在不確定性下的可審計治理決策：綜合與代理擴展
arXiv - Computers and SocietyOleg Solozobov
提出一套可審計治理證據框架，並評估其在四種決策系統架構中的可轉移性，揭示治理覆蓋梯度與代理系統的結構斷裂。
AI 幫你先抓重點
AI 重點 1
治理覆蓋梯度揭示不同決策系統的可審計程度差異。
滑鼠懸停看 AI 判斷理由
此洞察幫助政策制定者判斷哪些系統需要更嚴格的治理機制，避免因系統特性而產生的審計盲點，提升決策透明度與責任追蹤。
AI 重點 2
代理 AI 的三大結構斷裂提示自動化決策的風險。
滑鼠懸停看 AI 判斷理由
了解決策擴散、證據碎片化與責任模糊能使 AI 開發者與教育實務者針對性設計監控與補救措施，確保自主系統在教育環境中的安全與可解釋性。
核心研究發現
- 1
治理覆蓋梯度顯示：決策規則引擎可完全填充 DES 屬性，混合 ML+規則系統部分填充，純機器學習系統僅最小填充，代理 AI 系統則出現結構斷裂。
- 2
治理失效會透過框架層級的序列依賴傳遞，形成不確定性級聯，進一步擴大治理缺口。
- 3
代理 AI 系統存在三大結構斷裂：決策擴散、證據碎片化與責任模糊，並提出對應的分析擴展以彌補缺口。
- 4
四項命題正式化治理梯度、級聯累積、委派深度效應與擴展充分性，界定框架有效運作的邊界條件。
對教育工作者的啟發
實務工作者可依此框架設計審計流程，先評估決策系統類型，針對規則引擎可全覆蓋，混合系統需加強證據鏈，純機器學習則需補足證據缺口。對於代理 AI，需特別監控決策擴散、證據碎片化與責任模糊，並實施對應的分析擴展，以確保決策透明與可追蹤。
原始文獻資訊
- 英文標題：
- Governed Auditable Decisioning Under Uncertainty: Synthesis and Agentic Extension
- 作者：
- Oleg Solozobov
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。