Д.С. Ларионов1, Е.Н. Никитина2, И.В. Смирнов3

1-3 ФИЦ ИУ РАН (Москва, Россия)

3 РУДН (Москва, Россия)

1 dslarionov@isa.ru, 2 yelenon@mail.ru, 3 ivs@isa.ru

Постановка проблемы. В процессе извлечения аргументов при эмотивных предикатах возникает необходимость автоматической семантической (тематической) классификации извлеченных аргументов.

Цель. Исследовать возможности применения больших языковых моделей (БЯМ) для автоматической классификации аргументов, а также анализ взаимосвязи уверенности и качества результатов БЯМ.

Результаты. Экспериментально показано на примере темы «Медицина и здравоохранение», что БЯМ Claude Sonnet 4.5 позволяет классифицировать аргументы с высоким качеством, при этом интеграция эксплицитной оценки уверенности в промпт позволяет получить статистически значимый сигнал для идентификации потенциально ненадёжных предсказаний.

Практическая значимость. Результаты исследования могут применяться в системах анализа эмоционального отношения пользователей социальных сетей к заданным тематикам и событиям.

Ларионов Д.С., Никитина Е.Н., Смирнов И.В. Применение больших языковых моделей для семантической классификации аргументов при эмотивных предикатах // Системы высокой доступности. 2026. Т. 22. No 1. С. 12?16. DOI: https://doi.org/ 10.18127/j20729472-202601-02

1. Lyashevskaya O., Kashkin E. FrameBank: A Database of Russian Lexical Constructions. AIST 2015. Springer. 2015. P. 350-360.
2. Anthropic. The Claude 3 Model Family: Opus, Sonnet, Haiku. Technical Report. 2024.
3. Xiong M. et al. Can LLMs express their uncertainty? An empirical evaluation of confidence elicitation in LLMs. arXiv preprint arXiv:2306.13063. 2023. DOI: 10.48550/arXiv.2306.13063
4. Wei J. et al. Chain-of-thought prompting elicits reasoning in large language models. Advances in neural information processing systems. 2022. V. 35. P. 24824-24837.
5. Smirnov I.V., Larionov D.S., Nikitina E.N., Kazachonok G.A. LLM for Semantic Role Labeling of Emotion Predicates in Russian. Supercomputing Frontiers and Innovations. 2025. V. 12. No 3. P. 31-46. DOI: 10.14529/jsfi250303