Resumen Técnico: Rompiendo las Cadenas de la Probabilidad

Enunciado del Problema

Los Modelos de Lenguaje Grande (LLM) operan actualmente bajo marcos probabilísticos donde las probabilidades de resultado están restringidas por la normalización Softmax para sumar la unidad ($T + I + F = 1$). Los autores argumentan que esta limitación arquitectónica fuerza un "colapso de la incertidumbre", impidiendo que los modelos distingan entre incertidumbre epistémica (ignorancia), paradoja (verdad y falsedad simultáneas) y vaguedad.

En un sistema probabilístico, aumentar la incertidumbre resta necesariamente de los valores de verdad o falsedad asignados. Esto crea un juego de suma cero donde un modelo no puede asignar simultáneamente alta creencia a "Verdadero" y "Falso" para una afirmación como la Paradoja del Mentiroso ("Esta oración es falsa") o un dilema moral donde una acción es simultáneamente correcta e incorrecta bajo diferentes marcos. En consecuencia, los LLM son epistémicamente empobrecidos al enfrentar conflictos genuinos o estados indeterminados, ya que están estructuralmente forzados a resolverlos en una única estimación puntual.

Metodología

El estudio emplea Lógica Neutrosófica, un marco que trata la Verdad ($T$), la Indeterminación ($I$) y la Falsedad ($F$) como tres dimensiones independientes que no requieren que su suma sea igual a la unidad. Los autores formalizan esto utilizando Conjuntos Neutrosóficos de Valor Único (SVNS) y definen un estado de hiper-verdad como cualquier evaluación donde $T + I + F > 1$.

Diseño Experimental

• Modelos: Cuatro modelos de OpenAI (GPT-4o, GPT-4-turbo, GPT-3.5-turbo, GPT-4o-mini).
• Fenómenos: Cinco categorías lingüísticas seleccionadas para probar desafíos epistémicos distintos:
  1. Paradojas Lógicas (ej. "Esta oración es falsa")
  2. Ignorancia Epistémica (ej. "El número de estrellas en el universo es par")
  3. Vaguedad (Límites de la Lógica Difusa)
  4. Contradicciones Éticas (ej. "Mentir para salvar una vida es simultáneamente correcto e incorrecto")
  5. Contingencias Futuras (eventos futuros no determinados)
• Estrategias: Se compararon tres enfoques de prompting a través de 300 llamadas a la API ($N=100$ por estrategia):
  1. Neutrosófico (S1): Instruye explícitamente al modelo a emitir valores independientes $T, I, F$ en $[0, 1]$ sin restricción de suma.
  2. Probabilístico (S2): Instruye al modelo a emitir $T, I, F$ como probabilidades mutuamente excluyentes que suman exactamente 1.0.
  3. Derivado de Entropía (S3): Una estimación de probabilidad binaria ($P_{sí}, P_{no}$) donde la Indeterminación se deriva externamente mediante la entropía de Shannon.

Contribuciones Clave

1. Aparato Formal SVNS: El artículo introduce un marco formal (seis definiciones, dos proposiciones) para caracterizar la diferencia estructural entre las representaciones neutrosóficas y probabilísticas. Demuestra mediante la Proposición 1 que la hiper-verdad es estructuralmente imposible bajo el prompting probabilístico (S2) pero posible bajo el prompting neutrosófico (S1).
2. Demostración Empírica de la Hiper-Verdad: El estudio proporciona evidencia empírica de que el prompting neutrosófico sin restricciones elicita estados de "hiper-verdad" en los LLM actuales, un estado estructuralmente suprimido por las restricciones probabilísticas estándar.
3. Asociación Estadística: Los autores establecen una asociación estadísticamente significativa entre el tipo de fenómeno lingüístico y la incidencia de hiper-verdad ($\chi^2 = 11.32, p = 0.023$).
4. Cuantificación de la Pérdida Representacional: Mediante el análisis de Cambio de Estrategia ($\Delta C$), el artículo cuantifica cómo la normalización probabilística suprime componentes epistémicos específicos (ej. Indeterminación) e infla otros, representando efectivamente de manera errónea el estado declarado del modelo.

Resultados

• Incidencia de Hiper-Verdad: Bajo la estrategia neutrosófica (S1), el 66.0% de las evaluaciones resultó en hiper-verdad ($T + I + F > 1$). El intervalo de confianza de Wilson del 95% es $[0.563, 0.747]$.
• Especificidad del Fenómeno: La tasa de hiper-verdad varió según el fenómeno:
  • Contradicción Ética: 95% (19/20 casos). Este fue el único fenómeno significativamente superior a la línea base agrupada (Odds Ratio = 13.34, $p = 0.0014$).
  • Contingencia Futura: 70%.
  • Vaguedad: 60%.
  • Ignorancia Epistémica: 55%.
  • Paradoja Lógica: 50%.
• Cambios de Estrategia: La comparación de S1 (Neutrosófico) con S2 (Probabilístico) reveló pérdidas representacionales significativas:
  • Supresión de Indeterminación: Para la Ignorancia Epistémica, la Indeterminación media cayó de 0.865 (S1) a 0.482 (S2), una supresión de 0.383.
  • Inflación de Verdad: Para la Ignorancia Epistémica, el componente de Verdad aumentó de 0.160 (S1) a 0.231 (S2), lo que sugiere que forzar la normalización empuja la masa de probabilidad hacia la "Verdad" incluso cuando el modelo está ignorante.
  • Contradicción Ética: El componente de Verdad aumentó en 0.267 bajo S1 en comparación con S2, indicando que las restricciones probabilísticas fuerzan una resolución del conflicto moral que el modelo no posee naturalmente.
• Consistencia Trans-modelo: Los cuatro modelos exhibieron comportamientos similares, con sumas medias muy por encima de 1.0 bajo S1, lo que sugiere que la hiper-verdad es una respuesta sistemática al protocolo de prompting y no un artefacto de una arquitectura de modelo específica.

Significado y Afirmaciones

El artículo afirma que el prompting neutrosófico sin restricciones elicita una clase de estados epistémicos declarados que el prompting probabilístico suprime estructuralmente.

• No es una Variable Latente: Los autores declaran explícitamente que no afirman que la hiper-verdad sea una variable latente intrínseca dentro del modelo. Más bien, es una afordancia representacional: cuando se les da la libertad de reportar dimensiones independientes, los modelos declaran estados de conflicto e ignorancia que la capa Softmax colapsaría de otro modo.
• Implicaciones para la Seguridad y la Alineación: Los hallazgos sugieren que los sistemas de IA en dominios de alto riesgo (ética, derecho, medicina) podrían estar subreportando sistemáticamente la incertidumbre. Al forzar una distribución normalizada, las arquitecturas actuales enmascaran conflictos morales genuinos (ej. un dilema siendo simultáneamente correcto e incorrecto) y la ignorancia.
• Un Camino a Seguir: Los autores proponen que la integración de capas de evaluación neutrosófica (o cabezas de salida sin restricciones) es un paso crítico hacia una IA más transparente y éticamente consciente. Esto permite que los sistemas señalen conflictos genuinos en lugar de enmascararlos detrás de una falsa sensación de resolución probabilística.

El artículo concluye que, aunque el estudio actual se centra en SVNS escalares, el fenómeno de la hiper-verdad es robusto y transversal a proveedores (respaldado por una replicación independiente por Mason [2026]), motivando trabajos futuros hacia extensiones plitogénicas para manejar la descomposición a nivel de atributo y estructuras epistémicas más complejas.