# 作品不等於作者：能力、貢獻歸屬、誠信與風險的分離評估 **Artifacts Are Not Authors: Separating Capability, Contribution Attribution, Integrity, and Risk** **版本：公開版 v1.0** **文件類型：概念論文／AI 人才評估、作品驗證與治理研究** **日期：2026-07-29** --- ## 摘要 在以作品為中心的人才發現系統中，最直觀的判斷是：作品越優秀，提交者越可能具有高能力。然而，這種推論只有在作品歸屬、貢獻結構與理解程度都已獲得驗證時才成立。現代作品常由多人協作、AI 生成工具、外包團隊、開源資源、顧問、編輯與平台基礎設施共同完成。若直接把成果品質等同於個人能力，人才評估將同時高估冒充者、低估真正的整合者，並錯誤理解團隊型創造力。 本文提出一套分離式人才評估框架，主張至少應區分六個維度：作品品質、創作歸屬、理解深度、組織與整合能力、誠信紀錄，以及不確定性。此框架不以「是否為單一作者」作為唯一價值標準，而是辨認候選人在概念、設計、實作、驗證、整合、決策、資源調度與敘事呈現中的實際貢獻。 本文進一步處理一個容易引發爭議的命題：抄襲、冒充與不透明協作並不必然意味著提交者毫無能力。某些人即使具有嚴重誠信缺陷，仍可能具備稀少的選擇、組織、整合、包裝、策略或人才辨識能力。承認此一能力事實，不等於合理化欺騙，也不等於建議任何組織錄用此類人員。相反地，只有將能力與德性分離，才能避免高能力掩蓋高風險，也避免道德譴責取代精確分析。 本文主張，平台不應輸出「人才」或「非人才」的單一標籤，而應建立可追溯的證據圖譜，清楚回答：作品有多好、誰完成了什麼、提交者真正理解多少、其能力在哪些環節成立、是否存在欺騙、哪些風險已被證實，以及哪些部分仍無法判斷。這種分離式制度既是人才科學問題，也是 AI 評估治理的必要條件。 --- ## 關鍵詞 作品歸屬、貢獻分析、人才評估、能力驗證、誠信風險、抄襲、冒充、AI 協作、作品證據、分離評估 --- ## 1. 引言 作品導向的人才評估，表面上比履歷導向更接近真實能力。履歷只能描述一個人曾做過什麼，作品則直接展示某種成果已經存在。因此，從履歷轉向作品是一個重要進步。 然而，作品本身並不會自動說明： - 誰提出了核心概念； - 誰完成了主要設計； - 誰負責實作； - 誰進行驗證； - 誰整合不同模組； - 誰只是展示或包裝； - 哪些內容由 AI 生成； - 哪些部分來自開源、外包或團隊； - 提交者是否真正理解成果。 因此： $$ \text{Artifact Evidence} \neq \text{Authorship Evidence} $$ 而： $$ \text{Authorship Evidence} \neq \text{Complete Capability Evidence} $$ 一份極其優秀的作品，可能由一個人獨立完成，也可能由十人團隊共同完成；可能主要由 AI 生成，也可能由提交者長期打磨；可能是合法合作，也可能存在冒充、抄襲或不透明代工。 若評估系統無法區分這些情況，就會把成果的整體品質錯誤投射到單一個人身上。 本文主張，人才評估需要從「作品歸人」轉向「貢獻分解」。 --- ## 2. 作品是一個複合產物 ### 2.1 現代作品的多源性 一項作品可以表示為： $$ W = \mathcal{F} \left( H, A, T, D, I, E, R \right) $$ 其中： - $H$ ：人類個體貢獻； - $A$ ：AI 系統貢獻； - $T$ ：團隊貢獻； - $D$ ：既有資料與知識； - $I$ ：基礎設施與工具； - $E$ ：編輯、顧問與外部支援； - $R$ ：資源與環境條件。 作品品質是這些因素共同作用的結果，不能直接歸約為某一個人的完整能力。 ### 2.2 個人作品也可能高度依賴外部系統 即使作品名義上由一個人完成，也可能依賴： - 開源函式庫； - 預訓練模型； - 設計模板； - 雲端服務； - 專業資料庫； - 自動測試； - AI 程式協作； - 外部校對與審查。 因此，「個人完成」不等於「完全無外部依賴」。 真正重要的問題不是是否使用外部資源，而是： > 提交者如何選擇、控制、理解、整合與驗證這些資源？ --- ## 3. 六維分離評估框架 本文提出： $$ \mathcal{P} = (Q,A,K,O,I,U) $$ 其中： - $Q$ ：作品品質； - $A$ ：創作與貢獻歸屬可信度； - $K$ ：提交者的理解深度； - $O$ ：組織、選擇與整合能力； - $I$ ：誠信與行為風險； - $U$ ：不確定性。 此向量避免把不同問題壓成單一分數。 --- ## 4. 作品品質 作品品質 $Q$ 只回答： > 這個成果本身有多好？ 可進一步拆分為： $$ Q = f( C, D, E, V, R, U_s ) $$ 其中： - $C$ ：完整性； - $D$ ：深度； - $E$ ：優雅度； - $V$ ：可驗證性； - $R$ ：可重現性； - $U_s$ ：實際可用性。 ### 4.1 完整性 作品是否形成閉合系統，而非只有展示性片段。 ### 4.2 深度 作品是否處理了問題中的真正困難，而非只完成表面功能。 ### 4.3 優雅度 作品是否以合理複雜度達成目標，並維持內部一致性。 ### 4.4 可驗證性 外部觀察者是否能檢查其主張、數據與推理。 ### 4.5 可重現性 作品是否能在合理條件下被再次執行或重建。 ### 4.6 實際可用性 成果是否超越概念展示，能在真實情境中產生價值。 作品品質可以獨立存在。即使作者未知，作品仍可能非常優秀。 --- ## 5. 創作歸屬 創作歸屬 $A$ 回答： > 哪些部分實際由提交者完成？ 應避免二元化為「作者」或「非作者」。更合理的是貢獻向量： $$ \mathbf{G} = (g_c,g_d,g_i,g_v,g_e,g_m) $$ 其中： - $g_c$ ：概念貢獻； - $g_d$ ：設計貢獻； - $g_i$ ：實作貢獻； - $g_v$ ：驗證貢獻； - $g_e$ ：整合貢獻； - $g_m$ ：管理與資源調度貢獻。 不同作品可以有不同的貢獻形態。 ### 5.1 概念貢獻 誰提出問題、核心命題或新方向。 ### 5.2 設計貢獻 誰決定系統架構、方法與取捨。 ### 5.3 實作貢獻 誰完成程式、實驗、文字、模型或製作。 ### 5.4 驗證貢獻 誰建立測試、反例、審查與品質控制。 ### 5.5 整合貢獻 誰把不同來源轉換成一致系統。 ### 5.6 管理貢獻 誰找到人、分配任務、取得資源並推進專案。 貢獻不必相等，也不必集中於單一人。 --- ## 6. 理解深度 理解深度 $K$ 回答： > 提交者真正理解作品到什麼程度？ 理解可分為六層。 ### 第一層：表面描述 能重述作品功能與公開說明。 $$ K_1=\text{Description} $$ ### 第二層：局部操作 能使用或修改部分內容。 $$ K_2=\text{Operation} $$ ### 第三層：因果說明 能解釋關鍵設計為何存在。 $$ K_3=\text{Causal Explanation} $$ ### 第四層：錯誤診斷 能定位失效原因並提出修正。 $$ K_4=\text{Diagnosis} $$ ### 第五層：條件遷移 能在條件改變後重建方法。 $$ K_5=\text{Transfer} $$ ### 第六層：原理重建 能從較少資訊重新形成核心系統。 $$ K_6=\text{Reconstruction} $$ 提交者可能不是主要作者，卻仍具有 $K_4$ 或 $K_5$ 層級的理解；也可能名義上是作者，卻只停留在 $K_1$ 。 --- ## 7. 組織、選擇與整合能力 組織能力 $O$ 在傳統作者模型中經常被低估。 某些人不一定是最強實作者，卻能： - 找到正確問題； - 找到正確人才； - 選擇正確技術； - 排除低價值方案； - 建立一致目標； - 協調人類與 AI； - 控制品質； - 將分散成果整合成完整產品。 可將其表示為： $$ O = f( S_e, T_m, R_a, I_n, Q_c, D_m ) $$ 其中： - $S_e$ ：選擇能力； - $T_m$ ：人才與團隊配置； - $R_a$ ：資源調度； - $I_n$ ：整合能力； - $Q_c$ ：品質控制； - $D_m$ ：決策與推進。 這類能力可能極其稀少。 因此： $$ \text{Low Direct Production} \not\Rightarrow \text{Low System Capability} $$ 一個人可能沒有直接寫最多程式，卻是整個系統能成立的關鍵。 --- ## 8. 誠信與能力是不同軸線 誠信 $I$ 回答： > 提交者是否如實描述其貢獻、來源與限制？ 能力與誠信不具有必然同向關係： $$ \text{High Capability} \not\Rightarrow \text{High Integrity} $$ $$ \text{High Integrity} \not\Rightarrow \text{High Capability} $$ 因此，可以形成四種基本狀態： ### 8.1 高能力、高誠信 通常是大多數組織最希望找到的人。 ### 8.2 高能力、低誠信 可能具有重大價值，也具有重大風險。 ### 8.3 低能力、高誠信 可能可靠，但需要培養或適合不同角色。 ### 8.4 低能力、低誠信 通常缺乏合作價值。 如果平台只輸出單一分數，就可能讓高能力掩蓋低誠信，或讓低誠信完全抹除能力訊號。 --- ## 9. 抄襲與冒充的分類 抄襲與冒充不是單一類型。 ### 9.1 無理解搬運 提交者直接複製成果，幾乎無法解釋內容。 特徵： $$ Q\gg0,\quad A\approx0,\quad K\approx0 $$ ### 9.2 有理解挪用 提交者未創作作品，但具有相當理解，並故意隱瞞來源。 特徵： $$ Q\gg0,\quad A\approx0,\quad K>0,\quad I\ll1 $$ ### 9.3 團隊成果個人化 提交者是團隊成員，但誇大個人貢獻。 ### 9.4 委託代工 提交者出資或下令，但不揭露實作者。 ### 9.5 AI 生成未揭露 提交者大量使用 AI，卻宣稱完全獨立完成。 ### 9.6 高度整合但歸屬不透明 提交者確實完成選擇、整合與決策，但沒有如實標示其他來源。 這些情況都涉及誠信問題，但能力結構並不相同。 --- ## 10. 為何低誠信者仍可能具有稀少能力 承認低誠信者可能具有能力，容易被誤解為替欺騙辯護。事實上，分析與規範需要分離。 某些低誠信者可能具有： - 高度品質辨識； - 複雜資源組織； - 人才獵取； - 情境操控； - 跨來源整合； - 敘事與說服； - 高風險策略； - 制度漏洞辨識。 這些能力可能確實稀少。 然而： $$ \text{Capability Recognition} \neq \text{Moral Approval} $$ 且： $$ \text{Capability Recognition} \neq \text{Hiring Recommendation} $$ 平台可以準確描述： > 此人展現出高度組織與整合能力，但存在明確冒充紀錄與高誠信風險。 不同組織可以根據自身價值、風險承受度與工作性質決定是否接觸。 分離評估的目的不是降低道德門檻，而是提高資訊精度。 --- ## 11. 德性不應由外貌與語氣推斷 誠信評估本身也容易被濫用。 平台不應根據： - 表情； - 眼神； - 聲音； - 口音； - 緊張； - 說話速度； - 人格類型； - 文化差異； 推斷候選人的德性。 合理的誠信判斷應基於可驗證行為，例如： - 是否虛假標示作者； - 是否隱瞞重大來源； - 是否偽造紀錄； - 是否在被指出後修正； - 是否持續重複欺騙； - 是否如實揭露 AI 與團隊貢獻； - 是否能提供一致的版本歷史。 因此： $$ I = f(\text{Documented Conduct}) $$ 而不是： $$ I = f(\text{Appearance or Affect}) $$ --- ## 12. 作品來源驗證 作品來源驗證可以使用多種證據。 ### 12.1 版本歷史 包括： - Git commit； - 文件修訂； - 草稿； - 實驗紀錄； - 發布時間； - 變更說明。 ### 12.2 決策軌跡 真正參與者通常能說明： - 為何做此選擇； - 哪些方案被放棄； - 何時發現錯誤； - 哪些限制導致設計改變。 ### 12.3 局部重建 要求提交者重建某一部分，而不是只描述完成品。 ### 12.4 隨機細節追問 從不顯眼的片段抽取問題，降低事前背誦的有效性。 ### 12.5 團隊交叉驗證 在合法與授權前提下，比對不同成員對貢獻的描述。 ### 12.6 工具與 AI 紀錄 若候選人自願提供，可分析： - 提示詞； - 模型輸出； - 修改歷史； - 測試紀錄； - 最終人類決策。 任何單一證據都可能被偽造，因此歸屬應建立於證據集合。 --- ## 13. 證據強度模型 可將歸屬證據表示為： $$ A = \sum_{i=1}^{n} w_i e_i - \lambda C $$ 其中： - $e_i$ ：第 $i$ 項證據； - $w_i$ ：證據權重； - $C$ ：證據間矛盾； - $\lambda$ ：矛盾懲罰係數。 高品質證據包括： - 長期版本紀錄； - 可重建的決策歷史； - 多方一致證詞； - 局部重建成功； - 與公開時間線一致； - 能解釋失敗與修訂。 低品質證據包括： - 單一自我宣稱； - 無法驗證的截圖； - 完成後才產生的說明； - 過度概括的敘事； - 與版本時間線衝突的回答。 --- ## 14. 不確定性必須被保留 平台不應因為缺少證據，就自動判定候選人欺騙。 因此： $$ \text{Insufficient Evidence} \neq \text{Fraud Proven} $$ 應區分： - 已驗證； - 高度可能； - 證據不足； - 存在矛盾； - 高風險； - 已證實欺騙。 不確定性 $U$ 不是系統失敗，而是誠實輸出。 例如： > 作品品質已驗證；提交者對核心架構具有高度理解；主要作者歸屬仍缺乏足夠版本證據；目前不能確認其獨立創作程度。 這比武斷判定更合理。 --- ## 15. AI 生成作品的歸屬問題 AI 生成使作者概念更加複雜。 候選人可能負責： - 提出目標； - 建立提示； - 選擇模型； - 分解任務； - 反覆修訂； - 驗證結果； - 組合多個輸出； - 建立最終系統。 因此，不能簡化為： $$ \text{AI Generated} \Rightarrow \text{No Human Capability} $$ 更合理的是分析： $$ \mathbf{HAI} = (h_g,h_p,h_s,h_v,h_i,h_r) $$ 其中： - $h_g$ ：目標定義； - $h_p$ ：問題分解； - $h_s$ ：策略與模型選擇； - $h_v$ ：驗證； - $h_i$ ：整合； - $h_r$ ：最終責任。 若候選人只是貼上一次提示並接受輸出，其能力訊號較弱；若其能持續指揮、驗證、修正與重建，則可能展現高階人機系統能力。 --- ## 16. 團隊作品不應被個人化，也不應被去個人化 團隊成果具有兩種相反風險。 ### 16.1 個人化風險 某人把整個團隊成果宣稱為自己完成。 ### 16.2 去個人化風險 真正做出核心貢獻的人，因團隊名義而無法被辨識。 因此，平台需要同時做到： $$ \text{Prevent Overclaim} + \text{Recover Hidden Contribution} $$ 一個人在大型團隊中可能只完成一個模組，但該模組可能是整個系統最困難的部分。貢獻評估不能只看工作量，也要看關鍵性。 可表示為： $$ G_i = f( V_i, D_i, R_i, U_i ) $$ 其中： - $V_i$ ：工作量； - $D_i$ ：難度； - $R_i$ ：對整體結果的重要性； - $U_i$ ：不可替代性。 --- ## 17. 分離式輸出範例 平台不應輸出： > 候選人評分：82。 而應輸出： ### 作品品質 - 完成度：高； - 技術深度：高； - 優雅度：中高； - 可重現性：中。 ### 貢獻歸屬 - 概念貢獻：中； - 架構設計：高； - 實作貢獻：低至中； - 整合貢獻：極高； - 驗證貢獻：高。 ### 理解程度 - 因果說明：高； - 條件擾動：高； - 局部重建：中高； - 跨域遷移：尚未驗證。 ### 誠信與風險 - 團隊貢獻揭露不完整； - 未發現明確偽造； - 需要補充版本歷史； - 目前誠信風險：中。 ### 不確定性 - 原始概念來源仍有爭議； - 部分模組作者身份未能確認。 此類輸出較長，但能支持更精確的決策。 --- ## 18. 組織的選擇權與平台的責任 不同組織有不同的價值與風險門檻。 某些組織可能要求： $$ I \geq I_{\min} $$ 只要誠信低於門檻，即使能力極強也不錄用。 某些高風險或高度競爭環境，可能願意接觸高能力、高風險者，但會加入嚴格限制。 平台不應替所有組織做同一選擇，但應確保： - 重大欺騙不得隱藏； - 能力不得因道德評語而失真； - 風險不得因能力光環而弱化； - 候選人有申訴與修正權； - 企業不能取得無關敏感資料。 因此，平台提供的是分離式證據，而不是道德免責。 --- ## 19. 風險隔離 高能力、高風險者若被某些組織使用，應採取風險隔離。 可能包括： - 權限最小化； - 雙人審核； - 操作留痕； - 資料分級； - 重要決策不可單獨完成； - 利益衝突揭露； - 試用性合作； - 可撤銷權限。 這些措施不屬於人才判定本身，而屬於組織治理。 因此： $$ \text{Talent Evaluation} \neq \text{Risk Acceptance} $$ 平台可以辨識能力，組織仍需決定是否承擔風險。 --- ## 20. 候選人權利 分離式評估仍可能傷害候選人，因此需要程序保障。 ### 20.1 來源更正權 候選人可以補充或修正貢獻資料。 ### 20.2 團隊說明權 候選人可說明不同成員與 AI 的角色。 ### 20.3 爭議標註權 若歸屬仍有爭議，應標示「未決」，而不是直接定罪。 ### 20.4 證據查看權 候選人應能看到重大負面判斷依據。 ### 20.5 人工複核權 涉及欺騙與名譽風險的結論，不應只由單一模型決定。 ### 20.6 時間更新權 新證據出現時，候選人可以申請更新結果。 --- ## 21. 核心命題 ### 命題一：作品不等於作者 $$ \text{Artifact} \neq \text{Author} $$ ### 命題二：高品質作品只足以觸發進一步驗證 $$ Q_{\text{artifact}}\gg0 \Rightarrow \text{Further Investigation} $$ 而不是： $$ Q_{\text{artifact}}\gg0 \Rightarrow \text{Authorship Proven} $$ ### 命題三：能力與誠信是不同軸線 $$ C \perp I $$ 在概念上兩者必須分離觀察。 ### 命題四：非獨立完成不等於沒有能力 $$ \text{Collaborative Production} \not\Rightarrow \text{No Individual Capability} $$ ### 命題五：低誠信可能與高能力並存 $$ C\gg0,\quad I\ll1 $$ 這是風險事實，不是道德認可。 ### 命題六：誠信必須依行為證據判斷 $$ I = f(\text{Documented Conduct}) $$ ### 命題七：證據不足不等於欺騙成立 $$ U\gg0 \not\Rightarrow I\ll1 $$ ### 命題八：人才評估應拆解貢獻結構 $$ \text{Talent Evaluation} = \text{Contribution Decomposition} + \text{Capability Verification} + \text{Risk Disclosure} $$ --- ## 22. 討論 作品導向人才評估比履歷導向更接近能力，但也更容易受到歸屬錯覺影響。作品越優秀，觀察者越容易產生光環效應，將整體成果投射到提交者身上。相反地，當發現作品不是獨立完成時，觀察者又可能過度修正，認為提交者毫無能力。 兩種推論都過於簡化。 現代創造活動越來越依賴人類、AI、團隊、工具與平台共同作用。未來的人才評估若仍沿用單一作者想像，將無法理解真正的系統能力。 因此，平台應問的不是： > 這是不是完全由你一個人做的？ 而是： > 你實際做了什麼？ > 你理解什麼？ > 你決定了什麼？ > 你如何驗證？ > 你是否如實揭露？ > 哪些部分仍無法確認？ 這種問法既能保留誠信要求，也能辨認複雜合作中的真正能力。 --- ## 23. 結論 作品是人才證據的重要來源，但作品不是作者，也不是完整人格。 一個成熟的 AI 人才發現系統必須同時區分： - 作品有多好； - 誰完成了哪些部分； - 提交者理解到什麼程度； - 是否具備組織與整合能力； - 是否如實揭露； - 存在哪些風險； - 哪些結論仍不確定。 這套分離不是為欺騙者提供辯護，而是防止分析失真。 若能力與誠信被壓成一個總分，高能力可能掩蓋危險，低誠信也可能遮蔽真實能力。只有將兩者分離，組織才能做出清醒選擇，平台也才能維持可信度。 其核心精神可以概括為： > **作品可以證明某種價值已經存在，但只有透過歸屬、理解、重建與行為證據，才能判斷這種價值如何與某個人真正相關。** --- ## 公開版聲明 本文為公開概念研究，旨在討論作品品質、作者歸屬、能力、誠信與風險的分離評估。本文不公開特定平台之內部反冒充算法、風險閾值、來源驗證權重、候選人排序機制、黑名單規則、商業部署流程或自動錄取決策。