합리적으로 잘못된: 잘못 지정에 따른 정확성 우선 질문의 불가능성

정확성 우선 인식론은 신뢰도를 점수 규칙 부정확성으로 평가하며, 종종 표현 체계 내에서 조사에 대한 중심 기준으로 단일 스칼라 목적을 사용합니다. 이 논문은 잘못 지정하에서 불가능한 결과를 증명합니다: 실험은 에이전트의 스칼라 정확성 기준에 의해 인식론적으로 선호될 수 있지만, 실제 데이터 생성 과정에서 동일한 점수로는 더 나쁩니다. 우리는 내부 개선과 외부 진실 추적을 분리하는 점수 분산 분해 및 템플릿 명제로 메커니즘을 분리합니다. 우리는 기본 이진 로그 점수 역전, 작은 진정 상관관계에서의 지역 강건성 결과, 브라이어 점수 유사체, 유한 결과 로그 점수 일반화 및 유한 결과 공간의 모든 엄격한 적절한 점수에 대한 위험 중립성에서의 점수 보편 정리를 증명합니다. 유한 위험 민감도의 경우, 역전은 약화되지만 여전히 지속됩니다. 결과적으로 구조적입니다: 모델 내부 정확성 규범은 필수적이지만 모델 오류 하에서 견고한 조사를 위해 자급자족이 필요한 것은 아니며, 이는 표현 적합성과 모델 비평을 관리하는 추가 규범이 필요합니다.