第06章｜User-DVM（用户决策变量地图）：从变量清单到决策结构

一、地图不是“用户关注点排行榜”

当企业谈论用户需求时，常见产物是一张排序表：价格、专业、服务、案例、响应速度、品牌。团队可能给每项因素一个权重，再据此安排内容和销售话术。这种表格简洁，却很容易掩盖真实决策结构。

谁重视价格？是付款者、使用者还是批准者？价格在什么预算范围内发挥作用？它决定能否进入候选，还是只在合格方案之间形成偏好？许可证为何很少被提及，却可能在比较前淘汰大量选项？某变量出现频率低，是因为不重要，还是因为已经被制度门槛预先满足？最终成交理由能否代表丢单、延期、流失和不决策的人？

如果这些问题没有答案，“关注点排行榜”只是把不同主体、阶段、选择集合和证据状态压缩成一个平均值。它可以产生整齐的内容主题，却不能说明决策如何发生。

User-DVM（User Decision Variable Map，用户决策变量地图）的价值不在于列出更多变量，而在于表示：在一个有边界的Decision Situation（决策情境）中，哪些主体拥有何种权力，哪些变量在什么阶段和选择集合中承担何种作用，变量与变量、制度门槛和结果之间有哪些获得证据支持的关系，以及哪些部分仍然存在冲突或Unknown（未知）。

二、User-DVM（用户决策变量地图）的工作定义

User-DVM（用户决策变量地图）是基于真实用户决策证据，对特定Decision Situation（决策情境）中不同Decision Actor（决策主体）在不同阶段、选择集和时间条件下，哪些Decision Variable（决策变量）可能以触发、资格、偏好、淘汰、信任或行动作用参与判断，以及主体、变量、制度门槛与结果之间可能存在何种顺序、阈值、交互、冲突和证据状态的结构化表示。

它是当前证据所支持的有限表达，不是用户心理的完整复制，不是普遍因果模型，也不是预测每个个体选择结果的固定公式。

User-DVM（用户决策变量地图）尤其不等于：用户常见关注点清单；Persona（用户画像）或客户标签；行业知识百科；Keyword（关键词）、搜索量或Query Cluster（查询簇）列表；企业卖点和内容选题库；平均重要性排行榜；所有主体合并后的固定权重模型；AI-DVM（人工智能决策变量地图）的另一种名称；人工智能或专家依据常识生成的“典型客户需求”；GEO（生成式引擎优化）投入优先级或内容计划本身。

三、地图的最小绑定单元与六层结构

任何User-DVM（用户决策变量地图）至少绑定：

Decision Situation（决策情境）
× Situation Version（情境版本）
× Decision Actor（决策主体）
× Actor Role Version（主体角色版本）
× Decision Rights（决策权）
× Decision Object（决策对象）
× Decision Stage（决策阶段）
× Choice Set（选择集）
× Time Window（时间窗口）
× Target Population（目标人群）
× Entity Scope（实体业务范围）
× Evidence Scope（证据范围）

缺少这些绑定时，“客户重视专业”“小微企业在意价格”只能作为Candidate Statement（候选陈述），不能进入操作地图。同一行业可能同时存在多张合法地图：首次选择代账服务与税务事故后紧急更换服务商的情境不同；老板、财务人员和采购人员的变量结构不同；低风险标准业务与高监管定制业务也不应共享一张无边界地图。

一张可操作的用户决策变量地图至少包含六层：

六层之间的连接比变量数量更重要。只有变量名称而没有主体、路径、证据和结果连接的图，仍然只是清单。

四、从真实过程实例生成地图

地图的生成顺序是：

Atomic Decision Episode（原子决策过程实例）
→ Episode-level DV Coding（过程级决策变量编码）
→ Actor, Rights and Stage Binding（主体、权限与阶段绑定）
→ Choice-set Formation Analysis（选择集形成分析）
→ Node and Edge Coding（节点与关系边编码）
→ Cross-episode Pattern Candidate（跨过程模式候选）
→ Negative-case and Coverage Review（负例与覆盖复核）
→ User-DVM Candidate（用户决策变量地图候选）
→ Calibration, Versioning and Retirement（校准、版本化与退役）

每个变量节点和每条关系边都必须能够下钻到具体Decision Episode（决策过程实例）或明确研究材料。聚合成行业图或客户图后，来源谱系仍须保留。

这个顺序阻止两类捷径：一是由人工智能生成一张“完整地图”，再选择性寻找材料支持；二是把少量成功案例中的共同词汇直接推广为市场结构。

五、U1—U4证据架构与地图谱系

• U1 First-party Decision Evidence（第一方决策证据）：真实咨询、销售沟通、客户关系系统、访谈、成交、丢单、续费与流失材料；
• U2 Observable Market Decision Evidence（可观察市场决策证据）：社区、问答、评论、求助和公开讨论；
• U3 Structured Research Evidence（结构化研究证据）：具有方法、样本和范围说明的行业研究或调查；
• U4 AI or Expert Hypothesis（人工智能或专家假设）：用于提出变量、关系与情境候选。

来源层级不是质量免检标签。U1可能受到销售记录目的、默认字段和回顾偏差影响；U2无法自动代表总体；U3可能与当前客户的情境、地域或风险不匹配；U4无论多么专业，都不能替代真实用户过程。专业程度不能改变证据来源层级：专家可以帮助定义变量、设计反例和发现遗漏，却不能仅凭经验把U4升级为U1—U3。

“数据来自客户关系系统”也不能充分说明证据质量。系统中的“丢单原因：价格”可能是客户明确说过，也可能是销售为了关闭线索选择的默认项。每项地图元素同时保存Source Episode（来源过程实例）、Evidence Item（证据项）、Recorder（记录者）与Record Time（记录时间）、Record Form（记录形式）与Recording Purpose（记录目的）、Elicitation Method（引出方式）、Instrument Version（工具版本）、Default-field Risk（默认字段风险）、Authorization and Access（授权与访问）、Current Availability（当前可用状态）和Reverification Status（可复核状态）。来源材料因隐私或保留期限被依法删除后，地图关系不一定立刻失效，但其Auditability（可审计性）已经改变，可以记录“历史上存在支持”，却不能继续表述为当前可直接复核。

六、Industry Prior（行业先验）与Client Calibration（客户校准）

行业地图只能作为Industry Prior（行业先验），用于提出候选结构与研究问题。进入客户地图前，必须经过Prior Applicability Gate（先验适用性门槛）：来源人群与目标人群是否匹配；决策情境、对象与阶段是否匹配；选择集和市场结构是否相似；地域、监管、时间与风险是否可比；变量定义与测量方式是否一致；原研究的样本和限制是否清楚。

Client Calibration（客户校准）允许六种结果：Confirm（确认）、Narrow（缩小范围）、Extend（扩展）、Contradict（冲突）、Segment（分群）和Indeterminate（无法判断）。校准不是替换：大型行业研究不能因为样本多就覆盖情境不同的客户事实；三个客户案例也不能因为更贴近企业就推翻行业研究。少量客户材料可能揭示一个细分变体，也可能只是渠道选择、地域集中或偶然结果。

七、Actor-specific DVM（主体特定决策变量地图）

使用者、购买者、付款者、影响者、把关者、批准者和否决者应分别建图。每个主体记录身份或组织单元、角色、决策权限、预算权限、信息获取范围、否决权、影响路径和有效时间。

角色不是个人的永久属性。同一个人可能同时承担使用与影响角色，也可能在组织调整后获得批准权。地图使用Actor-role Snapshot（主体—角色快照）和Role Transition（角色转换），不把角色静态绑定到身份。

组织地图也不是主体变量的并集或平均值。它应呈现Cross-actor Decision Governance（跨主体决策治理）事件链：

Information Acquisition（获得信息）
→ Proposal（提出方案）
→ Qualification Review（资格审查）
→ Conflict or Negotiation（冲突或协商）
→ Veto or Revision（否决或修订）
→ Approval（批准）
→ Action（行动）

每个事件记录发起者、接收者、可用信息、使用的权限、调用的变量和可观察结果。某位使用者高度重视的偏好，可能被安全负责人一个不可补偿的门槛否决；最终签字人的理由也不能自动解释整个组织过程。

八、选择集与过程内转换

用户没有从整个市场中同时评价所有实体。至少要分离：

Market Set（市场集合）
→ Accessible Set（可接触集合）
→ Consideration Set（考虑集合）
→ Evaluated Set（已评价集合）
→ Final Set（最终集合）
→ Chosen / No Decision（选择或不决策）

地图同时记录Entry Source（进入来源）、Exposure Opportunity（接触机会）、Institutional Gate（制度门槛）、Channel Filter（渠道过滤）、Known Attributes（用户已知属性）、Excluded Alternatives（被排除备选）和Gate Provenance（门槛来源）。最终集合内的偏好不能外推到完整市场集合；用户从未接触某个企业时，“没有选择”不构成负面评价；某项资格在最终比较中没有变化，也可能是因为它在更早阶段已经过滤了不合格选项。

变量也会随阶段改变作用。同一个Decision Episode（决策过程实例）还可能因事故、预算、政策、人员或时间压力发生Situation Transition（情境转换）。每次转换记录Event Boundary（事件边界）、Before State（转换前状态）、Transition Trigger（转换触发）、After State（转换后状态）、Variable Role Change（变量作用变化）、Choice-set Change（选择集变化）和Actor-role Change（主体角色变化）。例如，客户早期主要比较价格，原服务商发生严重错误后，责任机制可能转为不可补偿的淘汰条件。只给整段过程一个固定阶段和一张静态地图，会把变化后的理由错误回填到变化前。

九、Node Evidence（节点证据）与Edge Evidence（关系边证据）

变量存在、定义或取值属于Node Evidence（节点证据）；变量之间的前置、阈值、补偿、增强、权衡、交互、顺序、主体冲突或可能中介属于Edge Evidence（关系边证据）。二者必须分别判断。

发现“案例”和“团队资历”经常连续出现，只能说明共同出现或时间顺序。它可能来自固定销售脚本，也可能是同一宽泛构念的两个指标，不能直接画出“案例导致用户关注团队”的因果箭头。

每条关系边至少记录Edge Type（关系边类型）、Source Episodes（来源过程实例）、Direction（方向）与Conditions（成立条件）、Time Order（时间顺序）、Alternative Explanations（替代解释）、Counterevidence（反向证据）、Evidence Status（证据状态）和Mechanism Status（机制状态）。只给变量节点贴证据、不给箭头贴证据，会让地图在视觉上显得有逻辑，实质上却把研究者假设画成了关系事实。

十、工具诱导与记录来源必须分开

问卷依次要求所有人评价价格、资质、案例和服务，聚合后自然会出现整齐的变量顺序。这个顺序由Measurement Instrument（测量工具）产生，不代表自然决策路径。

访谈提纲、销售脚本、人工智能提示和编码框架都可能影响变量是否出现以及出现顺序。地图应区分引出状态（Spontaneous自发、Prompted经提示、Induced被诱导、Behaviorally Inferred行为推断、Instrument-induced工具诱导、Unknown Origin来源未知），完整来源状态枚举见第5章第八节。由工具形成的统一结构，只能说明参与者在该工具下如何回应，不能自动外推为真实决策的自然结构。

十一、四类地图并行与反身反馈

体系并行维护Stated Map（陈述地图，主体明确说出的标准和理由）、Revealed Map（行为揭示地图，从接触、比较、淘汰和选择行为中编码的结构）、Institutional Map（制度约束地图，资格、采购、安全、预算和审批等正式门槛）和Hypothesis Map（假设地图，尚待验证的变量与关系）。四类地图不能机械融合成一张“真相图”；Institutional Map（制度约束地图）必须连接选择集形成与资格过滤，不能只是背景备注。公开理由与行为冲突时，应区分Public Rationale（公开理由）、Coded Inference（编码推断）和Latent Unknown（潜在未知）；组织政治可能真实存在，但研究者不能为了让图完整而臆测隐藏动机。

变量可以处于Pre-existing DV（既有决策变量）、Elicited DV（被引出的决策变量）、Emergent DV（新形成决策变量）、Dormant DV（暂未激活决策变量）或Attribution Unknown（归因未知）状态。销售、市场内容和人工智能回答可能改变用户理解、显著性和判断标准，形成Reflexive Loop（反身反馈回路）：

Public Information Environment（公开信息环境）
→ User Exposure and Learning（用户接触与学习）
→ User-DVM Change（用户决策变量地图变化）
→ Query and Choice Behavior（查询与选择行为变化）
→ AI Answer Environment（人工智能答案环境）

这是一项Operational Hypothesis（操作性假设），不是已经证明的机制。需要接触、时间顺序、对照或其他证据；用户标准与人工智能答案同步变化，不能单独证明人工智能或企业干预改变了用户地图。

十二、总体、覆盖、结果与缺失

地图必须记录Target Population（目标人群）、Source Population（来源人群）、Inclusion Path（纳入路径）、Outcome Sampling（结果抽样）、渠道覆盖、阶段覆盖、主体覆盖、未回应、左右截断、幸存者风险、按结果选择和未知覆盖。Coverage Matrix（覆盖矩阵）按主体、阶段、结果、渠道、情境变体和时间显示：有证据、无证据或未知。覆盖不足不能用U4内容填满。

结果视图至少区分Won（成交）、Lost（丢单）、No Decision（不决策）、Deferred（延迟）、Churned（流失）、Rejected by Entity（被企业拒绝）、Lost Contact（失去联系）和Unknown Outcome（结果未知）。同时分离结果是否已知、原因是否已知、用户陈述原因、观察原因证据、销售推断、系统默认和未知。No Decision（不决策）不是单一原因；失联也不能被自动解释为价格、预算或信任问题；大量一致标签可能是默认字段造成，而不是真实用户模式。

一个变量没有出现在记录中，可能意味着没有参与，也可能意味着没有接触、已被前置满足、被制度预过滤、没有被询问、没有被记录、尚未到相关阶段、材料已经丢失或当前未知。地图区分Observed Absence（已观察的不存在）、Not Elicited（未引出）、Not Recorded（未记录）、Pre-filtered（已预先过滤）、Not Exposed（未接触）、Not Applicable（不适用）、Data Unavailable（数据不可用）和Unknown（未知）。Absence of Mention（未被提及）不等于Absence of Role（没有作用），这条纪律可以避免把隐性资格门槛误判为低重要性变量。

十三、语义等价、聚合与反转审计

不同人都使用“专业”，老板可能指可追责，财务人员可能指政策准确，一线人员可能指沟通清楚；词面相同不表示变量相同。反过来，“有底”“出事找得到人”“不甩锅”在特定情境中可能都指向责任可追溯；词面不同也不表示变量不同。

地图同时保存Raw Expression（原始表达）、Speaker and Context（表达者与情境）、Operational Meaning（操作含义）、Observable Indicator（可观察指标）、Canonical Variable（规范变量）、Mapping Rationale（映射理由）、Mapping Status（映射状态）和Alternative Mapping（替代映射）。只有通过Semantic Equivalence Gate（语义等价门槛）后才能合并：操作定义、指标、对象层、作用角色、方向、主体和情境是否足够一致。不能只按词汇标签制造虚假共识。

聚合前检查情境、主体、权限、对象、选择集、阶段、时间、变量定义、证据方式和结果抽样是否可比。聚合后执行Subgroup Consistency Check（子群一致性检查）、Direction Reversal Check（方向反转检查）、Role Reversal Check（作用反转检查）、Threshold Masking Check（阈值掩盖检查）、Minority Veto Check（少数否决检查）和Missing-group Check（缺失群体检查）。总体平均显示价格“没有作用”，可能是低风险群体偏好低价、高风险群体把过低价格视为不可信，两种相反方向互相抵消；总体无作用不能推导所有子群无作用。

存在结构差异时，应建立Segment-specific Map（分群特定地图）、Variant（变体），或保持不可合并。地图允许部分排序、区间、并列、不可比较和Unknown（未知），不建立统一固定权重。

十四、版本、变化检测、用途与退役

每个版本记录Map Version（地图版本）、有效起止时间、证据截止时间、目标与来源人群、实体业务范围、目标市场、情境范围、Change Trigger（变更触发）、变更内容、稳定性和复查日期。复审由Scheduled Review（定期复审）和Material Change Trigger（重大变化触发）共同启动；政策、价格、竞争、技术、企业服务范围、目标市场、组织角色、渠道或人工智能信息环境发生显著变化，都可能使旧地图受限或失效。

旧地图可以对原范围继续有效，但必须标记Active（有效）、Restricted（受限）、Superseded（已被替代）、Stale（过期）或Retired（已退役）。企业从低价标准服务转向高风险定制服务后，旧客户成交数据不能无说明继续指导新业务。

建立地图前还必须明确Purpose Boundary（用途边界）：预期决策用途、所需分辨率、纳入结构、排除结构、未决扩展和Stop Rule（停止规则）。节点和关系数量不代表覆盖、质量或完整性。只纳入对当前情境识别、变量研究、人工智能答案比较或缺口诊断有意义且可追溯的结构；无法支持当前用途的细节可以进入扩展区，不为了制作“全景用户模型”强行加入主图。一张小而可审计的地图，比一张由常识补全、无法复核的复杂网络更有方法价值。

十五、Map Quality Gates（地图质量门）

地图候选至少通过二十项质量门：情境与范围绑定；主体、权限与角色版本明确；过程实例可追溯；记录生成机制可见；U1—U4来源明确；选择集形成可解释；节点证据与关系边证据分离；阶段与转换绑定；结果与总体覆盖可见；负例保留；缺失分类；语义等价审查；聚合反转审计；先验校准纪律；冲突与潜在状态可见；版本和变化触发；用途与简约性；授权与可审计性；人工智能假设分离；禁止直接跳到优先级。

质量门分别保留，不合成为统一Map Score（地图评分）。一个总分会重新遮蔽样本覆盖、授权、关系证据和用途适配等不可互相补偿的问题。

十六、用户相关性不能直接变成服务优先级

User-DVM（用户决策变量地图）完成后，仍需分别判断：

User Relevance（用户相关性）
× Entity Eligibility（实体资格）
× Entity Value Evidence（实体取值证据）
× Public Addressability（公开可表达性）
× Authorization（授权）
× Evidence Feasibility（证据可行性）
× AI Addressability（人工智能可介入性）
× Business Value and Risk（商业价值与风险）

用户高度重视某变量，不表示企业真实适配，不表示可以公开证明，不表示会形成可观测的人工智能信息任务，也不表示值得投入。某项高价值能力如果涉及保密案例，可能具有用户相关性，却不具备公开证据可表达性。因此，禁止User-DVM-to-Priority Shortcut（从用户地图直接跳到优先级）：地图是后续判断的输入，不是内容计划或商业决策的自动输出。

十七、与AI-DVM（人工智能决策变量地图）的接口

User-DVM（用户决策变量地图）与AI-DVM（人工智能决策变量地图）是不同对象，不能互相替代。前者表达当前用户决策证据支持的结构；后者表达人工智能在受控条件下如何使用变量、实体和证据的答案行为分布。

两者的共同比较字段至少包括情境、对象、变量、作用、方向或阈值、主体条件、阶段、实体关联、证据支持、范围和时间。比较结果可以标记Match（匹配）、Partial Match（部分匹配）、Omission（遗漏）、Addition（新增）、Role Conflict（作用冲突）、Direction Conflict（方向冲突）、Scope Mismatch（范围错配）或Indeterminate（无法判断）。

这个接口不要求人工智能复制完整用户地图，也不预先判定人工智能新增变量一定错误、遗漏变量一定构成正式Gap（缺口）。差异还需要实体资格、命题证据、风险与规范审查。人工智能侧的可观测边界与Opportunity-to-Express Gate（表达机会门槛）见第7章第二十五节。

十八、User-DVM Card（用户决策变量地图卡）

用户决策变量地图卡至少覆盖身份用途与范围、主体与过程、选择集、变量结构、证据、覆盖与反证、聚合与校准、生命周期以及后续接口九组字段，并必须支持下钻到Decision Variable Card（决策变量卡）、Evidence Item（证据项）和Atomic Decision Episode（原子决策过程实例）。完整字段结构集中在附录C｜Method Templates（方法模板）的Template 04（模板04）。

十九、对GEO Service System（GEO服务体系）的要求

第一，系统必须严格执行“过程实例—变量编码—地图聚合”的顺序，禁止由人工智能、关键词、行业常识或企业卖点直接生成正式User-DVM（用户决策变量地图）。

第二，变量节点与关系边必须分别带证据。没有关系证据的箭头只能进入Hypothesis Map（假设地图），不能在客户报告中呈现为已知路径。

第三，主体、权限、选择集合、结果抽样、缺失和记录生成机制必须结构化保存，不能被一张平均权重表替代。

第四，Industry Prior（行业先验）必须经过适用性门槛和客户校准。客户材料不足时可以输出受限地图或无法判断，不能用U4补满覆盖矩阵。

第五，地图应具有用途、版本、证据截止时间、变化触发和退役状态。旧地图不能无说明复用于新的业务范围和目标市场。

第六，User-DVM（用户决策变量地图）完成不等于已经得到查询计划、内容计划或干预优先级。实体资格、公开授权、证据可行性和人工智能可介入性必须另行判定。

二十、本章明确否定的观点

• 用人工智能、专家、行业常识、关键词或搜索量直接生成真实User-DVM（用户决策变量地图）；
• 把关注点列表或平均重要性排行称为地图；
• 只记录最终签字人，或把所有组织主体直接平均；
• 把角色永久绑定个人身份；
• 只观察最终选择集，忽略市场接触与制度过滤；
• 用成交客户代表全部来源人群；
• 把系统默认丢单原因当作用户事实；
• 用行业先验覆盖客户反例，或用少量客户覆盖行业研究；
• 把共同出现、时间先后或工具提问顺序解释为关系或因果；
• 只给变量节点标证据，不给关系边标证据；
• 按词面相同机械合并变量；
• 将总体平均无作用解释为所有子群无作用；
• 把未提及解释为没有作用；
• 把公开理由当作完整隐性动机；
• 建立未经验证的固定变量权重或统一地图总分；
• 追求节点最多、关系最全的“全景地图”；
• 把旧客户地图用于已经改变的新业务范围；
• 用User-DVM（用户决策变量地图）替代AI-DVM（人工智能决策变量地图）；
• 从User-DVM（用户决策变量地图）直接生成查询、内容或商业优先级；
• 将反身反馈假设描述为人工智能已经改变用户决策的事实。

二十一、当前仍然不知道什么

以下问题保持Unknown（未知）：

• 不同行业和风险等级所需的最小样本、覆盖与饱和要求；
• 组织主体冲突和隐性政治的可靠识别方法；
• 非随机观察资料中关系边和变量作用的识别条件；
• 先验适用性与客户校准的任务级准入标准；
• 聚合反转审计的经验阈值；
• 原始表达映射到规范变量的跨编码者有效性；
• 不同地图用途对应的合理分辨率和停止规则；
• 地图稳定性、重大变化和退役的经验阈值；
• 来源删除后结论可保留到何种证据状态；
• 人工智能信息环境是否以及如何改变User-DVM（用户决策变量地图）；
• User-DVM（用户决策变量地图）质量与后续GEO效果的因果关系；
• 可升级为Validated Pattern（已验证模式）的准入标准。

当前Validated Pattern（已验证模式）为空。

二十二、本章结论

User-DVM（用户决策变量地图）是一种有来源、有条件、有主体权力和时间边界的决策结构。它从真实Decision Episode（决策过程实例）出发，把经过资格判定的变量放回主体、选择集合、阶段和结果中，并将节点证据与关系边证据分别治理。

它允许陈述、行为、制度和假设地图并行，允许行业先验被客户证据确认、收窄、扩展、冲突或分群，也允许无法合并和Unknown（未知）。它不通过固定权重制造统一用户，更不从用户相关性直接跳到内容与商业优先级。

第4章定义决策边界，第5章识别变量，第6章将变量组织成用户决策结构。下一章将转向另一个独立平面：AI-DVM（人工智能决策变量地图）。我们将研究人工智能在明确的引擎、查询、工具、上下文、运行和时间条件下，实际如何在答案中使用变量、实体与证据，而不是假设人工智能会复制用户地图。

本章图表

图6-1｜User-DVM（用户决策变量地图）六层结构

重绘说明：采用纵向六层结构，依次为情境层、主体层、决策路径层、变量层、证据层和结果层。层间使用双向追溯线，突出变量节点必须连接主体、过程、证据和结果。

图6-2｜组织决策权限事件链

重绘说明：由左至右展示获得信息、提出方案、资格审查、冲突或协商、否决或修订、批准和行动。在每个节点下方设置发起者、接收者、使用权限、调用变量和可观察结果字段。

图6-3｜选择集形成漏斗

重绘说明：展示Market Set（市场集合）、Accessible Set（可接触集合）、Consideration Set（考虑集合）、Evaluated Set（已评价集合）、Final Set（最终集合）和选择或不决策。漏斗侧面标注渠道过滤、制度门槛、信息接触和未知排除。

图6-4｜节点证据与关系边证据

重绘说明：用三个变量节点和两条关系边演示。节点下方放置变量资格与取值证据；箭头下方单独放置关系类型、条件、替代解释、反证和机制状态。图下注明：“节点有证据，不等于箭头有证据。”

表6-1｜User-DVM Card（用户决策变量地图卡）

采用本章第十八节的九组字段，并增加下钻链接栏，确保每个节点和关系可以追溯到Decision Variable Card（决策变量卡）、Evidence Item（证据项）和Atomic Decision Episode（原子决策过程实例）。