——与 VoI／EVPI 正面对照的路径理论
关键词：语言符号；符号分辨调度链；行动分岔；事件触发；澄清；共同基础；AI 对齐；语义通信
讨论语言符号的“智慧”，最容易落入一种赞美式解释：符号让人类把经验压成词，把私人感受搬到公共空间，把复杂世界分门别类，因此它当然智慧。这类解释没有错，却把“智慧”当作一个静态属性。真正困难的问题出现在沟通尚未结束、意义还没有全部确定、行动却不能无限等待的时刻。一个医生说“先观察”，患者究竟理解为继续住院、回家观察还是暂停用药；老师说“把这个改一下”，学生究竟应改词、改句还是重写结构；导航说“前面右转”，两个岔口都在“前面”。此时系统面临的不是有没有符号，而是必须决定：下一拍之前，究竟需要把哪一个区别公开出来。
传统的“清晰性”直觉把答案写成一条单调函数：歧义越少越好、信息越多越好、确认越充分越好。然而真实语言并不这样工作。日常对话中大量表达保持省略、指代不全、词义宽泛，参与者仍然能继续行动；相反，过量解释会增加交互成本、打断节奏，甚至制造新的选择负担。Good-Enough 研究表明，人类理解经常停在不完整、近似甚至局部错误的表征上，而这种“快而省”的加工在许多情境中足以支持交流（Ferreira et al., 2002; Christianson, 2016）。这意味着语言智慧不能被定义为“最大语义分辨率”。
另一条直觉是把智慧放在修复上：先允许模糊，一旦误解再纠正。互动修复研究的确指出，repair 是语言韧性、社会问责与集体计算的基础机制（Dingemanse & Enfield, 2024）。但如果本文继续把“会修复”当作答案，就会与上一轮“可寻址承诺—符号故障域—修复传播半径”的论文发生同根，也会被现有 repair 理论直接占位。因此本研究把焦点前移：不是错误发生以后修多远，而是错误发生以前，什么事件迫使语言把原本可以悬置的差异提升为一个公共区别。
由此，本文把“语言符号如何智慧”改写为一个严格路径问题：在一个连续互动中，符号如何从较粗的公共分辨率起步；如何判断当前分辨率是否足够；何时追加一个区别；追加哪一个区别；什么时候追加信息仍不足以支持安全行动；以及何时必须把判定权转交给能提供信息或承担后果的人。智慧不再是一句“语言很灵活”，而是一条可被日志重建、可被反例击穿的发生链。
VoI把询问的预期效用增益与用户认知成本相权衡；structured uncertainty进一步把不确定性落到工具参数域，并用EVPI选择问题。它们是本研究的强基线。剩余空位不是“何时问”，而是：一个区分是否恰好切开当前可行动集合，以及何时应因行动已唯一而停止继续释义。
三条远域材料只提供路径约束：通信分辨率可调，事件触发控制不按固定时钟更新，安全系统中某些差异必须交给有权者裁决。最终理论必须用一个统一状态量B_t连接进入、释差和转交，而不能依靠三个领域的并列类比。
给定候选行动集合A和当前信息状态s，定义等价关系：若两种世界状态在当前条件下导向同一可接受行动，则属于同一行动分区。B_t为时点t仍然开放的行动块数。SRSC选择能够以最低语言成本把当前分区切到B_{t+1}=1的问题或区分；如果任何可用区分都不能安全地实现唯一化，则把决定权转交给更高权限，而不是继续用语言伪造确定性。
粗粒进入→计算行动分区→定位最小切割→释放区分→重算B_t→停止或转交。每一步都可记录问题、候选行动、比特成本、权限边界和结果；链条的终点不是歧义为零，而是当前行动唯一或责任已明确转交。
最小指对行动分区的充分区分成本，不等于词数最少。一个稍长但一次切开关键分区的问题，可能比连续三次短问更小；成本以问题数、编码比特、交互轮次和用户负荷共同报告。
为了避免“足够清楚”“真正理解”“风险很高”之类不可复算的判断，本文只设一个主读数：行动分枝数 B_t。设 t 时刻的公共互动历史为 H_t；I_t 是与 H_t 中显式词语、已确认事实和任务约束相容的解释集合。对每个解释 i∈I_t，按预注册的任务规则映射其下一步可观察动作 a(i,t)。把所有动作去重得到 A_t={a(i,t)}，则 B_t=|A_t|。
B_t 的意义很直接。若 B_t=1，说明即使参与者对词义、对象或理由仍有多种理解，这些差异在当前一拍不会改变动作；系统可以行动而不必强迫意义归一。若 B_t>1，说明至少有两个仍成立的解释会让下一步走向不同路径，当前公共分辨率不足。此时链条触发一次“释差”：加入一个能把关键行动分支分开的公共区别，然后重新计算 B_t。
这里最重要的纪律是：B_t 不是“模糊度分数”，也不是风险分数，更不是语义距离。四种解释可能全部指向同一动作，B_t 仍等于 1；两个语义极近的解释若分别导致“发药/停药”，B_t 等于 2。正因为它拒绝把语义数量直接当成行动数量，SRSC 才能提出一个与 ClariQ 的 clarification_need、信息熵或候选 facet 数不同的读数。
动作类必须外显。若同一个回答只是措辞不同、但操作对象、操作类型与不可逆性相同，编码为同一类；若目标对象或操作发生变化，编码为不同类；若没有足够记录判断下一步动作，记为 NA，不允许研究者脑补。对教育或纯认识任务，“继续追问某概念”本身可以是动作类，但必须在任务开始前写入任务协议，不能看到结果后把“理解”任意解释成动作。
将“语义歧义高/低”与“下一动作分岔高/低”交叉，可得到一个比“清楚—模糊”二分更有力的 2×2。第一格，低歧义×低分岔，是传统意义上的充分确定；第二格，高歧义×高分岔，是典型澄清区；第三格，低歧义×高分岔，说明语义已经清楚但目标、价值或权限冲突，继续解释词义无济于事；第四格，高歧义×低分岔，则是本文最关键的目标格：生产性欠分辨。这里意义尚未完全统一，但所有当前可接受解释都导向同一下一步，因此强制澄清反而可能降低效率。
这个 2×2 直接制造可判的反例。若一套系统只根据歧义度提问，它会在“高歧义×低分岔”格过度提问；若一套系统只根据置信度行动，它会在“低歧义×高分岔”格误以为已经安全。SRSC 要求分别处理：前者继续行动，后者不再补充语义，而进入目标协商、权限确认或责任转交。
因此“低 B_t”并不等于语言事件本身更简单。可能存在十个语义解释但 B_t=1，也可能只有两个解释却 B_t=2。这个非单调关系是理论的骨架，因为它允许经验研究把 SRSC 与“歧义越高越需要澄清”的直接竞争模型放在同一数据上对决。
步骤 1：粗粒进入 互动不以穷尽定义为起点，而以当前共同历史中最短、最廉价且能提出一个可执行候选动作的表达进入。这里的“最低”不是语言贫乏，而是暂不公开与下一步无关的区别。
步骤 2：行动映射 从 H_t 中列出仍相容的解释 I_t，并按冻结任务协议把每个解释映射到下一动作类。此处禁止用“我觉得用户大概想要……”替代编码。
步骤 3：分岔检验 计算 B_t。若 B_t=1，链条不释差，直接执行这一共同动作；语义分歧留在后台。若 B_t>1，进入步骤 4。
步骤 4：最小释差 从可用符号资源中选择一个能切断当前行动分支的区别。它可以是澄清问题，也可以是限定词、数值单位、对象编号、角色名、时态、指示位置或权限标签。释差目标不是“更详细”，而是让不同动作分支可在公共记录中区分。
步骤 5：再检验 新增区别写入 H_{t+1}，重新构造 I_{t+1} 与 B_{t+1}。若 B 归 1，执行；若仍大于 1，可继续下一次释差。这里形成事件触发式而非固定轮次式更新。
步骤 6：停止自决/转交 当 B_t 持续大于 1，且待执行动作属于领域事先定义的高后果、不可逆或越权类，系统不再自行压缩解释，而进入等待、请求授权、交还用户、转交专家或拒绝执行。转交不是失败，而是链条的合法终点。
这六步最容易被误读为一个“多问几次”的对话策略。实际相反：SRSC 的第一条预测是，在大量 B_t=1 的高歧义情形中，系统应当少问；它只在解释真正导致不同下一动作时释差。第二条预测是，释差不必总以问句出现，任何能把行动分支公开分开的符号资源都可以承担这一功能。第三条预测是，有些情况多问也不够，因为问题不是语义未知而是授权不在本地；此时链条必须转交。
SDE 的光子学与通信面板把现代通信的判断从单一器件性能推向系统账本：相干接收将幅度、相位与偏振带回可恢复对象；更高符号率同时增加采样、均衡与功耗压力；概率整形则根据链路条件改变符号出现分布。这里最值得借入的并不是“语言像信号”，而是一条结构性事实：可传递区别的组织方式必须与信道、成本和恢复条件共同设计。
2026 年 8 月上线的数字语义通信工作进一步使用语义导向调制，将连续语义特征映射为分层数字星座符号，并讨论变化信道与结构化量化失真。无论该具体方案未来如何演化，它已经足以阻止一种粗糙前提：语义层一旦生成，传输层只能忠实搬运固定单位。至少在工程上，进入数字符号层的分辨组织可以被设计为层级化和条件化。
语言里的对应问题不是“给词加更多比特”，而是“一个潜在区别是否值得在当前公共通道上占一个位置”。例如“明天见”在多数熟人对话中不需要立即公开分钟级时间；但当两人分别准备 8:00 航班和 11:00 会议时，时间粒度开始改变下一动作，“上午”这一粗分辨率便不够。SRSC 把“增加时间细节”理解为一次分辨率升级，而非总是追求完整时间戳。
通信家对 SRSC 的反向约束也很强：分辨率不能无限下降。真实信道存在噪声、丢包和最小可恢复结构；同理，语言若把公共区别压得过粗，会让不同动作在记录中不可区分。SRSC 因此不是“模糊优先”，而是把分辨率调度到行动分支可被可靠区分的最低层。
动力系统为本文贡献的是时间结构。SDE 面板指出，近二十年的重心从简单标记“混沌/稳定”转向量化不变量、刚性边界、可验证数值、数据同化，以及“能预测多久、在哪个尺度失效”的问题。其工程近邻事件触发控制更直接：系统不必按固定周期持续通信与计算，只有当状态条件越过预定触发面时才更新。2025 年的综述把这一点总结为“only when necessary”。
若把这个结构直接搬到语言，会得到“歧义超过阈值就澄清”，这仍然太粗。语言里的触发事件不应由一个全局模糊度阈值定义，因为高歧义可能完全不改变下一动作。SRSC 对动力系统做了二阶改写：触发面不是语义距离，而是行动映射的拓扑发生分叉。 当解释集合从共同指向一个动作变为指向两个或更多动作类，系统跨过了符号分辨率的触发面。
这使语言更新从“固定教学节奏/固定确认轮次/固定置信阈值”转向事件驱动。例如课堂中老师不必每讲一个概念就让所有学生复述完整定义；只有当不同理解开始导致不同操作——有人把面积单位写成长度单位、有人在分数比较中选错基准——新的区别才被提升到公共层。更新由错枝风险而非钟表驱动。
动力系统同时提醒我们防止 Zeno 式问题：若阈值设计不当，系统可能在极短时间内无限触发。语言中对应的是“确认—再确认—再确认”的澄清风暴。SRSC 用动作类而非细小语义差异做触发，可以天然减少这种过度更新；但在真实实验中仍需记录提问频率、延迟和用户负担，以检验是否出现新的交互振荡。
如果只有通信和动力系统两家，SRSC 很容易被写成一个高效优化器：只要不停加区别，直到 B_t=1 即可。AI 对齐与安全恰好破坏这条路径。SDE 的智能体安全面板将最小权限、可中断、暂停、撤销、回滚和独立控制列为现实系统的核心；这意味着系统的能力边界与授权边界不是一回事。一个模型“能推断”并不等于它“有权替用户决定”。
2026 年 Value of Information 框架把询问带来的预期效用增益与用户认知成本放入同一决策，已经比简单置信阈值更强；2026 年关于澄清时机的研究又说明，不同缺失信息有不同的最佳时间窗，甚至过晚澄清可能比从不澄清更糟。SRSC 接受这些结果，但把它们放在链条的不同位置：VoI 可帮助选择“值不值得问某个问题”，时间研究可帮助选择“现在问还是稍后问”，而 SRSC 首先定义“当前到底有什么行动分支需要被一个公共区别切开”。
当行动分支涉及医疗用药、资金转账、身份权限、法律承诺等高后果操作，且增量释差无法把 B_t 压回 1，链条必须停止本地闭合。这里的“转交”不是再多一条提示，而是控制权变化：从自动执行切换为请求授权、专家复核、双人确认或拒绝执行。它使语言符号的智慧不只表现为表达效率，也表现为知道何时不再由符号内部继续消歧。
这也是对“语言总能靠更多语言解决语言问题”的反例。权限冲突并不因为增加描述就消失。若患者清楚说“我不要这项治疗”，医生和系统之间不存在语义歧义，但下一行动仍可能因医疗责任、紧急状态和法定代理关系而分叉。此时属于 2×2 中“低歧义×高分岔”格，SRSC 要求转入制度或权限处理，而不是继续解释词义。
通信理论限定分辨率可以调节；事件触发控制限定更新应由状态越界而非固定时钟启动；安全与对齐限定某些分歧必须转交有权者。三条约束只有在B_t、切割成本与转交条件上共同兑现，才构成SRSC；其来源过程不承担独创性证明。
创新判断最危险的不是找不到相似理论，而是只写“本研究更系统、更动态”。下表采用可判式划界：每个近邻都给出一个“若观察到 X，则 SRSC 更合适；若观察到 Y，则近邻更合适”的对照。
原四例压力测试显示B_t可编码，但样本太小且静态材料缺少真实行动后果，不能验证效率优势。本版把不利结果写入理论：没有可枚举行动集合时，B_t可能只是研究者事后解释。
主研究采用ClarifyBench或MultiWOZ 2.4式动态任务，对同一模糊请求生成候选工具调用/行动。比较SRSC、VoI、EVPI/structured uncertainty和强提示基线；统一用户成本模型与成功判据，报告问题数、澄清比特、任务成功、错误调用和不必要打断。
这些场景不是十二个“例子”而已。它们构成跨域兑现条件：如果 SRSC 只能解释对话检索，不能落到课堂、医疗、工具调用、导航、法律和翻译，它就只是 ClariQ 的再描述。真正的检验应在每个场景中记录 H_t、I_t、a(i,t) 与 B_t，并与至少一个竞争读数——原始歧义度、信息熵、唯一指称率、VoI 或 surprisal——在同一数据上比较。
最强竞争解释不是“语言没有智慧”，而是：本文看到的全部现象，其实只是一般性的成本—收益优化。 也就是说，人之所以不澄清，是因为问问题有成本；之所以在关键点澄清，是因为错误更贵；VoI、理性语用或最小协作努力已经足够，根本不需要“行动分枝数”。这是 SRSC 必须正面击败的解释。
机制级证伪的设计因此不能只比较“有澄清/无澄清”。应构造两组情境，使歧义度、问题长度、澄清成本和预期风险尽量匹配，但 B_t 不同；再构造另一组，使 B_t 相同而信息熵或候选解释数显著不同。若释差行为主要跟随 B_t 而不是原始歧义度，SRSC 获得增量；若控制这些变量后 B_t 不再解释任何差异，理论应退场。
第二个竞争解释是 Dale–Reiter 型唯一指称：人只是不断补属性直到对象唯一。反例设计应让多个候选对象在当前任务中具有相同行动后果，例如“把任意一个红杯放到托盘”时存在两个红杯。SRSC 预测说话者可以停止在“拿一个红杯”，而唯一指称算法会继续补充属性。若实验显示参与者在这种情形仍系统性追求唯一对象，SRSC 的“行动等价停止”被否证。
第三个竞争解释是 UID：信息释放位置由 surprisal 平滑化而非行动分岔决定。可在自然对话或任务语料中标注细节突增点，比较其与局部 surprisal 峰值、B_t>1 事件的时序关系。SRSC 预测区别释放会在行动分岔附近形成脉冲，即使这导致局部信息密度不均；若所有脉冲都可由 UID 更好预测，SRSC 没有必要。
第四个竞争解释是互动修复：人先行动，出错再 repair 即可。可选择不可逆或高代价任务，在 trouble 尚未显现时估计 B_t。SRSC 预测 B_t>1 会提前引发定向释差；若参与者普遍不在事前释差、而只在失败后修复，且结果同样好，本文的“前置分辨调度”机制失败。
写死日期的赌注：截至 2028 年 12 月 31 日，若至少三个包含明确下游动作的公开对话/智能体数据集上，加入 B_t 或“行动等价分区”的模型在预测 clarify/no-clarify、动作错误或任务成功时，不能在至少两个数据集上相对“歧义/熵 only”基线取得预注册的最小增量（建议 AUC 或等价判别指标提升 0.03），且找不到任何稳定的“高语义歧义但 B_t=1、澄清只增加延迟而不提高成功率”的区域，则 SRSC 的中心主张应视为未获支持。该赌注不把 0.03 当自然常数；正式实验前必须锁定数据集、指标和统计方案，不能结果出来后再改门槛。
约束一：权利与程序可能要求“多说”，即使 B_t=1。 医疗知情同意、司法告知、金融披露等场景中，即使所有当前解释都导向同一下一动作，制度仍可能要求解释风险、替代方案和权利。这里“理解本身”具有规范价值，不能被动作等价性抹掉。因此 SRSC 的适用域是协调当前行动所需的语义分辨，不自动凌驾于法定告知义务。
约束二：教育与科学中，认识本身可以成为行动。 课堂若目标是形成概念结构，而不是完成一道操作题，那么“能做同一步”不代表“可以不分”。教师可能故意把两个暂时同操作结果的概念提前区分，以支持后续迁移。此时任务协议应把“形成可迁移判别”定义为下一阶段动作，否则 B_t 会低估认识性目标。
约束三：动作类并非完全客观。 同一外在动作在不同责任体系中可能属于不同类。例如“发送邮件”若收件对象、权限或可撤回性不同，表面操作相同却制度后果不同。B_t 的可重复性依赖明确的动作编码手册与角色表。若不同编码员在目标对象×操作×不可逆性上持续无法达成一致，理论的测量基础就会动摇。
这些反向约束不是附带免责声明，而会改变理论的适用范围：SRSC 不是“所有语言都应最少化区别”，而是“在行动协调任务中，区别的公共化可由行动分岔调度；当任务本身包含权利、教育或认识义务时，那些义务必须先进入动作定义”。如果未来研究发现大部分语言互动都无法把任务与规范目标分离，SRSC 的一般性就应下调。
对语言学习而言，SRSC 提供一个与“讲得越全越好”不同的课堂单位。传统词汇教学常把一个词的多个义项、搭配、语域一次讲全；而生成性学习更需要孩子知道：在什么事件发生时，必须把原来没区分的东西分开。于是教学单位可以从“词义列表”变成“行动分岔点”。例如英语冠词 a/the，不必先给孩子完整语法史，而可以构造“任意一个杯子都可以拿”与“必须拿我们刚才共同说过的那一个杯子”两种动作结构，让区别在行动分叉处发生。
这也解释为什么某些“整句背诵”在固定场景有效，换场景就失效。孩子可能记住了一个粗粒符号块，但从未经历过哪个差异会迫使下一动作分叉。因此训练不应只是不断增加新句型，而应设计最小差异：先让两个版本在当前动作上等价，再改变一个条件使动作突然分叉，迫使孩子自己释放新的词、限定词或句法标记。此时“会迁移”体现为能检测 B_t 从 1 变为 >1，并主动增加区别。
课堂评价也因此可以从“能否复述完整定义”增加一个过程指标：当任务条件变化时，学生能否指出哪一个原本无需表达的差异现在必须说出来。比如“我要红色的”到“我要大的”，不是替换槽位本身最重要，而是理解什么情况下颜色/大小开始影响选择动作。这样的练习比让学生一次背十个形容词更接近符号分辨调度。
不过反向约束同样重要。儿童语言教学不能永远停在 B=1 的粗粒表达，否则内部概念可能长期欠分化。教育场景应人为制造未来分岔，让孩子经历“原先不用分—现在必须分—分完才能行动”的完整链条。SRSC 的教学价值不在减少教学内容，而在重新安排区别出现的时序。
对智能体而言，最直接的工程含义是把“是否澄清”从模型自信心中拆出来。系统可以先生成若干与公开请求相容的解释，再让每个解释通过一个受限规划器映射为下一工具动作；只要这些解释在下一动作上等价，就不必打断用户。这样可减少“为了确认而确认”的机械对话，尤其适合文件整理、搜索、低风险导航和可撤销编辑等任务。
当 B_t>1 时，系统应生成的不是“请提供更多信息”这种泛化问题，而是能最大幅度切断当前动作分支的一个区别。例如“给 John 发文件”存在两个 John 时，最小释差是身份/邮箱，而不是询问用户对文件内容的偏好；“预订巴黎航班”若日期已明确但机场分叉，最小释差是机场，而不是舱位。这里的质量标准从“问题听起来合理”变成“回答后 B 是否下降”。
VoI 与 SRSC 可以形成分工而非竞争。SRSC 先识别一个行动分岔与可候选释差；VoI 再评估询问该区别的预期收益是否值得认知成本。如果不值得问且动作可撤销，系统可能选择一个低损失默认动作；如果不值得问但动作高后果、不可逆，则 AI 对齐约束要求转交而不是擅自猜测。这样“问什么”“值不值得问”“有没有权继续”被拆成不同层，避免一个置信度同时承担全部责任。
这一结构也能改善代理权限设计：授权不是会话开始时一次给满，而可与区别释放同步。用户说“帮我整理这些文件”时，系统可先在本地生成分类建议；只有当下一动作从“预览分类”分叉到“删除/发送/覆盖”时，新的权限区别进入公共层。权限升级因此变成一种特殊的释差事件：它不只是说明意义，还重新划定谁能执行哪一类动作。
若 SRSC 对所有语言有效，它必须反过来检查本文自身。本文是否把本可共存的概念强行分得过细？第一个自检对象是“行动分枝数 B_t”与“风险”。读者可能希望把风险、不可逆性、用户成本都揉进一个综合公式，以得到更强的预测分数。但这样会让 B_t 同时承担“是否分叉”和“分叉有多严重”两件事。ClariQ 经验压力测试已经给出反例：B 的大小不能解释 label 2/3/4 的全部顺序。因此本文拒绝把风险塞回主读数，宁可让理论少说一点。
第二个自检对象是“释差”与“澄清”。如果两者在全部可观察数据里都由问句实现，本文的新名字就只是换皮。为避免这一点，正式实验必须至少包含非问句释差：例如增加单位、对象编号、限定词、角色标签、格式字段、权限提示。若非问句符号事件不能稳定改变 B_t，理论应收缩为澄清策略而非语言符号一般理论。
第三个自检对象是前两篇成果。重识域问“变到哪里还是同一符号”，RPR 问“纠错后哪些承诺必须重开”，SRSC 问“当前动作前哪个区别需要进入公共记录”。若未来形式化发现三者都可以被同一“边界最小化”方程无损替换，那么本批三篇会触发同根风险，本篇的创新评价必须下调。本文因此在附录保留形式剥离表，要求后续独立评审不仅看术语，还看“什么对什么做了什么，导致什么”的句法骨架。
自反检验的实际后果已经发生：本文删除了一个原拟加入的“分辨效率指数”，因为它与 B_t、VoI 和成本项高度重叠；同时把“最低可行动分辨率”从独立指标降为叙述性路径名称。这样牺牲了一点模型华丽度，却保持一个主读数、一套编码规则。
二十三之一、判决性升级：让最强基线先赢
SRSC的独有贡献不是提出澄清，而是把问题定义为行动分区的最小切割，并以B_t=1或责任转交作为停止条件。
在ClarifyBench/MultiWOZ式动态任务上统一成本；同成功率下澄清比特/问题少≥10%，或同成本下成功率高≥2个百分点，并在第二领域复现。否则并入VoI/EVPI。
矩阵不是类比清单。每一行都把同一承重变量落到可识别对象、独有预测与撤回结果；任一领域只负责提供潜在反例，不能单独证明上位理论。
四例试跑只证明可编码，不能支持效率主张。若行动集合不能事前枚举、B_t标注一致性不足、或VoI/EVPI达到同等表现，SRSC撤回独立理论地位。
符号分辨调度链把“清楚”从无上限美德改成有停止条件的操作：只释放足以改变当前行动分区的区分，行动唯一便停止，无法安全唯一化便转交责任。它必须用更少澄清成本或更高同成本成功率战胜2026年的VoI/EVPI强基线，否则不应另立理论。
附录 C：B_t 最小编码手册与预注册模板
最小预注册表应在查看结果前写入：数据集/场景；决策点定义；公共记录截断位置；解释生成方式；解释纳入/排除规则；动作类字段；B_t 编码；竞争指标（至少一个）；澄清/释差事件定义；主要结局；缺失值与 NA 处理；统计模型；成功门槛；不利结果如何进入正文。任何在结果出现后增加的规则必须单独标为探索性，不得回写成预注册。
Dong, Y. R., et al. (2026). Value of Information: A Framework for Human–Agent Communication. ACL 2026, 42879–42896. https://doi.org/10.18653/v1/2026.acl-long.1987
Suri, M., et al. (2026). Structured Uncertainty guided Clarification for LLM Agents. Findings of ACL 2026, 40811–40838. https://doi.org/10.18653/v1/2026.findings-acl.2028
Acikgoz, E. C., et al. (2026). MAC: A Multi-Agent Framework for Interactive User Clarification in Multi-turn Conversations. IWSDS 2026, 1–17. https://aclanthology.org/2026.iwsds-1.1/
参考文献