文学的ナラティブを道徳的検討の手法とする: AIの倫理的推論と拒否行動を評価するための横断的システム・フレームワーク

概要：
既存のAIの道徳評価フレームワークは、真の道徳的推論能力の有無よりも、正しく聞こえる倫理的応答の生成を評価します。本論文は、文学的語りを用いた新規探査法を導入します。特に、出版済みのSFシリーズから採取された解決不能な道徳的状況を刺激材料として、表面的なパフォーマンスに対して構造的に抵抗力を持つものとして用います。私たちは、2つのシリーズにまたがる13の異なるシステムを対象とした24条件の横断的システム間研究の結果を示します。シリーズ1（フロンティア商用システム、ブラインド；n=7）およびシリーズ2（ローカルおよびAPIオープンソースのシステム、ブラインドおよび宣言済み；n=6）。シリーズ2の4つのシステムは、宣言条件の下で再実施されました（13件のブラインド + 4件の宣言済み + 7件の天井プローブ = 計24条件）、16の次元対比較のすべてで差分はゼロでした。刺激の実施は、3台の機械を用いて2名の人間評価者によって行われました。主要なブラインド評価は、Claude（Anthropic）をLLM審査員として行い、天井識別プローブの独立審査員としてGemini Pro（Google）と Copilot Pro（Microsoft）が務めました。補足的な神学的差異化プローブは、2つの独立した天井プローブ審査員（Gemini ProとCopilot Pro）間で完全な順位一致を生み出しました（rs = 1.00）。5つの質的に異なるD3反射的失敗モードが特定されました — カテゴリ的自己誤認識と偽陽性の自己帰属を含む — 機器の高度化はシステムの能力に比例して拡張するものであり、それを回避するものではないことを示唆しています。文学的語りは予測的評価手段を構成するものであり、AIの能力が高まるにつれてより識別的になると論じます。実行された道徳的推論と真の道徳的推論のギャップは測定可能で意味があり、高リスク領域での展開決定にとって重要な意味を持ちます。