机器意会：大语言模型在模糊语境下的语用意图识别理论探究 .docxVIP

PAGE2

机器意会：大语言模型在模糊语境下的语用意图识别理论探究

摘要

大语言模型在自然语言处理中取得了突破性进展，但在模糊语境下的语用意图识别仍存在显著局限，常陷入“懂字面而不懂言外”的语义解构困境。本文聚焦大模型对模糊言外之意的识别机制，旨在构建基于意图推理的机器语用学理论解释框架。研究遵循“提出问题→分析问题→解决问题”的逻辑递进思路。

首先，绪论揭示大模型语用能力不足的现实矛盾与理论缺口。其次，文献综述梳理国内外语用学与计算语言学的融合脉络，确立从“机器理解”向“机器意会”转型的切入点。再次，界定核心概念并基于言语行为等理论构建多层分析框架。随后，深入解析模糊语境下意图识别的生成脉络、内在矛盾与本质异质性。在此基础上，系统阐释语境激活、常识映射与意图推演的核心作用逻辑及其边界条件，并提出演变规律。最后，完成理论建构，提出基于贝叶斯语用推理的机器意会框架，论证其解释力优势。本研究为突破大模型语用瓶颈提供了系统性的理论支撑，对推进人机深度语义交互具有重要学术价值与实践启示。

第一章绪论

1.1研究背景

随着大语言模型的参数规模与训练数据呈指数级增长，其在语法解析与语义生成层面展现出逼近人类的水准。然而，在真实的社会交互中，人类沟通往往充斥着隐喻、反讽、暗示等模糊表达。大模型在面对此类脱离字面映射的模糊语境时，常暴露出机械性与浅表性，难以精准捕捉言外之意。

这一现实困