تقلیل گرایی آماری در مدل های زبانی بزرگ و چالش های هرمنوتیک متون وحیانی

گسترش شتابان مدل های زبانی بزرگ (LLMs)، پارادایم جدیدی را در پردازش متون مذهبی پدید آورده و کارآمدی ظاهری آن ها در بازیابی اطلاعات، توهم درک معناشناختی ماشین را ایجاد کرده است. مسئله اصلی پژوهش حاضر، تبیین پارادوکس میان این کارآمدی صوری و ناتوانی ساختاری هوش مصنوعی در مواجهه با لایه های باطنی و استعاری وحی است. این تحقیق با هدف ریشه یابی لغزش های محاسباتی ماشین و واکاوی پیامد آن بر آینده مرجعیت مفسران انسانی انجام شده است. روش تحقیق در این مقاله، توصیفی-تحلیلی با رویکرد انتقادی و بین رشته ای در تلاقی زبان شناسی رایانشی و هرمنوتیک فلسفی است. یافته های پژوهش نشان می دهد که ال ال ام ها به دلیل اتکا بر معماری ترانسفورمر و مکانیسم پیش بینی احتمالات آماری ($Next-Token\ Prediction$)، نشانه ها را صرفا در سطح روابط ریاضی هم نشینی و فراوانی های متنی وب جابه جا می کنند. در نتیجه، ماشین در مواجهه با کنایه ها، مجازها و بافتار منحصر به فرد متون وحیانی دچار «تقلیل گرایی آماری» شده و معنا را تا سطح فهم عرفی سقوط می دهد. پیامد معرفت شناختی این روند، شیوع «تنبلی شناختی» در پژوهشگران نوپا و تبدیل فرآیند اجتهادی کشف معنا به اپراتوری «مهندسی پرامپت» است که در درازمدت پویایی علم هرمنوتیک دینی را دچار زوال می کند. در نهایت، این مقاله «مدل تعاملی ارگانیک» را پیشنهاد می دهد که با تحدید نقش ماشین به فاز پردازش اولیه و صوری متن، ساحت انحصاری تفسیر و درک هرمنوتیکی را برای سوژه آگاه انسانی صیانت می نماید.واژگان کلیدی: مدل های زبانی بزرگ (LLMs)، تقلیل گرایی آماری، زبان کنایی، متون وحیانی، هرمنوتیک، مفسر انسانی