Лингвисты ТюмГУ учат ИИ объективизировать смысл
Студенты-лингвисты ТюмГУ проверили, можно ли с помощью генеративного ИИ сделать лингвистический анализ менее субъективным. В результате получили ответ «да, но с оговорками». В рамках дисциплины «Языковые модели» они апробировали так называемые «внутримодельные» инструменты больших языковых моделей (LLM) для первичной обработки языковых и дискурсивных единиц.
сен
В эксперименте использовали сразу три класса инструментов: классические NLP-подходы (известные еще с 1950—1970‑х годов), механизмы трансформеров («умение» нейросети видеть связи между словами в предложении) и инструменты рассуждающих моделей. Чтобы направить ИИ в нужное русло, студенты формулировали точные запросы, где указывали, какие именно инструменты нужно задействовать. Так они проверяли, насколько хорошо ИИ способен валидировать классические лингвистические теории — от модели знака Чарльза Пирса и Фердинанда де Соссюра до деконструктивного анализа Жака Деррида.
Для эксперимента они взяли пять языковых моделей: DeepSeek R1, Perplexity AI, ChatGPT 4o, GigaChat и Mistral AI3. Анализ проводили в двух режимах: инструментальном (когда основную работу делает ИИ) и экспертном (когда студент критически оценивает результат), причем режимы комбинировали (иногда последовательно, иногда параллельно, в зависимости от задачи и личных предпочтений студента).
«По итогам апробации самой исчерпывающей оказалась модель DeepSeek R1. Она не просто выдает ответ, а показывает логику, по которой пришла к выводу, и опирается на структурированные знания. Это оказалось особенно полезно при проверке сложных теорий, где важно не только „что сказано“, но и „почему это так“. При этом феномен множественности интерпретации никуда не исчез. На результаты влияли несколько факторов: выбор модели, формулировка запроса (prompt), аналитические навыки и предпочтения самого студента», — сообщила координатор исследования, профессор кафедры прикладной и теоретической лингвистики ТюмГУ Наталья Белозерова.
То есть ИИ не заменяет эксперта, а становится его «лабораторным инструментом»: помогает структурировать данные, проверять гипотезы и видеть альтернативные трактовки.
Любопытно, что инструменты LLM одновременно помогли подтвердить идеи Джона Остина и Джона Серля (где смысл рождается в речевом акте и интенции говорящего) и подходы Жака Деррида (где смысл зависит от контекста, структуры и множественности прочтений). «Получается, что современные языковые модели, несмотря на свою „статистическую природу“, способны отражать и логико-речевые, и текстово-контекстные механизмы смыслопорождения», — заключили исследователи.
Для эксперимента они взяли пять языковых моделей: DeepSeek R1, Perplexity AI, ChatGPT 4o, GigaChat и Mistral AI3. Анализ проводили в двух режимах: инструментальном (когда основную работу делает ИИ) и экспертном (когда студент критически оценивает результат), причем режимы комбинировали (иногда последовательно, иногда параллельно, в зависимости от задачи и личных предпочтений студента).
«По итогам апробации самой исчерпывающей оказалась модель DeepSeek R1. Она не просто выдает ответ, а показывает логику, по которой пришла к выводу, и опирается на структурированные знания. Это оказалось особенно полезно при проверке сложных теорий, где важно не только „что сказано“, но и „почему это так“. При этом феномен множественности интерпретации никуда не исчез. На результаты влияли несколько факторов: выбор модели, формулировка запроса (prompt), аналитические навыки и предпочтения самого студента», — сообщила координатор исследования, профессор кафедры прикладной и теоретической лингвистики ТюмГУ Наталья Белозерова.
То есть ИИ не заменяет эксперта, а становится его «лабораторным инструментом»: помогает структурировать данные, проверять гипотезы и видеть альтернативные трактовки.
Любопытно, что инструменты LLM одновременно помогли подтвердить идеи Джона Остина и Джона Серля (где смысл рождается в речевом акте и интенции говорящего) и подходы Жака Деррида (где смысл зависит от контекста, структуры и множественности прочтений). «Получается, что современные языковые модели, несмотря на свою „статистическую природу“, способны отражать и логико-речевые, и текстово-контекстные механизмы смыслопорождения», — заключили исследователи.
Источник:
Управление стратегических коммуникаций ТюмГУ
Рубрики:
Теги:
Читайте также
