# Series I / Paper 04 # 觀察者依賴的感知顯著度理論：熟悉度、專業知識與公共名氣判斷的條件投影 ## Observer-Dependent Perceived Prominence: Conditional Projections of Familiarity, Expertise, and Public Fame Judgments **作者：Neo.K（許筌崴）** **機構：EveMissLab** **系列：公共顯著性場與實體可辨識理論（Series I）** **版本：v0.1** **日期：2026-08-14** --- ## 摘要 「這個人很有名」、「這個品牌應該有點份量」或「這個作品看起來像圈內知名項目」表面上像是在描述被觀察實體，實際上卻同時包含觀察者自身的先驗、熟悉度、專業知識、來源記憶、領域位置、查詢目的與介面暴露。本文在公共顯著性狀態空間（PPSS）、多符號非均勻語義耦合框架（NUMSC）以及搜尋—機器—人類三通道解耦模型之上，提出「觀察者依賴感知顯著度理論」（Observer-Dependent Perceived Prominence Theory, ODPP）。 本文將感知顯著度定義為： $$ \Pi(E\mid\Omega,\theta_o) = G_{\theta_o} \left( \mathbf{x}_E^{\Omega} \right), $$ 其中 $\mathbf{x}_E^{\Omega}$ 是實體的公共狀態， $\theta_o$ 是觀察者狀態，包括真實專業度、主觀專業度、熟悉度、來源監控能力、領域先驗、注意力與任務目標。本文主張：「名氣判斷」不是實體屬性的直接讀取，而是高維公共狀態經觀察者條件化投影後的結果。 本文提出並證明一個基本排序反轉定理：對任意兩個在公共狀態空間中 Pareto 不可比較的實體，存在兩組正、單調的線性觀察者權重，使兩位觀察者對其顯著度排序完全相反。反之，若實體 $A$ 在所有被納入判斷的維度上皆不低於 $B$，則所有座標單調的觀察者投影都不能把 $B$ 排在 $A$ 之前。此結果說明「不同人對誰比較有名產生相反判斷」不必來自非理性，也可能由觀察者權重不同與狀態向量不可比較自然產生。 本文進一步將 false-fame effect、source monitoring、mere exposure、expertise 與模型 prior/context 整合為觀察者條件化機制，區分「真實公共顯著結構」與「主觀感知顯著度」。最後提出 ODPP Benchmark，用於比較普通人、領域專家、搜尋系統與 AI 在同一實體集合上的感知排序、校準誤差與來源依賴差異。 **關鍵詞：** 感知顯著度、觀察者依賴、名氣判斷、false fame、熟悉度、專業知識、source monitoring、搜尋顯著性、AI prior、公共顯著性 --- ## 1. 從「有多有名」轉向「對誰看起來多有名」 前三篇已建立： $$ \mathbf{x}_E^{\Omega} = (I,S,V,D,R,M,H,A,\rho), $$ 其中公共實體 $E$ 的狀態不是單一 Fame Scalar，而是一個高維公共狀態。 Paper 02 進一步把身份可辨識度展開為： $$ R = \Phi \left( \Sigma_E, \mathbf{w}^{\Omega}, \mathfrak{T}_E^{\Omega}, \mathcal{D}, \mathbf{K} \right). $$ Paper 03 又將： $$ P_S, \quad M_L, \quad H_0 $$ 分別定義為搜尋顯著度、潛在機器可辨識度與非輔助人類辨識度。 本文處理下一個問題： > 如果公共狀態已經存在，為什麼不同觀察者仍然會對「這個實體到底算不算有名」做出不同甚至相反的判斷？ 核心主張是： $$ \boxed{ \text{Perceived Prominence} \neq \text{Public State}. } $$ 前者是後者經過觀察者狀態後的投影。 --- ## 2. 觀察者狀態 令觀察者為： $$ o. $$ 定義觀察者狀態向量： $$ \theta_o = \left( e_o, \hat e_o, f_o, z_o, b_o, a_o, g_o, \ell_o \right). $$ 其中： - $e_o$：actual expertise，真實專業度； - $\hat e_o$：self-perceived expertise，主觀專業度； - $f_o$：familiarity，對實體或類似符號的熟悉度； - $z_o$：source-monitoring quality，來源監控能力； - $b_o$：domain prior，領域先驗； - $a_o$：attention allocation，注意力分配； - $g_o$：task goal，當下任務目標； - $\ell_o$：interface literacy，對搜尋、AI 或資訊介面的理解能力。 因此同一實體： $$ E $$ 面對不同觀察者： $$ o_1,o_2 $$ 即使公共資料完全相同，也可能得到： $$ \Pi_{o_1}(E) \neq \Pi_{o_2}(E). $$ --- ## 3. 感知顯著度 ### 定義 1：Observer-Dependent Perceived Prominence 令： $$ \Omega=(o,p,q,t). $$ 定義： $$ \Pi(E\mid\Omega,\theta_o) = G_{\theta_o} \left( \mathbf{x}_E^{\Omega} \right). $$ 其中： $$ \Pi\in[0,1]. $$ $\Pi$ 表示： > 在指定觀察條件下，觀察者主觀認為該實體「有多知名／有多重要／有多少公共存在感」的程度。 此量不是： $$ H_0 $$ 本身。 因為一個觀察者可能自己從未聽過某實體，但看到大量搜尋結果後推論： > 「這個人可能其實很有名，只是我不知道。」 所以： $$ \boxed{ \text{personal recognition} \neq \text{inferred public prominence}. } $$ --- ## 4. 線性近似 最簡形式： $$ \Pi_o(E) = \sum_{j=1}^{m} \omega_{o,j}x_{E,j}, $$ 其中： $$ \omega_{o,j}\ge0, $$ 且： $$ \sum_{j=1}^{m}\omega_{o,j}=1. $$ 例如普通搜尋使用者可能給： $$ P_S, \quad V, \quad I $$ 較高權重。 學術專家則可能提高： $$ A, \quad H_{\mathrm{domain}}, \quad \text{third-party validation} $$ 的權重。 AI 搜尋代理則可能提高： $$ R, \quad M_L, \quad \text{source coherence} $$ 的權重。 因此： $$ \boxed{ \omega_{o_1} \neq \omega_{o_2}. } $$ --- ## 5. 非線性交互作用 真實判斷不必是線性的。 可以寫成： $$ \Pi_o(E) = G \left( \mathbf{x}_E, \theta_o, \mathbf{x}_E\otimes\theta_o \right), $$ 其中： $$ \mathbf{x}_E\otimes\theta_o $$ 表示公共狀態與觀察者特徵之間的交互作用。 例如： $$ I\gg0 $$ 對普通人可能提高「看起來有名」的判斷； 但對真正懂該領域的專家，若： $$ A_{\mathrm{domain}}\ll I, $$ 則大量內容反而未必提高顯著性判斷。 所以： $$ \frac{\partial\Pi}{\partial I} $$ 也可能依： $$ e_o $$ 而改變。 --- ## 6. 領域條件化 令領域為： $$ d\in\mathcal D_{\mathrm{field}}. $$ 則： $$ \Pi_o(E\mid d) $$ 與： $$ \Pi_o(E\mid d') $$ 可以不同。 一個實體可能： $$ H_{\mathrm{math}}\gg H_{\mathrm{public}}, $$ 或： $$ A_{\mathrm{games}}\gg A_{\mathrm{economics}}. $$ 因此「很有名」若不指定領域，本身可能是不完備命題。 更準確地： $$ \boxed{ \Pi = \Pi(E\mid o,p,q,t,d). } $$ --- ## 7. Familiarity Channel 人類名氣判斷受到熟悉度影響。 令： $$ F_o(E) $$ 表示觀察者對名稱、臉孔、品牌、作品或相關符號的主觀熟悉感。 則感知顯著度可以包含： $$ \beta_FF_o(E). $$ 若來源記憶不足，熟悉感可能被錯誤解釋為： $$ \text{「我以前見過」} \Rightarrow \text{「這可能是名人」}. $$ 這是 false-fame 類效應的核心。 因此： $$ \boxed{ F_o(E) \not\equiv H(E,\mathcal U). } $$ 個人的熟悉感不能直接代表社會知名度。 --- ## 8. False-Fame Effect Jacoby、Kelley、Brown 與 Jasechko 的經典實驗顯示： > 先前看過一次的非名人姓名，在延遲後更容易被誤判成名人姓名。 其機制可表示為： $$ \text{prior exposure} \rightarrow F_o(E)\uparrow $$ 但： $$ z_o\downarrow $$ 或來源回憶失敗時： $$ F_o(E) \rightarrow \Pi_o(E)\uparrow. $$ 即： $$ \boxed{ \text{familiarity misattribution} \rightarrow \text{false perceived prominence}. } $$ 這對本文非常重要，因為它直接證明： $$ \Pi $$ 不是外部公共狀態的無偏讀取。 --- ## 9. Source Monitoring Johnson、Hashtroudi 與 Lindsay 的 source-monitoring framework 將來源判斷描述為對記憶特徵、先驗與推理的歸因過程。 因此可以定義： $$ z_o = P \left( \text{correctly identifies source of familiarity} \right). $$ 當： $$ z_o\gg0, $$ 觀察者比較可能說： > 「我覺得這個名字熟，是因為剛剛看過，不代表他有名。」 當： $$ z_o\ll1, $$ 則熟悉度更容易洩漏進： $$ \Pi_o. $$ 一個簡化模型： $$ \Pi_o = \Pi_o^{\mathrm{evidence}} + (1-z_o)\beta_FF_o. $$ 所以 source-monitoring quality 可以直接調整熟悉偏誤。 --- ## 10. Mere Exposure 與名氣感知 mere-exposure 文獻顯示，重複接觸可以改變熟悉度、辨識與喜好；meta-analysis 也顯示其效果並非簡單線性，而可能受到刺激類型、暴露時間與測量方式影響。 因此不能寫成： $$ \text{exposure} \Rightarrow \text{fame belief} $$ 的必然關係。 更合理的是： $$ N_{\mathrm{exp}} \rightarrow F_o \rightarrow \Pi_o $$ 其中第二條箭頭受到： $$ z_o, \quad e_o, \quad g_o $$ 共同調節。 --- ## 11. 真實專業度與主觀專業度 本文區分： $$ e_o $$ 與： $$ \hat e_o. $$ 2024 年的 overclaiming 研究顯示，真正知識較高者較少對不存在的概念宣稱熟悉；但主觀認為自己很懂的人反而更容易 overclaim。 因此： $$ e_o \neq \hat e_o. $$ 這對顯著度判斷具有直接意義。 高： $$ \hat e_o $$ 不一定代表更準確的： $$ \Pi_o. $$ 真正高： $$ e_o $$ 則可能提高對： - 同名混淆； - 假術語； - 假權威； - 假熟悉； - 領域地位誤判 的辨識能力。 --- ## 12. 專家與普通人的權重差 考慮： $$ \mathbf{x}_E = (I,P_S,H,A,V). $$ 普通觀察者可使用： $$ \omega_{\mathrm{lay}} = (0.30,0.30,0.15,0.05,0.20). $$ 專家觀察者可能使用： $$ \omega_{\mathrm{expert}} = (0.10,0.10,0.20,0.50,0.10). $$ 此數字只作例子。 其意義是： $$ \Pi_{\mathrm{lay}} $$ 較受資訊量、搜尋頁面與介面曝光影響； 而： $$ \Pi_{\mathrm{expert}} $$ 較受領域認知與權威驗證影響。 因此同一實體完全可能： $$ \Pi_{\mathrm{lay}}\gg\Pi_{\mathrm{expert}}. $$ 反方向也可能成立。 --- ## 13. AI 也是觀察者，但不是單一觀察者 對 AI 系統 $\mathcal A$，同樣定義： $$ \theta_{\mathcal A}. $$ 其可以包含： - parametric prior； - training exposure； - retrieval access； - ranking prior； - system prompt； - search budget； - context window； - source-quality policy； - entity-resolution capability。 因此： $$ \Pi_{\mathcal A_1}(E) \neq \Pi_{\mathcal A_2}(E). $$ 甚至同一模型在有無搜尋工具時： $$ \Pi_{\mathcal A}^{\mathrm{closed}} \neq \Pi_{\mathcal A}^{\mathrm{search}}. $$ --- ## 14. 模型 prior 與 context 語言模型會整合： $$ \text{prior knowledge} $$ 與： $$ \text{current context}. $$ 2024 年的研究顯示，模型對較熟悉實體更依賴 prior，而不同實體對上下文修正的 susceptibility 也不同。 因此 AI 的實體顯著性判斷也具有： $$ \boxed{ \text{entity-dependent prior}. } $$ 可寫成： $$ \Pi_{\mathcal A} = \lambda_E \Pi_{\mathrm{prior}} + (1-\lambda_E) \Pi_{\mathrm{context}}. $$ 其中： $$ \lambda_E $$ 會隨模型對該實體的熟悉程度改變。 --- ## 15. 觀察者排序反轉定理 現在考慮兩個公共實體： $$ E_A,E_B. $$ 令其狀態向量： $$ \mathbf{x}_A,\mathbf{x}_B \in\mathbb R_+^m. $$ ### 定義 2：Pareto 不可比較 若存在座標 $i,j$，使： $$ x_{A,i}>x_{B,i} $$ 但： $$ x_{A,j} \mathbf{\omega}^{(1)}\cdot\mathbf{x}_B, $$ 但： $$ \mathbf{\omega}^{(2)}\cdot\mathbf{x}_A < \mathbf{\omega}^{(2)}\cdot\mathbf{x}_B. $$ ### 證明 因為兩狀態 Pareto 不可比較，存在： $$ i $$ 使： $$ x_{A,i}>x_{B,i}, $$ 並存在： $$ j $$ 使： $$ x_{A,j} x_{B,i} = \mathbf{\omega}^{(1)}\cdot\mathbf{x}_B. $$ 再令第二位觀察者權重集中於 $j$： $$ \omega_j^{(2)}=1, $$ 其餘為： $$ 0. $$ 則： $$ \mathbf{\omega}^{(2)}\cdot\mathbf{x}_A = x_{A,j} < x_{B,j} = \mathbf{\omega}^{(2)}\cdot\mathbf{x}_B. $$ 因此存在排序反轉。 $$ \boxed{\square} $$ 若要求所有權重嚴格正，可將主要權重設為 $1-\epsilon$，其餘座標分配總量 $\epsilon$ ；對充分小的 $\epsilon>0$，嚴格不等式仍保持。 --- ## 17. 定理 2：Dominance Invariance Theorem 若： $$ x_{A,k}\ge x_{B,k} $$ 對所有： $$ k=1,\ldots,m $$ 成立，且至少一個座標嚴格大於，則任何座標單調遞增的投影： $$ G(\mathbf{x}) $$ 都滿足： $$ G(\mathbf{x}_A) \ge G(\mathbf{x}_B). $$ 若 $G$ 對至少一個嚴格優勢座標嚴格遞增，則： $$ G(\mathbf{x}_A) > G(\mathbf{x}_B). $$ ### 證明 由座標單調性直接成立。 $$ \boxed{\square} $$ --- ## 18. 排序反轉的理論含義 定理 1 與定理 2 共同給出： $$ \boxed{ \text{observer disagreement is structurally expected when public states are incomparable}. } $$ 因此： > 「普通人覺得 $A$ 比 $B$ 有名，但專家覺得 $B$ 比 $A$ 有名」 不必表示其中一方錯誤。 可能只是： $$ \mathbf{x}_A \parallel \mathbf{x}_B $$ 而： $$ \omega_{\mathrm{lay}} \neq \omega_{\mathrm{expert}}. $$ 真正需要判定的是： > 他們究竟在投影哪些維度？ --- ## 19. 感知顯著性偏差 若選定一個參照群體： $$ \mathcal U^\star $$ 並定義參照公共顯著度： $$ P^\star(E), $$ 則觀察者偏差： $$ B_o(E) = \Pi_o(E)-P^\star(E). $$ 若： $$ B_o(E)>0, $$ 表示觀察者高估相對公共顯著度。 若： $$ B_o(E)<0, $$ 表示低估。 注意： $$ P^\star $$ 不是形而上的「真名氣」。 它只是研究者選定的外部 benchmark，例如： - 全國 population recognition； - 專業社群 recognition； - 多平台 attention aggregate； - 第三方提及率。 --- ## 20. Familiarity Inflation 定義： $$ B_F(E) = \Pi_o(E\mid F_o) - \Pi_o(E\mid F_o=0). $$ 當： $$ B_F>0, $$ 表示熟悉度使感知顯著度上升。 false-fame effect 可以被視為： $$ B_F>0 $$ 的極端實驗例。 而： $$ z_o $$ 越低，理論上： $$ \frac{\partial B_F}{\partial z_o}<0. $$ 這是一個可檢驗假說。 --- ## 21. Search Abundance Illusion 當觀察者進行一次搜尋後看到大量結果，可能由： $$ P_S\gg0, \quad I\gg0 $$ 推斷： $$ H_{\mathrm{public}}\gg0. $$ 但 Paper 03 已證明： $$ P_S\uparrow \not\Rightarrow H_0\uparrow. $$ 因此定義： $$ B_{\mathrm{search}} = \Pi_o(E\mid P_S,I) - H_{\mathrm{ref}}(E). $$ 若： $$ B_{\mathrm{search}}\gg0, $$ 可以稱為： $$ \boxed{ \text{Search-Abundance Prominence Illusion}. } $$ 這並不表示搜尋者愚蠢。 對缺乏額外資訊的人而言： $$ P_S $$ 本來就是可以使用的 Bayesian evidence。 錯誤只出現在： $$ P(H\mid P_S) $$ 被估得過高時。 --- ## 22. Bayesian Observer Model 令觀察者估計： $$ F_E $$ 代表某種參照公共顯著狀態。 則： $$ P(F_E\mid O_o) \propto P(O_o\mid F_E) P_o(F_E), $$ 其中： $$ O_o $$ 是觀察者看到的證據。 不同觀察者可以具有不同 prior： $$ P_{o_1}(F_E) \neq P_{o_2}(F_E), $$ 也可以對相同證據使用不同 likelihood： $$ P_{o_1}(O\mid F_E) \neq P_{o_2}(O\mid F_E). $$ 因此 posterior 當然可能不同。 這把「感覺這人可能很有名」轉化成： $$ \boxed{ \text{observer-conditioned inference}. } $$ --- ## 23. 類別先驗 觀察者不只使用個體資訊，也使用類別。 令： $$ c(E) $$ 為實體所屬類別。 例如： - 教授； - 公司創辦人； - 作家； - YouTuber； - 數學家； - 遊戲開發者； - 政治人物。 則： $$ P_o(F_E) $$ 可能受到： $$ P_o(F_E\mid c(E)) $$ 影響。 如果觀察者相信： > 「能出版多本書的人通常具有一定名氣」 則看到「多本書」會提高 posterior。 專家若知道大量自費出版或獨立出版案例，可能使用完全不同 prior。 因此： $$ \boxed{ \text{category knowledge alters perceived prominence}. } $$ --- ## 24. 身份結構本身也會造成名氣推論 NUMSC 中： $$ R\gg0 $$ 表示多符號身份高度閉合。 普通觀察者看到： $$ \text{person} \leftrightarrow \text{company} \leftrightarrow \text{books} \leftrightarrow \text{products} \leftrightarrow \text{websites} $$ 可能推論： $$ \Pi_o\uparrow. $$ 但： $$ R $$ 只證明身份結構一致，不能直接推出： $$ H_{\mathrm{public}}\gg0. $$ 因此： $$ \boxed{ \text{identity coherence} \neq \text{social fame}. } $$ 然而 identity coherence 仍然是觀察者合理使用的 prominence cue。 --- ## 25. 專家修正 令普通觀察者初始估計： $$ \Pi_{\mathrm{lay}}. $$ 專家進一步取得： - citation； - peer review； - sales； - market share； - independent mentions； - field recognition； - institutional standing。 令其修正算子： $$ \mathcal C_e. $$ 則： $$ \Pi_{\mathrm{expert}} = \mathcal C_e \left( \Pi_{\mathrm{lay}}, O_{\mathrm{domain}} \right). $$ 此修正可能： $$ \Pi_{\mathrm{expert}} < \Pi_{\mathrm{lay}}, $$ 亦可能： $$ \Pi_{\mathrm{expert}} > \Pi_{\mathrm{lay}}. $$ 因此專業知識的作用不是固定「降低名氣」，而是提高領域條件下的判別。 --- ## 26. AI 修正 對搜尋型 AI： $$ \Pi_{\mathrm{AI}} $$ 可以透過： $$ \text{query expansion} + \text{entity resolution} + \text{cross-source comparison} + \text{source-quality assessment} $$ 對第一印象進行修正。 因此 AI 可能比一次性人類搜尋更容易發現： $$ P_S\gg H $$ 的解耦。 但這不是保證，因為 AI 也可能： - 過度相信自有網站； - 把鏡像當多來源； - 把資料量誤認成權威； - 受到熱門實體 prior 支配； - 產生高階關係幻覺。 所以： $$ \boxed{ \text{AI observer} \neq \text{objective observer}. } $$ --- ## 27. 觀察者校準 對一組實體： $$ E_1,\ldots,E_n, $$ 觀察者預測： $$ \Pi_o(E_i). $$ 選定 reference prominence： $$ P^\star(E_i). $$ 可定義校準誤差： $$ \operatorname{MSE}_o = \frac{1}{n} \sum_{i=1}^{n} \left[ \Pi_o(E_i)-P^\star(E_i) \right]^2. $$ 若使用 binary fame threshold： $$ Y_i = \mathbf 1 [ P^\star(E_i)\ge\tau ], $$ 則可以使用： $$ \operatorname{Brier}_o = \frac{1}{n} \sum_{i=1}^{n} \left( \Pi_o(E_i)-Y_i \right)^2. $$ 這使「誰比較會判斷一個人是不是有名」變成可實驗問題。 --- ## 28. 排序一致性 除了絕對分數，也可以比較排序。 令： $$ \pi_o $$ 為觀察者對實體的 prominence ranking。 令： $$ \pi^\star $$ 為 benchmark ranking。 可以使用： $$ \tau_K = \operatorname{Kendall} \left( \pi_o, \pi^\star \right). $$ 普通人、專家與 AI 的： $$ \tau_K $$ 可以直接比較。 因此問題從： > AI 比人更準嗎？ 轉為： > 在哪些實體類別與資訊條件下，哪種觀察者的排序校準更高？ --- ## 29. ODPP Benchmark 本文提出： **Observer-Dependent Perceived Prominence Benchmark（ODPP Benchmark）** 實體應覆蓋： 1. 高搜索、低社會認知； 2. 低搜索、圈內高認知； 3. 高權威、低曝光； 4. 高曝光、低權威； 5. 高歧義名稱； 6. 大量自有內容； 7. 大量第三方內容； 8. 新興人物／品牌； 9. 歷史人物； 10. 跨語言實體； 11. 高爭議人物； 12. 高負面聲譽人物。 觀察者至少包含： $$ \mathcal O = \{ \text{layperson}, \text{domain expert}, \text{search engine}, \text{LLM closed-book}, \text{LLM+search} \}. $$ --- ## 30. 實驗流程 每個觀察者依序獲得： ### Stage 0：名稱 只提供： $$ s_1. $$ 記錄： $$ \Pi^{(0)}. $$ ### Stage 1：搜尋摘要 提供搜尋結果頁摘要： $$ \Pi^{(1)}. $$ ### Stage 2：身份閉合 提供多符號與多來源關係： $$ \Pi^{(2)}. $$ ### Stage 3：領域驗證 提供： - citation； - independent coverage； - sales； - expert recognition； - institutional evidence。 得到： $$ \Pi^{(3)}. $$ 於是可以研究更新軌跡： $$ \Pi^{(0)} \rightarrow \Pi^{(1)} \rightarrow \Pi^{(2)} \rightarrow \Pi^{(3)}. $$ --- ## 31. 感知更新曲線 定義： $$ \Delta\Pi_k = \Pi^{(k)} - \Pi^{(k-1)}. $$ 普通人可能： $$ \Delta\Pi_1\gg0 $$ 因搜尋頁面大量結果而提高評價。 專家可能在： $$ \Delta\Pi_3 $$ 才發生主要修正。 AI 搜尋代理可能在： $$ \Delta\Pi_2 $$ 完成身份閉合後產生最大更新。 因此不同觀察者的顯著性推論不只終點不同，連更新路徑也可以不同。 --- ## 32. 可檢驗假說 ### H1：Familiarity Inflation Hypothesis 控制真實公共認知後： $$ F_o\uparrow \Rightarrow \Pi_o\uparrow $$ 在低 source-monitoring 條件下更強。 ### H2：Expert Calibration Hypothesis 在領域內： $$ e_o\uparrow \Rightarrow \operatorname{CalibrationError}\downarrow. $$ 但： $$ \hat e_o\uparrow $$ 不保證相同結果。 ### H3：Search-Abundance Inflation Hypothesis 對缺乏領域知識的觀察者： $$ I,P_S\uparrow $$ 會使： $$ \Pi_o $$ 提高得比： $$ H_{\mathrm{ref}} $$ 更快。 ### H4：Observer Rank-Reversal Hypothesis 在 Pareto 不可比較實體對中： $$ P \left( \operatorname{rank}_{o_1} \neq \operatorname{rank}_{o_2} \right) $$ 高於 Pareto dominance 實體對。 ### H5：AI Search Correction Hypothesis 對： $$ P_S\gg H $$ 的實體，允許來源比較與身份解析的 AI 比 closed-book AI 更能降低： $$ |B_o|. $$ 此假說必須實證，不能預設成立。 --- ## 33. 感知顯著度與聲譽仍然不同 即使： $$ \Pi_o(E)\gg0, $$ 也不能推出： $$ \rho_o(E)>0. $$ 所以觀察者可能同時認為： $$ \text{「非常有名」} $$ 與： $$ \text{「評價很差」}. $$ 本文只研究： $$ \Pi. $$ 聲譽極性： $$ \rho $$ 仍是 PPSS 的另一個座標。 --- ## 34. 感知顯著度與品質也不同 同樣： $$ \Pi_o(E)\gg0 $$ 不能推出： $$ Q(E)\gg0. $$ 這將在 Series II 成為核心。 Paper 04 的角色只是建立觀察層： $$ \text{Public State} \rightarrow \text{Observer Perception}. $$ 而 Series II 將研究： $$ \text{Intrinsic Quality} \rightarrow \text{Discovery} \rightarrow \text{Popularity} \rightarrow \text{Success}. $$ --- ## 35. 與前三篇的統一 Paper 01： $$ \mathbf{x}_E^{\Omega} = (I,S,V,D,R,M,H,A,\rho). $$ Paper 02： $$ R = \Phi \left( \Sigma_E, \mathbf w^{\Omega}, \mathfrak T_E^{\Omega}, \mathcal D, \mathbf K \right). $$ Paper 03： $$ (P_S,M_L,H_0). $$ Paper 04 現在加入： $$ \boxed{ \Pi_o(E) = G_{\theta_o} \left( \mathbf{x}_E^{\Omega} \right). } $$ 因此整體結構成為： $$ \boxed{ \text{Symbol/Evidence} \rightarrow \text{Public Entity State} \rightarrow \text{Search/Machine/Human Channels} \rightarrow \text{Observer Perception}. } $$ --- ## 36. 理論邊界 本文不主張： 1. 所有名氣判斷都是偏誤； 2. 普通人一定比專家差； 3. 專家永遠不受 familiar bias； 4. AI 是客觀觀察者； 5. 搜尋量大必然導致錯誤名氣推論； 6. 存在唯一「真 Fame Scalar」； 7. 線性權重足以描述所有觀察者； 8. false-fame effect 可以直接外推到所有網路搜尋情境。 本文只主張： $$ \boxed{ \text{perceived prominence is observer-conditioned}. } $$ 以及不同觀察者在 Pareto 不可比較的公共狀態上出現排序反轉，是數學上自然的結果。 --- ## 37. 結論 本文提出觀察者依賴感知顯著度： $$ \boxed{ \Pi(E\mid\Omega,\theta_o) = G_{\theta_o} \left( \mathbf{x}_E^{\Omega} \right). } $$ 觀察者狀態包括： $$ \theta_o = (e_o,\hat e_o,f_o,z_o,b_o,a_o,g_o,\ell_o). $$ 因此「看起來很有名」不是實體公共狀態的直接複製，而是： $$ \boxed{ \text{public evidence} + \text{observer prior} + \text{familiarity} + \text{expertise} + \text{source monitoring} + \text{task context} } $$ 共同形成的條件推論。 本文證明： $$ \mathbf{x}_A\parallel\mathbf{x}_B $$ 時，可以存在： $$ \Pi_{o_1}(A)>\Pi_{o_1}(B) $$ 而： $$ \Pi_{o_2}(A)<\Pi_{o_2}(B). $$ 所以不同觀察者對「誰比較有名」產生完全相反的答案，並不自動意味著其中一個人在犯錯；它可能源於公共狀態本身的多維不可比較性。 同時，false-fame、source monitoring 與 exposure 文獻又顯示，觀察者確實可能因熟悉度與來源歸因失敗產生系統性偏差。 因此完整理論必須同時允許： $$ \boxed{ \text{rational observer heterogeneity} } $$ 與： $$ \boxed{ \text{observer-specific bias}. } $$ 下一篇將把問題從「不同觀察者怎麼看」推向時間軸： > 如果一個實體持續、大量、跨平台地增加有效公開資訊，它是否會產生無法長期隔離的公共顯著性壓力？ 這將構成 Series I / Paper 05。 --- ## 參考文獻 [1] Jacoby, L. L., Kelley, C., Brown, J., & Jasechko, J. (1989). Becoming Famous Overnight: Limits on the Ability to Avoid Unconscious Influences of the Past. *Journal of Personality and Social Psychology*, 56(3), 326–338. DOI: 10.1037/0022-3514.56.3.326. [2] Johnson, M. K., Hashtroudi, S., & Lindsay, D. S. (1993). Source Monitoring. *Psychological Bulletin*, 114(1), 3–28. DOI: 10.1037/0033-2909.114.1.3. [3] Dywan, J., & Jacoby, L. (1990). Effects of Aging on Source Monitoring: Differences in Susceptibility to False Fame. *Psychology and Aging*, 5(3), 379–387. DOI: 10.1037/0882-7974.5.3.379. [4] Montoya, R. M., Horton, R. S., Vevea, J. L., Citkowicz, M., & Lauber, E. A. (2017). A Re-examination of the Mere Exposure Effect: The Influence of Repeated Exposure on Recognition, Familiarity, and Liking. *Psychological Bulletin*, 143(5), 459–498. DOI: 10.1037/bul0000085. [5] Foti, R. J., & Luch, C. H. (1992). The Influence of Individual Differences on the Perception and Categorization of Leaders. *The Leadership Quarterly*, 3(1), 55–66. DOI: 10.1016/1048-9843(92)90006-2. [6] Atir, S., Rosenzweig, E., & Dunning, D. (2024). Does Expertise Protect Against Overclaiming False Knowledge? *Organizational Behavior and Human Decision Processes*, 184, 104354. DOI: 10.1016/j.obhdp.2024.104354. [7] Atir, S., Rosenzweig, E., & Dunning, D. (2015). When Knowledge Knows No Bounds: Self-Perceived Expertise Predicts Claims of Impossible Knowledge. *Psychological Science*, 26(8), 1295–1303. DOI: 10.1177/0956797615588195. [8] Du, K., Snæbjarnarson, V., Stoehr, N., White, J., Schein, A., & Cotterell, R. (2024). Context versus Prior Knowledge in Language Models. *Proceedings of ACL 2024*, 13211–13235. DOI: 10.18653/v1/2024.acl-long.714. [9] Tan, C., Wei, F., Ren, P., Lv, W., & Zhou, M. (2017). Entity Linking for Queries by Searching Wikipedia Sentences. *Proceedings of EMNLP 2017*, 68–77. DOI: 10.18653/v1/D17-1007. [10] Vollmers, D., Zahera, H., Moussallem, D., & Ngonga Ngomo, A.-C. (2025). Contextual Augmentation for Entity Linking using Large Language Models. *Proceedings of COLING 2025*, 8535–8545. [11] Hanczakowski, M., Zawadzka, K., & Coote, L. (2019). False Fame Effects Emerge Following an Internal Context Shift and Are Abolished With Contextual Reinstatement. *Memory & Cognition*, 47, 1487–1500. --- ## 系列位置 **Series I：公共顯著性場與實體可辨識理論** 1. Paper 01：有名—無名的多維狀態空間 2. Paper 02：多符號非均勻權重與高階語義耦合 3. Paper 03：搜尋顯著度、人類知名度與機器可辨識度的解耦 4. **Paper 04：觀察者依賴的感知顯著度理論** 5. Paper 05：資訊質量累積與顯著性壓力猜想 6. Paper 06：第三方生成相變與自我繁殖公共圖