DOI: https://doi.org/10.1108/jd-03-2026-0140
تاريخ النشر: 2026-05-22
المؤلف: Martin Thellefsen وآخرون
الموضوع الرئيسي: تطور اللغة والثقافة
نظرة عامة
تستكشف هذه الورقة مفهوم التحفيز والتحفيز في نماذج اللغة الكبيرة (LLMs) من خلال عدسة السيميائيات، مع الاستفادة بشكل خاص من نموذج بيرس الثلاثي للعلامات ونموذج ديناكوم للتواصل. تسعى لإعادة تعريف التحفيز ليس فقط كآلية إدخال تقنية ولكن كفعل تواصلي ومعرفي يتميز بعملية تكرارية لتشكيل العلامات، والتفسير، والتنقيح. الإطار النظري مستند إلى سيميائيات بيرس، مع التركيز على العلاقات بين الممثل، والموضوع، والمفسر، بالإضافة إلى التنوع في تصنيف العلامات، بما في ذلك النوعية، والعلامة الفردية، وعلامة القانون، وفئاتها المعنية: الأيقونة، والفهرس، والرمز، والموضوع، والقول، والحجة.
تضع التحليل نماذج اللغة الكبيرة كموارد سيميائية تولد مفسرين استجابةً لتحفيزات المستخدم، وبالتالي تشارك في عملية التعاون لصنع المعنى داخل مجتمعات الخطاب المشتركة. تشير النتائج إلى أن التحفيز يعمل كعملية سيميائية وتواصلية تحول تنظيم، والبحث، والتفسير، والبناء المشترك للمعرفة في السياقات الرقمية. تشجع هذه النظرة على إعادة التفكير في الأسس النظرية والمنهجية لتنظيم المعرفة والبحث عن المعلومات في عصر السيميائيات الحاسوبية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التأثير التحويلي لنماذج اللغة الكبيرة (LLMs) على التفاعل بين الإنسان والكمبيوتر، مع التأكيد على دور “التحفيزات” كعناصر أساسية في التواصل الرقمي. تشير هذه النقلة إلى أنها ليست مجرد تقدم تكنولوجي ولكن تغيير جذري في كيفية تفاعل المستخدمين مع الأنظمة الحاسوبية للوصول إلى المعرفة وتوليدها. على الرغم من التقدم في هندسة التحفيز، لا يزال هذا المجال يعتمد بشكل كبير على التجربة ويفتقر إلى أساس نظري، مما يؤدي إلى فجوات حرجة في فهم ديناميات التفاوض على المعنى بين البشر والآلات، فضلاً عن العمليات التفسيرية التي تحكم تفاعلات التحفيز والاستجابة الفعالة.
يقترح المؤلفون أن سيميائيات تشارلز ساندرز بيرس تقدم إطارًا نظريًا قويًا لتحليل التفاعلات المستندة إلى التحفيز مع نماذج اللغة الكبيرة. يجادلون بأن التحفيزات يجب أن تُعتبر علامات معقدة تبدأ عملية ديناميكية من فعل العلامة، حيث تعمل استجابة نموذج اللغة الكبيرة كمفسر يتوسط المعنى المقصود. تعيد هذه النظرة السيميائية تعريف التحفيزات من مجرد تعليمات حسابية إلى قطع تواصلية تجسد نوايا المستخدم والإشارات السياقية. توضح الورقة نهجًا منهجيًا لتفكيك العمليات السيميائية المعنية في تفاعلات التحفيز، باستخدام تصنيف بيرس للعلامات لاستكشاف التحفيزات كعلاقات علامات، وتمثيلات للأشياء، ومفسرين. في النهاية، يهدف المؤلفون إلى وضع نماذج اللغة الكبيرة كموارد سيميائية جديدة تتحدى الحدود التقليدية في التواصل بين الإنسان والآلة وتساهم في فهم المعرفة التي تولدها الذكاء الاصطناعي.
نقاش
في هذا القسم، يستخدم المؤلفون إطارًا سيميائيًا بيرسيًا لتحليل تفاعلات التحفيز والاستجابة في نماذج اللغة الكبيرة (LLMs). يجادلون بأن التحفيز ليس مجرد نقل للمعلومات ولكن تفاوض على المعنى بين نية الإنسان والتعرف على أنماط الآلة. يحدد المؤلفون ثلاثة مكونات سيميائية: الممثل (التحفيز نفسه)، والموضوع (المرجع المقصود)، والمفسر (استجابة النموذج). يؤكدون أن الممثل ليس وعاءً محايدًا ولكنه يشكل التفسير بنشاط من خلال خصائصه المادية والبنائية. يتم تقسيم الموضوع إلى موضوعات فورية وديناميكية، حيث يعكس الموضوع الفوري نية المستخدم المشفرة في التحفيز، بينما يشمل الموضوع الديناميكي السياق الأوسع أو مجال المعرفة الذي يسعى المستخدم للتفاعل معه.
يصنف المؤلفون أيضًا التحفيزات باستخدام تصنيفات بيرس للعلامات – النوعية، والعلامة الفردية، وعلامة القانون – مع تسليط الضوء على طبيعتها متعددة الطبقات. تمثل النوعية الخصائص المحتملة للتحفيز، والعلامة الفردية هي إدخال التحفيز الفعلي، وعلامة القانون تشمل القواعد العامة التي تحكم تفسير التحفيز. يكشف هذا التحليل أن التحفيزات تعمل كإنشاءات سيميائية معقدة، تؤثر على استجابات النموذج من خلال إمكانياتها التعبيرية، وتأصيلها السياقي، والتزامها بالاتفاقيات اللغوية. من خلال استخدام هذا الإطار، يقدم المؤلفون فهمًا دقيقًا لكيفية أن التحفيزات يمكن أن تستدعي تفاعلات ذات معنى مع نماذج اللغة الكبيرة، مع التأكيد على الطبيعة التكرارية والعلاقة للتحفيز في التواصل بين الإنسان والآلة.
DOI: https://doi.org/10.1108/jd-03-2026-0140
Publication Date: 2026-05-22
Author(s): Martin Thellefsen et al.
Primary Topic: Language and cultural evolution
Overview
This paper investigates the concept of prompts and prompting in large language models (LLMs) through the lens of semiotics, specifically utilizing Peirce’s triadic model of signs and the Dynacom communication model. It seeks to redefine prompting as not merely a technical input mechanism but as a communicative and epistemic act characterized by an iterative process of sign formation, interpretation, and refinement. The theoretical framework is grounded in Peirce’s semiotics, emphasizing the relationships among representamen, object, and interpretant, as well as the diverse typology of signs, including qualisign, sinsign, legisign, and their respective categories: icon, index, symbol, rheme, dicent, and argument.
The analysis positions LLMs as semiotic resources that generate interpretants in response to user prompts, thereby engaging in the collaborative process of meaning-making within shared discourse communities. The findings indicate that prompting functions as a semiotic and communicative process that transforms the organization, search, interpretation, and co-construction of knowledge in digital contexts. This perspective encourages a rethinking of the theoretical and methodological foundations of knowledge organization and information seeking in the era of computational semiotics.
Introduction
The introduction of this research paper highlights the transformative impact of large language models (LLMs) on human-computer interaction, emphasizing the role of “prompts” as essential elements in digital communication. This shift signifies not just a technological advancement but a fundamental change in how users engage with computational systems to access and generate knowledge. Despite the advancements in prompt engineering, the field remains largely empirical and lacks a theoretical foundation, leading to critical gaps in understanding the dynamics of meaning negotiation between humans and machines, as well as the interpretive processes that govern effective prompt-response interactions.
The authors propose that the semiotics of Charles Sanders Peirce offers a robust theoretical framework for analyzing prompt-based interactions with LLMs. They argue that prompts should be viewed as complex signs that initiate a dynamic process of sign-action, where the LLM’s response acts as an interpretant that mediates the intended meaning. This semiotic perspective redefines prompts from mere computational instructions to communicative artifacts that embody user intentions and contextual references. The paper outlines a systematic approach to deconstructing the semiotic processes involved in prompt interactions, employing Peirce’s classification of signs to explore prompts as sign relations, representations of objects, and interpretants. Ultimately, the authors aim to position LLMs as novel semiotic resources that challenge traditional boundaries in human-machine communication and contribute to the understanding of AI-generated knowledge.
Discussion
In this section, the authors employ a Peircean semiotic framework to analyze the prompt-response interactions in large language models (LLMs). They argue that prompting is not merely a transmission of information but a negotiation of meaning between human intentionality and machine pattern recognition. The authors delineate three semiotic components: the Representamen (the prompt itself), the Object (the intended referent), and the Interpretant (the model’s response). They emphasize that the Representamen is not a neutral vessel but actively shapes interpretation through its material and structural properties. The Object is divided into immediate and dynamic objects, where the immediate object reflects the user’s intention encoded in the prompt, while the dynamic object encompasses the broader context or knowledge domain the user aims to engage with.
The authors further categorize prompts using Peirce’s typologies of signs—qualisign, sinsign, and legisign—highlighting their layered nature. The qualisign represents the potential qualities of the prompt, the sinsign is the actualized prompt input, and the legisign encompasses the general rules governing prompt interpretation. This analysis reveals that prompts function as complex semiotic constructs, influencing the model’s responses through their expressive potential, contextual grounding, and adherence to linguistic conventions. By employing this framework, the authors provide a nuanced understanding of how prompts can elicit meaningful interactions with LLMs, emphasizing the iterative and relational nature of prompting in human-machine communication.