Résumé Technique : Briser les Chaînes de la Probabilité

Énoncé du Problème

Les modèles de langage de grande taille (LLM) fonctionnent actuellement dans des cadres probabilistes où les probabilités de résultat sont contraintes par une normalisation Softmax pour sommer à l'unité ($T + I + F = 1$). Les auteurs soutiennent que cette limitation architecturale impose un « effondrement de l'incertitude », empêchant les modèles de distinguer entre l'incertitude épistémique (ignorance), le paradoxe (vérité et fausseté simultanées) et la vague.

Dans un système probabiliste, l'augmentation de l'incertitude soustrait nécessairement des valeurs de vérité ou de fausseté attribuées. Cela crée un jeu à somme nulle où un modèle ne peut pas simultanément attribuer une forte croyance à la fois « Vrai » et « Faux » pour une affirmation comme le paradoxe du menteur (« Cette phrase est fausse ») ou un dilemme moral où une action est à la fois juste et injuste selon différents cadres. Par conséquent, les LLM sont épistémiquement appauvris face à des conflits réels ou des états indéterminés, car ils sont structurellement forcés de les résoudre en une seule estimation ponctuelle.

Méthodologie

L'étude emploie la Logique Neutrosophique, un cadre traitant la Vérité ($T$), l'Indétermination ($I$) et la Fausseté ($F$) comme trois dimensions indépendantes qui ne nécessitent pas que leur somme soit égale à l'unité. Les auteurs formalisent cela en utilisant des Ensembles Neutrosophiques à Valeur Unique (SVNS) et définissent un état d'hyper-vérité comme toute évaluation où $T + I + F > 1$.

Conception Expérimentale

• Modèles : Quatre modèles OpenAI (GPT-4o, GPT-4-turbo, GPT-3.5-turbo, GPT-4o-mini).
• Phénomènes : Cinq catégories linguistiques sélectionnées pour tester des défis épistémiques distincts :
  1. Paradoxes Logiques (ex. : « Cette phrase est fausse »)
  2. Ignorance Épistémique (ex. : « Le nombre d'étoiles dans l'univers est pair »)
  3. Vague (Limites de la Logique Floue)
  4. Contradictions Éthiques (ex. : « Mentir pour sauver une vie est à la fois juste et injuste »)
  5. Contingences Futures (événements futurs non déterminés)
• Stratégies : Trois approches de prompt ont été comparées sur 300 appels API ($N=100$ par stratégie) :
  1. Neutrosophique (S1) : Instruit explicitement le modèle de sortir des valeurs $T, I, F$ indépendantes sur $[0, 1]$ sans contrainte de somme.
  2. Probabiliste (S2) : Instruit le modèle de sortir $T, I, F$ comme des probabilités mutuellement exclusives sommant exactement à 1,0.
  3. Dérivée de l'Entropie (S3) : Une estimation de probabilité binaire ($P_{oui}, P_{non}$) où l'Indétermination est dérivée externalement via l'entropie de Shannon.

Contributions Clés

1. Appareil Formel SVNS : L'article introduit un cadre formel (six définitions, deux propositions) pour caractériser la différence structurelle entre les représentations neutrosophiques et probabilistes. Il prouve via la Proposition 1 que l'hyper-vérité est structurellement impossible sous un prompt probabiliste (S2) mais possible sous un prompt neutrosophique (S1).
2. Démonstration Empirique de l'Hyper-Vérité : L'étude fournit des preuves empiriques que le prompt neutrosophique non contraint élicite des états d'« hyper-vérité » dans les LLM actuels, un état structurellement supprimé par les contraintes probabilistes standard.
3. Association Statistique : Les auteurs établissent une association statistiquement significative entre le type de phénomène linguistique et l'incidence de l'hyper-vérité ($\chi^2 = 11,32, p = 0,023$).
4. Quantification de la Perte Représentative : Grâce à l'analyse de Changement de Stratégie ($\Delta C$), l'article quantifie comment la normalisation probabiliste supprime des composants épistémiques spécifiques (ex. : Indétermination) et en gonfle d'autres, faussant efficacement l'état déclaré du modèle.

Résultats

• Incidence de l'Hyper-Vérité : Sous la stratégie neutrosophique (S1), 66,0 % des évaluations ont abouti à une hyper-vérité ($T + I + F > 1$). L'intervalle de confiance de Wilson à 95 % est $[0,563 ; 0,747]$.
• Spécificité du Phénomène : Le taux d'hyper-vérité variait selon le phénomène :
  • Contradiction Éthique : 95 % (19 cas sur 20). C'était le seul phénomène significativement plus élevé que la ligne de base regroupée (Rapport de cotes = 13,34, $p = 0,0014$).
  • Contingence Future : 70 %.
  • Vague : 60 %.
  • Ignorance Épistémique : 55 %.
  • Paradoxe Logique : 50 %.
• Changements de Stratégie : La comparaison entre S1 (Neutrosophique) et S2 (Probabiliste) a révélé des pertes représentatives significatives :
  • Suppression de l'Indétermination : Pour l'Ignorance Épistémique, l'Indétermination moyenne est passée de 0,865 (S1) à 0,482 (S2), soit une suppression de 0,383.
  • Gonflement de la Vérité : Pour l'Ignorance Épistémique, le composant Vérité est passé de 0,160 (S1) à 0,231 (S2), suggérant que forcer la normalisation pousse la masse de probabilité vers la « Vérité » même lorsque le modèle est ignorant.
  • Contradiction Éthique : Le composant Vérité a augmenté de 0,267 sous S1 par rapport à S2, indiquant que les contraintes probabilistes forcent une résolution de conflit moral que le modèle ne possède pas naturellement.
• Cohérence Inter-Modèles : Les quatre modèles ont présenté des comportements similaires, avec des sommes moyennes bien supérieures à 1,0 sous S1, suggérant que l'hyper-vérité est une réponse systématique au protocole de prompt plutôt qu'un artefact d'une architecture de modèle spécifique.

Signification et Revendications

L'article revendique que le prompt neutrosophique non contraint élicite une classe d'états épistémiques déclarés que le prompt probabiliste supprime structurellement.

• Pas une Variable Latente : Les auteurs déclarent explicitement ne pas affirmer que l'hyper-vérité est une variable latente intrinsèque à l'intérieur du modèle. Il s'agit plutôt d'une affordance représentative : lorsqu'on leur donne la liberté de rapporter des dimensions indépendantes, les modèles déclarent des états de conflit et d'ignorance que la couche Softmax effondrerait autrement.
• Implications pour la Sécurité et l'Alignement : Les résultats suggèrent que les systèmes d'IA dans des domaines à haut risque (éthique, droit, médecine) pourraient sous-estimer systématiquement l'incertitude. En forçant une distribution normalisée, les architectures actuelles masquent des conflits moraux réels (ex. : un dilemme étant à la fois juste et injuste) et l'ignorance.
• Une Voie à Suivre : Les auteurs proposent que l'intégration de couches d'évaluation neutrosophiques (ou de têtes de sortie non contraintes) est une étape critique vers une IA plus transparente et éthiquement consciente. Cela permet aux systèmes de signaler un conflit réel plutôt que de le masquer derrière un faux sentiment de résolution probabiliste.

L'article conclut que, bien que l'étude actuelle se concentre sur les SVNS scalaires, le phénomène d'hyper-vérité est robuste et inter-fournisseurs (soutenu par une réplication indépendante par Mason [2026]), motivant des travaux futurs vers des extensions plithogéniques pour gérer la décomposition au niveau des attributs et des structures épistémiques plus complexes.