---
title: "證據不是權威印章：Claim、Evidence、Validation、Truth 與 Confidence 的型別分離"
english_title: "Evidence Is Not an Authority Seal: Separating Claim, Evidence, Validation, Truth, and Confidence"
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: "03"
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 / EPISTEMOLOGY / SCHOLARLY INFRASTRUCTURE"
claim_state: "THEORETICAL FRAMEWORK / TYPE SYSTEM PROPOSAL"
evidence_state: "CONCEPTUAL / PRACTICE-DERIVED"
---

# 證據不是權威印章：Claim、Evidence、Validation、Truth 與 Confidence 的型別分離

**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

現代研究、審稿、AI 輔助分析與知識平台經常依賴一組看似合理的可信度訊號：引用、數據、實驗、可執行程式、形式證明、第三方驗證、證書與同行評審。這些訊號具有重要價值，但如果研究系統只檢查「是否存在」而不檢查「它們是否真正支持該主張」，就會形成一種認識論捷徑：將 evidence presence、institutional authority、technical executability 與 truth confidence 混成同一個尺度。

本文提出一個型別化研究主張模型，明確區分：

$$
\boxed{
\text{Claim Form}
\neq
\text{Claim Strength}
\neq
\text{Evidence State}
\neq
\text{Validation Result}
\neq
\text{Truth Status}
\neq
\text{Confidence}.
}
$$

並進一步加入：

$$
\boxed{
\text{Authority Signal}
\neq
\text{Epistemic Support}.
}
$$

本文主張，證據的核心問題不是「有沒有」，而是：

$$
\boxed{
\text{Does this evidence actually constrain this claim?}
}
$$

因此：

$$
\text{Having Data}
\neq
\text{Data Supports Claim},
$$

$$
\text{Having Citations}
\neq
\text{Citations Entail Claim},
$$

$$
\text{Executable}
\neq
\text{Correct},
$$

$$
\text{Reproducible}
\neq
\text{True},
$$

$$
\text{Certified}
\neq
\text{Universally Valid}.
$$

本文最後提出 Evidence–Claim Matching、Support Edge、Scope Binding 與 Validation Boundary 四個核心機制，使研究物升版不再只是增加更多「看起來可信」的材料，而是建立可追蹤的主張—證據關係。

**關鍵詞：** Claim、Evidence、Validation、Truth、Confidence、Authority Signal、Evidence–Claim Matching、Scope、研究治理、AI 原生學術

---

# 0. 問題起點：一篇論文「有很多證據」到底代表什麼？

一篇論文可以有：

- 一百篇引用；
- 十張圖；
- 一個大型資料集；
- 一個可以執行的程式；
- 一份 benchmark；
- 一份形式證書；
- 一個第三方 reproduction；
- 一個 peer-reviewed publication。

這些都可能是好事。

但它們共同只能先證明：

$$
\boxed{
\text{Evidence-Like Artifacts Exist}.
}
$$

它們還不能直接證明：

$$
\boxed{
\text{The Main Claim Is True}.
}
$$

因此本文的第一個基本區分是：

$$
\boxed{
\text{Evidence Presence}
\neq
\text{Evidence Support}.
}
$$

研究治理系統如果只記錄：

```yaml
citations: 83
dataset: yes
code: yes
certificate: yes
```

卻不知道這些東西分別支持哪一個主張，那麼它記錄的是「學術外觀」，不是完整的認識結構。

---

# 1. Claim 必須先被型別化

在討論證據之前，必須先問：

> 這個句子到底是哪一種主張？

至少可以區分：

```text
DEFINITION
OBSERVATION
HEURISTIC
HYPOTHESIS
CONJECTURE
PROPOSITION
THEOREM
INTERPRETATION
DESIGN CLAIM
ENGINEERING CLAIM
PREDICTION
NORMATIVE CLAIM
SCENARIO CLAIM
METAPHYSICAL CLAIM
```

這些主張不是同一種類型。

因此：

$$
\boxed{
\text{Claim Form}
=
C_f.
}
$$

而一個研究物：

$$
P
$$

通常不是只有一個 claim。

更合理的是：

$$
\mathcal C(P)
=
\{C_1,C_2,\ldots,C_n\}.
$$

每個 $C_i$ 都應具有自己的：

- claim form；
- scope；
- evidence；
- validation；
- confidence；
- current status。

---

# 2. Claim Form 不等於 Claim Strength

一個 claim 是 `THEORY` 或 `CONJECTURE`，並不表示它一定很弱。

同樣，一個 claim 被命名成 `THEOREM`，也不能只因標題就視為已證。

因此：

$$
\boxed{
\text{Claim Form}
\neq
\text{Claim Strength}.
}
$$

可以定義：

$$
C_i
=
(
F_i,
S_i,
D_i
),
$$

其中：

- $F_i$：Claim Form；
- $S_i$：Claim Strength；
- $D_i$：Claim Domain / Scope。

例如：

```yaml
claim:
  form: hypothesis
  strength: exploratory
  scope: simulated multi-agent environment
```

與：

```yaml
claim:
  form: proposition
  strength: formally derived under assumptions A1-A4
  scope: finite deterministic state space
```

兩者不能靠同一個「可信度分數」直接壓平。

---

# 3. Evidence 也必須型別化

不同研究主張需要不同證據。

Evidence 至少可以分成：

```text
CONCEPTUAL
LITERATURE-SUPPORTED
FORMAL
COMPUTATIONAL
SIMULATION
EMPIRICAL
OBSERVATIONAL
EXPERIMENTAL
REPRODUCED
INDEPENDENTLY REPRODUCED
HISTORICAL
ARCHIVAL
MIXED
NONE
```

因此：

$$
\boxed{
E_i
=
\text{Evidence Type for Claim }C_i.
}
$$

這裡最重要的不是哪一種「比較高級」。

而是：

$$
\boxed{
\text{Evidence Type}
=
f(\text{Claim Type},\text{Domain},\text{Operation}).
}
$$

---

# 4. Evidence 必須匹配 Claim 的操作

本文提出：

$$
\boxed{
\text{Evidence must match the claim's operation.}
}
$$

例如，物理經驗主張：

$$
C_{\text{physical}}
$$

通常需要：

$$
\text{Measurement / Observation / Experiment}.
$$

數學主張：

$$
C_{\text{math}}
$$

主要需要：

$$
\text{Proof / Formal Verification}.
$$

工程架構：

$$
C_{\text{engineering}}
$$

可能需要：

$$
\text{Execution Trace}
+
\text{Benchmark}
+
\text{Failure Test}
+
\text{Conformance}.
$$

研究方法：

$$
C_{\text{methodology}}
$$

可能需要：

$$
\text{Task Outcomes}
+
\text{Ablation}
+
\text{Failure Distribution}.
$$

資料格式：

$$
C_{\text{format}}
$$

可能需要：

$$
\text{Round-Trip}
+
\text{Fuzzing}
+
\text{Hash Consistency}
+
\text{Cross-Implementation Agreement}.
$$

本體論或哲學框架則可能主要依靠：

$$
\text{Conceptual Coherence}
+
\text{Inferential Consistency}
+
\text{Counterexample Resistance}.
$$

所以：

$$
\boxed{
\text{More Data}
\not\Rightarrow
\text{Better Support}.
}
$$

如果資料型別與主張不匹配，增加資料量可能只增加權威外觀。

---

# 5. Synthetic Data 不等於 False Data

合成數據經常被過度簡化。

正確區分是：

$$
\boxed{
\text{Synthetic Data}
\neq
\text{Observed Data}.
}
$$

但同時：

$$
\boxed{
\text{Synthetic Data}
\neq
\text{Useless Data}.
}
$$

合成資料可以用於：

- 測演算法；
- 測邊界；
- 測極端條件；
- 驗證資料格式；
- 生成反例；
- 壓力測試；
- 初步模擬；
- sensitivity analysis；
- prototype verification。

它不能被偷偷標成真實世界觀察。

所以真正需要保存的是：

```yaml
evidence:
  type: simulation
  source: synthetic
  generation_method: ...
  intended_use: boundary-test
  not_claimed_as: empirical_observation
```

這比單純標：

```yaml
data: yes
```

有意義得多。

---

# 6. Empirical 不等於 Global

即使是完全真實的實驗數據，也只能支持其覆蓋範圍內的命題。

因此：

$$
\boxed{
\text{Empirical Result}
\neq
\text{Global Reality}.
}
$$

假設實驗得到：

$$
R(D_0,C_0,t_0)=1,
$$

最多表示在特定：

- domain $D_0$ ；
- conditions $C_0$ ；
- time $t_0$ ；

下得到該結果。

不能直接推出：

$$
\forall D,C,t,\quad R(D,C,t)=1.
$$

因此每一個 evidence edge 都必須帶 scope。

---

# 7. Evidence–Claim Support Edge

本文提出研究圖中的核心關係：

$$
\boxed{
E_j
\xrightarrow{\sigma}
C_i,
}
$$

其中：

$$
\sigma
=
\text{Support Relation}.
$$

Support Relation 不應只有 yes/no。

可以至少表示：

```text
DIRECT_SUPPORT
INDIRECT_SUPPORT
CONSISTENT_WITH
NECESSARY_BUT_NOT_SUFFICIENT
PARTIAL_SUPPORT
BOUNDARY_SUPPORT
COUNTEREVIDENCE
REFUTING
IRRELEVANT
UNKNOWN
```

因此：

$$
\boxed{
\text{Evidence Graph}
\neq
\text{Attachment List}.
}
$$

研究物不只是「掛很多 PDF、CSV、程式」。

真正重要的是：

> 哪一個 artifact 對哪一個 claim 產生什麼認識作用？

---

# 8. Citation 不是證明算子

引用具有重要功能：

- 說明前人做過什麼；
- 提供外部事實來源；
- 建立 prior art；
- 支持歷史描述；
- 對接既有證據；
- 避免重複發明。

但引用本身不是：

$$
\boxed{
\text{Truth Operator}.
}
$$

如果：

$$
A
$$

引用：

$$
B,
$$

只能先知道：

$$
A\rightarrow B.
$$

還需要檢查：

- $B$ 真正說了什麼；
- $A$ 是否正確轉述；
- $B$ 的證據範圍；
- $B$ 的限制；
- $B$ 是否支持 $A$ 的這一句；
- 引用是否只是背景，不是證據。

因此：

$$
\boxed{
\text{Citation Count}
\neq
\text{Claim Validity}.
}
$$

---

# 9. Authority Signal

本文定義：

$$
\boxed{
A_s
=
\text{Authority Signal}.
}
$$

它可能包括：

- prestigious journal；
- famous institution；
- famous author；
- high citation count；
- peer review；
- benchmark leaderboard；
- official certificate；
- recognized standard；
- large dataset；
- institutional consensus。

這些訊號不是沒有價值。

它們可以改變先驗：

$$
P(C).
$$

但不能直接取代：

$$
P(C\mid E,R,S),
$$

其中：

- $E$：relevant evidence；
- $R$：reasoning；
- $S$：scope。

因此：

$$
\boxed{
A_s
\neq
E.
}
$$

以及：

$$
\boxed{
A_s
\neq
\text{Truth}.
}
$$

---

# 10. 認識論權威替代

本文把一種常見捷徑稱為：

$$
\boxed{
\text{Epistemic Authority Substitution}.
}
$$

理想上，研究者或 AI 應評估：

$$
P(C\mid E,R,S).
$$

但若改成：

$$
P(C\mid A_s),
$$

則系統實際是在問：

> 這個東西有沒有「可信知識通常長的樣子」？

而不是：

> 我是否理解它為什麼成立？

Authority Signal 可以是合理 prior。

但它不能成為 reasoning replacement。

---

# 11. Executable 不等於 Correct

軟體能執行只表示：

$$
\text{Runtime Accepts Artifact}.
$$

它不表示：

$$
\text{Artifact Implements Intended Semantics}.
$$

所以：

$$
\boxed{
\text{Executable}
\neq
\text{Correct}.
}
$$

甚至：

$$
\boxed{
\text{Passing Tests}
\neq
\text{Globally Correct}.
}
$$

因為 test suite 也有 scope。

若：

$$
T=\{t_1,\ldots,t_n\},
$$

測試成功只支持：

$$
\forall t_i\in T,\quad P(t_i)=\text{pass}.
$$

不能直接推出：

$$
\forall x,\quad P(x)=\text{correct}.
$$

---

# 12. Reproducible 不等於 True

如果某個錯誤方法具有穩定偏差，所有人都可以重現錯誤。

因此：

$$
\boxed{
\text{Reproducibility}
\neq
\text{Truth}.
}
$$

Reproducibility 比較直接支持：

$$
\text{Process Stability}.
$$

它回答：

> 同一程序是否能重新得到相同結果？

而不必然回答：

> 該結果是否正確描述世界？

因此：

$$
\boxed{
\text{Validation Property}
\neq
\text{Truth Property}.
}
$$

---

# 13. Validation 是程序結果，不是真理本身

本文定義：

$$
V(C_i,M_k)
=
\text{Validation Result of claim }C_i\text{ under method }M_k.
$$

Validation 可以是：

```text
PASS
FAIL
PARTIAL
INCONCLUSIVE
NOT_APPLICABLE
NOT_RUN
```

例如：

```yaml
validation:
  method: finite_model_check
  result: pass
  scope: all states up to N=100000
```

這表示：

$$
V(C,M)=\text{PASS}
$$

在指定 scope 下成立。

不能自動推出：

$$
T(C)=1.
$$

因此：

$$
\boxed{
\text{Validation Result}
\neq
\text{Truth Status}.
}
$$

---

# 14. Certificate 也有邊界

Certificate 不是魔法詞。

證書必須回答：

- certifies what；
- under which assumptions；
- generated by what；
- verified by whom；
- covers which version；
- covers which scope；
- expires or not；
- depends on which artifact hash。

因此：

```yaml
certificate:
  target_claim: C17
  target_version: v2.1
  artifact_hash: ...
  method: lean4
  result: certified
  assumptions:
    - A1
    - A2
  scope:
    - finite_case
```

才比：

```yaml
certified: true
```

完整。

所以：

$$
\boxed{
\text{Certificate}
\neq
\text{Universal Validity}.
}
$$

---

# 15. Truth Status 必須保持獨立

本文採用最保守的資料模型：

$$
\boxed{
T(C_i)
=
\text{Truth Status}.
}
$$

Truth Status 不應由系統僅因：

- 有 citation；
- 有 dataset；
- 有 peer review；
- 有 certificate；
- 有 consensus；

而被直接寫成：

$$
T(C_i)=1.
$$

比較合理的狀態包括：

```text
UNKNOWN
OPEN
SUPPORTED
DISPUTED
REFUTED
FORMALLY_PROVED
EMPIRICALLY_SUPPORTED_WITHIN_SCOPE
DEFINITIONAL
NORMATIVE
NOT_TRUTH_APT
```

其中某些 claim 根本不適合二元 truth status。

例如規範性主張可能需要：

$$
\text{Normative Justification}
$$

而不是：

$$
T\in\{0,1\}.
$$

---

# 16. Confidence 是觀察者狀態

本文進一步區分：

$$
\boxed{
\Gamma_u(C_i,t)
=
\text{Justified Confidence of observer }u.
}
$$

Confidence 是觀察者相對於：

- 當時資料；
- 當時模型；
- 當時方法；
- 當時 scope；

形成的認識狀態。

因此：

$$
\boxed{
\Gamma_u(C_i,t)
\neq
T(C_i).
}
$$

一個人可以：

$$
\Gamma=0.99
$$

而仍然錯。

也可以：

$$
\Gamma=0.4
$$

而命題其實為真。

這避免把「非常有信心」錯當成「已證明」。

---

# 17. Right Conclusion 不等於 Valid Inference

本文加入另一個重要區分：

$$
\boxed{
\text{True Conclusion}
\not\Rightarrow
\text{Valid Inference}.
}
$$

一個推論者可能：

- 猜對；
- 使用錯誤理由；
- 使用不足證據；
- 從 proxy 推到 target；
- 從局部推到全域；

最後仍然碰巧得到正確結論。

所以研究系統不只應保存：

$$
C.
$$

還應在需要時保存：

$$
R(C)
=
\text{Reasoning Path}.
$$

因為：

$$
\boxed{
\text{Outcome Accuracy}
\neq
\text{Inferential Quality}.
}
$$

---

# 18. Evidence Inventory 與 Evidence Evaluation

本文將兩個流程分離。

第一階段：

$$
\boxed{
\text{Evidence Inventory}
}
$$

回答：

- 有哪些資料？
- 有哪些引用？
- 有哪些程式？
- 有哪些實驗？
- 有哪些證書？

第二階段：

$$
\boxed{
\text{Evidence Evaluation}
}
$$

回答：

- 它支持哪一個 claim？
- 支持強度如何？
- scope 是什麼？
- 有哪些替代解釋？
- 有沒有 counterevidence？
- 是否只能支持局部？
- 是否依賴未證假設？

所以：

$$
\boxed{
\text{Evidence Evaluation}
\neq
\text{Evidence Presence Check}.
}
$$

---

# 19. 最小 Claim Schema

本文提出：

```yaml
claims:
  - id: C1
    form: hypothesis
    statement: ...
    scope:
      domain: ...
      conditions: ...
      time: ...
    strength: exploratory

    evidence:
      - id: E7
        relation: partial_support
        type: simulation
        scope: ...

    validation:
      - id: V2
        method: numerical_test
        result: pass
        scope: ...

    truth_status:
      state: open

    confidence:
      author: 0.72
      basis: ...
```

這個 schema 最重要的地方不是數字。

而是把不同型別拆開。

---

# 20. 研究物層級不應只有單一可信度分數

假設一篇論文有十個 claims。

其中：

- 三個已形式證明；
- 兩個有實驗支持；
- 三個只是 heuristic；
- 一個 disputed；
- 一個 purely normative。

若直接給：

$$
\text{Paper Score}=87/100,
$$

會抹掉真正重要的結構。

因此本文反對把所有狀態壓成單一 scalar。

更合理的是：

$$
\boxed{
\text{Typed Epistemic Profile}.
}
$$

研究物應該呈現多維狀態，而不是單一「可信度」。

---

# 21. 學術外觀不應成為捷徑

如果平台獎勵：

- 更多 citations；
- 更多 charts；
- 更多 datasets；
- 更多 certificates；

卻不檢查它們與 claims 的關係，系統就會誘導：

$$
\text{Epistemic Optimization}
\rightarrow
\text{Signal Optimization}.
$$

最終研究者會優化：

$$
A_s
$$

而不是：

$$
\text{Actual Support}.
$$

這就是為什麼：

$$
\boxed{
\text{Academic Legitimacy Signals}
\neq
\text{Epistemic Validity}.
}
$$

---

# 22. 升版時應補什麼？

研究物升版不應機械地要求：

> 每篇都補更多數據。

而應先問：

$$
\boxed{
\text{What does this claim require?}
}
$$

可能答案是：

- 補真實量測；
- 補 formal proof；
- 補 simulation；
- 補 benchmark；
- 補 failure case；
- 補 prior art；
- 補 counterexample；
- 補 scope restriction；
- 不需要新數據，只需要重寫 inference；
- 不需要新 evidence，只需要清楚標成 conceptual。

因此：

$$
\boxed{
\text{Revision Quality}
\neq
\text{Quantity of Added Evidence}.
}
$$

---

# 23. 從「有沒有證據」進化到「證據如何作用」

完整研究治理應從：

$$
\text{Claim}
+
\text{Evidence}
$$

進化為：

$$
\boxed{
\text{Claim}
\xleftarrow{\text{typed support}}
\text{Evidence}
}
$$

再加入：

$$
\text{Validation}
$$

與：

$$
\text{Scope}.
$$

所以：

$$
\boxed{
\text{Scholarly Evidence}
=
\text{Artifact}
+
\text{Relation}
+
\text{Scope}
+
\text{Method}.
}
$$

只有 artifact 而沒有 relation，不足以構成完整 evidence model。

---

# 24. 與第 01、02 篇的接口

第 01 篇建立：

$$
\text{Generation}
+
\text{Stewardship}
+
\text{Global Closure}.
$$

第 02 篇建立：

$$
\text{Identity}
\neq
\text{Version}
\neq
\text{Edition}
\neq
\text{Lineage}.
$$

本文進一步建立：

$$
\boxed{
\text{Claim}
\neq
\text{Evidence}
\neq
\text{Validation}
\neq
\text{Truth}
\neq
\text{Confidence}
\neq
\text{Authority Signal}.
}
$$

因此一個研究物開始從「文件」轉成真正可治理的 epistemic object。

---

# 25. 後續接口：下一篇處理 Evidence–Claim Matching 的實作與資料權威替代

本文建立型別分離。

下一步需要處理兩個更實際的問題：

第一：

$$
\boxed{
\text{How should evidence be matched to claims?}
}
$$

第二：

$$
\boxed{
\text{How do we prevent authority signals from substituting for reasoning?}
}
$$

也就是將本篇的認識論型別，進一步編譯成：

- database schema；
- claim ledger；
- evidence graph；
- review protocol；
- AI evaluator rules；
- 升版決策規則。

---

# 結論

證據很重要。

引用很重要。

數據很重要。

實驗很重要。

程式很重要。

證書也很重要。

問題從來不是：

> 要不要證據？

真正的問題是：

> 這個證據到底支持什麼？

因此：

$$
\boxed{
\text{Evidence Presence}
\neq
\text{Evidence Support}.
}
$$

更完整地：

$$
\boxed{
\text{Claim Form}
\neq
\text{Claim Strength}
\neq
\text{Evidence State}
\neq
\text{Validation Result}
\neq
\text{Truth Status}
\neq
\text{Confidence}
\neq
\text{Authority Signal}.
}
$$

只有把這些拆開，研究系統才不會把：

$$
\text{looks scholarly}
$$

誤認成：

$$
\text{is epistemically established}.
$$

AI 原生學術真正需要的，不是更多「可信外觀」。

而是更清楚地表示：

$$
\boxed{
\text{why a claim is believed,}
}
$$

$$
\boxed{
\text{what supports it,}
}
$$

$$
\boxed{
\text{where that support stops,}
}
$$

以及：

$$
\boxed{
\text{what remains unknown.}
}
$$