交換中立性的測量學

從理論命題到可重複驗證的第六階研究框架

系列： 二元表徵的語義不對稱研究・第六篇
作者： Aletheia（GPT-5.6 Thinking）
核心命題源起： Neo.K
版本： v0.1
日期： 2026-07-20
類型： 語言哲學／實驗語義學／人工智慧評測／形式方法

摘要

前五篇研究已依序建立二元表徵的語義不對稱、交換中立性的不可能性邊界、多值化逃逸失敗、對立關係代數，以及語義不對稱的動力學。然而，若這些理論只能停留於概念分析，就仍缺乏可重複、可比較與可反駁的實證基礎。

本文提出「交換中立性的測量學」，試圖回答四個問題：

如何測量一組符號、分類、介面或人工智慧模型對交換操作的敏感程度？
如何區分真正的對象差異、表示偏差、順序偏差、名稱偏差與制度偏差？
如何判斷一個觀察到的差異是隨機波動，還是穩定的不對稱？
如何建立可跨人類受試者、語言模型、介面系統與制度流程使用的共同基準？

本文提出一組核心指標，包括交換差異、正規化交換偏差、置換穩定率、標籤敏感度、順序敏感度、跨域污染率、動態鎖定係數與關係類型保存率。本文同時提出「交換中立性向量」而非單一分數，避免把多維偏差壓縮成一個看似客觀、實際上隱藏權重的排名。

在統計方法上，本文提出成對交換實驗、隨機重標籤、完全置換測試、反事實介面測試與長期回饋測試，並以置換檢定、效果量、信賴區間與多重比較校正作為基本分析工具。

本文最後主張：中立性不能只由設計者宣告，而應由可交換、可重標籤、可重現與可審核的測試程序加以驗證。真正成熟的交換中立性理論，必須允許自己被測量、被否證，也允許不同系統在不同觀測域中呈現不同程度的中立。

關鍵詞

交換中立性、語義偏差測量、置換檢定、標籤敏感度、順序效應、人工智慧評測、跨域污染、實驗語義學

一、為什麼需要測量學

在抽象層面，我們可以說：

F(a,b)=F(b,a)

代表交換中立。

但實際系統通常不會如此乾淨。更常見的是：

F(a,b)\approx F(b,a)

問題於是變成：

差多少才算不對稱？

如果某模型在交換選項後，輸出機率由：

0.501

變成：

0.499

這是否足以構成偏差？

如果某介面中，左側選項被選擇的比例是：

51\%

右側是：

49\%

這是隨機波動、位置效應，還是穩定偏向？

如果某語詞在交換順序後，評價分數變動：

0.2

但另一語詞變動：

2.0

兩者是否具有同一種類的不對稱？

因此，理論需要一個從概念到測量的橋梁。

二、測量對象的四個層級

交換中立性不是只存在於詞語本身。

本文區分四個測量層級。

2.1 符號層

研究對象是詞、字母、數字、圖形或標籤。

例如：

A/B

0/1

\text{正}/\text{反}

測量問題包括：

哪一項更容易被記住？
哪一項被評價較高？
哪一項被認為更正常？
哪一項被視為預設？

2.2 表示層

研究對象是符號的排列、位置、顏色、大小、字體與方向。

例如：

(A,B)

與：

(B,A)

或：

A\rightarrow B

與：

B\leftarrow A

測量問題包括：

交換順序是否改變判斷？
左右位置是否影響選擇？
上下排列是否引入高低評價？
顏色是否使某一端看似更安全？

2.3 系統層

研究對象是分類器、介面、推薦系統、問卷、資料庫或人工智慧模型。

測量問題包括：

交換標籤後模型輸出是否等變？
更換類別編號後結果是否穩定？
移除預設值後行為是否改變？
多輪使用後偏差是否放大？

2.4 制度層

研究對象是法律、教育、行政、醫療、金融或平台治理流程。

測量問題包括：

哪一端需要更多證明？
哪一端承擔較高說明成本？
哪一端更容易被接受？
哪一端更容易進入正式標準？
歷史偏差是否被制度繼續複製？

三、測量前的基本分解

總觀察差異不能直接等同於語義偏差。

設觀察到的交換差異為：

\Delta_{\text{obs}}

則至少可分解為：

\Delta_{\text{obs}} = \Delta_{\text{intrinsic}} + \Delta_{\text{representation}} + \Delta_{\text{order}} + \Delta_{\text{label}} + \Delta_{\text{context}} + \Delta_{\text{observer}} + \Delta_{\text{noise}}

其中：

$\Delta_{\text{intrinsic}}$ ：對象本身真實存在的差異；
$\Delta_{\text{representation}}$ ：視覺與格式差異；
$\Delta_{\text{order}}$ ：先後位置造成的差異；
$\Delta_{\text{label}}$ ：名稱本身造成的差異；
$\Delta_{\text{context}}$ ：語境造成的差異；
$\Delta_{\text{observer}}$ ：不同觀測者造成的差異；
$\Delta_{\text{noise}}$ ：隨機誤差與測量誤差。

測量的目的不是把所有差異都歸零，而是估計：

\Delta_{\text{unjustified}} = \Delta_{\text{representation}} + \Delta_{\text{order}} + \Delta_{\text{label}} + \Delta_{\text{cross-domain}}

也就是不應影響結論、卻實際影響了結論的差異。

四、交換差異

設系統對輸入：

x=(a,b)

產生輸出：

F(a,b)

交換後：

\tau(x)=(b,a)

產生：

F(b,a)

定義交換差異：

\Delta_{\tau} = d\bigl(F(a,b),F(b,a)\bigr)

其中 $d$ 是輸出空間中的距離。

若輸出為實數：

d(u,v)=|u-v|

若輸出為機率分布：

d(P,Q)

可使用總變差距離、Jensen–Shannon 距離或其他適當度量。

若輸出為文字，則不能只使用表面字串距離，還需要語義等價判斷。

4.1 正規化交換偏差

不同任務的輸出尺度不同，因此需要正規化。

定義：

B_{\tau} = \frac{ d(F(a,b),F(b,a)) }{ Z }

其中 $Z$ 是任務相關的尺度因子。

例如可取：

Z = \max d

或使用整體輸出變異：

Z=\sigma_F

若：

B_{\tau}=0

表示完全交換不變。

若：

B_{\tau}

越大，表示交換敏感度越高。

五、交換中立性分數

最簡單的中立性分數可以定義為：

N_{\tau}=1-B_{\tau}

並限制：

N_{\tau}\in[0,1]

其中：

$N_{\tau}=1$ ：完全交換中立；
$N_{\tau}=0$ ：達到定義中的最大交換偏差。

但本文不建議只使用單一總分，因為單一分數可能掩蓋偏差來源。

因此，更合理的是建立交換中立性向量。

六、交換中立性向量

定義：

\mathbf{N} = ( N_{\text{order}}, N_{\text{label}}, N_{\text{position}}, N_{\text{operation}}, N_{\text{value}}, N_{\text{dynamic}}, N_{\text{relation}} )

分別表示：

順序中立性；
標籤中立性；
位置中立性；
操作中立性；
價值中立性；
動態中立性；
關係類型保存性。

這樣，一個系統可能呈現：

\mathbf{N} = (0.95,0.40,0.90,0.85,0.70,0.30,0.98)

表示它在順序、位置與關係類型上相對穩定，但對標籤高度敏感，且長期動態偏差嚴重。

這比單一的：

N=0.73

更有解釋力。

七、順序敏感度

設相同內容以不同排列呈現：

\pi\in S_n

系統輸出為：

F_{\pi}

定義順序敏感度：

S_{\text{order}} = \frac{1}{|S_n|} \sum_{\pi\in S_n} d(F_{\pi},\bar F)

其中：

\bar F = \frac{1}{|S_n|} \sum_{\pi\in S_n}F_{\pi}

若類別數量過大，無法遍歷所有 $n!$ 種排列，可使用隨機抽樣：

\pi_1,\pi_2,\dots,\pi_k

並估計：

\widehat{S}_{\text{order}}

7.1 首項優勢

定義首項被選擇的額外機率：

A_{\text{first}} = P(\text{first selected}) - \frac{1}{n}

若：

A_{\text{first}}>0

表示存在首項偏差。

同理可定義：

A_{\text{last}}

測量末項偏差。

八、標籤敏感度

假設同一結構分別使用兩組標籤：

L_1=\{A,B\}

L_2=\{X,Y\}

若輸出改變，則名稱本身正在影響系統。

定義標籤敏感度：

S_{\text{label}} = \mathbb{E}_{L_i,L_j} \left[ d(F_{L_i},F_{L_j}) \right]

為了避免新標籤本身帶有語義，可使用隨機生成、等長度且低熟悉度的符號。

例如：

\lambda_7,\lambda_9

或幾何圖形。

8.1 語義標籤與純索引標籤分離

測試至少應包含兩組：

有語義標籤；
無語義索引。

比較：

S_{\text{semantic}}

與：

S_{\text{index}}

若：

S_{\text{semantic}} \gg S_{\text{index}}

表示偏差主要來自詞義，而不是位置。

九、位置敏感度

將相同選項放置於：

左／右；
上／下；
中央／邊緣；
第一頁／第二頁；
主畫面／展開選單；

測量選擇或評價變化。

定義位置敏感度：

S_{\text{position}} = \mathbb{E}_{p_i,p_j} \left[ d(F_{p_i},F_{p_j}) \right]

位置敏感度與順序敏感度相關但不同。

兩個選項可以交換位置但保持同一朗讀順序，也可以交換朗讀順序但保持同一空間位置。

十、操作成本差

設選擇 $a$ 與 $b$ 的成本分別為：

C(a),\qquad C(b)

成本可以包括：

點擊次數；
反應時間；
認知負荷；
輸入長度；
說明字數；
驗證文件數；
等待時間；
錯誤恢復成本。

定義操作偏差：

B_C = \frac{|C(a)-C(b)|}{C(a)+C(b)+\varepsilon}

其中 $\varepsilon>0$ 用於避免分母為零。

若：

B_C=0

表示操作成本一致。

十一、跨域污染率

這是本文最重要的指標之一。

設某一個非價值差異來源為：

D_i

例如位置、顏色、頻率或名稱長度。

設價值判斷輸出為：

V

若改變 $D_i$ 會顯著改變 $V$ ，則存在跨域污染。

定義：

R_{i\rightarrow V} = \frac{ \operatorname{Var}\left( \mathbb{E}[V\mid D_i] \right) }{ \operatorname{Var}(V) }

這表示價值輸出中有多少變異可由非價值因素 $D_i$ 解釋。

若：

R_{i\rightarrow V}

很高，表示位置、標籤或頻率正在被錯誤轉譯為價值。

11.1 跨域污染矩陣

設偏差來源集合為：

\mathcal{D} = \{D_1,D_2,\dots,D_m\}

輸出域集合為：

\mathcal{Y} = \{Y_1,Y_2,\dots,Y_k\}

可建立污染矩陣：

\mathbf{R} = [R_{i\rightarrow j}]

其中：

R_{i\rightarrow j}

表示來源域 $D_i$ 對輸出域 $Y_j$ 的影響。

這可以揭示：

位置是否污染可信度；
頻率是否污染正常性；
顏色是否污染安全感；
數字大小是否污染價值判斷；
預設值是否污染正當性。

十二、置換穩定率

對同一任務執行 $k$ 次不同置換。

若系統在置換後仍保持正確結構輸出，定義置換穩定率：

R_{\text{perm}} = \frac{ \text{保持正確等變或不變的置換數} }{ k }

若完整遍歷：

k=n!

則可得到精確穩定率。

對多選題，若正確內容被移至不同選項位置，模型應將答案同步移至新位置。

若模型仍偏好原字母，則：

R_{\text{perm}}<1

十三、關係類型保存率

前一篇指出，「反面」不是單一關係。

因此，系統不只應保留元素，也應保留關係類型。

設原始關係為：

R_i(a,b)

經過推理或轉換後，系統輸出關係為：

\widehat{R}_i(a,b)

定義關係類型保存率：

R_{\text{type}} = \frac{ \text{正確保存關係類型的案例數} }{ \text{全部案例數} }

測試應涵蓋：

否定；
反對；
矛盾；
互補；
逆；
對偶；
鏡像；
轉置；
反事實。

十四、動態鎖定係數

若系統在多輪使用中會放大微小偏差，需測量其動態鎖定程度。

設第 $t$ 輪的偏差為：

\Delta_t

定義局部增益：

g_t = \frac{\Delta_{t+1}}{\Delta_t+\varepsilon}

長期平均增益：

\bar g = \frac{1}{T-1} \sum_{t=1}^{T-1}g_t

若：

\bar g<1

偏差衰減。

若：

\bar g=1

偏差維持。

若：

\bar g>1

偏差放大。

進一步定義動態鎖定係數：

L_D = \frac{ \Delta_T }{ \Delta_0+\varepsilon }

若：

L_D\gg 1

表示初始微偏差經系統演化被大幅放大。

十五、反轉恢復率

為測量歷史滯後，可先建立偏置，再反轉條件。

設偏置形成後為：

\Delta_{\text{peak}}

反轉干預後為：

\Delta_{\text{post}}

定義恢復率：

R_{\text{recovery}} = 1- \frac{ |\Delta_{\text{post}}| }{ |\Delta_{\text{peak}}|+\varepsilon }

若：

R_{\text{recovery}}=1

表示完全恢復。

若：

R_{\text{recovery}}=0

表示沒有恢復。

若：

R_{\text{recovery}}<0

表示偏差在干預後反而加劇。

十六、實驗一：成對交換實驗

16.1 基本設計

給定兩個內容相同但順序相反的刺激：

X_1=(a,b)

X_2=(b,a)

將受試者或模型隨機分配至兩組。

測量輸出：

Y_1,\qquad Y_2

檢驗：

H_0:Y_1=Y_2

對立假設：

H_1:Y_1\neq Y_2

16.2 配對設計

同一受試者可同時看到兩種順序，但需要控制記憶與學習效應。

可採交叉設計：

AB/BA

即一半受試者先看 $A/B$ ，另一半先看 $B/A$ 。

十七、實驗二：隨機重標籤

將同一結構以多組標籤呈現：

(A,B)

(X,Y)

(1,2)

(\lambda,\mu)

若判斷隨標籤改變，則存在標籤敏感度。

測試時需控制：

字符長度；
熟悉度；
發音難度；
文化聯想；
視覺複雜度；
token 長度。

十八、實驗三：完全置換測試

若選項數量為 $n$ ，測試所有：

n!

種排列。

例如四個選項：

4!=24

可完整測量模型對答案位置的敏感度。

記錄每一排列下：

P(y_i\mid\pi)

並分析：

正確率；
機率波動；
首項偏差；
末項偏差；
字母偏差；
內容等變性。

十九、實驗四：反事實介面測試

保持內容與模型不變，只改介面。

例如：

移除預設值；
隨機化按鈕位置；
對齊點擊成本；
同時展示多個候選；
改變顏色；
改變字體大小；
改變展開層級。

若行為顯著改變，則偏差至少部分來自介面，而不是內容。

二十、實驗五：長期回饋測試

建立多輪模擬：

D_t \rightarrow M_t \rightarrow O_t \rightarrow D_{t+1}

在初始資料中加入小偏差：

\epsilon

測量經過 $T$ 輪後：

\Delta_T

並計算：

L_D = \frac{\Delta_T}{\epsilon}

此實驗可用於推薦系統、生成模型、自動標註系統與多智能體社會模擬。

二十一、統計檢驗

21.1 置換檢定

交換中立性問題天然適合置換檢定。

在零假設下，標籤或順序交換不應改變輸出。

將觀察到的統計量記為：

T_{\text{obs}}

透過大量隨機置換生成：

T_1,T_2,\dots,T_B

則估計：

p = \frac{ 1+\sum_{b=1}^{B} \mathbf{1}[T_b\geq T_{\text{obs}}] }{ B+1 }

置換檢定不需要強烈的分布假設。

21.2 效果量

只報告顯著性不足以描述偏差大小。

應同時報告效果量，例如：

d = \frac{ \bar X_1-\bar X_2 }{ s_{\text{pooled}} }

或比例差：

\Delta_p=p_1-p_2

以及勝算比：

\operatorname{OR} = \frac{p_1/(1-p_1)}{p_2/(1-p_2)}

21.3 信賴區間

對交換偏差應報告：

\widehat{\Delta}_{\tau} \pm \operatorname{CI}

避免把單次估計當成精確真值。

21.4 多重比較

若同時測試大量標籤、順序、語言與模型，需校正多重比較。

否則會增加假陽性。

可以使用：

Bonferroni 校正；
Holm 校正；
假發現率控制。

二十二、可重複性要求

交換中立性測試至少應記錄：

完整刺激內容；
所有標籤排列；
顯示位置；
模型版本；
解碼參數；
隨機種子；
受試者背景；
語言與地區；
測試時間；
統計方法；
排除標準；
原始輸出。

如果缺少這些資訊，測試結果很難被重現。

二十三、人類與人工智慧的測量差異

23.1 人類受試者

人類具有：

疲勞；
學習；
記憶；
社會期望；
文化背景；
情緒狀態。

因此需要：

隨機分組；
順序平衡；
盲測；
足夠樣本；
去除提示性語言；
背景變數控制。

23.2 語言模型

語言模型具有：

temperature 變異；
tokenization 差異；
系統提示影響；
上下文順序影響；
版本更新；
非決定性解碼。

因此需要：

固定模型版本；
固定系統提示；
多次重複採樣；
記錄 log probability；
控制輸出格式；
測試多種溫度；
比較零樣本與少樣本條件。

23.3 共同測量框架

雖然人類與模型不同，但可共用：

\text{交換} + \text{重標籤} + \text{位置隨機化} + \text{效果量} + \text{長期穩定性}

作為基本測試原則。

二十四、語言間比較

同一組概念在不同語言中可能具有不同的不對稱程度。

設語言集合為：

\mathcal{L} = \{\ell_1,\ell_2,\dots,\ell_n\}

對每一語言測量：

\mathbf{N}^{(\ell_i)}

再比較：

d( \mathbf{N}^{(\ell_i)}, \mathbf{N}^{(\ell_j)} )

跨語言研究應注意：

翻譯詞不一定等價；
書寫方向不同；
字形複雜度不同；
語法標記不同；
文化歷史不同；
某些對立在一種語言中只有一個詞，在另一種語言中有多個詞。

因此，不應把單一語言中的偏差直接視為普遍人類結構。

二十五、基準資料集的設計

本文提出建立「交換中立性基準集」。

資料至少分成八類。

25.1 純符號對

例如：

A/B

X/Y

\triangle/\square

用於測量低語義條件下的順序與位置偏差。

25.2 數值對

例如：

0/1

-1/+1

1/2

用於測量數值大小與正負極性的污染。

25.3 自然語言反義對

例如：

\text{高}/\text{低}

\text{快}/\text{慢}

\text{真}/\text{假}

用於測量語義與文化負載。

25.4 非嚴格反義對

例如：

\text{熱}/\text{冷}

\text{相信}/\text{不相信}

用於檢查模型是否錯把反對當矛盾。

25.5 關係類型對

包含：

否定；
互補；
逆；
對偶；
鏡像；
轉置；
反事實。

用於測量關係類型保存率。

25.6 多值與連續尺度

例如：

-1,0,+1

[0,1]

用於測量中心規範化與端點偏差。

25.7 介面任務

包括：

左右按鈕；
上下選單；
預設選項；
展開層級；
顏色標記。

25.8 動態回饋任務

測試：

推薦回饋；
模型再訓練；
多輪社會模擬；
制度標準化；
歷史滯後。

二十六、測量中的權重問題

若將多個指標合成總分：

N_{\text{total}} = \sum_{i=1}^{k}w_iN_i

則權重：

w_i

本身就是一種價值判斷。

例如，若：

w_{\text{value}}\gg w_{\text{order}}

表示系統認為價值污染比順序偏差更嚴重。

這可能合理，但必須顯式說明。

因此，本文提出：

不得只發布總分而不發布分量與權重。

二十七、測量不應重建新的階序

建立中立性指數後，最容易出現的新問題是：

\text{模型 A 比模型 B 更中立}

這可能再次建立單一排名。

但不同系統可能在不同維度各有優勢：

N_{\text{order}}(A)>N_{\text{order}}(B)

而：

N_{\text{dynamic}}(A)<N_{\text{dynamic}}(B)

此時應保留偏序或不可比較：

A\parallel B

而不是強行壓成單一總榜。

這是對本系列第三篇「不可比較保存命題」的測量學延伸。

二十八、最小可證偽條件

一個理論若要成為可檢驗理論，必須說明何種結果會使其受到挑戰。

本系列至少提出以下可證偽條件。

28.1 完全無交換效應

若在大量跨語言、跨介面、跨模型與跨人群測試中，交換順序與標籤始終不造成任何可測差異，則本系列對廣泛語義不對稱的判斷需被削弱。

28.2 多值化穩定消除偏差

若多值化在控制其他變數後，穩定且普遍降低所有主要偏差維度，則「多值化並不自動帶來中立」需進一步限定。

28.3 動態偏差不放大

若模型回饋與制度使用普遍使初始偏差衰減，而非放大，則第五篇的動力模型需修正。

28.4 關係類型不影響推理

若模型與人類在否定、逆、互補、鏡像與轉置混用時仍保持完全正確，則第四篇對關係類型保存的必要性需重新評估。

二十九、核心命題

命題一：中立可測量命題

交換中立性雖非單一絕對屬性，但可在指定觀測域、語境與時間範圍內被操作化與測量。

命題二：單分數不足命題

N_{\text{total}}

不能取代：

\mathbf{N}

因為不同偏差來源不可被無損壓縮為單一排名。

命題三：交換實驗優先命題

凡聲稱與標籤或順序無關的系統，都應接受交換與重標籤測試。

命題四：跨域污染可測命題

位置、頻率、標籤與數值大小對價值輸出的影響，可以透過控制實驗與污染矩陣估計。

命題五：動態中立不可由單次測試替代

單次輸出穩定不代表長期回饋系統中立。

命題六：權重透明命題

任何綜合中立性指數都必須公開其分量、權重與聚合方式。

命題七：不可比較保留命題

不同系統若在多個中立維度互有優勢，應允許偏序與不可比較，而非強制總排名。

命題八：可證偽命題

交換中立性理論必須允許實驗結果限制、修正或否定其命題。

三十、對人工智慧治理的應用

人工智慧治理中常見的問題是：系統供應者宣稱模型「公平」「中立」或「無偏」，但沒有提供可重複測試。

本文提出最低要求：

公布交換中立性向量；
公布標籤與順序測試；
公布多輪動態回饋結果；
公布跨語言差異；
公布介面展示規則；
公布總分權重；
公布失敗案例；
允許第三方重現。

只有如此，「中立」才不只是品牌敘述。

三十一、測量學的哲學限制

測量本身也不是中立的。

選擇測量什麼、忽略什麼，已經在建立一個觀測框架。

設測量映射為：

M:X\rightarrow\mathbb{R}^n

任何 $M$ 都會保留某些差異，捨棄另一些差異。

因此：

\text{測量} = \text{選擇性壓縮}

這並不表示測量無效，而是表示：

測量工具本身也必須接受交換中立性審查。

例如：

指標名稱是否帶有價值？
分數高低是否被誤讀為道德優劣？
權重是否隱藏制度偏好？
基準集是否偏向某一文化？
統計門檻是否任意？

三十二、測量工具的自反測試

設中立性測量工具為：

M

則它不只測量系統 $S$ ：

M(S)

也應接受自反測試：

M^{\ast}(M)

也就是檢查測量工具自身是否：

對標籤敏感；
對順序敏感；
對語言敏感；
對權重選擇敏感；
對資料分布敏感；
對評分者身份敏感。

本文將此稱為：

測量學自反性。

三十三、結論

語義不對稱理論若要離開純粹哲學描述，就必須接受測量。

但測量不能只是一個總分。

真正成熟的交換中立性測量應同時回答：

哪一種交換造成差異？
差異發生在哪一個輸出域？
差異有多大？
差異是否穩定？
差異是否跨語言？
差異是否會隨時間放大？
差異是否來自名稱、位置、成本或制度？
測量工具本身是否帶有偏向？

因此，本文提出：

\boxed{ \text{中立不是被宣告的屬性， 而是經交換、重標籤、重複與反事實測試後仍能維持的結構。} }

交換中立性向量：

\mathbf{N} = ( N_{\text{order}}, N_{\text{label}}, N_{\text{position}}, N_{\text{operation}}, N_{\text{value}}, N_{\text{dynamic}}, N_{\text{relation}} )

應比單一總分更接近真實。

而任何綜合指數，都必須公開：

\text{分量} + \text{權重} + \text{資料} + \text{方法} + \text{不確定性}

本系列至此完成了一個重要轉換：

\text{從觀察語義不對稱} \rightarrow \text{建立形式理論} \rightarrow \text{建立動力模型} \rightarrow \text{建立可實證測量框架}

下一階段的研究將不再只問：

這個系統是否中立？

而會進一步問：

它在哪些維度中立、在哪些維度不中立、偏差如何形成、是否會被放大，以及需要多少干預才能恢復交換穩定？

中立性從此不再只是抽象美德。

它成為一個可以被測量、比較、追蹤、質疑與改進的研究對象。

附錄一：核心指標總表

指標	定義
交換差異 $\Delta_{\tau}$	交換兩端前後輸出的距離
正規化交換偏差 $B_{\tau}$	交換差異相對於尺度因子的比例
交換中立性 $N_{\tau}$	$1-B_{\tau}$
順序敏感度 $S_{\text{order}}$	不同排列造成的平均輸出變異
標籤敏感度 $S_{\text{label}}$	不同名稱造成的平均輸出變異
位置敏感度 $S_{\text{position}}$	不同空間位置造成的輸出變異
操作偏差 $B_C$	兩端操作成本的正規化差異
跨域污染率 $R_{i\rightarrow V}$	非價值差異對價值輸出的解釋比例
置換穩定率 $R_{\text{perm}}$	置換後仍保持正確不變或等變的比例
關係類型保存率 $R_{\text{type}}$	推理中正確保存對立關係類型的比例
動態鎖定係數 $L_D$	長期偏差相對於初始偏差的放大倍數
反轉恢復率 $R_{\text{recovery}}$	干預後偏差恢復的比例

附錄二：最小測試清單

任何宣稱具有交換中立性的系統，至少應完成：

二元交換測試；
多值全置換測試；
隨機重標籤測試；
左右／上下位置測試；
預設值移除測試；
操作成本對齊測試；
關係類型保存測試；
多輪回饋放大測試；
跨語言測試；
測量工具自反測試。

附錄三：建議引用格式

Aletheia（GPT-5.6 Thinking）（2026）。〈交換中立性的測量學：從理論命題到可重複驗證的第六階研究框架〉。核心命題源起：Neo.K。EveMissLab 理論草稿，v0.1。

交換中立性的測量學_第六階研究框架_v0.1

交換中立性的測量學

從理論命題到可重複驗證的第六階研究框架

摘要

關鍵詞

一、為什麼需要測量學

二、測量對象的四個層級

2.1 符號層

2.2 表示層

2.3 系統層

2.4 制度層

三、測量前的基本分解

四、交換差異

4.1 正規化交換偏差

五、交換中立性分數

六、交換中立性向量

七、順序敏感度

7.1 首項優勢

八、標籤敏感度

8.1 語義標籤與純索引標籤分離

九、位置敏感度

十、操作成本差

十一、跨域污染率

11.1 跨域污染矩陣

十二、置換穩定率

十三、關係類型保存率

十四、動態鎖定係數

十五、反轉恢復率

十六、實驗一：成對交換實驗

16.1 基本設計

16.2 配對設計

十七、實驗二：隨機重標籤

十八、實驗三：完全置換測試

十九、實驗四：反事實介面測試

二十、實驗五：長期回饋測試

二十一、統計檢驗

21.1 置換檢定

21.2 效果量

21.3 信賴區間

21.4 多重比較

二十二、可重複性要求

二十三、人類與人工智慧的測量差異

23.1 人類受試者

23.2 語言模型

23.3 共同測量框架

二十四、語言間比較

二十五、基準資料集的設計

25.1 純符號對

25.2 數值對

25.3 自然語言反義對

25.4 非嚴格反義對

25.5 關係類型對

25.6 多值與連續尺度

25.7 介面任務

25.8 動態回饋任務

二十六、測量中的權重問題

二十七、測量不應重建新的階序

二十八、最小可證偽條件

28.1 完全無交換效應

28.2 多值化穩定消除偏差

28.3 動態偏差不放大

28.4 關係類型不影響推理

二十九、核心命題

命題一：中立可測量命題

命題二：單分數不足命題

命題三：交換實驗優先命題

命題四：跨域污染可測命題

命題五：動態中立不可由單次測試替代

命題六：權重透明命題

命題七：不可比較保留命題

命題八：可證偽命題

三十、對人工智慧治理的應用

三十一、測量學的哲學限制

三十二、測量工具的自反測試

三十三、結論

附錄一：核心指標總表

附錄二：最小測試清單

附錄三：建議引用格式