---
title: "微觀、中觀與宏觀：領域資訊差分的多尺度結構"
series: "網路資訊海動態秩序化"
series_id: "EML-IIODO"
document_id: "EML-IIODO-TH-02"
document_type: "公開理論文"
author: "Neo.K"
organization: "EveMissLab"
version: "0.1.0"
status: "公開初稿"
date: "2026-07-31"
language: "zh-TW"
license_note: "公開引用時請保留作者、文件編號、版本與來源。"
---
# 微觀、中觀與宏觀
## 領域資訊差分的多尺度結構
## 摘要
若新聞被重新定義為特定領域中的知識狀態差分，下一個必要問題便是：差分應在何種尺度下被觀測？同一項更新可能只是單一專案的一次版本變動，也可能構成某個子領域的集體轉向，甚至在長時間累積後成為整個學科、產業或制度的結構性變化。若系統只保留單一尺度，便可能把局部異常誤當成宏觀趨勢，或在聚合過程中抹除真正關鍵的微小訊號。
本文提出微觀、中觀與宏觀三層領域資訊差分框架，將尺度視為一種觀測與組織算子，而非固定分類標籤。微觀層描述單一文件、事件、實體或局部狀態的改變；中觀層描述由多個相關微觀事件形成的事件簇、研究路線、專業社群或子領域動態；宏觀層則描述跨子領域、跨機構或跨長時間區間的結構性變化。本文進一步定義尺度向上聚合、向下追溯、跨尺度傳播、尺度相依重要性與尺度失真，並指出同一事件在不同尺度下可以具有不同的重要性、不同敘事角色與不同新聞身分。
本文主張，未來的領域觀測平台不能只產生一份「今日新聞」，而應能針對不同尺度分別產生微觀更新、中觀趨勢與宏觀摘要；同時，每一個宏觀判斷都必須能向下追溯到中觀事件簇與原始微觀證據。這種雙向結構將成為後續母站—子站架構、歷史記憶、時序知識圖譜與自主 AI 領域治理的必要基礎。
**關鍵詞：** 多尺度資訊、領域差分、微觀新聞、中觀趨勢、宏觀變化、事件聚合、向下追溯、跨尺度傳播、資訊海
---
## 1. 問題起點：一則資訊究竟有多大？
在單一新聞列表中，一篇新論文、一個版本更新、一項監管草案與一場跨國政策轉向，通常被排列成彼此並列的內容項目。然而，這些項目並不處於相同的結構尺度。
例如：
- 某個 AI Agent 框架修正一次權限錯誤，是單一專案的微觀變化；
- 多個框架同時加入工具權限、審批節點與稽核紀錄，可能形成 Agent 治理的中觀趨勢；
- 當產業標準、法律責任與產品設計共同轉向可追溯、最小權限及人類覆核時，才可能構成宏觀治理範式的改變。
若系統把三者都視為同一層級的「新聞」，將出現兩種相反問題：
1. **局部放大：** 單一事件因短期熱度被誤判為整體轉向；
2. **結構抹除：** 大量分散而微小的更新未被聚合，因此真正的趨勢長期不可見。
因此，在第一篇所提出的領域差分：
$$
\Delta K_d(t)=K_d(t)-K_d(t-1)
$$
之外，還必須加入觀測尺度 $\ell$ ：
$$
\Delta K_{d,\ell}(t)
=
\mathcal{O}_{\ell}
\left(
K_d(t),K_d(t-1)
\right)
$$
其中：
- $d$ 表示領域；
- $t$ 表示觀測時間；
- $\ell$ 表示觀測尺度；
- $\mathcal{O}_{\ell}$ 表示在尺度 $\ell$ 下進行差分辨識的觀測算子。
本篇的核心主張是：
> **資訊尺度不是內容天然攜帶的一個固定欄位，而是觀測者、任務與時間窗口共同決定的關係性結果。**
---
## 2. 多尺度不是三個資料夾
「微觀、中觀、宏觀」容易被誤解為三個固定分類資料夾：小事件放微觀、一般事件放中觀、大事件放宏觀。但真實系統不能如此處理，因為同一事件可能同時存在於多個尺度。
令一個基礎事件為：
$$
e_i=(x_i,t_i,s_i,r_i,c_i)
$$
其中：
- $x_i$ ：事件內容；
- $t_i$ ：事件時間；
- $s_i$ ：來源；
- $r_i$ ：涉及的實體與關係；
- $c_i$ ：領域脈絡。
事件 $e_i$ 並沒有永遠固定的尺度。系統應根據觀測條件判斷其尺度角色：
$$
\ell(e_i\mid d,\tau,q,u)
$$
其中：
- $d$ ：目前觀測領域；
- $\tau$ ：時間窗口；
- $q$ ：查詢或任務；
- $u$ ：使用者或觀測共同體。
一個新模型的發布，在「該模型版本追蹤」子站中是宏觀事件；在「全球 AI 產業」母站中可能只是中觀事件；在「全球科技與社會」總站中甚至只是微觀節點。
因此，尺度是相對於觀測邊界而成立：
$$
\ell
=
\ell(e\mid\text{觀測邊界})
$$
這也意味著，平台不應替每一筆事件只保存一個 `scale` 值，而應保存事件在不同視圖中的尺度映射。
---
## 3. 微觀層：最小可辨識狀態變化
微觀層並不等於「不重要」，而是指尚未被聚合為更高階結構的最小可辨識差分。
可將微觀事件集合表示為：
$$
E_{\mu,d}(t)
=
\{e_1,e_2,\ldots,e_n\}
$$
典型微觀差分包括：
- 一篇論文首次發布或修訂；
- 一個資料集增加新批次；
- 一個專案發布版本、修正漏洞或變更授權；
- 一名研究者提出新術語；
- 一場法院判決改變特定案件的適用方式；
- 一個組織新增政策條款；
- 一則來源撤回、訂正或補充原始說法。
微觀層的主要功能是保存精確性與可追溯性。其資料單元應盡量接近原始證據，至少包含：
$$
e_i=
(
\text{id},
\text{time},
\text{source},
\text{entities},
\text{claims},
\text{relations},
\text{provenance},
\text{version}
)
$$
這一層不能只保留 AI 摘要，因為後續所有中觀與宏觀判斷，都必須能回到原始來源、版本與生成過程。W3C PROV 資料模型所區分的 Entity、Activity 與 Agent，可作為溯源資料結構的重要參照，使平台得以描述一項資訊由誰、透過何種活動、從哪些既有資料產生。[1]
微觀層的風險是資訊過量。如果所有細微更新都直接進入人類介面，平台將再次變成資訊垃圾場。因此微觀層主要是底層感測與證據層，而不是唯一的前端輸出。
---
## 4. 中觀層：事件簇、路線與子領域動態
中觀層是整個平台最重要、也最容易被忽略的一層。
它不是單一事件，也不是整體領域，而是由多個相互關聯的微觀事件形成的結構單元，例如：
- 一場持續數週的研究爭議；
- 一個開源生態系逐漸採用相同協定；
- 某類模型共同出現相似能力；
- 一項政策從草案、諮詢、修正到通過的完整事件鏈；
- 一個子領域的論文數、機構參與與術語使用同步增加；
- 某技術路線由數個孤立實驗逐漸形成可辨識社群。
令 $C_j(t)$ 表示一個中觀事件簇：
$$
C_j(t)
=
\operatorname{Cluster}
\left(
E_{\mu,d}[t-\tau,t]
\right)
$$
其中聚合不能只依語意相似度，還應同時考慮：
- 實體重疊；
- 時間鄰近；
- 因果或引用關係；
- 共同來源；
- 相同制度或技術路線；
- 互相支持、反駁、取代或延伸的關係。
因此，中觀聚合函數可寫為：
$$
C_j
=
\mathcal{A}_{\mu\rightarrow m}
\left(
E_{\mu},
R,
T,
D
\right)
$$
其中：
- $R$ ：事件與實體關係；
- $T$ ：時間結構；
- $D$ ：領域本體與分類規則。
早期 Topic Detection and Tracking 研究已把新聞流中的主題追蹤、連結偵測、新主題偵測與故事切分視為不同任務，證明「從連續資訊流中辨識事件與主題結構」並不是單純關鍵詞搜尋。[2] 後續的事件階層研究亦指出，新聞敘事中的事件具有不同時空粒度，較粗粒度事件常包含多個子事件，因此事件之間需要 superevent–subevent 關係，而非只有平面標籤。[3]
這正對應中觀層的必要性：中觀不是把微觀事件簡單加總，而是辨識哪些微觀事件共同構成一個更高階事件、階段、路線或爭議。
---
## 5. 宏觀層：結構性變化與長時間方向
宏觀差分不是「最熱門的事件」，而是整個觀測領域的結構發生了什麼改變。
可將宏觀狀態表示為：
$$
M_d(t)
=
(
\mathcal{C}_d(t),
\mathcal{R}_d(t),
\mathcal{W}_d(t),
\mathcal{P}_d(t)
)
$$
其中：
- $\mathcal{C}_d(t)$ ：主要中觀群集與子領域；
- $\mathcal{R}_d(t)$ ：群集之間的關係；
- $\mathcal{W}_d(t)$ ：注意力、資源與影響權重；
- $\mathcal{P}_d(t)$ ：制度、方法與主導範式。
宏觀差分為：
$$
\Delta M_d(t)
=
M_d(t)-M_d(t-\tau_M)
$$
其中 $\tau_M$ 通常大於微觀層的時間窗口。一天之內很少能可靠判斷學科範式已經改變；宏觀判斷可能需要數週、數月甚至數年。
宏觀變化的例子包括：
- 研究重心由模型擴張轉向推理效率與 Agent 系統；
- 軟體開發由單一應用轉向 AI 原生工作流；
- AI 治理由抽象倫理原則轉向權限、稽核與責任分配；
- 某個學科從零散案例累積到建立共同資料集與標準；
- 多個產業同步採用同一基礎設施，形成平台級轉向。
網路科學中的多尺度與多層網路研究提供了一個重要啟示：同一組節點可能在不同解析度、時間層或關係層下呈現不同社群結構，不能假設存在唯一而固定的正確分區。[4][5] 對資訊海而言，同一批事件也可能依時間尺度、領域視角與關係類型形成不同的宏觀結構。
---
## 6. 三種尺度的形式化關係
令：
- $\mu$ ：微觀尺度；
- $m$ ：中觀尺度；
- $M$ ：宏觀尺度。
向上聚合可表示為：
$$
\mathcal{A}_{\mu\rightarrow m}:
E_{\mu}\rightarrow C_m
$$
$$
\mathcal{A}_{m\rightarrow M}:
C_m\rightarrow S_M
$$
其中 $S_M$ 表示宏觀結構或敘事。
完整向上路徑為：
$$
E_{\mu}
\xrightarrow{\mathcal{A}_{\mu\rightarrow m}}
C_m
\xrightarrow{\mathcal{A}_{m\rightarrow M}}
S_M
$$
然而，若只有向上聚合，系統將產生不可驗證的宏觀敘事。因此還必須保存向下追溯算子：
$$
\mathcal{T}_{M\rightarrow m}:
S_M\rightarrow\{C_{m,1},\ldots,C_{m,k}\}
$$
$$
\mathcal{T}_{m\rightarrow\mu}:
C_m\rightarrow\{e_{\mu,1},\ldots,e_{\mu,n}\}
$$
理想情況下，任何宏觀判斷都應滿足可追溯性：
$$
S_M
\xrightarrow{\mathcal{T}_{M\rightarrow m}}
C_m
\xrightarrow{\mathcal{T}_{m\rightarrow\mu}}
E_{\mu}
\xrightarrow{\text{provenance}}
\text{原始來源}
$$
這不是要求宏觀敘事可以完全由機械加總推出，而是要求其證據鏈可被檢查、挑戰與重新計算。
---
## 7. 重要性是尺度相依函數
同一事件在不同尺度下的重要性可以完全不同。
令事件 $e$ 在領域 $d$ 、尺度 $\ell$ 、時間 $t$ 下的重要性為：
$$
I(e\mid d,\ell,t)
$$
則通常存在：
$$
I(e\mid d,\mu,t)
\neq
I(e\mid d,m,t)
\neq
I(e\mid d,M,t)
$$
例如，一個小型函式庫出現破壞性版本變更：
- 對該函式庫使用者而言，可能是最高優先級；
- 對整個程式語言生態而言，只是一般微觀更新；
- 若許多核心函式庫同時轉向相同介面規範，它才可能上升為中觀或宏觀變化。
因此，「每日三則」不應只有一組。平台可以分別生成：
$$
N_{d,\mu}(t)
=
\operatorname{Top3}
\left(
\Delta K_{d,\mu}(t)
\right)
$$
$$
N_{d,m}(t)
=
\operatorname{Top3}
\left(
\Delta K_{d,m}(t)
\right)
$$
$$
N_{d,M}(t)
=
\operatorname{Top3}
\left(
\Delta K_{d,M}(t)
\right)
$$
對一般使用者，預設介面可以只展示中觀或宏觀三則；專業使用者則可以下鑽到微觀層。
這形成一個重要產品原則：
> **同一個領域不只需要一條新聞流，而需要可切換尺度的多層資訊流。**
---
## 8. 跨尺度傳播：小事件如何變成大事件？
事件不會因被放進資料庫就自動上升為趨勢。它需要跨過某些傳播條件。
令微觀事件 $e_i$ 向中觀層的傳播機率為：
$$
P_{\mu\rightarrow m}(e_i)
=
\sigma
\left(
\alpha N_i
+
\beta R_i
+
\gamma C_i
+
\delta D_i
+
\eta T_i
-
\theta
\right)
$$
其中：
- $N_i$ ：新穎性；
- $R_i$ ：來源可靠度；
- $C_i$ ：與其他事件的連結密度；
- $D_i$ ：跨來源或跨機構擴散程度；
- $T_i$ ：持續時間；
- $\theta$ ：上升門檻；
- $\sigma$ ：壓縮至機率區間的函數。
中觀事件簇向宏觀層傳播，則可能取決於：
- 是否跨越多個子領域；
- 是否改變資源分配；
- 是否形成新標準或制度；
- 是否持續超過短期熱度；
- 是否改變既有分類結構；
- 是否讓過去分散的事件得到共同解釋。
可寫為：
$$
P_{m\rightarrow M}(C_j)
=
F
\left(
\text{breadth},
\text{duration},
\text{institutionalization},
\text{structural impact},
\text{cross-domain reach}
\right)
$$
這也說明為什麼宏觀判斷通常具有時間延遲：
$$
\tau_{\mu}<\tau_m<\tau_M
$$
過早宣稱宏觀轉折，容易把瞬時熱點當成結構變化；過晚聚合，則可能失去早期訊號價值。
---
## 9. 尺度失真：聚合不只是壓縮，也可能改變結論
從微觀到宏觀的聚合並非中性操作。它可能造成：
1. **稀釋：** 關鍵小群體訊號被平均值抹除；
2. **放大：** 大量重複報導被誤認為大量獨立事件；
3. **反轉：** 分組內趨勢與整體聚合趨勢方向不同；
4. **時間混合：** 不同階段事件被壓成同一敘事；
5. **因果錯置：** 先後發生被誤寫為因果關係；
6. **代表性偏差：** 網路上可見度高的群體被當成整個領域。
令聚合前的事件集合為 $E$ ，聚合結果為 $C$ ：
$$
C=\mathcal{A}(E)
$$
聚合失真可以概念化為：
$$
D_{\mathcal{A}}
=
\operatorname{Dist}
\left(
\Phi(E),
\Psi(C)
\right)
$$
其中 $\Phi$ 表示微觀層的重要結構， $\Psi$ 表示中觀或宏觀敘事所保留的結構。若 $D_{\mathcal{A}}$ 過高，則該聚合不應直接發布為趨勢判斷。
這要求系統至少保留以下反失真機制：
- 來源去重，而不是文章數直接計票；
- 區分獨立證據與轉載；
- 同時呈現總量與子群體分布；
- 保存反例與少數異議；
- 在宏觀摘要中標示信心水平；
- 允許使用者下鑽檢查事件簇；
- 對不同時間窗口重算結論。
換句話說：
> **尺度上升不只是摘要，而是一次可能改變知識結論的模型運算。**
---
## 10. 多尺度同時也是多維尺度
微、中、宏不應只由「事件數量」判斷。實際資訊尺度至少包含五個維度。
### 10.1 語意尺度
從單一陳述、事件，到議題、路線與範式：
$$
\text{claim}\rightarrow\text{event}\rightarrow\text{topic}\rightarrow\text{field shift}
$$
### 10.2 時間尺度
從即時更新、每日差分，到季度與多年演化：
$$
\text{minute}\rightarrow\text{day}\rightarrow\text{month}\rightarrow\text{year}
$$
### 10.3 組織尺度
從個人、團隊、機構，到產業與跨國制度：
$$
\text{individual}\rightarrow\text{lab}\rightarrow\text{institution}\rightarrow\text{ecosystem}
$$
### 10.4 空間尺度
從本地事件、國家政策，到區域與全球變化。
### 10.5 因果尺度
從直接觸發、事件鏈，到制度性條件與長期背景。
因此，一個完整尺度向量可以表示為：
$$
\boldsymbol{\ell}
=
(
\ell_s,
\ell_t,
\ell_o,
\ell_g,
\ell_c
)
$$
分別對應語意、時間、組織、地理與因果尺度。
這比單一 `micro/meso/macro` 標籤更接近真實資訊系統。某事件可能在語意上很微觀，卻在地理上全球擴散；也可能在時間上持續多年，但只存在於極小型專業社群。
---
## 11. 階層、網路與多層視圖
多尺度結構不能只用一棵樹表示。
樹狀分類假設每個節點只有一個父節點：
$$
\operatorname{parent}(v)=1
$$
但真實事件可能同時屬於多個上位結構。例如一則 AI 模型授權變更，可能同時進入：
- 開源治理；
- AI 內容授權；
- 商業模式；
- 模型安全；
- 法律責任。
因此，更合理的資料模型是多層事件圖：
$$
\mathcal{G}(t)
=
(V,E,L)
$$
其中：
- $V$ ：事件、實體、來源與概念節點；
- $E$ ：引用、支持、反駁、包含、演化、因果與時間關係；
- $L$ ：不同領域、尺度、語言或時間層。
多層網路研究指出，同一實體可在多個關係層中具有不同連結結構，而跨層耦合本身也是系統的重要組成。[5] 對領域資訊平台而言，母站與子站不是彼此隔離的內容庫，而是同一事件圖的不同視圖。
事件中心時序知識圖譜研究也顯示，事件、實體、時間關係與多語資訊可以被置於共同表示中，以支援歷史與當代事件的結構化查詢及時間線生成。[6][7]
因此，微、中、宏最好理解為：
> **同一張時序多層事件圖上的不同解析度與觀測投影。**
---
## 12. 多尺度領域觀測介面
對人類使用者而言，平台不必直接暴露全部數學結構，而可以提供四種簡單入口。
### 12.1 今日微觀更新
適合專業使用者，展示新論文、版本、資料集、判決與文件修訂。
### 12.2 本週中觀趨勢
展示哪些事件簇正在形成、哪些爭議升溫、哪些技術路線獲得更多獨立支持。
### 12.3 本月或本季宏觀變化
展示領域資源、制度、方法與注意力結構的轉移。
### 12.4 任意節點向下追溯
使用者點擊一項宏觀判斷後，可以看到：
$$
\text{宏觀敘事}
\rightarrow
\text{中觀事件簇}
\rightarrow
\text{微觀事件}
\rightarrow
\text{原始來源}
$$
這種介面能同時服務兩種看似衝突的需求：
- 一般使用者只想快速理解大方向；
- 專業使用者需要檢查證據、異議與細節。
---
## 13. AGIRight 的多尺度示例
以 AGIRight 為例，假設一天出現以下內容：
1. 某研究團隊發布 AI 意識評估論文；
2. 某公司修改 Agent 使用政策；
3. 某法院討論 AI 生成內容的權利歸屬；
4. 某開源協定增加內容授權欄位；
5. 多家機構開始使用「Agent accountability」一詞。
在微觀層，它們是五個獨立事件。
在中觀層，可能形成三個事件簇：
- AI 意識與道德地位；
- Agent 責任與治理；
- AI 內容授權與權利歸屬。
若長時間觀測發現法律、產品政策與技術協定都逐漸由「模型是否有權利」轉向「Agent 如何取得權限、承擔責任並留下稽核紀錄」，則宏觀層可以提出：
> AI 權利與治理討論正從抽象人格問題，部分轉向可操作的權限、責任與證據結構。
但這個宏觀敘事不能只由一句 AI 摘要構成。它必須附帶：
- 涉及哪些中觀事件簇；
- 每個事件簇包含哪些來源；
- 是否存在反向證據；
- 判斷使用何種時間窗口；
- 信心水平為何；
- 何種新證據會推翻此判斷。
如此，AGIRight Topics 才會從多語新聞入口進一步成為可追溯的 AI 權利領域觀測站。
---
## 14. 多尺度排序模型
每個尺度需要不同的排序函數。
### 微觀排序
重視即時性、來源可靠度、實務影響與新穎性：
$$
S_{\mu}(e)
=
\alpha_1N
+
\alpha_2R
+
\alpha_3U
+
\alpha_4V
$$
其中：
- $N$ ：新穎性；
- $R$ ：來源可靠度；
- $U$ ：直接實用性；
- $V$ ：可驗證性。
### 中觀排序
重視事件數、獨立來源、關聯密度、持續性與社群擴散：
$$
S_m(C)
=
\beta_1D
+
\beta_2P
+
\beta_3L
+
\beta_4B
$$
其中：
- $D$ ：獨立證據密度；
- $P$ ：時間持續性；
- $L$ ：事件內部關聯強度；
- $B$ ：跨機構或跨來源廣度。
### 宏觀排序
重視結構改變、制度化、跨領域影響與歷史不可替代性：
$$
S_M(S)
=
\gamma_1H
+
\gamma_2I
+
\gamma_3X
+
\gamma_4Q
$$
其中：
- $H$ ：結構改變程度；
- $I$ ：制度化程度；
- $X$ ：跨領域影響；
- $Q$ ：對既有分類或敘事的改寫程度。
因此不能拿微觀層的熱門度，直接當作宏觀層的歷史重要性。
---
## 15. AI 在多尺度系統中的角色
當代 AI 已能承擔多尺度流程中的一部分：
- 微觀事件抽取；
- 同事件去重；
- 實體對齊；
- 事件簇建立；
- 摘要與多語轉譯；
- 來源與主張對照；
- 產生候選中觀趨勢；
- 為宏觀判斷整理支持與反對證據。
近期新聞流研究已利用時間趨勢與生成式摘要來改善關鍵事件聚類，顯示大型語言模型可以參與事件簇的語意表示，但仍需結構化的時間與聚類框架，而非只依一次提示產生結論。[8]
現階段較穩健的分工應是：
$$
\text{AI 產生候選聚合與證據鏈}
+
\text{規則檢查尺度條件}
+
\text{人類抽查高影響宏觀判斷}
$$
隨著長期記憶、Graph Runtime 與多 Agent 審查成熟，AI 可以逐步承擔更多中觀與宏觀維護工作；但越接近宏觀敘事，越需要保存不確定性、異議與可撤回性。
---
## 16. 八項多尺度設計原則
### 原則一：尺度必須顯式化
每一項輸出都應標示其觀測尺度與時間窗口。
### 原則二：同一事件可以具有多重尺度角色
不強迫事件只屬於單一尺度。
### 原則三：向上聚合必須保留向下追溯
沒有證據鏈的宏觀摘要只能視為候選敘事。
### 原則四：不同尺度使用不同重要性函數
熱門度不能取代結構重要性。
### 原則五：中觀層不可省略
微觀事件不應直接跳成宏觀結論。
### 原則六：時間窗口必須與尺度匹配
微觀可按小時或每日更新；宏觀需要更長觀測期。
### 原則七：保存異議與少數訊號
聚合不能消滅反例與新興小群體。
### 原則八：尺度結論必須可重算
當分類、來源或時間窗口改變時，系統應能重新生成中觀與宏觀結果。
---
## 17. 可檢驗命題
本文提出以下可於後續系統中驗證的命題。
### 命題一：尺度分流能降低資訊過載
相較單一新聞流，微觀／中觀／宏觀分流應能提高使用者找到相關資訊的效率。
### 命題二：中觀事件簇能提高趨勢辨識品質
直接由單一事件生成宏觀摘要，其錯誤率應高於先建立中觀事件簇再生成宏觀摘要。
### 命題三：尺度相依排序優於單一全域排序
針對不同尺度使用獨立重要性函數，應比共用一套熱門度排序更符合專業使用者判斷。
### 命題四：向下追溯提高宏觀敘事可信度
可檢視事件簇與原始來源的宏觀摘要，應比不可追溯摘要獲得更高信任與更低爭議處理成本。
### 命題五：多時間窗口能區分熱點與轉折
同時比較短、中、長時間窗口，應能降低把短期爆量誤判為結構轉折的機率。
---
## 18. 限制與未解問題
本框架仍有若干未解問題。
第一，微、中、宏的邊界不是自然常數，而需要依領域與任務校正。
第二，事件聚合可能受到來源偏差與語言偏差影響。某語言圈的大量討論，不必然代表全球趨勢。
第三，中觀群集可能彼此重疊，不能假定每個事件只屬於一個事件簇。
第四，宏觀敘事具有不可避免的解釋性。即使證據鏈完整，不同觀測者仍可能提出不同的結構描述。
第五，時間延遲與早期偵測存在權衡。過度保守會錯失訊號，過度積極則容易製造假趨勢。
第六，多尺度處理會提高儲存、計算與治理成本，因此 MVP 不必一次實作全部維度。
這些限制並不否定多尺度架構，而是說明系統必須允許多視角、重算與不確定性，而不能宣稱自己產生唯一正確的宏觀歷史。
---
## 19. 與下一篇的銜接
一旦領域資訊被區分為微觀事件、中觀事件簇與宏觀結構，下一個問題便是：使用者應從哪裡進入這些尺度？
單一網站可以提供全域篩選，但當領域數量持續增加，使用者通常只關注其中極窄的一部分。不同領域也需要不同來源、分類、本體、重要性函數與更新頻率。因此，多尺度資訊結構將自然導向母站、子站與領域觀測站的分散式入口架構。
下一篇將討論：
$$
\text{共同資訊底座}
+
\text{獨立領域觀測介面}
+
\text{跨站事件共享}
$$
如何構成網路資訊海的母子網站系統。
---
## 20. 結論
本文將領域資訊差分由單一新聞列表擴展為微觀、中觀與宏觀的多尺度結構。
其核心不是把內容依大小分成三類，而是承認：
$$
\boxed{
\text{同一事件在不同觀測邊界、時間窗口與使用目的下，具有不同尺度身分}
}
$$
微觀層保存最小事件與原始證據；中觀層辨識事件簇、爭議、路線與子領域動態；宏觀層描述跨時間、跨機構與跨子領域的結構性變化。三者之間必須同時存在向上聚合與向下追溯：
$$
\text{微觀證據}
\rightleftarrows
\text{中觀事件簇}
\rightleftarrows
\text{宏觀敘事}
$$
這種多尺度架構能讓「每日三則」由單一輸出形式轉化為可切換的注意力介面：專業使用者可以追蹤微觀更新，領域參與者可以理解中觀趨勢，一般使用者則可以閱讀宏觀變化；所有層次仍共享同一套可追溯的事件與來源基礎。
因此，網路資訊海的秩序化不是把所有內容壓進一個總分類，而是讓同一資訊海能在不同尺度下被重新觀測、聚合、解釋與驗證。這將是母站—子站架構、領域歷史記憶與長期自主 AI 整理系統得以成立的結構前提。
---
## 參考資料
[1] W3C. *PROV-O: The PROV Ontology*. W3C Recommendation, 2013.
[2] Fiscus, J. G., & Doddington, G. R. *Topic Detection and Tracking Evaluation Overview*. NIST, 2002.
[3] Glavaš, G., Šnajder, J., Moens, M.-F., & Kordjamshidi, P. *HiEve: A Corpus for Extracting Event Hierarchies from News Stories*. LREC, 2014.
[4] Mucha, P. J., Richardson, T., Macon, K., Porter, M. A., & Onnela, J.-P. *Community Structure in Time-Dependent, Multiscale, and Multiplex Networks*. Science, 328(5980), 876–878, 2010.
[5] Kivelä, M., Arenas, A., Barthelemy, M., Gleeson, J. P., Moreno, Y., & Porter, M. A. *Multilayer Networks*. Journal of Complex Networks, 2(3), 203–271, 2014.
[6] Gottschalk, S., & Demidova, E. *EventKG: A Multilingual Event-Centric Temporal Knowledge Graph*. ESWC, 2018.
[7] Gottschalk, S., & Demidova, E. *EventKG+TL: Creating Cross-Lingual Timelines from an Event-Centric Knowledge Graph*. ESWC Satellite Events, 2018.
[8] Nakshatri, N., Liu, S., Chen, S., Roth, D., Goldwasser, D., & Hopkins, D. *Using LLM for Improving Key Event Discovery: Temporal-Guided News Stream Clustering with Event Summaries*. Findings of EMNLP, 2023.
---
## 文件資訊
- **系列：** 網路資訊海動態秩序化
- **文件編號：** EML-IIODO-TH-02
- **版本：** 0.1.0
- **狀態：** 公開初稿
- **作者：** Neo.K
- **組織：** EveMissLab
- **完成日期：** 2026-07-31
- **下一篇：** EML-IIODO-TH-03｜母站、子站與領域觀測站：網路資訊海的分散式入口架構