商业分析与决策科学

本块观察的不是商业分析与决策科学工具清单，而是模型、看板与组织决策怎样在二十年间更换默认前提。上一个十年以“循证管理要求先公开证据等级 Evidence-Based Management”“行为运营把决策者写进模型 Behavioral Operations”“在线对照实验成为产品决策基础设施 Online Controlled Experiments”为代表，开始质疑数据量、模型精度和管理者经验能否承担全部解释；这一个十年由“因果机器学习从平均效应走向异质效应 Causal Machine Learning”走向“强化学习把预测器变成政策选择器 Reinforcement Learning for Decisions”，进一步处理技术部署、制度适配和未被结算的代价。二十条共同以可比读数、边界条件、内部限制和未入账对象来约束论证，使决策质量、可追责性与长期绩效能够被复算而不是只被宣称。贯穿全块的问题是：组织把表现写成数之后，被评价者怎样围绕这个数行动，哪些事实又因此从账本中消失。

上一个十年的八条转向围绕模型、看板与组织决策重新划界。“循证管理要求先公开证据等级 Evidence-Based Management”“预测锦标赛把准确度与信念分开 Forecasting Tournaments”“在线对照实验成为产品决策基础设施 Online Controlled Experiments”分别从对象、路径和条件场说明，中心读数为何会漏掉真实差异。

甲、循证管理要求先公开证据等级Evidence-Based Management

Shmueli（2010）随后用边界材料指出：外部研究的平均效应未必适合特定企业，证据等级也会遗漏实施条件，这使决策日志中的“未发表的零效应项目、被董事会否决的备选方案”不能继续按普通缺失处理。从只有能够机制的材料看，到2024年，OECD把Pfeffer 与 Sutton提出、Shmueli质疑的这条线推进到决策日志的部署后复核：数据产品负责人不仅要解释结果，还要说明产品上线如何回写对象与分母。

“循证管理要求先公开证据等级 Evidence-Based Management”的核心判断由Pfeffer 与 Sutton（2006）写明：只有能够追到可复核研究与组织数据的建议才应进入决策。为了回应Shmueli（2010）对Pfeffer 与 Sutton主张的异议，并接受OECD的新场景检验，解释焦点被放在对象或读数“本项证据”上，本条只保留一个决定因素：决定管理建议可信度的只有证据链等级。

Pfeffer 与 Sutton在2006年提供的主证据是：2006年的系统梳理把大量畅销管理做法判为经验薄弱，后续调查发现，高管仍常以同行模仿和成功故事替代对照证据。Shmueli在2010年对Pfeffer 与 Sutton的反例、以及OECD的新场景说明，只报“可追溯证据条数”无法比较，分析负责人应以“可追溯证据条数／全部关键决策依据数”把分子和分母一起公开。只有能够机制的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。

“该转向 Evidence-Based Management”的适用边界由Shmueli（2010）集中提出：外部研究的平均效应未必适合特定企业，证据等级也会遗漏实施条件。Shmueli对Pfeffer 与 Sutton的压力测试不是简单缩小范围，而是要求直接观察：当证据被纳入奖金与合规评分时，方向反过来：团队会优先生产容易评级而非重要的证据。核查只有能够机制时，Pfeffer2006—Shmueli2010的争议已暴露明确的自我限制。就Pfeffer 与 Sutton提出、Shmueli质疑的命题而言，OECD到2024年的材料仍不能替代预先登记的失效检验。

按照Pfeffer 与 Sutton在2006年建立的口径，业务决策委员会处理模型部署不能只引用“这一比率”，还要让试验注册表保存分子、分母与口径变更。Shmueli（2010）提醒，业务决策委员会必须为Pfeffer 与 Sutton提出而OECD继续检验的“该未登记群体”提供查询位置，在Shmueli所划定的责任边界里，它若没有位置，责任便会在部门之间消失。只有能够机制的复核表还保留退出日期、原记录者和未纳入理由，不用零值代替缺失。

就只有能够机制的材料边界而言，进入、退出与未登记对象必须分开留痕。把只有能够机制放到另见第 204 号第 9 条『Bellingcat 把公开碎片组织成可复核调查』旁核验：先对齐对象、时间窗和责任人，再检查只有能够机制的核心判断在另一套分母中是否仍同向。

乙、数据驱动决策被测出组织绩效差异Data-Driven Decision Making

就数据机制的材料边界而言，进入、退出与未登记对象必须分开留痕。对照Gigerenzer 与 Brighton（2009）的反例可见，横截面关联无法完全排除优质管理者同时采用数据和其他先进实践，若业务决策委员会删去“会上被展示但未改变任何行动的数据、被撤回的异常读数”，表面稳定很可能只是样本边界被改写。NIST在2023年的材料把Brynjolfsson、Hitt 与 Kim、Gigerenzer 与 Brighton之间的分歧带入试验注册表：同名结果若经历不同模型部署，就不能被视为同一事实。

在Brynjolfsson、Hitt 与 Kim的2011年论证中，“数据驱动决策被测出组织绩效差异 Data-Driven Decision Making”不再只是相关性标签，而明确主张：数据只有进入资源配置和复盘才能产生绩效差异。按Gigerenzer 与 Brighton（2009）给出的反例压力并对照Brynjolfsson、Hitt 与 Kim、NIST两组材料，若行动路径“上述机制”不起决定作用，那么“决定数据价值的只有决策权是否真正使用数据”就应被判错。

把“数据驱动决策被测出组织绩效差异 Data-Driven Decision Making”从观点推进到可核对事实的是Brynjolfsson、Hitt 与 Kim在2011年的材料：对179家大型企业的研究报告，数据驱动程度高一个标准差与约5%—6%的产出和生产率提升相关，相关关系在控制IT投资后仍存在。Gigerenzer 与 Brighton（2009）对Brynjolfsson、Hitt 与 Kim的批评、以及NIST的后续材料，使证据责任落到分母“全部重大决策数”：只有“由数据触发的决策数／全部重大决策数”能区分普遍变化与选择性结果。

“数据驱动决策被测出组织绩效差异 Data-Driven Decision Making”的适用边界由Gigerenzer 与 Brighton（2009）集中提出：横截面关联无法完全排除优质管理者同时采用数据和其他先进实践。Gigerenzer 与 Brighton对Brynjolfsson、Hitt 与 Kim的压力测试不是简单缩小范围，而是要求直接观察：当员工预先知道看板将决定资源时，方向反过来：数据使用越强，指标操纵越集中。核查数据机制时，Brynjolfsson2011—Gigerenzer2009的争议已暴露明确的自我限制。在数据机制这条证据链上，就Brynjolfsson、Hitt 与 Kim提出、Gigerenzer 与 Brighton质疑的命题而言，NIST到2023年的材料仍不能替代预先登记的失效检验。

把Brynjolfsson、Hitt 与 Kim（2011）的证据带入风险定价时，分析负责人应在模型版本册中分别登记“由数据触发的决策数”与“全部重大决策数”，而不是只留下最终比率。为避免Brynjolfsson、Hitt 与 Kim所述指标在Gigerenzer 与 Brighton的边界情形中反客为主，NIST（2023）所对应的制度设计不是再加总分，而是公开口径变更、例外批准与账外成本。数据机制的复核表还保留退出日期、原记录者和未纳入理由，不用零值代替缺失。

数据机制的支持材料与边界材料分别编号，不让同一来源同时提出命题又替命题免责。把数据机制放到另见第 301 号第 8 条『Kadison–Singer：随机分割解决纯算子问题』旁核验：先对齐对象、时间窗和责任人，再检查数据机制的核心判断在另一套分母中是否仍同向。

丙、分析能力是一套组织互补品Analytics Capability as Complementarity

Rai（2020）并未否定问题本身，却证明案例选择偏向成功企业，且“分析型竞争者”的边界随行业变化，从而让“没有被业务采用的模型、在部门之间失去所有者的数据产品”进入例外处置清单的核对范围。在单个模型机制这条证据链上，Milanez、Lemmens 与 Ruggiu在2025年的更新把提问顺序进一步固定为：先确认谁被记录、怎样经过资源配置，再判断“该转向 Analytics Capability as Complementarity”是否在新场景中保持同义。

“分析能力是一套组织互补品 Analytics Capability as Complementarity”的核心判断由Davenport 与 Harris（2007）写明：单个模型不能产生优势，只有模型、流程、角色和激励形成闭环才可以。为了回应Rai（2020）对Davenport 与 Harris主张的异议，并接受Milanez、Lemmens 与 Ruggiu的新场景检验，解释焦点被放在制度条件“本项证据”上，本条只保留一个决定因素：决定分析优势的只有人才流程技术的互补结构。

Davenport 与 Harris（2007）给出的关键读数为：跨行业案例显示，领先企业同时建设数据平台、分析团队和执行流程，只购买软件的项目常停在仪表盘层。单个模型机制的结构读数拆成3项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。

对Davenport 与 Harris（2007）的主张，Rai在2020年给出的主要反证是：案例选择偏向成功企业，且“分析型竞争者”的边界随行业变化。若按Rai的反例复算Davenport 与 Harris的命题，能够改变结论方向的条件是：当互补结构过度集中于少数专家时，方向反过来：能力越强组织单点脆弱性越高。对单个模型机制做反向检验，Davenport2007—Rai2020之争把证据责任推回边界样本。对照Davenport 与 Harris的主张与Rai的反证，Milanez、Lemmens 与 Ruggiu（2025）虽然扩展了观察场景，却仍需用同一“该复核口径”并列检验支持样本与反例。

把单个模型机制放回原窗口，把Davenport 与 Harris（2007）的证据带入风险定价时，分析负责人应在模型版本册中分别登记“完成闭环的分析项目数”与“全部已部署分析项目数”，而不是只留下最终比率。依据Rai在2020年对Davenport 与 Harris的反例，并承接Milanez、Lemmens 与 Ruggiu的新场景，模型版本册还要显示“这些漏记对象数据产品”的规模与去向，否则未被结算的代价会被误读为没有发生。为避免Davenport 与 Harris所述指标在Rai的边界情形中反客为主，Milanez、Lemmens 与 Ruggiu（2025）所对应的制度设计不是再加总分，而是公开口径变更、例外批准与账外成本。单个模型机制的复核表还保留退出日期、原记录者和未纳入理由，不用零值代替缺失。

就单个模型机制的材料边界而言，进入、退出与未登记对象必须分开留痕。把单个模型机制放到另见第 531 号第 19 条『Coscientist与ChemCrow：科研智能体的能力边界在工具链』旁核验：先对齐对象、时间窗和责任人，再检查单个模型机制的核心判断在另一套分母中是否仍同向。

丁、行为运营把决策者写进模型Behavioral Operations

Shmueli（2010）随后用边界材料指出：实验室任务可能高估短期反应，现场组织还有学习与权力结构，这使决策日志中的“被标准优化器标记为非理性的保守缓冲、拒绝执行的建议”不能继续按普通缺失处理。对行为运营研究做反向检验，到2024年，OECD把Gino 与 Pisano提出、Shmueli质疑的这条线推进到决策日志的部署后复核：数据产品负责人不仅要解释结果，还要说明产品上线如何回写对象与分母。

Gino 与 Pisano于2008年给出的立场可以直接接受反证：排队、库存与激励模型必须把人的系统反应当成内生变量。Shmueli（2010）迫使Gino 与 Pisano的命题在OECD的新场景中把解释焦点落到对象或读数“行为运营把决策者写进模型”，因此，判断标准被明确为：决定运营偏差的只有真实决策者的行为反应。

Shmueli（2010）对Gino 与 Pisano的批评、以及OECD的后续材料，使证据责任落到分母“全部模型建议数”：只有“受行为反应影响的运营决策数／全部模型建议数”能区分普遍变化与选择性结果。行为运营研究的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。

Shmueli（2010）把争论从有没有效应转向何时可识别，其核心异议为：实验室任务可能高估短期反应，现场组织还有学习与权力结构。把Gino 与 Pisano的主张放到Shmueli的边界样本中，最关键的反向情形是：当异常行为本身是对模型遗漏风险的合理防御时，方向反过来：偏离越大长期损失越小。既然文献已经把这项限制说清，为检验Gino 与 Pisano、Shmueli之间的分歧，OECD在2024年之后的研究就必须公开反向结果，否则争论仍不会收敛。

依据Shmueli在2010年对Gino 与 Pisano的反例，并承接OECD的新场景，模型版本册还要显示“这些漏记对象、拒绝执行的建议”的规模与去向，否则未被结算的代价会被误读为没有发生。为避免Gino 与 Pisano所述指标在Shmueli的边界情形中反客为主，OECD（2024）所对应的制度设计不是再加总分，而是公开口径变更、例外批准与账外成本。

Gino 与 Pisano、Dietvorst、Simmons 与 Massey分别从被结算的对象与读数和制度、技术与关系条件解释结果。把行为运营研究放回原窗口，二者并非重复，因为它们虽共同依赖“测量、排名或观察“本项证据”不会改变参与者行为，这组账外材料、拒绝执行的建议不产生回写”，却把因果责任放在不同环节。就行为运营研究的材料边界而言，进入、退出与未登记对象必须分开留痕。在承接两组争议的OECD（2024）和Milanez、Lemmens 与 Ruggiu（2025）新场景中，反向检验写成：异常行为本身是对模型遗漏风险的合理防御，偏离越大长期损失越小。

戊、预测锦标赛把准确度与信念分开Forecasting Tournaments

在Mellers 等（2014）之前，“预测锦标赛把准确度与信念分开 Forecasting Tournaments”常由数据量、模型精度和管理者经验直接结算，研究很少说明行动次序、反馈和转折点怎样改变同一指标的含义。到2023年，NIST把Mellers 等提出、Gigerenzer 与 Brighton质疑的这条线推进到决策日志的部署后复核：数据产品负责人不仅要解释结果，还要说明产品上线如何回写对象与分母。

Mellers 等（2014）把命题收紧为可反驳的一句：预测者必须用概率、反馈和持续更新承担可检验责任。Gigerenzer 与 Brighton在2009年对Mellers 等的边界批评、以及NIST的后续场景，使责任不能分散到笼统因素，必须检验行动路径“预测锦标赛把准确度与信念分开”，判断标准是决定预测质量的只有可校准概率更新。

Gigerenzer 与 Brighton（2009）对Mellers 等的批评、以及NIST的后续材料，使证据责任落到分母“全部预测轮次”：只有“Brier损失下降量／全部预测轮次”能区分普遍变化与选择性结果。预测锦标赛研究的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。

Gigerenzer 与 Brighton（2009）把争论从有没有效应转向何时可识别，其核心异议为：竞赛问题有明确结算日，企业战略问题常存在延期、改名和自我实现。把Mellers 等的主张放到Gigerenzer 与 Brighton的边界样本中，最关键的反向情形是：当预测本身触发组织干预并改变事件时，方向反过来：校准越好原问题越不再发生。既然文献已经把这项限制说清，为检验Mellers 等、Gigerenzer 与 Brighton之间的分歧，NIST在2023年之后的研究就必须公开反向结果，否则争论仍不会收敛。

在模型、看板与组织决策的现场，Mellers 等（2014）所给读数必须由数据产品负责人写入决策日志，并说明“全部预测轮次”如何形成。当“这一比率”与预算或问责挂钩时，NIST在2023年的治理场景回应了Mellers 等、Gigerenzer 与 Brighton之间的分歧：应保留申诉、独立复核和第二次测量。

Mellers 等、Gino 与 Pisano分别从行动次序与反馈路径和被结算的对象与读数解释结果。把预测锦标赛研究放回原窗口，二者并非重复，因为它们虽共同依赖“测量、排名或观察“本项证据”不会改变参与者行为，这组账外材料不产生回写”，却把因果责任放在不同环节。就预测锦标赛研究的材料边界而言，进入、退出与未登记对象必须分开留痕。在承接两组争议的NIST（2023）和OECD（2024）新场景中，反向检验写成：预测本身触发组织干预并改变事件，校准越好原问题越不再发生。把预测锦标赛研究放到另见第 204 号第 4 条『预测锦标赛把判断变成可结算概率』旁核验：先对齐对象、时间窗和责任人，再检查预测锦标赛研究的核心判断在另一套分母中是否仍同向。

己、算法厌恶来自看见机器犯错Algorithm Aversion

在Dietvorst、Simmons 与 Massey（2015）之前，“算法厌恶来自看见机器犯错 Algorithm Aversion”常由数据量、模型精度和管理者经验直接结算，研究很少说明制度、技术与关系条件怎样改变同一指标的含义。Rai（2020）随后用边界材料指出：任务风险、专业身份与能否微调算法会改变厌恶强度，这使决策日志中的“算法正确但未被采纳的建议、人工错误被解释为例外的记录”不能继续按普通缺失处理。到2025年，Milanez、Lemmens 与 Ruggiu把Dietvorst、Simmons 与 Massey提出、Rai质疑的这条线推进到决策日志的部署后复核：数据产品负责人不仅要解释结果，还要说明产品上线如何回写对象与分母。

Dietvorst、Simmons 与 Massey于2015年给出的立场可以直接接受反证：人们在看到算法犯错后会比看到人犯同类错误更快放弃算法。Rai（2020）迫使Dietvorst、Simmons 与 Massey的命题在Milanez、Lemmens 与 Ruggiu的新场景中把解释焦点落到制度条件“算法厌恶来自看见机器犯错”，因此，判断标准被明确为：决定人是否弃用算法的只有错误可见性。

Dietvorst、Simmons 与 Massey（2015）给出的关键读数为：三项实验让参与者预测成绩并观察人或算法的误差，即使算法总体优于个人，看到其出错者仍显著降低使用意愿。算法厌恶议题的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。

“算法厌恶来自看见机器犯错 Algorithm Aversion”的适用边界由Rai（2020）集中提出：任务风险、专业身份与能否微调算法会改变厌恶强度。Rai对Dietvorst、Simmons 与 Massey的压力测试不是简单缩小范围，而是要求直接观察：当使用者获得少量覆写权时，方向反过来：看见算法误差反而增加持续采用。就算法厌恶议题的外推边界看，Dietvorst2015—Rai2020的争议已暴露明确的自我限制。就Dietvorst、Simmons 与 Massey提出、Rai质疑的命题而言，Milanez、Lemmens 与 Ruggiu到2025年的材料仍不能替代预先登记的失效检验。

在模型、看板与组织决策的现场，Dietvorst、Simmons 与 Massey（2015）所给读数必须由数据产品负责人写入决策日志，并说明“全部观察者人数”如何形成。当“这一比率”与预算或问责挂钩时，Milanez、Lemmens 与 Ruggiu在2025年的治理场景回应了Dietvorst、Simmons 与 Massey、Rai之间的分歧：应保留申诉、独立复核和第二次测量。

把Dietvorst、Simmons 与 Massey（2015）和Mellers 等（2014）并读，可以看到“本项证据 Algorithm Aversion”追问制度、技术与关系条件，“预测锦标赛把准确度与信念分开 Forecasting Tournaments”追问行动次序与反馈路径，两条命题共享的未言明条件是“测量、排名或观察“这一制度安排”不会改变参与者行为，这组账外材料、人工错误被解释为例外的记录不产生回写”。把算法厌恶议题放到另见第 531 号第 17 条『AlphaTensor与FunSearch：机器发现的对象变成可验证算法』旁核验：先对齐对象、时间窗和责任人，再检查算法厌恶议题的核心判断在另一套分母中是否仍同向。

庚、预测问题与政策问题必须拆开Prediction Policy Problems

商业分析与决策科学早期讨论“预测问题与政策问题必须拆开 Prediction Policy Problems”多从数据量、模型精度和管理者经验出发，Kleinberg、Ludwig、Mullainathan 与 Obermeyer在2015年的工作把被结算的对象与汇总读数提升为需要单独识别的层次。Shmueli（2010）并未否定问题本身，却证明决策约束、伦理边界与资源容量可能使最佳预测无法转成最佳政策，从而让“高精度但不可干预的变量、因法规不得使用的特征”进入例外处置清单的核对范围。

在Kleinberg、Ludwig、Mullainathan 与 Obermeyer的2015年论证中，“预测问题与政策问题必须拆开 Prediction Policy Problems”不再只是相关性标签，而明确主张：高预测精度只有在变量能映射到可改变的行动时才构成决策价值。围绕预测问题政策问题，按Shmueli（2010）给出的反例压力并对照Kleinberg、Ludwig、Mullainathan 与 Obermeyer、OECD两组材料，若对象或读数“本项证据”不起决定作用，那么“决定分析能否行动的只有预测量与可干预决策的对应”就应被判错。

经验判断的锚点来自Kleinberg、Ludwig、Mullainathan 与 Obermeyer（2015）：2015年的框架用保释、医疗和招聘说明，预测“会发生什么”与决定“做什么”需要不同数据和反事实。预测问题政策问题的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。

“预测问题与政策问题必须拆开 Prediction Policy Problems”的适用边界由Shmueli（2010）集中提出：决策约束、伦理边界与资源容量可能使最佳预测无法转成最佳政策。Shmueli对Kleinberg、Ludwig、Mullainathan 与 Obermeyer的压力测试不是简单缩小范围，而是要求直接观察：当组织只奖励模型准确率时，方向反过来：预测越准可行动价值越低。沿预测问题政策问题的责任链，Kleinberg2015—Shmueli2010的争议已暴露明确的自我限制。复算预测问题政策问题之前，就Kleinberg、Ludwig、Mullainathan 与 Obermeyer提出、Shmueli质疑的命题而言，OECD到2024年的材料仍不能替代预先登记的失效检验。

把Kleinberg、Ludwig、Mullainathan 与 Obermeyer（2015）的证据带入风险定价时，分析负责人应在模型版本册中分别登记“可被决策规则利用的预测变量数”与“全部高精度变量数”，而不是只留下最终比率。依据Shmueli在2010年对Kleinberg、Ludwig、Mullainathan 与 Obermeyer的反例，并承接OECD的新场景，模型版本册还要显示“该未登记群体”的规模与去向，否则未被结算的代价会被误读为没有发生。为避免Kleinberg、Ludwig、Mullainathan 与 Obermeyer所述指标在Shmueli的边界情形中反客为主，OECD（2024）所对应的制度设计不是再加总分，而是公开口径变更、例外批准与账外成本。

Kleinberg、Ludwig、Mullainathan 与 Obermeyer、Kohavi、Tang 与 Xu分别从被结算的对象与读数和行动次序与反馈路径解释结果。二者并非重复，因为它们虽共同依赖“本项证据”的群体平均关系可直接外推到个体，这些漏记对象不构成异质群体”，却把因果责任放在不同环节。就预测问题政策问题的材料边界而言，进入、退出与未登记对象必须分开留痕。

辛、在线对照实验成为产品决策基础设施Online Controlled Experiments

商业分析与决策科学早期讨论“在线对照实验成为产品决策基础设施 Online Controlled Experiments”多从数据量、模型精度和管理者经验出发，Kohavi、Tang 与 Xu在2020年的工作把行动次序、反馈和转折点提升为需要单独识别的层次。Gigerenzer 与 Brighton（2009）并未否定问题本身，却证明网络干扰、长期效应、样本污染和多重检验会破坏简单A/B解释，从而让“未启动、提前停止或因业务压力绕过实验的功能”进入例外处置清单的核对范围。

“在线对照实验成为产品决策基础设施 Online Controlled Experiments”的核心判断由Kohavi、Tang 与 Xu（2020）写明：数字产品应以随机对照而非意见权重决定功能效果。为了回应Gigerenzer 与 Brighton（2009）对Kohavi、Tang 与 Xu主张的异议，并接受NIST的新场景检验，解释焦点被放在行动路径“本项证据”上，本条只保留一个决定因素：决定产品因果结论的只有随机化实验闭环。

Gigerenzer 与 Brighton（2009）对Kohavi、Tang 与 Xu的批评、以及NIST的后续材料，使证据责任落到分母“全部上线变更数”：只有“进入随机对照的产品变更数／全部上线变更数”能区分普遍变化与选择性结果。数字产品机制的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。

对Kohavi、Tang 与 Xu（2020）的主张，Gigerenzer 与 Brighton在2009年给出的主要反证是：网络干扰、长期效应、样本污染和多重检验会破坏简单A/B解释。若按Gigerenzer 与 Brighton的反例复算Kohavi、Tang 与 Xu的命题，能够改变结论方向的条件是：当局部指标被反复优化而长期体验未入实验时，方向反过来：实验越多整体产品越碎片化。沿数字产品机制的责任链，Kohavi2020—Gigerenzer2009之争把证据责任推回边界样本。对照Kohavi、Tang 与 Xu的主张与Gigerenzer 与 Brighton的反证，NIST（2023）虽然扩展了观察场景，却仍需用同一“该复核口径”并列检验支持样本与反例。

在模型、看板与组织决策的现场，Kohavi、Tang 与 Xu（2020）所给读数必须由数据产品负责人写入决策日志，并说明“全部上线变更数”如何形成。当“上述分子—分母”与预算或问责挂钩时，NIST在2023年的治理场景回应了Kohavi、Tang 与 Xu、Gigerenzer 与 Brighton之间的分歧：应保留申诉、独立复核和第二次测量。

Kohavi、Tang 与 Xu、Athey 与 Imbens分别从行动次序与反馈路径和制度、技术与关系条件解释结果。二者并非重复，因为它们虽共同依赖“本项证据”的群体平均关系可直接外推到个体，这组账外材料不构成异质群体”，却把因果责任放在不同环节。就数字产品机制的材料边界而言，进入、退出与未登记对象必须分开留痕。把数字产品机制放到另见第 258 号第 5 条『在线实验把产品变化变成持续因果基础设施』旁核验：先对齐对象、时间窗和责任人，再检查数字产品机制的核心判断在另一套分母中是否仍同向。

2016—2026年的十二条把新框架推入治理现场。“因果机器学习从平均效应走向异质效应 Causal Machine Learning”显示部署后的适应，“机器学习技术债成为决策风险 Hidden Technical Debt in Machine Learning Systems”处理新的风险边界，“强化学习把预测器变成政策选择器 Reinforcement Learning for Decisions”把责任延伸到持续运行与退出。

一、因果机器学习从平均效应走向异质效应Causal Machine Learning

Rai（2020）并未否定问题本身，却证明重叠不足、亚组过小与多次搜索可生成稳定外观的假异质性，从而让“被判为“无个体化价值”的大多数人、重叠不足样本”进入例外处置清单的核对范围。复算只有在独机制之前，Milanez、Lemmens 与 Ruggiu在2025年的更新把提问顺序进一步固定为：先确认谁被记录、怎样经过资源配置，再判断“该转向 Causal Machine Learning”是否在新场景中保持同义。

Athey 与 Imbens于2019年给出的立场可以直接接受反证：只有在独立样本中稳定的异质处理效应才可用于差异化决策。Rai（2020）迫使Athey 与 Imbens的命题在Milanez、Lemmens 与 Ruggiu的新场景中把解释焦点落到制度条件“因果机器学习从平均效应走向异质效应”，因此，判断标准被明确为：决定个体化决策的只有样本外异质效应。

Rai（2020）对Athey 与 Imbens的批评、以及Milanez、Lemmens 与 Ruggiu的后续材料，使证据责任落到分母“目标亚组有效样本量”：只有“样本外效应误差／目标亚组有效样本量”能区分普遍变化与选择性结果。只有在独机制的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。

Rai（2020）把争论从有没有效应转向何时可识别，其核心异议为：重叠不足、亚组过小与多次搜索可生成稳定外观的假异质性。把Athey 与 Imbens的主张放到Rai的边界样本中，最关键的反向情形是：当真实异质性小于估计噪声时，方向反过来：个体化越细平均伤害越大。既然文献已经把这项限制说清，为检验Athey 与 Imbens、Rai之间的分歧，Milanez、Lemmens 与 Ruggiu在2025年之后的研究就必须公开反向结果，否则争论仍不会收敛。

Athey 与 Imbens（2019）的主张若进入实践，第一项治理动作应是改造例外处置清单：由模型风险团队把“这一比率”拆开留痕。对Rai（2020）针对Athey 与 Imbens所指出、并由Milanez、Lemmens 与 Ruggiu继续检验的盲区，最低治理要求是让“这些漏记对象、重叠不足样本”可追溯，而不是在汇总时静默删除。回应Athey 与 Imbens的证据与Rai的边界批评，Milanez、Lemmens 与 Ruggiu（2025）的更新进一步要求分离指标定义者、资源配置批准者与复核者，并在部署后再次测量行为回写。

把Athey 与 Imbens（2019）和Kleinberg、Ludwig、Mullainathan 与 Obermeyer（2015）并读，可以看到“本项证据 Causal Machine Learning”追问制度、技术与关系条件，“预测问题与政策问题必须拆开 Prediction Policy Problems”追问被结算的对象与读数，两条命题共享的未言明条件是“这一制度安排”的群体平均关系可直接外推到个体，这组账外材料、重叠不足样本不构成异质群体”。把只有在独机制放到另见第 257 号第 11 条『因果森林把“平均有效”拆成可推断的异质效应』旁核验：先对齐对象、时间窗和责任人，再检查只有在独机制的核心判断在另一套分母中是否仍同向。

二、算法欣赏在匿名建议中出现Algorithm Appreciation

就算法欣赏议题的材料边界而言，进入、退出与未登记对象必须分开留痕。对照Shmueli（2010）的反例可见，专家身份、任务主观性和透明度会削弱算法欣赏，若业务决策委员会删去“被接受但没有留下理由的算法建议、被忽略的人类少数意见”，表面稳定很可能只是样本边界被改写。OECD在2024年的材料把Logg、Minson 与 Moore、Shmueli之间的分歧带入试验注册表：同名结果若经历不同模型部署，就不能被视为同一事实。

Logg、Minson 与 Moore于2019年给出的立场可以直接接受反证：在未观察算法犯错且任务可量化时，人们可能比重视他人更重视算法。Shmueli（2010）迫使Logg、Minson 与 Moore的命题在OECD的新场景中把解释焦点落到对象或读数“算法欣赏在匿名建议中出现”，因此，判断标准被明确为：决定算法建议权重的只有建议来源如何呈现。

Logg、Minson 与 Moore（2019）给出的关键读数为：多项实验中，参与者在估计数量、预测排名等任务上通常更靠近算法建议，尤其当算法与普通人的建议并列。算法欣赏议题的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。

“算法欣赏在匿名建议中出现 Algorithm Appreciation”的适用边界由Shmueli（2010）集中提出：专家身份、任务主观性和透明度会削弱算法欣赏。Shmueli对Logg、Minson 与 Moore的压力测试不是简单缩小范围，而是要求直接观察：当算法被赋予组织权威而非中性建议时，方向反过来：权威越强抵触越大。按算法欣赏议题的对象表，Logg2019—Shmueli2010的争议已暴露明确的自我限制。就Logg、Minson 与 Moore提出、Shmueli质疑的命题而言，OECD到2024年的材料仍不能替代预先登记的失效检验。

对照算法欣赏议题的主源，按照Logg、Minson 与 Moore在2019年建立的口径，业务决策委员会处理模型部署不能只引用“这一比率”，还要让试验注册表保存分子、分母与口径变更。OECD到2024年的材料说明，模型部署实施后参与者会适应，业务决策委员会因而必须沿Logg、Minson 与 Moore、Shmueli之间的争议线观察指标使用前后决策质量、可追责性与长期绩效是否仍同义。

Logg、Minson 与 Moore、Rudin的两组证据可以在本块内部对读：“算法欣赏在匿名建议中出现 Algorithm Appreciation”把解释焦点放在被结算的对象与读数，“可解释性不能代替可理解模型 Interpretable Models over Post-hoc Explanations”则放在制度、技术与关系条件，二者都默认“上述机制”的局部改善可以加总为整体改善，这组账外材料、被忽略的人类少数意见不会造成系统性抵消”。把算法欣赏议题放到另见第 569 号第 15 条『Green Algorithms碳核算』旁核验：先对齐对象、时间窗和责任人，再检查算法欣赏议题的核心判断在另一套分母中是否仍同向。

三、人机互补比替代更能解释绩效Hybrid Intelligence

Gigerenzer 与 Brighton在2009年的异议把难点落到模型版本册：分工规则会随模型进步和人员技能变化，固定接口很快过时，而“在人机交接处失去所有者的案例、无人复核的低置信输出”正是旧账本没有位置的那部分。NIST（2023）由此把“该转向 Hybrid Intelligence”从经验标签改成责任链，要求模型版本册同时保存进入、退出与未分类事件。

在Dellermann、Ebel、Söllner 与 Leimeister的2019年论证中，“人机互补比替代更能解释绩效 Hybrid Intelligence”不再只是相关性标签，而明确主张：机器应承担规模与一致性，人承担语境、目标和异常判断。按Gigerenzer 与 Brighton（2009）给出的反例压力并对照Dellermann、Ebel、Söllner 与 Leimeister、NIST两组材料，若行动路径“本项证据”不起决定作用，那么“决定人机系统质量的只有任务分工结构”就应被判错。

Dellermann、Ebel、Söllner 与 Leimeister在2019年提供的主证据是：混合智能框架把学习、互补和持续适应列为核心，在众包、医疗和内容审核中，简单替代常把边界案例转成系统误差。机器机制的结构读数拆成4项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。

Gigerenzer 与 Brighton（2009）把争论从有没有效应转向何时可识别，其核心异议为：分工规则会随模型进步和人员技能变化，固定接口很快过时。把Dellermann、Ebel、Söllner 与 Leimeister的主张放到Gigerenzer 与 Brighton的边界样本中，最关键的反向情形是：当人只处理机器最难的残余案例时，方向反过来：人工表现越差并非能力下降而是任务分布恶化。既然文献已经把这项限制说清，为检验Dellermann、Ebel、Söllner 与 Leimeister、Gigerenzer 与 Brighton之间的分歧，NIST在2023年之后的研究就必须公开反向结果，否则争论仍不会收敛。

把Dellermann、Ebel、Söllner 与 Leimeister（2019）的证据带入风险定价时，分析负责人应在模型版本册中分别登记“互补任务正确完成数”与“全部人机任务数”，而不是只留下最终比率。为避免Dellermann、Ebel、Söllner 与 Leimeister所述指标在Gigerenzer 与 Brighton的边界情形中反客为主，NIST（2023）所对应的制度设计不是再加总分，而是公开口径变更、例外批准与账外成本。机器机制的复核表还保留退出日期、原记录者和未纳入理由，不用零值代替缺失。

Dellermann、Ebel、Söllner 与 Leimeister、Logg、Minson 与 Moore分别从行动次序与反馈路径和被结算的对象与读数解释结果。二者并非重复，因为它们虽共同依赖“人机互补比替代更能解释绩效”的局部改善可以加总为整体改善，这组账外材料、无人复核的低置信输出不会造成系统性抵消”，却把因果责任放在不同环节。就机器机制的材料边界而言，进入、退出与未登记对象必须分开留痕。把机器机制放到另见第 563 号第 7 条『Mission Innovation』旁核验：先对齐对象、时间窗和责任人，再检查机器机制的核心判断在另一套分母中是否仍同向。

四、可解释性不能代替可理解模型Interpretable Models over Post-hoc Explanations

Rai（2020）随后用边界材料指出：复杂感知任务可能确需深度模型，解释模型也可能掩盖数据偏差，这使决策日志中的“解释器无法覆盖的反事实、被解释图隐藏的交互项”不能继续按普通缺失处理。到2025年，Milanez、Lemmens 与 Ruggiu把Rudin提出、Rai质疑的这条线推进到决策日志的部署后复核：数据产品负责人不仅要解释结果，还要说明产品上线如何回写对象与分母。

Rudin于2019年给出的立场可以直接接受反证：高风险决策应优先使用可解释模型，而非给黑箱附加近似解释。Rai（2020）迫使Rudin的命题在Milanez、Lemmens 与 Ruggiu的新场景中把解释焦点落到制度条件“可解释性不能代替可理解模型”，因此，判断标准被明确为：决定高风险解释可信度的只有模型本身是否可理解。

经验判断的锚点来自Rudin（2019）：医疗、司法和信用案例显示，局部解释可能忠实度不足，简单评分表在若干结构化任务上可达到与复杂模型相近的性能。为复核Rudin提出而Rai质疑的命题，按照Milanez、Lemmens 与 Ruggiu（2025）的更新口径，第三方至少要获得原始分母、事件定义和“该未登记群体”清单，不能只接收汇总图表。高风险决策机制的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。

Rai（2020）把争论从有没有效应转向何时可识别，其核心异议为：复杂感知任务可能确需深度模型，解释模型也可能掩盖数据偏差。把Rudin的主张放到Rai的边界样本中，最关键的反向情形是：当透明模型因被操纵而快速失真时，方向反过来：可解释性越强可预测性越弱。既然文献已经把这项限制说清，为检验Rudin、Rai之间的分歧，Milanez、Lemmens 与 Ruggiu在2025年之后的研究就必须公开反向结果，否则争论仍不会收敛。

在高风险决策机制的实施账本里，按照Rudin在2019年建立的口径，业务决策委员会处理模型部署不能只引用“这一比率”，还要让试验注册表保存分子、分母与口径变更。Rai（2020）提醒，业务决策委员会必须为Rudin提出而Milanez、Lemmens 与 Ruggiu继续检验的“该未登记群体”提供查询位置，在Rai所划定的责任边界里，它若没有位置，责任便会在部门之间消失。

Rudin、Dellermann、Ebel、Söllner 与 Leimeister的两组证据可以在本块内部对读：“可解释性不能代替可理解模型 Interpretable Models over Post-hoc Explanations”把解释焦点放在制度、技术与关系条件，“人机互补比替代更能解释绩效 Hybrid Intelligence”则放在行动次序与反馈路径，二者都默认“上述机制”的局部改善可以加总为整体改善，这些漏记对象不会造成系统性抵消”。把高风险决策机制放到另见第 563 号第 7 条『Mission Innovation』旁核验：先对齐对象、时间窗和责任人，再检查高风险决策机制的核心判断在另一套分母中是否仍同向。

五、公平约束揭露代理变量偏差Algorithmic Fairness Constraints

就公平首先判据的材料边界而言，进入、退出与未登记对象必须分开留痕。对照Shmueli（2010）的反例可见，公平指标彼此可能不可同时满足，且真实需要也受历史不平等影响，若业务决策委员会删去“从未产生高费用却有高需要的人、因获取障碍缺少诊疗记录者”，表面稳定很可能只是样本边界被改写。OECD在2024年的材料把Obermeyer、Powers、Vogeli 与 Mullainathan、Shmueli之间的分歧带入试验注册表：同名结果若经历不同模型部署，就不能被视为同一事实。

Obermeyer、Powers、Vogeli 与 Mullainathan于2019年给出的立场可以直接接受反证：公平首先取决于预测目标，而非删除敏感属性。Shmueli（2010）迫使Obermeyer、Powers、Vogeli 与 Mullainathan的命题在OECD的新场景中把解释焦点落到对象或读数“公平约束揭露代理变量偏差”，因此，判断标准被明确为：决定公平性的只有目标变量是否代表真实需要。

Obermeyer、Powers、Vogeli 与 Mullainathan在2019年提供的主证据是：研究发现美国医疗管理算法以费用代理健康需要，在同一风险分数下黑人患者病情更重，修正目标可把进入重点照护的黑人比例从17.7%提高到46.5%。从公平首先判据的材料看，Shmueli在2010年对Obermeyer、Powers、Vogeli 与 Mullainathan的反例、以及OECD的新场景说明，只报“被识别为高风险的弱势患者数”无法比较，分析负责人应以“被识别为高风险的弱势患者数／全部真实高风险患者数”把分子和分母一起公开。

“公平约束揭露代理变量偏差 Algorithmic Fairness Constraints”的适用边界由Shmueli（2010）集中提出：公平指标彼此可能不可同时满足，且真实需要也受历史不平等影响。Shmueli对Obermeyer、Powers、Vogeli 与 Mullainathan的压力测试不是简单缩小范围，而是要求直接观察：当修正目标提高某群体进入率却资源容量固定时，方向反过来：形式公平增加等待不平等。核查公平首先判据时，Obermeyer2019—Shmueli2010的争议已暴露明确的自我限制。在公平首先判据这条证据链上，就Obermeyer、Powers、Vogeli 与 Mullainathan提出、Shmueli质疑的命题而言，OECD到2024年的材料仍不能替代预先登记的失效检验。

对公平首先判据做反向检验，在模型、看板与组织决策的现场，Obermeyer、Powers、Vogeli 与 Mullainathan（2019）所给读数必须由数据产品负责人写入决策日志，并说明“全部真实高风险患者数”如何形成。把公平首先判据放回原窗口，当“这一比率”与预算或问责挂钩时，OECD在2024年的治理场景回应了Obermeyer、Powers、Vogeli 与 Mullainathan、Shmueli之间的分歧：应保留申诉、独立复核和第二次测量。公平首先判据的复核表还保留退出日期、原记录者和未纳入理由，不用零值代替缺失。

把公平首先判据放到另见第 258 号第 9 条『公平性不可能三角证明“一个分数同时满足所有正义指标”通常做不到』旁核验：先对齐对象、时间窗和责任人，再检查公平首先判据的核心判断在另一套分母中是否仍同向。

六、指标专制把度量变成目标The Tyranny of Metrics

商业分析与决策科学早期讨论“指标专制把度量变成目标 The Tyranny of Metrics”多从数据量、模型精度和管理者经验出发，Muller在2018年的工作把行动次序、反馈和转折点提升为需要单独识别的层次。NIST在2023年的更新把提问顺序进一步固定为：先确认谁被记录、怎样经过资源配置，再判断“该转向 The Tyranny of Metrics”是否在新场景中保持同义。

Muller（2018）把命题收紧为可反驳的一句：量化指标一旦成为奖惩目标就会改变被考核行为。Gigerenzer 与 Brighton在2009年对Muller的边界批评、以及NIST的后续场景，使责任不能分散到笼统因素，必须检验行动路径“指标专制把度量变成目标”，判断标准是决定指标失真的只有指标是否与奖惩绑定。

Muller（2018）给出的关键读数为：教育、医疗、警务与企业案例反复出现挑选客户、推迟记录和转移成本，问题并非数字本身，而是单一数字独占资源分配。指标专制研究的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。

对Muller（2018）的主张，Gigerenzer 与 Brighton在2009年给出的主要反证是：多指标组合、审计和职业规范可缓解但不能消除策略适应。若按Gigerenzer 与 Brighton的反例复算Muller的命题，能够改变结论方向的条件是：当指标只用于学习且不与资源绑定时，方向反过来：公开度越高改善越快。核查指标专制研究时，Muller2018—Gigerenzer2009之争把证据责任推回边界样本。对照Muller的主张与Gigerenzer 与 Brighton的反证，NIST（2023）虽然扩展了观察场景，却仍需用同一“该复核口径”并列检验支持样本与反例。

在指标专制研究这条证据链上，按照Muller在2018年建立的口径，业务决策委员会处理模型部署不能只引用“上述分子—分母”，还要让试验注册表保存分子、分母与口径变更。NIST到2023年的材料说明，模型部署实施后参与者会适应，业务决策委员会因而必须沿Muller、Gigerenzer 与 Brighton之间的争议线观察指标使用前后决策质量、可追责性与长期绩效是否仍同义。指标专制研究的复核表还保留退出日期、原记录者和未纳入理由，不用零值代替缺失。

把Muller（2018）和Sculley 等（2015）并读，可以看到“指标专制把度量变成目标 The Tyranny of Metrics”追问行动次序与反馈路径，“机器学习技术债成为决策风险 Hidden Technical Debt in Machine Learning Systems”追问制度、技术与关系条件，两条命题共享的未言明条件是“上述机制”一旦被制度采用仍测量原来那件事，这组账外材料、未被指标命名的质量不因考核而扩大”。把指标专制研究放到另见第 520 号第 16 条『指标反应性：一旦成为目标，读数就会改变含义』旁核验：先对齐对象、时间窗和责任人，再检查指标专制研究的核心判断在另一套分母中是否仍同向。

七、机器学习技术债成为决策风险Hidden Technical Debt in Machine Learning Systems

Rai在2020年的异议把难点落到模型版本册：论文基于工程经验而非统一样本，债务难以用单一货币量化，而“未被版本控制的数据、失败特征、临时补丁和人工绕行”正是旧账本没有位置的那部分。Milanez、Lemmens 与 Ruggiu（2025）由此把“该转向 Hidden Technical Debt in Machine Learning Systems”从经验标签改成责任链，要求模型版本册同时保存进入、退出与未分类事件。

在Sculley 等的2015年论证中，“机器学习技术债成为决策风险 Hidden Technical Debt in Machine Learning Systems”不再只是相关性标签，而明确主张：模型上线后的依赖、反馈和数据漂移才是主要成本。按Rai（2020）给出的反例压力并对照Sculley 等、Milanez、Lemmens 与 Ruggiu两组材料，若制度条件“本项证据”不起决定作用，那么“决定模型长期成本的只有数据与系统依赖链”就应被判错。

Sculley 等在2015年提供的主证据是：Google团队总结数据依赖、纠缠、反馈回路和管道胶水等债务，指出模型代码只是整个系统很小一部分。机器学习议题的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。

对Sculley 等（2015）的主张，Rai在2020年给出的主要反证是：论文基于工程经验而非统一样本，债务难以用单一货币量化。若按Rai的反例复算Sculley 等的命题，能够改变结论方向的条件是：当团队频繁迭代却没有删除旧依赖时，方向反过来：发布越快有效创新越慢。在机器学习议题这条证据链上，Sculley2015—Rai2020之争把证据责任推回边界样本。对照Sculley 等的主张与Rai的反证，Milanez、Lemmens 与 Ruggiu（2025）虽然扩展了观察场景，却仍需用同一“该复核口径”并列检验支持样本与反例。

Sculley 等（2015）的主张若进入实践，第一项治理动作应是改造例外处置清单：由模型风险团队把“上述分子—分母”拆开留痕。对Rai（2020）针对Sculley 等所指出、并由Milanez、Lemmens 与 Ruggiu继续检验的盲区，最低治理要求是让“这些漏记对象、临时补丁和人工绕行”可追溯，而不是在汇总时静默删除。回应Sculley 等的证据与Rai的边界批评，Milanez、Lemmens 与 Ruggiu（2025）的更新进一步要求分离指标定义者、资源配置批准者与复核者，并在部署后再次测量行为回写。

Sculley 等、Obermeyer、Powers、Vogeli 与 Mullainathan的两组证据可以在本块内部对读：“机器学习技术债成为决策风险 Hidden Technical Debt in Machine Learning Systems”把解释焦点放在制度、技术与关系条件，“公平约束揭露代理变量偏差 Algorithmic Fairness Constraints”则放在被结算的对象与读数，二者都默认“上述机制”一旦被制度采用仍测量原来那件事，这组账外材料、临时补丁和人工绕行不因考核而扩大”。把机器学习议题放到另见第 258 号第 8 条『机器学习技术债把模型外部依赖视为主要复杂度』旁核验：先对齐对象、时间窗和责任人，再检查机器学习议题的核心判断在另一套分母中是否仍同向。

八、数字孪生把预测变成连续决策Digital Twins for Prescriptive Decisions

在Fuller、Fan、Day 与 Barlow（2020）之前，“数字孪生把预测变成连续决策 Digital Twins for Prescriptive Decisions”常由数据量、模型精度和管理者经验直接结算，研究很少说明被结算的对象与汇总读数怎样改变同一指标的含义。Shmueli（2010）随后用边界材料指出：传感器误差、模型老化和组织不执行建议会切断闭环，这使决策日志中的“离线期间的状态、未装传感器的部件、人工维护经验”不能继续按普通缺失处理。

在Fuller、Fan、Day 与 Barlow的2020年论证中，“数字孪生把预测变成连续决策 Digital Twins for Prescriptive Decisions”不再只是相关性标签，而明确主张：数字孪生只有持续接收现实反馈并影响行动才区别于静态仿真。对数字孪生研究做反向检验，按Shmueli（2010）给出的反例压力并对照Fuller、Fan、Day 与 Barlow、OECD两组材料，若对象或读数“本项证据”不起决定作用，那么“决定孪生价值的只有物理对象与模型闭环同步”就应被判错。

Fuller、Fan、Day 与 Barlow在2020年提供的主证据是：2020年综述梳理制造、城市和医疗应用，指出实时数据、模型更新与双向连接是共同特征。把数字孪生研究放回原窗口，Shmueli在2010年对Fuller、Fan、Day 与 Barlow的反例、以及OECD的新场景说明，只报“同步更新次数”无法比较，分析负责人应以“同步更新次数／全部关键状态变化次数”把分子和分母一起公开。数字孪生研究的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。

Shmueli（2010）把争论从有没有效应转向何时可识别，其核心异议为：传感器误差、模型老化和组织不执行建议会切断闭环。把Fuller、Fan、Day 与 Barlow的主张放到Shmueli的边界样本中，最关键的反向情形是：当系统为追随传感器噪声而频繁调整时，方向反过来：同步越快运营越不稳定。既然文献已经把这项限制说清，为检验Fuller、Fan、Day 与 Barlow、Shmueli之间的分歧，OECD在2024年之后的研究就必须公开反向结果，否则争论仍不会收敛。

就数字孪生研究的外推边界看，在模型、看板与组织决策的现场，Fuller、Fan、Day 与 Barlow（2020）所给读数必须由数据产品负责人写入决策日志，并说明“全部关键状态变化次数”如何形成。围绕数字孪生研究，当“这一比率”与预算或问责挂钩时，OECD在2024年的治理场景回应了Fuller、Fan、Day 与 Barlow、Shmueli之间的分歧：应保留申诉、独立复核和第二次测量。数字孪生研究的复核表还保留退出日期、原记录者和未纳入理由，不用零值代替缺失。

Fuller、Fan、Day 与 Barlow、Jordon、Yoon 与 van der Schaar的两组证据可以在本块内部对读：“本项证据 Digital Twins for Prescriptive Decisions”把解释焦点放在被结算的对象与读数，“合成数据需要测量保真与泄露 Synthetic Data Governance”则放在行动次序与反馈路径，二者都默认“这一制度安排”通过清单与形式审查就等于实质风险受控，这些漏记对象、人工维护经验不必另行验证”。

九、合成数据需要测量保真与泄露Synthetic Data Governance

商业分析与决策科学早期讨论“合成数据需要测量保真与泄露 Synthetic Data Governance”多从数据量、模型精度和管理者经验出发，Jordon、Yoon 与 van der Schaar在2022年的工作把行动次序、反馈和转折点提升为需要单独识别的层次。Gigerenzer 与 Brighton（2009）并未否定问题本身，却证明高平均保真可能掩盖稀有群体消失，隐私指标也不等于法规合规，从而让“生成失败的极端样本、被平滑掉的小群体、未记录生成随机种子”进入例外处置清单的核对范围。

“合成数据需要测量保真与泄露 Synthetic Data Governance”的核心判断由Jordon、Yoon 与 van der Schaar（2022）写明：合成数据不能只看“像不像”，必须同时验证任务效用和隐私泄露。为了回应Gigerenzer 与 Brighton（2009）对Jordon、Yoon 与 van der Schaar主张的异议，并接受NIST的新场景检验，解释焦点被放在行动路径“本项证据”上，本条只保留一个决定因素：决定合成数据可用性的只有效用与隐私的联合边界。

经验判断的锚点来自Jordon、Yoon 与 van der Schaar（2022）：综述将合成数据分为统计、生成模型与仿真路径，并强调成员推断、属性泄露和少数群体失真测试。合成数据需泄露的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。

“合成数据需要测量保真与泄露 Synthetic Data Governance”的适用边界由Gigerenzer 与 Brighton（2009）集中提出：高平均保真可能掩盖稀有群体消失，隐私指标也不等于法规合规。Gigerenzer 与 Brighton对Jordon、Yoon 与 van der Schaar的压力测试不是简单缩小范围，而是要求直接观察：当隐私保护增强并抹去稀有模式时，方向反过来：泄露越少决策歧视越大。把合成数据需泄露放回原窗口，Jordon2022—Gigerenzer2009的争议已暴露明确的自我限制。就合成数据需泄露的外推边界看，就Jordon、Yoon 与 van der Schaar提出、Gigerenzer 与 Brighton质疑的命题而言，NIST到2023年的材料仍不能替代预先登记的失效检验。

围绕合成数据需泄露，按照Jordon、Yoon 与 van der Schaar在2022年建立的口径，业务决策委员会处理模型部署不能只引用“这一比率”，还要让试验注册表保存分子、分母与口径变更。NIST到2023年的材料说明，模型部署实施后参与者会适应，业务决策委员会因而必须沿Jordon、Yoon 与 van der Schaar、Gigerenzer 与 Brighton之间的争议线观察指标使用前后决策质量、可追责性与长期绩效是否仍同义。

Jordon、Yoon 与 van der Schaar提出的“本项证据 Synthetic Data Governance”并非孤立条目，Mitchell 等处理“模型卡把算法责任写成标准字段 Model Cards”时从制度、技术与关系条件解释同类结果，正好检验前者对行动次序与反馈路径的强调是否过强。把合成数据需泄露放到另见第 531 号第 15 条『Halicin与abaucin：模型必须把化学空间带到湿实验验证』旁核验：先对齐对象、时间窗和责任人，再检查合成数据需泄露的核心判断在另一套分母中是否仍同向。

十、模型卡把算法责任写成标准字段Model Cards

在Mitchell 等（2019）之前，“模型卡把算法责任写成标准字段 Model Cards”常由数据量、模型精度和管理者经验直接结算，研究很少说明制度、技术与关系条件怎样改变同一指标的含义。Rai（2020）随后用边界材料指出：文档可以完整而模型仍有害，且维护责任常在发布后消失，这使决策日志中的“未记录的数据删除、失败版本、被业务方超范围使用的场景”不能继续按普通缺失处理。到2025年，Milanez、Lemmens 与 Ruggiu把Mitchell 等提出、Rai质疑的这条线推进到决策日志的部署后复核：数据产品负责人不仅要解释结果，还要说明产品上线如何回写对象与分母。

Mitchell 等（2019）把命题收紧为可反驳的一句：模型应公开预期用途、群体性能、伦理考虑和限制。Rai在2020年对Mitchell 等的边界批评、以及Milanez、Lemmens 与 Ruggiu的后续场景，使责任不能分散到笼统因素，必须检验制度条件“模型卡把算法责任写成标准字段”，判断标准是决定模型可问责性的只有用途边界是否被公开。

Rai（2020）对Mitchell 等的批评、以及Milanez、Lemmens 与 Ruggiu的后续材料，使证据责任落到分母“全部必要字段数”：只有“已填写模型卡字段数／全部必要字段数”能区分普遍变化与选择性结果。模型卡研究的结构读数拆成3项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。

“该转向 Model Cards”的适用边界由Rai（2020）集中提出：文档可以完整而模型仍有害，且维护责任常在发布后消失。Rai对Mitchell 等的压力测试不是简单缩小范围，而是要求直接观察：当模型卡成为合规勾选而不影响部署权时，方向反过来：文档越完整实质审查越弱。就模型卡研究的外推边界看，Mitchell2019—Rai2020的争议已暴露明确的自我限制。就Mitchell 等提出、Rai质疑的命题而言，Milanez、Lemmens 与 Ruggiu到2025年的材料仍不能替代预先登记的失效检验。

按照Mitchell 等在2019年建立的口径，业务决策委员会处理模型部署不能只引用“这一比率”，还要让试验注册表保存分子、分母与口径变更。Milanez、Lemmens 与 Ruggiu到2025年的材料说明，模型部署实施后参与者会适应，业务决策委员会因而必须沿Mitchell 等、Rai之间的争议线观察指标使用前后决策质量、可追责性与长期绩效是否仍同义。模型卡研究的复核表还保留退出日期、原记录者和未纳入理由，不用零值代替缺失。

Mitchell 等、Jordon、Yoon 与 van der Schaar的两组证据可以在本块内部对读：“这一制度安排 Model Cards”把解释焦点放在制度、技术与关系条件，“合成数据需要测量保真与泄露 Synthetic Data Governance”则放在行动次序与反馈路径，二者都默认“该研究线索”通过清单与形式审查就等于实质风险受控，这组账外材料、被业务方超范围使用的场景不必另行验证”。

十一、生成式人工智能呈现锯齿状能力边界Jagged Technological Frontier

Dell’Acqua 等在2023年提出“生成式人工智能呈现锯齿状能力边界 Jagged Technological Frontier”时，面对的旧框架仍以数据量、模型精度和管理者经验为主，被结算的对象与汇总读数只在结果异常后才被追问。Shmueli在2010年的异议把难点落到模型版本册：实验使用特定模型和咨询任务，短期效率不能自动外推组织学习，而“未提交的错误草稿、被人工悄悄修正的幻觉、因工具而未练习的技能”正是旧账本没有位置的那部分。

在Dell’Acqua 等的2023年论证中，“生成式人工智能呈现锯齿状能力边界 Jagged Technological Frontier”不再只是相关性标签，而明确主张：生成式人工智能对同一职业中的不同任务会同时带来提升与失败。按Shmueli（2010）给出的反例压力并对照Dell’Acqua 等、OECD两组材料，若对象或读数“本项证据”不起决定作用，那么“决定生成式工具增益的只有任务是否落在能力边界内”就应被判错。

经验判断的锚点来自Dell’Acqua 等（2023）：对758名咨询顾问的实验中，处于模型能力边界内的任务完成速度提高约25%，质量提高约40%，边界外任务则更易出现自信错误。为检验Shmueli（2010）针对Dell’Acqua 等所指出的选择问题，并接续OECD的更新，不能只展示“工具辅助后正确任务数”，而要在试验注册表中按“工具辅助后正确任务数／全部分配任务数”重算。为复核Dell’Acqua 等提出而Shmueli质疑的命题，按照OECD（2024）的更新口径，第三方至少要获得原始分母、事件定义和“该未登记群体、因工具而未练习的技能”清单，不能只接收汇总图表。

Shmueli（2010）把争论从有没有效应转向何时可识别，其核心异议为：实验使用特定模型和咨询任务，短期效率不能自动外推组织学习。把Dell’Acqua 等的主张放到Shmueli的边界样本中，最关键的反向情形是：当员工把边界内成功外推到边界外任务时，方向反过来：经验越多过度信任越强。既然文献已经把这项限制说清，为检验Dell’Acqua 等、Shmueli之间的分歧，OECD在2024年之后的研究就必须公开反向结果，否则争论仍不会收敛。

按照Dell’Acqua 等在2023年建立的口径，业务决策委员会处理模型部署不能只引用“这一比率”，还要让试验注册表保存分子、分母与口径变更。Shmueli（2010）提醒，业务决策委员会必须为Dell’Acqua 等提出而OECD继续检验的“该未登记群体、因工具而未练习的技能”提供查询位置，在Shmueli所划定的责任边界里，它若没有位置，责任便会在部门之间消失。

Dell’Acqua 等、Jordon、Yoon 与 van der Schaar的两组证据可以在本块内部对读：“生成式人工智能呈现锯齿状能力边界 Jagged Technological Frontier”把解释焦点放在被结算的对象与读数，“合成数据需要测量保真与泄露 Synthetic Data Governance”则放在行动次序与反馈路径，二者都默认“上述机制”通过清单与形式审查就等于实质风险受控，这些漏记对象、因工具而未练习的技能不必另行验证”。

十二、强化学习把预测器变成政策选择器Reinforcement Learning for Decisions

商业分析与决策科学早期讨论“强化学习把预测器变成政策选择器 Reinforcement Learning for Decisions”多从数据量、模型精度和管理者经验出发，Li在2017年的工作把行动次序、反馈和转折点提升为需要单独识别的层次。Gigerenzer 与 Brighton（2009）并未否定问题本身，却证明离线数据受旧策略选择，奖励函数常遗漏公平、疲劳和退出，从而让“未被探索的动作、退出平台的用户、奖励函数之外的伤害”进入例外处置清单的核对范围。

在Li的2017年论证中，“强化学习把预测器变成政策选择器 Reinforcement Learning for Decisions”不再只是相关性标签，而明确主张：序列决策必须评估动作对未来状态的回写，而非逐次最大化即时预测。按Gigerenzer 与 Brighton（2009）给出的反例压力并对照Li、NIST两组材料，若行动路径“本项证据”不起决定作用，那么“决定序列决策的只有长期回报定义”就应被判错。

Li在2017年提供的主证据是：2017年综述系统化值函数、策略梯度和探索—利用，在推荐、库存和动态定价中，长期回报可与单步点击率产生相反策略。Gigerenzer 与 Brighton在2009年对Li的反例、以及NIST的新场景说明，只报“累计回报”无法比较，分析负责人应以“累计回报／全部决策步数”把分子和分母一起公开。强化学习研究的结构读数拆成2项：主命题、替代机制、缺失对象与时间窗分别核对，任一项都不由总均值代填。

对Li（2017）的主张，Gigerenzer 与 Brighton在2009年给出的主要反证是：离线数据受旧策略选择，奖励函数常遗漏公平、疲劳和退出。若按Gigerenzer 与 Brighton的反例复算Li的命题，能够改变结论方向的条件是：当奖励只写短期转化时，方向反过来：学习越充分长期客户价值越低。Li2017—Gigerenzer2009之争把证据责任推回边界样本。对照Li的主张与Gigerenzer 与 Brighton的反证，NIST（2023）虽然扩展了观察场景，却仍需用同一“该复核口径”并列检验支持样本与反例。

在模型、看板与组织决策的现场，Li（2017）所给读数必须由数据产品负责人写入决策日志，并说明“全部决策步数”如何形成。Gigerenzer 与 Brighton（2009）对Li的边界批评、以及NIST的后续检验，要求“该未登记群体、奖励函数之外的伤害”拥有独立状态，若它被并入一般缺失，决策质量、可追责性与长期绩效就可能因分母收缩而显得改善。当“上述分子—分母”与预算或问责挂钩时，NIST在2023年的治理场景回应了Li、Gigerenzer 与 Brighton之间的分歧：应保留申诉、独立复核和第二次测量。

Li、Mitchell 等分别从行动次序与反馈路径和制度、技术与关系条件解释结果。二者并非重复，因为它们虽共同依赖“本项证据”通过清单与形式审查就等于实质风险受控，这些漏记对象、奖励函数之外的伤害不必另行验证”，却把因果责任放在不同环节。就强化学习研究的材料边界而言，进入、退出与未登记对象必须分开留痕。

◎ 二十年连起来看

第一条线索：比较单位从中心值转向生成结构。“循证管理要求先公开证据等级 Evidence-Based Management”先拆开数据量、模型精度和管理者经验，到“因果机器学习从平均效应走向异质效应 Causal Machine Learning”时，研究已经要求同时观察对象、路径和条件；这使决策质量、可追责性与长期绩效不能再由单一平均数代表。

第二条线索：技术进入制度后会回写被测对象。“预测锦标赛把准确度与信念分开 Forecasting Tournaments”说明测量与行动并不分离，“公平约束揭露代理变量偏差 Algorithmic Fairness Constraints”进一步把激励、适应和申诉写进模型、看板与组织决策；指标越接近考核，越需要二次测量。

第三条线索：账外对象成为新的解释入口。从“合成数据需要测量保真与泄露 Synthetic Data Governance”到“强化学习把预测器变成政策选择器 Reinforcement Learning for Decisions”，二十年积累把失败、退出与未分类事件从附注移到分母。第432号最重要的收获，不是多一个总分，而是知道哪些对象原本根本不算对象。

◎ 三个常见误解

误解一：把商业分析与决策科学等同于增加数据或工具。之所以容易误读，是因为“分析能力是一套组织互补品 Analytics Capability as Complementarity”确实提供了操作方法；但方法只有在说明“完成闭环的分析项目数／全部已部署分析项目数”的分母、失效条件与账外对象后，才构成可检验转向。

误解二：认为平均改善自动适用于所有对象。“算法欣赏在匿名建议中出现 Algorithm Appreciation”提醒，群体结果可能掩盖选择、异质性或制度适应；正确表述应当同时给出谁进入样本、谁被排除，以及何时方向会反过来。

误解三：把透明、合规或参与当作终点。“模型卡把算法责任写成标准字段 Model Cards”显示，程序被采用后仍可能产生新盲区；通过形式审查并不等于决策质量、可追责性与长期绩效已经得到实质保障。

◎ 与相邻领域的接口

与相邻领域的证据与方法接口可由“数据驱动决策被测出组织绩效差异 Data-Driven Decision Making”判定。第432号负责解释它在模型、看板与组织决策中如何被组织、结算与回写；另见第154号第4条与第149号第6条则提供另一套对象或测量口径。分工标准是：本块追踪决策质量、可追责性与长期绩效的责任链，相邻面板负责其自身层级的机制，二者不应以同名术语互相替代。

与相邻领域的组织与技术接口可由“预测问题与政策问题必须拆开 Prediction Policy Problems”判定。第432号负责解释它在模型、看板与组织决策中如何被组织、结算与回写；另见第130号第5条与第149号第12条则提供另一套对象或测量口径。分工标准是：本块追踪决策质量、可追责性与长期绩效的责任链，相邻面板负责其自身层级的机制，二者不应以同名术语互相替代。

与相邻领域的制度与治理接口可由“可解释性不能代替可理解模型 Interpretable Models over Post-hoc Explanations”判定。第432号负责解释它在模型、看板与组织决策中如何被组织、结算与回写；另见第154号第18条与第156号第9条则提供另一套对象或测量口径。分工标准是：本块追踪决策质量、可追责性与长期绩效的责任链，相邻面板负责其自身层级的机制，二者不应以同名术语互相替代。

与相邻领域的个体与结构接口可由“生成式人工智能呈现锯齿状能力边界 Jagged Technological Frontier”判定。第432号负责解释它在模型、看板与组织决策中如何被组织、结算与回写；另见第152号第20条与第154号第17条则提供另一套对象或测量口径。分工标准是：本块追踪决策质量、可追责性与长期绩效的责任链，相邻面板负责其自身层级的机制，二者不应以同名术语互相替代。

◎ 争议现场

第1场争论围绕“行为运营把决策者写进模型 Behavioral Operations”：实验室任务可能高估短期反应，现场组织还有学习与权力结构。要使争论收敛，需要开展跨机构预注册比较，固定“受行为反应影响的运营决策数／全部模型建议数”的口径，并把“被标准优化器标记为非理性的保守缓冲、拒绝执行的建议”列入结果；当异常行为本身是对模型遗漏风险的合理防御时，方向反过来：偏离越大长期损失越小，就应承认原命题只在限定条件下成立。

第2场争论围绕“人机互补比替代更能解释绩效 Hybrid Intelligence”：分工规则会随模型进步和人员技能变化，固定接口很快过时。要使争论收敛，需要开展纵向部署前后追踪，固定“互补任务正确完成数／全部人机任务数”的口径，并把“在人机交接处失去所有者的案例、无人复核的低置信输出”列入结果；当人只处理机器最难的残余案例时，方向反过来：人工表现越差并非能力下降而是任务分布恶化，就应承认原命题只在限定条件下成立。

第3场争论围绕“数字孪生把预测变成连续决策 Digital Twins for Prescriptive Decisions”：传感器误差、模型老化和组织不执行建议会切断闭环。要使争论收敛，需要开展边界样本与反例样本并列试验，固定“同步更新次数／全部关键状态变化次数”的口径，并把“离线期间的状态、未装传感器的部件、人工维护经验”列入结果；当系统为追随传感器噪声而频繁调整时，方向反过来：同步越快运营越不稳定，就应承认原命题只在限定条件下成立。

◎ 往下五年看什么

未来五年应观察“公平约束揭露代理变量偏差 Algorithmic Fairness Constraints”的外部效度。核心读数是“被识别为高风险的弱势患者数／全部真实高风险患者数”，同时报告“从未产生高费用却有高需要的人、因获取障碍缺少诊疗记录者”在不同年份与机构中的变化；只有独立场景重复出现同方向，才能把试点结果升级为稳定知识。

未来五年应观察“合成数据需要测量保真与泄露 Synthetic Data Governance”的部署后漂移。核心读数是“下游任务性能／原始数据任务性能”，同时报告“生成失败的极端样本、被平滑掉的小群体、未记录生成随机种子”在不同年份与机构中的变化；只有独立场景重复出现同方向，才能把试点结果升级为稳定知识。

未来五年应观察“生成式人工智能呈现锯齿状能力边界 Jagged Technological Frontier”的账外对象规模。核心读数是“工具辅助后正确任务数／全部分配任务数”，同时报告“未提交的错误草稿、被人工悄悄修正的幻觉、因工具而未练习的技能”在不同年份与机构中的变化；只有独立场景重复出现同方向，才能把试点结果升级为稳定知识。

未来五年应观察“强化学习把预测器变成政策选择器 Reinforcement Learning for Decisions”的跨制度可迁移性。核心读数是“累计回报／全部决策步数”，同时报告“未被探索的动作、退出平台的用户、奖励函数之外的伤害”在不同年份与机构中的变化；只有独立场景重复出现同方向，才能把试点结果升级为稳定知识。

◎ 可与哪些领域对撞

本块“循证管理要求先公开证据等级 Evidence-Based Management”的跨领域对手可沿以下路径查找：另见第147号第3条与第149号第8条。两边共享的未言明条件是“一个围绕“循证管理要求先公开证据等级”形成的汇总分数足以代表多层过程，未发表的零效应项目、被董事会否决的备选方案不会改变解释”，但本条把责任落在被结算的对象与读数，相关研究则从行动次序与反馈路径设置纠错。若证据被纳入奖金与合规评分，团队会优先生产容易评级而非重要的证据，就必须把“未发表的零效应项目、被董事会否决的备选方案”承认为独立对象，用它解释为何同一动作在两种制度中出现相反方向。

本块“算法厌恶来自看见机器犯错 Algorithm Aversion”的跨领域对手可沿以下路径查找：另见第142号第12条与第154号第14条。两边共享的未言明条件是“测量、排名或观察“算法厌恶来自看见机器犯错”不会改变参与者行为，算法正确但未被采纳的建议、人工错误被解释为例外的记录不产生回写”，但本条把责任落在制度、技术与关系条件，相关研究则从行动次序与反馈路径设置纠错。若使用者获得少量覆写权，看见算法误差反而增加持续采用，就必须把“算法正确但未被采纳的建议、人工错误被解释为例外的记录”承认为独立对象，用它解释为何同一动作在两种制度中出现相反方向。

本块“公平约束揭露代理变量偏差 Algorithmic Fairness Constraints”的跨领域对手可沿以下路径查找：另见第156号第11条与第130号第13条。两边共享的未言明条件是“公平约束揭露代理变量偏差”一旦被制度采用仍测量原来那件事，从未产生高费用却有高需要的人、因获取障碍缺少诊疗记录者不因考核而扩大”，但本条把责任落在被结算的对象与读数，相关研究则从行动次序与反馈路径设置纠错。若修正目标提高某群体进入率却资源容量固定，形式公平增加等待不平等，就必须把“从未产生高费用却有高需要的人、因获取障碍缺少诊疗记录者”承认为独立对象，用它解释为何同一动作在两种制度中出现相反方向。

本块“强化学习把预测器变成政策选择器 Reinforcement Learning for Decisions”的跨领域对手可沿以下路径查找：另见第155号第16条与第148号第19条。两边共享的未言明条件是“强化学习把预测器变成政策选择器”通过清单与形式审查就等于实质风险受控，未被探索的动作、退出平台的用户、奖励函数之外的伤害不必另行验证”，但本条把责任落在行动次序与反馈路径，相关研究则从制度、技术与关系条件设置纠错。若奖励只写短期转化，学习越充分长期客户价值越低，就必须把“未被探索的动作、退出平台的用户、奖励函数之外的伤害”承认为独立对象，用它解释为何同一动作在两种制度中出现相反方向。

◎ 十条可做的研究命题

命题：把“未发表的零效应项目、被董事会否决的备选方案”纳入“可追溯证据条数／全部关键决策依据数”后，“循证管理要求先公开证据等级 Evidence-Based Management”的效应将显著缩小。设计：在两类组织中预注册分母并重算三个周期。证伪：纳入后方向和效应量均不变。

命题：“数据驱动决策被测出组织绩效差异 Data-Driven Decision Making”与“可解释性不能代替可理解模型 Interpretable Models over Post-hoc Explanations”之间存在由“单一读数代表复杂对象”调节的反号关系。设计：构造支持条件与失效条件的成对样本。证伪：两种条件下“由数据触发的决策数／全部重大决策数”保持同一方向。

命题：当“完成闭环的分析项目数／全部已部署分析项目数”被用于资源配置，参与者会把成本转移到“从未产生高费用却有高需要的人、因获取障碍缺少诊疗记录者”。设计：比较考核前后记录、访谈与结果分布。证伪：账外对象规模和成本均未变化。

命题：“行为运营把决策者写进模型 Behavioral Operations”的跨机构迁移取决于是否同时保留“指标专制把度量变成目标 The Tyranny of Metrics”所要求的条件。设计：在两个制度环境中复制同一流程。证伪：移除该条件后，决策质量、可追责性与长期绩效仍稳定改善。

命题：只优化“Brier损失下降量／全部预测轮次”的分子会恶化长期结果。设计：随机比较只报分子、完整报告和不考核三组。证伪：三组在长期决策质量、可追责性与长期绩效上无差异。

命题：“算法正确但未被采纳的建议、人工错误被解释为例外的记录”不是随机缺失，而与“数字孪生把预测变成连续决策 Digital Twins for Prescriptive Decisions”的路径系统相关。设计：建立退出与未分类事件追踪队列。证伪：其发生概率与路径变量独立。

命题：在边界样本中，当组织只奖励模型准确率时，方向反过来：预测越准可行动价值越低。设计：预先锁定失效阈值，比较阈值两侧的“可被决策规则利用的预测变量数／全部高精度变量数”。证伪：方向没有反转且差异落在最小效应以下。

命题：独立复核会降低“在线对照实验成为产品决策基础设施 Online Controlled Experiments”的表面绩效，却提高一年后的决策质量、可追责性与长期绩效。设计：分离指标定义者与评价者并做纵向跟踪。证伪：短期和长期结果均无变化。

命题：“因果机器学习从平均效应走向异质效应 Causal Machine Learning”的平均效应由少数高暴露对象驱动。设计：报告完整分布，并按“生成式人工智能呈现锯齿状能力边界 Jagged Technological Frontier”所界定的条件分层。证伪：分层后各组效应同质。

命题：将“算法欣赏在匿名建议中出现 Algorithm Appreciation”与“强化学习把预测器变成政策选择器 Reinforcement Learning for Decisions”组合，会产生现有总分无法识别的新对象。设计：联合记录两条中未入账对象与可比较读数，进行聚类和机制访谈。证伪：新增类别不提高解释或预测。

◎ 资料核验