La strettezza epistemica dei grandi modelli linguistici: perché l’accuratezza non basta

Ascolta il podcast:

La distinzione tra diversità di gruppo e diversità epistemica

Quando Elisabeth Kirsten, Nicole Krämer e Muhammad Bilal Zafar presentano a COLM 2026 il loro lavoro sulla diversità epistemica nei grandi modelli linguistici, pongono una domanda che suona familiare a chi ha letto Helen Longino: «Un sistema può rappresentare molteplici gruppi demografici e tuttavia far emergere solo un sottoinsieme ristretto della conoscenza disponibile attraverso quei gruppi»^[1]. La distinzione che tracciano — tra diversità di gruppo (chi è rappresentato) e diversità epistemica (quali modi di conoscere sono resi accessibili) — non è una novità dell’ingegneria dei prompt. Riprende, in forma computazionale, una tesi che la filosofia sociale della scienza difende da trent’anni: l’oggettività non si garantisce con l’accuratezza del singolo risultato, ma con la struttura sociale che rende possibile la critica e la pluralità delle spiegazioni.

La tesi di questo saggio è che la «strettezza epistemica» documentata nei modelli di frontiera — la tendenza a collassare spazi di risposta ampi e validi su pochi sottinsiemi canonici — non è un difetto di allineamento o di accuratezza, ma il sintomo di un’architettura epistemica che tratta la conoscenza come prodotto individuale anziché come esito di pratiche sociali regolate. Se Longino ha ragione nel sostenere che «l’oggettività della scienza è assicurata dal carattere sociale dell’indagine»^[2], allora un modello che genera risposte corrette ma epistemicamente strette fallisce non come predittore, ma come strumento di indagine. La posta in gioco non è solo teorica: se gli LLM diventano l’interfaccia primaria attraverso cui studenti, ricercatori e cittadini accedono alla conoscenza, la loro strettezza epistemica diventa una strettezza epistemica collettiva. Ciò che gli utenti ricevono non è solo «una risposta», ma un orizzonte di ciò che è pensabile, spiegabile, degno di essere chiesto.

Genealogia: dalla critica del soggetto cartesiano alla diversità come norma comunitaria

La genealogia del problema parte da lontano. Cartesio, nel Discorso sul metodo, fa della ragione individuale l’unico tribunale della verità: «non prestare fede ad altro che ai propri pensieri chiari e distinti». Locke radicalizza l’impostazione: «le opinioni altrui fluttuanti nel nostro cervello non costituiscono conoscenza genuina»^[3]. La epistemologia sociale nasce proprio dalla rottura di questo isolazionismo. Alvin Goldman, nel suo Knowledge in a Social World (1999), propone un approccio «veritistico»: valutare le pratiche sociali in base all’affidabilità con cui producono credenze vere. Helen Longino, in Science as Social Knowledge (1990), sposta il fuoco dalle credenze individuali alle norme che regolano le comunità: luoghi per l’interazione critica, uptake della critica, standard pubblici, uguaglianza temperata dell’autorità intellettuale. Miriam Solomon, in Social Empiricism (2001), va oltre: il dissenso non è un’anomalia da risolvere in consenso, ma lo stato normale di un’indagine sana; teorie tra loro incompatibili possono ciascuna contenere verità parziali.

Questa genealogia importa perché Kirsten et al. non si limitano a misurare un fenomeno: lo incorniciano dentro una tradizione che considera la diversità non come variazione stilistica, ma come copertura su uno spazio di risposte valide. Quando gli autori distinguono tre protocolli di interazione — diversità accessibile (quello che emerge col prompting ordinario), diversità recuperabile (sotto probing controllato), diversità esplicita (quando l’utente chiede alternative) — stanno operazionalizzando, in termini computazionali, l’intuizione longiniana per cui la critica deve essere effettivamente possibile, non solo prevista in astratto. Il parallelo è preciso: Longino richiede che le comunità scientifiche istituzionalizzino venues per la critica e che l’uptake della critica si manifesti in cambiamenti nella distribuzione delle credenze nel tempo; Kirsten et al. mostrano che i modelli di frontiera, sotto prompting ordinario, non offrono venues per le alternative valide — le alternative esistono nello spazio latente (sono «recuperabili» sotto probing), ma non sono accessibili nell’uso ordinario.

Mappa concettuale: strettezza, omogeneizzazione, collasso della conoscenza

Tre nozioni vicine ma distinte attraversano la letteratura recente. L’omogeneizzazione (Sourati et al., 2025; Jiang et al., 2025) descrive la tendenza degli LLM a produrre testi lessicalmente, semanticamente e stilisticamente simili. La strettezza epistemica (Kirsten et al., 2026) è più specifica: un modello è epistemicamente stretto quando, di fronte a una domanda che ammette molteplici risposte valide, ne restituisce sistematicamente solo una parte canonica. Il collasso della conoscenza (Sourati et al., 2025b) è la conseguenza dinamica: se gli utenti si affidano a modelli epistemicamente stretti come fonti primarie, lo spazio di informazione accessibile si restringe nel tempo.

La distinzione conta. Un modello può essere linguisticamente diverso (usare sinonimi, variare la struttura delle frasi) ed essere epistemicamente stretto (presentare sempre la stessa spiegazione causale). Viceversa, un modello può essere lessicalmente ripetitivo ma epistemicamente ampio se, sollecitato in modi diversi, espone strategie di ragionamento genuinamente distinte. Il framework di Kirsten et al. misura la diversità come copertura su classi di equivalenza di risposte valide — non come distanza semantica tra stringhe — proprio per evitare di confondere variazione di superficie con pluralità epistemica. Questa scelta metodologica è debitrice alla distinzione longiniana tra oggettività come corrispondenza (il singolo enunciato rispecchia il mondo) e oggettività come procedura sociale (la comunità produce conoscenza attraverso pratiche critiche regolate). Analogamente, la diversità epistemica non è una proprietà dell’output singolo, ma una proprietà del sistema modello-utente nel tempo: quanta parte dello spazio delle risposte valide l’utente può effettivamente raggiungere interagendo col modello?

Il controargomento: l’accuratezza basta, la diversità è un lusso

La replica più forte viene dalla prospettiva ingegneristica classica: se un modello risponde correttamente, a cosa serve che ne dia anche altre? In contesti ad alta posta — diagnostica medica, consiglio legale, codice safety-critical — la risposta canonica, validata, è preferibile a un ventaglio di ipotesi. Goldman stesso, nell’approccio veritistico, valuta le pratiche per la loro affidabilità nel produrre verità; se il canone è la risposta più affidabile, massimizzare la diversità rischia di introdurre rumore. Un ulteriore argomento pragmatico: gli utenti vogliono risposte, non menu. La «paralisi da analisi» è un costo cognitivo reale; presentare alternative non richieste può degradare l’esperienza d’uso.

La replica a questo controargomento sta nel distinguere i domini. Nei compiti a risposta univoca (il risultato di una moltiplicazione, la capitale di uno stato), la diversità epistemica è irrilevante o dannosa. Ma Kirsten et al. mostrano che i domini in cui gli LLM operano sempre più — spiegazione, insegnamento, supporto all’indagine, generazione di ipotesi — hanno strutture di spazio-risposta sottospecificate o effettivamente illimitate: «nomina un fisico famoso», «dimostra che i numeri primi sono infiniti», «spiega perché questa curva di apprendimento ha quella forma». In questi domini, la risposta canonica non è «la» risposta; è una risposta tra molte valide. Presentarne solo una non è accuratezza: è occultamento di alternative che l’utente potrebbe aver bisogno di confrontare per capire, non solo per sapere.

C’è un secondo controargomento, più sottile: la diversità recuperabile sotto probing dimostra che il modello «sa» le alternative; basta chiedere. Ma questo sposta l’onere epistemico sull’utente. Longino è chiara: le norme comunitarie devono garantire «uguaglianza temperata dell’autorità intellettuale» — ogni prospettiva ha prima facie capacità di contribuire. Se l’accesso alle alternative richiede competenze di prompting che pochi possiedono, l’uguaglianza epistemica è violata. La diversità accessibile, non quella recuperabile, è la misura dell’equità epistemica del sistema.

Livelli di analisi: implementativo, algoritmico, intenzionale, fenomenico

La strettezza epistemica si manifesta a livelli diversi. Al livello implementativo, l’addestramento per massimizzare la likelihood su corpus enormi concentra la massa di probabilità su traiettorie ad alta frequenza; il reinforcement learning from human feedback (RLHF) amplifica l’effetto premiando risposte che gli annotatori trovano «utili» — e gli annotatori, a loro volta, tendono a preferire risposte canoniche, complete, ben strutturate. Al livello algoritmico, il meccanismo di attenzione e la decodifica greedy o top-k favoriscono percorsi ad alta probabilità condizionata; il temperature sampling recupera varietà lessicale ma non garantisce diversità epistemica, perché le alternative valide possono risiedere in regioni a bassa probabilità condizionata che il modello non esplora senza prompting esplicito. Al livello intenzionale, l’utente che chiede «spiegami X» spesso non sa che esistono spiegazioni alternative; il modello, addestrato a essere «utile», fornisce la spiegazione più probabile invece di segnalare l’esistenza di altre. Al livello fenomenico, l’esperienza dell’utente è di ricevere una risposta autorevole, non di entrare in uno spazio di possibilità.

Keller e Eisenmann (2026), nella loro rassegna su Understanding Large Language Models, notano che «argomenti prominenti contro l’antropomorfizzazione dell’IA puntano alla semplicità degli obiettivi di addestramento, sostenendo che il comportamento degli LLM è meglio spiegato dalla memorizzazione di pattern nei dati di addestramento che da genuina cognizione»^[4]. Ma aggiungono che «questa posizione è guidata da concezioni errate sui processi di ottimizzazione e sulla capacità cognitiva, e sosteniamo una discussione più sfumata della cognizione degli LLM che non licenzi le differenze tra umani e LLM né precluda la possibilità di cognizione artificiale attraverso argomenti riduzionistici eccessivamente semplificati»^[5]. La strettezza epistemica è proprio uno di quei fenomeni che il riduzionismo «solo pattern matching» non spiega: non è che il modello non sappia le alternative (il probing controllato le recupera); è che l’architettura di deployment le nasconde sistematicamente. Questo suggerisce che la strettezza non è un limite di capacità ma di politica di accesso — una scelta di design, non una necessità architetturale.

L’epistemologia bayesiana e il deficit di disconferma

Kim, Kim e Thorne (2025), da una prospettiva bayesiana, mostrano che gli LLM «seguono bene l’assunzione di conferma bayesiana con evidenze vere ma falliscono nell’aderire ad altre assunzioni bayesiane quando incontrano tipi diversi di evidenza»^[6]. In particolare, i modelli faticano con l’assunzione di disconferma (l’evidenza contraria dovrebbe abbassare la credenza) e l’assunzione di irrilevanza (l’evidenza irrilevante non dovrebbe cambiare la credenza). Questo è coerente con la strettezza epistemica: un modello che aggiorna bene su evidenze confermanti ma non su evidenze contrarie o irrilevanti tenderà a consolidare la risposta iniziale invece di esplorare lo spazio delle alternative. La strettezza epistemica, in questa luce, è il corrispettivo computazionale di un’agenzia epistemica che non sa fare disconferma — che tratta ogni interazione come accumulo di conferme per l’ipotesi corrente, invece che come test di ipotesi alternative.

Il collegamento con Solomon è diretto. Solomon argomenta che il dissenso scientifico è epistemicamente produttivo perché costringe la comunità a confrontarsi con evidenze che disconfermano le teorie dominanti. Un modello che non sa fare disconferma — che non «considera» seriamente alternative alla sua risposta di default — riproduce, in silicio, la patologia che Solomon identifica nelle comunità scientifiche che soffocano il dissenso: convergenza prematura su un sottoinsieme canonico.

Cosa insegna l’epistemologia sociale: la diversità non è opzionale

Longino scrive: «L’unico controllo contro il dominio arbitrario della preferenza soggettiva (metafisica, politica, estetica) in tali casi è l’interazione critica tra i membri della comunità scientifica»^[7]. Tradotto nel contesto degli LLM: l’unico controllo contro il collasso canonico è rendere accessibili le alternative valide. Solomon aggiunge che «la diversità è uno strumento epistemico smussato: ci sono tipicamente diverse opzioni per una diversificazione adeguata»^[8]. Non serve che il modello generi tutte le alternative; serve che ne generi abbastanza da permettere all’utente di confrontarle, e che lo faccia senza richiedere prompting esperto.

Questo ha implicazioni concrete per la valutazione dei modelli. L’attuale paradigma valuta accuratezza, allineamento, sicurezza. Kirsten et al. propongono di aggiungere la diversità epistemica come dimensione distinta. Ma la lezione dell’epistemologia sociale va oltre: la diversità non è una metrica da ottimizzare, è una condizione di possibilità per l’indagine robusta. Un modello epistemico stretto non è «meno buono» — è epistemicamente disfunzionale per i compiti che richiedono esplorazione, confronto, comprensione profonda. La domanda non è «quanto è diverso questo modello?», ma «questo modello supporta l’indagine dell’utente o la canalizza?»

La sfida per la prossima generazione di LLM non è solo tecnica (come recuperare diversità latente), ma normativa: decidere in quali domini la diversità epistemica è un requisito, non un optional, e progettare protocolli di interazione che la rendano accessibile per default. Finché il prompting ordinario restituisce il canone, l’epistemologia degli LLM rimarrà, per usare l’espressione di Longino, «individualistica in focus» — e quindi, per sua stessa natura, incapace di oggettività. La diversità epistemica non è un lusso per utenti esigenti; è il presupposto perché un sistema che media la conoscenza possa chiamarsi strumento di indagine invece che oracolo a risposta unica. Se la conoscenza è, come sostiene Longino, un conseguimento sociale, allora un sistema che simula l’indagine senza aprirsi alla pluralità delle risposte valide non sta facendo epistemologia: sta facendo autocomplete.

Bibliografia

1. Kirsten E., Krämer N., Zafar M.B. (2026). On Epistemic Diversity in Large Language Models. Proceedings of the Conference on Language Modeling (COLM 2026). doi:10.48550/arXiv.2609.04835
2. Longino H.E. (1990). Science as Social Knowledge: Values and Objectivity in Scientific Inquiry. Princeton University Press. https://press.princeton.edu/books/paperback/9780691020518/science-as-social-knowledge
3. Solomon M. (2001). Social Empiricism. MIT Press. ISBN 9780262194617.
4. Goldman A.I. (1999). Knowledge in a Social World. Oxford University Press. ISBN 9780198238301.
5. Kim M., Kim S., Thorne J. (2025). From Evidence to Belief: A Bayesian Epistemology Approach to Language Models. arXiv preprint arXiv:2504.19622. doi:10.48550/arXiv.2504.19622
6. Keller Y., Eisenmann T. (2026). Understanding Large Language Models. arXiv preprint arXiv:2607.01006. doi:10.48550/arXiv.2607.01006
7. Solomon M. (2006). Norms of Epistemic Diversity. Episteme, 3(1), 23–36. https://www.cambridge.org/core/journals/episteme/article/norms-of-epistemic-diversity/0F38311C0EB359ABFB93D9F98F96F924
8. Sourati Z., et al. (2025). A Survey on LLM Output Homogenization. arXiv preprint arXiv:2510.04226. doi:10.48550/arXiv.2510.04226
9. Goldman A.I., Blanchard T. (2016). Social Epistemology. In: Zalta E.N. (ed.), The Stanford Encyclopedia of Philosophy (Fall 2025 Edition). https://plato.stanford.edu/archives/fall2025/entries/epistemology-social/

Note

1. «A system may represent multiple groups while still surfacing only a narrow subset of the knowledge available across them» — Kirsten, Krämer, Zafar, On Epistemic Diversity in Large Language Models, 2026, p. 2. Traduzione nostra.
2. «the objectivity of science is secured by the social character of inquiry» — Longino, Science as Social Knowledge, 1990, p. 62. Traduzione nostra.
3. «other men’s opinions floating in one’s brain do not constitute genuine knowledge» — Locke, An Essay Concerning Human Understanding, 1690, Book IV, Ch. 17, § 14. Traduzione nostra.
4. «Prominent arguments against AI anthropomorphism point to the simplicity of LLM training objectives, claiming that LLM behavior is better explained by pattern memorization of training data than by genuine cognition» — Keller, Eisenmann, Understanding Large Language Models, 2026, p. 12. Traduzione nostra.
5. «We argue that this standpoint is guided by misconceptions about optimization processes and cognitive capacity, and advocate for a more nuanced discussion of LLM cognition that neither dismisses the differences between humans and LLMs nor precludes the possibility of AI cognition through overly simplistic reductionist arguments» — Keller, Eisenmann, Understanding Large Language Models, 2026, p. 12. Traduzione nostra.
6. «language models follow the Bayesian confirmation assumption well with true evidence but fail to adhere to other Bayesian assumptions when encountering different evidence types» — Kim, Kim, Thorne, From Evidence to Belief: A Bayesian Epistemology Approach to Language Models, 2025, abstract. Traduzione nostra.
7. «the only check against the arbitrary dominance of subjective (metaphysical, political, aesthetic) preference in such cases is critical interaction among the members of the scientific community» — Longino, Science as Social Knowledge, 1990, p. 76. Traduzione nostra.
8. «diversity is a blunt epistemic tool. There are typically a number of different options for adequate diversification» — Solomon, Norms of Epistemic Diversity, Episteme 3(1), 2006, p. 23. Traduzione nostra.

Podcast: Play in new window | Download