最近有幸聽到「三角校正」一詞，研究思索了一下，並與 Gemini AI 討論後，要他將討論經過梳理一下，便是以下。
在資訊爆炸與生成式 AI 普及的今天，許多人在探討議題或撰寫報告時，常自豪地說：「我已經問過好幾家 AI 了，大家的答案都差不多，這算是有做『三角校正』吧？」
甚至有人會認為，傳統圖書館只要負責把資料收齊、確保是一手資訊即可，哪裡會有什麼立場偏差？
然而，事實真的如此單純嗎？本文梳理了一場關於「三角校正法（Triangulation）」、「圖書館的結構性偏見」與「AI 知識供應鏈」的深度思辨，帶你拆解當代研究中最容易踩入的「假性客觀」陷阱。
一、 什麼是真正的「三角校正法」？
三角校正法（Triangulation）源自航海與測量學——藉由三個不同已知點的交會來精確定位。在學術研究中，它是一種透過結合多種異質視角、資料來源或方法，以檢驗結論一致性、降低研究者主觀偏見的策略。
社會學家 Norman K. Denzin 將其歸納為四大經典維度：
- 資料三角校正（Data）：在不同時間、不同空間或對不同群體收集資料。
- 研究者三角校正（Investigator）：引入兩位以上獨立的研究者對相同現象進行編碼或觀察。
- 理論三角校正（Theory）：運用互補甚至相互對立的理論框架來解釋同一組數據。
- 方法三角校正（Methodological）：結合質性（訪談、觀察）與量化（統計、實驗）等不同研究方法。
核心本質： 三角校正的靈魂在於「來源的本體論獨立性」——必須是彼此沒有體系關聯、沒有共享同一個大腦或利益結構的多元視角，互相質證才具備效度。
二、 迷思一：圖書館只管齊全，沒有立場問題？
許多人認為，圖書館是純粹的知識殿堂，只要不是宗教專門機構，就應該是絕對客觀中立的。
但從圖書館學與資訊科學（LIS）的實務來看，任何實體或數位圖書館都難以做到百分之百的價值真空，其背後存在四大結構性偏向：
- 採訪預算的篩選權力：圖書館仰賴大型經銷商（如 GOBI、YBP）的預先核准清單，主流歐美商業學術出版品自然勝出，小眾、獨立出版或第三世界論述常被邊緣化。
- 政治與法規的外部框架：威權國家的法規審查自不必說；即便在歐美民主社會，近年地方議會與家長團體發起的「禁書運動（Book Banning）」，也直接干預了性別與種族議題的館藏。
- 百年分類體系的時代偏見：主流的杜威十進分類法（DDC）與美國國會圖書館分類法（LCC）誕生於 19 世紀末，其架構高度以白人、歐美基督教文明為中心，非西方宗教與原住民文化常被迫塞在狹小的邊緣小節中。
- 商業資料庫的演算法壟斷：數位圖書館依賴 Elsevier、Springer 等巨頭，其推薦與排序演算法高度偏向「高影響因子（Impact Factor）」的主流文章，形成了學術界的馬太效應。
小結：圖書館主觀上追求中立，但客觀的資源分配與歷史包袱，決定了每一座圖書館都有其看不見的館藏邊界。
三、 迷思二：AI 是不是一座新型態的超級圖書館？
答案很明確：AI 本身不是圖書館，它是站在圖書館門口的「代讀助理與文字拼裝機」。
- 圖書館的核心在於「保存與指引」：書本以原始、靜態、可驗證的形式存在，脈絡完整，詮釋權完全交給讀者。
- 生成式 AI 的核心在於「機率運算與生成」：大語言模型（LLM）肚子裡沒有存每一本書，它把知識拆碎成數學權重。當你提問時，它是在即時預測下一段最可能出現的文字。
如果說歷史檔案是一手資料、學術專書是二手資料，那麼 AI 的生成物充其量是「經過機率壓縮與演算法重構的第四手衍生品」。它不僅會產生幻覺（Hallucination），更在輸出時就預先替你做完了價值篩選與摘要裁剪。
四、 迷思三：重複問同一家 AI 很多次，能當成三角校正嗎？
有人想：「既然問一次不準，那我把同一個問題問 10 次、甚至 100 次，如果答案都一樣，不就是客觀真理了嗎？」
這是研究方法學上嚴重的「假性校正」！
- 問很多次結果會變，是因為「擲骰子」： AI 每次回答有些許差異，是因為溫度參數（Temperature）在機率池裡抽樣的隨機性，這是數學隨機擾動，而不是獨立觀點。
- 當次數趨近於無限大（N→∞）： 回答不會變成唯一的絕對真理，而是收斂成一個固定的機率分佈。
- 高頻共識=真實客觀： 如果網路上充斥著某個歷史錯誤或都市傳說，AI 權重裡這個詞的機率就是最高。你問它 100 次，它有 90 次都會講同一套謊話。這只是證明了該偏見在訓練語料中極為強勢，與事實真偽毫不相干。
五、 迷思四：既然同一家不行，找三家不同 AI 總算三角校正了吧？
找 OpenAI ChatGPT、Google Gemini、Anthropic Claude 同時回答，看似是三方會審，但實質上依然無法成立真正的三角校正。
關鍵就在於：大家同喝一條「網際網路公用池水」。
- 近親繁殖的語料：各大 AI 實驗室抓取的訓練集高度同質（Common Crawl、維基百科、Reddit、開源論文庫），大家都向同一個批發市場進貨。
- 模型崩潰（Model Collapse）：現在的網路上充滿了上一代 AI 生成的文章，下一代 AI 又把這些合成廢料吃進去重新訓練，錯誤與平庸被幾何級數放大。
- 共同盲區與審查：若特定地緣政治勢力或版權法規在源頭「投藥」過濾，或是主流文化集體忽略了某些在地知識，這三家 AI 會展現出驚人的一致性「集體失憶」。
六、 結語：換賣場買東西，不等於換了產地
這場思辨最後得出了一個極為貼切的比喻：
就算你跑遍了全聯、家樂福或好市多，只要架上商品的源頭供應商是同一家工廠，裡頭裝的醬油就一模一樣。
不同的賣場頂多只有裝潢、會員制與定價的差異。如果你以為「多跑了幾家賣場」就是在替品質嚴格把關，那你只是在通路遊戲裡自我感動。
在當代資訊與學術研究中：
- 各家新聞媒體、論壇轉載與各大 AI，都只是零售通路的「超商代銷商」。
- 網際網路公用池水，就是那個巨大的「批發中心」。
真正的三角校正，永遠無法只在冷氣房裡切換聊天機器人的視窗來完成。想要看見真實，我們終究得繞過所有的零售大賣場，親自踩進產地的泥土裡——去翻泛黃的實體檔案、調閱第一手的實驗數據、踏入真實田野進行訪談。
唯有手握未經機器烹調的原始生鮮食材，你才不會被整個時代的統一口味牽著鼻子走。