From Scalars to Tensors: Declared Losses Recover Epistemic Distinctions That Neutrosophic Scalars Cannot Express
Diese Studie zeigt, dass die Erweiterung neutrosophischer Skalarbewertungen um deklarierte Verlustbeschreibungen entscheidende epistemische Unterscheidungen wiederherstellt, die reine T/I/F-Werte aufgrund ihrer Kollabierung unterschiedlicher Unsicherheitszustände in identische Skalarwerte nicht erfassen können.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die große Entdeckung: Wenn KI nicht nur Zahlen, sondern auch „Warum" sagt
Stell dir vor, du fragst eine künstliche Intelligenz (KI): „Ist dieser Satz wahr, falsch oder unsicher?"
Bisher haben Forscher versucht, die Antwort der KI in drei einfachen Zahlen zu fassen:
- Wahrheit (Wie sehr stimmt es?)
- Unentschiedenheit (Wie sehr weiß sie es nicht?)
- Falschheit (Wie sehr stimmt es nicht?)
Das Problem dabei ist, dass diese drei Zahlen wie ein dünnes Lineal sind. Sie können messen, wie viel Unsicherheit da ist, aber sie können nicht erklären, welche Art von Unsicherheit es ist.
Das Problem: Der „Verschluckungs-Effekt" (Absorption)
Die Forscher haben herausgefunden, dass viele KIs bei bestimmten schwierigen Fragen alle drei Zahlen auf eine seltsame Weise „verschlucken".
Stell dir vor, du hast zwei völlig verschiedene Situationen:
- Ein logisches Paradoxon: Ein Satz, der sich selbst widerspricht (z. B. „Dieser Satz ist falsch").
- Reine Unwissenheit: Eine Frage, auf die niemand die Antwort kennt (z. B. „Wie viele Sterne gibt es genau im Universum?").
Wenn man die KI fragt, geben viele Modelle für beide Fälle fast genau dieselben drei Zahlen zurück:
- Wahrheit: 0
- Unentschiedenheit: 1
- Falschheit: 0
Das ist, als würde ein Arzt bei einem gebrochenen Bein und bei einem Kopfschmerz genau dasselbe Thermometer-Ergebnis ablesen: „37,5 Grad". Das Ergebnis ist zwar korrekt (es ist etwas „falsch" oder „unsicher"), aber es sagt dir nicht, was das Problem ist. Die KI hat die feinen Unterschiede zwischen „Das ist logisch unmöglich" und „Das weiß ich einfach nicht" verloren. Die Wissenschaftler nennen das den „Verschluckungs-Effekt".
Die Lösung: Vom Lineal zum 3D-Kartenmodell
Die Autoren der Studie sagen: „Wir brauchen mehr als nur Zahlen!"
Sie haben die KIs aufgefordert, neben den drei Zahlen auch eine Liste mit „Verlusten" (Declred Losses) zu schreiben. Das ist wie ein kleines Tagebuch, in dem die KI erklärt:
- Was kann ich nicht beurteilen?
- Warum kann ich es nicht beurteilen?
- Wie schlimm ist das für meine Antwort?
Das Ergebnis war erstaunlich:
Auch wenn die KIs bei den Zahlen (dem Lineal) immer noch dieselben Werte für Paradoxon und Unwissenheit lieferten, waren ihre Texterklärungen völlig unterschiedlich:
- Bei dem Paradoxon schrieb die KI: „Ich kann das nicht lösen, weil der Satz sich selbst widerspricht und mein logisches System zusammenbricht."
- Bei der Unwissenheit schrieb sie: „Ich kann das nicht wissen, weil es keine Daten gibt und niemand die genaue Zahl kennt."
Die Zahlen waren identisch, aber die Worte waren wie Tag und Nacht.
Eine einfache Analogie: Der Koch und das Rezept
Stell dir die KI als einen Koch vor, der ein Gericht bewertet.
- Die alte Methode (nur Zahlen): Der Koch sagt nur: „Das Essen ist zu 50% gut und zu 50% unsicher." Das hilft dir nicht zu wissen, ob das Essen verbrannt ist (Paradoxon) oder ob ihm einfach die Zutaten fehlen (Unwissenheit).
- Die neue Methode (Tensoren + Verluste): Der Koch sagt: „Das Essen ist zu 50% gut und zu 50% unsicher. Aber hier ist der Grund: Ich habe das Fleisch verbrannt, weil ich den Herd nicht kontrollieren konnte." (Paradoxon)
- Oder: „Das Essen ist zu 50% gut und zu 50% unsicher. Aber hier ist der Grund: Ich habe keine Tomaten, also kann ich den Geschmack nicht beurteilen." (Unwissenheit)
Durch das Hinzufügen der Erklärung (die „Verluste") wird aus dem einfachen Koch (Skalar) ein erfahrener Küchenchef mit einem detaillierten Bericht (Tensor).
Was bedeutet das für uns?
- KI ist klüger, als ihre Zahlen zeigen: Die KIs wissen oft genau, warum sie unsicher sind. Sie können das nur nicht in den alten, starren Zahlenformaten ausdrücken.
- Wir brauchen mehr als Zahlen: Um KI wirklich zu verstehen, reicht es nicht, nur auf Prozentzahlen zu schauen. Wir müssen auch hören, was die KI über ihre eigenen Grenzen sagt.
- Bessere Tests: Wenn wir KI-Systeme testen wollen, sollten wir nicht nur fragen „Wie sicher bist du?", sondern auch „Was genau hindert dich daran, sicher zu sein?".
Fazit: Die Wissenschaftler haben bewiesen, dass wir von einfachen Zahlen (Skalaren) zu komplexeren, strukturierten Berichten (Tensoren) übergehen müssen, um die wahre Denkweise der KI zu verstehen. Die KI hat die Unterscheidung im Kopf; wir mussten ihr nur das richtige Werkzeug geben, um sie herauszubringen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.