# SET06｜真節點，假拓撲：資訊失真如何發生在關係而非命題 ## True Nodes, False Topology: How Information Distortion Can Occur in Relations Rather Than Propositions **定位：** Selective Truth and Epistemic Topology / Foundation Paper 06 / Relation-Level Distortion **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：** Epistemology / Causal Inference / Narrative Structure / Graph Representation / Relation Verification / Path Compression / Misinformation --- ## 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：`$$...$$` 本文不針對任何特定人物、政黨、宗教、哲學學派、科學學派、媒體、企業或 AI 系統。本文研究的是一般性的 relation-level distortion：**即使敘事中的 factual nodes 全部為真，整體世界表徵仍可能因 fabricated edge、edge retyping、direction reversal、path compression、mediator omission、confounder erasure、branch pruning 或 narrative adjacency 而失真。** 本文承接 SET05 的： $$ \boxed{ \text{A worldview is not exhausted by its node set} } $$ 以及： $$ \boxed{ \text{different arrow types owe different certification burdens} } $$ SET06 再提出： $$ \boxed{ \text{Node Truth} \not\Rightarrow \text{Topological Truth} } $$ 與： $$ \boxed{ \text{A narrative may preserve every factual node while corrupting the relations among them} } $$ --- # 摘要 傳統 fact-checking 往往以 proposition 為主要單位：某事件是否發生、某數字是否正確、某來源是否可靠。然而，大量推理與敘事的決定性內容並不位於節點，而位於節點之間的關係。兩個事件都可以真實發生，但「前者導致後者」仍可能是錯的；兩個研究結果都可以真實存在，但「第二個證明第一個理論」仍可能是錯的；一組主流媒體文章都可以是真實可靠的，卻仍可能被重新拼接進一個誤導性 narrative。 2024 年 McGowan、Gerke 與 Barrett 建立一組 causal quartet：四個資料集具有相同的統計摘要與視覺化，但由 collider、confounder、mediator 與 M-bias 等不同 causal mechanisms 生成，因此真實 causal effect 不同。此結果提供一個極強的結構性示範： $$ \boxed{ \text{same observable nodes and summaries} \not\Rightarrow \text{same causal topology} } $$ 2025 年 *Nature Human Behaviour* 的 Goel、Green、Lazer 與 Resnik 更從公共資訊生態證明另一側問題：可靠主流來源中的 factually true information 可以被使用者重新利用，以增加 potentially misleading narratives 的可信度與傳播。這說明 source reliability 與 node truth 不能自動保證 narrative topology 的可靠性。 本文提出 **Topological Distortion Framework（TDF）**。令一個 epistemic narrative 表示為： $$ \mathcal N = (V,E,\tau,\omega,\kappa) $$ 其中： - $V$ 為 factual / conceptual nodes； - $E$ 為 relations； - $\tau$ 為 relation-type assignment； - $\omega$ 為 relation confidence / evidential weight； - $\kappa$ 為 path-compression rule。 若： $$ q(v)=1 $$ 對所有 $v\in V$ 都成立，但至少存在一支 edge： $$ e\in E $$ 在 relation type、direction、mechanism、branch structure 或 compression semantics 上未被支持，則 narrative 可以是 **node-true but topologically distorted**。 本文系統化八類失真： 1. Edge Fabrication； 2. Edge Retyping； 3. Direction Reversal； 4. Adjacency Promotion； 5. Mediator Collapse； 6. Confounder Erasure； 7. Branch Pruning； 8. Illicit Path Compression。 本文並區分合法與非法壓縮。宏觀箭頭： $$ A \xrightarrow{\mathrm{macro}} B $$ 可以是： $$ A \to x_1 \to x_2 \to \cdots \to B $$ 的合法 projection，只要在指定問題 $Q$ 、解析度 $\rho$ 與容許 gap $\epsilon$ 下，展開後不改變該 arrow 的語意類型與決策相關結論。若省略中介狀態會改變 causal interpretation、branch probability、responsibility、intervention choice 或 falsification condition，則 compression debt 未清。 本文建立 **Node Truth Rate（NTR）**、**Typed-Edge Validity（TEV）**、**Mechanism Coverage（MC）**、**Branch Coverage（BC）**、**Compression Debt（CD）**、**Directionality Integrity（DI）** 與 **Topological Integrity Profile（TIP）**，並提出 **Topological Relation Audit Protocol（TRAP）**。 核心結論： $$ \boxed{ \text{Fact checking is necessary but relation checking is independently necessary} } $$ 真正的高階資訊驗證，不只問： > 這些節點是真的嗎？ 還要問： > **這些節點憑什麼以這種方式連在一起？** --- # 0　最小例子：每一句都是真的，結論仍然可以是假的 假設： $$ A=\text{true} $$ 代表事件 A 發生。 $$ B=\text{true} $$ 代表事件 B 發生。 再給： $$ t(A) 本文沒有 factual error。 但完整 narrative 還需要： $$ q_E:E\to\{0,1,\mathrm{underdetermined}\}. $$ 更精確地，typed edge： $$ e=(u,t,v) $$ 需要 relation-specific audit。 因此： $$ \boxed{ q_V(V)=1 \not\Rightarrow q_E(E)=1 } $$ --- # 2　2024 Causal Quartet：相同資料表面，不同 causal mechanism McGowan、Gerke 與 Barrett 的 *Causal Inference Is Not Just a Statistics Problem* 建立四組刻意設計的資料。 四個 dataset： - summary statistics 相同； - visualization 相同； 但 data-generating mechanisms 分別包含： - collider； - confounder； - mediator； - M-bias。 結果是： $$ \text{observational appearance} $$ 相同， 但： $$ \text{true causal effect} $$ 不同。 可表示為： $$ O_1=O_2=O_3=O_4 $$ 在指定 observation summary 下成立， 卻： $$ G_1\neq G_2\neq G_3\neq G_4. $$ 這正是 SET06 所需的硬示範： $$ \boxed{ \text{observable equivalence} \not\Rightarrow \text{causal-topology equivalence} } $$ --- # 3　Causal DAG 是假設圖，不是因果真理圖 Bulbulia 2024 對 causal diagrams 的方法論說明強調：causal inference 需要 counterfactual contrast、明確問題、識別假設與系統性 workflow。Causal DAG 可以幫助研究者檢查： - reverse causation； - confounding； - mediator； - collider； - timing； - adjustment strategy。 但 graph 可以被誤用。 所以： $$ \boxed{ \text{drawing an arrow} \neq \text{identifying a causal effect} } $$ 圖是： $$ \text{assumption representation} $$ 而不是： $$ \text{causal certificate}. $$ --- # 4　八類 Topological Distortion ## 4.1 Edge Fabrication nodes 真實： $$ A=\text{true}, \quad B=\text{true}, $$ 但無充分 relation evidence 卻加入： $$ A \xrightarrow{t} B. $$ --- ## 4.2 Edge Retyping 原本只有： $$ A \xrightarrow{\text{correlates}} B, $$ 卻重寫為： $$ A \xrightarrow{\text{causes}} B. $$ 或： $$ E \xrightarrow{\text{supports}} H $$ 被重寫為： $$ E \xrightarrow{\text{proves}} H. $$ --- ## 4.3 Direction Reversal 真實機制： $$ B \xrightarrow{\text{causes}} A, $$ 敘事卻是： $$ A \xrightarrow{\text{causes}} B. $$ 節點沒有任何 falsity。 方向本身錯。 --- ## 4.4 Adjacency Promotion A 與 B 在時間或文字上鄰接： $$ A \xrightarrow{\text{precedes}} B. $$ 卻因 adjacency 被升格為： $$ A \xrightarrow{\text{explains}} B $$ 甚至： $$ A \xrightarrow{\text{causes}} B. $$ --- ## 4.5 Mediator Collapse 真實路徑： $$ A \to M \to B. $$ 敘事壓縮： $$ A \to B. $$ 這有時完全合法。 但若 $M$ 對： - mechanism； - intervention； - responsibility； - boundary condition； 是必要的，直接刪掉 $M$ 就改變了 arrow semantics。 --- ## 4.6 Confounder Erasure 真實結構： $$ C \to A, $$ $$ C \to B. $$ 敘事只保留： $$ A \leftrightarrow B, $$ 再推成： $$ A \to B. $$ 這是 topology-level omission。 --- ## 4.7 Branch Pruning 完整可能世界： $$ A \to \{B,C,D\}. $$ 敘事只畫： $$ A \to B. $$ 如果原句只是： > B 是一個可能結果， 可以合法。 若改成： > 下一步就是 B， 就把： $$ \text{possible successor} $$ 升格成： $$ \text{unique successor}. $$ --- ## 4.8 Illicit Path Compression 真實可達路徑： $$ A \to x_1 \to x_2 \to x_3 \to B. $$ 敘事： $$ A \to B. $$ 如果 macro-arrow 沒有標記 compression scope，就可能把： $$ \text{eventually reachable} $$ 誤讀成： $$ \text{immediate transition}. $$ --- # 5　Narrative 為什麼天然具有 causal topology Chen 與 Bornstein 2024 的 review 指出，narratives 的關鍵結構之一就是跨時間的 causal connections，而 causal structure 會影響 narrative comprehension 與 episodic memory。 因此 narrative 不是： $$ \text{unordered bag of true facts}. $$ 而是近似： $$ \text{ordered and causally structured representation}. $$ 這表示： $$ \boxed{ \text{changing the relations can change what the same facts mean and what is remembered} } $$ 而不必改任何 node。 --- # 6　2025 Narrative and Causality：故事中的「原因」本身有多種形式 Álvarez Arias 2025 對 narrative causality 的分析指出，historical narrative 會透過不同形式把 events 連起來，包括： - regularity-based causal sequence； - contributory causation； - remote causation； - retrospective relation； - influence。 這提供一個重要限制。 歷史中的： $$ A \xrightarrow{\text{influences}} B $$ 不必滿足自然科學中那種： $$ A \xrightarrow{\text{sufficient-cause}} B. $$ 所以 SET06 不能把所有「弱因果語言」都當錯誤。 真正問題是： $$ \boxed{ \text{relation type must match the evidential burden actually available} } $$ --- # 7　可靠來源也可以被拼進誤導 narrative Goel、Green、Lazer 與 Resnik 2025 在 *Nature Human Behaviour* 研究 mainstream news 與 misinformation co-sharing。 研究的關鍵不是： > 主流新聞本身都是假的。 而是： > 可靠來源中的 factually true information 可以被重新利用，以增加 potentially misleading narratives 的 credibility 與 reach。 這與 SET01 的 selective truth 直接接軌，但 SET06 的焦點更深： $$ \text{reliable source nodes} $$ 被抽出後重新嵌入： $$ G_{\mathrm{misleading}}. $$ 因此： $$ \boxed{ \text{source truth can be preserved while narrative topology changes} } $$ --- # 8　Topological Corruption Operator 定義原始較完整 graph： $$ G=(V,E,\tau,\omega). $$ 定義 topology corruption / transformation operator： $$ \mathcal C_G. $$ 若： $$ \mathcal C_G : (V,E,\tau,\omega) \mapsto (V,E',\tau',\omega'), $$ 且： $$ V'=V, $$ 但： $$ (E',\tau',\omega') \neq (E,\tau,\omega), $$ 則這是一個 **node-preserving topology transformation**。 注意： $$ \mathcal C_G $$ 不必然是惡意。 科學抽象、教學簡化、工程設計都會轉換 topology。 因此還要再問： $$ \text{is the transformation semantics-preserving for the target question?} $$ --- # 9　合法壓縮與非法壓縮 設完整 path： $$ P_{AB} = (A,x_1,x_2,\ldots,x_n,B). $$ macro representation： $$ A \xrightarrow{\mathrm{macro}} B. $$ 壓縮合法與否不能脫離問題。 令： - $Q$：當前問題； - $\rho$：解析度； - $\epsilon$：可接受 unresolved gap； - $\sigma$：arrow semantic type。 定義概念條件： $$ \operatorname{CompressValid} (P_{AB}\mid Q,\rho,\epsilon,\sigma)=1 $$ 若展開 path 後： 1. 不改變 $\sigma$ ； 2. 不改變 $Q$ 的核心判定； 3. 不隱藏 decision-relevant branch； 4. 不隱藏會逆轉 intervention 的 mediator / confounder； 5. residual gap 不超過 $\epsilon$。 --- # 10　一步不是一步：Reachable 不等於 Adjacent 令： $$ A \xRightarrow{*} B $$ 表示可達。 而： $$ A \to B $$ 表示 immediate transition。 則： $$ \boxed{ A\xRightarrow{*}B \not\Rightarrow A\to B } $$ 如果存在： $$ Z $$ 使： $$ A\xRightarrow{*}Z $$ 且： $$ Z\xRightarrow{*}B, $$ 那： $$ A\to B $$ 至少需要說明它是 macro-arrow，不能自動稱「下一步」。 這與 FF01 的 path-compression / possible-worlds 問題形成直接接口。 --- # 11　「下一步」必須相對於解析度 如果要求世界中： $$ \text{absolutely no intermediate physical state}, $$ 幾乎所有宏觀 transition 都失去 immediate-next status。 所以合理形式是： $$ \boxed{ \text{next relative to }(Q,\rho) } $$ 例如： $$ A \xrightarrow{\mathrm{next}\mid Q,\rho} B. $$ 表示： > 在指定問題與解析度下，不存在另一個需要獨立表示、且足以改變當前判斷的中介 state class。 這不是 metaphysical immediacy。 而是： $$ \text{resolution-relative adjacency}. $$ --- # 12　Compression Debt 若 macro-arrow： $$ A \xrightarrow{\mathrm{macro}} B $$ 省略 path： $$ P_{AB}, $$ 定義概念性 **Compression Debt（CD）**： $$ \mathrm{CD}(A,B) = D_Q \left( P_{AB}, A\xrightarrow{\mathrm{macro}}B \right), $$ 其中 $D_Q$ 衡量在問題 $Q$ 下壓縮前後的 decision-relevant information loss。 若： $$ \mathrm{CD}\approx0, $$ 壓縮近似語意保持。 若： $$ \mathrm{CD}\gg0, $$ macro-arrow 會讓 receiver 誤判 mechanism、branch 或 causal responsibility。 --- # 13　Node Truth Rate 定義： $$ \mathrm{NTR} = \frac{ |\{v\in V:q(v)=1\}| }{ |V| }. $$ 一個 narrative 可以： $$ \mathrm{NTR}=1 $$ 仍然嚴重失真。 因此 NTR 是必要但不充分指標。 --- # 14　Typed-Edge Validity 令每支 edge： $$ e=(u,t,v). $$ 若 relation-specific evidence 支持其： - existence； - direction； - type； 則： $$ q_T(e)=1. $$ 定義： $$ \mathrm{TEV} = \frac{ \sum_{e\in E}w(e)q_T(e) }{ \sum_{e\in E}w(e)+\epsilon }. $$ 其中 $w(e)$ 可依 decision relevance 加權。 所以： $$ \mathrm{NTR}\approx1, \quad \mathrm{TEV}\ll1 $$ 正是： $$ \boxed{ \text{true nodes, false topology} } $$ --- # 15　Mechanism Coverage 對宣稱 causal / transition arrow 的集合： $$ E_M, $$ 定義每支 edge 是否具有足以回答當前問題的 mechanism specification。 概念性： $$ \mathrm{MC} = \frac{ \sum_{e\in E_M}w(e)m(e) }{ \sum_{e\in E_M}w(e)+\epsilon }, $$ 其中： $$ m(e)\in[0,1]. $$ 低 MC 不證明 causal relation 為假。 只代表： $$ \boxed{ \text{mechanism debt remains open} } $$ --- # 16　Branch Coverage 完整 candidate successor / explanation branches： $$ \mathcal B_A. $$ narrative 顯示： $$ \hat{\mathcal B}_A. $$ 定義： $$ \mathrm{BC} = \frac{ \sum_{b\in\hat{\mathcal B}_A}w(b) }{ \sum_{b\in\mathcal B_A}w(b)+\epsilon }. $$ 若只保留最符合敘事的一支 branch： $$ \mathrm{BC}\ll1. $$ 這與 SET01 的 information sampling 同構，但作用對象從 fact pool 轉成 path pool。 --- # 17　Directionality Integrity 令有方向關係集合： $$ E_D. $$ 定義： $$ \mathrm{DI} = \frac{ |\{e\in E_D:\operatorname{dir}(e)=\operatorname{dir}^*(e)\}| }{ |E_D| }. $$ 其中 $\operatorname{dir}^*$ 來自目前最佳可得的 reference / identified structure。 若 reference 本身不確定，DI 應標 uncertainty，而不是硬評分。 --- # 18　Topological Integrity Profile 本文不建議把所有東西壓成一個總分。 因此提出 profile： $$ \mathrm{TIP} = \langle \mathrm{NTR}, \mathrm{TEV}, \mathrm{MC}, \mathrm{BC}, \mathrm{CD}, \mathrm{DI} \rangle. $$ 一個 narrative 可能： $$ \mathrm{NTR}\uparrow, $$ $$ \mathrm{TEV}\downarrow, $$ $$ \mathrm{BC}\downarrow. $$ 這種結構比「真假二分」更能表達： > 每個 fact 都能 fact-check 通過，但整體故事仍有問題。 --- # 19　Confounder Erasure：刪掉一個 node，可能創造一支假箭頭 真實結構： $$ C \to A, $$ $$ C \to B. $$ 若 narrative 省略 $C$，receiver 只看到： $$ A, \quad B. $$ 加上 association： $$ A\sim B. $$ 便容易形成： $$ A\to B. $$ 這說明 node omission 與 edge fabrication 可以聯動。 所以： $$ \boxed{ \text{missing nodes can induce false edges among remaining true nodes} } $$ --- # 20　Collider：多放一個 node，也可能創造假關係 反過來，資訊越多也不必然越好。 若： $$ A\to C, $$ $$ B\to C, $$ 而分析錯誤地 conditioning on collider $C$，可能在： $$ A $$ 與： $$ B $$ 之間製造 non-causal association。 所以： $$ \boxed{ \text{more variables} \not\Rightarrow \text{better topology} } $$ 問題不是 node count。 而是： $$ \text{structural role}. $$ --- # 21　Mediator：刪除與控制都可能改變問題 若： $$ A \to M \to Y, $$ 而研究問題是 total effect， 控制 $M$ 可能把 causal pathway 切掉。 若研究問題是 direct / mediated effect，又必須更精細區分。 Qin 2024 的 causal mediation review 特別強調 treatment-mediator、treatment-outcome、mediator-outcome confounding 與 identification assumptions。 所以： $$ \boxed{ \text{the same node can be relevant, irrelevant, mediator, confounder, or collider depending on the causal question} } $$ 這再次證明： $$ \text{node identity} $$ 不足以決定： $$ \text{topological role}. $$ --- # 22　Topological Truth 必須問題相對化 不存在一個對所有問題都同樣完美的 graph。 因為： $$ Q_1 $$ 可能只需要： $$ A \xrightarrow{\mathrm{total-effect}} Y. $$ 而： $$ Q_2 $$ 需要展開： $$ A \to M_1 \to M_2 \to Y. $$ 所以： $$ \boxed{ \text{topological adequacy is question-relative} } $$ 而不是： $$ \text{more detailed graph is always better}. $$ --- # 23　Narrative Adjacency：文字順序本身就是隱形箭頭 自然語言常不需要明寫： > A 導致 B。 只要排列： > A 發生。接著 B 出現。最後 C 惡化。 receiver 就可能建立： $$ A \to B \to C. $$ 因此 narrative order 可以形成 implicit edge。 SET06 稱： $$ \boxed{ \text{Implicit Adjacency Edge} } $$ 它不必出現在文字字面上，卻可能出現在 receiver 的 reconstructed graph。 --- # 24　同樣 true facts，排序也能改變 topology 給定： $$ V=\{A,B,C,D\}. $$ Narrative 1： $$ A,B,C,D. $$ Narrative 2： $$ C,A,D,B. $$ 若 receiver 有 adjacency-to-causality prior，兩個 sequence 可能生成： $$ \hat G_1\neq\hat G_2. $$ 所以： $$ \boxed{ \text{ordering is an edge-selection device} } $$ 即使所有 node content 完全相同。 --- # 25　從 misinformation 到 mis-topology 常見 misinformation 定義強調 false / misleading content。 SET06 提議再區分： $$ \text{node misinformation} $$ 與： $$ \text{topological misinformation}. $$ 前者改： $$ V. $$ 後者主要改： $$ E, \quad \tau, \quad \omega, \quad \kappa. $$ Goel 等 2025 的 mainstream-news co-sharing work 顯示，真實資訊能支撐誤導 narratives，正適合被理解為： $$ \text{truthful-node reuse under misleading narrative structure}. $$ --- # 26　Reliable Source Laundering 若某 narrative 使用： $$ s_1,s_2,\ldots,s_n $$ 皆為可靠來源。 receiver 可能偷渡： $$ \text{reliable sources} \Rightarrow \text{reliable narrative}. $$ 但真正需要的是： $$ \boxed{ \text{source reliability} + \text{relation validity} + \text{selection representativeness} } $$ 三者共同成立。 所以： $$ \boxed{ \text{reliable-node provenance does not certify cross-node inference} } $$ --- # 27　Path Compression 與 Future Framing 在 future / policy / technology narrative 中，最常見結構： $$ A \to B \to C \to D $$ 被壓成： $$ A \to D. $$ 若真正存在： $$ B\in\{B_1,B_2,B_3\}, $$ $$ C\in\{C_1,C_2,C_3\}, $$ 則 macro-arrow 可能把一棵 possible-world tree 壓成一條線。 所以： $$ \boxed{ \text{path compression can silently erase possible worlds} } $$ 這是 SET06 與 FF01 至 FF03 的直接橋接點。 --- # 28　合法的 Macro Arrow 不是所有： $$ A\to D $$ 都要展開到微觀世界。 例如地圖說： > 台北到高雄。 不需要列出每一公尺。 真正合法條件是： $$ \operatorname{Invariant}_Q \left( P_{AD}, A\xrightarrow{\mathrm{macro}}D \right) \approx1. $$ 即對當前問題 $Q$，展開與壓縮後保留關鍵語意與決策。 所以 SET06 不是 anti-abstraction。 而是： $$ \boxed{ \text{anti-unmarked semantic loss} } $$ --- # 29　Topological Relation Audit Protocol（TRAP） ## Step 1：Freeze the Nodes 列出所有 factual nodes： $$ V. $$ 分開 fact truth 與 relation claim。 --- ## Step 2：Extract Explicit and Implicit Edges 抽出： - 「因此」； - 「導致」； - 「證明」； - 「支持」； - 「使得」； - 「接著」； - 排序形成的 implicit edge。 建立： $$ E_{\mathrm{candidate}}. $$ --- ## Step 3：Type Every Relation 不接受模糊： > 有關。 要求： $$ \tau(e). $$ --- ## Step 4：Assign Arrow-Type Debt 對每支： $$ e=(u,t,v) $$ 問： > 這個 relation type 需要哪種 evidence？ --- ## Step 5：Search Hidden Structure 主動搜尋： - mediator； - confounder； - collider； - reverse causation； - omitted branch； - alternative mechanism； - common cause； - temporal ambiguity。 --- ## Step 6：Expand Compressed Paths 對： $$ A\xrightarrow{\mathrm{macro}}B $$ 至少建立一條候選展開： $$ A \to x_1 \to \cdots \to B. $$ 若完全展不開，標： $$ \text{open mechanism debt}. $$ --- ## Step 7：Construct Rival Topologies 在同一 node set： $$ V $$ 上建立： $$ G_1,G_2,\ldots,G_k. $$ 真正比較： $$ \text{which graph survives discriminating evidence?} $$ --- ## Step 8：Counterfactual / Intervention Check 對 causal edge 問： > 若 $A$ 不發生， $B$ 會怎樣？ > 若 intervention 改變 $A$， $B$ 是否改變？ 用來區分： $$ \text{association} $$ 與： $$ \text{causal commitment}. $$ --- ## Step 9：Check Branch Completeness 問： > 除了 B，A 還有什麼重要 successor？ 如果存在高權重： $$ C,D, $$ 卻被完全省略，登記 branch debt。 --- ## Step 10：Report a Profile, Not a Binary Verdict 輸出： $$ \mathrm{TIP} = \langle \mathrm{NTR}, \mathrm{TEV}, \mathrm{MC}, \mathrm{BC}, \mathrm{CD}, \mathrm{DI} \rangle. $$ 避免把： > 每句真話 誤成： > 整體真。 --- # 30　實驗一：Same Nodes, Different Edges 給所有 participants 完全相同的 node facts。 只改 narrative connectors： Condition 1： $$ A \xrightarrow{\text{precedes}} B. $$ Condition 2： $$ A \xrightarrow{\text{causes}} B. $$ Condition 3： $$ A \xrightarrow{\text{supports}} B. $$ 測： - causal judgment； - prediction； - intervention； - responsibility； - confidence。 若結果不同，表示 relation type 具有獨立行為效應。 --- # 31　實驗二：Implicit Adjacency 完全不使用 causal word。 只改 facts 的順序。 測 receiver 自行重建的： $$ \hat E. $$ 若 sequence 改變 relation inference，支持 adjacency-topology mechanism。 --- # 32　實驗三：Compression Expansion 給： $$ A \xrightarrow{\mathrm{macro}} D. $$ 一組只看 macro。 另一組看： $$ A \to B \to C \to D. $$ 第三組再加入 branch： $$ B \to E. $$ 測： - inevitability judgment； - causal strength； - forecast confidence； - responsibility； - perceived alternatives。 若 branch 展開大幅改變判斷，表示 macro-arrow 隱藏了 decision-relevant topology。 --- # 33　實驗四：True Mainstream Sources, Different Narrative Assembly 使用相同一組已驗證 true articles。 Group A 依來源原 context 閱讀。 Group B 依某預設 narrative 重新排序與摘錄。 控制： $$ V_A=V_B. $$ 測： $$ \hat G_A $$ 與： $$ \hat G_B. $$ 如果 node accuracy 相同但 relation beliefs 明顯不同，直接支持 SET06。 --- # 34　實驗五：Causal Quartet Comprehension 使用 McGowan 等 causal quartet 類設計。 給受試者相同 summary / visualization，但不同生成機制資訊。 測： - causal effect estimate； - adjustment choice； - confidence； - graph reconstruction。 這可以測： $$ \text{surface-data equivalence} $$ 與： $$ \text{mechanism-sensitive causal reasoning}. $$ --- # 35　AI Relation Hallucination Benchmark AI benchmark 不只問： > facts 正確嗎？ 而應建立： $$ \mathcal D = \{ (V,E^*,\tau^*) \}. $$ 模型輸出： $$ \hat E,\hat\tau. $$ 評估： $$ \text{Node Accuracy}, $$ $$ \text{Edge Precision}, $$ $$ \text{Edge Recall}, $$ $$ \text{Type Accuracy}, $$ $$ \text{Direction Accuracy}, $$ $$ \text{Compression Debt}. $$ 模型完全可能： $$ \text{Node Accuracy}\approx1 $$ 但： $$ \text{Edge Precision}\ll1. $$ 這就是 relation hallucination。 --- # 36　這不是要求世界永遠有唯一 topology 很多 domain 存在： $$ G_1, G_2,\ldots,G_k $$ 都與目前 evidence 相容。 例如 observational causal inference 本來就可能欠缺 identification。 因此 SET06 不要求 AI 或人： > 選一張唯一真圖。 更合理的是： $$ \boxed{ \text{represent a set of admissible rival topologies} } $$ 並標： $$ P(G_i\mid E) $$ 或： $$ \text{supported / unresolved / rejected}. $$ --- # 37　Underdetermination 不是失敗 若目前 evidence 只能得到： $$ G\in\{G_1,G_2,G_3\}, $$ 正確輸出就是： > 尚未識別。 而不是： $$ G=G_1 $$ 只因它敘事最好看。 因此： $$ \boxed{ \text{topological uncertainty is preferable to fabricated connectivity} } $$ --- # 38　什麼結果會削弱 SET06？ 若以下結果穩定成立，SET06 應縮小： 1. relation-type manipulation 對下游推理幾乎無影響； 2. narrative ordering 不改變 receiver relation reconstruction； 3. node-only fact checking 已能預測幾乎全部誤導判斷； 4. graph / edge audit 不提高 misinformation detection； 5. path expansion 不改變 forecast、responsibility 或 causal judgments； 6. branch omission 對 decision 幾乎無影響； 7. reliable-source reassembly 不改變 narrative interpretation； 8. AI 的 edge errors 幾乎完全可由 node errors解釋； 9. relation typing reliability 太低，無法成為穩定研究單位； 10. topology-aware models 不比 simpler proposition models 提供更高 discriminative value。 如果如此，SET06 應降格為特定 causal / narrative domain 的方法，而不是一般 epistemic framework。 --- # 39　自反性：畫 topology 也可以製造新的假拓撲 SET06 最容易犯的錯就是： > 因為批評別人亂連箭頭，所以自己畫一張更漂亮的 graph，便以為是真的。 這完全不成立。 Graph representation 本身可以： - 過度離散化； - 錯分 relation type； - 假裝 direction 已知； - 隱藏 latent variables； - 強迫 hierarchy； - 把 continuous process 切成 fake states； - 把 epistemic relation 誤當 ontological relation。 因此本文必須接受： $$ \boxed{ \text{graph clarity} \neq \text{graph truth} } $$ AAAP 與 TRAP 都只是 audit protocol，不是 ontology generator。 --- # 40　與 SET05 的差異 SET05 問： $$ \boxed{ \text{Which arrows does a worldview permit?} } $$ SET06 問： $$ \boxed{ \text{Which of those arrows are actually supported, omitted, retyped, compressed, or reversed?} } $$ SET05 是： $$ \text{admissibility regime}. $$ SET06 是： $$ \text{topological integrity}. $$ 兩者合起來： $$ \text{worldview} = \text{node commitments} + \text{arrow constitution} + \text{arrow validity}. $$ --- # 41　與 SET07 的接口 如果一個 belief system 遇到任何反證都能： - retype edge； - 新增 auxiliary node； - 移除 threatening branch； - 把 causal failure 改成 influence； - 把 prediction failure 改成 compatibility； - 把 counterexample 改成 exception； 而整體 topology 永遠維持核心 conclusion， 則： $$ \Phi(\mathcal B,E_{\mathrm{new}}) \approx \mathcal B. $$ 這將進入 SET07： $$ \boxed{ \text{Epistemic Attractors and Self-Sealing Systems} } $$ 也就是： > 系統可以吸收無限資訊，卻幾乎不改變自己的 topology。 --- # 42　結論 資訊失真不一定需要虛構一個節點。 一個更難辨認的世界是： $$ q(v)=1 $$ 對所有 factual nodes 都成立， 但： $$ q(e) $$ 大量未被證成。 於是： $$ \boxed{ \mathrm{NTR}\approx1 } $$ 卻： $$ \boxed{ \mathrm{TEV}\ll1 } $$ 故事裡的每個人、事件、數字、來源都是真的。 問題只是： > 他們沒有證據以那種方式彼此相連。 因此 SET06 最後留下五條原則： $$ \boxed{ \text{True endpoints do not certify the arrow between them} } $$ $$ \boxed{ \text{Reliable sources do not certify the narrative assembled from them} } $$ $$ \boxed{ \text{Reachability is not adjacency} } $$ $$ \boxed{ \text{Compression is valid only when its omitted structure is irrelevant to the declared question} } $$ 以及： $$ \boxed{ \text{Fact checking verifies nodes; epistemic auditing must also verify topology} } $$ 真正值得追問的，不只是： > 這句是真的嗎？ 而是： > **從這一句到下一句，中間那支箭頭，到底是誰畫上去的？它欠的證據還清了嗎？** --- # References 1. McGowan, L. D., Gerke, T., & Barrett, M. (2024). Causal Inference Is Not Just a Statistics Problem. *Journal of Statistics and Data Science Education*, 32(2), 150-155. https://doi.org/10.1080/26939169.2023.2276446 2. Bulbulia, J. A. (2024). Methods in Causal Inference. Part 1: Causal Diagrams and Confounding. *Evolutionary Human Sciences*, 6, e40. https://doi.org/10.1017/ehs.2024.35 3. Qin, X. (2024). An Introduction to Causal Mediation Analysis. *Asia Pacific Education Review*, 25, 703-717. https://doi.org/10.1007/s12564-024-09962-5 4. Chen, J., & Bornstein, A. M. (2024). The Causal Structure and Computational Value of Narratives. *Trends in Cognitive Sciences*, 28(8), 769-781. https://doi.org/10.1016/j.tics.2024.04.003 5. Álvarez Arias, S. (2025). Narrative and Causality. *Synthese*, 206, 190. https://doi.org/10.1007/s11229-025-05261-7 6. Goel, P., Green, J., Lazer, D., & Resnik, P. S. (2025). Using Co-Sharing to Identify Use of Mainstream News for Promoting Potentially Misleading Narratives. *Nature Human Behaviour*, 9, 1843-1860. https://doi.org/10.1038/s41562-025-02223-4 7. Pearl, J. (2009). *Causality: Models, Reasoning, and Inference* (2nd ed.). Cambridge University Press. 8. Hernán, M. A., & Robins, J. M. (2020). *Causal Inference: What If*. Chapman & Hall/CRC. 9. Halpern, J. Y., & Pearl, J. (2005). Causes and Explanations: A Structural-Model Approach. Part I: Causes. *British Journal for the Philosophy of Science*, 56(4), 843-887. 10. Thagard, P. (1989). Explanatory Coherence. *Behavioral and Brain Sciences*, 12(3), 435-467. https://doi.org/10.1017/S0140525X00057046 11. Salim, S., Hoque, M. N., & Mueller, K. (2024). Belief Miner: A Methodology for Discovering Causal Beliefs and Causal Illusions from General Populations. *Proceedings of the ACM on Human-Computer Interaction*, 8(CSCW1), Article 21. https://doi.org/10.1145/3637298 --- ## 系列位置 **Selective Truth and Epistemic Topology** - SET01：高明的謊言不需要假話：選擇性真實、資訊抽樣與失真世界 - SET02：聽者的不可識別問題：當客觀評估與策略性真話產生相同表面訊息 - SET03：張力控制與策略性讓步：可信度如何被工程化 - SET04：真誠的人也能產生選擇性世界：Sincere Selection Bias - SET05：信念系統不是信念集合，而是允許箭頭的系統 - **SET06：真節點，假拓撲：資訊失真如何發生在關係而非命題** - SET07：認識論吸引子與自我封閉：吸收無限資訊而幾乎不學習 --- *SET06 / Selective Truth and Epistemic Topology / EveMissLab / v0.1 / 2026-09-07*