# 當科學家的私人信念穿上科學白袍：資格—信念滲漏、精確性幻覺與公共科學負擔

## When Private Credence Wears a Lab Coat: Credential-to-Credence Leakage, Precision Illusion, and the Public Scientific Burden

**系列**：反身性認知權力與公共倫理系列，第 3 篇／共 8 篇  
**系列英文名**：Reflexive Epistemic Power and Public Ethics Series  
**系列代碼**：REPE  
**文件編號**：EML-REPE-2026-03-v0.1  
**作者**：Neo.K with Aletheia（GPT-5.6 Sol）  
**機構**：EveMissLab／一言諾科技有限公司  
**版本**：v0.1  
**日期**：2026-09-13  
**性質**：Public Epistemology／Science Communication／Expert Elicitation／Forecasting／AI Governance  
**狀態**：Public Theory Draft  
**直接前置**：REPE-01《詞不是旁觀者》；REPE-02《治理者也必須被治理》；《神聖與真理的人格化》；《AGI 高信心言論與制度性責任閉包》  
**後續接口**：REPE-04《預測者已經走進未來》；REPE-05《當威脅模型開始製造自己的證據》

---

## 摘要

專家、科學家與高技術組織不只生產經驗證的知識，也會形成未完成的推論、直覺、主觀概率、情境判斷與戰略預測。這些認知活動本身不是科學的敵人；相反地，科學進展經常始於尚未被完整驗證的高品質猜測。

問題出現在公共傳播中：

$$
\boxed{
\text{Expert Credence}
}
$$

可能因發言者的資格、機構與科學身份，而被接收成：

$$
\boxed{
\text{Scientific Estimate}.
}
$$

本文將此現象稱為：

$$
\boxed{
CCL
=
\text{Credential-to-Credence Leakage}
}
$$

即「資格—信念滲漏」。

本文進一步區分：

$$
\boxed{
\text{Subjective Credence}
\neq
\text{Expert Elicitation}
\neq
\text{Model-Based Estimate}
\neq
\text{Empirical Frequency}.
}
$$

四者都可以使用百分比，但其認識論來源、可重現性、校準方式與公共含義不同。

本文提出「科學權威攜帶效應」（Scientific Authority Carryover）、「算術精確性—認識論精確性分離」（Arithmetic Precision–Epistemic Precision Separation）、「概率白袍效應」（Probabilistic Lab-Coat Effect）、「科學語域切換」（Epistemic Register Switching）、「公共科學負擔原則」（Public Scientific Burden Principle）與「可信度來源標記」（Credence Provenance Labeling）。

核心命題為：

$$
\boxed{
\text{Arithmetic Precision}
\neq
\text{Epistemic Precision}.
}
$$

以及：

$$
\boxed{
\text{Scientific Authority}
\uparrow
\Rightarrow
\text{Public Epistemic Burden}
\uparrow.
}
$$

本文不主張科學家不得公開主觀信念，也不主張只有有頻率資料才能談概率。相反地，在一次性、高不確定、低基準率或尚未發生的未來事件中，Bayesian subjective credence 與 structured expert elicitation 皆可合法使用。

真正需要被防止的是：

> **把「某位專家的信念」透過數字、頭銜與機構權威，無標記地升格為「科學已估出某個概率」。**

---

## 關鍵詞

資格—信念滲漏；主觀概率；專家判斷；科學權威；科學傳播；概率校準；精確性幻覺；expert elicitation；公共科學負擔；AI 風險

---

# 1. 科學不只由已驗證事實構成

科學實際包含：

$$
\boxed{
\text{Observation}
+
\text{Hypothesis}
+
\text{Model}
+
\text{Inference}
+
\text{Forecast}
+
\text{Credence}
}
$$

並不是只有：

$$
\text{direct measurement}.
$$

---

# 2. 因此「主觀」不等於「不科學」

一個研究者可以合理說：

> 我目前對假說 $H$ 給 60% 信念。

只要他清楚標記：

$$
\boxed{
\text{this is a credence}.
}
$$

---

# 3. 問題是公共接收端可能發生型別轉換

原始：

$$
\text{Researcher Credence}=0.1.
$$

接收端：

$$
\text{Expert Estimate}=0.1.
$$

再：

$$
\text{Scientific Risk}=0.1.
$$

最後：

$$
\boxed{
\text{Fact: risk is 10\%}.
}
$$

---

# 4. 這就是資格—信念滲漏

本文定義：

$$
\boxed{
CCL
=
\text{Credential-to-Credence Leakage}.
}
$$

即：

> 發言者的學術資格與機構權威，滲入其私人信念，使受眾誤判該信念的科學證據地位。

---

# 5. 資格本身不是無價值

專家資格通常意味：

- 更熟悉領域；
- 更知道可行機制；
- 更能辨識錯誤；
- 更有資料背景；
- 更理解研究限制。

因此：

$$
\boxed{
\text{Credential}
}
$$

可以合理影響：

$$
\text{PriorCredibility}.
$$

---

# 6. 但資格不能替代推論鏈

因此：

$$
\boxed{
\text{Credential}
\neq
\text{Derivation}.
}
$$

以及：

$$
\boxed{
\text{Credential}
\neq
\text{Calibration Record}.
}
$$

---

# 7. 四種概率必須分開

本文至少區分：

## Type P1：Empirical Frequency

$$
P_1
=
\frac{k}{N}.
$$

來自可觀察重複事件。

---

# 8. Type P2：Model-Based Estimate

由：

$$
\text{Data}
+
\text{Model}
+
\text{Assumptions}
$$

推導：

$$
P_2.
$$

可以重算、敏感度分析與比較模型。

---

# 9. Type P3：Structured Expert Elicitation

多位專家依明確問題、程序、校準與聚合方法形成：

$$
P_3.
$$

---

# 10. Type P4：Individual Subjective Credence

個人根據：

$$
\text{Knowledge}
+
\text{Intuition}
+
\text{Experience}
+
\text{ImplicitModel}
$$

形成：

$$
P_4.
$$

---

# 11. 四者都可能寫成 10%

即：

$$
P_1=P_2=P_3=P_4=0.1.
$$

但：

$$
\boxed{
\text{same number}
\neq
\text{same epistemic object}.
}
$$

---

# 12. 概率不是自動的科學制服

本文提出：

$$
\boxed{
PLE
=
\text{Probabilistic Lab-Coat Effect}.
}
$$

即：

> 一個模糊判斷只因被寫成百分比，就顯得比實際證據更科學、更量化、更可靠。

---

# 13. 例如

「我認為風險不低。」

公共感覺：

$$
\text{qualitative opinion}.
$$

改成：

> 風險是 12%。

公共感覺可能變成：

$$
\boxed{
\text{measured quantity}.
}
$$

即使 12% 只是：

$$
\text{gut-level credence}.
$$

---

# 14. 算術精確性

本文定義：

$$
\boxed{
AP
=
\text{Arithmetic Precision}.
}
$$

例如：

$$
0.65
\times
0.80
\times
0.40
\times
0.65
\times
0.40
\times
0.95
=
0.051376.
$$

這個結果在算術上很精確。

---

# 15. 但乘數本身可能很粗糙

如果每個值其實只是：

$$
\text{rough subjective estimate},
$$

那：

$$
0.051376
$$

不代表：

$$
\boxed{
\text{true risk known to six decimals}.
}
$$

---

# 16. 認識論精確性

本文定義：

$$
\boxed{
EP
=
\text{Epistemic Precision}.
}
$$

表示：

> 我們究竟有多充分理由把概率定位在這個狹窄數值附近？

---

# 17. 第二母原則

因此：

$$
\boxed{
AP
\neq
EP.
}
$$

即：

> 計算可以很精確，但輸入知識仍很模糊。

---

# 18. Precision Laundering

本文進一步提出：

$$
\boxed{
PL
=
\text{Precision Laundering}.
}
$$

即：

> 粗糙、主觀或高不確定輸入，經形式化運算後，獲得超過原始證據所支持的精確外觀。

---

# 19. 形式化不是錯

形式化有價值，因為它能暴露：

- 依賴關係；
- 條件機率；
- 敏感變數；
- 隱含假設。

問題只在：

$$
\boxed{
\text{formal appearance}
\neq
\text{evidence upgrade}.
}
$$

---

# 20. Evidence Promotion Principle

本文提出：

$$
\boxed{
\text{No Precision Promotion Without Evidence Promotion}.
}
$$

若證據沒有升級，

形式化本身不能把：

$$
\text{rough credence}
$$

升成：

$$
\text{measured probability}.
$$

---

# 21. 專家信念有價值

在資料缺乏時：

$$
\text{ExpertCredence}
$$

通常優於：

$$
\text{RandomGuess}.
$$

本文並不否認這一點。

---

# 22. 真正問題是「信念來源不透明」

如果只得到：

$$
P=10\%,
$$

卻不知道：

- 哪些條件；
- 哪些機制；
- 哪些替代路徑；
- 哪些資料；
- 哪些主觀權重；

就難以：

$$
\boxed{
\text{audit}.
}
$$

---

# 23. 可稽核性

本文定義：

$$
\boxed{
\text{Auditability}(P)
}
$$

為：

> 第三方能否理解這個概率是如何形成的。

---

# 24. 可稽核概率至少有四種來源標記

例如：

```text
Measured frequency
Model-derived estimate
Structured expert elicitation
Individual subjective credence
```

---

# 25. 如果來源不標記

則數字的社會接收會依賴：

$$
\boxed{
\text{speaker identity}.
}
$$

這正是 CCL 的溫床。

---

# 26. Scientific Authority Carryover

本文定義：

$$
\boxed{
SAC
=
\text{Scientific Authority Carryover}.
}
$$

即：

> 發言者從正式科學語境取得的權威，在切換至個人判斷、倡議、政策或哲學推論語境後仍被受眾持續攜帶。

---

# 27. 例如

同一位研究者在論文裡說：

> controlled experiment suggests X under C.

到了訪談：

> I think Y has a 10% chance.

兩句的 epistemic register 不同。

但公眾看到：

> same scientist.

---

# 28. 認識論語域切換

本文定義：

$$
\boxed{
ERS
=
\text{Epistemic Register Switching}.
}
$$

語域可以包括：

$$
R_s=\text{scientific report}
$$

$$
R_c=\text{personal credence}
$$

$$
R_a=\text{advocacy}
$$

$$
R_p=\text{policy recommendation}.
$$

---

# 29. 語域切換本身不是錯

研究者當然可以：

- 做科學；
- 表達個人看法；
- 倡議政策；
- 討論倫理。

問題在：

$$
\boxed{
\text{register transition must remain visible}.
}
$$

---

# 30. Register Masking

本文提出：

$$
\boxed{
RM
=
\text{Register Masking}.
}
$$

即：

> 語域實際已從科學報告切換成私人判斷，但公共表象仍保留科學估計感。

---

# 31. SAC 與 RM 組合

若：

$$
SAC\uparrow
$$

且：

$$
RM\uparrow,
$$

則：

$$
\boxed{
CCL\uparrow.
}
$$

---

# 32. 機構身份還會再次放大

研究者若隸屬：

$$
\text{frontier lab},
$$

公眾還可能推論：

> 他一定知道我們不知道的內部資料。

---

# 33. Hidden Information Assumption

本文定義：

$$
\boxed{
HIA
=
\text{Hidden Information Assumption}.
}
$$

即：

> 因發言者位於核心機構，受眾推測其公開主張背後必然存在未公開但強力的內部證據。

---

# 34. HIA 有時可能為真

核心研究者確實可能：

$$
\text{Access}_{\text{private}}>\text{Access}_{\text{public}}.
$$

不能完全排除。

---

# 35. 但 HIA 不能當作證據自動補洞

因此：

$$
\boxed{
\text{Possible Hidden Evidence}
\neq
\text{Publicly Available Evidence}.
}
$$

---

# 36. 否則會形成不可檢驗權威

結構變成：

> 你問證據在哪？

回答：

> 他是內部專家，所以一定有理由。

這會使：

$$
\boxed{
\text{Authority}
}
$$

取代：

$$
\boxed{
\text{Traceability}.
}
$$

---

# 37. 科學聖徒化風險

若：

$$
W_{\text{person}}
\gg
W_{\text{evidence}}+W_{\text{method}},
$$

則可能發生：

$$
\boxed{
\text{epistemic sanctification}.
}
$$

---

# 38. 但反過來也不能否定專家

如果說：

> 既然權威不能取代證據，所以專家身份毫無價值。

也是錯的。

---

# 39. 正確結構是

$$
\boxed{
\text{Credential}
\rightarrow
\text{reasonable prior weighting},
}
$$

但：

$$
\boxed{
\text{Credential}
\not\rightarrow
\text{final epistemic closure}.
}
$$

---

# 40. 專家信念至少有三種公共用法

## 用法一：導航

> 哪個方向值得研究？

合理。

---

# 41. 用法二：決策輸入

> 在資訊不足時，政策是否應先防範？

也可能合理。

---

# 42. 用法三：被當成已測量事實

這就是風險最高的：

$$
\boxed{
\text{credence-to-fact promotion}.
}
$$

---

# 43. 科學權威的公共放大

可粗略寫：

$$
\boxed{
\text{PublicWeight}(q)
=
\text{ClaimStrength}
\times
\text{Credential}
\times
\text{Institution}
\times
\text{MediaReach}.
}
$$

---

# 44. 因此同一句「10%」

普通匿名者：

$$
PW\approx\text{low}.
$$

著名科學家：

$$
PW\gg\text{low}.
$$

前沿公司核心研究者：

$$
PW\ggg\text{low}.
$$

---

# 45. 權威越高，越不能只靠「這只是我個人看法」

因為：

$$
\boxed{
\text{speaker cannot fully control authority carryover}.
}
$$

---

# 46. Public Scientific Burden Principle

本文提出：

# **公共科學負擔原則**

$$
\boxed{
\text{ScientificAuthority}\uparrow
\Rightarrow
\text{PublicEpistemicBurden}\uparrow.
}
$$

---

# 47. 這不是限制自由

它不是：

> 科學家不能有意見。

而是：

> 當你的意見會被公眾接收成科學訊號時，你有較高義務標示其來源與限制。

---

# 48. 公共科學負擔至少包含六項

1. Claim Type；
2. Evidence Source；
3. Uncertainty；
4. Alternative Models；
5. Calibration Status；
6. Conflict of Interest。

---

# 49. Claim Type

標示：

$$
\boxed{
\text{Observation?}
\text{Inference?}
\text{Hypothesis?}
\text{Scenario?}
\text{Credence?}
\text{Recommendation?}
}
$$

---

# 50. Evidence Source

是：

- public data；
- private data；
- model output；
- formal derivation；
- personal judgment？

---

# 51. Uncertainty

至少說明：

$$
\boxed{
\text{how wide is the plausible range?}
}
$$

不是只丟單點。

---

# 52. Alternative Models

例如：

$$
H_1,H_2,H_3.
$$

不要把：

$$
H_1
$$

直接寫成：

$$
\text{the explanation}.
$$

---

# 53. Calibration Status

研究者是否有：

$$
\boxed{
\text{forecast track record}
}
$$

？

若沒有，

也沒關係，

但應標示：

> uncalibrated personal credence.

---

# 54. Conflict of Interest

例如一個機構提出：

> 某技術非常危險，因此需要只有大型合規機構能負擔的監管。

這個主張可能是真。

但也可能同時：

$$
\boxed{
\text{benefit the institution}.
}
$$

---

# 55. 利益存在不等於主張錯誤

所以：

$$
\boxed{
\text{ConflictOfInterest}
\neq
\text{Falsehood}.
}
$$

---

# 56. 但利益應進入公共模型

因為：

$$
\boxed{
\text{motivated reasoning risk}>0.
}
$$

---

# 57. 概率透明封包

本文提出：

$$
\boxed{
PTP
=
\text{Probability Transparency Packet}.
}
$$

---

# 58. 最小格式

```yaml
probability_transparency:
  event:
  horizon:
  probability:
  type:
  evidence_basis:
  decomposition:
  calibration_status:
  confidence_interval_or_range:
  alternative_models:
  key_unknowns:
  personal_or_institutional:
```

---

# 59. 「十年內 10%」若沒有 event 定義不完整

因為：

> AI extinction

可能指：

- AI 直接造成；
- AI 協助人類造成；
- AI 為必要條件；
- AI 為加速因素；
- AI 僅存在於因果鏈。

---

# 60. 事件定義必須能被判定

因此：

$$
\boxed{
\text{EventDefinition}
}
$$

至少要有：

- 時間；
- 門檻；
- 因果歸因；
- 成功／失敗判定。

---

# 61. 否則預測永遠可以事後移動

這將在 REPE-04 展開：

$$
\boxed{
\text{Forecast Target Drift}.
}
$$

---

# 62. 單點概率常造成假穩定感

例如：

$$
P=10\%.
$$

可能實際表示：

> 我今天感覺約 5–20%。

---

# 63. 因此更合理的公開形式可能是

$$
\boxed{
P\in[0.03,0.20]
}
$$

加：

> median personal credence ≈ 0.1.

---

# 64. Range 不一定更科學

如果 range 也是亂猜，

仍然沒有神奇升級。

但至少它減少：

$$
\boxed{
\text{point-estimate illusion}.
}
$$

---

# 65. Point Estimate Illusion

本文定義：

$$
\boxed{
PEI
=
\text{Point Estimate Illusion}.
}
$$

即：

> 單一百分比讓高度模糊信念看起來像有狹窄誤差範圍的測量值。

---

# 66. 當媒體只保留數字

原始：

> my rough personal credence is above 10%.

標題：

> Scientist says 10% chance.

再：

> AI has 10% extinction risk.

形成：

$$
\boxed{
\text{Qualifier Attrition}.
}
$$

---

# 67. Qualifier Attrition

本文定義：

$$
\boxed{
QA
=
\text{Qualifier Attrition}.
}
$$

即：

> 傳播過程中，限制詞比結論更快消失。

---

# 68. 典型消失順序

最先消失：

- personal；
- rough；
- conditional；
- scenario-dependent；
- uncertain。

最後留下：

$$
\boxed{
10\%.
}
$$

---

# 69. 所以來源端不能假設 caveat 會自動存活

這接回 REPE-01：

$$
\boxed{
\text{Formal Caveat Presence}
\neq
\text{Public Epistemic Balance}.
}
$$

---

# 70. Credence Provenance Labeling

本文提出：

$$
\boxed{
CPL
=
\text{Credence Provenance Labeling}.
}
$$

例如：

> **Individual subjective credence, not an empirical estimate.**

---

# 71. 這一句很重要

因為它阻止：

$$
\boxed{
P_4\rightarrow P_1
}
$$

的無標記型別升級。

---

# 72. Structured Expert Elicitation 也不是「真實概率」

即使：

$$
n=100
$$

位專家聚合，

仍然主要是：

$$
\boxed{
\text{structured judgment}.
}
$$

---

# 73. 聚合能減少某些個體偏差

但不能創造：

$$
\boxed{
\text{missing empirical universe}.
}
$$

---

# 74. 專家分歧本身也是資料

若：

$$
P_i
$$

在：

$$
[0.1\%,30\%]
$$

高度分散，

則應呈現：

$$
\boxed{
\text{disagreement structure}.
}
$$

---

# 75. 不應只報中位數

因為中位數可能遮掉：

- 學派分裂；
- threat model 不同；
- 時間表不同；
- 定義不同。

---

# 76. Meta-Uncertainty

本文定義：

$$
\boxed{
MU
=
\text{Meta-Uncertainty}.
}
$$

即：

> 我們對「自己的概率估計是否值得信任」本身的不確定性。

---

# 77. MU 在前沿風險中特別重要

因為：

$$
\text{low data}
+
\text{novel system}
+
\text{endogenous dynamics}
$$

通常：

$$
MU\uparrow.
$$

---

# 78. 因此

$$
\boxed{
\text{High numerical confidence}
}
$$

在：

$$
MU\gg0
$$

時需要額外理由。

---

# 79. Forecasting Skill ≠ Domain Expertise

一個人可能是：

$$
\text{excellent AI researcher}
$$

但不是：

$$
\text{calibrated long-horizon forecaster}.
$$

---

# 80. 反之也可能

一個 forecasting expert：

$$
\text{calibration skill}\uparrow
$$

但：

$$
\text{domain depth}\downarrow.
$$

---

# 81. 所以兩種專業應分開

$$
\boxed{
\text{DomainExpertise}
\neq
\text{ForecastingCalibration}.
}
$$

---

# 82. 最佳結構可能是混合

$$
\boxed{
\text{DomainExperts}
+
\text{Superforecasters}
+
\text{Modelers}
+
\text{IndependentAuditors}.
}
$$

---

# 83. 單一專家不應被轉譯成「科學共同體」

因此：

$$
\boxed{
\text{Expert}
\neq
\text{Consensus}.
}
$$

---

# 84. 單一公司也不等於領域

$$
\boxed{
\text{Frontier Lab}
\neq
\text{Scientific Field}.
}
$$

---

# 85. 公司內部共識也不等於外部共識

因為組織內部可能共享：

- 資料；
- 世界觀；
- 招募選擇；
- 文化；
- incentives。

---

# 86. Epistemic Correlation

本文提出：

$$
\boxed{
\text{ECorr}
=
\text{Epistemic Correlation}.
}
$$

如果多位專家高度共享：

$$
\text{training}
+
\text{institution}
+
\text{assumptions},
$$

他們不是獨立樣本。

---

# 87. 所以「十位專家都說 10%」

不能直接當作：

$$
n=10
$$

獨立證據。

---

# 88. Effective Epistemic Sample Size

可概念化：

$$
\boxed{
N_{\mathrm{eff}}
<
N
}
$$

當認知來源高度相關。

---

# 89. 這也是公司風格為何重要

一家公司如果長期偏好：

- 某種 threat model；
- 某些語義；
- 某些研究問題；

其內部多個聲音可能：

$$
\boxed{
\text{not epistemically independent}.
}
$$

---

# 90. 但同樣不能因此全盤否定

組織集中研究某問題，

也可能使：

$$
\text{expertise}\uparrow.
$$

所以需要同時看到：

$$
\text{Depth}\uparrow
$$

與：

$$
\text{Correlation}\uparrow.
$$

---

# 91. 科學責任不是要求「完美中立」

本文拒絕：

$$
\boxed{
\text{Perfect Neutrality Myth}.
}
$$

因為研究題目、模型、語言與政策都包含選擇。

---

# 92. 真正可要求的是透明偏置

本文提出：

$$
\boxed{
\text{Transparent Situatedness}.
}
$$

即：

> 我知道自己位於什麼位置，也讓別人知道。

---

# 93. Situatedness 包括

- 機構；
- 方法；
- 目標；
- threat model；
- 利益；
- 價值前提；
- 資料邊界。

---

# 94. 這不會消除偏差

但提高：

$$
\boxed{
\text{auditability}.
}
$$

---

# 95. 科學語言的公共特殊性

一般政治人物說：

> 我認為。

受眾知道：

$$
\text{political claim}.
$$

科學家說：

> 我認為。

公眾可能仍聽成：

$$
\boxed{
\text{science-informed fact}.
}
$$

---

# 96. 因此科學家的「我認為」也有非對稱重量

這不是公平不公平問題，

而是：

$$
\boxed{
\text{social epistemic reality}.
}
$$

---

# 97. 所以高學術資格帶來額外自由，也帶來額外負擔

額外自由：

> 公眾願意聽你。

額外負擔：

> 你更需要說清楚你現在是在什麼 epistemic register 說話。

---

# 98. Public Scientific Burden Index

本文提出概念指標：

$$
\boxed{
PSB
=
A_s
\times
R
\times
I
\times
C.
}
$$

其中：

- $A_s$：Scientific Authority；
- $R$：Reach；
- $I$：Irreversibility of downstream action；
- $C$：Claim Severity。

---

# 99. 若 PSB 高

則應提高：

$$
\boxed{
\text{Documentation}
+
\text{Qualification}
+
\text{Audit}
+
\text{Counterargument}.
}
$$

---

# 100. 例如文明滅絕預測

因為：

$$
C\gg0,
$$

所以即使只是個人 credence，

也應附：

- event definition；
- causal decomposition；
- alternative pathways；
- update rule；
- uncertainty range；
- subjective label。

---

# 101. 這不是因為不准談滅絕

反而是因為：

$$
\boxed{
\text{extreme claims deserve high-resolution provenance}.
}
$$

---

# 102. 科學倡議也可以存在

研究者可以說：

> 即使機率只有 1%，因為損失極大，我仍支持某政策。

這是完整的：

$$
\boxed{
\text{Probability}
+
\text{Utility}
+
\text{Policy}.
}
$$

---

# 103. 這比偷偷用概率承載價值更乾淨

不應把：

> 我認為應該強監管

偷偷轉成：

> 風險是 30%。

---

# 104. Value Smuggling Through Probability

本文提出：

$$
\boxed{
VSP
=
\text{Value Smuggling Through Probability}.
}
$$

即：

> 用提高或降低概率數字，隱含承載原本應被單獨討論的價值與政策偏好。

---

# 105. 不是說所有高概率都是 VSP

VSP 必須有證據才能歸因。

本文只把它列為：

$$
\boxed{
\text{failure mode}.
}
$$

---

# 106. 正確分離

$$
\boxed{
P(E)
}
$$

回答：

> 我相信事件多可能？

$$
U(E)
$$

回答：

> 如果發生多糟？

$$
\pi
$$

回答：

> 我們該做什麼？

---

# 107. 三者不要混

$$
\boxed{
\text{Probability}
\neq
\text{Severity}
\neq
\text{Policy Preference}.
}
$$

---

# 108. 低概率高損失仍可合理治理

所以不需要為了支持治理，

把：

$$
P
$$

硬推高。

---

# 109. 這反而增加誠實度

例如：

> 我只給 1%，但因為結果不可逆，仍支持低成本防範。

比：

> 我給 30%，所以必須做。

更容易審查。

---

# 110. 科學權威真正應保護的是可修正性

不是：

$$
\boxed{
\text{always being right}.
}
$$

而是：

$$
\boxed{
\text{being publicly correctable}.
}
$$

---

# 111. 因此聲望不應綁在預測不犯錯

否則會產生：

$$
\boxed{
\text{prediction identity}.
}
$$

這會在 REPE-04 成為：

$$
\text{Prophetic Capital}.
$$

---

# 112. 最健康的科學家可以公開說

> 我當年給 10%，現在降到 2%。

這應該提升：

$$
\text{trust}.
$$

而不是降低。

---

# 113. 因為更新本身是科學能力

$$
\boxed{
\text{Revision}
\neq
\text{Failure of Character}.
}
$$

---

# 114. 科學聲望若懲罰更新

就可能促進：

$$
\boxed{
\text{belief entrenchment}.
}
$$

---

# 115. 因此公共科學制度應獎勵

- 預測存檔；
- 版本更新；
- 誤差承認；
- 反例追蹤；
- 概率修訂。

---

# 116. Scientific Forecast Ledger

本文提出：

$$
\boxed{
SFL
=
\text{Scientific Forecast Ledger}.
}
$$

記錄：

- 日期；
- 命題；
- 概率類型；
- 數值；
- 理由；
- 版本；
- 後續更新。

---

# 117. Ledger 的目的不是羞辱錯誤

而是建立：

$$
\boxed{
\text{calibration history}.
}
$$

---

# 118. 若沒有歷史

「專家說 10%」

不能知道：

> 這位專家長期是過度悲觀、過度樂觀，還是高度校準？

---

# 119. 公共科學負擔與言論自由可以共存

$$
\boxed{
\text{FreedomToSpeak}
+
\text{DutyToLabel}
}
$$

並不矛盾。

---

# 120. 最低標記原則

若一句話同時滿足：

$$
\text{HighAuthority}
+
\text{HighImpact}
+
\text{HighUncertainty},
$$

則應至少標記：

$$
\boxed{
\text{ClaimType}
+
\text{EvidenceType}
+
\text{Uncertainty}
}.
$$

---

# 121. REPE-03 的核心不是「別相信專家」

相反地，

現代社會必須依賴：

$$
\boxed{
\text{expert testimony}.
}
$$

沒有人能自己重做所有研究。

---

# 122. 真正目標是讓專業信任保持可追溯

所以：

$$
\boxed{
\text{Expert Trust}
\neq
\text{Expert Immunity}.
}
$$

---

# 123. 信任的健康形式

$$
\boxed{
\text{Trust}
=
\text{Credential}
+
\text{Traceability}
+
\text{Correctability}.
}
$$

---

# 124. 不健康形式

$$
\boxed{
\text{Trust}
=
\text{Person}
}
$$

或：

$$
\boxed{
\text{Institution}
}
$$

單獨閉合。

---

# 125. 十八個核心命題

## 命題一

$$
\boxed{
\text{Subjective Credence}
\neq
\text{Empirical Probability}.
}
$$

## 命題二

$$
\boxed{
\text{Expert Elicitation}
\neq
\text{Observed Frequency}.
}
$$

## 命題三

$$
\boxed{
\text{Same Number}
\neq
\text{Same Epistemic Object}.
}
$$

## 命題四

$$
\boxed{
\text{Credential}
\neq
\text{Derivation}.
}
$$

## 命題五

$$
\boxed{
\text{Arithmetic Precision}
\neq
\text{Epistemic Precision}.
}
$$

## 命題六

$$
\boxed{
\text{Formalization}
\neq
\text{Evidence Upgrade}.
}
$$

## 命題七

$$
\boxed{
\text{No Precision Promotion Without Evidence Promotion}.
}
$$

## 命題八

$$
\boxed{
\text{Expert}
\neq
\text{Consensus}.
}
$$

## 命題九

$$
\boxed{
\text{Frontier Lab}
\neq
\text{Scientific Field}.
}
$$

## 命題十

$$
\boxed{
\text{DomainExpertise}
\neq
\text{ForecastingCalibration}.
}
$$

## 命題十一

$$
\boxed{
\text{ScientificAuthority}\uparrow
\Rightarrow
\text{PublicEpistemicBurden}\uparrow.
}
$$

## 命題十二

$$
\boxed{
\text{Private Credence}
+
\text{Authority Carryover}
\rightarrow
\text{CCL Risk}.
}
$$

## 命題十三

$$
\boxed{
\text{Register Switching}
}
$$

必須保持可見。

## 命題十四

$$
\boxed{
\text{Possible Hidden Evidence}
\neq
\text{Public Evidence}.
}
$$

## 命題十五

$$
\boxed{
\text{Probability}
\neq
\text{Severity}
\neq
\text{PolicyPreference}.
}
$$

## 命題十六

$$
\boxed{
\text{ConflictOfInterest}
\neq
\text{Falsehood}.
}
$$

但應被揭露。

## 命題十七

$$
\boxed{
\text{Revision}
\neq
\text{Failure}.
}
$$

## 命題十八

$$
\boxed{
\text{Expert Trust}
\neq
\text{Expert Immunity}.
}
$$

---

# 126. 可證偽性

本文理論若要具有科學價值，也必須接受削弱條件。

以下觀察會削弱本文：

1. 公眾能穩定區分專家主觀 credence 與實證概率，不受身份影響；
2. 百分比形式不會提高任何「看起來更科學」的知覺；
3. 專家身份對同一主張的可信度與政策影響沒有可重現差異；
4. qualification 在公共傳播中不會系統性流失；
5. 增加 probability provenance 不改善理解、校準或信任；
6. 專家的長期 forecast calibration 與其公共權威完全無關。

---

# 127. 研究限制

## 127.1 本文沒有證明特定研究者故意使用概率包裝觀點

動機推定需要獨立證據。

本文分析的是：

$$
\boxed{
\text{structural effect}.
}
$$

---

# 128. 專家主觀概率可能非常有價值

本文不否認：

$$
\boxed{
P_4
}
$$

在缺資料世界中的決策作用。

---

# 129. 強制過度標記也可能降低溝通效率

如果每一句都附完整 epistemic packet，

公共資訊可能不可讀。

所以制度需要：

$$
\boxed{
\text{risk-proportional disclosure}.
}
$$

---

# 130. 對極高影響主張應要求更多

例如：

- 大流行；
- 核戰；
- AGI；
- 人類滅絕；
- 國家安全。

因為：

$$
\boxed{
\text{DownstreamImpact}\uparrow.
}
$$

---

# 131. 與 REPE-04 的接口

本文到這裡只回答：

> 一個高權威預測是什麼認識論地位？

下一篇將問：

> 當預測者有能力改變世界，而且預測成為其身份、聲望與制度利益的一部分時，十年後預測沒有實現，究竟會發生什麼？

---

# 132. REPE-04 的核心預告

$$
\boxed{
\text{Forecast}
\rightarrow
\text{Intervention}
\rightarrow
\text{World Change}
\rightarrow
\text{Forecast Evaluation}.
}
$$

再加入：

$$
\boxed{
\text{Prophetic Capital}.
}
$$

---

# 133. 結論

科學家的私人信念不是垃圾。

專家判斷不是偽科學。

Bayesian credence 也不是非法概率。

真正的問題是：

> **不同認識論型別在公共傳播中被壓成同一種「科學數字」。**

一個：

$$
10\%
$$

可以是：

- 歷史頻率；
- 模型估計；
- 結構化專家聚合；
- 個人主觀信念。

若不標記來源，

公眾只能靠：

$$
\text{speaker identity}
$$

猜它是哪一種。

而當發言者具有巨大科學權威時，

身份會把：

$$
\text{credence}
$$

向：

$$
\text{fact}
$$

方向推動。

這就是：

$$
\boxed{
\text{Credential-to-Credence Leakage}.
}
$$

因此本文主張：

$$
\boxed{
\text{Scientific Authority}
\uparrow
\Rightarrow
\text{Public Epistemic Burden}
\uparrow.
}
$$

不是因為科學家必須比普通人少說話。

恰恰相反。

是因為：

> **當世界願意因為你的資格而多相信你一點時，你也比普通人多了一點義務，讓世界知道你現在說的是測量、模型、專家判斷，還是你個人的信念。**

最終一句話：

> **科學權威可以提高一個猜測值得被聽見的理由，但不能把猜測本身變成已被科學測量過的事實。**

---

# 參考文獻

1. Cooke, R. M. (1991). *Experts in Uncertainty: Opinion and Subjective Probability in Science*. Oxford University Press.

2. O'Hagan, A., Buck, C. E., Daneshkhah, A., Eiser, J. R., Garthwaite, P. H., Jenkinson, D. J., Oakley, J. E., & Rakow, T. (2006). *Uncertain Judgements: Eliciting Experts' Probabilities*. Wiley.

3. Tetlock, P. E. (2005). *Expert Political Judgment*. Princeton University Press.

4. Tetlock, P. E., & Gardner, D. (2015). *Superforecasting*. Crown.

5. Fischhoff, B. (2013). The Sciences of Science Communication. *PNAS*, 110(Supplement 3), 14033–14039.

6. Merton, R. K. (1942). The Normative Structure of Science.

7. Neo.K with Aletheia. (2026). *神聖與真理的人格化：宗教聖人、科學聖人與權威中心性*. EveMissLab.

8. Neo.K with Aletheia. (2026). *AGI 高信心言論與制度性責任閉包：觀察論文*. EveMissLab.

9. Neo.K with Aletheia. (2026). *REPE-01：詞不是旁觀者*. EveMissLab.

10. Neo.K with Aletheia. (2026). *REPE-02：治理者也必須被治理*. EveMissLab.

---

# 附錄 A：Probability Transparency Packet

```yaml
probability_transparency:
  event_definition:
  time_horizon:
  probability_value:
  probability_type:
    - empirical_frequency
    - model_based_estimate
    - structured_expert_elicitation
    - individual_subjective_credence
  evidence_basis:
  decomposition:
  uncertainty_range:
  calibration_status:
  meta_uncertainty:
  alternative_models:
  causal_attribution_rule:
  speaker_role:
  institutional_affiliation:
  conflict_of_interest:
```

---

# 附錄 B：Credence Provenance Label

```yaml
credence_provenance:
  claim:
  is_personal_credence:
  is_empirical_estimate:
  is_model_derived:
  is_expert_aggregated:
  supporting_public_evidence:
  unavailable_private_evidence_claimed:
  calibration_record:
  last_update:
```

---

# 附錄 C：Scientific Forecast Ledger

```yaml
scientific_forecast_ledger:
  forecast_id:
  forecaster:
  date:
  event:
  horizon:
  probability:
  type:
  rationale:
  assumptions:
  alternatives:
  disconfirmation_conditions:
  update_rule:
  revisions:
```

---

# 附錄 D：一句話版本

> **專家的資格可以讓他的私人信念更值得被聽見，但不能讓私人信念在沒有額外證據的情況下自動變成科學估計。**