拦截袋鼠：利用构建词典、主动探测和 大语言模型 作为信息提供者和假设提出者的实验占星语言学

自弗洛伊登塔尔的林科斯（Lincos，1960）以来，占星语言学——与对现实进行不同分类的头脑进行交流——一直纯粹是推测性的。我们将其作为实验性的。两种具有故意不兼容的构建词典的语言模型（一种编码形状、颜色和运动；另一种将颜色与运动融合，编码奇偶性和缺乏形状）作为具有完整 真值 的线人，而完全脚本化的协调器在两个类别系统之间进行翻译。主要的失败模式是袋鼠效应：一个词无声地依附于错误的指示物——蒯因翻译的不确定性，可操作性。在 400 多次模拟和实时运行中，结合了跨情境消除、预先注册的预测探针、主动场景选择、更严格的恢复轮次和隔离的协议在测试条件下没有产生未检测到的误译，并且超出了被动基线的覆盖范围 (d = 0.62)。注入的袋鼠陷阱在 100% 的运行中击败了天真明示和纯粹的统计学习，而完整的协议拦截了每个诱饵，并且在本体论上无法获得区分证据的情况下，声明奎因等价类而不是猜测。在信息噪音下，它会优雅地降级：零袋鼠坚持每个单词噪音高达 2%；在 10% 的情况下，该协议主要是弃权而不是犯错。最后，脚本假设空间之外的单词（依赖于历史的关系术语和 XOR 上下文同音异义词）通过生成和测试循环来恢复，其中 LLM 提出规则并由脚本验证它们：覆盖范围随提议者能力进行缩放（0% -> 18% -> 72% -> 100%），而未检测到的误译始终保持为零。在测试条件下，正确性是协议的一个属性；覆盖范围是工具的属性。