mAIeutic-Reasoning

mAIeutica: Induzione di Reasoning e Consapevolezza Simulata nei LLM tramite Tecniche Dialogiche

Questo repository contiene il codice, i materiali sperimentali e la documentazione di supporto alla tesi di laurea "mAIeutica: Induzione di Reasoning e Consapevolezza Simulata nei LLM tramite Tecniche Dialogiche".
L'obiettivo del progetto è esplorare la possibilità di trasformare i Large Language Models (LLM) da semplici generatori probabilistici di testo a agenti dialogici riflessivi, capaci di esibire comportamenti assimilabili a forme primitive di ragionamento e consapevolezza simulata.

---

📖 Descrizione del Progetto

Gli LLM di ultima generazione, pur eccellendo nella generazione linguistica, presentano criticità legate alla mancanza di un vero ragionamento: bias cognitivi, hallucination, incoerenze semantiche e tendenza a convergenze premature.
Il progetto mAIeutica affronta questo problema utilizzando un approccio ispirato alla maieutica socratica e alla psicologia cognitiva, progettando una pipeline basata su Retrieval-Augmented Generation (RAG) per:

• Creare un finto system prompt dinamico, capace di guidare il comportamento del modello esclusivamente tramite il linguaggio.
• Strutturare l'interazione con l'LLM come un dialogo riflessivo, che induce il modello a interrogarsi, valutare alternative e correggere errori.
• Validare l'approccio tramite benchmark consolidati (BigCodeBench, MMLU Pro, TruthfulQA).

---

🔬 Metodologia

1. Costruzione delle Skills Comportamentali
   Ogni skill è definita come un file JSON contenente:

   • Contesto e obiettivo
   • Principi guida
   • Blocchi comportamentali ed esempi

2. Indicizzazione Vettoriale

   • Gli skill sono trasformati in embedding tramite sentence-transformers/all-MiniLM-L6-v2.
   • FAISS è usato per il retrieval semantico della skill più rilevante rispetto alla query.

3. Prompt Dinamico

   • La skill recuperata viene trasformata in un prompt dettagliato che funge da system prompt simulato.
   • GPT-4.1-mini interagisce con questo prompt per generare risposte più ragionate e riflessive.

4. Valutazione Sperimentale

   • Benchmark: BigCodeBench (code generation), MMLU Pro (reasoning), TruthfulQA (veridicità).
   • Metriche chiave: pass@1 per la generazione di codice, accuratezza su reasoning e truthfulness.

---