Die Ketten der Wahrscheinlichkeit sprengen: Neutrosophische Logik als neues Rahmenwerk für epistemische Unsicherheit in großen Sprachmodellen

Zusammenfassung

Große Sprachmodelle (LLMs) werden überwiegend von probabilistischen Rahmenwerken gesteuert, in denen die Summe der Ergebniswahrscheinlichkeiten auf Eins beschränkt ist. Diese architektonische Einschränkung, die häufig durch Softmax-Schichten auferlegt wird, führt zu einem Kollaps der Unsicherheit, der es erschwert, zwischen epistemischer Unsicherheit, Paradoxon und Vagheit zu unterscheiden. Wir präsentieren eine empirische Untersuchung der Anwendung der Neutrosophischen Logik, eines Rahmens, der Wahrheit (T), Unbestimmtheit (I) und Falschheit (F) als drei unabhängige Dimensionen behandelt, um epistemische Zustände in LLMs zu modellieren. Wir führten Experimente an einer Familie von vier OpenAI-GPT-Modellen zu fünf sprachlichen Phänomenen durch: logische Paradoxa, epistemische Ignoranz, Vagheit, ethische Widersprüche und zukünftige Kontingenzen, unter drei Aufforderungsstrategien: neutrosophisch, probabilistisch und entropieabgeleitet. Unsere Ergebnisse zeigen, dass der neutrosophische Ansatz, indem er T+I+F > 1 zulässt – einen Zustand, den wir Hyper-Wahrheit nennen – eine reichhaltigere Darstellung des internen Zustands eines Modells bietet. In 35 % der Bewertungen trat Hyper-Wahrheit spontan auf, überwiegend bei ethischen Widersprüchen und logischen Paradoxa. Wir demonstrieren, dass dieser Ansatz Wahrheitswerte in unscharfen Kontexten bewahrt und eine robuste Methode zur Identifizierung und Quantifizierung internen Modellkonflikts bietet. Wir schlussfolgern, dass die Integration neutrosophischer Bewertungsschichten ein kritischer Schritt hin zu transparenteren, zuverlässigeren und ethisch bewussteren KI-Systemen ist.

English

Large Language Models (LLMs) are predominantly governed by probabilistic frameworks in which the sum of outcome probabilities is constrained to unity. This architectural limitation, often imposed by Softmax layers, leads to a collapse of uncertainty that makes it difficult to differentiate between epistemic uncertainty, paradox, and vagueness. We present an empirical investigation of the application of Neutrosophic Logic, a framework that treats Truth (T), Indeterminacy (I), and Falsity (F) as three independent dimensions, to model epistemic states in LLMs. We conducted experiments on a family of four OpenAI GPT models across five linguistic phenomena: logical paradoxes, epistemic ignorance, vagueness, ethical contradictions, and future contingencies, under three prompting strategies: neutrosophic, probabilistic, and entropy-derived. Our findings reveal that the neutrosophic approach, by allowing T+I+F > 1, a state we term hyper-truth, provides a richer representation of a model's internal state. In 35% of evaluations, hyper-truth emerged spontaneously, predominantly under ethical contradiction and logical paradox. We demonstrate that this approach preserves truth values in fuzzy contexts and offers a robust method for identifying and quantifying internal model conflict. We conclude that the integration of neutrosophic evaluation layers is a critical step toward more transparent, reliable, and ethically aware AI systems.