理论卡

目标设定理论（Locke & Latham, 2002）：具体、有挑战、有承诺和反馈的目标优于「尽力而为」。验收证据与窗口正是「具体」和「可反馈」的操作化。限定条件同样重要：复杂、需要先学习的任务，学习目标往往优于绩效目标。

控制论自我调节（Carver & Scheier, 1982）：行为是「感知 → 与参照值比较 → 行动」的负反馈环，目标分层组织；期望过低时适时脱离目标也是适应能力（Wrosch 等, 2003）。目标事件就是参照值；阶段复盘的「确认 / 改写 / 替换 / 停止」就是有组织的目标脱离。

行动阶段模型（Heckhausen & Gollwitzer, 1987）：「权衡」与「执行」是两种不同心态。目标卡把权衡（为什么值得、边界）显式化，并且只在阶段复盘重开，避免执行阶段反复动摇。

变革理论（Weiss, 1995；Funnell & Rogers, 2011）：从长期结果倒推前置条件链，并写出每一跳的假设。这与「目标卡 → 要素图 → 系统动力图 → 路径图」的倒推同构。

变革理论的结果链（Weiss, 1995）：中间结果是事件或状态，不是活动。

自我一致性（Sheldon & Elliot, 1999，见 v1.0）：与自身价值一致的目标更能坚持。「我确实想要它」被当作一条可检验信念，是对这一点的操作化。

过窄、过难、过多的指标目标会引发短视、冒险与作弊（Ordóñez 等, 2009）。验收证据如果只写一个数字，组织场景里尤其危险，建议验收证据配「不可接受的副作用」底线。OKR 常被做成自上而下的指标分解，这正是「目标走火」的温床。

好调节器定理（Conant & Ashby, 1970）：「一个系统的每个好调节器，都必须是该系统的模型。」要可靠地把系统推向目标，调节者内部必须有对系统的表征。这是 A2 最直接的形式化依据。配套的是 Ashby（1956）的必要多样性定律：调节者的多样性要匹配被调节系统的扰动多样性，这解释了为什么模型要分要素、变量、回路、路径、单元多个视图。

心智模型与系统思考（Senge, 1990；Sterman, 2000）：组织行为由成员的心智模型驱动，而人的心智模型对反馈、滞后与存量流量结构系统性失真。显式模型把心智模型外化，使之可检验。

项目理论 / 基于理论的评估（Weiss, 1995；Funnell & Rogers, 2011）：先写出「行动为什么会带来结果」的理论，再用证据检验每一环。

延展心智与分布式认知（Clark & Chalmers, 1998；Hutchins, 1995）：可靠、可随时取用、被信任的外部表征可以视为认知系统的一部分。Markdown 正本就是这种外部表征。

系统动力学（Forrester, 1961, 1971；Sterman, 2000）：存量—流量—反馈—滞后是理解组织与社会系统行为的基本结构；社会系统的行为常常「反直觉」，因为原因和结果在时间、空间上不相邻。产品要求系统判断写「最反直觉的一条」，直接呼应 Forrester（1971）。

反馈误判（Sterman, 1989）：在有滞后和反馈的动态决策实验中，人系统性地忽视在途流量和滞后，导致振荡与过冲。这是「滞后纪律」最好的实证依据。

能力陷阱（Repenning & Sterman, 2001, 2002）：组织为了短期产出削减改进投入，长期能力下降，形成恶性增强回路；管理者还会把系统问题归因于人（自我确认的归因错误）。产品把「负向增强回路就是恶性循环」写进第三步，并在 M8 中禁止把未执行归因于意愿，两者都能在这里找到依据。

杠杆点（Meadows, 1999, 2008）：干预点从弱到强：参数 → 缓冲 → 存量流量结构 → 滞后 → 调节回路 → 增强回路 → 信息流 → 规则 → 自组织 → 目标 → 范式。产品的五种杠杆来源（存量增量、约束解除、回路点火、缩短滞后、设计调节）大致覆盖了 Meadows 列表的中低段。

约束理论（Goldratt & Cox, 1984）：系统产出受少数瓶颈限制；产品的「约束解除」杠杆与「门 1 五层约束检查」与之对应。

团体建模（Vennix, 1996；Andersen 等, 2007）：多方一起画因果图，本身就是对齐心智模型的干预（组织扩展的关键，见 6.3）。

COM-B（Michie 等, 2011）：行为 = 能力 × 机会 × 动机。「我」类要素覆盖能力与动机，「物、环境、外部人」覆盖物理与社会机会。要素图可以看成 COM-B 从「一个行为」到「一个事件」的推广。

力场分析（Lewin, 1947）：现状是推力与阻力的平衡；要素关系里的「促进 / 抑制」就是力场。

社会技术系统（Trist & Bamforth, 1951；Cherns, 1976；Baxter & Sommerville, 2011）：工作系统由社会子系统与技术子系统共同构成，只优化一边会失败。六类要素把人、物、规则环境、信息与智能体放在同一张表上，符合「联合优化」的原则。

社会技术系统（Trist & Bamforth, 1951；Cherns, 1976；Baxter & Sommerville, 2011）：社会子系统与技术子系统要联合优化；只优化技术、把人当作适配机器的部分，会失败。按能力分工、表现数据不评判人（A13），是联合优化的一种做法。

行动者网络 / 分布式能动（Latour, 2005）：非人行动者（工具、文本、算法）也参与促成事件。「智能体」被单列为要素类，体现了这一点。

行动者网络理论与广义对称性（Callon, 1984；Latour, 2005）：分析时用同一套词描述人与非人行动者，不预先假定谁是主体、谁是工具；事件由人与物、文本、算法组成的网络共同促成。一心行动把本人与 AI 同列为能动单元、同样建模和预测，就是这种分析上的对称。

资源与能力视角（Teece 等, 1997）：「资源积累」「知识经验」两维产出对应组织能力的积累。

效果推理（Sarasvathy, 2001）：在高度不确定的目标上，专家创业者不从预测出发，而从手头资源和可承受损失出发，利用意外。U 行和「探索中」路径是给意外留位置。

Cynefin（Kurtz & Snowden, 2003）：复杂域要「探测—感知—响应」，用安全失败的小实验让路径浮现；繁杂域才适合详细规划。

渐进决策（Lindblom, 1959）与刻意战略 / 涌现战略（Mintzberg & Waters, 1985）：实际实现的战略总是计划与涌现的混合。主路径 + 备选 + 周复盘换主路径，就是在制度上承认涌现。

计划谬误与事前验尸（Buehler 等, 1994；Klein, 2007）：人系统性低估完成时间；「预计时间」与带宽约束要用参考类校正（Lovallo & Kahneman, 2003；Flyvbjerg, 2006）。

计划谬误（Buehler 等, 1994）：人系统性低估耗时；「排程带宽取自述与观测的较小者」是参考类校正。

分布式认知（Hutchins, 1995；Hollan 等, 2000）：分析单元是「人 + 工具 + 表征 + 组织」构成的功能系统。本人与 AI 单元同列在单元清单里，正是把这个功能系统当作分析单元（见 4.18）。

分布式认知（Hutchins, 1995；Hollan, Hutchins & Kirsh, 2000）：认知的分析单元是人与人工物组成的功能系统，表征在人、工具与文档之间传递和转换。一心行动的正本、信念账本与指令卡就是这样的外部表征，人和 AI 都在读写它们。

分布式能动与集体效能（Bandura, 2000）：集体效能是成员对「我们能一起做成」的共享信念，独立于个人效能预测团队表现。

交互记忆系统（Wegner, 1987；Lewis, 2003）：团队知道「谁知道什么、谁擅长什么」，比每个人都知道一切更有效。单元卡的「有什么用 / 怎么用」与「可靠性记录」就是交互记忆的外化。

决策权与责任分配（RACI 等管理实践；Rogers & Blenko, 2006 的 RAPID）：每个关键事项要有明确负责者。D1 是「每个杠杆要有能动的负责者」，对应「每个决定要有一个 D」。

自动化可指挥性（Klein 等, 2004）：自动化要成为「团队成员」，必须可预测、可指挥、能表明状态与意图。「可以先做 / 必须等」与任务单预测就是可指挥性的规格化。

贝叶斯决策理论（Edwards, Lindman & Savage, 1963；Savage, 1954）：信念以主观概率表示，按证据更新；行动选择最大化期望效用。信念账本是它的有序、粗粒度版本。

信息价值（Howard, 1966）：信息的价值等于「有了它之后决策改善的期望」；不会改变决策的信息价值为零。M6「优先选结果会改变下一步选择的指令」与「只查要投入资源的决定背后的假设」正是信息价值原则。

预测加工与主动推断（Friston, 2010；Clark, 2013；Parr, Pezzulo & Friston, 2022）：大脑被描述为持续生成预测、用预测误差更新模型的系统；主动推断进一步认为，行动本身是让世界符合预测、或为减少不确定性而采样的手段。一心行动在结构上是一个外置的、可审计的预测加工系统：模型生成预测，人作为传感器回报，惊讶度驱动更新，指令既推进目标（实用价值）也检验连接（认知价值）。D3 的第二类候选（检验低置信度关键连接）对应主动推断里的「认知性行动」。

预测校准与超级预测（Tetlock & Gardner, 2015；Mellers 等, 2014）：训练（概率推理、参考类）、团队讨论和追踪记录能显著提高预测准确性；Brier 分数（Brier, 1950）用于评分。

情报分析的不确定性表达（Kent, 1964；ODNI ICD 203, 2015；IPCC 指南，Mastrandrea 等, 2011）：用固定的文字档位表达可能性与置信度，并把事实、假设、判断分开。五档文字置信度与「事实 / 推断 / 假设」三标签和这条传统高度一致。

竞争假设分析（Heuer, 1999）：列出所有合理假设，寻找能区分假设的证据，而不是只找支持证据。实验卡的「竞争假设」字段、异常复核的「竞争解释」都属此类。

竞争假设分析（Heuer, 1999）。

LLM 难以自我纠错（Huang 等, 2024, ICLR）：没有外部反馈时，大模型对自己推理的「自我纠错」往往无效甚至变差。G3 的依据之一：AI 的二次分析不是独立证据。

LLM 自我偏好（Panickssery 等, 2024）：大模型作为评审时能识别并偏爱自己生成的文本。G5「同一模型同一次调用产生的多条信息算一条」的依据。

谄媚（Sharma 等, 2023/2024）：AI 助手倾向迎合用户观点。用户的猜想经 AI 复述后不应变成证据（G4「AI 对原话的复述不是新证据」）。

自动化偏差与误用（Parasuraman & Riley, 1997）：人会过度依赖自动化输出。G3 在系统层面先挡住，减少人面对「AI 已经很有把握」的情况。

专家意见合成中的相关性（Clemen & Winkler, 1999；Genest & Zidek, 1986）：来源相关时，简单合成会高估确定性；独立性是合成的前提。G5 的统计依据。

信息来源与溯源（W3C PROV-DM, 2013）：证据必须带可追溯的来源链。G1、G2 的「可复核指针」。

可证伪性（Popper, 1959）：可检验的判断才有科学价值；准入条件第 1 条（可检验、有判据）就是可证伪性要求。

证据为本的管理（Rousseau, 2006；Pfeffer & Sutton, 2006）：把管理判断当假设，按证据质量加权。

有意义的人类控制（Santoni de Sio & van den Hoven, 2018）：自主系统的行为要能追溯到某个理解它、并能为它负责的人的理由。准入接口由本人模块持有，把「系统相信什么」的责任锚定在系统里唯一能承担这种责任的模块上。

有意义的人类控制、责任缺口与道德缓冲区（Santoni de Sio & van den Hoven, 2018；Matthias, 2004；Elish, 2019）：自主学习系统会造成「谁都不对结果负责」的责任缺口；人在系统里只剩「签字」时，会成为替系统背锅的「道德缓冲区」。产品让人只裁决少数高价值事项、并给出可追溯的证据，减少了「橡皮图章」风险。

有限理性（Simon, 1955）：人的注意与计算能力有限，确认成本过高会让确认变成形式。「每次最多 3 条」是对有限理性的尊重。

假设登记与决定联动：Camuffo 等（2020）的随机对照试验显示，用「提出假设—设计检验—按证据决策」的科学方法训练创业者，会提高其转向和退出的合理性与绩效。

PDSA（Deming, 1986；Langley 等, 2009）：计划（含预测）→ 小规模执行 → 研究（比较预测与结果）→ 处置。Taylor 等（2014）发现医疗领域多数 PDSA 应用没有做到「有预测、有迭代、有数据」，做到的报告才可靠。实验卡把这三点做成了强制字段。

预注册（Nosek 等, 2018）：在看到数据之前锁定假设与分析方法，区分「预测」与「事后解释」。哈希锁定与「改预测要新建卡并写 supersedes」是预注册的个人版。

精益创业与科学化创业（Ries, 2011；Camuffo 等, 2020；Gans, Stern & Wu, 2019）：构建—测量—学习；把商业设想当成可检验的假设。

企业实验与在线对照实验（Thomke, 2003；Kohavi, Tang & Xu, 2020）：组织应把实验当作常规能力；可信的实验需要事先定义指标、样本量与护栏指标。

单被试设计与微随机试验（Kazdin, 2011；Klasnja 等, 2015）：在个人或小样本层面，用基线期—干预期、反转或多基线设计，或在个体内随机化，来区分干预效果与时间趋势。

质性研究的可信度与审计轨迹（Lincoln & Guba, 1985）：原始材料与解释分开保存，第三方可沿审计轨迹复核解释。

情报分析标准（ICD 203, 2015）：区分信息、假设与判断，说明来源质量。

个人信息学的阶段模型（Li, Dey & Forlizzi, 2010）：准备 → 收集 → 整合 → 反思 → 行动，每一阶段的障碍会向后传递；收集阶段的负担是放弃的主因。「只保存」与「保存并处理」分开，降低了收集负担。

情境完整性（Nissenbaum, 2004）：信息流动是否恰当，取决于它是否符合产生它的情境规范。原话在记录板里是「对自己系统说的话」，被拿去评判或外发就违背了情境规范。

单环、双环学习（Argyris & Schön, 1978；Argyris, 1977）与再学习 / 学习如何学习（Bateson, 1972 的 deutero-learning）：单环在既有假设下修正行动；双环修改目标、规范与假设；三环（学习方式本身）修改学习过程。一心行动的节律表把三者分配到不同时间尺度：日复盘 ≈ 单环，周复盘 ≈ 结构层的双环，阶段复盘 ≈ 目标层的双环 + 方法元层的三环。

探索与利用（March, 1991）：组织学习要在利用已知与探索未知之间平衡，快速反馈会把系统推向利用。周复盘的「主攻槽 + 探索槽」（v0.6）和路径图的「探索中」是制度化的探索。

事后复盘 / 汇报会的元分析（Tannenbaum & Cerasoli, 2013；Keiser & Arthur, 2021）：结构化的团队与个人复盘能显著提升后续绩效（Tannenbaum & Cerasoli 报告相对对照组平均提升约 25%，d ≈ 0.67），效果受复盘是否结构化、是否有引导、是否基于客观数据调节。

自我调节学习的循环（Zimmerman, 2002）：预想 → 执行 → 自我反思；反思质量决定下一轮预想。

组织惯例的稳定与变化（Feldman & Pentland, 2003）：惯例既有「明示面」（规则）也有「实践面」；变化往往从实践面开始。节律表把「方法本身」也列为可改对象（阶段复盘），给惯例变化留了合法通道。

执行意图（Gollwitzer, 1999；Gollwitzer & Sheeran, 2006）：「如果—那么」计划对目标达成有中到大的效应。指令卡「做什么、预计耗时、有效期」是一种外置的执行意图。

意图—行为鸿沟与情境策略（Duckworth, Gendler & Gross, 2016，见 v1.0）：改变情境比依赖意志力更可靠。归因顺序先查指令设计与时机，是「先改情境」的操作化。

时间动机理论（Steel, 2007）：动机 = 期望 × 价值 /（冲动性 × 延迟）。执行预测的「主要阻力」相当于让系统显式估计这个分母。

自我监测的元分析（Harkin 等, 2016）：监测目标进展能促进目标达成，记录下来、公开的监测效果更强。

反馈干预理论（Kluger & DeNisi, 1996）：超过三分之一的反馈干预降低了绩效，尤其当反馈把注意力引向自我（「你怎么又没做」）而不是任务。A13 的「不打分、不催促、不出现『你又没做』」有直接实证依据。

反馈干预理论（Kluger & DeNisi, 1996）：指标若被用来评判人，会伤害表现。

自我决定理论（Ryan & Deci, 2000）：自主、胜任、关系三种需要；控制性的外部压力削弱内在动机。拒绝指令是执行层权利、意愿归因只能由本人说，都在保护自主感。

支持性问责（Mohr 等, 2011）：数字干预中，被一个可信、善意、有专长的对象「看见」能提升坚持度，前提是问责是支持性的而非惩罚性的。

即时适应性干预（Nahum-Shani 等, 2018）：按当下状态决定是否干预、干预什么；降级规则就是一个简单的 JITAI 决策规则。

认知卸载与去技能化（Risko & Gilbert, 2016；Lee 等, 2025）：卸载释放认知资源，也可能削弱自身能力与批判思考。

组织记忆（Walsh & Ungson, 1991）：组织记忆分布在个人、文化、转换过程、结构、生态与外部档案六个「存储箱」，检索失败是组织遗忘的主因。登记表 + 探测面就是一份「存储箱目录」。

组织学习的过程（Huber, 1991；Levitt & March, 1988）：获取 → 分发 → 解释 → 记忆；经验要被编码进惯例才能被学习。

情境意识（Endsley, 1995）：感知 → 理解 → 预测；自动化让人「脱离回路」会降低情境意识。记录板只接收「需要本人知道或决定的」摘要，是防止信息淹没的做法。

隐藏信息（Stasser & Titus, 1985）：群体讨论倾向于反复谈共享信息、忽略个人独有信息。信息流的「登记一律、分诊再决定」能让独有信息先留痕（组织场景尤其重要，见 6.7）。

自适应与可调自主（Kaber & Endsley, 2004；Scerri, Pynadath & Tambe, 2002；Bradshaw 等, 2004）：自动化等级可以在运行中按情境与表现动态调整；多智能体系统里，自主程度可以在人与智能体之间来回转移，转移的条件可以事先写成策略。

委托接口（Miller & Parasuraman, 2007；Castelfranchi & Falcone, 1998）：人把任务按不同粒度委托给自动化，委托的内容、约束与开放程度可以逐项设定。「可以先做 / 必须等」和名册授权范围就是委托规格。

AI 智能体的自主等级与风险（Feng, McDonald & Zhang, 2025；Chan 等, 2023）：智能体的自主等级可以作为独立于能力的设计决定，按用户角色分为操作者、协作者、顾问、批准者、观察者五级；越来越「能动」的算法系统会带来新的责任与危害问题，需要按自主程度设计控制。

安全探索与副作用（Amodei 等, 2016）：在现实中行动的系统要避免负面副作用，探索要限制在可恢复的范围内。「先可逆、后不可逆」是这一原则在授权上的用法。

自动化的类型与等级（Parasuraman, Sheridan & Wickens, 2000）：自动化可以分别作用于信息获取、分析、决策、执行四个阶段，各自等级不同；选择时考虑人的负荷、情境意识、技能退化与后果代价。产品的分层正是「按阶段、按后果」设定自主等级。这个模型的要点之一是：等级是设计变量，可以随情境、负荷与可靠性调整，而不是一次定死（见 4.19）。

自动化等级是可调的（Sheridan & Verplank, 1978；Parasuraman, Sheridan & Wickens, 2000）：从「计算机不提供帮助」到「计算机自行决定并执行」有连续的等级，而且信息获取、分析、决策、执行四个阶段可以各取不同等级。等级是按后果与可靠性选择的设计变量，不是机器的固有属性。

混合主动交互（Horvitz, 1999）与人—AI 交互指南（Amershi 等, 2019）：不确定时先问；支持高效纠正；谨慎更新。决策请求「最多一个问题、带现成选项」（E3）是混合主动原则的具体化。

以人为本的 AI（Shneiderman, 2020）：高自动化与高人类控制可以同时实现。模型层高度自动、主人层由人类模块持有，是这种二维观的例子。

治理框架：NIST AI RMF 1.0（2023）的治理—映射—测量—管理；欧盟《人工智能法》（Regulation (EU) 2024/1689）第 14 条关于人类监督的要求。

产品文档已自行列出出处：Actor 模型（Hewitt, Bishop & Steiger, 1973）、乐观并发控制（Kung & Robinson, 1981）、租约（Gray & Cheriton, 1989）、Saga 补偿事务（Garcia-Molina & Salem, 1987）。对应产品机制：每个对象一个主人；信箱串行；乐观并发；租约 + 栅栏号；合入队列；发件箱同包；幂等；补偿；不变量检查；本人优先；防震荡。

联合认知系统（Hollnagel & Woods, 2005；Klein 等, 2004）：人与多个自动化主体的协作，需要共同基础、可预测、可指挥。正本 + 投影就是「共同基础」。

联合认知系统（Hollnagel & Woods, 2005；Klein 等, 2004）：分析对象应是「人 + 机器」构成的联合系统及其整体表现，而不是把机器当作人使用的工具、也不是把人当作机器的操作员；联合系统里的每个成员都要可预测、可指挥，并能表明状态与意图。双预测与可靠性记录让两类模块都满足「可预测」。

语言—行动视角（Winograd & Flores, 1986）：协作的基本单元是「请求—承诺—完成—确认」的会话。通讯协议的「通报 / 请求 / 回执」正是这个结构。

共同基础（Clark & Brennan, 1991）：沟通各方需要不断确认「我们都知道什么」。

校准与评分规则（Brier, 1950）：预测要用恰当评分规则评估。

坎贝尔定律与古德哈特定律（Campbell, 1979）：一个量化指标越被用于决策，越容易被扭曲。Kerr（1975）的「奖励 A 却期望 B」是同一问题在组织激励里的表现。

Weick（1995）；Weick, Sutcliffe & Obstfeld（2005）：组织在模糊情境中通过「注意 → 括选 → 标记 → 回溯解释 → 行动 → 再解释」来建构「这里正在发生什么」。要素图与系统动力图是意义建构的产物，而且是可修正的产物。冷启动时，后续所有观察都会在首版框架里被解读（意义建构的锚定效应）。

Teece（2007）：感知（sensing）机会与威胁、抓取（seizing）、重构（transforming）资源。信息流与汇流 ≈ 感知；实验卡与主攻槽 ≈ 抓取前的检验；周、阶段复盘改结构与目标 ≈ 重构。

Beer（1972）：每个能存续的系统都由若干同样结构的可行子系统构成，递归嵌套。组织目标卡下可以挂团队目标卡，团队目标卡下挂个人目标卡；上层目标的杠杆常常就是下层目标的目标事件。

Star & Griesemer（1989）：要素图在组织里扮演边界物。不同部门对同一张图有各自解读，但图足够稳定，可以作为协作的共同参照。

战略执行研究反复发现，失败多在「对齐与协调」而非「计划」（Sull, Homkes & Sull, 2015）；平衡计分卡（Kaplan & Norton, 1992, 1996）要求把战略写成因果链。目标卡 + 系统动力图正是「把战略写成因果链」的轻量版本。

线性意见池（Stone, 1961）：各方档位的加权平均，权重默认相等；积累足够预测记录后，可按各人历史校准度加权。德尔菲式两轮（Dalkey & Helmer, 1963）：各方先独立给档位与理由（防从众），看到他人理由后再给一轮。

独立先于讨论：群体讨论会让人收敛到共享信息（Stasser & Titus, 1985），提前收敛还会产生群体迷思（Janis, 1972）。

按 Aumann（1976）的结论，拥有共同先验、彼此理性且信息共享的人不可能「同意彼此不同意」。持续的分歧说明大家私有信息不同或先验/价值不同。前者用取证解决，后者要上升为价值裁决。

集体智能（Woolley 等, 2010）：群体的集体智能因子与成员发言轮换的均衡度、社会敏感性相关，而与成员平均智力关系不大；多样性（Hong & Page, 2004，模型结论存在争议）。

心理安全（Edmondson, 1999）是团队学习行为的前提：成员要敢于登记「我的预测错了」和「我不同意」。信念账本的「异议记录」与「预测追踪」只有在心理安全下才会被如实填写；如果把预测命中率用于考核，就会摧毁它（坎贝尔定律）。

委托—代理理论（Jensen & Meckling, 1976；Eisenhardt, 1989）：委托人用监督与基于结果的约定来降低代理成本；信息系统越能观察代理人的行为，越可以放心授权。任务单预测、留痕与结清让 AI 模块的行为可观察。

在组织场景，「能动单元」里的人有自己的目标、利益和信念，把他们当作对等模块来建模，就要把这些也建进模型。单元清单需要多一列「这个人自己的目标与顾虑」（委托—代理问题，Jensen & Meckling, 1976）；证据提供者与结论有利害关系时标注。

Bovens（2007）把问责定义为一种关系：行动者有义务向某个论坛解释和说明其行为，论坛可以提问、评判，行动者可能承担后果。Lerner & Tetlock（1999）：事先知道要向一个观点未知的对象解释决策过程，能减少某些判断偏差；而事后、对结果的问责则容易引发防御性决策。

信任校准（Lee & See, 2004；Hoff & Bashir, 2015；Mayer, Davis & Schoorman, 1995）：适当的依赖要求信任与实际可靠性相匹配；信任过高导致误用，过低导致弃用。信任的依据包括能力、诚信与善意，并随交往经验更新。可靠性记录就是校准信任的证据。

AI 的每次产出都有引擎签名、任务单预测和可靠性记录，组织可以据此评估「这个 AI 单元在这类任务上有多可靠」，而不是笼统地信或不信（信任校准，Lee & See, 2004）。

Bainbridge（1983）的「自动化的讽刺」：越自动化，人越缺练习，关键时刻越接不住。Lee 等（2025）发现对 AI 信心越高、批判性思考越少。

价值冲突 → 裁决：owner 裁决后，异议写进账本，附异议者的预测。不要求「达成共识」，但要求「决定后共同执行、事后共同检验」（类似军事与管理实践里的「指挥意图」，Bungay, 2011）。