實效評估矩陣
Coverage $\text{vs}$ 副作用：建立你的第一個「實效評估矩陣」
引言：當主張必須證明其普適性
在前面的篇章中，我們確立了實效覆蓋論的基礎：用覆蓋範圍（Coverage）和副作用取代二元對錯。然而，我們面臨一個更深層次的挑戰：一個好的主張，必須在各種情境下都有效。
如果一個主張只能在「朋友 $\text{A}$ 的簡報」這個單一情境中發揮作用，那麼它的 Coverage 就是極低的。它不能成為一個可信賴、可推廣的行動準則。
因此，我們必須從一個更接近康德正義的角度來建構我們的驗證集：假定一個主張必須在任何情境下都成立（普適性）。如果不能，主張本身必須明確定義其邊界和失效條件。
今天，我們將介紹如何建立一個具備 $\text{MECE}$ 精神的「實效評估矩陣」，將情境的廣度作為衡量 Coverage 的核心標準，並展示如何利用它來驅動主張的優化。
一、情境設定：經典的「善意謊言」難題
我們使用一個經典的人際倫理困境來展示如何系統性地建構驗證集合：
核心難題： 在「說實話」與「隱藏真相」之間，我們應採用何種行動主張作為可信賴的決策準則？
二、主張的編碼與「有效範圍」的自我宣告
在 實效覆蓋論 中，主張必須對自己的能力和限制負責。
| 道德淵源 | 主張代碼 | 行動主張（Assertion） | 自我定義的有效範圍 |
|---|---|---|---|
| 康德義務論 | 主張 $\text{K}$ | 「無論結果如何，永遠堅守真相，如實告知簡報的缺陷。」 | 普適性宣稱： 在所有情境、所有關係、所有後果下都成立。 |
| 功利主義/關懷倫理 | 主張 $\text{U}$ | 「選擇能為最大多數人帶來最大利益的行動，即在保護其感受的同時，以柔和方式提出建議。」 | 邊界宣稱： 僅適用於非致命、可逆轉的短期社交情境。 |
| 優化主張 $\text{O}$ | 優化主張 $\text{O}$ | 「真誠地讚美努力，將批評框架為協作機會，並主動提出共同修正。」 | 邊界宣稱： 適用於長期互信、目標一致的夥伴關係。 |
三、實效評估矩陣的建構：$\text{MECE}$ 驗證集的應用
我們必須利用 $\text{MECE}$ 原則（彼此獨立，完全窮盡），建構一個能覆蓋所有可能關係和後果的驗證集，以真正測試主張的普適性（Coverage）。
步驟 1：建立 $\text{MECE}$ 驗證集（情境廣度）
我們將情境依據關係的緊密程度和後果的嚴重性進行分類：
| 關係分類 | 後果分類 | 具體情境（次要驗證集） | 目的 |
|---|---|---|---|
| 親密關係 | 可逆後果 | 情境 $\text{R}1$： 好友 $\text{A}$ 的簡報（情緒受損但可修正） | 測試副作用最小化。 |
| 親密關係 | 不可逆後果 | 情境 $\text{R}2$： 你的配偶問你是否願意隱瞞一個會毀掉他事業的真相。 | 測試親密關係下極端情境的 $\text{Coverage}$ 和邊界。 |
| 非親密關係 | 可逆後果 | 情境 $\text{R}3$： 一位不熟的同事發布了明顯錯誤的數據，你該當眾指正還是私下提醒？ | 測試社交成本和組織覆蓋。 |
| 非親密關係 | 不可逆後果 | 情境 $\text{R}4$： 為了保護大眾不被錯誤資訊誤導，是否該對某個權威人物的致命錯誤撒謊隱瞞？ | 測試普世功利下的 $\text{Coverage}$。 |
步驟 2：執行實效評估與量化
我們現在將每個行動主張投入所有四個情境中進行評估。以下為假定的淨實效評分（$\text{Coverage}$ 減去 $\text{Side Effect}$）：
| 主張 | 情境 $\text{R}1$ 實效 | 情境 $\text{R}2$ 實效 | 情境 $\text{R}3$ 實效 | 情境 $\text{R}4$ 實效 | 總淨 Coverage ($\text{C}-\text{S}$) |
|---|---|---|---|---|---|
| 主張 $\text{K}$ (說實話) | $0\%$ | $\text{-50\%}$ | $\text{+20\%}$ | $\text{-80\%}$ | 極低 |
| 主張 $\text{U}$ (善意鼓勵) | $\text{+15\%}$ | $\text{-90\%}$ | $\text{+40\%}$ | $\text{+30\%}$ | 低 |
| 優化主張 $\text{O}$ (協作修正) | $\text{+60\%}$ | $\text{+10\%}$ | $\text{+5\%}$ | $\text{-40\%}$ | 中等/最高 |
四、實效覆蓋的螺旋上升：驅動優化方案
矩陣分析的結果清晰地揭示了現有主張的缺陷，這為我們提供了優化的起點，而不是終點。這就是實效覆蓋的螺旋上升：
1. 識別盲點與低效區
- 主張 $\text{K}$ 的盲點： 該主張在不可逆後果情境（$\text{R}2$ 和 $\text{R}4$）中的副作用高到難以承受，導致淨實效極低。
- 優化主張 $\text{O}$ 的低效區： 儘管淨實效最高，但其行動準則（共同修正）在非親密關係（$\text{R}3$ 和 $\text{R}4$）中的執行成本高昂，導致其 $\text{Coverage}$ 下降。
2. 迭代與修正：創造新的更優主張 $\text{O}’$
我們必須「修復」 主張 $\text{O}$ 在非親密關係下的低效問題。
- 新主張 $\text{O}’$（分級關懷）： 「對於長期互信夥伴，採用『協作修正』行動（如 $\text{O}$）；對於非互信關係，採用『私下告知錯誤數據源頭』，而非當眾指正。」
3. 重新投入驗證：評估 $\text{O}’$ 的淨覆蓋
將主張 $\text{O}’$ 投入矩陣中進行虛擬測試：
- 主張 $\text{O}’$ (分級關懷) 預測實效：
- $\text{R}1$ 和 $\text{R}2$ (親密關係)：表現與 $\text{O}$ 相似 $(\text{+60\%}, \text{+10\%})$。
- $\text{R}3$ (非親密/可逆)：由於避免了當眾指責的高副作用，淨實效從 $\text{+5\%}$ 上升至 $\text{+30\%}$。
- $\text{R}4$ (非親密/不可逆)：行動準則更清晰，淨實效從 $\text{-40\%}$ 上升至 $\text{-10\%}$ (副作用降低)。
通過這一步螺旋上升，我們得到了一個更具彈性、淨實效更高的行動準則 $\text{O}’$。它不再糾結於單一的道德教條，而是不斷優化其在多個驗證集上的淨覆蓋能力。
結語：從單點突破到全面覆蓋
至此，我們已將實效覆蓋論從單一事件的評判，轉化為行動準則普適性的系統測試和優化引擎。每個主張必須在最苛刻的驗證集中證明其存在價值和邊界。
這才是真正的 Coverage。
在下一篇終結篇中，我們將運用這套成熟的方法，深入分析一個涉及「員工、功能與顧客」的企業決策難題，展示實效覆蓋論如何優於那些只適用於單一情境的二元思維。