Осы зерттеу жұмысы қазіргі лингвистикалық ғылымның ең өзекті бағыттарының бірі — Large Language Models (LLMs)логикалық-семантикалық құрылымдарын когнитивтік тұрғыдан талдауға арналған. Мақалада жасанды интеллект жүйелеріндегі тілдік өңдеу процестері мен адамның когнитивтік қабылдауы арасындағы онтологиялық алшақтық мәселесі қарастырылады. Зерттеудің өзектілігі LLM табиғи тілді игеру деңгейінің артуымен және соған сәйкес туындайтын лингвистикалық редукция мәселесімен айқындалады.

Мақаланың негізгі проблемасы — модельдердің семантиканы шынайы мағыналық категория ретінде емес, тек статистикалық ықтималдықтар мен векторлық кеңістіктегі таңбалардың таралуы ретінде өңдеуі. Мұндай тәсіл лингвистикалық деңгейлердің қарапайым алгоритмдік шаблондарға дейін тарылуына, яғни лингвистикалық редукцияға әкеледі. Зерттеу барысында LLM генерациялаған мәтіндердегі логикалық тізбектердің адам когнициясына тән терең семантикалық құрылымдарға, концептуалды метафораларға және прагматикалық контекстке сәйкестік деңгейі сарапталады.

Зерттеудің мақсаты — LLM логикалық-семантикалық мүмкіндіктерінің шегін анықтау және олардың адам тіліне тән күрделі семантикалық өрістерді редукциялау сипатын ашу. Эксперименттік бөлімде GPT-4 және Llama 3 сияқты заманауи модельдердің қазақ және ағылшын тілдеріндегі логикалық парадокстар мен этно-мәдени контекстке негізделген тапсырмаларды орындау сапасы салыстырмалы түрде талданды. Нәтижелер көрсеткендей, модельдер синтаксистік деңгейде жоғары көрсеткіш көрсеткенімен, терең семантикалық инференция мен контекстік мағынаны ашуда айтарлықтай редукцияға ұшырайды. Мақаланың қорытындысында жасанды интеллект лингвистикасындағы «мағынасыз форма» феноменіне баға беріліп, лингвистикалық редукцияның болашақ цифрлық коммуникацияға әсері туралы ғылыми болжамдар жасалады.