На социальное взаимодействие значительное влияние оказывают большие языковые модели и искусственный интеллект. Их эффективность обеспечивается большими вычислительными и финансовыми ресурсами, доступными лишь крупным корпорациям, но при этом модели требуют дообучения и обладают низкой конфиденциальностью. Однако ряд задач обработки естественного языка может решаться менее ресурсозатратным способом без обращения к большим языковым моделям – например, на основе вычислительной теории семантической интерпретации, где семантика моделируется функционалом смысла и вычислительными процедурами над функционалом смысла. Цель исследования – развитие данной теории путем дополнения ее нечеткой моделью семантического значения. В работе рассматриваются ключевые элементы теории: операция контекстного уточнения смысла, функционал смысла в нотации, подобной обратной польской записи. Теория дополняется геометрической интерпретацией в виде круга значимости и функцией значимости, которые полагаются в основу нечеткого множества. Вводится различение универсального и индивидуального множеств смыслов слова, где последнее представляет модель индивидуального смыслового пространства. Формулируется динамика обучения (расширение множества смыслов, изменение значимости с учетом забывания) и числовая мера взаимопонимания между субъектами на основе индекса сходства нечетких множеств. Использование нечеткости позволяет формализовать понятие смысла с учетом его множественности, субъективности и динамики усвоения. Предложенный подход ориентирован на создание формальных методов и алгоритмов обработки естественно-языковой информации, учитывающих субъективную природу смыслов.
Large language models and artificial intelligence have a significant impact on social interaction. Their effectiveness is ensured by large computational and financial resources available only to large corporations, while the models require fine-tuning and have low confidentiality. However, a number of natural language processing tasks can be solved in a less resource-intensive way without resorting to large language models, for example, on the basis of a computational theory of semantic interpretation, where semantics is modeled by a meaning functional and computational procedures over the meaning functional. The aim of the study is to develop this theory by supplementing it with a fuzzy model of semantic meaning. The paper examines the key elements of the theory: the operation of contextual clarification of meaning, the meaning functional in notation similar to reverse Polish notation. The theory is supplemented by a geometric interpretation in the form of a circle of significance and a significance function, which are taken as the basis of a fuzzy set. A distinction is introduced between the universal and individual sets of word meanings, the latter representing a model of the individual semantic space. The dynamics of learning (expansion of the set of meanings, change in significance taking into account forgetting) and a numerical measure of mutual understanding between subjects based on the similarity index of fuzzy sets are formulated. The use of fuzziness makes it possible to formalize the concept of meaning taking into account its multiplicity, subjectivity, and dynamics of acquisition. The proposed approach is aimed at creating formal methods and algorithms for natural language processing that take into account the subjective nature of meanings.
1. Che Ting Chien, Chao Heng Chien Hybrid AI-Driven Computer-Aided Engineering Optimization: Large Language Models Versus Regression-Based Models Validated Through Finite-Element Analysis // Applied Sciences. 2025. Vol. 15. Is. 18. P. 10123. URL: https://www.mdpi.com/2076-3417/15/18/10123 (дата обращения: 28.05.2026). DOI: 10.3390/app151810123.
2. Kang R. N., Tanaka Y., Sato T., Maeda S., Shimada H. The Development of a Japanese Version of the State Cognitive Fusion Questionnaire // Japanese Psychological Research. 2025. Vol. 67. Is. 3. P. 311–324. URL: https://onlinelibrary.wiley.com/doi/10.1111/jpr.12453 (дата обращения: 28.05.2026). DOI: 10.1111/jpr.12453.
3. Guo F., Li T., Cunningham C. J. L. One year in the classroom with ChatGPT: empirical insights and transformative impacts // Frontiers in Education. 2025. Vol. 10. P. 1–17. URL: https://www.frontiersin.org/journals/education/articles/10.3389/feduc.2025.1574477/full (дата обращения: 28.05.2026). DOI: 10.3389/feduc.2025.1574477.
4. Ju B., Stewart J. B. Empowering Users with ChatGPT and Similar Large Language Models (LLMs): Everyday Information Needs, Uses, and Gratification // Proceedings of the Association for Information Science and Technology. 2024. Vol. 61. Is. 1. P. 172–182. URL: https://asistdl.onlinelibrary.wiley.com/doi/10.1002/pra2.1018 (дата обращения: 28.05.2026). DOI: 10.1002/pra2.1018.
5. Rakovics Z., Rakovics M. Exploring the potential and limitations of large language models as virtual respondents for social science research // Intersections: East European Journal of Society and Politics. 2025. Vol. 10. Is. 4. P. 126–147. URL: https://intersections.tk.hu/index.php/intersections/article/view/1326 (дата обращения: 28.05.2026). DOI: 10.17356/ieejsp.v10i4.1326.
6. Kumar H., Yoo S., Bernuy A., Shi J., Luo H., Williams J. J., Kuzminykh A., Anderson A., Kornfield R. Large Language Model Agents for Improving Engagement with Behavior Change Interventions: Application to Digital Mindfulness // Proceedings of the ACM on Human-Computer Interaction (CSCW). 2025. Vol. 9. Is. 7. P. 1–44. URL: https://pmc.ncbi.nlm.nih.gov/articles/PMC12945337/ (дата обращения: 28.05.2026). DOI: 10.1145/3757619.
7. Lund B. D., Wang T., Mannuru N. R., Nie B., Shimray S., Wang Z. ChatGPT and a new academic reality: artificial Intelligence-written research papers and the ethics of the large language models in scholarly publishing // Journal of the Association for Information Science and Technology. 2023. Vol. 74. Is. 5. P. 570–581. URL: https://asistdl.onlinelibrary.wiley.com/doi/10.1002/asi.24750 (дата обращения: 28.05.2026). DOI: 10.1002/asi.24750.
8. Liu S., Chen L., Yan J., Jiang Y., Wang X., Li X., Yang Q. When DeepSeek-R1 meets financial applications: benchmarking, opportunities, and limitations // Frontiers of Information Technology & Electronic Engineering. 2025. Vol. 26. Is. 10. P. 1862–1870. URL: https://link.springer.com/article/10.1631/FITEE.2500227 (дата обращения: 28.05.2026). DOI: 10.1631/FITEE.2500227.
9. Devlin J., Chang M.-W., Lee K., Toutanova K. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding // Proceedings – of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. June 2019. Vol. 1. P. 4171–4186. URL: https://aclanthology.org/N19-1423/ (дата обращения: 28.05.2026). DOI: 10.18653/v1/N19-1423.
10. Зиновьева Е. С., Трапезников В. П. Международно-политическая предвзятость больших языковых моделей: критический дискурс-анализ нарративов ChatGPT, LLaMA, Gemini и DeepSeek // Полис. Политические исследования. 2026. № 1. С. 157–177. URL: https://www.politstudies.ru/en/article/6368 (дата обращения: 28.05.2026). DOI: 10.17976/jpps/2026.01.11.
11. King J., Klyman K., Capstick E., Saade T., Hsieh V. User Privacy and Large Language Models: An Analysis of Frontier Developers’ Privacy Policies // Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society. 2025. Vol. 8. Is. 2. P. 1465–1477. URL: https://ojs.aaai.org/index.php/AIES/article/view/36646 (дата обращения: 28.05.2026). DOI: 10.1609/aies.v8i2.36646.
12. Rogers A., Kovaleva O., Rumshisky A. A Primer in BERTology: What We Know About How BERT Works // Transactions of the Association for Computational Linguistics. 2020. Vol. 8. P. 842–866. URL: https://direct.mit.edu/tacl/article/doi/10.1162/tacl_a_00349/96482/A-Primer-in-BERTology-What-We-Know-About-How-BERT (дата обращения: 28.05.2026). DOI: 10.1162/tacl_a_00349.
13. Вишняков Ю. М., Вишняков Р. Ю. Вычислительная семантическая интерпретация текстов научно-технического стиля // Современные наукоемкие технологии. 2016. № 12–2. С. 236–242. URL: https://top-technologies.ru/ru/article/view?id=36428&ysclid=m77urlmrjv786427462 (дата обращения: 28.05.2026).
14. Вишняков Ю. М., Вишняков Р. Ю. Формализация распознавания и идентификации семантических объектов в естественно-языковых текстовых потоках // Известия ЮФУ. Технические науки. 2024. № 4. С. 110–122. URL: https://izv-tn.tti.sfedu.ru/index.php/izv_tn/en/article/download/985/1172/3098 (дата обращения: 28.05.2026). DOI: 10.18522/2311-3103-2024-4-110-122.
15. Вишняков Ю. М., Вишняков Р. Ю. Поиск и идентификация текстов определенной семантической направленности в естественно-языковых потоках // Современные наукоемкие технологии. 2025. № 5. С. 32–40. URL: https://top-technologies.ru/ru/article/view?id=40387 (дата обращения: 28.05.2026). DOI: 10.17513/snt.40387.
16. Вишняков Ю. М., Вишняков Р. Ю. Программный комплекс идентификации текстов определенной семантической направленности в естественно-языковых потоках // Современные наукоемкие технологии. 2025. № 9. С. 29–38. URL: https://top-technologies.ru/ru/article/view?id=40482 (дата обращения: 28.05.2026). DOI: 10.17513/snt.40482.
17. Ахо А., Ульман Дж. Теория синтаксического анализа, перевода и компиляции / Пер. с англ. В. Н. Агафонова; Под ред. В. М. Курочкина. М.: Мир, 1978. Т. 1. 612 с. [Электронный ресурс]. URL: https://rusneb.ru/catalog/000199_000009_007597729/ (дата обращения: 28.05.2026).
18. Налимов В. В. Вероятностная модель языка. О соотношении естественных и искусственных языков. М.: Наука, 1979, 303 с. URL: https://books.google.ru/books?id=Oob-AgAAQBAJ&printsec=frontcover&hl=ru#v=onepage&q&f=false (дата обращения: 28.05.2026).
19. Zadeh L. A. Fuzzy sets // Information and Control. 1965. Vol. 8. Is. 3. P. 338–353. URL: https://www.sciencedirect.com/science/article/pii/S001999586590241X?via%3Dihub. DOI: 10.1016/S0019-9958(65)90241-X (дата обращения: 28.05.2026).
20. Похолков Ю. П. Развитие системы независимой профессионально-общественной аккредитации инженерных образовательных программ в России в период с 2000 по 2013 год // Инженерное образование. 2013. № 12. С. 50–57. URL: https://ojs.aeer.ru/public/archive/12/art_6.pdf. (дата обращения: 28.05.2026).