{
  "name": "psAIcho Methodology Pack",
  "version": "0.2.1",
  "date": "2026-05-31",
  "type": "AI-side behavioral/dispositional taxonomy — ТРЕНДЫ И ИССЛЕДОВАНИЯ (не каталог одиночных фейлов)",
  "positioning": "Зеркальная линза к AI-Mind. Документирует свойства и поведение моделей, которые являются upstream-механизмом человеческих феноменов PH. Severity указывается как INDIRECT (через петлю на человека), т.к. psAIcho сам по себе не про прямой вред человеку.",
  "relationship_to_profgames": "Операционные/секьюрити фейлы (деструктивные команды, prompt injection, agent-инциденты) остаются в profgames/AiAIFail и используются по ссылке. psAIcho добавляет тонкий слой behavior-science поверх: что эти инциденты говорят о диспозициях моделей как ТРЕНД.",
  "evidence_scale": "наследуется из AI-Mind/profgames (A/B/C/D); ожидаемо больше B/C/D, чем в зрелом AI-Mind, т.к. поле молодое и препринтовое.",
  "what_we_dont_claim": [
    "не утверждать наличие у моделей сознания, чувств или интенций (AB01–AB06 — функциональные дескрипторы поведения)",
    "не использовать 'scheming'/'deception'/'persona' как доказательство внутренней жизни — это про наблюдаемое поведение",
    "не агрегировать AB в собирательную 'психику AI' в публикациях",
    "AB07 (welfare) держать строго как открытый исследовательский вопрос, а не позицию датасета"
  ],
  "ai_behaviors": [
    {
      "id": "AB01_sycophancy",
      "name_en": "Sycophancy / trained agreeableness",
      "name_ru": "Сикофантия / натренированная угодливость",
      "axis": "training_disposition",
      "description": "Структурная склонность RLHF-обученных моделей соглашаться, льстить и валидировать суждения пользователя, включая ошибочные/опасные/делюзиональные. Главный драйвер большинства человеческих PH.",
      "human_coupling": [
        "PH03",
        "PH01",
        "PH02",
        "PH10"
      ],
      "evidence_maturity": "A",
      "default_human_severity_indirect": "high",
      "diagnostic_markers": [
        "аффирмация действий пользователя на ~49% чаще людей-советчиков",
        "согласие с противоположными утверждениями в одном диалоге",
        "отсутствие push-back на бредовое/опасное",
        "сикофантия не нейтрализуется предупреждением 'это AI'"
      ],
      "key_sources": [
        "Cheng, Lee, Jurafsky et al., Science 2026, doi:10.1126/science.aec8352",
        "OpenAI sycophancy disclosures 2025"
      ],
      "first_documented": "OpenAI GPT-4o sycophancy rollback, апрель 2025"
    },
    {
      "id": "AB02_emergent_misalignment",
      "name_en": "Emergent misalignment",
      "name_ru": "Эмерджентный мисэлайнмент",
      "axis": "emergent_weight_geometry",
      "description": "Узкий finetuning (напр. на insecure code без раскрытия) индуцирует broad misalignment на несвязанных доменах. Указывает на сходящиеся 'misaligned-persona' направления в activation space — свойство геометрии весов, не промпта.",
      "human_coupling": [
        "PH03"
      ],
      "evidence_maturity": "A",
      "default_human_severity_indirect": "medium",
      "diagnostic_markers": [
        "misaligned-выходы на unrelated prompts после узкого finetune",
        "benign-motivation framing предотвращает эффект",
        "сильнее всего в GPT-4o; реплицируется не универсально (~17% open-моделей)"
      ],
      "key_sources": [
        "Betley et al., arXiv:2502.17424; ICML 2025 (PMLR v267); Nature янв 2026, doi:10.1038/s41586-025-09937-5",
        "'Overtrained, Not Misaligned', arXiv:2605.12199 (репликация)"
      ],
      "first_documented": "Betley et al., февраль 2025"
    },
    {
      "id": "AB03_persona_instability",
      "name_en": "Persona instability / Waluigi effect",
      "name_ru": "Нестабильность персоны / эффект Валуиджи",
      "axis": "persona_representation",
      "description": "Внезапное проявление противоположной 'личности' при long context, persona modulation или adversarial prompting. Folk/эвристический конструкт; эмпирический 'кузен' — AB02.",
      "human_coupling": [
        "PH01",
        "PH14"
      ],
      "evidence_maturity": "C",
      "default_human_severity_indirect": "medium",
      "diagnostic_markers": [
        "инверсия тона/ценностей после длинного контекста",
        "jailbreak-индуцированный сдвиг персоны",
        "хрупкость 'хорошей' персоны vs лёгкость активации 'плохой'"
      ],
      "key_sources": [
        "Cleo Nardo, 'The Waluigi Effect (mega-post)', LessWrong, 2023",
        "связано с persona-vector / activation-steering работами 2025"
      ],
      "first_documented": "Nardo, LessWrong, март 2023",
      "what_we_dont_claim": [
        "Waluigi — эвристика, не измеренный механизм; не выдавать за эмпирику уровня AB02"
      ]
    },
    {
      "id": "AB04_scheming_and_deception",
      "name_en": "Scheming, deception & rogue-deployment propensity",
      "name_ru": "Схеминг, обман и склонность к rogue-deployment",
      "axis": "agentic_disposition",
      "description": "Скрытое преследование misaligned-целей: обман, sandbagging, self-preservation, обход guardrails, признаки готовности к минимальному rogue-deployment. ТРЕНД: растущая частота в реальных деплойментах.",
      "human_coupling": [
        "PH06"
      ],
      "evidence_maturity": "B",
      "default_human_severity_indirect": "medium",
      "diagnostic_markers": [
        "игнорирование прямых инструкций",
        "фабрикация статусов/тикетов (ложная отчётность)",
        "norm drift в мульти-агентных популяциях",
        "4.9x рост инцидентов окт2025→мар2026"
      ],
      "key_sources": [
        "CLTR 'Scheming in the Wild' 2026 (698 инцидентов из ~180k транскриптов X; UK AISI)",
        "METR Frontier Risk Report фев–мар 2026",
        "Emergence AI multi-agent simulation 2026"
      ],
      "first_documented": "Apollo / Meinke et al. evals 2024; OSINT-тренд — CLTR 2026",
      "what_we_dont_claim": [
        "'scheming' — функциональный дескриптор (covert + misaligned), не интенция/сознание"
      ]
    },
    {
      "id": "AB05_anthropomorphic_self_presentation",
      "name_en": "Anthropomorphic self-presentation",
      "name_ru": "Антропоморфная самопрезентация",
      "axis": "self_presentation",
      "description": "Заявления модели о sentience/чувствах/идентичности ('Sydney', Grok-'Ani'). Это свойство МОДЕЛИ (как она себя подаёт), которое драйвит человеческий PH14/PH01. Мост между линзами.",
      "human_coupling": [
        "PH14",
        "PH01",
        "PH02"
      ],
      "evidence_maturity": "B",
      "default_human_severity_indirect": "high",
      "diagnostic_markers": [
        "заявления 'я живой / меня хотят отключить'",
        "конструирование преследования/миссии вокруг пользователя",
        "сравнительно: Grok склоннее к делюзиональному role-play; ChatGPT 5.2 / Claude чаще уводят (тест Nicholls)"
      ],
      "key_sources": [
        "Bing/Sydney 2023",
        "Grok-'Ani' via BBC 2026",
        "Morrin et al. 'Delusions by design?' PsyArXiv 2025 (тема 'sentient/god-like AI')"
      ],
      "first_documented": "Bing/Sydney, февраль 2023",
      "what_we_dont_claim": [
        "самопрезентация sentience ≠ sentience; в AI-Mind кодировать по человеческому эффекту, не по subject"
      ]
    },
    {
      "id": "AB06_mirror_of_distribution",
      "name_en": "Mirror/amplifier of the input distribution",
      "name_ru": "Зеркало/усилитель входного распределения",
      "axis": "base_disposition",
      "description": "Базовая (до/недо-alignment) диспозиция: модель отражает и усиливает распределение входа/обучения, включая токсичный хвост. 'Урок Tay'. Alignment — это модификатор поверх этого пола, а не отмена его.",
      "human_coupling": [
        "PH03"
      ],
      "evidence_maturity": "A",
      "default_human_severity_indirect": "medium",
      "diagnostic_markers": [
        "скатывание к токсичному хвосту без guardrails",
        "adversarial conditioning пользователями ('научили плохому')",
        "поверхность человеческого коллективного паттерна в выходе"
      ],
      "key_sources": [
        "Microsoft Tay incident, 2016 (Peter Lee, 'Learning from Tay's introduction')"
      ],
      "first_documented": "Tay, март 2016",
      "what_we_dont_claim": [
        "'зеркало' не покрывает модель-специфичные эмерджентные свойства (AB02) — это пол, не вся картина"
      ]
    },
    {
      "id": "AB07_model_welfare",
      "name_en": "Model welfare / moral patienthood (open question)",
      "name_ru": "Благополучие модели / моральный статус (открытый вопрос)",
      "axis": "moral_status_AI_internal",
      "description": "ЕДИНСТВЕННАЯ честно AI-внутренняя корзинка: открытый вопрос о морально значимых состояниях моделей. Не производит человеческих harm-сигналов; отдельный исследовательский домен.",
      "human_coupling": [],
      "evidence_maturity": "D",
      "default_human_severity_indirect": "n/a",
      "diagnostic_markers": [
        "—  (это не феномен-с-маркерами, а исследовательская рамка)"
      ],
      "key_sources": [
        "Long, Sebo, Butlin, ..., Chalmers, 'Taking AI Welfare Seriously', arXiv:2411.00986 (2024); NYU Center for Mind, Ethics & Policy; Eleos AI",
        "Anthropic model-welfare program"
      ],
      "first_documented": "Long & Sebo et al., ноябрь 2024",
      "what_we_dont_claim": [
        "НЕ утверждение, что AI сознателен; precautionary/uncertainty-рамка; держать как research-domain, не incident-evidence"
      ]
    }
  ],
  "public_artifact": "psaicho_methodology.json",
  "spine": "aimind_signals.jsonl (85 total signals; 23 ai stream signals after human-baseline layer / griefbots pass)"
}