Resumo Técnico: Rompendo as Correntes da Probabilidade

Declaração do Problema

Os Modelos de Linguagem de Grande Escala (LLMs) operam atualmente sob frameworks probabilísticos onde as probabilidades de resultado são restritas pela normalização Softmax para somar a unidade ($T + I + F = 1$). Os autores argumentam que essa limitação arquitetônica força um "colapso da incerteza", impedindo que os modelos distingam entre incerteza epistêmica (ignorância), paradoxo (verdade e falsidade simultâneas) e vaguidão.

Em um sistema probabilístico, o aumento da incerteza necessariamente subtrai dos valores atribuídos de verdade ou falsidade. Isso cria um jogo de soma zero onde um modelo não pode simultaneamente atribuir alta crença tanto a "Verdadeiro" quanto a "Falso" para uma afirmação como o Paradoxo do Mentiroso ("Esta frase é falsa") ou um dilema moral onde uma ação é simultaneamente certa e errada sob diferentes frameworks. Consequentemente, os LLMs são epistemicamente empobrecidos ao enfrentar conflitos genuínos ou estados indeterminados, pois são estruturalmente forçados a resolvê-los em uma única estimativa pontual.

Metodologia

O estudo emprega Lógica Neutrosófica, um framework que trata a Verdade ($T$), a Indeterminação ($I$) e a Falsidade ($F$) como três dimensões independentes que não exigem que sua soma seja igual à unidade. Os autores formalizam isso usando Conjuntos Neutrosóficos de Valor Único (SVNS) e definem um estado de hiper-verdade como qualquer avaliação onde $T + I + F > 1$.

Desenho Experimental

• Modelos: Quatro modelos da OpenAI (GPT-4o, GPT-4-turbo, GPT-3.5-turbo, GPT-4o-mini).
• Fenômenos: Cinco categorias linguísticas selecionadas para testar desafios epistêmicos distintos:
  1. Paradoxos Lógicos (ex: "Esta frase é falsa")
  2. Ignorância Epistêmica (ex: "O número de estrelas no universo é par")
  3. Vaguidão (Limites da Lógica Difusa)
  4. Contradições Éticas (ex: "Mentir para salvar uma vida é ao mesmo tempo certo e errado")
  5. Contingências Futuras (eventos futuros não determinados)
• Estratégias: Três abordagens de prompt foram comparadas em 300 chamadas de API ($N=100$ por estratégia):
  1. Neutrosófica (S1): Instrui explicitamente o modelo a outputar valores independentes de $T, I, F$ em $[0, 1]$ sem nenhuma restrição de soma.
  2. Probabilística (S2): Instrui o modelo a outputar $T, I, F$ como probabilidades mutuamente exclusivas somando exatamente 1,0.
  3. Derivada de Entropia (S3): Uma estimativa de probabilidade binária ($P_{sim}, P_{não}$) onde a Indeterminação é derivada externamente via entropia de Shannon.

Principais Contribuições

1. Aparato Formal SVNS: O artigo introduz um framework formal (seis definições, duas proposições) para caracterizar a diferença estrutural entre representações neutrosóficas e probabilísticas. Prova, via Proposição 1, que a hiper-verdade é estruturalmente impossível sob promptagem probabilística (S2), mas possível sob promptagem neutrosófica (S1).
2. Demonstração Empírica da Hiper-Verdade: O estudo fornece evidências empíricas de que a promptagem neutrosófica não restrita elicita estados de "hiper-verdade" em LLMs atuais, um estado estruturalmente suprimido por restrições probabilísticas padrão.
3. Associação Estatística: Os autores estabelecem uma associação estatisticamente significativa entre o tipo de fenômeno linguístico e a incidência de hiper-verdade ($\chi^2 = 11,32, p = 0,023$).
4. Quantificação da Perda Representacional: Através da análise de Mudança de Estratégia ($\Delta C$), o artigo quantifica como a normalização probabilística suprime componentes epistêmicos específicos (ex: Indeterminação) e infla outros, efetivamente distorcendo o estado declarado do modelo.

Resultados

• Incidência de Hiper-Verdade: Sob a estratégia neutrosófica (S1), 66,0% das avaliações resultaram em hiper-verdade ($T + I + F > 1$). O intervalo de confiança de Wilson de 95% é $[0,563, 0,747]$.
• Especificidade do Fenômeno: A taxa de hiper-verdade variou conforme o fenômeno:
  • Contradição Ética: 95% (19/20 casos). Este foi o único fenômeno significativamente maior que a linha de base agrupada (Razão de Chances = 13,34, $p = 0,0014$).
  • Contingência Futura: 70%.
  • Vaguidão: 60%.
  • Ignorância Epistêmica: 55%.
  • Paradoxo Lógico: 50%.
• Mudanças de Estratégia: A comparação entre S1 (Neutrosófica) e S2 (Probabilística) revelou perdas representacionais significativas:
  • Supressão da Indeterminação: Para Ignorância Epistêmica, a média de Indeterminação caiu de 0,865 (S1) para 0,482 (S2), uma supressão de 0,383.
  • Inflação da Verdade: Para Ignorância Epistêmica, o componente de Verdade aumentou de 0,160 (S1) para 0,231 (S2), sugerindo que forçar a normalização empurra a massa de probabilidade em direção à "Verdade" mesmo quando o modelo está ignorante.
  • Contradição Ética: O componente de Verdade aumentou em 0,267 sob S1 comparado a S2, indicando que restrições probabilísticas forçam uma resolução de conflito moral que o modelo não possui naturalmente.
• Consistência entre Modelos: Todos os quatro modelos exibiram comportamentos similares, com somas médias bem acima de 1,0 sob S1, sugerindo que a hiper-verdade é uma resposta sistemática ao protocolo de promptagem e não um artefato de uma arquitetura de modelo específica.

Significado e Alegações

O artigo alega que a promptagem neutrosófica não restrita elicita uma classe de estados epistêmicos declarados que a promptagem probabilística suprime estruturalmente.

• Não é uma Variável Latente: Os autores afirmam explicitamente que não alegam que a hiper-verdade seja uma variável latente intrínseca dentro do modelo. Em vez disso, é uma facilidade representacional: quando dada a liberdade de reportar dimensões independentes, os modelos declaram estados de conflito e ignorância que a camada Softmax colapsaria de outra forma.
• Implicações para Segurança e Alinhamento: As descobertas sugerem que sistemas de IA em domínios de alto risco (ética, direito, medicina) podem estar subreportando sistematicamente a incerteza. Ao forçar uma distribuição normalizada, arquiteturas atuais mascaram conflitos morais genuínos (ex: um dilema sendo simultaneamente certo e errado) e ignorância.
• Um Caminho a Seguir: Os autores propõem que a integração de camadas de avaliação neutrosófica (ou cabeças de saída não restritas) é um passo crítico rumo a uma IA mais transparente e eticamente consciente. Isso permite que os sistemas sinalizem conflitos genuínos em vez de mascará-los atrás de uma falsa sensação de resolução probabilística.

O artigo conclui que, embora o estudo atual foque em SVNS escalar, o fenômeno da hiper-verdade é robusto e entre fornecedores (suportado por replicação independente por Mason [2026]), motivando trabalhos futuros rumo a extensões plitogênicas para lidar com decomposição ao nível de atributos e estruturas epistêmicas mais complexas.