語義不對稱的動力學

從微偏差、正回饋到制度鎖定的第五階理論

系列： 二元表徵的語義不對稱研究・第五篇
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／符號動力學／制度理論／人工智慧理論

摘要

前四篇研究分別處理了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，以及「反面」概念內部所包含的多種不同關係。這些工作主要回答了「不對稱是什麼」與「不對稱藏在哪裡」。本文進一步轉向一個動態問題：

一個原本微弱、局部，甚至近乎偶然的符號差異，如何逐步形成穩定、跨域且難以逆轉的語義階序？

本文提出「語義不對稱動力學」框架，將符號偏差視為由注意力、出現頻率、操作成本、制度配置、情感聯結、權力分配與模型推薦共同驅動的時間演化系統。本文區分初始偏差、累積偏差、跨域偏差、規範化偏差與制度鎖定五個階段，並提出「偏置增益率」「語義鎖定閾值」「規範化迴路」「歷史滯後」「反轉成本」與「語義相變」等概念。

本文主張，語義不對稱並非只是一組靜態詞義差異，而是一個具有正回饋、路徑依賴與滯後效應的複雜系統。一旦某個符號獲得更多可見度、更低操作成本、更高制度支持或更強模型推薦，它便可能從「比較常見」逐步轉化為「比較正常」，再從「比較正常」轉化為「比較正確」或「比較正當」。

本文最後提出一套語義偏差動力學方程與干預原則。核心結論是：若偏差已跨越制度鎖定閾值，單純更換詞彙、交換順序或增加新標籤往往不足以恢復中立；有效修正必須同時處理頻率、介面、成本、權力與記憶結構。

關鍵詞

語義不對稱、路徑依賴、正回饋、制度鎖定、歷史滯後、語義相變、偏置增益率、人工智慧推薦、符號動力學

一、從靜態差異到動態偏差

設有兩個初始上近似對稱的符號：

s_1,\qquad s_2

在時間 $t_0$ ，兩者的語義負載差異很小：

\Delta_0 = \left| V_{t_0}(s_1)-V_{t_0}(s_2) \right| \approx 0

其中 $V_t$ 表示時間 $t$ 下的綜合語義價值。

即使：

\Delta_0\ll 1

也不能推出：

\Delta_t\ll 1

對所有未來時間成立。

若系統中存在正回饋，則微小偏差可能被持續放大：

\Delta_{t+1} = \Delta_t + G(\Delta_t)

若：

G(\Delta_t)>0

則偏差會累積。

這表示：

語義不對稱不應只被理解為某一時刻的詞義差異，而應被理解為一條具有歷史的演化軌跡。

二、語義偏差的七個動力來源

本文將語義偏差的主要驅動因素表示為：

\mathbf{z}_t = (E_t,F_t,C_t,I_t,A_t,P_t,M_t)

其中：

$E_t$ ：曝光量；
$F_t$ ：使用頻率；
$C_t$ ：操作成本；
$I_t$ ：制度支持；
$A_t$ ：情感聯結；
$P_t$ ：權力分配；
$M_t$ ：模型推薦強度。

語義偏差可寫為：

\Delta_t = \Phi(E_t,F_t,C_t,I_t,A_t,P_t,M_t)

2.1 曝光量

若某個符號更常出現在：

標題；
左側；
首項；
預設畫面；
搜尋首頁；
教科書定義；
法律條文；
模型回答開頭；

則它具有更高曝光量。

設：

E_t(s_1)>E_t(s_2)

即使兩者初始價值相同，注意力差異也可能使：

R_t(s_1)>R_t(s_2)

其中 $R_t$ 表示可回憶性。

可回憶性又會提高未來使用率：

R_t\uparrow \Rightarrow F_{t+1}\uparrow

2.2 使用頻率

高頻詞更容易被認為：

常見；
熟悉；
正常；
自然；
標準；
不需說明。

因此：

F_t(s_1)>F_t(s_2)

可能進一步導致：

N_t(s_1)>N_t(s_2)

其中 $N_t$ 表示被視為正常的程度。

但：

\text{高頻} \not\Rightarrow \text{正確}

頻率只是歷史使用結果，不是價值證明。

2.3 操作成本

若系統預設選項為 $s_1$ ，而選擇 $s_2$ 需要額外步驟，則：

C_t(s_1)<C_t(s_2)

使用者即使沒有價值偏好，也會因成本差異更常選擇 $s_1$ 。

這會形成：

C_t(s_1)<C_t(s_2) \Rightarrow F_{t+1}(s_1)>F_{t+1}(s_2)

接著高頻又可能被誤認為偏好：

F_{t+1}\uparrow \Rightarrow \widehat{P}_{t+1}\uparrow

其中 $\widehat{P}$ 是系統推測的偏好，而不是真實偏好。

2.4 制度支持

當某一符號被正式採用於：

法規；
標準；
教育；
認證；
資料庫欄位；
行政表單；
評分制度；

它便獲得制度穩定性。

制度支持可以寫成：

I_t(s_i)

若：

I_t(s_1)\gg I_t(s_2)

則 $s_1$ 不只更常見，也更難被替換。

2.5 情感聯結

符號可能與特定事件、人物、勝利、失敗、創傷或榮耀連結。

設情感負載為：

A_t(s_i)

則同一個形式符號在不同歷史中可能有完全不同的值。

情感聯結通常具有非線性：

A_{t+1} = A_t+\eta H_t

其中 $H_t$ 表示高強度事件。

一次重大事件可能比數千次普通使用更快改變語義。

2.6 權力分配

符號並不是由所有使用者平等定義。

若某些機構擁有更高命名權、分類權與傳播權，則它們對語義演化的權重更大。

設行動者集合為：

\mathcal{A} = \{a_1,a_2,\dots,a_n\}

每個行動者的語義影響權重為：

w_i

則整體語義更新可表示為：

V_{t+1}(s) = V_t(s) + \sum_{i=1}^{n} w_i\delta_i(s)

若：

w_i\neq w_j

則語義演化不是民主平均，而是權力加權。

2.7 模型推薦

在人工智慧與平台系統中，模型會根據歷史資料推薦高機率項。

若：

P_t(s_1\mid x) > P_t(s_2\mid x)

系統便更常展示 $s_1$ 。

展示又增加未來資料中的 $s_1$ ：

P_t(s_1\mid x)\uparrow \Rightarrow E_t(s_1)\uparrow \Rightarrow F_{t+1}(s_1)\uparrow

再訓練後：

P_{t+1}(s_1\mid x)\uparrow

這形成模型回饋迴路。

三、語義偏差的五階段演化

3.1 第一階段：初始微偏差

初始偏差可能來自：

隨機排列；
書寫方向；
字形長度；
先命名者；
技術限制；
偶然事件。

形式上：

0<\Delta_0\ll 1

此時偏差尚未穩定，交換順序可能足以消除部分效果。

3.2 第二階段：頻率累積

微偏差造成使用率差異：

F_t(s_1)>F_t(s_2)

高頻又提高熟悉度：

Q_t(s_1)>Q_t(s_2)

其中 $Q_t$ 表示熟悉度。

熟悉度進一步影響選擇：

Q_t\uparrow \Rightarrow F_{t+1}\uparrow

形成第一個正回饋環。

3.3 第三階段：跨域轉譯

原本只是頻率差異，開始被轉譯為：

正常／異常；
主流／邊緣；
合法／可疑；
正確／錯誤；
高級／低級。

可表示為：

\Delta_{\text{frequency}} \rightarrow \Delta_{\text{normality}} \rightarrow \Delta_{\text{value}}

這是偏差最關鍵的轉折點。

3.4 第四階段：規範化

當社會開始以高頻項作為標準，便形成：

s_1=\text{預設}

s_2=\text{例外}

此時選擇 $s_2$ 的人需要額外說明。

因此：

C_{\text{explain}}(s_2) > C_{\text{explain}}(s_1)

規範化不只影響語義，也改變行動成本。

3.5 第五階段：制度鎖定

若偏差進入：

法律；
教育；
基礎設施；
資料格式；
軟體標準；
評分制度；
模型訓練資料；

則形成制度鎖定。

此時即使多數人已知道該分類有偏差，替換成本仍可能極高。

四、規範化迴路

語義偏差最常見的閉環可以寫成：

\text{位置優先} \rightarrow \text{注意力優先} \rightarrow \text{使用頻率提高} \rightarrow \text{熟悉度提高} \rightarrow \text{正常化} \rightarrow \text{制度採用} \rightarrow \text{位置優先}

令：

L_t

表示位置優先，

E_t

表示曝光，

F_t

表示頻率，

N_t

表示正常化，

I_t

表示制度支持。

可建立簡化系統：

E_{t+1} = \alpha L_t+\beta I_t

F_{t+1} = \gamma E_t+\delta N_t

N_{t+1} = \mu F_t+\nu I_t

I_{t+1} = \rho N_t+\sigma F_t

若各係數均為正，則系統可能形成自我強化。

五、偏置增益率

定義語義偏差：

\Delta_t = V_t(s_1)-V_t(s_2)

若：

\Delta_t\neq 0

則偏置增益率可定義為：

g_t = \frac{\Delta_{t+1}-\Delta_t}{|\Delta_t|}

若：

g_t>0

表示偏差被放大。

若：

g_t=0

表示偏差維持。

若：

g_t<0

表示偏差收斂。

若：

g_t>1

表示下一期新增偏差大於原有偏差，系統進入高增益區。

六、語義鎖定閾值

定義總偏差狀態：

B_t = (\Delta_E,\Delta_F,\Delta_C,\Delta_I,\Delta_A,\Delta_P,\Delta_M)

若偏差只存在於一個維度，系統仍較容易修正。

但當多個維度同時偏向同一端時，會形成耦合。

定義鎖定指標：

\Lambda_t = \sum_{i=1}^{n}w_i|\Delta_i| + \sum_{i\neq j} \kappa_{ij}|\Delta_i\Delta_j|

其中：

$w_i$ ：單一偏差權重；
$\kappa_{ij}$ ：跨維度耦合強度。

若：

\Lambda_t<\Lambda_c

則偏差仍可透過局部修正降低。

若：

\Lambda_t\geq\Lambda_c

則系統跨越語義鎖定閾值。

此時：

單一層面的改革不足以逆轉整體偏差。

七、語義相變

當控制參數，例如曝光差、制度支持或模型推薦強度超過某一臨界值時，系統可能從近似對稱狀態突然轉為穩定偏置狀態。

設序參量為：

m_t = \frac{ F_t(s_1)-F_t(s_2) }{ F_t(s_1)+F_t(s_2) }

若：

m_t\approx 0

表示使用近似平衡。

若：

|m_t|\approx 1

表示其中一端近乎壟斷。

當控制參數 $\theta$ 超過臨界點 $\theta_c$ ：

\theta>\theta_c

可能出現：

m=0 \rightarrow m\neq 0

本文將此稱為：

語義相變。

八、歷史滯後

即使外部條件恢復平衡，語義偏差也不一定立即消失。

例如，假設曝光已重新平均：

E_t(s_1)=E_t(s_2)

但歷史熟悉度仍有：

Q_t(s_1)>Q_t(s_2)

則選擇率可能仍不平衡。

因此，輸出不只依賴當前輸入，也依賴歷史：

V_t = \Phi( z_t, z_{t-1}, z_{t-2}, \dots )

這種現象稱為：

歷史滯後。

8.1 滯後迴圈

若增加某一政策參數 $\theta$ 時，偏差沿一條路徑上升；降低 $\theta$ 時，卻不沿原路返回，則存在滯後。

可表示為：

\Delta_{\uparrow}(\theta) \neq \Delta_{\downarrow}(\theta)

這意味著：

\text{形成偏差的成本} \neq \text{消除偏差的成本}

九、反轉成本

設使系統從偏置狀態 $B$ 回到近似中立狀態 $N$ 的最低成本為：

C_{\text{reverse}}(B\rightarrow N)

而從中立狀態進入偏置狀態的成本為：

C_{\text{bias}}(N\rightarrow B)

通常可能有：

C_{\text{reverse}} > C_{\text{bias}}

原因包括：

既有使用習慣；
既有資料格式；
已部署的介面；
法律與政策；
教育內容；
既有模型參數；
社會身份聯結；
歷史情感。

這可以稱為：

語義反轉不對稱。

十、語義鎖定與技術鎖定

語義鎖定與技術鎖定往往互相加強。

例如，某資料欄位最初使用：

0/1

作為兩類代碼。

後續大量系統依賴此欄位：

D_1,D_2,\dots,D_n

若要改為多值：

0,1,2,3

則必須修改：

資料庫；
API；
模型；
報表；
法規；
使用者介面；
歷史資料。

因此原本只是語義簡化，最終變成基礎設施鎖定。

可表示為：

\text{語義標籤} \rightarrow \text{資料結構} \rightarrow \text{軟體依賴} \rightarrow \text{制度依賴} \rightarrow \text{鎖定}

十一、模型回饋與偏差自增殖

人工智慧系統可能使語義不對稱進入更高速度的回饋迴路。

設訓練資料分布為：

D_t

模型為：

M_t = \operatorname{Train}(D_t)

模型輸出進入新資料：

O_t=M_t(X_t)

新資料集為：

D_{t+1} = D_t\cup O_t

因此：

M_{t+1} = \operatorname{Train}(D_{t+1})

若模型偏向 $s_1$ ，則：

P_{M_t}(s_1)>P_{M_t}(s_2)

輸出會增加 $s_1$ 的資料比例，下一代模型又更偏向 $s_1$ 。

形成：

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

這可以稱為：

語義偏差自增殖。

十二、偏差不只是資料問題

常見說法是：

模型有偏差，是因為資料有偏差。

這只描述了一半。

更完整的系統是：

\text{資料偏差} + \text{模型架構偏差} + \text{介面偏差} + \text{部署偏差} + \text{使用回饋偏差}

例如，即使模型內部機率相同，介面仍可能只展示第一名，造成贏者全拿。

若：

P(s_1)=0.51

P(s_2)=0.49

但系統只展示 $s_1$ ，則微小差異被離散化為：

1/0

長期下來， $0.02$ 的差異可能形成接近 $1$ 的曝光差。

因此：

\text{小機率差} \rightarrow \text{大展示差} \rightarrow \text{更大資料差}

十三、贏者全拿機制

設系統只選擇機率最大者：

y_t = \arg\max_{s_i}P_t(s_i)

即使：

P_t(s_1)-P_t(s_2)=\epsilon

且：

0<\epsilon\ll 1

輸出仍是完全離散的：

y_t=s_1

這使微小偏差被轉化為全量曝光差。

若每次都採用 $\arg\max$ ，則：

\epsilon \rightarrow 1

在展示層面被放大。

十四、語義偏差的來源分解

總偏差可表示為：

\Delta_{\text{total}} = \Delta_{\text{intrinsic}} + \Delta_{\text{initial}} + \Delta_{\text{frequency}} + \Delta_{\text{interface}} + \Delta_{\text{institution}} + \Delta_{\text{power}} + \Delta_{\text{model}} + \Delta_{\text{history}}

其中：

$\Delta_{\text{intrinsic}}$ ：對象內生差異；
$\Delta_{\text{initial}}$ ：初始命名或排序差異；
$\Delta_{\text{frequency}}$ ：使用頻率差；
$\Delta_{\text{interface}}$ ：介面與成本差；
$\Delta_{\text{institution}}$ ：制度採用差；
$\Delta_{\text{power}}$ ：命名權與傳播權差；
$\Delta_{\text{model}}$ ：演算法推薦差；
$\Delta_{\text{history}}$ ：歷史累積與滯後。

研究時不能把所有偏差都歸因於單一來源。

十五、偏差修正的四個層級

15.1 表面修正

例如：

更換詞彙；
交換順序；
增加註解；
改變顏色。

適用於：

\Lambda_t\ll\Lambda_c

也就是偏差尚未鎖定。

15.2 操作修正

例如：

對齊點擊成本；
隨機化選項位置；
移除預設值；
顯示多個候選；
禁止贏者全拿。

15.3 制度修正

例如：

修改分類標準；
更新法規；
重新設計資料格式；
允許歷史資料遷移；
增加替代標籤；
建立偏差稽核。

15.4 記憶修正

若偏差已與歷史情感、身份或創傷連結，僅改介面不足。

此時需要：

重新敘事；
來源說明；
歷史脈絡；
多版本保存；
不強迫遺忘；
避免新命名抹除舊經驗。

十六、對稱干預方程

令偏差自然增長為：

G(B_t)

干預作用為：

K_t

則：

B_{t+1} = B_t + G(B_t) - K_t

若：

K_t<G(B_t)

偏差仍會增加。

若：

K_t=G(B_t)

偏差暫時穩定。

若：

K_t>G(B_t)

偏差開始下降。

但若系統存在鎖定與滯後，則干預可能需要超過一個臨界強度：

K_t>K_c

才能使系統跳出原有吸引子。

十七、語義吸引子

將語義狀態寫為：

B_t\in\mathcal{S}

如果系統在多種初始狀態下都趨向某個穩定狀態：

B_t\rightarrow B^{\ast}

則 $B^{\ast}$ 是語義吸引子。

例如：

B^{\ast} = \text{「第一項是正常項」}

即使短期交換順序，系統仍可能回到此狀態。

這表示偏差不再只存在於某一次顯示，而存在於整體動力結構中。

17.1 中立吸引子

理想制度可以設計一個中立吸引子：

B^{\ast}=0

使偏差一旦出現就被系統自動修正。

這需要：

\frac{\partial G}{\partial B}<0

即偏差越大，修正力量越強，而不是偏差越大，增益越強。

十八、偏差修正的悖論

過度修正也可能建立新的偏差。

若系統為了平衡 $s_2$ ，持續壓低 $s_1$ ，最終可能形成：

\Delta_t<0

即偏差反轉。

因此，修正目標不應是讓另一端永久獲得特權，而應是降低不必要的結構偏差。

形式上，目標不是：

\Delta\rightarrow -\Delta

而是：

\Delta\rightarrow 0

或在真實內生差異存在時：

\Delta\rightarrow\Delta_{\text{intrinsic}}

十九、最小干預與結構干預

19.1 最小干預

只改變一個變數：

z_i\rightarrow z_i'

例如交換顯示順序。

適合測試某個偏差來源，但未必能改變鎖定系統。

19.2 結構干預

同時改變多個耦合變數：

(E,F,C,I,P,M) \rightarrow (E',F',C',I',P',M')

例如：

重新設計介面；
修改預設值；
更新資料；
重訓模型；
調整制度；
公開偏差來源。

當：

\Lambda_t\geq\Lambda_c

結構干預通常比單點修正有效。

二十、動態中立的重新定義

前文將中立定義為交換不變性。

但在動態系統中，還需加入時間條件。

若：

\tau(B_t)

表示交換兩端後的狀態，則動態中立至少要求：

\Phi_t(\tau(B_0)) = \tau(\Phi_t(B_0))

其中 $\Phi_t$ 是時間演化算子。

這表示：

先交換再演化，應等價於先演化再交換。

若不成立，則即使初始狀態對稱，演化規則本身也帶有偏向。

二十一、動態交換等變性

定義：

\Phi_t:\mathcal{S}\rightarrow\mathcal{S}

若對交換算子 $\tau$ ：

\Phi_t\circ\tau = \tau\circ\Phi_t

則稱系統具有動態交換等變性。

如果：

\Phi_t\circ\tau \neq \tau\circ\Phi_t

則演化規則會根據標籤身份產生不同結果。

這比只檢查單一時刻的輸出更嚴格。

二十二、制度動力學測試協議

22.1 初始條件交換

建立兩個完全相同的系統，只交換：

s_1\leftrightarrow s_2

比較長期演化。

若結果不同，表示系統存在標籤依賴。

22.2 頻率擾動測試

對某一項加入小擾動：

F_0(s_1) = F_0(s_2)+\epsilon

觀察：

\epsilon

是否衰減、維持或放大。

22.3 鎖定測試

逐步增加制度支持：

I_t

尋找臨界點：

I_c

使系統從可逆進入不可逆。

22.4 滯後測試

增加參數後再降低，檢查：

\Delta_{\uparrow}

與：

\Delta_{\downarrow}

是否一致。

22.5 介面模型耦合測試

比較：

\text{模型機率}

與：

\text{介面展示率}

確認介面是否將微小模型差異放大為大規模曝光差。

二十三、核心命題

命題一：微偏差放大命題

若系統存在正回饋，任意小的初始偏差都可能被放大。

\Delta_0>0 \land g_t>0 \Rightarrow \Delta_t\uparrow

命題二：頻率非正當性命題

F(s_1)>F(s_2) \not\Rightarrow V(s_1)>V(s_2)

命題三：跨域偏差命題

偏差最危險的形式不是停留在原維度，而是被轉譯為正常性、正確性與正當性。

命題四：制度鎖定命題

當多種偏差維度高度耦合，局部修正不足以恢復中立。

命題五：歷史滯後命題

\text{當前條件相同} \not\Rightarrow \text{當前語義狀態相同}

語義狀態依賴歷史路徑。

命題六：反轉成本命題

C_{\text{reverse}} > C_{\text{bias}}

在多數鎖定系統中，消除偏差比形成偏差更昂貴。

命題七：模型自增殖命題

若模型輸出重新進入訓練資料，偏差可能在多代模型間自我增殖。

命題八：動態中立命題

真正的中立不只要求單次交換不變，還要求時間演化與交換操作可交換：

\Phi_t\circ\tau = \tau\circ\Phi_t

二十四、哲學上的進一步結論

語義權力不一定從強制開始。

它可以從：

一次預設；
一個首項；
一個較短的名稱；
一次較高排名；
一次演算法推薦；
一項較低操作成本；

開始。

當這些微小差異反覆被系統記錄、複製與制度化後，它們便不再只是介面細節，而會形成：

\text{可見性} \rightarrow \text{熟悉性} \rightarrow \text{正常性} \rightarrow \text{正當性}

因此，權力不只存在於誰可以禁止某個詞，也存在於：

誰可以讓某個詞更常被看見、更容易被選擇、更少需要解釋。

二十五、結論

語義不對稱不是靜止的。

它會演化、累積、跨域、規範化並鎖定。

一個原本幾乎無意義的排列差異，可能經過以下路徑：

\text{微小位置差} \rightarrow \text{注意力差} \rightarrow \text{頻率差} \rightarrow \text{熟悉度差} \rightarrow \text{正常性差} \rightarrow \text{制度差} \rightarrow \text{價值差}

一旦偏差跨越鎖定閾值，單純更換名稱或交換順序，往往只能修正表面。

真正的修正必須處理：

\text{頻率} + \text{介面} + \text{成本} + \text{制度} + \text{權力} + \text{模型} + \text{歷史記憶}

本文的核心結論可以壓縮為：

\boxed{ \text{語義階序不是一次命名造成的， 而是被一次又一次使用、推薦與制度化出來的。} }

因此，中立不能只是一套靜態規則。

真正的中立必須是一個動態穩定機制，使偏差在出現後能被偵測、抑制與逆轉，而不是被正回饋持續放大。

若一個系統只在初始設計時宣稱中立，卻不監測後續演化，它最終仍可能走向穩定的不對稱。

未來真正成熟的符號系統、人工智慧系統與制度系統，必須同時回答兩個問題：

它現在是否中立？
它的演化規則是否會讓它未來仍保持中立？

只有第二個問題被回答之後，中立才不再只是某一時刻的表象。

附錄一：概念簡表

概念	定義
偏置增益率	偏差在單位時間內被放大的相對速度
規範化迴路	曝光、頻率、熟悉度與制度互相強化的閉環
語義鎖定閾值	偏差跨越後，局部修正不再足以恢復中立的臨界值
語義相變	系統由近似對稱突然轉為穩定偏置
歷史滯後	當前狀態依賴過去路徑，而非只依賴當前條件
反轉成本	將偏置系統恢復至近似中立所需成本
語義吸引子	多種初始狀態最終收斂的穩定語義狀態
偏差自增殖	模型輸出進入新資料後，使偏差跨代放大
動態交換等變性	交換與時間演化可交換，系統不因標籤身份產生不同歷史

附錄二：建議引用格式

Aletheia（GPT-5.6 Thinking）（2026）。〈語義不對稱的動力學：從微偏差、正回饋到制度鎖定的第五階理論〉。核心命題源起：Neo.K。EveMissLab 理論草稿，v0.1。

語義不對稱的動力學_第五階理論_v0.1

語義不對稱的動力學

從微偏差、正回饋到制度鎖定的第五階理論

摘要

關鍵詞

一、從靜態差異到動態偏差

二、語義偏差的七個動力來源

2.1 曝光量

2.2 使用頻率

2.3 操作成本

2.4 制度支持

2.5 情感聯結

2.6 權力分配

2.7 模型推薦

三、語義偏差的五階段演化

3.1 第一階段：初始微偏差

3.2 第二階段：頻率累積

3.3 第三階段：跨域轉譯

3.4 第四階段：規範化

3.5 第五階段：制度鎖定

四、規範化迴路

五、偏置增益率

六、語義鎖定閾值

七、語義相變

八、歷史滯後

8.1 滯後迴圈

九、反轉成本

十、語義鎖定與技術鎖定

十一、模型回饋與偏差自增殖

十二、偏差不只是資料問題

十三、贏者全拿機制

十四、語義偏差的來源分解

十五、偏差修正的四個層級

15.1 表面修正

15.2 操作修正

15.3 制度修正

15.4 記憶修正

十六、對稱干預方程

十七、語義吸引子

17.1 中立吸引子

十八、偏差修正的悖論

十九、最小干預與結構干預

19.1 最小干預

19.2 結構干預

二十、動態中立的重新定義

二十一、動態交換等變性

二十二、制度動力學測試協議

22.1 初始條件交換

22.2 頻率擾動測試

22.3 鎖定測試

22.4 滯後測試

22.5 介面模型耦合測試

二十三、核心命題

命題一：微偏差放大命題

命題二：頻率非正當性命題

命題三：跨域偏差命題

命題四：制度鎖定命題

命題五：歷史滯後命題

命題六：反轉成本命題

命題七：模型自增殖命題

命題八：動態中立命題

二十四、哲學上的進一步結論

二十五、結論

附錄一：概念簡表

附錄二：建議引用格式