確率の鎖を断ち切る：大規模言語モデルにおける認識論的不確実性のための新しい枠組みとしてのニュートロソフィック論理

要旨

大規模言語モデル（LLM）は主に確率的枠組みによって支配されており、出力確率の合計が1に制約される。このアーキテクチャ上の制限は、しばしばSoftmax層によって課され、不確実性の崩壊を引き起こし、認識論的不確実性、パラドックス、曖昧性を区別することを困難にする。本稿では、真理（T）、不確定性（I）、虚偽（F）を3つの独立した次元として扱う枠組みである中性論理をLLMの認識状態のモデル化に適用する実証調査を提示する。我々は、4つのOpenAI GPTモデルファミリーを対象に、論理的パラドックス、認識論的無知、曖昧性、倫理的矛盾、未来の偶然性という5つの言語現象について、中性論理的、確率的、エントロピー由来の3つのプロンプト戦略下で実験を行った。結果として、中性論理的アプローチは、T+I+F > 1（我々が超真理と呼ぶ状態）を許容することで、モデルの内部状態のより豊かな表現を提供することが明らかになった。評価の35%において、超真理が自発的に出現し、主に倫理的矛盾と論理的パラドックスにおいて顕著であった。このアプローチは、曖昧な文脈において真理値を保持し、内部モデルの矛盾を特定・定量化する堅牢な方法を提供することを示す。結論として、中性論理的評価層の統合は、より透明で信頼性が高く、倫理意識のあるAIシステムへの重要な一歩であると主張する。

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.