Velké jazykové modely prizmatem korpusové lingvistiky
Cíle projektu
Cílem tohoto projektu je zkoumat rozdíly mezi texty vytvořenými lidmi a texty vytvořenými velkými jazykovými modely (LLM) pomocí korpusově lingvistických metod, jako je klasická stylistika a multidimenzionální analýza, zároveň se budeme zabývat i aspekty percepce, včetně lidského hodnocení přesvědčivosti. Projekt se zaměří na angličtinu i češtinu a rozdíly mezi nimi. Budeme také zkoumat vliv toho, že velké jazykové modely jsou trénovány primárně na anglických textech, předpokládáme totiž, že to konceptualizace získané na základě angličtiny budou mít vliv na texty, které model vyprodukuje v češtině. Tato témata budou zkoumána s využitím unikátního korpusu textů generovaných různými LLM, který bude publikován a zpřístupněn mezinárodní akademické obci.
Klíčová slova
Large language modelsGPTtransformerscorpus linguisticsstylometry
Veřejná podpora
Poskytovatel
Grantová agentura České republiky
Program
Standardní projekty
Veřejná soutěž
SGA0202400001
Hlavní účastníci
Univerzita Karlova / Filozofická fakulta
Druh soutěže
VS - Veřejná soutěž
Číslo smlouvy
24-11725S
Alternativní jazyk
Název projektu anglicky
Large language models through the prism of corpus linguistics
Anotace anglicky
This project aims to investigate the differences between human-generated texts and those produced by large language models (LLMs) using corpus linguistic methods, such as classical stylometry and multidimensional analysis, while also addressing aspects of perception, including human evaluations of persuasiveness. The project will focus on both English and Czech languages and the differences between them. We will also investigate the influence of the fact that large language models are primarily trained on English texts, as we assume that the conceptualizations obtained from English will influence the texts produced by the model in Czech. These topics will be investigated using a unique corpus of texts generated by various LLMs, which will be published and made accessible to the international academic community.
Vědní obory
Kategorie VaV
ZV - Základní výzkum
OECD FORD - hlavní obor
60203 - Linguistics
OECD FORD - vedlejší obor
—
OECD FORD - další vedlejší obor
—
CEP - odpovídající obory
(dle převodníku)AI - Jazykověda
Termíny řešení
Zahájení řešení
1. 1. 2024
Ukončení řešení
31. 12. 2026
Poslední stav řešení
B - Běžící víceletý projekt
Poslední uvolnění podpory
19. 3. 2024
Dodání dat do CEP
Důvěrnost údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Systémové označení dodávky dat
CEP25-GA0-GA-R
Datum dodání záznamu
21. 2. 2025
Finance
Celkové uznané náklady
3 170 tis. Kč
Výše podpory ze státního rozpočtu
3 170 tis. Kč
Ostatní veřejné zdroje financování
0 tis. Kč
Neveřejné tuz. a zahr. zdroje finan.
0 tis. Kč
Základní informace
Uznané náklady
3 170 tis. Kč
Statní podpora
3 170 tis. Kč
100%
Poskytovatel
Grantová agentura České republiky
OECD FORD
Linguistics
Doba řešení
01. 01. 2024 - 31. 12. 2026