Sense-Making Cognitive Strategies in Large Language Models: A Contrastive Analysis of GPT and Gemini

The article provides a comprehensive analysis of the sense-making mechanisms of large language models (GPT and Gemini) in the task of distinguishing between categories of sense and nonsense. It is emphasized that working with these categories extends beyond formal text processing, as their interpretation requires sensitivity to contextual, cognitive, cultural, and phenomenological parameters. The study demonstrates that contemporary models are highly effective in detecting syntactic and statistical regularities but remain unstable when dealing with texts where absurdity arises from violations of logic, causal coherence, referential integrity, or culturally marked semantic frames. An experimental evaluation based on standardized prompts demonstrates that GPT maintains a stronger stability of the sense constant, exhibits greater sensitivity to implicitness, and produces more coherent and logically structured interpretations. Gemini, in contrast, tends to rely on surface-level cues, showing a propensity toward literalism, overgeneralization, and fragmented sense construction. The influence of prompt engineering proves to be particularly significant: structured instructions improve semantic classification accuracy by 6–12%, highlighting the engineered and controllable nature of sense-making in LLMs. The paper concludes that distinguishing between sense and nonsense cannot be solved within a purely computational paradigm; instead, it requires the integration of applied linguistics, cognitive semantics, phenomenology, and neural network modelling. The study outlines prospects for improving sense-classification architectures and integrating such models into systems for analysing political Internet discourse.

У статті здійснено комплексний аналіз смислотворчих механізмів великих мовних моделей (GPT та Gemini) у контексті розпізнавання категорій смислу й абсурду. Наголошено, що робота з цими категоріями виходить за межі формальної обробки текстових даних, оскільки їх інтерпретація неможлива без урахування контекстуальних, когнітивних, культурних та феноменологічних параметрів. Встановлено, що сучасні моделі демонструють високу ефективність у виявленні синтаксичних та статистичних закономірностей, проте виявляють нестійкість при обробці текстів, де абсурд базується на порушенні логіки, причиново-наслідкових зв’язків, референтної цілісності або культурно маркованих значеннєвих фреймів.
Результати експерименту на основі стандартизованих промптів засвідчили, що GPT демонструє вищу стабільність смислової константи, більшу чутливість до імпліцитності й кращу логічну когерентність. Gemini, навпаки, частіше тяжіє до поверхневої інтерпретації, виявляючи схильність до буквальності, надмірного узагальнення та фрагментації смислу. Особливе значення має вплив промптової інженерії: структуровані інструкції підвищують точність смислової класифікації на 6–12%, що вказує на керований, інженерований характер смислотворення у LLM. Зроблено висновок, що проблема розмежування смислу й абсурду не може бути розв’язана винятково у межах обчислювальної парадигми; вона потребує інтеграції підходів прикладної лінгвістики, когнітивної семантики, феноменології та нейромережевого моделювання. Окреслено перспективи подальших досліджень, пов’язані з удосконаленням моделей смислової класифікації та їхньою інтеграцією в системи аналізу політичного інтернет-дискурсу.