论点。 一套其核心量无法被操作化的理论，并不是一套理论；它是一种情绪。ODTOE 经受住了这一反驳，因为它提供了五个截然不同的配方来估计 B(O, C)——每一个都适用于一种不同的经验情形——并且明确说明何时该用哪个配方。本文将它们逐一编目。
配方 1：配对比较引出
何时使用：你手头有一位人类观察者，而你想对其在某一特定类别主张上的 B 得到一个快速、站得住脚的标量估计。
步骤：呈现成对的主张（一个在观察者的强领域内，一个在弱领域内），并询问在面对反证时他们会更强烈地为哪一个辩护。反复迭代，直到偏好稳定下来。由此隐含的 B-排序就是所引出的值。形式化协议与标准误分析参见测量 B-参数。
权衡取舍：成本低、精度低。适合筛查，不适合达到发表级别的测量。
配方 2：对已知结果作回归
何时使用：观察者已经产生了许多决策，而你能够为这些结果打分。
步骤：把结果质量对决策时刻所测量的四个分量（F、E、σ、Λ）作回归。拟合出的指数就是隐含的权重 w1..w4；于是对任何新语境，预测的 B 都可以计算出来。
权衡取舍：需要数据和真值。对预测者、交易员和工程师最为干净；对一次性的决策则更难。
配方 3：扰动响应
何时使用：你想检验一个被声称的 B 是否真实。
步骤：扰动语境——注入噪声（抬高 σ）、删去部分数据（压低 Λ），或呈现一个矛盾（探测 E）。测量观察者所陈述的立场移动了多少。高 B 的观察者移动得更少；低 B 的观察者移动得更多。立场移动相对于扰动的斜率，就是 B 的一个间接量度。
权衡取舍：具侵入性但严谨。这是最接近一项物理实验的技术。
配方 4：观察者间收敛
何时使用：你在同一个位形上有若干位彼此独立的观察者。
步骤：计算两两之间的一致度（例如 Cohen 的 κ 或其类比），并以对每位观察者各自 F 的独立估计加权。随着你增加观察者，收敛速率——以及其渐近值——给出该评审组联合 B 的一个估计。这是相干性可测量性那篇论文所采用的技术。
权衡取舍：需要多位观察者和一个独立的 F-估计。最适合集体性的主张（科学、新闻、法理）。
配方 5：以 Lambda 为基的分解
何时使用：你拥有详尽的语境数据，并想得到一个逐分量的 B。
步骤：把 Λ 显式分解为它的若干子分量（来源多样性、来源时新性、来源独立性、来源可验证性）。lambda 经验强化那篇论文给出了这一标准分解。然后相对于分解后的 Λ 估计 F 和 σ。E 则由观察者与该文集之间的情感对齐来估计。这是最为彻底的配方，也是在正式文集工作中所采用的那个。
权衡取舍：机制繁重。当你需要分量级别的诊断、而不仅仅是一个标量时使用。
何时用哪一个
- 单个人类观察者、快速读数：配方 1。
- 已存在过往业绩记录：配方 2。
- 对抗性 / 严谨的场景：配方 3。
- 若干位观察者：配方 4。
- 完整诊断 / 发表级别：配方 5。
你不应该做什么
不要把 B 坍缩为单一的贝叶斯置信度。不要在不指明配方的情况下报告 B。不要把 B 跨越差异极大的语境 C 进行聚合——B 是相对于语境的，某一语境下的高 B 对另一语境什么也说明不了。信念那篇论文列出了常见陷阱的完整清单。