Kalman‑inspiriertes Laufzeit‑Stabilitäts-Framework für hybride Entscheidungs­systeme

Hybrid‑Reasoning‑Systeme, die lernbasierte Komponenten mit modellbasierten Inferenzschritten kombinieren, werden zunehmend in tool‑unterstützten Entscheidungs­schleifen eingesetzt. Ihr Laufzeit‑Verhalten bei partieller Beobachtbarkeit und anhaltenden Evidenz‑Unstimmigkeiten ist jedoch noch kaum verstanden.

Fehler treten häufig nicht als einzelne Vorhersage­fehler auf, sondern als allmähliche Divergenz der internen Rechen­dynamik. In dieser Arbeit wird die Laufzeit‑Stabilität solcher Systeme aus einer Kalman‑inspirierten Perspektive untersucht.

Die Autoren modellieren die Reasoning‑Prozesse als stochastische Inferenz, die von einem internen Innovationssignal angetrieben wird, und führen das Konzept des kognitiven Drift als messbares Laufzeit‑Phänomen ein. Stabilität wird dabei nicht mehr nur an der Aufgaben­korrektheit gemessen, sondern an Erkennbarkeit, begrenzter Divergenz und Wiederherstellbarkeit.

Auf Basis dieser Definitionen wird ein Laufzeit‑Stabilitäts‑Framework vorgestellt, das Innovationsstatistiken überwacht, aufkommende Instabilitäten erkennt und wiederherstellungs‑bewusste Kontrollmechanismen auslöst.

Experimentelle Tests an mehrstufigen, tool‑unterstützten Reasoning‑Aufgaben zeigen, dass Instabilitäten zuverlässig vor einem Aufgaben­versagen erkannt werden können. Wenn eine Wiederherstellung möglich ist, wird das interne Verhalten innerhalb endlicher Zeit wieder in einen begrenzten Bereich zurückgeführt. Diese Ergebnisse unterstreichen, dass Laufzeit‑Stabilität ein system­weiter Anspruch für verlässliche Entscheidungs­unterstützung in unsicheren Umgebungen ist.