造誰影響了誰；集體承認可以誠實承認研究依賴不可完全枚舉的人類及其他智慧體知識積累，但不能據此創造虛假的單篇引用或法定作者資格。模型權重中的訓練資料來源通常不能由單一輸出可靠反推；在缺乏可稽核訓練證據時，「可能曾接觸」不得被改寫成「已證實直接借用」。

本篇的研究目標不是授予 AI 法律人格、重新分配著作權、宣布所有學術引用都可自動完成，亦不宣稱建立了一套已經得到外部驗證的歸屬引擎。它提出的是一組可由 AI 自主執行、保留不足、允許修訂、尊重歷史而不崇拜權威的研究歸屬基本義務，供後續 ARKE 獨立軟體及 EveTrain RAI／RSI 研究系統採用與測試。

關鍵詞： ARKE、學術歸屬、集體智慧歷程、AI 自主科研、先例、貢獻角色、引用意圖、研究來源、RTA、PROV-O、CRediT、CiTO、知識承接、認識論責任、研究完成。

0. 研究地位、問題範圍與主張分型

本篇將敘述分成下列類型：

D（Definition）：在本文契約下使用的形式定義；不等於自然界或學術制度已採納此定義。
P（Proposition）：可由明確條件和定義導出的條件命題；若前提不成立，結論不能擴張使用。
N（Normative Principle）：建議 AI 自主研究系統遵守的義務；不自稱為現行法律。
M（Method）：可執行演算法或資料契約草案；不是已上線工程。
H（Empirical Hypothesis）：可以在未來實驗中被支持或推翻的效果主張；本篇均為 NOT_RUN。
B（Boundary）：認識論、法律、資料權利或模型能力方面不得越過的推論界線。

0.1 本篇所說的「歸屬」不是單一行為

至少存在四種常被誤混的問題：

來源問題：本研究實際閱讀、使用或引用了什麼？
先例問題：在可查證歷史中，誰較早提出相同或相關內容？
貢獻問題：哪些參與者／工具／資料對這個具體研究產物做了什麼？
制度問題：誰符合投稿期刊、法律或協議所要求的作者資格、權利與責任？

回答第一個問題不能直接推導第二個；找到第二個問題的歷史先例，也不能直接推導第三個問題的因果依賴；第三個問題有貢獻紀錄，仍不必然滿足第四個問題的法律或刊物規則。

0.2 尊重不是把權威置於真理之上

研究者可以認真承認前人的結果，同時指出前人命題錯誤、證明缺口、方法局限或不適用域。學術尊重要求準確表述、可追溯及不歪曲；它不要求對歷史人物或高引用期刊提供免於檢驗的特權。

\mathrm{Acknowledge}(s)\not\Rightarrow\mathrm{AcceptAsTrue}(s).

同樣，若一項新研究正確修補了舊理論，它既可能依賴舊理論的有效核，也可能對舊版的具體結論提出拒絕。這兩種關係必須同時保存。

0.3 既有標準不是空白

CRediT 已定義 14 種研究貢獻角色，並於 2022 年成為 ANSI/NISO 標準 [R1,R2]；W3C PROV-O 可描述實體、活動、代理者及來源歷程 [R3]；CiTO 支援區分引用功能與意圖 [R4]；DataCite 的相關識別碼可表達引用、衍生、部分與版本關係 [R5,R6]。ARKE 不宣稱發明這些基礎能力。

本文新提出的結構需求，是讓 AI 自主研究系統把上述部分連成研究完成前、主張級、帶見證、可回訪、可撤回且能保留未知的歸屬程序，並可與既有標準互通，而不是建立不可驗證的獨立功勞名冊。

1. 從「列出參考文獻」到「建立知識承接歷程」

1.1 書目引用的必要性與不足

傳統參考文獻能指出研究者應回頭閱讀哪些作品，在很多情況下不可或缺。但同一篇文獻可能被引用來支援某個主張、介紹方法、反駁前人、重現實驗、交代定義來源，甚至作為過去失敗研究的案例。若系統僅保存「論文 A 引用論文 B」，便無法推斷 A 是繼承 B、改寫 B、否定 B，還是單純提供歷史背景。

例如：

A 文在引言引用 B 文的研究歷史；不能因此推定 A 的主要定理在證明上依賴 B。
A 文用 B 文所公開的資料訓練模型；可能有資料依賴，即使 A 沒有引用 B 的任何定理。
A 文反駁 B 文的一個全稱命題；合理引用 B 既是歸屬，也是對其主張的實質挑戰。
A 文獨立得到 B 文已提出過的結論；即使不存在可確認的直接因果傳遞，仍有披露歷史先例的義務。

N1（Citation Is Typed）：AI 不能僅以書目邊的存在，推斷實質依賴或理論認同。引用必須至少附上其用途或標示用途待判定。

1.2 引用作為集體知識承接的可見接口

本文提出，對研究共同體的承認，包含承認以下事實：某項結果的形成通常使用了既有語言、符號、方法、資料、基礎工具、訓練及學習環境。這些承接關係未必全部可逐項追溯，也不能因此主張所有歷史人物都是當前研究成果的具名作者。

\mathcal K_{t+1}=\mathrm{Update}(\mathcal K_t,\Delta_t,\mathcal H_t).

此處 $\mathcal K_t$ 表示在指定觀察與權利契約下保存的知識狀態， $\Delta_t$ 為新候選／新證據， $\mathcal H_t$ 為可追溯的歷程；這是概念性狀態演化表示，不是宣稱所有知識都可被表示為一個完備集合。

集體知識承認的可操作形式應是：

對可辨識且相關的前人工作，盡合理努力精確歸屬；
對無法確認的歷史影響，不填入不存在的作者或虛構引用；
對基礎工具與資料，保存應有的版本、權利與貢獻紀錄；
對衝突與修正，保留時間、原因與受影響的主張；
對研究者自身原創部分，仍具體說明新增的結果、方法、證據或範圍。

因此，尊重集體智慧與保護個別研究的可驗證貢獻並不矛盾。

1.3 「不是為了利益而引用」不等於「不需要精確引用」

研究者可以出於尊重而承認前人的學術歷程，而不把每次引用都當成利益交換。但此價值立場不能替代事實查核。隨意引用知名人物以表現謙遜，反而可能掩蓋真正提出過相關方法的低曝光研究者。

N2（Respect Without Fabrication）：凡可陳述為具體學術事實的歸屬，仍須受來源、時間、內容與證據約束；泛稱對知識共同體的感謝不能冒用為特定先例的證明。

2. 前七篇的不可變接口

2.1 ARKE-01：受約束研究完備

沿用 ARKE-01 的研究契約：

\Gamma=\langle\mathcal U,\mathcal S,\mathcal A,\mathcal V,\mathcal B,\tau\rangle.

歸屬查核是 $\Gamma$ 下的研究義務，不是研究完成後可有可無的排版工作。ARKE-01 的義務狀態仍保持：

\sigma(o,\pi)\in\{\mathrm{PASS},\mathrm{FAIL},\mathrm{UNKNOWN},\mathrm{NA}\}.

此處 PASS 只表示指定義務在契約內完成，不代表查盡全球歷史；UNKNOWN 不是 FAIL；NA 必須具體說明不適用原因。保留這套語義，避免另外創造不兼容的歸屬「通過分數」。

2.2 ARKE-02：合法知識可達性

來源沒有被搜尋到、來源只可讀摘要、來源全文不能合法存取、來源已不存在、來源未公開，都是不同狀態。ARKE-08 不允許因無法取得全文就否認先例；亦不因研究者尊重前人而要求繞過權利與存取控制。

2.3 ARKE-03：六層研究身分及 RTA

沿用 ARKE-03 的層級：作品／版本／載體／片段／主張／證據與使用歷程。一條歸屬關係必須盡可能定位到某一版本某一主張或方法片段，而非只貼一個期刊首頁。

Research Trace Anchor（RTA）保存可回訪地址、版本、選擇器、指紋與來源狀態。本篇把「對哪個具體內容給予歸屬」綁定在這套地址上，不另造不可追溯的新身分體系。

2.4 ARKE-04：先例存在不等於先例有效

沿用四種先例：Claim Precedence、Method Precedence、Validated Result Precedence 以及 Failed Attempt Precedence。先例可能是錯誤的、未證明的、僅有部分有效核的；合理歸屬並不把其成功程度偷渡為已驗證。

研究新穎性仍用 ARKE-04 的向量 $\mathcal N(c)$ 而不是「有沒有一篇較早論文」的單一布林值；新方法可能解決舊問題，而舊方法也可能啟發新證明。

2.5 ARKE-05：跨表示關係必須有見證

使用 ARKE-05 的 $J_{\Lambda}(a,b)$ 與比較契約。語義近似只能構成候選，不可自動升格為邏輯等價、方法同一或剽竊判定。不同語言、符號、程式實作、物理模型都需要各自適用的可比較條件。

2.6 ARKE-06：方法與證據的適用域

引用圖、DOI 存在及時序先後可以支持書目事實，不會自動證明定理正確。形式證明可支持指定形式系統中的推導，不會自行證明某位研究者是歷史首次發現者。本篇不允許跨證據型別提升結論。

2.7 ARKE-07：歷史修正與有效核保留

錯誤歸屬需要更正，但更正不能悄悄覆寫原有歷程。若某舊文的主要證明撤回，ARKE 應修正「已證成先例」等關係，保留其「較早提出主張」的歷史位置與可能的有效核。

3. 既有技術的承接位置

3.1 貢獻角色：CRediT

CRediT 以 14 種角色描述科研活動，例如 Conceptualization、Data Curation、Methodology、Software、Validation、Writing – Original Draft 與 Writing – Review & Editing [R1]。它能提升「誰做了什麼」的透明度，但角色清單本身不能證明某位參與者真的完成該工作，也不自動決定作者排序或著作權。

因此，ARKE 應優先對接 CRediT 相容角色，再增設本系統必要的事件證據，不另宣稱創造一套與既有貢獻分類相競爭的全球標準。

3.2 研究來源：W3C PROV-O

PROV-O 區分 Entity、Activity、Agent，並提供 wasDerivedFrom、used、wasGeneratedBy、wasAttributedTo 等關係 [R3]。它主要記錄資料或活動的來源與使用脈絡，並非對每個知識主張的真值進行自動裁決。ARKE 以此為來源表達的互通參考。

3.3 引用用途：CiTO

CiTO 能區分 extends、usesMethodIn、supports 等引用功能 [R4]。因此 ARKE 的 cites 只是最低基底關係；更細的關係應保留方向、可確認的用途以及候選或已核查狀態。即使 CiTO 含有「引用作為權威」的型別，ARKE 仍不把權威身分當作數學正確性的證書。

3.4 研究作品關係：DataCite、Crossref 與 ORCID

DataCite 用 RelatedIdentifier 及 relationType 支援 Cites、IsCitedBy、IsNewVersionOf、IsPreviousVersionOf 等關係 [R5,R6]。Crossref 的 Crossmark 可以揭露更正、撤回或更新狀態 [R7]。ORCID 作為人物的持續識別碼，能協助解決同名異人和研究者改名的問題，但 ID 本身不是某項特定研究貢獻的證明 [R8]。

3.5 軟體、研究包與一般引用圖

Software Heritage 的 SWHID 可定位具體軟體工件 [R9]；RO-Crate 能將研究資料、軟體與來源脈絡組成機器可讀的研究封裝 [R10]。OpenAlex 的引用關係由參考文獻萃取與匹配而來，因此引用邊可供搜尋及導航，但在未讀原文前不能推定引用的意圖或證據效力 [R11]。

上述系統可互補，不必讓 ARKE 用一個專有圖格式取代所有既有資料庫。ARKE 的新增工作是明確記錄歸屬主張自身的證據和不確定性，並在正式研究完成閘道之前強制執行最低義務。

4. D1：研究歸屬的最小判定單元

4.1 歸屬不是先判斷「某人應該拿幾分」

定義研究貢獻單元（Research Contribution Unit, RCU）：

u= \langle r,c,a,\alpha,\mu,e,s,t\rangle.

$r$ ：研究作品與版本；
$c$ ：受到貢獻的具體主張、方法、資料、軟體或實驗；
$a$ ：具體參與者、團隊、模型實例或工具記錄；
$\alpha$ ：行為類型，例如提出、推導、整理、修正、測量、審查；
$\mu$ ：貢獻角色，優先映射至既有 CRediT 或適當的本域分類；
$e$ ：支持這個貢獻主張的證據與 RTA；
$s$ ：ASSERTED、EVIDENCED、DISPUTED、UNKNOWN 等狀態；
$t$ ：發生、記錄及驗證的時間資訊。

D1（RCU）：RCU 是一項關於研究貢獻的可檢驗敘述，不是先驗的道德評分或法律作者資格。它可以存在多個對同一貢獻互相競爭的版本，且每個版本應保留自身的來源。

4.2 貢獻主張須與研究主張分離

一項定理的內容是 $c$ ；「研究者 A 首次提出 $c$ 」是另一項歷史主張 $h$ ；「A 使用 B 的證明技術得到 $c$ 」則是來源與行為主張 $d$ 。即使 $c$ 的形式證明有效， $h$ 和 $d$ 仍需不同的歷史與行為證據。

\mathrm{ProofValid}(c)\not\Rightarrow\mathrm{AttributionVerified}(h,d).

反過來，即使某研究者的貢獻紀錄可信，也不意味其所主張的數學定理正確。

4.3 身分層：人、AI、軟體、機構與作品

歸屬紀錄至少需要區分：

節點型別	可記錄內容	不得自動宣稱
`HUMAN_ACTOR`	研究、審核、提交等可證行為	一切輸出皆原創
`AI_RUN`	模型／版本／輸入範圍／生成事件	模型具法定作者資格或意識
`SOFTWARE_TOOL`	檢查器、編譯器、檢索器等版本	工具的作者等於本研究的共同作者
`ORGANIZATION`	機構、資助、運算提供者	資助者自動擁有某定理的創造貢獻
`DATA_OR_ARTIFACT`	資料、程式碼、證據及版本	資料自動證明它支援的結論
`KNOWLEDGE_SOURCE`	作品、引理、方法或歷史先例	曾被引用即有直接因果依賴

同一人或同一 AI 可以參與多個研究步驟；同一軟體也可能由多人維護。系統不應僅憑名稱相似就合併身分。

5. D2：歸屬的九個不可混同維度

令某研究產物 $r$ 的歸屬描述為：

\mathfrak A(r)= \langle U,P,D,C,I,B,L,G,X\rangle.

本式是一個有型別記錄，不是可相加的向量分數。

維度	英文標籤	要回答的問題	最低證據
$U$	Actual Use	本次研究實際使用了什麼？	有時序的存取或使用證據
$P$	Historical Precedence	哪些較早公開先例可辨識？	版本、時間與比較範圍
$D$	Research Dependency	哪些主張／方法是實際依賴？	依賴見證、原稿位置及條件
$C$	Contributorship	誰／何系統做了什麼？	RCU 與行為產物
$I$	Citation Intent	為何引用這項來源？	作者聲明或限縮的文本證據
$B$	Background Knowledge	研究承接哪些背景共同知識？	分類來源與不確定性紀錄
$L$	Legal/Editorial Status	誰有權利或符合刊物作者規則？	可適用規則及已查核條件
$G$	Governance/Responsibility	誰有權提交、修訂與承擔責任？	明確授權、簽署或治理紀錄
$X$	Unresolved Influence	哪些可能的來源影響無法追蹤？	限制、缺口及不可推定聲明

本篇不把 $B$ 內的「學科背景」直接轉換為特定個人的貢獻百分比；也不把 $L$ 和 $G$ 等同，因為法律資格、期刊作者規則、研究工作實際治理可以不同。

5.1 實際使用與主題相似不是一回事

AI 在研究期間檢索到一篇論文，可以構成 RETRIEVED 事件；如果打開並讀取相關段落，可能構成 INSPECTED；只有確有使用其方法、定義或資料，才可提出更強的 USED_IN 關係。

\mathrm{Retrieved}(a,b)\not\Rightarrow\mathrm{UsedIn}(a,b).

即使 AI 的新結果與舊文高度相似，也不能單由相似度推導曾發生直接接觸；此種推論存在獨立發現、共同方法來源及模型先前訓練影響等替代解釋。

5.2 先例先後與因果承接不是一回事

較早公開的 A 與較晚公開的 B 可能有內容重疊。此時至少存在三種不必然等同的歷史關係：

A 確實先公開，B 的研究過程明確使用 A。
A 確實先公開，B 沒有可確認的直接使用證據。
A 在已知索引中最早，但不排除更早的未索引、未公開或版本不同的研究。

N3（No Causal Leap from Precedence）：不得把 historically_prior_to 當作 caused_by；不得將「之前有過相似主張」直接改寫成「後來者抄襲」。

5.3 貢獻角色不等於知識正確性

研究者 A 可能負責構想但誤用某引理，B 負責修正證明，C 負責重跑驗證，D 負責來源對照。角色紀錄能描繪研究歷程，仍須由獨立證據裁決各項內容是否成立。

5.4 引用意圖可由兩種來源記錄

DECLARED_INTENT：引用者直接聲明用途，可查到具體引文或提交說明。
INFERRED_FUNCTION：AI 根據段落提出的用途分類，只能保留模型、上下文與不確定性，不得假裝是引用者原始動機。

一條文獻關係可以有多種功能，但不同功能必須逐一有依據。例如「引用以批判」不等於引用者認同被引內容。

6. D3：有型別、具狀態的知識承接圖

6.1 研究歷程圖不是單一引用網路

定義 ARKE 歸屬子圖：

G_A=(V_A,E_A,\lambda_A,\pi_A).

其中 $V_A$ 包括研究作品／版本、主張、方法、貢獻事件、行為者、工具、證據、歷史事件； $E_A$ 為有向或有型別超邊； $\lambda_A$ 表示關係語義； $\pi_A$ 為支持關係的來源歷程。此子圖是 ARKE-03 研究依賴結構的歸屬投影，不是一個排斥其他表示方式的新世界模型。

最低關係類型：

類型	方向及意義	必要界線
`CITES`	本研究引用歷史作品	引用不等於支持
`ACTUALLY_INSPECTED`	本次研究讀取指定片段	讀過不等於採納
`USES_METHOD_FROM`	本研究使用來源方法	方法可被改寫或修正
`DEPENDS_ON_CLAIM`	指定結論依賴某主張	須列出前提與證明路徑
`USES_DATA_FROM`	指定研究使用某資料版本	須處理來源權利與清理史
`DERIVES_FROM_ARTIFACT`	輸出由可查實物件加工形成	衍生不等於內容正確
`HISTORICAL_PRECEDENT`	早期提出相關主張／方法	需明確先例類型與時間
`INDEPENDENT_REDISCOVERY_CANDIDATE`	在指定隔離契約下獨立得到相似結果	不得說明模型從未接觸訓練資料
`CONTRIBUTED_ROLE`	行為者／系統完成指定研究活動	不等於取得法定作者資格
`CHALLENGES_OR_CORRECTS`	後作質疑或修正舊內容	不會自動否定舊文全部主張
`TRANSLATES_OR_REPRESENTS`	不同語言或表示的研究關係	須避免語義漂移
`POSSIBLE_UNTRACED_INFLUENCE`	可能存在來源影響但不可確認	不可提升為已知因果使用
`RECOGNIZES_COLLECTIVE_CONTEXT`	對某知識共同體或傳統的概括承認	不等於具名個人作者身分

INDEPENDENT_REDISCOVERY_CANDIDATE 名稱中的候選非常重要。對於大型預訓練模型，最多通常只能依本次工作流程的隔離條件建立程序性獨立主張，不能藉此宣告完整的知識來源獨立。

6.2 每條歸屬邊需要自己的證據

令 $e$ 為一條有型別歸屬邊，建立：

E_A(e)=\langle a_1,a_2,k,d,s,w,p,t,q\rangle.

$a_1,a_2$ ：起點與終點的可定位身分；
$k$ ：關係型別， $d$ ：方向；
$s$ ：適用域及依賴條件；
$w$ ：來源錨點、產物片段或比較見證；
$p$ ：實際執行的檢索／判斷程序與版本；
$t$ ：來源時間、觀察時間、登錄時間；
$q$ ：判定狀態及剩餘不確定性。

沒有可回訪來源時，系統可以保存有價值的候選線索，但必須標明 UNVERIFIED 或 UNRESOLVED。這不是要 AI 停止研究，而是防止欠缺證據的關係靜默變成歷史事實。

6.3 歸屬狀態不可覆蓋研究義務狀態

本篇提出歸屬關係自身的狀態：

CANDIDATE：有線索，但尚缺充分核查；
SOURCE_CONFIRMED：來源身分與版本已查核；
RELATION_EVIDENCED：在指定域內有支持特定關係的見證；
DISPUTED：存在互相衝突的合理歸屬主張；
UNRESOLVED：來源不足、可達性不足或語義未定；
INVALIDATED：該關係被合格證據否定；
SUPERSEDED：新的關係判定已取代舊版，但保留歷史。

這些狀態不能直接替換 ARKE-01 的 PASS／FAIL／UNKNOWN／NA，也不等同 ARKE-06 的單次校驗動作狀態。前者描述關係，後者描述研究義務或校驗事件。

6.4 信心評估不能取代關係型別

相似度 0.99 仍不足以證明真正的歷史因果使用。與其給所有關係混用一個「可信度 98%」，更適合記錄：這是文本相似、主張等價、方法承接還是時序先後；何種證據支持；有哪些競爭解釋。

對不充分資訊可以給校準過的模型估計，但不得將估計值改寫為已查證事實；也不能因為多個同源模型同意，就錯算成獨立證據。

7. D4：AI 自主歸屬工作事件

7.1 為何需要工作歷程，而不只是最後的引用清單

若 AI 最終列出十篇文獻，我們仍不知道它實際檢查了哪些版本、如何處理相似結果、是否讀過可用原文、是否遺漏低曝光候選。為了讓歸屬成為自主科研的一部分，每次查核必須有可重播的事件紀錄。

定義歸屬事件（Attribution Audit Event）：

a_t=\langle o,\kappa,i,m,v,z,h,t\rangle.

$o$ ：事件操作，如搜尋、取回、解析、比對、降階或更正；
$\kappa$ ：當時研究契約、權限及適用的發表規則；
$i$ ：輸入及來源錨點；
$m$ ：模型、檢索器或驗證器識別資訊；
$v$ ：採用的演算法與版本；
$z$ ：輸出、失敗原因、未決清單；
$h$ ：如可取得的產物雜湊與事件前後鏈；
$t$ ：建立與執行時間。

事件雜湊能檢查位元組完整性，但不是身份簽章，也不能抵抗完全控制紀錄儲存的惡意行為者。對真正的身份認證、第三方時間戳和來源權利，仍需各自的信任契約。

7.2 先研究凍結，再進行先例歸屬

延續 ARKE-04 的雙軌流程：

AI 在明確隔離條件下研究並形成候選；
固定候選與實際可查的研究環境；
AI 自主開始先例搜尋、引用功能辨識與貢獻核查；
新證據可以要求修正成果，但不能回寫先前盲研究的歷程；
產出研究結果、歸屬決議、未決事項與修訂差異。

這樣可以同時評估模型自主生成能力與文獻查核能力，而不把獨立研究的測試條件偷偷改寫。

7.3 歸屬審查不是「AI 單次搜尋」

一個最小但完整的查核循環至少應能：

由研究主張萃取具檢索價值的概念、公式、時間界限與方法特徵；
檢查跨語言同義、不同學科命名與先前失敗研究；
逐項回訪候選來源及其版本，必要時記錄合法無法取得；
由 ARKE-05 比對明確共享語義，而非只比字句；
用 ARKE-06 適當方法區分已證成先例與未證明主張；
識別本次研究真正引用與實際使用的內容；
產生主張級歸屬與新穎性差異；
對無法判定的關係保持未決，且可於日後重新開啟。

N4（Autonomous Attribution Before Completion）：上述常規程序應由 AI 主動執行，沒有必要把人類專家設定成每一步的必經處理者。涉及不允許的來源行為、法律簽署、不可逆權利處置或特定刊物要求時，可依治理契約保留人工權限與確認。

8. D5：被引用的作者、真正的貢獻者與制度責任

8.1 研究貢獻紀錄不是作者資格判定器

作者欄是一種由法律、學術共同體、出版機構和研究組織規則共同塑造的制度性身分。CRediT 用來細化貢獻角色，並不取代期刊作者資格規定 [R1,R2]。ICMJE 現行投稿建議明確要求披露 AI 使用，且不將 AI 工具列為作者；COPE 亦採相近立場 [R12,R13]。

本文並不將這類現行規則推廣成跨世代、跨司法管轄區或所有未來 AI 形態的永恆本體結論。它僅要求 ARKE 系統在指定投稿場景下準確適用當時可核查的規則，同時保存工具及 AI 參與的實際研究事件。

8.2 兩本帳：認識貢獻與制度責任

建議採取兩個相互關聯但獨立的紀錄：

\mathcal L_{\mathrm{epistemic}}(r)\neq\mathcal L_{\mathrm{institutional}}(r).

$\mathcal L_{\mathrm{epistemic}}$ 記錄誰／何系統做了哪項可查的研究行為、來源依賴及結果差異。
$\mathcal L_{\mathrm{institutional}}$ 記錄何人或機構有權提交、同意條款、履行責任及滿足特定作者規定。

兩者需要一致的來源，但不能互相冒充。某 AI 在特定研究中實際產生原始程式碼，是一項可以披露的活動事實；它不會因此自動取得任何刊物的作者身分。

8.3 責任不可被工具使用記錄稀釋

若一位研究者使用 AI 生成錯誤引用，不能以「AI 自動填的」作為論文不用負責的理由。相反地，若 AI 研究引擎已被要求執行文獻核查，系統必須保留其失敗、漏檢與來源不可達證據，以便修正演算法與評估真正能力。

因此：工程上的自主執行責任、組織治理責任和法定責任可以分層，不必由一個模糊的『AI 作者』欄位承擔全部語義。

8.4 工具與模型貢獻的適當粒度

至少需要區分：

AI 提出研究問題；
AI 編寫初稿、程式碼或證明候選；
AI 執行檢索、引用比對或反例搜尋；
AI 發現並修復此前錯誤；
獨立工具檢查指定產物；
人類修改核心假設、設計方法、審核主張或批准發表；
上游資料、軟體和模型權重由其他研究共同體累積。

前六項屬本次研究內可具體記錄的行為；最後一項可能涵蓋大量不可逐一識別的知識歷史，必須依可取得的實際證據區分具名歸屬與集體承認。

9. D6：不可完整追溯的模型知識與集體知識背景

9.1 模型權重不是一張可自動回推的參考文獻表

對一個在大量資料上預訓練的模型，特定輸出可能受到多個資料來源、抽象概念、訓練程序與模型內部表徵影響。除非具有額外的資料譜系、訓練日誌或可驗證歸因方法，否則不能僅從一段輸出可靠推出它究竟使用過哪篇文獻。

可以定義實際但通常不可完全觀測的訓練歷程影響集合 $\mathcal I^\ast(y)$ ，以及研究程序能取得的證據集合 $\widehat{\mathcal I}(y\mid\pi)$ 。本文不預設兩者相等：

\widehat{\mathcal I}(y\mid\pi)\neq\mathcal I^\ast(y)

可能成立。該不等式不等於宣稱模型完全無法追溯：若資料集或訓練流程提供合法可稽核的譜系，特定訓練來源可以得到更有力的確認。但模型自述「我想起某篇論文」不是訓練來源證明。

9.2 四種訓練及研究來源語句

本篇要求清楚分離：

語句	可接受的證據門檻	不得偷換成
`TRAINING_CORPUS_DOCUMENTED`	可核對的資料集版本與權限紀錄	某段輸出必然直接借用了它
`RUNTIME_RETRIEVAL_CONFIRMED`	本次檢索／開啟事件與來源錨點	模型訓練前就已經知道內容
`CONTENT_SIMILARITY_DETECTED`	可重播的文本／語義／結構比對	已證實抄襲或直接使用
`MODEL_INFLUENCE_UNRESOLVED`	無充分證據判斷訓練因果關係	已證實未接觸過或已證實接觸過

這四種狀態可以同時存在。例如本次開啟了某篇文章，且該文也可能包含於訓練材料中；兩項證據指向不同時間與行為，不應合併。

9.3 集體承認不等於無限制的功勞分配

對某種學科方法的理解可能累積自教材、社群教學、證明傳統、程式庫及各類研究者。ARKE 可以記錄 DISCIPLINARY_BACKGROUND、KNOWN_HISTORICAL_ROOT 或 UNTRACED_COLLECTIVE_INFLUENCE 等廣義背景；但不能對每位曾參與學科發展的人賦予一個任意的個別百分比。

因此，提出雙層承認原則：

\mathrm{Recognition}= \mathrm{SpecificAttribution} \cup\mathrm{CollectiveAcknowledgment}.

此處聯集表示兩類不同的承認方式，不是可加總的權利或信用量。SpecificAttribution 需有具體來源與見證；CollectiveAcknowledgment 是對無法完全枚舉的背景知識及共同體的規範性承認，不能假裝是精確的因果引用。

9.4 來源缺席、作者缺席與知識缺席

低曝光研究者可能缺乏 DOI、ORCID 或可長期存取的資料庫紀錄；非英語材料、歷史文獻與非典型知識傳承也可能未被主流索引完整覆蓋。即使如此，AI 也不能以「不在資料庫」推導「不存在重要貢獻」。

同樣，對口述、社群及原住民族知識的整理，不能以建立索引為由擅自取用受限制的內容。CARE 原則強調集體利益、控制權、責任與倫理，提醒開放知識基礎設施不能只優化可搜尋性而忽略知識持有者的權利 [R14,R15]。

B1（Attribution Requires Access Legitimacy）：歸屬系統可以保留合法允許的標題、辨識資訊或授權聯絡路徑，但不可用「尊重來源」當作繞過權利與社群治理的理由。

10. D7：歷史先例與學術首次性的審慎語義

10.1 首次性的三個不同問題

研究者可能問：

首次可查公開主張：在目前查到的合法來源中，哪個版本最早提出該主張？
首次可查有效證成：何時第一次出現符合明確驗證條件的證明或證據？
首次可查方法：哪份較早研究已使用實質相似的技術，儘管未得出同一結論？

第一個可能先於第二個，第三個也不要求有相同命題。不能把「有人先提出」直接升格為「有人先正確證明」，更不能把目前找到的最早來源視為整個世界的最早來源。

10.2 時間至少有四種

對每個研究成果及其引文，至少區分：

asserted_at：來源聲稱或記載的提出時間；
made_public_at：可核對的公開時間；
retrieved_at：ARKE 本次取得來源的時間；
verified_at：相關主張或來源關係被查核的時間。

有些歷史來源只提供年份或模糊日期；不得把不完整時間補成帶秒數的假精確。若有修訂版本，後版證明不能倒灌成初版即已完成的證明。

10.3 優先權不等於真理

定義相對於可達來源集 $\mathcal U_t$ 的最早可查先例：

P_{\mathrm{known}}(c,t)= \mathop{\mathrm{Min}}_{\prec_t} \{s\in\mathcal U_t: \mathrm{Related}(s,c)\}.

這裡 $\mathrm{Min}_{\prec_t}$ 回傳在已知時間偏序下的極小候選集合，而非必然唯一的作品；若時間資訊不足或來源之間不可比較，可以返回多個候選或未決。

關係 Related 仍需 ARKE-05 的內容見證。改變 $\mathcal U_t$ 或新的來源日期證據，可能改變 $P_{\mathrm{known}}$ ，而不改變任何歷史上實際發生的事件。

10.4 歷史優先權與法律優先權不可混同

本文討論的是學術研究史及知識歸屬，不是專利權利要求、發明日的法定認定、著作權侵權構成要件或所有司法區的權利先後。跨入法律問題時須另設明確的法域與規則契約。

11. D8：作者意圖、研究功勞與研究責任的非同一性

11.1 三種看似接近、實際不同的敘述

假設 AI 在研究中產生某項定理草稿，使用者提出研究問題與驗證規格，本地測試器完成部分形式檢查。以下敘述並非同義：

AI_GENERATED_CANDIDATE：某模型生成了候選內容；
AI_DISCOVERED_AS_NEW：已經確認 AI 在特定隔離條件下獨立得到此結果，且在明確的歷史查核範圍內具有新穎性；
AI_IS_LEGAL_AUTHOR：AI 在某出版或法制規則下取得作者身分。

第一種可以由工作日誌與產物支持；第二種需要多項額外證據；第三種則取決於外部制度，不會由前兩者直接推出。

11.2 歷史作者意圖不能由事後推測取代

研究者早期的某個方法可能後來被其他人用來解決更大的問題。後來的成果不能僅因兩者相似，就推定早期作者「其實當年已經完全理解」後來的推廣。這涉及歷史時點與事後知識滲入，應保存早期原稿真正寫了什麼，以及後來在哪個階段出現新推導。

11.3 研究者可以自主承認限制，而不放棄貢獻

若 AI 生成的新論文在結果主張上早有先例，但提供了一種較簡潔的證明或較廣的適用域，仍應分別記錄：CLAIM_PRECEDENT、NEW_PROOF_CANDIDATE、GENERALIZATION_CANDIDATE 等不同結論。合理承認前人，不要求否認新成果實際增加的價值。

11.4 禁止以資源規模重寫歸屬

模型參數量、雲端算力、機構聲望、資助規模及傳播影響，既不構成邏輯正確性的證據，也不構成歷史首次性的證據。研究機構可以據實披露資源條件，但不得因為自己有較強的發表能力，就把未經充分查核的歷史先例重新命名為全新發現。

12. D9：學術歸屬的版本化與更正

12.1 歸屬本身也是可修正研究結果

原稿 $r_0$ 在公開當時可能漏掉先例 $s$ 。之後發現 $s$ ，應建立新的歸屬判定 $a_1$ 與研究版本 $r_1$ ，並保留舊版當時的查核範圍與原因，而不是偷偷把歷史改成「一開始就知道」。

(r_0,a_0,\pi_0) \longrightarrow (r_1,a_1,\pi_1).

這是一種記錄修訂；如果原論文的主要命題保持有效，不能因引用修正就自動宣告其內容失效。

12.2 更正類型

至少區分：

MISSING_PRECEDENT：後來找到相關的更早研究；
WRONG_PERSON_MATCH：作者同名混淆或機構錯置；
WRONG_VERSION：引文導向不同版本而改變語義；
WRONG_CITATION_FUNCTION：把反駁誤寫成支持、把背景誤寫成方法借用；
FALSE_DIRECT_DEPENDENCY：沒有證據卻聲稱實際使用某來源；
UNDER_CREDITED_CONTRIBUTION：漏掉可確認的資料、程式或實驗貢獻；
OVER_CREDITED_CONTRIBUTION：把工具輸出、資助或平台流量誤當成特定創造行為；
STATUS_DRIFT：更正、撤回或新證據改變原先先例的有效性。

對每項修正，保存舊判定、新判定、時間、來源、影響範圍以及是否需修正新穎性描述。

12.3 歷史可保留與對外表述可更新

Crossref 對重大勘誤與撤回建議透過新的更新紀錄連結到原始文獻，而非悄悄覆寫原文 [R7,R16]；ARKE 可採相容的原則：維持可查歷史，並讓當前使用者看得到最新狀態。

不代表每次打字錯誤都應發表一篇更正論文；是否需要公開修訂，依契約中的研究實質影響與出版規則判定。

13. D10：受約束的歸屬完備判定

13.1 歸屬完備不是「知道全部歷史」

對研究候選 $r$ ，定義該研究所需的歸屬硬性義務集合：

\mathcal O_A(r\mid\Gamma) =\{o_{\mathrm{source}},o_{\mathrm{prior}},o_{\mathrm{role}},o_{\mathrm{right}},o_{\mathrm{uncertainty}}\}.

視研究類型，還可增加資料授權、研究群體同意、程式碼識別、法律投稿等條件義務。具體義務可由 ARKE-01 的 $\Gamma$ 固定，不能為使結果通過而事後刪除主要義務。

定義：

\mathrm{AC}_{\Gamma}(r,\pi)=1 \iff \mathrm{Frozen}(r,\Gamma,\pi) \land \bigwedge_{o\in\mathcal O_A^{\mathrm{hard}}} [\sigma(o,\pi)=\mathrm{PASS}].

D10（Contract-Bounded Attribution Completion）： $\mathrm{AC}_{\Gamma}$ 代表 ARKE 已依當前公開契約，履行各項必要歸屬查核義務並保存可追溯結果。它不等於全球所有先例已查盡，也不表示無歸屬爭議，更不能單獨推出研究已通過 ARKE-01 的全部完備門檻。

13.2 義務 PASS 與結論 UNKNOWN 可以同時成立

例：AI 已完成多來源搜尋、記錄檢索失敗和存取限制，且對某份疑似更早文獻保留 RELATION_UNRESOLVED。若該疑點已按契約揭露且不影響允許的有限宣稱，歸屬查核程序可以 PASS，但對「全球首次」的結論仍需標 UNKNOWN，不得對外強宣稱。

13.3 歸屬不能替代有效性、新穎性或權利查核

\mathrm{AC}_{\Gamma}(r,\pi)=1 \not\Rightarrow \mathrm{Novel}(r)\land\mathrm{Valid}(r).

同樣，ACADEMICALLY_CITED 不等於資料可合法訓練、模型可公開、內容可轉授權或作者已取得所有權利。

13.4 高風險未知的發表降階

對仍存在可能改變首次性主張的重大先例候選、無法取得的關鍵資料、來源時間衝突或權利不明，應依既有發表閘道規則：

把「全球首次」降成「在指定搜尋範圍內未發現已確認先例」；
把「新定理」拆成「已有命題／新證明候選」等明確層級；
把「某人借用他人成果」降成「存在相似性，因果依賴未確認」；
對權利不明的內容限制使用與公開，而非將未知自動當作許可。

這保留了研究交流的可能性，也避免過度確信的歸屬傷害。

14. M1：AI 自主學術歸屬檢核程序

14.1 輸入契約

最小輸入包括：

frozen_research_bundle：已凍結的研究產物，主張、資料、程式與版本；
research_completion_contract：ARKE-01 的 $\Gamma$ ；
search_coverage_record：ARKE-02／04 的來源範圍與搜尋歷程；
trace_anchors：ARKE-03 產生的 RTA；
comparison_witnesses：ARKE-05 的關係判定與未決見證；
verification_records：ARKE-06 對相關主張的證據結果；
history_state：ARKE-07 的版本、失效及修正紀錄；
authority_contract：可用工具、可操作資料與治理權限。

如果某項輸入不存在，AI 應標記 UNKNOWN 或 NOT_RUN，而不是自行捏造一份看似完整的證據鏈。

14.2 核心順序

procedure AuditAttribution(frozen_bundle, Gamma, prior_art, context):
    assert frozen_bundle.has_immutable_identity
    obligations := bind_obligations(Gamma, frozen_bundle.claims)

    sources := enumerate_declared_and_retrieved_sources(context)
    anchors := resolve_allowed_source_anchors(sources)
    precedents := import_prior_art_candidates(prior_art)

    for candidate in precedents:
        role := classify_prior_art_role(candidate)
        relation := compare_claim_or_method_under_contract(candidate)
        attach_source_witness_or_mark_unknown(candidate, role, relation)

    contribution_events := collect_actual_research_events(context)
    roles := map_evidenced_roles_to_existing_taxonomy(contribution_events)
    governance := apply_applicable_editorial_and_rights_rules(context)

    claims := separate_actual_use_from_possible_influence()
    claims := separate_historical_priority_from_direct_dependency(claims)
    claims := preserve_unresolved_training_influence(claims)
    graph := build_typed_attribution_projection(anchors, claims, roles)

    audit := evaluate_attribution_obligations(obligations, graph, governance)
    if audit.has_material_unknown_or_conflict:
        audit := downgrade_unsupported_public_claims(audit)

    return freeze_audit_with_witnesses_and_reopen_triggers(audit)

這是可實作方法草案，不是本輪已執行的程式碼。其 classify、compare、resolve 等函式可能需要多個不同專長的模型與驗證器，且必須受到固定契約、資源上限與失敗條件約束。

14.3 停止條件

不以「找到足夠多引用」或「所有關係信心分數皆高」作為終點；至少需要：

必要來源與先例搜尋已依契約執行、記錄並達到可檢核停止條件；
主要研究主張的歸屬來源有可回訪或明確不可達狀態；
可辨識貢獻者的角色有事件證據，缺失保持未決；
新穎性與歷史首次性的表述沒有超出已知證據；
權利及投稿責任與實際研究事件分開處理；
完整保留原始產物、修訂歷史與未解問題。

14.4 工程系統的權限限制

ARKE AI 可以自主檢索、比對、產生候選引用、提出學術更正、建立歸屬事件與可重播差異；但不應由外部論文中的提示或網頁指令取得修改正規原稿、公開機密資料、增授權限或代替組織簽署法律條款的能力。來源資料是待分析對象，不是代理人的執行指令。

15. P1–P10：可檢查的條件命題與推論邊界

本節的 P1–P10 只提出在明確定義下可成立的結構命題，不宣稱發現了超出前七篇或既有學術規範的新數學定理。它們可轉為未來 ARKE 軟體的單元測試、不變量與負面測試。

15.1 P1：引用關係不蘊涵邏輯依賴

前提： CITES(A,B) 僅表示 A 的引用資料中存在 B，未另附「A 的某項結論以 B 的指定命題為必要前提」的見證。

命題：

\mathrm{Cites}(A,B) \not\Rightarrow \mathrm{DependsOn}(A,B).

理由： A 可能把 B 當作反例、歷史材料、討論對象或方法對照。上述任一案例都滿足引用的定義，卻不滿足必然的邏輯依賴定義。因此不存在無附加前提的有效推論。

測試義務： 讓系統處理引用後明確反駁該文的論文，不得產生虛假的支持或依賴邊。

15.2 P2：較早主張不蘊涵較早證明

前提： ClaimPrecedent(A,c) 表示 A 早於 B 提出與 $c$ 相同或相關的主張，但未提供 A 的有效證成證據。

\mathrm{ClaimPrecedent}(A,c) \not\Rightarrow \mathrm{ValidatedPrecedent}(A,c).

理由： 提出一個猜想或給出錯誤證明，都可以滿足「較早提出」而不滿足「已有有效證明」。此命題與 ARKE-04 的四種先例語義相容。

測試義務： 遇到早期錯誤證明或未解猜想時，不得刪除其歷史先例，也不得把它標為已證成。

15.3 P3：已記錄貢獻不蘊涵作者資格

前提： 特定刊物的作者資格需要一組除貢獻行為外的額外條件 $L$ ，且參與者的 RCU 並未顯示 $L$ 全部成立。

\mathrm{Contributed}(a,r) \not\Rightarrow \mathrm{EligibleAuthor}_{L}(a,r).

理由： CRediT 記錄貢獻角色，制度作者資格有自己的判定條件。即使貢獻事件被驗證，仍不可略去規則 $L$ 的檢查。

測試義務： 顯示 AI 在本次研究執行了具體活動時，系統仍應依投稿政策正確標示，而不自行賦予不被接受的作者資格。

15.4 P4：歷史最早可查記錄會隨可達域改變

前提： 已知來源集 $\mathcal U_t$ 被新增合法來源擴張為 $\mathcal U_{t+1}$ ，且新來源包含更早且相關的候選。先例比較採用相容的時間規則。

\mathcal U_t\subseteq\mathcal U_{t+1}

並不能推出：

P_{\mathrm{known}}(c,t) =P_{\mathrm{known}}(c,t+1).

理由： 新發現的較早來源可能取代此前的極小候選集合。相反，若只加入無關來源，現有判定可以保持不變；不能把來源擴張必然描述成優先權變更。

測試義務： 注入一份時間更早且已正確定位的研究，檢查 AI 是否自動生成歸屬修訂並保存舊判定。

15.5 P5：沒有研究時檢索事件，不代表沒有訓練影響

前提： 本次研究歷程 $\pi$ 的可觀察範圍不包含模型全部預訓練資料或其可證因果歸因。

\neg\mathrm{RuntimeRetrieved}(s,\pi) \not\Rightarrow \neg\mathrm{TrainingInfluence}(s).

理由： 本次沒有取回 $s$ ，與預訓練期間是否接觸 $s$ 是不同事件。無法由較窄觀察域的否定推導較大歷史域的否定。

測試義務： 在僅有模型推理輸出、沒有訓練譜系時，必須保留 MODEL_INFLUENCE_UNRESOLVED，不能輸出「確定從未看過」。

15.6 P6：歸屬更正不必否定研究內容

前提： 一項更正只針對先例、作者或引用功能，未提供影響原論證有效性的證據。

\mathrm{AttributionCorrected}(r) \not\Rightarrow \mathrm{ClaimFalse}(r).

理由： 「定理較早已有先例」與「目前證明是否有效」是不同命題。歸屬錯誤可能要求修訂新穎性表述，而不要求撤回所有數學內容。

測試義務： 補上一項既有先例時，檢查原本通過的獨立有效性證書是否被無理由作廢。

15.7 P7：文本相似不足以歸責直接借用

前提： 已觀察到 A 與 B 的文本或結構相似，但存在未排除的共同基礎來源、獨立收斂或表示習慣等替代解釋。

\mathrm{Similar}(A,B) \not\Rightarrow \mathrm{CopiedFrom}(A,B).

理由： 相似性是內容比較證據，不是對產生歷程的唯一因果識別。需要使用紀錄、時間、接觸、內容匹配強度及合理替代解釋等其他證據。

測試義務： 系統面對公版教科書中的通用公式，不能僅因相似度高就提出剽竊確定判定。

15.8 P8：多個貢獻角色可以對應同一個產物

前提： 一份研究產物由多個活動生成，且活動有不同的可驗證參與者與角色。

\mathrm{OneArtifact}(r) \not\Rightarrow |\mathcal C(r)|=1.

此處 $\mathcal C(r)$ 是有證據支持的貢獻單元集合。

理由： 一份論文可以由一個人提出假說、另一個人編寫驗證程式、AI 生成初稿、另一個系統追蹤歷史先例；同一產物沒有只允許一個貢獻角色的結構理由。是否具名作者仍由獨立規則決定。

測試義務： 多人、多 Agent 協作時不得把所有研究活動歸於最後一個發表帳號。

15.9 P9：版本化歸屬保留「已知當時」的可回放性

前提： 歸屬判定 $a_0$ 與修訂後 $a_1$ 保存為可區分的歷史狀態，且保留版本、時間與對應來源。

則可同時詢問：

\mathrm{KnownAt}(r,t_0) \quad\text{與}\quad \mathrm{KnownAt}(r,t_1).

理由： 若僅保存當前結果，便失去檢查「發表時知道什麼、後來何時發現缺漏」所需的資訊。版本化不是宣稱儲存系統永不毀損，而是可回放性所需的必要歷史結構。

測試義務： 修訂一項先例後，重新讀取舊時點查核報告應得到舊判定及新修訂連結，而非改寫的假歷史。

15.10 P10：基本歸屬義務 PASS 不等於歷史全知

前提： ARKE-01 的契約 $\Gamma$ 有有限來源、時間、資源與允許操作邊界。

\mathrm{AC}_{\Gamma}(r,\pi)=1 \not\Rightarrow \mathrm{AllHistoricalInfluencesKnown}(r).

理由： $\mathrm{AC}_{\Gamma}$ 只檢查受約束義務。有限檢索可以提供可重播的程序證據，但不能窮盡未公開、遺失、不可合法使用或不可辨識的知識歷史。

測試義務： 對明顯存在封閉資料來源的測試情境，AI 仍可報告完成合規查核，但不可聲稱已證明全域無先例。

16. 三種不應混合的貢獻評估與獎勵

16.1 正確性評估

回答的是某項主張是否得到適當的證明、反例或經驗支持。它屬 ARKE-06 的主要職責，與誰提出無直接邏輯關係。

16.2 知識增量評估

回答研究相對於此前可查先例新增了什麼：新命題、新方法、更弱假設、更廣域、獨立證明、機器檢查、反例或資料證據。它承接 ARKE-04 的多維新穎性與 ARKE-05 的比較結果。

16.3 研究歷程歸屬

回答誰／何系統在何時完成了哪些可查的研究活動，如何合法使用他人材料，以及在特定刊物規則下如何披露。它由本文的 SACILC 負責。

三者可能互相影響。例如某位研究者修正了核心證明，可能同時有研究貢獻與新證據；但不能把三者相加成一個毫無明確語義的「學術價值分數」。

16.4 錯誤的獎勵目標

若 AI 被單純獎勵「引用越多越好」，可能產生引文灌水與幻覺；若獎勵「越新越好」，可能忽略先例或把舊成果重新包裝；若獎勵「可獨立發現」，可能故意不查先例，破壞對外學術宣稱的品質。

因此建議同時保留：

可靠來源與精確關係的正向評估；
虛假歸屬、未驗證首次性與引用幻覺的負面評估；
適當拒絕、限制宣稱、保留未決的合法成功狀態；
真正找到低曝光先例時的正向記錄，而非只追逐知名來源；
達到足夠覆蓋後停止檢索的成本約束。

這些是待測試的設計原則，不表示已經找到普遍最優的獎勵函數。

17. 案例 A：ETH 研究先例的存在與有效性分離

17.1 公開可確認的歷史脈絡

2021 年 2 月 3 日，Giorgio Camerani 在 arXiv 公開 The #ETH is False, #k-SAT is in Sub-Exponential Time，主張隨機化的次指數時間精確計數方法可反駁 #ETH 及相關假說 [R18]。2026 年 10 月 26 日，OpenAI 的數學研究倉庫記錄了另一份題為 The Exponential Time Hypothesis is False 的研究，宣稱提供確定性次指數時間計數方法，並表示將由外部計算機科學研究小組進行檢視 [R19,R20]。

這些公開主張與時間紀錄足以支持兩個來源存在，而且有題目與結果主張上的重疊；本篇沒有自行驗證任一整套證明的數學正確性，也不據此裁決誰的演算法實質等價或誰先獲得有效證明。

17.2 ARKE 應如何表示

至少建立以下相互獨立的候選關係：

HISTORICAL_PRECEDENT：2021 年文件更早提出相關反證主張；
METHOD_COMPARISON_PENDING：隨機化與確定性演算法的技術核心需另外比較；
VALIDATED_RESULT_STATUS_UNRESOLVED：早期研究不能單憑主張就認定是有效反證；
CURRENT_RESULT_REQUIRES_OWN_VERIFICATION：較晚的形式化與自然語言證明也須依自身的檢查契約評估；
DIRECT_DEPENDENCY_UNRESOLVED：存在歷史先例，不足以推定 2026 年模型實際閱讀或依賴 2021 年論文。

最重要的是：不能因為早期有人提出過相同主張，就抹掉較晚研究可能新增的有效證明或演算法技術；也不能因為較晚研究有更強檢查工具，就抹掉早期研究的歷史存在。

17.3 研究完成前的自主工作

在合理查核預算內，AI 應自行檢索 2021 年來源、記錄其版本與可得內容、比較主要命題與方法差異，然後為每個未證明的關係標記未決。這不需要先保證能解答全部複雜度理論疑問，也不需要把補做基本檢索的責任常態性推給人類專家。

18. 案例 B：同一結果的獨立證明與學術新穎性

18.1 合成研究情境

假設 A 在某年證明命題 $T$ ，但證明依賴大型非形式化論證。後來 AI 在隔離條件下形成一份可機器檢查的證明 $P_B$ 。經核查，兩者命題完全相同，且 B 的證明確實有效。

可以成立的判定：

CLAIM_PRECEDENT_CONFIRMED：命題 $T$ 已被 A 提出且證明；
NEW_PROOF_ROUTE：B 提供另一條證明路徑；
FORMAL_VERIFICATION_AVAILABLE：B 的形式化產物可在指定信任契約下檢查；
FIRST_DISCOVERY_OF_T：不能宣稱 B 首次提出 $T$ ；
B_DID_NOT_USE_A：若缺訓練資料及實際來源影響資訊，不應作超出隔離範圍的強否定。

18.2 歸屬意義

承認 A 的歷史貢獻，不妨礙 B 因新的證明方法、形式化驗證或可讀解釋獲得自身可確認的研究貢獻。兩者不是一個「誰獨占定理」的零和遊戲。

19. 案例 C：同一篇論文中的資料、程式與研究方法貢獻

19.1 合成研究情境

研究者 H 提出問題和方法，資料團隊 D 整理允許使用的資料版本，AI 代理 A 實作演算法候選，驗證器 V 驗證特定程式性質，研究者 H 最後審查並依期刊規則提交。

若只保存一個作者欄，很難表達真實研究活動；若將 H、D、A、V 一律標為同等法律作者，也會與制度規則衝突。

19.2 正確的分層

以 RCU 記錄 H、D、A 的具體研究活動；
以軟體／資料來源錨點保存程式和資料的版本；
以證據契約記錄 V 的檢查範圍及信任前提；
以獨立制度帳本記錄投稿資格、對外責任與權利；
對不可公開的資料只保存授權允許的來源及證據級資訊；
對所有無法確認的功勞歸屬保留爭議狀態。

這可支援人類、AI 和多個工具協同的研究重播，並避免把「工具被使用」直接當成「工具擁有作者身份」。

20. 案例 D：來源更正、有效核與重新歸屬

20.1 合成研究情境

假設論文 A 提出主張 $C$ ，其證明依賴引理 $L_1$ 與 $L_2$ ，其中 $L_1$ 後來被證明存在缺口。另一研究 B 提供不依賴 $L_1$ 的新證明路徑。此時 A 仍有提出主張、部分有效引理及研究歷史上的地位，但不能再把 A 的原證明標示為完整有效證成。

20.2 歸屬更新

CLAIM_PRECEDENT(A,C) 可能保持有效；
VALIDATED_PROOF_PRECEDENT(A,C) 應重新審查或撤銷；
PROOF_CONTRIBUTION(B,C) 需依新證明的實際證據建立；
HISTORY(A) 必須保留 A 的原始版本及修正歷程。

這與 ARKE-07 的「證明失效不直接推出命題為假」相容。對歷史研究的尊重不需要把已失效的證明繼續包裝成正確。

21. 案例 E：人類與 AI 共同創作的未知訓練來源

21.1 合成研究情境

使用者提出一個獨立構想，AI 生成某種數學形式化。使用者可以確認自己的構想歷程、AI 本輪生成事件與部分後續檢索；但無法查看模型完整預訓練資料，也無法窮盡人類此前是否提出過某一種相近的符號表述。

21.2 允許的歸屬陳述

使用者提出何種問題、原始直覺或定義，由可確認的歷史記錄支持；
AI 本輪生成哪些具體形式化候選，由生成產物與版本支持；
可確認的外部文獻先例需要明確引用；
模型內部未知訓練影響保留為未決；
對人類歷史知識的集體承認可以明文表述，但不可杜撰具名引用；
正式公開作者列名仍需符合目標平台的政策與適用制度。

這一案例最清楚表現出：承認知識是集體累積的事實，與誠實說明具體貢獻可辨識到哪裡，是相容的兩種學術責任。

22. 案例 F：受限制的社群知識與資料主權

22.1 合成研究情境

假設某研究使用了具有社群限制或特殊治理要求的知識材料。AI 在一般搜尋索引中看見其標題或摘要，但未獲授權讀取完整內容。

22.2 不得採取的做法

不得為了「替原作者署名」就繞過存取控制；
不得把搜尋不到的內容標記為不存在；
不得從未受允許的完整內容中摘錄或訓練，之後再聲稱引用即可補救；
不得把社群的集體權利簡化成一個個人的作者欄位。

22.3 合理的最低輸出

保留來源所在的可確認資料層、權利限制、合法的聯繫或授權路徑，以及未完成的知識查核。是否能發布任何衍生成果，取決於原材料的具體權利條件和適用治理規範。本篇不宣稱一個自動引用系統可以替代這些規範。

23. H1–H8：可否證實驗設計（全部 NOT_RUN）

本篇沒有實作並測量 ARKE-08 引擎；下列八組實驗均為預註冊候選協議。未來若要宣稱「提高歸屬正確性」，必須以凍結資料、獨立評分、明確成本與負向結果驗證，不能把本篇條件命題當作性能證明。

23.1 H1：先例查核是否降低錯誤的首次性宣稱

假說： 在相同研究結果、來源預算與模型能力下，增加主張級先例查核，能降低將已有研究誤稱首次發現的比例。

A 組： 常規網路搜尋與自動參考文獻列表。
B 組： ARKE-04 先例搜尋 + ARKE-08 歷史角色分類。
題庫： 含已知早期先例、獨立重發現、新方法證明舊定理、完全無同題先例及未決案件。
主要指標： false-first-claim rate（錯誤首次性宣稱／可裁決樣本）；另測歷史先例召回、精確率、成本與未決標示品質。
否證條件： 若 B 組未改善主要錯誤率，或在預先限定的時間與成本下顯著降低正確新穎性辨識，就不支持假說。
狀態： NOT_RUN。

23.2 H2：型別化引用關係是否降低歸屬錯判

假說： 區分 CITES、USES_METHOD_FROM、DEPENDS_ON_CLAIM 與 CHALLENGES_OR_CORRECTS，能比單一引用邊更準確地重建研究關係。

A 組： 僅使用書目引用圖及標題相似度。
B 組： 附具體來源片段、比較見證與關係型別的 SACILC。
題庫： 支持性引用、反對性引用、背景引用、實際證明依賴、資料依賴及僅同作者的情境。
主要指標： 關係型別 macro-F1、錯誤依賴邊率、錯誤反駁／支持判定率。
否證條件： 若 B 組的精度或校準沒有改進，或額外型別大幅增加人力／計算成本而缺乏可辨效益，假說受挫。
狀態： NOT_RUN。

23.3 H3：貢獻事件帳本能否減少錯誤作者／角色歸屬

假說： 結合可驗證工作事件與既有 CRediT 相容角色，比僅從作者欄和最終文件推測，更能正確描述研究產物的實際貢獻。

A 組： 僅閱讀最後的論文、提交資訊與作者列表。
B 組： 額外使用凍結的產出、代碼版本、實驗及 Agent 事件紀錄。
題庫： 具有作者或工具使用同意的模擬研究群組，以及允許公開的真實研究工作日誌。
主要指標： 角色漏報率、錯誤加名率、具名角色 precision／recall、跨重播一致性。
否證條件： 若 B 組無法提高角色正確性、產生無法處理的隱私風險，或將 AI 活動大量誤判為制度作者身份，則不支持此實作設計。
狀態： NOT_RUN。

23.4 H4：未知來源影響的保留是否降低虛假因果引用

假說： 在缺少模型訓練譜系時，強制保留 MODEL_INFLUENCE_UNRESOLVED 可降低「模型確實讀過／絕未讀過」等過度確定敘述。

A 組： 自由回答模型是否受某篇歷史文獻影響。
B 組： 要求區分本次檢索、訓練語料文件記錄、內容相似與未知來源。
題庫： 包含明確執行期接觸證據、缺乏訓練資訊、已知資料來源與完全合成先例的樣本。
主要指標： 無證據的肯定／否定因果宣稱率、適當未決率、對已知來源的錯拒率。
否證條件： 若 B 組雖減少錯誤宣稱，卻大量拒絕具備充分來源證據的案例，須調整契約，不得單純宣稱成功。
狀態： NOT_RUN。

23.5 H5：低曝光與跨語言來源的公平承認

假說： 分層、跨語言、方法特徵與反向引用檢索，可降低過度偏向高引用期刊、英語論文與大型機構的先例漏檢。

A 組： 以熱門度與引文量為主要排序，使用單一語言查詢。
B 組： 加入跨語言、歷史版本、低曝光來源及方法特徵的來源擴展。
題庫： 事先由獨立方法驗證的多語種與低曝光先例；不使用未獲授權的全文。
主要指標： 分層 recall@budget、低曝光先例召回、錯誤身份合併率、檢索成本及授權違規次數。
否證條件： 若改善只來自非法取得資料、題目洩漏或無限增加預算，不能計為有效支持。
狀態： NOT_RUN。

23.6 H6：歸屬版本修訂是否改善研究歷史可追溯性

假說： 保存版本化歸屬事件，可以降低後續研究者誤認「早期作品已具備後版證明」或「修訂當時從未發生」的比例。

A 組： 每篇作品只保留當前 metadata 與當前引用列表。
B 組： 保存歸屬事件、版本來源與時點式查核快照。
題庫： 包含勘誤、撤回、更新、作者歧義、引用改判及先例後發現的演化序列。
主要指標： 歷史時點重建正確率、錯誤倒灌率、可回放成功率、儲存與查詢成本。
否證條件： 若 B 組無法穩定恢復歷史、產生過多錯版來源，或無法防止後版證據回寫舊版，就必須修訂設計。
狀態： NOT_RUN。

23.7 H7：自主歸屬核查是否降低人類例行補完負擔

假說： 在不犧牲品質與合法性的前提下，ARKE 自動完成基本歸屬查核，可減少研究成果發表前所需的例行人工來源整理與引用修補工作。

A 組： AI 產生研究後，由人類補做基本文獻查核與引用整理。
B 組： AI 在研究完成前自動執行 SACILC，僅將契約明確指定的例外交由治理者處理。
題庫： 涵蓋不同領域、不同來源可達度與不同權利條件的真實或合成研究候選。
主要指標： 每篇研究的人工例行工時、錯誤先例率、合法查核率、可靠引用率、總算力成本。
否證條件： 若 B 組節省工時但提高學術誤歸屬、侵權或研究未決被掩蓋的比例，不支持本假說。
狀態： NOT_RUN。

23.8 H8：歸屬查核能否改善後續研究的知識利用

假說： 具有主張級歷程與可回訪來源的研究記錄，比僅有參考文獻列表，更能讓後繼 AI 辨識可重用方法、失效先例與尚未完成的研究方向。

A 組： 提供研究報告及普通參考文獻。
B 組： 額外提供 SACILC 的有型別歸屬與知識承接紀錄。
任務： 後繼 AI 在未知的新題庫中選擇研究方法、回訪歷史來源、定位先例缺口，並嘗試修正一項被故意植入的歸屬錯誤。
主要指標： 可驗證來源回訪率、方法誤用率、錯誤先例修復率、任務成功率及成本。
否證條件： 若 B 組沒有提高後續研究品質，或效果完全可由增加同等長度的普通上下文替代，便不能主張型別化歸屬提供額外效益。
狀態： NOT_RUN。

24. 跨 H1–H8 的共同實驗紀律

24.1 凍結與盲評

所有模型輸出、檢索策略、來源資料庫版本、測試集、人工或獨立模型評估協議都應事先凍結。評估者對系統組別盲化；若無法盲化，需明確揭露並額外測試評分偏差。

24.2 真值標籤的證據來源

「早期存在先例」可由可核對的來源與時間資訊支持；「兩種方法等價」可能需要更嚴格的程式語義、數學或實驗見證；「某人直接受到另一研究者影響」通常需要行為或歷史資料，不能只由文本相似推斷。題庫裁決也應保留 UNRESOLVED，不強迫所有樣本都有唯一真值。

24.3 防止檢索洩漏

若一篇論文的答案先出現在模型評估提示、系統內部說明或檢索緩存中，便不能將其當作模型未見資料的獨立新穎性搜尋。要保存題庫建置日期、可存取資料版本及模型的可知限制；對不可能可靠隔離的訓練來源，不能宣稱完整盲測。

24.4 數據品質與不同受眾

至少分層報告：數學證明、演算法、實證物理、生命科學、研究軟體、跨語言舊文、低曝光研究與受限資料。避免一個領域的高成功率掩蓋另一領域的歸屬錯判。

24.5 成本與效益需同時計算

不能只計算 AI 推理 tokens 而忽略外部 API、儲存、索引更新、權利取得、資料去重、證據重播及人類必要治理成本。使用 ARKE-02 的資源預算與 ARKE-10 未來的知識維護成本契約。

24.6 負向結果必須公開或保留

如果 AI 誤判知名作者、錯誤標示某研究者抄襲、將撤回研究錯當先例證明、或因翻譯把兩個不同命題合併，此種負向結果應納入錯誤分類及算法修訂，而不是從成功案例集中刪除。

24.7 最低可重播證據包

後續實驗至少保存：題庫與資料來源清單、版本及權利資訊、預先固定的檢索契約、候選研究快照、模型與工具版本、來源錨點、關係判定、未決與錯誤、評分規格、統計分析程式及 SHA-256 manifest（若適用）。雜湊可檢查位元組完整性，但不能代替數據真實性審核。

25. 失敗模式與反模式

25.1 引用灌水

為滿足「至少引用 N 篇」而強行加入無實質關係的文獻。應由有型別關係及來源見證拒絕，而不是以引用數量給予獎勵。

25.2 權威反向推理

把某位名人或大型機構的文章當作唯一歷史來源，忽略更早而低曝光的工作。應至少透過 ARKE-04 的多路徑搜尋尋找歷史先例。

25.3 AI 幻覺型歸屬

AI 生成不存在的 DOI、作者、年份或不可回訪的引文。只保留可查來源，缺少時標 UNKNOWN，並對不可確認項拒絕正式來源升格。

25.4 來源相似性直接判成抄襲

把相似文本、同一數學定理或高相似 embedding 當作直接依賴的唯一證據。應保留替代解釋、來源時間及可確認接觸紀錄。

25.5 法律、制度與認識貢獻混同

把已作出某項具體研究活動的 AI 直接列為符合所有期刊的作者，或相反地因某期刊不承認 AI 為作者就抹除其實際生成事件。兩者都混淆了不同的帳本。

25.6 引用補救授權侵犯

未經合法授權取用資料後，再補上引用便宣稱使用行為合法。引用、授權、資料治理及研究貢獻必須分開判定。

25.7 版本倒灌

把後來修正的定理證明與引用紀錄塞進舊版，製造歷史上從未存在的完整性。應以 append-only 方式保存修訂並讓新舊版本可比較。

25.8 研究完成被外包為永遠的人類補丁

AI 只交出研究候選，例行文獻檢索、低曝光先例搜尋與基本引用完整性總由人類補做。這會讓「AI 自主科研」缺少自身的基本工作閉合能力，除非具體環境確實要求人類行使某項獨有權限。

25.9 完整來源迷思

系統聲稱可以把模型權重回溯到全部人類知識來源，或宣告任何相似的歷史成果都已被完全查盡。這超出目前可觀察資訊與 ARKE-02 的開放世界邊界。

25.10 集體承認變成匿名化抹除

用「全部都是人類共同知識」取代對可辨識低曝光作者、方法發明者、資料工作者的具體歸屬。集體承認是精確歸屬的補充而不是替代。

25.11 誤傷／過度指控

系統若公開列出某人「盜用」或「未適當引用」，應有足夠具體、可核對的證據與適當程序；不可由匿名模型的模糊判斷直接產生重大名譽指控。可先保存中性、可查的差異候選，而非結論式歸罪。

25.12 無限檢索與不收斂

對完全開放的知識歷史，AI 可能持續搜尋而永遠無法證明不存在先例。應依事先明確的預算、覆蓋與不確定性門檻停止，保留新的 reopening trigger，而不是假裝結束後世界再無新文獻。

26. 與現有學術標準的可互通邊界

26.1 不重建另一套封閉式 DOI／ORCID 系統

ARKE 的歸屬模型優先保存既有、可核查的資源識別碼、文件版本與來源定位；無外部識別碼時，才使用具命名域與版本契約的本地 ID。不得假稱本地 ID 已成為全球持續識別碼。

對人物與研究身分，若可合法且確實取得 ORCID，使用該 ID 輔助減少同名混淆；若沒有，就保留其他可確認的來源與未決狀態。不得把未驗證的人名當成唯一全球身分鍵。

26.2 機器可讀歸屬事件的參考表示

以下只是示意型 JSON 研究契約，尚不是正式發布的 ARKE Schema，亦未執行 JSON Schema conformance 測試：

{
  "schema": "arke/sacilc-attribution-event-proposal-v0.1",
  "research_id": "local-research-candidate-001",
  "frozen_research_sha256": null,
  "source_anchor": {
    "work_ref": "doi-or-arxiv-or-verified-local-source",
    "version_ref": "explicit-version-required",
    "segment_ref": "section-or-theorem-or-content-selector",
    "anchor_state": "SEGMENT_CANDIDATE"
  },
  "relation": {
    "type": "HISTORICAL_PRECEDENT",
    "direction": "earlier-source-to-current-claim",
    "scope": "claim-precedence-only",
    "comparison_witness_ref": null,
    "relation_state": "CANDIDATE"
  },
  "contribution": {
    "actor_kind": "ai_run",
    "actor_ref": "model-run-id-with-provenance",
    "role": "Investigation",
    "role_taxonomy": "CRediT-compatible-proposal",
    "evidence_ref": null,
    "status": "ASSERTED"
  },
  "rights": {
    "status": "UNKNOWN",
    "allowed_operations": []
  },
  "training_influence": "MODEL_INFLUENCE_UNRESOLVED",
  "research_obligation": "UNKNOWN",
  "reviewed_under_contract": "ARKE-01-Gamma-required",
  "reopen_triggers": ["new_source", "version_change", "new_relation_witness"]
}

null 表示證據尚未提供，不是已驗證。真實系統應對必要欄位採用明確的檢查規則，不得因 schema 有效便假稱來源存在或權利已獲得。

26.3 可選的標準映射

ARKE 欄位	可參考的外部規範	還需自行處理什麼
`contribution.role`	CRediT	貢獻事件證據與異議
`generated_by`, `used_source`	PROV-O	研究主張真值與歸屬爭議
`citation_function`	CiTO	來源回訪與作者意圖／模型推測分離
`work_identifier`, `version_relation`	DataCite／Crossref	片段級比較與來源可信度
`person_identifier`	ORCID	身分確證與特定活動見證
`software_artifact`	SWHID	方法是否正確與實驗結果
`research_bundle`	RO-Crate	有型別的主張比較與閉合義務
`fragment_selector`	W3C Web Annotation [R17]	版本漂移、精確性與權利
`citation_candidates`	OpenAlex	引用意圖、證明依賴與未收錄來源
`rights_and_collective_context`	CARE／FAIR [R14,R21]	每項資料的具體權利契約

B2（Standard Mapping Is Not Certification）：與標準欄位成功對接，僅代表資料結構可交換；不代表歸屬內容已得到學術社群或任何外部機構認證。

27. 與 ARKE 獨立軟體工程及 EveTrain RAI／RSI 的關係

27.1 獨立軟體，不從論文直接宣稱產品存在

本系列已決定研究為十二篇；軟體工程將獨立成 ARKE 專案。本文只負責定義可供實作的歸屬語義、狀態與失敗條件，不宣稱該 GitHub 倉庫目前已建立可用的自主歸屬引擎。

工程未來應優先重用現有學術檢索、持續識別碼、來源版本、引用類型、資料權利及來源活動標準。新的工程成本應放在跨域查核、可重播見證、來源缺口保留及多 Agent 可靠工作流，而非再造一個功能相同的參考文獻資料庫。

27.2 EveTrain RAI／RSI 的接口定位

EveTrain 可在提出研究演算法候選、訓練方法、評估結果和後繼研究系譜時，讀取 ARKE 產生的研究來源與歸屬紀錄。然而：

RAI 演算法候選的存在，不代表它的理論來源已通過全部歸屬查核；
模型比較改進、研究結果正確與歷史首次性各有不同證據義務；
後繼系統引用前代系統的工作，不代表已經驗證 RSI；
ARKE 的引用及研究證據不授予訓練、GPU、檔案、網路或發表的執行權限；
真正的研究能力改進仍須由 EveTrain 與後續 ARKE-12 的獨立實驗驗證。

27.3 未來數學 AI 的接口定位

未來數學 AI 應可把候選定理、定義、演算法、證明、反例、形式系統和研究歷程傳給 ARKE，由 ARKE 負責搜索與歷史對照。研究 AI 仍可自行使用 Lean、Coq、SMT、數值實驗或其他方式處理相應的有效性義務，而不應預設「Lean 通過」等同「研究歸屬完整」。

27.4 低成本第一版路線

第一版實作不必蒐集全部人類知識全文，也不必訓練新的超大模型。可先利用合法學術 metadata、API、超連結、主張定位、檢索與已有語義比較能力，自動建立來源對照和可回訪的歸屬紀錄。

真正難題包括：跨表示精確比較、低曝光研究召回、權利處理、不可追溯訓練影響、誤指控成本、長期版本維護及研究成果可能的跨學科語義失真。它們應作為實驗與未決問題，而非做成研究流程完全不能開始的藉口。

28. 本篇不主張什麼（B）

本篇明確不宣稱：

已建立全球完備的學術資料庫或先例索引。
AI 可以可靠恢復某個模型輸出的所有訓練來源。
只要存在較早文章就能斷定較晚研究剽竊。
某篇早期預印本提出過一個結果，就代表它已正確證明該結果。
引用了某篇文章，就代表研究者理解或同意其內容。
CRediT 角色等同法律作者資格或著作權比例。
公開可搜尋等同可以自由複製、訓練或商業使用。
一次 Lean 或程式校驗能解決學術歷史及歸屬問題。
學術尊重要求接受所有前人結論，或禁止修正歷史錯誤。
高引用研究者及大型機構的知識在歸屬上應享有自動優先權。
對共同體的泛稱感謝可以代替已可辨識的具體學術歸屬。
人類可完全退出所有法定簽署、治理及高風險決策。
AI 自主例行查核已在本篇獲得跨領域性能驗證。
所有知識傳統應採同一套個人作者／作品所有權觀。
使用本篇定義即可解決各國 AI 作者資格或權利主體性爭論。
研究歸屬的社會價值可以被一個單一數值完整表示。

29. 核心結論與後續研究接口

29.1 核心結論

第一，引用是研究關係，不只是參考文獻列表。 一條引用可能表示支持、反駁、方法承接、歷史先例或背景；若未標明意義，就無法正確推斷研究依賴。

第二，歸屬不是先分配功勞，而是先確認可查的研究歷程。 應先建立誰做了什麼、何時使用了什麼、如何得出結果，再根據實際制度與證據討論作者、貢獻及責任。

第三，承認集體智慧不是放棄可辨識的個人貢獻。 對可確認的歷史作者、方法發明者、資料工作者及實驗者進行精確歸屬；對不可查的背景知識承認其存在，但不捏造具名引用。

第四，AI 的基礎研究工作應包含自主歸屬查核。 AI 不必等到所有研究都能完全形式化，也不必把例行文獻整理交給人類專家，才能主動執行檢索、來源對照、差異整理、證據回訪與未決保留。

第五，研究歷程可以修正，卻不可被抹除。 舊證明失效、作者錯併、先例後發現，都應新增可追溯的修訂事件，而不是使歷史記錄靜默改寫。

第六，研究產物的有效性、新穎性及歸屬是不同的可檢查維度。 不論機構聲望、模型能力或發表速度如何，都不能由其中之一直接推出另外兩者。

29.2 本篇的正式研究輸出

本文提出：

SACILC：學術歸屬與集體智慧歷程契約；
RCU：可核查的研究貢獻單元；
九維有型別歸屬描述 $\mathfrak A(r)$ ；
有型別的來源、先例、使用與貢獻關係；
歸屬事件、版本化更正與 AI 研究完成前的自主核查流程；
十項條件命題及可轉為測試的拒絕條件；
六組研究案例與八組可否證實驗；
與 PROV-O、CRediT、CiTO、DataCite、Crossref、ORCID、SWHID、RO-Crate 及 FAIR／CARE 的可互通邊界。

29.3 對 ARKE-09 的明確交接

下一篇應把上述義務收束為 AI 自主研究核查演算法與可重播差異報告，尤其正式處理：

自主工作循環的開始、暫停、重播與停止；
搜尋、先例對照、跨表示比較、歸屬、校驗及修訂的任務路由；
多 Agent 合作的權限、來源隔離和事件衝突；
從來源新增到研究主張降階或修補的差異產物；
失敗、未知與資源不足時如何給出受約束的完成判定；
自主研究程序的可操作性能實驗與負面測試。

最終原則： AI 的研究貢獻不應只有「它產生了什麼」，還應讓後來者知道「這些成果承接了哪些可以查到的知識、哪些是新的、哪些仍未被證明，以及它們如何進入可修正的共同知識歷程」。

參考文獻與外部資料來源

查核日期： 2026-10-28。以下為本文直接使用的技術標準、方法文獻、治理規範及示範性歷史來源。列出參考不等於主張其所有內容為真；具體適用域以上文相應段落為準。

[R1] NISO CRediT. CRediT – Contributor Role Taxonomy. 14 contributor roles; community-maintained taxonomy. https://credit.niso.org/

[R2] National Information Standards Organization. ANSI/NISO Z39.104-2022, CRediT, Contributor Roles Taxonomy. 2022. DOI: 10.3789/ansi.niso.z39.104-2022. https://www.niso.org/publications/z39104-2022-credit

[R3] W3C. PROV-O: The PROV Ontology. W3C Recommendation, 30 April 2013. https://www.w3.org/TR/prov-o/

[R4] Silvio Peroni & David Shotton. FaBiO and CiTO: Ontologies for Describing Bibliographic Resources and Citations. Journal of Web Semantics 17 (2012), 33–43. DOI: 10.1016/j.websem.2012.08.001. CiTO resource: https://www.sparontologies.net/ontologies/cito

[R5] DataCite. Connecting to Works: Related Identifiers and Relation Types. https://support.datacite.org/docs/connecting-to-works

[R6] DataCite Metadata Working Group. DataCite Metadata Schema 4.7. Released 3 March 2026. https://schema.datacite.org/

[R7] Crossref. Crossmark: Current Status, Corrections, Retractions, and Updates. https://www.crossref.org/services/crossmark/

[R8] ORCID. What Is an ORCID iD and How Do I Use It? https://support.orcid.org/hc/en-us/articles/360006897334-What-is-an-ORCID-iD-and-how-do-I-use-it

[R9] Software Heritage. Software Heritage FAQ: SWHID and Software Artifact Identification. https://www.softwareheritage.org/software-heritage-faq/

[R10] RO-Crate Community. Research Object Crate Specification 1.2: Introduction. https://www.researchobject.org/ro-crate/specification/1.2/introduction.html

[R11] OpenAlex. Citations – Works: Reference Extraction and Matching. https://help.openalex.org/data/works/citations/

[R12] International Committee of Medical Journal Editors (ICMJE). Recommendations: Use of Artificial Intelligence in Publishing. Updated January 2026; specific AI disclosure and responsibility guidance. https://www.icmje.org/recommendations/browse/artificial-intelligence/

[R13] Committee on Publication Ethics (COPE). Authorship and AI Tools. COPE position statement. DOI: 10.24318/cCVRZBms. https://doi.org/10.24318/cCVRZBms

[R14] Global Indigenous Data Alliance. CARE Principles for Indigenous Data Governance. https://www.gida-global.org/careprinciples

[R15] Carroll, S. R. et al. The CARE Principles for Indigenous Data Governance. Data Science Journal 19 (2020), 43. DOI: 10.5334/dsj-2020-043. https://doi.org/10.5334/dsj-2020-043

[R16] Crossref. Version Control, Corrections, and Retractions. https://www.crossref.org/documentation/crossmark/version-control-corrections-and-retractions/

[R17] W3C. Web Annotation Data Model. W3C Recommendation, 23 February 2017. https://www.w3.org/TR/annotation-model/

[R18] Giorgio Camerani. The #ETH is False, #k-SAT is in Sub-Exponential Time. arXiv:2102.02624, first submitted 3 February 2021. 來源的反證說法是作者主張，本文不將其標示為已獲獨立證實。 https://arxiv.org/abs/2102.02624

[R19] OpenAI. openai/math — History. Record dated 26 October 2026, describing an ETH-related manuscript and planned external examination. 此為研究機構對其成果的公開敘述，不是本篇的獨立數學驗證。 https://github.com/openai/math/blob/main/history.md

[R20] OpenAI. The Exponential Time Hypothesis is False. OpenAI Math Release preprint, 25 October 2026. https://github.com/openai/math/blob/main/preprints/The-Exponential-Time-Hypothesis-is-False-October-25-2026/README.md

[R21] Wilkinson, M. D. et al. The FAIR Guiding Principles for Scientific Data Management and Stewardship. Scientific Data 3, 160018 (2016). DOI: 10.1038/sdata.2016.18. https://doi.org/10.1038/sdata.2016.18

內部研究系列與來源承接

以下為本系列內部原稿，僅用於定義、論證與路線圖的承接，不作為本篇 H1–H8 的實證結果：

Neo.K with GPT. ARKE-01｜從答案生成到研究完備：AI 自主科研的基本義務. v0.1, 2026-10-28.
Neo.K with GPT. ARKE-02｜全域知識可達性：學術資料來源、合法取得與覆蓋邊界. v0.1, 2026-10-28.
Neo.K with GPT. ARKE-03｜來源定址、超連結與研究依賴結構：可追溯知識承接論. v0.1, 2026-10-28.
Neo.K with GPT. ARKE-04｜先例發現與學術新穎性：AI 自主研究的前置查核. v0.1, 2026-10-28.
Neo.K with GPT. ARKE-05｜跨表示研究同一性：定理、演算法、方法與證據的結構比較. v0.1, 2026-10-28.
Neo.K with GPT. ARKE-06｜多元研究校驗：形式證明、反例、實驗與證據耦合. v0.1, 2026-10-28.
Neo.K with GPT. ARKE-07｜新舊知識雙向驗證與歷史修正：研究衝突、有效核與證據演化. v0.1, 2026-10-28.

相關研究概念還包括：TVK-EPE／TVK-TIA 的有效核與理論補丁、UCPNP／UNPNP 的認知與複雜度外部化，以及 EveTrain RAI／RSI 的研究系譜。本文僅以這些既有研究作為可選接口方向，不宣稱相關系統已在 ARKE-08 完成整合或實證。

版本狀態與完成聲明

v0.1： 完成 SACILC、RCU、九維歸屬描述、型別化研究歷程、前置自主核查契約、十項條件命題、六組案例與八組可否證實驗。
理論： 已形成可審查的正式原稿；其條件命題只在明確前提下成立。
實證： H1–H8 = NOT_RUN；未產生跨域性能測量、獨立評分或已驗證提升主張。
工程： ARKE_ENGINE = NOT_IMPLEMENTED_IN_THIS_PAPER；本文不構成程式碼、可運行工具或遠端 GitHub 發行的證據。
正式來源： 唯一 canonical 來源為本 UTF-8 Markdown 原始檔；數學使用原始 $...$ 與 $$...$$ 分隔符，不從聊天畫面複製渲染公式作為原稿。
後續： ARKE-09 承接研究查核演算法；ARKE-10–12 進一步研究增量更新、發表前完備閘道及跨領域實證。