大規模言語モデルにおける道徳的推論の軌跡の理解：プロービングに基づく説明可能性へ

要約: 大規模言語モデル（LLMs）は道徳的に敏感な意思決定にますます関与していますが、推論の各ステップにわたって倫理的フレームワークをどのように組織するかは十分には検討されていません。私たちは \\textit{倫理的推論軌跡}、中間の推論ステップにわたる倫理的フレームワークの呼び出しの連続を導入し、それらのダイナミクスを6つのモデルと3つのベンチマークにわたって分析します。私たちは道徳的推論は系統的な複数フレームワークによる熟慮を含むことを見いだしました：連続するステップの55.4--57.7%がフレームワークの切替を伴い、軌道の16.4--17.8%のみがフレームワーク一貫性を保ちます。不安定な軌道は説得攻撃を受けやすさが1.29倍になる（p=0.015）。表現レベルでは、線形プローブがフレームワーク特異的エンコーディングをモデル固有の層へ局在させる（Llama-3.3-70Bの層63/81、Qwen2.5-72Bの層17/81）、訓練データセットの事前ベースラインよりKLダイバージェンスを13.8--22.6%低減します。軽量な活性化ステアリングはフレームワーク統合パターンを調整し（6.7--8.9%のドリフト削減）、安定性と精度の関係を増幅します。さらに、Moral Representation Consistency (MRC) 指標を提案します。この指標はLLMのコヒーレンス評価と強く相関します（r=0.715、p<0.0001）。この指標の基になるフレームワークの寄与は人間の注釈者によって検証されており（平均コサイン類似度 = 0.859）。