Addressing Logical Fallacies In Scientific Reasoning From Large Language Models: Towards a Dual-I...

文章核心总结与创新点主要内容该文章聚焦大型语言模型（LLMs）在科学推理中的逻辑谬误问题，深入分析了现有模型依赖单一肯定式推理（类似肯定前件式逻辑）的局限性，并提出双推理训练框架以解决这一问题。问题揭示：现有LLMs（如GPT-2、LLaMA 3等）在科学领域（医学、环境科学）推理中存在系统性缺陷，易出现肯定后件、否定前件、因果倒置等逻辑谬误，尤其在处理否定表述、反例和错误前提时表现薄弱。理论基础：结合形式逻辑、认知科学（人类推理依赖证实与证伪双过程）、波普尔证伪主义哲学及对抗性训练等理论，论证了否定式推理对提升模型鲁棒性的重要价值。框架设计：提出的双推理训练框架包含两条互补路径——肯定式生成（保留传统模型的生成流畅性，基于肯定前件式逻辑的监督学习）与反事实否定训练（通过对比采样，让模型学习识别无效前提、拒绝不合理结论）。实证支撑：通过医学和环境科学领域各100条因果陈述及8种逻辑变体的测试，验证了现有模型的推理缺陷；同时从数学层面证明了双推理框架在表征能力上的优势。创新点重新诠释逻辑形式：将传统形式逻辑中的“否定前件”谬误，重构为概率学习框架下的计算机制，为模型提供证伪能力，而非单纯规避该逻辑形式。双推理训练范式：首次系统性整合肯定式生成与结构化反事