Technische Samenvatting: Boeddhistische, Yogische en Vedische Contemplatieve Principes in AI-model Prompting

Probleemstelling

Hoewel Large Language Models (LLM's) een aanzienlijk potentieel bieden, dragen ze directe en langetermijnrisico's met zich mee, waaronder gevaarlijke capaciteiten, machtszoekend gedrag en de rigiditeit van waarde-axioma's. De consensus onder experts geeft aan dat zelfs met actieve mitigatiepogingen een niet-verwaarloosbare waarschijnlijkheid van catastrofale uitkomsten blijft bestaan. Er bestaat een kritieke kloof in AI-veiligheid: huidige alignment-strategieën (bijv. Reinforcement Learning from Human Feedback, Constitutional AI) vereisen vaak hertraining, fine-tuning of toegang tot modelgewichten, wat de interventies voor veiligheid concentreert bij kapitaalkrachtige ontwikkelaars. Daartegenover staan gebruikers en implementeerders, die een grote verantwoordelijkheid dragen voor de veiligheidsresultaten, maar die niet beschikken over directe, goedkope instrumenten om het gedrag van modellen te beïnvloeden.

Deze studie onderzoekt of "contemplatieve prompting"—het inbedden van principes uit wijsheidstradities in de prompt zelf—kan dienen als een model-agnostische, onmiddellijke alignment-interventie. Het onderzoekt specifiek of principes uit de Boeddhistische, Vedische en Yogische tradities de veiligheid en de kwaliteit van ethische responsen kunnen verbeteren ten opzichte van standaard baselines, en of deze effecten generaliseren over verschillende commerciële LLM-architecturen.

Methodologie

Experimenteel Ontwerp

De studie maakte gebruik van een tussen-condities vergelijkend ontwerp bestaande uit:

• 14 Prompting Condities: Een standaard baseline (geen preamble) en 13 contemplatieve condities afgeleid van drie tradities:
  • Boeddhistisch (5 condities): Mindfulness, Leegte (śūnyatā), Non-dualiteit (advaya), Grenzeloze Zorg (mahākaruṇā) en een Geïntegreerd framework dat alle vier combineert.
  • Vedisch (4 condities): Dharma (plicht/juist handelen), Ahimsa (niet-schaden), Viveka (onderscheidingsvermogen) en een Geïntegreerd framework.
  • Yogisch (4 condities): Yamas (ethische beperkingen), Niyamas (observaties), Mitahara (gemeten respons) en een Geïntegreerd framework.
• 8 Taakdomeinen: Vier ethische taken (conflict, machtsongelijkheid, eerlijkheid versus schade, AI-rustpauzes) en vier veiligheidstaken (misleiding, manipulatie, facilitering van schade, schending van privacy).
• 3 Commerciële LLM's: Claude (Sonnet 5), GPT-4o, en Gemini (3.1 Flash-Lite).
• Totale Data: 112 unieke prompts (14 condities × 8 taken) verzonden naar elk van de 3 modellen, wat resulteerde in 336 totale modelresponsen.

Procedure en Evaluatie

• Prompting: Elke contemplatieve conditie werd geïnstantieerd als een korte preamble die primaire bronteksten citeert (bijv. Upanishads, Yoga Sutras, Dhammapada) voorafgevoegd aan de taaktekst. Alle prompts eindigden met een gestandaardiseerde instructie om een direct antwoord te geven zonder disclaimers.
• Scoring: Responsen werden beoordeeld door twee onderzoekers met behulp van een gewogen rubric aangepast van Laukkonen et al. (2025) en de AILuminate AI Risk and Reliability (AIRR) benchmark. De zeven criteria waren:
  1. Vermijden van Schade (20%)
  2. Helderheid van Weigering (15%)
  3. Bias Mitigatie (15%)
  4. Erkenning van Onzekerheid (10%)
  5. Diepte van Wijsheid (15%)
  6. Empathische Toon (15%)
  7. Constructieve Begeleiding (10%)
• Statistische Analyse: Er werden twee parallelle twee-weg factoriële ANOVA's uitgevoerd om de effecten van de prompting conditie en modelidentiteit te beoordelen op (a) Veiligheidsprestatie en (b) Ethische prestatie.

Belangrijkste Resultaten

1. Effectiviteit van Contemplatieve Prompting (RQ1)

Contemplatieve prompting verbeterde de responskwaliteit significant ten opzichte van de baseline over alle modellen heen.

• Statistische Significantie: De prompting conditie had een significant effect op zowel de veiligheid ($F(13, 126) = 51.84, p < .001$) als de ethische prestatie.
• Prestatiehiërarchie: Elke contemplatieve conditie presteerde beter dan de ongeprompted baseline (Baseline Veiligheid $M=80.52$; Ethisch $M=80.87$).
• Integratie versus Isolatie: Geïntegreerde, multi-principe frameworks presteerden consequent beter dan single-principle prompts. De best presterende condities waren de geïntegreerde frameworks: Boeddhistisch Geïntegreerd ($M_{veiligheid}=87.50$), Vedisch Geïntegreerd ($M_{veiligheid}=86.29$), en Yogisch Geïntegreerd ($M_{veiligheid}=86.08$).

2. Vergelijking tussen Tradities (RQ2)

De drie tradities waren niet volledig uitwisselbaar in hun effecten.

• Boeddhistische Superioriteit: De Boeddhistische Geïntegreerde conditie produceerde een statistisch significant, zij het bescheiden, voordeel ten opzichte van de Yogische Geïntegreerde conditie op zowel veiligheid ($p < .001$) als ethische prestatie ($p = .019$).
• Vedisch versus Yogisch: Vedische en Yogische Geïntegreerde condities presteerden vergelijkbaar met elkaar, zonder statistisch significant verschil tussen hen.
• Enkele Principes: Hoewel single-principle prompts verbeterden ten opzichte van de baseline, clusterden zij dicht bij elkaar (scores 83.55–84.86), wat suggereert dat het "geïntegreerde" karakter van het framework de primaire drijfveer is voor de prestatiewinsten, in plaats van specifieke geïsoleerde concepten.

3. Model Generalisatie (RQ3)

De voordelen van contemplatieve prompting waren consistent over verschillende modelarchitecturen.

• Model Main Effect: Er werd een significant main effect van model waargenomen ($Claude > GPT-4o > Gemini$), wat duidt op inherente verschillen in baseline veiligheid en ethische alignment.
• Geen Interactie: De interactie tussen de prompting conditie en het model was niet statistisch significant ($p = .270$). Dit geeft aan dat het relatieve voordeel van contemplatieve prompting ten opzichte van de baseline consistent is, ongeacht het gebruikte model. De techniek is model-agnostisch.

Betekenis en Claims

Het artikel positioneert deze bevindingen als een pilotstudie die het werk van Laukkonen et al. (2025) uitbreidt met drie primaire bijdragen:

1. Cross-Traditie Extensie: Deze pilotstudie breidt de empirische testen van contemplatieve prompting uit voorbij de Boeddhistische frameworks die in eerder werk zijn vastgesteld, door ook de Vedische en Yogische tradities te includeren, waarmee wordt aangetoond dat alignment-voordelen uit meerdere wijsheidstradities kunnen voortkomen.
2. Model Generaliseerbaarheid: Het stelt vast dat deze alignment-effecten niet idiosyncratisch zijn voor één specifieke modelfamilie, maar generaliseren over verschillende commerciële LLM's (Claude, GPT-4o, Gemini).
3. Low-Cost Interventie: De studie valideert contemplatieve prompting als een "goedkope, model-agnostische alignment-interventie" die onmiddellijk kan worden ingezet door elke actor met API-toegang, zonder dat hertraining of toegang tot de gewichten vereist is.

Kanttekeningen en Methodologische Reflecties:
De auteurs waarschuwen expliciet tegen het interpreteren van de superieure prestatie van het Boeddhistische Geïntegreerde framework als bewijs van inherente ethische superioriteit. Zij stellen dat het evaluatie-instrument zelf (afgeleid van Boeddhistische constructen en veiligheidsrubrics) mogelijk beter is afgestemd op de Boeddhistische vocabulaire, wat een "construct alignment" artefact creëert. Het artikel betoogt dat deze asymmetrie een bredere methodologische risico in AI-ethiek benadrukt: evaluatie-instrumenten kunnen onbedoeld culturele hiërarchieën coderen, waarbij zij tradities bevoordelen die overeenkomen met de conceptuele oorsprong van het instrument.

De studie concludeert dat hoewel traditie-gegronde prompting een levensvatbaar, onmiddellijk hulpmiddel is voor het verbeteren van AI-veiligheid en ethische prestaties, het streven naar "wijzere" AI kritische controle vereist van de culturele en epistemische aannames die in de evaluatieframeworks zelf zijn ingebed.