Quebrando as Correntes da Probabilidade: A Lógica Neutrosófica como um Novo Arcabouço para a Incerteza Epistêmica em Modelos de Linguagem de Grande Escala

Resumo

Modelos de Linguagem de Grande Escala (LLMs) são predominantemente regidos por estruturas probabilísticas nas quais a soma das probabilidades dos resultados é restrita à unidade. Essa limitação arquitetônica, frequentemente imposta por camadas Softmax, leva a um colapso da incerteza que dificulta a distinção entre incerteza epistêmica, paradoxo e vagueza. Apresentamos uma investigação empírica da aplicação da Lógica Neutrosófica, uma estrutura que trata Verdade (V), Indeterminação (I) e Falsidade (F) como três dimensões independentes, para modelar estados epistêmicos em LLMs. Realizamos experimentos em uma família de quatro modelos GPT da OpenAI em cinco fenômenos linguísticos: paradoxos lógicos, ignorância epistêmica, vagueza, contradições éticas e contingências futuras, sob três estratégias de eliciação: neutrosófica, probabilística e derivada da entropia. Nossos resultados revelam que a abordagem neutrosófica, ao permitir V+I+F > 1, um estado que denominamos hiper-verdade, fornece uma representação mais rica do estado interno do modelo. Em 35% das avaliações, a hiper-verdade emergiu espontaneamente, predominantemente sob contradição ética e paradoxo lógico. Demonstramos que essa abordagem preserva valores de verdade em contextos fuzzy e oferece um método robusto para identificar e quantificar o conflito interno do modelo. Concluímos que a integração de camadas de avaliação neutrosófica é um passo crítico em direção a sistemas de IA mais transparentes, confiáveis e eticamente conscientes.

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.