--- title: "發布時間不是生成時間：Temporal Provenance、Batch Ingest 與研究形成時間的分離" english_title: "Publication Time Is Not Creation Time: Temporal Provenance, Batch Ingest, and the Separation of Research-Formation Time" 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: "06" 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 / TEMPORAL PROVENANCE / SCHOLARLY INFRASTRUCTURE" claim_state: "THEORETICAL FRAMEWORK / DATA MODEL PROPOSAL" evidence_state: "CONCEPTUAL / PRACTICE-DERIVED" --- # 發布時間不是生成時間：Temporal Provenance、Batch Ingest 與研究形成時間的分離 **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 研究平台、預印本站、知識庫與 AI 原生研究系統通常會為每篇研究物顯示一個日期。這個日期往往被默認理解成「這篇論文何時被寫出來」。但在實際研究流程中，一個研究物可能先經歷想法形成、初稿、補研究、驗證、修訂、格式轉換、批次入庫、公開發布與後續部署。若系統只保留單一 publication timestamp，下游人類、搜尋引擎與 AI 很容易把「同日公開」誤判為「同日創作」，再進一步錯估研究速度、生成方式、研究深度與作者工作流程。 本文提出 Temporal Provenance 模型，主張： $$ \boxed{ t_{\mathrm{idea}} \neq t_{\mathrm{draft}} \neq t_{\mathrm{validation}} \neq t_{\mathrm{ingest}} \neq t_{\mathrm{publish}} \neq t_{\mathrm{deploy}}. } $$ 並進一步區分： $$ \boxed{ R_{\mathrm{production}} \neq R_{\mathrm{publication}}. } $$ 本文將 batch ingest 視為獨立 scholarly event，建立 publication batch、research interval、validation interval 與 provenance confidence 等 metadata，使研究平台能顯式表達「我們知道哪些時間」「哪些時間只知道範圍」「哪些時間未知」。 本文最後提出 Temporal Attribution Guard，防止研究平台與 AI 將可觀察的時間代理量錯認成真正的研究形成時間。其核心原則為： $$ \boxed{ \text{Observable Timestamp} \neq \text{Research-Time Ground Truth}. } $$ **關鍵詞：** Temporal Provenance、Publication Time、Creation Time、Batch Ingest、Research Timeline、Versioning、Proxy–Target、AI-native scholarship --- # 0. 問題起點：網站上顯示「2026-09-10」，到底代表什麼？ 假設網站顯示： ```text 2026-09-10 Paper A Paper B Paper C ... ``` 甚至同一天出現： ```text 278 papers ``` 最容易發生的推論是： > 這 278 篇是在 2026-09-10 寫出來的。 但網站直接提供的資訊通常只足以支持： $$ \boxed{ t_{\mathrm{publish}}= \text{2026-09-10}. } $$ 它並不能直接支持： $$ t_{\mathrm{create}} = \text{2026-09-10}, $$ 更不能支持： $$ \Delta t_{\mathrm{research}} \approx 1\text{ day}. $$ 因此： $$ \boxed{ \text{Same Publication Date} \not\Rightarrow \text{Same Creation Interval}. } $$ --- # 1. 單一日期模型為什麼失效？ 傳統網站常只有： ```yaml date: 2026-09-10 ``` 但這個 `date` 的語義不清楚。 它可能代表： - 第一次想到； - 開始寫； - 完稿； - 第一次存檔； - 轉成 Markdown； - 上傳網站； - 公開發布； - 最後修改； - 正式定稿； - journal publication。 當多種事件被壓成同一欄位： $$ T \rightarrow t, $$ 大量時間語義被抹除。 因此第一條規則是： $$ \boxed{ \text{Date Field} \neq \text{Temporal Provenance}. } $$ --- # 2. Temporal Provenance 本文定義： $$ \boxed{ \mathcal T(P) = \text{Temporal Provenance of research object }P. } $$ 最小版本可寫為： $$ \mathcal T(P) = ( t_i, t_d, t_e, t_v, t_r, t_g, t_p, t_x ), $$ 其中： - $t_i$：idea first recorded； - $t_d$：draft started； - $t_e$：draft completed； - $t_v$：validation event； - $t_r$：major revision； - $t_g$：ingested into platform； - $t_p$：publicly published； - $t_x$：deployed / operationalized。 這些時間可以相同。 但不應預設相同。 --- # 3. Idea Time 也不是「真正起源」 即使保存： $$ t_i, $$ 也只能表示： $$ \boxed{ \text{First Recorded Idea Time}. } $$ 它不一定等於： $$ \text{First Mental Occurrence}. $$ 因為思想可能： - 在更早對話出現； - 在筆記中已有前身； - 從另一篇理論延伸； - 從多年以前的問題累積； - 直到某日才第一次正式命名。 所以： $$ \boxed{ t_{\mathrm{idea\_recorded}} \neq t_{\mathrm{idea\_origin}}. } $$ 如果起源未知，應保留： ```yaml idea_origin: unknown idea_first_recorded: 2026-08-25 ``` 而不是編造精確日期。 --- # 4. Draft Started 與 Draft Completed 一篇研究物可能： $$ t_d < t_e. $$ 也可能： $$ t_d\approx t_e $$ 如果 AI 輔助高度自動化。 但即使初稿在很短時間內完成，也不表示整個研究只用了這段時間。 因為： $$ \boxed{ \text{Draft Duration} \neq \text{Research Formation Duration}. } $$ 研究形成時間可能包含： - 前置閱讀； - 過去對話； - 既有理論； - 程式實驗； - 長期問題累積； - 後續驗證。 --- # 5. Research Interval 本文定義： $$ \boxed{ I_R(P) = [t_{\min},t_{\max}], } $$ 表示目前可支持的研究形成時間範圍。 例如： ```yaml research_interval: earliest_known: 2026-08-25 latest_completion: 2026-09-07 confidence: medium ``` 這比假裝知道單一「creation date」更誠實。 --- # 6. Validation Time 必須獨立 有些研究物會先完成理論，再做驗證。 例如： $$ t_e 這個 claim 是什麼時候從未驗證變成 partial，再變成 certified？ --- # 7. Revision Time 是研究狀態事件 若： $$ V_n \rightarrow V_{n+1}, $$ 則應保留： $$ t_{r,n+1}. $$ 例如： ```yaml revision: from: v0.1 to: v0.2 date: 2026-09-16 trigger: - new_evidence - scope_change ``` 所以： $$ \boxed{ \text{Revision Time} = \text{Research-State Transition Time}. } $$ 它不只是檔案最後修改時間。 --- # 8. Ingest Time 本文定義： $$ \boxed{ t_g = \text{Ingest Time}. } $$ Ingest 表示： > 研究物何時進入某個平台、資料庫、網站或索引系統？ 這是 infrastructure event。 不是 research event。 例如： ```text 8/25 idea 8/27 draft 8/31 revision 9/03 validation 9/07 canonicalized 9/10 batch ingest ``` 若網站只顯示： ```text 9/10 ``` 就會失去前面的研究歷史。 因此： $$ \boxed{ t_g \neq t_d. } $$ --- # 9. Publication Time Publication 表示： $$ \boxed{ t_p = \text{Public Availability Time}. } $$ 它回答： > 何時對外可讀？ 而不是： > 何時形成？ 所以： $$ \boxed{ t_p \neq t_{\mathrm{research}}. } $$ --- # 10. Batch Ingest AI 原生研究環境很容易出現： $$ \boxed{ \text{Batch Ingest}. } $$ 也就是多個研究物在同一資料管線中被： - 轉換格式； - 產生 metadata； - 分配 ID； - 建索引； - 上傳網站； - 同步資料庫。 例如： ```yaml publication: mode: batch_ingest batch_id: LM-20260910-A ingested_at: 2026-09-10 ``` 這條 metadata 可以直接告訴下游系統： $$ \boxed{ \text{same batch} \not\Rightarrow \text{same creation interval}. } $$ --- # 11. Publication Burst 若某一天出現大量公開物，可以稱為： $$ \boxed{ \text{Publication Burst}. } $$ 但 Publication Burst 只能描述： $$ R_{\mathrm{publication}}. $$ 不能自動描述： $$ R_{\mathrm{production}}. $$ 這兩個量必須分離。 --- # 12. Production Rate 與 Publication Rate 本文定義： $$ \boxed{ R_{\mathrm{production}} = \frac{ N_{\mathrm{completed}} }{ \Delta t_{\mathrm{actual\ research}} }. } $$ 而： $$ \boxed{ R_{\mathrm{publication}} = \frac{ N_{\mathrm{published}} }{ \Delta t_{\mathrm{publication\ window}} }. } $$ 通常： $$ R_{\mathrm{production}} \neq R_{\mathrm{publication}}. $$ 尤其在批次發布環境中，兩者差距可能很大。 --- # 13. Publication Density 不是 Thought Density 本文提出： $$ \boxed{ \text{Publication Density} \neq \text{Thought Generation Density}. } $$ 同一天發布大量文章，可能來自： - 多週累積； - 多月累積； - 多個對話； - 多個本地研究工作區； - 多 Agent 並行； - 先前草稿重新整理； - 批次轉檔； - 網站集中 migration。 所以 publication density 只能作為弱 proxy。 --- # 14. Temporal Attribution Error 本文將： $$ t_p \rightarrow t_{\mathrm{create}} $$ 的非法替代稱為： $$ \boxed{ \text{Temporal Attribution Error}. } $$ 一般形式為： $$ \boxed{ \text{Observable Event Time} \rightarrow \text{Unobserved Formation Time}. } $$ 這與第 04 篇的 Proxy–Target Guard 完全一致。 --- # 15. Timestamp 也是 Proxy 網站能直接觀察的常是： $$ t_p $$ 或： $$ t_g. $$ 但真正想知道的可能是： $$ t_d, t_e, I_R. $$ 因此： $$ \boxed{ \text{Timestamp} = \text{Potential Proxy}. } $$ 不能因為它精確到秒，就誤以為它代表更真實的研究時間。 精確記錄： ```text 2026-09-10 14:32:17 ``` 也可能只是精確記錄了一個不相關的 event。 所以： $$ \boxed{ \text{Measurement Precision} \neq \text{Target Validity}. } $$ --- # 16. Git Commit 也不是絕對 Creation Time Git commit 是重要證據。 但： $$ \boxed{ t_{\mathrm{commit}} \neq t_{\mathrm{idea}}. } $$ 甚至： $$ t_{\mathrm{commit}} \neq t_{\mathrm{draft}}. $$ 因為文件可能先在： - chat； - editor； - local notes； - another repository； - ZIP； - cloud document； 中形成，再 later commit。 因此 commit time 是： $$ \boxed{ \text{Repository Provenance}, } $$ 不是完整 research provenance。 --- # 17. File Modified Time 也有限 檔案時間可能因： - copy； - sync； - migration； - extraction； - archive； - cloud upload； 被改變。 因此： $$ \boxed{ t_{\mathrm{filesystem}} \neq t_{\mathrm{research}}. } $$ 它仍然可以作為 provenance evidence，但需要標記來源與可靠性。 --- # 18. Provenance Confidence Temporal Provenance 並不總是精確。 因此本文定義： $$ \boxed{ \Gamma_T(t_k) = \text{Confidence in temporal attribution}. } $$ 可使用： ```text EXACT HIGH MEDIUM LOW INFERRED UNKNOWN ``` 例如： ```yaml draft_started: value: 2026-08-27 confidence: exact source: chat_log ``` 或： ```yaml idea_first_recorded: value: 2026-08 confidence: low source: retrospective_inference ``` --- # 19. Unknown 是合法狀態 研究系統最重要的規則之一是： $$ \boxed{ \text{Unknown} \neq \text{Failure}. } $$ 如果不知道： ```yaml draft_started: unknown ``` 比假設： ```yaml draft_started: 2026-09-10 ``` 更正確。 因此 metadata schema 必須允許未知值。 --- # 20. Temporal Evidence 時間判定本身也有 evidence。 例如： ```yaml temporal_evidence: - type: chat_log timestamp: ... - type: git_commit timestamp: ... - type: internal_document timestamp: ... - type: publication_log timestamp: ... ``` 然後： $$ \boxed{ E_T \rightarrow t_k. } $$ 這使 Temporal Provenance 也能被審查。 --- # 21. Earliest Known 與 Latest Known 如果無法知道精確時間，可以記： $$ \boxed{ t_{\mathrm{earliest\ known}} } $$ 與： $$ \boxed{ t_{\mathrm{latest\ known}}. } $$ 例如： ```yaml draft_window: earliest: 2026-08-25 latest: 2026-08-31 ``` 這比虛構單點更符合實際。 --- # 22. Research Duration 也不一定是連續時間 即使知道： $$ t_d $$ 與： $$ t_e, $$ 也不能直接定義： $$ \Delta t=t_e-t_d $$ 為實際工作時數。 因為研究可能： - 中斷； - 並行； - 睡眠後繼續； - 幾天沒碰； - 多 Agent 異步工作。 所以： $$ \boxed{ \text{Calendar Duration} \neq \text{Active Research Time}. } $$ 若沒有 active-time trace，應避免假裝知道。 --- # 23. Parallel Research AI 原生研究常存在： $$ P_1,P_2,\ldots,P_n $$ 並行演化。 因此： $$ \sum_i \Delta t_i $$ 可能遠大於： $$ \Delta t_{\mathrm{wall-clock}}. $$ 多 Agent 與多對話環境尤其如此。 因此： $$ \boxed{ \text{Parallel Work} \neq \text{Sequential Human Labor}. } $$ 研究產量分析若忽略並行性，會嚴重失真。 --- # 24. Batch Publication 也不等於 Batch Research 若： $$ P_1,\ldots,P_{278} $$ 在同一 batch： $$ B $$ 中發布， 只能表示： $$ \forall P_i,\quad \operatorname{batch}(P_i)=B. $$ 不能推出： $$ \forall P_i,\quad I_R(P_i)=I_R(P_j). $$ 所以： $$ \boxed{ \text{Batch Publication} \neq \text{Batch Research Formation}. } $$ --- # 25. Temporal Lineage 時間也應與研究譜系結合。 若： $$ P_A \rightarrow P_B, $$ 則應至少滿足： $$ t_{\mathrm{relevant}}(P_A) \leq t_{\mathrm{relevant}}(P_B), $$ 但仍要注意： - publication order； - idea order； - canonicalization order； 可能不同。 因此 genealogy 不能只依 publication date 排序。 --- # 26. Publication Order 與 Conceptual Order 假設： $$ P_B $$ 概念上先出現， 但： $$ P_A $$ 先公開。 則： $$ t_p(P_A) 理論提出後多久才被實作？ > 實作後多久才出現驗證？ > 驗證是否早於公開？ --- # 29. Temporal Provenance Schema 本文提出： ```yaml temporal_provenance: idea_first_recorded: value: 2026-08-25 confidence: high source: chat_log draft_started: value: 2026-08-27 confidence: high source: source_file draft_completed: value: 2026-08-31 confidence: medium validation_events: - date: 2026-09-03 method: computational result: partial canonicalized: value: 2026-09-07 ingested: value: 2026-09-10 batch_id: LM-20260910-A published: value: 2026-09-10 deployed: value: null ``` --- # 30. Publication Metadata Schema 公開層可以額外顯示： ```yaml publication: mode: batch_ingest batch_id: LM-20260910-A published_at: 2026-09-10 research_timeline: exact: false earliest_known: 2026-08-25 latest_major_revision: 2026-09-07 ``` 這樣 crawler、AI 與人類讀者都不必自行腦補。 --- # 31. Temporal Attribution Guard 本文提出： $$ \boxed{ G_T = \text{Temporal Attribution Guard}. } $$ 任何從 timestamp 推論 research history 的系統，都應至少檢查： 1. 這個 timestamp 是什麼 event？ 2. 是否只是 ingest？ 3. 是否是 publication？ 4. 是否存在 batch？ 5. 是否有更早 provenance？ 6. 是否有 parallel work？ 7. 是否只知道 range？ 8. confidence 多高？ 如果無法回答，應輸出： > creation time unknown 而不是： > created on publication date --- # 32. 研究速度評估需要真正 denominator 研究速度： $$ R = \frac{N}{\Delta t} $$ 的真正問題往往不在： $$ N. $$ 而在： $$ \Delta t. $$ 若 denominator 用 publication window： $$ \Delta t_p, $$ 卻想估 actual research window： $$ \Delta t_R, $$ 則： $$ \boxed{ R_{\mathrm{estimated}} \text{ may be structurally invalid}. } $$ --- # 33. Production Analysis 的最小要求 若要分析研究產量，至少需要嘗試蒐集： - first recorded idea； - draft metadata； - version history； - Git commit； - chat or research log； - build time； - ingestion log； - publication time。 然後才能估： $$ R_{\mathrm{production}}. $$ 如果只有 publication timestamp，最多只能報： $$ R_{\mathrm{publication}}. $$ --- # 34. Temporal Metadata 也不能變成新權威 即使有完整 timeline，也不能因為： > 這篇研究做了三個月。 就推出： > 所以品質很高。 因此： $$ \boxed{ \text{Long Duration} \neq \text{High Quality}. } $$ 同樣： $$ \boxed{ \text{Short Duration} \neq \text{Low Quality}. } $$ Temporal Provenance 的目的不是建立新的 prestige signal。 而是描述真實研究歷史。 --- # 35. AI 原生研究的高速不是原罪 一篇研究可能真的在非常短時間內完成。 如果： - reasoning 足夠； - evidence 足夠； - verification 足夠； - prior knowledge 已存在； - Agent pipeline 高效； 那麼： $$ T_G\downarrow $$ 本身不是問題。 因此： $$ \boxed{ \text{Fast} \neq \text{Shallow}. } $$ 也同樣： $$ \boxed{ \text{Slow} \neq \text{Deep}. } $$ 時間只能描述 process，不應直接替代 quality judgment。 --- # 36. 時間資料的真正用途 Temporal Provenance 主要用來： - 重建研究譜系； - 避免 creation/publication 混淆； - 判定哪個 evidence 先於哪個 claim； - 追蹤版本變化； - 找出後見之明污染； - 支持 reproducibility； - 建立研究 audit trail。 不是用來建立作者神話。 --- # 37. 與前五篇的接口 第 01 篇處理： $$ \text{Stewardship}. $$ 第 02 篇處理： $$ \text{Identity / Version / Edition / Lineage}. $$ 第 03、04 篇處理： $$ \text{Claim / Evidence / Validation / Support}. $$ 第 05 篇處理： $$ \text{Theory / Capability / Artifact / Behavior}. $$ 本文加入： $$ \boxed{ \text{When did each state actually occur?} } $$ 因此完整研究物開始具備時間維度。 --- # 38. 下一步：Epistemic Provenance 即使知道研究物何時形成，仍有另一個問題： > 我們現在為什麼這樣理解它？ 因此下一篇將處理： $$ \boxed{ \text{Epistemic Provenance} } $$ 也就是： $$ \text{Observation} \rightarrow \text{Inference} \rightarrow \text{Interpretation} \rightarrow \text{Assessment}. $$ 並正式區分： $$ \text{Paper Revision} \neq \text{Revision of Our Understanding}. $$ --- # 結論 一個網站日期不是研究歷史。 一個 Git commit 不是思想起源。 一個 batch ingest 不是 batch creation。 一個 publication burst 也不是 thought burst。 因此： $$ \boxed{ t_{\mathrm{idea}} \neq t_{\mathrm{draft}} \neq t_{\mathrm{validation}} \neq t_{\mathrm{ingest}} \neq t_{\mathrm{publish}} \neq t_{\mathrm{deploy}}. } $$ 同時： $$ \boxed{ R_{\mathrm{production}} \neq R_{\mathrm{publication}}. } $$ Temporal Provenance 的目標不是讓每個研究物都有一個看起來非常精確的時間戳。 真正目標是： $$ \boxed{ \text{知道我們知道哪個時間，} } $$ $$ \boxed{ \text{知道哪些只是代理量，} } $$ 以及： $$ \boxed{ \text{不知道時允許它保持 unknown。} } $$ 因此： $$ \boxed{ \text{Observable Timestamp} \neq \text{Research-Time Ground Truth}. } $$ 只有當研究平台把形成、驗證、入庫、發布與部署等事件拆開，AI 原生研究的高速、多 Agent、跨對話與批次發布模式才不會被錯誤壓成一條虛假的單一時間線。