# 載體投影與內視系列（B07）
## 投影可以幫助理解，也可以讓你理解錯
### 不變量保存、投影債務與內視幻覺

**英文題名：** Projection Can Clarify—and Mislead: Invariant Preservation, Projection Debt, and Introspective Illusions  
**作者：** Neo.K  
**AI 協作：** Aletheia（GPT-5.6 Sol）  
**機構：** EveMissLab／一言諾科技有限公司  
**系列：** 載體投影與內視系列（Carrier Projection, Imagination, and Inner Observation）  
**篇次：** B07  
**版本：** v0.1  
**日期：** 2026-09-08  
**理論定位：** 科學表示 × 資料視覺化 × 認知偏誤 × 投影債務 × 內視校準 × 認識論治理  
**前篇接口：** B06《外視與內視其實是一個循環》  
**狀態：** 概念、形式與可檢驗框架；不宣稱任何單一投影品質指標可以取代任務、證據與本體判斷

---

## 摘要

前六篇建立了一套以投影物體、尺度投影、結構想像、內視可及域、離線模擬與遞歸再投影為核心的認知載體框架。但任何強大的投影能力都有對稱風險：越能把複雜世界壓縮成直觀表示，就越可能把壓縮時遺失、扭曲或人為強調的部分，誤認為世界本身的結構。

本文集中處理這個風險，提出三層區分：

$$
\boxed{
\text{Intuitive Success}
\not\Rightarrow
\text{Representational Fidelity}
\not\Rightarrow
\text{Ontological Truth}.
}
$$

第一層「直觀成功」表示觀察者覺得自己理解了、能順暢操作或快速得出判斷；第二層「表示保真」表示投影對指定任務保存了預先聲明的結構、不變量與不確定性；第三層「本體真實」則要求被表示模型與外部世界之間有足夠證據支持。三者可以相關，但不存在自動推論。

本文承接 B01 的任務相關不變量與 Projection Debt。對任務 $\tau$，令所需不變量集合為：

$$
\mathcal{I}_{\tau}
=
\left\{
I_1,\ldots,I_n
\right\},
$$

投影 $P$ 對模型 $M$ 的保真向量為：

$$
\mathbf{F}_{\tau}(P,M)
=
\left(
f_1,\ldots,f_n
\right),
$$

其中：

$$
f_i
=
s_i
\left(
I_i(P),
I_i(M)
\right).
$$

投影債務則寫成：

$$
\mathbf{D}_{\tau}(P,M)
=
\left(
D_{\mathrm{loss}},
D_{\mathrm{distort}},
D_{\mathrm{unc}},
D_{\mathrm{source}},
D_{\mathrm{semantic}},
D_{\mathrm{cognitive}}
\right),
$$

分別表示資訊遺失、結構扭曲、不確定性壓縮、來源失真、語義漂移與觀察者解碼負荷。本文主張，投影品質不是「看起來漂亮」或「資訊越多越好」，而是：

$$
\boxed{
\text{Projection Quality}
=
\text{task fidelity}
+
\text{explicit debt}
+
\text{auditable provenance}.
}
$$

本文進一步提出**投影債務傳播（Projection Debt Propagation）**。若存在：

$$
M
\rightarrow
P_1
\rightarrow
X_1
\rightarrow
P_2
\rightarrow
X_2
\rightarrow
\cdots,
$$

則前一層債務可以被後一層繼承、放大、隱藏或重新解釋。特別是當後續表示只看到前一個投影而沒有存取 canonical source 時，系統容易把：

$$
\text{projection of projection}
$$

誤當成：

$$
\text{independent evidence}.
$$

因此本文提出**同源多投影幻覺（Common-Source Multi-Projection Illusion）**：

$$
P_i
=
\Pi_i(M_{\mathrm{wrong}})
\quad
\forall i
$$

即使：

$$
P_1\approx P_2\approx\cdots\approx P_k,
$$

也不能推出 $M_{\mathrm{wrong}}$ 為真。多投影一致只有在轉換失真具有互補性、來源關係可追蹤，而且存在足夠獨立證據時，才能提供較強校正效果。

本文同時提出**直觀確信債務（Intuitive Confidence Debt）**：

$$
D_{\mathrm{intu}}
=
Q_{\mathrm{subj}}
-
Q_{\mathrm{validated}},
$$

其中 $Q_{\mathrm{subj}}$ 是主觀理解或確信程度， $Q_{\mathrm{validated}}$ 是經外部證據、形式驗證或可靠任務測試後的支持程度。若一個表示極度流暢、鮮明、美觀或符合既有信念， $D_{\mathrm{intu}}$ 反而可能升高。這與 confirmation bias、source-monitoring failure、misleading visualization 及 uncertainty-visualization errors 形成接口。

本文特別區分「內視幻覺」的操作性含義與臨床語言。本文所說的**內視幻覺（introspective illusion）**，不是精神醫學診斷，而是：觀察者對內部表徵、來源、信心或解釋產生系統性錯配。例如：

$$
\text{vivid}
\Rightarrow
\text{accurate}
$$

或：

$$
\text{felt directly}
\Rightarrow
\text{causally known}.
$$

這些推論均不成立。

本文最後建立**Projection Audit**、**Adversarial Reprojection** 與 **Independent Evidence Gate**。Projection Audit 要求每一個重要表示明示 canonical source、轉換規則、保留不變量、已知失真、單位、尺度、不確定性、來源與驗證狀態。Adversarial Reprojection 則不是「再畫一張更漂亮的圖」，而是刻意選擇最可能暴露原表示盲區的另一種載體或表示方式。Independent Evidence Gate 則要求在提升本體信心前，確認新增證據並非只是同源模型的重新渲染。

因此，B07 的核心不是否定投影，而是把投影從「直觀工具」提升成需要治理的認識論介面：真正可靠的投影系統不只會幫你看懂，也必須能告訴你——**它讓你看不到什麼、它可能讓你誤會什麼，以及你需要到哪裡重新檢查。**

**關鍵詞：** 投影債務、不變量保存、表示保真、誤導性視覺化、不確定性視覺化、confirmation bias、內視幻覺、來源監測、多投影、adversarial reprojection、projection audit

---

# 0. 問題：理解得很順，為什麼仍然可能是錯的？

人類常把：

> 我現在看懂了。

當成：

> 這個表示是對的。

再進一步：

> 所以世界就是這樣。

但這其實是三個不同層次。

令：

$$
S_{\mathrm{intu}}
=
\text{intuitive success},
$$

$$
F_{\mathrm{repr}}
=
\text{representational fidelity},
$$

$$
T_{\mathrm{ont}}
=
\text{ontological truth support}.
$$

一般：

$$
\boxed{
S_{\mathrm{intu}}
\not\Rightarrow
F_{\mathrm{repr}}
\not\Rightarrow
T_{\mathrm{ont}}.
}
$$

---

# 1. 直觀成功

一個投影可能讓人：

- 反應更快；
- 更容易記；
- 更容易比較；
- 感覺更清楚；
- 更容易做出決策。

這些都可以是：

$$
S_{\mathrm{intu}}>0.
$$

但它只表示：

$$
\text{carrier–observer fit}
$$

較好，不保證所保存的結構就是任務真正需要的結構。

---

# 2. 表示保真

對任務 $\tau$，定義：

$$
\mathcal{I}_{\tau}
=
\{I_1,\ldots,I_n\}.
$$

例如：

- 面積；
- 距離；
- 拓撲；
- 順序；
- 因果方向；
- 單位；
- 不確定性；
- 邊界條件。

投影保真向量：

$$
\mathbf{F}_{\tau}(P,M)
=
\left(
f_1,\ldots,f_n
\right),
$$

其中：

$$
f_i
=
s_i(I_i(P),I_i(M)).
$$

---

# 3. 本體支持

即使：

$$
\mathbf{F}_{\tau}(P,M)
\approx
\mathbf{1},
$$

也只代表：

$$
P
$$

忠實表示：

$$
M.
$$

仍不能推出：

$$
M
=
\mathcal{R}.
$$

所以：

$$
\boxed{
\text{faithful projection of a wrong model}
\text{ can still be wrong about reality}.
}
$$

---

# 4. 三層失真模型

本文區分：

## 4.1 Source / Model Error

$$
D_M.
$$

模型本身錯、資料錯或假設錯。

## 4.2 Projection Error

$$
D_P.
$$

模型正確部分在轉譯時被扭曲。

## 4.3 Decoding Error

$$
D_O.
$$

觀察者錯誤讀取或使用投影。

因此：

$$
\boxed{
D_{\mathrm{total}}
=
D_M
+
D_P
+
D_O
+
D_{\mathrm{interaction}}.
}
$$

這是概念分解，不表示各項必然線性可加。

---

# 5. Graphical Perception：不同圖形編碼不是等價的

Cleveland 與 McGill 的 graphical perception 研究指出，圖表中的不同視覺編碼會導致不同的數量判讀精度。

因此：

$$
\boxed{
\text{same data}
+
\text{different encoding}
\rightarrow
\text{different perceptual error profile}.
}
$$

所以圖表不是透明窗口。

---

# 6. Projection Debt 的擴充

B01 已定義 Projection Debt。

B07 擴充成風險向量：

$$
\mathbf{D}_{\tau}
=
\left(
D_{\mathrm{loss}},
D_{\mathrm{distort}},
D_{\mathrm{unc}},
D_{\mathrm{source}},
D_{\mathrm{semantic}},
D_{\mathrm{cognitive}}
\right).
$$

---

# 7. Loss Debt

$$
D_{\mathrm{loss}}
$$

表示投影直接刪掉了資訊。

例如：

- 平均值刪掉分布形狀；
- 聚合刪掉個體差異；
- 地圖縮尺刪掉小尺度地物；
- 摘要刪掉 caveat。

---

# 8. Distortion Debt

$$
D_{\mathrm{distort}}
$$

表示資訊仍在，但關係被改變。

例如：

- truncated axis；
- 非線性尺度未標示；
- 地圖面積失真；
- 透視比例改變；
- 顏色映射不均。

---

# 9. Uncertainty Debt

如果模型有：

$$
U(M)>0,
$$

但投影：

$$
U(P)\approx0,
$$

則：

$$
D_{\mathrm{unc}}
=
U(M)-U(P).
$$

這會產生：

$$
\boxed{
\text{certainty appearance}
>
\text{certainty justified by source}.
}
$$

---

# 10. Source Debt

若使用者不知道表示來自：

- 原始量測；
- 模型輸出；
- 模擬；
- AI 推論；
- 手動摘要；
- 另一張圖；

則存在：

$$
D_{\mathrm{source}}.
$$

---

# 11. Semantic Debt

如果同一符號在轉換後改變語義：

$$
\sigma(P_1)
\neq
\sigma(P_2),
$$

但沒有聲明，就產生：

$$
D_{\mathrm{semantic}}.
$$

---

# 12. Cognitive Debt

即使資料與圖都正確，表示若要求觀察者做過度複雜的心算或不確定性整合，也可能增加：

$$
D_{\mathrm{cognitive}}.
$$

近年的 uncertainty visualization 研究正顯示，working-memory demand 可以系統性解釋部分判斷錯誤。

---

# 13. 投影品質不是「資訊越多越好」

若資訊量：

$$
I(P)\uparrow
$$

但：

$$
D_{\mathrm{cognitive}}\uparrow\uparrow,
$$

任務表現可能反而下降。

所以：

$$
\boxed{
\text{more visible information}
\not\Rightarrow
\text{more usable information}.
}
$$

---

# 14. 也不是「越簡單越好」

如果簡化使：

$$
D_{\mathrm{loss}}
$$

跨過任務容忍閾值：

$$
D_{\mathrm{loss}}>\theta_{\tau},
$$

直觀雖然提高，保真卻可能失敗。

---

# 15. Projection Sweet Spot

因此可概念化：

$$
J(P)
=
Q_{\tau}(P)
-
\lambda D_{\mathrm{proj}}
-
\mu D_{\mathrm{cognitive}}.
$$

最佳投影不一定最複雜，也不一定最簡單。

---

# 16. 債務會跨投影傳播

設：

$$
P_1
=
\Pi_1(M),
$$

$$
P_2
=
\Pi_2(P_1).
$$

那麼：

$$
D(P_2,M)
$$

不只包含第二次投影的錯誤。

還可能包含：

$$
D(P_1,M).
$$

因此：

$$
\boxed{
\text{projection-of-projection}
\text{ inherits upstream debt unless explicitly corrected}.
}
$$

---

# 17. 債務傳播可以放大

概念上：

$$
\mathbf{D}_{k+1}
=
A_k\mathbf{D}_k
+
\mathbf{d}_{k+1},
$$

其中 $A_k$ 是債務傳播／放大算子。

若：

$$
\|A_k\|>1,
$$

某類失真可能被放大。

---

# 18. 債務也可能被隱藏

如果後一投影沒有顯示 uncertainty 或 provenance：

$$
\operatorname{VisibleDebt}(P_{k+1})
<
\operatorname{ActualDebt}(P_{k+1}),
$$

則產生：

$$
\boxed{
\text{hidden projection debt}.
}
$$

---

# 19. 來源鏈斷裂是高風險事件

若：

$$
P_3
$$

只能追到：

$$
P_2
$$

而無法追到 canonical source：

$$
S_0,
$$

則：

$$
\operatorname{ProvDepth}(P_3)
$$

不足。

因此正式系統需要：

$$
P_3
\leftarrow
P_2
\leftarrow
P_1
\leftarrow
M
\leftarrow
D
\leftarrow
Source.
$$

---

# 20. Figure 不是 Evidence Source

圖表可以是：

$$
\text{renderer / transformation artifact}.
$$

但：

$$
\boxed{
\text{Figure}
\neq
\text{Evidence Source}.
}
$$

證據仍應追溯到 data、measurement、document 或 experiment。

---

# 21. Plot Spec 應可追蹤

至少保存：

$$
\operatorname{PlotSpec}
=
\left(
DataRef,
Filter,
Transform,
Axis,
Scale,
Unit,
Aggregation,
Missing,
Caption
\right).
$$

這使圖表可 audit。

---

# 22. Axis Manipulation

若圖表偷偷：

- 截斷 y 軸；
- 改 log scale；
- 改單位；
- 排除 outlier；
- 改 aggregation；

就可能改變知覺結論。

因此：

$$
\boxed{
\text{axis / scale choice}
\text{ is part of projection semantics}.
}
$$

---

# 23. Aggregation Illusion

若：

$$
\operatorname{Agg}(D)
$$

隱藏群體差異，可能得到：

$$
P_{\mathrm{agg}}
$$

看似穩定，但個體結構完全不同。

所以：

$$
\boxed{
\text{aggregate regularity}
\not\Rightarrow
\text{individual regularity}.
}
$$

---

# 24. Summary Illusion

Anscombe 類例子提醒我們：

$$
\text{same summary statistics}
$$

可以對應非常不同的資料形狀。

因此：

$$
\boxed{
\text{summary agreement}
\not\Rightarrow
\text{structural equivalence}.
}
$$

---

# 25. Visualization 可以是 QA，也可以是新的失真

把數據畫出來可能暴露：

- outlier；
- nonlinearity；
- cluster；
- heteroscedasticity；
- data error。

因此：

$$
\text{visualization}
\rightarrow
\text{possible audit gain}.
$$

但錯誤圖表又可能產生：

$$
\text{visualization}
\rightarrow
\text{new projection debt}.
$$

---

# 26. 直觀感是一種訊號，但不是驗證

令：

$$
Q_{\mathrm{subj}}
=
\text{subjective confidence}.
$$

令：

$$
Q_{\mathrm{validated}}
=
\text{externally calibrated support}.
$$

定義：

$$
D_{\mathrm{intu}}
=
Q_{\mathrm{subj}}
-
Q_{\mathrm{validated}}.
$$

若：

$$
D_{\mathrm{intu}}>0,
$$

代表存在直觀確信債務。

---

# 27. 越漂亮不一定越可信

美觀可能提高：

- attention；
- memorability；
- fluency；
- perceived coherence。

因此：

$$
Q_{\mathrm{subj}}
\uparrow
$$

可能發生。

但：

$$
Q_{\mathrm{validated}}
$$

未必變化。

---

# 28. Fluency Trap

若：

$$
\text{easy to process}
\Rightarrow
\text{felt true},
$$

就可能形成 processing-fluency 型錯覺。

因此：

$$
\boxed{
\text{cognitive fluency}
\not\Rightarrow
\text{epistemic reliability}.
}
$$

---

# 29. Confirmation Bias 的接口

confirmation bias 可以使觀察者：

- 選擇支持性資料；
- 忽略反例；
- 用不同標準檢查相反結果；
- 把 ambiguous evidence 解讀成支持。

因此：

$$
\boxed{
\text{projection selection}
\text{ can itself be belief-dependent}.
}
$$

---

# 30. Self-Confirming Projection Loop

設信念：

$$
B_k.
$$

它決定注意：

$$
A_k
=
f(B_k).
$$

注意決定投影：

$$
P_k
=
\Pi(M,A_k).
$$

投影再支持：

$$
B_{k+1}
=
\mathcal{U}(B_k,P_k).
$$

若缺乏獨立反例：

$$
B_k
\rightarrow
A_k
\rightarrow
P_k
\rightarrow
B_{k+1}
$$

可能形成 self-confirming loop。

---

# 31. Closed Loop 可以成為 Self-Sealing Loop

B06 已指出：

$$
\text{Closed-Loop Cognition}
\neq
\text{Closed-World Epistemology}.
$$

B07 進一步：

$$
\boxed{
\text{closed loop without independent constraints}
\rightarrow
\text{possible epistemic self-sealing}.
}
$$

---

# 32. 內視幻覺的操作性定義

本文使用「內視幻覺」時，不是精神醫學診斷。

定義：

**內視幻覺（Introspective Illusion）**

當觀察者對：

$$
X
$$

的內容、來源、信心、因果或本體解釋形成穩定但系統性錯配時，稱其為內視幻覺候選。

---

# 33. Vividness Illusion

$$
\text{vivid}
\Rightarrow
\text{accurate}
$$

不成立。

因此：

$$
\boxed{
\text{Vividness}
\not\Rightarrow
\text{Fidelity}.
}
$$

---

# 34. Directness Illusion

$$
\text{feels direct}
\Rightarrow
\text{unmediated access}
$$

不成立。

B04 已建立：

$$
\text{Introspective Access}
\neq
\text{Self-Transparency}.
$$

---

# 35. Causal Insight Illusion

$$
\text{I know what I feel}
\Rightarrow
\text{I know why I feel it}
$$

不成立。

因此：

$$
\boxed{
\text{content access}
\not\Rightarrow
\text{causal access}.
}
$$

---

# 36. Source Illusion

若：

$$
S_X
$$

被錯誤判定，就可能把：

- 想像當記憶；
- 推論當感知；
- 他人語句當自己原始想法；
- AI 生成內容當獨立證據。

---

# 37. Confidence Illusion

若：

$$
Q_X
$$

高，但準確率低：

$$
\operatorname{Cal}(Q_X)
$$

失敗。

所以：

$$
\boxed{
\text{confidence}
\neq
\text{calibration}.
}
$$

---

# 38. 多投影何時真的有用？

設：

$$
P_1,\ldots,P_k
$$

來自同一 $M$。

如果不同投影的失真模式：

$$
D_1,\ldots,D_k
$$

具有互補性，則交叉比較可能暴露單一視圖錯誤。

---

# 39. Complementary Debt

定義：

$$
C_{ij}
=
1-
\operatorname{Overlap}
(D_i,D_j).
$$

若：

$$
C_{ij}
$$

高，兩投影可能有較好的互補校正價值。

---

# 40. 但互補投影仍不是獨立證據

即使：

$$
C_{ij}\approx1,
$$

若：

$$
P_i=\Pi_i(M),
\quad
P_j=\Pi_j(M),
$$

兩者仍共享：

$$
D_M.
$$

所以：

$$
\boxed{
\text{projection independence}
\neq
\text{source independence}.
}
$$

---

# 41. 同源多投影幻覺

若：

$$
P_i
=
\Pi_i(M_{\mathrm{wrong}})
$$

對所有 $i$ 成立，

即使所有投影互相一致：

$$
P_i\sim P_j,
$$

也不能推出：

$$
M_{\mathrm{wrong}}
$$

正確。

---

# 42. Representation Convergence vs Evidence Independence

因此需要同時估計：

$$
C_{\mathrm{repr}}
=
\operatorname{Convergence}(P_1,\ldots,P_k),
$$

與：

$$
I_{\mathrm{evid}}
=
\operatorname{Independence}(E_1,\ldots,E_m).
$$

真正較強的情況是：

$$
C_{\mathrm{repr}}\uparrow
\quad
\land
\quad
I_{\mathrm{evid}}\uparrow.
$$

---

# 43. Independent Evidence Gate

本體信心要升級前，要求：

$$
I_{\mathrm{evid}}
\geq
\theta_I.
$$

如果新增「證據」只是：

$$
\Pi_2(\Pi_1(M)),
$$

則：

$$
I_{\mathrm{evid}}\approx0.
$$

---

# 44. Adversarial Reprojection

一般再投影問：

> 怎麼讓它更好理解？

對抗式再投影問：

> 怎麼最容易把它畫錯的地方逼出來？

定義：

$$
P_{\mathrm{adv}}
=
\operatorname*{arg\,max}_{P\in\mathcal{P}}
\operatorname{Sensitivity}
(P,D_{\mathrm{suspected}}).
$$

---

# 45. 對抗式再投影案例

如果原表示是平均值：

$$
P_{\mathrm{mean}},
$$

對抗式表示可以改成：

$$
P_{\mathrm{distribution}}.
$$

如果原表示是 2D 地圖：

$$
P_{\mathrm{map}},
$$

可以換：

$$
P_{\mathrm{equal-area}},
\quad
P_{\mathrm{globe}}.
$$

如果原表示是文字摘要：

$$
P_{\mathrm{summary}},
$$

可以回到：

$$
P_{\mathrm{source\ spans}}.
$$

---

# 46. Adversarial Reprojection 不是反對原投影

它不是：

$$
P_{\mathrm{old}}
\text{ must be false}.
$$

而是：

$$
\boxed{
\text{choose a projection whose failure modes differ from the original}.
}
$$

---

# 47. Projection Audit

本文提出最小 audit packet：

$$
\mathsf{PAudit}
=
\left\langle
Source,
Model,
Task,
Carrier,
Transform,
Invariants,
Debt,
Units,
Uncertainty,
Provenance,
Validation,
Alternatives
\right\rangle.
$$

---

# 48. Source

來源到底是：

- 原始量測；
- 文件；
- 模型；
- 推論；
- AI；
- 人工標註。

---

# 49. Model

投影表示的是：

$$
M
$$

還是直接資料：

$$
D?
$$

兩者必須標明。

---

# 50. Task

此投影到底是為：

- 導航；
- 比較；
- 解釋；
- 探索；
- 決策；
- 教育；

設計。

---

# 51. Carrier

表示載體：

- text；
- table；
- chart；
- map；
- animation；
- VR；
- graph；
- tensor；
- internal imagery。

---

# 52. Transform

所有：

- filter；
- aggregation；
- normalization；
- projection；
- scale change；
- imputation；

都應可追蹤。

---

# 53. Invariants

明示：

$$
\mathcal{I}_{\mathrm{keep}}.
$$

---

# 54. Debt

明示：

$$
\mathcal{D}_{\mathrm{known}}.
$$

---

# 55. Units

單位錯誤是典型跨載體污染。

因此：

$$
\boxed{
\text{unit metadata}
\text{ is part of projection meaning}.
}
$$

---

# 56. Uncertainty

若來源有：

$$
U>0,
$$

投影不能默默把它變成：

$$
U=0.
$$

---

# 57. Provenance

保存：

$$
\operatorname{Prov}.
$$

---

# 58. Validation

目前只是：

- unchecked；
- internally consistent；
- cross-projection checked；
- source checked；
- externally validated；
- intervention tested。

這些狀態必須分開。

---

# 59. Alternatives

至少知道：

> 有沒有另一個投影會讓結果看起來不同？

這本身就是 audit 問題。

---

# 60. Visualization Integrity Gate

對 empirical figure，至少檢查：

$$
\left(
N,
Range,
Unit,
Transform,
Axis,
Missing,
Filter,
Aggregation
\right).
$$

---

# 61. AI 生成圖表不是證據生成

AI 可以：

$$
\text{data}
\rightarrow
\text{plot}.
$$

但不能把：

$$
\text{plot}
$$

重新包裝成新的獨立 evidence source。

---

# 62. AI Summary 也是 Projection

若：

$$
P_{\mathrm{summary}}
=
\operatorname{Summarize}(D),
$$

它有：

$$
D_{\mathrm{omission}},
D_{\mathrm{semantic}},
D_{\mathrm{source}}.
$$

所以摘要不是 source。

---

# 63. AI 的最大風險之一：Projection Stack

$$
Source
\rightarrow
Summary_1
\rightarrow
Summary_2
\rightarrow
Table
\rightarrow
Narrative
\rightarrow
Decision.
$$

如果每層都丟失少量 caveat：

$$
D_{\mathrm{total}}
$$

可以快速變大。

---

# 64. Projection Stack Audit

需要保留：

$$
S_0
\rightarrow
P_1
\rightarrow
P_2
\rightarrow
\cdots
\rightarrow
P_n.
$$

每一層有：

$$
\Delta D_i.
$$

---

# 65. 累積債務

概念上：

$$
D_n
=
\mathcal{A}_{n-1}
\circ
\cdots
\circ
\mathcal{A}_1(D_0)
+
\sum_i d_i.
$$

不預設簡單線性加總。

---

# 66. 內視也有 Projection Stack

例如：

$$
Experience
\rightarrow
IntrospectiveRep
\rightarrow
Concept
\rightarrow
Memory
\rightarrow
Narrative.
$$

每一步都可能重構。

因此：

$$
\boxed{
\text{autobiographical certainty}
\text{ can exceed representational fidelity}.
}
$$

---

# 67. Narrative Coherence Trap

如果最後故事很完整：

$$
C_{\mathrm{narrative}}\uparrow,
$$

觀察者可能誤以為：

$$
Q_{\mathrm{truth}}\uparrow.
$$

但：

$$
\boxed{
\text{coherence}
\not\Rightarrow
\text{historical fidelity}.
}
$$

---

# 68. 內視與閉環的 Self-Repair 也可能變 Self-Defense

如果每次反例都被：

$$
\mathcal{R}_{\mathrm{reinterpret}}
$$

重新解釋成支持原模型，

則：

$$
\boxed{
\text{reprojection}
\rightarrow
\text{possible immunization against falsification}.
}
$$

---

# 69. Falsification Reachability

定義：

$$
R_F(M)
=
\text{set of observations capable of lowering confidence in }M.
$$

若：

$$
R_F(M)=\varnothing,
$$

模型形成 self-sealing 風險。

---

# 70. Healthy Loop 要保留 Negative Update Path

必須存在某些 $Y$ 使：

$$
Q(M\mid Y)
<
Q(M).
$$

因此：

$$
\boxed{
\text{corrigible loop}
\text{ requires reachable negative updates}.
}
$$

---

# 71. Adversarial Evidence

除了 adversarial reprojection，還需要主動尋找：

$$
E_{\mathrm{disconfirm}}.
$$

這和 2024 confirmation-bias review 所建議的反偏誤研究精神一致。

---

# 72. Source Diversity

若證據來自：

$$
E_1,\ldots,E_m,
$$

可以估計：

$$
D_{\mathrm{source}}
=
\operatorname{DependenceMatrix}(E_1,\ldots,E_m).
$$

不同網站轉述同一新聞不一定算多個獨立 source。

---

# 73. Method Diversity

同一資料若用：

- regression；
- causal model；
- nonparametric；
- simulation；

得到相似結論，方法多樣性可能增加穩健性。

但仍共享 data debt。

---

# 74. Data Diversity

真正不同資料集：

$$
D_1,D_2,\ldots
$$

如果 measurement process 獨立，可能提供更強校正。

---

# 75. Observer Diversity

不同觀察者可以暴露不同 decoding bias。

但群體一致也可能共享文化、訓練或工具偏差。

---

# 76. No Absolute Independence

完全獨立往往不存在。

因此：

$$
I_{\mathrm{evid}}
\in
[0,1]
$$

更合理，而不是 Boolean。

---

# 77. Uncertainty Visualization 的核心困難

不確定性本身也是要被投影的對象。

所以：

$$
U(M)
\rightarrow
P_U.
$$

如果：

$$
P_U
$$

難以解碼，可能造成：

- overconfidence；
- underconfidence；
- interval misread；
- probability misuse。

---

# 78. 不確定性也有載體適配問題

同一 uncertainty 可以用：

- interval；
- ensemble；
- distribution；
- gradient；
- animation；
- verbal probability。

不同任務可能需要不同載體。

---

# 79. Uncertainty Suppression

若圖只突出 signal：

$$
S
$$

而弱化：

$$
U,
$$

會產生 false precision。

近期 uncertainty-visualization 文獻也開始明確討論「如何防止 signal 在 noise 尚高時被過度解讀」的問題。

---

# 80. 認知負荷與不確定性

若讀者必須在工作記憶中自己完成：

$$
\text{interval}
+
\text{baseline}
+
\text{comparison}
+
\text{decision threshold},
$$

錯誤率可能提高。

因此：

$$
\boxed{
\text{mathematically correct uncertainty display}
\not\Rightarrow
\text{cognitively effective uncertainty communication}.
}
$$

---

# 81. 內視不確定性也應顯示

不是只有：

> 我感覺到了 X。

還應允許：

> 我對 X 的內容高信心，但對來源低信心。

即：

$$
Q_C
\neq
Q_S
\neq
Q_H.
$$

---

# 82. Projection Audit 可以進入內視

對內部 $X$ 也問：

- 它從哪來？
- 是感知、記憶、想像還是推論？
- 經過哪些操作？
- 有多鮮明？
- 有多可靠？
- 有沒有外部證據？

---

# 83. Introspective Audit Packet

$$
\mathsf{IAudit}
=
\left\langle
Content,
SourceEstimate,
Confidence,
Operations,
Interpretation,
ExternalCheck,
Debt
\right\rangle.
$$

---

# 84. Introspective Illusion 不應被病理化

本文的「內視幻覺」是一般認知錯配。

每個正常觀察者都可能發生：

- 記錯來源；
- 高估原因理解；
- 把流暢感當正確；
- 把鮮明心象當記憶精確度。

---

# 85. Projection Error Budget

可為高風險任務設定：

$$
D_{\mathrm{total}}
\leq
D_{\max}.
$$

如果超過：

$$
D_{\max},
$$

就不能 commit。

---

# 86. Commit Gate

$$
\operatorname{Commit}
\iff
\left(
F_{\tau}\geq F_{\min}
\right)
\land
\left(
D_{\mathrm{total}}\leq D_{\max}
\right)
\land
\left(
I_{\mathrm{evid}}\geq I_{\min}
\right).
$$

這是工程化框架，不是普遍心理定律。

---

# 87. 高風險任務需要更高門檻

例如：

- 醫療；
- 法律；
- 安全；
- 大型基礎設施；
- 科學定理；
- 本體性重大主張。

應要求更高：

$$
F_{\min},
\quad
I_{\min},
$$

更低：

$$
D_{\max}.
$$

---

# 88. Reopen Gate

即使已 commit，如果：

$$
D_{\mathrm{new}}>D_{\mathrm{old}},
$$

或新證據：

$$
E_{\mathrm{new}}
$$

與模型衝突，就應允許：

$$
\operatorname{Reopen}=1.
$$

---

# 89. Projection Ledger

正式系統可以記錄：

$$
\mathcal{L}_{P}
=
\left\{
P_i,
Source_i,
Transform_i,
Debt_i,
Validation_i,
Timestamp_i
\right\}.
$$

---

# 90. 可實驗研究一：美觀與信心

保持資料相同，只改：

- 美觀程度；
- 動畫；
- 色彩；
- 版面。

測量：

$$
Q_{\mathrm{subj}},
\quad
Q_{\mathrm{accuracy}}.
$$

檢驗：

$$
D_{\mathrm{intu}}.
$$

---

# 91. 可實驗研究二：Debt Disclosure

比較：

1. 不說明失真；
2. 顯示 caveat；
3. 顯示 debt vector；
4. 提供 alternate projection。

測試判斷準確度與過度信心。

---

# 92. 可實驗研究三：同源多投影

讓多個圖表都來自同一錯誤模型。

比較受試者看到：

- 一張圖；
- 三張不同圖；
- 三張圖＋來源依賴提示。

測試多投影是否產生虛假的 evidence accumulation。

---

# 93. 可實驗研究四：Adversarial Reprojection

原圖故意隱藏某結構。

讓第二表示選擇：

- 同類圖；
- 隨機圖；
- 對抗式表示。

比較錯誤發現率。

---

# 94. 可實驗研究五：Uncertainty Debt

同一模型以：

- point estimate；
- interval；
- ensemble；
- distribution；
- verbal uncertainty；

呈現。

測試 decision quality 與 calibration。

---

# 95. 可實驗研究六：內視來源混淆

建立感知、記憶、指示想像與推論內容。

要求報告：

$$
Content,
Source,
Confidence.
$$

研究：

$$
D_{\mathrm{source}},
D_{\mathrm{intu}}.
$$

---

# 96. 可實驗研究七：Human–AI Confirmation Loop

比較：

- human only；
- human + supportive AI；
- human + adversarial AI；
- human + independent retrieval；
- human + provenance-visible AI。

測試 confirmation error、信心與最終正確率。

---

# 97. 可實驗研究八：Projection Stack

建立：

$$
Source
\rightarrow
Summary
\rightarrow
Table
\rightarrow
Slide
\rightarrow
Decision.
$$

逐層測量 caveat loss 與 semantic drift。

---

# 98. 現有研究提供的接口

第一，Cleveland 與 McGill 的 graphical perception 工作為「不同視覺編碼具有不同解碼精度」提供經典實驗基礎。

第二，uncertainty visualization 綜述顯示，不確定性表示的錯誤可以出現在早期知覺、中間判斷與後期決策階段，而 working-memory demand 是一個重要解釋候選。

第三，2024 年 confirmation-bias 綜述再次強調，研究者與判斷者可能選擇性過濾或扭曲資料以支持既有信念，因此良好實驗設計必須主動引入反偏誤機制。

第四，2024 年 fact-checking cognitive-bias review 系統整理了大量會影響人類資訊驗證的偏誤，說明「有驗證步驟」不等於驗證天然無偏。

第五，2024–2025 年 uncertainty-visualization 研究指出，表示不確定性的目的可能是支援決策，也可能是抑制過度結論；這兩種任務不應混為單一設計目標。

第六，本研究自己的 B01 已定義任務相對不變量與 Projection Debt，B06 則已建立 representation convergence 與 evidence independence 的分離。B07 將兩者整合為 audit 與 adversarial-reprojection 層。

---

# 99. 本文不主張什麼

本文明確不主張：

1. 所有視覺化都會誤導；
2. 直觀沒有知識價值；
3. 越複雜的表示越可靠；
4. 越簡單的表示越危險；
5. 多投影沒有價值；
6. 所有多投影一致都是假象；
7. 所有第一人稱經驗都是錯覺；
8. 「內視幻覺」是精神醫學診斷；
9. 所有 confirmation bias 都能被完全消除；
10. adversarial reprojection 必然找到真相；
11. independent evidence 可以做到絕對獨立；
12. AI 圖表或摘要不能有認知價值；
13. provenance 本身保證內容正確；
14. audit 可以取代原始資料、實驗與形式驗證；
15. 所有本體問題都能透過表示工程解決。

---

# 100. 核心命題總結

$$
\boxed{
\text{Intuitive Success}
\not\Rightarrow
\text{Representational Fidelity}
\not\Rightarrow
\text{Ontological Truth}.
}
$$

$$
\boxed{
\text{Projection Quality}
=
\text{task fidelity}
+
\text{explicit debt}
+
\text{auditable provenance}.
}
$$

$$
\boxed{
\text{projection-of-projection}
\text{ inherits upstream debt unless explicitly corrected}.
}
$$

$$
\boxed{
\text{Figure}
\neq
\text{Evidence Source}.
}
$$

$$
\boxed{
\text{cognitive fluency}
\not\Rightarrow
\text{epistemic reliability}.
}
$$

$$
\boxed{
\text{projection independence}
\neq
\text{source independence}.
}
$$

$$
\boxed{
\text{representation convergence}
\neq
\text{evidence independence}.
}
$$

$$
\boxed{
\text{Vividness}
\not\Rightarrow
\text{Fidelity}.
}
$$

$$
\boxed{
\text{corrigible loop}
\text{ requires reachable negative updates}.
}
$$

---

# 101. 結論：真正可靠的投影，必須告訴你它讓你看不到什麼

人類不可能停止使用投影。

沒有投影，我們甚至很難：

- 看懂地球尺度；
- 比較宇宙大小；
- 操作高維結構；
- 記錄思想；
- 做數學；
- 建立模型；
- 與 AI 協作。

所以 B07 並不是反投影。

問題恰恰相反：

> 因為投影如此強大，所以我們需要更認真治理它。

真正危險的不是：

$$
P\neq\mathcal{R}.
$$

這件事本來就正常。

真正危險的是：

$$
P\neq\mathcal{R}
$$

卻忘記：

$$
P\neq\mathcal{R}.
$$

也就是把：

- 地圖當土地；
- 圖表當資料；
- 摘要當原文；
- 模型當世界；
- 心象當記憶真值；
- 直觀當證明；
- AI 重述當獨立驗證；
- 多張同源圖當多份證據。

因此成熟的投影系統應該讓使用者同時知道：

$$
\boxed{
\text{what is preserved}
+
\text{what is lost}
+
\text{what is distorted}
+
\text{what is uncertain}
+
\text{where it came from}
+
\text{what could falsify it}.
}
$$

如果一個表示只能讓你更相信它，卻不能告訴你什麼情況下應該降低信心，那它就不是成熟的認知工具。

它可能正在形成：

$$
\text{self-confirming projection loop}.
$$

所以本文最後把 Projection Audit 的精神濃縮成一句：

> **好的投影不只是讓世界變得可理解；好的投影也必須保留一條回到不可理解、不可確定與可能錯誤之處的路。**

這條路就是：

$$
\boxed{
\text{provenance}
+
\text{debt disclosure}
+
\text{alternate projection}
+
\text{independent evidence}
+
\text{reopenability}.
}
$$

投影的最高品質，不是「看起來最像真相」。

而是：

> **在幫助我們形成直觀的同時，仍然讓我們記得直觀只是一個可被檢查、可被替換、可被推翻的載體。**

---

# 102. 系列接口：B08

下一篇：

**B08《超越人類眼睛：AI、XR 與新型認知載體——從投影世界到可設計感知世界》**

B08 將作為系列收束篇，把前七篇推向工程與未來載體：

$$
\boxed{
\text{Cognitive Accessibility}
\neq
\text{Biological Sensory Accessibility}.
}
$$

核心問題包括：

1. AI 可以使用哪些人類不需要直接觀看的 carrier-native representation？
2. XR 如何把抽象、高維與跨尺度狀態重新投影成人類可操作經驗？
3. 未來認知介面是否應從「顯示更多資訊」改成「動態編譯最適投影」？
4. 人類、AI 與工具如何共享 canonical model 而使用不同 view？
5. 如何把 B07 的 projection audit、debt disclosure 與 independent verification 直接寫進下一代認知介面？

---

# 參考文獻

1. Cleveland, W. S., & McGill, R. (1984). Graphical Perception: Theory, Experimentation, and Application to the Development of Graphical Methods. *Journal of the American Statistical Association*, 79(387), 531–554.
2. Cleveland, W. S., & McGill, R. (1985). Graphical perception and graphical methods for analyzing scientific data. *Science*, 229(4716), 828–833.
3. Kinkeldey, C., MacEachren, A. M., Riveiro, M., & Schiewe, J. (2017). Evaluating the effect of visually represented geodata uncertainty on decision-making: systematic review, lessons learned, and recommendations. *Cartography and Geographic Information Science*, 44(1), 1–21.
4. Padilla, L. M., Creem-Regehr, S. H., Hegarty, M., & Stefanucci, J. K. (2018). Decision making with visualizations: a cognitive framework across disciplines. *Cognitive Research: Principles and Implications*, 3, 29.
5. Padilla, L. M., et al. (2021). A review of uncertainty visualization errors: Working memory as an explanatory theory. *Psychology of Learning and Motivation*.
6. Born, R. T. (2024). Stop Fooling Yourself! Diagnosing and Treating Confirmation Bias. *eNeuro*, 11(10), ENEURO.0415-24.2024.
7. Soprano, M., Roitero, K., La Barbera, D., Ceolin, D., Spina, D., Demartini, G., & Mizzaro, S. (2024). Cognitive Biases in Fact-Checking and Their Countermeasures: A Review. *Information Processing & Management*, 61(3), 103672.
8. Mason, H., Cook, D., Goodwin, S., Tanaka, E., & VanderPlas, S. (2024). The Noisy Work of Uncertainty Visualisation Research: A Review. arXiv:2411.10482.
9. Hadjimichael, A., Schlumberger, J., & Haasnoot, M. (2024). Data visualisation for decision making under deep uncertainty: current challenges and opportunities.
10. Neo.K (2026). 《載體投影與內視系列（B01）：我們不是看見實在，而是在操作它的投影》.
11. Neo.K (2026). 《載體投影與內視系列（B02）：把不可見之物變成可以看的東西》.
12. Neo.K (2026). 《載體投影與內視系列（B03）：想像不是虛構》.
13. Neo.K (2026). 《載體投影與內視系列（B04）：新版內視：我們到底在「裡面」看什麼？》.
14. Neo.K (2026). 《載體投影與內視系列（B05）：閉上眼睛之後，世界沒有消失》.
15. Neo.K (2026). 《載體投影與內視系列（B06）：外視與內視其實是一個循環》.

---

**系列狀態：** B07 完成，下一篇 B08。  
**Canonical source format：** UTF-8 Markdown；數學 delimiter 僅使用 ` $...$ ` 與 `$$...$$`。