Tabs & memory debt

Browser Tabs That Refuse to Close: Real Options, Attention Carrying Costs, and Optimal Stopping of Deferred Reading

研究類型： 合成參數下的規範性決策模型及可重現蒙地卡羅模擬。資料聲明： 本文沒有使用任何人的瀏覽紀錄，沒有調查參與者，也沒有取得瀏覽器外掛量測資料。文中全部數值均為事先指定的假設參數與 Python 計算輸出，不能當作真實分頁習慣的統計估計。

中文摘要

為甚麼一篇「之後有時間再讀」的網頁，能夠佔據瀏覽器數月，甚至當使用者已忘記內容時仍然不願關閉？本文將保留分頁視為一項有到期風險的資訊選擇權，利用具有「價值尚未確定」、「已辨識為有用」及「已失效」三個狀態的有限期馬可夫決策過程，推導關閉、立即閱讀與繼續等待的最適規則。模型以每週折現率因子 0.95、持有成本 0.30、十二週決策期及合成轉移矩陣作示範。結果顯示，未知分頁的規範性期望折現價值為 1.446521 個假設效用單位；在基準條件下應等待，確定有價值者應閱讀，已失效者應關閉。可解析的無限期極限為 1.450980，與有限期動態規劃一致。125,000 次固定亂數種子的模擬得到平均值 1.437676、標準誤 0.007676；差距與蒙地卡羅抽樣變異相容。研究進一步建立資訊獲益機率與注意力成本之間的閾值關係，指出保留分頁可以有合理性，但大量分頁亦可透過成本上升使最適行動從保留轉為封存或關閉。模型是規範性、條件性分析，不以此推斷實際使用者的心理或臨床問題。

關鍵詞： 分頁管理；最適停止；真實選擇權；認知卸載；馬可夫決策；注意力經濟；合成模擬

English Abstract

Why do people keep a browser tab open for a page that they may never read? This paper develops a normative finite-horizon Markov decision model in which a deferred page may remain uncertain, become valuable, or expire. The available actions are closing, reading, and waiting, with a discounted holding cost associated with the latter. All parameters and observations are synthetic. Under a twelve-week illustrative scenario, the optimal discounted value of an uncertain tab equals 1.446521 utility units, versus a closed-form infinite-horizon value of 1.450980. Simulating 125,000 episodes with a fixed random seed yields a mean of 1.437676 and a Monte Carlo standard error of 0.007676. A threshold separates circumstances in which waiting for information is rational from those in which closing is optimal. Additional illustrative congestion assumptions demonstrate how a rising attention cost changes a person's optimal policy and may make archiving preferable. The analysis clarifies the difference between a normative decision recommendation and an empirical explanation of human tab use; no participant data or browser logs are claimed.

Keywords: browser tabs, optimal stopping, real options, cognitive offloading, Markov decision process, synthetic simulation

1. 引言：一張數碼書籤何以變成未履行的承諾？

開啟網頁原本是一項幾乎沒有物理阻力的操作。只要輕按連結，新分頁便出現在畫面頂部；使用者不必立即決定是否閱讀、分類、記錄或刪除。然而，每次將決策推遲，都把一項極小的處理義務轉移至未來：某個時間應重新辨識它、評估它是否仍然重要，然後採取行動。真正需要被研究的不是單次開啟行為，而是一連串未完成決策在不確定性下累積的結構。本文以研究所慣用的荒誕問題開始：既然關掉一個分頁如此容易，為甚麼它看似擁有永久居留權？

這個問題可以有很多不同層次。從介面層面，分頁提供快速返回的入口；從認知層面，分頁可充當一個尚未完成意圖的外部提示；從經濟層面，它可能是等待未來資訊價值變得明朗的免費選擇權；從資源管理層面，持續開啟亦可能造成切換、搜尋與注意力的成本。若把這幾個層次混為一談，便很容易犯下兩個相反錯誤：將所有未讀分頁判斷為低效率的拖延，或將全部累積都合理化為有價值的個人知識庫。兩種判斷都需要與實際情境相配的證據。

例如，學生開了五篇與下週報告有關的學術文章，但尚未知道老師最後會選哪個題目。今天逐篇閱讀有即時時間成本，而未來兩天的新資訊可能令其中幾篇變得特別重要。在這個情境，延遲處理具有可能的選擇權價值。另一個例子是半年前已結束的活動頁面：若頁面資訊的效用明確消失，保留它就沒有相同理由。兩例的外觀都可能只是「一個未關的分頁」，但決策問題的狀態、資訊更新機制與最佳行動完全不同。形式化研究應能區別這兩例，而不能依賴分頁數目本身作道德判斷。

我們從三個動作出發：立即關閉、立即閱讀，或保留一週後再重新評估。閱讀不一定帶來正報酬，因為花掉時間才發現內容無用，亦屬資源損失；關閉放棄潛在價值，同時省卻往後整理成本；等待容許狀態轉移與認知判斷改善，卻必須承擔折現及持有成本。選擇這三個動作，並不是主張人們每天都以清醒理性的方式計算，而是提供一個可以推導條件、檢驗數值及辨識反例的規範性基準。

本研究的對象是一個「仍未知道是否值得閱讀」的代表性分頁。系統中可存在其他已知有用或已過期的分頁；它們用作界定最適選擇。所謂「有用」是一種當前決策狀態，不是以某種自然定律決定的網頁真實品質。一份技術文件可以在專案初期很重要，到任務完成後變得沒有用途；相反，一頁旅遊資料亦可能因為日後決定出行才出現效益。模擬中將這些變化壓縮為少量轉移機率，是分析的起點，也是外推時最重要的限制。

本文希望回答的核心並非「平均多少分頁算太多」，因為沒有用戶資料便不能估計此平均值；更準確的問題是：在特定資訊更新機率、未來效用與持有成本下，甚麼條件使保留分頁優於立即關閉？當未確定分頁愈多，邊際注意力成本增加時，這個條件又如何改變？透過可解析特例及有限期數值演算法，我們提供可重現的答案，並清楚區分模型內的因果關係與現實中的待驗證假說。

研究設計亦具有方法上的教育目的。日常物件的數目容易被誤當作心理特質的代理指標；一個人擁有大量分頁，不代表其記憶力低、工作能力差，亦不表示必然具有高探索精神。只有分頁的開啟時刻、返回頻率、任務背景、內容到期時點、相關成本等資料被可靠測量，才可能進一步進行解釋性或預測性研究。本稿沒有收集此類資料，因此避免為假想使用者捏造動機與統計顯著性。

2. 文獻回顧：分頁是資訊入口、外部記憶還是可延遲決策？

認知卸載（cognitive offloading）提供理解分頁的一個概念視角：人在處理有負荷的任務時，可以借助環境或工具保存中間資訊。Risko 與 Gilbert 的題為 Cognitive Offloading 的綜述（2016，DOI: 10.1016/j.tics.2016.07.002）屬於這個理論領域的可核實出版物。本文借用「把部分待處理內容交予外部表示」作為概念起點，卻不聲稱該文曾測量我們模型內的每週成本、三狀態轉移，亦沒有把它當成實證上的參數來源。開啟分頁可能減少當下需要記住的細節；日後要找回它時，外部記憶又可能成為需要整理的對象。

瀏覽器介面研究則提醒我們，分頁未必以單一網頁為管理單位。題為 Tabs.do: Task-Centric Browser Tab Management 的 ACM UIST 論文（2021，DOI: 10.1145/3472749.3474777）可作為「以任務而非單頁組織分頁」這個相關研究方向的確切書目錨點。由於本輪未能核閱全文，這裏沒有歸納該論文使用者研究的樣本、數據或結論。我們將「以單一分頁」作為最小模型單位，同時承認多頁互相關聯及同一任務反覆出現時，單位化假設會失效；後文因此另外建立非常簡化的擁塞成本情境，而不聲稱它已重現特定介面實驗。

資訊覓食（information foraging）是另一個有用的橋樑。2009 年 Encyclopedia of Database Systems 收錄名為 Information Foraging 的條目（DOI: 10.1007/978-0-387-39940-9_205），其書目資料經 Crossref 搜尋核對。本文使用的是這個研究領域的基本提問：搜尋、保留及轉移資訊入口，都可以與預期回報及成本連繫；但沒有閱讀條目全文，因此不會將本文的具體公式歸因於它。若將不同網頁視為候選資訊來源，等待價值的存在便取決於未來能否辨識哪些入口值得投入注意力。

選擇權及最適停止（optimal stopping）文獻強調，有些決定可以延期，而且等待本身改變可獲資訊。2014 年題為 Applications to Optimal Stopping Problems 的 Universitext 章節（DOI: 10.1007/978-3-642-37632-0_11）提供真實存在的相關理論文獻索引。本研究的貢獻不是重新發明最適停止定理，而是將停止、行動與持續三選項整理成適合分頁情境的小型馬可夫決策過程，令價值門檻可被完整推導及檢查。等待具有價值這件事不應憑直覺確定；若期間沒有可能發生有利資訊變化，或每期付出的成本過高，理論可以同樣明確地支持關閉。

描述性心理學與規範性最佳化亦需要分開處理。2000 年 Choices, Values, and Frames 所收錄的 Prospect Theory: An Analysis of Decision under Risk 章節（DOI: 10.1017/CBO9780511803475.003）是已核實的文集出版版本；它提醒決策可研究不確定性與效用的表示方式，但本研究沒有聲稱擬合任何前景理論權重，也沒有把這個文集版本寫成原始論文在 2000 年首次發表。模型採用線性期望效用及固定時間折現，目的是令結果可核查，並非預設真實人類一定如此行動。

上述文獻指向四個需要分辨的理論層面。第一，資訊放到外部介面與知識已被真正吸收並不相等；第二，網頁的任務意義可能比單頁識別碼更重要；第三，延遲處理可以是對不確定性作出合理回應；第四，人實際採取的行為可能偏離一個以效用最大化為目標的規範性策略。這四層不能靠單一參數完全覆蓋，因此本研究將結果局限於一個可解析的微型情境。文獻核實表明書目存在，卻不等於我們已取得任何文獻中的原始實驗資料。

這個界定亦處理「分頁債務」一詞容易帶來的誤導。債務在經濟學含有特定權利義務及現金流意義；此處的「記憶負債」只是分析性的比喻，指未來要重新確認、尋找和切換內容的機會成本。它不是法律債務，也無法僅憑未讀標籤推導欠款金額。相似地，「真實選擇權」指一個可延遲的資訊投資時點，不表示分頁本身是可在市場買賣的證券。為避免混淆，所有價值都用假設性的效用單位表示。

3. 研究問題、假設及可否證界線

第一項研究問題（RQ1）是：在有限時間內，有甚麼條件令一個價值未知的分頁值得多保留一週？我們以明確的馬可夫轉移機制表示每週由「未知」變成「已確認有用」的可能性，並對照閱讀帶來的正報酬、無效頁面的負報酬及每週成本。假設 H1 指出，當每週得到有用資訊的機率上升而其他量固定時，最適價值不會下降；當持有成本上升而其他量固定時，最適價值不會上升。這是能在模型中證明的比較靜態，而不是關於真實人群的預測。

第二項研究問題（RQ2）是：若使用者本來便面對多個未決分頁，持續開啟的吸引力會否下降？假設 H2 認為，如額外分頁使每一頁的有效注意力成本按已知規則上升，則最適保留價值可能存在一個由正值變成零的界限。這個假設只對指定成本函數成立；若使用者有自動分組、熟練的搜尋方法或可忽略的切換成本，則不必出現相同形狀的結果。本文以明列的線性成本作教學情境，未量測真實瀏覽器的邊際負擔。

第三項研究問題（RQ3）是：能否使用互相獨立的計算方法確認動態規劃結果？我們建立解析封閉式、有限期向後遞推和個別路徑的蒙地卡羅模擬。假設 H3 是在正確執行、足夠多次的合成模擬下，平均折現效用應在可解釋的抽樣誤差內接近動態規劃期望值。若差距遠超數個模擬標準誤，應優先檢查折現時點、末期動作、轉移機率及隨機數產生過程，而非把差異敷衍歸因於「心理偏誤」。

「可否證」在此處的意義需要格外小心。當 H1 至 H3 都依賴明列的演算法定義，程式測試若失敗會反駁實作正確性或某個數學推導；它不會直接推翻人類的實際注意力理論。真正具有外部效度的假說應要求量度使用者分頁的返回時距、關閉決策與重新閱讀成效，並用預註冊方法檢驗。由於沒有相關資料，本稿既不報告顯著性檢定，也不將 125,000 條人工路徑當作 125,000 位受試者。

4. 理論框架：不確定性、資訊到達與選擇時點

假設某一個尚未處理的網頁位於狀態 $U$ ，表示使用者目前不肯定它值不值得花時間閱讀；若獲得新任務資訊或重新整理需求，可能轉為狀態 $V$ ，表示值得立即閱讀；若內容過時或任務結束，則轉為狀態 $X$ ，表示已失去效用。狀態描述的是決策者目前所掌握的資訊與任務關係。這種三狀態設計不把網頁在客觀世界的價值假定為固定，亦不需要憑空推斷某位使用者的個人特質。

每期允許三個動作。關閉動作 $C$ 立即獲得標準化效用零，不再負擔費用，也不再有返回收益；閱讀動作 $R$ 立即取得取決於狀態的淨效用；等待動作 $W$ 現在付出注意力成本，讓頁面保留至下一個決策點，再觀察可能發生的狀態變化。閱讀淨效用已把閱讀時間及機會成本包含在內，不應再次減去一筆未定義的閱讀成本。所有策略只比較由同一單位及同一基準定義的數量。

模型採用折現因子 $\gamma$ ，意思是下週的一個效用單位在本週僅值 $\gamma$ ；它並非表示網頁物理上貶值的速度。資訊會否變得有用則由轉移機率 $p$ 控制，失效機率由 $l$ 控制，未知狀態持續的機率是 $1-p-l$ 。只要三者非負且相加為一，便構成一個有效的機率列。將折現和資訊到達分開，可避免把「我會忘記」和「內容已過期」誤寫成同一個因素。

真正的保留價值包含兩部分：未來可能獲得更好資訊而作出的行動回報，以及在等待期間付出的直接負擔。若有用狀態已經出現，繼續等待通常會無端延後收益；若失效狀態已確定，保留則沒有可確認的理由。在本文參數範圍中，這兩類分頁存在簡單策略，因此只有未知狀態需要完整的最適停止計算。這種結構可以在多個不同視角下檢驗，而非依賴黑箱機器學習預測。

不能把等待價值誤解成分頁自動產生知識。等待是否值得，取決於「下一週的狀態觀察」實際上能否帶來資訊：如果使用者從來不回到分頁、沒有新的任務訊息，也不會重新判斷需求，那麼模型指定的 $p>0$ 就缺乏現實基礎。保留介面元素本身不會憑空提高任務匹配率。這個界線十分關鍵，因為日常語言常將尚未失去的可能性當成已經取得的收益；我們只將其計作依特定機率及成本折現的期待價值。

5. 研究方法：明確的合成實驗，不含真人瀏覽紀錄

本文使用純理論推導、Python 動態規劃及蒙地卡羅計算互相驗證。所有參數均為研究者為說明機制而指定的假設值，沒有對真實生活中的分頁使用者進行抽樣。此處的「一週」只是方便閱讀的離散決策間距；將其改為一日或一個工作時段，必須同時重新指定轉移機率、折現因子與持有成本，不能直接把每週的數值當作每日參數。模型的預測對時間刻度相當敏感，因此重現報告記錄每項設定。

狀態集合定義為 $S=\{U,V,X\}$ ，依次表示未知用途、已知有用、失效。決策動作集合為 $A=\{C,R,W\}$ ，依次為關閉、閱讀、等待。基準閱讀淨報酬向量按狀態順序取為 $r=(-1,6,-4)$ ；這不是港幣金額，也不是問卷上的六分滿意度，而是為計算設立的單位一致、可比較的效用刻度。關閉各狀態均得零，等待則支付每週成本 $c=0.30$ ，同時令下一週的價值乘以 $\gamma=0.95$ 。我們假設決策者知道所有機率與效用，並能在每期觀察當前狀態，這是可解性的重要但偏理想化的條件。

基準轉移矩陣為：

P(U,:)=(0.65,0.15,0.20),\quad P(V,:)=(0.25,0.65,0.10),\quad P(X,:)=(0,0,1).

矩陣的第 $i$ 列第 $j$ 欄是等待一週後由狀態 $i$ 移至 $j$ 的條件機率。未知分頁有 65% 的假設機率仍未知、15% 被辨識為值得閱讀、20% 變為已失效。狀態 $V$ 的轉移列有 25% 回到未知、65% 保持有用、10% 變為失效；然而在本文基準政策下，已知有用的分頁會立即閱讀，故這一列只用來保持一般模型的完整性，不會影響基準策略下的路徑。狀態 $X$ 被設定為吸收狀態；其「不會恢復價值」是刻意的簡化，並非聲稱所有舊網頁均不可能重新有用。

計算時間界限設為十二個可等待的決策期。用 $h=0$ 表示已抵達最後決策點，此時不能再等一週，只能即時閱讀或關閉；用 $h=12$ 表示起始時尚可等待最多十二次。這個期末條件有效避免一個常見錯誤：若給最後一步繼續等待的權利，實際上就是悄悄延長了期限，並使無限期價值被錯認為有限期結果。每次等待均在本期扣成本，隨後才折現下期的值；同一條路徑上的第 $t$ 期成本以 $\gamma^t c$ 計入起始時間的效用。

有限期動態規劃由下向上計算。令 $V_h(s)$ 是還有 $h$ 次等待機會，分頁處於 $s$ 時的最優預期折現值；每期直接比較三個候選值。程式對各狀態儲存一個最大值及其對應動作，因此可輸出策略而不僅是分數。成本、未知變有用機率及期限均能改變，令敏感度分析與基準結果使用同一套決策規則。演算法沒有透過外來資料訓練任何分類器或神經網絡，也沒有將生成的路徑作為「收集所得樣本」。

為獨立檢驗，研究另外模擬 125,000 條合成生命史。每一條路徑由未知狀態 $U$ 開始，按動態規劃策略選擇當期動作。如果策略選擇等待，便扣除當期已折現成本，然後以事先指定的轉移機率抽取下一狀態；若策略選擇閱讀或關閉，便結束路徑，並累加當下應得的折現效用。隨機數生成器採用 NumPy 預設產生器，種子固定為 2026101615。所有路徑的平均、樣本標準差所得到的蒙地卡羅標準誤，以及最終動作的類別總數均保留在 data 目錄，以便作為對照。

這裏的蒙地卡羅標準誤只量度「在我們指定的隨機過程下，125,000 條模擬路徑的平均值會如何波動」，並沒有包含模型參數選錯、使用者不理性、各分頁互相影響、跨週條件改變等不確定性。模擬的次數大，並不會令任意指定的 $p=0.15$ 自動成為可靠的現實估計值。將模型不確定性與抽樣誤差分開，是避免量化研究產生虛假精確感的基本要求。

敏感度實驗先在持有成本由零至 0.95、未知轉有用機率由零至 0.50 的網格上，重新求解十二週最適策略及價值。失效機率保持 0.20，因此各列仍滿足 $p+l\leq1$ 。這個範圍包括完全不可能變得有用的情況，也包括較頻繁得到新任務資訊的情況，適合檢查閾值是否在不同成本下保持一致。研究亦比較剩餘期間由零至二十週時的價值曲線，以示範時間選擇權如何逐漸接近一個上界。

第二組敏感度並不直接假設分頁互相競爭同一個機率事件，而是試驗一個外生的擁塞成本規則 $c(n)=0.08+0.02n$ ，其中 $n$ 是同時要管理的假設分頁數目。這個函數純為說明「分頁增多使處理單一頁面的成本增加」時會發生甚麼結果，與 CPU 記憶體耗用沒有直接換算關係。我們另畫出淨值為 0.60 的假設封存選項，方便檢視關閉與轉存資料的差別。此處每一個 $n$ 都是獨立的比較情境；不能將單頁最適價值乘以 $n$ 並聲稱已求解整套互相牽連的分頁系統。

在重現層面，資料夾包含可單獨執行的 analysis.py、完整參數摘要 JSON、不同期限的 CSV、成本—機率網格 CSV，以及擁塞成本敏感度 CSV。五張圖亦直接由程式重新生成。由於 Python、NumPy 與 Matplotlib 的版本可能對浮點輸出及畫面字型造成細小差異，可靠的核對方式是比較核心的遞推值、策略及模擬標準誤，而不是要求各像素完全一致。最終驗收還須檢查圖表是否與正文中的數字、假設及語句吻合。

6. 數學模型及完整推導

6.1 Bellman 遞推與邊界條件

定義 $V_h(s)$ 為剩餘 $h$ 個可等待期內，從狀態 $s$ 開始能取得的最優期望折現淨效用。最後一期無法等待，故：

V_0(s)=\max\{0,r(s)\}.

當 $h\geq1$ 時，允許三個動作，因此 Bellman 方程為：

V_h(s)=\max\left\{0,\ r(s),\ -c+\gamma\sum_{s'\in S}P(s,s')V_{h-1}(s')\right\}.

第一項是關閉的即時效用；第二項是閱讀的已扣除相關成本的即時效用；第三項先扣等待成本，再計算折現後的預期最適後續價值。此寫法只在轉移滿足馬可夫性、行動在每期可自由選擇、關閉及閱讀結束當前決策，以及各項效用可以在同一尺度相加的前提下成立。若網頁內容互相依存、閱讀某一頁會改變其他頁的有用機率，就必須擴大狀態空間。

在基準參數下，已失效狀態 $X$ 的最適值為零。證明從 $V_0(X)=\max(0,-4)=0$ 開始；假設 $V_{h-1}(X)=0$ ，又因為 $P(X,X)=1$ ，則等待值為 $-c+\gamma\cdot0=-0.30$ ，閱讀值為 $-4$ ，關閉值為零，所以 $V_h(X)=0$ 。數學歸納法完成證明。結論依賴 $X$ 被設定成吸收狀態及關閉免費；如果失效頁有復活機率或重新取得資料非常昂貴，就不再必然成立。

對有用狀態 $V$ ，立即閱讀的價值為 6。基準模型中，所有最適價值均不大於最高即時報酬 6，因為每次等待均帶來非負成本與不大於一的折現因子；因此無論 $V$ 轉移列如何分配機率，下期最適價值的期望都不超過 6。等待值至多為 $-0.30+0.95\cdot6=5.40$ ，嚴格小於即時閱讀的 6，故對任意 $h$ 均有 $V_h(V)=6$ 。即使某個分頁未來可能保持有用，延遲實現同一個確定報酬仍會受到成本與折現的懲罰，因而不是此模型內的最適策略。

未知狀態 $U$ 的即時閱讀值為負一，低於免費關閉的零，所以只須比較關閉與等待。令未知轉有用的機率 $p=0.15$ ，未知變失效的機率 $l=0.20$ ，仍未知機率 $u=1-p-l=0.65$ 。利用 $V_h(V)=6$ 與 $V_h(X)=0$ ，便得到一維遞推：

V_h(U)=\max\{0,\ -c+\gamma p\cdot 6+\gamma u V_{h-1}(U)\}.

我們將一次有利狀態變化所提供的折現貢獻與每期成本之差記為 $a=6\gamma p-c$ ，保留未知狀態時的折現延續係數記為 $q=\gamma u$ 。遞推就成為 $V_h(U)=\max(0,a+qV_{h-1}(U))$ ，而 $V_0(U)=0$ 。本例 $a=0.855-0.300=0.555>0$ ， $q=0.95\times0.65=0.6175$ 。所以每一個有剩餘等待機會的決策點都會選擇等待；其後續價值為正，令首次等待的選擇有嚴格的數學依據。

6.2 有限期限、無限期限與門檻

對 $a>0$ 且 $0\leq q<1$ 的情況，因為 $V_0(U)=0$ ，遞推可以逐步展開為 $V_1(U)=a$ ， $V_2(U)=a(1+q)$ ， $V_3(U)=a(1+q+q^2)$ 。由等比數列求和，剩餘 $h$ 期的封閉式為：

V_h(U)=a\frac{1-q^h}{1-q}\quad(a>0), \qquad V_h(U)=0\quad(a\leq0).

其中 $a\leq0$ 時即使上一期價值為零，等待仍不能獲得正效用，因此透過歸納得到始終關閉的策略。這一條件適用於本研究所採用的固定報酬 $r(U)<0$ 、 $r(V)>0$ 、失效狀態吸收、非負成本及 $V$ 立即閱讀最適的設定；它不應被不加修改地引述為所有一般馬可夫決策過程的門檻。若未知頁的即時閱讀亦有正回報、或等待會改變資訊之外的任務收益，便要重新比較完整 Bellman 方程的各項。

將基準數值代入， $a=0.555$ ， $q=0.6175$ ， $h=12$ ，得到：

V_{12}(U) =\frac{0.555(1-0.6175^{12})}{1-0.6175} \approx1.446521.

令 $h\to\infty$ ，由於 $0<q<1$ ， $q^h\to0$ ，於是無限期解析極限為：

V_\infty(U)=\frac{\gamma p\,6-c}{1-\gamma(1-p-l)} =\frac{0.555}{0.3825} =1.4509803921568627\ldots .

有限期的 1.446521 低於無限期的 1.450980，兩者差額約 0.004460，約為無限期值的 0.31%。這個差異不應被解讀成真實世界中十二週和無限週只差很少；它是特定折現及狀態轉移下，未知狀態每週只有 65% 機率維持原狀而帶來的數學結果。若未知狀態更持久、折現較弱或持有成本不同，期限差異可以顯著改變。

初始未知狀態有利於等待的充要條件在此特例中可整理為 $a>0$ ，即：

c<6\gamma p \quad\Longleftrightarrow\quad p>\frac{c}{6\gamma}.

當 $c=0.30$ 、 $\gamma=0.95$ 時，門檻為 $p>0.0526315789$ 。若 $p$ 只有 0.03，即使網頁或許終有一天變得有用，按本文成本與效用設定亦應立即關閉；若 $p=0.15$ ，則只要 $c<0.855$ 就有正的保留價值。嚴格不等式之外，在完全相等時保留與關閉的預期價值都是零；程式中的最大值順序可能用關閉作為平手的預設動作，而不表示存在嚴格優劣。

一個微妙但有教育價值的事實是，這個正負門檻不含未知自我維持機率 $u$ 。它不表示 $u$ 不重要；它只表示在這個特例內，第一步等待的淨正貢獻是否成立，由得到有用訊息的機率和當期成本決定。當 $a>0$ 時，延續係數 $q=\gamma u$ 仍控制正效用可以累積多少次，並直接影響價值的大小、期限效應及等待時間。把「是否值得等」與「等待可值多少」分開，可避免將一條門檻公式錯誤解讀為完整的價值函數。

6.3 理論單調性及其限制

有限期式可寫為 $V_h(U)=a\sum_{k=0}^{h-1}q^k$ ，其中 $a=6\gamma p-c$ 。在等待有正值的區域，對成本微分可得 $\partial V_h/\partial c=-\sum_{k=0}^{h-1}q^k<0$ 。所以增加每週成本一定減少保留的最適價值；當成本高到超越門檻，最適價值被關閉動作的零下界截住，之後不再負值下降。這解釋了為甚麼圖上的價值曲面出現平坦的零區域，而不是在高成本下無限制變成負數：任何理性決策者都可以選擇免費關閉。

對有用化機率 $p$ 的變化，除了提高當期取得報酬的機率，它亦會降低仍未知的持續機率 $u=1-p-l$ 。直觀上，前一效果應增加價值，後一效果則改變在未知狀態反覆等待的次數。由完整 Bellman 方程可進一步得知，在本模型中，將部分機率質量由 $U$ 轉給報酬更高的 $V$ ，不會降低最適期望值，因為 $V_h(V)=6\geq V_h(U)$ 。這是一個基於隨機轉移支配關係的結果，而不是忽略 $p$ 同時出現在 $a$ 和 $q$ 中的形式微分捷徑。

失效機率 $l$ 的作用則不完全與 $p$ 對稱。在 $p$ 固定而 $l$ 上升時，部分「繼續未知」的機率質量會轉向「已失效」，所以正值區域內的延續項減少，等待價值一般降低；但是當 $a\leq0$ 而使用者起初就應關閉時，再提高失效機率不會令已經為零的最適值變成負數。這使成本、到期風險及資訊到達具有不同政策含意：降低持有成本可以改變正值門檻，而提高失效風險主要壓低正值區域的價值規模。

不應將所有參數變化視為彼此獨立的實驗操控。在現實中，任務臨近截止日期可能同時提高資訊的有用化機率、頁面突然失效的風險，以及使用者對時間的敏感程度。如果這些變數受同一未觀測因素影響，單純改變 $p$ 而把其餘數值固定，只能說明條件性反應，不能直接作出因果推斷。本文敏感度圖因此應稱為比較靜態曲面，而不是對干預措施真實效果的估計。

6.4 值、策略、時間與結果如何連接

效用最大化策略是一條狀態依賴的規則，而不是要求所有分頁同時作同一動作。在基準條件下， $\pi_h(U)=W$ 、 $\pi_h(V)=R$ 、 $\pi_h(X)=C$ 對有剩餘等待機會的狀態成立；在 $h=0$ 時， $\pi_0(U)=C$ 。因此同一分頁可以先等待兩週，轉成有用狀態後即時閱讀；另一條路徑可能等待六週後失效而關閉；還有少數路徑到期仍未辨識出用途，因而在期末關閉。這些結局都可以是同一條最適策略下的合理樣本，不能因其中一條路徑「最後沒讀」便倒過來斷言最初的等待必然是錯誤決定。

單一路徑的最終累積效用不是一開始計算的期望值。例如一個分頁等了三次才轉為有用，總折現效用是 $-c-\gamma c-\gamma^2c+\gamma^3\cdot6$ 。若等待兩次便失效，最終關閉的效用則是 $-c-\gamma c$ ，並不因為事後沒有閱讀成果而自動回到零。期望值將所有具有不同機率的結局加權平均，而不是預先知道其中哪一條會發生。要評估保留動作是否合理，應看作出決定當時的資訊與可能結果，而非單靠事後成功或失敗的敘述。

模型也展示「狀態確知」的重要性。如果使用者根本不能判定一頁是否已失效，狀態 $X$ 便無法作為可直接觀察的策略輸入；此時應建立部分可觀察馬可夫決策過程，用信念分布代替當前狀態。類似地，如果閱讀行動本身可以更新一頁對另一頁的價值，分頁之間便出現學習外部性。上述情形需要較大的資訊狀態與不同的觀測方程；我們故意先研究可完整解釋的三狀態情況，讓每一個結果均有清楚的假設來源。

7. 結果：選擇權的價值、等待時間與成本邊界

7.1 有限期價值隨時間上升，卻存在飽和上限

圖 1 呈現未知分頁在不同剩餘決策期下的最適期望折現值。剩餘期限為零時，因無法再等，閱讀未知內容需付出一個負效用單位，因此選擇免費關閉，價值為零；還有一個等待期時，等待淨增益 $a=0.555$ ，價值直接變為 0.555。此後每增加一期，價值只多一項 $a q^{h-1}$ ，因此曲線保持上升但邊際增幅愈來愈小。等比形式與二十週數值曲線吻合，是程式和解析式對照的第一個檢查。

圖1：未知分頁的剩餘期限與最適選擇權價值

圖 1． 使用合成參數 $c=0.30,\gamma=0.95,p=0.15,l=0.20$ 的期限敏感度。實線為動態規劃值；虛線為無限期封閉式上界。所有點為理論模型或計算值，並非真實分頁存活率。

在基準的十二週情境，動態規劃得 $V_{12}(U)=1.4465206978897749$ 、 $V_{12}(V)=6$ 、 $V_{12}(X)=0$ 。其中第一個數不是將「未讀網頁」本身標價為 1.45，而是在本文假設的資訊到達機率與成本下，讓決策者保留停止權所取得的淨期待效用。正確的比較基準是此刻直接關閉所得的零，以及未知狀態直接閱讀的負一。將同一模型用於另一套成本尺度，三者的相對大小及最優行動均可能轉變。

期限曲線亦揭示一個常被日常直覺忽略的情況：選擇權有有限上界。假如一頁已經等待多期但持續保持未知，繼續再延長可等待期限所增加的事前價值會衰減；系統不會因為「拖得愈久」而憑空增值。這裏的衰減是期初策略比較中的邊際效果，並不是聲稱一個在現實中放置十週的分頁，其主觀珍惜程度一定降低。對同一條條件路徑而言，尚未知時應採取甚麼動作，仍須根據剩餘期限與現時狀態重新計算。

7.2 成本與資訊到達機率構成政策邊界

圖 2 將每週保留成本置於縱軸，未知轉有用機率置於橫軸，以顏色顯示十二週最適效用。從公式可知，在 $c\geq6\gamma p$ 的區域，關閉帶來零的保證值，其他行動不優，價值曲面因此出現大面積零平台；在 $c<6\gamma p$ 的區域，等待的效用為正，並隨成本下降、每週成為有用的機率上升而提升。這個明確可畫出的邊界，是本文對「應否關掉」最直接的規範性回答。

圖2：持有成本與新資訊機率的最適效用曲面

圖 2． 各網格點由同一有限期 Bellman 演算法求得。橫軸是未知分頁一週內變為有用的機率；縱軸是假設效用單位表示的每週成本。零平台代表免費關閉占優，而非觀察到使用者實際關閉網頁。

成本—機率邊界說明「知道自己還有可能用到」並不足以支持永久保留。如果新資訊只有極低機率會到達，即使一旦有用就能帶來可觀效益，每週重複承擔成本仍可能令淨值轉負。相反，某些短期學習或工作情境的資訊到達機率可能較高，暫時保留入口便較有理據。從模型角度，介面若能降低查找與返回的成本，會擴大值得保留的區域；若能令失效資訊更容易辨識，則有助及早把頁面移至關閉狀態。這些是依模型推導的設計含意，尚待實際 A/B 測試驗證。

一個有必要交代的技術細節是：圖 2 中每個條件的機率列均由程式重設為 $P(U,:)=(1-p-0.20,p,0.20)$ 。即使只改變 $p$ ，未知分頁留在未知狀態的機率亦會相應改變；若錯誤地保持其餘兩項固定，列和可能不再等於一，便失去有效機率轉移矩陣的意義。程式包含列和檢查。這類一致性細節對低維模型也很重要，因為精緻的可視化不能彌補錯誤的隨機過程。

7.3 蒙地卡羅值檢驗與路徑結局

圖 3 對 125,000 條人工路徑的最終折現淨效用畫出直方圖。這些路徑全部由同一合成分布產生，並非獨立受訪者，也沒有任何個人資料。模擬平均 $1.4376763665034027$ ，蒙地卡羅標準誤 $0.00767611254845122$ ，與理論值 $1.4465206978897749$ 相差 $0.008844331386372195$ 。差額約為 1.15 個標準誤，符合在獨立模擬樣本均值附近常見的抽樣波動尺度，未顯示重大實作不一致。

圖3：125,000 條合成路徑的折現淨效用分布

圖 3． 實線和虛線標示模型期望與模擬均值。直方圖的形狀源於離散停止時點、閱讀報酬及重複等待成本；不應稱為真實用戶效用分布。此圖的作用是以不同的求值方法核對理論。

固定一次模擬的標準誤並不是一個涵蓋所有研究不確定性的信賴界。在忽略程式偏差、路徑獨立及方差有限的前提下，常見常態近似可給平均值約 $1.437676\pm1.96(0.007676)$ 的示意抽樣區間，理論值落在其中。這只說明模擬均值和同一生成機制的期望互相相容。即使其差距小至千分之一，也不能用來證明每週保留成本 0.30、資訊到達機率 0.15 或人類折現因子 0.95 在現實中正確。

圖 4 顯示模擬路徑由開始保留至採取終止動作前，經過了多少個等待期。輸出紀錄的平均值是 2.841632 週；125,000 條路徑中有 53,073 條以閱讀終止，其餘 71,927 條以關閉終止。此比例沒有「只有四成使用者最終真的讀網頁」的社會統計意義，因為它是輸入機率與策略直接造成的人工產物。其研究價值在於提醒我們：即使一項策略在期初擁有正的期望效用，仍有不少路徑最終被關閉，平均等候時間也不是單一固定常數。

圖4：合成分頁在最適策略下保留的週數

圖 4． 整數橫軸為等待的週數，縱軸為人工路徑的數目；隨機種子是 2026101615。閱讀或關閉後，該路徑不再進行分頁決策。

圖 3 與圖 4 合讀，可以避免一個事後推理陷阱：當一頁最終被關掉，人可能認為此前的等待完全白費；當它最後帶來幫助，則可能認為永久保留任何類似頁面都是合理。動態規劃的評價對象是當時可得資訊下的策略，而不是單一路徑的成敗。蒙地卡羅結果恰好示範了相同政策之下正負淨效用都可能出現。將研究結果轉化成產品建議時，應強調「定期重新評估」，而不宜把結果簡化成一條無條件的關閉期限。

7.4 同時開啟大量分頁的假設擁塞試驗

圖 5 展示第二個純屬示範的情境：設單頁每週注意力成本隨總分頁數 $n$ 線性增加， $c(n)=0.08+0.02n$ 。在不改變資訊到達機率的條件下，較多分頁意味著較高持有成本，令單一未知分頁的最適值下降。即使沒有強迫分頁之間互相排斥，只要注意力管理負擔與數量有關，最適策略仍可從等待逐步轉為直接關閉。

圖5：假設分頁數目增加時的單頁保留價值及封存比較

圖 5． 分頁數目不是取自真實裝置；成本規則及淨封存價值 0.60 均為研究者指定。曲線描述單一分頁在各假設背景下的決策值，而非多分頁系統的總效用。直線是用作比較的封存選項，並不是從用戶資料估得的意願支付。

將封存值設定為 0.60 是為了區別「當下關閉且永久放棄」與「整理到可尋回的資料庫」。在更完整的模型中，封存可能保留部分未來價值，同時降低畫面及注意力負荷，但亦可能需要初始分類成本及後續檢索成本。這些不同效用都應進入同一目標函數。本研究只在圖表中加入一條假設封存基準線，因此只可以辨認哪些成本區域值得進一步考慮這個行動，不能宣稱已經完整求出四動作的最適封存策略。這個區分避免把輔助比較線誤報為已整合的 Bellman 政策。

值得注意的是，圖 5 的橫軸並不是「你已擁有多少問題」。若一個人善於把分頁按照專案分組，管理成本可能隨數量緩慢增加；另一個人的分頁如果高度分散、標題雷同且缺乏搜尋入口，成本可能上升較快。這些人的最適門檻會因成本函數不同而改變，因此「超過某數量就應全部關閉」不是本文的結論。模型反而表明，影響行動的應是可解釋的邊際成本、到期風險與未來資訊效益，而不是表面的數字。

8. 討論：最適停止與數碼囤積之間的有限理性

我們可以用「微型選擇權」解釋一部分看似荒誕的分頁行為。保留一頁相當於保存未來在資訊更明朗時才投入閱讀時間的權利；立即閱讀則是提早支付時間代價；立即關閉則放棄該權利換取今後的注意力自由。選擇權的價值不是一項永遠為正的天賦，它完全受機率、效益、折現和成本限制。當新資訊到達的期望增益低於繼續持有的成本時，理性的行動正是停止等待。這套框架既能說明某些暫存的合理性，也不會縱容「永不作決定」成為一種無成本策略。

在日常生活中，一個實際困難是當事人可能不知道轉移機率。系統能否提示「這個分頁所屬任務已完成」？能否從明確的期限、同頁返回次數或使用者主動標記的意圖，推斷它是否仍需等待？這些介面問題可以由模型轉化為可測量變數，但不能從模型本身推斷應使用甚麼感測器或機器學習演算法。若建立推薦系統，應先提供可覆核的規則及使用者可撤銷選項，以免自動關閉一份未備份的重要資料。

對課堂和團隊工作而言，任務中心式的整理可能比「強迫所有人只保留十個分頁」更具建設性。當同一項研究需要持續比較資料來源，關掉全部網頁會造成重建工作情境的成本；當專案結束，保留全部頁面卻可能增加下次搜尋的噪音。可行的產品設計是讓使用者將暫存分頁與任務意圖、預期返回時間以及可搜尋摘要連結起來，並在期限到達時重新評估。這類建議與任務中心式分頁管理的研究方向相呼應，但它們在本文中仍屬待驗證的設計假說。

認知卸載的討論亦不應停留在「外部記錄能降低腦部負擔」。如果外部工具的提示太多、太頻繁或缺乏結構，本來用作卸載的界面也可能增加回憶、辨認、分類及切換的工作。對同一個人而言，認知收益和管理成本可能同時存在，而且會隨任務改變。我們將它們分別放入延遲資訊報酬和每期成本，令這個權衡可以被明確計算。然而兩者在真實認知過程中未必可簡單相加，尤其當疲倦、壓力或多任務切換使注意力的邊際價值發生非線性變化時，線性模型會低估問題的複雜度。

本研究的規範性規則亦不等於一個人的心理診斷。某人可能因害怕錯失、情緒價值、未完成工作的提醒，或單純喜歡保留歷史紀錄而不願關閉；另一個人可能從不利用分頁，所有資料都自動存進書籤工具。若不理解這些主觀目標，聲稱模型「證明人應如此行動」便超出了分析範圍。適當的詮釋是：在明確假定的同一效用尺度、狀態可觀察且行動可選的情況下，Bellman 政策達到該模型內的最大期望值。

「忘記」這個看似純粹心理的詞，還可以被拆成兩種不同機制。第一種是內容或需求客觀上變得無用，可用轉移至 $X$ 表示；第二種是雖然仍然有用，但使用者不知道如何再次找到或辨識該頁，此時就算物理分頁仍開啟，資訊的可獲性也下降。後者在本模型中被簡化成持有成本或錯誤狀態辨識，並未獨立建模。若要研究「記憶負債」的累積，未來應把重新搜尋成本、標題混淆機率、使用者可用時間與任務鏈接結構分別納入，而不是只把轉移矩陣中的失效機率稱為遺忘率。

還有一項對介面設計有啟示的分辨：頁面關閉與資訊消失未必是同一動作。封存、加標籤、匯出書籤或生成可檢索摘要，可以將視覺負荷降下來，同時保留往後返回的可能性。若封存工具具有搜尋延遲或需要明確分類，它依然有成本；如果保存系統可靠、結構良好，其成本可能低於長期佔據可見分頁欄。真正的最適停止研究因此有理由將「整理」視為第四個動作，但在取得其實際成本與重新取回成功率之前，不應直接將概念上的好處換算為確定的效用數字。

本文可引出一個可操作但仍需經驗測試的設計原則：與其持續顯示所有未讀頁面，不如協助使用者在每個決策時點回答「我等待的是甚麼新的資訊」、「若沒有新資訊，下一個停止時點是何時」、「有沒有低成本方法保留入口」。這三個問題對應模型中的 $p$ 、期限 $h$ 和成本 $c$ 。介面只需以清楚的設定引導思考，未必需要用黑箱方式估計每個人的心理效用。模型的價值在於幫助提出可以驗證的問題，而不是先行替人下結論。

9. 研究限制與效度威脅

第一項限制是參數的來源。轉移機率、閱讀收益、每週成本和折現因子均為合成示例，沒有經過訪談、日記研究、受控實驗或瀏覽器事件紀錄估計。因此我們只能回答「如果使用者面對這一組機率與效用，應如何行動」，不能回答「香港大學生平均保留多久」或「大部分人因甚麼原因累積分頁」。這是模型的規範性邊界，亦是所有圖表必須保留合成資料聲明的原因。

第二項限制是完全可觀察狀態。模型假設決策者每期能準確知道分頁屬於未知、有用或失效，但現實中往往要付出搜尋或閱讀成本，才能確定它已經不再重要。若辨認狀態的過程本身具有成本，單純將 $V$ 與 $X$ 視為即時可見，會低估資訊更新的難度。比較合理的下一步是把「實際需要」當成不可直接觀察的潛在狀態，並用使用者可見的線索更新信念。這會令每期決策由簡單三狀態的選擇，改為對一個機率分布進行最適停止。

第三項限制是獨立分頁與固定時間尺度。許多分頁屬於相同任務，閱讀第一頁可能令另一頁更易理解，也可能因已找到答案而使另一頁失效；在不同時間點，使用者的可用注意力也不相同。單頁馬可夫模型不能捕捉互補性、重複性、跨頁線索或共同期限。圖 5 只提供一個外生擁塞成本函數，並沒有模擬多個分頁同時轉移、爭奪閱讀時間及改變互相的資訊價值。對群組分頁的最佳清理政策仍屬開放問題。

第四項限制是效用形式及行為假設。我們選擇固定折現和線性期待效用，原因是能給出封閉式解並接受完整數值核對；人可能具有現在偏誤、損失規避、情緒價值、風險偏好、不同任務的優先次序，以及不能量化的知識整理目的。若一個人認為某些頁面具有重大不可逆的資料遺失風險，免費關閉所得的零便不是適當基準；若閱讀本身可以帶來享受，未知頁的即時閱讀淨報酬也未必是負一。改動任何一個核心假設，都應重新求解模型，而不能直接套用 $c<6\gamma p$ 作普遍建議。

第五項限制是文獻研究的可獲性。本稿在可用的 Crossref 書目搜尋中查驗五個相關出版物的標題、DOI、年份及部分出版場所，但未取得其全部全文。故文獻部分只用來建立研究領域及概念脈絡，沒有提供未親自查核的實證樣本、效果量或逐字引述；未核實的作者細節亦沒有憑記憶補充。如此處理可能犧牲文獻回顧的全面性，但可以防止虛構書目與從標題反推結果的錯誤。

第六項限制是電腦計算的外部效度。蒙地卡羅結果和 Bellman 解的接近，只能檢驗推導、程式及隨機模擬的內部一致性；它完全不能判定那些轉移機率描述了真人或真實網站。即使重複一千萬次同一合成過程，也不會增加參數對現實的代表性。若要建立外部驗證，應先設計符合私隱及知情同意要求的資料收集方案，並區分任務相關與無關的分頁，再比較預測停止時間與實際決策。此步驟並未在本文執行。

最後，工具與呈現亦存在限制。圖表的英文字軸是為減少不同作業系統對中文字型支援不一致而設；論文仍使用繁體中文解釋所有坐標與模型意義。PDF 排版的字型、公式與圖表應在輸出後逐頁檢查，不能單靠 Python 成功回傳便宣稱排版無誤。任何讀者重用程式時，亦應先核對相依程式庫、固定亂數種子及停止時點規則，才對照數值。

10. 結論：不是每個未關分頁都值得留下

本文把未讀分頁的去留寫成一個可解析的有限期最適停止問題。基準合成模型中，未知分頁值 1.446521 個效用單位，應暫時等待；已確認有用的分頁應即時閱讀，已失效的分頁應關閉。保留未知分頁的嚴格正值條件，在本文特例中是每週持有成本小於得到有用資訊的折現期待收益，即 $c<6\gamma p$ 。這個條件解釋了為甚麼低成本、有真實資訊更新可能性的暫存可以是合理策略，同時也清楚交代甚麼情況應停止等待。

對同一組合成參數，有限期動態規劃、無限期封閉式及固定種子的 125,000 條蒙地卡羅路徑互相符合。敏感度分析顯示，持有成本上升可使選擇權價值從正變為零；示意性的多分頁成本函數又說明管理負擔增加可改變單頁最佳策略。然而所有數值都是模型內的結果，不能外推為使用者實測效益，亦不能把四角色內部模擬審稿當成正式期刊認證。

最值得保留的結論是一個方法論區分：分頁被保留不必然不理性，分頁被關閉也不必然正確；評價一項決策，要考察當時可得的資訊、有待出現的證據，以及持有和行動的成本。若能在日常介面中把這些因素變得更可見，便可能減少無目的的累積，同時保留真正有用的搜尋入口。這仍然是一項有待實際使用者研究檢驗的設計假說。

11. 未來研究方向

下一階段可以建立部分可觀察馬可夫決策過程。分頁是否仍然有用，通常無法直接從標題判斷；若介面能顯示上次閱讀的日期、任務截止期或預計返回時間，系統便可用這些線索更新分頁的信念狀態。此模型需要額外定義觀測噪音與訊息取得成本，並比較錯誤關閉重要資訊與長期維持過多頁面的不同損失。它比本文完全可觀察的模型更接近實際，但也更需要經驗校準。

另一方向是建立多分頁的動態背包或指數政策問題。當每週只有有限閱讀時段，而多個未知分頁會同時轉移，決策不只是關閉哪個頁面，還包括先閱讀哪一個、何時封存，以及如何處理互相依賴的任務。可將網頁之間的知識依存建成有向圖，使用近似動態規劃或強化學習尋找可解釋的調度規則，再與簡單的最早到期、最高預期值和任務分組基線比較。無論選用何種模型，都應保留免費關閉或封存的明確替代選項。

若取得符合倫理及私隱要求的匿名化任務日誌，可設計前瞻性實驗，請參與者自願記錄分頁目的、預計處理日期與實際返回事件，而不用擷取網頁內容或個人帳戶資訊。隨後可以估計每週轉移概率、持有成本代理變數，以及不同任務類型之間的異質性。預註冊研究應清楚列出主要結果指標，例如重新取得有用資訊所花時間、意外失去重要連結的比率與任務完成度，而不能只用可見分頁數當作唯一成功標準。

最後值得研究的是價值單位的確立。本文用抽象效用單位示範結構，但真實介面干預需要權衡時間、認知負荷、資料遺失風險與可恢復性。可透過選擇實驗或完成任務後的反思資料，估計不同使用者對閱讀、封存及關閉的相對偏好，並在跨任務條件下測試穩定性。直到這些實證步驟完成以前，本文應作為研究方案的數學基線，而非經臨床或社會驗證的個人習慣改善處方。

12. 參考文獻（References）

以下五筆書目均由 Crossref 題名查詢獲得對應 DOI 及出版基本資訊，個別作者、頁碼與全文未在本次環境中完整核實；因此使用已核實的題目先行列示，不補造欠缺的欄位。詳見 Reference_Check.md。

Risko, E. F., & Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences. https://doi.org/10.1016/j.tics.2016.07.002
Tabs.do: Task-Centric Browser Tab Management. (2021). The 34th Annual ACM Symposium on User Interface Software and Technology. https://doi.org/10.1145/3472749.3474777
Information Foraging. (2009). Encyclopedia of Database Systems. https://doi.org/10.1007/978-0-387-39940-9_205
Prospect Theory: An Analysis of Decision under Risk. (2000). Choices, Values, and Frames（文集版本）. https://doi.org/10.1017/CBO9780511803475.003
Applications to Optimal Stopping Problems. (2014). Universitext. https://doi.org/10.1007/978-3-642-37632-0_11

附錄 A：符號表、重現與驗算約定

狀態： $U,V,X$ 依次表示未知、有用及失效。動作： $C,R,W$ 依次表示關閉、立即閱讀、等待。
剩餘期數： $h=12$ 。逐期折現因子： $\gamma=0.95$ 。每期等待成本： $c=0.30$ 。
未知轉有用、未知轉失效、維持未知的機率依次為 $p=0.15$ 、 $l=0.20$ 、 $u=0.65$ 。
三狀態閱讀淨效用： $r(U)=-1$ 、 $r(V)=6$ 、 $r(X)=-4$ ，屬同一合成效用尺度。
遞推常數： $a=6\gamma p-c=0.555$ ， $q=\gamma u=0.6175$ 。最適期望值： $V_{12}(U)=1.446521$ 。
擁塞敏感度的假設分頁數 $n$ 由 1 至 70，對應外生成本 $c(n)=0.08+0.02n$ ，未用真人資料估計。

執行 Cycle_002/Paper_015/analysis.py 可重製全部合成圖表及 CSV/JSON。主要核對項目為每個轉移列加總等於一、末期無等待動作、基準最適行動依次為「等、讀、關」、有限期 $V_{12}(U)$ 與解析式一致、蒙地卡羅均值和理論差距按標準誤判斷，以及所有合成路徑最後必須終止。讀者應查看 data/summary.json 而非從圖片估計精確小數。

本研究的「模擬審查」是研究團隊內部採四種角色進行的自我批判程序，不涉及真實匿名審稿人；內部審查及修訂紀錄在 review.md。全部模擬結果只屬於指定的機率機制；不應借本文結果斷言任何特定使用者的注意力、心理狀態或行為傾向。