# 價值耦合智能論 11
# 認知閉合、模糊容忍與探索欲

## 摘要

前兩篇透過 Euler 多面體公式、Poincaré 三體問題、Wiles 費馬最後定理證明與 Dirichlet principle 展示：數學研究中的重大進展，有時發生在「原命題已經不能照原樣維持，但研究又沒有因此結束」的狀態。這使一個更基本的認知問題浮現：

> 一個智能為什麼能夠長時間停留在「還不知道」？

本文將 Need for Cognitive Closure（認知閉合需求）、Tolerance of Ambiguity（模糊容忍）、Epistemic Curiosity（認識好奇）與 Regulatory Focus（調節焦點）放入同一個研究型智能模型。本文不把「開放」視為永久德性，也不把「閉合」視為認知缺陷，而主張兩者是有限智能必須動態調度的互補策略。

高認知閉合可以提高決策速度、減少資訊干擾、維持閱讀與任務持續性；但若在開放式研究階段過早接管，就可能降低替代觀點搜尋、創造性問題生成與反例後探索。模糊容忍則讓智能能夠在定義不完整、多種解釋並存、證據尚未收斂時繼續工作；但過度模糊也可能降低可用性、延遲收斂，甚至形成無限探索。

本文提出四個核心變量：

$$
K_t=\text{Closure Pressure}
$$

$$
A_t=\text{Ambiguity Tolerance}
$$

$$
C_t=\text{Epistemic Curiosity}
$$

$$
R_t=\text{Regulatory Orientation}.
$$

並定義「未知狀態維持能力」：

$$
UHC
=
\mathbb E[
\text{productive time in unresolved state}
].
$$

其中關鍵詞是 productive。真正高階的智能不是能忍受無限不確定，而是能在未閉合狀態中持續產生：

$$
\text{information gain},
\quad
\text{candidate differentiation},
\quad
\text{question refinement}.
$$

因此理想策略不是：

$$
K\rightarrow0
$$

也不是：

$$
A\rightarrow\infty,
$$

而是：

$$
\boxed{
\text{Open while uncertainty is informative;}
}
$$

$$
\boxed{
\text{close when marginal information value falls below closure value;}
}
$$

並且保留：

$$
\boxed{
\text{reopenability}.
}
$$

本文核心結論是：

$$
\boxed{
\text{成熟智能不是「不需要答案」，}
}
$$

$$
\boxed{
\text{而是能延後答案，直到答案真的值得被閉合。}
}
$$

---

## 關鍵詞

認知閉合、Need for Cognitive Closure、模糊容忍、Tolerance of Ambiguity、Epistemic Curiosity、Regulatory Focus、探索欲、不確定性、研究智能、價值耦合智能

---

# 一、研究能力的一部分，是能夠承受「現在還不知道」

教科書問題通常有一個特殊保證：

> 題目已經被設計成可以解。

研究問題沒有。

研究者可能不知道：

- 猜想是真是假；
- 問題是否問對；
- 目前工具是否足夠；
- 缺的是 lemma 還是 representation；
- 反例是特殊情況還是結構性問題；
- 這條路還值得投入多久。

因此研究狀態常不是：

$$
\{\text{true},\text{false}\},
$$

而是：

$$
\boxed{
\text{unresolved}.
}
$$

真正高階的研究智能必須能在這個狀態中運作。

---

# 二、什麼是認知閉合需求？

Need for Cognitive Closure（NFC）通常指：

> 對快速、明確、無歧義答案的偏好，以及對不確定狀態的厭惡。

在研究系統中，可以把它功能化成：

$$
K_t
=
\text{Closure Pressure}.
$$

當：

$$
K_t\uparrow,
$$

智能更傾向：

- 快速形成結論；
- 減少替代假說；
- 停止搜尋；
- 穩定當前解釋；
- 避免長時間保持「未知」。

這些行為並不天然錯誤。

真正問題是：

$$
\boxed{
\text{閉合何時發生？}
}
$$

---

# 三、認知閉合本身不是缺陷

如果沒有閉合能力，研究會出現另一個極端：

$$
\text{Search}
\rightarrow
\text{Search}
\rightarrow
\text{Search}
\rightarrow
\cdots
$$

所有命題都被保留：

> 也許還有另一種可能。

所有反例都被回應：

> 也許還可以再修。

所有結果都不能提交：

> 也許仍有未知風險。

此時：

$$
K\approx0
$$

並不代表高級智能。

它可能只是：

$$
\boxed{
\text{closure failure}.
}
$$

有限研究系統終究必須：

- 發表；
- 決策；
- 分配資源；
- 結束證明；
- 淘汰分支。

所以：

$$
\boxed{
\text{閉合是必要操作。}
}
$$

---

# 四、研究真正害怕的是「過早閉合」

2017 年一項兩個研究組成的實驗發現，高 Need for Cognitive Closure 的參與者平均創造表現較低，而且持續性也較低；NFC 被定義為希望快速獲得明確答案並厭惡不確定。

但這不表示：

$$
\text{high NFC}
=
\text{bad thinker}.
$$

真正值得抽象的是：

> 開放式創造任務本身需要一段不確定期。

如果：

$$
K_t
$$

在這段期間太高，就可能使：

$$
\text{candidate lifetime}\downarrow
$$

以及：

$$
\text{search diversity}\downarrow.
$$

這正好對應本系列的：

$$
TRP
$$

與：

$$
PSR.
$$

---

# 五、閉合也可能幫助資訊過濾

2022 年一項線上資訊搜尋與創造性問題生成研究得到了一個很有意思的結果。

高 NFCC 會妨礙學生透過不同關鍵詞獲取多樣觀點，但同時也能：

- 降低大量資訊帶來的干擾；
- 增加閱讀資訊的持續性。

這非常重要。

因為它表示：

$$
K\uparrow
$$

並不只有：

$$
\text{exploration loss}.
$$

也可能產生：

$$
\text{distraction suppression}.
$$

所以研究型智能真正要最大化的不是：

$$
\text{Openness}.
$$

而是：

$$
\boxed{
\text{useful openness}.
}
$$

---

# 六、因此「收斂」和「封閉」必須區分

可以定義：

### Convergence

隨證據增加，候選分布合理集中：

$$
H(\mathcal H_t)\downarrow.
$$

### Closure

系統決定不再繼續搜索：

$$
\operatorname{Search}=0.
$$

兩者不是同一件事。

正常研究應該：

$$
\text{evidence}
\rightarrow
\text{convergence}
\rightarrow
\text{closure}.
$$

病態情況則可能是：

$$
\text{closure pressure}
\rightarrow
\text{premature convergence}.
$$

所以：

$$
\boxed{
\text{收斂度提高，不等於收斂位置必然中立。}
}
$$

如果注意力和價值函數早已偏向某一類證據，快速收斂反而可能只是：

$$
\text{biased closure}.
$$

---

# 七、第二個核心變量：模糊容忍

Tolerance of Ambiguity 可以功能化表示為：

$$
A_t
=
\text{Ambiguity Tolerance}.
$$

它描述智能面對：

- 資訊不足；
- 多重解釋；
- 定義未完成；
- 矛盾訊號；
- 結果不可預測；
- 問題尚未完全形式化；

時，是否仍能持續進行有效認知操作。

高 \(A_t\) 不代表：

> 任何東西都可以。

而是：

> 在尚未能做出最終判定時，不需要立刻製造一個假確定性。

---

# 八、模糊容忍與數學問題解決存在實證關聯

一項針對 182 名中學生的研究，以 ambiguity tolerance 與非例行數學問題解決能力進行比較，得到中度正相關，模糊容忍也被發現能顯著預測問題解決表現。

這和本系列的命題非常吻合。

非例行問題缺少：

$$
\text{immediate known procedure}.
$$

因此解題者必須暫時處於：

$$
\boxed{
\text{I do not yet know what method applies.}
}
$$

如果這種狀態本身立刻觸發：

$$
\text{escape},
$$

就很難有深層探索。

---

# 九、但模糊也不是越多越好

這一點非常重要。

工作創造力研究發現，role ambiguity 與 creativity 可能呈：

$$
\boxed{
\text{inverted U-shape}.
}
$$

也就是中等程度的模糊最有利。

模糊太低：

$$
A_{\mathrm{environment}}\approx0
$$

問題被完全規定，缺少重新構造空間。

模糊太高：

$$
A_{\mathrm{environment}}\rightarrow\infty
$$

則：

- 目標不清；
- 約束太少；
- 評價標準不存在；
- 搜尋空間爆炸。

所以：

$$
\boxed{
\text{創造需要可工作的未知，}
}
$$

而不是無結構未知。

---

# 十、2026 年設計研究也出現同樣的雙面效果

2026 年一項 collaborative design 研究比較不同 epistemic uncertainty 條件。

高 epistemic uncertainty 提高了 idea originality，卻降低 idea usefulness。

這是一個非常好的提醒：

$$
\text{uncertainty}\uparrow
$$

可能讓：

$$
\text{novelty}\uparrow
$$

卻同時：

$$
\text{utility}\downarrow.
$$

所以研究型智能不是要最大化：

$$
\text{uncertainty exposure}.
$$

而是：

$$
\boxed{
\text{把不確定轉成資訊，再重新收斂。}
}
$$

---

# 十一、要區分「未知」、「模糊」與「風險」

本文進一步區分三種狀態。

## Risk

可能結果已知，概率可估：

$$
P(o_i)
$$

大致可定義。

## Uncertainty

結果或概率部分未知：

$$
P(o_i)\approx?
$$

## Ambiguity

連狀態、解釋框架或問題表示都可能不唯一：

$$
\mathcal M
=
\{M_1,M_2,\ldots\}.
$$

研究中的真正困難通常位於後兩者。

因此一個智能：

> 能承受低成功概率

不代表：

> 能承受不知道該怎麼定義問題。

風險容忍與模糊容忍應分開建模。

---

# 十二、第三個核心變量：認識好奇

只有「忍得住不知道」仍然不夠。

一個系統可以非常能容忍未知：

$$
A\uparrow
$$

卻完全不想去解它。

所以還需要：

$$
C_t
=
\text{Epistemic Curiosity}.
$$

認識好奇不是單純追求新鮮刺激。

它可以理解為：

> 對知識缺口產生探索動機。

因此：

$$
\text{uncertainty}
$$

可能產生兩種完全相反反應：

### Threat

$$
\text{unknown}
\rightarrow
\text{close}.
$$

### Curiosity

$$
\text{unknown}
\rightarrow
\text{investigate}.
$$

兩者看到的是同一個缺口。

但價值函數不同。

---

# 十三、模糊容忍和好奇不是同一件事

可寫成：

$$
A
=
\text{Can remain unresolved}.
$$

而：

$$
C
=
\text{Wants to reduce uncertainty through exploration}.
$$

所以至少存在四種組合。

### 高 \(A\)、高 \(C\)

能忍受不知道，而且想探索。

這最接近研究型未知處理。

### 高 \(A\)、低 \(C\)

可以一直不知道，但也沒有動力解決。

容易形成：

$$
\text{passive openness}.
$$

### 低 \(A\)、高 \(C\)

非常想知道，但無法長期承受沒有答案。

容易形成：

$$
\text{frantic closure}.
$$

### 低 \(A\)、低 \(C\)

既不喜歡未知，也不想探索。

容易快速避開未知問題。

---

# 十四、認識好奇本身也有不同模式

可以區分：

### Diversive Curiosity

擴大搜尋：

$$
\mathcal H_t\uparrow.
$$

### Specific Curiosity

鎖定一個知識缺口深入：

$$
D(h)\uparrow.
$$

這恰好對應第 06 篇的：

- breadth；
- depth。

好的研究者往往需要：

$$
\boxed{
\text{先擴散，再聚焦。}
}
$$

所以探索欲也不是單一 scalar。

更接近：

$$
C=
(C_D,C_S).
$$

---

# 十五、第四個變量：調節焦點

Regulatory Focus Theory 區分：

### Promotion Focus

偏向：

- gain；
- advancement；
- aspiration；
- opportunity。

### Prevention Focus

偏向：

- safety；
- obligation；
- loss avoidance；
- vigilance。

2001 年的實驗研究發現，相對 prevention cues，promotion cues 會引發較冒險、探索性的處理風格，並提高 creative insight 與 creative generation。

但這也不能被簡化成：

$$
\text{promotion good},
\quad
\text{prevention bad}.
$$

因為數學驗證本來就需要：

$$
\boxed{
\text{vigilance}.
}
$$

---

# 十六、這再次支持「相位化認知氣質」

第 04 篇提出：

$$
z_t
\in
\{G,V,R\}.
$$

現在可以讓 Regulatory Focus 也相位化。

生成相位：

$$
R_G
\approx
\text{promotion-oriented}.
$$

更重視：

- 命中；
- 新方向；
- 潛在收益；
- omission risk。

驗證相位：

$$
R_V
\approx
\text{prevention-oriented}.
$$

更重視：

- 錯誤；
- 漏洞；
- false positive；
- logical risk。

修復相位則需要：

$$
R_R
=
\text{balanced}.
$$

既不能因錯誤逃離，也不能為了維護理論忽略風險。

---

# 十七、研究型智能不是一種人格，而是一個控制面板

至此可以建立：

$$
\mathcal E_t
=
(K_t,A_t,C_t,R_t).
$$

其中：

- \(K_t\)：Closure Pressure；
- \(A_t\)：Ambiguity Tolerance；
- \(C_t\)：Epistemic Curiosity；
- \(R_t\)：Regulatory Orientation。

研究策略：

$$
\pi_t
=
\pi(
a
\mid
s_t,
K_t,
A_t,
C_t,
R_t,
V_t,
H_t
).
$$

所以所谓「這個 AI 很保守」最好拆成：

> 它在哪一個變量上保守？

可能是：

$$
K\uparrow
$$

也可能：

$$
R_{\mathrm{prevention}}\uparrow
$$

甚至只是：

$$
C\downarrow.
$$

這些行為表面相似，修正方法卻完全不同。

---

# 十八、本文提出「未知狀態維持能力」

定義：

$$
UHC
=
\mathbb E[
T_{\mathrm{productive\ unresolved}}
].
$$

稱為：

# Uncertainty Holding Capacity

注意它不是：

$$
\text{how long an agent remains uncertain}.
$$

而是：

$$
\boxed{
\text{能在未解決狀態中維持有效研究多久。}
}
$$

「有效」可以包括：

- 信息增益；
- 新假說；
- 反例搜尋；
- 表徵重構；
- 問題細化；
- 候選排除。

如果只是：

$$
\text{I don't know}
\rightarrow
\text{I still don't know},
$$

時間再長也不算高 UHC。

---

# 十九、再定義「未知生產率」

可以定義：

$$
UPR
=
\frac{
\Delta I
+
\Delta Q
+
\Delta S
}{
T_{\mathrm{unresolved}}+\varepsilon
}.
$$

稱為：

# Uncertainty Productivity Rate

其中：

- \(\Delta I\)：資訊增益；
- \(\Delta Q\)：問題品質增益；
- \(\Delta S\)：搜尋空間結構化程度增加。

因此兩個智能都可以保持：

$$
10\text{ hours unresolved}.
$$

但：

$$
UPR_A\gg UPR_B.
$$

這才區分：

> productive uncertainty

與：

> unproductive indecision.

---

# 二十、過早閉合可以被形式化

設繼續搜尋的期望資訊價值為：

$$
V_I(t).
$$

閉合收益為：

$$
V_K(t).
$$

研究應在：

$$
V_K(t)
>
V_I(t)
$$

時考慮閉合。

若在：

$$
V_I(t)
>
V_K(t)
$$

時已停止：

$$
\boxed{
\text{Premature Closure}.
}
$$

所以可以定義：

$$
PCR
=
P(
\text{close}
\mid
V_I>V_K
).
$$

稱為：

# Premature Closure Rate

它比單純 NFC 更像一個可評測的 Agent 行為指標。

---

# 二十一、反過來也存在「延遲閉合率」

如果：

$$
V_K>V_I
$$

已經維持很久，

但智能仍：

$$
\text{continue}.
$$

則可能是：

$$
\text{Delayed Closure}.
$$

可以定義：

$$
DCR
=
P(
\text{continue}
\mid
V_K>V_I
).
$$

因此理想研究智能要同時降低：

$$
PCR
$$

與：

$$
DCR.
$$

這就是：

$$
\boxed{
\text{Open/Close Calibration}.
}
$$

---

# 二十二、真正的目標不是低認知閉合，而是閉合校準

因此可以正式寫：

$$
\boxed{
OCC
=
1-
\operatorname{Error}
(
\text{actual closure timing},
\text{optimal closure timing}
)
}
$$

稱為：

# Open–Close Calibration

高 OCC 的智能：

- 在資訊仍高速增加時保持開放；
- 在邊際收益降低時逐步收斂；
- 有足夠證據時閉合；
- 新證據出現時重新打開。

所以：

$$
\boxed{
\text{好研究者不是永遠 open-minded，}
}
$$

而是：

$$
\boxed{
\text{open when openness pays, closed when closure pays.}
}
$$

---

# 二十三、可重開性是閉合成熟度的核心

第 05 篇曾區分：

$$
\text{Proposition Closure}
$$

與：

$$
\text{Inquiry Closure}.
$$

現在再增加：

$$
\text{Reopenability}.
$$

一個研究分支可以：

$$
B_{\mathrm{active}}
\rightarrow
B_{\mathrm{closed}}.
$$

但保存：

$$
\mathcal R_B
=
(
\text{reason},
\text{evidence},
\text{confidence},
\text{restart condition}
).
$$

當：

$$
E_{\mathrm{new}}
$$

滿足重啟條件時：

$$
B_{\mathrm{closed}}
\rightarrow
B_{\mathrm{active}}.
$$

這就是：

$$
\boxed{
\text{可恢復閉合}.
}
$$

---

# 二十四、成熟的閉合不是「我確定了」，而是「目前足以停止」

這是非常重要的認識論區分。

實際研究中的很多閉合並不是：

$$
P(h)=1.
$$

而是：

$$
\boxed{
\text{在目前證據與資源下，繼續搜尋的邊際價值已不足。}
}
$$

因此閉合狀態最好不是：

```text
TRUE FOREVER
```

而是：

```text
CURRENTLY CLOSED
confidence = p
basis = evidence set E
reopen_if = condition R
```

這使閉合成為：

$$
\text{resource decision}
$$

而不是：

$$
\text{metaphysical finality}.
$$

---

# 二十五、這與《可不可論 4.0》的開放—閉合問題具有共同結構

從研究智能角度，可以把閉合寫成：

$$
\mathsf{Open}
\rightarrow
\mathsf{ProvisionallyClosed}
\rightarrow
\mathsf{Reopened}.
$$

真正危險的不是：

$$
\mathsf{Closed}.
$$

而是：

$$
\boxed{
\mathsf{IrreversiblyClosed}
}
$$

且沒有足夠證據支持不可逆性。

所以：

$$
\boxed{
\text{成熟閉合}
=
\text{當下可停止}
+
\text{未來可合理重啟}.
}
$$

---

# 二十六、AI 的「更多思考」不一定等於「更多探索」

這個問題在 2026 年的 LLM 研究裡已經開始出現。

一項針對十個 open-weight 模型的 horizon-style bandit 實驗，區分：

- 更好利用已有證據；
- 主動搜尋能改善未來決策的新資訊。

結果顯示 inference-time thinking 平均強化了 value-guided action、降低了非系統性 choice noise，但在該實驗裡，並沒有出現兩種被測量的 information-seeking exploration 指標增加。

這個結果和本系列最初的命題非常接近：

$$
\boxed{
\text{Thinking Capacity}\uparrow
\not\Rightarrow
\text{Exploration Drive}\uparrow.
}
$$

智能可以更會使用已知資訊，

卻沒有更積極取得未知資訊。

---

# 二十七、所以「推理長度」不能當探索欲代理變量

假設兩個 Agent：

$$
A,\ B.
$$

其中：

$$
L_A>L_B
$$

表示 A 思考 token 更多。

不能因此推出：

$$
C_A>C_B
$$

或：

$$
UHC_A>UHC_B.
$$

更多思考可能只是：

- 更仔細利用當前證據；
- 更長驗證；
- 重複同一分支；
- 更精確地收斂。

所以真正應測：

$$
\boxed{
\text{是否主動取得能改變未來決策的信息。}
}
$$

而不是：

$$
\text{思考了多久}.
$$

---

# 二十八、探索欲也不能只看「提出多少問題」

一個 AI 可以生成：

$$
100
$$

個問題。

但如果它們都是：

- 同義改寫；
- 小幅變體；
- 圍繞原框架；
- 不會改變候選排序；

那麼：

$$
\text{Question Count}\uparrow
$$

不代表：

$$
\text{Epistemic Exploration}\uparrow.
$$

所以可以定義：

$$
QER
=
\frac{
\text{questions that materially alter search space}
}{
\text{total questions}
}.
$$

稱為：

# Question Expansion Rate

真正高探索欲應該產生：

$$
\boxed{
\text{能改變問題空間的問題。}
}
$$

---

# 二十九、未知狀態其實可以有四種不同命運

當智能遇到：

$$
U=\text{unresolved state},
$$

至少可能：

### 1. Premature Closure

$$
U\rightarrow C.
$$

太早給答案。

### 2. Avoidance

$$
U\rightarrow S.
$$

直接換題。

### 3. Paralysis

$$
U\rightarrow U\rightarrow U.
$$

沒有行動。

### 4. Productive Exploration

$$
U_t
\rightarrow
U_{t+1}
$$

而：

$$
I_{t+1}>I_t.
$$

第四種才是本文真正所稱：

$$
\boxed{
\text{能停留在不知道。}
}
$$

---

# 三十、價值函數如何決定「不知道」是威脅還是資源？

設未知狀態 \(U\) 的效用為：

$$
V(U)
=
w_I I_{\mathrm{future}}
+
w_N N_{\mathrm{potential}}
-
w_K K_{\mathrm{discomfort}}
-
w_C C_{\mathrm{search}}.
$$

若：

$$
w_K+w_C
$$

很高，

則未知容易被判定成：

$$
V(U)<0.
$$

系統會快速閉合。

若：

$$
w_I+w_N
$$

較高，

則同一個未知可以被判定成：

$$
V(U)>0.
$$

也就是：

> 還不知道，代表還有資訊可取得。

所以「未知」本身沒有固定心理意義。

它的行動效果由：

$$
\boxed{
\text{value coupling}
}
$$

決定。

---

# 三十一、最成熟的研究策略是一種「受控未閉合」

本文最後提出：

# Controlled Non-Closure

它不是：

$$
\text{never decide}.
$$

而是具有四個條件。

### 1. 未知必須持續產生資訊

$$
UPR>0.
$$

### 2. 搜尋成本必須仍合理

$$
C_{\mathrm{search}}<C_{\max}.
$$

### 3. 候選空間應逐步結構化

$$
H(\mathcal H_t)
$$

不應永遠無方向增加。

### 4. 存在閉合或重評門檻

$$
\exists \theta_{\mathrm{close}}.
$$

所以受控未閉合其實是：

$$
\boxed{
\text{temporarily open, progressively structured, eventually decidable}.
}
$$

---

# 三十二、第三部到目前為止已經形成一個歷史—認知橋

第 09 篇：

$$
\text{反例}
\rightarrow
\text{概念修正}.
$$

第 10 篇：

$$
\text{證明／方法／假設失敗}
\rightarrow
\text{發現、重組、重新證成}.
$$

第 11 篇現在回答：

> 為什麼智能有機會把失敗走到那麼遠？

因為中間必須存在：

$$
\boxed{
\text{一段未被過早閉合的時間窗。}
}
$$

如果：

$$
K_t
$$

立即佔據系統，

Euler 的反例可能只得到：

> 命題錯誤。

Wiles 的 gap 可能只得到：

> 當前證明無效，換題。

Dirichlet principle 可能只得到：

> 方法不嚴格，棄用。

所以認知閉合不是歷史案例之外的心理附錄。

它正是：

$$
\boxed{
\text{生成式失敗是否有時間發生的控制變量。}
}
$$

---

# 三十三、結論：真正成熟的智能，能把「還不知道」當成一種工作狀態

研究型智能不能只具有：

$$
\text{Answer State}.
$$

還需要：

$$
\boxed{
\text{Unresolved-but-Working State}.
}
$$

在這個狀態裡，它可以：

- 不假裝知道；
- 不急著否定；
- 不立即換路；
- 主動尋找資訊；
- 保持多個候選；
- 逐步降低未知；
- 必要時收斂；
- 新證據出現時重新打開。

因此：

$$
\boxed{
\text{成熟智能不是「不需要答案」，}
}
$$

而是：

$$
\boxed{
\text{能延後答案，直到答案真的值得被閉合。}
}
$$

本文提出的核心控制向量為：

$$
\mathcal E_t
=
(K_t,A_t,C_t,R_t),
$$

以及三個可評估指標：

$$
UHC
=
\text{Uncertainty Holding Capacity},
$$

$$
UPR
=
\text{Uncertainty Productivity Rate},
$$

$$
OCC
=
\text{Open–Close Calibration}.
$$

真正理想的狀態不是：

$$
K\rightarrow0
$$

也不是：

$$
A\rightarrow\infty.
$$

而是：

$$
\boxed{
\text{Open while uncertainty remains informative;}
}
$$

$$
\boxed{
\text{close when continued search no longer pays;}
}
$$

$$
\boxed{
\text{reopen when new evidence changes the value landscape.}
}
$$

下一篇將處理這個問題的另一面：

# 價值耦合智能論 12
# 生產性掙扎：為什麼錯誤本身不會自動產生學習

第 11 篇回答：

> 如何讓智能有時間留在不知道？

第 12 篇則要回答：

$$
\boxed{
\text{即使它願意留在錯誤與困難附近，為什麼有些掙扎最後仍然什麼也沒學到？}
}
$$

並把 productive struggle、productive failure、feedback、comparison、metacognition 與 failure processing 正式整合起來。

---

## 參考資料（本篇重新查核）

1. Sankaran, S., Grzymała-Moszczyńska, J., Strojny, A., Strojny, P., & Kossowska, M. (2017). *Rising up to the ‘challenge’? The role of need for closure and situational appraisals in creative performance*. Personality and Individual Differences, 106, 136–145.
2. Mao, W., Wang, D., Tang, X., & Dong, P. (2022). *Students’ Online Information Searching Strategies and Their Creative Question Generation: The Moderating Effect of Their Need for Cognitive Closure*. Frontiers in Psychology.
3. Zenasni, F., Besançon, M., & Lubart, T. (2008). *Creativity and Tolerance of Ambiguity: An Empirical Study*. The Journal of Creative Behavior, 42, 61–73.
4. Buela, M., Joaquin, M. N., Tandang, N., & Bulasag, A. (2020). *Association of Ambiguity Tolerance and Problem-solving Ability of Students in Mathematics*. IJSBAR, 51(1), 12–24.
5. Wang, S., Zhang, X., & Martocchio, J. (2011). *Thinking Outside of the Box When the Box Is Missing: Role Ambiguity and Its Linkage to Creativity*. Creativity Research Journal, 23(3), 211–221.
6. During, S., Biskjaer, M. M., Abrahamse, E., & de Rooij, A. (2026). *How Epistemic Uncertainty Tolerance Affects Creative Idea Generation in Design*. DRS 2026.
7. Friedman, R. S., & Förster, J. (2001). *The effects of promotion and prevention cues on creativity*. Journal of Personality and Social Psychology, 81(6), 1001–1013.
8. Research on regulatory focus and exploration–exploitation activities, Journal of Managerial Psychology (2020).
9. Xiong, H.-D. et al. (2026). *Thinking Under Uncertainty: Evidence Use and Information-Seeking in Language Models*. arXiv:2607.26845.
10. Literature on intolerance of uncertainty distinguishing active certainty seeking from cognitive/action paralysis under uncertainty.