Лингвопрагматические особенности сгенерированного текста в медиадискурсе социальных сетей (на примере текстов о выборах губернатора в Нижегородской области – 2023 в России)

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.

1. Васильев Ю. Обработка естественного языка. Python и spaCy на практике. СПб.: Питер, 2021. 256 с.

2. Гольдберг Й. Нейросетевые методы в обработке естественного языка / пер. с англ. М.: ДМК Пресс, 2019. 282 с.

3. 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.

4. 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.

5. Картер Д. Нейросети. Обработка естественного языка / пер. с англ. М.: Автор, 2023. 231 с.

6. Куликова Н. Р. Автоматическая генерация текста (на примере новости фигурного катания) // Цифровая наука. 2020. №6. С. 64–74.

7. Лекун Я. Как учится машина: Революция в области нейронных сетей и глубокого обучения / пер. с фр. М.: Альпина ПРО, 2021. 423 с.

8. 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.

9. 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.

10. Розенталь Д. Э. Русский язык. Орфография и пунктуация. М.: Эксмо, 2011. 288 с.

11. Розенталь Д. Э. Справочник по русскому языку. Практическая стилистика. М.: ОНИКС 21 век: Мир и образование, 2001. 381 с.

12. Тихонова Е. В. ChatGPT в контексте научной коммуникации // Хранение и переработка сельхозсырья. 2023. №3. С. 8–12. DOI: 10.36107/spfp.2023.518.

13. Чудинов А. П. Политическая лингвистика. М.: Флинта: Наука, 2006. 256 с.

14. Шейгал Е. И. Семиотика политического дискурса: дис. … докт. филол. наук. Волгоград, 2000. 440 с.

15. 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.

16. Galperin I. R. English Stylistics. M.: URSS, 2014. 332 p.

17. 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.

18. 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.