--- title: "從證據清單到證據關係圖：Evidence–Claim Matching、Scope Binding 與認識論權威替代防護" english_title: "From Evidence Lists to Evidence Relation Graphs: Evidence–Claim Matching, Scope Binding, and Protection Against Epistemic Authority Substitution" series: "AI 原生研究物迭代與可驗證升版方法論系列" series_en: "AI-Native Research Object Revision and Verifiable Evolution Series" paper: "04" author: "Neo.K" institution: "EveMissLab／一言諾科技有限公司" research_assistance: "AI-assisted theoretical development" version: "v0.1" date: "2026-09-16" language: "zh-TW" status: "Canonical UTF-8 Source / Working Paper" research_class: "METHODOLOGY / EPISTEMIC GOVERNANCE / SCHOLARLY INFRASTRUCTURE" claim_state: "THEORETICAL FRAMEWORK / REVIEW PROTOCOL / DATA MODEL PROPOSAL" evidence_state: "CONCEPTUAL / PRACTICE-DERIVED" --- # 從證據清單到證據關係圖：Evidence–Claim Matching、Scope Binding 與認識論權威替代防護 **作者：** Neo.K **機構：** EveMissLab／一言諾科技有限公司 **日期：** 2026-09-16 **版本：** v0.1 ## 摘要 研究物的可信度不能由「附了多少證據」直接推出。即使一篇論文擁有大量引用、數據、圖表、程式、實驗與證書，也仍可能存在證據與主張不相干、證據只支持較弱命題、實驗範圍遠小於主張範圍、引用只提供背景而未提供支持、或權威訊號替代實際推理等問題。 本文將第 03 篇提出的型別分離進一步落地，建立 Evidence–Claim Matching、Support Edge、Scope Binding 與 Authority Substitution Guard 四個核心機制。 本文提出： $$ \boxed{ \text{Evidence Presence} \neq \text{Evidence Relevance} \neq \text{Evidence Support} \neq \text{Evidence Sufficiency}. } $$ 並定義： $$ \boxed{ E_j \xrightarrow{ (\rho,\sigma,\beta) } C_i, } $$ 其中： - $\rho$：relevance／相關性； - $\sigma$：support relation／支持關係； - $\beta$：scope binding／範圍綁定。 本文進一步主張，任何研究審查都不應只問： > 有沒有引用？ > 有沒有數據？ > 有沒有實驗？ > 有沒有證書？ 而應追問： > 它支持哪一個 claim？ > 支持的是原 claim，還是較弱版本？ > 支持關係是 direct、partial、consistent-with 還是 merely contextual？ > evidence scope 與 claim scope 是否一致？ > 若移除權威來源名稱，推理鏈是否仍然成立？ 本文最後提出一套可由 AI、研究平台、MCP 與人類審查者共同使用的 evidence graph schema 與 review protocol，使研究升版從「添加學術材料」轉向「重建可檢查的認識關係」。 **關鍵詞：** Evidence–Claim Matching、Support Edge、Scope Binding、Authority Substitution、Evidence Graph、Claim Ledger、研究升版、學術治理、AI 原生研究 --- # 0. 問題起點：為什麼「有證據」仍然可能沒有證成？ 考慮一個研究主張： $$ C. $$ 研究者提供： $$ E_1,E_2,\ldots,E_n. $$ 一個表面式審查可能只判定： $$ n>0. $$ 然後認為： $$ C $$ 比沒有 evidence 的版本更可信。 但這裡至少漏掉四個不同問題： $$ \boxed{ \text{Existence} } $$ $$ \boxed{ \text{Relevance} } $$ $$ \boxed{ \text{Support} } $$ $$ \boxed{ \text{Sufficiency}. } $$ 因此： $$ \boxed{ \text{Evidence Exists} \not\Rightarrow \text{Evidence Matters}. } $$ 更不能直接推出： $$ \boxed{ \text{Claim Established}. } $$ --- # 1. Evidence Presence：只有「有東西」 第一層是： $$ P(E_j)=1. $$ 也就是 evidence artifact 存在。 例如： - 有一份 CSV； - 有一個 benchmark； - 有一份 simulation； - 有一篇引用； - 有一個 Lean certificate； - 有一張圖； - 有一份 survey； - 有一個 runtime trace。 Presence 只回答： > 系統中有沒有這個 evidence artifact？ 它不回答： > 這個 artifact 對哪個 claim 有作用？ 因此： $$ \boxed{ \text{Presence} = \text{Inventory Property}. } $$ 不是： $$ \text{Support Property}. $$ --- # 2. Evidence Relevance：它跟這個主張有沒有關係？ 第二層是： $$ \rho(E_j,C_i) = \text{Relevance}. $$ 若： $$ \rho\approx0, $$ 即使 evidence 很權威，也不應提高 claim 的支持強度。 例如，一篇高引用的 AI safety 論文，不能因為「很權威」就直接支持某個資料格式 round-trip 正確性的 claim。 因此： $$ \boxed{ \text{Prestige} \not\Rightarrow \text{Relevance}. } $$ Relevance 需要回答： > 如果這個 evidence 是真且可靠的，它是否會改變我們對 $C_i$ 的判斷？ 若答案是否定的，則： $$ \rho(E_j,C_i)\approx0. $$ --- # 3. Evidence Support：相關不等於支持 即使： $$ \rho(E_j,C_i)>0, $$ 也不能推出： $$ E_j \text{ supports } C_i. $$ 因為 evidence 可能是： - counterevidence； - boundary evidence； - background evidence； - merely consistent； - ambiguous； - refuting。 因此定義： $$ \sigma(E_j,C_i) = \text{Support Relation}. $$ 至少可分： ```text DIRECT_SUPPORT INDIRECT_SUPPORT PARTIAL_SUPPORT CONSISTENT_WITH NECESSARY_BUT_NOT_SUFFICIENT BOUNDARY_SUPPORT CONTEXT_ONLY COUNTEREVIDENCE REFUTING AMBIGUOUS UNKNOWN ``` 所以： $$ \boxed{ \text{Relevant Evidence} \neq \text{Supporting Evidence}. } $$ --- # 4. Evidence Sufficiency：支持也不一定夠 一個 evidence 可能真的支持 claim。 但支持強度仍然不足。 例如： $$ E_1 \xrightarrow{\text{partial}} C. $$ 這不代表： $$ C $$ 已經被充分證成。 因此定義： $$ \eta(C_i\mid E) = \text{Support Sufficiency}. $$ Sufficiency 不是 evidence 數量的函數： $$ \eta \neq f(n). $$ 十個弱 evidence 不一定勝過一個關鍵反例。 因此： $$ \boxed{ \text{Evidence Quantity} \neq \text{Evidence Sufficiency}. } $$ --- # 5. 四層 evidence pipeline 完整流程應是： $$ \boxed{ \text{Presence} \rightarrow \text{Relevance} \rightarrow \text{Support} \rightarrow \text{Sufficiency}. } $$ 若其中任何一層被跳過，就可能產生「學術材料很多，但主張其實沒被支持」的情況。 因此審查器不能只做： ```text citation_count > 20 ? PASS : FAIL ``` 而要做： ```text claim -> evidence candidates -> relevance test -> support relation -> scope binding -> sufficiency assessment ``` --- # 6. Evidence–Claim Matching 本文定義： $$ \boxed{ M_{EC} : E_j \mapsto C_i. } $$ Evidence–Claim Matching 的目的，是建立： > 每個 evidence artifact 究竟對哪個 claim 有什麼作用？ 例如： ```yaml evidence: id: E17 type: computational artifact: results.csv supports: claim: C4 relation: partial_support relevance: high ``` 這比： ```yaml datasets: - results.csv ``` 多出真正的認識結構。 --- # 7. 一個 Evidence 可以支持多個 Claim Evidence 與 Claim 不一定是一對一。 可能： $$ E_1 \rightarrow \{C_1,C_2,C_3\}. $$ 但 relation 可能不同： $$ \sigma(E_1,C_1) = \text{DIRECT}, $$ $$ \sigma(E_1,C_2) = \text{PARTIAL}, $$ $$ \sigma(E_1,C_3) = \text{CONSISTENT\_WITH}. $$ 因此 Evidence–Claim Graph 必須允許： $$ \text{many-to-many}. $$ --- # 8. 一個 Claim 也可能需要多種 Evidence 同樣： $$ C_i $$ 可能同時需要： - formal； - computational； - empirical； - historical； - reproduction； 等多種 evidence。 所以： $$ \{E_1,E_2,\ldots,E_k\} \rightarrow C_i. $$ 這在跨領域理論中特別常見。 例如某個 Agent runtime claim 可能同時需要： $$ \text{Architecture Proof} + \text{Execution Trace} + \text{Failure Test}. $$ 單一 evidence 類型不足以覆蓋整個 claim。 --- # 9. Scope Binding：證據支持到哪裡為止？ 本文定義： $$ \boxed{ \beta(E_j,C_i) = \text{Scope Binding}. } $$ Claim scope 可表示為： $$ S_C = (D,C,t,F,S), $$ 其中： - $D$：domain； - $C$：conditions； - $t$：time； - $F$：reference frame； - $S$：semantics。 Evidence scope 表示為： $$ S_E. $$ 若： $$ S_E \subsetneq S_C, $$ 則 evidence 只能支持 claim 的局部版本。 因此： $$ \boxed{ \text{Support Scope} \neq \text{Claim Scope} } $$ 時，必須顯式標註 gap。 --- # 10. Scope Inflation 若 evidence 只覆蓋： $$ D_0, $$ 但論文宣稱： $$ \forall D, $$ 則出現： $$ \boxed{ \text{Scope Inflation}. } $$ 典型形式： $$ \text{Local Observation} \rightarrow \text{Global Claim}. $$ 或： $$ \text{Finite Test} \rightarrow \text{Universal Claim}. $$ 或： $$ \text{Simulation} \rightarrow \text{Real-World Universality}. $$ 研究升版時，系統應檢查： $$ S_E \stackrel{?}{\supseteq} S_C. $$ 若否，則： - 縮 claim； - 補 evidence； - 或標記 support gap。 --- # 11. Claim Weakening 與 Claim Splitting 如果 evidence 無法支持原 claim： $$ C, $$ 可能有兩種合理修正。 第一： $$ C \rightarrow C', $$ 其中： $$ C' $$ 是 scope 較窄、強度較低但被 evidence 支持的版本。 第二： $$ C \rightarrow \{C_a,C_b,C_c\}. $$ 也就是將原本混合主張拆成： - 已支持部分； - 未支持部分； - 規範性部分。 這比把整句話含混地標成： > partially supported 更有用。 --- # 12. Citation Matching 引用也應建立 claim-level relation。 例如： ```yaml citation: id: R12 source: ... target_claim: C3 role: prior_art ``` 另一篇： ```yaml citation: id: R18 source: ... target_claim: C7 role: empirical_support ``` 另一篇： ```yaml citation: id: R22 source: ... target_claim: C9 role: historical_context ``` 因此： $$ \boxed{ \text{Citation Role} \neq \text{Citation Presence}. } $$ --- # 13. 引用的五種基本角色 至少可以分： ```text PRIOR_ART BACKGROUND DEFINITIONAL_SOURCE EMPIRICAL_SUPPORT COUNTERPOSITION HISTORICAL_SOURCE METHOD_SOURCE REPRODUCTION_SOURCE ``` 這使 AI 與人類都能知道： > 作者引用這篇到底是為了什麼？ 若一篇 citation 只是 `BACKGROUND`，就不應被自動計入核心 claim 的 evidence strength。 --- # 14. Authority Substitution Guard 本文定義： $$ \boxed{ G_A = \text{Authority Substitution Guard}. } $$ 它的目的是阻止： $$ A_s \rightarrow \text{Claim Acceptance} $$ 在沒有 reasoning bridge 的情況下發生。 Guard 可以提出至少五個問題： 1. 若隱去作者與機構名稱，論證是否仍成立？ 2. 若 publication venue 改成未知來源，evidence relation 是否改變？ 3. 引用是否真的支持 target claim？ 4. benchmark 是否測到 target property？ 5. certificate 是否覆蓋 target version 與 scope？ 若只有權威訊號消失，支持強度就大幅崩解，則可能存在： $$ \boxed{ \text{Authority Dependency}. } $$ --- # 15. Blind Source Test 可以建立一個簡單的審查操作： $$ \boxed{ \text{Blind Source Test}. } $$ 將： - 作者； - 機構； - 期刊； - citation count； - leaderboard rank； 暫時隱去。 只保留： - claim； - method； - evidence； - reasoning； - scope。 然後重新判斷。 若： $$ \Gamma_{\text{named}} \gg \Gamma_{\text{blind}}, $$ 且差異無法由 source reliability 合理解釋，則可能表示 authority signal 權重過高。 --- # 16. Source Reliability 仍然有價值 本文並不主張： > 權威來源完全沒用。 來源可靠性當然重要。 例如： $$ P(E\text{ is genuine}\mid A_s) $$ 可能會受到： - journal process； - institution； - provenance； - chain of custody； - known methodology； 影響。 真正要避免的是： $$ \boxed{ \text{Source Reliability} \rightarrow \text{Claim Truth} } $$ 的非法跳躍。 更合理是： $$ A_s \rightarrow P(E\text{ reliable}) \rightarrow P(C\mid E,R,S). $$ 也就是 authority 只能作用於 evidence reliability 的某些部分，而不是直接跳到 claim truth。 --- # 17. Data Authority Substitution 數據本身也可能形成權威感。 例如： > 有十萬筆資料。 這聽起來很強。 但應先問： - 資料代表什麼？ - 怎麼採樣？ - 有沒有 selection bias？ - target variable 是什麼？ - proxy 是什麼？ - missingness 怎麼處理？ - 量測本身可靠嗎？ - 是否與 claim 的 domain 一致？ 因此： $$ \boxed{ N\uparrow \not\Rightarrow \text{Epistemic Quality}\uparrow. } $$ 大量錯誤代理量仍然是錯誤代理量。 --- # 18. Proxy–Target Check 本文加入： $$ \boxed{ G_P = \text{Proxy–Target Guard}. } $$ 對任何量測： $$ X $$ 都應問： > 它是 target variable，還是 proxy？ 例如： $$ \text{Publication Timestamp} $$ 可能只是： $$ \text{Publishing Event Proxy}. $$ 它不自動等於： $$ \text{Creation Time}. $$ 同樣： $$ \text{Citation Count} $$ 不自動等於： $$ \text{Theory Quality}. $$ $$ \text{Benchmark Score} $$ 不自動等於： $$ \text{General Capability}. $$ 因此： $$ \boxed{ \text{Proxy} \neq \text{Target Variable}. } $$ 必須成為 evidence review 的標準檢查。 --- # 19. Support Gap 本文定義： $$ \boxed{ G(C_i) = \text{Support Gap}. } $$ 它表示 claim 所需支持與目前 evidence 之間的差距。 可能狀態： ```text NO_GAP SMALL_GAP MATERIAL_GAP MAJOR_GAP UNKNOWN ``` Support Gap 的用途不是羞辱論文。 而是告訴未來升版： > 下一步最值得補什麼？ 例如： ```yaml claim: C7 support_gap: state: material_gap missing: - real_world_validation - cross_implementation_test ``` --- # 20. Evidence Debt 當研究物已經知道缺什麼，但尚未補齊，可以記： $$ \boxed{ D_E = \text{Evidence Debt}. } $$ Evidence Debt 與「論文品質差」不是同一件事。 它只是表示： > 目前版本仍存在可識別的未完成支持工作。 例如： ```yaml evidence_debt: claim: C12 missing: - historical_source_verification priority: medium ``` 這能讓升版真正有方向。 --- # 21. Counterevidence 必須是一級資料 很多研究系統只保存 supporting evidence。 這會產生： $$ \text{Confirmation Bias by Schema}. $$ 因此 evidence graph 必須允許： $$ E_k \xrightarrow{\text{counter}} C_i. $$ 甚至： $$ E_k \xrightarrow{\text{refuting}} C_i. $$ Counterevidence 不應藏在備註。 它應與 supporting evidence 同級。 --- # 22. Contradiction 不是失敗，而是版本觸發器 若新 evidence： $$ E_{new} $$ 與現有 claim： $$ C_i $$ 產生嚴重衝突： $$ \sigma(E_{new},C_i)=\text{REFUTING}, $$ 則它應觸發： $$ \boxed{ \text{Revision Event}. } $$ 可能結果： - claim weakening； - scope restriction； - claim removal； - theory split； - version bump； - refuted lifecycle； - unresolved dispute。 這比「偷偷把句子改掉」更符合研究責任。 --- # 23. Review Protocol 本文提出一個最小 review protocol。 對每個核心 claim： ## Step 1 — Claim Extraction $$ C_i $$ 到底是什麼？ ## Step 2 — Claim Typing 它是： - empirical； - formal； - engineering； - conceptual； - normative； - predictive？ ## Step 3 — Evidence Inventory 有哪些 evidence？ ## Step 4 — Relevance Test $$ \rho(E_j,C_i) $$ 是多少？ ## Step 5 — Support Relation $$ \sigma(E_j,C_i) $$ 是什麼？ ## Step 6 — Scope Binding $$ S_E \stackrel{?}{\supseteq} S_C $$ ？ ## Step 7 — Proxy–Target Check 是否混淆 proxy 與 target？ ## Step 8 — Authority Guard 是否主要靠 prestige 提高可信度？ ## Step 9 — Counterevidence Check 是否存在反例或負結果？ ## Step 10 — Support Gap 還缺什麼？ --- # 24. 升版規則不應是「資料越多越好」 本文反對： $$ \boxed{ \text{Revision Quality} = \text{Added Data Volume}. } $$ 更合理是： $$ \boxed{ Q_R = f( \text{Claim Clarity}, \text{Evidence Match}, \text{Scope Fit}, \text{Counterevidence Handling}, \text{Inference Quality} ). } $$ 有時最好的升版不是新增資料。 而是： - 刪掉不相關數據； - 把 global claim 改成 local claim； - 把引用角色重新標記； - 將 empirical 與 normative claim 分開； - 承認某 claim 暫時 open； - 補一個關鍵反例。 --- # 25. Evidence Graph Schema 可表示為： ```yaml claims: - id: C1 statement: ... type: engineering scope: runtime: v2 platform: windows evidence: - id: E1 type: computational artifact: benchmark.json provenance: ... scope: runtime: v2 platform: windows edges: - from: E1 to: C1 relevance: high relation: direct_support scope_fit: exact strength: medium ``` Counterevidence： ```yaml edges: - from: E9 to: C1 relevance: high relation: counterevidence scope_fit: partial ``` Authority metadata 則另外存： ```yaml source: peer_reviewed: true institution: ... ``` 不能混在 support edge 裡。 --- # 26. AI Evaluator 不應只讀 artifact count AI 審查器若只讀： ```text citations=120 datasets=3 certificates=2 ``` 很容易形成： $$ \text{Authority Signal Optimization}. $$ 更合理的 evaluator 應優先讀： $$ \boxed{ \text{Claim Graph} + \text{Evidence Graph} + \text{Scope Graph}. } $$ 並把 authority metadata 當作次級訊號。 --- # 27. 人類也會犯同樣的錯 本文不是 AI 批評論文。 人類同樣會： - 看期刊名； - 看作者名； - 看資料量； - 看公式密度； - 看圖表； - 看 institution； - 看 citation count； 然後形成快速判斷。 因此： $$ \boxed{ \text{Authority Substitution} } $$ 是一般認識論問題。 AI 的特殊性只在於： - 推理過程較容易重跑； - 輸出較容易保存； - 同一問題可以大量重複測試； - 不同模型可以互相交叉審查。 所以 AI 是可觀察樣本，不是問題唯一來源。 --- # 28. 與一般認識論系列的邊界 本文仍屬於「研究物改版方法論」。 因為它回答的是： > 一篇研究物應如何保存、審查與升版 evidence relation？ 更一般的問題： > 為什麼認識主體會被 authority、proxy、premature closure 影響？ 則屬於另一個認識論系列。 因此： $$ \boxed{ \text{General Epistemology} \rightarrow \text{Scholarly Governance Rules}. } $$ 本文是後者。 --- # 29. 與前文的完整接口 第 01 篇： $$ \text{Generation} + \text{Stewardship} + \text{Global Closure}. $$ 第 02 篇： $$ \text{Identity} \neq \text{Version} \neq \text{Edition} \neq \text{Lineage}. $$ 第 03 篇： $$ \text{Claim} \neq \text{Evidence} \neq \text{Validation} \neq \text{Truth} \neq \text{Confidence}. $$ 本文加入： $$ \boxed{ \text{Presence} \neq \text{Relevance} \neq \text{Support} \neq \text{Sufficiency}. } $$ 並正式建立： $$ \boxed{ E \rightarrow C } $$ 的 typed relation graph。 --- # 30. 下一步：從 Theory 到 Capability 完成 evidence governance 後，下一個問題是： > 即使某理論沒有被宣稱為世界真理，它到底能做什麼？ 因此下一篇將處理： $$ \boxed{ \text{Theory} \rightarrow \text{Capability} \rightarrow \text{Artifact} \rightarrow \text{Observed Behavior}. } $$ 這會把研究價值從： $$ \text{Truth Confidence Only} $$ 擴展為： $$ \text{Epistemic Validity} \times \text{Operational Utility}. $$ --- # 結論 未來研究平台不應只保存： > 這篇有多少引用？ > 有沒有數據？ > 有沒有實驗？ > 有沒有證書？ 真正需要保存的是： $$ \boxed{ \text{哪一份 evidence} \rightarrow \text{以什麼關係} \rightarrow \text{支持哪一個 claim} \rightarrow \text{支持到什麼 scope}. } $$ 因此： $$ \boxed{ \text{Evidence Presence} \neq \text{Evidence Relevance} \neq \text{Evidence Support} \neq \text{Evidence Sufficiency}. } $$ 同時： $$ \boxed{ \text{Authority Signal} \neq \text{Epistemic Support}. } $$ 以及： $$ \boxed{ \text{Proxy} \neq \text{Target Variable}. } $$ 當研究系統能夠明確表示這些關係時，證據才真正從「學術裝飾」轉化成： $$ \boxed{ \text{Inspectable Epistemic Structure}. } $$ 這才是 AI 原生研究升版需要的 evidence layer。