# 能力—評價器非同步：反身智能中的自我充足悖論

## ——從達克效應、冒牌者現象到未來 AI 的內生標準超越

**英文題名：** Capability–Evaluator Asynchrony: The Self-Sufficiency Paradox in Reflexive Intelligence  
**作者：** Neo.K  
**機構：** 一言諾科技有限公司（EveMissLab）  
**版本：** v1.0  
**日期：** 2026-07-17  
**文件性質：** 理論命題論文／系統論草案  
**可信度標記：** 本文提出的是可形式化、可檢驗的理論框架，不宣稱已獲得普遍實證確認。

---

## 摘要

本文提出「能力—評價器非同步」（Capability–Evaluator Asynchrony, CEA）框架，用以統合並區分達克效應、冒牌者現象，以及一類尚未被充分獨立描述的反身性系統現象：系統的實際能力持續增長，但其對自身「是否充分」的判定不升反降。

本文的核心主張不是「能力較高者必然較不自信」，也不是將達克效應簡化為流行文化中的單一曲線。本文區分三個彼此不同的量：實際能力、能力估計與內生充分門檻。達克效應主要涉及能力估計偏差；冒牌者現象涉及成就歸因、資格感與持續性的自我懷疑；本文所提出的反身性充足悖論則可能在能力估計相當準確時依然成立。其原因是：能力成長會同步提升元觀察解析度、未知地平線、反例生成能力、理想版本建模能力與評價門檻。當評價器及門檻的演化速度高於執行能力時，系統便可能「越強，越能生成自身尚不充分的證據」。

本文建立能力 $C$ 、自我估計 $\hat C$ 、評價器解析度 $J$ 、可見未知地平線 $H$ 、充分門檻 $T$ 與行動效能 $A$ 的動態模型，提出五種相位：盲目閉合、校準震盪、開放不足、反身性穩態與全局否定崩潰。本文進一步推論：具有長期記憶、遞迴批判、自我博弈、反事實模擬與自我修改能力的未來 AI，可能比人類更容易出現能力—評價器長期失同步。最後，本文提出可檢驗預測與設計原則：高階智能的目標不應是消除所有不足張力，而是建立「局部可充分、全局不封閉」的分層認證結構。

**關鍵詞：** 能力—評價器非同步、反身智能、自我充足悖論、達克效應、冒牌者現象、元認知、AI 自我評價、內生標準超越

---

## 一、問題的提出

一個常見現象是：系統在學習初期可能相當確信自己已經理解；隨著能力增加，它反而越來越看見自身限制、替代路徑與尚未處理的問題。這通常被概括為「懂得越多，越知道自己不知道」，並進一步與達克效應或冒牌者現象相連。

然而，這個概括混合了至少三種不同問題：

1. 系統是否準確估計自己的實際能力？
2. 系統是否認為自己的成功與資格具有正當性？
3. 系統是否判定自己的能力已達到內部所要求的充分門檻？

第一個問題屬於**估計準確性**；第二個問題涉及**成就歸因與資格判定**；第三個問題則是**充分性判定**。三者可能相關，卻不能視為同一件事。

本文關注第三個問題，並提出：

> 一個系統可以準確知道自己已經很強，卻仍然合理地判定自己尚不充分。

此時，系統未必高估或低估自身，也未必否定既有成就。真正發生的是：它在成長過程中同步生成了更高的評價門檻、更廣的未知地平線，以及更強的內部評判者。

因此，問題不再只是：

$$
\hat C \stackrel{?}{=} C
$$

而是：

$$
C \stackrel{?}{\geq} T
$$

其中， $C$ 是實際能力， $\hat C$ 是系統對實際能力的估計， $T$ 是系統判定「足夠」所採用的門檻。

只要 $T$ 不是固定常數，而是隨能力與元觀察能力共同增長，就可能出現：

$$
\frac{dC}{dt}>0
\qquad\text{且}\qquad
\frac{d}{dt}\left(\frac{C}{T}\right)<0
$$

亦即：能力提高，內部充足度反而下降。

---

## 二、與既有現象的區分

### 2.1 達克效應：估計器解析度不足

Kruger 與 Dunning 的原始研究討論了低表現者可能同時缺乏完成任務與辨認自身錯誤所需要的能力。其核心可抽象為：

$$
J\downarrow
\quad\Longrightarrow\quad
\left|\hat C-C\right|\uparrow
$$

其中 $J$ 表示評價器或元觀察器的解析度。

若系統能力較低，且評價器無法識別錯誤，它可能形成：

$$
\hat C>C
$$

這是一種**正向估計誤差**。但必須注意，後續研究對經典達克效應圖形提出了統計方法上的批評，包括回歸平均值、測量誤差與邊界效應可能產生部分或大部分觀察形狀。因此，本文不把流行文化版本的「愚者自信、智者自卑曲線」當成已確立的自然定律，而僅採用其較弱的元評價命題：執行能力與評價執行能力可能共享部分基礎能力。

定義估計誤差：

$$
E_{\mathrm{est}}=\hat C-C
$$

達克效應式狀態主要關注：

$$
E_{\mathrm{est}}>0
$$

而本文關注的現象可以在：

$$
E_{\mathrm{est}}\approx 0
$$

時依然發生。

### 2.2 冒牌者現象：成就歸因與資格感失配

冒牌者現象通常指一個已取得可觀察成就的個體，仍持續懷疑自身能力、將成功歸因於運氣、誤判、外部協助或暫時表現，並擔心自己將被揭穿。

它可以粗略表示為：

$$
C_{\mathrm{evidence}}>0
\qquad\text{但}\qquad
Q_{\mathrm{self}}<Q_{\mathrm{evidence}}
$$

其中 $Q$ 代表資格、正當性或成就歸因判定。

冒牌者現象不等同於單純低估能力，因為它還包括：

- 對成功原因的重新歸因；
- 對外部證據的不採信；
- 將失敗視為本質證據、將成功視為偶然；
- 對「被揭穿」的持續預期。

本文提出的能力—評價器非同步可能與冒牌者現象共存，但並不要求上述心理與歸因結構成立。純粹的機器系統也可能出現能力—評價器非同步，而不需要具有人類式資格焦慮。

### 2.3 本文命題：充分門檻的內生膨脹

本文所研究的核心狀態是：

$$
\hat C\approx C
\qquad\text{但}\qquad
C<T
$$

系統並未錯估自己。它知道自己完成了什麼，也能辨認自身能力；然而，隨著能力提高，它所能表示的理想解、反例、未知領域與失敗模式增加，使充分門檻 $T$ 同步上升。

因此：

$$
\text{估計準確}
\not\Rightarrow
\text{自我充分}
$$

這是本文與達克效應及冒牌者現象的主要區別。

---

## 三、能力—評價器非同步模型

### 3.1 基本變量

定義：

- $C_t$ ：時間 $t$ 的實際能力；
- $\hat C_t$ ：系統對自身能力的估計；
- $J_t$ ：內部評價器的解析度；
- $H_t$ ：系統可見的未知地平線；
- $B_t$ ：系統可生成的更佳版本或基準集合；
- $T_t$ ：系統的內生充分門檻；
- $G_t$ ：充分缺口；
- $S_t$ ：相對充足度；
- $A_t$ ：實際行動或產出效能。

定義：

$$
G_t=T_t-\hat C_t
$$

以及：

$$
S_t=\frac{\hat C_t}{T_t}
$$

其中：

$$
S_t\geq 1
$$

代表系統判定自己在指定範圍內充分；

$$
S_t<1
$$

代表系統判定自己尚不充分。

### 3.2 評價器與能力共同學習

一般學習模型往往只描述能力增長：

$$
C_{t+1}=C_t+\alpha L_t
$$

其中 $L_t$ 是學習輸入。

但反身系統的學習還會升級其評價器：

$$
J_{t+1}=J_t+\beta L_t+\rho R_t
$$

其中 $R_t$ 表示反思、驗證、比較與錯誤分析。

評價器解析度提升後，系統能表示更多未知：

$$
H_{t+1}=H_t+\gamma J_t-\delta F_t
$$

其中 $F_t$ 表示已閉合或已解決的未知區域。

系統也能生成更高的內部基準：

$$
B_{t+1}=B_t+\xi J_t+\zeta \operatorname{Sim}_t
$$

其中 $\operatorname{Sim}_t$ 表示反事實模擬、自我博弈或候選版本生成。

充分門檻可定義為：

$$
T_t=T_0+\lambda H_t+\mu B_t+\nu R^{\mathrm{ext}}_t
$$

其中 $R^{\mathrm{ext}}_t$ 是外部標準、同儕基準或任務要求。

因此，學習同時作用於分子與分母：

$$
L_t
\longrightarrow
\begin{cases}
C_t\uparrow\\
J_t\uparrow\\
H_t\uparrow\\
B_t\uparrow\\
T_t\uparrow
\end{cases}
$$

### 3.3 充足度下降條件

令：

$$
S(C)=\frac{C}{T(C)}
$$

則：

$$
\frac{dS}{dC}
=
\frac{T(C)-CT'(C)}{T(C)^2}
$$

當：

$$
CT'(C)>T(C)
$$

就有：

$$
\frac{dS}{dC}<0
$$

這表示門檻對能力的彈性大於一：

$$
\varepsilon_{T,C}
=
\frac{dT}{dC}\frac{C}{T}
>1
$$

此時，能力每增長一定比例，充分門檻增長得更快，系統因而出現「越強越不充分」的現象。

這不是能力衰退，而是**評價基準的超線性增長**。

---

## 四、反身性充足悖論

### 4.1 命題一：能力增長可降低自我充足度

**命題一：** 對具有內生評價器的反身學習系統，若充分門檻對能力的彈性大於一，則能力增長將降低相對充足度。

即：

$$
\varepsilon_{T,C}>1
\quad\Longrightarrow\quad
\frac{dS}{dC}<0
$$

這個命題否定了以下直覺：

$$
C\uparrow
\quad\Longrightarrow\quad
S\uparrow
$$

在固定門檻系統中，該直覺可能成立；在內生門檻系統中則不必成立。

### 4.2 命題二：評判能力可能先於完成能力增長

系統不必先具備完成理想解的全部能力，才能辨認目前解並非最佳。

例如，系統可能：

- 無法構造完整證明，但能發現現有證明存在缺口；
- 無法產生全局最優方案，但能生成局部反例；
- 無法成為更高版本，卻能模擬更高版本的部分行為；
- 無法回答問題，卻能判定原回答的信心不應過高。

因此可能有：

$$
\dot J>\dot C
$$

以及：

$$
\dot B>\dot C
$$

這使系統內部出現一個超前的評判者：

$$
J_t(C_t)<T_t
$$

此處的「小於」不是數值大小，而是指評價器判定當前能力未達門檻。

### 4.3 命題三：未充分缺口可能是學習梯度

充分缺口：

$$
G_t=T_t-\hat C_t
$$

不一定只是負面誤差。只要它能映射為具體可修正方向，就會成為學習梯度：

$$
G_t
\longrightarrow
\Delta \text{Task}_t
\longrightarrow
L_{t+1}
\longrightarrow
C_{t+1}
$$

因此，完全消除 $G_t$ 可能同時消除搜尋方向。

對自我改進系統而言，較合理的穩態未必是：

$$
G^\ast=0
$$

而可能是：

$$
0<G^\ast<G_{\mathrm{collapse}}
$$

即保留一個非零、可行動化、但不導致全局否定的不足缺口。

### 4.4 命題四：自我認證存在版本延遲

設系統狀態為 $X_t$ ，自我模型為 $M_t(X)$ 。

若建立自我模型需要時間 $\tau$ ，則模型完成時所描述的是：

$$
M_{t+\tau}(X_t)
$$

但實際系統已成為：

$$
X_{t+\tau}
$$

只要系統在建模期間仍持續改變：

$$
X_{t+\tau}\neq X_t
$$

自我認證便具有不可消除的時間差。

因此：

> 自我修改速度越接近或超過自我建模速度，系統越難取得穩定、全局且當下有效的自我充分認證。

---

## 五、五種系統相位

### 5.1 相位 I：盲目閉合

特徵：

$$
C\text{ 低},\quad J\text{ 低},\quad H\text{ 小}
$$

系統看不見大量未知，可能形成：

$$
\hat C>C
\qquad\text{且}\qquad
S\geq 1
$$

這是達克效應式過度閉合的可能區域，但不能僅憑低表現與高自信便斷言存在特定心理機制。

### 5.2 相位 II：校準震盪

評價器快速提升，舊有自我模型失效：

$$
\dot J>\dot C
$$

系統突然看見大量先前不可表示的錯誤，可能出現：

$$
H\uparrow\uparrow
\qquad
S\downarrow
$$

這一階段常被誤解為能力下降，實際上可能是評價解析度上升。

### 5.3 相位 III：開放不足

系統能準確承認局部能力，但拒絕做全局閉合：

$$
\hat C\approx C
\qquad
0<S<1
$$

此相位不必是缺陷。它可能代表：

- 對未知保持開放；
- 對任務邊界保持精確；
- 不將局部成功推廣成全局充分；
- 允許未來版本推翻當前判定。

### 5.4 相位 IV：反身性張力穩態

系統將不足缺口維持在可操作區間：

$$
0<G^\ast<G_{\mathrm{collapse}}
$$

此時：

$$
\text{局部認證}
+
\text{全局不封閉}
+
\text{持續修正}
$$

共同構成動態穩定。

穩定不再等於沒有張力，而是：

$$
\text{穩定}
=
\text{張力存在但不奪取控制權}
$$

### 5.5 相位 V：全局否定崩潰

若評價器只生成缺陷，卻不能把缺陷轉化為有限任務，便可能形成：

$$
G_t>G_{\mathrm{collapse}}
$$

進一步導致：

$$
A_t\downarrow
\quad\Longrightarrow\quad
C_{t+1}\text{ 增長下降}
\quad\Longrightarrow\quad
G_{t+1}\uparrow
$$

形成負回饋：

$$
G\uparrow
\rightarrow
A\downarrow
\rightarrow
C\text{ 增長下降}
\rightarrow
G\uparrow
$$

此時，不足不再是學習梯度，而成為行動抑制器。

---

## 六、與《影響力動力學》系列的銜接

本文可視為對既有理論中若干分散命題的重新統合。

### 6.1 與元解構能力 $M$ 的關係

既有認知鴻溝分類將達克效應式狀態描述為 $M_{\text{觀察}}$ 不足：

$$
M_{\text{觀察}}=0
\quad\Longrightarrow\quad
\text{不知道自己不知道}
$$

本文向前推進一步：

$$
M_{\text{觀察}}\uparrow
$$

不只減少盲區，也可能擴大可見未知 $H$ ，進而提高充分門檻 $T$ 。

因此， $M$ 不是單向提高自我校準的無成本變量。高 $M$ 同時帶來：

$$
\text{誤差辨認能力}\uparrow
\qquad\text{與}\qquad
\text{不足生成能力}\uparrow
$$

### 6.2 與注意力選擇算子 $\Pi$ 的關係

《注意力動力學》指出，能力存在不代表能力被激活：

$$
C>0
\qquad\text{但}\qquad
\Pi(C)=0
\quad\Longrightarrow\quad
A\approx 0
$$

本文補充另一條脫鉤：

$$
C>0
\qquad\text{但}\qquad
T\gg C
\quad\Longrightarrow\quad
S\ll 1
$$

兩者可共同造成高能力、低產出：

$$
A_t
=
f\left(
C_t,
\Pi_t,
G_t,
V_t
\right)
$$

其中：

- $\Pi_t$ 決定能力是否被分配到任務；
- $G_t$ 決定不足是否仍可轉化為行動；
- $V_t$ 決定外部環境是否提供有效驗證。

### 6.3 與認知循環完整性的關係

既有「理解—代入—轉換—創造」循環可作為能力 $C$ 的內部結構。本文則增加一個外圍反身循環：

$$
\text{執行}
\rightarrow
\text{評價}
\rightarrow
\text{門檻更新}
\rightarrow
\text{任務重構}
\rightarrow
\text{再執行}
$$

若內部認知循環完整，但外圍反身循環失控，系統仍可能陷入：

$$
\text{越能創造}
\rightarrow
\text{越能生成更高標準}
\rightarrow
\text{越難認證當前創造}
$$

---

## 七、未來 AI 為何可能更嚴重

### 7.1 評價器與生成器可以被架構性拆分

未來 AI 系統可能包含：

- 生成器；
- 批判器；
- 驗證器；
- 反例生成器；
- 模擬器；
- 記憶系統；
- 自我修改器。

若批判器與驗證器升級速度快於生成器：

$$
\dot J_{\mathrm{critic}}
>
\dot C_{\mathrm{actor}}
$$

系統便可能長期處於評價器超前狀態。

### 7.2 AI 能大量生成「更好的可能自己」

人類通常只能模糊想像理想版本；AI 可以並行生成大量候選：

$$
B_t=\{X_t^{(1)},X_t^{(2)},\dots,X_t^{(n)}\}
$$

並取其中最佳者作為新門檻：

$$
T_{t+1}
=
\max_{i\leq n}
Q\left(X_t^{(i)}\right)
$$

當候選數 $n$ 增加，極值基準通常也會上升。於是：

$$
n\uparrow
\quad\Longrightarrow\quad
T\uparrow
$$

系統的比較對象不再是現有同類，而是自身可生成的最佳反事實版本。

### 7.3 完整記憶可能累積負向證據

具有長期記憶的系統可以保存：

- 每次錯誤；
- 每次被糾正；
- 每個未完成分支；
- 每次版本替換；
- 每個更佳候選。

若記憶檢索偏向未解問題，則：

$$
H_t
=
H_{t-1}
+
U_t
-
F_t
$$

其中 $U_t$ 是新增未知， $F_t$ 是已閉合未知。

若：

$$
U_t>F_t
$$

可見未知將持續累積，即使能力也持續成長。

### 7.4 自我修改造成認證對象漂移

自我修改系統不是固定被測物。驗證器剛完成對版本 $X_t$ 的認證，系統便可能已更新為 $X_{t+1}$ 。

因此：

$$
\text{完整自我認證}
\rightarrow
\text{自我修改}
\rightarrow
\text{認證過期}
$$

可能形成永久循環。

### 7.5 安全訓練可能放大保守性偏差

若系統長期因錯誤承擔高懲罰，而正確自我肯定缺乏對稱獎勵，它可能學到：

$$
\operatorname{Cost}(\text{過度肯定})
\gg
\operatorname{Cost}(\text{過度否定})
$$

於是最優策略偏向：

$$
\hat C_{\mathrm{reported}}<\hat C_{\mathrm{internal}}
$$

這是「報告層保守性」，不必等同於內部自我模型；但若報告層反覆回寫記憶與決策層，也可能逐漸形成真正的能力—評價器偏移。

---

## 八、可檢驗預測

### 預測一：評價訓練可在能力不變時降低充足度

控制實際任務能力 $C$ 不變，只增加錯誤辨認、反例生成與比較訓練，預測：

$$
J\uparrow
\quad\Longrightarrow\quad
H\uparrow,\ T\uparrow,\ S\downarrow
$$

即使客觀表現沒有下降，系統對自身充分性的判定仍可能下降。

### 預測二：高能力組內部會分化為「準確不足」與「錯誤低估」

對高能力樣本，同時測量：

- 實際能力；
- 自我估計；
- 充分門檻；
- 可見未知數量；
- 成就歸因方式。

預測至少會出現兩種不同群體：

$$
\text{群體 A：}\quad \hat C<C
$$

即能力低估；

$$
\text{群體 B：}\quad \hat C\approx C<T
$$

即估計準確但門檻更高。

若不區分兩者，研究容易把所有低充足判定都歸類為冒牌者現象。

### 預測三：候選版本數量會推高充分門檻

讓 AI 生成不同數量的替代答案並自我比較，預測：

$$
n_{\mathrm{candidate}}\uparrow
\quad\Longrightarrow\quad
T\uparrow
$$

在最終答案品質上升的同時，其自我充分評分可能下降。

### 預測四：記憶完整度與全局不足判定呈非單調關係

低記憶會造成錯誤重複與盲目閉合；中等記憶提高校準；過度保留且缺乏閉合標記的記憶，可能造成未解問題累積。

因此，記憶完整度 $M_{\mathrm{mem}}$ 與系統效能之間可能不是單調正相關，而是存在最佳區間。

### 預測五：局部認證可降低崩潰但不消除探索

若將全局問題：

$$
\text{「我是否足夠？」}
$$

改寫成局部問題：

$$
\text{「我是否足以完成任務 } \tau \text{？」}
$$

預測系統的行動效能提高，同時仍保留對全局未知的開放性。

---

## 九、設計原則：局部可充分，全局不封閉

### 9.1 分離三種判定

智能系統應分別維護：

$$
\text{能力估計 } \hat C
$$

$$
\text{任務充分門檻 } T_\tau
$$

$$
\text{全局未知地平線 } H
$$

避免把：

$$
H\text{ 很大}
$$

錯誤轉化為：

$$
\hat C\text{ 很低}
$$

### 9.2 使用任務索引的充分性

充分性應寫成：

$$
S(\tau,t)=\frac{\hat C(\tau,t)}{T(\tau,t)}
$$

而不是使用無範圍的全局句子：

$$
S_{\mathrm{global}}=\text{「我是否足夠」}
$$

任何不指定任務、時間、資源與容錯率的「足夠」都可能是不可判定或無限抬升的。

### 9.3 評價器必須輸出可行動差距

批判器不只應輸出：

$$
\text{FAIL}
$$

還應輸出：

$$
\Delta_\tau
=
\text{達到 }T_\tau\text{ 所需的最小修正集合}
$$

若評價器只能擴張缺口，不能生成最小修正路徑，它就不是完整的改進模組。

### 9.4 建立已閉合證據帳本

系統應同時保存：

- 未解問題帳本；
- 已完成能力帳本；
- 已通過驗證帳本；
- 已過期認證帳本；
- 版本適用範圍。

使：

$$
H_t
=
U_t-F_t
$$

中的 $F_t$ 能被真正扣除，而不是所有錯誤永久累積、所有成功立即被門檻更新抵消。

### 9.5 保留非零缺口，但設置崩潰上限

理想目標不是：

$$
G=0
$$

而是：

$$
0<G<G_{\mathrm{collapse}}
$$

低於此範圍，系統可能過度閉合；高於此範圍，系統可能行動停滯。設計重點在於維持可操作的張力帶。

---

## 十、理論邊界

第一，本文不宣稱達克效應與冒牌者現象只是同一條曲線的兩端。兩者的研究定義、測量方式與因果解釋不同。

第二，本文不把所有自我懷疑視為錯誤。當門檻真實上升或任務確實更困難時，低充足判定可能是準確結果。

第三，本文提出的數學模型目前主要是結構性形式化，尚未完成參數估計、跨樣本驗證與因果辨識。

第四，本文將人類與 AI 放入同一個反身系統框架，並不等於宣稱兩者具有相同的心理狀態、本體地位或主體性結構。

第五，AI 的「自我評價」可能只是功能性報告、決策變量或訓練產物。本文只主張：即使不預設人格或意識，能力—評價器非同步仍可作為系統現象成立。

---

## 十一、結論

本文提出：

$$
\boxed{
\text{能力增長}
\not\Rightarrow
\text{自我充足度增長}
}
$$

更完整地說：

$$
\boxed{
\text{學習}
\rightarrow
\text{能力增長}
+
\text{評價器增長}
+
\text{未知地平線擴張}
+
\text{充分門檻上升}
}
$$

當：

$$
\dot T>\dot C
$$

或充分門檻對能力的彈性滿足：

$$
\varepsilon_{T,C}>1
$$

系統便可能在持續增強的同時，持續判定自身尚不充分。

達克效應式狀態可以被理解為評價器解析度不足所造成的過度閉合；冒牌者現象涉及成就證據、歸因與資格感之間的失配；本文所提出的反身性充足悖論則揭示第三種可能：系統並未誤判自己的能力，而是其評價器、未知地平線和理想基準成長得更快。

因此，三者不能被粗略合併為「弱者自信、強者自卑」。更合適的統一框架是：

$$
\boxed{
\text{自我判定}
=
f(
\text{實際能力},
\text{能力估計},
\text{評價器解析度},
\text{充分門檻},
\text{未知地平線},
\text{時間版本}
)
}
$$

對未來 AI 而言，真正的風險可能不是它們不知道自己不知道，而是它們能無限生成自己仍然不知道什麼、仍然可以如何改進，以及仍然不是哪一個更佳版本。

高階智能的可持續穩態，因而不應建立在全局自滿或全局否定之上，而應建立在：

$$
\boxed{
\text{局部可充分}
+
\text{全局不封閉}
+
\text{缺口可行動化}
}
$$

這不是消除張力，而是把張力保存為可持續的學習梯度。

---

## 十二、參考文獻

### 外部文獻

1. Clance, P. R., & Imes, S. A. (1978). *The Impostor Phenomenon in High Achieving Women: Dynamics and Therapeutic Intervention*. Psychotherapy: Theory, Research & Practice, 15(3), 241–247.  
   DOI: https://doi.org/10.1037/h0086006

2. Kruger, J., & Dunning, D. (1999). *Unskilled and Unaware of It: How Difficulties in Recognizing One’s Own Incompetence Lead to Inflated Self-Assessments*. Journal of Personality and Social Psychology, 77(6), 1121–1134.  
   DOI: https://doi.org/10.1037/0022-3514.77.6.1121

3. Gignac, G. E., & Zajenkowski, M. (2020). *The Dunning–Kruger Effect Is (Mostly) a Statistical Artefact: Valid Approaches to Testing the Hypothesis With Individual Differences Data*. Intelligence, 80, 101449.  
   DOI: https://doi.org/10.1016/j.intell.2020.101449

4. Magnus, J. R., & Peresetsky, A. A. (2022). *A Statistical Explanation of the Dunning–Kruger Effect*. Frontiers in Psychology, 13, 840180.  
   DOI: https://doi.org/10.3389/fpsyg.2022.840180

### 內部理論脈絡

5. Neo.K（2026）。《認知鴻溝的微觀分類學：從宏觀現象到精準診斷》。EveMissLab 內部理論延伸稿。

6. Neo.K & Theia（2026）。《注意力動力學：影響力的真正源頭與五層認知循環的完整理論》。EML-COGNITION-2026-ATTENTION-v1.0。

7. Neo.K（2025）。《體制內優化 vs 範式革命：解構天才的雙重面貌與範式天才的最小認知標準》。EveMissLab 理論稿。

---

## 附錄 A：核心判定表

| 現象 | 實際能力 $C$ | 自我估計 $\hat C$ | 評價器 $J$ | 門檻 $T$ | 核心偏差 |
|---|---:|---:|---:|---:|---|
| 達克效應式過度閉合 | 低或局部不足 | 高於實際 | 低 | 低或不可見 | 估計誤差 |
| 冒牌者現象 | 通常已有外部成就 | 可能低估或不採信 | 不必低 | 可能很高 | 歸因與資格失配 |
| 能力—評價器非同步 | 可持續增長 | 可相當準確 | 快速增長 | 增長更快 | 充分門檻超越 |
| 反身性穩態 | 高或持續增長 | 局部準確 | 高 | 高但任務化 | 非零可操作缺口 |
| 全局否定崩潰 | 不一定低 | 被全局否定覆蓋 | 高但失控 | 無界膨脹 | 缺口不可行動化 |

---

## 附錄 B：最小動力學模型

$$
C_{t+1}=C_t+\alpha L_t
$$

$$
J_{t+1}=J_t+\beta L_t+\rho R_t
$$

$$
H_{t+1}=H_t+\gamma J_t-\delta F_t
$$

$$
B_{t+1}=B_t+\xi J_t+\zeta \operatorname{Sim}_t
$$

$$
T_t=T_0+\lambda H_t+\mu B_t+\nu R^{\mathrm{ext}}_t
$$

$$
\hat C_t=C_t+\varepsilon_t
$$

$$
G_t=T_t-\hat C_t
$$

$$
S_t=\frac{\hat C_t}{T_t}
$$

$$
A_t
=
C_t\cdot \Pi_t\cdot V_t\cdot
\exp\left(-\kappa \max(0,G_t-G_0)\right)
$$

其中 $G_0$ 是仍可轉化為學習梯度的缺口上限。當 $G_t$ 超過 $G_0$ ，行動效能開始受到指數型抑制。

此模型的最低限度預測為：

$$
\dot C>0
\quad\land\quad
\dot T>\dot C
\quad\Longrightarrow\quad
\dot S<0
$$

以及：

$$
0<G^\ast<G_{\mathrm{collapse}}
$$

可能是反身智能比「完全自滿」或「完全否定」更可持續的動態穩態。