Probabilities beyond Belnap-Dunn logic: dealing with gaps, gluts and reliability

La lógica y la probabilidad se han considerado durante mucho tiempo como dos lenguajes diferentes para describir el mundo. La lógica es el estudio de cómo razonamos, determinando qué debe ser cierto si otras cosas son ciertas. La probabilidad es el estudio de la incertidumbre, midiendo qué tan probable es que ocurra un evento. Durante siglos, estos campos han operado bajo un supuesto estricto: que cada enunciado es verdadero o falso, y que nuestro conocimiento del mundo es lo suficientemente completo como para asignar un único número a la probabilidad de cualquier evento. Esto funciona bien para lanzamientos de monedas o pronósticos meteorológicos, donde el resultado es claro. Pero tiene dificultades cuando nos enfrentamos a información que es contradictoria, incompleta o simplemente poco fiable. Si un testigo dice que un coche era rojo y otro dice que era azul, la lógica clásica se rompe porque el coche no puede ser ambas cosas. Si nadie ha visto el coche en absoluto, la lógica clásica no tiene forma de representar esa falta total de información sin forzar una suposición.

Para manejar estas realidades desordenadas, los investigadores han desarrollado sistemas que permiten "brechas" (donde no sabemos nada) y "glotones" (donde tenemos información conflictiva). Estos sistemas, conocidos como lógicas no clásicas, tratan la verdad como un espectro en lugar de un interruptor. Sin embargo, un desafío importante persistía: ¿cómo se asignan probabilidades a los enunciados en estos sistemas flexibles? Si un enunciado puede ser tanto verdadero como falso, o ni lo uno ni lo otro, ¿cómo se calcula la probabilidad de que ocurra? Esta pregunta es crucial para la inteligencia artificial, el razonamiento jurídico y cualquier campo donde las máquinas o los humanos deban tomar decisiones basadas en datos imperfectos, conflictivos o poco fiables. Sin una forma robusta de medir la incertidumbre en estos escenarios complejos, nuestras herramientas para el razonamiento permanecen estancadas en un mundo que es demasiado simple para ser real.

Un equipo de investigadores ha cerrado esta brecha introduciendo un nuevo marco para la probabilidad basado en un sofisticado sistema lógico de seis valores. Su trabajo, publicado en un estudio reciente, va más allá de los sistemas tradicionales de cuatro valores que solo dan cuenta de lo verdadero, falso, ambos o ninguno. Al añadir una quinta y sexta dimensión crucial —que representa la fiabilidad o la "clasicidad" de la información misma— han creado un método para medir no solo si un enunciado es verdadero, sino si podemos confiar en la fuente de esa verdad. Esto permite un análisis mucho más detallado de la creencia, distinguiendo entre una convicción firme, una conjetura dudosa, una contradicción y una falta total de evidencia.

Los investigadores construyeron su sistema sobre una lógica llamada LET+K, que expande modelos anteriores al introducir un operador que actúa como un "control de fiabilidad". En términos cotidianos, este operador permite que un sistema diga: "Tengo evidencia para esta afirmación, y esa evidencia es sólida", o "Tengo evidencia para esta afirmación, pero la fuente no es digna de confianza". Esta distinción es vital. En un sistema estándar, si tienes una contradicción, podrías verte obligado a tratarla como un fallo total del razonamiento. En este nuevo sistema, puedes reconocer la contradicción y, simultáneamente, notar que la información que la causa no es fiable, permitiendo que el proceso de razonamiento continúe sin colapsar. El equipo definió funciones de probabilidad que funcionan a través de seis regiones distintas de posibilidad: creencia fiable, creencia no fiable, conflicto, incredulidad no fiable, incredulidad fiable e incertidumbre total.

Para hacer que estos conceptos abstractos funcionen, los autores desarrollaron una nueva forma de visualizar estas probabilidades utilizando lo que llaman "estructuras de torsión" (twist structures). Imagine un mapa donde cada estado posible del mundo está dividido en seis zonas específicas, en lugar de solo dos. Cuando llega una pieza de información, no solo aterriza en "verdadero" o "falso"; ilumina partes específicas de este mapa de seis partes. Los investigadores demostraron que sus nuevas funciones de probabilidad son matemáticamente sólidas y completas, lo que significa que siguen reglas lógicas estrictas que evitan contradicciones y aseguran que los números siempre sumen correctamente. Mostraron que estas funciones pueden definirse de tres maneras diferentes —unidimensional, tridimensional y sexidimensional— y que los tres enfoques son perfectamente equivalentes, simplemente mirando los mismos datos desde diferentes ángulos.

Un logro clave del artículo es la extensión de la "actualización de Jeffrey" (Jeffrey's update), un famoso método para cambiar las creencias cuando llega nueva evidencia. En el mundo clásico, si aprendes un nuevo hecho, actualizas tus probabilidades basándote en que ese hecho es cierto. Pero en el mundo real, la nueva evidencia suele ser incierta. Los investigadores adaptaron esta regla de actualización a su sistema de seis valores. Demostraron cómo ajustar las probabilidades cuando aprendes que una afirmación es "algo fiable" o "algo contradictoria", en lugar de simplemente verdadera o falsa. Proporcionaron tanto una definición matemática como una prueba lógica de que estos dos métodos de actualización son los mismos, asegurando que el sistema sea consistente, ya sea que se mire desde la perspectiva de los números brutos o de las reglas lógicas.

El estudio también exploró cómo este sistema maneja la clásica "actualización bayesiana", que se utiliza cuando la evidencia es cierta. Mostraron que su nuevo sistema incluye naturalmente los métodos clásicos antiguos como casos especiales. Si la información es perfectamente fiable y la contradicción es imposible, el sistema se comporta exactamente como la lógica clásica que conocemos. Pero cuando la información es desordenada, el sistema se flexibiliza para acomodar la complejidad. Esto significa que el nuevo marco no reemplaza nuestras herramientas existentes; las generaliza, ofreciendo un conjunto de herramientas más poderoso para situaciones donde el mundo se niega a ser simple.

Las implicaciones de este trabajo son significativas para cualquier campo que trate con datos inciertos. Al proporcionar una forma rigurosa de medir la fiabilidad de la información junto con su valor de verdad, los investigadores nos han dado una forma de razonar sobre las contradicciones sin perder la cabeza. Han demostrado que es posible tener una teoría matemática de la probabilidad que respete el hecho de que cierta información es conflictiva, algo es faltante y algo es simplemente poco fiable. Esto no es solo un ejercicio teórico; es un paso necesario hacia la construcción de una inteligencia artificial que pueda navegar la naturaleza desordenada, contradictoria y poco fiable del conocimiento humano. El artículo concluye describiendo cómo este marco podría utilizarse para mejorar los sistemas de revisión de creencias, permitiendo que los agentes actualicen sus puntos de vista de una manera que sea sensible a la calidad de la evidencia que reciben.

Al final, esta investigación ofrece una forma más honesta de pensar en la incertidumbre. Reconoce que el mundo no siempre es blanco o negro, y que nuestro conocimiento es a menudo un mosaico de convicciones fuertes, conjeturas débiles y contradicciones abiertas. Al crear un lenguaje matemático que puede describir todos estos estados simultáneamente, los autores han proporcionado una base para una lógica de la evidencia más robusta y flexible. Su trabajo demuestra que podemos medir la fiabilidad de nuestras creencias con la misma precisión con la que medimos su probabilidad, abriendo la puerta a una nueva era de razonamiento en un mundo imperfecto.