| Anotācija |
Mūsdienās lielo valodas modeļu straujā attīstība ir radījusi plašas iespējas automatizētai teksta apstrādei, taču to uzticamība sarežģītu loģisko struktūru, piemēram, cēloņsakarību noteikšanā akadēmiskā diskursa līmenī tieši latviešu valodā, ir ļoti maz vai pat vispār nav pētīta. Dotā bakalaura darba mērķis ir izvērtēt lielo valodas modeļu - ChatGPT-5.5 Pro, Google Gemini 3.1 Pro un DeepSeek, spējas noteikt dažādus kauzālo attiecību veidus un to atspoguļošanas struktūru latviešu valodas akadēmiskajos tekstos, veikt eksperimentus un izstrādāt praktiskas uzvedņu rekomendācijas balstoties uz eksperimenta datiem.
Pētījuma teorētiskajā daļā tiek analizēti kauzālo attiecību veidi diskursa analīzē (eksplicītās un implicītās attiecības), noteikti teksta skaidrības un loģiskās organizācijas vērtēšanas kritēriji, labās prakses, apkopoti literatūrā konstatētie LLM ierobežojumi – kauzālās halucinācijas, semantiskais atbalsts, pārmērīga apņemšanās, modeļu izvēles nozīme, kā arī temporālo un kauzālo attiecību jaukšana.
Eksperimentālajā daļā tika izstrādāts bezparaugu pieejas (angļu val. zero-shot) uzvednes prototips, un trīs iepriekš minētie modeļi tika testēti uz 10 akadēmiskajiem tekstiem (5 īsi un 5 gari fragmenti) latviešu valodā. Katram tekstam tika manuāli izveidots etalons, kur tika salīdzināti modeļu rezultāti. Rezultāti atklāja, ka ChatGPT-5.5 Pro ģenerē visvairāk kauzālo halucināciju, Google Gemini uzrāda valodas noplūdes problēmu (atbild angliski), savukārt DeepSeek demonstrē viszemāko halucināciju skaitu salīdzinājumā ar pārējiem modeļiem.
Balstoties uz eksperimenta atziņām, tika izstrādātas rekomendācijas, sadalot tās četros blokos – modeļu izvēle, uzvedņu veidošana (lomas definēšana, kauzalitātes definīcija, negatīvie ierobežojumi, un strukturētāks JSON izvades formāts), strukturēta kauzālās analīzes procedūra, kura ietver 7 soļus un cilvēka validācijas nepieciešamība. Izveidotais uzvednes prototips ar mazparaugu (angļu val. few-shot) piemēru tika validēts atkārtotā eksperimentā, kurā visi trīs modeļi savu sniegumu būtiski uzlaboja un samazināja halucināciju daudzumu. Secināts, ka LLM var tikt izmantots kā asistējošs rīks, kam nepieciešama stingra cilvēka uzraudzība.
Darba apjoms: 86 lappuses, 6 tabulas, 7 pielikumi, 53 izmantotie informācijas avoti. |
| Atslēgas vārdi angļu valodā |
Large language models, academic text, causal reasoning, causal hallucinations, prompt engineering, discourse analysis. |
