# 證據圖、真值與判斷狀態解耦
## 動態邏輯解與生成判斷系列・第九篇

**英文題名：** *Decoupling Evidence Graphs, Truth Values, and Judgment States*  
**版本：** v0.1  
**日期：** 2026-08-16  
**作者：** Neo.K／Aletheia

---

## 摘要

當 AI 進行研究時，最容易犯的結構性錯誤之一，是把以下不同對象壓成一個「信心分數」：

$$
\text{source reliability},
$$

$$
\text{evidence support},
$$

$$
\text{truth value},
$$

$$
\text{belief},
$$

$$
\text{judgment state},
$$

$$
\text{decision}.
$$

本文提出五層解耦：

$$
\boxed{
\text{World}
\rightarrow
\text{Evidence}
\rightarrow
\text{Belief}
\rightarrow
\text{Judgment}
\rightarrow
\text{Action}.
}
$$

這五層具有因果與資訊關係，但不能被定義成同一個變量。

本文特別引入 Evidence Graph：

$$
G_E=(V_E,E_E),
$$

其中節點不只是一篇文章，而是帶 provenance 的 evidence object；邊則描述：

- supports；
- opposes；
- derived-from；
- copied-from；
- invalidates；
- supersedes；
- measures；
- interprets。

此結構可防止「50 篇轉載 = 50 個獨立證據」的錯誤，並讓 Bayesian score、三態投影、truth maintenance 與 ACO 類異常因果研究共用同一資料地基。

---

# 一、五層型別

定義：

$$
W
$$

為世界狀態。

$$
E
$$

為可觀測證據。

$$
B
$$

為代理者 belief / credence。

$$
J
$$

為 runtime judgment state。

$$
A
$$

為實際行動。

因此：

$$
\boxed{
W\neq E\neq B\neq J\neq A.
}
$$

---

# 二、真值

命題：

$$
P
$$

的 truth value：

$$
V(P,W)
$$

由 world/model semantics 決定。

它不是由：

$$
\text{有多少文章支持}
$$

直接決定。

---

# 三、證據

證據：

$$
E_i
$$

是被觀察、保存或導出的資訊物件。

它至少需要：

$$
E_i
=
(
v_i,
s_i,
t_i,
p_i,
r_i
),
$$

其中：

- $v_i$：內容；
- $s_i$：來源；
- $t_i$：時間；
- $p_i$：provenance；
- $r_i$：relationship to claims。

---

# 四、證據不是文章

一篇 document：

$$
D
$$

可以包含：

$$
E_1,E_2,\ldots,E_k.
$$

同一 evidence：

$$
E^\ast
$$

也可能被：

$$
D_1,\ldots,D_{50}
$$

轉載。

因此：

$$
\boxed{
\text{Document Count}
\neq
\text{Evidence Count}.
}
$$

---

# 五、Evidence Graph

定義：

$$
G_E=(V_E,E_E).
$$

節點：

```text
source
document
observation
measurement
quote
derived result
```

邊：

```text
contains
copied_from
derived_from
supports
opposes
invalidates
supersedes
```

---

# 六、來源獨立性

若：

$$
D_1,D_2,D_3
$$

都 derived from：

$$
S_0,
$$

則：

$$
\operatorname{Independence}(D_1,D_2,D_3)\ll1.
$$

不能計為三個獨立 confirmation。

---

# 七、Evidence Direction

對 claim：

$$
P,
$$

定義：

$$
d(E_i,P)
\in
\{
+1,-1,0,?
\}.
$$

其中：

- $+1$：支持；
- $-1$：反對；
- $0$：中性；
- $? $：尚未分類。

這是 evidence relation。

不是 truth value。

---

# 八、Belief

代理者：

$$
a
$$

可持有：

$$
B_a(P,t).
$$

若 Bayesian：

$$
B_a(P,t)=P_t(P).
$$

若 symbolic：

$$
B_a(P,t)
$$

可以是 belief set membership。

---

# 九、Judgment

判斷：

$$
J_a(P,t)
$$

則是：

$$
\{
O,G,C,T_p,F_p
\}
$$

中的狀態。

所以：

$$
B_a(P,t)=0.75
$$

完全可以同時：

$$
J_a(P,t)=G.
$$

---

# 十、Action

最後：

$$
A_a(P,t)
$$

由 decision policy 決定。

例如：

$$
B=0.7
$$

在低風險場景可：

$$
A=\text{act}.
$$

在高風險醫療決策可能仍：

$$
A=\text{defer}.
$$

---

# 十一、來源可信度

來源：

$$
S_i
$$

可以有 reliability：

$$
R(S_i).
$$

但：

$$
R(S_i)=0.95
$$

不等於：

$$
P(P)=0.95.
$$

可信來源也可能在某次事件上錯。

---

# 十二、證據品質

定義：

$$
Q(E_i)
$$

可包含：

- directness；
- timestamp integrity；
- measurement quality；
- independence；
- reproducibility；
- source transparency。

不要直接把它壓成 truth score。

---

# 十三、支持度

可以計算：

$$
S_t(P)
=
f(
E_1,\ldots,E_n
).
$$

但：

$$
S_t(P)
$$

是 model-dependent score。

必須保存：

$$
f.
$$

---

# 十四、反證壓力

另定義：

$$
C_t(P).
$$

不要強制：

$$
C_t=1-S_t.
$$

原因是：

> 缺乏支持

與：

> 存在強反證

不是同一件事。

---

# 十五、缺失值不是零

若某維度未取得資料：

$$
x=\mathrm{NA},
$$

不能：

$$
x=0.
$$

這是 GIPSS 與本系列共享的重要原則。

---

# 十六、Truth Maintenance

Doyle 的 Truth Maintenance System 已經把：

- belief；
- justification；
- dependency；
- contradiction；

做成可維護結構。

本文採用相同精神：

$$
\boxed{
\text{任何判斷都應能回答：
「你為什麼現在這樣判？」}
}
$$

---

# 十七、Evidence Graph 與 TMS 的差別

TMS 核心是：

$$
\text{belief reasons}.
$$

Evidence Graph 更強調：

$$
\text{source provenance}
+
\text{cross-document identity}
+
\text{measurement lineage}.
$$

兩者可組合。

---

# 十八、反證不能被 summary 吃掉

若 compression 只留下：

> 大多數資料支持。

可能丟失一個關鍵反例。

因此：

$$
\boxed{
\text{Counterevidence}
}
$$

必須 first-class。

---

# 十九、不可把 consensus 當 truth

若：

$$
99\%
$$

來源支持 $P$，

仍：

$$
\text{Consensus}(P)
\neq
V(P,W).
$$

Consensus 是 evidence about epistemic community。

不是 truth operator。

---

# 二十、不可把 novelty 當 truth

同理：

$$
\text{奇怪}
\neq
\text{真}.
$$

ACO 中 unexplained residual：

$$
R_u>0
$$

也不能：

$$
R_u>0
\Rightarrow
\text{supernatural}.
$$

---

# 二十一、Evidence Snapshot

每次判斷應保存：

$$
E^{(t)}
$$

的 snapshot hash。

因未來 source 可能改版。

這是可重審的前提。

---

# 二十二、判斷 lineage

同一 Evidence Graph：

$$
G_E
$$

可以被不同模型：

$$
M_1,M_2,M_3
$$

判斷。

形成：

$$
J^{(1)},
J^{(2)},
J^{(3)}.
$$

它們不應覆寫彼此。

---

# 二十三、多模型分歧

若：

$$
J^{(1)}=T_p,
$$

$$
J^{(2)}=F_p,
$$

則 meta-state 可：

$$
J^{meta}=C.
$$

這比硬平均成：

$$
0.5
$$

更有資訊。

---

# 二十四、證據圖的最小資料模型

```text
EvidenceNode
  id
  source_type
  content_hash
  timestamp
  provenance

EvidenceEdge
  from
  to
  relation
  claim_id
  confidence
```

---

# 二十五、與 Bayesian Logic Judge

Simple UI 可以把高維 Evidence Graph 投影：

$$
\Pi_B(G_E)
=
(
S_t,C_t,K_t,I_t
)
$$

其中：

- $S_t$：支持；
- $C_t$：反證；
- $K_t$：完整度；
- $I_t$：來源獨立性。

---

# 二十六、核心命題

$$
\boxed{
\text{證據不是信念；
信念不是真值；
真值不是判斷狀態；
判斷狀態也不是行動。}
}
$$

只有先分型，動態邏輯才能不退化成一個漂亮的「信心百分比」。

---

# 二十七、結論

生成判斷系統真正需要的不是更多單一分數，而是更清楚的型別邊界：

$$
\boxed{
W
\rightarrow
G_E
\rightarrow
B
\rightarrow
J
\rightarrow
A.
}
$$

下一篇將處理最後一個工程核心：

> 如果判斷是事件歷史，那怎樣才能證明「重播出的現在」真的等價於原本運行得到的現在？