大合照為何總有人眨眼？同步眨眼、群內相關性與連拍停止規則的機率研究

Why Does Someone Always Blink in a Group Photo? Correlated Bernoulli Events, Shared Blink Environments, and Optimal Burst Length

研究類型： 理論推導與可重現合成模擬。資料聲明： 本研究沒有拍攝真人、觀察真實眨眼、利用影像辨識辨認任何人物，亦沒有對攝影師或受試者進行調查。所有圖片均為研究圖表；所有機率與視覺情境均由研究者指定，用作推導模型及測試程式，不能當作實際眨眼率的統計估計。

中文摘要

大合照似乎總有一位參與者在按快門瞬間閉眼，但這種失敗是否真的隨人數增加而必然變得嚴重？連拍是否一定可以解決問題？本文將群體眨眼表示為具有共同潛在環境的相關伯努利事件，以 Beta-binomial 模型推導全員睜眼機率與同時眨眼的人數分布，進一步用跨影格持續機制研究連拍收益。對每人假設邊際眨眼機率 0.12、十人合照及群內相關系數 0.12，單張全員睜眼的機率為 0.436724；若把個別眨眼誤設為獨立，則僅為 0.278501。正的群內相關使「無人眨眼」與「多人同時眨眼」的尾端事件都較可能出現；這個反直覺現象來自凸性與 Jensen 不等式。相反，若同一潛在眨眼環境在整段連拍中保持不變，十二張至少有一張成功的機率只有 0.853460；每張重新抽取獨立環境時則為 0.998980。120,000 條固定種子蒙地卡羅路徑檢驗兩個極端解析式，並展示部分持續情境及每張拍攝成本下的最適連拍長度。研究說明「組內相關」與「跨影格相關」方向不同，並嚴格區分純模型數值與尚未取得的人體及攝影觀察。

關鍵詞： 大合照；眨眼；Beta-binomial；群內相關；共同衝擊；Jensen 不等式；連拍最佳化；蒙地卡羅模擬

English Abstract

Group photographs often appear to fail because someone has closed their eyes at the shutter moment. This paper separates two forms of dependence: correlated blinking among people within one photograph and persistent blink environments across successive frames. A beta-binomial latent propensity model describes correlated Bernoulli eye-closure indicators, while a persistent latent-state model describes burst shooting. All parameters and images are synthetic analytical constructs; no people or cameras were studied. For ten hypothetical subjects with marginal blink probability 0.12 and intraclass correlation 0.12, the predicted probability that everyone has open eyes in one frame is 0.436724, compared with 0.278501 under independent blinking. Positive within-frame correlation increases extreme group outcomes through the convexity of the all-open event. However, a single common propensity persisting across a twelve-frame burst reduces the probability of at least one fully open-eye photograph to 0.853460, compared with 0.998980 when latent environments are independent across frames. A fixed-seed Monte Carlo study of 120,000 artificial burst episodes checks the analytical formulas and examines intermediate temporal persistence. An illustrative cost per frame gives different optimal burst lengths in different dependence regimes. The results are normative and probabilistic, not estimates of human physiology or real photography performance.

Keywords: group photography, blinking synchrony, beta-binomial, correlated Bernoulli trials, burst photography, Jensen's inequality, synthetic Monte Carlo

1. 引言：三、二、一，總有一雙眼睛比快門慢

團體合照最常見的微小挫敗之一，是攝影師終於安排好站位、光線與笑容，拍完之後卻發現其中一個人閉著眼睛。對單張照片而言，只要一人閉眼，便可能失去「全員睜眼」的理想標準；當參與者增多，拍到完美照片似乎愈來愈困難。這個觀察直覺可以轉化為一個嚴格問題：給定每個人按快門時閉眼的機率，十人、二十人與三十人合照的成功機率應如何計算？再多拍幾張是否能以可預測的幅度改善結果？

直觀解法通常把每個人視為獨立擲硬幣，若單人眨眼機率為 $p$ ， $n$ 人都睜眼的機率便寫成 $(1-p)^n$ 。這個公式簡潔有用，卻隱含一項不一定正確的假設：按快門同一刻，所有人的眼睛狀態互不相關。實際上，人可能共同注視攝影師、聽到同一個口令、觀看同一個閃光提示，或對相同的環境刺激作出近似反應。這些情境能造成相關性，但我們並沒有測量其中任何一種來源，也不會把某項同步眨眼研究的結論直接移植到合照現場。

這個研究的荒誕之處，在於「大家一起眨眼」可能沒有想像中那麼糟糕。若各人的閉眼事件是正相關的，群體更有可能同時處於「大多數都睜眼」或「大多數都閉眼」的狀態。對只在乎是否存在至少一張全員睜眼照片的人而言，更多「完全沒有眨眼」的極端情況反而可能提高單張成功率。換句話說，群體的平均眨眼人數即使完全不變，也可能因為眨眼時間彼此有關，而改變整個成功機率。這一結論與直觀的「眨眼同步一定更難拍」並不相容，需要具體證明而非口頭推測。

另一種相關性發生在時間方向。相機連拍的每一張都不是憑空出現的獨立新世界：同一位參與者可能在相近的幾張照片中維持類似的注意力狀態；現場燈光、攝影師節奏及任務壓力可能持續存在。即使每張照片的全員睜眼機率完全相同，連續影格之間若具有共同的難度，便可能令「至少一張成功」的機率低於獨立影格計算的結果。因此，研究應把同一張內不同人的相關性與不同張之間的相關性分成兩組參數，而不能把所有依存關係放進一個模糊的「同步率」。

為了回答這個問題，我們先建構最容易檢驗的基線：每個人都有固定的眨眼機率，而且彼此獨立。之後加入每張照片共同的潛在眨眼傾向 $Q$ ，令所有人在知道 $Q$ 後相互獨立，但未條件化的眼睛狀態呈正相關。最後讓 $Q$ 在連續拍攝的影格之間以指定機率延續，或重新抽取，從而形成一套具有清楚機率定義的時間依存模型。這種設計讓單張及連拍各自有可解析的極端情境，並容許用蒙地卡羅模擬核對推導。

研究的目標不是找出攝影師應連拍的精確張數。真正拍攝策略還涉及按快門的間隔、曝光、光照、閉眼持續時間、攝影師與被攝者協調方式、照片合成或後製的成本。本文沒有這些參數的實測數據，因此所謂「最適」只在一個以成功機率減去假設拍攝成本的簡化目標函數中有意義。我們著重提供一個大學高年級可驗算的統計模型，幫助辨識在甚麼情況下「多拍」真的帶來額外價值。

這個問題亦能說明統計教育上一個更普遍的陷阱。兩套資料可以有相同的每人平均眨眼機率，甚至相同的平均閉眼人數，卻因為觀察單位之間的相關結構不同而產生截然不同的尾端風險。假如只估計邊際機率而忽視依賴性，便可能低估某些集體極端結果，也可能對連拍成功作出過分樂觀的推算。大合照只是便於理解的例子；相同數學思想也適用於同一群體中多個元件的共同故障、共同環境下的決策及重複抽樣的有效樣本量。

2. 文獻回顧：眨眼時間並非天生相互獨立

眨眼作為一個生理及行為事件，曾在多種情境下被研究。題為 Eye Movements and Spontaneous Eye-blink Rate 的研究發表於 Applied Psychology（1992，DOI: 10.1111/j.1464-0597.1992.tb00707.x），提供眼球運動與自發眨眼率相關研究確實存在的書目依據。Diurnal variation in spontaneous eye-blink rate（2000，DOI: 10.1016/S0165-1781(00)00108-6）以及 Increased spontaneous eye blink rate following prolonged wakefulness（2007，DOI: 10.1016/j.physbeh.2006.09.023）則從題名與出版資訊提示，時間條件及清醒時間值得作為眨眼模型可能的背景因素。本文沒有查核這些文章全文，也不把其題名理解成我們能確定影響方向、效應大小或適用人群。

相關性方面，Synchronization of spontaneous eyeblinks while viewing video stories 發表於 Proceedings of the Royal Society B（2009，DOI: 10.1098/rspb.2009.0828），屬於同步自發眨眼研究的可追溯正式出版物。另有 Synchronization of Spontaneous Eyeblink during Formula Car Driving（2021，DOI: 10.1145/3448018.3458002），顯示共同任務中眨眼同步本身是一個曾受到研究的問題。這兩項研究的情境分別涉及觀看影片與駕駛相關活動，不能在沒有額外資料的情況下換算成同一張合照的十人群內相關係數，更不能當成我們所用 $p=0.12$ 或 $\rho=0.12$ 的來源。

Blinks of the eye predict blinks of the mind（2008，DOI: 10.1016/j.neuropsychologia.2008.07.006）及 The timing of spontaneous eye blinks in text reading suggests cognitive role（2025，DOI: 10.1038/s41598-025-04839-y）提供另一類有關眨眼、注意及任務時間安排的書目線索。它們可以提醒模型設計者，眨眼事件未必與眼前任務完全無關；但本研究不重述未取得全文的實驗結論，亦不聲稱閱讀或注意力任務的觀察結果可直接推論拍照時的人類閉眼機率。使用文獻時，我們只區分「相關研究題材曾獲出版」與「這篇合成模型的參數已獲驗證」兩種不同主張。

在統計方法上，Bernoulli 指標適合表示某一個快門瞬間閉眼與否；binomial 分布則表示相互獨立且同機率的多個指標之和。若共同環境令每張照片的眨眼風險波動，便可假設各人在給定當時風險 $Q$ 的條件下獨立，再對 $Q$ 的分布作平均。當 $Q$ 服從 Beta 分布時，眨眼總人數具有 Beta-binomial 分布。其參數與群內相關性可以直接由全期望與全協方差公式推導，不必以未核實文獻的權威代替數學證明。

這項區分帶出文獻對模型最適切的用途。先前研究說明眨眼時間、共同刺激與任務情境具有值得研究的背景，但它們並未替本文證明合照相關事件應服從 Beta 分布。我們選擇 Beta 分布，原因是其支援區間 $[0,1]$ 、矩存在且容易調節平均與集中程度；這是可解釋的數學假設，而不是生理機制的直接觀察。讀者若相信真實共同刺激更接近離散事件或具有短暫延遲，應改用相應模型，並比較其預測是否有實測支持。

本研究亦刻意保留兩種成功概念：單張照片中全員睜眼的機率，以及一段連拍中至少有一張全員睜眼的機率。兩者不能由同一個邊際數字直接推導，除非再指定影格間的依賴關係。若文獻只有單人的平均眨眼頻率，則它不足以識別多人同時眨眼的機率分布；若文獻只有某種同步任務的相關係數，也不足以決定連拍每一幀之間是否獨立。正是這個辨識性問題，令一個看似微不足道的攝影困擾變成有意義的機率建模練習。

3. 研究問題與數學假設

研究問題 RQ1 是：在每個人邊際眨眼機率維持不變的情況下，群內正相關會如何改變單張全員睜眼的成功率？假設 H1 是：只要眨眼概率在共同環境下有非零變異，而且每個人於給定環境後獨立，則對至少兩人的群組，全員睜眼的期望機率不低於固定機率、互相獨立的基線。這個假設可以用 Jensen 不等式證明，也可以用 Beta-binomial 機率質量函數作數值驗證。

研究問題 RQ2 是：相同群內相關性是否同時令集體眨眼人數的分布更分散？假設 H2 是：在邊際眨眼機率 $p$ 與群內相關係數 $\rho>0$ 時，眨眼人數的變異數大於獨立伯努利總和的變異數；此增加量應等於 $np(1-p)(n-1)\rho$ 。這不等於「平均閉眼人數增加」，因為期望仍為 $np$ 。把平均值與尾部風險分開，能夠檢查模型是否混淆了機率與相關性。

研究問題 RQ3 是：若相機連拍多張照片，共同眨眼環境的跨影格持續程度會否改變至少一張成功的機率？假設 H3 是：當所有影格共用同一個隨機環境 $Q$ 時，連拍成功機率不高於每張影格重新獨立抽取環境、但單張成功率相同的情況。對兩張或以上照片，這項比較可以從凹性推導。至於環境只以部分機率延續的情況，本文用合成蒙地卡羅路徑探索，而不假設中間曲線必須是兩個極端公式的線性插值。

研究問題 RQ4 是：當每張拍攝都有小但正的成本時，是否存在一個內生的最佳拍攝張數？假設 H4 不是宣稱一定有一個普適最佳連拍長度，而是預期在固定的人工成本函數及有限候選張數下，可以透過列舉期望效用選出模型內最優 $k$ 。如果不同的影格依賴模型給出不同的最優張數，便說明把拍攝次數獨立性當作已知，可能令策略選擇有所偏差。

所有假設都屬於模型內可檢查的陳述。「照片成功」定義得非常嚴格：所有人在指定快門瞬間都不眨眼。真實相片還涉及笑容、望鏡頭、遮擋、對焦、動態模糊、曝光及人物姿態；其中任何因素均可能令一張全員睜眼照片仍然不合格。本文不聲稱眨眼是唯一或主要原因，也不因為模擬數值變動而發表真實攝影技術的因果宣稱。

4. 理論框架：兩個方向的相關性不能混為一談

令 $B_{it}$ 是第 $i$ 人在第 $t$ 張快門瞬間是否閉眼的指標；閉眼為 1，睜眼為 0。定義一張照片成功事件 $A_t=\{B_{1t}=\cdots=B_{nt}=0\}$ ，連拍 $k$ 張至少成功一次的事件為 $A_1\cup\cdots\cup A_k$ 。這些事件的表示本身不需要對眨眼的生理原因作出判斷，只要求可以界定快門時刻和成員的二元狀態。對人像攝影而言，實際上需要考慮眼睛半閉、快門曝光時間以及判讀者對閉眼的分級；本研究先選擇最簡單的二元化版本。

獨立基線假設所有 $B_{it}$ 在同一張照片中互相獨立，且每人的閉眼機率相同 $p$ 。於是單張成功率是 $(1-p)^n$ ，一張照片中閉眼的人數 $K_t=\sum_i B_{it}$ 服從參數 $n,p$ 的二項分布。這套模型將每人風險視為相同常數，而不處理個人差異；正因為假設很強，它適合作為比較依存結構的起點，而不能無條件視為現實的標準答案。

第一類依賴是「同張群內相關」。我們引入每張快門的共同風險 $Q_t$ ；在已知 $Q_t=q$ 時，每人的閉眼指標獨立服從成功機率為 $q$ 的伯努利分布。若不同照片的共同風險可以變動，則即使一張內所有人條件獨立，將 $Q_t$ 積分掉之後，各人的眨眼狀態仍可呈正相關。這是典型的共享環境或共同衝擊建模，不應被理解為所有人由某一位成員直接帶動眨眼，亦沒有假設某種神秘的集體心理機制。

第二類依賴是「跨影格相關」。即使我們知道每張的成功率相同，仍不代表不同快門的成功事件獨立。若攝影師在極短時間內連拍，所有快門可能經歷相近的潛在風險；如果隔一段時間重新組織姿勢或提醒大家張開眼睛，下一張可能對應不同的風險狀態。模型只以機率參數表示共同環境會否持續；這項參數並不是快門間隔的秒數，因此不能不經實測就把某一台相機的連拍速度換算成具體持續係數。

一個重要的概念區分，是同一張內的相關性可能提高零眨眼機率，但跨張之間的相關性卻可能降低多張中的至少一次成功率。前者是在固定平均下比較 $(1-Q)^n$ 的期望，對應一個凸函數；後者是在固定單張成功率的條件下比較「至少一次成功」的期望，對應一個凹函數。兩個 Jensen 不等式的方向不同，因此不能以「相關性永遠使事情更差」或「相關性永遠使事情更好」作統一結論。

在數學上，我們讓 $Q_t$ 服從 Beta 分布，以 $\alpha,\beta$ 控制其形狀及變異，再指定跨張保留舊 $Q$ 的機率 $\lambda$ 。這是由兩個可分離部分構成的層級模型：群內相關來自同張共有 $Q_t$ ，時間相關來自不同 $Q_t$ 之間是否相同。它既能還原經典獨立基線，也能表示強烈共同環境及連拍期間的持續。透過在界限情況下獲得封閉式結果，可以對模擬提供非平凡的正確性測試。

5. 方法：預設參數、計算方案與重現標準

為展示機制，我們選擇十人合照作主情境，每個人在單一隨機快門的邊際閉眼機率設為 $p=0.12$ 。群內相關係數 $\rho=0.12$ ，與額外比較的 $\rho=0,0.05,0.30$ 一樣，都是為計算設置的參數，沒有生理量測來源。連拍最多十二張，且在計算假設成本時，每按一張照片從成功機率效用中扣除 0.035。最後這個數值不是金錢費用，也不是相機快門磨損率，而是可供比較的人工規範性成本尺度。

根據 $\rho$ 與 $p$ 的定義，我們將 Beta 分布形狀設定為 $\alpha=p(1/\rho-1)$ 、 $\beta=(1-p)(1/\rho-1)$ 。基準值對應 $\alpha=0.88$ 、 $\beta\approx6.4533333$ ，均為正數。當 $\rho=0$ 時，不直接代入除以零的公式，而是採用 $Q=p$ 的退化分布，回到完全獨立的基線。所有輸入都有明確定義域 $0<p<1,0\leq\rho<1$ ，而 Beta 分布本身只在嚴格正相關時使用。

第一項電腦實驗對人數 $n=1,\ldots,40$ 及四個 $\rho$ 值計算單張全員睜眼機率。第二項固定 $n=12$ ，比較獨立二項分布與具有共同 Beta 風險的 Beta-binomial 分布，著重檢查總和均為一及閉眼人數變異增加的方向。第三項固定十人，對 $k=1,\ldots,12$ 張連拍計算兩個可解析極端：每張重新抽取獨立共同環境，或整段連拍共用同一 $Q$ 。

第四項實驗為介乎上述兩個極端之間的潛在環境持續過程。首張先抽一個 Beta 風險；從第二張開始，每張以機率 $\lambda$ 繼承上一張的 $Q$ ，以機率 $1-\lambda$ 抽取新值。給定每張的風險後，各人的閉眼事件重新獨立抽樣。研究主要用 $\lambda=0.65$ 作中間情境，另外模擬 $\lambda=0$ 及 1 以核對解析極端。每個 $\lambda$ 產生 120,000 條人工連拍路徑，固定基本種子 2026101616，並為不同情境指定可重現的種子偏移。

第五項實驗以人數十人、群內相關 0.12 的設定，將邊際閉眼機率從 0.02 掃描至 0.30，研究固定相關係數下的成功機率差異。第六項則對每種連拍依賴情境計算 $U(k)=P(\text{至少一張全員睜眼})-0.035k$ ，在一至十二張之間比較最大值。效用使用成功事件的機率當作收益，沒有把單張美學品質或相片選擇的人工工作量納入；因此最優張數只屬於這個目標函數。

數值實作使用 Python、NumPy、SciPy 的 Beta 函數及 Matplotlib。Beta 機率採用對數 Beta 函數差，再取指數計算，以避免大人數階乘造成上溢。模擬一次只逐張生成眼睛狀態，對每條人工路徑維持「此前是否曾成功」的累計布林值；這樣能直接得到不同連拍長度的累積成功率。研究不會輸出任何人臉或真人合照，所有 PNG 都是機率曲線與統計分布圖。

重現檢查包含：每個機率質量函數的總和接近一；同一張的邊際眨眼機率等於輸入值；群內相關係數在解析式中等於所設 $\rho$ ；各連拍成功率不得超過一；增加連拍張數不能降低「至少一張成功」的事件機率；兩個極端的蒙地卡羅曲線與解析式誤差必須在數個百分點以內。這些檢查只保證程式與模型相符，不驗證真實生理眨眼過程是否符合模型。

6. 數學與計算模型：從相關伯努利到連拍最佳化

6.1 獨立基線及人數帶來的衰減

對一張照片，若每人的閉眼事件獨立且機率同為 $p$ ，則第 $i$ 人睜眼機率是 $1-p$ ，全部人睜眼事件為這些獨立事件的交集，故：

P(A)=(1-p)^n.

這個方程對每個人機率不同但互相獨立的情況可推廣為各人睜眼機率的乘積；在同質情境才會有整齊的 $n$ 次方形式。當 $0<p<1$ 時，對人數的函數隨 $n$ 增加而下降，並且 $P(A)\to0$ 當 $n\to\infty$ 。它將團體愈大愈難拍到全員睜眼的直覺轉成可核查的數學敘述。

本研究的基準取 $n=10,p=0.12$ ，因此獨立模型下的全員睜眼機率為 $0.88^{10}=0.2785009760$ 。這並非攝影觀察所測到的 27.85% 成功率，而只是輸入兩個假設數值後的理論計算。若改為 $p=0.02$ ，同一十人組合會有完全不同的成功率；因此不可以單靠「十人合照」判定有多少照片會失敗。更重要的是，此公式尚未考慮群內相關及連拍的時間依賴，而這兩者是本研究要討論的主要因素。

6.2 用共同風險生成群內相關

設 $Q$ 是按下一張快門時全部人共同面對的潛在閉眼風險，且 $Q\sim\mathrm{Beta}(\alpha,\beta)$ 。在給定 $Q=q$ 後，令每個人的閉眼指標 $B_i$ 條件獨立、服從伯努利分布，且 $P(B_i=1\mid Q=q)=q$ 。條件分布中互相獨立，不代表未條件化後的 $B_i$ 仍然獨立。這個層級模型讓共同環境的變動成為相關性的唯一來源，因此保留了清楚的因果圖式，但並不聲稱真實生理系統只有這一條機制。

Beta 分布在 $[0,1]$ 的密度正比於 $q^{\alpha-1}(1-q)^{\beta-1}$ 。其均值與變異數分別是：

E[Q]=\frac{\alpha}{\alpha+\beta}=p,\qquad \mathrm{Var}(Q)=\frac{\alpha\beta}{(\alpha+\beta)^2(\alpha+\beta+1)}.

由全期望法則可得 $E[B_i]=E[E(B_i\mid Q)]=E[Q]=p$ 。對兩個不同人 $i\neq j$ ，條件獨立意味著給定 $Q$ 時協方差為零；全協方差公式因此給出：

\mathrm{Cov}(B_i,B_j)=\mathrm{Var}(E[B_i\mid Q],E[B_j\mid Q]) =\mathrm{Var}(Q).

又因為每個伯努利指標的無條件變異數為 $p(1-p)$ ，故同一張照片內任意兩人的群內相關系數是：

\rho=\frac{\mathrm{Cov}(B_i,B_j)}{p(1-p)} =\frac{1}{\alpha+\beta+1}.

這個結果不需要假設受試者彼此模仿眨眼。只要各人條件於共同風險後獨立，任何同一張內的兩個不同人便具有相同非負相關性。此模型無法表示負相關或兩個分組內不同強度的相關，也不能處理某兩位朋友因互相注視而有特別強的同步。若需要這些結構，必須使用更細緻的多因子或網絡模型。

將均值 $p$ 與相關係數 $\rho$ 當作主要輸入，可反解：

\alpha=p\left(\frac{1}{\rho}-1\right),\qquad \beta=(1-p)\left(\frac{1}{\rho}-1\right).

這個表示方便固定每人的平均閉眼率，純粹改變群內相關。在 $p=0.12,\rho=0.12$ 時，總集中度 $\alpha+\beta=7.333333\ldots$ ，得到 $\alpha=0.88$ 、 $\beta=6.453333\ldots$ 。當 $\rho$ 趨近零時，集中度趨向無限大， $Q$ 收斂到固定的 $p$ ，獨立基線作為極限出現；不能直接在形狀公式中設 $\rho=0$ 而期待有限的 Beta 形狀參數。

6.3 Beta-binomial 閉眼人數分布

令 $K=\sum_{i=1}^n B_i$ 表示同一張照片中閉眼的人數。若已知 $Q=q$ ，則 $K\mid Q=q$ 服從二項分布，具有條件機率 $C(n,k)q^k(1-q)^{n-k}$ ，其中 $C(n,k)$ 是從 $n$ 個人中選 $k$ 個的組合數。對 Beta 密度積分，可得：

P(K=k)=C(n,k)\frac{\mathrm{B}(\alpha+k,\beta+n-k)} {\mathrm{B}(\alpha,\beta)},\qquad k=0,\ldots,n.

這就是 Beta-binomial 分布。它在 $\rho\to0$ 的極限還原普通二項分布，而對正相關則產生較重的兩端尾部。在本研究關心的全員睜眼情況，令 $k=0$ 便得到 $P(K=0)=\mathrm{B}(\alpha,\beta+n)/\mathrm{B}(\alpha,\beta)$ 。這也是期望 $E[(1-Q)^n]$ ，不需要另外建立一條與總人數分布不一致的成功率公式。

對 $K$ 取期望，有 $E[K]=np$ 。對變異數，先對每個人的變異求和，再加入所有不同人的協方差，得到：

\mathrm{Var}(K)=np(1-p)+n(n-1)\rho p(1-p) =np(1-p)\{1+(n-1)\rho\}.

因此正相關會擴大眨眼總人數的波動，卻不會改變其平均值。如果研究者只量度每張閉眼人數的平均，而沒有保存分布或聯合事件，就可能無法識別這種擴散。對 $n=10,p=0.12,\rho=0.12$ ，平均閉眼人數仍是 1.2，變異數由獨立時的 1.056 增為 2.19648；這些都是代入假設參數得到的計算結果，而非真人合照統計。

6.4 由 Jensen 不等式證明反直覺的好處

我們特別關心為甚麼正相關反而可能提高 $P(K=0)$ 。若 $Q$ 為共同閉眼機率，給定 $Q=q$ 時全員睜眼的機率為 $f(q)=(1-q)^n$ 。對 $n\geq2$ 有：

f''(q)=n(n-1)(1-q)^{n-2}\geq0,\qquad 0\leq q\leq1.

因此 $f$ 是凸函數，Jensen 不等式給出：

E[(1-Q)^n]\geq (1-E[Q])^n=(1-p)^n.

等號對單人群組或退化的固定風險情況成立；只要有真正的風險波動而 $n>1$ ，在一般非退化條件下便有嚴格大於。直觀解釋是：共同風險較低的某些瞬間對「全員都睜眼」十分有利，而較高風險時多人一起失敗；在固定平均下，這種重新分配機率質量的效果會增加零眨眼事件的期望頻率。它不是宣稱同步眨眼對所有相片品質都有好處。

這個證明亦直接指出一個危險誤用：不能因此建議攝影師主動令大家同步眨眼。模型比較的是具有相同邊際 $p$ 的不同機率依賴結構；現實介入同步節奏時，很可能連 $p$ 、視線及快門時點都一起改變，不能保證只有相關係數增加。此外，一個共同刺激可能使所有人都在快門時閉眼，將照片完全破壞；若總體目標不是「零眨眼事件的長期平均頻率」，而是單次指定時點的可靠成功，便要重新界定風險與決策。

6.5 連拍的第一個極端：每張重新抽取環境

假如每張照片都重新抽取獨立的共同風險 $Q_t$ ，則各張的全員睜眼事件 $A_t$ 在無條件化後也是相互獨立的。令單張成功機率 $s=E[(1-Q)^n]$ ，連拍 $k$ 張至少成功一次的機率為「一減全部失敗的機率」：

P_{\mathrm{ind}}(k)=1-(1-s)^k.

這個公式不需要同張內的人互相獨立，只要求不同張的整個環境及眨眼抽樣互相獨立。它解釋了為甚麼在獨立影格假設下，多拍幾張通常會迅速提高成功率；但如果跨影格之間存在共同因素，公式將對反覆拍攝的效益作出過分樂觀的推測。

6.6 連拍的另一個極端：整段共用同一環境

另一極端是整段連拍中只抽一次 $Q$ ，每張仍在給定此 $Q$ 後獨立生成眨眼指標。此時，對 $Q=q$ ，單張成功機率是 $(1-q)^n$ ；但不同張在未條件化後並不獨立。連拍至少成功一次的機率應先對條件成功事件計算，再對 $Q$ 積分：

P_{\mathrm{shared}}(k) =E\left[1-\{1-(1-Q)^n\}^k\right].

若展開二項式，亦可以寫成有限和，並使用 Beta 函數精確計算每一項：

P_{\mathrm{shared}}(k) =\sum_{j=1}^{k}(-1)^{j+1}C(k,j) \frac{\mathrm{B}(\alpha,\beta+nj)}{\mathrm{B}(\alpha,\beta)}.

這個結果會在 $k=1$ 時還原單張成功率；在 $k>1$ 時，與每張重新抽取環境的式子不同。兩個式子都使用同一個 $s$ ，因而為研究跨影格相關提供公平的比較。當連拍很長，兩式可以趨近一，但到達高成功機率所需的張數可能差很遠，並會受 Beta 分布形狀影響。

為推導比較方向，設 $S=(1-Q)^n$ ， $0\leq S\leq1$ ，並令 $g(S)=1-(1-S)^k$ 。當 $k\geq2$ 時， $g''(S)=-k(k-1)(1-S)^{k-2}\leq0$ ，所以 $g$ 是凹函數。再次使用 Jensen 不等式，卻得到相反方向：

E[g(S)]\leq g(E[S]) \quad\Longrightarrow\quad P_{\mathrm{shared}}(k)\leq P_{\mathrm{ind}}(k).

於是同一個共有風險機制，在人與人之間增加相關可能令單張零眨眼機率上升，但在連拍時間內保持不變，卻會使重複嘗試的收益下降。前者比較凸函數，後者比較凹函數；這個對偶的數學結構，是本文最主要的反直覺研究結果。它說明相關性的方向不能單獨由「正」或「負」判斷，必須先知道感興趣的事件如何由多個指標組成。

6.7 可控制的跨影格持續參數

除兩個極端外，我們將跨影格的共同風險寫成一個簡單的持續過程：第一張由 Beta 分布抽取 $Q_1$ ；每拍下一張，以機率 $\lambda$ 令 $Q_{t+1}=Q_t$ ，否則從原本 Beta 分布獨立抽取新值。當 $\lambda=0$ 時，每張都有獨立環境；當 $\lambda=1$ 時，整段共用一個環境。在中間值，環境會以隨機時間長度維持，並偶爾重設。這不是眼瞼開閉的連續時間生理動力學，而是一個可以檢查時間依存性的離散模型。

因為每次更新都保留 Beta 平穩分布，任意單張的邊際 $Q_t$ 分布不變。利用條件期望可以證明，間隔 $d$ 張的潛在環境協方差為 $\lambda^d\mathrm{Var}(Q)$ 。若條件於所有 $Q_t$ 後的眼睛狀態在各時間點也獨立，則任意個人或不同個人在兩張之間的眨眼指標相關可寫成 $\rho\lambda^d$ 。這些符號能清楚分開同張相關強度 $\rho$ 與跨張持續強度 $\lambda$ ，亦讓我們預期拉遠真正有機會改變環境的拍攝時點可能產生不同結果。但模型沒有把 $\lambda$ 與秒數作實證換算，因此不提供攝影設備設定上的定量建議。

為讓中間情境亦有獨立數值核對，設 $f(q)=1-(1-q)^n$ 為一張在風險 $q$ 下的失敗機率， $F_k(q)$ 為第一張環境是 $q$ 時連續 $k$ 張均失敗的條件機率，則 $F_0(q)=1$ ，而 $F_k(q)=f(q)[\lambda F_{k-1}(q)+(1-\lambda)E(F_{k-1}(Q))]$ 。因此連拍成功率等於 $1-E[F_k(Q)]$ 。這個遞推分別涵蓋保留及刷新環境的分支；在 Beta 分布下可用 Gauss-Jacobi 積分節點對多項式期望作高精度計算。本例 $nk\leq120$ ，96 個節點可對最高 191 次多項式精確積分（不計浮點捨入），提供獨立於隨機路徑的中間持續結果。

6.8 有拍攝成本時的有限範圍最佳張數

若拍攝並篩選更多相片需要時間、儲存及溝通成本，可以把效用簡化為至少一張成功的機率減去每張固定成本 $c_{\mathrm{shot}}$ 。在指定上限 $K_{\max}$ 下，模型內的決策就是：

k^*=\mathrm{argmax}_{1\leq k\leq K_{\max}} \left\{P(A_1\cup\cdots\cup A_k)-c_{\mathrm{shot}}k\right\}.

本例取 $c_{\mathrm{shot}}=0.035$ 和 $K_{\max}=12$ ，對每一個整數 $k$ 都實際求值，不以連續微分所得的小數張數代替整數決策。若加入不拍攝 $k=0$ ，應同時明確指定零張的成功率及收益；本次研究假設攝影已經發生，故只比較一至十二張。若一張清晰照片具有不同於零或一的金錢或社交價值，成本尺度也要相應重新校準。

這個最佳化是一次性、靜態的預先決定拍幾張，而不是每拍一張立即檢查照片後決定是否繼續的自適應政策。實際相機若可以即時辨認閉眼並停止拍攝，便需要引入動態規劃和可觀測的成功指標；如果只能拍完才看，則事前選擇連拍長度更合適。兩個問題的最優張數不必相同，不能把本文的 $k^*$ 泛稱為「所有拍照系統的最優連拍」。

7. 研究結果與五張可重現圖表

7.1 同一邊際眨眼率，不同人數的成功曲線

圖 1 展示在每人邊際閉眼機率 0.12 下，參與者人數由一人增至四十人時的單張全員睜眼機率。四條曲線分別對應群內相關係數 0、0.05、0.12、0.30。所有曲線都會隨人數增加而下降，因為要求更多人同時睜眼只會令交集事件更苛刻；但在本文的 Beta 共同風險模型中，正相關曲線位於獨立基線上方，差異隨人數及相關強度出現可見變化。這個結果正是上一節 Jensen 不等式所預測的現象。

圖1：群組人數與同張群內相關性對全員睜眼機率的影響

圖 1． 所有曲線由 Beta-binomial 解析式計算；資料來源全為合成參數。縱軸為單張快門的嚴格全員睜眼機率，並非真實攝影的整體照片品質分數。

基準十人、 $p=0.12$ 的獨立模型得到單張成功機率 0.2785009760；加入 $\rho=0.12$ 的共有風險後，理論值升至 0.4367240901，絕對差額為 0.1582231141。這是約 15.82 個百分點的合成模型差異，並不是從真實合照觀察到的介入效果。差異之所以看似很大，是因為我們特意選擇一組能展示相關性的參數；若 $p$ 與 $\rho$ 較小、參與者較少，或共有風險不服從 Beta 分布，差距可能更小。

對固定單人邊際機率而言，群內正相關沒有令個別人更少眨眼；改變的是同一張之內眨眼事件彼此重疊的程度。當幾個本來可能分別在不同時點閉眼的人更傾向在同一時點閉眼時，某些照片會集體失敗，而另一些照片則有更大機會完全成功。這個看似矛盾的結果，並不是因為有人神奇地提高了控制眼睛的能力，而是因為相關性重排了聯合事件的機率質量。

7.2 閉眼總人數分布變得更分散

圖 2 比較十二人群組中閉眼人數的二項分布與 Beta-binomial 分布。兩者具有完全相同的每人平均閉眼機率，但含正相關的模型同時提高零眨眼與多人集體眨眼的相對頻率，令分布尾部較厚。數值程式檢查兩套離散機率質量分布的總和均近於一，以確保直方圖反映合法的機率分布，而不是被未正規化的權重改變視覺效果。

圖2：十二人合照同時眨眼人數的獨立與相關分布

圖 2． 藍色與橙色長條分別是二項分布及 Beta-binomial 的理論機率質量。橫軸表示同一快門瞬間眨眼的人數，而不是照片張數或參與者的總眨眼次數。

從圖 2 不能推斷真實攝影現場最常出現哪個閉眼人數，因為我們未量測眼睛狀態。圖的真正作用，是檢查 H2 所預測的分散程度與解析式相符。若只報告「平均有 1.44 人閉眼」，便會掩蓋可能存在的兩端極端事件，而只以平均值計算成功率亦會錯過模型最關心的零閉眼尾端。這個問題與風險管理中的尾端機率相似：平均故障數相同，不意味著全系統完好的機率相同。

7.3 多拍並非線性增加成功機率

圖 3 把連拍張數由一增加至十二張，分別繪出每張環境獨立、整段共用同一潛在環境，以及以 0.65 機率保留前一影格環境的中間模型。基準單張成功率約為 0.436724，但在十二張時，每張獨立抽取環境的解析成功率接近 0.998980；整段共用同一環境的解析結果卻只有 0.853460。中間持續模型的 120,000 條人工路徑給出約 0.982475；另外以遞推式與確定性積分取得約 0.982379，兩者互相吻合。

圖3：群體合照連拍成功率與跨影格環境持續程度

圖 3． 橫軸是連拍快門張數，縱軸是至少有一張全員睜眼的機率。兩條主要曲線為閉式解析值，三角虛線為蒙地卡羅模擬，黑色點線為中間情境確定性積分。它們都不是攝影實驗數據。

這些結果表明，不能單靠單張成功率 $s$ 估計一組連拍的保證效果，還必須知道不同張之間的依賴性。在每張獨立的模型中，多拍意味著一次又一次重新獲得成功機會；在共同環境持續的模型中，有些人工路徑可能一直處於高風險狀態，多次嘗試也未能有效改變條件。因此同樣的十二張，平均效益可以有顯著差別。此比較沒有證明任何一種連拍速度應該優先選用，只說明時間依賴是策略設計必須承認的變數。

為驗證蒙地卡羅演算法，程式另外模擬 $\lambda=0$ 及 $\lambda=1$ 兩個具有解析解的極端，並與同一個 $k=1,\ldots,12$ 曲線逐點比較。在本次固定種子的 120,000 次人工路徑中，兩個極端的最大絕對差距分別約為 0.001142 和 0.002107，落在 Monte Carlo 有限樣本波動可以解釋的尺度。這種由解析解校核模擬的設計，比只展示一條外觀看似合理的隨機曲線具有更高的方法可信度。

7.4 固定相關係數下改變個別眨眼率

圖 4 在十人群組中，把每人的邊際閉眼機率由 0.02 逐步增至 0.30，比較固定群內相關 $\rho=0.12$ 的模型與獨立模型。隨著每人更常眨眼，兩條成功率曲線大體下降；但正相關模型仍展示不同程度的零眨眼尾端優勢。這個實驗強調，相關係數與每人邊際機率是兩個不同參數，不能在修改其中一項時忘記另一項的定義。

圖4：每人閉眼邊際機率對單張全員睜眼機率的影響

圖 4． 圖中的陰影是兩套數學模型的成功機率差，而非任何真實攝影介入的效應大小。Beta 形狀參數會按固定 $\rho$ 與各個 $p$ 重新求值，維持輸入機率一致。

某些參數區域可能出現特別明顯的相對差異，但相對差異並不等於實用上一定值得付出成本。例如當絕對成功率本來已很高時，小幅改善可能不值得增加現場干預；當成功率極低時，即使相對改善很大，仍可能不足以滿足一次重要合照的要求。故若要從理論曲線提出實務策略，應先界定最低可接受成功機率及失敗代價，而不是只用百分比變化作判斷。

7.5 每張成本下的模型內最優連拍

圖 5 將至少有一張成功的機率扣除每張 0.035 個假設效用單位，得到不同張數的淨值曲線。由於成功機率被限制在零至一之間，而拍攝成本與張數線性增加，超過某個張數之後，繼續連拍的邊際成功增益可能不足以抵銷額外成本。因此最優值未必出現在最多張數的位置，亦不能單純因為再拍一張不會降低成功概率，就認為再拍必然值得。

圖5：不同跨影格相關情境下，連拍張數與淨效用

圖 5． 淨效用等於合成至少一次成功機率減 $0.035k$ 。圖中連拍上限為十二張；模型沒有考慮曝光、表情、快門磨損或被攝者耐性等實際成本。

按照程式對整數 $k$ 的枚舉，在本次成本及參數下，每張環境獨立的最適連拍長度是 5 張，部分持續 $\lambda=0.65$ 的模擬及確定性積分曲線均給出 6 張，整段共用環境的解析曲線則給出 4 張。中間情境的最佳張數不一定必須位於兩個極端最佳張數之間，因為最適張數由相鄰成功機率增益與成本交叉的位置決定，而不由整條曲線的整體高低排序直接決定。這些張數只對特定人工效用尺度成立，不可當成手機拍攝的普遍設定。

與單純延長拍攝相比，另一種可研究的策略是主動改變環境：例如在連拍之間重新安排注視目標，或等待共同刺激消退。但這些干預若同時影響單人的眨眼機率、群內相關、表情及站姿，便不再只是修改 $\lambda$ 。本文沒有測試任何真實干預，因此不能根據圖 5 保證「每隔某個秒數按一次」優於「高幀率連拍」。模型只確立一個可受檢驗的原理：反覆嘗試的增益受嘗試之間的依存結構所制約。

8. 討論：兩種相關性與一個被誤讀的「完美瞬間」

8.1 為何集體同步有時反而有利？

本研究最值得辨析的發現是，相關性必須連同研究的成功事件一起理解。如果成功標準是「每個人都睜眼」，研究者關心的便不是單一參與者的平均表現，而是眾人同時符合要求的交集事件。在邊際閉眼率固定時，群內共享的隨機風險把原本均勻分散的眨眼重新組合：較容易出現全部安全的照片，也較容易出現多人同時出事的照片。若只看平均閉眼人數，這種重新分配完全不會顯現。把正相關想像成「一定令情況惡化」，其實混淆了平均、變異與指定尾端事件三種量度。

必須強調這個結論有模型邊界。對條件獨立、共同風險為隨機變數的模型，零眨眼機率為 E[(1-Q)^n]，凸性確保它不小於均值相同的獨立基線。此證明並不要求 Q 特別服從 Beta 分布，Beta 只是我們為了得到封閉解而選的分布家族。反過來說，若群內相關性由互相輪流而不是共同風險產生，或某些成員的閉眼機率彼此不同，原先證明便不能照抄。相關係數一樣也未必足以確定高維的聯合分布；模型內同質、交換性和共同風險三項假設一起決定了結果的形狀。

更細看極端事件，十人群組的成功概率雖由約 0.279 提高至約 0.437，但這並不表示有更多眼睛在平均意義下保持張開。對任何一個人，模型仍然給出 0.88 的睜眼概率。若把「成功」改為至少九人睜眼，便要把閉眼人數零與一兩項機率相加，相關效應未必與零閉眼事件相同；若容許後製合成不同相片中的人臉，整個目標函數更會改變。於是攝影的成功定義並非可忽略的文字細節，而是決定最佳化問題的事件集合。

8.2 時間持續如何吞噬連拍的價值？

單張快門內的同步性與跨快門的持續性，看似都叫「相關」，數學上卻作用於不同層次。前者在一張照片內整合不同人的伯努利指標，後者在一段連拍內整合多個成功事件。當同一個 Q 被整段連拍共用時，各張照片在已知 Q 的條件下仍重新抽樣個別眼睛的狀態；因此即使潛在環境完全持續，也不代表每一張照片的眼睛狀態完全複製上一張。這一點對理解圖 3 至關重要，否則會錯誤以為我們只是反覆複製同一幅失敗照片。

可以用條件成功率 S=(1-Q)^n 的分散程度理解這個現象。獨立環境使每張照片都從相同的邊際分布重新抽取一次機會；共用環境使整段照片的成敗機會長時間偏向同一方向。對固定期望 E[S]，函數 1-(1-S)^k 在 k 大於一時呈凹性，所以先對 S 平均再計算「至少一次」，會比先在每條路徑計算成功機率後平均得到較高的數值。這不是某一組參數碰巧產生的曲線排序，而是來自函數曲率的普遍模型內不等式。

但這個普遍性不能延伸到所有可能的跨張相關。兩個極端恰好可以用上述 Jensen 比較；在持續概率介乎零與一之間的過程中，本文以有限樣本模擬描畫結果，未證明每個有限樣本估計都必然嚴格落在極端之間。若引入反向節奏、刻意輪流睜眼、週期性眨眼或攝影師根據前一張失敗主動調整拍照時刻，跨張成功事件可能呈負相關，進而出現另一套比較結果。當相機的拍攝規則會影響被攝者的行為，外生且平穩的 Q 過程尤其值得重新檢驗。

8.3 最適張數與「多拍一定好」之間的落差

連拍張數增加時，至少有一次成功的機率在事件包含關係下必定不減；但淨效用不必同方向增加。每增加一張照片的淨效用差，是該張帶來的邊際成功機率增量減去固定成本。若新增照片只提供極少成功機會，仍須付出檢視、等待與整理的代價，便會出現一個偏好的有限張數。這個基本決策思想與攝影無特別關係，在可靠度抽樣、重複測試與有限預算搜尋中同樣適用。

圖 5 的中間模型給出六張的最高蒙地卡羅淨效用，但第五張的淨效用約 0.681283，第六張約 0.684425，兩者相差僅約 0.003142。以單個累積成功率的伯努利標準誤粗略量度，第六張在 120,000 條路徑下約為 0.000887；因兩個候選長度由同一批路徑推得，正確比較應使用配對增量的標準誤，而不應把兩個估計當作獨立。用此次曲線的第六張新增成功比例約 0.038142，對淨效用差的配對標準誤約為 0.000553。此數值仍是條件於固定人工模型與隨機種子的蒙地卡羅抽樣精度，與真實攝影表現的統計信賴度無關。

確定性積分提供另一項診斷：它對中間情境的最優張數同樣給出六張，其第六張與第五張的淨效用差接近 0.002635。換句話說，此例的六張並非只由單次模擬的隨機噪音決定；但差距仍然取決於模型成本 0.035，在現實拍攝中並沒有任何未經量測而可套用的實務穩健性保證。

假設稍微調高每張成本，或改變眨眼機率、共同風險集中度及環境持續率，最優整數張數可能跳至相鄰候選。整數最佳化的政策可能不連續，即使成功率曲線對參數的反應平滑。這也是為何圖中的五張、六張和四張只能被報告為特定模型內的最優解，而不能升格為「任何家庭合照都應拍六張」的經驗法則。對實際攝影而言，還需要先定義照片成功的價值、錯過時刻的損失，以及逐張檢視是否可以降低後續成本。

8.4 估計相關性需要甚麼資料？

若要以實證取代合成示範，理想資料至少須記錄每張快門的參與者身份、眼睛狀態、快門間隔與拍攝條件。只知道一場拍攝合共失敗多少張，無法識別究竟是個人風險較高、同張群內相關較強，還是跨張環境比較持續。只保存「成功或失敗」也會損失眨眼人數的分布訊息；某些不同的相關結構在二元成功率層面可能難以區分。若樣本只包含單張照片，時間持續率更不可能被獨立估計。

在具備多人逐張標記的資料下，可以先用每人閉眼次數估計邊際風險，再檢查同張不同人的配對協方差，以及相隔多張的閉眼指標協方差是否有近似幾何衰減。即使觀察到相關，也不能直接把它歸因於共同刺激；個人特質、同時接受指令、相機自動連拍選擇和標記誤差，都可能生成類似模式。研究者可以在識別共同風險模型之前，先用不同群組大小、不同時間間隔和不同拍攝情境做分層比較，再用保留資料的預測表現檢驗模型是否值得採納。

此類資料也要顧及個人影像私隱。若只需估計眼睛閉合的二元序列，不一定要長期保存可識別人臉；可在取得同意的研究程序中擷取必要統計標記，並訂明匿名化、資料保留及存取權限。最初的學術問題雖然帶有幽默性，真正研究個人面貌與注意狀態時仍涉及倫理與樣本代表性。本文因完全沒有蒐集真人資料，而不存在可被誤用的臉部影像或受試者原始資料。

8.5 團體可靠度與系統風險的類比

同一張內「全部人都睜眼」類似一個串聯系統所有元件同時正常的可靠度要求。獨立失效假設往往容易計算，但若多個元件共用電源、天氣或操作環境，便會出現共同衝擊。此時系統全好與多點同時失效的機率均可能偏離只由平均元件失效率計出的答案。合照所揭示的問題不是同步一定值得追求，而是工程分析不應用單點平均可靠度代替整套聯合風險分布。

時間方向的類比則是重試策略。對一個受到共同外部條件制約的任務，連續嘗試可能重複面對同樣的不利環境；相比之下，改變測試環境或等待條件變更，有時可以創造更多統計上獨立的機會。然而這仍需把環境更改的成本與效果納入模型。若共同環境恰好是有利狀態，過早更改環境也可能損失優勢。即使在純合成模型中，最大化成功機率和最大化扣除成本後的效用，也不必指向相同的操作方式。

另一個相關類比是有效樣本量。若收集十二張相片卻讓每張都經歷同一個高度持續的風險狀態，這十二張對了解不同環境的資訊量，不等於十二次獨立抽取環境。可是把資訊統計中的有效樣本量公式直接套到「至少一張成功」事件並不正確，因為後者是非線性的聯合機率，而非樣本平均估計問題。這種細節提醒我們，即使同一個詞語「相關」出現在不同分析領域，也要重新確定所研究的統計量。

9. 研究限制與外部效度

9.1 眨眼是過程，快門只是抽樣時點

真實眨眼有持續時間，不是相機每按下一張就自動刷新一次的孤立硬幣試驗。人在某一瞬間閉眼後，下一個十分接近的快門可能仍落在同一閉眼期間；反之，人也可能在攝影師倒數時刻主動延遲眨眼。本文假設每張已知共同風險 Q 後，個別閉眼指標重新獨立抽樣，尚未建立眼瞼開閉的交替更新過程。它因此不能預測不同快門間隔（例如毫秒級或秒級）的實際成效，也不能表示曝光期間眼睛連續運動的模糊程度。

把相片中的眼睛分為睜開與閉合，亦忽略了半眨眼、望向側面、眼鏡反光與自動偵測門檻。在嚴格成功事件下，只要有一人閉眼便歸為失敗，容易計算但會高估真實主觀評選對所有人眼睛狀態的一致要求。若評分轉為每人臉部品質的連續總分、最差臉部品質或照片後製成本，研究必須重新設定效用函數，先前的零閉眼結論也就不必然適用。

9.2 同質交換性、共同因子與參數任意性

本文假設每個人在給定 Q 時有同一個閉眼概率。真實人群存在個別差異，可能受到年齡、眼睛不適、注視習慣、環境刺激與疲勞影響；不同人對同一指令的反應也可能存在延遲，令相關不等於所有配對間相同。Beta 共有風險只是一個方便解析的交換性結構，不能證明生理行為本身的分布就是 Beta，也不能涵蓋負相關、複數群體或異質易感性。

所有基準數字均由研究設置，沒有經過人群校準。當 p=0.12、群內相關 0.12 與時間持續 0.65 是人工參數時，產出的機率只能讀作條件敘述：「假如輸入如此，模型預測如此」。文獻元資料被查核，只能說明研究背景的可追溯性；它們沒有替本研究估計任何參數，也不能用來驗證全員睜眼成功機率。若有人把結果表中的百分比稱為「香港十人合照的平均成功率」，便超出了資料和推論所容許的範圍。

9.3 數值穩健性與蒙地卡羅不確定性

程式用 Beta 函數的對數表示減少中間運算上溢，並以兩個解析極端檢查模擬，這些措施支持數值演算法在本例參數下的正確性，但不構成所有參數域的嚴格誤差界。共用環境的連拍解析式使用交替加總；對非常大的張數或極端形狀參數，正負項抵銷可能令浮點誤差擴大。若擴展到更長的連拍，應以積分的穩定數值計算或更高精度算術作獨立核對。

蒙地卡羅只量度在固定模型下重複抽取人工路徑的不確定性；它無法量度模型選錯、參數不準或真人行為與模擬不符所造成的偏差。模型在一至十二張之間列舉最適整數，沒有驗證超出候選區間的方案，更沒有隨機化拍照時間、合成照片或互動式停止政策。因此目前的結論應限定在指定成本函數、候選集合及狀態更新規則，而不宜作攝影設備的工程規格。

9.4 引用審核與結論強度

七項文獻只完成可取得的出版元資料核對，未將全文方法、樣本或實驗統計逐頁複核。這使文獻回顧適合支援問題背景，未足以支援任何攝影場景中的效應大小或因果關係。未來若進行正式學術投稿，需補核作者全名、出版資訊、全文論證及引用之間的實質關係；更應把相關性模型與現有群聚二元資料的成熟估計方法作系統性比較。現階段的貢獻是可檢查的概率論反例與研究設計提案，而不是對眨眼生理學提出新的實證發現。

10. 未來研究方向

第一條路徑是建立真實但受控的快門實驗。可在自願參與並符合倫理審查要求的條件下，採用不同群體人數、倒數口令與快門間隔，測量每張照片的閉眼序列。分析時要預先登記成功標準及比較假設，避免拍完後才挑選最有趣的閾值。應在不同拍攝時段、照明與參與者群組重複收集資料，並保留模型未能預測的失敗案例，才可能建立可靠的外部效度證據。

第二條路徑是改進機率過程。可由二狀態的開眼／閉眼連續時間馬可夫過程出發，讓閉眼持續時間與睜眼等待時間明確進入拍攝機率，再加入共同口令造成的時間變動風險。另一個可能方案是多層隨機效應模型：個人基線、團體共通環境和相機連拍時間過程分別建模。這些模型的主要代價是需要更多可識別參數，故應先檢查資料量是否足夠，而非單憑模型愈複雜便斷定愈好。

第三條路徑是將事前決定的固定連拍長度，擴展為逐張觀察後的序貫決策。當相機能即時判斷是否至少有一張符合成功標準時，決策者在已成功後可直接停止；當判讀存在誤差，則需要納入錯誤接受與錯誤拒絕的風險。若可以在下一張之前調整口令、等待或光線，狀態空間就需要同時包括環境風險的信念及改變環境的成本。這類策略可用部分可觀測馬可夫決策過程或最適停止模型研究，但必須以具體攝影場景的成本和資料支援，才有實務價值。

最後可比較不同照片品質定義，例如容許一人輕微半閉眼、容許從多張合成一張，或以全體人的最低主觀滿意度為效用。這些定義有些偏向公平性，有些偏向照片外觀，有些偏向後製效率。相同依存模型對不同目標可能產生不同策略排序，正好可以檢驗本研究的核心思想：先確定聯合事件及效用，再判斷相關性到底有利還是不利。

11. 結論

「大合照總有人眨眼」是一個可以用嚴格機率語言拆解的日常抱怨。本研究在完全人工設定的 Beta-binomial 層級模型下，推導出同張群內正相關會在固定個別眨眼率時提高零眨眼尾端機率；但若同一潛在風險在多張快門之間持續，連拍至少一次成功的機率則低於每張重新獨立抽取環境的基線。兩個方向分別由凸性與凹性的 Jensen 不等式支持，並透過可重現的模擬與解析極端進行檢查。

基準十人情境的單張成功機率為 0.436724，獨立群員的比較值為 0.278501；十二張的兩種極端連拍成功機率則為 0.853460 與 0.998980。這些結果在數學上有清楚的條件，卻不是人群或真實相機的成功率估計。在加入固定拍攝成本後，最適張數取決於環境依賴和效用設定，也就不會有一條可以從合成模型無條件搬到所有合照場合的規則。

研究留下的真正方法論訊息是：評估一張多人照片，必須知道不同人是否一起眨眼；評估一串照片，還必須知道不同快門是否真正帶來新的機會。荒誕的表面問題讓兩個不同層次的聯合機率變得可見，也提醒研究者，任何看似驚人的概率結論，都應同時展示假設、數據性質與反證空間。

12. 參考文獻（已核對出版元資料）

Eye Movements and Spontaneous Eye-blink Rate. (1992). Applied Psychology. DOI: 10.1111/j.1464-0597.1992.tb00707.x.
Diurnal variation in spontaneous eye-blink rate. (2000). Psychiatry Research. DOI: 10.1016/S0165-1781(00)00108-6.
Increased spontaneous eye blink rate following prolonged wakefulness. (2007). Physiology & Behavior. DOI: 10.1016/j.physbeh.2006.09.023.
Blinks of the eye predict blinks of the mind. (2008). Neuropsychologia. DOI: 10.1016/j.neuropsychologia.2008.07.006.
Synchronization of spontaneous eyeblinks while viewing video stories. (2009). Proceedings of the Royal Society B: Biological Sciences. DOI: 10.1098/rspb.2009.0828.
Synchronization of Spontaneous Eyeblink during Formula Car Driving. (2021). ACM Symposium on Eye Tracking Research and Applications. DOI: 10.1145/3448018.3458002.
The timing of spontaneous eye blinks in text reading suggests cognitive role. (2025). Scientific Reports. DOI: 10.1038/s41598-025-04839-y.

以上書目以已檢索核對的題名、年份、出版平台及 DOI 表示；作者清單與全文未獨立確認的部分不予補造，故本列不是聲稱已完整核實作者元資料的 APA 7 最終稿。核對範圍詳見 Reference_Check.md，BibTeX 記錄見 references.bib。

13. 附錄：模型、參數與重現程序

A. 數據來源。 全篇只有純理論結果及合成蒙地卡羅模擬。沒有真人、攝影設備、照片或任何外部公開人像資料集。所有數字均從 analysis.py 指定的情境產生。資料輸出包含 group_probability.csv、blink_count_pmf.csv、burst_success.csv 與 summary.json；圖檔為 fig01 至 fig05。

B. 基準參數。 人數 n=10；邊際閉眼率 p=0.12；同張群內相關 ρ=0.12；Beta 形狀 α=0.88、β=6.4533333333；最長連拍十二張；成本 c=0.035；中間持續率 λ=0.65；每一持續情境 120,000 條人工路徑；基本亂數種子 2026101616。不同 λ 使用基本種子加 round(1000λ) 作偏移。

C. 重現環境。 在研究庫根目錄備妥 Python 3、NumPy、SciPy、Matplotlib 及 ReportLab 後，執行以下命令重建數值、CSV 和圖片，再重建繁體中文 PDF：

python3 Cycle_002/Paper_016/analysis.py
python3 Cycle_002/render_paper.py Paper_016

D. 主要驗證。 檢查兩套閉眼人數機率分布加總為一；所有機率介乎零與一；連拍成功率隨張數不減；共同風險的連拍解析值不高於獨立環境；λ=0 與 λ=1 的模擬曲線與對應解析式相符。對 λ=0.65 另以確定性 Gauss-Jacobi 積分核對蒙地卡羅曲線及最優張數。上述驗證只保證特定數學模型和程式輸出一致，不構成現實攝影的外部驗證。