大语言模型能否真正理解语境：一项关于高低语境言语行为的研究

本文围绕大语言模型（LLMs）是否真正理解语境这一核心问题展开研究，探讨其处理高语境与低语境言语行为的表现差异，分析surprisal指标与人类语言理解的关联，并讨论该研究对模型评估及跨文化、多场景应用的重要意义。

在计算语言学中，surprisal用于衡量模型对下一个词或句子的预期程度（越低越自然），与人类认知负荷相关。跨文化语言学中，高语境语言（如日语、中文）依赖上下文、文化背景和共享知识；低语境语言（如英语、德语）更强调直接明确表达。LLM训练数据多以英语为主，可能影响其对不同语境风格的敏感性。

核心问题：LLM是否对低语境言语行为赋予显著更低的surprisal？理论意义：关系到模型是真掌握语境敏感性还是仅模仿表面模式；实践意义：影响多语言、跨文化场景的模型设计与评估。潜在发现：若低语境surprisal更低，可能反映训练数据偏差或模型隐含意义理解局限；反之则支持模型真理解语境作用。

机器翻译：语境敏感性影响目标文本的自然地道性；对话系统：跨文化场景需理解言外之意提升用户体验；内容生成与分析：避免文化误解或不当表达，更好控制输出。

传统评估指标（困惑度、BLEU）难以捕捉语境理解能力，需设计涵盖不同文化、语境风格的测试集；训练数据需更平衡多样，提升模型泛化与文化敏感性。

本研究触及AI语言理解核心，强调语言是文化、情境与共享知识的交织。开发者需重视语境因素，使用者需注意模型在隐含意义、文化细微差别上的局限。期待更多研究推动LLM潜力发挥，避免误解与偏见。