💬 NLP

Pragmatics beyond humans: meaning, communication, and LLMs

Dieses Paper argumentiert, dass das Aufkommen großer Sprachmodelle eine Neukonzeption der Pragmatik jenseits traditioneller, menschenzentrierter Frameworks erforderlich macht, und schlägt stattdessen einen Ansatz der Mensch-Maschine-Kommunikation vor, der anthropomorphe Verzerrungen adressiert, probabilistische Modelle wie den Rational Speech Act übernimmt und das Paradoxon der „Kontext-Frustration“ in generativen KI-Interaktionen berücksichtigt.

Ursprüngliche Autoren: Vít Gvoždiak

Veröffentlicht 2026-08-20

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Vít Gvoždiak

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Sprache ist mehr als nur eine Aneinanderreihung von Wörtern, die nach grammatikalischen Regeln angeordnet sind. Sie ist ein soziales Werkzeug, eine Art für Menschen, gemeinsam zu handeln, Absichten zu teilen und die komplexen, ungeschriebenen Regeln eines Gesprächs zu navigieren. Seit Jahrzehnten versuchen Linguisten, die Funktionsweise von Bedeutung zu kartografieren, indem sie sie in drei Schichten zerlegen: die Struktur des Satzes, die wörtliche Definition der Wörter und den Kontext, in dem sie gesprochen werden. Diese dritte Schicht, bekannt als Pragmatik, ist der Ort, an dem die wahre Magie der menschlichen Kommunikation stattfindet. Sie ist der Unterschied zwischen einer Tatsachenfeststellung und einer Bitte oder zwischen einem Witz und einer Beleidigung, abhängig ganz davon, wer spricht, wann und warum. Nun ist eine neue Art von Maschine in das Gespräch eingestiegen. Große Sprachmodelle, die leistungsstarken KI-Systeme, die Aufsätze schreiben, Fragen beantworten und Gespräche führen können, zwingen Wissenschaftler dazu, diese alten Landkarten zu überdenken. Die zentrale Frage ist nicht mehr nur, ob diese Maschinen menschliche Sprache imitieren können, sondern ob sie den sozialen Tanz der Bedeutung überhaupt verstehen oder ob sie einfach nur das nächste Wort in einer Sequenz vorhersagen, ohne jemals die dahinterstehende Absicht zu erfassen.

Ein Forscher namens Vít Gvoždiak hat sich genau angesehen, wie wir diese Maschinen untersuchen und welche Theorien wir verwenden, um sie zu beurteilen. Er argumenttiert, dass unsere derzeitigen Methoden fehlerhaft sind, weil sie versuchen, ein quadratisches Loch in einen runden Steckplatz zu pressen. Lange Zeit war die Standardmethode zur Bewertung dieser Modelle darin, sie wie Menschen zu behandeln. Forscher lassen sie Aufgaben ausführen, die ein Verständnis sozialer Signale erfordern, wie etwa das Erkennen einer Entschuldigung oder das Wahrnehmen von Sarkasmus, und vergleichen ihre Antworten dann mit dem, was ein Mensch sagen würde. Wenn die Maschine es richtig macht, wird sie oft für ihre „pragmatische Kompetenz“ gelobt. Wenn sie es falsch macht, wird ihr das Verständnis abgesprochen. Gvoždiak legt nahe, dass dieser Ansatz irreführend ist. Er setzt voraus, dass die Maschine, weil sie menschenähnliche Texte produziert, auch nach menschenähnlichen Prinzipien operieren muss. Aber diese Maschinen sind keine Menschen; sie sind statistische Motoren, die auf riesigen Mengen von Internet-Texten trainiert wurden. Es ist ihnen egal, ob etwas wahr ist oder ob sie sozial kooperieren, so wie es bei Menschen der Fall ist; ihnen geht es um Wahrscheinlichkeit. Sie sind darauf ausgelegt, zu erraten, welches Wort am wahrscheinlichsten als nächstes kommt, und nicht, um eine geteilte Realität zu kommunizieren.

Das Paper schlägt vor, dass wir aufhören sollten, diese Maschinen in menschliche Kategorien zu pressen, und stattdessen die einzigartige Art und Weise betrachten sollten, wie sie mit uns interagieren. Gvoždiak schlägt einen neuen Rahmen vor, der „Human-Machine Communication“ (Mensch-Maschine-Kommunikation) genannt wird. Dieser Ansatz erkennt an, dass, wenn ein Mensch mit einem Chatbot spricht, er nicht nur mit einem Werkzeug spricht, aber auch nicht mit einer Person. Er befindet sich in einem hybriden Raum, in dem beide Seiten das Gespräch auf eine Weise prägen, wie es zuvor noch nie existiert hat. Die Maschine ist kein passiver Empfänger von Befehlen, und der Mensch ist nicht bloß ein Nutzer. Sie sind Komplizen in einem neuen Typ von Dialog. Der Autor weist darauf hin, dass ein Großteil der aktuellen Forschung unter einem Problem leidet, das er „Substitutionalismus“ nennt. Dies geschieht, wenn Wissenschaftler die Ergebnisse aus einem spezifischen Modell oder einer spezifischen Sprache wie Englisch nehmen und davon ausgehen, dass dies für alle künstlichen Intelligenzen und alle menschlichen Sprachen gilt. Noch subtiler ist, dass Forscher oft den menschlichen Teilnehmer eines Gesprächs durch eine Maschine ersetzen und dabei annehmen, die Maschine könne stellvertretend für einen Menschen stehen. Dies macht sie blind für die Art und Weise, wie Menschen ihr eigenes Verhalten tatsächlich ändern, wenn sie mit einer Maschine sprechen. Menschen beginnen, anders zu sprechen, verwenden Phrasen und Strukturen, die die KI nachahmen, wodurch ein Rückkopplungseffekt entsteht, bei dem die Maschine den Menschen ebenso beeinflusst wie der Mensch die Maschine.

Einer der frappierendsten Befunde des Papers ist das Konzept der „Kontext-Frustration“. In der menschlichen Konversation ist Kontext das geteilte Hintergrundwissen, das uns ermöglicht, einander zu verstehen. Wenn ich sage: „Es ist kalt hier drin“, weißt du, dass ich vielleicht darum bitte, das Fenster zu schließen. Bei einer Maschine fehlt dieser gemeinsame Hintergrund. Die Maschine hat keine persönliche Geschichte, keinen physischen Körper und keine realen Lebenserfahrungen. Um die Maschine zum Verständnis zu bewegen, sind Menschen gezwungen, zusätzliche Arbeit zu leisten. Sie müssen lange, detaillierte Prompts schreiben und genau spezifizieren, wen die Maschine vorgaukeln soll, in welcher Umgebung sie sich befindet und was das Ziel des Gesprächs ist. Dies ist ein Phänomen, das als „Prompt Engineering“ bekannt ist. Die Ironie liegt darin, dass während die Technologie immer besser darin wird, immer mehr Informationen zu verarbeiten – sich an längere Gespräche zu erinnern und größere Dokumente zu lesen –, der menschliche Nutzer sich zunehmend frustrierter fühlt. Die Fähigkeit der Maschine, riesige Datenmengen zu verarbeiten, hat das Problem des gemeinsamen Verständnisses nicht gelöst; sie hat die Kluft des Kontextes zwischen Mensch und Maschine eher noch vergrößert. Der Nutzer versucht ständig, eine Brücke des Kontextes für die Maschine zu bauen, nur um festzustellen, dass das Verständnis der Maschine sich immer noch grundlegend von seinem eigenen unterscheidet.

Das Paper schließt mit dem Schlusswort, dass wir aufhören müssen zu fragen, ob Maschinen menschlich sein können, und stattdessen fragen müssen, wie sie sich unterscheiden. Die alten Theorien der Sprache, die für die Interaktion von Mensch zu Mensch entwickelt wurden, reichen nicht aus, um das zu erklären, was jetzt geschieht. Wir brauchen neue Denkweisen, die die einzigartige Natur der Maschine anerkennen. Anstatt eine Maschine danach zu beurteilen, ob sie einen für Menschen entworschenen Test besteht, sollten wir die einzigartigen, hybriden Gespräche untersuchen, die zwischen Menschen und Maschinen stattfinden. Diese Interaktionen schaffen neue Formen der Bedeutung, neue soziale Regeln und neue Herausforderungen. Der Autor legt nahe, dass die Zukunft der Sprachwissenschaft im Verständnis dieser Partnerschaft liegt, in der Menschen und Maschinen ständig aufeinander reagieren und einen gemeinsamen Raum schaffen, der weder vollständig menschlich noch vollständig mechanisch ist, sondern etwas völlig Neues. Das Ziel ist nicht, die Maschine mehr wie uns zu machen, sondern zu verstehen, wie wir uns in ihrer Gegenwart verändern.

Technische Zusammenfassung: Pragmatik jenseits des Menschen: Bedeutung, Kommunikation und LLMs

Problemstellung
Die Arbeit adressiert die theoretischen und methodischen Unzulänglichkeiten der traditionellen Pragmatik bei der Anwendung auf Large Language Models (LLMs). Die konventionelle Pragmatik wird oft als subordinierte, dritte Dimension der Bedeutung innerhalb einer hierarchischen semiotischen Trichotomie (Syntax $\rightarrow$ Semantik $\rightarrow$ Pragmatik) konzipiert, die auf menschspezifischen Annahmen wie Grice’schen Kooperationsprinzipien, wahrheitsbedingter Evaluation und biologischer Intentionalität basiert. Der Autor argumenttiert, dass dieser Rahmen die konnektionistische, probabilistische Natur von LLMs nicht erfassen kann. Insbesondere leidet die aktuelle Forschung unter:

Anthropomorpher Verzerrung (Anthropomorphic Bias): Die Anwendung menschzentrierter Theorien (z. B. Sprechakt-Theorie basierend auf Wahrheit und Intention) auf Systeme, die auf Wortvorkommenswahrscheinlichkeiten statt auf Wahrheitsbedingungen operieren.
Substitutionalismus: Die unkritische Substitution spezifischer Modelle durch „LLMs“ im Allgemeinen, spezifischer Sprachen durch „Sprache“ im Allgemeinen und menschlicher Subjekte durch LLMs in experimentellen Designs, wodurch die hybride Natur der Mensch-Maschine-Interaktion verschleiert wird.
Kontext-Paradoxon: Die Spannung zwischen der massiven Expansion des technischen Kontextes (größere Kontextfenster, Trainingsdaten) und dem gleichzeitigen „Kollaps“ des geteilten menschlichen Kontextes, was zu einem Zustand führt, den der Autor als „Kontext-Frustration“ bezeichnet.

Methodik
Die Arbeit nutzt eine konzeptionelle und methodische Analyse anstelle empirischer Experimente. Sie gliedert sich in vier miteinander verbundene Abschnitte:

Theoretische Neurahmung: Sie kritisiert die traditionelle semiotische Trichotomie (Morris/Carnap/Kaplan) und schlägt das Framework der Human-Machine Communication (HMC) (Guzman & Lewis) als überlegene Alternative vor. Dieses Framework analysiert Kommunikation durch funktionale, relationale und metaphysische Dimensionen anstatt durch diskrete semiotische Ebenen.
Theoretische Ausrichtung: Sie kontrastiert menschzentrierte pragmatische Theorien (Grice’sche Modelle) mit der probabilistischen Pragmatik, insbesondere dem Rational Speech Act (RSA) Framework. Der Autor argumentiert, dass RSA, welches Kommunikation als einen rekursiven, nutzenoptimierenden Prozess auf Basis von Wahrscheinlichkeitsverteilungen modelliert, besser mit der Teleologie von LLMs (Optimierung der Next-Word-Prediction) korreliert als Modelle der Wahrheitsbewertung.
Kritische Analyse von Forschungspraktiken: Sie identifiziert und kategorisiert drei Formen des Substitutionalismus in der aktuellen Literatur:
- Generalisierung: Die Behandlung spezifischer Modellausgaben als repräsentativ für die gesamte KI.
- Linguistik: Die Extrapolation englischzentrierter Befunde auf alle Sprachen.
- Kommunikation: Das Ersetzen menschlicher Interlokutoren durch LLMs in experimentellen Designs, wobei ignoriert wird, wie sich menschliches Verhalten an die KI anpasst.
Konzeptionelle Synthese: Sie führt das Konzept der „Kontext-Frustration“ ein, um das Paradoxon zu beschreiben, bei dem der massive technische Kontext (Tokens, Daten) die grundlegende Inkommensurabilität zwischen menschlichen und maschinellen Präsuppositionen nicht auflösen kann, was zu einem Kollaps des geteilten Kontextes und einer Forderung an Nutzer führt, pragmatische Bedingungen ko-konstruktiv zu gestalten.

Zentrale Beiträge

Rekonzeptualisierung der Pragmatik: Die Arbeit argumentiert, dass Pragmatik nicht als hierarchischer „Abfallkorb“ (Wastebasket) der Bedeutung betrachtet werden sollte, sondern als dynamische Schnittstelle, an der Sprache als sozial eingebettetes Werkzeug für Handlungen operiert. Sie postuliert, dass die Grenzen zwischen Syntax, Semantik und Pragmatik in konnektionistischen Architekturen verschwimmen.
Übernahme des HMC-Frameworks: Sie plädiert für den Wechsel von einer menschzentrierten Sichtweise hin zu einer HMC-Perspektive, die Maschinen als aktive kommunikative Entitäten anerkennt und die funktionalen, relationalen und metaphysischen Implikationen dieses Wechsels analysiert.
Vorschlag der probabilistischen Pragmatik: Sie legt nahe, dass das Rational Speech Act (RSA) Framework einen methodisch fundierteren Ansatz für LLMs bietet, da es sich auf Optimierung und Wahrscheinlichkeit konzentriert anstatt auf Wahrheitsbedingungen und menschliche Rationalität.
Identifikation des Substitutionalismus: Die Arbeit definiert „Substitutionalismus“ formal als einen methodischen Fehler in der LLM-Forschung, der Asymmetrien schafft, indem spezifische Modelle, Sprachen oder menschliche Rollen substituiert werden, wodurch sowohl die Bewertung maschineller Fähigkeiten als auch menschlicher Verhaltensänderungen verzerrt wird.
Definition von „Kontext-Frustration“: Sie führt einen neuen Begriff ein, um die experimentelle und strukturelle Dissonanz in der Mensch-LLM-Interaktion zu beschreiben, die durch das Scheitern massiver technischer Kontextualisierung gekennzeichnet ist, die keine echte kontextuelle Ausrichtung erreicht, was Nutzer in einen Zyklus der Ko-Konstruktion pragmatischer Bedingungen zwingt.

Ergebnisse und Erkenntnisse
Als theoretische Arbeit präsentiert sie keine experimentellen Daten, sondern leitet mehrere kritische Erkenntnisse ab:

Destabilisierung der semiotischen Hierarchie: Die konnektionistische Natur von LLMs destabilisiert die traditionelle Sichtweise, dass Syntax die Basis, Semantik die Mitte und Pragmatik die Spitze bildet. Pragmatische Effekte in LLMs manifestieren sich über alle Ebenen der Bedeutungsbildung hinweg als kontinuierliche, graduelle Prozesse anstatt als diskrete, post-propositionale Inferenzen.
Unzulänglichkeit Grice’scher Modelle: Traditionelle Grice’sche Ansätze, die auf der Annahme kooperativer Rationalität und Wahrheitsstreben beruhen, führen bei der Anwendung auf LLMs zu einer methodischen Verzerrung, da diese darauf ausgelegt sind, distributionale Wahrscheinlichkeiten zu maximieren.
Menschliche Verhaltensadaptation: Die aktuelle Forschung ignoriert oft, wie sich menschliches Kommunikationsverhalten in hybriden Interaktionen verändert. Es gibt Hinweise darauf, dass Menschen beginnen, LLM-typische linguistische Muster zu imitieren (z. B. in der gesprochenen Sprache) und „Prompt Engineering“ betreiben, indem sie ihre eigenen Kommunikationsstrategien an die Affordanzen des Modells anpassen, anstatt umgekehrt.
Unerreichbares Gleichgewicht: Im Gegensatz zur Mensch-zu-Mensch-Kommunikation, in der sich Kontexte zur Äquilibrierung neigen, bleiben Mensch-LLM-Interaktionen kontextuell instabil und defizitär, da die Sätze an Präsuppositionen und möglichen Welten, die für LLMs verfügbar sind, inkommensurabel mit denen der Menschen sind.

Signifikanz
Die Arbeit behauptet, dass die pragmatische Theorie eine signifikante Anpassung oder Erweiterung benötigt, um die Kommunikation mit generativer KI zu berücksichten. Ihre Signifikanz liegt in:

Methodischer Korrektur: Sie bietet einen Rahmen, um über die „anthropomorphe Verzerrung“ hinauszugehen, die derzeit die LLM-Evaluierung dominiert, und schlägt vor, dass Forscher aufhören müssen, LLMs als fehlgeschlagene Menschen zu behandeln, und statsdessen beginnen sollten, sie als distinkte kommunikative Agenten zu analysieren.
Theoretischer Evolution: Sie fordert die „Abfallkorb“-Definition der Pragmatik heraus und schlägt stattdessen vor, dass Pragmatik eine dynamische Schnittstelle ist, die essenziell für das Verständnis der Operation von Sprache als Werkzeug für Handlungen in einem gemischten Mensch-Maschine-Ökosystem ist.
Adressierung des Kontext-Paradoxons: Durch die Einführung der „Kontext-Frustration“ hebt die Arbeit eine kritische strukturelle Limitation in der aktuellen Mensch-KI-Interaktion hervor, die nicht allein durch die Vergrößerung der Modellgröße oder des Kontextfensters gelöst werden kann, und weist auf die Notwendigkeit neuer theoretischer Werkzeuge zum Verständnis der Ko-Konstruktion von Bedeutung in hybriden Umgebungen hin.

Die Arbeit schließt mit der Feststellung, dass der Einzug von LLMs in kommunikative Praktiken einen Wechsel erfordert: weg von der Betrachtung von Kommunikation als einem ausschließlich menschlichen Prozess, hin zur Anerkennung als einer hybriden Performance, die Maschinen involviert, was eine Neubewertung der Rollen, Kontexte und Theorien erfordert, die die pragmatische Untersuchung definieren.

Mehr davon