Het doorbreken van de ketenen van de waarschijnlijkheid: Neutrosophische logica als een nieuw raamwerk voor epistemische onzekerheid in grote taalmodellen

Samenvatting

Grote taalmodellen (Large Language Models, LLM's) worden voornamelijk beheerst door probabilistische kaders waarin de som van uitkomstkansen tot één wordt beperkt. Deze architecturale beperking, vaak opgelegd door Softmax-lagen, leidt tot een ineenstorting van onzekerheid, waardoor het moeilijk wordt om onderscheid te maken tussen epistemische onzekerheid, paradox en vaagheid. We presenteren een empirisch onderzoek naar de toepassing van neutrosophische logica, een kader dat Waarheid (T), Onbepaaldheid (I) en Valsheid (F) als drie onafhankelijke dimensies behandelt, om epistemische toestanden in LLM's te modelleren. We voerden experimenten uit op een familie van vier OpenAI GPT-modellen over vijf taalkundige fenomenen: logische paradoxen, epistemische onwetendheid, vaagheid, ethische tegenstrijdigheden en toekomstige contingenties, onder drie promptstrategieën: neutrosophisch, probabilistisch en entropie-afgeleid. Onze bevindingen onthullen dat de neutrosophische benadering, door T+I+F > 1 toe te staan, een toestand die we hyper-waarheid noemen, een rijkere representatie biedt van de interne toestand van een model. In 35% van de evaluaties trad hyper-waarheid spontaan op, voornamelijk bij ethische tegenstrijdigheid en logische paradox. We tonen aan dat deze benadering waarheidswaarden behoudt in vage contexten en een robuuste methode biedt voor het identificeren en kwantificeren van intern modelconflict. We concluderen dat de integratie van neutrosophische evaluatielagen een kritische stap is naar transparantere, betrouwbaardere en ethisch bewustere AI-systemen.

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.