Kürzlich haben rein dekodierende, vortrainierte große Sprachmodelle (LLMs) mit mehreren Milliarden Parametern erhebliche Auswirkungen auf eine Vielzahl von Aufgaben der natürlichen Sprachverarbeitung (NLP) gehabt. Obwohl rein kodierende oder kodierer-dekodierende vortrainierte Sprachmodelle bereits ihre Effektivität bei der Diskursanalyse bewiesen haben, bleibt die Frage, inwiefern LLMs diese Aufgabe bewältigen können, ein offenes Forschungsproblem. Daher untersucht dieser Artikel, wie nützlich solche LLMs für die Diskursanalyse nach der rhetorischen Strukturtheorie (RST) sind. Hierbei werden sowohl die grundlegenden top-down- als auch bottom-up-Strategien des Parsing-Prozesses in Prompts umgewandelt, mit denen sich LLMs arbeiten lassen. Wir verwenden Llama 2 und feinjustieren es mit QLoRA, das weniger Parameter besitzt, die angepasst werden können. Die experimentellen Ergebnisse auf drei Benchmark-Datensätzen – RST-DT, Instr-DT und dem GUM-Korpus – zeigen, dass Llama 2 mit 70 Milliarden Parametern in der bottom-up-Strategie den aktuellen Stand der Technik (SOTA) erreicht hat und signifikante Unterschiede aufweist. Darüber hinaus demonstrierten unsere Parser ihre Übertragbarkeit bei der Bewertung am RST-DT-Datensatz, indem sie trotz der Anpassung am GUM-Korpus ähnliche Leistungen wie existierende Parser zeigten, die mit RST-DT trainiert wurden.