РАЗВИТИЕ ЦИФРОВОЙ КОММУНИКАЦИИ И ПРИОБРЕТЕНИЕ PROMPT ЛИНГВИСТИЧЕСКОГО ХАРАКТЕРА
Keywords:
цифровая коммуникация, подсказка, лингвистическая природа, искусственный интеллект, Цифровой дискурс, генеративные языковые модели, коммуникация, Лингвистика.Abstract
В статье подробно анализируются этапы становления и развития цифровой коммуникации, ее современные коммуникативные особенности, а также вопросы лингвистической природы понятия “подсказка”, занимающего центральное место в диалоговых системах на основе искусственного интеллекта. Освещается становление подсказки как языковой единицы, ее семантическая структура, прагматические функции, когнитивные основы и роль в цифровом дискурсе. В статье рассматриваются отличительные признаки цифровой коммуникации от традиционной речевой коммуникации, взаимосвязь подсказки с генеративными языковыми моделями, а также ее новый терминологический и методологический статус с лингвистической точки зрения.
References
1.Reynolds L., McDonell K. Prompt Programming for Large Language Models: Beyond the Few-Shot Paradigm // Extended Abstracts of the 2021 CHI Conference on Human Factors in Computing Systems. – New York: Association for Computing Machinery, 2021. – Art. 314. – P. 1–7. DOI: 10.1145/3411763.3451760.
2.Zamfirescu-Pereira J.D., Wong R.Y., Hartmann B., Yang Q. Why Johnny Can’t Prompt: How Non-AI Experts Try (and Fail) to Design LLM Prompts // Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems. – New York: Association for Computing Machinery, 2023. – Art. 437. – P. 1–21. DOI: 10.1145/3544548.3581388.
3.Han W., Wei X., Cui X., Cheng N., Jiang G., Qian W., Zhang C. Prompt Engineering 101: Prompt Engineering Guidelines from a Linguistic Perspective // Proceedings of the 23rd Chinese National Conference on Computational Linguistics. – Taiyuan: Chinese Information Processing Society of China, 2024. – P. 1408–1426.
4.Liu P., Yuan W., Fu J., Jiang Z., Hayashi H., Neubig G. Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing // ACM Computing Surveys. – 2023. – Vol. 55. – No. 9. – Art. 195. – P. 1–35. DOI: 10.1145/3560815.
5.Schulhoff S., Ilie M., Balepur N. et al. The Prompt Report: A Systematic Survey of Prompting Techniques. – 2024. – 76 p. DOI: 10.48550/arXiv.2406.06608.
6.Sahoo P., Singh A.K., Saha S., Jain V., Mondal S., Chadha A. A Systematic Survey of Prompt Engineering in Large Language Models: Techniques and Applications. – 2024. – 28 p. DOI: 10.48550/arXiv.2402.07927.
7.Schick T., Schütze H. Exploiting Cloze-Questions for Few-Shot Text Classification and Natural Language Inference // Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics. – Stroudsburg: Association for Computational Linguistics, 2021. – P. 255–269. DOI: 10.18653/v1/2021.eacl-main.20.
8.Shin T., Razeghi Y., Logan R.L. IV, Wallace E., Singh S. AutoPrompt: Eliciting Knowledge from Language Models with Automatically Generated Prompts // Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing. – Stroudsburg: Association for Computational Linguistics, 2020. – P. 4222–4235. DOI: 10.18653/v1/2020.emnlp-main.346.
9.Wei J., Bosma M., Zhao V.Y. et al. Finetuned Language Models Are Zero-Shot Learners // International Conference on Learning Representations. – 2022. – 46 p.
