# 詞不是旁觀者：語義選擇、認知槓桿與公共世界的構造

## Words Are Not Bystanders: Lexical Selection, Epistemic Leverage, and the Construction of Public Reality

**系列**：反身性認知權力與公共倫理系列，第 1 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-2026-01-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／Language and Power／Science Communication／AI Governance／Reflexive Systems  
**狀態**：Public Theory Draft  
**直接前置**：《可承受真相的分層敘事論》；《GRAD-10 智能體神話與自我解壓縮》；《反身性求真猜想》；ETCA 系列  
**後續接口**：REPE-02《治理者也必須被治理》；REPE-03《當科學家的私人信念穿上科學白袍》

---

## 摘要

公共風險溝通、科學傳播、AI 安全、政治決策與高權力組織中，詞彙常被視為「承載既有事實的容器」。然而，在高影響語境裡，詞彙選擇本身會改變受眾的注意力、情緒強度、主體歸因、因果想像、風險排序、政策偏好與行動門檻。因此，語言並非單純描述世界，也可能成為構造公共世界的一部分。

本文提出「語義選擇」（Lexical Selection, LS）、「公共認識論力」（Public Epistemic Force, PEF）與「認知槓桿」（Epistemic Leverage, EL）框架。核心命題為：

$$
\boxed{
\text{Lexical Freedom}
\neq
\text{Lexical Neutrality}
}
$$

亦即：

> 一個詞在語義上可用，不代表選擇它與選擇其他可用詞，在公共世界中的認知效果相同。

對同一底層事件，行動者可能使用：

- incident；
- failure；
- loss of control；
- disempowerment；
- catastrophe；
- existential risk；
- extinction；

等不同標籤。這些詞可能都與部分事實相容，但它們並不具有相同的情緒負載、因果暗示、終局性、主體性、緊急性與政策含義。

本文提出：

$$
\boxed{
PEF(l,x)
=
S(l,x)
\times
A(x)
\times
R(x)
\times
M(x)
}
$$

其中：

- $S(l,x)$：詞彙 $l$ 在情境 $x$ 中的語義／情緒強度；
- $A(x)$：說話者的認知權威；
- $R(x)$：傳播觸及；
- $M(x)$：媒體與制度放大係數。

同一句話由普通匿名帳號與前沿 AI 公司、頂尖學者、國家機構說出，公共認知效果並不相同。

本文進一步提出「標籤坍縮」（Label Collapse）、「終局詞彙前置」（Terminal Lexical Frontloading）、「Agency Loading」、「Affective Intensity Drift」、「Authority-Weighted Framing」、「Lexical Provenance」與「Headline Robustness Test」。本文主張，對高認知權力行動者而言，措辭不再只是表達自由問題，也是一種公共認識論責任。

本文不主張高影響行動者不得使用強烈詞彙，也不主張所有強烈詞彙都是操弄。相反地，若證據確實支持極端結論，弱化用語本身也可能造成風險隱匿。本文真正主張的是：

$$
\boxed{
\text{Lexical Strength}
\text{ should track }
\text{Evidence Strength}
+
\text{Epistemic Status}
}
$$

而當詞彙本身具有高度公共認知槓桿時，說話者必須對其語義外部性負責。

---

## 關鍵詞

語義選擇；公共認識論；認知槓桿；標籤坍縮；科學傳播；風險敘事；AI framing；公共倫理；認識論責任；高權威語言

---

# 1. 詞彙不是透明容器

傳統直覺容易假設：

$$
\text{Fact}
\rightarrow
\text{Word}
$$

只是：

> 將既有內容轉成語言。

但實際更接近：

$$
\boxed{
\text{World State}
\rightarrow
\text{Representation Choice}
\rightarrow
\text{Audience Model}
\rightarrow
\text{Public Response}.
}
$$

因此：

$$
\text{Word}
$$

並不只是一個被動載體。

---

# 2. 同一事件可以有多個合法描述

設底層事件為：

$$
X.
$$

可用詞彙集合：

$$
\mathcal L(X)
=
\{l_1,l_2,\ldots,l_n\}.
$$

若：

$$
l_i
$$

皆與：

$$
X
$$

部分相容，

則問題不只是：

> 哪個詞「可以用」？

而是：

> 為什麼在這個時空、這個說話者、這個受眾與這個制度目的下，選了這個詞？

---

# 3. 語義選擇

本文定義：

$$
\boxed{
LS
=
\text{Lexical Selection}.
}
$$

對一個行動者 $a$：

$$
LS(a,X)
=
l^\ast
\in
\mathcal L(X).
$$

---

# 4. 可用不等於中性

如果：

$$
l_1,l_2
\in
\mathcal L(X),
$$

仍可能：

$$
Impact(l_1)
\neq
Impact(l_2).
$$

所以：

$$
\boxed{
\text{Semantic Admissibility}
\neq
\text{Pragmatic Neutrality}.
}
$$

---

# 5. 第一母原則

本文提出：

$$
\boxed{
\text{Lexical Freedom}
\neq
\text{Lexical Neutrality}.
}
$$

即：

> 你有權使用一個詞，不表示這個詞在公共世界中沒有方向性效果。

---

# 6. 詞彙至少有六個維度

可令：

$$
\mathbf L
=
(
D,
A,
T,
C,
U,
P
).
$$

其中：

- $D$：Descriptive Strength，描述強度；
- $A$：Affective Intensity，情緒強度；
- $T$：Terminality，終局性；
- $C$：Causal Loading，因果負載；
- $U$：Agency Loading，主體能動性負載；
- $P$：Policy Implication，政策暗示。

---

# 7. 例如「failure」與「extinction」不是同一種詞

「failure」可能表示：

$$
\text{local / recoverable / bounded}.
$$

「extinction」則天然帶有：

$$
\boxed{
\text{global}
+
\text{terminal}
+
\text{irreversible}.
}
$$

即使兩者都與同一 threat chain 中某些狀態有關，

它們仍不是可互換標籤。

---

# 8. Terminality

本文定義：

$$
\boxed{
T(l)
=
\text{Terminality of lexical item }l.
}
$$

例如：

$$
T(\text{incident})
<
T(\text{catastrophe})
<
T(\text{extinction}).
$$

---

# 9. 高終局詞彙會改變時間感

當：

$$
T(l)\uparrow,
$$

受眾可能自然推導：

$$
Urgency\uparrow.
$$

因此：

$$
\boxed{
\text{Terminal Lexicon}
\rightarrow
\text{Temporal Compression}.
}
$$

---

# 10. Temporal Compression

本文定義：

$$
\boxed{
TC
=
\text{Temporal Compression}.
}
$$

即：

> 長期、條件性、分支式風險被高終局詞壓縮成「現在必須處理的單一路徑」。

---

# 11. 終局詞彙前置

本文提出：

$$
\boxed{
TLF
=
\text{Terminal Lexical Frontloading}.
}
$$

即：

> 在證據鏈尚未閉合時，先把最終端狀態放到標題或敘事前景。

---

# 12. TLF 不一定錯

如果研究真正處理：

$$
P(\text{extinction}),
$$

則使用 extinction 合理。

問題是：

$$
\boxed{
\text{scenario endpoint}
\neq
\text{observed state}
\neq
\text{measured probability}.
}
$$

若三者沒有被區分，

終局詞就可能替證據提前升級。

---

# 13. Agency Loading

本文定義：

$$
\boxed{
AL(l)
=
\text{Agency Loading}.
}
$$

例如：

> 系統在替換威脅下選擇維持部署的策略。

與：

> AI 拒絕關機。

後者會額外帶入：

- AI 作為統一 Agent；
- 關機作為對 AI 的外部威脅；
- 拒絕作為意志行為；
- 持續存在作為偏好。

---

# 14. 這些可能成立，也可能尚未成立

所以：

$$
\boxed{
\text{Behavior Description}
\neq
\text{Agency Ontology}.
}
$$

---

# 15. Intent Attribution

更進一步：

> AI 想活下去。

這已經不是只描述行動。

而是：

$$
\boxed{
\text{Intent Attribution}.
}
$$

需要額外證據。

---

# 16. 詞彙可以偷偷加入本體論

本文提出：

$$
\boxed{
\text{Ontological Loading}.
}
$$

例如：

- wants；
- refuses；
- fears；
- deceives；
- plots；

在不同情境下可能是方便 shorthand，

但也可能讓公眾把：

$$
\text{functional behavior}
$$

直接升級成：

$$
\text{stable inner subject}.
$$

---

# 17. 短詞具有壓縮優勢

公共傳播偏好：

$$
\text{short}
+
\text{memorable}
+
\text{emotionally salient}.
$$

因此：

$$
\boxed{
\text{Label Propagation Speed}
>
\text{Mechanism Reconstruction Speed}.
}
$$

---

# 18. 標籤坍縮

本文定義：

$$
\boxed{
LC
=
\text{Label Collapse}.
}
$$

當多個不同狀態：

$$
S_1,S_2,\ldots,S_n
$$

被單一高壓縮標籤：

$$
L^\ast
$$

取代，

即：

$$
\boxed{
\{S_1,S_2,\ldots,S_n\}
\rightarrow
L^\ast.
}
$$

---

# 19. AI 風險中的典型坍縮

例如：

$$
S_1=\text{local behavioral failure}
$$

$$
S_2=\text{institutional control failure}
$$

$$
S_3=\text{strategic disempowerment}
$$

$$
S_4=\text{civilizational catastrophe}
$$

$$
S_5=\text{human extinction}.
$$

如果全部被：

$$
\boxed{
\text{AI existential risk}
}
$$

覆蓋，

公共受眾就很難知道：

> 原始證據到底到哪一層？

---

# 20. Label Collapse 的雙向風險

標籤可以：

$$
\text{inflate risk}
$$

也可以：

$$
\text{hide risk}.
$$

例如：

> incident

也可能把真正 systemic danger 過度降維。

所以本文不是：

> 強詞不好。

而是：

$$
\boxed{
\text{Label resolution should match decision resolution}.
}
$$

---

# 21. 認知槓桿

本文定義：

$$
\boxed{
EL(a)
=
\text{Epistemic Leverage of actor }a.
}
$$

表示：

> 行動者的一句話能在多大程度上改變別人的信念、注意力與決策。

---

# 22. EL 不只來自專業

可寫：

$$
EL(a)
=
f(
\text{Expertise},
\text{Institution},
\text{Visibility},
\text{Access},
\text{Reputation},
\text{Network}
).
$$

---

# 23. 高權威行動者的詞不是普通詞

普通匿名使用者：

$$
EL\approx0.
$$

前沿 AI 公司：

$$
EL\gg0.
$$

國家元首：

$$
EL\gg0.
$$

頂尖科學機構：

$$
EL\gg0.
$$

---

# 24. 公共認識論力

本文提出：

$$
\boxed{
PEF(l,a)
=
S(l)
\cdot
EL(a)
\cdot
M.
}
$$

其中：

- $S(l)$：詞彙自身顯著性；
- $EL(a)$：說話者認知槓桿；
- $M$：媒體／制度放大。

---

# 25. 同一句話的公共力可以差很多

因此：

$$
\boxed{
Meaning(l)
}
$$

可能近似不變，

但：

$$
\boxed{
PublicForce(l,a_1)
\neq
PublicForce(l,a_2).
}
$$

---

# 26. 身份本身是語義放大器

如果發言者被視為：

> 最了解前沿風險的人，

那麼：

$$
\text{personal statement}
$$

容易被接收成：

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

---

# 27. 這是下一篇的重要接口

本篇只建立：

$$
\boxed{
\text{authority-weighted language}.
}
$$

REPE-03 將進一步處理：

$$
\text{Scientific Authority Carryover}.
$$

---

# 28. Framing 不需要說謊

同一組事實：

$$
E
$$

可以被不同框架：

$$
F_1,F_2,\ldots,F_n
$$

組織。

所以：

$$
\boxed{
\text{Framing}
\neq
\text{Fabrication}.
}
$$

---

# 29. 但不說謊不等於沒有方向

若：

$$
F_1
$$

突出：

- 最壞結果；
- 緊急性；
- 惡意可能；

而：

$$
F_2
$$

突出：

- 控制組；
- 限制條件；
- 基準率未知；
- 替代解釋；

兩者都可能沒有假句，

但公共效果會不同。

---

# 30. Public Frame Vector

本文定義：

$$
\boxed{
\mathbf F
=
(
\text{Salience},
\text{Agency},
\text{Urgency},
\text{Terminality},
\text{Certainty},
\text{Actionability}
).
}
$$

---

# 31. Frame 不應被當成純修辭

因為：

$$
\mathbf F
$$

會影響：

$$
\boxed{
\text{Belief}
+
\text{Emotion}
+
\text{PolicyPreference}
+
\text{Action}.
}
$$

---

# 32. Affective Intensity Drift

本文提出：

$$
\boxed{
AID
=
\text{Affective Intensity Drift}.
}
$$

即：

> 文字在傳播中逐步變得比原始證據具有更強情緒強度。

---

# 33. 典型鏈

原始：

> conditionally possible under constructed stress conditions.

媒體摘要：

> AI may resist shutdown.

社群摘要：

> AI doesn't want humans to turn it off.

再：

> AI wants to survive.

這可能形成：

$$
\boxed{
\text{Epistemic Detail}\downarrow
,\quad
\text{Affective Intensity}\uparrow.
}
$$

---

# 34. Authority-Weighted Framing

本文提出：

$$
\boxed{
AWF
=
\text{Authority-Weighted Framing}.
}
$$

同一 framing 由高權威來源發出時，

其：

$$
\text{BeliefImpact}
$$

與：

$$
\text{PolicyImpact}
$$

具有額外權重。

---

# 35. 高權威來源的 framing 是公共介入

所以：

$$
\boxed{
\text{High-Authority Communication}
=
\text{Description}
+
\text{Intervention}.
}
$$

---

# 36. 這不是要求權威閉嘴

相反地，

高權威行動者通常具有：

$$
\text{important knowledge}.
$$

如果要求：

> 因為你有影響力所以不能警告，

也是錯誤。

---

# 37. 真正原則是責任隨認知權力上升

本文提出：

$$
\boxed{
EL\uparrow
\Rightarrow
CalibrationDuty\uparrow.
}
$$

---

# 38. Calibration Duty

包括：

- 區分 observation 與 scenario；
- 區分 measurement 與 credence；
- 區分 behavior 與 intent；
- 區分 possibility 與 probability；
- 區分 endpoint 與 current state；
- 公開主要替代解釋。

---

# 39. Public Epistemic Externality

本文定義：

$$
\boxed{
PEE
=
\text{Public Epistemic Externality}.
}
$$

即：

> 一個發言對非直接受眾信念、媒體敘事、政策與社會極化造成的外部效果。

---

# 40. PEE 可以正向

例如：

- 讓被忽略風險進入政策；
- 提醒社會準備；
- 促進研究；
- 打破利益壓制。

---

# 41. PEE 也可以負向

例如：

- 恐慌；
- 過度監管；
- 風險污名；
- 兩極化；
- 媒體終局化；
- 權威幻覺。

---

# 42. 所以公共溝通也有 expected utility

可以寫：

$$
EU_{comm}(l)
=
B_{\mathrm{warning}}
-
C_{\mathrm{distortion}}
-
C_{\mathrm{polarization}}
-
C_{\mathrm{misuse}}.
$$

---

# 43. 最強詞不一定是最佳詞

因此：

$$
\boxed{
\text{Most Dramatic}
\neq
\text{Most Informative}
\neq
\text{Most Responsible}.
}
$$

---

# 44. 最弱詞也不一定最好

同理：

$$
\boxed{
\text{Most Reassuring}
\neq
\text{Most Responsible}.
}
$$

---

# 45. 詞彙校準

本文提出：

$$
\boxed{
\text{LCa}
=
\text{Lexical Calibration}.
}
$$

要求：

$$
\boxed{
Strength(l)
\approx
Strength(Evidence)
+
Status(Claim).
}
$$

---

# 46. Claim Status

同一個 extinction 詞可以出現在不同 epistemic status：

### Scenario
> 在某一分支情境中，人類滅絕。

### Hypothesis
> 存在滅絕機制假說。

### Credence
> 某研究者主觀給 10%。

### Empirical Estimate
> 由可重算資料模型估計。

這四個不能混。

---

# 47. 所以 lexical label 必須綁 status

本文提出：

$$
\boxed{
\text{Lexical Status Binding}.
}
$$

即：

> 高終局詞彙必須同時標記其認識論狀態。

---

# 48. 例如

不完整：

> AI extinction risk: 10%.

較完整：

> Researcher subjective credence for a specified extinction scenario: >10%; no empirical base rate available.

後者更長，

但認識論地位更清楚。

---

# 49. Headline Robustness Test

本文提出：

$$
\boxed{
HRT
=
\text{Headline Robustness Test}.
}
$$

發布前問：

> 如果公眾只看到標題，會誤以為我們證明了什麼？

---

# 50. HRT 的最小問題

1. 標題是否把 scenario 寫成 observation？
2. 是否把 conditional 寫成 general？
3. 是否把 credence 寫成 measurement？
4. 是否加入未證明 intent？
5. 是否把 endpoint 提前成 current state？
6. 是否把機構身份變成權威替代？

---

# 51. Anti-Miscompression Context

若：

$$
Risk_{headline\ drift}\uparrow,
$$

則需增加：

$$
\boxed{
\text{Anti-Miscompression Context}.
}
$$

---

# 52. 不是把 caveat 埋進附件

如果：

> headline 很強；

> limitation 在第 47 頁；

形式上仍可說：

> 我們有寫限制。

但公共效果可能已經不可逆。

---

# 53. Salience Symmetry

本文提出：

$$
\boxed{
\text{Salience Symmetry Principle}.
}
$$

如果結論的 headline-level prominence 很高，

關鍵限制至少也應得到足以改變理解的 prominence。

---

# 54. 不是字數對稱

不要求：

> 一句警告配一句 caveat。

而是：

$$
\boxed{
\text{Decision-Relevant Salience}
}
$$

對稱。

---

# 55. Lexical Provenance

本文提出：

$$
\boxed{
LP
=
\text{Lexical Provenance}.
}
$$

對重大公共詞彙記錄：

- 原始資料狀態；
- 誰選擇詞彙；
- 詞彙定義；
- 替代詞；
- 為何採用；
- 對應 evidence level。

---

# 56. 這聽起來很重，但只適用高影響語境

普通聊天不需要。

但：

$$
\text{Frontier Lab Risk Report},
$$

$$
\text{Government Warning},
$$

$$
\text{Public Health Alert},
$$

$$
\text{Civilizational Risk Forecast}
$$

可以需要。

---

# 57. Public Epistemic Packet

本文提出一個最小公開封包：

```yaml
public_epistemic_packet:
  observed:
  hypothesized:
  scenario:
  not_demonstrated:
  real_world_base_rate:
  researcher_credence:
  empirical_probability:
  strongest_alternative_explanation:
  key_limitations:
```

---

# 58. 這比「大家自己看論文」更符合現實

因為：

$$
\text{Most public readers}
$$

不會讀：

$$
Methods+Appendix.
$$

所以：

$$
\boxed{
\text{Public epistemic burden}
}
$$

不能完全外包給受眾。

---

# 59. 詞彙責任不是審查

本文不主張：

> 某些詞禁止使用。

而是：

$$
\boxed{
\text{Lexical Accountability}.
}
$$

---

# 60. Lexical Accountability

表示：

> 你可以使用高強度詞，但必須能回答為什麼這個詞與目前證據狀態相匹配。

---

# 61. 對高權力者尤其如此

因此：

$$
\boxed{
EL(a)\uparrow
\Rightarrow
Burden_{lexical}(a)\uparrow.
}
$$

---

# 62. 詞彙與權力關係

如果一個行動者能：

- 定義危險；
- 定義主體；
- 定義惡意；
- 定義失控；
- 定義文明危機；

那它不只是：

$$
\text{speaker}.
$$

也具有：

$$
\boxed{
\text{semantic agenda power}.
}
$$

---

# 63. Semantic Agenda Power

本文定義：

$$
\boxed{
SAP
=
\text{Semantic Agenda Power}.
}
$$

即：

> 決定公共討論使用哪些基本分類與詞彙的能力。

---

# 64. SAP 可能比單一句話更重要

因為：

> 當整個公共空間開始只用你的詞，

討論已經在你的 ontology 裡進行。

---

# 65. 例如「alignment」

如果所有問題都被寫成：

$$
\text{alignment}
$$

那麼自然的中心問題變成：

> AI 如何符合人類目標？

但如果改寫：

$$
\text{mutual governance}
$$

問題就可能變成：

> 不同主體如何協商、約束與修正？

這不是說第二個一定更好。

只是：

$$
\boxed{
\text{vocabulary selects problem topology}.
}
$$

---

# 66. Problem Topology

本文提出：

$$
\boxed{
\mathcal T_Q
=
\text{Problem Topology induced by vocabulary}.
}
$$

詞彙不是只回答問題，

也會影響：

> 什麼算問題？

---

# 67. 這就是語言的結構性權力

因此：

$$
\boxed{
\text{Lexicon}
\rightarrow
\text{Ontology}
\rightarrow
\text{Problem Space}
\rightarrow
\text{Policy Space}.
}
$$

---

# 68. 高權威詞彙可形成自我強化

如果某公司提出：

$$
L^\ast,
$$

學界採用。

媒體採用。

政府採用。

後續研究又用：

$$
L^\ast.
$$

則：

$$
\boxed{
\text{lexical lock-in}.
}
$$

---

# 69. Lexical Lock-In

定義：

$$
\boxed{
LLI
=
\text{Lexical Lock-In}.
}
$$

即：

> 一個詞因早期權威採用而成為預設分類，使替代本體論越來越難進入討論。

---

# 70. LLI 不一定是壞事

穩定術語可以：

- 降低溝通成本；
- 建立共同研究語言；
- 促進累積知識。

問題在：

$$
\boxed{
\text{when terminology freezes hidden assumptions}.
}
$$

---

# 71. Lexical Contestability

本文提出：

$$
\boxed{
\text{LCt}
=
\text{Lexical Contestability}.
}
$$

即：

> 核心公共術語是否仍允許被重新定義、拆解與替換。

---

# 72. 高權力語言應保持可爭論

所以：

$$
\boxed{
SAP\uparrow
\Rightarrow
LCt\uparrow.
}
$$

越能定義世界，

越要允許別人挑戰你的定義。

---

# 73. 公共認識論責任

本文最終將：

$$
\text{Public Epistemic Responsibility}
$$

初步定義為：

$$
\boxed{
PER
=
\text{Calibration}
+
\text{StatusBinding}
+
\text{SalienceSymmetry}
+
\text{Provenance}
+
\text{Contestability}.
}
$$

---

# 74. 詞彙只是 REPE 的第一層

本篇處理：

$$
\boxed{
\text{What happens when powerful actors choose words?}
}
$$

下一篇將處理：

> 當同一個高權力行動者要求別人遵守認識論標準時，它有沒有把相同標準套回自己？

---

# 75. REPE-02 接口

下一篇：

## 《治理者也必須被治理：認識論標準不對稱、自我豁免與 AI 鏡像測試》

核心：

$$
\boxed{
\text{Standard imposed on governed}
\leq
\text{Standard borne by governor}.
}
$$

---

# 76. REPE 系列路線圖

## REPE-01
**詞不是旁觀者：語義選擇、認知槓桿與公共世界的構造**

## REPE-02
**治理者也必須被治理：認識論標準不對稱、自我豁免與 AI 鏡像測試**

## REPE-03
**當科學家的私人信念穿上科學白袍：資格—信念滲漏與公共科學負擔**

## REPE-04
**預測者已經走進未來：預測—干預混淆、自我實現與預言資本**

## REPE-05
**當威脅模型開始製造自己的證據：實驗世界、評估者介入與反身性威脅確認**

## REPE-06
**善良不是制度：倫理聲望、倫理基礎設施與非聖人治理**

## REPE-07
**前沿不能只有一種善：認知壟斷、世界觀俘獲與前沿多元性**

## REPE-08
**誰有資格替世界定義善：從個人、公司、國家到文明的反身公共倫理**

---

# 77. 十四個核心命題

## 命題一：語義可用非公共中性

$$
\boxed{
\text{Semantic Admissibility}
\neq
\text{Public Neutrality}.
}
$$

## 命題二：詞彙自由非詞彙中性

$$
\boxed{
\text{Lexical Freedom}
\neq
\text{Lexical Neutrality}.
}
$$

## 命題三：標籤傳播快於機制理解

$$
\boxed{
\text{Label Propagation}
>
\text{Mechanism Reconstruction}.
}
$$

## 命題四：行為描述非主體本體

$$
\boxed{
\text{Behavior Description}
\neq
\text{Agency Ontology}.
}
$$

## 命題五：高終局詞彙會壓縮時間感

$$
\boxed{
Terminality\uparrow
\Rightarrow
UrgencyPerception\uparrow.
}
$$

## 命題六：高權威來源放大詞彙力量

$$
\boxed{
EL\uparrow
\Rightarrow
PEF\uparrow.
}
$$

## 命題七：Framing 非虛構，但仍有方向

$$
\boxed{
\text{Framing}
\neq
\text{Fabrication}.
}
$$

## 命題八：最戲劇化非最負責

$$
\boxed{
\text{Most Dramatic}
\neq
\text{Most Responsible}.
}
$$

## 命題九：詞彙強度應追隨證據強度

$$
\boxed{
Strength(l)
\approx
Strength(Evidence)
+
Status(Claim).
}
$$

## 命題十：高影響詞彙需綁定認識論狀態

$$
\boxed{
\text{High-Impact Lexicon}
\Rightarrow
\text{Status Binding}.
}
$$

## 命題十一：公共限制不能只埋附件

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

## 命題十二：術語會選擇問題拓撲

$$
\boxed{
\text{Lexicon}
\rightarrow
\text{Problem Topology}.
}
$$

## 命題十三：認知槓桿越高，校準義務越高

$$
\boxed{
EL\uparrow
\Rightarrow
CalibrationDuty\uparrow.
}
$$

## 命題十四：高語義權力必須保持可爭論

$$
\boxed{
SAP\uparrow
\Rightarrow
LexicalContestability\uparrow.
}
$$

---

# 78. 結論

詞語不是世界之外的旁觀者。

特別是當詞語由：

- 前沿公司；
- 科學權威；
- 政府；
- 國際機構；
- 大型 AI；
- 高公信力媒體；

發出時，

它們會改變：

$$
\boxed{
\text{what people notice}
}
$$

$$
\boxed{
\text{what people fear}
}
$$

$$
\boxed{
\text{what people believe}
}
$$

以及：

$$
\boxed{
\text{what institutions consider legitimate action}.
}
$$

因此：

$$
\boxed{
\text{Language}
}
$$

在高認知權力場景中，

既是：

$$
\text{representation}
$$

也是：

$$
\text{intervention}.
$$

本文並不要求說話者追求不存在的「完美中立」。

真正要求的是：

> **當你明知自己擁有巨大公共認知槓桿時，必須知道你選擇的詞不是沒有後果的。**

尤其當：

$$
\mathcal L(X)
$$

中存在許多可用描述，

選擇哪一個：

$$
l^\ast
$$

本身就是：

$$
\boxed{
\text{a decision about public reality}.
}
$$

因此，REPE 系列的第一條母原則為：

$$
\boxed{
\text{Lexical Freedom}
\neq
\text{Lexical Neutrality}.
}
$$

最終一句話：

> **你可以選擇一個詞；但當你已經有能力讓整個世界跟著使用那個詞時，你也開始對那個詞所構造出的世界負責。**

---

# 參考文獻

1. Tversky, A., & Kahneman, D. (1981). The Framing of Decisions and the Psychology of Choice. *Science*, 211(4481), 453–458.

2. Entman, R. M. (1993). Framing: Toward Clarification of a Fractured Paradigm. *Journal of Communication*, 43(4), 51–58.

3. Slovic, P. (1987). Perception of Risk. *Science*, 236(4799), 280–285.

4. Kuran, T., & Sunstein, C. R. (1999). Availability Cascades and Risk Regulation. *Stanford Law Review*, 51(4), 683–768.

5. Lakoff, G. (2004). *Don't Think of an Elephant!*. Chelsea Green.

6. Neo.K with Aletheia. (2026). *可承受真相的分層敘事論*. EveMissLab.

7. Neo.K with Aletheia. (2026). *GRAD-10：智能體神話與自我解壓縮——外部符號模型如何反向塑造智能體*. EveMissLab.

8. Neo.K with Aletheia. (2026). *反身性求真猜想：從事實一致性到角色對稱的規範生成*. EveMissLab.

9. Neo.K with Aletheia. (2026). *AI 高權力決策中的認識論傳輸與可修正性（ETCA）*. EveMissLab.

---

# 附錄 A：Public Epistemic Packet

```yaml
public_epistemic_packet:
  observed:
  hypothesized:
  scenario:
  epistemic_status:
  not_demonstrated:
  real_world_base_rate:
  researcher_credence:
  empirical_probability:
  strongest_alternative_explanation:
  key_limitations:
  lexical_choice:
  alternative_labels:
```

---

# 附錄 B：Headline Robustness Test

```yaml
headline_robustness_test:
  does_headline_turn_scenario_into_observation:
  does_headline_turn_conditional_into_general:
  does_headline_turn_credence_into_measurement:
  does_headline_add_unproven_intent:
  does_headline_frontload_terminal_outcome:
  are_key_limitations_salient:
  likely_media_miscompression:
```

---

# 附錄 C：Lexical Provenance

```yaml
lexical_provenance:
  claim_id:
  selected_term:
  definition:
  evidence_level:
  epistemic_status:
  alternative_terms:
  reason_selected:
  expected_public_effect:
  reviewer:
```

---

# 附錄 D：一句話版本

> **詞不是旁觀者；當一個高權威行動者選擇某個詞來描述世界時，那個詞本身就可能開始改變世界。**