上一节的判断若停留在”否决不可观察”，就无法真跑。但否决虽然在 AI 内部不可观察，在对话记录里却是可以被要求显影的。定义：
候选显影度 k：在一次对话中，AI 话轮里显式列出至少一个被考虑但被排除的候选，并给出排除依据的推进步骤数，占总推进步骤数的比例。
k 是一个纯粹的转写编码量，编码规则可写死，两名编码者独立编码可算一致性。典型值：普通问答式对话中 k 接近 0；一份好的教师板书讲解中 k 通常在 0.2–0.4；一份完整的解题反思中可以更高。
围绕 k，本书给出一组配套读数，它们共同构成第四编实验的观测面板：
四个读数中，ρ 与 τ 刻画对话的形态，k 刻画否决的可见性，G/V 刻画学生所占的位置，Δc 刻画后果。它们都不依赖任何不可观测的心理构念，全部可从对话转写与常规测验中获得。
本编的框架给出一个可检验的定性预测：撤走 AI 之后的失败，在错误形态上应当不同于”没学会”的失败。
传统意义上的没学会，表现为：记不住公式、步骤走错、算错。这是回忆与执行的失败，特征是学生知道自己卡在哪里。
而经过高代走率对话之后的失败，本书预测它表现为：在应当停下来作出选择的地方，没有停。学生顺着一条看上去最自然的路径一直走下去，写出的东西每一步都合规，整体却走错了方向；被问到”你为什么走这一步”时，他回答不出来，因为他从未意识到那里有过一个选择。
这是识别失败：不是想不起答案，是认不出岔口。
这个预测有很强的可操作性，因为两类失败在答卷上留下的痕迹不同：