evestnikРоссийский социально-гуманитарный журналRussian Social and Humanitarian Journal2224-0209State University of Education10.18384/2224-0209-2025-2-1649evestnik-1649Research ArticleФИЛОЛОГИЧЕСКИЕ НАУКИ (Специальность 5.9.8)PHILOLOGICAL SCIENCESЛингвопрагматические особенности сгенерированного текста в медиадискурсе социальных сетей (на примере текстов о выборах губернатора в Нижегородской области – 2023 в России)Linguopragmatic Features of AI-Generated Text in the Media Discourse of Social Networks (on the Example of Texts Devoted to the Governor Election in the Nizhny Novgorod Region, Russian Federation, 2023)ОломскаяНаталья НиколаевнаOlomskayaNatalya N.

доктор филологических наук, доцент, профессор кафедры английской филологии

Dr. Sci. (Philology), Assoc. Prof., Prof., Department of English Philology

olomnat@mail.ruЮроваЕлизавета АндреевнаYurovaElizaveta A.

ассистент кафедры английской филологии

Assistant, Department of English Philology

elizabeth1999fedorova@gmail.comКубанский государственный университетРоссияKuban State UniversityRussian Federation202525062025021649Copyright © Оломская Н.Н., Юрова Е.А., 20252025Оломская Н.Н., Юрова Е.А.Olomskaya N.N., Yurova E.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.evestnik-mgou.ru/jour/article/view/1649

Цель. Исследование отличительных признаков сгенерированных нейросетью текстов в политических постах в телеграм-каналах и обособление их в классификацию для выявления маркеров сгенерированного текста и подтверждения гипотезы о наличии подобных искусственно созданных текстов в медиадискурсе.Процедура и методы. При анализе эмпирического материала был использован ряд методов и приёмов для анализа текстов, сгенерированных нейросетями, таких как описательный (сбор языкового материала, классификация найденных лингвистических единиц, описание их особенностей применительно к медиадискурсу), метод контент-анализа (качественный и количественный анализ маркеров сгенерированных текстов), метод обобщения и систематизации.Результаты. По результатам исследования в 38 постах Ильи Померанцева было выявлено 423 лингвистических маркера сгенерированного текста. Установлено количественное и процентное содержание каждого из видов. Теоретическая и практическая значимость. Результаты научного исследования вносят вклад в более глубокое понимание принципов работы нейросетей, процесса генерации ими текстов и обработки естественного языка. Эксперимент наглядно демонстрирует, на какой стадии лингвистического развития находятся генеративные нейросети. Практическая значимость данного исследования заключается в том, что предложенная классификация лингвистических маркеров поможет специалистам проводить анализ текста с последующим выявлением элементов сгенерированности с помощью искусственного интеллекта.

Aim. To study the distinctive features of neural AI-generated texts on example of political posts on Telegram channels, and to make their classification to both identify the markers of the generated text and prove the presence of such artificially created texts in media discourse.Methodology. Descriptive methods (collection of linguistic material, classification of found linguistic units, description of their features in relation to media discourse), and the methods of content analysis (qualitative and quantitative analysis of markers of the generated texts) were used in the research, which implied AI-generated text analysis.Results. According to the results of the study, 423 linguistic features of AI-generated text have been detected in Ilya Pomerantsev’s 38 posts. The quantitative and percental content of each type of marker are presented.Research implications. The results of this study are valuable since they offer insight to the principles of neural networks, the process of text generation made by AI and its natural language processing. The experiment clearly demonstrates the linguistic level of generative neural networks. The practical significance of this study is the proposed classification of the linguistic peculiarities (markers), which can help specialists analyze the text and then identify the elements of AI-generation.

генерация текстагубернаторские выборы – 2023искусственный интеллект (ИИ)маркеры сгенерированного текстанейросетьполитический медиадискурсtext generationgubernatorial elections 2023artificial intelligence (AI)features of a generated textneural networkpolitical media discourseReferencesВасильев Ю. Обработка естественного языка. Python и spaCy на практике. СПб.: Питер, 2021. 256 с.Vasiliev, Yu. (2021). Natural Language Processing. Python and spaCy in Practice. St. Petersburg: Piter publ. (in Russ.).Гольдберг Й. Нейросетевые методы в обработке естественного языка / пер. с англ. М.: ДМК Пресс, 2019. 282 с.Goldberg, Y. (2019). Neural Network Methods for Natural Language Processing. Moscow: DMK Press publ. (in Russ.).Зашихина И. М. Подготовка научной статьи: справится ли ChatGPT? // Высшее образование в России. 2023. Т. 32. №8–9. С. 24–47. DOI: 10.31992/0869-3617-2023-32-8-9-24-47.Zashikhina, I. M. (2023). Scientific Article Writing: Will ChatGPT Help? In: Higher education in Russia, 32 (8-9), 24–47. DOI: 10.31992/0869-3617-2023-32-8-9-24-47 (in Russ.).Каминченко Д. И. Политический имидж в электоральный период: по материалам избирательной кампании в Нижегородской области в 2023 году // Известия Саратовского университета. Новая серия. Серия: Социология. Политология. 2024. Т. 24. №1. С. 80–89. DOI: 10.18500/1818-9601-2024-24-1-80-89.Kaminchenko, D. I. (2024). Political Image during the Electoral Period: Based on Materials of the Pre-election Campaign in the Nizhny Novgorod Region in 2023. In: Izvestiya of Saratov University. Sociology. Politology, 24 (1), 80–89. DOI: 10.18500/1818-9601-2024-24-1-80-89 (in Russ.).Картер Д. Нейросети. Обработка естественного языка / пер. с англ. М.: Автор, 2023. 231 с.Carter, J. (2023). Neural Networks Beginnings. Moscow: Avtor publ. (in Russ.).Куликова Н. Р. Автоматическая генерация текста (на примере новости фигурного катания) // Цифровая наука. 2020. №6. С. 64–74.Kulikova, N. R. (2020). Automated Text Generation (On the Figure Skating News Example). In: Digital Science, 6, 64–74 (in Russ.).Лекун Я. Как учится машина: Революция в области нейронных сетей и глубокого обучения / пер. с фр. М.: Альпина ПРО, 2021. 423 с.Le Cun, Y. (2021). Quand la machine apprend: La révolution des neurones artificiels et de l'apprentissage profond. Moscow: Alpina Pro publ. (in Russ.).Мальцев Н. Д. Структурные и филологические особенности текстовых генеративных нейронных сетей // Неофилология. 2024. №10. С. 452–464. DOI: 10.20310/2587-6953-2024-10-2-452-464.Maltsev, N. D. (2024). Structural and Philological Features of Text Generative Neural Networks. In: Neophilology, 10, 452–464. DOI: 10.20310/2587-6953-2024-10-2-452-464 (in Russ.).Оломская Н. Н., Юрова Е. А. Лингвистические маркеры сгенерированных новостей (на материале президентских выборов 2024 в США) // Междисциплинарные аспекты лингвистических исследований: сборник научных трудов / под ред. Н. Н. Оломской. Краснодар: Кубанский государственный университет, 2025. С. 220–229.Olomskaya, N. N. & Yurova, E. A. (2025). Linguistic Markers of Generated News (Based on the Presidential Elections in the USA, 2024). In: Interdisciplinary Aspects of Linguistic Research. Krasnodar: Kuban State University publ., pp. 220–229. (in Russ.).Розенталь Д. Э. Русский язык. Орфография и пунктуация. М.: Эксмо, 2011. 288 с.Rosenthal, D. E. (2011). Russian Language. Spelling and Punctuation. Moscow: Eksmo publ. (in Russ.).Розенталь Д. Э. Справочник по русскому языку. Практическая стилистика. М.: ОНИКС 21 век: Мир и образование, 2001. 381 с.Rosenthal, D. E. (2001). Handbook of the Russian language. Practical Stylistics. Moscow: ONIX 21st century publ., World and Education publ. (in Russ.).Тихонова Е. В. ChatGPT в контексте научной коммуникации // Хранение и переработка сельхозсырья. 2023. №3. С. 8–12. DOI: 10.36107/spfp.2023.518.Tikhonova, E. V. (2023). ChatGPT in the Context of Scientific Communication. In: Storage and processing of Farm Products, 3, 8–12. DOI: 10.36107/spfp.2023.518 (in Russ.).Чудинов А. П. Политическая лингвистика. М.: Флинта: Наука, 2006. 256 с.Chudinov, A. P. (2006). Political Linguistics. Moscow: Flinta publ., Science publ. (in Russ.).Шейгал Е. И. Семиотика политического дискурса: дис. … докт. филол. наук. Волгоград, 2000. 440 с.Sheigal, E. I. (2000). Semiotics of Political Discourse [dissertation]. Volgograd (in Russ.).Becker J., Wahle J. P., Gipp B., et al. Text Generation: A Systematic Literature Review of Tasks, Evaluation, and Challenges // Cornell University. ArXiv.org (электронный научный журнал). 2024. URL: https://arxiv.org/abs/2405.15604 (дата обращения: 05.12.2024). DOI: 10.48550/arXiv.2405.15604.Becker, J., Wahle, J. P., Gipp, B., et al. (2024). Text Generation: A Systematic Literature Review of Tasks, Evaluation, and Challenges. In: Cornell University. ArXiv.org. URL: https://arxiv.org/abs/2405.15604 (accessed: 05.12.2024). DOI: 10.48550/arXiv.2405.15604.Galperin I. R. English Stylistics. M.: URSS, 2014. 332 p.Galperin, I. R. (2014). English Stylistics. Moscow: URSS.Grinin I. L. The generation of coherent texts, analysis of neural network mechanics. Mechanics two – learning model for working with a neural network // Innovation & Investment. 2020. No. 11. P. 173–176.Grinin, I. L. (2020). The Generation of Coherent Texts, Analysis of Neural Network Mechanics. Mechanics Two – Learning Model for Working with a Neural Network. In: Innovation & Investment, 11, 173–176.Sboev A. G., Gryaznov A. V., Rybka R. B., et al. A deep learning method based on language models for processing natural language Russian commands in human robot interaction // Research result. Theoretical and applied linguistics. 2023. Vol. 9. №1. P. 174–191. DOI: 10.18413/2313-8912-2023-9-1-1-1.Sboev, A. G., Gryaznov, A. V., Rybka, R. B., et al. (2023). A Deep Learning Method based on Language Models for Processing Natural Language Russian Commands in Human Robot Interaction. In: Research Result. Theoretical and applied linguistics, 9 (1), 174–191. DOI: 10.18413/2313-8912-2023-9-1-1-1.

The authors declare that there are no conflicts of interest present.