Más allá del Softmax: hiper-verdad neutrosófica como marco para la incertidumbre epistémica en grandes modelos de lenguaje
Year: 2026
Type: article
Abstract: Los grandes modelos de lenguaje (LLM, por sus siglas en inglés) están gobernados predominantemente por marcos probabilísticos en los que la suma de las probabilidades de los resultados se restringe a la unidad. Esta limitación, impuesta habitualmente por las capas Softmax, conduce a un colapso de la incertidumbre que confunde la ignorancia, la paradoja y la vaguedad. Presentamos una investigación empírica de la lógica neutrosófica, en la que la verdad (T), la indeterminación (I) y la falsedad (F) son tres dimensiones independientes en [0, 1], aplicada para elicitar estados epistémicos declarados en LLM. A lo largo de 300 llamadas a la API — incluyendo 100 evaluaciones neutrosóficas válidas no restringidas — sobre cuatro modelos GPT de OpenAI y cinco fenómenos lingüísticos (cinco repeticiones por celda), la estrategia neutrosófica produce hiper-verdad (T + I + F > 1) en el 66.0% de las evaluaciones de la Estrategia 1, con las tasas más altas observadas en contradicción ética (95%) y contingencia futura (70%). Una prueba χ² de Pearson sobre la asociación fenómeno × hiper-verdad resulta significativa (χ² = 11.32, gl = 4, p = 0.023). Mason (2026) ha replicado y extendido independientemente una versión anterior de este trabajo en cinco familias de modelos de cinco proveedores distintos, reportando hiper-verdad en el 84% de las evaluaciones no restringidas. No afirmamos que la hiper-verdad sea una variable latente intrínseca al modelo; sino que la inducción neutrosófica no restringida elicita estados epistémicos declarados que la inducción probabilística suprime estructuralmente, conforme a la Proposición 1.
Author: Leyva-Vázquez, Maikel Yelandi
Institution: University of Guayaquil
Language: Spanish
Subfield: Mathematical Physics
Field: Mathematics
Domain: Physical Sciences
Open Access status: diamond
OpenAlex ID: W7159683783