用 Coverage 框架打造決策樹
🎯 工程優化：用 Coverage 框架打造策略決策樹
我們每天都在面對無法簡單用「對」或「錯」來解決的問題。當我們討論公共政策或個人習慣時，爭論往往停留在立場的對立，而不是尋找最有效能 (Net Efficacy) 的解決方案。
這樣使得我們永遠停留在沒有解決方案，覆蓋率始終為 0% 的狀態。
Coverage 框架提供了一個轉變思維的方式：將任何主張視為一個可測試的假設（Assertion），而非絕對真理。今天，我們以一個常見的社會爭議——吸菸管制——為例，展示如何應用這個框架通過主張的組合進行策略優化。
這樣即使是糟糕的方案，依然可以提供比什麼都不做要更高的覆蓋率，或者反過來研究它為何在這些情境裡那麼糟糕，繼而啟發我們找出提升覆蓋而又不必勉強承擔副作用的主張，將各個不完美的主張組合妥善組合，繼而得出優質的政策。
🔬 第一步：定義核心主張：策略假設
這是行動方案和預期的功能。
目標： 在公共空間實現健康的空氣品質，同時處理吸菸人口的實際需求。
- $A_{Initial}$ (道德/稀疏策略)： 「在所有公共場所全面禁止吸菸，違者罰款。」
- 問題： 雖然 Coverage 貌似 100%（所有人都享有無菸空氣），但 Side Effect 極高（吸菸者壓力積累、轉向隱蔽場所吸菸、執法成本高昂）。
第二部：驗證集
必須明確定義主張目標覆蓋範圍 (Intended Coverage) 也就是在這些情況下，這個主張必須發揮效用並且副作用最低
這是用來衡量主張 $A$ 的 Coverage (C) 和 Side Effect (SE) 的真實世界情境集合。
| 類型 | 測試案例 (Test Case) | 測量目標 |
|---|---|---|
| Primary Set (C) | 在高人流戶外區設立新型吸菸區後，非吸菸者投訴量是否下降？ | 政策是否成功覆蓋非吸菸者的需求？ |
| Primary Set (C) | 有哪些公共空間？ | 政策是否成功覆蓋這些地區？ |
| Primary Set (C) | 有哪些健康空氣品質的水平？ | 政策是否成功覆蓋所有情況？或許有哪些是禁煙所無法覆蓋的情況？ |
| Primary Set (C) | 吸菸人口的實際需求是哪些？ | 政策是否成功覆蓋所有需求？ |
| Secondary Set (SE) | 禁令實施後，吸菸者是否轉向樓梯間、廁所等更隱蔽場所吸菸？ | 政策是否造成非預期的副作用？ |
| Blind Spot | 嚴禁吸菸的公園內，兒童對二手菸的暴露程度是否改善？ | 確保沒有被忽略的利害關係人。 |
| Blind Spot | 嚴禁吸菸的社區內，焦慮情緒是否失去出口？ | 確保沒有被忽略的隱藏變數。 |
🔄 第三步：啟動迭代循環與淨效能評估
現在我們開始測試並迭代策略，目標是找到淨效能 ($C - SE$) 最高的組合。
階段一：測試與衝突發現
我們從三個不同的主張出發，評估它們對解決吸菸者需求的覆蓋程度：
- $A_1$ (替換策略)： 推出「尼古丁替代療法（貼片、口香糖）免費試用」的政策。
- 社區測試結果： $C = 50\%$ （成功覆蓋一半願意嘗試替代療法的吸菸者需求）。
- $A_2$ (限制策略)： 「設立高科技抽風的戶外吸菸亭，設有專門管理員。」
- 實驗推算結果： $C = 35\%$ （覆蓋了需要定點吸菸但無法戒菸的群體）。
- 但發現： 這些吸菸亭會吸引人流聚集，導致副作用 (SE)：某些非吸菸區（例如吸菸亭附近咖啡店門口）的二手菸濃度增加，導致 $A_1$ 原本覆蓋的 $50\%$ 群體中有 $10\%$ 的人投訴空氣品質下降。
淨效能分析： $A_1 + A_2$ 的總覆蓋度並非簡單相加。由於 $A_2$ 產生副作用，它抵消了 $A_1$ 的部分成果。
階段二：迭代與優化 (創造 $A_3$)
為了避免 $A_2$ 的副作用，我們必須迭代，創造一個更純淨的主張 $A_3$：
- $A_3$ (隔離策略)： 「設立遠離人流動線、使用植物隔離的低技術戶外吸菸區。」
- 結果： $C = 20\%$ （覆蓋了偏好遠離人群、不喜歡高科技吸菸亭的吸菸者）。
- 副作用 (SE)： 經測試，對 $A_1$ 的 $50\%$ 群體無負面影響。
優化後的總覆蓋度： $A_1 + A_3$
$A_1$ 和 $A_3$ 的組合雖然總體覆蓋度（70%）看似低於 $A_1+A_2$（75%），但由於其淨副作用更低，它可能是更穩健、更長久的策略。
階段三：應對新的盲點（持續優化）
總有人發現新的案例。或許某個使用者在 Validation Set 中新增了「醫院入口吸菸」的案例，這是政策的盲點。
此時，我們不能停止，而是要根據這個新案例重新評估 $A_1$ 和 $A_3$ 的組合，並創造 $A_4$ 來覆蓋剩下的 $30\%$ 邊緣案例。這就是 Coverage 框架的精髓：持續優化，永不滿足於現狀。
🌳 第四步：決策樹 (Decision Tree)
政策的本質是多個高淨效能主張（A1,A3, 就像機器學習裡 Ensemble Policy 中的多個弱分類器）的組合，它們共同覆蓋了大部分情境。這就是我們的集合策略（Ensemble Policy）。決策樹則在其中扮演雙重角色：
1. 概念層：集合策略架構 (The Ensemble Policy Architecture)
這個視角展示了集體智慧如何將整個 驗證集 拆解成子問題，並為每個情境指派最佳主張，以最大化整體覆蓋率。避免限於爭論各個不完美的主張卻完全沒有可以行動的方案。
雖然每一次嘗試都沒有解決問題，但需要解決的情境終究是越來越少了。始終有所進展，而不是任由最糟糕的 0% 覆蓋情況繼續延續下去。
2. 部署層：執法決策流程圖 (The Enforcement Decision Flowchart)
決策樹作為部署層，將這個複雜的集合策略轉化為現場可執行的標準化流程。對於執法者或管理者而言，這是一個高效率的診斷工具，能立即判斷應採取的行動。
決策樹的價值：最小化注意力成本
1
2
3
資源節省： 個體無需重新評估所有政策的價值。只需問幾個簡單的情境問題，就能立即找到當前情境下的最優解。
策略共享： 這些樹狀圖就是一份高效率、低成本的共享策略。它讓每個人都能快速借用群體集體智慧的成果。
透過 Coverage 框架和 Decision Tree，我們將政策討論從無休止的道德審判，轉變為有方向、可衡量、持續進化的集體工程。