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

La logica e la probabilità sono state a lungo considerate due linguaggi diversi per descrivere il mondo. La logica è lo studio di come ragioniamo, determinando cosa debba essere vero se altre cose sono vere. La probabilità è lo studio dell'incertezza, misurando quanto sia probabile che un evento accada. Per secoli, questi campi hanno operato sotto un'assunzione rigorosa: che ogni affermazione sia vera o falsa, e che la nostra conoscenza del mondo sia sufficientemente completa da assegnare un singolo numero alla probabilità di qualsiasi evento. Questo funziona bene per il lancio di una moneta o per le previsioni meteorologiche, dove l'esito è chiaro. Ma fatica quando affrontiamo informazioni contraddittorie, incomplete o semplicemente inaffidabili. Se un testimone dice che un'auto era rossa e un altro dice che era blu, la logica classica crolla perché l'auto non può essere entrambe le cose. Se nessuno ha visto l'auto, la logica classica non ha modo di rappresentare quella totale mancanza di informazioni senza forzare un tentativo.

Per gestire queste realtà disordinate, i ricercatori hanno sviluppato sistemi che permettono "vuoti" (dove non sappiamo nulla) e "gluti" (dove abbiamo informazioni contrastanti). Questi sistemi, noti come logiche non classiche, trattano la verità come uno spettro piuttosto che come un interruttore. Tuttavia, rimaneva una sfida fondamentale: come si assegnano le probabilità alle affermazioni in questi sistemi flessibili? Se un'affermazione può essere sia vera che falsa, o né l'una né l'altra, come si calcola la possibilità che accada? Questa domanda è cruciale per l'intelligenza artificiale, il ragionamento giuridico e qualsiasi campo in cui macchine o umani debbano prendere decisioni basate su dati imperfetti, contrastanti o inaffidabili. Senza un modo robusto per misurare l'incertezza in questi scenari complessi, i nostri strumenti di ragionamento rimangono bloccati in un mondo troppo semplice per essere reale.

Un team di ricercatori ha ora colmato questo divario introducendo un nuovo framework per la probabilità basato su un sofisticato sistema logico a sei valori. Il loro lavoro, pubblicato in uno studio recente, va oltre i tradizionali sistemi a quattro valori che tengono conto solo di vero, falso, entrambi o nessuno dei due. Aggiungendo una quinta e una sesta dimensione cruciale — che rappresenta l'affidabilità o la "classicità" dell'informazione stessa — hanno creato un metodo per misurare non solo se un'affermazione è vera, ma se possiamo fidarci della fonte di quella verità. Ciò consente un'analisi molto più granulare della credenza, distinguendo tra una ferma convinzione, un tentativo incerto, una contraddizione e una totale mancanza di prove.

I ricercatori hanno costruito il loro sistema su una logica chiamata LET+K, che espande i modelli precedenti introducendo un operatore che funge da "controllo di affidabilità". In termini quotidiani, questo operatore permette a un sistema di dire: "Ho prove per questa affermazione, e tali prove sono solide", oppure "Ho prove per questa affermazione, ma la fonte è inaffidabile". Questa distinzione è vitale. In un sistema standard, se si ha una contraddizione, si potrebbe essere costretti a trattarla come un totale fallimento del ragionamento. In questo nuovo sistema, si può riconoscere la contraddizione pur notando simultaneamente che l'informazione che la causa è inaffidabile, permettendo al processo di ragionamento di continuare senza collassare. Il team ha definito funzioni di probabilità che operano attraverso sei distinte regioni di possibilità: credenza affidabile, credenza inaffidabile, conflitto, incredulità inaffidabile, incredulità affidabile e totale incertezza.

Per far sì che questi concetti astratti funzionino, gli autori hanno sviluppato un nuovo modo di visualizzare queste probabilità utilizzando ciò che chiamano "strutture a torsione" (twist structures). Immaginate una mappa dove ogni possibile stato del mondo è diviso in sei zone specifiche, invece di due. Quando arriva un pezzo di informazione, non si limita ad atterrare su "vero" o "falso"; illumina parti specifiche di questa mappa a sei parti. I ricercatori hanno dimostrato che le loro nuove funzioni di probabilità sono matematicamente solide e complete, il che significa che seguono regole logiche rigorose che prevengono le contraddizioni e assicurano che i numeri si sommino correttamente. Hanno dimostrato che queste funzioni possono essere definite in tre modi diversi — monodimensionale, tridimensionale e sei-dimensionale — e che tutti e tre gli approcci sono perfettamente equivalenti, semplicemente guardando gli stessi dati da angolazioni diverse.

Un traguardo chiave del documento è l'estensione dell' "aggiornamento di Jeffrey", un famoso metodo per cambiare le credenze quando arrivano nuove prove. Nel mondo classico, se si apprende un nuovo fatto, si aggiornano le proprie probabilità basandosi sul fatto che esso sia certo. Ma nel mondo reale, le nuove prove sono spesso incerte. I ricercatori hanno adattato questa regola di aggiornamento al loro sistema a sei valori. Hanno dimostrato come regolare le probabilità quando si apprende che un'affermazione è "piuttosto affidabile" o "piuttosto contraddittoria", anziché semplicemente vera o falsa. Hanno fornito sia una definizione matematica che una prova logica che questi due metodi di aggiornamento siano la stessa cosa, garantendo che il sistema sia coerente sia che lo si guardi dalla prospettiva dei numeri puri, sia da quella delle regole logiche.

Lo studio ha anche esplorato come questo sistema gestisce il classico "aggiornamento bayesiano", utilizzato quando l'evidenza è certa. Hanno mostrato che il loro nuovo sistema include naturalmente i vecchi metodi classici come casi particolari. Se l'informazione è perfettamente affidabile e la contraddizione è impossibile, il sistema si comporta esattamente come la logica classica a cui siamo abituati. Ma quando l'informazione è disordinata, il sistema si flette per accomodare la complessità. Ciò significa che il nuovo framework non sostituisce i nostri strumenti esistenti; li generalizza, offrendo un toolkit più potente per le situazioni in cui il mondo rifiuta di essere semplice.

Le implicazioni di questo lavoro sono significative per qualsiasi campo che tratti dati incerti. Fornendo un modo rigoroso per misurare l'affidabilità dell'informazione insieme al suo valore di verità, i ricercatori ci hanno dato un modo per ragionare sulle contraddizioni senza perdere la ragione. Hanno dimostrato che è possibile avere una teoria matematica della probabilità che rispetti il fatto che alcune informazioni sono contrastanti, alcune mancano e altre sono semplicemente inaffidabili. Questo non è solo un esercizio teorico; è un passo necessario verso la costruzione di un'intelligenza artificiale capace di navigare la natura disordinata, contraddittoria e inaffidabile della conoscenza umana. Il documento conclude delineando come questo framework possa essere utilizzato per migliorare i sistemi di revisione delle credenze, permettendo agli agenti di aggiornare le proprie visioni in modo sensibile alla qualità delle prove ricevute.

In definitiva, questa ricerca offre un modo più onesto di pensare all'incertezza. Riconosce che il mondo non è sempre bianco o nero, e che la nostra conoscenza è spesso un mosaico di convinzioni forti, ipotesi deboli e palesi contraddizioni. Creando un linguaggio matematico capace di descrivere tutti questi stati simultaneamente, gli autori hanno fornito le fondamenta per una logica dell'evidenza più robusta e flessibile. Il loro lavoro dimostra che possiamo misurare l'affidabilità delle nostre credenze con la stessa precisione con cui misuriamo la loro probabilità, aprendo la porta a una nuova era di ragionamento in un mondo imperfetto.