Power-Simulation der PET-Detektionslogik – Replikationscode zum Konzeptpaper "Prompt Echo Tracking (PET)
收藏资源简介：
Dieses Repositorium enthält den Python-Simulationscode zu Anhang A des Konzeptpapers "Echoeffekte in generativen KI-Systemen: Prompt Echo Tracking (PET) als Beobachtungsprotokoll – Anwendungsperspektiven für Bildung, Governance und Nachhaltigkeit" (Pijetlovic 2026). Die beiden Skripte führen Monte-Carlo-Simulationen der in Abschnitt 6.2 des Papers vorgeschlagenen zweistufigen Detektionsregel durch. Sie quantifizieren die Sensitivität des Verfahrens unter realistischen Annahmen über Replikationszahl, wahre Effektgröße (Cliff's Delta) und Konsistenzkriterium über thematisch verwandte Dimensionen. Die Ergebnisse begründen die in Tabelle 2 des Papers dokumentierte Replikationsempfehlung. Inhalt:- pet_power_sim.py: Simulation der Stufe-2-Detektion (robuster Echoeffekt; Konsistenzanforderung über mindestens zwei thematisch verwandte Dimensionen pro Prompt).- pet_power_stage1.py: Simulation der Stufe-1-Detektion (Hinweisbefund; mindestens eine Dimension überschreitet die Detektionsregel). Setup: 9 Prompts, 5 inhaltlich-normative Dimensionen (45 Prompt-Dimensions-Kombinationen pro Phasenvergleich), ordinale Antwortverteilung mit mittenzentrierter Basis, Effektgrößen-Zielwerte 0,20 / 0,33 / 0,474. Pro Szenario 500 simulierte Studien. Mehrfachkorrektur nach Benjamini-Hochberg über alle Tests. Anforderungen: Python 3.12+, NumPy, SciPy. Keine weiteren Abhängigkeiten. Verwendung: Beide Skripte sind direkt ausführbar und geben ihre Ergebnisse als Konsolen-Tabelle aus. Sie können mit angepassten Parametern (Effektgröße, Anzahl Dimensionen, Replikationszahl) erneut ausgeführt werden, um die Sensitivitätsschätzungen an konkrete Anwendungsbedingungen anzupassen. Reproduzierbarkeit: Die Skripte verwenden einen festen Seed (rng = np.random.default_rng(2026)). Mit unverändertem Seed reproduzieren sie exakt die in Anhang A, Tabelle 4 des Konzeptpapers berichteten Detektionsraten. Zitiervorschlag: Pijetlovic, D. (2026). Power-Simulation der PET-Detektionslogik – Replikationscode zum Konzeptpaper "Prompt Echo Tracking (PET)". Zenodo. [10.5281/zenodo.20284184]
本仓库收录了概念论文《生成式人工智能（Generative AI）系统中的回声效应：以提示回声追踪（Prompt Echo Tracking, PET）作为观测方案——在教育、治理与可持续发展领域的应用前景》（Pijetlovic 2026）附录A对应的Python仿真代码。 本仓库内的两段脚本针对论文第6.2节提出的两阶段检测规则开展蒙特卡洛（Monte-Carlo）仿真，基于复制次数、真实效应量（克利夫德尔塔，Cliff's Delta）以及主题相关维度上的一致性准则等现实假设，量化该方法的检测灵敏度。其研究结果支撑了论文表2中记录的复制建议。 内容说明： - `pet_power_sim.py`：用于二级检测仿真（稳健回声效应；要求每个提示词（Prompt）至少在两个主题相关维度上满足一致性准则）。 - `pet_power_stage1.py`：用于一级检测仿真（初步判定结果；要求至少有一个维度满足检测规则）。 实验设置：本次仿真共使用9个提示词（Prompt）、5个内容规范性维度，每次阶段对比对应45个提示词-维度组合；采用以中位数为中心的有序响应分布，效应量目标值分别为0.20、0.33、0.474。每个场景下开展500次仿真研究，所有检验均采用本雅明尼-霍赫贝格（Benjamini-Hochberg）多重校正方法。 依赖要求：Python 3.12及以上版本，NumPy、SciPy库，无其他额外依赖。 使用说明：两段脚本均可直接运行，并将结果以控制台表格形式输出。用户可自定义参数（效应量、维度数量、复制次数）重新运行，以适配具体应用场景调整灵敏度估算结果。 可复现性说明：脚本采用固定随机种子（`rng = np.random.default_rng(2026)`），使用相同种子即可复现概念论文附录A表4中记录的检测率。 引用格式：Pijetlovic, D. (2026). PET检测逻辑的效能仿真——概念论文《Prompt Echo Tracking (PET)》的复刻代码。Zenodo. [10.5281/zenodo.20284184]
