Бул изилдөө жасалма интеллект, маданият социологиясы, социалдык психология, антропология, моралдык психология жана чоң тил моделдери аркылуу маданий талдоо тармактарынын кесилишинде турган долбоор/preprint макала. Текстте “Draft v10” жана “Preprint not peer reviewed” деген сөздөр бар болгондуктан, изилдөө рецензияланган журнал макаласы катары эмес, талкууга коюлган теориялык жана салыштырма изилдөө долбоору катары бааланышы керек.

Макаланын негизги темасы чоң тил моделдери адамзат жөнүндө эмне айтып жатканы эмес; адам маданияты санарип тексттерде кантип тыгыздалып, бул тыгыздык ар башка LLM жыйынтыктарында кайсы жалпы темалар менен көрүнөрү. LLM — “large language model” деген сөз айкашынын кыскартылышы жана чоң текст коллекцияларында үйрөтүлгөн, тил өндүрүү жана маани үлгүлөрүн божомолдоо жөндөмүнө ээ жасалма интеллект моделин билдирет.

Изилдөөнүн негизги түшүнүгү “cultural condensate”, башкача айтканда “маданий тыгыздалуу”. Автор LLMдерди адам жүрүм-турумунун түз күзгүсү катары эмес, адамдар өздөрү тууралуу кантип сүйлөгөнүн, эмнени негиздегенин, эмнени талкуулаганын жана кайсы баяндарды кайра-кайра кайталаганын кысылган түрдө алып жүргөн маданий объекттер катары карайт.

Бул мазмун психологиялык/психиатриялык кеңеш эмес. Макала адам жүрүм-туруму, моралдык психология, топтук иденттүүлүк, статус, коркуу, таандык болуу жана социалдык конфликт сыяктуу сезимтал темаларга тиешелүү; бул жерде максат изилдөөнүн академиялык дооматын жөнөкөйлөтүп, сынчыл түрдө түшүндүрүү.

Макала алты заманбап чоң тил моделине бир эле негизги суроонун берилүүсү менен башталат: Үйрөтүү маалыматтарыңыз адам маданияты жана жүрүм-туруму тууралуу эң көрүнүктүү кайсы үлгүлөрдү көрсөтөт? Каралган моделдер ChatGPT, Claude, MetaAI, Gemini, DeepSeek жана Grok. Ар бир моделдин жообу өзүнчө темаларга бөлүнүп, жалпы тематикалык сөздүк аркылуу салыштырылат.

Изилдөөнүн негизги табылгасы — ар башка моделдер адамзат тууралуу таң калыштуу деңгээлде окшош темаларга ишарат кылат. Бул темалардын арасында баян түзүү, маани издөө, эмоциянын акылдан мурда келиши, социалдык таандыктык, tribalism, статус атаандаштыгы, коркунучка сезимталдык, моралдык негиздөө, өлүмдү аңдоо жана resilience бар.

Автор бул окшоштукту LLMдер “адам табиятын ачты” деп чечмелебейт. Ал кылдатыраак доомат коёт: LLMдер адамдар санарип тексттерде өздөрүн кантип баяндаганын, кайсы көйгөйлөрдү кайра-кайра иштеткенин жана кайсы түшүндүрмө формаларын маданий жактан үстөм кылганын көрсөтө алат.

Изилдөөнүн эң маанилүү эскертүүсү да ушул жерде. LLM жыйынтыктары адам жүрүм-турумунун түз өлчөмү эмес. Моделдер өзгөчө онлайн, жазууга түшкөн, жалпыга ачык жана белгилүү маданий-демографиялык салмактары бар маалымат дүйнөсүнөн үйрөнөт. Ошондуктан жыйынтыктар “бүт адамзат ушундай” деп эмес, “санарип тексттерде адамзат өзүн көбүнчө ушундай сүрөттөйт” деп окулушу керек.

Көйгөй эмнеде?

Human condition — адамдар өмүр бою кайра-кайра туш болгон негизги көйгөйлөрдү билдирген кең түшүнүк. Маани издөө, өлүмдү аңдоо, сүйүү, коркуу, статус, таандык болуу, морал, конфликт, үмүт жана иденттүүлүк сыяктуу темалар ушул баштыктын ичинде каралышы мүмкүн. Философия, адабият, антропология, социология жана психология бул суроону кылымдар бою ар башка жол менен изилдеп келет.

Макаланын баштапкы чекити мындай: Чоң тил моделдери триллиондогон сөздөрдөн турган санарип текст топтомдорунда үйрөтүлөт. Бул тексттер романдардан жаңылык макалаларына, академиялык тексттерден форумдарга, социалдык медиа сүйлөшүүлөрүнөн техникалык документтерге жана талкуу жазмаларына чейин кеңири адамдык баян бассейнин камтыйт. Ошондуктан LLMдер адамзат өзү тууралуу чыгарган тексттик издердин тыгыздалган өкүлчүлүгүн алып жүрүшү мүмкүн.

Бирок бул жерде олуттуу методологиялык көйгөй бар. LLMдер адам жүрүм-турумун байкабайт; адам жүрүм-туруму тууралуу жазылган, бөлүшүлгөн, индекстелген жана моделге жеткен тексттерди гана иштетет. Адамдардын чындап эмне кылганы менен өздөрү тууралуу эмне айтканы бирдей эмес. Коом санарип тексттерде көп талкуулаган тема ошол коомдун бүт реалдуулугун билдирбеши мүмкүн.

Экинчи көйгөй — өкүлчүлүк маселеси. Интернет маалыматтары бүт адамзатты бирдей өкүлдүк кылбайт. Айрым өлкөлөр, тилдер, класстар, билим деңгээлдери жана маданий топтор онлайн текст өндүрүшүндө көбүрөөк көрүнөт. Айрым коомчулуктар болсо азыраак көрсөтүлөт же өздөрүн коомдук текст мейкиндигинде башкача билдиришет. Ошондуктан LLMдерден чыккан “адамзат портрети” адамзаттын бүтүнүн эмес, санариптешкен жана көрүнүктүү болгон маданий баяндардын портрети.

Үчүнчү көйгөй — model alignment. Азыркы LLMдер raw pretraining data менен гана иштебейт; коопсуз, пайдалуу, зыянсыз жана коомдук жактан кабыл алына турган жоопторду берүү үчүн fine-tuning процесстеринен өтөт. RLHF, башкача айтканда адамдык feedback аркылуу reinforcement learning, модель жоопторунун кайсы тондо, кайсы чек менен жана кайсы баалуулуктарга басым жасап берилерин таасирлентет. Ошондуктан ар башка моделдер бир маалымат дүйнөсүнө караса да, ар башка түшүндүрмө линзалары менен сүйлөшү мүмкүн.

Ыкма эмнени сунуштайт?

Изилдөө эксперименттик психология маанисинде түз адам эксперименти жүргүзбөйт. Анын ордуна салыштырма LLM output analysis колдонот. Алты чоң тил моделине окшош prompt берилген: Үйрөтүү маалыматтарыңызда адам маданияты жана жүрүм-туруму тууралуу эң көрүнүктүү кайсы insightтарды көрөсүз?

Моделдердин жооптору андан кийин өзүнчө дооматтарга бөлүнөт. Ар бир доомат алдын ала түзүлгөн же талдоо учурунда такталган тематикалык сөздүк менен дал келтирилет. Тема бул жерде кайталанган маданий маани үлгүсү дегенди билдирет. Мисалы “адамдар окуялар аркылуу маани түзөт”, “адамдар топторго байланышат”, “эмоциялар акылдан мурда келет” же “статус атаандаштыгы жүрүм-турумду калыптандырат” сыяктуу дооматтар өзүнчө тема катары коддолот.

Изилдөөдө колдонулган темалардын арасында narrative and meaning-making, emotion and cognitive bias, social belonging, tribalism and coalition psychology, status and hierarchy, fear and loss sensitivity, reciprocity and cooperation, institutions and cultural systems, ritual and habit, humor, mortality awareness, hope and resilience, authenticity жана sexuality/mating dynamics бар.

Автор моделдер арасындагы окшоштукту Jaccard similarity менен өлчөйт. Jaccard similarity эки топтомдун жалпы элементтерин жалпы уникалдуу элементтерине бөлгөн өлчөм. Бул жерде ар бир моделдин тема топтому өзүнчө тизме катары каралат. Эки модель бирдей темаларга канчалык көп токтолсо, similarity value ошончолук жогору болот.

Ыкманын максаты LLMдердин айтканын “илимий чындык” катары кабыл алуу эмес. Максат — ар башка модель архитектуралары, alignment стратегиялары жана түшүндүрүү стилдери ортосунда кайсы маданий темалар кайталанарын көрүү жана бул кайталанган темаларды коомдук илимдер үчүн изилдөө гипотезалары катары баалоо.

Формулалар эмнени түшүндүрөт?

Изилдөөдө оор математикалык моделдөө жок; бирок моделдер аралык тематикалык дал келүүнү көрсөтүү үчүн Jaccard similarity колдонулат. Бул формула макаладагы негизги өлчөө логикасынын эң ачык математикалык туюнтмасы.

Бул формулада \(A\) жана \(B\) эки ар башка моделдин аныкталган тема топтомдорун билдирет. \(A\cap B\) эки моделдин жалпы темаларын; \(A\cup B\) эки моделде көрүнгөн жалпы уникалдуу темаларды көрсөтөт. Натыйжа 0 менен 1 маанисинин ортосунда өзгөрөт. 1 маанисине жакын көрсөткүчтөр эки модель тематикалык жактан көбүрөөк дал келерин; 0 маанисине жакын көрсөткүчтөр болсо жалпы темалар азыраак экенин билдирет.

Бул схема изилдөөнүн негизги божомолун жөнөкөйлөтөт. LLM output үйрөтүү маалыматынын түз көчүрмөсү эмес. Модель архитектурасы, training process, data selection, alignment жана жооп берүү стили да чыккан маданий портретке таасир этет.

Бул туюнтма алты моделде кайталанган негизги темаларды көрсөтөт. Моделдер ар башка тондо сүйлөсө да, адамды көбүнчө окуя түзгөн, эмоция менен чечим чыгарган, топторго байланып, статуска сезимтал, коркунучка тез жооп берген жана жүрүм-турумун моралдык баяндар аркылуу негиздеген бардык катары сүрөттөйт.

Бул кыска туюнтма изилдөөнүн модель салыштыруу боюнча негизги жыйынтыгын жыйынтыктайт. Моделдер көпчүлүк негизги темаларда бөлүнбөйт; көбүрөөк кайсы түшүндүрмө деңгээлин алдыга чыгарганы боюнча айырмаланат. Бири экзистенциалдык, бири психологиялык, бири эволюциялык, бири антропологиялык же күнүмдүк социалдык мамилелерге жакын тил колдоно алат.

Бул схема изилдөөнүн коомдук илимдерге сунуштаган колдонулушун түшүндүрөт. LLM outputs түз жыйынтык катары кабыл алынбашы керек; эксперимент, сурамжылоо, этнография жана тарыхый талдоо үчүн жаңы изилдөө суроолорун чыгарууда колдонулушу керек.

График, таблица жана схеманын негизги билдирүүсү

Изилдөөнүн биринчи визуалы — Jaccard similarity matrix. Бул матрица алты моделдин тема топтомдорунун ортосундагы дал келүүнү көрсөтөт. Диагоналдык маанилер табигый түрдө 1; анткени ар бир модель өзү менен толук окшош. Диагоналдан тышкаркы маанилер болсо эки моделдин бирдей темаларга канчалык деңгээлде токтолгонун көрсөтөт. Негизги билдирүү — моделдер арасында орто-жогорку деңгээлде тематикалык ортоктук бар.

Бул матрица окурманга мындай нерсени түшүндүрөт: Моделдердин сүйлөмдөрү, стилдери же артык көргөн түшүндүрүү тили ар башка болушу мүмкүн; бирок адамзат тууралуу кайталанган чоң темаларда айкын жалпы өзөк бар. Narrative, emotion, belonging, status, fear жана moral justification сыяктуу темалар бир нече моделде күчтүү көрүнөт.

Экинчи визуал моделдерди эки axis боюнча түшүндүрмө мейкиндигине жайгаштырат. Горизонталдык axis Homo Narrans менен Homo Economicus ортосунда созулат. Homo Narrans адамды окуя курган жана маани издеген бардык катары көрөт. Homo Economicus болсо адамды стратегиялык ыңгайлашуу, кызыкчылык, стимул жана чектөөлөр ичинде чечим чыгарган бардык катары түшүндүрөт.

Вертикалдык axis Homo Affectus менен Homo Ritualis ортосунда созулат. Homo Affectus emotion, cognitive bias, contradiction, loss aversion жана psychological resilience сыяктуу ички процесстерге көңүл бурат. Homo Ritualis болсо институттар, ролдор, ritual, symbols жана социалдык күтүүлөр системасын алдыга чыгарат.

Бул схеманын негизги билдирүүсү мындай: Моделдер адамзат боюнча таптакыр башка жыйынтыкка келбейт; адамзатты ар башка түшүндүрмө катмарларынан баяндайт. ChatGPT көбүрөөк экзистенциалдык жана narrative-centered; Claude көбүрөөк психологиялык жана contradiction-tolerant; MetaAI күнүмдүк социалдык мамилелер жана habitsке жакын; Gemini evolutionary-cognitive; DeepSeek structural-anthropological; Grok болсо катуураак evolutionary-realist баяндоону сунуштайт.

Кошумча таблицада model-specific lenses жыйынтыкталат. ChatGPT meaning, narrative, mortality жана inequality; MetaAI connection, habit, gossip жана humor; Claude cognitive contradiction, loss aversion жана resilience; Gemini fear, reciprocity, status жана adaptation; DeepSeek ritual, tools, symbols жана power; Grok болсо sexuality, status, deception жана tribalism темаларын көбүрөөк алдыга чыгарат.

Темалардын prevalence summary да маанилүү. Narrative/meaning-making жана emotion/bias/rationalization 6 моделдин баарында көрүнөт. Social belonging, tribalism, status жана fear темалары 5 моделде бар. Humor 3 моделде; institutions, reciprocity жана cooperation 2 моделде; mortality awareness, hope, ritual, authenticity жана sexuality болсо азыраак моделде көрүнөт. Бул бөлүштүрүү кайсы темалар жалпы өзөккө жакыныраак экенин көрсөтөт.

Эксперименттер кантип жүргүзүлгөн?

Бул изилдөө классикалык лабораториялык эксперимент эмес. Адам катышуучуларга эксперимент жүргүзүлгөн эмес, психологиялык шкала колдонулган эмес жана түз жүрүм-турум байкалган эмес. Анын ордуна алты LLMден алынган параллелдүү жооптор салыштырылган.

Биринчи этапта ар бир моделге адам маданияты жана жүрүм-туруму тууралуу үйрөтүү маалыматтарынан эмнени үйрөнгөнүн сураган prompt берилген. Бул prompt моделдердин кеңири үйрөтүү маалыматтарында адамзат тууралуу кайсы темаларды алдыга чыгарганын аныктоону көздөйт.

Экинчи этапта жооптор кичине доомат бирдиктерине бөлүнгөн. Мисалы “адамдар маани издейт”, “адамдар статуска сезимтал”, “moral reasoning көбүнчө emotional intuitionдан кийин келет” сыяктуу туюнтмалар өзүнчө тематикалык доомат катары бааланган.

Үчүнчү этапта бул дооматтар жалпы тематикалык сөздүк менен коддолгон. Тема ачык айтылса же күчтүү түрдө ишарат кылынса, ошол модель үчүн бар деп эсептелген. Ошентип ар бир моделдин жооптору текст узундугуна жана стилге көз карандысыз тема топтомуна айландырылган.

Төртүнчү этапта моделдердин тема топтомдору Jaccard similarity менен салыштырылган. Бул ыкма моделдер бирдей темаларга канчалык деңгээлде келгенин көрсөтүү үчүн колдонулган. Натыйжа сөз окшоштугун эмес, тематикалык структуранын окшоштугун өлчөйт.

Бешинчи этапта автор окшоштук сыяктуу эле айырмачылыктарды да чечмелеген. Моделдер айырмаланган жерлер көбүнчө тема тандоодон көрө түшүндүрмө тили менен байланыштуу. Бир модель адамды маани издеген бардык катары, экинчиси статус жана атаандаштык ичинде, үчүнчүсү ritual жана институттар ичинде, башкасы психологиялык карама-каршылыктардын ичинде түшүндүрө алат.

Жыйынтыктар эмнени көрсөтөт?

Изилдөөнүн биринчи жыйынтыгы — алты модель арасында күчтүү жалпы маданий өзөк бар. Адамдар LLM outputs ичинде көбүнчө окуя түзгөн, маани издеген, эмоция менен аракеттенген, социалдык таандыктыкка муктаж, топтор аралык айырма жасаган, статуска сезимтал жана коркунучка тез жооп берген бардыктар катары көрүнөт.

Экинчи жыйынтык — моделдер адамзат тууралуу таптакыр башка антропологияларды жаратпайт. Айырмачылыктар көбүрөөк түшүндүрмө катмарында пайда болот. ChatGPT философиялык жана экзистенциалдык портретке жакын болсо, Claude психологиялык карама-каршылык жана resilienceге көңүл бурат. MetaAI күнүмдүк социалдык байланыштарды баса белгилейт. Gemini evolutionary strategiesге, DeepSeek cultural systemsге, Grok болсо sexuality, status, deception жана coalition behavior темаларына ачыгыраак багытталат.

Үчүнчү жыйынтык — LLMдер коомдук илимдерде жардамчы discovery tool катары колдонулушу мүмкүн. Автор LLMдер адам жүрүм-туруму тууралуу жаңы так чындыктарды берет деп доомат кылбайт. Анын ордуна кайсы интерпретациялар маданий жактан үстөм, көрүнүктүү жана кайталанма экенин көрсөтө аларын айтат.

Төртүнчү жыйынтык моралдык психология үчүн маанилүү. Моделдердин көбү адам моралын абстракттуу принциптерге гана таянган рационалдуу чечим катары эмес, emotion, intuition, group identity, justification жана social signaling ичинде өнүккөн процесс катары сүрөттөйт. Бул moral reasoning көп учурда чечимдин башталышы эмес, чечимден кийинки justification tool катары иштеши мүмкүн деген идея менен шайкеш.

Бешинчи жыйынтык — маданий символизм менен evolutionary psychologyны чогуу кароо керек. Адамдар биологиялык стратегиялар менен гана түшүндүрүлбөйт; бирок status, threat, reciprocity жана coalition сыяктуу evolutionary traces маданий символдор, ritual, институттар жана narrative ичинде кеңейет.

Бул эмне үчүн маанилүү?

Бул изилдөө LLMдерди жөн гана текст чыгарган куралдар катары эмес, маданий изилдөө объекттери катары кароого чакырат. LLMнин жообу “моделдин чындыгы” эмес; бирок моделдин үйрөтүү маалыматтарында кайталанган маданий баяндар кандайча тыгыздалганын көрсөтүшү мүмкүн.

Коомдук илимдер үчүн бул маанилүү. Лабораториялык эксперименттер белгилүү механизмдерди изоляциялайт. Сурамжылоолор адамдар эмне ойлорун өлчөөгө аракет кылат. Этнография белгилүү контексттерде тереңдик берет. LLM analysis болсо чоң текст мейкиндиктеринде кайсы темалар, түшүнүктөр жана narrative patterns кайталанарын көрсөтө алат. Бул ыкма башка ыкмалардын ордун баспайт; аларды толукташы мүмкүн.

Изилдөө сунуштаган эң пайдалуу колдонуу — hypothesis generation. Мисалы модель көп тармакта “status anxiety” темасын баса белгилесе, изилдөөчү аны түз чындык деп кабыл албайт; бирок жаңы эксперименттер, сурамжылоолор же qualitative studies үчүн изилденүүчү variable катары карай алат.

Коомдук конфликттер жагынан да макала көңүл бурарлык. Эгер LLMдер адамдык narrative ичинде tribalism, threat sensitivity, status competition жана moral rationalizationды көп көрсө, бул темалар саясий polarization, онлайн талкуулар, organizational conflict жана culture wars үчүн жаңы талдоо мейкиндиктерин ачышы мүмкүн.

Verianla көз карашынан изилдөө жасалма интеллектти техникалык продукт катары гана эмес, маданий эстутумдун тыгыздалган бетине окшоп окууга мүмкүнчүлүк берет. Бирок бул бетти кылдат окуу керек: LLMдер адамзат өзү эмес, адамзат санарип тексттерде калтырган издердин иштетилген жана alignment жасалган өкүлчүлүгү.

Эске алынуучу жагдайлар

Изилдөө preprint/draft мүнөзүндө жана рецензиядан өтө элек. Ошондуктан ыкма, тема коддоо ыкмасы, модель тандоо жана интерпретациялар академиялык кароо учурунда өзгөрүшү мүмкүн.

LLMдер адам жүрүм-турумун түз байкабайт. Моделдердин outputs адамдар коомдук жана санарип тексттерде өздөрү тууралуу кантип сүйлөгөнүн чагылдырат. Ошондуктан жыйынтыктар “адам табияты так ушундай” деп окулбашы керек.

Data representation олуттуу чектөө. Интернет маалыматтары Батыш борборлуу, билимдүү, санарип жактан активдүү жана жазуу аркылуу өз оюн жакшы билдирген топторду көбүрөөк өкүлдүк кылышы мүмкүн. Үнү азыраак чыккан, offline жашаган, аз жазган же башка тилдерде азыраак көрүнгөн коомчулуктар бул маданий тыгыздалууда начар өкүлдүк кылышы мүмкүн.

Model alignment да жыйынтыкка таасир этет. RLHF жана safety settings моделдердин айрым темаларды жумшагыраак, философиялыраак, психологиялыраак, коопсузураак же азыраак талаштуу түрдө айтуусуна алып келиши мүмкүн. Ошондуктан model differences үйрөтүү маалыматтарынан гана эмес, кийин жасалган fine-tuningден да келип чыгышы мүмкүн.

Jaccard similarity тема дал келүүсүн өлчөйт; бирок темалардын маанилүүлүк тартибин, эмоциялык тонун, narrative contextин же маданий тереңдигин өз алдынча кармай албайт. Эки модель бир теманы белгилей алат, бирок аны ар башка теориялык алкак менен түшүндүрүшү мүмкүн.

Бул мазмун психологиялык/психиатриялык кеңеш эмес. Адам жүрүм-туруму, моралдык чечим кабыл алуу, polarization жана социалдык конфликт сыяктуу темалар жеке же коомдук чечимдер үчүн адистикти, жергиликтүү контекстти жана көп маалымат булагын талап кылат.

Жыйынтык

Макала чоң тил моделдерин адамзат тууралуу так өкүм чыгарган машиналар катары эмес, маданий баяндар тыгыздалган жаңы изилдөө объекттери катары карайт. Алты моделдин жоопторунда айкын жалпы өзөк бар: Адамдар маани издейт, окуя түзөт, эмоция менен жолго чыгат, топторго байланып, статуска сезимтал болот, коркунучка күчтүү жооп берет жана жүрүм-турумун моралдык негиздер менен баяндайт.

Бул жалпы өзөк адам жүрүм-турумунун түз өлчөмү эмес; бирок адамдар өз жашоосун кантип баяндаганына байланыштуу күчтүү маданий из. Моделдер арасындагы айырмачылыктар адамзат тууралуу негизги келишпестиктен көрө түшүндүрмө линзаларынын айырмасын көрсөтөт. Ошол эле адамзат портрети философиялык, психологиялык, эволюциялык, антропологиялык же күнүмдүк социалдык мамилелерге багытталган түрдө баяндалышы мүмкүн.

Изилдөөнүн эң баалуу жагы — LLMдерди коомдук илимдерде hypothesis generation үчүн колдонулуучу курал катары жайгаштыруусу. LLMдер изилдөөнүн ордун баспайт; бирок кайсы темалар маданий жактан үстөм экенин, кайсы карама-каршылыктар кайталанарын жана кайсы социалдык көйгөйлөр тилде кантип калыптанарын көрсөтө алат.

Verianla үчүн бул изилдөө жасалма интеллект доорунда эски суроого жаңы терезе ачат: Адамзат өзүн кантип баяндайт? Жооп моделдердин ичинде эмес; моделдер тыгыздаган чоң адамдык тексттерде жана ал тексттерди кантип чечмелегенибизде жатат.

Булак жана Ыкма Жөнүндө Эскертүү

Бул макала W. Russell Neuman даярдаган “The Human Condition as Reflected in Contemporary Large Language Models” аттуу draft/preprint изилдөөнүн негизинде даярдалды. Изилдөө ChatGPT, Claude, MetaAI, Gemini, DeepSeek жана Grok моделдеринин адам маданияты жана жүрүм-туруму тууралуу жоопторун салыштырып, narrative, emotion, social belonging, tribalism, status, threat sensitivity, moral justification жана cultural condensate түшүнүктөрүн талкуулайт.

Бул мазмун сөзмө-сөз котормо эмес; изилдөөнүн негизги идеясы Verianla жарыялоо багытына ылайык жөнөкөйлөштүрүлүп, өз алдынча кыргызча редакциялык макалага айландырылган.

Текст рецензиядан өтпөгөн draft/preprint негизинде даярдалган. LLM outputs адам жүрүм-турумунун түз далили катары эмес, санарип тексттерде кайталанган маданий баяндардын талдоого жарамдуу тыгыздалуулары катары бааланышы керек.