4.3 动态信息获取与多源整合

多源是幻觉吗

本节在评估章的第三站：动态获取与多源整合。全册里这对应检索（3.3）与综合（3.4），现在看怎么量"整得好不好"。一个反例：系统吐出 30 条来源，看着很"多源"，实则 28 条是同一篇的转载，整合质量为零。整合评估的核心不是来源数量，而是来源多样性与信息冗余度。

动态获取指系统会根据已读内容调整后续检索（3.3 的查询进化）。评估动态获取，看"后续查询是否由新证据驱动"——若全程用同一句查询，说明没在动态学。整合评估看两指标：冗余度（重复信息占比，越低越好）与多样性（来源独立视角数，越高越好）。下面用代码把两者合成一个整合分。

# 整合质量评估：多样性高、冗余低 才得高分
def integration_score(sources: list) -> float:
    # sources: 每源含 viewpoint 标签（学术/官方/媒体/社区）
    total = len(sources)
    distinct_views = len(set(s["viewpoint"] for s in sources))
    redundancy = 1.0 - distinct_views / total          # 视角越单一 冗余越高
    diversity = distinct_views / 4.0                    # 封顶4类视角
    return round(0.6 * diversity + 0.4 * (1 - redundancy), 2)

# 运行示例
echo_chamber = [{"viewpoint": "media"}] * 30          # 30源 同一视角
balanced = [{"viewpoint": "学术"}, {"viewpoint": "官方"},
            {"viewpoint": "media"}, {"viewpoint": "community"}]
print(integration_score(echo_chamber), integration_score(balanced))
# 0.08 1.0
​

运行输出 0.08 与 1.0。30 个同源只拿 0.08——数量是幻觉；4 个独立视角拿满分。这个分直接打脸"多源即可靠"的直觉，也呼应 3.3 的三角验证：要的是独立印证，不是来源计数。

我们主张：整合评估必须报告"视角构成"而非"来源总数"。工程上，整合层在去重（2.4）之外还要做"视角标注"，否则多样性无从算起。评估报告里附一张视角分布表，比附三十个链接更有用。

动态获取的评估可量化成"查询-证据契合度"。若后续查询含前一轮新出现的术语（如 3.3 的"临床前"），说明在动态学；若始终重复首句，说明僵化。下面演示：

# 动态获取评估：后续查询是否引入新证据术语
def dynamic_gain(initial_q: str, later_qs: list, new_terms: list) -> float:
    hits = sum(1 for q in later_qs if any(t in q for t in new_terms))
    return round(hits / max(len(later_qs), 1), 2)

print(dynamic_gain("量子 药物", ["量子 药物 临床前", "量子 药物 分子模拟"],
                   ["临床前", "分子模拟"]))   # 1.0 全由新术语驱动
​

输出 1.0，说明后续查询完全由新证据术语驱动，动态获取到位。若得 0，查询没进化，系统是在机械重复。

完整案例：背景→操作→结果→解读→变式

• 背景：某舆情报告列 50 源，读之发现全是同一营销稿的转载，视角单一。
• 操作：用 integration_score 评估，发现视角全为"媒体"，分仅 0.08。
• 结果：重抓官方与社区源补足视角，分升至 0.8，报告出现对立解读。
• 解读：整合分暴露了"多源幻觉"，逼出真正的多样性。
• 变式：若任务本就是"传播态势监测"，单一视角反而是信号，此时 diversity 口径改为"覆盖传播节点数"，指标语义随目标翻转，详见 1.1。

4.4 看它在答不出时，敢不敢说不知道——诚实，是可被评估的。

冗余度是怎么算出来的：从重复率到信息熵

4.3 用"视角多样性"和"冗余度"衡量整合质量。冗余度更精细的算法是看信息熵：若 N 条来源讲的事几乎一样，熵低、冗余高；若各讲各的角度，熵高、冗余低。用金融组合比喻——十只股票同涨同跌，组合分散度为0；十只各不相关，分散度最高。整合质量看的是"信息分散度"而非"条数"。

下面演示用简单信息熵估计来源间的冗余：

# 信息熵估冗余：视角越集中 熵越低 冗余越高
import math
from collections import Counter
def redundancy_of(viewpoints: list) -> float:
    n = len(viewpoints)
    if n == 0: return 1.0
    cnt = Counter(viewpoints)
    probs = [c / n for c in cnt.values()]
    entropy = -sum(p * math.log(p, 2) for p in probs)
    max_e = math.log(len(cnt), 2) if len(cnt) > 1 else 1.0
    norm = entropy / max_e if max_e > 0 else 0
    return round(1 - norm, 3)   # 冗余 = 1 - 归一化熵

# 运行示例
print(redundancy_of(["media"]*30))                        # 1.0 全同 完全冗余
print(redundancy_of(["学术","官方","社区","媒体"]))         # 0.0 四视角独立 无冗余
​

运行输出 1.0 对 0.0——30 个同源视角冗余拉满，4 个独立视角零冗余。这和 4.3 的 integration_score 结论一致，但用熵给"冗余"一个更平滑的度量，能区分"30 同源"和"5 同源加2 异源"这种中间状态，而前者只能给 0/1 两档。

💡 关键直觉：整合质量的敌人是"看似多、实则一"。熵的视角告诉我们，多样性不是"数量"，是"分布的平坦度"。哪怕只有 4 个来源，只要彼此独立、视角互补，熵冗余就趋零，整合分拉满——这再次印证 3.3"要独立印证不要来源计数"。

⚠️ 常见坑：用"去重后的条数"代替"冗余度"。去重只去掉完全相同，却放过了"换措辞讲同一观点"的软重复。两条来源文字不同、核心主张一致，熵仍低、冗余仍高。所以整合层除了 2.4 的字段去重，还要做"主张级聚类"（见 3.4），否则软重复会伪装成多样性骗过高分。