Odniesienie reprezentacji znaczeń w dużych modelach językowych do klasycznych teorii przestrzeni semantycznych

dc.abstract.en	This study focuses on analyzing the potential similarities and differences in how meanings are represented in the human mind and in large language models (LLMs). The theoretical framework adopted to describe the organization of meanings is the concept of a semantic space. In the empirical part of the study, separate semantic spaces were constructed for humans and LLMs. Human participants rated the similarities between ten different sports disciplines. Corresponding data were obtained by asking language models to assess the same pairs of concepts. Based on the resulting similarity matrices, low-dimensional semantic spaces for both systems were reconstructed using the INDSCAL method. The analysis revealed a high degree of structural alignment between the two spaces. The individual dimensions derived from the LLMs correlated with the corresponding human-derived dimensions. These results suggest that, despite their fundamentally different learning processes (multimodal experience vs. textual analysis), LLMs are capable of constructing internal representations of meaning that resemble those formed in the human cognitive system.
dc.abstract.pl	W niniejszej pracy skoncentrowano się na analizie potencjalnych podobieństw i różnic w sposobie reprezentowania znaczeń w ludzkim umyśle oraz w dużych modelach językowych (LLM). Jako teoretyczny model opisujący organizację znaczeń przyjęto koncepcję przestrzeni semantycznej. W badaniu empirycznym utworzono takie przestrzenie osobno dla ludzi i modeli LLM. Uczestnicy oceniali podobieństwa pomiędzy dziesięcioma dyscyplinami sportowymi. Analogiczne dane uzyskano, prosząc modele językowe o ocenę tych samych par pojęć. Na podstawie tak uzyskanych macierzy podobieństw, metodą INDSCAL, odtworzono niskowymiarowe przestrzenie semantyczne dla obu systemów. Analiza wykazała wysoką zgodność strukturalną obu przestrzeni. Poszczególne wymiary uzyskane dla modeli LLM korelowały z odpowiadającymi im wymiarami ludzkimi. Wyniki te sugerują, że mimo fundamentalnie odmiennej natury uczenia (multimodalne doświadczenie vs analiza tekstu), LLM-y są w stanie konstruować wewnętrzne reprezentacje znaczeń zbliżone do tych, które kształtują się w ludzkim systemie poznawczym.
dc.affiliation	Uniwersytet Warszawski
dc.affiliation.department	Wydział Filozofii
dc.contributor.author	Kotlewski, Rafał
dc.contributor.promoter	Nowak, Andrzej
dc.contributor.reviewer	Haman, Maciej
dc.contributor.reviewer	Nowak, Andrzej
dc.date.defence	2025-07-10
dc.date.issued	2025
dc.date.submitted	2025-06-25
dc.identifier.apd	243526
dc.language	pl
dc.language.other	en
dc.publisher	Uniwersytet Warszawski
dc.rights	ClosedAccess
dc.subject.en	artificial intelligence
dc.subject.en	semantic space
dc.subject.en	natural language processing
dc.subject.en	large language models
dc.subject.pl	sztuczna inteligencja
dc.subject.pl	przestrzeń semantyczna
dc.subject.pl	przetwarzanie języka naturalnego
dc.subject.pl	duże modele językowe
dc.title	Odniesienie reprezentacji znaczeń w dużych modelach językowych do klasycznych teorii przestrzeni semantycznych
dc.title.alternative	Referencing the representation of meanings in large models to classical theories of semantic spaces
dc.type	BachelorThesis