大模型语境下隐喻识别的逻辑路径与传统认知语言学模型的兼容性验证.docxVIP

PAGE2

大模型语境下隐喻识别的逻辑路径与传统认知语言学模型的兼容性验证

摘要

本文聚焦生成式AI与理论语言学交叉领域，系统探讨大语言模型隐喻识别的统计逻辑与传统认知语言学概念隐喻理论的兼容性问题。研究从隐喻识别的双重逻辑出发，揭示LLM基于分布语义的统计推断与人类基于概念映射的认知机制之间的深层异同。

全文遵循“提出问题→分析问题→解决问题”的递进思路。第一章阐明研究背景与方法论依据；第二章梳理国内外隐喻计算与认知隐喻研究的演进脉络；第三章界定核心概念并构建双重逻辑分析框架；第四章深入解析统计推断与概念映射的矛盾生成与本质；第五章系统阐释两种逻辑的兼容机制与条件边界；第六章提出“层级兼容理论框架”，论证统计模式与概念结构的互补整合路径；第七章总结研究发现与理论贡献；第八章反思局限并展望未来方向。

研究核心发现：LLM的隐喻识别并非对概念隐喻理论的否定，而是在分布语义层面实现了对概念映射的统计近似。本文提出的层级兼容框架为隐喻计算的认知可信度提供了新的理论判据。

关键词：大语言模型；隐喻识别；概念隐喻理论；分布语义；层级兼容框架

第一章绪论

1.1研究背景

生成式大语言模型在自然语言处理领域取得的突破性进展，正在深刻重塑理论语言学的研究议程。以GPT系列、Claude、Gemini为代表的LLM展现出令人瞩目的隐喻理解能力，能够识别“时间是金钱”“争论是战争”等跨域映射