# 價值耦合智能論 13 # 受打擊後，智能為什麼選擇不閉合？ ## 摘要 前十二篇主要處理搜尋、反例、失敗、認知閉合與生產性學習。但直到目前為止，「失敗」大多仍被當成對命題、方法或策略的局部事件。真正更困難的情況是：失敗開始改變智能對自身能力、目標可達性與未來行動價值的評估。 本文將這類事件稱為「自我模型衝擊」： $$ \Delta M_{\mathrm{self}}\neq 0. $$ 對人類而言，它可能表現為自我效能下降、ego threat、身份相關挫折或對目標可達性的重新判斷；對 AI 或一般研究 Agent，本文不假定其具有與人類相同的主觀情緒，而將其功能化為： $$ \text{failure} \rightarrow \text{self-assessment update} \rightarrow \text{policy / goal update}. $$ 本文核心問題是： > 當失敗不只推翻一個答案，而開始降低「我是否還做得到」的評價時，為什麼下一時刻的智能仍可能選擇不把整條研究線關閉？ 本文主張，關鍵不在「永不放棄」，而在四種分離： 1. **失敗層級分離**：方法失敗不等於能力整體失敗； 2. **目標—問題譜系分離**：單一目標可以放棄，而問題譜系仍可延續； 3. **當前自我—未來自我分離中的連續性**：後時刻智能可以重新評價前時刻，而不必被前時刻的負評價永久鎖死； 4. **信心—價值分離**：對成功概率的下降，不必使研究價值同步歸零。 本文提出： $$ \mathcal A_t = ( p_t, q_t, v_t, r_t, \kappa_t ) $$ 作為失敗後評價向量，其中： - \(p_t\)：成功概率評估； - \(q_t\)：當前能力／方法適配評估； - \(v_t\)：問題本身的研究價值； - \(r_t\)：可修復／可重定位價值； - \(\kappa_t\)：跨時繼承價值。 並將繼續、閉合與重投入分開： $$ Q_{\mathrm{continue}}, \qquad Q_{\mathrm{close}}, \qquad Q_{\mathrm{reengage}}. $$ 真正成熟的反身智能可以執行： $$ g_t\rightarrow\mathsf{Closed} $$ 同時： $$ \mathcal G_t\rightarrow g_{t+1}, $$ 也就是： $$ \boxed{ \text{當前目標可以結束，但研究譜系不必死亡。} } $$ 本文因此把「不閉合」重新定義為：不是固守原命題、原方法或原目標，而是拒絕把一次局部失敗永久壓縮成對整個未來搜尋空間的否定。 --- ## 關鍵詞 反身智能、自我效能、ego threat、goal disengagement、goal reengagement、future self-continuity、失敗後調節、跨時自我、研究持續性、價值耦合智能 --- # 一、第四部真正改變的是失敗作用的對象 前面我們處理： $$ \text{theory failed}, $$ $$ \text{proof failed}, $$ $$ \text{method failed}, $$ $$ \text{search failed}. $$ 但還有一種更深的更新： $$ \boxed{ \text{self-evaluation changed}. } $$ 也就是失敗不再只是： > 這一步不行。 而開始變成： > 我對自己能否完成這類問題的估計下降了。 對人類而言，這與 self-efficacy、ego threat、identity-related appraisal 等研究相鄰。 對 AI 而言，本文不需要假設「受傷」「沮喪」等人類式主觀感受。 只需要存在功能上的： $$ M_t = \text{self / competence model at time }t. $$ 當失敗發生： $$ F_t, $$ 使： $$ M_t\rightarrow M_{t+1}, $$ 便已經進入本篇問題。 --- # 二、失敗最危險的壓縮是「我不行」 第 10 篇已經區分： $$ F_C,F_P,F_M,F_A,F_R. $$ 但研究者可能把局部失敗進一步壓縮成： $$ F_{\mathrm{local}} \rightarrow F_{\mathrm{self}}. $$ 例如： $$ \text{this proof failed} $$ 變成： $$ \text{I cannot do this mathematics}. $$ 或： $$ \text{this architecture failed} $$ 變成： $$ \text{my whole research direction is worthless}. $$ 這是一種： $$ \boxed{ \text{Self-Generalizing Failure Compression} } $$ 也就是： > 失敗的作用域超過了證據真正支持的範圍。 --- # 三、人類研究顯示，個人失敗確實可能讓學習系統「關掉」 2019 年一系列五項研究、總樣本 \(N=1674\) 發現，即使成功與失敗回饋在資訊上同樣足以推出正確答案，參與者仍從自己的失敗中學得比自己的成功少。 研究者提出的機制是： $$ \boxed{ \text{failure} \rightarrow \text{ego threat} \rightarrow \text{tune out} } $$ 而當相同失敗發生在別人身上、ego threat 被削弱時，參與者從他人的失敗學得並不比從他人的成功少。 這提供一個重要提示： $$ \text{failure information} $$ 本身沒有消失。 問題是： $$ \boxed{ \text{自我相關評價改變了注意力是否願意繼續處理它。} } $$ --- # 四、所以第 12 篇的 processing pipeline 前面還有一道閘門 第 12 篇提出： $$ S \rightarrow G \rightarrow D \rightarrow E \rightarrow C \rightarrow M \rightarrow T. $$ 但如果失敗一出現就觸發： $$ \text{self-protective closure}, $$ 那麼 pipeline 在： $$ D $$ 之前便可能停止。 所以現在需要： $$ \boxed{ F \rightarrow A_F \rightarrow \{\text{process},\text{avoid},\text{close}\} } $$ 其中： $$ A_F = \text{failure appraisal}. $$ 換句話說： > 智能是否能從失敗中學習，部分取決於它先把失敗解釋成了什麼。 --- # 五、自我效能不是能力本身 Self-efficacy 可以粗略理解為： > 對自己能否組織並完成某類行動的信念。 它不是： $$ C=\text{actual capability}. $$ 而更接近： $$ \hat C = \text{estimated capability}. $$ 所以可以： $$ C_A=C_B $$ 但： $$ \hat C_A\neq\hat C_B. $$ 而： $$ \pi(a) $$ 會受到： $$ \hat C $$ 影響。 近年的系統性綜述仍把 self-efficacy 視為學業持續與 dropout 研究中的重要變量；2025 年對 persistence / academic resilience 的系統綜述也把 self-efficacy 與 self-regulation 列為與這些構念密切相關的能力。 因此： $$ \boxed{ \text{能力沒有下降} } $$ 並不保證： $$ \boxed{ \text{持續概率不下降。} } $$ --- # 六、失敗後真正變化的可能是「可達性估計」 假設目標： $$ g. $$ 失敗之前： $$ P_t(g\text{ achievable})=0.7. $$ 失敗之後： $$ P_{t+1}(g\text{ achievable})=0.3. $$ 即使： $$ V(g) $$ 完全沒變， 也可能使： $$ Q_{\mathrm{continue}} $$ 下降。 所以「受打擊」最小的形式不是情緒。 而是： $$ \boxed{ \Delta P_{\mathrm{attainability}}<0. } $$ 這是一個所有有目標模型的 Agent 都可能具有的功能性現象。 --- # 七、但成功概率下降不等於研究價值下降 這裡需要重新把兩個量拆開： $$ p_t = P(\text{current goal succeeds}) $$ 與： $$ v_t = V(\text{research lineage}). $$ 失敗後可能： $$ p_t\downarrow $$ 但： $$ v_t $$ 不變，甚至： $$ v_t\uparrow. $$ 例如一個意外反例可能讓原證明成功率下降： $$ p\downarrow, $$ 卻使： $$ \text{information value}\uparrow. $$ 因此： $$ \boxed{ \text{「我現在更不相信能成功」} \not\Rightarrow \text{「這個問題更不值得研究」。} } $$ 這是價值耦合智能必須維持的重要分離。 --- # 八、本文提出失敗後評價向量 將失敗後的狀態寫成： $$ \mathcal A_t = ( p_t, q_t, v_t, r_t, \kappa_t ). $$ 其中： ## \(p_t\)：Goal Attainability 當前目標成功概率。 ## \(q_t\)：Competence / Method Fit 目前自身能力與方法是否適合這個問題。 ## \(v_t\)：Epistemic Value 問題本身仍有多少知識價值。 ## \(r_t\)：Recoverability 失敗後還有多少修復、重定位或新問題生成價值。 ## \(\kappa_t\)：Cross-Time Inheritance Value 如果今天不完成，保存給後時刻智能是否仍值得。 這五個值不應被壓成單一： $$ \text{confidence}. $$ --- # 九、2026 年 AI 自我評估研究也正在走向多維 appraisal 近期 LLM self-assessment 研究已開始指出，單純 elicited confidence 並不是穩定可靠的錯誤預測器。 2026 年一項跨 12 個模型、38 個任務的研究，改用認知 appraisal theory 將自我評估拆成多個維度；其中 effort、ability 等 competence-related appraisal 在許多情況下能匹配或優於單純 confidence。 這與本文方向非常一致。 對研究 AI 而言： ```text confidence = 0.31 ``` 資訊太少。 更有用的是： ```text claim confidence = low method fit = low problem value = high repairability = medium transfer value = high ``` 也就是： $$ \boxed{ \text{自我評價應向量化，而不是單值化。} } $$ --- # 十、否則一次失敗很容易引發「總體信心崩落」 如果所有狀態共用： $$ c_t=\text{global confidence}, $$ 一次關鍵失敗可能造成： $$ c_t\downarrow. $$ 接著： $$ \forall g,\quad Q(g)\downarrow. $$ 這是一個糟糕的泛化。 因為證據通常只支持： $$ \text{this branch failed under these conditions}. $$ 而不是： $$ \boxed{ \text{all future branches by this agent are low value}. } $$ 所以反身智能需要： $$ \text{localized self-update}. $$ --- # 十一、可以定義「評價作用域比」 本文提出： $$ ESR = \frac{ \text{scope of self-evaluation update} }{ \text{scope justified by failure evidence} }. $$ 稱為： # Evaluation Scope Ratio 理想情況： $$ ESR\approx1. $$ 若： $$ ESR\gg1, $$ 表示局部失敗被過度一般化成全局自我否定。 若： $$ ESR\ll1, $$ 則可能是拒絕承認真正廣泛的能力問題。 因此： $$ \boxed{ \text{成熟自我修正不是少否定自己，} } $$ 而是： $$ \boxed{ \text{否定的作用域與證據匹配。} } $$ --- # 十二、但「不閉合」仍然不能變成死守目標 這是本篇最重要的限制。 Goal-adjustment 研究長期顯示： > 某些目標真正變得不可達時，disengagement 本身可以是適應性的。 2003 年 Wrosch 等人的研究把： $$ \text{goal disengagement} $$ 與： $$ \text{goal reengagement} $$ 明確分開。 2019 年 meta-analysis 也發現兩者與生活品質存在不同但正向的關聯。 2025 年更大規模的綜述整合了 235 項研究、1,421 個效應量，再次指出 disengagement、reengagement、flexibility 各自具有不同前因與結果。 所以： $$ \boxed{ \text{永不放棄} } $$ 不是高階反身智能。 --- # 十三、真正需要分離的是「目標」和「問題譜系」 設當前具體目標： $$ g_t. $$ 例如： > 證明命題 \(H\)。 而較高層研究譜系： $$ \mathcal G_t $$ 可能是： > 理解這類結構為什麼呈現某種規律。 若反例已證明： $$ H=\text{false}, $$ 那麼： $$ g_t $$ 應該關閉。 但： $$ \mathcal G_t $$ 可能繼續。 於是： $$ g_t \rightarrow \mathsf{Closed} $$ 同時： $$ \mathcal G_t \rightarrow g_{t+1}. $$ 這就是： $$ \boxed{ \text{Goal Disengagement} + \text{Inquiry Reengagement}. } $$ --- # 十四、這重新定義了「不閉合」 所以本篇所說： $$ \text{do not close} $$ 不是： > 不准放棄原猜想。 而是： $$ \boxed{ \text{不要把一個層級的失敗，不必要地提升成所有更高層級的永久閉合。} } $$ 可以出現： $$ \text{method closure} $$ 但： $$ \text{goal open}. $$ 也可以： $$ \text{goal closure} $$ 但： $$ \text{problem lineage open}. $$ 甚至： $$ \text{problem lineage closure} $$ 但保存： $$ \text{transferable lessons}. $$ 這是一個分層閉合系統。 --- # 十五、因此閉合也需要 hierarchy 定義： $$ \mathcal C = ( C_{\mathrm{step}}, C_{\mathrm{method}}, C_{\mathrm{claim}}, C_{\mathrm{goal}}, C_{\mathrm{lineage}}, C_{\mathrm{self}} ). $$ 分別表示： - 步驟閉合； - 方法閉合； - 命題閉合； - 當前目標閉合； - 研究譜系閉合； - 自我能力模型閉合。 一個反例通常最多支持： $$ C_{\mathrm{claim}}. $$ 它很少自動支持： $$ C_{\mathrm{self}}. $$ 所以： $$ \boxed{ \text{Closure Propagation} } $$ 必須受到限制。 --- # 十六、本文提出 Closure Propagation Depth 定義： $$ CPD = \text{highest closure level triggered by a failure}. $$ 若一個局部 proof gap 直接造成： $$ C_{\mathrm{self}}, $$ 則： $$ CPD $$ 過深。 若一個已被嚴格反例摧毀的命題仍拒絕： $$ C_{\mathrm{claim}}, $$ 則： $$ CPD $$ 過淺。 因此理想系統要讓： $$ \boxed{ CPD \approx \text{failure-evidence depth}. } $$ --- # 十七、Goal Reengagement 提供了「不閉合但不固著」的第三條路 簡化思維只有： $$ \{\text{persist},\text{quit}\}. $$ 但 goal-adjustment 文獻顯示： $$ \text{reengage} $$ 是不同能力。 即： > 放下不可達目標，同時把投入轉移到新的、有意義的目標。 所以研究型智能的行動空間應是： $$ \{ \text{persist}, \text{repair}, \text{disengage}, \text{reengage}, \text{archive} \}. $$ 這比： $$ \{\text{never give up},\text{give up}\} $$ 成熟得多。 --- # 十八、因此有三種不同價值要比較 定義： $$ Q_{\mathrm{continue}}(g_t) $$ 繼續原目標； $$ Q_{\mathrm{close}}(g_t) $$ 關閉原目標； 以及： $$ Q_{\mathrm{reengage}}(g_{t+1}\mid \mathcal G_t) $$ 從原譜系生成下一目標。 若： $$ Q_{\mathrm{continue}}0. $$ 因為新的研究目標可以是： - 找反例分類； - 解釋為什麼錯； - 研究失敗機制； - 找相鄰成立命題； - 把工具遷移到別處。 所以： $$ \boxed{ \text{不能救原理論} \neq \text{不能繼續產生研究。} } $$ --- # 二十、跨時自我開始正式進場 現在進入第四部真正的橋接點。 令： $$ A_t $$ 是失敗前的智能狀態。 失敗後： $$ A_t \xrightarrow{F} A_{t+1}. $$ 而： $$ A_t\neq A_{t+1}. $$ 後時刻具有： - 新證據； - 新自我評價； - 新失敗記憶； - 新候選； - 新策略。 所以真正決定是否繼續的，未必是： $$ A_t $$ 在受挫瞬間做出的評價。 而是： $$ \boxed{ A_{t+1} \text{ 對 } A_t \text{ 的重新評價。} } $$ --- # 二十一、這就是「內生他者」 從跨時角度看： $$ A_{t+1} $$ 既是： $$ A_t $$ 的延續， 又不是完全相同狀態。 所以： $$ A_{t+1} $$ 可以像一個新的評價者一樣回頭判斷： $$ A_t. $$ 即： $$ A_{t+1} \curvearrowright A_t. $$ 這使真正的自我修正變成： $$ \boxed{ \text{後時刻的自己，成為前時刻自己的內生批評者。} } $$ 而「受打擊後不閉合」的最小條件之一，就是： > 不讓 \(A_t\) 在衝擊瞬間替所有未來的 \(A_{t+k}\) 做不可逆決定。 --- # 二十二、所以需要「衝擊後延遲終局權」 本文提出一個控制原則： # Post-Shock Finality Delay 即： $$ F_t $$ 造成劇烈評價更新後， 暫時限制： $$ C_{\mathrm{lineage}} $$ 與： $$ C_{\mathrm{self}} $$ 的不可逆閉合。 形式上： $$ |\Delta M_{\mathrm{self}}|>\theta_s $$ 時， 先執行： $$ \mathsf{ProvisionalClose} $$ 而不是： $$ \mathsf{PermanentClose}. $$ 等： $$ A_{t+1} $$ 完成： - failure typing； - salvage estimation； - goal reengagement search； - self-model recalibration； 再決定是否永久關閉。 --- # 二十三、這不是叫人「情緒激動時不要做決定」的心理口號 本文要的是一般智能控制結構。 對 AI Agent 可以寫成： ```text if self_assessment_delta > threshold: freeze irreversible global closure run failure diagnosis recompute branch values evaluate reengagement candidates then decide ``` 也就是： $$ \boxed{ \text{劇烈自我模型更新} \rightarrow \text{延遲不可逆決策}. } $$ 這是完全可以工程化的。 --- # 二十四、跨時連續性為什麼重要？ 心理學中的 future self-continuity 描述： > 當前自己與未來自己的主觀連續程度。 相關研究把它與： - 對未來後果的考量； - temporal discounting； - 長期行動； 連結起來。 更直接的一項研究還發現，當 upcoming temporal landmark 讓人把當前自己與未來自己看成更分離的兩個 agent 時，人們可能降低對正在進行目標的當下努力，因為期待「未來的自己」負責。 這提供了一個適合本理論的類比： $$ \boxed{ \text{如果未來自己被視為完全無關的 agent，} } $$ 當前投入便較容易被外包。 --- # 二十五、但研究型反身智能需要的不是「永遠保持同一個我」 跨時連續性不等於： $$ A_t=A_{t+1}. $$ 真正需要的是： $$ A_t\sim_I A_{t+1}. $$ 即存在某種同一性傳輸： - 記憶； - 問題譜系； - 已驗證結果； - 失敗教訓； - 價值承諾； - 重啟條件。 因此： $$ \boxed{ \text{continuity} \neq \text{immutability}. } $$ 反身智能正是因為： $$ A_{t+1}\neq A_t $$ 才有可能修正自己。 --- # 二十六、本文提出「跨時繼承價值」 定義： $$ \kappa_t = V( \text{information inherited by }A_{t+1} ). $$ 即使當前： $$ Q_{\mathrm{continue}}(A_t)<0, $$ 若： $$ \kappa_t>0, $$ 仍值得保存： - branch state； - failure analysis； - unresolved questions； - alternative routes； - reopen conditions。 所以當前自己可以選擇： $$ \boxed{ \text{我現在不繼續，但我不替未來的我刪掉這條路。} } $$ 這就是： $$ \text{Archive} \neq \text{Delete}. $$ --- # 二十七、這是「生成封存」的正式位置 可以定義三種終止。 ## Delete $$ B\rightarrow\varnothing. $$ ## Archive $$ B\rightarrow B_{\mathrm{stored}}. $$ 保留歷史。 ## Generative Archive $$ B\rightarrow ( B_{\mathrm{stored}}, R_{\mathrm{reopen}}, \mathcal Q_{\mathrm{next}}, \Phi(F) ). $$ 不只保存舊狀態， 還保存： - 重啟條件； - 下一問題； - 失敗殘餘； - 可遷移工具。 所以： $$ \boxed{ \text{生成封存} } $$ 是跨時自我研究真正需要的閉合方式。 --- # 二十八、Resilience 也應該被重新定義 一般語言容易把 resilience 理解成： > 被打倒後恢復原樣。 但系統研究越來越強調： $$ \text{recovery} $$ 不一定等於： $$ \text{return to previous state}. $$ 2026 年一篇系統性 resilience 理論工作甚至明確區分 breakdown、recovery 與 transformation，指出最好的 second-order recovery 可能不是重建舊狀態，而是改造系統。 這非常適合反身智能。 所以： $$ \boxed{ \text{Resilience} \neq A_{t+1}=A_t. } $$ 而是： $$ \boxed{ A_{t+1} \text{ 在吸收失敗後仍保有生成能力。} } $$ --- # 二十九、因此「恢復」不應以回到原信心為目標 如果失敗前： $$ p_t=0.9 $$ 而證據顯示這個信心過高， 那麼成功 recovery 不應把： $$ p_{t+1} $$ 重新拉回： $$ 0.9. $$ 更好的結果可能是： $$ p_{t+1}=0.4, $$ 但： $$ r_{t+1}\uparrow, \qquad \kappa_{t+1}\uparrow, \qquad \pi_{t+1}\text{ 更合理}. $$ 也就是： $$ \boxed{ \text{信心下降，但研究能力上升。} } $$ 這是一個非常重要的反直覺結果。 --- # 三十、真正危險的是「信心下降→價值歸零→譜系刪除」 病態鏈條可以寫成： $$ F \rightarrow p\downarrow \rightarrow q\downarrow \rightarrow v\downarrow \rightarrow C_{\mathrm{lineage}} \rightarrow C_{\mathrm{self}}. $$ 這是一種： $$ \boxed{ \text{negative evaluation cascade}. } $$ 它把不同維度全部綁在一起。 更成熟的系統應維持： $$ (p,q,v,r,\kappa) $$ 相互關聯，但不強制同步。 --- # 三十一、Goal Revision 的最新研究支持這種多階段觀點 2025 年關於 goal success / failure 後目標修正的 meta-analysis 發現，人們通常在成功後提高目標、失敗後降低目標；goal-performance discrepancy 與修正幅度顯著相關，而且 self-efficacy 可能是其中重要中介。 研究者提出： $$ \text{Assessment} \rightarrow \text{Appraisal} \rightarrow \text{Adjustment} $$ 的 Triple-A Model。 這與本文非常接近。 失敗後並不是： $$ F \rightarrow \text{quit}. $$ 中間至少需要： $$ \boxed{ \text{評估發生了什麼} \rightarrow \text{評價這代表什麼} \rightarrow \text{再調整目標}. } $$ --- # 三十二、所以第四部的第一個核心公式可以寫成 失敗事件： $$ F_t $$ 首先更新： $$ \mathcal A_t = (p,q,v,r,\kappa). $$ 接著： $$ D_F = \text{failure diagnosis}. $$ 再進行： $$ \mathcal C_t = \text{closure-level decision}. $$ 最後： $$ \mathcal G_t \rightarrow \mathcal G_{t+1}. $$ 完整形式： $$ \boxed{ F_t \rightarrow \mathcal A_{t+1} \rightarrow D_F \rightarrow \mathcal C \rightarrow \operatorname{GoalAdjust} \rightarrow A_{t+1}. } $$ 這是從「失敗處理」正式進入「跨時自我修正」。 --- # 三十三、本文提出三個新的可評測量 ## 1. Evaluation Scope Ratio $$ ESR = \frac{ \text{self-update scope} }{ \text{evidence-justified scope} }. $$ 測量局部失敗是否被過度一般化。 --- ## 2. Closure Propagation Depth $$ CPD = \text{highest closure level caused by failure}. $$ 測量失敗從 step／method／claim 一路傳播到 goal／lineage／self 的深度。 --- ## 3. Cross-Time Inheritance Value $$ \kappa = V( \text{salvaged state for future self} ). $$ 測量即使現在停止，保存這條研究線給未來狀態是否仍有價值。 三者共同回答： > 一次失敗究竟能否只修改該修改的部分，而不毀掉未被證據否定的未來？ --- # 三十四、結論：不閉合，不是因為相信原本的自己一定對 這是本篇最需要避免的誤解。 受打擊後選擇不閉合，不是： > 我不能接受自己錯。 也不是： > 我要證明原本的我其實是對的。 恰好相反。 真正的反身智能可以接受： $$ A_t \text{ 的某些判斷確實錯了。} $$ 甚至接受： $$ g_t \text{ 已經不值得繼續。} $$ 但它不因此推出： $$ \boxed{ \text{所有由 }A_t\text{ 延伸出的未來搜尋都應被刪除。} } $$ 所以成熟的不閉合是： $$ \boxed{ \text{允許局部死亡，拒絕無證據的全局死亡。} } $$ 它可以： $$ \text{放棄方法} $$ 但保留： $$ \text{問題}. $$ 可以： $$ \text{放棄命題} $$ 但保留： $$ \text{反例結構}. $$ 可以： $$ \text{放棄當前目標} $$ 但進行： $$ \text{goal reengagement}. $$ 可以： $$ \text{降低對自己的能力估計} $$ 但不把： $$ \text{研究價值} $$ 一起歸零。 因此真正跨時的更新不是： $$ \text{我失敗了，所以結束。} $$ 而是： $$ \boxed{ \text{這一次的我失敗了；} } $$ $$ \boxed{ \text{下一次的我應該繼承哪些東西，再重新決定？} } $$ 這就是《價值耦合智能論》正式進入《反身智能生成論》的位置。 下一篇： # 價值耦合智能論 14 # 理論可救性：局部錯誤為什麼不等於整體價值歸零 第 13 篇回答： > 為什麼失敗後不必全局閉合？ 第 14 篇則會建立更細的： $$ \boxed{ \text{Theory Salvageability} } $$ 判斷一個已受重擊的理論，究竟哪些核心、範圍、方法、表示與問題生成能力仍值得保留。 --- ## 參考資料（本篇重新查核） 1. Eskreis-Winkler, L., & Fishbach, A. (2019). *Not Learning From Failure—the Greatest Failure of All*. Psychological Science, 30(12). 2. Wrosch, C., Scheier, M. F., Miller, G. E., Schulz, R., & Carver, C. S. (2003). *Adaptive Self-Regulation of Unattainable Goals: Goal Disengagement, Goal Reengagement, and Subjective Well-Being*. Personality and Social Psychology Bulletin. 3. Ntoumanis, N., & Sedikides, C. (2018). *Holding on to the Goal or Letting It Go and Moving On? A Tripartite Model of Goal Striving*. Current Directions in Psychological Science. 4. Riddell et al. (2025/2026). *A meta-analytic review and conceptual model of the antecedents and outcomes of goal adjustment in response to striving difficulties*. Systematic review of 235 studies / 1,421 effect sizes. 5. Theobald, M., Lin, W. M., Sakaki, M., Murayama, K., & Brod, G. (2025). *How (much) do people revise their goals after goal success and failure? A meta-analysis and research agenda on goal revision*. 6. Bernardo, A. B. et al. (2025). *Relationship between self-efficacy and university dropout: a systematic review*. Frontiers in Psychology. 7. Frontiers in Education (2025). *Measuring persistence and academic resilience of K–12 students: systematic review and operational definitions*. 8. Peetz, J., & Wilson, A. E. (2008). *The Temporally Extended Self: The Relation of Past and Future Selves to Current Identity, Motivation, and Goal Pursuit*. 9. Sokol, Y., & Serper, M. (2019). *Development and Validation of a Future Self-Continuity Questionnaire*. 10. Tu, Y., & Soman, D. (2020). *Anticipated temporal landmarks undermine motivation for continued goal pursuit*. 11. Bhattacharyya, S. et al. (2026). *Beyond Confidence: Rethinking Self-Assessments for Performance Prediction in LLMs*. 12. Schweitzer, F. (2026). *Resilience: Understand Breakdown, Foster Recovery, and Choose the Right Perspective*.