falsifiability-audit · v1.0.0 · 2026-06-15 · sha256 02c4fc95d7f2ce1c
falsifiability-audit v1.0.0A
Immutable. This exact content never changes and is served at /api/v1/blob/02c4fc95d7f2ce1c.
--- name: falsifiability-audit description: 'Tactic: 假设质量保证——检验可证伪性,修复不合格假设,完成操作化与边界条件规范' version: 1.0.0 category: hypothesis-formation type: tactic campaign: hypothesis-formulation sops: - falsifiability-check - operationalization - boundary-condition-specification dependencies: sops: - boundary-condition-specification - falsifiability-check - operationalization --- # Falsifiability Audit 假设质量保证——对假设集逐一检验可证伪性,修复不合格假设,完成操作化定义,并规范边界条件,确保每个假设可被实验或观察所测试。 ## 编排意图 假设形成的最终关卡。再好的理论基础,如果产出的假设无法被证伪,就不是科学假设。本 tactic 的职责是"质检"而非"生成":输入是已有假设候选,输出是每个假设通过质检的证明文件。 三个 SOP 形成流水线:falsifiability-check 识别问题 → operationalization 将变量转化为可测量形式 → boundary-condition-specification 限定假设成立的范围。不允许跳步,也不允许在 falsifiability-check 失败时直接推进。 ## 可用 SOPs | SOP | 职责 | 何时调用 | |-----|------|---------| | falsifiability-check | 对每个假设执行可证伪性检验,识别不可证伪的假设并提出修复建议 | 所有模式必选,首先执行;如有假设未通过,迭代修复后重新检验 | | operationalization | 为每个假设的变量提供操作定义——如何测量、用什么工具、在什么条件下 | 所有模式必选,在 falsifiability-check 通过后执行 | | boundary-condition-specification | 规范假设成立的前提条件、适用范围和已知限制 | 所有模式必选,最后执行 | ## 编排模式 **Simplified(S tier,≤3 个假设)** - 顺序执行:falsifiability-check → operationalization → boundary-condition-specification - 如有假设未通过 falsifiability-check,CC 立即修复并重新检验(最多 2 轮迭代) - 适用:假设数量少,预期质量较高 **Standard(M tier,4-6 个假设)** - falsifiability-check 对所有假设批量执行,汇总失败列表;CC 批量修复;重新检验修复后的假设 - operationalization 和 boundary-condition-specification 串行执行 - 适用:中等规模假设集,需要系统质检 **Deep(L tier,≥7 个假设)** - 全部 3 个 SOP 执行;falsifiability-check 额外输出:每个假设的"最强反例场景";operationalization 额外要求:为每个变量提供 ≥2 种测量方法(主方法 + 备选);boundary-condition-specification 额外要求:列出已知的例外情况 - 适用:大规模假设集,需要生产级质量保证 ## Minimum Yield - 每个输入假设均已通过 falsifiability-check(或已修复至通过) - 每个假设的所有变量均有操作定义(含测量工具/方法) - 每个假设均有明确的边界条件(假设成立的前提 + 不适用的情境) - 完整的质检记录:哪些假设初次通过,哪些修复后通过,修复内容是什么 ## Yield Report 执行结束后向调用方 strategy 报告: - 输入假设数 / 初次通过数 / 修复后通过数 / 最终未通过数 - 最常见的可证伪性问题类型(供 upstream strategy 改进假设生成) - 操作化难度:哪些变量难以测量(需要特殊工具或数据集) - 边界条件覆盖:哪些假设的适用范围较窄(高风险,易被反例推翻)