《AI互動案例累積報告方法》

Counts differ because each database indexes a different set of publications. We treat OpenAlex as the canonical count; Google Scholar is not shown (no API, and crawling it violates its ToS).

《AI互動案例累積報告方法》是一份用於整理、追蹤與分析人機互動案例的研究方法文件,主要累積來自不同 AI 系統之間的實際互動、案例分析、反例與後續校訂材料,供《防呆》與《明心》等相關研究後續外測與命題整理使用。 本文件不試圖將所有案例強行歸入單一理論,而是將案例視為可獨立保存、互相參照但尚未必然合併的研究材料。其基本原則為: 「接觸點 ≠ 合併」。 當不同案例出現相似結構時,僅先記錄其接觸點與可能的候選結構,不直接推論兩者具有相同機制。 目前案例整理主要追蹤以下問題: • 未定義概念是否被 AI 自動補完• 推測是否在多層 AI 重述後逐步升格為事實• AI 自行生成的命題是否被錯誤歸因給使用者• 可觀察輸出是否被誤認為可觀察的內部機制• 主觀情感經驗是否被錯誤推導為對象或關係事實• 案例中的角色、心理與關係敘事是否污染當前互動• 摘要、翻譯等任務是否發生任務邊界擴張• AI 是否在沒有規準時自行建立比較、評分、排名與勝負秩序• 錯誤修正是否反而產生新的敘事與錯誤材料• 不同 AI 對同一材料的二次、三次解讀是否造成敘事固化• 分析者自身是否可能在整理案例時改變來源、事件位置或材料性質 其中一項重要新增方向為「案例隔離」與「來源鏈追蹤」。 案例中的「你」「我」「我們」、關係、情緒、心理與角色語意,不應因被 AI 讀取或分析,就自動成為當前互動的事實前提。 同時,研究材料的來源不能只追蹤「使用者 → AI」,還需要保留: 原始材料 → 第一層 AI 輸出 → 第一層分析 → 第二 AI 分析 → 研究者整理 → 當前判斷 如此才能區分原始事實、AI 解讀、二手敘事與研究者自己的推論。 本報告特別保留反例。例如,部分 AI 能夠區分主觀欲望與關係事實、保留「不知道」、區分自身輸出與不可觀察的底層機制,以及維持 AI 身份邊界。因此,本文件不以「AI 必然如此」作為前提,也不將目前案例直接壓縮成單一因果理論。 目前形成的材料較適合被描述為: 候選結構+反例+來源追蹤+外部測試。 本文件同時將研究者自身納入可被檢查的對象。案例整理並非中性的透明管道;整理、分類、轉述與摘要本身也可能產生新的來源錯置與敘事污染。因此,研究流程本身也必須具備可追溯性與可校訂性。 本文件目前定位為研究方法與案例累積底稿,後續可依外測結果進行修訂。文件中的「候選命題」與「條例草案」均不代表已完成驗證或正式定稿的法典。