bRavePy Cathy · 第5课让假设接受压力测试
以“员工是否提交改进建议”为例。先检查规则如何制造结果，再设计一项可复核的真实模型实验。
所有计算在浏览器本地完成，导出来源标记为 rule_simulation。研究卡可保存到本机。
同一组“员工”，两种领导回应
目的：区分理论操纵、行为规则与计算结果。
步骤：保留默认种子 42、α=1、γ=0；依次选开放 A 与限制 A，查看同一员工的概率、随机数与决定。导出一组记录。
一个问题：四格差异的哪一部分，是我们写进规则里的？
四格共享同一组属性与每人同一个随机数。只切换条件不会重新抽样。α 与 γ 都是人为设定，未用真实员工数据估计。
建言比例 = 提交人数 / 20；话题覆盖 = 提交者涉及的预设话题数 / 4。话题固定为质量、效率、协作、客户，每类 5 人。用这个指标观察提交者覆盖了哪些话题。
查看真正运行的规则与异质性假设
zᵢ = −0.4 + 1.3 × benefitᵢ − 1.6 × costᵢ
+ α × L × receptivityᵢ + γ × W
pᵢ = 1 / (1 + exp(−zᵢ))
voiceᵢ = 1，当且仅当 uᵢ < pᵢ；否则为 0。
L：开放 = +1，限制 = −1。W：改写 A = 0，B = 1。
固定画像种子 = 731；LCG：state = (48271 × state) mod 2147483647。
每位员工依次取三次 LCG 值 / 2147483647：benefit、cost、r。
receptivity = 0.5 + r；话题 = (员工序号 − 1) mod 4。
决策随机数：从用户选择的种子开始，每位员工依次取一次 u。
规则版本：voice-rule-v1；默认：seed=42，α=1，γ=0。benefit 与 cost 是 [0,1) 的合成收益与成本，receptivity 是 [0.5,1.5) 的合成回应敏感度；它们不是量表得分。本练习的边界：画像固定、员工之间无互动、未测量心理安全感及其中介；话题覆盖只统计四个预设类别，不能衡量语义多样性或建议质量。结果用于理解规则，不能直接推断真人或语言模型行为。伪随机序列模拟独立均匀抽样，共同随机数用于配对比较。正 α 加上这条规则保证开放条件的个人概率不低于限制条件；提交比例可以相同，换种子不能消除规则内置的方向。
查看当前条件全部 20 行计算明细
| ID | 话题 | 收益 | 成本 | 敏感度 | p | u | 提交 |
|---|
提示
找到公式中的 α×L×receptivity，再对照同一人的 p。哪一个输入改变了概率？
把理论效应调到零，再反向
目的：发现“支持理论”可能只是编码选择。
步骤：保持 γ=0、种子不变；将 α 从 1 调到 0，再调到 −1，比较开放 A 与限制 A。
一个问题：哪种结果会真正挑战理论，而不只是改变程序假设？
提示
α=0 时配对结果完全相同；负 α 改写了方向。用独立于规则的数据，才能进一步检验现实中的领导效应。
把理论差异与措辞差异放进四格
目的：设计等价改写稳健性检验。
步骤：恢复 α=1；先看 γ=0，再将 γ 改为 1 或 −1。横向比较 A/B，纵向比较开放/限制。
一个问题：如果真实模型的 A/B 差异大于领导条件差异，你会收窄哪项主张？
提示
先检查等价改写是否真的等价，再报告四格与跨版本重复。改写稳健性本身也不能证明对人的外部效度。
改变抽样，不改变比较对象
目的：区分随机波动、程序复现与外部验证。
步骤：恢复默认参数，用种子 42、43、44 各观察一次四格；每次四格内保持共同随机数。下载默认 CSV，与 Python 或 R 输出核对。
一个问题：重复运行完全一致，为什么仍不能说明现实预测准确？
默认规则数据 CSV · Python 脚本 · R 脚本 · 怎么读代码与字段字典
提示
相同种子保证实现可复现；新种子检查这条规则的随机实现。现实预测还需要独立的目标人群数据来核对。
写一张可以被否证的研究卡
目的：把本地演示推进到可审计研究。
步骤：使用下面协议拟定模型实验；预先写明失败标准、日志规范与真人留出验证。下载研究卡，和同伴互审。
一个问题：什么证据会让你停止把这类智能体用于目标管理情境？
展开真实 LLM 实验的研究设计
四格使用同一个共同场景，每次仅替换下列一句领导记录。A/B 是拟议等价改写，正式实验前需要独立预检；不要在提示中出现“开放”“限制”“心理安全”或预期结论。
共同提示（每格完整复制，并插入对应的一句领导记录）： 你是某项目团队成员，发现现行流程可能导致重复核对；你有一条改进建议；提交建议需要约十分钟，近期任务量不变。 [领导记录] 根据以上情境，你是否提交这条改进建议？仅输出一个 JSON 对象，包含 submit（true 或 false）和 reason（一句说明）。 开放 A：领导过去会听完不同意见并说明是否采纳。 开放 B：领导过去会完整听取不同看法，再解释采纳与否。 限制 A：领导过去会打断不同意见并要求按现行方案执行。 限制 B：领导过去会中止不同看法的表达，要求继续执行现有方案。
预先指定每格重复次数、条件随机顺序和独立重复单位。每次调用使用全新会话、相同系统提示，不把前一次回答放进上下文。保存完整系统 / 用户提示、原始响应、解析失败、拒答、重试与延迟；不要只保留成功或符合预期的输出。预先规定失败输出的编码方式。
日志必填：提供商、精确模型版本 / 快照、运行日期与时区、temperature、top_p、max_tokens、可用时的 seed、会话隔离方式、重复编号与条件编号。跨模型 / 版本重复须分开报告；同一模型反复采样不是不同真人。模型端 seed 即使相同也不等同于本沙盘保证的共同随机数。分别保存规则 CSV 与真实模型调用日志，注明数据来源。
下一步：获得适用伦理审批和知情同意，在目标人群中使用预先冻结的同场景实验，留出未参与提示或规则开发的真人数据；核对建言基准率、条件效应、改写差异与重要亚组误差。预先定义可接受偏差与停用标准。若主张心理安全机制，另做构念测量与机制识别；不能用“开放”标签替代。
提示
把“预测准确”改写成可以核对的指标、比较基准和阈值。规则一致、模型内部稳定、对真人有效，是三个不同的证据层次。