# 刻板印象的非對稱更新動力學：高激活—低可塑狀態、反例隔離與認知凍結 **Asymmetric Updating Dynamics of Stereotypes: High-Activation–Low-Plasticity States, Counterexample Isolation, and Cognitive Freezing** 作者：Neo.K 機構：一言諾科技有限公司（EveMissLab） 版本：v1.0 日期：2026 年 7 月 文件性質：認知動力學系列核心應用理論論文 系列位置：第 7 篇／刻板印象與非對稱更新篇 前置依賴：第 1 篇《認知事件—算子架構》、第 2 篇《選擇配置動力學》、第 5 篇《記憶動力學》、第 6 篇《認知激活—可塑性動力學》 公開定位：中層理論、準形式化模型、可檢驗研究綱領 --- ## 摘要 刻板印象常被解釋為錯誤信念、認知偏差、群體分類或「冷點凍結」。然而，若一個刻板印象會被頻繁提及、快速觸發、反覆搜尋支持案例，則將其描述為低激活冷點並不精確。第 6 篇《認知激活—可塑性動力學》已將激活 $a_e(t)$ 與更新增益 $u_e(t)$ 分離，指出部分固定信念可能呈現高激活—低可塑狀態。本文在此基礎上提出「刻板印象的非對稱更新動力學」（Asymmetric Updating Dynamics of Stereotypes, AUDS）。 本文不將刻板印象定義為單一錯誤內容，而將其視為一類可能具有以下動力特徵的認知狀態： $$ a_s(t)\uparrow, \qquad u_s^{-}(t)\downarrow, \qquad \varphi_s(\Delta t)\uparrow $$ 其中： - $a_s(t)$ ：刻板表徵的激活／可達程度； - $u_s^{-}(t)$ ：反對證據的更新增益； - $\varphi_s(\Delta t)$ ：狀態持久性。 本文進一步區分支持證據更新增益： $$ u_s^{+}(t) $$ 與反對證據更新增益： $$ u_s^{-}(t) $$ 並以： $$ \mathcal A_s^{upd}(t) = \frac{ u_s^{+}(t)-u_s^{-}(t) }{ u_s^{+}(t)+u_s^{-}(t)+\varepsilon } $$ 定義更新非對稱指標。當： $$ \mathcal A_s^{upd}\rightarrow1 $$ 表示支持證據能快速改變或強化狀態，而反例幾乎無法修正它。 本文提出四種核心維持機制：（1）反例隔離（counterexample isolation）；（2）子類化（subtyping）；（3）來源折扣（source discounting）；（4）身份防衛（identity defense）。並建立反例吸收概率： $$ P_{\text{int}}^{-} = P \left( \text{counterexample enters core model} \right) $$ 以及隔離概率： $$ P_{\text{iso}}^{-} = 1-P_{\text{int}}^{-} $$ 若： $$ P_{\text{iso}}^{-}\uparrow $$ 則系統可以「看見反例」但不把反例寫入核心表徵。 本文將刻板印象持久性建模為： $$ \Phi_s(t) = f \left( a_s, \mathcal A_s^{upd}, P_{\text{iso}}^{-}, D_s^{id}, H_s, R_s^{soc}, \varphi_s \right) $$ 其中 $D_s^{id}$ 是身份防衛負荷， $H_s$ 是歷史慣性， $R_s^{soc}$ 是社會強化。本文同時提出「支持證據過度整合」與「反對證據例外化」的雙通道機制，避免把所有刻板印象簡化為單純缺乏資訊。 本文亦提出去刻板化不應等同「增加曝光」或「把冷點加熱」。對高激活—低可塑狀態，再增加曝光可能只提高 $a_s$ ，甚至加強固定模型。有效干預需先判斷瓶頸是否位於： - 激活不足； - 反例整合不足； - 身份威脅； - 來源信任； - 子類化； - 社會回饋。 本文提出競爭模型、可證偽條件與實驗設計。其核心貢獻是把刻板印象從靜態偏見標籤，轉化為一個可分析的動態問題： $$ \boxed{ \text{為何某些內容容易被叫起，支持證據容易寫入，反例卻被隔離？} } $$ **關鍵詞：** 刻板印象、非對稱更新、反例隔離、子類化、身份防衛、高激活低可塑、確認偏誤、來源折扣、認知凍結、群體表徵 --- # 0. 邊界聲明 本文首先明確以下限制。 第一，本文不主張： $$ \text{Stereotype} = \text{False Belief} $$ 所有刻板印象都必然完全虛假。 第二，本文不主張： $$ \text{Stereotype} = \text{Cold Spot} $$ 第三，本文不主張： $$ a_s\uparrow, u_s^{-}\downarrow $$ 是所有刻板印象的唯一結構。 第四，本文不將任何政治立場、文化分類、職業印象或群體概括自動判定為病理。 第五，本文不主張： $$ u_s^{-}\downarrow $$ 一定來自惡意。 第六，本文不將： - 種族； - 性別； - 國籍； - 宗教； - 政治； 等特定群體作為本文必須成立的唯一例子。 第七，本文不提供對特定個體的心理診斷。 第八，本文不主張更多反例曝光必然降低刻板印象。 本文的最低立場是： $$ \boxed{ \text{對支持與反對證據的更新增益可能不對稱} } $$ --- # 1. 問題提出：刻板印象真的「冷」嗎？ ## 1.1 高頻激活的固定信念 某些群體概括可以： - 被快速想起； - 被媒體事件觸發； - 被主動搜尋； - 被日常笑話重述； - 被政治敘事放大。 因此： $$ a_s(t)\uparrow $$ 完全可能成立。 --- ## 1.2 但反例仍不改變核心模型 當出現： > 「這個人不符合刻板印象。」 系統可能回答： - 他是例外； - 他不算典型； - 他被特殊環境改變； - 這只是表面； - 我不信來源。 因此： $$ \text{Counterexample Observed} \not\Rightarrow \text{Core Model Updated} $$ --- ## 1.3 真正問題不是曝光，而是寫入規則 如果： $$ a_s\uparrow $$ 但： $$ u_s^{-}\downarrow $$ 那麼： > 再增加曝光 可能只讓刻板模型更常被使用。 因此核心問題應改為： $$ \boxed{ \text{Evidence Access} \neq \text{Evidence Integration} } $$ --- # 2. 前置架構中的位置 第 2 篇建立： $$ \Pi_t(e) $$ 選擇配置。 第 5 篇建立： $$ a_m(t) $$ 記憶可達性與重構提取。 第 6 篇建立： $$ a_e(t), u_e(t), \varphi_e(\Delta t) $$ 本文針對刻板表徵 $s$ ，進一步拆分： $$ u_s^{+}(t) $$ 支持證據更新增益； $$ u_s^{-}(t) $$ 反對證據更新增益。 所以： $$ u_s^{+} \neq u_s^{-} $$ 是本文的核心。 --- # 3. 刻板表徵的最小定義 ## 3.1 表徵狀態 設： $$ x_s(t) $$ 表示與刻板表徵 $s$ 相關的核心狀態。 它可以包含： - 類別關聯； - 行為預期； - 情緒價值； - 因果敘事； - 社會規範。 --- ## 3.2 刻板表徵不是單一句子 例如： > 某群體都不可靠。 實際可能包含： $$ x_s = ( P(\text{unreliable}\mid group), V, C, A ) $$ 其中： - $P$ ：條件預期； - $V$ ：情緒價值； - $C$ ：因果敘事； - $A$ ：行動傾向。 因此不能只測量一句問卷。 --- ## 3.3 核心模型與周邊模型 定義： $$ x_s^{core} $$ 核心類別模型； $$ x_s^{periph} $$ 周邊例外與附加解釋。 反例可以只改變： $$ x_s^{periph} $$ 而不改變： $$ x_s^{core} $$ 這正是反例隔離的入口。 --- # 4. 非對稱更新 ## 4.1 支持證據 設： $$ e^{+} $$ 為與既有刻板表徵方向一致的證據。 更新： $$ \Delta x_s^{+} = g \left( a_s, u_s^{+}, \varepsilon_s^{+} \right) $$ --- ## 4.2 反對證據 設： $$ e^{-} $$ 為反對既有表徵的證據。 更新： $$ \Delta x_s^{-} = g \left( a_s, u_s^{-}, \varepsilon_s^{-} \right) $$ --- ## 4.3 非對稱指標 定義： $$ \mathcal A_s^{upd}(t) = \frac{ u_s^{+}(t)-u_s^{-}(t) }{ u_s^{+}(t)+u_s^{-}(t)+\varepsilon } $$ 若： $$ \mathcal A_s^{upd}>0 $$ 表示支持證據更新更強。 若： $$ \mathcal A_s^{upd}\approx0 $$ 較對稱。 若： $$ \mathcal A_s^{upd}<0 $$ 表示反對證據更新更強。 --- ## 4.4 高度非對稱狀態 當： $$ u_s^{+}\gg u_s^{-} $$ 則： $$ \mathcal A_s^{upd}\rightarrow1 $$ 形成： > 支持案例快速寫入，反例幾乎不改核心。 --- # 5. 反例隔離 ## 5.1 定義 定義： $$ P_{\text{int}}^{-} = P \left( e^{-} \rightarrow x_s^{core} \right) $$ 即反例被整合進核心模型的概率。 --- ## 5.2 隔離概率 $$ P_{\text{iso}}^{-} = 1-P_{\text{int}}^{-} $$ 若： $$ P_{\text{iso}}^{-}\uparrow $$ 反例越可能被放到周邊。 --- ## 5.3 隔離後的結果 可能形成： $$ x_s^{core}(t+1) \approx x_s^{core}(t) $$ 但： $$ x_s^{periph}(t+1) \neq x_s^{periph}(t) $$ 所以主體可以誠實地說： > 我知道有例外。 同時核心刻板印象完全不動。 --- # 6. 子類化機制 ## 6.1 一般形式 當反例 $e^{-}$ 出現時，系統建立新子類： $$ C_{sub} $$ 使： $$ e^{-} \in C_{sub} $$ 而不是修改主類： $$ C_{main} $$ --- ## 6.2 子類化條件 候選： $$ P_{\text{sub}} = \sigma \left( \alpha D_s^{id} + \beta d(e^{-},prototype) + \gamma R_s^{soc} - \lambda U_s^{open} \right) $$ 其中： - $D_s^{id}$ ：身份防衛； - $d(e^{-},prototype)$ ：與原型距離； - $R_s^{soc}$ ：社會強化； - $U_s^{open}$ ：開放更新程度。 --- ## 6.3 例外化 最簡形式： > 他不是典型成員。 因此： $$ e^{-} \notin \text{core update set} $$ --- # 7. 來源折扣 ## 7.1 反例可以被看到，但來源被否定 例如： - 媒體造假； - 數據有偏； - 對方被收買； - 研究不可信。 定義來源可信度： $$ r(e) \in [0,1] $$ --- ## 7.2 非對稱來源權重 支持證據： $$ r^{+} $$ 反對證據： $$ r^{-} $$ 可能： $$ r^{+}\gg r^{-} $$ --- ## 7.3 實際更新 候選： $$ \Delta x_s = a_s \left[ u_s^{+} r^{+} \varepsilon^{+} + u_s^{-} r^{-} \varepsilon^{-} \right] $$ 所以即使： $$ u_s^{-} $$ 不是極低， 若： $$ r^{-}\rightarrow0 $$ 反例仍不進入模型。 --- # 8. 身份防衛 ## 8.1 定義 $$ D_s^{id}(t) $$ 表示修改刻板表徵 $s$ 對： - 自我認同； - 群體歸屬； - 道德敘事； - 世界可預測性； 造成的威脅。 --- ## 8.2 更新成本 候選： $$ C_s^{upd} = C_s^{cognitive} + C_s^{social} + C_s^{identity} $$ --- ## 8.3 身份防衛抑制反例更新 候選： $$ u_s^{-} = u_{0}^{-} \exp \left( -\lambda D_s^{id} \right) $$ 此式只是候選。 --- ## 8.4 為何支持證據不受同樣抑制 支持證據可能： - 穩定身份； - 降低不確定性； - 增強群體一致。 所以： $$ u_s^{+} $$ 可能保持高值。 --- # 9. 社會強化 ## 9.1 刻板印象不只存在於個體 定義社會強化： $$ R_s^{soc}(t) $$ 可能來自： - 同儕； - 媒體； - 社群； - 制度； - 推薦系統。 --- ## 9.2 社會強化提高激活 $$ R_s^{soc}\uparrow \Rightarrow a_s\uparrow $$ 候選成立。 --- ## 9.3 社會強化也可降低反例增益 若反例會造成群體成本： $$ D_s^{id}\uparrow $$ 進一步： $$ u_s^{-}\downarrow $$ --- # 10. 歷史慣性與持久性 ## 10.1 歷史累積 定義： $$ H_s(t) = \int_0^t w(t-\tau) a_s(\tau) \,d\tau $$ 表示激活歷史。 --- ## 10.2 持久性 沿用第 6 篇： $$ \varphi_s(\Delta t) $$ 若： $$ \varphi_s\uparrow $$ 核心狀態長期穩定。 --- ## 10.3 高激活可能提高持久性 反覆激活： $$ a_s\uparrow $$ 可能透過： - 重複； - 敘事壓縮； - 社會回饋； 提高： $$ \varphi_s $$ 但不是必然。 --- # 11. 刻板印象持久性函數 本文提出候選： $$ \Phi_s(t) = f \left( a_s, \mathcal A_s^{upd}, P_{\text{iso}}^{-}, D_s^{id}, H_s, R_s^{soc}, \varphi_s \right) $$ 其中： $$ \Phi_s $$ 表示刻板表徵長期維持程度。 --- ## 11.1 高持久候選結構 可能： $$ a_s\uparrow $$ $$ \mathcal A_s^{upd}\uparrow $$ $$ P_{\text{iso}}^{-}\uparrow $$ $$ D_s^{id}\uparrow $$ $$ R_s^{soc}\uparrow $$ $$ \varphi_s\uparrow $$ --- ## 11.2 不要求全部同時高 不同刻板印象可由不同機制維持。 因此本文拒絕單一病因。 --- # 12. 確認偏誤的動力版本 ## 12.1 不是只搜尋支持證據 確認偏誤可能至少包含： ### 搜尋偏差 $$ \Pi(e^{+})> \Pi(e^{-}) $$ ### 激活偏差 $$ a(e^{+})> a(e^{-}) $$ ### 來源偏差 $$ r^{+}>r^{-} $$ ### 更新偏差 $$ u^{+}>u^{-} $$ --- ## 12.2 四層分解 因此： $$ \boxed{ \text{Confirmation Bias} = \text{Selection} + \text{Activation} + \text{Source Weight} + \text{Update Gain} } $$ 這四者可以分離。 --- # 13. 反例可見但無效 ## 13.1 核心命題 本文提出： $$ \boxed{ O(e^{-})>0 \not\Rightarrow U(x_s,e^{-})\neq0 } $$ 也就是： > 看見反例不代表核心模型改變。 --- ## 13.2 三個出口 反例可能： ### 被隔離 $$ P_{\text{iso}}^{-}\uparrow $$ ### 被折扣 $$ r^{-}\downarrow $$ ### 被重解釋 $$ \varepsilon^{-} \rightarrow \varepsilon^{neutral} $$ --- # 14. 反例重解釋 ## 14.1 因果重寫 例如： > 他成功不是因為群體特徵錯，而是因為特別努力。 因此反例： $$ e^{-} $$ 被改寫成： $$ e^{0} $$ --- ## 14.2 候選映射 $$ \mathcal R_s : e^{-} \rightarrow \tilde e $$ 使： $$ \tilde e $$ 不再對核心模型形成高誤差。 --- ## 14.3 誤差消除 若： $$ \varepsilon^{-} = d \left( prediction, e^{-} \right) $$ 經重解釋後： $$ \tilde\varepsilon^{-} < \varepsilon^{-} $$ 則更新壓力下降。 --- # 15. 認知凍結的重新定義 ## 15.1 不再等同低激活 本文定義候選凍結： $$ \mathcal F_s = f \left( u_s^{-}\downarrow, P_{\text{iso}}^{-}\uparrow, \varphi_s\uparrow \right) $$ --- ## 15.2 剛性熱區可高度凍結 即： $$ a_s\uparrow $$ 但： $$ \mathcal F_s\uparrow $$ 所以： $$ \boxed{ \text{Freeze} \neq \text{Cold} } $$ --- # 16. 多時間尺度 ## 16.1 瞬時激活 $$ a_s^{fast}(t) $$ --- ## 16.2 中期更新 $$ u_s^{meso}(t) $$ --- ## 16.3 長期持久性 $$ \varphi_s^{slow}(t) $$ --- ## 16.4 社會代際尺度 $$ R_s^{soc,long}(t) $$ 可跨： - 年； - 世代； - 制度。 因此刻板印象不只是一個瞬時偏差。 --- # 17. 個體與群體層的分離 ## 17.1 個體層 $$ x_{s,i}(t) $$ 主體 $i$ 的刻板表徵。 --- ## 17.2 群體層 $$ \bar x_s(t) = \frac{1}{N} \sum_i x_{s,i}(t) $$ 只是粗略均值。 --- ## 17.3 傳播矩陣 定義： $$ W_{ij} $$ 主體 $i$ 對 $j$ 的傳播權重。 群體動力： $$ x_{s,i}(t+1) = F \left( x_{s,i}(t), \sum_j W_{ji}x_{s,j}(t), E_t \right) $$ 完整群體理論不在本文展開。 --- # 18. 記憶接口 ## 18.1 支持案例高可達 $$ a_{m^{+}}(t)\uparrow $$ 可能導致： $$ a_s(t)\uparrow $$ --- ## 18.2 反例記憶被隔離 反例可被記住，但標註為： $$ m^{-} \rightarrow C_{exception} $$ --- ## 18.3 來源記憶重要 若： $$ r_m $$ 來源資訊丟失，可能： - 支持案例被過度信任； - 反例來源被低估。 --- # 19. 干預原則 ## 19.1 不能只增加曝光 若： $$ a_s\uparrow $$ 已經成立，更多曝光可能無效。 --- ## 19.2 先診斷瓶頸 需要判斷： ### 搜尋偏差？ $$ \Pi(e^{+})\gg\Pi(e^{-}) $$ ### 激活偏差？ $$ a^{+}\gg a^{-} $$ ### 來源偏差？ $$ r^{+}\gg r^{-} $$ ### 更新偏差？ $$ u^{+}\gg u^{-} $$ ### 隔離偏差？ $$ P_{\text{iso}}^{-}\uparrow $$ --- ## 19.3 降低身份威脅 若： $$ D_s^{id}\uparrow $$ 直接攻擊可能： $$ u_s^{-}\downarrow $$ 更嚴重。 --- ## 19.4 反例整合 目標： $$ P_{\text{int}}^{-}\uparrow $$ 而不是單純： $$ e^{-}\text{ exposure}\uparrow $$ --- # 20. 元認知干預 ## 20.1 暴露更新規則 讓主體觀察： > 我對支持證據與反例是否使用相同標準？ --- ## 20.2 更新不對稱自檢 可比較： $$ \mathcal A_s^{upd} $$ 但不能假裝精確測出。 --- ## 20.3 多假說 對同一事件建立： $$ \mathcal H = \{ H_1,H_2,\ldots,H_n \} $$ 降低單一刻板因果故事壟斷。 --- # 21. AI 映射 ## 21.1 AI 也可能有功能類似現象 例如： - 某類模式高頻檢索； - 支持樣本高權重； - 反例被路由到例外； - 長期記憶不更新。 候選： $$ a_s^{AI}\uparrow, u_s^{-\,AI}\downarrow $$ --- ## 21.2 但不直接等同人類偏見 $$ \text{AI Bias} \neq \text{Human Stereotype} $$ --- ## 21.3 可檢測更新非對稱 給定支持與反對樣本，測： $$ \Delta x^{+} $$ 與： $$ \Delta x^{-} $$ 是否顯著不對稱。 --- ## 21.4 記憶治理 AI 長期記憶需避免： - 支持案例永久累積； - 反例只進例外庫； - 來源丟失。 --- # 22. 分層猜想 ## H1：更新非對稱猜想 部分刻板表徵： $$ u_s^{+}>u_s^{-} $$ --- ## H2：高激活低可塑猜想 部分持久刻板印象： $$ a_s\uparrow, u_s^{-}\downarrow $$ --- ## H3：反例隔離猜想 在控制反例曝光後： $$ P_{\text{iso}}^{-} $$ 可獨立預測核心模型持久性。 --- ## H4：子類化猜想 身份威脅高時： $$ P_{\text{sub}}\uparrow $$ --- ## H5：來源非對稱猜想 支持與反對證據的來源權重： $$ r^{+}\neq r^{-} $$ --- ## H6：社會強化猜想 $$ R_s^{soc}\uparrow $$ 可同時提高： $$ a_s $$ 與： $$ \varphi_s $$ --- ## H7：干預匹配猜想 針對具体瓶頸的干預，優於單純增加反例曝光。 --- # 23. 競爭模型 ## $H_0$ ：資訊不足模型 刻板印象主要因缺乏反例。 --- ## $H_1$ ：單一注意模型 主要因： $$ \Pi(e^{-})\downarrow $$ --- ## $H_2$ ：單一記憶模型 主要因支持案例記憶更強。 --- ## $H_3$ ：單一身份防衛模型 主要因： $$ D_s^{id} $$ --- ## $H_4$ ：非對稱更新動力模型 使用： - $a_s$ ； - $u_s^{+}$ ； - $u_s^{-}$ ； - $P_{\text{iso}}^{-}$ ； - $r^{+},r^{-}$ ； - $D_s^{id}$ ； - $\varphi_s$ 。 比較： - 預測力； - 反例後更新； - 長期持久性； - 干預特異性； - 模型複雜度。 --- # 24. 可證偽條件 ## F1：更新完全對稱 若： $$ u_s^{+} = u_s^{-} $$ 跨任務穩定成立，非對稱更新核心失敗。 --- ## F2：反例隔離無獨立效應 若： $$ P_{\text{iso}}^{-} $$ 不預測持久性，隔離機制需刪除。 --- ## F3：子類化不存在 若反例從不被例外化，子類化模型失敗。 --- ## F4：身份威脅無關 若： $$ D_s^{id} $$ 與反例更新無關，身份防衛機制需弱化。 --- ## F5：曝光即可充分改變 若單純增加反例曝光穩定消除刻板表徵，複雜模型應降階。 --- ## F6：單一模型支配 若： $$ H_0\text{--}H_3 $$ 在同等複雜度下穩定優於 $H_4$ ，本文應降階。 --- # 25. 實驗設計 ## 25.1 支持／反對證據更新實驗 建立初始信念： $$ x_s(t_0) $$ 分別提供： - 支持證據； - 等強度反對證據。 測： $$ \Delta x_s^{+} $$ 與： $$ \Delta x_s^{-} $$ 估計： $$ u_s^{+}, u_s^{-} $$ --- ## 25.2 反例隔離實驗 提供反例。 測量： - 是否改主類評估； - 是否建立子類； - 是否標記例外。 --- ## 25.3 身份威脅操弄 比較： - 高身份威脅； - 低身份威脅。 測： $$ u_s^{-} $$ 與： $$ P_{\text{sub}} $$ --- ## 25.4 來源權重 同一反例由不同來源提供。 測： $$ r^{-} $$ 與後續更新。 --- ## 25.5 長期持久性 延遲測量： $$ \varphi_s(\Delta t) $$ 觀察短期更新是否保持。 --- # 26. 對原《認知的冷熱點機制》刻板印象部分的正式修補 ## 26.1 保留 保留： - 刻板印象作為動力現象； - 狀態凍結直覺； - 反例整合問題； - 社會結構影響； - AI 記憶與偏差接口。 --- ## 26.2 修正核心 將： $$ \text{Stereotype} = \text{Cold Spot} $$ 改為： > 部分刻板印象可能呈高激活—低反例可塑、高持久與非對稱更新。 --- ## 26.3 拆出支持／反對證據 加入： $$ u_s^{+} \neq u_s^{-} $$ --- ## 26.4 新增反例隔離 $$ P_{\text{iso}}^{-} $$ --- ## 26.5 新增子類化 $$ P_{\text{sub}} $$ --- ## 26.6 新增來源折扣 $$ r^{+} \neq r^{-} $$ --- ## 26.7 新增身份防衛 $$ D_s^{id} $$ --- ## 26.8 移除「只要熱點化即可去刻板」 改為先診斷瓶頸。 --- # 27. 與後續系列的依賴 本文支持： ## 第 8 篇：知識—行動轉移動力學 研究某些知識雖可達，但行動規則低可塑或低門控。 --- ## 第 9 篇：厭惡成本承受動力學 研究身份威脅、羞恥、社會成本如何降低反例更新。 --- ## 第 10 篇：認知鴻溝分類學 加入： - 支持／反對更新不對稱； - 來源權重差； - 反例隔離差。 --- ## 第 11 篇：機會反噬效應 研究高暴露環境如何透過身份威脅造成： $$ u^{-}\downarrow $$ --- ## 第 13 篇：雙視角推斷 AI 加入： - 偏差檢測； - 來源監控； - 更新非對稱測試。 --- ## 第 14 篇：統一認知—行動動力學 把非對稱更新作為 $U_t$ 的情境化擴展。 --- # 28. 理論貢獻 ## 貢獻一：刻板印象不再等同冷點 $$ \boxed{ \text{Stereotype} \not\equiv \text{Low Activation} } $$ --- ## 貢獻二：建立支持／反對更新增益 $$ u_s^{+}, u_s^{-} $$ --- ## 貢獻三：建立更新非對稱指標 $$ \mathcal A_s^{upd} $$ --- ## 貢獻四：建立反例隔離 $$ P_{\text{iso}}^{-} $$ --- ## 貢獻五：建立子類化與來源折扣 $$ P_{\text{sub}}, r^{+}, r^{-} $$ --- ## 貢獻六：加入身份防衛 $$ D_s^{id} $$ --- ## 貢獻七：把去刻板化改成瓶頸匹配問題 --- # 29. 限制 第一，刻板表徵難直接測量。 第二，支持／反對證據強度難完全匹配。 第三，身份防衛與來源信任可能高度相關。 第四，群體與文化差異巨大。 第五，本文不處理所有形式偏見。 第六，本文不主張任何群體概括都應消除。 第七，AI 映射只是功能類比。 第八，本文不取代社會心理學與臨床研究。 --- # 30. 核心命題 ## 弱版本 對支持與反對既有群體表徵的證據，認知系統可能使用不同更新增益。 --- ## 中版本 部分持久刻板印象可由高激活、反例低更新增益、反例隔離、來源折扣、身份防衛與高持久性的耦合模型描述。 --- ## 強版本猜想 對具有長期記憶、群體分類、自我／群體身份與社會回饋的高階認知系統，刻板表徵的持久性可能主要取決於非對稱更新規則，而不只是資訊缺乏或低曝光。 本文不聲稱已證明強版本。 --- # 終章：刻板印象最難改的原因，可能不是「不知道反例」 一個人可以看見反例。 可以記得反例。 甚至可以承認： > 對，確實有這種人。 但核心模型仍然不動。 這正是本文真正要處理的問題。 因此： $$ \boxed{ O(e^{-})>0 \not\Rightarrow U(x_s,e^{-})\neq0 } $$ 反例可以： - 被隔離； - 被子類化； - 被來源折扣； - 被重新解釋； - 被身份防衛阻斷。 同時，支持案例卻可能： - 更容易被搜尋； - 更容易被激活； - 更容易被記住； - 更容易被整合。 於是形成： $$ \boxed{ u_s^{+}\gg u_s^{-} } $$ 這比「冷點凍結」更精確。 因為有些刻板印象根本不冷。 它們很熱。 每天被叫起。 反覆出現。 持續被社會回饋。 真正低的不是激活，而是： $$ \boxed{ \text{反例進入核心模型的更新增益} } $$ 因此本文提出： $$ \Phi_s(t) = f \left( a_s, \mathcal A_s^{upd}, P_{\text{iso}}^{-}, D_s^{id}, H_s, R_s^{soc}, \varphi_s \right) $$ 這不是最終刻板印象公式。 而是一個更精確的研究問題框架。 它把： > 為什麼有人有偏見？ 改寫成： > 支持與反對證據是否使用同一更新規則？ 把： > 多給他看反例就好。 改寫成： > 反例是否真正進入核心模型？ 把： > 他只是無知。 改寫成： > 是搜尋、激活、來源、更新、隔離、身份，還是哪一個環節形成瓶頸？ 這使刻板印象理論從靜態偏見標籤，轉化為： $$ \boxed{ \text{選擇} + \text{激活} + \text{來源權重} + \text{更新增益} + \text{反例整合} + \text{身份防衛} + \text{持久性} } $$ 的動態系統。 也為後續知行轉移、厭惡成本、認知鴻溝與機會反噬理論提供更精確的非對稱更新接口。 --- # 附錄 A：核心符號表 | 符號 | 定義 | |---|---| | $x_s(t)$ | 刻板表徵核心狀態 | | $x_s^{core}$ | 核心類別模型 | | $x_s^{periph}$ | 周邊例外模型 | | $a_s(t)$ | 刻板表徵激活程度 | | $u_s^{+}(t)$ | 支持證據更新增益 | | $u_s^{-}(t)$ | 反對證據更新增益 | | $\mathcal A_s^{upd}(t)$ | 更新非對稱指標 | | $P_{\text{int}}^{-}$ | 反例進入核心模型概率 | | $P_{\text{iso}}^{-}$ | 反例隔離概率 | | $P_{\text{sub}}$ | 子類化概率 | | $r^{+}$ | 支持證據來源權重 | | $r^{-}$ | 反對證據來源權重 | | $D_s^{id}(t)$ | 身份防衛負荷 | | $C_s^{upd}$ | 更新總成本 | | $R_s^{soc}(t)$ | 社會強化 | | $H_s(t)$ | 歷史激活慣性 | | $\varphi_s(\Delta t)$ | 刻板表徵持久性 | | $\Phi_s(t)$ | 刻板表徵長期維持程度 | | $\mathcal F_s$ | 認知凍結候選量 | | $\mathcal R_s$ | 反例重解釋映射 | --- # 附錄 B：一句話版本 > 部分刻板印象不是低激活冷點，而是高激活、支持證據高更新、反例低更新、反例易被隔離或子類化，並由身份防衛與社會強化維持的非對稱更新狀態。 --- # 附錄 C：與原稿的版本差異 | 原始版本 | v2.0 重構 | |---|---| | 刻板印象＝冷點凍結 | 改為部分高激活—低反例可塑 | | 只看更新頻率 | 拆成支持／反對更新增益 | | 反例曝光即可熱點化 | 加入反例整合與隔離 | | 例外視為自然噪聲 | 建立子類化機制 | | 來源差異未建模 | 加入 $r^{+},r^{-}$ | | 身份因素屬附加解釋 | 建立 $D_s^{id}$ | | 認知凍結＝低活性 | 改為低反例更新＋高隔離＋高持久 | | 確認偏誤單一概念 | 拆成選擇、激活、來源、更新四層 | | 去刻板化＝冷→熱 | 改為瓶頸匹配干預 | | 群體因素描述性 | 加入社會強化接口 | | AI 偏差類比人類 | 改為功能映射與更新非對稱測試 | --- **全文完**