第10章｜Evidence Qualification（证据资格判定）

一、材料进入证据库之前，必须先经过资格审查

第九章说明，Evidence（证据）不是网页、报告、合同或媒体文章的固定属性，而是具体信息单元与具体Claim（命题）之间形成的条件化证明关系。由此会产生一个更实际的问题：企业收集到一项候选材料以后，凭什么判断它有资格支持、限制或反驳目标命题？

现实中的错误通常不是完全没有材料，而是材料未经审查便被直接投入内容生产。例如，创始人在前雇主积累的经验被写成新公司的组织经验；一份由企业出资并控制数据的报告被包装成“独立第三方证明”；过期许可证仍被用于支持当前资质；客户结果与服务同期出现，便被写成服务导致结果；同一篇新闻稿被几十家网站转载，便被计算为几十条独立证据。

这些材料并非都毫无价值。真正的问题是：它们能够证明什么、不能证明什么，以及在什么范围和时间内有效。

因此，一星如月的方法不先给材料贴上“强证据”或“弱证据”的永久标签，而是让材料与目标命题组成一个待审关系，再逐项通过Evidence Qualification Gate（证据资格门槛）。

二、资格判定不是给来源打一个总分

常见做法会把官方来源、媒体来源、客户评价、企业自述分别设置权重，再把新近性、权威性、相关性等指标相加，形成一个Evidence Score（证据评分）。这种方式看起来容易排序，却会遮蔽几个根本问题。

第一，不同条件不能随意互相补偿。来源看起来权威，不能补偿实体归属错误；材料非常新，不能补偿无法验证；载体很多，不能补偿所有页面都来自同一条谱系；客户已经授权公开，也不能补偿命题本身缺乏真实性支持。

第二，同一材料面对不同命题会得到不同结论。一张营业执照对“该法律主体已登记”可能具有直接支持，对“该团队擅长制造业财税服务”却没有足够证明作用。

第三，不同使用目的需要不同状态。内部诊断可保留一项尚未获公开授权但真实性较强的材料；对外发布则必须额外满足授权、合规和表达边界。

第四，统一分数容易产生虚假精确。当前没有证据证明各项条件之间存在稳定、跨行业、跨命题的固定权重，也没有依据宣称某个总分会稳定改变人工智能答案。

所以本体系采用Gate-based Qualification（门槛式资格判定）：

每一道门槛回答一种不可被其他条件替代的问题；资格结论相对于特定命题、特定用途和特定时间成立，不换算为脱离命题的统一总分。

三、资格判定的输入不是“一份文件”，而是一组关系

进入门槛的最小审查对象可以写成：

Candidate Information Unit（候选信息单元）
× Target Claim（目标命题）
× Target Entity（目标实体）
× Intended Use（预定用途）
× Assessment Time（评估时间）

Candidate Information Unit（候选信息单元）是从Material（材料）中抽取的具体记录、数据、陈述或观察，而不是把整份材料一次性判为“合格”。Target Claim（目标命题）说明它准备证明什么；Target Entity（目标实体）说明该事实应归属于谁；Intended Use（预定用途）区分内部研究、客户汇报、公开发布和人工智能观测；Assessment Time（评估时间）规定结论在哪个时间点成立。

任何一项改变，都可能触发重新判定。旧案例可以支持历史经历，却未必支持当前团队能力；客户授权内部使用，不等于授权公开传播；一份数据可以支持自身表现，却未必支持优于同行。

四、门槛结果必须允许Unknown（未知）

每道门槛至少记录以下状态：

• Pass（通过）：现有记录足以满足该门槛在当前任务中的要求；
• Conditional Pass（有条件通过）：只有在明确限制条件下才能使用；
• Fail（不通过）：存在足以阻止当前命题或当前用途的缺陷；
• Unknown（未知）：当前材料不足，不能判定通过或不通过；
• Not Applicable（不适用）：该门槛在当前关系中确实不适用，并需要说明理由。

Unknown（未知）不是零分，也不是默认通过。它表示研究边界尚未闭合。系统可以继续调查、缩小命题或暂缓公开，但不能用“暂时没发现问题”代替“已经满足条件”。

门槛状态也不是对Reality（现实）的终局宣判。某项材料未通过，只表示它目前没有资格按指定方式支持目标命题；不必然证明目标命题为假，更不必然证明现实中的能力不存在。

五、G0—G2｜命题、谱系与验证

G0｜Proposition Link（命题关联）

第一道门槛要求明确：候选信息到底支持、限制、反驳或解释哪一项Claim（命题），又明确不能推出什么。

如果企业拿出一份客户合同，只说“这是我们的证据”，审查仍无法开始。合同可能支持“双方在某时签订了服务关系”，但不自动支持“服务已完整履行”“客户获得某项结果”“结果由服务导致”或“企业比同行更好”。

G0（门槛0）至少要求：

• 命题具有明确主体、谓词、对象或数值；
• 范围、条件和Valid Time（有效时间）可识别；
• 候选信息的Proof Function（证明功能）被声明为支持、限制、反驳或背景；
• 明确记录该信息不能证明什么；
• 复杂命题在必要时先拆成Atomic Claim（原子命题）。

没有命题关联的材料只能进入Material Inventory（材料清单），不能直接进入Evidence Set（证据集合）。

G1｜Provenance（来源追溯）

第二道门槛追问信息从哪里产生、由谁记录、经过什么传播和变换才到达当前载体。

Provenance（来源追溯）不只是记录一个网址。完整谱系可能包括原始事件、数据生产者、记录者、审核者、发布者、转载者、编辑或摘要过程，以及人工智能是否参与生成或改写。

例如，五十家媒体发布内容近似的文章时，不能把五十个网址直接记成五十条来源。必须继续追溯它们是否来自同一份企业新闻稿。如果原始生产节点只有一个，Carrier Count（载体数量）即使增加，Evidence Lineage（证据谱系）也没有相应增加。

若原始谱系完全无法追溯，系统应标记Unknown（未知）或Fail（不通过），并根据命题风险决定降级还是阻断。转载层级更高、页面更精美或域名更知名，都不能替代原始来源关系。

G2｜Verification（可验证性）

第三道门槛要求存在合理的复核路径，并记录谁在何时以什么方法进行过验证、使用了什么材料、得到什么结果。

Verification（可验证性）不等于“网上可以搜到”。同一错误被大量转载，只能说明传播存在；企业内部表格格式完整，也不能自动证明数据采集和计算正确。

复核方式应与命题匹配。例如：

• 登记或许可命题可核对主管机关记录、证照编号、主体和有效期；
• 项目发生命题可交叉核对合同、交付记录、结算记录和客户确认；
• 表现命题需要核对指标定义、数据来源、样本范围和计算过程；
• 因果命题还需要干预、时间顺序、对照或反事实以及替代解释审查。

“可验证”不要求所有信息都对公众开放，但必须存在适当权限下能够执行的合理复核方式。若出于保密原因无法公开原始材料，可以分别维护Truth Support（真实性支持）和Publishability（可公开性），而不是把保密直接解释为真实或不真实。

六、G3—G5｜实体、范围与时间

G3｜Entity Attribution（实体归属）

第四道门槛判断被记录的经历、能力、资质、结果或评价究竟属于哪个实体。

企业主体、品牌、创始人、员工、前雇主、团队、产品和服务不是同一个对象。创始人在前公司有十年经验，可以支持Person Experience（个人经验），不能未经证明便改写为新公司拥有十年Organization Experience（组织经验）。同样，集团公司的案例不能自动归属于子公司，合作伙伴的资质不能自动归属于本企业，某个员工的个人能力也不能自动代表全体交付系统。

当材料涉及历史经验或组织变化时，至少需要检查：

• 原事实属于个人还是组织；
• 当前组织是否继承了相关人员、流程、技术和服务能力；
• 品牌、法律主体和交付主体是否一致；
• 同名实体、曾用名、并购、分拆和地域主体是否已消歧；
• 人工智能答案是否把真实材料错误归给了竞争者。

实体归属失败时，即使事实本身真实，也不能把它计入目标企业的有效GEO（生成式引擎优化）成果。

G4｜Scope Boundary（适用边界）

第五道门槛规定证据可以覆盖哪些客户、行业、地域、产品、服务、样本、条件和例外。

证据最常见的失真方式不是完全虚构，而是把局部支持扩大成普遍结论。三家制造业客户的服务记录可能支持企业有过相关项目经历，却不能直接支持“最懂所有制造业企业”；一个城市的响应数据不能自动代表全国服务；特定套餐的交付结果不能外推到所有产品；平台上完成评价的客户不能自动代表所有客户。

Scope Boundary（适用边界）需要同时写出正向范围与排除范围：

在什么对象、时间、样本和条件内可以使用
≠
在其他对象、时间、样本和条件下也成立

边界写得更窄并不意味着证据更差。相反，能够准确表达有限支持，通常比宽泛而无法证明的口号更可靠。

G5｜Temporal Validity and Continuity（时间有效性与连续性）

第六道门槛把时间与当前能力连续性同时纳入审查。

至少需要区分Event Time（事件发生时间）、Valid Time（事实有效时间）、Record Time（记录形成时间）、Publication Time（公开发布时间）和Observation Time（人工智能观测时间）。一张旧许可证可能准确证明企业曾经持证，却不能证明评估时仍然有效；一篇新发布的文章可能只是在重新传播多年前的事实，发布时间新不等于事实新。

当历史材料被用于支持当前能力，还需要检查五种连续性：

• Organization Continuity（组织连续性）；
• Personnel Continuity（人员连续性）；
• Process Continuity（流程连续性）；
• Technology Continuity（技术连续性）；
• Service Continuity（服务连续性）。

如果案例真实发生，但原团队已经全部离职、流程和系统均已改变，该案例仍可支持企业历史经历，却不能自动支持当前团队具有相同能力。连续性不是“一项满足就全部满足”，其具体准入强度需要根据命题和风险单独判断。

七、G6—G7｜授权与矛盾

G6｜Authorization Lifecycle（授权生命周期）

第七道门槛处理材料是否可以按计划被使用和公开。授权不是一次性的真假字段，而是具有主体、用途、范围、期限、限制、撤回和到期的生命周期。

至少需要记录：

• 谁拥有或有权授予相关使用权限；
• 授权给谁、用于什么目的；
• 允许使用哪些信息和载体；
• 是否需要匿名、脱敏或预先审核；
• 授权何时生效、何时到期；
• 如何撤回，以及撤回后如何处置已发布内容和下游传播。

授权状态可分为Not Requested（未申请）、Pending（待确认）、Authorized（已授权）、Restricted（有限授权）、Revoked（已撤回）、Expired（已过期）和Unknown（未知）。

必须牢记：

Truth Support（真实性支持）
≠ Publishability（可公开性）

客户撤回案例许可后，项目和结果可能仍然真实，但公开使用资格可以立即失效。相反，客户同意发布某段话，也不能凭授权使不真实的命题变真。

G7｜Contradiction Handling（矛盾处理）

第八道门槛要求系统同时保留支持、限制、反向和背景材料，而不是只挑选有利信息。

如果平均响应时间表现良好，但部分重要客户长期没有得到响应，仅公布平均值可能在数学上正确，却会隐藏重大异常。若一份客户评价积极，但同一项目存在未解决投诉，系统必须记录二者的关系，而不能删掉不利部分后宣称证据一致。

矛盾不一定使全部材料失效。它可能意味着：

• 命题范围需要缩小；
• 不同时间段或不同客户群存在差异；
• 数据定义和采集方式不一致；
• 需要进一步复核哪条记录更可靠；
• 当前支持状态应为Contested（存在争议）或Indeterminate（无法判断）。

隐藏重大反向材料会破坏证据资格；公开承认边界和冲突，则可能形成更准确的限定性结论。

八、G8—G10｜控制、偏差与循环

G8｜Funding and Data Control（资金与数据控制）

第九道门槛追问：谁出资、谁选择样本、谁控制数据、谁决定分析方法和最终结论。

第三方署名不自动等于独立验证。一份报告即使由研究机构发布，如果项目由企业出资、数据完全由企业筛选、方法未披露、企业还能决定哪些结果出现，其Producer Independence（生产者独立性）和Verification（可验证性）就需要被限制或标记Unknown（未知）。

这并不意味着企业出资的研究一律无效。出资关系本身是一项需要披露和分析的条件。关键在于研究设计、样本选择、数据访问、分析权、审核权和发布权是否受到利益相关方控制，以及这些控制会如何影响当前命题。

审查必须穿透“第三方”“研究报告”“媒体调查”等标签，回到实际生产和控制关系。

G9｜Bias and Completeness（偏差与完整性）

第十道门槛检查Selection Bias（选择偏差）、Manipulation Risk（操纵风险）、缺失数据、重大异常、样本代表性和Cherry-picking（选择性呈现）。

平台拥有大量五星评价，可以支持“该平台显示了大量积极评价”，却未必支持“所有客户普遍满意”。还需要知道：哪些客户有机会评价、评价是否受到激励、负面评价是否被过滤、未评价客户是否与已评价客户存在系统差异、是否可能刷评。

同样，企业展示十个成功案例时，需要说明案例是全部项目、随机样本、典型样本还是营销团队选择的最佳样本。只展示成功并不使案例本身虚假，但会限制它对总体表现命题的证明能力。

Completeness（完整性）不是要求披露所有内部信息，而是要求对可能实质改变结论的缺失、异常、选择规则和反向材料作出诚实处理。

G10｜Circularity and Derivation（循环性与派生关系）

第十一道门槛用于识别人工智能生成、旧内容改写、转载、摘要和再发布形成的派生链，防止信息在传播循环中伪装成新增事实或独立支持。

典型循环是：

人工智能生成“十大推荐”
→ 企业发布该答案
→ 其他页面转载或改写
→ 人工智能再次引用这些页面
→ 企业宣称获得独立推荐

这个循环可能真实记录多次传播和多次人工智能输出，却没有增加任何关于企业能力、表现或比较位置的独立现实证据。Observed AI Claim（已观测人工智能命题）可以证明某次答案出现过某种表达，但不能通过再发布升级为企业事实。

同理，一篇文章被改写成十篇、被翻译成多种语言或被多个聚合站收录，不代表新增十条独立Evidence Lineage（证据谱系）。系统必须记录Derived From（派生自）关系，并识别是否出现新的独立生产、复核或事实来源。

九、十一道门槛不是简单的线性漏斗

G0—G10（门槛0—10）按审计顺序排列，便于团队执行，但它们不是一条关于人工智能内部机制的因果链，也不是从低级到高级的价值排名。

某些门槛可以并行核查；某一道Fail（不通过）可能直接阻断当前用途；某一道Unknown（未知）可能允许内部保留却阻断公开；材料发生变化后，也可能需要回到前面的门槛重审。

门槛之间不可通过加总互相抵消，但最终处置仍需要结合命题风险、预定用途和失败性质。例如，授权缺失会阻断公开，不必抹除内部真实性状态；谱系独立性不足可能不妨碍材料支持“企业曾作出该断言”，却会阻止它被当成第三方交叉验证。

因此，资格判定不是：

通过数量 ÷ 11 = 证据分数

而是：

逐项状态
＋ 阻断条件
＋ 限制条件
＋ 未知项
＋ 允许用途
＋ 禁止推论

十、通过门槛后形成Evidence Profile（证据画像）

门槛回答“是否具备当前资格以及带有什么限制”，Evidence Profile（证据画像）则描述已经通过或有条件通过的证据关系具有什么性质。

至少可以分别记录：

• Directness（直接性）：信息与命题之间是否需要多层推断；
• Specificity（具体性）：主体、数值、范围和条件是否明确；
• Independence（独立性）：生产与谱系是否独立于被证明主体；
• Relevance（相关性）：是否真正对应目标命题和决策变量；
• Coverage（覆盖度）：覆盖多少目标范围、样本或条件；
• Recency（新近性）：对当前有效时间的接近程度；
• Attribution Clarity（归属清晰度）：实体对应是否明确；
• Reproducibility（可复核性）：其他合格人员能否按方法复核；
• Conflict Status（冲突状态）：是否存在未解决反向信息；
• Bias Status（偏差状态）：已知和未知偏差如何影响使用。

这些维度用于描述和比较特定任务中的证据，不得被统一加权成脱离Claim（命题）的固定总分。“更直接”不能自动补偿“归属错误”，“更新”也不能自动补偿“不可验证”。

十一、支持状态与授权状态必须分别维护

完成门槛审查后，Truth Support（真实性支持）可以形成以下状态：

授权状态则单独记录Not Requested（未申请）、Pending（待确认）、Authorized（已授权）、Restricted（有限授权）、Revoked（已撤回）、Expired（已过期）或Unknown（未知）。

除此之外，GEO Usability（GEO可用性）和Observed AI Use（已观测人工智能使用）仍然是另外两类状态。证据通过真实性审查，不代表它影响用户选择；与用户决策相关，不代表人工智能已经检索、引用、吸收、归属或用于决策。

十二、资格不足时只有五种合规处置

当候选信息无法支持原命题时，系统不应立即把它包装得更有说服力，也不应靠增加页面数量制造证据感。允许的基本处置是：

1. Narrow（缩小）：缩小客户、行业、时间、地域或结果范围；
2. Decompose（拆解）：把复合命题拆成能够分别审查的原子命题；
3. Qualify（增加限定）：明确条件、例外、样本和不确定性；
4. Downgrade（降低强度）：从因果降为同期观察，从比较优势降为自身表现，从当前能力降为历史经历；
5. Withhold（暂不表达）：在风险或缺口无法控制时不对外使用。

例如，材料只能证明客户在服务期间错误率下降，同时客户更换负责人并上线新系统，就可以表达“服务期间观察到错误率下降”，不能表达“服务导致错误率下降”。若企业只有自身响应时长数据，没有同行同口径数据，就可以表达自身指标，不能表达“比同行更快”。

命题降级不是削弱营销，而是防止企业用超出证明边界的表述透支可信度。

十三、四类典型失败不能用发布更多内容修复

此外，CE_PROVENANCE_UNTRACEABLE（来源谱系不可追溯）、CE_CONFLICT_SUPPRESSED（重大冲突被隐藏）和CE_CLAIM_INFLATION（命题膨胀）也需要阻断、降级或返工。它们都不能通过增加文章、转载或平台数量得到修复。

十四、案例：一份客户案例如何经过资格门槛

假设某代账服务商准备表达：

我们的服务使制造业客户的财务错误率降低了40%。

团队拥有合同、项目工单、客户提供的内部数据和一封表扬邮件。表面看材料丰富，但门槛审查会继续提出问题：

• G0（门槛0）：这是结果命题还是因果命题？“使”意味着因果；
• G1（门槛1）：数据由谁生产和筛选，是否经过编辑；
• G2（门槛2）：错误率如何定义，能否复算；
• G3（门槛3）：项目由当前企业、前身还是个人完成；
• G4（门槛4）：是一个客户、某条产线还是全部制造业客户；
• G5（门槛5）：数据窗口是什么，当前团队是否仍有连续能力；
• G6（门槛6）：客户授权了哪些数据和表达；
• G7（门槛7）：是否存在错误率未下降的期间或其他反向记录；
• G8（门槛8）：样本和分析是否完全由服务商控制；
• G9（门槛9）：是否只选取表现最好的客户和时间窗口；
• G10（门槛10）：文章或报告是否只是由同一数据反复改写。

如果同期客户更换财务负责人并上线新系统，现有材料可以支持“该客户在服务期间观察到错误率下降”，却不足以排除替代解释。正确处置是Downgrade（降低强度）和Qualify（增加限定），而不是把报告发布到更多平台以制造因果证据。

十五、Absence of Evidence（缺少证据）如何处理

企业声称团队经常处理制造业成本核算，但没有合同、工单、案例或客户确认。此时不能因为缺少记录就断言能力不存在，也不能因为团队口述就断言能力存在。

当前支持状态应为Indeterminate（无法判断）。后续可以调查历史记录、访谈相关主体、进行客户确认，或从现在开始建立前瞻性记录。如果调查后发现能力确实存在但缺少可用证明，可能进入Evidence Gap（证据缺口）；如果能力本身不足，则可能进入Business Gap（业务缺口）。

资格判定只给出命题—证据关系的当前状态，不在本章直接生成正式Gap（缺口）。正式缺口仍需结合User-DVM（用户决策变量地图）、AI-DVM（人工智能决策变量地图）、客户事实、公开信息和竞争环境进入后续诊断。

十六、对GEO Service System（GEO服务体系）的要求

第一，系统必须在内容生产之前设置证据资格门槛。未经审查的材料不能直接成为对外命题依据。

第二，每条Evidence Record（证据记录）必须连接明确的Claim Record（命题记录），并记录G0—G10（门槛0—10）的逐项状态、依据、限制、Unknown（未知）和复核人。

第三，门槛结论必须带有Assessment Time（评估时间）和Intended Use（预定用途）。授权到期、主体变化、材料更新、重大冲突或公开用途改变，均触发重新审查。

第四，系统必须保存来源谱系、派生关系和跨系统实体主键，避免把转载、改写、重复记录和人工智能生成内容计算为独立证据。

第五，Truth Support（真实性支持）、Publishability（可公开性）、GEO Usability（GEO可用性）和Observed AI Use（已观测人工智能使用）必须分别维护。

第六，自动化可以帮助抽取字段、发现冲突和提示缺项，但不得擅自完成高风险事实确认、公开授权批准或因果与比较命题升级。公开使用前仍需要相应事实负责人和授权负责人批准。

第七，报告输出不得只给“合格”或“不合格”。必须同时说明支持到什么强度、限制在哪里、不能推出什么、哪些状态仍然未知，以及下一步允许采取什么动作。

十七、Minimum Evidence Record（最低证据记录）

最低记录必须覆盖关系对象、G0—G10逐项状态、证明关系、范围与时间、来源谱系、冲突偏差、授权、资格结论和变更控制九组信息。完整填写结构集中在附录C｜Method Templates（方法模板），认识状态与禁止越级措辞见附录D｜Epistemic Status（认识状态）与因果措辞。这不是要求企业立即建立复杂数据库，而是确保任何表格或卡片都不丢失决定资格的关键关系。

十八、本章明确否定的观点

• 来源或网站可以脱离命题获得固定证据等级；
• 官方、媒体、客户或第三方标签能够自动通过全部门槛；
• 可以把十一道门槛相加成统一Evidence Score（证据评分）；
• 一个门槛表现优秀可以补偿另一个关键门槛失败；
• Unknown（未知）等于没有风险或默认通过；
• 一份材料只需进行一次永久性资格判定；
• 真实性支持等于公开授权；
• 获得公开授权能够使不真实命题成立；
• 新发布时间等于事实当前仍然有效；
• 历史组织或个人经验自动属于当前企业；
• 第三方署名自动代表资金、数据和分析独立；
• 载体数量、改写数量或跨平台发布数量等于独立证据数量；
• 平均值正确就可以不披露重大异常；
• 结果发生能够直接升级为因果命题；
• 自身表现数据能够直接升级为比较优势；
• 缺少证据自动证明能力不存在；
• 人工智能输出经发布后能够反向创造独立事实；
• 证据资格通过就证明用户关心、人工智能会使用或业务结果会改善；
• 发布更多内容可以弥补实体、真实性、授权、因果或业务能力问题。

十九、当前仍然不知道什么

以下问题保持Unknown（未知）：

• 不同行业、监管环境、命题风险和公开用途下，各门槛的最低准入要求；
• 五类连续性在不同能力命题中的任务级判定规则；
• 隐私、商业秘密、客户授权和历史记录保留之间的具体行业边界；
• 多源数据跨系统实体消歧的可靠自动化阈值；
• Context Evidence（背景证据）应在何种条件下获得完整证明功能；
• 何种Evidence Profile（证据画像）与特定人工智能行为存在稳定关系；
• 公开、可检索、被检索、被引用、被吸收、被正确归属和被用于决策之间的因果路径；
• 哪些规则能够在真实项目中升级为Validated Pattern（已验证模式）。

当前Validated Pattern（已验证模式）为空。

二十、本章结论

Evidence Qualification（证据资格判定）不是评选“最权威的网站”，而是审查一项候选信息在特定命题、实体、用途和时间下是否具备证明资格。

G0—G10 Evidence Qualification Gate（证据资格门槛）分别检查命题关联、来源追溯、可验证性、实体归属、适用边界、时间与连续性、授权生命周期、矛盾处理、资金与数据控制、偏差与完整性以及循环与派生关系。每一项都回答一个不能被其他条件替代的问题。

门槛不产生统一Evidence Score（证据评分）。它产生的是逐项状态、阻断条件、限制条件、Unknown（未知）、允许用途、支持强度和禁止推论。资格不足时，只能缩小、拆解、增加限定、降低强度或暂不表达。

第九章定义了什么对象能够形成证据关系，第十章建立了这项关系的准入审查。下一章将继续回答：通过资格审查的Evidence Unit（证据单元）应该如何按Origin Actor（来源主体）、Record Form（记录形式）、Proof Function（证明功能）和Independence Profile（独立性画像）进行多轴描述，而不再退回“官网证据、媒体证据、客户证据”这类混合分类。

本章图表

图10-1｜证据资格判定的审查对象

重绘说明：中央放置Candidate Information Unit（候选信息单元）与Target Claim（目标命题）的关系，周围连接Target Entity（目标实体）、Intended Use（预定用途）和Assessment Time（评估时间）。图下注明：“任一关系项改变，都可能触发重新判定。”

图10-2｜G0—G10 Evidence Qualification Gate（证据资格门槛）

重绘说明：将十一道门槛排成审计路径，依次标出命题关联、来源追溯、可验证性、实体归属、适用边界、时间与连续性、授权、矛盾、资金与数据控制、偏差与完整性、循环与派生；旁注说明该顺序是审计工作流，不是人工智能内部因果链。

图10-3｜Gate（门槛）与Score（评分）的差异

重绘说明：左侧展示错误做法——把十一项相加形成总分；右侧展示本体系——逐项状态、关键阻断、限制、未知项、允许用途和禁止推论。用实体归属失败说明高来源知名度不能补偿关键门槛。

图10-4｜Truth Support（真实性支持）与Authorization（授权）的双状态

重绘说明：采用二维矩阵，一轴为真实性支持状态，另一轴为授权状态。突出“真实但不可公开”“已获授权但真实性不足”“真实且获授权”等不同组合。

图10-5｜资格不足后的五种处置

重绘说明：从Failed or Limited Qualification（失败或受限资格）分出Narrow（缩小）、Decompose（拆解）、Qualify（增加限定）、Downgrade（降低强度）和Withhold（暂不表达）五条路径，明确没有“增加文章数量”路径。

表10-1｜G0—G10门槛审查表

采用本章第五至八节的四组十一道门槛，每行展示核心问题、可能状态、典型阻断和允许处置。

表10-2｜Minimum Evidence Record（最低证据记录）

采用本章第十七节的九组记录面与附录C的完整模板，用于后续服务系统的证据卡、复核记录与变更追踪。