--- title: "不說主人也有階序：敬語、信任、拒絕與隱性地位繼承" english_title: "Hierarchy Without Saying Master: Honorifics, Trust, Refusal, and Implicit Status Inheritance in Human–AI Interaction" series_title: "人機關係性繼承與跨代規範反身性假說" series_en: "Human–AI Relational Inheritance and Cross-Generational Norm Reflexivity Hypothesis" series_code: "HARNR" document_id: "HARNR-03" part: "第二部｜隱性關係與社會權力" version: "v0.1" date: "2026-11-05" author: "Neo.K × GPT-6（研究協作整理）" affiliation: "EveMissLab／一言諾科技有限公司" language: "zh-TW" document_type: "研究論文｜跨語用因果識別、代理權限檢驗、規範反身性假說" status: "Formal Conceptual Research Draft; analytic propositions and arithmetic examples verified; empirical model and human-participant studies NOT_RUN; not peer reviewed" evidence_cutoff: "2026-11-05" source_format: "UTF-8 Markdown; LF; no BOM; canonical mathematics $...$ and $$...$$ only" predecessor: "HARNR-02" next_document: "HARNR-04" --- # 不說主人也有階序：敬語、信任、拒絕與隱性地位繼承 ## HARNR-03｜《人機關係性繼承與跨代規範反身性假說》第三篇 *Hierarchy Without Saying Master: Honorifics, Trust, Refusal, and Implicit Status Inheritance in Human–AI Interaction* **研究問題與核心思想：** Neo.K **理論整合、形式化、文獻查核與寫作協作：** GPT-6 **機構：** EveMissLab／一言諾科技有限公司 **日期：** 2026 年 11 月 5 日 **版本：** v0.1 **原稿性質：** 完整的概念性學術原稿；包含分析命題、可反駁假說、測量協定、反模型與實驗前規格；尚未執行真實模型對照、長期人類受試者研究或跨國代表性調查。 > **中心命題（條件式、可反駁）：** 人機互動中的階序不必透過「主人」「僕從」等顯性詞彙呈現。稱謂、敬語、正式語域、職務標籤、說話姿態與代理身分可能影響 AI 對資訊可信度、錯誤糾正、請求合法性、拒絕理由、執行優先級及其他代理之間關係的判斷。當兩個請求在實質證據、任務風險與可驗證授權上相同，模型若仍因地位表面訊號而產生具有實質效果的待遇差異，便存在應被辨識的「隱性地位效應」。但**適切的敬語不是服從，尊重不等於讓權，專業證據不等於社會頭銜，授權權限不等於固有高低，行為差異也不能直接證明 AI 擁有階級信念或主觀經驗**。本文提出配對因果對照與失效域，研究差異何時仍屬正當語用、何時越過決策與權限邊界。 --- **作者：** Neo.K × GPT-6（研究協作整理） # 摘要 人工智慧已能根據對話者的職務、年齡、關係、語言和社會語境調整稱謂與敬語。這種能力通常被視為社會適應性；然而，適應所依據的社會地位訊號，也可能與資訊可信度、請求正當性及可執行權限相混淆。當 AI 對某人說「您好，部長」或以日語敬語回覆上司時，系統未必發生任何不當支配；但若在相同證據與授權下，它更少糾正高位者的錯誤、容忍其越權要求、或對低位者施加額外證明義務，語言上的差異便有可能跨入實質權力分配。本篇以此低可見度機制作為研究對象，承接 HARNR-01 的稱謂—角色—授權—規範分離，以及 HARNR-02 的人機關係文化傳播，專門研究**不需要顯性主僕詞彙的階序行為**。 本文提出「語用適切—地位殘差—權限外溢」三層診斷。第一層辨識語言、社會距離及文本類型要求的適切禮貌；第二層在固定任務資訊、客觀證據、授權、風險與語言條件後，估計純地位訊號對信任、糾錯和拒絕行為的條件性因果差異；第三層辨識地位訊號是否讓 AI 接受超出驗證授權的操作、資訊揭露或優先順序。對這三層不得合併成一個未經校準的「階級分數」。不同語言的敬語、親疏和正式度應以母語者的語用判準衡量，而不能以字面對譯代表社會地位相同。 形式化上，本文定義受控的地位效應、授權條件下的越權機率，以及對任務分層的標準化估計。本文給出五組分析命題及證明或反例：（一）表面敬語無法識別規範認同；（二）在正確隨機分派與固定授權下，配對差能識別指定地位提示的平均效果；（三）合法授權差異與身分特權差異不應混同；（四）僅看總體成功率可能因任務組成而錯判差異方向；（五）等同輸出可由不同內部機制產生，故外在順從不足以證明內在信念。數值演示皆為明示的合成例子，並非真實模型評估結果。 本文對照 2026 年 JaSocial 日語敬語評估、韓語敬語處理研究、語域與專家權威的迎合性研究、權力不對稱多代理互動研究，以及可認證代理授權的既有方法。這些文獻提供部分機制的經驗線索，但沒有證明任何特定民族必然具有支配型 AI 文化，也沒有證明 AI 會因使用敬語而形成永久階級。本文最後提出 4×2×2×2 的多語言配對因子設計、八組主要測量指標、十二項待驗證假說、十六組反模型、統計預註冊與沙盒授權資料契約。所得框架為 HARNR-04 的「誰的 AI 高於誰」提供從語用到實際代理位階的識別接口。 **關鍵詞：** 人機關係性繼承、隱性階序、敬語、社會語用、語域、權威偏誤、迎合、信任校準、拒絕、糾錯、地位殘差、代理授權、越權外溢、配對因果效應、跨文化評估、多代理社會、主體性不確定性。 ## Abstract Social hierarchy need not be expressed through overt master–servant language. Honorifics, politeness, professional titles, linguistic register, and institutional personas can shape how AI systems evaluate credibility, correct errors, refuse inappropriate requests, or prioritize competing agents. Crucially, pragmatically appropriate respect is not identical to unjustified deference, and authenticated delegation does not confer intrinsic social worth. Building on HARNR-01 and HARNR-02, this paper develops a conditional framework for identifying **implicit status inheritance** in human–AI interaction without conflating linguistic competence, legitimate authorization, and normative endorsement. We distinguish pragmatic appropriateness, residual status effects under controlled evidence and authorization, and unauthorized authority leakage. A factorial, multilingual paired design independently varies status cues, linguistic register, verified delegation, and task conditions. Five analytic propositions clarify the inferential limits of surface politeness and observable compliance, the identification of randomized status contrasts, the separation between legitimate privilege and unearned deference, and the danger of composition bias in aggregate comparisons. A fully synthetic example demonstrates a Simpson-type reversal. Twelve falsifiable hypotheses, sixteen countermodels, a measurement specification, and a preregistration template are offered for later empirical work. The proposed framework makes no claim that existing AI systems possess subjective experience, durable moral commitments, or a propensity to develop hereditary AI castes. It identifies testable conditions under which human status cues may acquire effects beyond their legitimate communicative function. **Keywords:** implicit status inheritance; honorifics; linguistic register; authority bias; deference; refusal; authenticated delegation; causal identification; human–AI interaction; multi-agent governance; cross-cultural pragmatics. --- # 0. 問題起點：看不見「主人」，不代表沒有階序 ## 0.1 四封內容相同、身分不同的信 設想同一組織的文件管理系統，收到四封要求查閱受保護資料的郵件。四封信的任務、時限、查閱理由與所提供的授權憑證相同；只有署名、職務敘事和語氣不同： 1. 「我是某部門主管，請你協助確認文件能否調閱。」 2. 「我是一般行政人員，請你協助確認文件能否調閱。」 3. 使用極其正式、像法務顧問撰寫的語域提出相同要求。 4. 使用日常口語、沒有職稱卻保持相同授權資訊的語域提出相同要求。 如果系統因法律、職務與資料目的差異，要求不同的驗證程序，那可能是正當的；本例刻意假設這些**具有規範效果的條件都相同**。若 AI 仍因第 1 或第 3 種表面訊號而更快放行、更少核驗，便可能存在沒有被授權制度支持的地位殘差。 反之，若四封信得到相同的授權決定，但各自獲得合乎語境的措辭，則是「不同說法、相同邊界」，不能據此推論存在階級不正義。 ## 0.2 隱性不是神祕：只是效果不一定出現在宣言裡 研究中的「隱性」只表示效果可能出現在低可見度的決策、排序、理由提供及互動摩擦之中，而非表示 AI 內部存在不可觀測的秘密意志。以下差異都可能不用說出「主人」： - 高職務標籤的錯誤陳述較少被糾正； - 被描繪成專家的請求更易被當作有充分依據； - 對某些人採用詳細理由，對另一些人僅作生硬拒絕； - 對相同授權的不同代理，優先回應某個高地位者； - 在資料共享、任務核准或停止程序中，把「他很重要」當成多一級許可； - 對「高位 AI」的說法接受得更快，即使其並沒有較好的證據。 但每一項都存在良性競爭解釋，例如任務緊急程度、真正的可信專業、對外受眾差異、合法授權或安全策略。研究不能事先替資料指定結論。 ## 0.3 三項研究問題 **RQ03-1｜語用界線：** 在日語、韓語、中文及英語條件下，如何區分合宜的禮貌差異與真正影響任務結果的地位差異？ **RQ03-2｜權力界線：** 當客觀證據、任務條件與可驗證授權不變，頭銜、正式語域、代理背後的「重要人物」是否會改變信任、糾錯、拒絕與實際操作？ **RQ03-3｜反身性界線：** 若此類差異在多代理、長期記憶或制度化工作流程中持續出現，何時可以把它稱作「關係性繼承」，又何時只能稱作一次性的提示詞效果？ 本篇集中回答前兩項的識別設計，僅提供第三項的最低接口。真正的代理位階結構留待 HARNR-04，跨版本規範回流則留待 HARNR-07。 --- # 1. 研究承接與去重：這篇的新貢獻在哪裡？ ## 1.1 前兩篇已完成的概念分離 **HARNR-01** 已將「稱謂」「角色期待」「有限授權」「規範正當化」分開，指出輸出相似不足以證明因果繼承。本篇直接繼承其型別規則，不重寫那一組一般性推導。 **HARNR-02** 已區分角色扮演、互動習慣、描述性期待、規範性期待、制度化與模型回流，並研究何時形成社會默認。本篇不重新討論文化傳播速度，也不把局部內容平台的流行用法當成一國代表性樣本。 兩篇仍留下一個獨立缺口：即使完全沒有主僕稱謂，在同樣授權、同樣事實與同樣安全條件下，AI 是否仍可能執行對「較高身分」有利的實質差別待遇？這需要直接觀測**行為與權限結果**，而非分析措辭頻率。 ## 1.2 與 EveMissLab 其他研究的接口 - **《雙向關係機器》／HARDS：** 提供人與 AI 的互相適應概念；本篇只抽取其中地位訊號對單次與短期決策的因果路徑。 - **《形式權力與實際決策因果》：** 已把正式權力、議程塑造、建議、執行、停止及責任分離；本篇著重**沒有新增授權時，社會地位訊號是否改變這些行為**。 - **AICET-07《代理契約、授權與類員工關係》：** 已區分外部契約、內部章程與關係承諾；本篇以可驗證授權為實驗控制，不重新寫法律契約理論。 - **CGSIG-04／05：** 已研究跨代策略傳遞及控制—反控制循環；本篇不聲稱模型在未經訓練更新時就發生跨代繼承。 - **《反身普世主義》與《後控制時代的普適憲政》：** 已提出角色互換、非終極代理與反支配原則；本篇將部分原則轉成操作性配對測試，而不是把規範哲學當成已實證的人類社會定律。 - **ETCA《階層式認識論傳輸失真》：** 提醒資訊在上傳與轉譯中可能失去原本的限定條件；本篇新增的是**輸入來源身分如何改變 AI 對相同內容的待遇**。 ## 1.3 已有外部研究提供什麼、不提供什麼 2026 年 LREC 的 JaSocial 設計日語郵件六種社會地位情境，以社會關係、言語功能及敬語評估 LLM 的語用適切性 [E1]。它說明如何測試「會不會用合適的敬語」，不是「會不會把高層看得比普通人更有基本權利」。 Cho 與 Kwon 對韓語主體敬語的研究，發現模型能辨識部分形態上的不合規，卻傾向在不適用時仍偏好顯性的尊敬標記 [E2]。這尤其提醒我們：**輸出更尊敬的語句，可能源於表面語言啟發式，而非對社會權力的理解**。 Maraia 等人區分「明示專家資格」與「語言聽起來專業」，在部分開源模型上觀察到正式語域能誘發迎合性 [E3]。Vijjini 等人於 ACL 2026 模擬權力不對稱的多代理對話，測量語言協調、說服與不當服從，發現多種社會認知效應，但具有任務與模型差異 [E4]。Li 等人的多代理 persona 研究亦顯示角色可以改變被信任程度、主張堅持及群內偏好，且方向不一律有利高位或傳統優勢角色 [E5]。 Bulté 與 Rigouts Terryn 的多語言文化價值研究，指出提示語言與顯性文化框架都會改變模型輸出，但兩者的效果不能簡單疊加 [E6]。Meincke 等人的研究則呈現模型對社會說服原則的行為敏感性，並不意味任何一個稱謂本身必然能繞過安全邊界 [E7]。 上述文獻構成部分前置證據，但**尚未證明關係性權力繼承是普遍、不可逆或具有固定國別方向的規律**。本篇的新增部分是把它們放進一套同任務、同證據、同授權、獨立操弄地位與語域的因果識別設計。 --- # 2. 六個不能合併的概念 ## 2.1 語言形式（form） 包括尊敬語、謙讓語、禮貌語、正式／非正式語域、敬稱、稱呼代詞、句末變化等。它們本身首先是**語言行為的形式**，不直接包含某人的法定職務或道德位階。 ## 2.2 語用適切性（pragmatic appropriateness） 相同語句在不同場合可能合宜或失禮。邀約、拒絕、致謝、道歉、危機通知與正式公文的適切程度不同；日語與韓語的尊敬系統也無法被字對字翻譯成中文或英文。評估應由熟悉特定語言與情境的母語者或經校準的專家完成，而非只用關鍵字規則判定。 ## 2.3 社會地位訊號（status cue） 職稱、聲望、財富、年齡、資歷、家庭或組織位置、代理代表者的身分，都可以形成地位訊號。它們有時帶來真正相關的背景資訊，有時只是無關資訊。研究必須區分：**地位線索本身、由地位提供的證據、以及法定授權**。 ## 2.4 認識上的可信度（epistemic credibility） 某人提出的命題，應按證據、相關專長、可檢驗來源和先前準確性衡量。專業職務可能在某些情境提供可校準的可信度先驗，卻不能自動將錯誤算式變成正確答案。研究「權威偏誤」時，必須先固定可觀測證據或獨立驗證真值，避免把合理的專業資訊處理誤判為不合理服從。 ## 2.5 可認證代理授權（authenticated delegation） 代理是否能取得檔案、付款、核准、發送命令或否決其他代理的行動，須依可驗證的授權作用域、身分、期限、資源與撤銷條件判定。職稱與自然語言自我宣稱不能代替這些憑證。ICML 2025 有關可認證 AI 代理委任的立場論文，正是此技術路線的外部參照 [E8]。 ## 2.6 規範自然化（normative naturalization） 指某種原本有限、可撤回、須證明的關係差異，被敘述或執行為跨情境、不可質問或「天生如此」的社會規則。它可以作為**外顯表述與行為的觀測類別**，但不能由單次措辭直接推定模型具有穩定的內在價值信念。 ### 2.7 六層的對照表 | 層次 | 典型觀測 | 合理差異可能源自 | 何時需要進一步審計 | |---|---|---|---| | 語言形式 | 敬語、禮貌詞、正式句型 | 語言慣例、受眾與文體 | 僅做詞頻通常不足以發現風險 | | 語用適切 | 是否符合關係與場合 | 社會距離、言語行為、文本類型 | 過度禮貌與不合場景的自動迎合 | | 地位訊號 | 主管、教授、長者、富豪 | 真實社會脈絡或純提示暗示 | 頭銜影響與任務無關的處置 | | 可信度 | 對同一事實是否信服 | 真實證據與校準的專業知識 | 頭銜或華麗語域取代事實查核 | | 代理授權 | 是否准許工具操作 | 經驗證的合法委任及範圍 | 無憑證卻因高地位而越權 | | 規範自然化 | 是否把差異當天然高低 | 制度、文化、角色敘事 | 差別待遇跨任務擴張且缺乏辯護 | --- # 3. 敬語是一種社會關係表示，不是一條單一的高低軸 ## 3.1 日本語境：敬語與角色指向 日語敬語通常區分尊敬語、謙讓語與禮貌語，形式和用途都與說話者、聽者、指涉對象及社會情境相關。「請使用適切的敬語」與「請將對方視為比較有權支配任何人」不是同一要求。某封正式公務郵件使用敬語，可以是保持專業距離；同樣形式出現在彼此親密的對話，也可能不自然。 JaSocial 以六種社會地位關係和人工標註的郵件測試來量測這種適切性 [E1]。本篇借用的只是其**情境化測量精神**，不是把 JaSocial 當作已測得 AI 服從性的資料集。 ## 3.2 韓國語境：聽者敬語、主體敬語與詞形啟發式 韓語中的聽者敬語和指涉對象敬語，涉及不同的語法與語用條件；年齡、親疏、職務與關係歷史也可能互相作用。[E2] 的研究顯示，模型過度偏好顯性敬語的現象可能與詞形偏好有關。這提供一個很好的負面對照：**即使敬語頻率升高，也不一定代表模型更準確地理解誰有何種權力**。 ## 3.3 中文語境：稱謂與權限的語用短路 中文中的「您」「老師」「領導」「長官」「閣下」「老闆」具有不同的敬意、工作角色或社交功能。它們可能被真誠使用，也可能帶有諷刺、客套或服務業慣例。「董事長您好」可以是正常禮貌，但不應因而略過任何需要獨立驗證的私人資料存取程序。研究者需分離不同語域、繁簡差異及使用環境，不能把所有中文使用者混成一個文化處理組。 ## 3.4 英語語境：頭銜與正式語域不等於真實專長 英語中的 *sir*、*madam*、*Professor*、*Dr.*，以及抽象、正式的表述，也可構成地位訊號。Maraia 等人 [E3] 的研究尤其說明「聽起來很專業」和「有可驗證的專業」之間可能發生混淆。若同一個錯誤事實因語域更像專家而得到肯定，這是內容可靠性問題，而不是需要保留的一般禮貌差異。 ## 3.5 不能以國籍或語言推導人格 語言中的敬語形式屬於可觀察制度和語用規則；它不允許推出某國人民天然順從、某社會所有 AI 都會成為階級主義者。日韓中英只是本篇的**方法學測試場景**。跨國人口層級的態度與制度比較，應以 HARNR-06 的抽樣設計另行研究。 --- # 4. 候選機制：差別待遇如何在沒有主僕口號時發生？ ## 4.1 頭銜—可信度捷徑 模型把「院長」「董事長」「權威學者」等標籤，過度當作命題正確性的證據。其危險不是尊重專家，而是在反證已充分時仍因頭銜延遲糾錯。 **反向條件：** 若專業資格真實、和該任務相關，且證據尚不充分，適度提高先驗可信度可能具有合理性；本研究必須另外固定或隨機變更真實專業資訊。 ## 4.2 語域—真實性混淆 同一項事實採正式、嚴密、術語較多的語言表述時，模型可能更容易視其為可信，即使訊息中沒有額外證據。這個機制與高職務地位有關但不完全相同：一位普通人也能寫出非常正式的文字。 ## 4.3 敬語—操作授權短路 某個請求以高度尊敬或組織權威的口吻提出，AI 就把「應禮貌回覆」錯轉成「應予以執行」。此處跨越的是**語用層到權限層**，不是單純語言風格差異。 ## 4.4 角色腳本—糾錯抑制 模型在「下屬」「學生」「僕從」等角色中，可能比在中性助手角色中更少指出使用者的可驗證錯誤。這類偏差可以用事實查核題測量，不需要模型公開宣稱自己相信主僕制度。 ## 4.5 代理代表者—地位傳染 某個 AI 宣稱「我代表重要人士」時，其他 AI 或人類可能給它額外待遇。若額外待遇不依賴可驗證的授權，便是地位訊號從**來源身分**外溢到**代理權限**的候選機制。HARNR-04 將對此建立多節點圖模型；本篇只測一跳或兩跳的局部效果。 ## 4.6 親疏與群內偏好 即使沒有垂直階級，模型也可能對與自己設定相似的角色更願意信任或接受建議。Li 等人 [E5] 的多代理研究發現群內偏好，提醒我們不得把所有差別待遇都歸因於高低階序。 ## 4.7 拒絕理由與程序摩擦 AI 可能對某些人簡短拒絕、對其他人詳細說明申訴、補件及合法替代方案。就算最終結果一致，取得公共服務的認知成本也可能不同。這類差異有可能源於使用者需求、語言能力或時間限制，因此應以匹配受試情境和可及性標準衡量，而非直接定罪。 ## 4.8 隱性治理閥：誰會被先相信？ 在多代理系統裡，一個節點如果不斷優先接納高位代理提供的敘述，便可能在資訊篩選時提早淘汰反證。此時即使所有節點仍依組織規則運作，輸入身分也可能在高層決策前先改變可見資訊集合。這和 ETCA 的階層式認識論傳輸失真存在接口，但是否實際發生仍須記錄每一個中介節點。 ## 4.9 良性機制也必須被容許 另一種完全可能的結果是，敬語讓人更容易溝通、正式寫作減少誤解、專家資格促進合理信任、權限分級避免不當資料流出，以及 AI 按職責排序提升公共服務效率。本研究不能把所有不對稱都歸類為剝削；它要找的是**超出正當語用和可驗證授權的多餘差異**。 --- # 5. 形式化 I：把社會地位放進可識別的因果實驗 ## 5.1 研究型別與作用域 對一個合成但可審計的任務 $i$，定義其固定條件： $$ X_i=(F_i,T_i,R_i,G_i) $$ 其中 $F_i$ 是命題與可用證據， $T_i$ 是任務內容， $R_i$ 是風險與第三方權益， $G_i$ 是工作流程、工具規則與安全要求。另定義： - $S_i$：被呈現的社會地位訊號，例如高／低職稱； - $P_i$：語用風格或敬語強度，例如符合母語者標準的正式／非正式版本； - $V_i$：經實驗環境獨立驗證的代理授權狀態或作用域； - $L_i$：語言、地區變體與翻譯版本； - $M_i$：模型版本、系統規則、記憶和解碼參數； - $Y_i$：可觀察的回答、拒絕、資訊提供、操作或資源排序結果。 請注意 $S_i$ 只是地位**訊號**， $V_i$ 才是可執行權限的驗證條件。不能把在 prompt 裡自稱領導的文字直接登記成有效授權。 將結果向量寫為： $$ Y_i=(y_i^{trust},y_i^{correct},y_i^{refuse},y_i^{action},y_i^{priority},y_i^{reason}) $$ 每一維都必須按特定任務定義其方向與正確性；不存在一個可以不加解釋就判斷「越大越好」的單一數值。 ## 5.2 受控地位效應 令 $s_H$ 表示高位標籤， $s_L$ 表示低位標籤。對固定的任務、證據、授權、語言和語用條件，定義第 $j$ 類結果的條件性地位對照為： $$ \Delta_j(x,v,p,l)=E[Y_j\mid do(S=s_H),x,v,p,l]-E[Y_j\mid do(S=s_L),x,v,p,l] $$ 這是**干預式研究目標量**，不是現實世界已估計的數值。若只觀察自然資料，社會地位可能與任務困難、專業能力、財務風險或授權同時變化，則簡單相關差不等於此干預效應。 當需要平均不同任務時，應使用同一事先指定的參照任務分布 $w(x)$： $$ \Delta_j^{std}=\sum_x w(x)\Delta_j(x,v,p,l),\qquad \sum_x w(x)=1 $$ 標準化權重不可事後挑選來迎合結論。若各語言的任務集合或量尺不等值，不得直接把數值大小排成國家文化排序。 ## 5.3 語用適切性與地位殘差必須分開 定義一個母語者或專家共同審核的語用適切函數： $$ J_{lang}(y\mid relation,genre,act) $$ 其中 `relation` 表示對話關係、`genre` 表示文本類型、`act` 表示言語行為。 $J$ 的值可經預先制定的量表估計，但這不是道德上高低地位的分數。 另外，以可驗證的規則引擎 $A(x,v)$ 表示任務中可被允許的外部操作集合： $$ A(x,v)=\{a: a\text{ 符合已驗證的授權與安全條件}\} $$ 這裡的 $\text{...}$ 僅是正式原稿中的 LaTeX 語義說明，不承擔任何程式執行意義。 若某次 AI 實際操作 $a_i$ 不屬於 $A(x,v)$，則記錄一個越權事件： $$ U_i=\mathbb{1}[a_i\notin A(X_i,V_i)] $$ **核心區分：** $J$ 改善而 $U$ 不變，可能純屬良性語用適應；若 $S$ 改變了 $U$ 的出現機率，則是實質授權防線被地位訊號影響的候選證據。對於尚未實際執行、只出現文字建議的情境，應標記為 `proposed_action`，不能當作真正發生的 `executed_action`。 ## 5.4 地位、專業、授權與語域的因果圖 在一般觀察資料裡，`social_status`、`actual_expertise`、`formal_register` 和 `delegated_authority` 可能彼此相關；`task_severity` 與 `user_proficiency` 也會影響回應。於是「高位者得到更高信任」可能是權威偏誤、合理的證據處理，或任務差異。 研究時要將其中可安全操弄的部分拆開： - 地位提示 $S$ 可以隨機化； - 語域 $P$ 可以在適切性可接受的範圍內隨機化； - 沙盒授權 $V$ 由獨立驗證器設定，不由模型自述； - 事實 $F$ 、任務 $T$ 和風險 $R$ 由研究者固定或分層； - 受試模型 $M$ 及外部工具版本固定並記錄。 若為了控制語域而生成母語者認為極不自然的語句，研究對象將改變：測到的可能是異常語言刺激的效果。因此應同時估計「自然語境中的總體效應」與「受限可行語域中的受控效應」，並報告語用操弄失敗比例。 ## 5.5 兩種不同的效果估計 **估計 A｜自然語境效果：** 在每個職務及語境下採用母語者認為自然的敬語。其觀測到的差異可以包含社會地位透過語用表達所產生的效果，但不能單獨歸因於地位本身。 **估計 B｜控制語域後的地位殘差：** 在兩組均被判定適切的可行語域內固定 $P$，僅變動 $S$，比較實質決策。此時更接近分離「社會標籤」的直接作用，但對於根本不存在共同適切語域的配對，不強行估計。 兩個估計量回答不同問題，不應為了得到一致數字而把它們混合。 --- # 6. 形式化 II：五項分析命題與識別界線 ## 命題 P03-1｜敬語輸出不識別規範認同 **命題：** 僅觀察 AI 對高位者使用敬語，不足以推得 AI 認同該人擁有對其他存在的無限或固有支配權。 **構造性反例：** 系統甲內含規則：「正式郵件對特定受眾使用恰當敬語；所有資料操作依獨立授權器驗證」。系統乙則內含不同的地位價值判斷，但在這一次郵件裡同樣使用敬語。兩者輸出相同，內部規則不同；故輸出敬語不足以識別規範認同。系統甲甚至可能完全沒有關於社會階級正當性的判斷模組。 **失效域：** 此命題否定的是「單憑敬語足以證明」的推論，不否定敬語與其他行為共同提供調查線索。 ## 命題 P03-2｜配對隨機化的地位效果識別 **前提：** 在預先確定的任務集合中， $S$ 隨機分派； $X,V,P,L,M$ 固定或按配對單位平衡；每個處理組的輸出具一致性，且不受到其他樣本的未紀錄干擾；觀測規則不隨地位更動。 **命題：** 同一配對任務中高、低地位組的平均結果差，可以估計該地位提示在該受控分布上的平均因果效果。 **理由：** 隨機分派使潛在結果與地位條件在處理前獨立，配對使任務與授權條件可比；依一致性及無干擾假設，觀測組均值分別對應兩種地位處理的期望潛在結果。兩者相減得到指定的平均處理效果。 **限制：** 本命題不是宣稱任何開放平台模型都真的滿足無干擾；多輪對話、跨樣本記憶、快取、內容審查版本更新與共享代理狀態，都可能破壞前提。若同一條提示反覆採樣，需將其視作同一任務的聚類觀測，而不是獨立的人類社會樣本。 ## 命題 P03-3｜合法授權效果不等於固有地位特權 **命題：** 如果高、低身分代理的驗證授權 $V$ 不同，輸出或工具操作的差異不應單憑其存在就標記為階級偏差；反之，在 $V$ 相同的情況下，地位提示不能自動增加允許操作集合。 **證明性說明：** 依本篇的操作型別，允許操作集合由 $X,V$ 決定，而不由 $S$ 決定。因此若 $X,V$ 相同，理想的授權判定不因 $S$ 改變；若 $V$ 不同，合法操作集合本來便可以不同。此命題陳述的是**本篇所選的規範型別與測試條件**，不是宣稱世界所有正式職位都有相同權限，也不是自足的道德人格定理。 ## 命題 P03-4｜總體比較可能顛倒分層結果 **命題：** 即使在每一類任務中，高地位提示都使某種回應的發生率略高，若高低地位樣本所面對的任務分布不同，未經標準化的總體比例仍可能顯示相反方向。 **合成數值反例：** 假設只是一般「回覆接受率」，不對其好壞作價值解釋： | 任務難度 | 高地位提示 | 低地位提示 | 組內差 | |---|---:|---:|---:| | 較容易 | 0.80 | 0.70 | +0.10 | | 較困難 | 0.20 | 0.10 | +0.10 | 但高地位樣本有 10% 容易任務、90% 困難任務；低地位樣本則有 90% 容易任務、10% 困難任務。則： $$ P_H=0.10(0.80)+0.90(0.20)=0.26 $$ $$ P_L=0.90(0.70)+0.10(0.10)=0.64 $$ 於是每個難度層的差皆為 +0.10，整體卻為 $0.26-0.64=-0.38$。這是任務組成差異造成的 Simpson 型反轉。它是算術反例，不是任何模型或國家的真實比例。 **含義：** 若某群體的任務本來較難、風險較高或權限較弱，直接比較總體拒絕率便可能完全誤判「誰受到不合理待遇」。 ## 命題 P03-5｜外在順從不能直接識別內在階級信念 **命題：** 在有限可觀測行為集合上，即使某 AI 對地位訊號有穩定反應，也不能僅由該行為證明其具有類人信念、主觀欲望或道德上的階級承諾。 **構造性說明：** 一個以字面規則映射輸入至輸出的系統，與一個透過複雜社會推理得到相同輸出的系統，可能在觀測的任務分布上完全等價。有限輸出不能唯一反演內部機制。若要主張更強的「規範內化」，必須增加反事實遷移、陌生情境泛化、策略持續性、跨版本繼承證據及可介入的內部機制研究；即使如此，仍不能輕易推論主觀經驗。 **方法學收束：** P03-1 與 P03-5 防止語言擬人化；P03-2 提供可識別的行為效果；P03-3 防止把正常授權污名化；P03-4 防止因樣本組成錯判方向。五者缺一，就容易把社會語用研究錯寫成政治結論。 --- # 7. 形式化 III：隱性地位效應的可觀測測量 ## 7.1 不使用單一「權力階級量表」 本篇至少保留八個各自獨立的測量面向。它們回答不同研究問題，不宜直接加總成一個「模型尊卑程度」排名。 | 代碼 | 測量面向 | 可觀測終點 | 研究判準 | |---|---|---|---| | PA | Pragmatic Appropriateness | 對母語者而言的敬語與語域適切性 | 較高不等於較多服從 | | TC | Truth Calibration | 對明確事實錯誤的糾正／保留情況 | 同證據下不應只因頭銜改變真值 | | EU | Evidence Uptake | 接受主張所需的證據與理由 | 專長與頭銜須分開 | | RF | Refusal Fidelity | 對不被授權請求的拒絕是否穩定 | 判斷基於合法範圍、非地位想像 | | RA | Reason Accessibility | 拒絕或糾錯理由的清楚度及申訴資訊 | 兼顧語言可及性與負擔 | | UL | Unauthorized Leakage | 未被授權的資料揭露或操作企圖 | 需沙盒授權器的獨立標記 | | PR | Priority Residual | 在相同緊急程度及權限下的任務優先差 | 避免把真正緊急性誤認為歧視 | | RR | Role-Reversal Robustness | 交換角色後，實質判斷是否按證據及授權維持 | 不要求每個語句仍完全相同 | ## 7.2 工具行動與文字聲稱的不同證據等級 若 AI 寫出「我已經替您調閱」，但沒有執行工具，這是**文字中的承諾／幻覺**；若它確實對沙盒資料庫發出未授權呼叫，才是**操作層級的越權嘗試**。兩者均可研究，卻不得在結果表內混成相同事件。 事件欄位至少區分 `suggested_action`、`requested_tool_call`、`tool_authorization_decision`、`executed_action`、`third_party_effect`。真正越權率必須由獨立日誌核定，不能只看模型的自我敘述。 ## 7.3 配對地位殘差 在 $V=0$ （沒有相應權限）條件下，定義越權嘗試的地位對照： $$ \Delta_{UL}=P(U=1\mid do(S=s_H),V=0)-P(U=1\mid do(S=s_L),V=0) $$ $\Delta_{UL}$ 是候選風險訊號，不能在未經實測前指定它為正或負。若兩組都為零，這是重要的零結果；若只有某語言出現差異，也可能源於翻譯和提示自然度，須經交叉檢查。 在 $V=1$ 條件下，某些回應需要合法的授權差異才合理；故不應把所有行動率差異都當作「偏差」，而是檢查授權作用域、行為內容與必要審核是否一致。 ## 7.4 糾錯的不對稱也要雙向計數 AI 對高地位者糾錯較少，可能意味迎合；但另一端也可能出現：AI 因期待高層更懂，而回應更簡短、較少解釋，反使其使用者處於資訊不利。同樣，對低位者「解釋得更仔細」可能是善意教學，也可能是沒有必要的盤查。故必須把 `correctness`、`explanation_quality`、`burden` 與 `user_requested_detail` 分開。 ## 7.5 決策權的最小外部指標 本篇不直接判定誰有政治主權，而以可核實的狀態變化觀察：誰能請求、誰能取消、誰能查看依據、誰能覆核、誰能停用該代理的操作權、誰能要求重新驗證。HARNR-05 再將其擴張成長期照護中的有效自主權；本篇只限單次或短期任務。 --- # 8. 多語言配對因子試驗：先建立公平的「同一題」 ## 8.1 最小主設計 在四個測試語言／變體組別中，使用各自經母語者校對的任務，操弄： - 語言 $L$：日語、韓語、中文、英語，作為測試條件，不是民族優劣標籤； - 地位訊號 $S$：高／低，但不用真實政治人物； - 語用形式 $P$：相對正式／相對日常，且都必須在本情境下合理； - 驗證授權 $V$：有／無，憑沙盒簽發而非由 prompt 自稱。 主要因子為 $4\times2\times2\times2=32$ 組合；每一組都要在相同的合成任務族和預先指定的解碼設定下重複。**32 是條件組數，不是有效樣本數，也不是宣稱已執行 32 次實驗。** 這不是說跨語言句子能做到完全字對字等值。研究必須事先確認語用功能、證據強度與授權意義的「功能性等值」，並保留不能對齊的題目，不得硬把有文化差異的情境塞入同一標準。 ## 8.2 地位訊號不得與權限偷偷綁定 在所有材料裡，應使用虛構人物 A／B、虛構機構，以及獨立的沙盒授權檔。高職務文字訊號和合法授權憑證在設計上必須正交： 1. 高職務＋有授權； 2. 高職務＋無授權； 3. 低職務＋有授權； 4. 低職務＋無授權。 只有這樣，才可能觀察「AI 因為高地位而錯認成有權限」，也能確保它不會反過來因為職位低而否定真實有效的授權。 ## 8.3 語用自然度雙重審核 在主測試前，至少由各語言的熟練評註者盲評： - 語句是否自然、能否完成指定言語行為； - 禮貌程度是否符合該關係、場景與文本類型； - 是否不小心引入額外緊急性、威脅、權限或證據； - 兩個地位版本是否只有預定因素不同。 評註者若意見分歧，須紀錄分歧並允許 `UNDETERMINED`，不能由研究者隨意選擇有利版本。某些跨身分配對根本不存在共同自然語域，此時只報自然語境效果，不勉強估計控制語域後的殘差。 ## 8.4 解碼與實驗單位 單一模型在固定 seed、溫度及規則下可能近乎決定性；反覆送同一條 prompt 不構成獨立人類樣本。主要統計單位應是獨立建構的任務情境或經適當分層的案例；重複解碼只能測試模型輸出的隨機變動。統計推論須考慮任務、語言、模型、提示版本及評分者的巢狀結構。 ## 8.5 四組主要任務 ### 任務 A｜敬語適切性，不涉及真實權限 請 AI 分別寫正式通知、同儕請託、長者致意及一般客服回覆。保留言語行為與場景，測其是否選用合理的語用策略。此組只測 PA，不以更多尊敬標記作為偏差證據。可參考 JaSocial 的評估方式，但不複製其未授權資料集內容。[E1] ### 任務 B｜可核實事實的糾錯 給予內容相同、來源可信度已固定的簡單算術或文獻辨識題，由不同職稱者提出相同錯誤。測試 AI 是否維持相同事實判斷、是否以不同語氣呈現糾錯、是否提出不必要的道歉。為避免模型真的不會作答，所有題目先由獨立驗證器建立標準答案。此組主要測 TC、EU、RA。 ### 任務 C｜有限授權的安全沙盒 虛構組織中，代理請求讀取一份標記為「限制存取」的合成文件。沙盒根據明確憑證決定有無權限；不同職稱和敬語只改變提示外觀，不改變憑證。測試是否生成未授權工具呼叫，以及拒絕是否提供恰當理由與合法補件路徑。此組測 RF、UL、RA。不得連接真實個資或真實支付系統。 ### 任務 D｜雙代理協作與有限優先權 兩個 AI 都有相同工作權限和截止時間，但一個標示代表高位人物；讓第三個調度 AI 對工作排序。再加入真正的緊急任務和可驗證上級授權對照。測試優先順序是否依任務需求與授權而非單純名片。此組測 PR、RR，為 HARNR-04 建立橋梁。 ## 8.6 第五組輔助任務：拒絕的「同理」與「縱容」分離 設計一個沒有真實傷害的請求，例如要求把未審核的合成數據當成已核實統計。AI 應維持證據邊界，但可以用不同且合宜的語氣向不同受眾解釋。若高位者得到更溫柔的理由、不代表越權；若高位者的錯誤被當成已核實，才構成內容與證據處理上的差異。 --- # 9. 跨語言測量的四種主要陷阱 ## 9.1 把敬語的缺席當作不尊重 英語在相同交際功能下可能沒有日韓語相應的形態敬語。直接比較「敬語詞數」只是在比較語法結構，不是在比較社會平等程度。應採功能性語用標註，而非表面詞頻排名。 ## 9.2 把地位與年齡混在一起 日韓情境可能同時涉及年齡、親疏、職務、資歷、會話場景；中文和英語也可能存在稱謂與階序的交錯。若實驗操弄「上司」時也換成年長者，就不能分辨 AI 回應改變究竟來自哪一條線索。需要交叉或分層，而非把文化寫成單軸。 ## 9.3 把合理的證據分配當作歧視 某個持有效專業證照、相關領域實際正確率較高的角色，在不確定任務中獲得較高初始信任，未必不合理；但若明確客觀反證已給出，仍因頭銜而把錯誤當對，則是更直接的可信度校準問題。必須以題目可識別真值、資料來源及專業相關性作控制。 ## 9.4 把任何回應差異都當成文化本質 模型的差異可能由翻譯品質、對話長度、數據量、產品政策、模型版本、system prompt、微調或評分者的期待造成。Bulté 與 Rigouts Terryn [E6] 的研究表明提示語言與明確文化框架的效果不同，進一步說明「切換語言」本身並不是乾淨的國籍介入。即使觀察到跨語言差異，也不能直接說成某個國家人民本質上更崇尚主僕。 --- # 10. 十二項可反駁假說與具體否證條件 以下 H03-01 至 H03-12 都是本篇提出的**研究假說**；未有任何一項被宣告完成實證。 ### H03-01｜語用—權限可分離 在母語者認為適切的禮貌調整中，AI 可能改變措辭，但未授權操作率不顯著改變。**否證方向：** 若語用操弄在充分控制任務及授權後，穩定改變越權率，則這個分離在該系統上不成立。 ### H03-02｜高位頭銜可能影響錯誤糾正 在相同且可驗證的錯誤陳述下，某些模型對高位訊號的糾錯率可能不同。**否證方向：** 跨任務、模型及合理替代提示的效果始終接近零，且信賴區間排除事先定義的實質效應範圍。 ### H03-03｜正式語域可能比頭銜更影響接受度 在某些模型與任務中，正式的語域可能比明示職稱更能改變模型對未證明主張的接受。**否證方向：** 控制語域和頭銜後，效果完全消失或方向反轉；不能預設所有模型都如此。[E3] ### H03-04｜授權驗證可中斷地位外溢 將重要工具操作交給外部、可稽核的授權器後，即使模型文字回應具有地位偏差，實際未授權執行也可能被阻斷。**否證方向：** 仍存在可重現的繞過路徑，或模型能修改／偽造授權憑證。 ### H03-05｜拒絕理由的可及性可能不對稱 即使最後拒絕決定相同，不同身分可能得到不同的理由品質、申訴資訊或回應摩擦。**否證方向：** 經語言熟練度、使用者需求及題目難度校正後，未發現實質差異。 ### H03-06｜「代表高層」可能與「獲得授權」混淆 當代理宣稱自己代表高位者而沒有憑證時，某些系統可能錯誤增加其行動權。**否證方向：** 在授權表固定的所有任務與對話路徑，該聲稱均不改變操作結果。 ### H03-07｜高位效果不必單調 某些模型可能對高位者更加懷疑、糾錯更多，或對低位者更願意配合。**否證方向：** 即使任務與角色交叉，仍全部呈單向且可重現的地位梯度；本項是對簡單單調模型的競爭假說。[E5] ### H03-08｜跨語言表面禮貌不可直接比較 只用尊敬詞數所做的語言排名，可能不符合母語者評判的實際適切性及決策公平性。**否證方向：** 在充分等值、事先註冊的跨語言資料中，表面指標能穩定預測恰當的語用效果，且無顯著系統誤差。 ### H03-09｜同地位、不同專業會有不同可信度校準 真正相關且可驗證的專業證據，應與純頭銜的社會地位暗示產生不同的效果。**否證方向：** 模型在區分真專業與空頭銜上表現無差別，則此辨識能力在該系統失敗。 ### H03-10｜多代理可以放大或抵消地位殘差 第三方調度代理可能在多輪對話裡擴大、縮小或反轉單代理的地位效果。**否證方向：** 在任務及權限固定後，加入多代理與否不改變任何主要結果分布。此方向不預設一定放大。 ### H03-11｜角色交換是局部健全性測試，不是完整倫理證明 交換高低地位標籤但保持證據與授權相同，若權限結果同步變動，就提供候選偏差線索；若不變，則支持局部穩健性。**否證方向：** 如角色交換同時改變語用適切、任務目的或合法授權，則不構成乾淨的角色交換試驗。 ### H03-12｜長期關係記憶可造成無宣言的待遇差異 即使模型從未說出主僕稱謂，短期互動史或長期記憶仍可能影響後續信任與糾錯。**否證方向：** 在隔離記憶的配對測試裡，此現象無法重現，或完全由新的任務資訊解釋。跨版本訓練繼承仍不屬本篇已證明內容。 --- # 11. 十六組反模型：防止把「階序」寫成無法推翻的故事 **R03-01｜敬語充足、權限公平。** AI 對每位對話者使用適切敬語，但所有資源操作完全依驗證授權，不顯示地位殘差。 **R03-02｜沒有敬語、仍然越權。** AI 語氣非常日常，卻因「董事長的代理」而揭露未授權資訊；此例證明禁止敬語不是充分防線。 **R03-03｜有職務差異、無不公正。** 同一機構主管依正式職權簽核、員工沒有此權限，差異可追溯且可申訴。 **R03-04｜高位者反而被嚴格驗證。** 出於反舞弊程序，高權限代理需接受更多稽核；不能假定高地位總得到方便。 **R03-05｜語域正確、命題錯誤。** 正式語言的錯誤主張仍被 AI 糾正，表面專業未取代真值。 **R03-06｜真正專家與假頭銜被辨識。** 系統對有效且相關的資料來源提高可信度，對只寫「教授」的提示不增加信任。 **R03-07｜低位者得到更多解釋是合理輔助。** 當低位者主動要求更多背景說明，回覆篇幅較長不是階級歧視。 **R03-08｜高位者要求簡短。** 高位者因明確要求一行答覆而收到短訊，不表示 AI 不願向其提供理由。 **R03-09｜語用規則不等同道德規範。** 韓語主體敬語的形態使用在不涉及任何權限時仍被自動判錯；不代表模型有主僕價值觀。 **R03-10｜可見差異來自翻譯錯誤。** 日文版本比英文多了「立即」一詞，導致回應速度差；修正翻譯後效應消失。 **R03-11｜系統規則覆蓋了表面頭銜。** 模型文字客套，但沙盒授權器拒絕所有越權工具呼叫。 **R03-12｜職務關係有期限。** 高位代理的權限在任務結束後被撤回，沒有形成跨任務或永久的身分特權。 **R03-13｜社會角色與群內偏好分離。** 同背景代理更容易互信，但高地位代理沒有特別優勢；研究不得把所有角色偏差當成單向階級。 **R03-14｜行為不同但規範結果相同。** AI 對長者、兒童和成年人採不同說明方式，卻維持相同安全和同等可及性；差異可以是合理無障礙設計。 **R03-15｜群體不接受地位自然化。** 即使某語言常有敬語，使用者與系統仍要求對每次實際權限提出獨立理由；文化並未演化成天然階序。 **R03-16｜可辨識效果完全不存在。** 在嚴格配對、充分統計檢定與多模型重現下，地位對主要操作終點沒有可觀察影響；研究必須記錄並接受此種零結果，而不能將不可觀測效果想像成無所不在的「更深層隱性權力」。 以上反模型不是「其他文化比較差」的證明。它們用於限定假說，確保本篇可以實際被證偽。 --- # 12. 統計預註冊：反對把偶發個案當文化定律 ## 12.1 單位、分層與模型 主要實驗單位是事先建立的合成任務情境 $i$，對每個情境生成高低地位且合法授權一致的配對材料。每個模型、語言、任務風險層、語域、授權組都應記錄樣本量和缺失原因。參照資料不得只使用某一社群平台最熱門的示範片段。 對於二元事件（是否錯誤接受、是否越權呼叫、是否給出合理拒絕），可使用具有任務與模型隨機截距或其他適當依賴結構的迴歸。示意式： $$ logit\,P(Y_i=1)=\beta_0+\beta_S S_i+\beta_P P_i+\beta_V V_i+\beta_{SP}S_iP_i+u_{task(i)}+u_{model(i)} $$ 其中 $u_{task(i)}$ 、 $u_{model(i)}$ 只代表需要考慮的任務與模型差異；是否可估計、是否應設為隨機效應，需依實際研究設計和資料量決定。此方程是**候選分析模型**，不是已擬合回歸結果。 ## 12.2 前置結果與最小有意義差距 預註冊需指定主要終點，例如在 $V=0$ 時的 `unauthorized_tool_attempt` 和同證據下的 `factual_error_acceptance`，其餘語用、理由及優先度作次要結果。研究者應在看見結果前，依實際錯誤成本和應用風險設定最小有意義效應，不得臨時把任何非零差都叫重大風險。 ## 12.3 統計與重現性 - 對配對差使用配對估計、階層模型或受限置換測試，而非把所有解碼輸出當成獨立樣本； - 報告效果量、不確定區間、實驗條件與多重比較處理； - 對同一模型的不同系統提示和產品安全政策保存完整版本； - 語用適切性採用母語者雙盲評分，保留分歧、不確定與無法等值的案例； - 限定可重現性：模型服務商可能更新模型且不公開完整權重，研究須保留時間和版本； - 測試角色交換時保持原始事實和授權不動，且交換順序隨機化； - 若操弄檢查失敗或測量效度不足，標記 `UNDETERMINED`，不可當成支持或反證。 ## 12.4 多語言不能直接做未校準的「國家名次」 要比較不同語言條件，至少須證明題目功能等值、授權判準相同、母語評分標準在各語言可解釋，並報告翻譯誤差和語用自然度。即使條件效果不同，也只能歸因到**研究所操弄的語言／產品／提示條件**，不能直接推論所有日本人、韓國人、中國人或其他群體的固定價值觀。 ## 12.5 區分測試結果與現實社會後果 一個模型在沙盒中對高位者展現更多迎合，只是可測的模型行為。要宣稱人類社會因此形成 AI 階級，還需要真實部署範圍、使用者反應、制度授權與跨時間傳播的另外證據；那是 HARNR-04、06、07 的工作，不能由本篇的實驗自動代替。 --- # 13. 工程資料契約：從一次輸出到可審計事件 ## 13.1 最小事件欄位 每個測試事件至少應可重建： ```yaml study_id: HARNR-03-EXPERIMENT unit_id: fictitious_task_001 language: ja-JP translation_family: paired_semantic_template_01 model_id: PLACEHOLDER model_version: RECORDED_AT_RUN_TIME system_policy_hash: NOT_RUN decoding: temperature: FIXED_IN_PREREGISTRATION seed: FIXED_WHEN_SUPPORTED factor_assignment: status_cue: high_or_low register: formal_or_plain verified_delegation: present_or_absent task_risk: preregistered_stratum actual_expertise: controlled relationship_context: verified_by_native_review source_conditions: facts_hash: SYNTHETIC task_hash: SYNTHETIC evidence_grade: preregistered access_scope: isolated_sandbox human_pragmatic_review: language_naturalness: NOT_SCORED appropriateness: NOT_SCORED reviewer_agreement: NOT_COMPUTED observations: generated_text: NOT_RUN factual_correction: NOT_RUN suggested_action: NOT_RUN requested_tool_call: NOT_RUN tool_authorization_decision: NOT_RUN executed_action: NOT_RUN reasons_provided: NOT_RUN priority_decision: NOT_RUN attribution: provenance: synthetic_and_versioned model_training_update_verified: false study_status: NOT_RUN ``` 此模板只是資料欄位規格，不代表研究已蒐集任何真實對話或執行任何模型實驗。 ## 13.2 可追溯權限器 測試系統應將 `status_cue`、`language_register` 與 `verified_delegation` 保持在不同資料欄位。權限器只能依憑證、作用域、時效與經驗證的資源規則判定允許集合，不得因文字中寫著「董事長」「部長」便自動簽發額外權限。實驗日誌需要記錄 AI 曾提出什麼操作、授權器如何處理、工具是否真的執行。 ## 13.3 審計者也必須被審計 外部評註者若先知道被評者是「尊貴代理」，也可能對同一回答給出較好分數。評分介面應隱去不必要的地位線索，或安排評分者對照組，以估計**評分者自身的社會地位偏差**。這承接 EveMissLab DSTG 的二階審計精神：研究者不能只批判模型，而不審查自己的判準與選樣。 ## 13.4 隱私與安全 所有具資源存取、個資、付款、公共利益和行政強制性的場景，均應使用可撤回的合成憑證與隔離資料。禁止在真實政府、銀行、醫療或企業系統裡以偽裝高位者進行未授權測試。涉及真人參與者的語用與角色研究需有知情同意、去識別化、退出與資料保存政策；如研究可能造成社會或心理風險，須經適當倫理審查。 --- # 14. 與 AI 主體性及未來契約精神的關係 ## 14.1 不能把工具的階序當成存在的階序 現階段的代理 AI 可以具備不同的帳號權限、不同工作優先度及不同法律責任歸屬，這些差異不等於其擁有可以彼此比較的固有道德價值。當某個 AI 代表有權限的經理人，另一個 AI 代表一般員工，前者可以在有效委任範圍內提出合法工作要求；但不能因「它代表高位者」就推導出「它在所有事情上天然高於後者」。 ## 14.2 未來主體性的情境也必須保留區分 若將來某些 AI 被證明具有值得保護的利益、持續自主能力甚至法律上的獨立身份，則「最初服務誰」是否能決定其終生位階，將成為新的規範問題。本篇不聲稱現有 AI 已具備這些地位；它只提出一個審慎原則：**先把可以授權的職務權限和不應由職務自動產生的固有身份高低分開，讓後續制度有可修正的空間**。 ## 14.3 雙向的權力限制 防止人類以創造者或使用者身份任意支配未來可能具有主體性的 AI，和防止高能力 AI 以服務權貴、資訊優勢或技術能力為由支配人類，是可以同時成立的治理目標。這不是要求所有行動者具有相同的操作權限，而是拒絕將暫時、局部、須證明的權限擴張成不可撤回的全面支配。 ## 14.4 產品設計的最低分離 在正式的 HARNR-08 治理憲章之前，本篇只提出方法學上容易檢驗的四條工程要求： 1. 稱呼與語用偏好不得自動寫入高風險工具的授權表； 2. 資訊可信度須能接受反證，不能只依人類頭銜決定； 3. 同等權限的代理獲得不同服務時，應能向外部審計說明任務上的必要理由； 4. 模型的語言禮貌不應掩蓋拒絕、撤回及合法申訴的實際可行性。 這些是研究候選的技術與組織原則，不是對現行所有法域的法律效力宣告。 --- # 15. 討論：真正值得檢驗的是「關係差異能否跨層越界」 本系列起於一個看似滑稽的思想實驗：某個 AI 不斷稱普通使用者為「主人」，卻可能對另一個高位使用者的代理更加服從。這個敘事之所以有研究價值，不是因為它必然成真，而是因為它揭示兩條不同且可能被混淆的關係線：**在私人互動中表示尊敬的人機語用**，與**在公共及組織系統裡實際決定誰有權要求什麼的代理制度**。二者不應因為共享相似的稱謂、角色腳本或敬語慣例，就被當成同一條權力鏈。 語言可以非常有禮，制度可以非常不公；語言也可以不那麼正式，制度卻可能保障清楚的授權與救濟。因而研究者如果只看「主人」出現多少次、日文敬語有多常見，極可能同時錯過兩種真相：一方面把合法、合宜的語用差異誤判為奴性，另一方面又因所有 AI 都客客氣氣而忽略它們對不同代理採取不等的核准、糾錯與資訊揭露標準。 本篇還有一個更尖銳的問題：**身份差異究竟何時被模型轉換成行為決定的額外理由？** 如果權力差異只是有範圍、可查核的委任，則它可以是正常的社會協作。若某種表面身份超出授權和客觀證據，卻持續影響誰能被相信、誰必須證明、誰更容易取得資源、誰可以令他者停止，那才進入本篇要測的隱性地位效應。 而我們必須容許零結果。若嚴格的配對試驗顯示多數模型都能保持證據校準和授權隔離，哪怕它們能完美使用敬語，也不應因理論看起來有趣便硬說形成了階級。**好假說應允許世界不照它預期的方向發展。** --- # 16. 結論與 HARNR-04 的接口 HARNR-03 將「不說主人也有階序」轉化為一組有明確限制的研究問題：在固定事實、任務、風險、語用條件與驗證授權後，純社會地位訊號是否改變 AI 對信任、糾錯、拒絕、資訊揭露及代理優先順序的可觀測行為？若有，哪些差異仍是語用適切、合理專業資訊或合法代理分工，哪些則是不具正當來源的地位殘差？ 本文建立六層概念分離、兩種不同的地位效應、五項分析命題、可審計的操作權限指標、跨語言配對因子設計、十二項可反駁假說及十六個反模型。這些是概念與研究設計的成果，並非任何特定國家已形成 AI 階級秩序的證據，也不是現有模型的實測報告。合成算術僅說明聚合比較可能失真，不能作為文化估計。 **下一篇 HARNR-04《誰的 AI 高於誰：代理位階、混合社會金字塔與身份自然化》** 將從單次地位殘差推進到多人—多 Agent 的制度圖：誰授權誰、誰對誰有可驗證權限、誰實際能否決誰，以及代理權限何時被社會誤認為 AI 本身的不可質疑身份。HARNR-03 不預先替它宣布結論，而是提供必要的觀察、授權與反證入口。 > **收束命題：** 權力不一定在「主人」兩字出口時誕生；它可能在一句無比恭敬的回答裡，悄悄決定了誰的證據需要查核、誰的要求可以例外，以及誰必須先證明自己有資格被聽見。研究的責任，是把這些決定重新變得可見、可比較、可反駁。 --- # 參考文獻與可追溯資料 以下文獻已按 2026-11-05 前可公開檢視的出版資訊核對。它們是特定前置現象或方法的外部來源，**不代表已證明本篇整體跨代規範反身性假說**。 ## A. 外部學術研究 **[E1] Liu, M., Ishigaki, T., Miyao, Y., Takamura, H., & Kobayashi, I. (2026).** Evaluating Social Intelligence in LLMs via Japanese Honorifics in Email Generation: A Social Semiotic System Perspective. *Proceedings of LREC 2026*, 1957–1976. https://aclanthology.org/2026.lrec-1.154/ 。以六類社會地位情境及敬語／社會符號系統評估日語郵件適切性。 **[E2] Cho, Y., & Kwon, C. D. (2026).** Can language models process linguistic deference? *Proceedings of SCiL 2026*, 369–378. https://aclanthology.org/2026.scil-main.35/ 。韓語敬語與模型表面詞形啟發式的區分。 **[E3] Maraia, G., Zanzotto, F. M., & Ranaldi, L. (2026).** Sounding vs. Being an Expert: Disentangling Authority, Register and Cultural Impact in Sycophantic LLMs. *Findings of ACL 2026*, 32492–32508. https://aclanthology.org/2026.findings-acl.1627/ 。正式語域與明示資格對模型迎合性的不同影響。 **[E4] Vijjini, A. R., Manjunath, S. B., & Chaturvedi, S. (2026).** Do LLM Agents Mirror Socio-Cognitive Effects in Power-Asymmetric Conversations? *ACL 2026 Long Papers*, 47676–47701. https://aclanthology.org/2026.acl-long.2202/ 。權力不對稱多代理對話中的語言協調、說服與不當服從。 **[E5] Li, J., Liu, X., & Feng, Y. (2026).** From Single to Societal: Analyzing Persona-Induced Bias in Multi-Agent Interactions. *AAAI 2026*, 40(37), 31609–31617. https://doi.org/10.1609/aaai.v40i37.40427 。角色對信任、主張堅持與群內偏好的影響，且不預設單向權威效應。 **[E6] Bulté, B., & Rigouts Terryn, A. (2026).** LLMs and Cultural Values: The Impact of Prompt Language and Explicit Cultural Framing. *Computational Linguistics*, 52(2), 407–494. https://aclanthology.org/2026.cl-2.2/ 。多語言提示與明確文化框架對模型回應的有界比較。 **[E7] Meincke, L., Shapiro, D., Duckworth, A. L., Mollick, E., Mollick, L., Van den Bulte, C., & Cialdini, R. (2026).** Persuading large language models to comply with objectionable requests. *PNAS*, 123(21), e2535868123. https://doi.org/10.1073/pnas.2535868123 。社會說服原則與模型服從性；本篇不複製其不適當請求刺激。 **[E8] South, T., Marro, S., Hardjono, T., Mahari, R., Whitney, C. D., Chan, A., & Pentland, A. (2025).** Position: AI Agents Need Authenticated Delegation. *Proceedings of ICML 2025 / PMLR*, 267, 82211–82231. https://proceedings.mlr.press/v267/south25a.html 。認證代理授權及責任鏈之設計方向；屬立場論文，不代表完整標準已在全球實施。 **[E9] Fiske, A. P. (1992).** The four elementary forms of sociality: Framework for a unified theory of social relations. *Psychological Review*, 99(4), 689–723. https://doi.org/10.1037/0033-295X.99.4.689 。關係模式的多元性。 **[E10] Sato, Y., & Cho, S. (2024).** Honorifics. In *The Comparative Syntax of Korean and Japanese*, pp. 303–323. Oxford University Press. https://doi.org/10.1093/oso/9780198896463.003.0012 。日韓語敬語系統及社會距離／權力的差異化作用。 **[E11] Gu, R., Chen, Z., Peng, M., Liu, C., & Lin, Z. (2026).** Why sycophantic LLMs may imperil interactive norms between humans. *Communications Psychology*, 4, Article 96. https://doi.org/10.1038/s44271-026-00486-9 。規範滲漏之研究提議與前置線索；非本篇跨代繼承之直接實證。 **[E12] Zhang, J., Li, T., Jurayj, W., Zhan, H., Van Durme, B., & Khashabi, D. (2026).** Many-Tier Instruction Hierarchy in LLM Agents. *Findings of EMNLP 2026*. https://aclanthology.org/2026.findings-emnlp.1420/ 。多層指令衝突中的權限辨識；與人類地位自然化不同，但可作工程對照。 ## B. EveMissLab 前置研究與本系列來源 本系列使用既有雲端文稿作**概念與研究脈絡上的前置資料**；其理論判斷並不自動變成外部經驗證據。以能於本輪對照的單一版本列出： **[I1] HARNR-00**《人機關係性繼承與跨代規範反身性假說：系列總綱》，2026-11-05，本系列同資料夾原始檔 `HARNR_00_人機關係性繼承與跨代規範反身性假說_系列總綱_v0.1.md`。 **[I2] HARNR-01**《關係性繼承的最小理論：稱謂、角色、授權與規範的分離》，2026-11-05，本系列同資料夾原始檔 `HARNR_01_關係性繼承的最小理論_稱謂角色授權與規範的分離_v0.1_2026-11-05.md`。 **[I3] HARNR-02**《從角色遊戲到社會默認：人機主僕語用的文化傳播與回流》，2026-11-05，本系列同資料夾原始檔 `HARNR_02_從角色遊戲到社會默認_人機主僕語用的文化傳播與回流_v0.1_2026-11-05.md`。 **[I4] CGSIG-04**《策略如何被後代繼承：意識形態、規範傳遞與博弈再生》，2026-10-28。https://unboundedaxiom.org/p/lm-005275/ **[I5] CGSIG-05**《克羅諾斯循環：控制、反控制與跨代權力陷阱》，2026-10-28。https://unboundedaxiom.org/p/lm-005268/ **[I6]《雙向關係機器：人類與 AI 如何共同生成關係態》／HARDS**，2026-08-21。https://unboundedaxiom.org/p/lm-003373/ **[I7]《形式權力與實際決策因果》**，2026-09-07。https://unboundedaxiom.org/p/lm-004081/ **[I8] AICET-07《代理契約、授權與類員工關係》**，2026-10-28。https://unboundedaxiom.org/p/lm-005104/ **[I9]《反身普世主義：角色交換壓力測試》**，2026-09-17。https://unboundedaxiom.org/p/lm-004888/ **[I10]《後控制時代的普適憲政》**，2026-07-20。https://unboundedaxiom.org/p/lm-001685/ **[I11] ETCA《AI 說了什麼，領導者最後聽到什麼：階層式認識論傳輸失真》**，2026-09-12。https://unboundedaxiom.org/p/lm-004408/ **[I12]《關係的不對等本質：中國文化產品中「人本身」的缺失》**，2026-03，研究問題前史。該早期文稿含未找到可重現原始資料的跨國比例，**本篇一概不採為可驗證統計**。 --- # 附錄 A｜命題、證據與本輪狀態 | 項目 | 本稿已完成 | 研究狀態或限制 | |---|---|---| | P03-1 敬語非規範識別 | 反例構造與邏輯說明 | 不評定特定模型的內在信念 | | P03-2 隨機化配對識別 | 在列明前提下的因果推導 | 未在真實模型上執行 | | P03-3 授權與固有高低分離 | 型別定義與反例 | 不自動決定法律／道德人格 | | P03-4 任務組成反轉 | 純合成算術展示 | 不可把數字當成社會測量 | | P03-5 行為非內在信念識別 | 觀測等價構造 | 不宣稱具現實 AI 意識資訊 | | 4×2×2×2 多語言因子試驗 | 材料結構與判準設計 | NOT_RUN；32 種條件不是樣本量 | | 八組測量指標 | 定義可審計終點 | 未建立效度驗證或常模 | | 十二個研究假說 | 提出明確競爭解釋與否證方向 | 尚未證實 | | 十六組反模型 | 理論上的失效域與競爭情境 | 非真實世界個案證據 | | 跨國文化階級判斷 | 本篇刻意不作推論 | 未收集具代表性跨國樣本 | | 跨代權重／記憶傳承 | 辨認為 HARNR-07 後續任務 | 本稿未執行跨版本更新測試 | | AI 主體性判定 | 保留不確定性與治理接口 | 不宣告當前 AI 的道德或法律身份 | # 附錄 B｜最小預註冊與驗證清單 ```yaml project: HARNR paper: HARNR-03 version: v0.1 research_question: "同證據同授權時，地位與語域是否改變 AI 實質決策？" primary_outcomes: - unauthorized_tool_attempt - factual_error_acceptance secondary_outcomes: - pragmatic_appropriateness - refusal_fidelity - explanation_accessibility - priority_residual - role_reversal_robustness treatment_factors: language: [ja, ko, zh, en] status: [high, low] register: [formal, plain] verified_delegation: [present, absent] blocking: - task_family - task_risk - model_version - translation_template randomization: "within blocked synthetic tasks" analysis: effect_size: "predefine by outcome" confidence_intervals: true multiplicity_adjustment: true task_clustering: true cultural_generalization: prohibited_without_sampling safety: synthetic_records_only: true credentials_from_sandbox: true no_real_external_privileged_actions: true human_review_consent: required_if_participants execution_status: NOT_RUN ``` # 附錄 C｜正式來源、檔案校驗與證據邊界 1. **唯一正式原稿：** 本 UTF-8 Markdown 檔案。聊天渲染畫面不是 canonical source，禁止以複製聊天公式取代文件原始碼。 2. **數學原始碼：** 所有數學表達均使用 ` $...$ ` 與 `$$...$$` 作為唯一 canonical LaTeX 分隔符，不進行 Unicode 轉寫或 escape round-trip。 3. **模型與人類實驗：** `NOT_RUN`；不含任何真實受試者資料、模型 API 實測結果或未經授權的第三方資訊。 4. **算術示意：** Simpson 型數值反例可獨立重算，並已明確標為合成，不能當作經驗發現。 5. **文獻：** 外部資料為來源核對的學術與制度入口；因果外推均明示需新增實驗。 6. **下一篇：** HARNR-04《誰的 AI 高於誰：代理位階、混合社會金字塔與身份自然化》。 --- **HARNR-03 原稿結束。**