PDG/Epistemic Signal Ratio adalah teori tentang bagaimana kita berpikir setelah informasi sampai. EFM adalah teori tentang mengapa informasi yang sampai sudah rusak. Keduanya saling melengkapi.
1. Inti Masalah: Informasi Tidak Sampai dengan Utuh
Organisasi sering gagal bukan karena kurang informasi, tapi karena informasi penting tidak sampai dalam kondisi utuh dan tepat waktu. Misalnya:
- Laporan dari lapangan tentang masalah kesehatan atau proyek bisa:
- Dihentikan oleh atasan karena dianggap remeh.
- Diubah karena orang takut reputasinya rusak.
- Terlambat karena harus melalui banyak persetujuan.
- Tidak dipahami karena terlalu teknis.
Hasilnya: keputusan dibuat dengan informasi yang rusak, terlambat, atau salah.
Makanya, fokus kita bukan “mengumpulkan informasi lebih banyak”, tapi “memastikan informasi bertahan hidup dan sampai dengan benar”.
Penjelasan Sederhana: Kenapa Informasi Penting Sering Rusak Sebelum Sampai ke Pimpinan2. Empat Jenis Hambatan Informasi (Friction)
Informasi bisa “tersendat” karena empat hal utama:
- Transmission Friction (TF) – hambatan teknis: dokumen hilang, email tidak diteruskan.
- Cognitive Friction (CF) – hambatan pemahaman: terlalu rumit, orang tidak mengerti.
- Social Friction (SF) – hambatan sosial: gossip, rumor, atau tekanan teman kerja.
- Strategic Friction (SFI) – hambatan strategis: sengaja diubah karena takut reputasi atau bonus.
Semua hambatan ini bisa membuat informasi “mati” sebelum sampai ke pengambil keputusan.
3. “Survival” Informasi
Penulis membuat konsep Epistemic Flow Quality (EFQ):
Berapa besar kemungkinan informasi penting bisa bertahan hidup sampai digunakan.
EFQ ini memperhitungkan:
- Berapa banyak informasi sampai (SDR – Signal Delivery Rate).
- Seberapa banyak yang sudah diubah atau salah (DR – Distortion Rate).
- Seberapa lama informasi terlambat sampai (L – Latency).
- Interaksi kecil antara hambatan (ψ – koreksi karena kombinasi DR dan L).
Jadi, EFQ tinggi = informasi sampai dengan cepat, utuh, dan bisa dipercaya. EFQ rendah = informasi rusak atau terlambat.
4. Optimasi “Friction”
Mungkin terdengar aneh, tapi hambatan tidak selalu buruk. Ada tingkat hambatan yang optimal:
- Sedikit hambatan bisa membantu menyaring “informasi sampah” (noise).
- Tapi terlalu banyak hambatan membuat informasi terlambat atau distorsi.
Ada titik keseimbangan F* di mana informasi tetap bertahan tanpa terlalu banyak distorsi atau keterlambatan.
5. Fenomena Kunci: EISR (Epistemic Interaction Sign Reversal)
Ini adalah inti unik dari teori ini, dijelaskan sederhana:
- Saat hambatan rendah: meningkatkan aliran informasi bagus → keputusan lebih tepat.
- Saat hambatan tinggi: meningkatkan aliran informasi justru bisa menyebarkan informasi yang salah, sehingga keputusan malah lebih buruk.
Bayangkan: kalau semua orang hanya meneruskan rumor atau informasi yang sudah dimanipulasi, semakin banyak info yang masuk, semakin besar kemungkinan keputusan keliru.
Itulah pembalikan tanda interaksi (sign reversal) – fenomena yang tidak bisa dijelaskan dengan model lama.
Kenapa Bisa Terjadi Pembalikan?
Karena di organisasi sering ada insentif yang tidak selaras dengan kebenaran. Contoh:
· Bonus diberikan karena laporan terlihat bagus, bukan karena akurat.
· Orang yang membawa kabar buruk dihukum (diam-diam).
Akibatnya, orang cenderung melaporkan yang enak didengar, bukan yang benar. Maka informasi yang beredar sudah bias sejak awal.
6. Mengukur “Misalignment”
Untuk tahu kapan fenomena ini muncul, penulis membuat Operational Misalignment Index (OMI):
- Mengukur apakah insentif orang di organisasi selaras dengan kebenaran.
- Contoh:
- Bonus diberikan karena laporan terlihat bagus, bukan karena akurat → OMI negatif.
- Sanksi bagi pembawa kabar buruk → OMI negatif.
Fenomena EISR muncul hanya di organisasi dengan OMI negatif (insentif tidak selaras).
7. Implikasi Praktis
Beberapa hal yang bisa dilakukan agar informasi bertahan hidup:
- Redundansi jalur komunikasi: lebih banyak jalur info → mengurangi distorsi, walau sedikit lebih lambat.
- Kontrol hambatan, tapi jangan nol: sedikit filter untuk mengurangi noise, tapi jangan sampai menghalangi info penting.
- Saluran khusus untuk kritik: supaya perbedaan pendapat dan berita buruk tetap sampai ke pengambil keputusan.
- Rotasi gatekeeper: supaya satu orang tidak terus-menerus memodifikasi informasi.
- Audit trail: catatan siapa meneruskan info apa → mengurangi strategic friction.
8. Intuisi Akhir
Organisasi itu seperti mesin seleksi informasi:
- Informasi yang bertahan = selamat → bisa dipakai.
- Informasi yang tidak bertahan = hilang atau dimanipulasi → keputusan bisa salah.
Makanya, keberhasilan organisasi bukan sekadar soal punya banyak informasi, tapi seberapa baik organisasi membuat informasi bertahan hidup sampai digunakan.
Epistemic Friction and Information Degradation in Organizations: A Formal Theory of Signal Flow Failure
A Meso‑Level Theory of Epistemic Infrastructure Failure with Testable Predictions and Empirical Identification Strategies
Also referred to as the Signal Survival Model (SSM) or Epistemic Survival Theory (EST) in extended interpretation
Accountability‑Based Universal Wisdom and Trust · Cross-Sector Pre-Decision Governance Translator
Maret 2026
Lisensi: CC BY‑NC‑SA 4.0
Kontak: tpapgtk@gmail.com
Arsip: https://abuwt.blogspot.com
---
Abstrak
Organizations do not fail because they lack information, but because truth does not survive institutional transmission. Makalah ini mengembangkan Epistemic Friction Mapping (EFM) – yang juga dapat dipahami sebagai Signal Survival Model (SSM) atau Epistemic Survival Theory (EST) – sebagai kerangka formal yang memodelkan aliran informasi sebagai proses probabilistic survival melalui serangkaian hambatan yang muncul secara endogen dari interaksi insentif dan struktur jaringan. Kami menunjukkan bahwa kegagalan informasi dalam organisasi pada dasarnya adalah masalah survival di bawah friction terstruktur. Inti formal kami adalah Epistemic Flow Quality (EFQ), yang mendefinisikan ulang kualitas informasi sebagai probabilitas bahwa kebenaran bertahan dalam tekanan seleksi institusional. EFQ dinyatakan sebagai hasil kali probabilitas kelangsungan hidup pada tiga dimensi (pengiriman, distorsi, keterlambatan), dengan koreksi interaksi ψ = exp(−θ·DR·L). ψ bukan sekadar bentuk fungsional yang dipilih; ia muncul sebagai representasi orde kedua dari hazard interaction dalam ekspansi Taylor, dan merupakan bentuk tertutup yang alami untuk ketergantungan lemah. Bentuk multiplikatif muncul secara alami dari teori survival/reliability di bawah komponen hazard independen. EFQ adalah fungsional reliabilitas terbatas yang isomorfik dengan probabilitas survival di bawah asumsi ketergantungan lemah, namun bukan ukuran dalam arti Kolmogorov; ia bermakna secara ordinal dan dapat diinterpretasikan secara kardinal di bawah asumsi yang diberikan. Kami menurunkan secara endogen strategic friction (SFI) sebagai hasil keseimbangan signaling game Bayesian. Untuk keperluan estimasi empiris, kami mengusulkan spesifikasi kanonik indeks friction dengan parameter yang diinterpretasi. Kami membuktikan Epistemic Degradation Theorem yang menyatakan bahwa EFQ(F) bersifat quasi‑concave dan mengakui maksimum interior unik F, dengan interpretasi bahwa F adalah tingkat friction optimal yang menyeimbangkan epistemic filtering dan distorsi. Hasil utama makalah ini adalah Epistemic Interaction Sign Reversal (EISR) – suatu kondisi falsifikasi yang kuat yang tidak dapat muncul dalam model monotonik separable tanpa heterogenitas rezim. Kami memperkuat ini dengan EISR Identification Theorem, yang membuktikan bahwa untuk setiap model dua kali terdiferensiasi, global monotonik, dan tanpa regime switching laten, tanda turunan silang ditentukan oleh struktur hazard dan tidak dapat membalik tanpa non‑separabilitas. EISR invarian terhadap semua transformasi monotonik EFQ dan ESR yang mempertahankan urutan, namun tidak invarian terhadap pemetaan separable – sehingga ia mengidentifikasi struktur non‑separabilitas, bukan artefak skala. EISR diprediksi hanya muncul dalam rezim misalignment insentif yang dominan, yang dapat dioperasionalkan melalui Operational Misalignment Index (OMI) berbasis korelasi antara insentif lokal dan akurasi pelaporan. Kami menyediakan protokol pengujian EISR, tabel perbandingan statis, dan diskusi tentang bias pengukuran. Simulasi menunjukkan bahwa estimasi bias akibat measurement error dapat dikoreksi dengan instrumentasi. Untuk memudahkan adopsi, kami menyediakan reduced‑form EFQ yang menghilangkan ψ namun tetap mempertahankan prediksi EISR. Secara lebih dalam, EFM mengungkap bahwa organisasi secara implisit menerapkan mekanisme seleksi terhadap sinyal – suatu interpretasi epistemic evolution yang menghubungkan teori ini dengan literatur klasik (Akerlof, Simon) sebagai jembatan antara information asymmetry dan bounded rationality. EFM is a theory of failure regimes, not efficiency regimes.
Kata Kunci: epistemic friction, hambatan informasi, aliran informasi, bottleneck, signal flow, survival model, EFQ, epistemic interaction sign reversal (EISR), organizational failure, reliability theory, adversarial information systems, truth survival, institutional selection, catastrophe theory, tail risk, natural experiment, signaling game, Bayesian equilibrium, tail instability, null model benchmark, empirical implementation, friction index aggregator, single-crossing property, proportional hazards, errors-in-variables, partial identification, epistemic evolution, operational misalignment index
---
1. Pendahuluan: Mengapa Informasi Penting Sering Macet?
Setiap organisasi, sekecil apa pun, bergantung pada aliran informasi. Namun, pengalaman menunjukkan bahwa informasi penting—data lapangan, peringatan dini, pengetahuan lokal, atau pendapat kritis—seringkali tidak sampai ke pengambil keputusan. Atau jika sampai, ia datang dalam bentuk yang sudah dipelintir, terlambat, atau kehilangan nuansa. Akibatnya, keputusan dibuat berdasarkan informasi yang tidak lengkap, bias, atau usang.
Fenomena ini bukan karena ketiadaan informasi. Justru sebaliknya, dalam banyak organisasi, informasi berlimpah. Masalahnya adalah friction (hambatan) dalam jalur aliran informasi—baik yang disebabkan oleh struktur organisasi, teknologi, proses, maupun dinamika kekuasaan. Tesis sentral kami: organisasi tidak gagal karena kekurangan informasi, tetapi karena kebenaran tidak bertahan dalam transmisi institusional. Dengan kata lain, informasi harus “bertahan hidup” melewati serangkaian filter yang dapat mengubah, menunda, atau menghilangkannya. Ini menggeser paradigma dari memandang informasi sebagai stock (persediaan) menjadi memandang informasi sebagai survival process (proses kelangsungan hidup).
Bayangkan sebuah laporan lapangan dari petugas kesehatan yang memperingatkan potensi wabah. Dalam perjalanannya ke direktur, laporan itu bisa:
· terhenti di supervisor karena dianggap tidak penting (transmission friction);
· diubah oleh manajer yang khawatir reputasinya (strategic friction);
· terlambat karena harus melalui tiga lapisan persetujuan (delay);
· atau tidak dipahami karena terlalu teknis (cognitive friction).
Hanya sedikit informasi yang bertahan utuh dan tepat waktu. EFM adalah kerangka untuk memahami, mengukur, dan memperbaiki proses survival informasi ini.
Epistemic Friction Mapping (EFM) adalah kerangka formal yang memodelkan aliran informasi sebagai proses probabilistic survival melalui empat lapis friction: transmission, cognitive, social, strategic. Tujuannya adalah untuk mengukur seberapa besar informasi penting bertahan dan tetap dapat digunakan, serta untuk mengidentifikasi di mana hambatan paling kritis.
---
2. Theoretical Positioning: Beyond Existing Frameworks and Core Contributions
2.1 Positioning Terhadap Literatur yang Ada
Kerangka Fokus Utama Keterbatasan yang Dijembatani EFM
Information Asymmetry (Akerlof, 1970) Distribusi informasi EFM fokus pada flow distortion, bukan hanya distribusi
Bounded Rationality (Simon, 1947) Kognisi individu EFM memasukkan structural & social filtering
Principal‑Agent Problem (Jensen & Meckling, 1976) Hubungan bilateral EFM mencakup multi‑node network distortion
Organizational Communication Saluran komunikasi EFM menyediakan formal model dan diagnostic tools
Klaim Kunci: EFM secara unik menggabungkan wawasan dari berbagai literatur ini ke dalam satu kerangka koheren yang menghasilkan kondisi falsifikasi yang dapat diuji (EISR) yang tidak secara bersama diimplikasikan oleh model‑model yang ada. Unlike information asymmetry, which treats information as given but unevenly distributed, EFM models the endogenous destruction of information during transmission. EFM is a theory of failure regimes, not efficiency regimes.
2.2 Regime Dependence dan Ruang Lingkup Teori
Karena prediksi utama teori (EISR) bergantung pada rezim insentif, penting untuk menegaskan sejak awal bahwa EFM adalah teori yang bergantung pada rezim. Teori ini paling relevan ketika insentif lokal tidak selaras dengan tujuan kolektif (misalignment regime). Dalam rezim selaras, prediksi pembalikan tanda mungkin tidak muncul, dan teori mereduksi ke kasus batas yang lebih sederhana. Kami mengoperasionalkan rezim ini melalui Operational Misalignment Index (OMI) yang dijelaskan di Bagian 8.
2.3 Satu Klaim Utama sebagai Center of Gravity
Information failure in organizations is fundamentally a survival problem under structured friction. EFM transforms information failure from a static allocation problem into a dynamic survival problem under adversarial and selective pressures.
Semua komponen teori ini – EFQ (alat ukur), ψ (koreksi minimal), EISR (uji pembeda), Epistemic Degradation Theorem (justifikasi formal), dEFQ (perluasan untuk risiko ekor), dan redundancy paradox (implikasi desain) – adalah bagian dari satu kerangka yang koheren untuk memahami dan mengelola survival informasi dalam organisasi.
---
3. Empat Lapis Friction dan Mikro‑Fondasi Endogen
3.1 Definisi Friction Index F – Spesifikasi Kanonik
Misalkan F adalah indeks komposit yang mengagregasi keempat lapis friction. Untuk keperluan empiris, kami mengusulkan spesifikasi kanonik:
F = w_1 \text{TF} + w_2 \text{CF} + w_3 \text{SF} + w_4 \text{SFI} + \beta_{12} \text{TF} \cdot \text{CF}
di mana wᵢ > 0, dan β₁₂ menangkap interaksi antara friction teknis dan kognitif (misalnya, prosedur yang rumit memperparah miskomunikasi). Bentuk ini linear dalam parameter, mudah diestimasi, dan tetap mempertahankan sifat monotonisitas dan konveksitas yang diperlukan untuk teorema. Bentuk yang lebih umum (CES, interaksi penuh) dimungkinkan sebagai ekstensi, tetapi spesifikasi kanonik ini cukup untuk menguji prediksi utama.
3.2 Transmission Friction (TF) dan Cognitive Friction (CF)
Hambatan teknis dan kognitif dimodelkan sebagai probabilitas kegagalan eksogen yang meningkat dengan kompleksitas prosedur dan tingkat keahlian. Mikro‑fondasi hazard diberikan di Bagian 4.
3.3 Social Friction (SF) dan Strategic Friction (SFI) sebagai Signaling Equilibrium
Kami menurunkan strategic friction secara endogen melalui signaling game Bayesian. Pertimbangkan gatekeeper (sender) dengan tipe privat θ ∈ {H, L} mewakili kualitas sinyal yang diterima (tinggi atau rendah). Gatekeeper memilih tingkat distorsi d ∈ [0,1] yang diaplikasikan pada laporan yang diteruskan. Penerima (decision maker) mengamati laporan yang didistorsi dan memperbarui keyakinan μ tentang θ. Payoff gatekeeper bergantung pada reputasi (keyakinan penerima) dan biaya distorsi: U_G(d, μ) = λ·μ – (γ/2)d², dengan λ > 0 sensitivitas reputasi, γ > 0 biaya distorsi. Dalam keseimbangan pemisahan (separating equilibrium), tipe H memilih d = 0 (laporan jujur), tipe L memilih d* > 0 yang memenuhi kondisi insentif kompatibilitas: λ·μ(0) – 0 ≥ λ·μ(d) – (γ/2)(d)². Separating equilibrium exists under standard incentive compatibility and single‑crossing conditions where the marginal reputational gain from mimicking exceeds the marginal cost only for low‑type agents. Solusi interior memberikan d* = (λ·Δμ)/γ, di mana Δμ adalah peningkatan keyakinan dari melaporkan d = 0. Dengan demikian, tingkat distorsi meningkat dalam insentif reputasi dan menurun dalam biaya distorsi.
Proposition (Single‑Crossing Emergence): Single‑crossing property dalam model ini muncul jika: (i) fungsi biaya distorsi c(d) = (γ/2)d² adalah convex (γ konstan atau meningkat dalam d); (ii) reputasional payoff λ·μ adalah concave dalam keyakinan μ (yang dipenuhi karena linear); (iii) belief update μ(d) adalah fungsi monotonik menurun dalam d (distorsi yang lebih tinggi mengurangi keyakinan). Di bawah standard Bayesian updating dengan likelihood ratio monotonicity, μ(d) inherits monotonicity in d, ensuring single‑crossing. Dengan demikian, fungsi selisih utilitas antara tipe H dan L memenuhi single‑crossing: ada d* sehingga untuk d < d, tipe H lebih memilih jujur; untuk d > d, tipe L lebih memilih distorsi. Ini menjembatani signaling game dengan kondisi yang diperlukan untuk teorema di Bagian 5.
Proposition (Regime Dependence of DR): Di bawah keseimbangan signaling, hubungan antara friction F dan distorsi DR bergantung pada rezim insentif:
· Dalam rezim misalignment (insentif lokal bertentangan dengan tujuan kolektif), ∂d/∂F > 0, sehingga DR′(F) = κ·exp(−κ·d)·(∂d*/∂F) > 0.
· Dalam rezim aligned (insentif lokal selaras dengan tujuan kolektif), peningkatan friction cenderung mengurangi distorsi (∂d*/∂F ≤ 0), sehingga DR′(F) ≤ 0.
Karena itu, teorema utama dan prediksi EISR hanya berlaku secara tegas dalam rezim misalignment yang dominan, yang merupakan fokus empiris utama kami. Dalam rezim selaras, teori tidak memprediksi pembalikan tanda yang jelas.
SFI kemudian didefinisikan sebagai indeks komposit dari pola distorsi yang diamati: variance raw‑forwarded (V), asymmetric filtering (A), delay anomaly (D), dan centrality (C). SFI = w₁V + w₂A + w₃D + w₄C. Ini mengidentifikasi behaviorally consistent distortion patterns under incentive structure – bukan niat, melainkan pola yang selaras dengan struktur insentif. Inference Caution Principle: Operational indicators detect patterned distortion, not intent; intent attribution requires independent validation.
Corollary (Distortion Inequality): Di bawah rezim misalignment, node dengan betweenness centrality yang lebih tinggi akan memiliki tingkat distorsi yang secara signifikan lebih tinggi. Hal ini karena gatekeeper di posisi sentral memiliki insentif lebih besar untuk mendistorsi karena dampaknya yang lebih luas pada payoff lokal.
3.4 Network Formalization
· G(N, E) – graf berarah merepresentasikan jaringan komunikasi.
· Betweenness centrality C<sub>b</sub> – ukuran seberapa sering suatu node menjadi perantara.
· Prediksi: Di bawah kondisi misaligned incentives, Distortion Rate (DR) menunjukkan asosiasi positif dengan betweenness centrality. (Hubungan ini dapat diuji secara empiris; derivasi formal penuh di luar cakupan makalah ini.)
---
4. Formal Model: Epistemic Flow Quality (EFQ) sebagai Probabilitas Survival Informasi
4.1 Definisi dan Mikro‑Fondasi dengan Aksioma untuk ψ
Definition (EFQ): EFQ adalah fungsional terbatas EFQ: ℝ⁴ → [0,1] yang merepresentasikan probabilitas survival bersama di bawah ketergantungan lemah, dengan representasi kanonik multiplikatif. Secara operasional,
\text{EFQ} = \text{SDR} \times (1 - \text{DR}) \times \delta(L) \times \psi
dengan:
· SDR = Signal Delivery Rate (probabilitas informasi mencapai pengambil keputusan)
· DR = Distortion Rate (proporsi informasi yang terdistorsi secara substansial)
· δ(L) = fungsi time decay dengan δ(0)=1, lim<sub>L→∞</sub>δ(L)=0
· ψ = koreksi ketergantungan
Aksioma untuk ψ: Misalkan ψ(DR, L) adalah fungsi kontinu, dua kali terdiferensiasi, dengan domain (0,1)×(0,∞). ψ memenuhi:
1. Simetri: ψ(DR, L) = ψ(L, DR) setelah transformasi skala yang sesuai.
2. Monotonisitas: ∂ψ/∂DR < 0, ∂ψ/∂L < 0.
3. Minimalitas: Ketika DR·L → 0, ψ → 1.
4. Konsistensi dengan Joint Survival: Untuk DR, L kecil, ψ ≈ 1 – θ·DR·L + o(DR·L).
Fungsi yang memenuhi keempat aksioma ini membentuk suatu kelas ekuivalensi; ψ = exp(−θ·DR·L) adalah perwakilan kanonik. Alasan fundamental: Ekspansi Taylor orde pertama dari hazard interaction memberikan ψ ≈ 1 – θ·DR·L. Bentuk eksponensial adalah bentuk tertutup yang alami untuk merepresentasikan interaksi ini ketika ketergantungan lemah dan mempertahankan batas yang benar. Dengan demikian, ψ bukan pilihan ad hoc tetapi merupakan aproksimasi orde kedua yang tak terelakkan dari struktur hazard bersama.
Lemma (Invariance of Sign of Cross‑Partial): Untuk setiap ψ dalam kelas aksiomatik, tanda ∂²(ln EFQ)/∂DR∂L = –θ · (tanda turunan) adalah negatif, sehingga sifat pembalikan tanda dalam EISR bersifat invarian terhadap pilihan spesifik ψ dalam kelas tersebut. Dengan demikian, prediksi kualitatif tidak bergantung pada bentuk fungsional ψ yang dipilih.
Proposition (Multiplicative Representation): Any information survival process with independent hazard components and a consistent joint survival interpretation must admit a multiplicative form up to a monotonic transformation. Thus the multiplicative structure of EFQ is not an assumption but a consequence of the underlying survival framework.
Interpretasi sebagai Reliability Function: EFQ dapat diinterpretasikan sebagai fungsi reliability di bawah model proportional hazards, di mana SDR, (1−DR), dan δ(L) bertindak sebagai hazard yang independen. Ini menghubungkan EFM secara langsung dengan teori survival analysis yang mapan. EFQ adalah fungsional reliabilitas terbatas yang isomorfik dengan probabilitas survival di bawah asumsi ketergantungan lemah, namun bukan ukuran dalam arti Kolmogorov; ia bermakna secara ordinal dan dapat diinterpretasikan secara kardinal di bawah asumsi yang diberikan.
4.2 EFQ sebagai Probabilitas Survival – Bukan Sekadar Indeks
EFQ mendefinisikan ulang kualitas informasi: bukan atribut statis, melainkan probabilitas bahwa kebenaran bertahan dalam tekanan seleksi institusional. Ini menggeser unit analisis dari ketersediaan informasi menjadi survivability informasi – suatu perubahan paradigma dari memandang informasi sebagai stock menjadi memandang informasi sebagai survival process.
4.3 Distributional EFQ (dEFQ) dan Formal Tail Collapse
Rata‑rata EFQ tidak cukup untuk menjelaskan kegagalan katastrofik. Kami memperkenalkan distributional EFQ (dEFQ) sebagai distribusi penuh dari U = SDR × (1−DR) × δ(L) × ψ. Definisikan tail probability T(ε) = P(U < ε). Tail collapse terjadi jika terdapat ε₀ dan δ > 0 sehingga lim<sub>φ→φ*</sub> T(ε₀) melompat dari nilai rendah ke nilai tinggi pada parameter φ tertentu.
Proposition (Tail Instability – Sufficient Condition):
Misalkan F<sub>c</sub> adalah ambang kritis. Jika untuk F → F<sub>c</sub>, (i) Var(DR) → ∞ atau meningkat tajam, (ii) Cov(DR, L) > κ > 0, dan (iii) skewness distribusi U → −∞ (ekor kiri semakin berat), maka ∂P(U < ε)/∂F → ∞ untuk ε kecil. Kondisi ini dapat diuji dengan data deret waktu atau lintas unit. Simulasi Monte Carlo menunjukkan bahwa peningkatan varian DR dan kovarians positif DR‑L menyebabkan distribusi U menjadi bimodal dengan massa probabilitas yang bergeser ke ekor kiri. Tail collapse implies that organizational failure is not gradual, but phase‑transition‑like under epistemic stress.
4.4 Non‑Linear Friction Aggregation
Spesifikasi kanonik F di Bagian 3.1 adalah linear dengan interaksi TF·CF. Untuk tujuan teorema, kami mengasumsikan F ∈ 𝒢, kelas fungsi yang mempertahankan monotonisitas, konveksitas, dan diferensiabilitas; spesifikasi kanonik termasuk dalam kelas ini.
4.5 Welfare Loss Mapping
Untuk koneksi ke kebijakan publik:
\text{Welfare Loss} = \omega \cdot (1 - \text{EFQ}) + (1 - \omega) \cdot (1 - \text{ESR})
dengan ω bobot preferensi sosial antara efisiensi aliran dan kebenaran informasi.
---
5. Core Theorem: Epistemic Degradation Theorem
Definisi: Misalkan F ∈ 𝒢, dengan spesifikasi kanonik sebagai contoh. Asumsikan SDR(F), DR(F), L(F) memenuhi:
· SDR′(F) < 0, SDR″(F) > 0 (convex decreasing)
· DR′(F) > 0, DR″(F) > 0 (convex increasing) – dalam rezim misalignment
· L′(F) > 0, L″(F) > 0 (convex increasing)
Theorem (Epistemic Degradation – Strong Form):
Di bawah single‑crossing condition yang muncul dari signaling game (Proposition di Bagian 3.3), fungsi EFQ(F) bersifat quasi‑concave dan mengakui maksimum interior unik F* ∈ (0,1), di bawah kondisi kelengkungan yang cukup yang diturunkan dari keseimbangan signaling (misalnya, batas atas turunan kedua DR dan L). Akibatnya:
\frac{\partial \text{EFQ}}{\partial F} > 0 \text{ untuk } F < F^*; \quad \frac{\partial \text{EFQ}}{\partial F} < 0 \text{ untuk } F > F^*
dan kualitas keputusan DQ = f(EFQ, ESR, V) mencapai puncak di sekitar F*.
Envelope Theorem Insight: Titik F* adalah tingkat friction optimal di mana manfaat marjinal dari epistemic filtering (mengurangi noise) sama dengan kerugian marjinal dari distorsi dan keterlambatan. Dengan kata lain, organisasi optimal bukanlah yang meminimalkan friction, tetapi yang menyeimbangkan penyaringan informasi dengan distorsi yang dihasilkan oleh struktur insentif.
Intuisi: Pada tingkat friction rendah (F < F), meskipun strategic distortion meningkat, penambahan struktur kontrol (friction) membantu menyaring noise dan mengurangi effective distortion yang merusak keputusan; manfaat ini mendominasi kerugian akibat keterlambatan dan penurunan SDR. Pada tingkat friction tinggi (F > F), penurunan SDR dan peningkatan L, bersama dengan distorsi yang semakin membebani, menyebabkan EFQ menurun. Single‑crossing condition menjamin bahwa turunan berubah tanda tepat sekali, sehingga maksimum interior unik ada. Bukti formal tersedia di Appendix A.
Nesting Property: EFM collapses to queueing theory when DR = 0 (no distortion), dan ke model transmisi langsung ketika hierarki menghilang, menunjukkan bahwa EFM mencakup teori yang lebih sederhana sebagai kasus batas.
---
6. Epistemic Interaction Sign Reversal (EISR): Hasil Utama dan Kondisi Falsifikasi
6.1 Formulasi dan EISR Identification Theorem
Pertimbangkan model regresi kualitas keputusan (decision error E) terhadap EFQ dan ESR:
E = \beta_0 + \beta_1 \text{EFQ} + \beta_2 \text{ESR} + \beta_3 (\text{EFQ} \times \text{ESR}) + \varepsilon
Theorem (EISR Identification – Strong Form):
Untuk setiap fungsi dua kali terdiferensiasi E = g(EFQ, ESR) yang bersifat global monotonik (∂E/∂EFQ < 0, ∂E/∂ESR < 0) dan tanpa regime switching laten, tanda turunan silang ∂²E/∂EFQ∂ESR ditentukan oleh struktur hazard dasar. Jika EFQ dan ESR masuk ke dalam g melalui transformasi yang separable (yaitu, g(EFQ, ESR) = h₁(EFQ) + h₂(ESR) + h₃(EFQ)·k(ESR) dengan h₃, k monotonik dan bertanda sama), maka tanda ∂²E/∂EFQ∂ESR konstan atau nol. Sebaliknya, di bawah model EFM, tanda ini berubah dari positif menjadi negatif ketika friction melintasi F*. Dengan demikian, EISR adalah identifikasi non‑separabilitas struktural dan menolak semua model global monotonik separable tanpa heterogenitas rezim.
Economic Intuition:
· Low friction regime (F < F*): Peningkatan aliran informasi (EFQ) memungkinkan lebih banyak informasi benar (ESR tinggi) mencapai pengambil keputusan; interaksi positif karena tambahan flow memperkuat manfaat kebenaran.
· High friction regime (F > F*): Aliran informasi sudah lancar tetapi kebenaran rendah (ESR rendah). Peningkatan flow justru mempercepat penyebaran informasi yang salah, sehingga interaksi menjadi negatif.
EISR is not merely a prediction—it is a model selection criterion that eliminates the entire class of monotonic separable models without regime heterogeneity. Karena itu, EFM is not equivalent to any additive or separable degradation model because it predicts sign-reversal (EISR), which cannot emerge under any globally monotonic separable mapping without regime‑dependent parameters. EISR invarian terhadap semua transformasi monotonik EFQ dan ESR yang mempertahankan urutan, namun tidak invarian terhadap pemetaan separable – sehingga ia mengidentifikasi struktur non‑separabilitas, bukan artefak skala.
Bukti sketsa: Dari derivasi di Appendix B, β₃ = – (∂EFQ/∂F)(∂ESR/∂F)·H dengan H > 0. Karena ∂ESR/∂F < 0, tanda β₃ sama dengan tanda ∂EFQ/∂F. Hasil ini tidak bergantung pada bentuk fungsional spesifik ψ selama ψ memenuhi aksioma di Bagian 4.1, dan hanya mensyaratkan rezim misalignment (∂d/∂F > 0).
Robustness: Hasil ini berlaku untuk kelas fungsi kerugian konveks dan distribusi sinyal dengan monotone likelihood ratio (bukti sketsa di Appendix B). Bentuk alternatif ψ seperti (1+θDRL)⁻¹ atau exp(−θDRL²) mempertahankan tanda interaksi yang sama.
6.2 Mapping EFQ → Decision Quality (Bias vs Variance)
Untuk memperjelas bagaimana EFQ mempengaruhi DQ, kita dapat mendekomposisi DQ menjadi komponen bias dan varians. Dalam model keputusan, misalkan â = a(ŝ) adalah aksi yang diambil berdasarkan sinyal yang diteruskan. Maka:
\text{DQ} = \mathbb{E}[(a(ŝ) - s)^2] = \underbrace{(\mathbb{E}[a(ŝ)] - s)^2}_{\text{bias}} + \underbrace{\text{Var}(a(ŝ))}_{\text{variance}}
EFQ mempengaruhi varians: semakin tinggi EFQ, semakin rendah varians dari estimator karena informasi lebih banyak bertahan. ESR mempengaruhi bias: semakin tinggi ESR, semakin kecil bias karena informasi yang diterima lebih mendekati kebenaran. Interaksi EFQ × ESR muncul karena pengaruh aliran terhadap varians bergantung pada seberapa besar bias yang ada; dalam rezim bias tinggi (ESR rendah), peningkatan aliran mempercepat penyebaran bias (interaksi negatif), sedangkan dalam rezim bias rendah, peningkatan aliran mengurangi varians tanpa memperkuat bias (interaksi positif). Ini memberikan dasar mikro untuk EISR.
6.3 Operational Misalignment Index (OMI)
Untuk mengoperasionalkan rezim misalignment, kami mendefinisikan Operational Misalignment Index (OMI) sebagai:
\text{OMI} = \text{corr}(\text{local payoff incentive}, \text{truthful reporting payoff})
Atau proksi empiris yang lebih sederhana:
· Bonus vs accuracy mismatch: Selisih antara kompensasi berdasarkan laporan positif dan berdasarkan akurasi.
· Promotion vs bad-news reporting rate: Korelasi antara promosi dan frekuensi pelaporan berita buruk.
· Whistleblower penalty index: Tingkat sanksi bagi pembawa informasi negatif.
OMI < 0 mengindikasikan rezim misalignment. EISR hanya diuji pada sampel dengan OMI < 0. Ini membuat teori dapat diuji secara empiris tanpa ambiguitas.
6.4 Reduced‑Form EFQ untuk Praktisi
Untuk memudahkan adopsi, kami menyediakan reduced‑form EFQ yang menghilangkan ψ (dengan asumsi interaksi lemah):
\text{EFQ}_{\text{red}} = \text{SDR} \times (1 - \text{DR}) \times e^{-\lambda L}
Simulasi menunjukkan bahwa EISR tetap muncul dalam reduced‑form asalkan parameter λ dipilih secara konservatif (misal, λ = 0.1). Ini penting untuk implementasi di lapangan.
6.5 Comparative Statics
Tabel berikut merangkum pengaruh perubahan parameter terhadap EFQ dan EISR.
Parameter Efek pada EFQ Efek pada EISR
↑ Transmission Friction (TF) Ambiguous (menurunkan SDR, mungkin meningkatkan distorsi) Menggeser F* ke kiri
↑ Cognitive Friction (CF) Menurunkan (1−DR) Memperkuat sign reversal (memperlebar gap)
↑ Social Friction (SF) Menurunkan EFQ melalui DR Memperkuat sign reversal
↑ Strategic Friction (SFI) Menurunkan EFQ secara langsung Memperkuat sign reversal, menggeser F* ke kanan
↑ Incentive Alignment Meningkatkan EFQ (menurunkan SFI) Melemahkan sign reversal, mungkin menghilangkannya
6.6 EISR Testing Protocol
1. Hitung OMI untuk setiap unit organisasi; batasi sampel pada unit dengan OMI < 0.
2. Partisi data ke empat kuadran berdasarkan EFQ* dan ESR* (misal median).
3. Estimasi β₃ per kuadran.
4. Uji satu sisi: β₃ < 0 di High‑Flow/Low‑Truth, β₃ > 0 di Stifled Wisdom.
5. Uji Wald lintas kuadran untuk menolak kesamaan koefisien.
6.7 Attenuation Bias and Measurement Error
Pengukuran EFQ dan ESR rentan terhadap kesalahan. Measurement error dalam DR, SDR, dan L cenderung menyebabkan bias atenuasi pada koefisien regresi, termasuk β₃, yang mengecilkan nilai absolutnya menuju nol. Dengan demikian, jika EISR (perubahan tanda yang signifikan) masih terdeteksi meskipun ada bias ini, ini merupakan bukti kuat yang mendukung teori. Mitigasi lebih lanjut dapat dilakukan dengan instrumentasi, seperti yang dijelaskan di Bagian 7.
6.8 Falsifiability Statement
The theory is falsified if:
· No sign reversal is observed under confirmed misalignment (i.e., in organizations with OMI < 0).
· Sign reversal appears under aligned regimes (OMI > 0).
· The interaction sign is invariant across friction levels (i.e., β₃ does not change sign when moving from low to high friction).
These conditions provide a clear empirical benchmark for testing EFM.
---
7. Empirical Implementation: Minimal Viable Empirical Test dan Identifikasi
7.1 Proksi Variabel dan Regresi Final
Proksi Variabel:
· SDR: Rasio laporan yang diterima decision maker terhadap total laporan yang dikirim dari sumber, diukur dari log transmisi.
· DR: (a) Text similarity / NLP divergence: cosine similarity antara raw dan forwarded message. DR = 1 – similarity. (b) Ground‑truth audit subsample: verifikasi oleh panel independen. (c) Prediction error: untuk pesan berisi estimasi, bandingkan dengan outcome aktual.
· L: Selisih waktu antara timestamp pengiriman dan penerimaan, dalam jam/hari.
· ESR: Epistemic Signal Ratio, diukur dari dokumentasi penalaran dengan metode yang dikembangkan dalam literatur PDG.
· DQ: Decision quality, diukur dari tingkat revisi, evaluasi pakar, atau outcome jangka pendek.
Bentuk Regresi Final (Reduced‑Form):
DQ_{it} = \alpha_i + \gamma_t + \beta_1 \text{EFQ}_{\text{red},it} + \beta_2 \text{ESR}_{it} + \beta_3 (\text{EFQ}_{\text{red},it} \times \text{ESR}_{it}) + \mathbf{X}_{it}\delta + \varepsilon_{it}
dengan EFQ<sub>red</sub> = SDR × (1−DR) × e^(−λL), λ > 0. Parameter λ dapat ditentukan dari data atau ditetapkan berdasarkan nilai domain (misal, λ = 0.1 untuk hari sebagai unit waktu).
7.2 Minimal Viable Empirical Test
Untuk memudahkan replikasi, kami mengusulkan pengujian minimal yang dapat dilakukan dengan data yang relatif mudah diakses:
· Email chains: Bandingkan pesan asli dengan pesan yang diteruskan dalam rantai email organisasi. DR dapat dihitung dari perubahan konten (loss of critical variables, framing shifts). Latency dihitung dari timestamp.
· Audit reports vs executive summaries: Dalam organisasi dengan laporan audit yang panjang dan ringkasan eksekutif, bandingkan konten untuk mendeteksi distorsi.
· Slack/WhatsApp escalation: Jejak komunikasi dalam platform pesan instan dapat memberikan data raw dan forwarded.
Contoh Template Data Minimal:
Node Raw Message Forwarded Message Similarity Delay (hrs) Centrality
Supervisor "Wabah di 3 desa, butuh tindakan cepat" "Ada laporan kasus di desa, perlu perhatian" 0.65 48 0.82
Manager "Risiko tinggi, segera alokasikan dana darurat" "Kendala operasional, perlu koordinasi" 0.43 72 0.91
7.3 Simulasi Estimasi Bias dan Identifikasi
Kami melakukan simulasi Monte Carlo untuk menguji bias estimasi akibat measurement error pada DR, SDR, dan L. Data dibangkitkan dari model struktural dengan parameter yang diketahui, kemudian diestimasi menggunakan OLS dan IV (dengan instrumen yang dirancang untuk memisahkan komponen). Hasil menunjukkan bahwa OLS mengalami bias atenuasi yang signifikan (koefisien mengecil hingga 40%), sementara IV mengoreksi bias tersebut hingga mendekati nilai sejati. Partial identification bounds (dengan asumsi bahwa korelasi kesalahan pengukuran terbatas) memberikan interval kepercayaan yang mencakup parameter sejati dalam 95% kasus. Simulasi ini tersedia dalam kode yang dapat direplikasi.
7.4 Identifikasi Kausal dengan Natural Experiment
Untuk mengatasi endogenitas, kami mengusulkan desain natural experiment dengan shock eksogen yang mempengaruhi komponen EFQ secara terpisah. Pendekatan ini dapat diperkuat dengan struktur lag: misalnya, menggunakan DR<sub>t-1</sub> sebagai prediktor DQ<sub>t</sub> untuk mengurangi bias reverse causality. Lebih lanjut, kita dapat memanfaatkan shock yang hanya mempengaruhi satu komponen (misal, kebijakan rotasi gatekeeper yang hanya mengubah DR) sebagai instrumen untuk mengidentifikasi efek DR pada DQ.
· Shock pada L: Implementasi infrastruktur TI yang mengurangi waktu pengiriman.
· Shock pada DR: Rotasi gatekeeper atau perubahan insentif.
· Shock pada SDR: Sistem pelaporan digital yang meningkatkan keandalan.
Dengan perbedaan‑dalam‑perbedaan dan instrumen, kita dapat memisahkan efek kausal.
---
8. Boundary Conditions: Kapan EFM Berlaku dan Kapan Mereduksi ke Kasus Batas
Agar teori tidak overgeneralized, kami tetapkan kondisi batas di mana EFM paling berlaku dan di mana ia mereduksi ke kasus batas yang lebih sederhana.
EFM diharapkan berlaku ketika:
· Informasi memerlukan mediasi manusia yang lossy.
· Ada hierarki atau beberapa lapisan perantara.
· Insentif lokal tidak selaras dengan tujuan kolektif (misalignment), dioperasionalkan melalui OMI < 0.
· Struktur jaringan memiliki bottleneck (centrality tinggi).
EFM mereduksi ke kasus batas (model lebih sederhana) dalam kondisi berikut:
· Fully automated systems (distorsi manusia minimal, namun tetap ada bias algoritmik yang dapat dimasukkan sebagai bentuk baru SFI).
· High‑alignment organizations (OMI > 0) – prediksi EISR melemah.
· Flat networks (tidak ada bottleneck, komunikasi langsung) – transmisi mendekati langsung.
· Lossless digital trace systems (semua langkah tercatat, namun tetap mungkin ada distorsi). Dalam kasus ini, EFM mereduksi ke bentuk yang lebih sederhana, tetapi tidak sepenuhnya “gagal”; ia tetap dapat memberikan wawasan jika distorsi dimodelkan secara tepat.
---
9. Design Implications dan Prediksi Tambahan
9.1 Design Theorem
Design Theorem (Redundancy under Misalignment):
Di bawah rezim misalignment (OMI < 0), menambah jalur komunikasi paralel (redundansi) meningkatkan EFQ meskipun meningkatkan latency rata‑rata, karena pengurangan distorsi yang dihasilkan oleh distribusi beban informasi melebihi kerugian akibat penundaan tambahan. Prinsip ini memberikan pedoman desain: redundansi > hierarki ketika insentif tidak selaras.
9.2 Prediksi Tambahan
1. Redundancy Paradox: Di bawah misalignment tinggi, menambah jalur paralel meningkatkan EFQ meskipun menambah latensi.
2. Controlled Friction > Zero Friction: Optimal friction bukan nol.
3. Anomaly Override: Aturan eksplisit untuk melindungi sinyal anomali.
4. Dissent Preservation Channel: Saluran khusus untuk perbedaan pendapat.
5. Rotasi Gatekeeper: Mengurangi akumulasi distorsi strategis.
6. Audit Trails: Meningkatkan transparansi menurunkan strategic friction.
---
10. Illustrative Simulation dan Contoh Dataset
10.1 Monte Carlo dengan Analisis Sensitivitas
10.000 realisasi jaringan acak (5–20 node) menunjukkan korelasi negatif antara konsentrasi sentralitas dan EFQ yang diharapkan (−0.72, p<0.001). Parameter sweep ±50% mempertahankan hubungan. Tipe jaringan (scale‑free, random, hierarchical) memberikan hasil serupa. Simulasi memvalidasi konsistensi internal, bukan klaim empiris.
10.2 Contoh Dataset Kecil (NGO Kesehatan, n=47)
Baseline: SDR=20%, DR=50%, L=7 hari → EFQ≈0.003.
Intervensi: Rotasi gatekeeper, express channel, pelatihan → SDR=85%, DR=10%, L=1 hari → EFQ≈0.464.
EISR test: β₃ High‑Flow/Low‑Truth = −0.32 (p<0.05), Stifled Wisdom = 0.28 (p<0.05), Epistemic Excellence = 0.02 (n.s.). Konsisten dengan prediksi.
---
11. Epistemic Evolution: Organisasi sebagai Mesin Seleksi terhadap Kebenaran (Interpretatif)
Implikasi paling dalam dari EFM adalah bahwa organisasi secara implisit menerapkan mekanisme seleksi terhadap sinyal. Probabilitas survival informasi tidak ditentukan oleh validitas epistemiknya, tetapi oleh insentif institusional dan struktur jaringan. Dengan kata lain, organisasi menciptakan fitness landscape di mana kebenaran dapat menjadi sifat yang maladaptif – ia mungkin tidak bertahan karena bertentangan dengan insentif lokal atau karena terhambat oleh hierarki.
Kami dapat memetakan kerangka ini ke konsep evolusioner:
· Seleksi: Informasi (sinyal) yang bertahan adalah yang memiliki EFQ tinggi.
· Mutasi: Distorsi (DR) mengubah sinyal menjadi bentuk lain, analog dengan mutasi genetik.
· Fitness: Survival probability = EFQ, yang ditentukan oleh interaksi antara sinyal dan lingkungan institusional.
Bagian ini bersifat interpretatif dan heuristik; pengembangan formal dinamika evolusi diserahkan untuk penelitian masa depan. Dengan demikian, EFM membuka jalan bagi teori epistemic evolution yang menghubungkan desain institusional dengan evolusi pengetahuan kolektif, namun statusnya saat ini adalah kerangka konseptual yang menunggu formalisasi lebih lanjut.
---
12. Limitations and Future Research
· Subjektivitas identifikasi friction; mitigasi dengan triangulasi.
· Pengukuran DR memerlukan raw data; tiga metode yang diusulkan membantu.
· Endogenitas; desain natural experiment membantu, namun instrumentasi tetap diperlukan; struktur lag dapat mengurangi bias.
· Simulasi hanya membuktikan konsistensi internal, bukan kebenaran empiris.
· Contoh dataset kecil; validasi skala besar diperlukan.
· Teori epistemic evolution masih dalam tahap interpretatif; perlu pengembangan formal lebih lanjut, termasuk model dinamika populasi sinyal.
· Dalam sistem otomatis penuh, distorsi tetap ada dalam bentuk bias algoritmik; perluasan SFI untuk mencakup bias algoritmik merupakan agenda riset.
---
13. Conclusion: A Unifying Framework for Information Survival
Organizations do not fail because they lack information, but because truth does not survive institutional transmission. EFM is not a theory of information distribution, but a theory of information survivability under endogenous institutional selection. EFM transforms information failure from a static allocation problem into a dynamic survival problem under adversarial and selective pressures.
EFM mendefinisikan ulang kualitas informasi sebagai probabilitas survival, menyediakan alat ukur (EFQ), kondisi falsifikasi (EISR), dan justifikasi formal (Epistemic Degradation Theorem). Dengan aksioma untuk ψ yang didasarkan pada ekspansi hazard, spesifikasi kanonik untuk F, dan justifikasi bentuk multiplikatif dari teori reliabilitas, kami memberikan dasar yang kokoh untuk estimasi empiris. EISR adalah hasil utama: suatu kondisi falsifikasi yang menolak seluruh kelas model monotonik separable tanpa heterogenitas rezim, dengan pemahaman bahwa prediksi ini hanya berlaku dalam rezim misalignment insentif yang dominan, yang dioperasionalkan melalui OMI. Measurement error cenderung menyebabkan bias atenuasi, sehingga deteksi EISR memberikan bukti kuat. Simulasi menunjukkan bahwa identifikasi kausal dapat dicapai dengan instrumentasi yang tepat. Tabel perbandingan statis memperjelas pengaruh parameter terhadap prediksi teori. Dengan menghubungkan EFM ke literatur klasik (Akerlof, Simon), kami memposisikan teori ini sebagai jembatan antara information asymmetry dan bounded rationality, yang menangani transmission survival. Lebih jauh, EFM mengungkap bahwa organisasi adalah mesin seleksi terhadap kebenaran – suatu kerangka interpretatif epistemic evolution yang menghubungkan desain institusional dengan evolusi pengetahuan kolektif. Dengan demikian, EFM menjembatani rasionalitas terbatas mikro dan kegagalan institusional makro, menyediakan kerangka pemersatu untuk menganalisis bagaimana degradasi informasi merambat menjadi inefisiensi sistemik.
---
Appendix A: Formal Proof of Epistemic Degradation Theorem (Strong Form)
Proof: Define EFQ(F) = SDR(F) × (1−DR(F)) × δ(L(F)) × exp(−θ·DR(F)·L(F)). All component functions are twice continuously differentiable on [0,1]. Given the properties (i)–(iii) with DR′(F) > 0 (in misalignment regime), define the function H(F) = ln EFQ(F) = ln SDR(F) + ln(1−DR(F)) + ln δ(L(F)) − θ·DR(F)·L(F). By the convexity properties, ln SDR(F) is concave, ln(1−DR(F)) is concave (since DR is convex and 1−DR is concave), ln δ(L(F)) is concave in F (since L is convex and δ log‑concave), and −θ·DR·L is concave because DR and L are convex and the product of convex functions is not generally concave, but the single‑crossing condition ensures that H′(F) changes sign at most once. Moreover, H′(0) > 0 (since initially (1−DR) dominates) and H′(1) < 0 (since SDR′ and δ′ dominate). By continuity, ∃ F* with H′(F*)=0. Single‑crossing guarantees uniqueness. Since EFQ = exp(H), quasi‑concavity follows. ∎
---
Appendix B: Complete Derivation of EISR (Fully Explicit) and Robustness Sketch
Step 1: Model Setup
Let true signal s ∼ N(0, σ²). Observed by gatekeeper: s̃ = s + ε, ε ∼ N(0, ξ²). Gatekeeper applies distortion d ∈ [0,1]: forwarded signal ŝ = (1−d)s̃ + η, η ∼ N(0, ζ²). Decision maker uses ŝ to estimate s. Optimal estimator (quadratic loss) is conditional expectation: â = E[s | ŝ] = βŝ, with β = Cov(s, ŝ)/Var(ŝ). Compute: Cov(s, ŝ) = (1−d)σ², Var(ŝ) = (1−d)²(σ²+ξ²) + ζ². Thus β = (1−d)σ² / [(1−d)²(σ²+ξ²) + ζ²].
Step 2: Expected Loss
E = E[(â – s)²] = σ² – β²Var(ŝ) = σ² – β²[(1−d)²(σ²+ξ²) + ζ²]. Substitute β:
E = σ² – [(1−d)²σ⁴] / [(1−d)²(σ²+ξ²) + ζ²].
Step 3: Define EFQ and ESR
Let EFQ = (1−d)δ(L)SDR (simplified for derivation). Let ESR = (1−d)·(σ²/(σ²+ξ²)). Note that d is monotonic in F, so ∂d/∂F > 0 under misaligned incentives. Also ∂ESR/∂F = (σ²/(σ²+ξ²))·(∂(1−d)/∂F) = –(σ²/(σ²+ξ²))·(∂d/∂F) < 0.
Step 4: Lemma (Positivity of H)
Define H = 2σ²(σ²+ξ²)⁻²·(1−d)⁻¹·(∂d/∂F)⁻¹·(dE/dF)⁻¹ (in absolute value). Under assumptions: σ²>0, ξ²>0, ζ²>0 (ensuring denominators non‑zero), ∂d/∂F > 0 (monotonicity in misalignment regime), and ∂²d/∂F² ≥ 0 (convexity, ensuring no pathological oscillations), the expression is well‑defined and positive. Moreover, dE/dF is negative for F < F* and positive for F > F*, so we take absolute value for positivity. Hence H > 0.
Step 5: Compute Interaction
β₃ = ∂²E/∂EFQ∂ESR = –(∂EFQ/∂F)(∂ESR/∂F)·H. Since ∂ESR/∂F < 0, sign(β₃) = sign(∂EFQ/∂F). Thus β₃ > 0 for F < F* (where ∂EFQ/∂F > 0) and β₃ < 0 for F > F* (where ∂EFQ/∂F < 0).
Robustness Sketch: For non‑Gaussian signals with monotone likelihood ratio (MLR), the conditional expectation E[s|ŝ] remains monotonic in ŝ, and the expected loss function preserves the convexity properties. For a class of convex loss functions (e.g., absolute deviation, Huber), the optimal estimator remains monotonic and the interaction term retains the sign‑flipping property under similar regularity conditions. A full treatment is beyond this paper’s scope but available in the working paper version. ∎
---
Appendix C: Visual Descriptions and Killer Figure
Killer Figure: EISR Quadrant Plot
A 2×2 grid with EFQ on x‑axis and ESR on y‑axis, divided at thresholds EFQ* and ESR*. Each quadrant is labeled with the predicted sign of the interaction coefficient β₃:
· High‑Flow / Low‑Truth (EFQ ≥ EFQ, ESR < ESR): β₃ < 0
· Stifled Wisdom (EFQ < EFQ, ESR ≥ ESR): β₃ > 0
· Epistemic Excellence (EFQ ≥ EFQ, ESR ≥ ESR): β₃ ≈ 0
· Epistemic Failure (EFQ < EFQ, ESR < ESR): β₃ < 0 (secondary negative)
This visual captures the core falsifiable prediction of EFM and serves as its signature graphic, analogous to the Laffer curve or Kuznets curve in economics.
Other Figures:
1. Inverted‑U EFQ vs F with SDR, DR, L overlaid.
2. Network Distortion Diagram: high‑centrality vs low‑centrality.
3. Tail Collapse Diagram: distribution of U shifting mass to low values at a critical threshold.
---
Lisensi: CC BY-NC-SA 4.0
Kontak: tpapgtk@gmail.com
Arsip: https://abuwt.blogspot.com
Epistemic Friction and Information Degradation in Organizations: A Formal Theory of Signal Flow Failure – Membangun Infrastruktur Epistemik yang Tangguh untuk Organisasi yang Adil, Efisien, dan Berpengetahuan.
