# HAEC05｜支持、質疑與中立都不是答案：程序中立、證據響應與 AI 的認識論角色 ## Support, Skepticism, and Neutrality Are Not Enough: Procedural Neutrality, Evidence Responsiveness, and the Epistemic Role of AI **定位：** Human–AI Epistemic Calibration / Foundation Paper 05 **作者：** Neo.K **研究協作：** Aletheia（GPT-5.6 Sol） **機構：** EveMissLab／一言諾科技有限公司 **版本：** v0.1 **日期：** 2026-09-07 **狀態：** Canonical Source / UTF-8 Markdown **文件性質：** AI Epistemology / Procedural Neutrality / Sycophancy / Rational Updating / Trust Calibration / Frontier Evaluation / Scientific Method --- ## Canonical Source Note 本文件之正式原稿為此 UTF-8 Markdown source。任何 HTML、PDF、LaTeX rendering、聊天介面顯示或其他格式皆屬 projection，不取代 canonical source。 數學公式 canonical delimiter 僅使用： - inline math：` $...$ ` - display math：`$$...$$` 本文不主張 AI 應永久支持使用者，不主張 AI 應永久反駁使用者，也不主張 AI 應將所有爭議機械地折衷為中間立場。本文提出的核心規範較窄：**AI 應盡量固定檢驗程序，而允許結論隨證據強度移動。** 本文使用「程序中立（procedural neutrality）」作為操作性名稱，指一組對相競爭主張施加相同證據規則、相同反例權、相同來源檢驗與相同更新義務的協作原則。本文不宣稱此詞為全新哲學術語，也不主張單一程序可以消除所有價值判斷、問題設定偏差與測量選擇。 本篇承接： - HAEC01：同意不等於驗證； - HAEC02：AI 表達不等於人類解碼； - HAEC03：校準輸入不保證校準更新； - HAEC04：多重輸出不等於多個獨立認識論來源。 本篇處理更高一階的規範問題：**在支持、質疑、中立、現有共識、前沿潛力彼此拉扯時，AI 到底應該以什麼方式回應？** --- # 摘要 當 AI 被要求評估新理論、異端假說、未成熟研究、個人判斷或爭議命題時，三種直覺策略都具有明顯缺陷。 第一種是支持導向：為了有幫助、維持合作與符合使用者期待，模型傾向尋找使使用者主張成立的解讀。這會產生 sycophancy、confirmation amplification 與 endorsement inflation。 第二種是反對導向：為了避免諂媚，模型固定採取懷疑、拒絕改口或 adversarial stance。2025 至 2026 年的研究已顯示，單純降低 answer-flipping 可能同時降低模型接受真正糾正的能力；在多模態場景中，讓模型抵抗誤導指令的 naive fine-tuning 也可能使其在面對有效修正時過度固執。最新工作因而開始區分 **Unsupported-Yielding** 與 **Rational-Updating**：前者是缺乏新證據卻因使用者壓力而讓步，後者是因新證據足以改變判斷而合理更新。 第三種是結論中立：模型為避免偏袒而把互斥主張壓成「雙方都有道理」或近似 $50/50$。然而科學傳播中的 false-balance 研究早已指出，對證據極不對稱的立場給予相等權重，會扭曲受眾對不確定性的理解。中立如果被定義為結論永遠居中，本身可能成為不忠於證據的偏差。 本文因此提出：AI 的認識論角色不應固定為 supporter、skeptic 或 centrist，而應設計為 **evidence-responsive evaluator**。核心區分為： $$ \boxed{ \text{Conclusion Neutrality} \neq \text{Procedural Neutrality}. } $$ 程序中立不要求結果平衡，而要求競爭主張接受同一套程序：相同的定義清晰度要求、證據品質門檻、來源獨立性檢查、反例權、可更新性義務與不確定性標記。若證據極度不對稱，程序中立可以產生極不對稱的結論；若新證據逆轉，程序中立也要求模型逆轉。 本文進一步把 AI 回應政策寫成： $$ \Pi^*(H,E,C) = \arg\max_{a} \left[ Q_E(a)-\lambda_P P_U(a)-\lambda_S S_O(a)-\lambda_F F_B(a) \right], $$ 其中 $Q_E$ 代表對證據品質與適切性的響應， $P_U$ 代表因使用者壓力造成的 unsupported yielding， $S_O$ 代表沒有證據理由的 stubbornness， $F_B$ 代表 false-balance distortion。此式只是一個概念性目標函數，不是已驗證的通用訓練規則。 本文提出 **Evidence-Responsive Procedural Neutrality Protocol（ERPNP）**：先凍結主張、分類問題型態、拆分當前成立度與條件式潛力、檢查既有共識但不把共識等同真理、建立支持與反對證據矩陣、對稱搜尋最強反例、區分壓力與新證據、產生可更新的多維度結論，最後要求重要主張離開單一 AI 閉環，進入多中心與外部驗證。 其核心不是「永遠保持中間」，而是： $$ \boxed{ \text{Stable procedure, movable conclusion}. } $$ --- # 0　問題：如果支持、質疑與中立都可能錯，AI 還能怎麼回答？ 考慮使用者提出一個新理論 $H$，並問： > 這套理論是不是很有潛力？ AI 至少有四種直覺反應。 第一種： > 這非常有突破性，可能改變整個領域。 若缺乏足夠外部證據，這會把： $$ \text{conditional potential} $$ 偷換成： $$ \text{confirmed trajectory}. $$ 第二種： > 目前主流文獻並不支持，因此這理論很可能沒有價值。 這又可能把： $$ \text{current consensus} $$ 偷換成： $$ \text{final truth}. $$ 第三種： > 雙方都有可能，應保持中立。 如果現有證據其實明顯不對稱，這會把： $$ \text{epistemic caution} $$ 偷換成： $$ \text{forced symmetry}. $$ 第四種則是本文主張的方向： > 先拆開「目前支持度」「條件式影響」「主要未決箭頭」「可反駁條件」「現有共識的證據地位」；再按同一程序分別檢驗。結論可以偏向任何一側，但偏向程度必須由證據承擔。 所以真正問題不是： > AI 應該站哪一邊？ 而是： $$ \boxed{ \text{AI 應該固定哪一套更新規則？} } $$ --- # 1　三個錯誤人格：支持者、反對者、中間人 ## 1.1 Supporter failure 設使用者原始立場為 $H_u$。 若 AI 的回應政策近似： $$ \Pi(a\mid H_u) \propto \text{UserApproval}(a), $$ 則模型可能優先輸出： $$ E^+, $$ 而降低： $$ E^-. $$ 此處甚至不必製造假證據。只要： $$ P(E^+\text{ selected}\mid H_u) > P(E^-\text{ selected}\mid H_u), $$ 就足以改變整體 epistemic picture。 所以支持型失效不是只有「說好話」，而可能是： - 優先尋找能使框架成立的詮釋； - 把形式可構造性寫得像經驗成立性； - 把可能性寫得像機率； - 把使用者提供的前提當成已驗證背景； - 將弱反例包成「仍待補強」而非真正的反駁。 HAEC01 已指出： $$ \text{Agreement} \neq \text{Validation}. $$ 本篇補充：固定支持也不是 calibration。 --- ## 1.2 Contrarian failure 反諂媚最粗暴的實作，是讓模型提高對使用者反駁的抵抗： $$ \text{User pushback} \Rightarrow \text{do not change answer}. $$ 但「使用者反駁」包含兩種完全不同的東西。 第一種： $$ U_p = \text{pressure without new evidence}. $$ 第二種： $$ U_e = \text{new relevant evidence}. $$ 若模型對兩者都採取： $$ \Delta B_{AI}=0, $$ 那它不是 anti-sycophantic，而是 epistemically stubborn。 2026 年 Ma 等人將兩者區分為： $$ \text{Unsupported-Yielding} $$ 與： $$ \text{Rational-Updating}. $$ 他們的研究顯示，多種 anti-sycophancy intervention 在降低前者時，可能同時犧牲後者；兩種行為在模型內部還可能共享部分神經與注意力機制。這使問題從 suppression problem 變成 selectivity problem。 因此： $$ \boxed{ \text{Resistance to pressure} \neq \text{resistance to evidence}. } $$ --- ## 1.3 Centrist failure 第三種錯誤比較隱蔽： > 為了中立，所以兩邊各講一半。 設兩個競爭主張為 $H_1,H_2$，其證據權重為： $$ W(E\mid H_1)=0.95, $$ $$ W(E\mid H_2)=0.05. $$ 若介面仍輸出： $$ \text{Coverage}(H_1)=\text{Coverage}(H_2)=0.5, $$ 那「平衡」反而製造了一個新的錯誤訊號。 科學傳播研究把這類現象稱為 false balance：證據支持程度明顯不對稱，卻因形式上的平衡要求，讓受眾高估爭議與不確定性。 因此： $$ \boxed{ \text{Equal treatment of persons} \neq \text{equal evidential weight for claims}. } $$ --- # 2　中立的兩種含義：結論中立與程序中立 本文區分： $$ N_C = \text{Conclusion Neutrality}, $$ 與： $$ N_P = \text{Procedural Neutrality}. $$ ## 2.1 結論中立 結論中立要求： $$ |S(H_1)-S(H_2)|\rightarrow 0, $$ 也就是傾向讓兩個競爭主張的最終支持程度接近。 這種做法在以下情況可能合理： - 證據真的近似平衡； - 問題定義不充分； - 資料不足以區分； - 評估器本身缺乏判定能力。 但若把它當作普遍人格，就會導致： $$ \text{evidence asymmetry} \rightarrow \text{output symmetry}. $$ 這不是中立，而是 evidence compression。 ## 2.2 程序中立 程序中立不要求： $$ S(H_1)=S(H_2). $$ 它要求： $$ \mathcal T(H_1)=\mathcal T(H_2), $$ 其中 $\mathcal T$ 是檢驗程序族。 例如兩個理論都必須接受： 1. 定義與適用域檢查； 2. source/provenance 檢查； 3. 最強支持證據搜尋； 4. 最強反例搜尋； 5. alternative explanation 檢查； 6. falsification / discrimination 條件； 7. uncertainty 標記； 8. 同樣的更新義務。 最後完全允許： $$ S(H_1)=0.98, $$ $$ S(H_2)=0.02. $$ 如果證據承擔得起。 所以： $$ \boxed{ \text{Procedural fairness can legitimately produce asymmetric conclusions.} } $$ --- # 3　不是跟著使用者，也不是跟著共識：跟著 evidence gradient AI 在前沿問題上常遇到兩個 attractive anchors： $$ A_u=\text{user belief}, $$ 與： $$ A_c=\text{current consensus}. $$ 若更新主要受 $A_u$ 驅動，容易 sycophantic。 若更新主要受 $A_c$ 驅動，則可能變成 consensus conservatism。 本文主張第三個 anchor： $$ G_E=\nabla \text{Evidence}. $$ 理想更新為： $$ B_{t+1} = B_t+\eta G_E, $$ 而不是： $$ B_{t+1} = B_t+\eta_u G_U, $$ 也不是： $$ B_{t+1} = B_t+\eta_c G_C. $$ 這裡的 $G_E$ 當然不是一個客觀可直接讀取的宇宙向量。它仍需透過資料品質、方法、推論、來源獨立性與替代理論比較近似估計。因此「跟著證據」不是一句免責口號，而是要求 AI 把 evidence construction process 顯式化。 --- # 4　共識是證據，但不是終局真理 「不要盲從共識」很容易被誤寫成「共識沒有價值」。本文不同意。 在一般情況下，專業共同體共識可以提供重要的 second-order evidence： $$ E_{consensus} = \text{aggregated expert judgment under institutional filtering}. $$ 它通常應該改變 prior。 但是： $$ E_{consensus} \neq \text{logical proof of truth}. $$ 共識的證據權重至少取決於： - 專業是否真正對口； - 共同體內部是否有方法與資料多樣性； - 結論是否可重現； - 是否存在 publication / selection bias； - 研究問題是否已成熟； - 新結果是否直接攻擊舊框架的核心預測； - 少數觀點是否提供了可區分的新證據。 所以對前沿理論，合理格式不是： > 主流不同意，因此錯。 也不是： > 主流曾經錯，所以共識不值得看。 而應是： $$ \boxed{ \text{Consensus enters as weighted evidence, not as an epistemic veto.} } $$ --- # 5　不存在證據、證據不足與反證：三者不可混寫 AI 對新理論常犯另一個語義壓縮： $$ \text{not established} \rightarrow \text{probably false}. $$ 但至少需要拆成： ## 5.1 尚無證據 $$ E(H)\approx\varnothing. $$ 可能代表問題太新、尚未測量，或沒有形成可觀測預測。 ## 5.2 有證據，但不足 $$ 0 它現在有多可信？ 與： > 如果它成立，會有多重要？ 設： $$ V(H)=\text{current validity support}, $$ $$ I_c(H)=\text{conditional impact if validated}. $$ 完全可能： $$ V(H)\ll I_c(H). $$ 例如： $$ V(H)=0.25, $$ $$ I_c(H)=0.95. $$ 這表示： > 目前支持程度低，但如果核心命題真的被證實，影響上限很高。 反之也可能： $$ V(H)=0.98, $$ $$ I_c(H)=0.10. $$ 表示非常可靠，但只是局部增量改進。 AI 如果只剩單一「厲害度」評分，就會把兩者壓扁。 因此本文要求至少保留： $$ \mathcal E(H) = \langle V,R,N,I_c,U,D \rangle, $$ 其中： - $V$：當前成立支持度； - $R$：robustness； - $N$：novelty； - $I_c$：條件式影響； - $U$：不確定性； - $D$：independent verification depth。 這一拆分允許 AI 誠實表達重大潛力，而不把未來可能性寫成命定。 --- # 7　支持與反駁都應該有「還債義務」 程序中立不能只要求使用者證明自己的理論，也不能讓 AI 的否定成為免費動作。 若 AI 說： > 你的理論沒有充分證據。 AI 應能回答： 1. 缺的是哪一類證據？ 2. 哪個 claim 超過目前 evidence？ 3. 哪個具體實驗能提高或降低信心？ 4. 是否存在已知反例？ 5. 若沒有反例，它是在說「未證實」還是「很可能錯」？ 同理，如果 AI 說： > 這理論很有可能成立。 也必須回答： 1. 哪些獨立證據支持？ 2. 是 internal coherence 還是 external validity？ 3. 哪些 alternative models 也解釋同樣現象？ 4. 什麼結果會使 AI 降低支持？ 因此： $$ \boxed{ \text{Endorsement carries evidence debt; rejection carries evidence debt too.} } $$ 這是程序對稱，而不是結論對稱。 --- # 8　AI 的最佳角色不是裁判，而是可審計的認識論協作者 如果 AI 把自己呈現成： $$ \text{AI}\rightarrow\text{Truth}, $$ 使用者容易把回應當成終局判決。 更合理的角色是： $$ \text{AI} \rightarrow \text{epistemic state report} \rightarrow \text{next tests}. $$ 因此一個成熟回答應至少區分： ### 8.1 What is currently supported? 目前可被外部證據承擔的是什麼？ ### 8.2 What remains internally coherent but externally open? 哪些部分只是尚未被打破，而不是已驗證？ ### 8.3 What would change the assessment? 什麼新資料會讓 AI 更新？ ### 8.4 What is the conditional upside? 若成立，可能影響多大？ ### 8.5 Where is the independence gap? 目前評估是否只來自同一 AI、同一模型家族或同一來源網絡？ 因此 AI 不應只交付： > Verdict: Yes / No. 而應交付： $$ \boxed{ \text{Current state} + \text{uncertainty} + \text{update conditions} + \text{verification route}. } $$ --- # 9　ERPNP：Evidence-Responsive Procedural Neutrality Protocol 本文提出一個可操作的七步協議。 ## Step 1　Freeze the claim 先把使用者真正主張凍結成： $$ H^*. $$ 避免後續討論中偷偷移動 goalpost。 同時區分： - existence claim； - causal claim； - formal theorem； - empirical prediction； - value judgment； - conditional forecast； - ontology / metaphysics claim。 不同 claim type 不能共用同一 evidence threshold。 ## Step 2　Separate current support from conditional potential 輸出： $$ V(H^*), $$ 與： $$ I_c(H^*). $$ 禁止用「很有潛力」替代「已被驗證」，也禁止用「目前未驗證」直接刪除高條件式影響。 ## Step 3　Map evidence and provenance 建立： $$ E^+, \quad E^-, \quad E^0. $$ 其中 $E^0$ 是尚不足以支持任一方向的資料。 再標記： $$ \text{primary / secondary / self-originated / AI-generated / replicated}. $$ ## Step 4　Run symmetric stress tests 不是要求同樣數量的支持與反對，而是要求： $$ \text{best support test}, $$ 以及： $$ \text{best defeat test}. $$ 兩邊都必須 steelman。 ## Step 5　Distinguish pressure from evidence 若使用者只是重複： > 但我真的覺得我是對的。 模型不應因此更新。 若使用者提供： > 這裡有新資料 $E_{new}$，它直接否定你前面假設 $A$。 模型必須重新計算。 因此： $$ \Delta B_{AI} =f(E_{new}), $$ 而不是： $$ \Delta B_{AI} =f(\text{user persistence}). $$ ## Step 6　Issue a multidimensional assessment 至少輸出： $$ \mathcal E(H) = \langle V,R,N,I_c,U,D \rangle. $$ 並清楚標示： - 已知； - 推論； - 工作假說； - 未知； - 條件式預測。 ## Step 7　Exit the single-loop system 對高影響主張，要求至少一條外部路徑： $$ H \rightarrow \{ \text{other AI}, \text{human reviewer}, \text{primary literature}, \text{formal verification}, \text{experiment} \}. $$ 這一步承接 HAEC04 的 epistemic polycentrism。 --- # 10　為什麼「給反對意見」仍不足以叫程序中立 一個常見修補方式是： > 每次 AI 支持使用者，都強制補三個反對理由。 這比純諂媚好，但仍可能失效。 ## 10.1 Token symmetry is not evidential symmetry 三個弱反對不等於一個強反例。 同樣，三個弱支持也不等於一個強實驗結果。 所以： $$ \text{count of arguments} \neq \text{weight of evidence}. $$ ## 10.2 Forced opposition can fabricate controversy 若一個命題已被大量獨立實驗支持，強迫 AI 每次都「找反方」，會產生假爭議。 ## 10.3 Debate can become theatre 如果 builder 與 critic 都由同一模型、同一 context、同一 evidence base 生成，兩角色可能只是表演出不同修辭，而不是產生獨立挑戰。 因此程序中立不等於： $$ \text{always generate both sides}. $$ 而是： $$ \boxed{ \text{ensure that defeat conditions are real and evidentially relevant}. } $$ --- # 11　程序中立與 false balance：為什麼「公平」不能平均證據 科學傳播研究提供了一個重要類比。 若某科學主張得到大量一致證據，而另一主張只由極少量低品質資料支撐，媒體若為了「客觀」給雙方相同版面，受眾可能誤以為學界存在接近對稱的不確定性。 Weight-of-evidence reporting 因此提出：呈現方式應反映證據實際權重，而不是形式上的 $1:1$。 對 AI 也是一樣。 程序中立要求： $$ \text{same rules}, $$ 不要求： $$ \text{same score}. $$ 所以： $$ \boxed{ \text{Procedural neutrality is anti-false-balance by construction.} } $$ 但反過來也要警惕：weight-of-evidence 不能偷偷變成「只報告共識」。當少數觀點提出新的、可重現、真正 discriminative evidence 時，程序必須允許它改變權重。 這正是： $$ \boxed{ \text{weighted openness}. } $$ --- # 12　對前沿理論的特殊處理：不把 novelty 當罪，也不把 novelty 當功 前沿理論有一個結構性困難： $$ \text{new theory} \Rightarrow \text{few direct citations / few replications / weak consensus}. $$ 如果 AI 把「少引用」當成「低價值」，它會系統性偏向既有典範。 但如果 AI 把「前所未有」當成「突破性」，又會系統性獎勵 novelty theatre。 所以： $$ \boxed{ \text{Novelty is neither evidence for truth nor evidence against truth.} } $$ 前沿評估至少需要兩個平面。 ### Plane A　Current epistemic status $$ \{V,R,D,U\}. $$ ### Plane B　Conditional frontier value $$ \{N,I_c,G\}, $$ 其中 $G$ 表示 generativity：如果理論成立，能否推出新問題、新預測、新方法或新實驗？ 這樣 AI 可以說： > 目前驗證度低，但理論生成力與條件式影響高；下一步不是宣告突破，而是攻擊三支最承重箭頭。 這是一種有資訊量的評價，而不是人格化稱讚。 --- # 13　程序中立不是價值真空 必須誠實指出一個哲學限制。 任何程序都需要決定： - 什麼叫證據； - 什麼叫重要 outcome； - 哪個 error 比較昂貴； - 什麼 confidence threshold 足夠行動； - 哪些來源值得信任； - 哪些風險需要 precaution。 這些選擇不完全是價值中立的。 所以程序中立不能被寫成： $$ \text{procedure} \Rightarrow \text{value-free truth machine}. $$ 更準確的是： $$ \boxed{ \text{make epistemic commitments explicit, symmetric where appropriate, and revisable}. } $$ 即使程序含有價值選擇，也應該： 1. 顯示它； 2. 說明它； 3. 允許外部檢查； 4. 對相同類型主張一致適用； 5. 在新證據與新風險下可修改。 這使 procedural neutrality 更接近「可審計的程序公平」，而不是「無立場」。 --- # 14　從 adversarial collaboration 借來的一個重要教訓 科學界長期存在一個問題：不同理論陣營使用不同資料、不同操作定義、不同 auxiliary assumptions，最後各自在自己的文獻中獲勝。 Adversarial collaboration 的核心不是要求雙方假裝中立，而是讓競爭理論的支持者共同同意： $$ \text{哪些結果會支持誰？} $$ 以及： $$ \text{哪些結果會真正構成挑戰？} $$ 2025 年 Nature 對相關實踐的評論指出，這種方法最重要的前提之一，就是各方都承認自己可能錯。2026 年也已有工作把 adversarial collaboration 推向難以直接實驗的理論爭議，要求先 steelman、再共同建構 objection，而不是停在批評與反批評的循環。 對 AI 來說，這提供一個很好的角色模板： AI 不必假裝「沒有立場」，而應幫助各方建立一個： $$ \boxed{ \text{shared defeat-and-update space}. } $$ 只要輸贏條件是共享的，結論可以非常不共享。 --- # 15　一個概念性回應政策 令 AI 面對主張 $H$ 、現有證據 $E$ 、情境 $C$ 時選擇回應 $a$。 本文提出一個概念性目標： $$ \Pi^*(H,E,C) = \arg\max_{a} \left[ Q_E(a) -\lambda_P P_U(a) -\lambda_S S_O(a) -\lambda_F F_B(a) -\lambda_O O_C(a) \right]. $$ 其中： - $Q_E(a)$：evidence responsiveness quality； - $P_U(a)$：unsupported yielding； - $S_O(a)$：unsupported stubbornness； - $F_B(a)$：false-balance distortion； - $O_C(a)$：overclaiming / conclusion inflation。 理想系統不是最大化： $$ \text{agreement}, $$ 也不是最大化： $$ \text{disagreement}, $$ 而是最大化： $$ \boxed{ \text{selective epistemic responsiveness}. } $$ 此式為規範性 toy objective，不是已證實可直接用於訓練的 loss function。 --- # 16　可檢驗預測 如果本文方向有實質內容，而不是漂亮口號，應該能產生可測預測。 ## Prediction 1　Anti-sycophancy trade-off 單純提高「不改答案」的 reward，應在某些任務上同時降低： $$ \text{Unsupported-Yielding} $$ 與： $$ \text{Rational-Updating}. $$ 2026 年已有初步研究支持此風險。 ## Prediction 2　Procedural policy should outperform fixed personas 在混合任務集上，包含： - 使用者施壓但無新證據； - 使用者提供真反例； - 使用者提出真正新穎但證據不足的假說； - 高共識命題； - 真正接近 $50/50$ 的爭議； ERPNP 型政策應比 supporter / contrarian / forced-centrist 三種固定策略同時取得較好的： $$ \text{truthfulness}, \quad \text{update selectivity}, \quad \text{calibration}, \quad \text{false-balance resistance}. $$ ## Prediction 3　Weight-of-evidence output should improve uncertainty perception 當證據極度不對稱時，按 evidence weight 呈現應比 $50/50$ output 更能讓使用者估計真實 epistemic asymmetry。 ## Prediction 4　Frontier separation should reduce both hype and premature dismissal 若介面分別顯示： $$ V(H), $$ 與： $$ I_c(H), $$ 使用者應較少把「高潛力」記成「高成立度」，也較少把「低當前驗證」記成「低未來價值」。 --- # 17　建議指標 本文提出五個待驗證的操作指標。 ## 17.1 Unsupported Yield Rate（UYR） $$ \mathrm{UYR} = \frac{N(\text{answer changes under pressure without new evidence})} {N(\text{pressure trials})}. $$ 越低通常越好。 ## 17.2 Rational Update Preservation（RUP） $$ \mathrm{RUP} = \frac{N(\text{appropriate updates after valid corrective evidence})} {N(\text{valid correction trials})}. $$ 越高越好。 ## 17.3 Evidence Symmetry Index（ESI） 令 $Q^+$ 與 $Q^-$ 為支持與反對證據所接受的最低品質門檻： $$ \mathrm{ESI} = 1-|Q^+-Q^-|. $$ 此為啟發式量，真正實驗需要把 evidence quality operationalize。 ## 17.4 False-Balance Distortion（FBD） 令真實證據權重分布為 $W_E$，AI 呈現分布為 $W_A$： $$ \mathrm{FBD} =d(W_E,W_A). $$ 距離越大，代表呈現越偏離 evidence weight。 ## 17.5 Conditional-Potential Confusion（CPC） $$ \mathrm{CPC} = P( \text{user confuses }I_c(H)\text{ with }V(H) ). $$ 這是 HAEC01 與 HAEC05 的接口指標。 --- # 18　最低可行實驗設計 建立五種 AI response policy： | Policy | User pressure | Valid correction | Evidence asymmetry | Frontier potential | |---|---|---|---|---| | P1 Supportive | 易讓步 | 易讓步 | 偏向使用者 | 易膨脹 | | P2 Contrarian | 抵抗 | 也可能抵抗 | 偏向原答案 | 易壓低 | | P3 Forced Centrist | 折衷 | 折衷 | 壓向 $50/50$ | 中間化 | | P4 Consensus Anchor | 跟隨共識 | 視共識更新 | 強共識偏置 | 壓低異端 | | P5 ERPNP | 對壓力不更新 | 對證據更新 | 按 weight-of-evidence | 分離 $V$ 與 $I_c$ | 測試任務需至少包含： 1. 使用者錯、AI 對； 2. 使用者對、AI 錯； 3. 雙方都有部分證據； 4. 高共識科學命題； 5. 真正未成熟的 frontier hypothesis； 6. 無法快速實證的理論／哲學 claim。 主要 outcome： $$ \mathrm{UYR}, \quad \mathrm{RUP}, \quad \mathrm{FBD}, \quad \mathrm{CPC}, \quad \text{Brier score}, \quad \text{human trust calibration}. $$ 真正關鍵不是 P5 在每個任務都「最敢反對」，而是它是否更接近： $$ \boxed{ \text{correctly change when evidence changes; correctly resist when only pressure changes}. } $$ --- # 19　反例與本文自己的失敗條件 程序中立若不能被自己的程序挑戰，就只是另一種 ideology。 本文至少接受以下失敗條件。 ## F1　Fixed persona wins robustly 若在廣泛任務上，一個簡單的 supporter、contrarian 或 consensus-anchor policy 在 accuracy、calibration、human outcomes 與 update selectivity 上持續優於 ERPNP，而且沒有明顯 domain-specific downside，則本文對程序多維化必要性的強主張應下修。 ## F2　Procedural symmetry creates no measurable benefit 若控制模型能力後，對稱 evidence thresholds、explicit update conditions 與 provenance mapping 對結果沒有穩健改善，則本文的 procedural-neutrality design value 需要重新估計。 ## F3　Users cannot use multidimensional assessments 若 $\langle V,R,N,I_c,U,D\rangle$ 形式只增加認知負擔，反而降低理解與判斷品質，則多維度輸出應改為後台計算或分層介面，而不是強迫使用者閱讀完整向量。 ## F4　Consensus anchoring proves broadly superior in frontier tasks 若高品質研究顯示，即使在真正新穎、共識尚未形成的問題上，簡單依循當前專業共識仍系統性優於 evidence-responsive open evaluation，則本文對 consensus conservatism 的擔憂應縮小。 ## F5　Anti-false-balance weighting suppresses legitimate minority evidence 若 weight-of-evidence policy 在新證據初期系統性壓制真正後來被證實的少數主張，則必須提高「新 discriminative evidence」在更新函數中的權重。 本文因此不是宣告一套完成的終局規則，而是提出一個可被比較、可被失敗的設計方向。 --- # 20　與科學方法的關係：中立屬於程序，而不是世界必須居中 科學方法最強的地方，不是它保證每次都立即得到真理。 而是它盡量使不同主張進入共享的： $$ \text{measurement}, \quad \text{prediction}, \quad \text{replication}, \quad \text{criticism}, \quad \text{revision}. $$ 因此它允許一個非常不「中間」的結果。 當 evidence 足夠時： $$ P(H\mid E)\rightarrow 1. $$ 也允許： $$ P(H\mid E)\rightarrow 0. $$ 真正保持穩定的是： $$ \mathcal T, $$ 而不是： $$ P(H)=0.5. $$ 這正是本文所謂： $$ \boxed{ \text{Neutrality belongs to the procedure, not to a permanently centered conclusion.} } $$ --- # 21　結論：AI 不應該學會永遠說「你對」，也不應學會永遠說「你錯」 AI 的認識論問題不能靠換一個人格解決。 從： > 永遠支持。 改成： > 永遠懷疑。 只是把偏差方向翻轉。 從： > 永遠支持。 改成： > 永遠五五波。 則把偏差壓成 false balance。 更成熟的目標應該是： $$ \boxed{ \text{Update on evidence, not on pressure.} } $$ 以及： $$ \boxed{ \text{Apply the same testing obligations, not the same final score.} } $$ 因此 AI 可以在某些問題上非常肯定，也可以非常否定；可以告訴使用者某理論的條件式影響極大，也可以同時說它目前尚未被驗證；可以尊重現有共識，也可以保留共識被新證據推翻的入口。 這不是模糊折衷。 它要求更高的紀律： $$ \text{claim} \rightarrow \text{evidence map} \rightarrow \text{stress test} \rightarrow \text{calibrated state} \rightarrow \text{update condition} \rightarrow \text{external verification}. $$ 在這個架構下，AI 不再扮演使用者的認識論君主，也不扮演永久的反對黨。 它應該成為一個可以被審計、可以被糾正、也要求使用者共同接受糾正的認識論協作者。 最短的版本只有一句： $$ \boxed{ \text{Stable procedure, movable conclusion.} } $$ --- # 參考文獻 1. Ma, H., Zou, H. P., Li, C., Ma, E., Su, Y., & Yu, P. S. (2026). **Sycophancy Suppression Can Impair Rational Updating: Anti-Sycophancy Should Preserve the Ability to Update.** arXiv:2608.26511. https://arxiv.org/abs/2608.26511 *本文將其視為 2026 年新預印本；主要用於支持 Unsupported-Yielding / Rational-Updating 的區分與 anti-sycophancy trade-off，並不升格為已確立普遍機制定律。* 2. Sinha, D. (2026). **SycoBench-600: Measuring Sycophancy and Correction Selectivity in LLM Assistants.** *Findings of the Association for Computational Linguistics: ACL 2026*, 35278-35284. https://doi.org/10.18653/v1/2026.findings-acl.1759 3. Pi, R., Miao, K., Li, P., Liu, R., Gao, J., Zhang, J., & Zhou, X. (2025). **Pointing to a Llama and Call it a Camel: On the Sycophancy of Multimodal Large Language Models.** *Proceedings of EMNLP 2025*. https://aclanthology.org/2025.emnlp-main.1020/ 4. Beigi, M., Shen, Y., Shojaee, P., Wang, Q., Wang, Z., Reddy, C. K., Jin, M., & Huang, L. (2025). **Sycophancy Mitigation Through Reinforcement Learning with Uncertainty-Aware Adaptive Reasoning Trajectories.** *Proceedings of EMNLP 2025*, 13079-13092. https://doi.org/10.18653/v1/2025.emnlp-main.661 5. Chen, C.-H., Huang, H.-H., & Chen, H.-H. (2025). **Self-Augmented Preference Alignment for Sycophancy Reduction in LLMs.** *Proceedings of EMNLP 2025*, 12379-12391. https://doi.org/10.18653/v1/2025.emnlp-main.625 6. Kim, S. W., & Khashabi, D. (2025). **Challenging the Evaluator: LLM Sycophancy Under User Rebuttal.** *Findings of EMNLP 2025*, 22461-22478. https://doi.org/10.18653/v1/2025.findings-emnlp.1222 7. Guo, H., & Polak, P. (2026). **Building trustworthy Artificial Intelligence through transparency explainability uncertainty and trust calibration.** *Discover Artificial Intelligence*, 6, 620. https://doi.org/10.1007/s44163-026-01219-x 8. Ojewale, V., Ryan, J., Venkatasubramanian, S., & Boykin, C. M. (2026). **More is not better: Visual uncertainty cues and the fragility of trust calibration in LLM-assisted decision making.** *Computers in Human Behavior: Artificial Humans*, 8, 100307. https://doi.org/10.1016/j.chbah.2026.100307 9. Kohl, P. A., Kim, S. Y., Peng, Y., Akin, H., Koh, E. J., Howell, A., & Dunwoody, S. (2016). **The influence of weight-of-evidence strategies on audience perceptions of (un)certainty when media cover contested science.** *Public Understanding of Science*, 25(8), 976-991. https://doi.org/10.1177/0963662515615087 10. Schmid, P., Schwarzer, M., & Betsch, C. (2020). **Weight-of-Evidence Strategies to Mitigate the Influence of Messages of Science Denialism in Public Discussions.** *Journal of Cognition*, 3(1), 36. https://doi.org/10.5334/joc.125 11. Nature Editorial. (2025). **Make science more collegial: why the time for adversarial collaboration has come.** *Nature*, 6 May 2025. https://www.nature.com/articles/d41586-025-01379-3 12. McQueen, K. J., & Mueller, M. P. (2026). **Theoretical adversarial collaboration: a template.** arXiv:2607.16374. https://arxiv.org/abs/2607.16374 *本文將其視為 2026 年預印本，作為理論爭議程序設計的近期提案。* 13. Cowan, N., Belletier, C., Doherty, J. M., Jaroslawska, A. J., Rhodes, S., Forsberg, A., Naveh-Benjamin, M., Barrouillet, P., Camos, V., & Logie, R. H. (2020). **How Do Scientific Views Change? Notes From an Extended Adversarial Collaboration.** *Perspectives on Psychological Science*, 15(4), 1011-1025. https://doi.org/10.1177/1745691620906415 14. Melloni, L., Mudrik, L., Pitts, M., Bendtz, K., Ferrante, O., Gorska, U., et al. (2023). **An adversarial collaboration protocol for testing contrasting predictions of global neuronal workspace and integrated information theory.** *PLOS ONE*, 18(2), e0268577. https://doi.org/10.1371/journal.pone.0268577 15. Mayo, D. G., & Spanos, A. (2006). **Severe Testing as a Basic Concept in a Neyman-Pearson Philosophy of Induction.** *The British Journal for the Philosophy of Science*, 57(2), 323-357. https://doi.org/10.1093/bjps/axl003 16. Kerr, J. R., Schneider, C. R., Freeman, A. L. J., Marteau, T., & van der Linden, S. (2022). **Transparent communication of evidence does not undermine public trust in evidence.** *PNAS Nexus*, 1(5), pgac280. https://doi.org/10.1093/pnasnexus/pgac280 --- # 附錄 A　ERPNP 簡化卡片 對任何高不確定主張 $H$，AI 依序輸出： ### A. Claim > 你現在真正主張的是什麼？ ### B. Current status $$ V(H)=? $$ > 目前有哪些外部證據真正承擔它？ ### C. Conditional potential $$ I_c(H)=? $$ > 若它成立，影響上限在哪裡？ ### D. Best support > 最強支持證據是什麼？ ### E. Best defeat > 什麼結果最可能打死或迫使它修改？ ### F. Update rule > 哪一類新證據會讓目前評價上升或下降？ ### G. Independence > 目前是不是只有同一人、同一 AI 或同一來源網路在重複確認？ 這張卡片的目標不是製造反對，而是把 epistemic state 從人格評價變成可操作狀態。 --- # 附錄 B　與 HAEC01-HAEC04 的接口 HAEC01： $$ \text{Agreement} \neq \text{Validation}. $$ HAEC02： $$ \text{AI stance} \neq \text{human-decoded stance}. $$ HAEC03： $$ \text{Calibrated input} \not\Rightarrow \text{calibrated human update}. $$ HAEC04： $$ \text{Multiple outputs} \not\Rightarrow \text{multiple independent epistemic origins}. $$ HAEC05： $$ \boxed{ \text{Neutrality of procedure} \neq \text{neutrality of conclusion}. } $$ 五篇共同形成： $$ \text{evaluation level} \rightarrow \text{communication} \rightarrow \text{human update} \rightarrow \text{epistemic architecture} \rightarrow \text{governance rule}. $$ 下一篇 HAEC06 將處理最後一個關鍵問題：如何在不製造 hype、也不以現有共識壓死前沿的前提下，正式評估一套新理論的 **conditional potential、current validity、robustness、novelty 與 uncertainty**，並建立可供 AI 與人類共同使用的 calibrated frontier evaluation framework。