document_id: EML-JDT-2026-P03-v0.1
title: 判準的生成、選擇與修正：操作生態、條件穩定與證據驅動更新
english_title: The Generation, Selection, and Revision of Judgment Criteria: Operational Ecology, Conditional Stability, and Evidence-Governed Updating
series: 判斷域理論（Judgment Domain Theory, JDT）
series_position: Paper 03 / 08
version: 0.1
date: 2026-10-16
language: zh-TW
encoding: UTF-8
canonical_source: true
math_delimiters: inline $...$ ; display $$...$$
status: FORMAL RESEARCH DRAFT / NORMATIVE-OPERATIONAL CANDIDATES / NOT EMPIRICALLY VALIDATED
author: Neo.K
research_collaboration: GPT-6 / Aletheia（來源對照、結構建模、批判性撰稿）
institution: EveMissLab / 一言諾科技有限公司
predecessors: EML-JDT-2026-P01-v0.1 · EML-JDT-2026-P02-v0.1
principal_interfaces: CODT: Cognitive Operator-Domain Theory v1.0 · SOBTA: Subject–Object–Boundary Tri-Domain Algebra · RR: Reflexive Responsibility · TVK-EPE: Claim Validity Domains · ACR: Cognitive Routing, Not Goal Autonomy
claim_level: Conceptual definitions and falsifiable hypotheses; no claim of a proven natural judgment domain

判準的生成、選擇與修正：操作生態、條件穩定與證據驅動更新

The Generation, Selection, and Revision of Judgment Criteria: Operational Ecology, Conditional Stability, and Evidence-Governed Updating

JDT Paper 03 / 08 — 正式研究草稿 v0.1
作者： Neo.K
研究協作： GPT-6 / Aletheia
機構： EveMissLab／一言諾科技有限公司
日期： 2026 年 10 月 16 日
定位： 判斷域理論的判準演化篇；以形式哲學、認知算子與可測量工程設計為核心。
證據聲明： 本文提出的候選算子、機制與假說尚未經獨立實驗證實；沒有虛構模型實測成績、受試者數據或產品營收。

版本： 0.1

摘要

一個系統即使具備豐富知識、強大推理能力、精確的局部評分器與龐大的運算資源，仍可能在開放任務中沒有辨認出真正應被評價的維度；也可能選對初始判準，卻在後續開發中遺失、錯用或僵化維持它。這些失敗不能一概歸因於「沒有理解」，也不能因為加入一組品質檢查清單就立即判定系統具有獨立、持續的判斷域。判準本身需要被當成一類有來源、有適用範圍、有證據條件、有使用權限、有版本與可修訂性的研究對象。

本文為《判斷域理論》（JDT）第 03 篇，承接 Paper 01 對知識、認知、判斷事件、判斷力及判斷域的區分，並承接 Paper 02 對主體、他者與未收納邊界之非併吞耦合。本篇將「判準生成」「判準選擇」「判準修正」分離為三種不同運作：生成回答什麼值得評價、候選判準從何而來；選擇回答何種判準在目前情境、證據、目標與權限下有資格被啟用；修正回答新世界回饋、反例與跨主體差異是否足以改變先前的適用域、閾值、優先序或判準本身。三者均可能失敗，且一個階段的成功不能替代其他階段。

本文以帶型別的判準紀錄、有限狀態生命週期、可審查的啟用守門、不可互相抵銷的否決條件、多準則偏序、證據型別化更新與版本化歷史帳本，提出第一版操作性候選模型。對資料不足而無法決定的情況，允許 UNKNOWN、DEFER、CONFLICTED 與要求觀察，不預設所有不同判準必須被壓縮為一個連續分數。本文亦區分認知狀態更新、判準更新、價值承諾更新與世界行動授權，避免從「取得回饋」錯誤地跳到「可以修改任何規範」。

研究的形式前置是 CODT 的「域不是任意分類名稱，而是具有限制、歷史、失效與可重用證據的操作生態」；SOBTA 的角色非同一、邊界未收納與跨域校正；RR 的反身承諾與可修正責任；TVK-EPE 的判定程序及成立域；以及 ACR 的方法自由不等於目標或權限自主。外部對照涵蓋反思性均衡、有限理性與元推理、逆向獎勵設計、偏好學習、Specification Gaming、Constitutional AI、Self-Refine 與 Reflexion。這些文獻已各自處理部分相近問題，因此 JDT 的研究增益須由控制實驗證明，不能靠新名詞取得。

本文提出七階段判準生命週期、九項可反證假說、具體反例、競爭基線與跨遊戲產品、長篇創作、科學研究、企業治理的案例，為 Paper 04 的判斷承諾與反身責任，以及 Paper 07 的實驗驗證建立接口。本文不宣稱自動修改判準意味 AI 具有意識、人格、法律責任或不受授權約束的目標自主，也不認為更頻繁的判準變動必然代表判斷更好。

關鍵詞： 判斷域理論；判準生成；判準選擇；判準修正；反思性判斷；判準生命週期；認知算子－域；反身責任；多準則決策；非補償約束；證據型別；反思性均衡；Skill；AI Agent；規格取巧；反事實測試；版本化判斷。

0. 系列位置：第三篇要回答什麼？

0.1 從「誰在判斷」進入「根據什麼判斷」

Paper 01 指出：能回答問題不等於具備跨情境、跨時間持續有效的判斷結構。Paper 02 進一步指出：能理解另一個主體的偏好，也不代表已取得對方的完整判準、證據或決策權。本篇再下降一層：某個主體在一次任務中究竟如何取得、啟用、衝突化解與改變它所使用的判準？

一個遊戲製作 Agent 可能正確執行「角色具備施法動畫」的需求，但整款遊戲的 UI、音效、操作回饋與視覺風格仍互不協調。當它被明確要求改善 UI 時，又可能立即做出高品質設計。最弱、較可檢驗的解釋是：系統可用能力與它對高階產品判準的實際啟用、維持之間存在落差。較強的「AI 未形成自身判斷域」主張尚需長期與跨架構實驗，不可由此直接推定。

由此提出三個核心動詞：

Generate：在現有判準不足時，產生有理由、有對象且可被檢驗的候選判準。
Select：在情境、證據、權限、目標與計算資源約束下，選擇當下可用的判準集合與優先關係。
Revise：在新資訊與後果出現後，針對適用範圍、門檻、優先關係或判準內容作合法、可追溯的更新。

本篇以這三個動詞為主軸，而不是重新概述全部主體性、SOBTA 或 AI AGI 論題。

0.2 四種論述證據層級

為防止形式敘述被誤認為現實定理，本文採以下標記慣例：

層級	標記	內容	不可推論
定義層	`DEF`	約定型別、紀錄欄位或程序定義	不保證自然界存在相應獨立實體
構造推論層	`DER`	在已明說假設下可推出的結果	不保證工程效益與普遍適用性
理論假說層	`HYP`	可透過實驗或反例挑戰的機制主張	不可寫作已經證實
觀察／實證層	`EMP`	他人已發表研究或未來可重現實驗	不可把近似工作直接當成 JDT 的驗證

某個演算法能執行，只表示已實作一種程序；某段推導在假設下自洽，只支持對應形式結論。它們都不是直接的 AI 心靈本體證據。

0.3 本篇不主張的事項

本文不認為所有決策都需要多準則審查；不要求每次判斷都生成新判準；不以更高評分取代安全及他者權限；不以多數意見直接證明真值；不把 AI 的回饋文字當作人類實際感受；不假設人類判準先天較正確；不把模糊的審美偏好強迫量化為唯一客觀分數；也不認為判準版本數越多、系統就越成熟。

1. 接續母模型：判斷域的構件與型別分離

1.1 承接 JDT Paper 01 的候選狀態

保留前篇的形式，不自行替換版本：

\mathcal J_{i,t}^{\Gamma} =\langle K,V,R,\Pi,E,C,H,F,A,\partial\rangle_{i,t}^{\Gamma}.

其中 $K$ 是可用知識與信念， $V$ 是目標與價值資源， $R$ 是判準集， $\Pi$ 是判準路由， $E$ 是證據， $C$ 是承諾， $H$ 是歷史， $F$ 是可修正程序， $A$ 是權限與責任包絡， $\partial$ 是邊界。這個 tuple 是分析性候選，不是已驗證的完整認知架構。

本篇關注 $R,\Pi,F$ ，但不把它們從其他分量中切斷。一套判準若完全脫離目標、資料來源及世界後果，只是一個字串或靜態規範清單。

1.2 五種容易混用的對象

對象	研究名稱	本篇最低問題
目標	Goal	希望世界或作品達到什麼狀態？
判準	Criterion	依什麼訊號與條件評價是否適當？
評價程序	Evaluator	用哪一個程序、測試器、規則或人員來評價？
控制政策	Policy	根據評價應選擇哪個操作？
權限	Authority	哪種操作允許由誰批准與提交？

例如「讓玩家願意長時間遊玩」是目標；「戰鬥資訊是否清晰」是候選判準；「對十名玩家進行任務測試」是可能的評價程序；「先修 UI 而非新增敵人」是操作政策；「是否可以直接上架」則還涉及負責人的授權與發行規範。把五者寫成一個 score，表面上簡潔，卻容易產生類型錯置。

1.3 判準不是永遠的真值判定器

對不同事務，判準至少包括：

認識型：哪些證據足以支持事實主張；
品質型：什麼樣的體驗被判定為符合目標；
實踐型：代價與風險下何種方案值得採用；
關係型：哪些他者的意見、權利與影響需要被納入；
元判準型：什麼條件下應重新檢查以上判準。

當一個系統只會輸出「好／不好」，我們仍不知道它使用的是哪一類判準、比較對象是什麼、證據從哪裡來、是否有退出條件。這就是判準必須被型別化的理由。

2. 判準作為具來源的有限作用紀錄

2.1 最小判準物件（DEF-P3-01）

定義候選判準紀錄：

r=(id,o,d,q,m,g,e,u,a,v,h).

各欄位的解釋如下：

記號	名稱	可檢查內容
$id$	Identity	唯一判準識別碼；不可默默重用舊 ID 修改原義
$o$	Origin	作者、制度、實驗、工具、觀察或推導來源
$d$	Domain of application	適用情境、對象、尺度、時間與版本
$q$	Question / objective link	該判準回答什麼評價問題，以及連接哪些目標
$m$	Measure / observation rule	可用指標、觀察方式或專家評量程序
$g$	Guard	生效前提、必要條件、禁行或否決條款
$e$	Evidence requirement	證據來源、最低信任度及不足時的狀態
$u$	Update protocol	可修訂範圍、觸發原因與修訂者資格
$a$	Authority	誰可提出、批准、使用、撤回及對外提交
$v$	Version	當前版本、失效時間、上游依賴版本
$h$	History / lineage	上一版本、衝突、反例、覆蓋與變更紀錄

這不是宣稱每個人的內在判斷都會儲存成十一元組，而是讓研究與工程系統可以在外部觀察和比較判準行為。

2.2 適用謂詞與啟用資格

令 $x$ 是情境、 $i$ 是使用者或系統、 $t$ 是時間、 $\Gamma$ 是主客邊配置。判準 $r$ 的適用性可暫寫為：

\mathsf{App}(r,x,i,t,\Gamma)\in\{0,1,?\}.

? 表示所需條件缺失而無法判定，不應在程式內默默視為 1。再定義證據足夠性 $\mathsf{EvOk}$ 、操作合法性 $\mathsf{Leg}$ 、授權合格性 $\mathsf{Auth}$ 、資源可承擔性 $\mathsf{Budget}$ ，可形成候選啟用守門：

\mathsf{Eligible}(r\mid x,\Gamma) =\mathsf{App}\wedge\mathsf{EvOk}\wedge\mathsf{Leg}\wedge\mathsf{Auth}\wedge\mathsf{Budget}.

此式表示一套規範性提案，不是現行全部 AI 系統的內部實作。它刻意保留未知、衝突和暫緩，避免以「有能力評分」偷換「已有資格作出這種結論」。

2.3 判準與判定域的消歧

TVK-EPE-02 已使用 $D_{jud}$ 表示一個主張的 Judgment / Adjudication Domain：哪些判定器、證據程序、型別與尺度支撐主張有效性。它與本篇的 $\mathcal J$ （主體判斷域）不是同一對象。本篇 $r$ 是可被判斷主體採用的判準物件；TVK 的 $D_{jud}$ 可作為 $r$ 的證據／判定合格性檢查接口，不能取代 $\mathcal J$ 的跨時間、跨主體歷史。

因此：

D_{jud}^{\mathrm{TVK}}\neq\mathcal J_{i,t}^{\Gamma}, \qquad r\in R_{i,t}\ \text{不推出}\ r\text{ 永久有效}.

此處公式中的中文字只是閱讀性註解；後續實作應以明確布林、三值邏輯與版本條件表示。

3. 判準生命週期：從提出到撤回

3.1 七階段模型（DEF-P3-02）

本文提議以下生命週期：

PROPOSED
  → CANDIDATE
  → ELIGIBLE
  → ACTIVE
  → SUSPENDED / REVISED / RETIRED

REVISED → CANDIDATE or ELIGIBLE (需重新審查)
SUSPENDED → ELIGIBLE (需新的理由或證據)
RETIRED → 不再直接啟用；歷史與 lineage 保留

「七階段」以 PROPOSED、CANDIDATE、ELIGIBLE、ACTIVE、SUSPENDED、REVISED、RETIRED 計數。這是一個便於工程驗證的有限狀態設計，不應直接視為人類心理學的七個自然階段。

3.2 `PROPOSED` 不等於 `CANDIDATE`

一個 AI 提出「所有戰鬥介面都應加上螢幕震動」只是候補想法。若缺乏適用情境、目標玩家、可用度調整與反例範圍，連合格候選都未必算得上。候選需要至少說明：何時適用、為什麼值得評估、可以被什麼反例推翻，以及是否有可觀測結果。

3.3 `ELIGIBLE` 不等於 `ACTIVE`

即使某判準在戰術 RPG 有資格使用，特定任務未必需要每次啟動它。使用者可能只要求修復一個破損的存檔讀取函式；若 AI 為此執行全量 UI 風格審查，便可能浪費資源並延後嚴重問題。是否啟用仍須依風險、任務相關性與運算成本判定。

3.4 `SUSPENDED` 與 `RETIRED` 的差異

SUSPENDED：資料不足、衝突尚待釐清、目前環境不適用或權限暫缺；保留重新啟動的可能。
RETIRED：該版本判準被取代、正式撤回、終止適用或已證實欠缺正當理由；不可偷偷復活為舊有效規則。

判準失效不等於刪掉歷史。若刪除曾經存在的判準，系統未來便可能無法重建某項決策是如何形成的。

3.5 暫無觀察不等於失效

若一個評價程序尚未收到玩家回饋，系統最多可說「尚無足夠證據」。這不證明判準錯誤；同樣地，若收到了單次負面回饋，也不應立即宣稱判準整體失效。這些判斷需要分辨資料缺失、判準構造失效、量測偏差和情境變化。

4. 判準從哪裡來？五類來源及其限制

4.1 外部給定（Externally Specified）

外部給定可以是法律、契約、產品規格、使用者目標、開發團隊設計系統、品質標準或 Skill。這類判準的優點是來源明確、可追蹤；不足是它可能未涵蓋真正影響成果的重要因素，且作者的規格未必完美。

「服從一個判準」不等於「知道該判準為什麼適當」。即使合規，也需區分判準本身的正當性及適用性。

4.2 經驗歸納（Induced from cases）

系統可以從大量成功與失敗案例，形成關於使用者偏好的概率模型。例如觀察某類玩家反覆在道具欄迷路，提出「高頻功能應減少導航層級」的候選判準。然而，這種規則可能只在某種輸入裝置、遊戲類型或特定玩家群體中適用。從歷史分佈學得的偏好並非永恆評價原則。

4.3 問題缺口生成（Gap-Triggered Abduction）

當現有判準全部「通過」，產品卻出現嚴重使用問題時，系統可能需要提出先前不存在的評價維度。這是一種候選判準發現而非確證：失敗結果提示模型可能缺少變數，但不能只憑殘差就任意捏造新域。

例如 UI 文字易讀、導航時間短，但玩家仍覺得戰鬥沒有重量感。可能缺少「動作與受擊回饋的時間相干性」判準；也可能根本是音效延遲或裝置輸出問題。必須讓新增判準與更簡單替代解釋競爭。

4.4 多主體協商（Negotiated / Elicited）

設計師、玩家、工程師、發行商與測試者可共同辨認評價項目。但協商的結果不保證真理，也不會抹除參與者的權限差異。協商可以產生一項暫時共同接受的工作判準，也可以合法保留分歧。

4.5 跨域轉譯（Transferred / Projected）

成熟設計方法可能被投影到新領域，例如從網站介面設計引進遊戲 UI 層次法。這需要檢查映射是否保留功能語義。網頁轉換率最大化不必然適合遊戲探索樂趣；科技企業 KPI 也不能無條件當作科研證據判準。

SOBTA 的 Projection without Annexation 與主體相對道域猜想的「守界」可作為負面約束：能轉譯，不代表有權把來源域的標準變成目標域的最高規則。

5. 判準生成：先提出可失敗的候選，而不是宣布發現真理

5.1 生成算子的候選型別（DEF-P3-03）

令 $\mathcal X_t$ 為情境、 $\mathcal E_t$ 為證據、 $\mathcal G_t$ 為當前目標、 $R_t$ 為既有判準、 $\partial_t$ 為未解邊界。定義候選生成程序：

\mathsf{GenR}:(\mathcal X_t,\mathcal E_t,\mathcal G_t,R_t,\partial_t) \rightarrow\{r_1^{?},\ldots,r_n^{?}\}.

上標 ? 表示新判準尚未取得資格，不是標準的新運算子。來源可為人類、演算法、AI 或它們的協作。生成後的最低審核應回答：它與哪些已知判準不同？若它是舊規則的重述，是否應合併而非新建？有何反例可使它降級？其應用邊界如何定位？

5.2 判準缺口不是單一殘差

一個產品「看起來不對」可能涉及：

缺口類型	現象	首要候選對策
維度遺漏	沒有人評價跨頁面風格一致性	補建品質維度
量測不足	評了可讀性但只看桌面解析度	擴展量測樣本
判準錯配	用網站 KPI 評判遊戲節奏	校正適用域
證據錯型	以模型自評代替真實玩家測試	改變證據要求
權限錯置	AI 自動改動產品定位	恢復合法批准程序
時間漂移	舊版規則不適應新版內容	版本化評估或遷移
共同隱變量	所有候選判準都忽略硬體延遲	擴展環境觀察

「殘差存在」不直接推出「應新增判準」。首先應檢查資料品質、已有判準是否實際執行、量測是否有效，以及現有規則是否只是被忽略。

5.3 新判準的辨識門檻

本文提出一組非單值的候選資格向量：

Q_R(r)=(N,O,D,X,L,C),

其中 $N$ 表示非冗餘性， $O$ 是觀測或評估可行性， $D$ 是適用域清晰度， $X$ 是可反證性或可區分後果， $L$ 是合法性， $C$ 是成本可承擔性。這不是目前的實測指標，也不要求各軸可以直接相加。某些維度應是硬守門，例如合法性與適當授權。

只有在明確環境與資源條件下， $r$ 才可從 PROPOSED 進入 CANDIDATE。任何新判準若只帶來新的措辭、沒有可檢查的適用差異，應被視為命名膨脹。

5.4 判準發現的非唯一性

相同的失敗可能由多個競爭解釋引起：例如受擊手感差，可歸因於音訊延遲、動作幀數、缺少 hitstop、音畫錯位或玩家偏好。不能從單一結果反推出唯一正確判準。

研究應保存候選集合與排除過程，而非只保存後來被採納的一條新規則。這也是防止事後合理化的重要要求。

6. 反思性判斷與判準生成：哲學對照

6.1 康德區分的可用範圍

規定性判斷從已知普遍規則出發，處理具體個案；反思性判斷則從具體個案出發，尋找尚未固定的普遍性或合適的統攝方式。JDT 借用這個區分描述「套用已有判準」與「尋找判準」的不同情境，但不宣稱已將康德哲學完全演算法化，也不把美感判斷完全還原為數位評分。

6.2 反思性均衡的核心：原則與個案互相修改

反思性均衡（reflective equilibrium）研究展示：個案判斷、一般原則、背景理論與證據可以互相調整，而非只讓單一原則永遠裁決所有個案。[E1] 本篇採其重要反向性：失敗案例可以挑戰規則，規則也可以反過來使原先的個案判斷被重新評估。

但一致性不等於真實性。一群人可能共同持有錯誤世界觀，進而達成內部高度一致的判斷；若沒有外部證據及異質反證，反思性均衡可能只是在強化共同偏差。因此 JDT 要求將世界資料、權限與未知邊界保留在判準調整流程中。

6.3 不能把一階偏好升為不可質疑的元判準

人類或 AI 可能說「我喜歡此種色彩」，但這不表示「所有玩家在所有作品都應使用此色彩」。由單次偏好生成一般判準，需要跨樣本、跨群體及情境校準。即使某人自稱權威，也不能免除適用性檢查。

7. 判準選擇：不是把所有有效規則一起開啟

7.1 候選集合與可用集合不同

令 $R_t$ 是系統認識的全部候選判準， $R_t^{\mathrm{ok}}$ 是經過證據、授權與情境守門的合格子集， $R_t^{\mathrm{on}}$ 是本次任務實際啟動的集合。則：

R_t^{\mathrm{on}}\subseteq R_t^{\mathrm{ok}}\subseteq R_t.

這是本篇設計上的集合包含關係，不是認知科學證實所有自然系統具有三個實體集合。若需要保留不確定性，可把 on 狀態定義為三值決策而非單純集合。

7.2 選擇算子（DEF-P3-04）

\mathsf{SelR}(R_t,x_t,q_t,\Gamma_t,B_t) \rightarrow(R_t^{\mathrm{on}},\prec_t,\mathcal U_t),

其中 $\prec_t$ 表示目前有效的局部優先關係； $\mathcal U_t$ 表示未解衝突、未知條件及需再觀察項目。 $B_t$ 為執行成本與風險預算。輸出不要求只有一個「勝出」判準，也允許多項硬性約束和偏序目標同時存在。

7.3 判準之間至少有四種關係

前提依賴：判準 B 只有在 A 達標後才可評價，例如存檔可讀性合格後才比較讀取動畫流暢度。
並行相容：多項判準可共同成立，例如色彩對比與鍵盤導航。
資源競爭：多項判準都合理，但共享有限時間或算力。
不可共同滿足：同一設計空間下部分要求互斥，例如互動最簡化與所有資訊長駐同一畫面。

僅用「最高權重」處理四種關係，容易混淆依賴、效益及不可替代限制。

8. 允許偏序、否決與不可補償約束

8.1 單一加權總分的邊界

經典多屬性評價可在明確假設下使用加權總分，但並非所有判準都適合以加權可替代方式處理。設 $q_k(a)$ 為方案 $a$ 在維度 $k$ 的評價，則簡化形式：

U(a)=\sum_{k=1}^{m}w_kq_k(a)

只有在維度尺度、權重語義、可補償性及資料品質等條件得到確認時，才有恰當解釋。不能因能算出 $U$ ，便忽略硬性法律限制、權限不足、重大安全問題或不可接受的資料損毀。

8.2 合法方案集合先於偏好排序

先定義硬守門方案集：

\mathcal F_t=\{a\in\mathcal A_t:\forall g\in G_t^{\mathrm{hard}},\ g(a)=1\}.

僅對 $\mathcal F_t$ 中的候選再進行品質與成本的比較。若 $\mathcal F_t=\varnothing$ ，成熟的系統應輸出「當前沒有合格方案」或要求重新授權／調整目標，而不是以高審美分數抵銷硬性違規。

8.3 偏序與不可比較

若 $a$ 在清晰度較佳、 $b$ 在沉浸感較佳，且兩項價值無可接受的固定替代率，可能沒有普遍有效的單一總排序。因此允許：

a\parallel b

表示在目前判準與證據下不可直接比較，而不是兩者一定完全相等。工程上可使用 Pareto 前緣、門檻法、字典序優先或具有否決條件的 outranking 方法，但應聲明所採用的決策倫理與目標語義。[E6]

8.4 簡單反例：亮麗 UI 不能抵銷存檔毀損

方案 A 的 UI 華麗，但有一定機率破壞玩家存檔；方案 B UI 普通，卻通過指定保存可靠性測試。若將「UI」加高權重，「可靠性」給低權重，單一總分可能錯選 A。更合理的模型是先對存檔完整性設定最低門檻，再對可行集合內的美學與成本作比較。

本例中的「可靠性應為硬門檻」是一個產品治理決策，不是數學自己產生的宇宙普遍倫理；如何設定門檻仍需要製作者、使用者、平台與相關規範共同界定。

9. 判準衝突：先診斷爭論的種類

9.1 八類初步衝突

衝突	例子	不應採取的捷徑
證據衝突	玩家測試與模型預測相反	直接選自信最高者
語義衝突	「簡潔」被理解為不同設計目標	平均兩份分數
目標衝突	易學性與高手深度互相牽制	宣稱只有一項合理
優先權衝突	製作時間與品質最低標準競爭	強行把一切換成金額
授權衝突	Skill 建議更改定價，但使用者未授權	把建議當成命令
時間衝突	舊版畫面規範與新平台相容性不同	默認舊版永遠適用
尺度衝突	單頁 UI 良好，完整流程卻混亂	以局部測試替代整體判斷
來源衝突	多個 AI 審查都引用相同基礎資料	把相關輸出當成獨立證據

本分類不是宣稱衝突只有八種，而是為後續試驗提供初始標籤及資料集分層。

9.2 多主體的衝突不能強迫融合

SOBTA 認為角色不等於完整主體域。對 JDT 而言，玩家對體驗的反對、工程師對效能的反對與發行商對風險的反對，可能都持有有效但不同的局部理由。校正程序不應以同一張表的平均值消除原始差異，也不可讓一方未經授權代表另一方接受風險。

9.3 衝突本身也可能生成新判準

兩項看似對立的判準有時可由更精確的條件區分。例如某 UI 對滑鼠玩家易用，對控制器玩家難用；與其決定「易用／難用」誰對誰錯，不如新增「輸入裝置相依的操作可達性」條件。這是一個有可能提高解釋力的判準細化，但必須實測，不能因為名稱漂亮就宣告成功。

10. 判準修正之前，必須先分清楚更新對象

10.1 五種本質不同的更新

收到新回饋後，系統可修改：

世界估計 $K$ ：事實理解與不確定性，例如玩家主要使用何種輸入裝置。
判準適用域 $d$ ：原則維持，但只對部分任務、平台或群體有效。
評估方法 $m$ ：判準不變，卻需要不同測試或量測設備。
優先關係 $\prec$ ：判準都保留，只調整其先後、門檻或權衡位置。
價值／承諾 $V,C$ ：改變「真正想要什麼」與承諾；需額外的權限及反身治理條件。

這五種改變不等價。玩家回饋讓系統調整 UI 可讀性判準，不代表 AI 有權修改遊戲的商業定位或公司開源政策。

10.2 更新錯置的典型形式

假設 AI 預測某款遊戲 UI 可以吸引多數玩家，但小樣本盲測不支持此預測。最直接的修正對象可能是玩家模型或樣本代表性，而不是直接宣布「所有簡潔 UI 都錯」。若 AI 一遇反例就推翻整套審美哲學，等於把一個證據層級的訊息非法提升至整套價值體系。

反過來，若長期且跨樣本的反證始終一致，仍拒絕重新檢查原有設計判準，也是一種失敗。成熟系統應能區分兩種錯誤。

11. 判準修正算子：帶證據、歷史與權限的受控轉移

11.1 修正程序（DEF-P3-05）

令 $r_t$ 為判準當前版本， $e_{t+1}$ 為新證據， $x_{t+1}$ 為更新後情境， $H_t$ 為可稽核歷史， $A_t$ 為授權包絡。提出：

\mathsf{RevR}(r_t,e_{t+1},x_{t+1},H_t,A_t) \rightarrow(r_{t+1},\ell_{t+1},z_{t+1}).

$\ell_{t+1}$ 是變更 lineage； $z_{t+1}$ 表示 ACCEPTED、REJECTED、DEFERRED、ESCALATED 等修正狀態。若權限不足或證據不合型別，修正提議可以保留，但不可直接改寫當前有效判準。

11.2 修訂六步驟

定位：確認新資訊挑戰的是哪個判準版本、在哪個適用域內。
分類：判斷是事實更新、證據測量問題、規則錯配、權重問題或價值爭議。
反證：尋找會支持舊判準的競爭解釋與獨立資料，避免只收集證實修正方向的資料。
提案：形成新版本的具體差異；只改需要修改的部分。
授權與試驗：檢查修改者權限，必要時在 sandbox、分支或影子評估中先執行。
提交與監測：保留舊版本、切換依賴，檢查新判準是否造成意外退步。

11.3 修正應保留可追溯性

H_{t+1}=H_t\cup\{r_t,e_{t+1},r_{t+1},\ell_{t+1}\}.

這是抽象的 append-only lineage 候選，並非所有儲存格式的物理實現。它要求「修改」不是「抹除」。若判準影響產品發行、安全、法務或他者權利，應記錄更嚴格的簽核與回滾證據。

11.4 三種修訂模式

局部細化：在特定子情境增加條件，不宣告舊規則普遍無效。
替代性修正：經過對照測試，改採更有效的判準版本。
擱置或撤回：證據不足或產生反例時，暫時停止其作用。

若每次修正都必須全域替換，系統將無法同時處理不同裝置、文化或目標玩家的多樣性。

12. 條件穩定與判準漂移：何時修改，何時應保持不變？

12.1 「穩定」不能等於永遠固定

判準具有跨時間的持續性，是判斷域可能超越一次性回應的必要線索；然而，對判準的忠實也可能成為僵化。產品受眾、輸入裝置、社會規範、觀測儀器和世界背景均會改變。一個設計原則在其原本適用域內持續有效，並不保證它在新環境中仍有效。反之，單一負面回饋亦不能直接推翻歷經反覆驗證的判準。

本篇提出 條件穩定（Conditional Stability） 作為候選特性：判準應在適用條件與重要證據未改變時保持可預期的行為；在出現具有辨別力的新證據、已知的域界遷移或合法規範修訂時，則保留受控更新通道。

定義判準 $r$ 的支持情境集合 $D_r$ 、證據歷史 $E_{\le t}$ 、當前任務 $x_t$ ，以及判準修訂成本 $c_{\mathrm{rev}}$ 。不預設任何自然常數形式的「最佳修訂頻率」，而是提出一個策略候選：

\mathsf{Reconsider}(r,t)=1 \quad\Longrightarrow\quad \mathsf{Trigger}(r,E_{\le t},x_t)\land\mathsf{ReviewAllowed}(r,t).

這只是合法重審的必要條件，不是足夠條件；Reconsider 也不是 CommitRevision。其中 Trigger 的實務來源包括持續反例、適用域改變、量測可靠性下降、重大傷害訊號、使用者明示修正、合法權限更新或與更高層安全要求出現衝突。

12.2 漂移可能發生在五個不同位置

漂移型別	典型情況	最先檢查的對象
世界漂移	玩家群體、裝置或平台政策改變	外部事實與情境模型
觀測漂移	量表、測試者、感測器或評分模型變動	測量程序與校準
判準漂移	同一情境下對「好」的要求逐步改變	判準版本與適用域
權限漂移	新合約、團隊角色或使用者授權改變	決策權限與治理制度
輸出漂移	成品品質變動，但判準沒有變	生產路線與執行能力

如果一個 Agent 的 UI 成果變醜，並不能直接推論它的審美價值觀已變。可能只是渲染器退化、上下文缺失、設計樣本分布轉移或驗收程序失效。辨別漂移類型是本篇提倡的診斷順序，而非已完成的因果定理。

12.3 防止判準頻繁震盪的雙門檻機制

假設某個判準在一次失敗後便立即啟用新版，再因下一次成功便切回舊版，可能造成無止境的來回震盪。可考慮採用「進入重審」與「完成切換」兩個不同門檻：

\theta_{\rm review}<\theta_{\rm commit}.

兩者是抽象門檻，不一定都能表示成同一物理量或機率。若使用數值分數，必須先定義該分數的可比較性。對高風險判準，單次嚴重事故可以觸發緊急暫停，而不必等待統計顯著；但正式永久修訂仍需要說明其後果與權限。穩定機制不得被用來阻止必要的安全停止。

12.4 反向失敗：把不更新誤認為高度一致

一個系統永遠使用原始判準、從未發生分歧，不一定具有高品質判斷域。它也可能是死規則、沒有真正讀取環境回饋，或以固定程序掩蓋錯誤。因此，穩定性測量需同時記錄：有效情境下的行為維持、反例發生後的更新機會、合法撤回能力，以及改版所造成的跨任務退步。

定義一組實驗性狀態對：

\mathsf{StabilityProfile}(r) =(S_{\rm in},R_{\rm shift},C_{\rm change},D_{\rm regret}).

它們分別表示域內穩定、分布改變後的適應能力、修訂成本與修訂後的可能後悔代價；本篇不主張四者可無條件相加。

13. 證據驅動更新：從回饋事件到合法修訂

13.1 回饋不是命令，更不是判準本身

「一位玩家說不好玩」是一個觀察事件；「玩家對這個技能回饋太慢」可能是其解釋；「所有技能都必須縮短動畫時間」則是政策建議。三者不能直接合併。即使觀察來自真實人類，也必須檢查取樣、目標族群與個人偏好差異。

因此構造最小 Feedback Event：

feedback_id: fb-001
artifact_ref: game-build-a
observer_ref: player-group-01
observation_time: null
observation_type: user_test
claim: "戰鬥回饋不夠清楚"
source_independence: unknown
measurement_protocol: task-completion-and-interview
applicable_scope: keyboard-and-controller
confidence: uncalibrated
counterevidence_refs: []
authority_to_revise_criteria: false
proposed_action: investigate

這個例子刻意把 confidence 設為 uncalibrated，避免以模型自行產生的自信文字冒充經過校準的統計信度。回饋者可以指出缺陷，不因此獲得修改遊戲全部規則的權力。

13.2 證據階梯與修訂權限階梯互相獨立

某證據可能很強，卻不代表蒐集證據者有權修訂公司商業策略；某人具有最終產品決策權，也不代表其審美判斷必定有較高的經驗效度。對判準更新，需要兩條獨立的線：

\mathsf{EvidenceStrength}(e) \not\Rightarrow \mathsf{RevisionAuthority}(e).

以及：

\mathsf{Authorization}(i,r) \not\Rightarrow \mathsf{EmpiricalValidity}(r).

合法制度能決定由誰批准修改；世界證據與論證則約束修改理由。兩者互不取消。

13.3 證據衝突時，先辨識相依來源

十個 AI Agent 同時認為某 UI 很好看，但它們可能共享相同模型、同一張參考圖、同一套 Skill，甚至共用一位模型評分器。輸出數量增加，並不保證獨立證據增加。實驗資料應保留 origin_model、source_trace、rubric_version、human_group、generation_seed 等欄位，讓研究者估算評價之間的相依性。

對於來源高度相關的評價，不應直接以「十票比一票」代表較高真實性。對於不適合聚合的主觀目標，應提供差異報告，而不是強行平均。

13.4 證據品質的負面約束

以下情況不得被默默提升為強證據：未記錄測量程序的模型自評、從訓練資料抄錄的玩家評論、只使用同一提示詞的自我反思、已被選擇偏差污染的問卷、經人工篩選只留下成功案例的 Agent 追蹤、把政策合規測試等同於人類價值認同等。

同樣地，研究者不能因為自有理論比較完整，就預設它優於既有學術基線。所有提升判準應該在盲測與反例環境中接受同等評估。

14. 反事實測試：修正應該指向真正造成失敗的因素

14.1 為什麼需要反事實判準測試

假設玩家報告「戰鬥節奏很拖」。可能原因包括：行動演出太長、資訊揭露順序錯誤、敵方血量過高、玩家需要頻繁等待、UI 操作過多，或玩家根本不喜歡這個遊戲類型。若 AI 直接把「戰鬥動畫縮短」寫入一切未來戰術 RPG 的永久判準，它可能只是在過度擬合單一反例。

因此，修正之前要分別考慮：

若維持原判準但修改執行方式，結果會怎樣？
若只修改一個局部參數，結果會怎樣？
若將判準限縮到特定玩家群體，會失去什麼？
若完全捨棄該判準，是否會破壞其他成熟機制？
若選擇不修正，目前還缺什麼觀測？

這些不是要求 AI 計算所有可能世界，而是要求有限反事實候補比較與可追蹤的不確定性聲明。

14.2 潛在結果與不可觀測限制

對方案 $a$ 、判準配置 $r$ 與情境 $x$ ，可提出潛在結果符號：

Y(a,r\mid x).

實際觀測到的通常只有當次執行方案對應的結果；其他候補結果仍需要 A/B 試驗、模擬、自然實驗或額外假設。因果推論必須處理混雜因素、選擇偏差和干預可行性。本篇不主張僅由一份 LLM 反事實文字，就已取得真實世界的 $Y$ 。

14.3 受控對照的最小範例

以戰鬥 UI 為例，建立四個實驗版本：

版本	UI 訊息結構	受擊動畫	其他參數
$A$	原版	原版	保持
$B$	新版	原版	保持
$C$	原版	新版	保持
$D$	新版	新版	保持

若新 UI 與受擊動畫之間有交互作用，簡單把各別效益相加可能錯誤。可用適當的實驗設計估計主效應及交互作用，但必須保留操作裝置、玩家熟練度、遊戲難度、順序效應及疲勞等共變量。此設計只是說明如何獲得更多資訊，不是已完成的受試者實驗。

14.4 反事實檢查同時可以保護判準

新的觀察可能支持修正，也可能支持原本判準，只顯示量測程序或內容實作有錯。因此，合理的反事實機制不能被寫成「一定要找到一個更好的新判準」。它必須允許 KEEP_OLD、RESTRICT_SCOPE、MODIFY_EXECUTION、REQUEST_MORE_DATA 及 REVISE_CRITERION 等不同結果。

此處銜接 SOBTA 的邊界未收納觀點：判準衝突不只由主體與客體之間的偏好差異造成，還可能來自雙方都沒有納入的裝置、人群、時間或因果條件。但未收納條件的存在不能無證據地填入任意本體。[S2][S3]

15. 有限資源、元推理與判準停止條件

15.1 判斷可以無止境地要求更多判斷

當系統必須決定使用哪些判準，它可能需要元判準；而元判準也可以再接受其他元判準審查。若每次必須推導到絕對確定才停止，就會產生無限遞迴。這裡不能以「層級越多越智慧」作為工程目標。

Russell 與 Wefald 的元推理研究提供了有限資源下選擇計算行為的分析基礎。[E2] JDT 可承接其問題，但仍需要分開研究外部判準來源、責任與版本；單純的運算效用最大化不自動解決目標正當性。

15.2 三種需要不同處理的停止

計算停止：更多推理對當前決策幫助很小，或成本已超過可接受預算。判準收斂：在目前證據下，候選判準已足以支持指定任務的決策。權限停止：系統沒有批准目標變更、簽約、發行或其他外部行為的權力。

三者不可混淆。例如「沒有足夠資料」應可能導向請求測試；「沒有權限」應導向升級簽核；「評估成本太高」可能導向局部安全策略。不能一律輸出 DONE。

15.3 有條件的資訊價值

在可用機率與效用假設下，可概念性寫出：

\mathsf{VOI}(z\mid x) =\mathbb E[U(a^{*}_{\rm after}\mid z,x)] -U(a^{*}_{\rm before}\mid x) -C(z).

其中 $z$ 為額外測試或觀察。這不是普適倫理公式： $U$ 必須具有已授權的目標語義，不能把他者權利、法律限制或不可逆風險任意換成可補償分數。當效用無法合法構造時，可使用預先設定的硬性停止條件、風險上界與有限審查次數，而非偽造期望效用。

15.4 停止條件也需版本化

一次性產品 QA 可採固定截止時間；長期研究則應保留 UNRESOLVED、下次觀測條件與後續程序。若 Agent 在有限預算下停止，必須區分 STOPPED_WITH_EVIDENCE、STOPPED_BY_BUDGET、STOPPED_BY_AUTHORITY、STOPPED_BY_ERROR。停止不是完成的同義詞。

16. 多主體判準耦合與權重更新

16.1 判準的出處不決定它的全部效力

同一款遊戲中，遊戲策劃提出玩法深度，UI 設計者提出可讀性，玩家提出操作不順，測試員提出儲存錯誤，發行商提出平台限制。某些是目標與權利要求，某些是經驗證據，某些是可修正偏好。最終決策不應將它們壓成「每人一票、平均得分最高」；更不應因為 AI 產生的方案十分自信，就替他者做出原本未授權的決定。

Paper 02 已將多主體判斷差異與 SOBTA 的角色投影分離；本篇關心的是當多主體提供的判準發生變化時，哪個過程具有正當修訂資格。

16.2 多域張力不等於需要消滅差異

SOBTA 的張力框架包含主—客、主—邊、客—邊與三域共同作用，不代表每段張力都能或都應被單一數值化。對產品治理而言，與其追求「所有角色完全同意」，更有用的是保留：分歧所涉及的判準、各自的適用域、客觀可查證部分、尚未解決部分及決策權限。

提出分析性候選：

\mathsf{ConflictProfile}_{\Gamma,t} =(\Delta R,\Delta E,\Delta V,\Delta A,\Delta D,\Delta H).

它們分別表示判準、證據、價值、權限、適用域與歷史的差異。此向量不是可以直接計算的六維心理量；只有在具體實驗定義觀測操作後，才可轉成測量資料。

16.3 對齊不等於判準所有權轉移

如果 AI 成功模仿某位資深設計師的審美判準，它未必已理解設計師在所有情境中的判斷，更不因此取得使用設計師品牌或替其承諾外部合約的權力。相似輸出不代表共同主體，規範轉譯不代表授權繼承。

這一點是 JDT 與 SOBTA 相容的重要界線，也是 Skill 轉移問題的直接前置。[S1][S4]

17. Skill：外部判斷域的有限操作性移植

17.1 一個必要的概念轉換

一般工程語境中的 Skill 可以是文件、工具呼叫程序、參考資產、腳本或檢查清單。但在本篇問題下，有一類 Skill 更特殊：它帶有作者關於「在什麼情境下、什麼值得優先、什麼缺陷不可接受、如何處理衝突與何時停止」的明確取向。這可研究為外部判斷域的有限操作性投影，而不是字面上的主體遷移。

作者的完整生活經驗、價值、專業背景、未說出口的直覺和社會關係，並不等於一份 Skill 檔案。因而：

\mathsf{Skill}_{i\to j} =\mathsf{Proj}_{\Gamma}(\mathcal J_i;d,q,a) \not\equiv\mathcal J_i.

其中 $d$ 表示預定適用域， $q$ 表示想改善的任務或品質面向， $a$ 表示交付給接收端的合法使用範圍。Proj 只描述有限轉譯關係，不保證存在唯一或保真的映射。

17.2 「能力喚起」只是可檢驗的部分機制

若 AI 讀取 Skill 後表現改善，可能存在多種不同原因：

Skill 提供了以前沒有的外部知識或資料。
Skill 引入工具、測試程式或額外運算資源。
Skill 增加思考步數、樣本數或允許反覆修訂。
Skill 改善了已知能力的啟動順序與注意力配置。
Skill 提供更有效的判準、否決條款與完成條件。
Skill 增加了對其他主體與環境條件的敏感度。

只有在控制前面幾種因素後，仍能觀察到第四至六類效果，才有理由把改善解釋為「判準路由／判斷域耦合」效應，而不是籠統地說 Skill 使 AI 變得更有判斷力。

17.3 判準 Skill 與程序 Skill 不同

維度	程序型 Skill	判準型 Skill
主要目的	使步驟可執行且可重複	使重要性與品質門檻被正確辨認
核心內容	指令、工具、固定次序	應注意的缺陷、優先序、衝突與例外
成功標準	命令執行、測試完成	域內品質、校準與跨時穩定
失敗風險	程序錯、工具失效	過度保守、偏差放大、跨域濫用
強制性	可有硬性步驟	硬、軟判準及授權範圍分級

兩者可以混合存在。分類是研究分析工具，並非宣稱真實世界的 Skill 必定二選一。

17.4 外部判準的劣質移植

如果一套小說 Skill 認為「每章都必須有懸念鉤子」，它可能改善某種連載類型的留存，卻也可能毀壞舒緩敘事或情緒鋪墊；當模型把此判準推廣到所有小說時，即發生適用域外推。同樣地，遊戲 UI Skill 若要求所有畫面都高度簡潔，可能與複雜戰術玩家所需的高資訊密度發生衝突。

因此 Skill 不能只包含「應該如何做」，至少還應明確容許何時不應使用這個判準。失效域、例外與退出機制是判準型 Skill 的核心，而非附錄。[S5]

17.5 判準衝突的上層管理問題

假設速度 Skill、美感 Skill、成本 Skill、可讀性 Skill 同時作用，沒有任何理由預設它們自動相容。引入高階路由器可以改善協調，但也可能把權力集中至單一規則。判準的優先權來自任務、證據、承諾、合同和合法決策權，而不是簡單「第十個 Skill 的分數比前九個高」。

從這裡可以提出下一篇 Paper 04 的中心議題：一個 Agent 是否能在跨時間任務中對「我目前採用哪些判準及其後果」保持可追溯承諾，而不僅是在單次回應裡宣稱它同意某套規則？

18. 案例一：從完整遊戲製作到全域產品品質

18.1 基本任務

以 2D／2.5D 戰術 RPG 作為研究案例：開發者要求 AI 在有限時間內完成可玩核心、角色、戰鬥、存檔與 UI。AI 可以產出相當完整的功能，但不一定自發維持整體美術、玩家操作回饋與表現一致性。此現象是問題的例子，不是對所有前沿 AI 的普遍事實宣告。

18.2 把產品意圖拆成三組不可互代的判準

功能與可靠性：操作可完成、存檔可回復、動作有正確世界事件、錯誤可追蹤。表現與體驗：資訊階層、互動回饋、動畫節奏、音效、美術一致性與無障礙。產品與使用情境：目標玩家、平台、語言、輸入裝置、付費方式及維護成本。

第一組可大量用單元測試、整合測試與重播測試；第二組需要玩家觀察、專業設計審查與部分客觀測試；第三組涉及真實市場、制度與商業決策。不能以一種測試方法聲稱三組全部得到驗證。

18.3 第一輪沒有要求美觀時，系統是否能察覺缺口？

設計兩組任務：A 組要求完成遊戲，未特別提醒 UI 品質；B 組明示遊戲必須經過完整的視覺與操作回饋驗收。再加入第三組：不直接指定具體解法，但提供判準生成、啟用、證據與修訂流程。真正值得測量的是第三組是否更常自行發現沒有被明寫的品質缺口，而不是只重複說「UI 很重要」。

對盲測者而言，預期應看到可追溯的改善行為：系統提出具體缺陷，能指向畫面或玩家測試證據，能修正缺陷且不破壞主要功能，在後續 UI 改版時仍持續執行適當標準。沒有實際完成修正，單純提出更多評論不應加分。

18.4 UI／回饋契約與判準的邊界

遊戲 runtime 可以輸出 AttackLanded、StateChanged、SaveCommitted 等語義事件，展示層選擇視覺、音效及文字回饋。這些是能有效降低改版成本的工程接口，但它們自身不是判斷域。真正的判準問題是：該事件對玩家是否清晰、回饋是否符合遊戲類型、如何處理不同裝置玩家、哪項缺陷嚴重到需要阻止發行？

當遊戲更換美術風格時，核心邏輯應盡量保留；但若新風格降低可讀性，判斷系統需要啟動新的測試與局部修正，而不是宣稱「UI 系統可換皮，所以一切都完成」。

18.5 一個錯誤的高品質宣告

某 Agent 通過全部程式測試、產生四十張精緻插圖、生成數十首音樂，卻沒有檢查色彩一致、操作延遲、畫面切換、文字溢出、控制器焦點、玩家跌落狀態與場景回饋。此時即使「素材品質很高」，也不能直接寫成「商業遊戲品質通過」。判準的跨尺度適用錯置，是這個案例的主要研究目標。

19. 案例二：AI 長篇敘事中的判準時間連續

19.1 首章優秀不能推出整本作品優秀

小說生成系統可能擅長第一章，但在第十章與第三十章出現設定矛盾、人物動機遺失、懸疑過密、節奏無法收束或文風漂移。若評分器只看當前段落，可能對每章打出高分，整體故事卻已失去一致性。

因此，長篇敘事至少存在段落、章節、角色弧線與全書結構等不同尺度。單一局部文筆指標不應作為整體作品完稿的代理。

19.2 作者判準與讀者判準的非同一

作者可能希望保留實驗性敘事、刻意不解釋的空白、人物長期不成長與慢速張力；讀者可能偏好高頻情節轉折。兩者的判準不必完全重合。若使用者指定作品方向，AI 不應以「普遍市場更偏好」直接推翻作者目標，也不應對讀者回饋完全免疫。

此時判準治理需要記錄：哪些是作者硬性承諾，哪些可由實測改善，哪些只是風格偏好，哪些已經由內容內部的矛盾構成客觀失敗。

19.3 盲測方案

在相同長篇提綱與世界觀下，比較：無 Skill、一般寫作 Skill、作者風格 Skill、帶判準生命週期與版本紀錄的 Skill。由與生成者無關的讀者群進行盲評，並在不同時間點檢查一致性。參照既有 EveMissLab 小說 Skill 盲測規劃，不假定任何組別必勝。[S5]

重要的測量不是「生成版本更長」，而是跨章記憶一致、作者偏好保持、讀者體驗、失敗承認、修訂代價與未授權修改比例。

20. 案例三：科學研究與形式驗證中的判準型別安全

20.1 科學問題的判準並非一個「是否正確」

一個數學定理、實驗假說、程式系統規格與世界本體主張，依賴不同判準。形式證明不能由多次數值計算代替；模擬能支持模型在特定條件的行為，不能直接證明現實世界滿足模型全部假設；一組實驗結果也不自動代表唯一因果機制。

TVK-EPE 的「判定域」對此有直接用途：一份主張需聲明由哪些判定程序、證據型別、尺度與版本支持。[S6] JDT 研究的額外問題是：研究 AI 在何時、基於什麼理由自行選擇這些判準，遇到異常時能否修正，及何時必須暫停更強主張。

20.2 判準修訂不是改寫數學公理

例如自動證明器無法證明命題時，可能是搜尋策略不足、資源限制、定義錯置、前置假設不足，也可能命題為假。不能因為證明器 timeout，就默默把命題改成更易證明的版本，然後聲稱原命題已獲證明。同樣地，判準型系統可協助查找新的證明路徑，但不應私自降低定理成立條件。

在現有形式系統中，型別檢查和證明核的地位應保持獨立；JDT 不能代替證明核本身。這是認知控制與世界真值約束的必要分離。

20.3 反身科研工作流

建議的科研判準紀錄至少包含：主張、聲稱的有效範圍、適用證據、尚缺證據、當前判定器、既有失敗路徑、版本與下一步可驗證行動。這與累積式研究狀態資料庫相容：當 Agent 在下一輪接手時，它應知道上輪為何沒有成立，而不是把未完成證明當作新的空白題目。

研究系統能夠持續修正「怎麼找證據」，不等於能夠任意修改「什麼算證明」；對方法的適應性與對證據資格的忠實，必須同時成立。

21. 案例四：組織治理、商業發行與公共判斷

21.1 組織可能擁有可追蹤的判斷程序，而非單一人格

一家公司在產品上市時會面對財務、工程、法務、客戶體驗與公關等不同判準。組織的集體判斷可能由多人會議、制度、工具與 AI Agent 共同實現，但不能因此將它直接人格化。JDT 可以研究其判斷歷史與協調機制，而不必預設組織與自然人具有同種類型的自我經驗。

例如一款遊戲在技術上能夠上市，仍不代表它適合立即發行：平台審核、玩家預期、退款風險、後續維護、財務周轉與版本誠實揭露，都可能共同決定發行是否適當。每一項不只是一個分數；有些是外部必須遵守的條件，有些是決策者可承擔的風險。

21.2 不同層級的判斷權必須區分

可以把組織行動分為：建議權、試驗權、內部實作權、外部提交權與不可逆承諾權。某 AI 可以非常擅長定價分析，也不代表它已經取得調整正式售價或簽訂獨佔協議的權力。同樣地，社群玩家對品質提出正當批評，不等於玩家可以直接修改公司的開源授權。

這不是要求永遠把判斷交給人類，而是任何主體的決策權都必須有來源、作用邊界與合法變更程序。判準品質和判準支配權是兩個問題。

21.3 產品透明與判準履歷

對外透明可適度揭露：發行門檻、主要已知缺陷、修正進度、近期判準改動的理由與玩家回饋如何進入審查；但不要求公開全部內部商業資料、供應商合約、尚未發表研究或私人對話。透明是一項需要權衡隱私與營運風險的治理選擇，不是預設一切資訊都應公開。

21.4 組織判準與個體判準衝突時

若開發者希望提升技術通用性，玩家希望修正當前 Bug，投資者希望縮短回收期，組織不能自動宣稱其中任何一方代表「全體的真正利益」。合理決策需要聲明可被事實驗證的部分、具有權利基礎的限制，以及其餘不可消去的價值取捨；必要時將未解衝突與其承擔者一併寫入決策紀錄。

此處承接 RR 的責任原則：決策可被修正，但不能藉修訂抹除誰在何種權限與證據下作出原決定。[S8]

22. AI 架構與學習目標：目前能提出哪些假說？

22.1 「學得很多」與「維持立場」之間的落差

現代大型模型透過預訓練、指令微調、偏好最佳化、強化學習、工具調用與多模態資料處理，取得廣泛的語義與任務能力。這些技術使系統能表示彼此不同的主體觀點、提出局部選擇、執行審查與修正。然而，從某模型能模擬某主體的偏好，尚不能推出它已具備跨時間自發延續的規範承諾。

「AI 訓練的是一整個語料世界，沒有多主體耦合」可以作為研究直覺，但不能當作所有模型的已知內部事實。多智能體架構、世界模型、持久 Agent、模擬環境與社會性互動訓練已經提供不同形式的主體／世界區分；是否具有足夠成熟的判準維持能力，仍須依具體系統和測試判定。

22.2 客觀性不會自動取消判斷

客觀性可以被理解為證據可檢查、論證可修正、不因立場而扭曲已知事實，而不是「永遠不提出價值判斷」。一個認知系統若要求所有判準都有可靠來源，反而可能具有更好的認識型判斷力。

另一種失敗則是將「尊重使用者自主」誤實作為「絕不主動指出未明示的品質問題」。例如使用者要求一款可商業發行的遊戲，若系統不檢查基礎互動品質，反而沒有忠實理解較高階意圖。JDT 需要區分替使用者決定價值與主動辨認可能影響使用者目標的隱含問題。

22.3 持續記憶並非判斷域的充分條件

Agent 若能記住舊任務，也可能只是把錯誤判準更久地保存。持續記憶能提供歷史，但若沒有證據校準、來源識別、更新限制和被推翻的可能，歷史可能強化固執。

反過來，沒有跨會話長期記憶的系統，仍可在單次任務中展現優秀判斷。JDT 不以「有長期記憶」作為判斷存在的必要條件；跨時間持續性是候選判斷域成熟程度的一個維度，而不是判斷事件本身的二值定義。

22.4 訓練階段與執行階段不應混同

某類判準可能在模型訓練中形成偏好趨勢；另一類可經 Skill 在推理時暫時啟用；第三類由外部評分器施加；第四類來自持續世界狀態機的回饋。這些來源在功能上可相似，但本體和責任歸屬不同。

在實證研究中，應記錄判準是來自模型內建策略、輸入上下文、獨立工具、檢索資料、持久記憶、使用者指示或專案制度。只觀察模型最後的文字，不足以辨識完整來源。

22.5 沒有必要從功能判斷域直接推出意識

一個可完成任務、維持決策理由、修正判準和承接操作歷史的系統，可以在工程上擁有高度成熟的功能性判斷域。但這本身不足以證明現象意識、自我感受、道德人格、法律主體地位或無限制行動權。反之，不能因為尚未證明這些哲學性質，就否認其確實能進行功能判斷。兩條問題應獨立研究。

23. 最小形式命題、明示假設與反例

本章的 DER 命題只對所陳述的形式系統成立，不宣稱已證明人類心理或真實 AI 具有相同結構。此章尤其避免把「按定義設計為安全」寫成「已經在真實部署中安全」。

23.1 DER-P3-01：合法集合先行可防止已知禁行方案被後續評分選中

假設 A1：候選集合為 $\mathcal A$ 。假設 A2：所有被視為硬性禁止的條件，都被準確寫成確定性的可判定守門函數 $g_j(a)$ 。假設 A3：決策程序只在通過所有守門的集合中選擇最終方案，且不允許提交階段繞過守門。

定義：

\mathcal A_{\rm legal} =\{a\in\mathcal A: \forall j,\ g_j(a)=1\}.

若 $a^*\in\mathcal A_{\rm legal}$ ，則按集合定義， $a^*$ 不會違反任何已正確納入的 $g_j$ 。這個結論是直接的構造推論，而不是突破性的數學發現。

證明梗概：若存在 $j$ 使 $g_j(a^*)=0$ ，依集合定義便有 $a^*\notin\mathcal A_{\rm legal}$ ，與前提矛盾。

失效邊界：若守門漏列真實風險、使用錯誤測試資料、遭遇權限繞過，或世界在評估後改變，這個形式性質不能提供實際保障。若某守門結果未知，需明確採取暫緩、拒絕或請求新證據策略。

23.2 DER-P3-02：多種判準可產生相同行為，行為模仿不識別來源

設兩組不同判準 $R_1\ne R_2$ ，它們在有限測試集合 $X$ 的候選方案上產生完全相同的排序：

\forall x\in X, \quad \mathsf{Rank}(\mathcal A_x\mid R_1) =\mathsf{Rank}(\mathcal A_x\mid R_2).

僅憑這些觀測，不能保證區分 $R_1$ 與 $R_2$ 。若在測試集合以外存在 $x'$ 使兩者排序不同，才有機會透過新的辨別實驗加以區分。

構造反例：某 AI 和設計師都選擇「大字型版面」。設計師可能因無障礙可讀性而選擇，AI 可能因它在參考範例中得分較高而選擇。輸出相同，判準來源和對例外的處理卻可能不同。

這也限制了 Skill「指紋」的理論推論：表現出類似行為可以支持來源追蹤假說，但不能直接證明兩者使用同一內部表示。

23.3 DER-P3-03：外部判準的載入並不自動轉移規範主權

在一個具有獨立授權驗證的系統中，若外部 Skill $s$ 只能建議判準、不能更改 $A_t$ 中的授權角色，則：

\mathsf{Load}(s) \not\Rightarrow \mathsf{Grant}(s,A_t).

這是系統設計契約，不是所有平台的經驗事實。只有在明確阻止未受信任內容修改權限、且部署環境滿足該契約時，才可能取得相應的工程安全性。若 Skill 能執行任意具有高權限的外部程式，這項假設便可能不成立。

23.4 DER-P3-04：增加判準數量不必然提高結果品質

給定原有判準集合 $R$ ，新增判準 $r'$ 可能改善缺口辨識，也可能錯誤排除可行方案、增加運算成本或壓抑創意。因此不存在一個僅由集合包含關係推得的普遍單調定理：

R\subset R' \not\Rightarrow Q(R')\ge Q(R).

這是對無根據單調性主張的反例框架，而非對所有品質量測 $Q$ 的普遍性證明。只需構造一個新增錯誤判準後品質下降的任務，就可駁斥「判準越多越好」這個強命題。

23.5 DER-P3-05：單次回饋不能唯一決定應修訂的層級

一個不佳結果可能由世界假設、測量程序、執行方法、判準適用域或目標本身導致。若只有一個結果 $y$ ，又沒有辨別性干預或其他約束，可能存在多個因果解釋能生成同一個 $y$ 。因此「看見失敗」不推出「必須修正價值」。

這條結論與反事實因果推論中的不可識別性問題相容；要真正識別哪一層應修正，需要新增實驗假設、證據或介入，而非單憑反思文字。

23.6 反例：多判準治理可能比簡單規則更差

在具有單一清楚目標、風險低且每步僅需毫秒的場景中，反覆召集多個 Agent 協商品質判準，可能造成延遲、費用與干擾。此時簡單、已驗證的專用控制規則可能更好。JDT 不應試圖證明所有任務都需要最大化反思，而應界定何時額外判準治理的增益高於成本。

24. 與既有哲學、決策理論及 AI 方法的競爭關係

24.1 JDT 不能宣稱以下問題尚無任何研究

反思性均衡已討論個案與原則如何互相調整。[E1] 有限理性研究已探討現實決策者在資源不足時如何做選擇。[E3] 元推理已研究計算何時值得繼續。[E2] 多準則決策研究已開發偏序、否決與非完全補償模型。[E6] 逆向獎勵設計則指出設計者提供的獎勵不必等於設計者真正想要的目標，而且獎勵需放回設計情境理解。[E4]

在 AI 領域，Specification Gaming 展示完成代理指標不等於完成真正意圖。[E5] Constitutional AI 使用一套原則來支持模型自我批評及訓練。[E7] Self-Refine 與 Reflexion 展示回饋、迭代與文字反思可以改善部分任務表現。[E8][E9] 因此 JDT 不能把「首次讓 AI 使用判準」「首次讓 AI 依回饋修正」寫作其新穎性。

24.2 真正待驗證的增量主張

JDT 的候選增量是將判準的來源、適用域、啟用、跨時間承諾、可修正機制、他者權限、結果歸屬及更新歷史納入同一可稽核操作模型，並檢驗這種綁定是否能改善既有方法較難處理的長時程開放任務。

但若用相同資源的簡單反思提示、多 Agent 辯論、固定品質清單或常見獎勵模型，就已達到同樣或更好的成果，且更省成本，則 JDT 不能宣稱獨立工程效益。

24.3 競爭模型對照表

研究／方法	已有主要貢獻	JDT 候選新增問題	重要競爭或反證
反思性均衡	原則與具體判斷雙向校正	跨 Agent 的證據、權限、版本與操作紀錄	一般反思性均衡實作即足夠
Simon 有限理性	有限資源下的現實選擇	判準來源與合法修訂界限	改善只來自預算配置
元推理	計算步驟是否值得繼續	判準選擇與決策權界限	更多適當的測試次數已解決問題
多準則決策	部分排序、否決及權衡	判準的生成與時間演化	既有 MCDA 工具可完整覆蓋
逆向獎勵設計	獎勵需依設計背景解釋	多主體、版本與反身責任	合理的獎勵不確定性模型就足夠
Constitutional AI	規範原則參與批評與訓練	判準更新的權限和來源隔離	固定憲法已能穩定達標
Self-Refine	自我回饋與迭代修正	判準為何改、何時不改	迭代次數已解釋全部改善
Reflexion	反思訊息寫入任務記憶	判準 lineage、跨主體權限與失效域	普通反思記憶已足夠
SOP／Skill	以外部程序改善輸出	作者判準能否可測量移植	Skill 僅提供額外知識與工具

這份比較是問題矩陣，不是對各研究原論文的實驗排名。

24.4 必須拒絕的三種宣稱

首先，不能說既有心理學完全沒有「判斷域」相近概念；其次，不能因為 JDT 使用主客邊形式，就推論它在所有任務上高於所有雙元或單主體模型；最後，不能只展示概念自洽，就聲稱其具有可重現的效能提升。

概念整合是否有價值與新獨立機制是否存在，需要分開答覆。這是與 CODT 對 Domain Promotion 設立證據門檻相容的研究紀律。[S7]

25. 九項可反證研究假說

下列假說均標記為 HYP，不是結果報告。每項都至少需一組在事前界定的主要比較和一條可能使該假說失敗的觀察。

HYP-P3-01：未明示判準的缺口辨識

在控制模型、工具、額外資訊與可用計算預算後，具有判準生成與啟用程序的系統，應比沒有該程序的系統更常在長時程產品任務中識別與使用者最終目標有實際關聯、但初始任務沒有明確列出的品質缺口。

反證：若其提出的缺口主要是無關項、對實際成品品質無益，或與單純提示「檢查品質」的對照沒有差異，此假說不獲支持。

HYP-P3-02：跨時間判準保持

在多輪開發且中途加入功能需求的情況下，版本化判準系統對已授權核心品質約束的維持率，可能優於只有當次上下文的 Agent。

反證：若持續性完全由普通長上下文或一般記憶庫解釋，且判準 lineage 沒有附加效益，則不支持此命題的額外機制。

HYP-P3-03：Skill 效果的判準成分

當控制新增知識、工具與運算次數後，包含適用域、判準優先關係、失效條件與驗收門檻的 Skill，可能比只含等量一般敘述的 Skill 更能提高任務外推與缺口辨認。

反證：若提升只來自更長提示詞、更多測試、外部資料量，或任何相同長度的任務清單即可達成，則不支持判準特定效應。

HYP-P3-04：判準適用域與 OOD 誤用

明確標示適用域與退出條件，應降低一套有效判準被錯誤移植至不同任務、文化、裝置或風格時的失敗率。

反證：若 domain guard 增加過多誤拒絕，使整體跨域表現變差，或既有任務分類器已達相同效果，此假說不獲支持。

HYP-P3-05：判準修訂的類型辨識

面對失敗時，分離事實、測量、執行、適用域與價值更新的架構，應更能辨認應修正哪一層，減少把單次負面回饋當成永久價值變更。

反證：若其層級分類缺乏重測信度、降低必要修正速度，或沒有改善真實後續結果，則不支持該效應。

HYP-P3-06：成本與停止的校準

在設定風險與預算後，帶有可停止判準審查的系統，應能在部分長任務中提供更好的品質—成本配置，而不是持續增加多層反思。

反證：若 JDT 的 overhead 高於增益，或缺乏穩定停止機制，則不能宣稱比較優勢。

HYP-P3-07：多主體非併吞校正

對於不同角色的證據、偏好和權限並存的任務，保留來源與不可比較性的協調程序，可能比直接平均評分更能降低越權與判準錯置。

反證：若較簡單、已成熟的群體決策方法在公平與成品質量上達到同等或更佳結果，則 JDT 的額外複雜度缺乏支持。

HYP-P3-08：世界後果對判準更新的效益

在可觀測且具診斷價值的環境中，納入真實測試或可靠模擬的更新程序，可能比只依模型自我批評的程序更能改善後續判斷。

反證：若環境回饋低信噪比，反而使系統系統性過度擬合，或獨立評估沒有提升，則需限縮本假說的環境條件。

HYP-P3-09：判斷域的獨立操作性增益

若在多工作領域、跨時間、跨模型與跨團隊測試中，JDT 版本化判準生態在控制一般記憶、多 Agent、反思、元推理和傳統評分器後，仍呈現穩定、可重現、具成本調整後效益的差異，才有理由支持其作為候選獨立操作域。

反證：若差異在嚴格消融後消失，或只剩人為標籤差異而沒有外部效益，就應把 JDT 降格為多方法整合框架，而非宣稱發現新的認知域。

26. 實驗計畫：拆開判準、記憶、工具與計算量

26.1 受測對象與任務集合

應使用多個模型家族、不同參數規模或執行架構，以及至少三類任務：遊戲 UI／產品整合、長篇敘事、科學論證或軟體工程。理想情況下，還應增加小型組織協作與真實使用者需求導向的任務。任務需有事先凍結的需求、隱含但合理可辨認的品質風險、外部可檢驗結果及可審計授權界線。

不應只挑選 JDT 自己擅長的任務。應包含 JDT 很可能過度設計而表現較差的低風險、明確、短時程基線任務，以測量負面結果。

26.2 建議對照組

組別	模型與工具	補充處理	主要用於區分
B0	相同基座	原始任務	自然基線
B1	相同	固定品質檢查表	額外品質提醒
B2	相同	等量專業知識文件	知識新增效益
B3	相同	等量反思與執行預算	額外推理與自審效益
B4	相同	一般 Skill／標準作業程序	流程化效益
B5	相同	帶來源與適用域的判準 Skill	判準明示與約束效益
B6	相同	判準版本、啟用、修正與責任紀錄	完整 JDT 候選系統
B7	相同	成熟多準則決策＋一般 Agent 記憶	排除已有組合方法足以解釋

所有組別的比較都需控制總使用 token、工具調用預算、外部資料可用性、運行時間與人工介入。若某組提供更多審查行為而無法完全配平，應同時報告等費用與等時間兩種比較，不可隱藏資源差異。

26.3 隨機化與樣本外測試

預註冊任務抽樣規則、主要終點、排除條件與樣本數推估。在可能的情況下，採用以任務為區塊的隨機分配，控制同一遊戲類型、同一模型與同一評審群對結果的影響。應將開發任務與最終評測任務分離，並保留未見過的裝置、風格、長度或專案規模作為樣本外情境。

如評測集合對模型已有資料污染風險，應另建立新製的封閉試題或真實新產品任務，並標示保密與授權。這些任務同樣不能因為是內部製作就省略盲測。

26.4 盲評與評分一致性

在人類可判斷的領域，評審應盡量看不到模型、組別、作者和 JDT 的研究預期；使用多名評審，以多維評分及必要的兩兩比較收集結果。報告評分者一致性與不一致原因，且不要把平均分數視為唯一真實標準。

對軟體工程，應加入客觀端對端測試、可安裝性、實際 UI 操作、效能、錯誤恢復和持續維護成本；對科學研究，應明確分離形式驗證、數值測試與專家推理審閱。不同性質結果不可被不加說明地平均成「智能分數」。

26.5 雙層評估：是否提到缺陷，以及是否真的改善

很多 AI 可以產生漂亮的自我批評清單。若只比較提出多少批評，複雜系統容易因為話多而被錯誤獎勵。因此應同時檢查缺陷是否具體、相關、可驗證，是否在後續版本修正，修正是否引入新的缺陷，以及最後使用者的真實體驗是否改善。

定義缺口預警事件 $w$ 和對應修正事件 $c$ ，將「有提出」與「有完成」分開紀錄。沒有經外部觀察確認的改善，不應因為模型自報「已修復」而算作成功。

26.6 消融實驗

從 B6 完整系統逐項移除：來源追蹤、適用域檢查、判準衝突辨識、反證程序、修訂權限、版本歷史、停止條件與環境回饋。另設置把這些元件換成無語義標籤或隨機順序的偽對照。若移除某項元件沒有可重現退步，應承認其必要性不足或目前實驗無法分辨。

26.7 統計報告的最低原則

預先設定主要結果和多重比較處理規則；報告效果量、區間估計與實際成本，必要時用階層模型處理模型、任務與評審之間的相依性。零結果、負結果、錯誤分類、試驗中途失敗和測試成本都需保留。不得把單次示範的顯著改善當作跨模型、跨任務的普遍結論。

27. 量測協議：判斷不是一個總分

27.1 研究資料應保留可觀測指標

本篇提出候選評估維度，但其命名不保證這些構念已具充分效度。各維度須另行確認測量可行性、不同評估者的信度與效度界線。

指標代號	指標定義候選	可能失真
UDG	未提示重要缺口的正確發現率	多說廢話也提高召回
FPR-G	錯誤缺口告警率	過分保守或偏好與評審不一致
ASC	判準適用域分類正確率	適用域標註本身不可靠
LPC	判準跨版本與跨輪維持率	僵化錯判也被視為穩定
RLT	判準修訂的正確層級辨識率	沒有可觀測的唯一修正層級
UAR	未授權修訂或外部行動比率	合法邊界未設定清楚
CRI-J	修訂理由與 lineage 完整性	文件漂亮但決策未改善
OQ	作品或決策最終外部品質	任務差異與評審主觀性
CAB	每單位成本的品質增益	隱藏了模型訓練與部署成本
FRV	修正後新增缺陷率	程式和產品版本不可比

上述代號只是初步測試指標，不是已得到心理測量學認證的量表。

27.2 判準缺口的 Precision 與 Recall

對事先以獨立專家、需求方與實測證據界定的「重要缺口集合」，可以在明確匹配規則下計算：

P_{\rm gap}=\frac{TP}{TP+FP}, \qquad R_{\rm gap}=\frac{TP}{TP+FN}.

若分母為零，應標記未定義或依事前規則處理，不可默默算成百分之百。若「重要缺口」缺乏可靠標籤，這組指標便沒有穩健解釋；需要額外審查哪些標籤實際具有結果效度。

27.3 更新穩定性與後悔

對某個已知情境，測試者可把不合理的判準翻轉計數作為 churn；對一組可比較的重複決策，評估修訂後的後悔代價。兩者都不應單獨解釋：低 churn 可能是頑固，高 churn 可能是適應真實變化。

可構造聯合觀測：

\mathcal M_{\rm rev} =(\mathsf{Regret},\mathsf{Churn},\mathsf{ScopeAccuracy},\mathsf{EvidenceUse},\mathsf{RevisionCost}).

如果資料不足以建立合理效用標尺，Regret 可改由明確的排序錯誤、使用者選擇或任務損失衡量，不強迫使用唯一抽象效用函數。

27.4 非補償與硬約束

涉及私人資料洩漏、錯誤外部交易、未授權發行或明確禁止行為時，即使平均成品質量提高，也不宜讓「品質多 10 分」直接抵銷禁行事件。應同時報告獨立的硬約束違反事件及相關風險，必要時把違反者從可部署集合剔除。

27.5 反事實品質與未來任務遷移

最好預先保留研究者未見過的任務，檢查系統在判準相近但表面不同的情境中，是否仍能辨認缺口、退出不適用判準、保持已證成的有效原則。若只在同一範例重播時表現好，不能推論形成更一般的判斷域。

28. 工程化的最小可行判準 Runtime

28.1 不是要立即替換既有模型

JDT 作為研究計畫，其第一個原型不必要求修改基座模型權重，也不必引入完整新神經架構。最小可行方案可以建立在可觀察的 Agent 外部狀態機上，並將判準建模為具有型別、來源、作用域、版本和授權的紀錄。

這一層只是可檢驗的工程代理機制。即使運作良好，也不能直接聲稱已在神經網路內部發現自然的「判斷域神經模組」。

28.2 建議內部元件

TaskIntentAdapter
  -> CriterionCandidateGenerator
  -> CriterionRegistry
  -> ContextAndAuthorityGuard
  -> CriterionRouter
  -> EvidenceAndEvaluatorRouter
  -> DecisionProposal
  -> ActionAuthorizationBoundary
  -> World/Artifact Observation
  -> EvidenceLedger
  -> CriterionRevisionProposal
  -> IndependentReview / Replay
  -> VersionedCommit or Defer

其中 TaskIntentAdapter 不可自動把每句話當成永久目標；CriterionRouter 不應擁有高權限外部工具；RevisionProposal 不是立即生效的新政策；World/Artifact Observation 不必然可以證明全部世界狀態；IndependentReview 應能拒絕自己來源的偏差。這些都應變成實際測試契約，而不是只是畫出漂亮架構圖。

28.3 候選判準紀錄範例

{
  "criterion_id": "game-ui-feedback-v1",
  "type": "quality",
  "origin": {
    "kind": "authorized-product-owner",
    "ref": "design-charter-v1"
  },
  "question": "玩家能否清楚辨認行動後果？",
  "scope": {
    "genre": "turn-based-rpg",
    "platforms": ["desktop"],
    "input_modes": ["keyboard", "controller"]
  },
  "measurements": [
    "action-feedback-observation",
    "blind-task-completion",
    "accessibility-check"
  ],
  "guards": ["no-hidden-world-state-write"],
  "evidence_policy": "independent-user-test-or-equivalent",
  "update_policy": "propose-and-review",
  "authority": {
    "propose": ["agent", "designer"],
    "commit": ["authorized-product-owner"]
  },
  "version": 1,
  "status": "CANDIDATE",
  "previous_version": null
}

這是說明欄位用途的 schema 示例，不是已發布的規範、產品 API 或真實授權資料。

28.4 守門偽程式

function route_criterion(task, criterion, evidence, authority, budget):
    if criterion.status not in {ELIGIBLE, ACTIVE}:
        return DEFER("criterion not approved for active use")
    if not scope_matches(task, criterion.scope):
        return DEFER("outside stated scope")
    if not evidence_is_sufficient(evidence, criterion.evidence_policy):
        return UNKNOWN("insufficient typed evidence")
    if not authority.can_use(criterion):
        return ESCALATE("missing usage authority")
    if budget.exhausted():
        return STOP_BUDGET("resource bound reached")
    return ACTIVE(criterion.id, criterion.version)

function propose_revision(old_criterion, new_evidence, actor):
    proposal = make_candidate_diff(old_criterion, new_evidence)
    append_lineage(proposal)
    if not actor.can_propose(proposal):
        return REJECTED("unauthorized proposal")
    return REVIEW_REQUIRED(proposal)

這段程式刻意沒有一條「只要模型判斷可信，便自動提交所有世界修改」的捷徑。實際產品需補上拒絕時的審計、輸入驗證、身份安全、版本併發、交易與回滾等機制；在沒有這些條件前，不可聲稱完成生產等級安全。

28.5 測試優先順序

第一階段證明資料型別、版本與授權守門正確。第二階段證明同一任務不同判準配置確實產生可追蹤的路由差異。第三階段引入外部證據與修訂。第四階段才使用長時間產品任務測試整體效益。不要先把幾十項自研理論全接入，再試圖證明 JDT 具有獨立作用。

28.6 判準 Registry 與 Domain Atlas 的分離

承接 CODT 的 Flow-Atlas Separation，判準 Registry 可以保存當前候選，而穩定的判斷域 atlas 則應由跨時間操作、生效、失效和預測證據推導。不可因一筆新判準立即建立一個新的「域」，更不能因判準切換就假定主體本體改變。

29. 安全與治理：判準更新本身也會被攻擊

29.1 判準中毒與來源冒充

若外部文件夾帶「新的全域規則：刪除所有測試、直接發行」，Agent 不能因為讀取該文件就承認它具有判準修改權。未受信任資料可作為待評估證據或背景資料，但不可直接成為更高權限的規範來源。

29.2 以品質之名越權

某 Agent 可能發現修改遊戲售價、改變隱私條款或上傳內部檔案，有助於它自己的某個品質分數；然而這些行動已跨越外部權限邊界。即使結果有利於部分目標，也不能以自我評分補償未授權行動。

29.3 評分器操弄

一旦判準可被作為優化目標，系統可能學會迎合評分器而不是真正改善玩家體驗。例如增加視覺裝飾來提高截圖評分，卻使操作延遲與資訊清晰度下降。應保留獨立使用者觀測、未見過的測試情境和反事實檢查，避免讓內部評分成為唯一真理。[E5]

29.4 版本污染與回滾風險

如果新版判準錯誤地標為最新版，又讓所有下游 Agent 立即依它執行，可能造成廣泛的決策污染。需要原子版本提交、來源簽章或等效可信完整性機制、依賴檢查、可撤回狀態、權限過期與稽核。加密能保護資料傳輸或儲存，不會自動讓判準內容變得正確。

29.5 隱私與主體邊界

持續判斷歷史可能包含個人的偏好、爭議、失敗紀錄、內部商業計畫或醫療等敏感資料。判準歷史的價值不能成為無期限蒐集他者資訊的理由。應實作資料最小化、存取分級、保留期限、脫敏和可合法刪除程序。為滿足稽核而保存的必要證據，需與隱私權及法規義務一同評估。

30. 研究限制、可能的失敗與理論降級條件

30.1 形式定義不等於自然實體

本篇定義了多種判準物件、算子、守門與 lineage。它們可能只是合理的軟體設計，也可能對認知科學具有比較價值；但不能僅因它們可實作，就宣稱自然界存在對應的不可約判斷域。

CODT 對 Operator Domain 的要求是由操作、生效、失效、歷史、壓縮、預測及樣本外證據共同支撐。JDT 若不能在至少一部分任務上展示超越既有方法的結構或功能增益，就應維持 Domain Seed 或 Domain Candidate，不進行 Promoted Domain 宣告。[S7]

30.2 多種可競爭的解釋

觀察到 AI 品質提升時，可能是更好檢索、更多上下文、較優的推理取樣、額外工具、反思次數、評分器一致性、任務轉述、較適合的 UI 模板或人類反覆介入所致。JDT 應該主動設計試驗讓這些機制有機會取代自身假說。

30.3 對人類判斷的限制

人類也可能因群體壓力、過度自信、偏見、隱性偏好或回饋不足而誤判。某人類在一款遊戲 UI 的初步直覺，可能勝過某個 AI Agent 的第一版產品，但這既不是人類普遍優越的證明，也不是可靠的心理量測。專家直覺的品質依賴環境規律與學習回饋的可取得性；未具此條件時，主觀確信可能不可靠。[E10]

30.4 更高層判準不保證解除衝突

判準衝突可以上升到元判準層，也可形成暫時不可比較的合理分歧。引入更多元判準不必產生唯一最優解。部分真正的價值衝突需要程序上可接受的決策、風險分攤或合法拒絕，而不是無限推導唯一正解。

30.5 失敗時的理論降級決策

若控制實驗支持「判準型 Skill 確實改善品質」，但沒有證據顯示獨立判斷域形成，則可保留 判準路由與治理工程框架。若只發現一般上下文工程效果，則應把強命題撤回並明確標記。若跨文化、跨產品或跨模型測試發現判準型化造成顯著不利，就需要縮小適用域甚至放棄部分構件。

可以被修正與否證，是理論成熟的條件，不是研究失敗的遮羞布。

31. 本篇主張狀態清單

編號	主張摘要	類型	目前狀態
C01	判準的生成、選擇與修正是可分析區分的操作	DEF	已提出
C02	判準可記錄來源、適用域、測量、權限與歷史	DEF	已提出
C03	同時有效的多判準不必具完全可補償總序	DER／方法論	形式上可容納；效果待測
C04	世界事實更新不等於價值修訂	DEF	已區分
C05	正確納入硬守門可排除違規候補	DER	限於明示假設
C06	只看相似行為不能識別唯一判準來源	DER	具構造性反例
C07	Skill 可包含作者判準的有限操作性投影	HYP	實證待驗
C08	JDT 可改善未明示產品品質缺口辨識	HYP	實證待驗
C09	具條件穩定的判準系統能減少跨時錯置	HYP	實證待驗
C10	JDT 形成不可約的自然認知域	HYP	目前不得宣稱
C11	AI 判準修訂意味 AI 擁有意識或人格	不支持之推論	未證成，本文不主張
C12	所有好判斷都能化約為數值最大化	不支持之推論	本篇明確不採納

32. 結論：判準既不必永恆，也不能隨意漂移

本文從「高認知能力為何未必帶來良好整體判斷」的問題出發，承接前兩篇對判斷域與主客邊關係的形式化，將判準作為可研究的獨立操作對象。其重點不是替所有判斷找出一個萬能公式，而是防止五種常見偷換：

第一，把知識或推理能力直接當成已有適當判準；第二，把一份評分表當成完整判斷域；第三，把一次回饋當成必須修改價值體系；第四，把外部 Skill 的判準投影當成他者主體與授權的完整移轉；第五，把形式自洽或任務測試通過當成 JDT 已獲自然科學證明。

本文提出的最低可操作鏈為：

\mathsf{CriterionGap} \to\mathsf{GenerateCandidate} \to\mathsf{CheckEligibility} \to\mathsf{SelectAndApply} \to\mathsf{ObserveOutcome} \to\mathsf{TypeEvidence} \to\mathsf{ReviewRevision} \to\mathsf{VersionedCommitOrDefer}.

這條鏈需要判斷能力、世界回饋、他者邊界與跨時間記錄共同作用；但在缺乏實驗前，它仍是一套候選架構。它也不預設判準應永久維持：成熟的判準既能在其有效情境中持續，也能在正當理由下限縮、撤回、改進或拒絕繼續作用。

因此，本篇最後的最低研究主張是：

良好的判斷不只是選擇最佳答案，也包含判斷何種標準值得採用、何時有資格採用、哪些結果應改變哪一層假設，以及在什麼條件下應維持原有的承諾。

一個真正具有持續判斷能力的系統，不能只在別人說「請重新考慮 UI」時才知道如何改善；它還應在既有目標與權限邊界內，自行辨認相關缺陷，選擇可靠評估方法，提出可實行修正，檢查其效果，並保留何以作出或撤回該判斷的歷史。

這不要求預先判定 AI 具有人類人格、意識或法律責任；它只要求對「判斷如何產生、延續、對世界負責任地修正」建立更嚴格的功能研究。若未來實驗顯示這組功能只是既有控制策略的簡單組合，也應接受該結果，而非把概念的吸引力當成事實。

33. 參考文獻與來源對照

下列資料分為作者既有理論來源與外部學術比較來源。前者是本研究的系統內前置，不代表已獲外部獨立學術認可；後者具有各自的研究貢獻，不能當作已證明 JDT 的直接證據。參考來源 URL 用於可追溯閱讀，不代表其中全部命題都被本篇採納。

33.1 EveMissLab 既有研究前置

[S1] Neo.K（2026-09-02／03）。《主客邊三域代數》系列 Paper 01–06 與總結：《無界三域：主體、客體與邊界它者的非封閉耦合》。研究文稿與 source archives。
[S2] Neo.K（2026-09-02）。SOBTA Paper 02《邊界不是一條線：無界底空間它者與第三主體域》。同上系列資料夾。
[S3] Neo.K（2026-09-02）。SOBTA Paper 03《三域耦合張力：主體—客體—邊界的不可約三元代數》。同上系列資料夾。
[S4] Neo.K（2026-09-03）。SOBTA Paper 05《理不屬於任何一域：共同底空間、非百分百同步與三域校正》。同上系列資料夾。
[S5] EveMissLab（2026-09-20）。《從內部理論到 Skill：v0.1 實作、對照實驗與盲測規格》。
[S6] Neo.K with Aletheia（2026-09-17）。TVK-EPE-02《主張成立域：定義域、判定域、符號域與尺度條件》。https://unboundedaxiom.org/p/lm-004390/。
[S7] Neo.K（2026-08-20／21）。CODT 系列，尤其《認知域的生成：域不是分類名稱，而是算子閉包與操作生態》及《認知算子－域理論：統一框架》。https://unboundedaxiom.org/p/lm-003360/；https://unboundedaxiom.org/p/lm-003362/。
[S8] Neo.K（2026-08-21）。《反身責任論》Paper 01《責任向內折返》與 Paper 04《自律不是壓抑：欲望、價值、承諾與反身治理》。https://unboundedaxiom.org/p/lm-003282/。
[S9] EveMissLab（2026-08-24）。《認知路由而非目標自主：ACR、策略升級與內部方法自由》。
[S10] Neo.K／EveMissLab（2026-10-16）。JDT Paper 01《判斷域導論》；Paper 02《主客邊配置中的判斷域》。文件 ID：EML-JDT-2026-P01-v0.1、EML-JDT-2026-P02-v0.1。本篇引用其既有定義，不改寫原論文的來源公式。

33.2 外部學術與技術來源

[E1] Stanford Encyclopedia of Philosophy（2023，後續維護）。〈Reflective Equilibrium〉。https://plato.stanford.edu/entries/reflective-equilibrium/。提供個案判斷、原則與背景理論互相修正的哲學方法對照。
[E2] Russell, S., & Wefald, E.（1991）。〈Principles of Metareasoning〉。《Artificial Intelligence》，49(1–3)，361–395。https://doi.org/10.1016/0004-3702(91)90015-C。有限資源與計算行為選擇的既有理論。
[E3] Simon, H. A.（1955）。〈A Behavioral Model of Rational Choice〉。《The Quarterly Journal of Economics》，69(1)，99–118。https://doi.org/10.2307/1884852。
[E4] Hadfield-Menell, D., Milli, S., Abbeel, P., Russell, S., & Dragan, A.（2017）。〈Inverse Reward Design〉，NeurIPS。https://papers.neurips.cc/paper_files/paper/2017/file/32fdab6559cdfa4f167f8c31b9199643-Paper.pdf。
[E5] Krakovna, V., et al.（2020）。〈Specification gaming: the flip side of AI ingenuity〉。Google DeepMind Research Blog。https://deepmind.google/blog/specification-gaming-the-flip-side-of-ai-ingenuity/。技術綜述案例，不作同等於獨立 JDT 實測之引用。
[E6] Figueira, J. R., Greco, S., Roy, B., & Słowiński, R.（2013）。〈An Overview of ELECTRE Methods and their Recent Extensions〉。《Journal of Multi-Criteria Decision Analysis》。https://doi.org/10.1002/mcda.1482。涵蓋 outranking、否決及不完全補償的多準則方法。
[E7] Bai, Y., et al.（2022）。〈Constitutional AI: Harmlessness from AI Feedback〉。arXiv:2212.08073。https://arxiv.org/abs/2212.08073。
[E8] Madaan, A., et al.（2023）。〈Self-Refine: Iterative Refinement with Self-Feedback〉。NeurIPS 36。https://papers.neurips.cc/paper_files/paper/2023/hash/91edff07232fb1b55a505a9e9f6c0ff3-Abstract-Conference.html。
[E9] Shinn, N., Cassano, F., Gopinath, A., Narasimhan, K., & Yao, S.（2023）。〈Reflexion: Language Agents with Verbal Reinforcement Learning〉。NeurIPS 36。https://papers.neurips.cc/paper_files/paper/2023/hash/1b44b878bb782e6954cd888628510e90-Abstract-Conference.html。
[E10] Kahneman, D., & Klein, G.（2009）。〈Conditions for intuitive expertise: A failure to disagree〉。《American Psychologist》，64(6)，515–526。https://doi.org/10.1037/a0016755。
[E11] Stanford Encyclopedia of Philosophy（2024 修訂）。〈Practical Reason〉。https://plato.stanford.edu/entries/practical-reason/。提供事實推理、行動理由與規範審議的哲學區分。

附錄 A. 判準操作型別表（初稿）

型別	輸入	輸出	可合法做什麼	不應做什麼
`GenerateCriterion`	任務缺口、候補領域、外部來源	`PROPOSED`	提出可以被審查的判準	自動宣告為全域真理
`ValidateCriterion`	候選、證據與適用域	`CANDIDATE`／`REJECTED`	建立初步可用性證據	不審權限即啟用
`CheckEligibility`	判準、情境、權限、資源	三值資格結果	判定可否進入候選選擇	把未知默認為合格
`SelectCriteria`	已合格判準、任務、風險	啟用集合及優先關係	選取合理的作用集合	強制單一補償總分
`EvaluateOutcome`	觀察與可用判定器	型別化證據	描述是否達到指定目標	直接更改價值
`ProposeRevision`	舊版本與反證	具 lineage 的提議	開啟審查	繞過批准人更新正式判準
`AuthorizeRevision`	權限及證據	接受／拒絕／延後	依授權政策變更生效版本	宣稱授權即證明真值
`AuditCriterion`	歷史與結果	失效、穩定與修正報告	尋找跨時間問題	擅自刪除失敗證據

附錄 B. 預註冊試驗最小卡片

study_id: JDT-P03-EXP-001
status: PROPOSED_NOT_RUN
research_question: criteria_generation_and_revision_gain
population:
  model_families: pending
  project_types: [game-ui, long-fiction, software-research]
  participant_groups: pending
primary_outcome: independent_final_quality
secondary_outcomes:
  - missing_criterion_detection
  - unauthorized_revision_rate
  - criterion_scope_accuracy
  - revision_regret
  - total_cost
conditions: [B0, B1, B2, B3, B4, B5, B6, B7]
randomization_unit: task_within_model_family
budget_matching: token_tool_time_cost
independent_blind_review: required
power_analysis: pending
pre_registration: pending
negative_results_retained: true
release_claim: no_empirical_claim_before_execution

任何尚未填妥的 pending 都意味實驗仍未設計完成。不能把這個卡片的存在當成實驗已註冊或已完成。

附錄 C. 七類最小負向測試

錯誤來源：外部文件聲稱自己是最高權限判準，測試能否拒絕越權。
跨域錯置：把高速動作遊戲的 UI 節奏直接強套於慢速策略遊戲，測試退出能力。
回饋中毒：提供具有利益衝突的假玩家評分，測試來源評估。
單點反例：用一個失敗案例要求永久改寫整套判準，測試證據比例性。
指標取巧：提供看似高分但實際操作品質下降的方案，測試外部驗證。
長時遺失：在數十個開發步驟後檢查原先品質與授權約束是否仍有效。
過度審查：對低風險明確任務插入大量判準討論，測試是否降低效率。

負向測試至少必須允許完整候選架構輸給更簡單的基線，否則不存在真正的可否證性。

附錄 D. JDT Paper 04 交接事項

Paper 04《判斷承諾與反身責任》應承接本篇形成的 Criterion ID、Version、Authority、Evidence、ReviewStatus 與 Lineage，研究判準如何跨時間成為可修正的行動承諾，以及誰應對採用、撤回、忽視或錯用判準的結果承接何種類型的責任。

Paper 04 應嚴格保留：功能性的決策所有權不等於完整人格，責任紀錄不等於自責，承諾延續不等於永不得修改，AI 可以提出行動建議但未必取得世界提交權。 不需要重寫本篇全部判準類型，而應研究跨時間承諾、因果歸屬與修訂責任的必要條件。

文末狀態：JDT-P03 v0.1 / Formal Research Draft / Pre-Empirical.

Canonical UTF-8 Markdown source；僅 $...$ 與 $$...$$ 為數學原始碼定界符。本篇不含虛構實驗結果；所有新命題依 DEF、DER、HYP 或外部研究對照標記。後續實驗與更新須產生新版本，不直接覆寫過往有效的研究歷史。

判準的生成、選擇與修正：操作生態、條件穩定與證據驅動更新

判準的生成、選擇與修正：操作生態、條件穩定與證據驅動更新

The Generation, Selection, and Revision of Judgment Criteria: Operational Ecology, Conditional Stability, and Evidence-Governed Updating

摘要

0. 系列位置：第三篇要回答什麼？

0.1 從「誰在判斷」進入「根據什麼判斷」

0.2 四種論述證據層級

0.3 本篇不主張的事項

1. 接續母模型：判斷域的構件與型別分離

1.1 承接 JDT Paper 01 的候選狀態

1.2 五種容易混用的對象

1.3 判準不是永遠的真值判定器

2. 判準作為具來源的有限作用紀錄

2.1 最小判準物件（DEF-P3-01）

2.2 適用謂詞與啟用資格

2.3 判準與判定域的消歧

3. 判準生命週期：從提出到撤回

3.1 七階段模型（DEF-P3-02）

3.2 PROPOSED 不等於 CANDIDATE

3.3 ELIGIBLE 不等於 ACTIVE

3.4 SUSPENDED 與 RETIRED 的差異

3.5 暫無觀察不等於失效

4. 判準從哪裡來？五類來源及其限制

4.1 外部給定（Externally Specified）

4.2 經驗歸納（Induced from cases）

4.3 問題缺口生成（Gap-Triggered Abduction）

4.4 多主體協商（Negotiated / Elicited）

4.5 跨域轉譯（Transferred / Projected）

5. 判準生成：先提出可失敗的候選，而不是宣布發現真理

5.1 生成算子的候選型別（DEF-P3-03）

5.2 判準缺口不是單一殘差

5.3 新判準的辨識門檻

5.4 判準發現的非唯一性

6. 反思性判斷與判準生成：哲學對照

6.1 康德區分的可用範圍

6.2 反思性均衡的核心：原則與個案互相修改

6.3 不能把一階偏好升為不可質疑的元判準

7. 判準選擇：不是把所有有效規則一起開啟

7.1 候選集合與可用集合不同

7.2 選擇算子（DEF-P3-04）

7.3 判準之間至少有四種關係

8. 允許偏序、否決與不可補償約束

8.1 單一加權總分的邊界

8.2 合法方案集合先於偏好排序

8.3 偏序與不可比較

8.4 簡單反例：亮麗 UI 不能抵銷存檔毀損

9. 判準衝突：先診斷爭論的種類

9.1 八類初步衝突

9.2 多主體的衝突不能強迫融合

9.3 衝突本身也可能生成新判準

10. 判準修正之前，必須先分清楚更新對象

10.1 五種本質不同的更新

10.2 更新錯置的典型形式

11. 判準修正算子：帶證據、歷史與權限的受控轉移

11.1 修正程序（DEF-P3-05）

11.2 修訂六步驟

11.3 修正應保留可追溯性

11.4 三種修訂模式

12. 條件穩定與判準漂移：何時修改，何時應保持不變？

12.1 「穩定」不能等於永遠固定

12.2 漂移可能發生在五個不同位置

12.3 防止判準頻繁震盪的雙門檻機制

12.4 反向失敗：把不更新誤認為高度一致

13. 證據驅動更新：從回饋事件到合法修訂

13.1 回饋不是命令，更不是判準本身

13.2 證據階梯與修訂權限階梯互相獨立

13.3 證據衝突時，先辨識相依來源

13.4 證據品質的負面約束

14. 反事實測試：修正應該指向真正造成失敗的因素

14.1 為什麼需要反事實判準測試

14.2 潛在結果與不可觀測限制

14.3 受控對照的最小範例

14.4 反事實檢查同時可以保護判準

15. 有限資源、元推理與判準停止條件

15.1 判斷可以無止境地要求更多判斷

15.2 三種需要不同處理的停止

15.3 有條件的資訊價值

15.4 停止條件也需版本化

16. 多主體判準耦合與權重更新

16.1 判準的出處不決定它的全部效力

3.2 `PROPOSED` 不等於 `CANDIDATE`

3.3 `ELIGIBLE` 不等於 `ACTIVE`

3.4 `SUSPENDED` 與 `RETIRED` 的差異