大規模言語モデルにおける倫理的フレームワーク表現の探究：構造、エンタングルメント、および方法論上の課題

要旨: 大規模言語モデルが倫理判断を行うとき、内部表現は規範的枠組みを区別しているのか、それとも倫理を単一の受容可能性の次元に潰してしまうのか？ 本研究では、6つのLLM（4B--72Bパラメータの範囲）において、5つの倫理的枠組み（義務論、功利主義、徳、正義、コモンセンス）にまたがって、隠れ表現を調べます。解析の結果、非対称な転移パターンを伴う、区別可能な倫理サブスペースが明らかになりました。たとえば、義務論のプローブは徳のシナリオへは部分的に一般化する一方で、コモンセンスのプローブは正義に対しては壊滅的に失敗します。義務論的プローブと功利主義的プローブの間の不一致は、アーキテクチャ全体でより高い行動エントロピーと相関しますが、この関係は一部、シナリオの難しさに対する共通の感度を反映している可能性があります。事後検証により、プローブはベンチマークのテンプレートにおける表面上の特徴に部分的に依存していることが示され、慎重な解釈が求められます。本稿では、これらの手法が提供する構造的な洞察と、その認識論的な限界の両方について議論します。