--- title: "長時序政治行動者建模：從靜態人物檔案到證據邊界時序行動者模型" english_title: "Longitudinal Political Actor Modeling: From Static Profiles to Evidence-Bounded Temporal Actor Models" series: "AI-Native Longitudinal Actor Intelligence" author: "Neo.K" institution: "EveMissLab／一言諾科技有限公司" paper: "01" version: "v0.1" date: "2026-08-28" language: "zh-TW" status: "Working Paper / Canonical UTF-8 Source" case_policy: "本文僅使用代號案例 P-01 作為方法示例；不宣稱其對應任何特定現實人物，亦不以未驗證人格推論取代可觀察證據。" --- # 長時序政治行動者建模：從靜態人物檔案到證據邊界時序行動者模型 **Longitudinal Political Actor Modeling: From Static Profiles to Evidence-Bounded Temporal Actor Models** **AI-Native Longitudinal Actor Intelligence Series — Paper 01** ## 摘要 現有政治人物分析常落在三種形式：靜態人物簡介、單一事件事實查核，以及以特定文本、投票或議題為單位的量化分析。這些方法各有價值，但難以回答一個更接近政治判斷核心的問題：同一政治行動者在多年時間中，跨越不同職位、制度、選舉、危機與政策領域時，其言論、決策、實際行動、結果歸因與後續修正之間，是否存在可重複、可反證且具有時序結構的穩定模式？ 本文提出「長時序政治行動者模型」（Longitudinal Political Actor Model, LPAM），將政治人物視為持續演化的時序行動者，而非固定人格標籤。LPAM 的 canonical source 不是 AI 生成的人物摘要，而是可追溯至來源、時間與角色的事件帳本。本文定義六層資料與推論架構：原始來源層、證據事件層、正規化關係層、行動者狀態層、可反證假說層與任務投影層；並要求事實、衍生量、假說與預測嚴格分離。本文進一步提出「言論—決策—行動—結果—歸因—修正」鏈結、跨語境一致性檢驗、未知值保存、反證優先與來源品質權重等原則。 本文主張，AI 的真正方法學價值不只是降低文本摘要成本，而是使長時序、高密度、跨資料源的政治行動者建模首次具有可操作性。然而，模型規模擴大同時會放大誤歸因、語境消失、確認偏誤與自動人格定罪的風險。因此，LPAM 不將「人物本質」設為 canonical fact；任何人格、治理風格或責任模式都只能作為受證據邊界約束、可被新資料推翻的高階假說。 **關鍵詞：** 長時序政治分析、政治行動者模型、政治文本、事件資料、證據帳本、AI 政治分析、可反證建模、政治記憶 --- ## Abstract Political actor analysis is commonly organized around static profiles, event-level fact checking, or issue-specific measurements derived from texts, votes, and political events. These approaches are valuable but do not by themselves provide a unified representation of how the same actor changes across time, roles, institutions, electoral cycles, crises, and policy domains. This paper proposes the Longitudinal Political Actor Model (LPAM), an evidence-bounded framework in which the canonical source is not an AI-generated profile but a provenance-preserving temporal ledger of claims, decisions, actions, outcomes, attributions, and corrections. LPAM separates source evidence, normalized relations, time-varying actor states, falsifiable hypotheses, and task-specific projections. It further requires strict separation among observed facts, derived measurements, hypotheses, and predictions. The framework is designed to exploit the scalability of modern AI while resisting automated character judgment, context collapse, and confirmation bias. The central methodological claim is that political actors should be modeled as evolving, role-dependent and evidence-constrained trajectories rather than as timeless personality labels. --- # 1. 問題：政治人物不是一張靜態人物卡 政治人物的公開形象常被壓縮成一組固定欄位：學歷、經歷、政黨、意識形態、主要議題、知名事件與若干代表性語錄。這類資料適合導覽，卻不適合回答長期政治判斷。 一個政治行動者在十年內可能依序成為學者、倡議者、立法者、候選人、行政首長或黨內領導者。同一句話在不同角色下可能具有不同權限、不同責任與不同政策成本。單純將全部言論放入同一文字集合，會把角色轉換造成的制度差異誤認為人格矛盾；反過來，只看單次事件，又會遺失長期模式。 因此，本文首先拒絕下列靜態假設： $$ Actor = Fixed\ Profile $$ 而改採： $$ Actor = Temporal\ Trajectory $$ 更完整地說，對行動者 $A$，其可研究狀態不是常數，而是： $$ M_A(t)=f(E_{A,1:t},R_A(t),I(t),C(t)) $$ 其中： - $E_{A,1:t}$ 表示截至時間 $t$ 可得、且與行動者 $A$ 有關的證據事件； - $R_A(t)$ 表示行動者在時間 $t$ 的角色與權限； - $I(t)$ 表示制度與組織環境； - $C(t)$ 表示事件語境、政策條件與外部環境。 這個定義刻意不包含「固定人格本質」。人格或治理風格可以作為後續假說，但不能直接寫入 canonical fact。 --- # 2. 既有方法做到了什麼，還缺什麼 本文並非主張政治學過去沒有長時序或計算方法。相反地，既有研究已經提供多個重要組件。 Martin 與 Quinn（2002）以動態理想點模型分析美國最高法院大法官，明確指出政治偏好不應被假定為時間不變；這證明「同一行動者的潛在狀態會隨時間變化」本身就是政治方法學的重要問題。 Grimmer 與 Stewart（2013）系統整理政治學的 text-as-data 方法，指出自動文本分析能大幅降低處理大型政治語料的成本，但自動化方法必須進行問題特定的驗證，不能以規模取代研究設計。 Leifeld（2013）的 discourse network analysis 顯示，政治行動者、政策概念、論述聯盟與政策變化可以被表示為隨時間演化的網絡，而不是只以單篇文本分析。 政治事件資料則長期使用「誰對誰做了什麼」的結構化表示。Brandt 與 Sianan（2024/2025）整理近年的政治事件資料方法，特別強調 actor、action、target、時間、角色與 ground truth 測量誤差；同一人物在不同時期可能具有不同角色，錯誤的時間與身份解析會直接導致錯誤推論。 到 2026 年，LLM 已進一步降低語意分類的成本。Benoit 等人提出可擴展、可複製的 LLM 政治文本自然語言理解流程；Wiegmann、Neyer 與 Stein（2026）則將 2006 至 2023 年歐洲議會演說分類為敘事支持訊號，再聚合成跨年代的時間序列。 這些成果共同證明以下能力已逐漸成熟： $$ Large\ Political\ Corpus \rightarrow Structured\ Temporal\ Signals $$ 但仍存在一個方法學空缺：多數方法的 canonical unit 仍然是文本、投票、事件、議題位置或特定政策網絡，而不是「同一個政治行動者跨多種證據型態的統一時序帳本」。 因此本文提出的新增層不是另一個情緒分析器，也不是另一個人物摘要器，而是： $$ Text + Vote + Decision + Action + Outcome + Attribution + Correction \rightarrow Actor\-Centric\ Temporal\ Ledger $$ --- # 3. LPAM 的最小事件單位 本文將每一筆可進入 canonical ledger 的政治事件表示為： $$ e_i=(id_i,a_i,t_i,r_i,s_i,c_i,q_i,d_i,x_i,o_i,g_i,u_i,p_i) $$ 其中： - $id_i$：不可變事件識別碼； - $a_i$：行動者識別； - $t_i$：時間或時間區間； - $r_i$：當時角色與制度權限； - $s_i$：來源； - $c_i$：事件語境； - $q_i$：公開主張、承諾或立場； - $d_i$：可辨識的決策； - $x_i$：可觀察行動； - $o_i$：後續結果； - $g_i$：功勞、責任或因果歸因； - $u_i$：後續修正、撤回、更新或再解釋； - $p_i$：provenance 與證據品質資訊。 並非每筆事件都必須填滿全部欄位。相反地，LPAM 對未知值採取保守規則： $$ Unknown \neq False $$ 例如，沒有找到某政治人物親自下令的證據，不等於證明他沒有下令；找不到某項承諾的實際交付，也不等於證明交付失敗。缺資料必須保留為 unknown、unresolved 或 not-observed，而不是由模型補完。 此原則是長時序人物分析能否避免「用空白證明有罪」的第一道防線。 --- # 4. 六層 canonical 架構 LPAM 將資料與推論分成六層。越往上，推論程度越高；越往下，越接近原始證據。 ## 4.1 L0：Source Artifact Layer L0 保存原始或可驗證來源，包括： - 國會與議會逐字稿； - 政府公報； - 法案、預算與表決； - 政策文件； - 記者會與完整訪談； - 影音與其可信逐字稿； - 官方社群貼文； - 新聞報導； - 組織文件； - 經適當來源鑑別的二手材料。 L0 不負責判斷人物特徵，只回答：「什麼來源在什麼時間留下了什麼內容？」 ## 4.2 L1：Evidence Event Layer L1 將 L0 解析成事件，但仍以證據為中心。每筆事件必須可以回到來源。 最小 commit 條件可寫為： $$ Commit(e_i)=1 \iff SourceBound(e_i)\land TimeBound(e_i)\land ActorResolved(e_i) $$ 若角色、時間或人物身份存在歧義，則事件可以進 provisional queue，但不得進入已驗證 canonical ledger。 ## 4.3 L2：Normalized Relation Layer L2 將事件正規化成可比較的關係，例如： $$ Actor \xrightarrow{supports} Policy $$ $$ Actor \xrightarrow{criticizes} Actor' $$ $$ Actor \xrightarrow{decides} Decision $$ $$ Decision \xrightarrow{implemented\ by} Agency $$ $$ Policy \xrightarrow{produces} Outcome $$ 這一層允許不同來源對同一事件提供互補資訊，但不得刪除來源差異。 ## 4.4 L3：Temporal Actor State Layer L3 才開始形成行動者狀態向量： $$ z_A(t)= [ stance, role, agenda, risk, alliance, responsibility, execution, communication, \ldots ]_t $$ 這個向量是特定研究任務下的 representation，不是人物本體。 ## 4.5 L4：Hypothesis Layer L4 允許提出例如： - 此行動者在成功事件中較常集中自我功勞； - 此行動者在不利問題中較常進行語義重框； - 此行動者論述能力強，但行政執行證據不足； - 此行動者在不同政治角色中出現原則適用差異。 但每一項只能表示為假說： $$ H_k \in \{open, supported, weakened, rejected, unresolved\} $$ 而不能從模型輸出直接升格為人物事實。 ## 4.6 L5：Projection Layer L5 才針對任務生成： - 學術分析； - 新聞研究； - 企業政治風險； - 公眾查詢； - 選舉比較； - 歷史回顧。 因此： $$ Canonical\ Ledger \neq Final\ Narrative $$ 不同使用者可以從同一證據帳本得到不同投影，但不能悄悄修改底層證據。 --- # 5. 事實、衍生量、假說與預測必須分型 LPAM 要求每一個輸出節點帶有型別： $$ \tau(y)\in \{OBS,DER,HYP,PRED\} $$ 其中： - $OBS$：直接可觀察或可來源綁定的事實； - $DER$：由多筆 $OBS$ 計算或規則化得到的衍生量； - $HYP$：可反證的解釋假說； - $PRED$：對未來或未觀察條件的預測。 例如： 「某人於某日公開說 X」屬於 $OBS$。 「過去五年 70% 的同類問題中出現重框語句」若有明確編碼規則，屬於 $DER$。 「此人具有穩定的責任逃避模式」只能是 $HYP$。 「若其成為行政首長，第二年後可能出現政策推進停滯」則是 $PRED$。 這四者若不分離，AI 會把「看起來像」逐步壓縮成「就是」，最後形成自動人格定罪。 --- # 6. 從單句矛盾升級為跨語境一致性 傳統政治攻防喜歡尋找： $$ Statement_{t_1}=A $$ 以及： $$ Statement_{t_2}=\neg A $$ 然後宣布「矛盾」。但政治語言常帶有範圍、角色、條件與受眾。兩句文字表面相反，不等於邏輯上真的矛盾。 因此 LPAM 將政治主張表示為： $$ q=(p,\sigma,\theta,\kappa,r,t) $$ 其中： - $p$：命題內容； - $\sigma$：支持、反對、保留等 stance； - $\theta$：適用範圍與條件； - $\kappa$：語境； - $r$：說話時角色； - $t$：時間。 只有在命題、範圍與關鍵條件足夠可比時，才進行一致性檢驗。 因此真正要測的是： $$ Consistency(A\mid Matched\ Contexts) $$ 而不是： $$ Surface\ Similarity(A) $$ 這一點對法律、行政與政治語言尤其重要。高度精細的語義區分可能是正確澄清，也可能被策略性用來迴避一般語境下的責任問題；LPAM 不預設兩者，必須從跨案例模式、制度角色與後續行動共同判斷。 --- # 7. 核心鏈：言論不能替代行動，行動也不能自動歸因給首長 本文提出 LPAM 最重要的鏈結單位： $$ Claim \leadsto Decision \leadsto Action \leadsto Outcome \leadsto Attribution \leadsto Correction $$ 這六個節點不能互相代換。 一位政治人物提出政策，不等於其已作成決策；作成決策不等於政策已被執行；執行不等於結果成功；結果成功也不等於功勞應完全歸於該政治人物。 因此禁止以下捷徑： $$ Claim \Rightarrow Execution $$ $$ Leadership\ Position \Rightarrow Personal\ Causation $$ $$ Outcome \Rightarrow Intended\ Outcome $$ 若要建立從 $q_i$ 到 $o_j$ 的鏈結，至少必須記錄： 1. 時間先後； 2. 制度權限； 3. 中介組織； 4. 執行證據； 5. 可能的外部因素； 6. 因果鏈信心值。 因此 LPAM 可以允許： $$ q_i \leadsto d_j \leadsto x_k \leadsto o_l $$ 但 $\leadsto$ 表示受證據支持的關係，不是「只要時間相鄰就自動推定因果」。 --- # 8. 行動者狀態必須是動態的 LPAM 不把政治人物固定在一個總分。對行動者 $A$，可以使用時間狀態： $$ z_A(t+1)=F(z_A(t),e_t,\epsilon_t) $$ 其中 $\epsilon_t$ 表示未觀察因素與測量誤差。 這個表示與動態理想點方法共享一個重要直覺：政治偏好與行為狀態未必恆定。但 LPAM 的目標不是只估計單一左右尺度，而是允許多個可觀察或可推論維度分別變化。 例如： $$ ExecutionEvidence_A(t) $$ 可能因首次擔任行政職而大幅增加； $$ ResponsibilityOwnership_A(t) $$ 可能在不同危機或角色下呈現不同分布； $$ IssuePosition_A(t) $$ 則可能因新證據、政黨策略或角色責任而改變。 關鍵不是要求政治人物永遠不變，而是辨認： $$ Change = Learning? $$ $$ Change = Role\ Adaptation? $$ $$ Change = Electoral\ Strategy? $$ $$ Change = Contradiction? $$ 這些只能是競爭性假說，而不能由單一語言模型自動裁決。 --- # 9. 反證優先：人物模型不是累積指控清單 長時序資料越多，越容易出現一個危險：研究者先形成印象，再從數十萬筆資料中找到支持自己的案例。 因此 LPAM 要求每個 $H_k$ 同時維護： $$ E_k^+ $$ 與： $$ E_k^- $$ 分別代表支持證據與反證。 可使用簡單的描述性支持分數： $$ S(H_k)= \frac{\sum_i w_i y_i} {\sum_i w_i} $$ 其中： $$ y_i\in\{-1,0,+1\} $$ 分別表示反證、中性與支持， $w_i$ 則由來源品質、直接性、語境匹配與角色相關性共同決定。 本文特別強調： $S(H_k)$ 不是「人格真實度」，也不是 Bayesian posterior；它只是一種可稽核的證據彙整工具。 更重要的規則是： $$ High\ Evidence\ Volume \neq High\ Evidence\ Quality $$ 同一新聞稿被一百家媒體轉載，不能算一百份獨立證據。 --- # 10. 來源品質與獨立性 長時序政治資料高度重複。若不做來源 lineage，AI 很容易把同一個原始說法經過大量轉載後誤認為共識。 因此對每筆來源 $s_i$ 應保存： $$ p_i=(origin,lineage,transformation,completeness,independence) $$ 至少區分： 1. 第一手正式紀錄； 2. 第一手非正式發言； 3. 完整影音； 4. 媒體逐字引用； 5. 媒體摘要； 6. 政黨或對手轉述； 7. 社群二次傳播； 8. 無法確認來源內容。 對政治人物模型而言，「完整回答」與「剪輯後一句話」不是同等資料。 因此： $$ Quote\ Accuracy \neq Context\ Completeness $$ 一句引用可能文字完全正確，卻仍因缺少前後條件而不足以支持高階人物推論。 --- # 11. 代號案例 P-01：如何研究，而不是如何定罪 為避免將方法論寫成特定政治人物的影射判決，本文僅使用代號案例 P-01 展示研究流程。P-01 不被宣稱對應任何特定現實人物。 假設研究資料顯示： - P-01 長期具有高度法律、學術或倡議型論述經驗； - P-01 在公開場合具有高資訊整合與解釋能力； - P-01 正進入需要大型行政執行能力的新政治角色； - P-01 已有若干組織或政治行動成果，但大型官僚體系管理資料不足。 研究者可以提出： $$ H_1: Discursive\ Competence > Observed\ Executive\ Evidence $$ 這是可以被資料支持的描述性假說。 但不能直接升格為： $$ H_2: P\text{-}01\ will\ fail\ as\ an\ executive $$ 更不能直接升格為： $$ H_3: P\text{-}01\ is\ inherently\ irresponsible $$ 若要研究 $H_2$ 或 $H_3$，必須等待或尋找真正具有決策所有權、組織控制權、預算責任與可觀察結果的案例。 即使觀察到 P-01 經常使用重框、幽默或語義切割，也只能先建立： $$ H_4: Reframing\ Frequency\ is\ high $$ 而不是： $$ Reframing = Responsibility\ Avoidance $$ 後者仍需要比較「自己犯錯」、「盟友犯錯」、「對手犯錯」及「結果已不可辯護」等 matched contexts。 這就是 evidence-bounded actor modeling 與政治評論最核心的差異。 --- # 12. AI 為什麼改變這個問題 傳統長時序人物研究成本極高。研究者必須人工蒐集多年資料、轉錄、標記、解決人物別名、判斷語境、建立事件時間線，最後才能進入實質分析。 AI 與現代資訊擷取系統正在降低： $$ Cost_{retrieval} $$ $$ Cost_{classification} $$ $$ Cost_{semantic\ matching} $$ $$ Cost_{cross\ temporal\ comparison} $$ Benoit 等人（2026）已展示 LLM 可以在政治文本分析中提供可擴展的語意理解，並強調驗證、模型版本與可複製流程的重要性。Wiegmann 等人（2026）則展示 reasoning LLM 可把二十年議會語料中的敘事支持聚合成時間訊號。 因此問題已不再只是：「AI 能不能讀政治文本？」 更重要的是： $$ Can\ AI\ maintain\ a\ verifiable\ political\ memory? $$ 以及： $$ Can\ it\ distinguish\ evidence\ from\ inference\ across\ years? $$ 本文的答案是：技術上正在變得可行，但前提是 canonical source 不能是生成式摘要，而必須是可回溯的事件帳本。 --- # 13. 「勤人 AI」的最小原型 本文只做初步定義；完整「勤人 AI」將在本系列 Paper 04 展開。 傳統懶人包的資訊流程是： $$ Large\ Corpus \rightarrow Compression \rightarrow Narrative $$ 長時序勤人 AI 則是： $$ Large\ Corpus \rightarrow Preservation \rightarrow Normalization \rightarrow Relations \rightarrow Temporal\ Modeling \rightarrow Task\ Projection $$ 因此其目標不是替使用者「少看資料」，而是替使用者完成原本沒有人力持續做的高密度比對。 真正的 canonical asset 是： $$ Evidence\ Ledger + Relation\ Graph + Temporal\ State $$ 而不是某次回答生成的結論。 --- # 14. 方法學失敗模式 LPAM 至少面臨八種失敗模式。 ## 14.1 Context Collapse 不同年代、職位與制度條件下的說法被當成完全相同情境。 ## 14.2 Role Collapse 將候選人、立委、部長、首長或私人身份下的話語視為同等權限行為。 ## 14.3 Source Multiplication 同一來源被轉載多次後被誤認為多筆獨立證據。 ## 14.4 Absence-as-Negation 找不到資料被錯誤解讀為事件沒有發生。 ## 14.5 Style-to-Character Leap 從說話幽默、犀利、重框或法律式語言，直接推論人格缺陷。 ## 14.6 Outcome Attribution Error 因政治人物位居首長位置，就將組織全部成果或失敗歸因於其個人。 ## 14.7 Confirmation Mining 先有結論，再從巨大語料中尋找足以支持結論的案例。 ## 14.8 Model Drift and Reproducibility Loss 使用會持續更新的閉源模型分析歷史資料，卻未保存模型版本、提示詞、抽樣設定與中間結果，導致未來無法重現。 因此 LPAM 的 AI 分析必須保存： $$ (model,version,prompt,parameters,input\ hash,output\ hash,time) $$ 模型本身可以替換，但分析 lineage 必須保留。 --- # 15. 驗證策略 一個可用的 LPAM 系統至少需要四種驗證。 ## 15.1 Extraction Validation AI 是否正確擷取人物、角色、時間、主張與行動？ ## 15.2 Relation Validation 「主張」與「決策」、「決策」與「執行」、「執行」與「結果」的鏈結是否真的由證據支持？ ## 15.3 Temporal Validation 時間軸是否混入事後資訊？分析時間 $t$ 的人物狀態時，不能偷用 $t+1$ 才知道的結果。 因此需要： $$ InformationSet(t)=\{e_i\mid t_i\le t\} $$ 所有歷史回測必須以當時可得資料為限制。 ## 15.4 Hypothesis Validation 人物模式必須以留出案例、反證案例與跨語境資料測試，而不是只在建模資料上驗證。 若假說聲稱「此人遇到失敗時傾向外部歸因」，則驗證樣本必須包含真正失敗、角色權限相近且責任可辨識的事件；不能拿一般政治攻防代替。 --- # 16. 從人物檔案到政治記憶基礎設施 LPAM 的長期價值不只在選舉評論。當 canonical ledger 積累到足夠時間尺度後，可以支援： - 政治學與公共行政研究； - 政治菁英與職涯路徑研究； - 政策承諾與交付分析； - 政治風險與企業策略； - 新聞深度研究； - 民主問責與公共記憶； - 歷史人物與制度演化研究。 但這些應是同一個 canonical evidence base 的不同 projection，而不是各自重新建立不可互證的人物故事。 因此本系列後續會把 LPAM 擴展到： $$ Political\ Actor \rightarrow Institution \rightarrow Policy \rightarrow Industry \rightarrow Firm $$ 使政治人物模型從「人物理解工具」進一步成為政治與經濟情報的基礎資料層。 --- # 17. 研究命題 本文提出以下研究命題，供後續實證工作驗證。 **命題 1：** 靜態人物 profile 對跨角色政治行為的解釋力，低於保留角色與時間條件的動態模型。 **命題 2：** 只使用文本立場的政治人物模型，會系統性高估 discourse competence 對 executive competence 的代表性。 **命題 3：** 加入 decision、action、outcome 與 attribution 後，可區分「會解釋政策」與「能交付政策」兩種原本容易被混淆的能力。 **命題 4：** 對政治人物一致性的可靠檢驗，必須在 matched contexts 下比較，否則會高估矛盾率。 **命題 5：** 在大規模 AI 政治分析中，來源 lineage 與反證保存對降低確認偏誤的重要性，不低於模型準確率本身。 **命題 6：** 長時序模型的主要價值不只是更完整地描述過去，而是提高對未來角色轉換、政策風險與治理型態的可檢驗預測能力。 --- # 18. 與本系列後續論文的關係 Paper 01 只建立 canonical actor layer，不提前取代後續議題。 Paper 02 將研究 discourse competence 與 executive competence 的型別錯誤。 Paper 03 將正式處理成功歸功、失敗歸責、責任擴散與 blame/credit asymmetry。 Paper 04 將完整定義「勤人 AI」與長時序自動研究系統。 Paper 05 將研究 AI 如何重新定價政治人物的知識、論述、判斷與執行能力。 Paper 06 將政治行動者模型接入企業、政策與經濟情報。 Paper 07 將建立 evidence-bounded actor modeling 的倫理、反證、名譽風險與推論邊界。 Paper 08 將比較台灣、日本與美國的政治菁英生成、教育背景、職涯路徑與制度甄補。 兩篇技術白皮書則把以上理論轉換為 Temporal Actor Intelligence Architecture 與 Diligent AI Political/Economic Intelligence Runtime。 --- # 19. 結論 政治人物不是一組永遠不變的標籤，也不是一串可以任意剪輯的名言。真正可研究的對象，是一條受到角色、制度、時間、資訊與現實結果共同約束的行動軌跡。 本文因此將政治人物研究的 canonical object 從「人物摘要」改為「可追溯的長時序事件帳本」，並要求： $$ Evidence \rightarrow Relation \rightarrow State \rightarrow Hypothesis \rightarrow Projection $$ 而不能倒過來由結論選擇證據。 AI 讓研究者第一次有機會把數十年的演說、法案、投票、決策、預算、行動、危機與結果放在同一個可查詢的時序框架中。但同一能力也會讓政治偏見、影射與人格定罪被自動化。因此，真正重要的創新不是「AI 更會評價政治人物」，而是建立一套讓 AI 即使分析得更勤、更廣、更久，也仍必須服從來源、時間、反證與不確定性的研究架構。 LPAM 的基本立場可以壓縮為一句話： $$ Political\ Memory\ should\ be\ long;\ political\ inference\ should\ remain\ bounded. $$ --- # References Benoit, K., De Marchi, S., Laver, C., Laver, M., & Ma, J. (2026). Using large language models to analyze political texts through natural language understanding. *American Journal of Political Science*. https://doi.org/10.1111/ajps.70050 Brandt, P. T., & Sianan, M. (2024/2025). Measurement of event data from text. *Frontiers in Political Science, 6*, 1453640. https://doi.org/10.3389/fpos.2024.1453640 Grimmer, J., & Stewart, B. M. (2013). Text as Data: The Promise and Pitfalls of Automatic Content Analysis Methods for Political Texts. *Political Analysis, 21*(3), 267–297. https://doi.org/10.1093/pan/mps028 Leifeld, P. (2013). Reconceptualizing Major Policy Change in the Advocacy Coalition Framework: A Discourse Network Analysis of German Pension Politics. *Policy Studies Journal, 41*(1), 169–198. https://doi.org/10.1111/psj.12007 Martin, A. D., & Quinn, K. M. (2002). Dynamic Ideal Point Estimation via Markov Chain Monte Carlo for the U.S. Supreme Court, 1953–1999. *Political Analysis, 10*(2), 134–153. https://doi.org/10.1093/pan/10.2.134 Schrodt, P. A., Gerner, D. J., Yilmaz, O., & Hermreck, D. (2005). The CAMEO Actor Coding Framework. Paper prepared for the Annual Meeting of the American Political Science Association. Wiegmann, M., Neyer, J., & Stein, B. (2026). Exploring Two Decades of Parliamentary Speeches on the Use of Narratives. *Proceedings of the 3rd Workshop on Natural Language Processing for Political Sciences (PoliticalNLP 2026)*. --- ## Canonical Source Note 本檔為 Paper 01 v0.1 的 UTF-8 canonical Markdown source。正式數學 source 僅使用 ` $...$ ` 與 `$$...$$` delimiter。任何 PDF、HTML 或聊天畫面均為 rendering/projection，不取代本檔。